CN109492660A - 投诉信息处理方法、装置、计算机设备和存储介质 - Google Patents
投诉信息处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109492660A CN109492660A CN201811124599.4A CN201811124599A CN109492660A CN 109492660 A CN109492660 A CN 109492660A CN 201811124599 A CN201811124599 A CN 201811124599A CN 109492660 A CN109492660 A CN 109492660A
- Authority
- CN
- China
- Prior art keywords
- calling information
- ratio
- attributive character
- model
- classification
- 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.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims description 27
- 238000003672 processing method Methods 0.000 title claims description 9
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000013145 classification model Methods 0.000 claims description 10
- 241001269238 Data Species 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000005215 recombination Methods 0.000 description 4
- 230000006798 recombination Effects 0.000 description 4
- 206010004950 Birth mark Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 101000911390 Homo sapiens Coagulation factor VIII Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 102000057593 human F8 Human genes 0.000 description 2
- 229940047431 recombinate Drugs 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q30/01—Customer relationship services
Abstract
本申请涉及一种投诉信息方法、装置、计算机设备和存储介质。涉及人工智能的算法模型领域。方法包括获取预设时间区间的投诉信息;根据设定属性特征对投诉信息进行分组,得到第一次分组结果,第一次分组结果中将包含属性特征的投诉信息划分为一组,将不包含属性特征的投诉信息划分为另一组;将不具有设定属性特征的分组输入至分类模型,得到第二次分组结果;重组第一次分组结果和第二次分组结果,将投诉信息进行类别划分,其中,划分后的类别对应的投诉信息数量的比例为预设分类比例;根据对应的类别将所有投诉信息分类处理。采用本方法能够更加高质高效的对海量的投诉案件进行处理。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种投诉信息处理方法、装置、计算机设备和存储介质。
背景技术
随着业务系统的客户群体越来越庞大,客户投诉也日益增多。为提升客户满意度,一方面需要减少和避免客户投诉;另一方面当客户投诉时,加快投诉处理速度,减少客户等待时间。
传统的对投诉案件的处理通常采用全部线下处理。虽然线下处理能够保障服务质量,但当投诉案件量较大时,全部线下处理极易造成数据处理不及时。因此,当下迫切需要寻求一种新的投诉案件处理方案,使得在面对大量的投诉案件,既能监控处理时效也能够确保服务质量。
发明内容
基于此,有必要针对上述技术问题,提供一种能够更加高质高效的对海量的投诉案件进行处理的投诉信息处理方法、装置、计算机设备和存储介质。
一种投诉信息处理方法,所述方法包括:
获取预设时间区间的投诉信息;
根据设定属性特征对所述投诉信息进行分组,得到第一次分组结果,所述第一次分组结果中将包含所述属性特征的投诉信息划分为一组,将不包含所述属性特征的投诉信息划分为另一组;
将所述不具有设定属性特征的分组输入至分类模型,得到第二次分组结果;
重组所述第一次分组结果和所述第二次分组结果,将所述投诉信息进行类别划分,其中,所述划分后的所述类别对应的投诉信息数量的比例为预设分类比例;
根据对应的所述类别将所有所述投诉信息分类处理。
在一个实施例中,在所述根据设定属性特征对所述投诉信息进行分组,得到第一次分组结果之后,还包括:
计算所述第一次分组结果对应的组间比例,所述组间比例为具有设定属性特征的投诉信息数量与不具有设定属性特征的投诉信息数量的比值;
根据所述组间比例和预设分类比例计算模型分类比例;
所述将不具有设定属性特征的投诉信息分组输入至分类模型,得到第二次分组结果,包括:多次调用分类模型对所述不具有设定属性特征的投诉信息进行多次分类,直至得到的分类结果满足所述模型分类比例,其中,所述分类模型包括具有固定分类比例的二分类模型。
在一个实施例中,所述多次调用分类模型对所述不具有设定属性特征的投诉信息进行多次分类,直至得到的分类结果满足所述模型分类比例,包括:
获取所述分类模型对应的所有分类比例,其中,所述分类比例包括所述分类模型经迭代多次所述固有分类比例分组后得到的所有分类比例;
确定与所述模型分类比例最接近的目标分类比例;
获取所述目标分类比例对应的多次分组方案;
将所述多次分组方案和所述不具有设定属性特征的投诉信息输入至所述分类模型中,得到第二次分组结果。
在一个实施例中,在获取预设时间区间的投诉信息之后,还包括:
判断所述投诉信息的数量是否少于设定阈值,若是,则将获取的所有所述投诉信息分派给客服终端进行投诉信息的线下处理;若否,则执行所述根据设定属性特征对所述投诉信息进行分组,得到第一次分组结果。
在一个实施例中,所述方法还包括:
收集历史投诉信息;
对所述历史投诉信息进行数据处理生成样本数据;
多个所述样本数据进行随机组合生成训练样本;
将所述训练样本输入至分类器中并不断调整分类器中的模型参数,直至构建出的分类模型能够将所述训练样本中的投诉信息按照设定的比例进行分类。
一种投诉信息处理装置,所述装置包括:
信息获取模块,用于获取预设时间区间的投诉信息;
第一次分组模块,用于根据设定属性特征对所述投诉信息进行分组,得到第一次分组结果,所述第一次分组结果中将包含所述属性特征的投诉信息划分为一组,将不包含所述属性特征的投诉信息划分为另一组;
第二次分组模块,用于将所述不具有设定属性特征的分组输入至分类模型,得到第二次分组结果;
分类模块,用于重组所述第一次分组结果和所述第二次分组结果,将所述投诉信息进行类别划分,其中,所述划分后的所述类别对应的投诉信息数量的比例为预设分类比例;
信息处理模块,用于根据对应的所述类别将所有所述投诉信息分类处理。
在一个实施例中,所述装置还包括:
模型分类比例计算模块,用于计算所述第一次分组结果对应的组间比例,所述组间比例为具有设定属性特征的投诉信息数量与不具有设定属性特征的投诉信息数量的比值;根据所述组间比例和预设分类比例计算模型分类比例;
所述第二次分组模块,还用于多次调用分类模型对所述不具有设定属性特征的投诉信息进行多次分类,直至得到的分类结果满足所述模型分类比例,其中,所述分类模型包括具有固定分类比例的二分类模型。
在一个实施例中,所述第二次分组模块,还用于获取所述分类模型对应的所有分类比例,其中,所述分类比例包括所述分类模型经迭代多次所述固有分类比例分组后得到的所有分类比例;确定与所述模型分类比例最接近的目标分类比例;获取所述目标分类比例对应的多次分组方案;将所述多次分组方案和所述不具有设定属性特征的投诉信息输入至所述分类模型中,得到第二次分组结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的方法的步骤。
上述投诉信息处理方法、装置、计算机设备和存储介质,首先对投诉信息进行属性特征这识别,基于属性特征分流出一部分投诉信息,再通过分类模型对分流后的投诉信息进行分类识别,即提出了一种基于属性特征的分组和基于模型的分组的组合式分类方案,实现对海量信息的快速分类和分流处理,使得投诉信息处理更加及时高效;此外,按照设定比例的分类实现了对处理渠道选择的可控性,同时确保了案件处理质量。
附图说明
图1为一个实施例中投诉信息方法的应用场景图;
图2为一个实施例中投诉信息方法的流程示意图;
图3为另一个实施例中投诉信息方法的流程示意图;
图4为一个实施例中构建分类模型所涉及的流程示意图;
图5为一个实施例中投诉信息装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的投诉信息方法,可以应用于如图1所示的应用环境中。其中,投诉信息处理终端102通过网络与业务系统104通过网络进行通信。投诉信息处理终端102可从业务系统104获取投诉信息,并对投诉信息进行按照设定的比例进行分类,按照类别对投诉信息进行分流处理,筛选出来的设定比例的案件进行线下处理,另外一部分则通过人工智能进行服务。。其中,终端102可以但不限于是具有计算功能的终端设备也可以是服务器。
在一个实施例中,如图2所示,提供了一种投诉信息分类方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取预设时间区间的投诉信息。
本实施例中的投诉信息处理方法可应用于投诉信息处理终端中。投诉信息处理终端与多个业务系统的投诉工单系统建立通信连接。投诉工单系统中存储有该业务系统中所有用户的在线投诉信息。投诉信息可以包括投诉对象、投诉内容、投诉时间等。
投诉信息处理终端每隔设定时间从连接的投诉工单系统获取投诉信息。获取投诉信息的时间间隔可根据需要进行设定,如每隔5分钟。
步骤204,根据设定属性特征对投诉信息进行分组,得到第一次分组结果。
第一次分组结果中将包含属性特征的投诉信息划分为一组,将不包含属性特征的投诉信息划分为另一组。具体为:遍历所有的投诉信息,逐一判断各个投诉信息中是否具有设定的属性特征,将具有设定属性特征的投诉信息划分为一组,将不具有设定属性信息的投诉信息划分为另一组。这里的设定的属性信息可以是信息不全、投诉对象为设定的业务单号、设定关键字的任一个。
具体为,遍历投诉信息,判断当前遍历的投诉信息是否为信息不全的投诉信息,若是,则将该投诉信息划分到第一分组。遍历下一个投诉信息,判断该投诉信息是否为信息不全的投诉信息,若否,则判断投诉信息是否是针对设定投诉对象的投诉信息,若是,则将其划分到第一分组,若否,则进行判断该投诉信息是否带有设定关键字,若是,则将其划分为第一分组,若否则将其划分为第二分组。第一分组为具有设定属性特征的分组,第二分组为不具有设定属性特征的分组。
步骤206,将不具有设定属性特征的分组输入至信息分类模型,得到第二次分组结果。
将第一次分组结果中的不具有设定属性特征的分组输入至分类模型中,分类模型对输入的投诉信息进行分组,得到第二次分组结果。
具体为,分类模型计算输入的每一个投诉信息的重要等级评分或者复杂度,并将重要等级评分或者复杂度大于设定阈值的投诉信息划分为一组,重要等级评分小于等于设定阈值的投诉信息划分为另一组。分类模型可通过动态调整阈值调整分组的比例。
步骤208:重组第一次分组结果和第二次分组结果,将投诉信息进行类别划分,其中,划分后的类别对应的投诉信息数量的比例为预设分类比例。
通过将已划分的分组进行组间重组对所有的投诉信息进行类别划分。在一个实施例中,重组后将投诉信息划分为两个类别。也可将投诉信息划分为多个类型。
可采用如下方式将投诉信息划分为两个类别,具体为,第一分组将投诉信息分为:具有设定属性特征组以及不具有设定属性特征组。第二分组将不具有设定特征组划分为复杂案件组以及简单案件组。本实施例中,将具有设定属性特征组以及复杂案件组进行组间合并,生成下线处理类别,简单案件组作为线上处理类别。分类模型还可以将不具有设定属性的分组划分为多组,将分类模型划分的多组与第一分组结果中的具有设定属性特征的分组进行重组合并,可将投诉信息划分为多个类型。可以采用其他方式重组第一分组结果和第二分组结果,只要划分的两个类别对应的投诉信息数量的比例为预设分类比例即可。上述的预设分类比例为预先定义好的,如可以是5:1。
步骤210:根据对应的类别将所有投诉信息分类处理。
预先定义投诉信息类别对应的信息处理方式。当划分为两个类别时,处理渠道为线下处理渠道和线上处理渠道(人工智能处理)。当然,还可以预先定义此外的多个处理渠道,使处理渠道与划分的类别相对应。
对于线下处理渠道和线上处理渠道做如下说明:将所属线下处理类别的投诉信息分派给投诉信息处理客服终端。客服终端建立与投诉用户终端的会话窗口等进行人工的线下处理。将所属线上处理类别的投诉信息分派给人工智能系统,由人工智能机器人自动处理该类别的投诉信息。
本实施例中,先对投诉信息进行属性特征识别,基于属性特征分流出一部分投诉信息,再通过分类模型对分流后的投诉信息进行分类识别。这种基于属性特征的分组和基于模型的分组的组合式分类可实现对海量信息的快速分类和分流处理,使得投诉信息处理更加及时高效。且分类精细度和可控性更强,可按照需求将投诉信息按照比例进行分类,不同的分类属性采用不同的处理渠道,投诉信息处理更加优化。
在一个实施例中,如图3所示,提供了一种投诉信息处理方法,具体包括如下步骤:
步骤302,获取预设时间区间的投诉信息。
投诉信息处理终端从多个业务系统中获取设定时间区间的投诉信息,如获取最近半小时内的投诉信息。为方便解释本实施例,此处假设获取的投诉信息的数量为1000条。
步骤304,根据设定属性特征对投诉信息进行分组,得到第一次分组结果。
第一次分组结果中将包含属性特征的投诉信息划分为一组,将不包含属性特征的投诉信息划分为另一组。
步骤306,计算第一次分组结果对应的组间比例,组间比例为具有设定属性特征的投诉信息数量与不具有设定属性特征的投诉信息数量的比值。
通过判断投诉信息是否具有设定属性特征将当前获取的所有的投诉信息划分为两组。计算具有设定属性特征的投诉信息数量与不具有设定属性特征的投诉信息数量之间的比值。
举例来说,假设对获取的1000条投诉信息进行属性特征判别,得到具有设定属性特征的投诉信息的数量为200条,不具有设定属性特征的投诉信息的数量为800条,那么,第一分组结果对应的组间比例为1:4。
步骤308,根据组间比例和预设分类比例计算模型分类比例。
预先定义预设分类比例。这里的预设分类比例为二分类比例,即将投诉信息划分为两个类别。相应的模型的分类比例也为二分类比例,将模型为二分类模型。通过组间比例和与预设分类比例计算模型分类比例。分类模型将按照计算得到的模型分类比例对不具有设定属性特征的投诉信息进行分组,得到第二次分组结果。根据第一分组结果和第二次分组结果得到的最终分类结果对应的分类比例即为预设分类比例。
可按照如下公式计算模型分类比例:其中,δ为模型分类比例,κ为预设分类比例,α为组间比例。
步骤310,多次调用分类模型对不具有设定属性特征的投诉信息进行多次分类,直至模型分类结果满足模型分类比例,其中,分类模型包括具有固定分类比例的二分类模型。
预先构建分类模型,分类模型按照固有的分类比例对投诉信息进行分组。
将计算得到的模型分类比例和投诉信息均输入至分类模型中,分类模型分多次对投诉信息进行分类,直至分类比例最接近步骤308计算的模型分类比例。
构建的分类模型按照固有比例对投诉信息进行分类,当模型的固有分类比例与计算的模型分类比例不相同时,通过进行多次模型分组使得最终的分组结果无限的趋近于需要模型输出的分类比例,即计算的模型分类比例。
举例来说,计算的模型分类比例为3:1。分类模型的固有分类比例为3:2,则第一次模型分组结果对应的分类比例为3:2,进一步的,将2对应的分组的投诉信息输入至分类模型中进行二次分类,将2按照3:2的比例进行拆分,最终得到的分类比例为:21:4。此时,21所占分数比较大,则将21对应的投诉信息进行分类,将21中的部分投诉信息划分到所在4的里面,直至最终的分类比例最接近计算的模型分类比例。
步骤312,重组第一次分组结果和第二次分组结果,将所有投诉信息划分为两个类别,其中,两个类别对应的投诉信息数量的比例为预设分类比例。
本实施例中,根据第一分组结果以及预先设定的最终分类比例反推模型分类比例,分类模型按照此次计算出的模型分类比例进行分组,确保最终的分类结果满足预设分类比例。本实施例实现了对于每次获取的投诉信息都能够按照设定比例进行相应的处理。也就是实现了对投诉信息固定比例的线下处理和线上处理。
在一个实施例中,如图4所示,采用如下方式构建具有固定分类比例的分类模型,具体包括如下步骤:
步骤402,收集历史投诉信息。
从业务系统的投诉信息收集模块获取历史投诉信息。
步骤404,对历史投诉信息进行数据处理生成样本数据。
对历史投诉信息进行数据处理可以包括数据筛选和数据衍生。其中数据筛选包括去除信息不全的投诉信息。如果数据量比较小,可进行投诉信息衍生。进行数据处理后的投诉信息即为样本数据。
步骤406,多个样本数据进行随机组合生成训练样本。
每个训练样本包括多个样本数据,即每个训练样本包括多个投诉信息。每个训练样本中的投诉信息可以重叠,样本中包含的投诉信息的数量可以相同也可以不同。
在一个实施例中,所有单个样本数据按照对应的投诉时间进行排序生成样本数据列,从样本数据列中抽取若干个设定时间长苏的样本数据段,每个样本数据段即为一个训练样本。
步骤408,将训练样本输入至分类器中并不断调整分类器中的模型参数,直至构建出的分类模型能够将训练样本中的投诉信息按照设定的比例进行分类。
预先选定分类器。使用训练样本去训练分类器的参数,找到一组最佳的模型参数,使得分类器能够按照预先设定的固有分类比例对输入的训练样本中的投诉信息进行分组。分类器根据预先定义的评估指标去评估每一个投诉信息,该评估指标为投诉信息重要程度的评估指标。分类器可将投诉信息按照重要程度划分为两个不同的分组,且分组中成员的比例为固有分类比例。如分类器将训练样本中的投诉信息划分为重要投诉信息组和不重要投诉信息组。
本实施例中的分类模型不同于传统的分类模型,传统的分类模型的每个训练样本是单个数据,模型识别该单个数据的某一属性,且样本的理论识别结果也是确定的。如一训练样本为人脸图像,识别人脸中是否带胎记,若该图片人工标记为带有胎记,则模型识别的结果理论上应该也是带有胎记。而本案的分类模型,单个样本中包含若干个投诉信息,模型对投诉信息做重要程度的分类。投诉信息在不同的样本中分类结果可能是不相同的。
进一步的,构建的分类模型具有固有分类比例,对一组投诉信息进行多次分类模型分组,可基于固有分类比例衍生出其他的固有分类比例。
举例来说,分类模型的固有分类比例为3:2,将对应“2”的投诉信息组进行二次分类模型分组,将从“2”对应的投诉信息中筛选比例为3/5比例的投诉信息归属到“3”对应的投诉信息组中,此时,两组中的投诉信息数量将发生变化,生成了新的分组,新的分组对应一个新的分类比例为21:4,而该新的分类比例是通过固有分类比例演化得来的。可进一步对“21”或者“4”进行再次分组,将衍生出其他的分类比例。
预先计算出该分类模型经迭代多次固有分类比例分组后能够得到所有分类比例,对记录得到的分类比例对应的多次分组方案。多次分组方案包括分组的次数,以及每次分组所针对的前一次分组的组项,如21:4对应的分组次数为2,第二次分组对应的组项对第一分类比例中的“2”。
在一个实施例中,步骤310:多次调用分类模型对不具有设定属性特征的投诉信息进行多次分类,直至得到的分类结果满足模型分类比例,包括:获取分类模型对应的所有分类比例,其中,分类比例包括分类模型经迭代多次固有分类比例分组后得到的所有分类比例;确定与模型分类比例最接近的目标分类比例;获取目标分类比例对应的多次分组方案;将多次分组方案和不具有设定属性特征的投诉信息输入至分类模型中,得到第二次分组结果
分类模型将根据预先记录的目标分类比例对应的多次分组方案进行分类,最终得到的分类比例即为目标分类比例。
本实施例中,通过多次的层叠的分组,可使分类模型得到符合需要的第二分组结果。由于第一次分组结果是不固定的,为了使最终的分类按照预设比例,需要实时的调整模型分类结果。本实施例中,通过具有固定分类比例的分类模型多次分类实现模型分类结果的动态调整,确保每一次获取的投诉信息都能按照预设的比例进行相应的处理。
在一个实施例中,在进行第一次分组前,投诉信息处理终端首先判断获取的投诉信息的数量是否少于设定阈值,若是,则不执行投诉信息分类步骤,直接将获取的投诉信息分派给客服终端,客服终端对投诉信息处理终端分配的投诉信息进行线下处理。上述的设定阈值可根据客服资源数量以及客户资源在预设时间区间的处理能力确定。
举例来说,投诉信息处理终端每个5分钟从投诉工单系统中获取投诉信息,在这5分钟内,客服终端可以处理的投诉信息的数量为上述的设定阈值。若当前批次获取的投诉信息的数量少于该设定阈值,则直接将获取的投诉信息分派给客服终端进行投诉信息的线下处理。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种投诉信息处理装置,包括:
信息获取模块502,用于获取预设时间区间的投诉信息。
第一次分组模块504,用于根据设定属性特征对投诉信息进行分组,得到第一次分组结果,第一次分组结果中将包含属性特征的投诉信息划分为一组,将不包含属性特征的投诉信息划分为另一组。
第二次分组模块506,用于将不具有设定属性特征的分组输入至分类模型,得到第二次分组结果。
分类模块508,用于重组第一次分组结果和第二次分组结果,将投诉信息进行类别划分,其中,划分后的类别对应的投诉信息数量的比例为预设分类比例。
信息处理模块510,用于根据对应的类别将所有投诉信息分类处理。
在一个实施例中,投诉信息处理装置还包括:模型分类比例计算模块,用于计算第一次分组结果对应的组间比例,组间比例为具有设定属性特征的投诉信息数量与不具有设定属性特征的投诉信息数量的比值;根据组间比例和预设分类比例计算模型分类比例;
第二次分组模块506,还用于多次调用分类模型对不具有设定属性特征的投诉信息进行多次分类,直至得到的分类结果满足模型分类比例,其中,分类模型包括具有固定分类比例的二分类模型。
在一个实施例中,第二次分组模块506,还用于获取分类模型对应的所有分类比例,其中,分类比例包括分类模型经迭代多次固有分类比例分组后得到的所有分类比例;确定与模型分类比例最接近的目标分类比例;获取目标分类比例对应的多次分组方案;将多次分组方案和不具有设定属性特征的投诉信息输入至分类模型中,得到第二次分组结果。
在一个实施例中,投诉信息处理装置还包括:直接分派模块,用于判断投诉信息的数量是否少于设定阈值,若是,则将获取的所有投诉信息分派给客服终端进行投诉信息的线下处理;若否,则进入第一次分组模块504。
在一个实施例中,投诉信息处理装置还包括:分类模型构建模块,用于收集历史投诉信息;对历史投诉信息进行数据处理生成样本数据;多个样本数据进行随机组合生成训练样本;将训练样本输入至分类器中并不断调整分类器中的模型参数,直至构建出的分类模型能够将训练样本中的投诉信息按照设定的比例进行分类。
关于投诉信息装置的具体限定可以参见上文中对于投诉信息方法的限定,在此不再赘述。上述投诉信息装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,也可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储投诉信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种投诉信息方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取预设时间区间的投诉信息;根据设定属性特征对投诉信息进行分组,得到第一次分组结果,第一次分组结果中将包含属性特征的投诉信息划分为一组,将不包含属性特征的投诉信息划分为另一组;将不具有设定属性特征的分组输入至分类模型,得到第二次分组结果;重组第一次分组结果和第二次分组结果,将投诉信息进行类别划分,其中,划分后的类别对应的投诉信息数量的比例为预设分类比例;根据对应的类别将所有投诉信息分类处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算第一次分组结果对应的组间比例,组间比例为具有设定属性特征的投诉信息数量与不具有设定属性特征的投诉信息数量的比值;根据组间比例和预设分类比例计算模型分类比例;将不具有设定属性特征的投诉信息分组输入至分类模型,得到第二次分组结果,包括:多次调用分类模型对不具有设定属性特征的投诉信息进行多次分类,直至得到的分类结果满足模型分类比例,其中,分类模型包括具有固定分类比例的二分类模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取分类模型对应的所有分类比例,其中,分类比例包括分类模型经迭代多次固有分类比例分组后得到的所有分类比例;确定与模型分类比例最接近的目标分类比例;获取目标分类比例对应的多次分组方案;将多次分组方案和不具有设定属性特征的投诉信息输入至分类模型中,得到第二次分组结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:判断投诉信息的数量是否少于设定阈值,若是,则将获取的所有投诉信息分派给客服终端进行投诉信息的线下处理;若否,则执行通过判断投诉信息是否具有设定属性特征对投诉信息进行分组,得到第一次分组结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:收集历史投诉信息;对历史投诉信息进行数据处理生成样本数据;多个样本数据进行随机组合生成训练样本;将训练样本输入至分类器中并不断调整分类器中的模型参数,直至构建出的分类模型能够将训练样本中的投诉信息按照设定的比例进行分类。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取预设时间区间的投诉信息;根据设定属性特征对投诉信息进行分组,得到第一次分组结果,第一次分组结果中将包含属性特征的投诉信息划分为一组,将不包含属性特征的投诉信息划分为另一组;将不具有设定属性特征的分组输入至分类模型,得到第二次分组结果;重组第一次分组结果和第二次分组结果,将投诉信息进行类别划分,其中,划分后的类别对应的投诉信息数量的比例为预设分类比例;根据对应的类别将所有投诉信息分类处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算第一次分组结果对应的组间比例,组间比例为具有设定属性特征的投诉信息数量与不具有设定属性特征的投诉信息数量的比值;根据组间比例和预设分类比例计算模型分类比例;将不具有设定属性特征的投诉信息分组输入至分类模型,得到第二次分组结果,包括:多次调用分类模型对不具有设定属性特征的投诉信息进行多次分类,直至得到的分类结果满足所述模型分类比例,其中,所述分类模型包括具有固定分类比例的二分类模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取所述分类模型对应的所有分类比例,其中,所述分类比例包括所述分类模型经迭代多次所述固有分类比例分组后得到的所有分类比例;确定与所述模型分类比例最接近的目标分类比例;获取所述目标分类比例对应的多次分组方案;将所述多次分组方案和所述不具有设定属性特征的投诉信息输入至所述分类模型中,得到第二次分组结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:判断所述投诉信息的数量是否少于设定阈值,若是,则将获取的所有所述投诉信息分派给客服终端进行投诉信息的线下处理;若否,则执行所述通过判断所述投诉信息是否具有设定属性特征对所述投诉信息进行分组,得到第一次分组结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:收集历史投诉信息;对所述历史投诉信息进行数据处理生成样本数据;多个所述样本数据进行随机组合生成训练样本;将所述训练样本输入至分类器中并不断调整分类器中的模型参数,直至构建出的分类模型能够将所述训练样本中的投诉信息按照设定的比例进行分类。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种投诉信息处理方法,所述方法包括:
获取预设时间区间的投诉信息;
根据设定属性特征对所述投诉信息进行分组,得到第一次分组结果,所述第一次分组结果中将包含所述属性特征的投诉信息划分为一组,将不包含所述属性特征的投诉信息划分为另一组;
将所述不具有设定属性特征的分组输入至分类模型,得到第二次分组结果;
重组所述第一次分组结果和所述第二次分组结果,将所述投诉信息进行类别划分,其中,所述划分后的所述类别对应的投诉信息数量的比例为预设分类比例;
根据对应的所述类别将所有所述投诉信息分类处理。
2.根据权利要求1所述的方法,其特征在于,在所述根据设定属性特征对所述投诉信息进行分组,得到第一次分组结果之后,还包括:
计算所述第一次分组结果对应的组间比例,其中,所述组间比例为具有所述属性特征的投诉信息数量与不具有所述属性特征的投诉信息数量的比值;
根据所述组间比例和预设分类比例计算模型分类比例;
所述将所述不具有设定属性特征的投诉信息分组输入至分类模型,得到第二次分组结果,包括:多次调用分类模型对所述不具有设定属性特征的投诉信息进行多次分类,直至得到的分类结果满足所述模型分类比例,其中,所述分类模型包括具有固定分类比例的二分类模型。
3.根据权利要求2所述的方法,其特征在于,所述多次调用分类模型对所述不具有设定属性特征的投诉信息进行多次分类,直至得到的分类结果满足所述模型分类比例,包括:
获取所述分类模型对应的所有分类比例,其中,所述分类比例包括所述分类模型经迭代多次所述固有分类比例分组后得到的所有分类比例;
确定与所述模型分类比例最接近的目标分类比例;
获取所述目标分类比例对应的多次分组方案;
将所述多次分组方案和所述不具有设定属性特征的投诉信息输入至所述分类模型中,得到第二次分组结果。
4.根据权利要求1所述的方法,其特征在于,在获取预设时间区间的投诉信息之后,还包括:
判断所述投诉信息的数量是否少于设定阈值;
若是,则将获取的所有所述投诉信息分派给客服终端进行投诉信息的线下处理;
若否,则执行根据设定属性特征对所述投诉信息进行分组,得到第一次分组结果。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
收集历史投诉信息;
对所述历史投诉信息进行数据处理生成样本数据;
多个所述样本数据进行随机组合生成训练样本;
将所述训练样本输入至分类器中并不断调整分类器中的模型参数,直至构建出的分类模型能够将所述训练样本中的投诉信息按照设定的比例进行分类。
6.一种投诉信息处理装置,其特征在于,所述装置包括:
信息获取模块,用于获取预设时间区间的投诉信息;
第一次分组模块,用于根据设定属性特征对所述投诉信息进行分组,得到第一次分组结果,所述第一次分组结果中将包含所述属性特征的投诉信息划分为一组,将不包含所述属性特征的投诉信息划分为另一组;
第二次分组模块,用于将所述不具有设定属性特征的分组输入至分类模型,得到第二次分组结果;
分类模块,用于重组所述第一次分组结果和所述第二次分组结果,将所述投诉信息进行类别划分,其中,所述划分后的所述类别对应的投诉信息数量的比例为预设分类比例;
信息处理模块,用于根据对应的所述类别将所有所述投诉信息分类处理。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
模型分类比例计算模块,用于计算所述第一次分组结果对应的组间比例,其中,所述组间比例为具有所述属性特征的投诉信息数量与不具有所述属性特征的投诉信息数量的比值;根据所述组间比例和预设分类比例计算模型分类比例;
所述第二次分组模块,还用于多次调用分类模型对所述不具有设定属性特征的投诉信息进行多次分类,直至得到的分类结果满足所述模型分类比例,其中,所述分类模型包括具有固定分类比例的二分类模型。
8.根据权利要求7所述的装置,其特征在于,所述第二次分组模块,还用于获取所述分类模型对应的所有分类比例,其中,所述分类比例包括所述分类模型经迭代多次所述固有分类比例分组后得到的所有分类比例;确定与所述模型分类比例最接近的目标分类比例;获取所述目标分类比例对应的多次分组方案;将所述多次分组方案和所述不具有设定属性特征的投诉信息输入至所述分类模型中,得到第二次分组结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811124599.4A CN109492660A (zh) | 2018-09-26 | 2018-09-26 | 投诉信息处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811124599.4A CN109492660A (zh) | 2018-09-26 | 2018-09-26 | 投诉信息处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492660A true CN109492660A (zh) | 2019-03-19 |
Family
ID=65689982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811124599.4A Pending CN109492660A (zh) | 2018-09-26 | 2018-09-26 | 投诉信息处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492660A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767736A (zh) * | 2019-03-27 | 2020-10-13 | 阿里巴巴集团控股有限公司 | 事件处理与数据处理方法、设备、系统及存储介质 |
CN112766290A (zh) * | 2019-10-18 | 2021-05-07 | 普天信息技术有限公司 | 投诉数据处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020143655A1 (en) * | 2001-04-02 | 2002-10-03 | Stephen Elston | Remote ordering system for mobile commerce |
US20130198767A1 (en) * | 2012-01-30 | 2013-08-01 | Board Of Regents, The University Of Texas System | Method and apparatus for managing quality of service |
CN107861942A (zh) * | 2017-10-11 | 2018-03-30 | 国网浙江省电力公司电力科学研究院 | 一种基于深度学习的电力疑似投诉工单识别方法 |
CN108170759A (zh) * | 2017-12-22 | 2018-06-15 | 平安养老保险股份有限公司 | 投诉案件处理的方法、装置、计算机设备及存储介质 |
CN108416616A (zh) * | 2018-02-05 | 2018-08-17 | 阿里巴巴集团控股有限公司 | 投诉举报类别的排序方法和装置 |
-
2018
- 2018-09-26 CN CN201811124599.4A patent/CN109492660A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020143655A1 (en) * | 2001-04-02 | 2002-10-03 | Stephen Elston | Remote ordering system for mobile commerce |
US20130198767A1 (en) * | 2012-01-30 | 2013-08-01 | Board Of Regents, The University Of Texas System | Method and apparatus for managing quality of service |
CN107861942A (zh) * | 2017-10-11 | 2018-03-30 | 国网浙江省电力公司电力科学研究院 | 一种基于深度学习的电力疑似投诉工单识别方法 |
CN108170759A (zh) * | 2017-12-22 | 2018-06-15 | 平安养老保险股份有限公司 | 投诉案件处理的方法、装置、计算机设备及存储介质 |
CN108416616A (zh) * | 2018-02-05 | 2018-08-17 | 阿里巴巴集团控股有限公司 | 投诉举报类别的排序方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767736A (zh) * | 2019-03-27 | 2020-10-13 | 阿里巴巴集团控股有限公司 | 事件处理与数据处理方法、设备、系统及存储介质 |
CN112766290A (zh) * | 2019-10-18 | 2021-05-07 | 普天信息技术有限公司 | 投诉数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095588B (zh) | 移动互联网用户投诉的预测方法和装置 | |
CN102567391B (zh) | 一种分类预测混合模型的建立方法及装置 | |
CN107766929B (zh) | 模型分析方法及装置 | |
CN108901036A (zh) | 小区网络参数的调整方法、装置、计算机设备和存储介质 | |
US20210027173A1 (en) | Indicator determining method and related device | |
CN109376995A (zh) | 财务数据评分方法、装置、计算机设备和存储介质 | |
JP2020507135A (ja) | 専属エージェントプール配分方法、電子装置及びコンピューター読取可能な記憶媒体 | |
CN108733508A (zh) | 用于控制数据备份的方法和系统 | |
US20230034994A1 (en) | Channel Identification Method and Apparatus, Transmission Method, Transmission Device, Base Station, and Medium | |
CN109492660A (zh) | 投诉信息处理方法、装置、计算机设备和存储介质 | |
CN106202092A (zh) | 数据处理的方法及系统 | |
CN109991591A (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
CN108768695A (zh) | Kqi的问题定位方法及装置 | |
CN111163482B (zh) | 数据的处理方法、设备及存储介质 | |
CN106897282A (zh) | 一种用户群的分类方法和设备 | |
CN111796917A (zh) | 算子运算调度方法和装置 | |
CN114268839A (zh) | 视频发布账户筛选方法、装置、电子设备及存储介质 | |
CN107018168A (zh) | 互联网资源调度方法及装置、网络红包调度方法 | |
CN117078208A (zh) | 一种智慧环保监管平台的项目管理系统 | |
CN103795788B (zh) | 即时通讯服务器的负载均衡方法和负载均衡服务器 | |
CN108985341A (zh) | 一种神经网络模型的训练集评估方法及系统 | |
CN115292475A (zh) | 基于智慧城市的云计算服务信息处理方法及系统 | |
CN107784363A (zh) | 数据处理方法、装置及系统 | |
CN109981325B (zh) | 一种告警阈值的设定方法、装置、计算设备及介质 | |
CN111143688A (zh) | 一种基于移动新闻客户端的评估方法及其系统 |
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 |