CN109274843A - 按键预测方法、装置及计算机可读存储介质 - Google Patents
按键预测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109274843A CN109274843A CN201811096236.4A CN201811096236A CN109274843A CN 109274843 A CN109274843 A CN 109274843A CN 201811096236 A CN201811096236 A CN 201811096236A CN 109274843 A CN109274843 A CN 109274843A
- Authority
- CN
- China
- Prior art keywords
- inlet wire
- prediction
- client
- key
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/5166—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing in combination with interactive voice response systems or voice portals, e.g. as front-ends
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明涉及一种人工智能技术,揭露了一种按键预测方法,包括:接收进线,识别电话号码,获取客户的基本信息;获取该电话号码在预设时间段的进线行为记录以得到客户的进线意图属性;根据客户的基本信息获知客户的用户属性、在预设时间段内通过不同渠道执行的过往行为属性,本次进线的进线特征属性;将上述得到的各种属性数据进行特征组合,得到预测数据;及将所述预测数据输入预先训练的预测模型中,预测客户本次进线的意图,并按照预设规则对自动语音应答菜单的语音播报顺序进行自动调整。本发明还提出一种按键预测装置以及一种计算机可读存储介质。本发明实现了对IVR菜单的语音播报顺序的自能调整,节省用户时间,提高用户体验。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于自动语音应答技术的按键预测方法、装置及计算机可读存储介质。
背景技术
在客服系统中,自动语音应答((Interactive Voice Response,IVR)与人工服务是产品/服务提供商与用户交互的两个重要的通道。自动语音应答可以通过自动流程与用户进行信息交互,完成简单明确的查询、咨询、业务办理等功能,具有快捷、清晰、合理、简便、运营成本低的特点。人工服务具有人性化、及时化、体现尊贵服务的特点。自动语音应答与人工服务相辅相成。随着通信业务的飞速发展,用户对客服业务的要求越来越高,而客服系统的人工资源也越来越紧张,这就要求客服系统既要保证用户的满意度,又要用自动语音应答分流一部分宝贵的人工资源。
目前,有多种方法可以为用户提供自动语音应答系统(IVR,Interactive VoiceResponse)菜单,产品/服务提供商为用户提供统一的菜单即是其中的一种方法。在这种方法中,产品/服务提供商完全根据自身提供的业务范围、业务类型等因素,为所有的用户提供统一的、固定的IVR菜单。
然而,在实际应用中,对于统一的、固定的IVR菜单,用户在办理一个业务时,可能需要在菜单中进行多个层次的选择,才能找到自己需要的服务项目。例如,用户通过95511拨打平安公司的客服电话时,首先接入的为平安公司提供的自动语音应答系统。传统上,该自动语音应答系统为用户提供了按照固定顺序的,包括例如车险报案、人寿业务、信用卡业务、银行业务、财产险意外险业务、企业年金业务、证券业务等多种业务项目的语音播报。对于不熟悉IVR菜单结构的用户来说,可能会听完很多不相关的语音播报之后,才能找到自己需要办理的业务选择按键,浪费了用户的时间,给用户带来不好的使用体验。此外,为了节省时间,用户很可能直接选择人工服务办理业务,这样就会增加人工资源的负担。
发明内容
本发明提供一种按键预测方法、装置及计算机可读存储介质,其主要目的在于在用户通过自动语音应答系统办理业务时,通过预测用户所需办理的业务类型,调整IVR菜单的语音播报顺序,从而使用户快速了解所需办理的业务对应的按键,以节省用户时间,提高用户体验。
为实现上述目的,本发明提供的一种按键预测方法,包括:
接收电话进线,识别该次进线的电话号码,并根据所述电话号码,从数据库中获取该电话号码所属客户的基本信息;
根据所述电话号码,从数据库中获取该电话号码在预设时间段的进线行为记录,并根据所述预设时间段的所有进线行为记录,得到所述客户的进线意图属性;
根据所述客户的基本信息获知所述客户的用户属性、所述客户在预设时间段内通过不同渠道执行的过往行为属性,并分析本次进线的进线特征属性;
将上述得到的用户属性、过往行为属性、进线意图属性以及本次进线的进线特征属性进行特征组合,得到预测数据;及
将所述预测数据输入预先训练的预测模型中,预测客户本次进线的意图,并根据所述预测的客户本次进线的意图,按照预设规则对自动语音应答菜单的语音播报顺序进行自动调整。
可选地,所述预先训练的预测模型为Deep and wide模型,其中,所述Deep andwide模型包括线性softmax回归模型和DNN神经网络模型。
可选地,所述预测模型包括第一预测模型、第二预测模型、第三预测模型以及第四预测模型,其中:
所述第一预测模型为利用相邻进线行为间隔时间在第一预设时间以内的历史进线数据训练得到;
所述第二预测模型为利用相邻进线行为间隔时间大于第一预设时间且小于等于第二预设时间以内的历史进线数据训练得到;
所述第三预测模型为利用相邻进线行为间隔时间大于第二预设时间且小于等于第三预设时间以内的历史进线数据训练得到;及
所述第四预测模型为利用相邻进线行为间隔时间大于第三预设时间的历史进线数据训练得到。
可选地,所述预设规则包括:优先播报预定业务的功能按键,对于其他业务对应的功能按键,按照预测的客户本次进线的意图中各种业务的选择概率从大到小的顺序依次播报各种业务对应的功能按键。
可选地,所述预设规则还包括:仅播报选择概率大于或者等于预定阈值的业务对应的功能按键,对选择概率小于所述预定阈值的业务对应的功能按键进行隐藏。
此外,为实现上述目的,本发明还提供一种按键预测装置,该装置包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的按键预测程序,所述按键预测程序被所述处理器执行时实现如下步骤:
接收电话进线,识别该次进线的电话号码,并根据所述电话号码,从数据库中获取该电话号码所属客户的基本信息;
根据所述电话号码,从数据库中获取该电话号码在预设时间段的进线行为记录,并根据所述预设时间段的所有进线行为记录,得到所述客户的进线意图属性;
根据所述客户的基本信息获知所述客户的用户属性、所述客户在预设时间段内通过不同渠道执行的过往行为属性,并分析本次进线的进线特征属性;
将上述得到的用户属性、过往行为属性、进线意图属性以及本次进线的进线特征属性进行特征组合,得到预测数据;及
将所述预测数据输入预先训练的预测模型中,预测客户本次进线的意图,并根据所述预测的客户本次进线的意图,按照预设规则对自动语音应答菜单的语音播报顺序进行自动调整。
可选地,所述预先训练的预测模型为Deep and wide模型,其中,所述Deep andwide模型包括线性softmax回归模型和DNN神经网络模型。
可选地,所述预测模型包括第一预测模型、第二预测模型、第三预测模型以及第四预测模型,其中:
所述第一预测模型为利用相邻进线行为间隔时间在第一预设时间以内的历史进线数据训练得到;
所述第二预测模型为利用相邻进线行为间隔时间大于第一预设时间且小于等于第二预设时间以内的历史进线数据训练得到;
所述第三预测模型为利用相邻进线行为间隔时间大于第二预设时间且小于等于第三预设时间以内的历史进线数据训练得到;及
所述第四预测模型为利用相邻进线行为间隔时间大于第三预设时间的历史进线数据训练得到。
可选地,所述预设规则包括:优先播报预定业务的功能按键,对于其他业务对应的功能按键,按照预测的客户本次进线的意图中各种业务的选择概率从大到小的顺序依次播报各种业务对应的功能按键。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有按键预测程序,所述按键预测程序可被一个或者多个处理器执行,以实现如上所述的按键预测方法的步骤。
本发明提出的按键预测方法、装置及计算机可读存储介质,在用户通过自动语音应答系统办理业务时,根据用户的基本信息获取用户的用户属性、过往行为属性、进线意图属性以及本次进线的进线特征属性,对这些属性进行特征组合,生成预测数据,并利用预先训练的预测模型,根据所述预测数据预测用户当前所需办理的业务类型,并据此调整IVR菜单的语音播报顺序,从而使用户快速了解所需办理的业务对应的按键,以节省用户时间,提高用户体验。
附图说明
图1为本发明一实施例提供的按键预测方法的流程示意图;
图2为图1所述实施例提供的按键预测方法中其中一个步骤的详细流程示意图;
图3为本发明一实施例提供的按键预测装置的内部结构示意图;
图4为本发明一实施例提供的按键预测装置中按键预测程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种按键预测方法。参照图1所示,为本发明一实施例提供的按键预测方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,按键预测方法包括:
S1、接收进线,识别该次进线的电话号码。
本方案中,所述装置在接收到一个进线时,将该进线接入到一个自动语音应答系统中,并同时识别该次进线的电话号码。
S2、根据所述电话号码,从一个客户数据库中获取该电话号码所属客户的基本信息。
本方案中,所述客户数据库中存储有预设产品/服务提供商的所有客户的基本信息。所述基本信息包括,但不限于,客户的姓名、性别、身份证号码、电话号码、住址、所购买过的产品或者服务的种类等等。
所述装置可以通过网络或者其他方式连接所述客户数据库。
所述产品/服务提供商可以是,例如,提供保险服务的公司,如平安等。
本发明较佳实施例通过所述电话号码与所述客户数据库中的每条客户记录进行匹配,以找到该电话号码所属客户的基本信息。
S3、根据所述电话号码,从一个历史行为数据库中获取该电话号码在预设时间段的进线行为记录。
本发明较佳实施例中,所述历史行为数据库中记录着每一个进线号码每次进线的时间以及行为属性。所述时间属性包括进线的年、月、日、及几时几分;所述行为属性包括进线时办理的业务。
例如,所述历史行为数据库中可能包括如下记录:
1、2017年6月30日的8:00AM,进线号码13411111111,办理了车险业务;
2、2017年7月1日的8:00PM,进线号码13412345678,办理了信用卡业务;以及
3、2017年7月2日的9:30AM,进线号码13411111111,办理了银行业务;
......。
本方案较佳实施例根据所述电话号码在所述历史行为数据库进行匹配,获取该电话号码在预设时间段的所有进线行为记录。
其中,所述预设时间段可以是,例如从当前日期开始往前推的半年内。
其他方案中,所述的客户数据库以及所述的历史行为数据库可以整合为同一个数据库。
进一步地,S3还包括根据所述预设时间段的所有进线行为记录,得到所述客户的进线意图属性。
本方案中,所述进线意图属性包括上次进线属性、上上次进线属性、最近一星期进线属性、最近一个月进线属性、最近三个月进线属性、最近六个月进线属性等等。其中,所述进线属性包括进线的时间以及行为属性。
S4、根据所述客户的基本信息,获知所述客户的用户属性。
本发明较佳实施例中,所述用户属性可以指示客户所购买过的产品或者服务的种类。
例如,对于平安公司来说,若客户购买了车险以及办理了信用卡,则所述客户的用户属性中,车险属性标记为1,信用卡属性标记为1,其他属性标记为0;若客户在平安公司买了寿险,则所述客户的用户属性中的寿险属性标记为1,其他属性标记为0等。
S5、根据所述客户的基本信息,获取所述客户在预设时间段内通过不同渠道执行的过往行为属性。
本方案中,所述渠道可以包括,例如,电话渠道、网页渠道、手机应用软件(APP)渠道、第三方支付渠道等。
所述分析服务器根据所述客户的电话号码、姓名以及身份证号码等一项或者多项基本信息的组合,获取所述客户在不同渠道的过往行为属性。
其中,所述的过往行为属性可以包括,但不限于,例如,客户A在2018年1月1日,通过APP购买了一款理财产品;在2018年1月2日,通过微信支付的方式从名下的信用卡消费了1万元钱等等。
S6、分析本次进线的进线特征属性。
本方案中,本次进线的进线特征属性包括7维星期特征属性、24维小时特征属性、30维日期特征属性等。
S7、将上述得到的用户属性、过往行为属性、进线意图属性以及本次进线的进线特征属性进行特征组合,得到预测数据。
本发明较佳实施例中,优选地,所述特征组合可以采用FM(FactorizationMachine,因子分解机)算法。
线性模型只考虑了单一特征对预测结果的影响,没有考虑组合特征对预测结果的影响,而所述FM算法是旨在解决稀疏数据下特征组合问题。
本发明较佳实施例定义目标函数如下:
上述函数中,组合特征参数一共有n(n-1)/2g个,重要的是任意两个参数独立,但在特征非常稀疏的情况下,组合特征(xi,xj)出现同时不为0的情况较少的情况下,直接用梯度下降法对参数wij进行学习会使得大量的wij学习结果为0,因此可能造成训练样本不足,很容易导致参数wij不准确,影响模型的最终效果。
在所述FM算法中,将W矩阵分解为:
W=V*Vt;
因此,上述的目标函数进一步写成:
其中:k代表v向量的维度,直接计算复杂度为O(kn2),因为需要计算所有的两两组合特征的,但通过重新分析目标函数,计算复杂度可以从O(kn2)降低到O(kn)。
S8,将所述预测数据输入预先训练的预测模型中,预测客户本次进线的意图。
本方案中,所述预测模型为根据用户的历史进线数据进行训练得到。
优选地,本发明较佳实施例中,所述预先训练的预测模型为Deep and wide模型。所述Deep and wide模型由2部分组成:线性softmax回归模型和DNN神经网络模型。
所述Softmax回归模型能够保存原始离散特征,DNN神经网络模型能够对原始特征进线非线性变换得到新的特征,再利用原始特征+新特征进线组合串联得到新特征进线模型预测。
Deep and wide模型可以比传统的单独softmax回归模型、DNN神经网络模型达到更好的效果。
优选地,在本发明较佳实施例中,所述预测模型包括四个。其中,第一预测模型为利用相邻进线行为间隔时间在第一预设时间,如1天以内的历史进线数据训练得到;第二预测模型为利用相邻进线行为间隔时间大于第一预设时间,如1天且小于等于第二预设时间,如3天以内的历史进线数据训练得到;第三预测模型为利用相邻进线行为间隔时间大于第二预设时间,如3天且小于等于第三预设时间,如7天以内的历史进线数据训练得到;及第四预测模型为利用相邻进线行为间隔时间大于第三预设时间,如7天的历史进线数据训练得到。
因此,优选地,参阅图2所示,步骤S8还包括:
S81:计算所述电话号码本次进线与上述进线的时间间隔。
S82:判断所述时间间隔是否在1天之内。
若S82中,判断所述时间间隔是在1天之内,则执行S83:将所述预测数据输入预先训练的第一预测模型中,预测客户本次进线的意图。
若S82中,判断所述时间间隔不在1天之内,则执行S84:判断所述时间间隔是否在大于1天且小于等于3天之内。
若在S84中,判断所述时间间隔是在大于1天且小于等于3天之内,则执行S85:将所述预测数据输入预先训练的第二预测模型中,预测客户本次进线的意图。
若在S84中,判断所述时间间隔不在大于1天且小于等于3天之内,则执行S86:判断所述时间间隔是否在大于3天且小于等于7天之内。
若S86中,判断所述时间间隔在大于3天且小于等于7天之内,则执行S87:将所述预测数据输入预先训练的第三预测模型中,预测客户本次进线的意图。
若S86中,判断所述时间间隔不在大于3天且小于等于7天之内,则执行S88:将所述预测数据输入预先训练的第四预测模型中,预测客户本次进线的意图。
S9,根据所述预测的客户本次进线的意图,按照预设规则对自动语音应答菜单的语音播报顺序进行自动调整。
优选地,所述预设规则包括:优先播报预定业务的功能按键,对于其他业务对应的功能按键,按照预测的客户本次进线的意图中各种业务的选择概率从大到小的顺序依次播报各种业务对应的功能按键。
进一步地,所述预设规则还包括:仅播报选择概率大于或者等于预定阈值的业务对应的功能按键,对选择概率小于所述预定阈值的业务对应的功能按键可以进行隐藏。
例如,根据监管要求,预定业务,如车险报案的按键以及一账通用户对应的功能按键需要且优先播报,对于其他业务对应的功能按键,其预测的概率大于等于0.85的,从最高概率排名依次播报,预测的概率小于0.85的业务可以进行隐藏,并通过让用户选择了播报全部业务的按键时,按照预测的概率排名依次播报其对应功能按键。
又如,根据所述预测的客户本次进线的意图,用户选择办理信用卡业务的可能性为90%,选择办理银行业务的可能性为88%,选择办理产险业务的可能性为86%,选择办理其他业务的可能性均小于85%,则所述自动语音应答系统的IVR菜单可能进播报如下语音:
车险报案请按1;一账通业务请按2;信用卡业务请按9;银行业务请按3;产险业务请按4;听取全部业务功能按键请按0等。
发明还提供一种按键预测装置。参照图3所示,为本发明一实施例提供的按键预测装置的内部结构示意图。
在本实施例中,所述按键预测装置1可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。该按键预测装置1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是按键预测装置1的内部存储单元,例如该按键预测装置1的硬盘。存储器11在另一些实施例中也可以是按键预测装置1的外部存储设备,例如按键预测装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括按键预测装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于按键预测装置1的应用软件及各类数据,例如按键预测程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行按键预测程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在按键预测装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及按键预测程序01的按键预测装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对按键预测装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,存储器11中存储有按键预测程序01;处理器12执行存储器11中存储的按键预测程序01时实现如下步骤:
步骤一、接收进线,识别该次进线的电话号码。
本方案中,所述装置在接收到一个进线时,将该进线接入到一个自动语音应答系统中,并同时识别该次进线的电话号码。
步骤二、根据所述电话号码,从一个客户数据库中获取该电话号码所属客户的基本信息。
本方案中,所述客户数据库中存储有预设产品/服务提供商的所有客户的基本信息。所述基本信息包括,但不限于,客户的姓名、性别、身份证号码、电话号码、住址、所购买过的产品或者服务的种类等等。
所述装置可以通过网络或者其他方式连接所述客户数据库。
所述产品/服务提供商可以是,例如,提供保险服务的公司,如平安等。
本发明较佳实施例通过所述电话号码与所述客户数据库中的每条客户记录进行匹配,以找到该电话号码所属客户的基本信息。
步骤三、根据所述电话号码,从一个历史行为数据库中获取该电话号码在预设时间段的进线行为记录。
本发明较佳实施例中,所述历史行为数据库中记录着每一个进线号码每次进线的时间以及行为属性。所述时间属性包括进线的年、月、日、及几时几分;所述行为属性包括进线时办理了哪些业务。
例如,所述历史行为数据库中可能包括如下记录:
1、2017年6月30日的8:00AM,进线号码13411111111,办理了车险业务;
2、2017年7月1日的8:00PM,进线号码13412345678,办理了信用卡业务;以及
3、2017年7月2日的9:30AM,进线号码13411111111,办理了银行业务;
......。
本方案较佳实施例根据所述电话号码在所述历史行为数据库进行匹配,获取该电话号码在预设时间段的所有进线行为记录。
其中,所述预设时间段可以是,例如从当前日期开始往前推的半年内。
其他方案中,所述的客户数据库以及所述的历史行为数据库可以整合为同一个数据库。
进一步地,所述步骤三还包括根据所述预设时间段的所有进线行为记录,得到所述客户的进线意图属性。
本方案中,所述进线意图属性包括上次进线属性、上上次进线属性、最近一星期进线属性、最近一个月进线属性、最近三个月进线属性、最近六个月进线属性等等。其中,所述进线属性包括进线的时间以及行为属性。
步骤四、根据所述客户的基本信息,获知所述客户的用户属性。
本发明较佳实施例中,所述用户属性可以指示客户所购买过的产品或者服务的种类。
例如,对于平安公司来说,若客户购买了车险以及办理了信用卡,则所述客户的用户属性中,车险属性标记为1,信用卡属性标记为1,其他属性标记为0;若客户在平安公司买了寿险,则所述客户的用户属性中的寿险属性标记为1,其他属性标记为0等。
步骤五、根据所述客户的基本信息,获取所述客户在预设时间段内通过不同渠道执行的过往行为属性。
本方案中,所述渠道可以包括,例如,电话渠道、网页渠道、手机应用软件(APP)渠道、第三方支付渠道等。
所述分析服务器根据所述客户的电话号码、姓名以及身份证号码等一项或者多项基本信息的组合,获取所述客户在不同渠道的过往行为属性。
其中,所述的过往行为属性可以包括,但不限于,例如,客户A在2018年1月1日,通过APP购买了一款理财产品;在2018年1月2日,通过微信支付的方式从名下的信用卡消费了1万元钱等等。
步骤六、分析本次进线的进线特征属性。
本方案中,本次进线的进线特征属性包括7维星期特征属性、24维小时特征属性、30维日期特征属性等。
步骤七、将上述得到的用户属性、过往行为属性、进线意图属性以及本次进线的进线特征属性进行特征组合,得到预测数据。
本发明较佳实施例中,优选地,所述特征组合可以采用FM(FactorizationMachine,因子分解机)算法。
线性模型只考虑了单一特征对预测结果的影响,没有考虑组合特征对预测结果的影响,而所述FM算法是旨在解决稀疏数据下特征组合问题。
本发明较佳实施例定义目标函数如下:
上述函数中,组合特征参数一共有n(n-1)/2g个,重要的是任意两个参数独立,但在特征非常稀疏的情况下,组合特征(xi,xj)出现同时不为0的情况较少的情况下,直接用梯度下降法对参数wij进行学习会使得大量的wij学习结果为0,因此可能造成训练样本不足,很容易导致参数wij不准确,影响模型的最终效果。
在所述FM算法中,将W矩阵分解为:
W=V*Vt;
因此,上述的目标函数进一步写成:
其中:k代表v向量的维度,直接计算复杂度为O(kn2),因为需要计算所有的两两组合特征的,但通过重新分析目标函数,计算复杂度可以从O(kn2)降低到O(kn)。
步骤八、将所述预测数据输入预先训练的预测模型中,预测客户本次进线的意图。
本方案中,所述预测模型为根据用户的历史进线数据进行训练得到。
优选地,本发明较佳实施例中,所述预先训练的预测模型为Deep and wide模型。所述Deep and wide模型由2部分组成:线性softmax回归模型和DNN神经网络模型。
所述Softmax回归模型能够保存原始离散特征,DNN神经网络模型能够对原始特征进线非线性变换得到新的特征,再利用原始特征+新特征进线组合串联得到新特征进线模型预测。
Deep and wide模型可以比传统的单独softmax回归模型、DNN神经网络模型达到更好的效果。
优选地,在本发明较佳实施例中,所述预测模型包括四个。其中,第一预测模型为利用相邻进线行为间隔时间在第一预设时间,如1天以内的历史进线数据训练得到;第二预测模型为利用相邻进线行为间隔时间大于第一预设时间,如1天且小于等于第二预设时间,如3天以内的历史进线数据训练得到;第三预测模型为利用相邻进线行为间隔时间大于第二预设时间,如3天且小于等于第三预设时间,如7天以内的历史进线数据训练得到;及第四预测模型为利用相邻进线行为间隔时间大于第三预设时间,如7天的历史进线数据训练得到。
因此,优选地,步骤八还包括:
子步骤1、计算所述电话号码本次进线与上述进线的时间间隔。
子步骤2、判断所述时间间隔是否在1天之内。
若子步骤2中,判断所述时间间隔是在1天之内,则执行子步骤3:将所述预测数据输入预先训练的第一预测模型中,预测客户本次进线的意图。
若子步骤2中,判断所述时间间隔不在1天之内,则执行子步骤4:判断所述时间间隔是否在大于1天且小于等于3天之内。
若在子步骤4中,判断所述时间间隔是在大于1天且小于等于3天之内,则执行子步骤5:将所述预测数据输入预先训练的第二预测模型中,预测客户本次进线的意图。
若在子步骤4中,判断所述时间间隔不在大于1天且小于等于3天之内,则执行子步骤6:判断所述时间间隔是否在大于3天且小于等于7天之内。
若子步骤6中,判断所述时间间隔在大于3天且小于等于7天之内,则执行子步骤7:将所述预测数据输入预先训练的第三预测模型中,预测客户本次进线的意图。
若子步骤6中,判断所述时间间隔不在大于3天且小于等于7天之内,则执行子步骤8:将所述预测数据输入预先训练的第四预测模型中,预测客户本次进线的意图。
步骤九、根据所述预测的客户本次进线的意图,按照预设规则对自动语音应答菜单的语音播报顺序进行自动调整。
优选地,所述预设规则包括:优先播报预定业务的功能按键,对于其他业务对应的功能按键,按照预测的客户本次进线的意图中各种业务的选择概率从大到小的顺序依次播报各种业务对应的功能按键。
进一步地,所述预设规则还包括:仅播报选择概率大于或者等于预定阈值的业务对应的功能按键,对选择概率小于所述预定阈值的业务对应的功能按键可以进行隐藏。
例如,根据监管要求,预定业务,如车险报案的按键以及一账通用户对应的功能按键需要且优先播报,对于其他业务对应的功能按键,其预测的概率大于等于0.85的,从最高概率排名依次播报,预测的概率小于0.85的业务可以进行隐藏,并通过让用户选择了播报全部业务的按键时,按照预测的概率排名依次播报其对应功能按键。
又如,根据所述预测的客户本次进线的意图,用户选择办理信用卡业务的可能性为90%,选择办理银行业务的可能性为88%,选择办理产险业务的可能性为86%,选择办理其他业务的可能性均小于85%,则所述自动语音应答系统的IVR菜单可能进播报如下语音:
车险报案请按1;一账通业务请按2;信用卡业务请按9;银行业务请按3;产险业务请按4;听取全部业务功能按键请按0等。
可选地,在其他实施例中,按键预测程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述按键预测程序在按键预测装置中的执行过程。
例如,参照图3所示,为本发明按键预测装置一实施例中的按键预测程序的程序模块示意图,该实施例中,所述按键预测程序可以被分割为客户识别模块10、客户特征获取模块20、预测数据计算模块30以及按键预测模块40,示例性地:
所述客户识别模块10用于:接收进线,识别该次进线的电话号码,并根据所述电话号码,从一个客户数据库中获取该电话号码所属客户的基本信息。
所述客户特征获取模块20用于:根据所述电话号码,从一个历史行为数据库中获取该电话号码在预设时间段的进线行为记录,并根据所述预设时间段的所有进线行为记录,得到所述客户的进线意图属性,以及根据所述客户的基本信息获知所述客户的用户属性、所述客户在预设时间段内通过不同渠道执行的过往行为属性,并分析本次进线的进线特征属性。
所述预测数据计算模块30用于:将上述得到的用户属性、过往行为属性、进线意图属性以及本次进线的进线特征属性进行特征组合,得到预测数据。
所述按键预测模块40用于:将所述预测数据输入预先训练的预测模型中,预测客户本次进线的意图,并根据所述预测的客户本次进线的意图,按照预设规则对自动语音应答菜单的语音播报顺序进行自动调整。
上述客户识别模块10、客户特征获取模块20、预测数据计算模块30以及按键预测模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有按键预测程序,所述按键预测程序可被一个或多个处理器执行,以实现如下操作:
接收进线,识别该次进线的电话号码,并根据所述电话号码,从一个客户数据库中获取该电话号码所属客户的基本信息;
根据所述电话号码,从一个历史行为数据库中获取该电话号码在预设时间段的进线行为记录,并根据所述预设时间段的所有进线行为记录,得到所述客户的进线意图属性;
根据所述客户的基本信息获知所述客户的用户属性、所述客户在预设时间段内通过不同渠道执行的过往行为属性,并分析本次进线的进线特征属性;
将上述得到的用户属性、过往行为属性、进线意图属性以及本次进线的进线特征属性进行特征组合,得到预测数据;
将所述预测数据输入预先训练的预测模型中,预测客户本次进线的意图;
根据所述预测的客户本次进线的意图,按照预设规则对自动语音应答菜单的语音播报顺序进行自动调整。
本发明计算机可读存储介质具体实施方式与上述按键预测装置和方法各实施例基本相同,在此不作累述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种按键预测方法,其特征在于,所述方法包括:
接收电话进线,识别该次进线的电话号码,并根据所述电话号码,从数据库中获取该电话号码所属客户的基本信息;
根据所述电话号码,从数据库中获取该电话号码在预设时间段的进线行为记录,并根据所述预设时间段的所有进线行为记录,得到所述客户的进线意图属性;
根据所述客户的基本信息获知所述客户的用户属性、所述客户在预设时间段内通过不同渠道执行的过往行为属性,并分析本次进线的进线特征属性;
将上述得到的用户属性、过往行为属性、进线意图属性以及本次进线的进线特征属性进行特征组合,得到预测数据;及
将所述预测数据输入预先训练的预测模型中,预测客户本次进线的意图,并根据所述预测的客户本次进线的意图,按照预设规则对自动语音应答菜单的语音播报顺序进行自动调整。
2.如权利要求1所述的按键预测方法,其特征在于,所述预先训练的预测模型为Deepand wide模型,其中,所述Deep and wide模型包括线性softmax回归模型和DNN神经网络模型。
3.如权利要求2所述的按键预测方法,其特征在于,所述预测模型包括第一预测模型、第二预测模型、第三预测模型以及第四预测模型,其中:
所述第一预测模型为利用相邻进线行为间隔时间在第一预设时间以内的历史进线数据训练得到;
所述第二预测模型为利用相邻进线行为间隔时间大于第一预设时间且小于等于第二预设时间以内的历史进线数据训练得到;
所述第三预测模型为利用相邻进线行为间隔时间大于第二预设时间且小于等于第三预设时间以内的历史进线数据训练得到;及
所述第四预测模型为利用相邻进线行为间隔时间大于第三预设时间的历史进线数据训练得到。
4.如权利要求1所述的按键预测方法,其特征在于,所述预设规则包括:优先播报预定业务的功能按键,对于其他业务对应的功能按键,按照预测的客户本次进线的意图中各种业务的选择概率从大到小的顺序依次播报各种业务对应的功能按键。
5.如权利要求1所述的按键预测方法,其特征在于,所述预设规则还包括:仅播报选择概率大于或者等于预定阈值的业务对应的功能按键,对选择概率小于所述预定阈值的业务对应的功能按键进行隐藏。
6.一种按键预测装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的按键预测程序,所述按键预测程序被所述处理器执行时实现如下步骤:
接收电话进线,识别该次进线的电话号码,并根据所述电话号码,从数据库中获取该电话号码所属客户的基本信息;
根据所述电话号码,从数据库中获取该电话号码在预设时间段的进线行为记录,并根据所述预设时间段的所有进线行为记录,得到所述客户的进线意图属性;
根据所述客户的基本信息获知所述客户的用户属性、所述客户在预设时间段内通过不同渠道执行的过往行为属性,并分析本次进线的进线特征属性;
将上述得到的用户属性、过往行为属性、进线意图属性以及本次进线的进线特征属性进行特征组合,得到预测数据;及
将所述预测数据输入预先训练的预测模型中,预测客户本次进线的意图,并根据所述预测的客户本次进线的意图,按照预设规则对自动语音应答菜单的语音播报顺序进行自动调整。
7.如权利要求6所述的按键预测装置,其特征在于,所述预先训练的预测模型为Deepand wide模型,其中,所述Deep and wide模型包括线性softmax回归模型和DNN神经网络模型。
8.如权利要求7所述的按键预测装置,其特征在于,所述预测模型包括第一预测模型、第二预测模型、第三预测模型以及第四预测模型,其中:
所述第一预测模型为利用相邻进线行为间隔时间在第一预设时间以内的历史进线数据训练得到;
所述第二预测模型为利用相邻进线行为间隔时间大于第一预设时间且小于等于第二预设时间以内的历史进线数据训练得到;
所述第三预测模型为利用相邻进线行为间隔时间大于第二预设时间且小于等于第三预设时间以内的历史进线数据训练得到;及
所述第四预测模型为利用相邻进线行为间隔时间大于第三预设时间的历史进线数据训练得到。
9.如权利要求6所述的按键预测装置,其特征在于,所述预设规则包括:优先播报预定业务的功能按键,对于其他业务对应的功能按键,按照预测的客户本次进线的意图中各种业务的选择概率从大到小的顺序依次播报各种业务对应的功能按键。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有按键预测程序,所述按键预测程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的按键预测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811096236.4A CN109274843B (zh) | 2018-09-19 | 2018-09-19 | 按键预测方法、装置及计算机可读存储介质 |
PCT/CN2018/123596 WO2020056978A1 (zh) | 2018-09-19 | 2018-12-25 | 按键预测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811096236.4A CN109274843B (zh) | 2018-09-19 | 2018-09-19 | 按键预测方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109274843A true CN109274843A (zh) | 2019-01-25 |
CN109274843B CN109274843B (zh) | 2021-06-11 |
Family
ID=65197763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811096236.4A Active CN109274843B (zh) | 2018-09-19 | 2018-09-19 | 按键预测方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109274843B (zh) |
WO (1) | WO2020056978A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110233944A (zh) * | 2019-06-21 | 2019-09-13 | 携程旅游信息技术(上海)有限公司 | 交互式语音应答的方法、系统、电子设备和介质 |
CN110602333A (zh) * | 2019-08-23 | 2019-12-20 | 绍兴文理学院 | 基于深度学习的呼叫中心应答系统及方法 |
CN111614845A (zh) * | 2020-04-21 | 2020-09-01 | 深圳追一科技有限公司 | 人机对话中人设匹配方法、装置、计算机设备和存储介质 |
CN111787164A (zh) * | 2020-07-16 | 2020-10-16 | 阳光保险集团股份有限公司 | 来电提示方法、装置、电子设备和计算机可读介质 |
CN111833072A (zh) * | 2019-08-28 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种播报事项的推送方法、推送装置及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040122941A1 (en) * | 2002-12-20 | 2004-06-24 | International Business Machines Corporation | Customized interactive voice response menus |
CN101094271A (zh) * | 2007-07-20 | 2007-12-26 | 华为技术有限公司 | 自动语音应答系统菜单的生成方法及装置 |
CN106572272A (zh) * | 2015-10-12 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 一种ivr语音菜单确定方法及装置 |
CN106993104A (zh) * | 2016-11-14 | 2017-07-28 | 阿里巴巴集团控股有限公司 | 来电处理方法、装置及终端 |
CN106993089A (zh) * | 2017-03-23 | 2017-07-28 | 中国联合网络通信集团有限公司 | 语音菜单显示的方法与装置 |
CN107704946A (zh) * | 2017-08-29 | 2018-02-16 | 平安科技(深圳)有限公司 | 电子装置、语音导航需求预测方法和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6778643B1 (en) * | 2000-03-21 | 2004-08-17 | Sbc Technology Resources, Inc. | Interface and method of designing an interface |
CN104735237B (zh) * | 2013-12-20 | 2017-09-15 | 中国移动通信集团公司 | 一种路径预测方法及交互式语音应答ivr路径预测系统 |
CN107155010B (zh) * | 2016-03-02 | 2019-09-20 | 北京京东尚科信息技术有限公司 | 基于大数据处理用户语音呼叫的方法、装置和系统 |
-
2018
- 2018-09-19 CN CN201811096236.4A patent/CN109274843B/zh active Active
- 2018-12-25 WO PCT/CN2018/123596 patent/WO2020056978A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040122941A1 (en) * | 2002-12-20 | 2004-06-24 | International Business Machines Corporation | Customized interactive voice response menus |
CN101094271A (zh) * | 2007-07-20 | 2007-12-26 | 华为技术有限公司 | 自动语音应答系统菜单的生成方法及装置 |
CN106572272A (zh) * | 2015-10-12 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 一种ivr语音菜单确定方法及装置 |
CN106993104A (zh) * | 2016-11-14 | 2017-07-28 | 阿里巴巴集团控股有限公司 | 来电处理方法、装置及终端 |
CN106993089A (zh) * | 2017-03-23 | 2017-07-28 | 中国联合网络通信集团有限公司 | 语音菜单显示的方法与装置 |
CN107704946A (zh) * | 2017-08-29 | 2018-02-16 | 平安科技(深圳)有限公司 | 电子装置、语音导航需求预测方法和存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110233944A (zh) * | 2019-06-21 | 2019-09-13 | 携程旅游信息技术(上海)有限公司 | 交互式语音应答的方法、系统、电子设备和介质 |
CN110602333A (zh) * | 2019-08-23 | 2019-12-20 | 绍兴文理学院 | 基于深度学习的呼叫中心应答系统及方法 |
CN110602333B (zh) * | 2019-08-23 | 2021-08-03 | 绍兴文理学院 | 基于深度学习的呼叫中心应答系统及方法 |
CN111833072A (zh) * | 2019-08-28 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种播报事项的推送方法、推送装置及可读存储介质 |
CN111614845A (zh) * | 2020-04-21 | 2020-09-01 | 深圳追一科技有限公司 | 人机对话中人设匹配方法、装置、计算机设备和存储介质 |
CN111787164A (zh) * | 2020-07-16 | 2020-10-16 | 阳光保险集团股份有限公司 | 来电提示方法、装置、电子设备和计算机可读介质 |
CN111787164B (zh) * | 2020-07-16 | 2021-06-15 | 阳光保险集团股份有限公司 | 来电提示方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020056978A1 (zh) | 2020-03-26 |
CN109274843B (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109274843A (zh) | 按键预测方法、装置及计算机可读存储介质 | |
CN107818344B (zh) | 用户行为进行分类和预测的方法和系统 | |
CN108509485B (zh) | 数据的预处理方法、装置、计算机设备和存储介质 | |
CN108763499A (zh) | 基于智能语音的呼叫质检方法、装置、设备及存储介质 | |
CN110135942A (zh) | 产品推荐方法、装置及计算机可读存储介质 | |
CN110502608A (zh) | 基于知识图谱的人机对话方法及人机对话装置 | |
CN110349009B (zh) | 一种多头借贷违约预测方法、装置和电子设备 | |
CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
CN110825956A (zh) | 一种信息流推荐方法、装置、计算机设备及存储介质 | |
CN105744005A (zh) | 客户定位分析方法及服务器 | |
CN109447822A (zh) | 保单智能回访方法、装置及计算机可读存储介质 | |
WO2019041523A1 (zh) | 电子装置、语音导航需求预测方法和存储介质 | |
CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN113157947A (zh) | 知识图谱的构建方法、工具、装置和服务器 | |
CN110503564A (zh) | 基于大数据的保全案件处理方法、系统、设备及存储介质 | |
CN110276642A (zh) | 广告牌推荐方法、装置及计算机可读存储介质 | |
CN112308590B (zh) | 一种参数处理方法、装置以及计算设备、存储介质 | |
CN116661936A (zh) | 页面数据的处理方法、装置、计算机设备及存储介质 | |
CN116934283A (zh) | 一种员工权限配置方法、装置、设备及其存储介质 | |
CN116132589A (zh) | 一种电力客服系统语音反馈菜单的优化方法及系统 | |
CN111144512A (zh) | 基于EMLo预训练模型的职业指导方法、装置及存储介质 | |
CN115525192A (zh) | 面向用户的报价计费方法、装置、计算机设备及存储介质 | |
CN112288475A (zh) | 产品推荐方法、装置及电子设备 | |
CN112950351A (zh) | 用户策略生成方法、装置及电子设备 | |
CN110414709A (zh) | 债务风险智能预测方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |