CN109495657A - 基于人工智能的名单派发方法、装置、设备及介质 - Google Patents
基于人工智能的名单派发方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109495657A CN109495657A CN201811182134.4A CN201811182134A CN109495657A CN 109495657 A CN109495657 A CN 109495657A CN 201811182134 A CN201811182134 A CN 201811182134A CN 109495657 A CN109495657 A CN 109495657A
- Authority
- CN
- China
- Prior art keywords
- banquet
- target
- list
- classification
- attending
- 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
-
- 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
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
Landscapes
- Business, Economics & Management (AREA)
- Marketing (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于人工智能的名单派发方法、装置、设备及介质,该基于人工智能的名单派发方法包括:获取目标客户对应的待识别特征数据;采用预先创建的目标派单模型对所述待识别特征数据进行识别,获取至少一个识别概率值,每一识别概率值对应一坐席类别;选取最大的识别概率值对应的坐席类别作为目标坐席类别,根据所述目标坐席类别对所述目标客户进行标注,获取标注单;基于标注单和预设派发规则进行名单派发处理,获取派发表单,每一派发表单对应一坐席工号,将每一派发表单发送给与坐席工号对应的坐席终端,以完成名单派发,该过程无需人工分配,可按照预设派发规则进行分配,提高名单派发的合理性和效率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能的名单派发方法、装置、设备及介质。
背景技术
银行、证券和保险等金融机构在金融产品或者其他业务推广时,电话销售是一种常用的推销方式。目前,营销系统对坐席下发外呼客户名单时,是由数据岗人员对外呼客户名单进行人工标注并手动批量派发给坐席,这种人工派发外呼客户名单的方式,使得数据岗人员工作量大,名单派发效率低,且外呼客户名单派发的合理性主要依赖于数据岗人员的个人经验和工作能力,而培养一个优秀的数据岗人员大大耗费成本。
发明内容
本发明实施例提供一种基于人工智能的名单派发方法、装置、计算机设备及存储介质,以解决目前人工给坐席派发外呼客户名单过程中存在的名单派发效率低的问题。
一种基于人工智能的名单派发方法,包括:
获取目标客户对应的待识别特征数据;
采用预先创建的目标派单模型对所述待识别特征数据进行识别,获取至少一个识别概率值,每一识别概率值对应一坐席类别;
选取最大的识别概率值对应的坐席类别作为目标坐席类别,根据所述目标坐席类别对所述目标客户进行标注,获取标注单;
基于所述标注单和预设派发规则进行名单派发处理,获取派发表单,每一所述派发表单对应一坐席工号;
将每一所述派发表单发送给与坐席工号对应的坐席终端,以完成名单派发。
一种基于人工智能的名单派发装置,包括:
待识别特征数据模块,用于获取目标客户对应的待识别特征数据;
识别概率值获取模块,用于采用预先创建的目标派单模型对所述待识别特征数据进行识别,获取至少一个识别概率值,每一识别概率值对应一坐席类别;
标注单获取模块,用于选取最大的识别概率值对应的坐席类别作为目标坐席类别,根据所述目标坐席类别对所述目标客户进行标注,获取标注单;
派发表单获取模块,用于基于所述标注单和预设派发规则进行名单派发处理,获取派发表单,每一所述派发表单对应一坐席工号;
名单派发模块,用于将每一所述派发表单发送给与坐席工号对应的坐席终端,以完成名单派发。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于人工智能的名单派发方法的步骤。
一种非易失性存储介质,所述非易失性存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于人工智能的名单派发方法的步骤。
上述基于人工智能的名单派发方法、装置、计算机设备及存储介质中,服务器先获取目标客户对应的待识别特征数据,以便采用预先创建的目标派单模型对待识别特征数据进行识别,获取至少一个识别概率值,通过选取最大的识别概率值对应的坐席类别作为目标坐席类别,并根据目标坐席类别对目标客户进行标注,获取标注单。该标注过程无需人工标注,可按照预设标注规则对目标客户进行标注,提高工作效率。最后,基于标注单和预设派发规则进行名单派发处理,获取派发表单,每一派发表单对应一坐席工号,以便将每一派发表单发送给与坐席工号对应的坐席终端,以完成名单派发,该过程无需人工分配,可按照预设派发规则进行分配,提高名单派发的合理性和效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于人工智能的名单派发方法的一应用环境示意图;
图2是本发明一实施例中基于人工智能的名单派发方法的一流程图;
图3是图2中步骤S40的一具体流程图;
图4是本发明一实施例中基于人工智能的名单派发方法的另一流程图;
图5是图4中步骤S61的一具体流程图;
图6是图4中步骤S65的一具体流程图;
图7是本发明一实施例中基于人工智能的名单派发装置的一原理框图;
图8是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的基于人工智能的名单派发方法,可应用在如图1的应用环境中,该基于人工智能的名单派发方法可应用在一种电话销售系统中,用于智能分配外呼客户名单,无需人工干预,提高名单派发效率低。其中,计算机设备通过网络与服务器进行通信。计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器来实现。
在一实施例中,如图2所示,提供一种基于人工智能的名单派发方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S10:获取目标客户对应的待识别特征数据。
其中,目标客户是指需要由坐席进行电话销售的客户。待识别特征数据是指外呼客户名单中每一客户的个人特征数据。外呼客户名单是指电话销售系统从大数据平台中获取到需给目标客户分配坐席的待分配名单。本实施例中,待识别特征数据包括但不限于客户的性别、客户的年龄、客户的职业、客户的所在地和客户的信用卡最高额度等数据。具体地,电话销售系统从大数据平台中获取到外呼客户名单,基于该外呼客户名单,可进行智能名单派发。该外呼客户名单包括至少一个目标客户的个人信息,如客户的性别、客户的年龄、客户的职业、客户的所在地和客户的信用卡最高额度等信息。服务器会从外呼客户名单中获取到每一目标客户的个人信息,并将该目标客户的个人信息作为待识别特征数据。
S20:采用预先创建的目标派单模型对待识别特征数据进行识别,获取至少一个识别概率值,每一识别概率值对应一坐席类别。
其中,识别概率值是用于评价待识别特征数据与坐席类别之间的亲和度,具体是采用预先创建的目标派单模型对待识别特征数据和预先设置的坐席类别进行评估后,确定的待识别特征数据与坐席类别之间的亲和度。每一识别概率值对应一坐席类别,该坐席类别是预先根据对坐席进行分类所获取的类别,该识别概率值可以理解为该待识别特征数据对应的目标客户应当分配给某一坐席类别进行处理的概率。目标派单模型是预先创建好的用于进行智能预估任一待识别特征数据对应的目标客户分配给某种坐席类别的模型。具体地,服务器将待识别特征数据输入到预先创建的目标派单模型中进行识别,会获取到至少一个识别概率值,即获取到该目标客户与预先设置的每一种坐席类别对应的识别概率值。
S30:选取最大的识别概率值对应的坐席类别作为目标坐席类别,根据目标坐席类别对目标客户进行标注,获取标注单。
具体地,服务器从至少一个识别概率值中,选取数值最大的识别概率值对应的坐席类别作为该目标客户对应的目标坐席类别,然后根据目标坐席类别对目标客户进行标注,以获取标注单。该标注单用于标注每一目标客户对应的目标坐席类别。例如标注的方式可采用a-A方式或者其他方式进行标注,表示目标客户a属于目标坐席类别A。其中,a表示目标客户标识,该目标客户标识可为在大数据平台中获取的外呼客户名单中的顺序编码(如01-A),在此不做限定。
S40:基于标注单和预设派发规则进行名单派发处理,获取派发表单,每一派发表单对应一坐席工号。
其中,派发表单是指基于标注单和预设派发规则进行名单派发处理后,所获取的用于表明每一坐席工号对应的包含所有目标客户的表单。该派工表单包括目标客户标识、目标客户标识对应的目标客户信息和营销推荐时间。可理解,营销推荐时间是预先通过对某坐席类别的历史成功单的营销事件进行统计,获取的成功时间范围并与坐席类别关联存储,当获取到目标客户对应的坐席类别后,服务器还会查找预存储的坐席类别对应的成功时间范围作为营销推荐时间,推荐给坐席,以促进成单率且提高坐席工作效率。需说明,每一目标坐席类别包括N(N为大于1的正整数)个坐席,每一坐席对应一坐席工号。预设派发规则是指预先设置的根据标注单进行名单派发的规则。具体地,服务器基于标注单和预设派发规则进行名单派发处理,即将目标客户分配给目标坐席类别中对应的坐席,以获取与每一坐席工号对应的派发表单。
S50:将每一派发表单发送给与坐席工号对应的坐席终端,以完成名单派发。
具体地,将该派发表单发送给与坐席工号对应的坐席终端,以完成名单派发,以便坐席根据智能分配的派发表单进行电话销售,该过程无需人工分配,由服务器按照标注单和预设派发规则进行智能分配,提高名单派发效率。
本实施例中,服务器先获取目标客户对应的待识别特征数据,以便采用预先创建的目标派单模型对待识别特征数据进行识别,获取至少一个识别概率值,每一识别概率值对应一坐席类别,通过选取最大的识别概率值对应的坐席类别作为目标坐席类别,并根据目标坐席类别对目标客户进行标注,获取标注单。该标注过程无需人工标注,可按照预设标注规则对目标客户进行标注,提高标注效率。最后,基于标注单和预设派发规则进行名单派发处理,获取与每一坐席工号对应的派发表单,并将每一派发表单发送给与坐席工号对应的坐席终端,以便坐席根据智能分配的派发表单进行电话销售操作,该过程无需人工分配,可按照预设派发规则进行分配,提高名单派发效率。
在一实施例中,目标坐席类别对应的坐席数量为N,其中,N≧1;每一坐席对应一最大承接量为M,其中,M≧1。如图3所示,步骤S40中,即基于目标坐席类别和预设派发规则进行名单派发处理,具体包括如下步骤:
S41:对标注单进行统计,获取目标坐席类别对应的目标客户数量。
具体地,标注单用于标注每一目标客户对应的目标坐席类别。服务器通过对标注单进行统计,以获取每一目标坐席类别对应的目标客户数量,即根据标注单中的相同目标坐席类别对应的目标客户进行统计,以获取目标坐席类别对应的目标客户数量,为后续进行名单派发提供数据来源。
S42:若目标客户数量大于预设派发规则的规则参数,则按照给目标坐席类别对应的每一坐席随机下发M个目标客户,获取派发表单,其中,预设派发规则的规则参数为M*N。
其中,规则参数是预设派发规则中设定的用于进行名单派发所设置的参数。本实施例中,预设派发规则的规则参数为M*N的乘积值,N表示目标坐席类别对应的坐席数量,M表示每一坐席对应一最大承接量。可以理解地,M*N这一规则参数可体现当前电话销售系统中所有坐席的最大承接量。
具体地,若目标客户数量大于预设派发规则的规则参数,证明该目标客户数量足够多,则按照给目标坐席类别对应的每一坐席随机下发M个目标客户的方式进行名单派发,从而获取派发表单,达到合理分配的目的,避免任务超期的情况,有利于提高销售业绩。进一步地,若依据给每一坐席随机下发M个目标客户的方式分配完成后,仍有剩余目标客户数量为Z,则可从该目标坐席类别中随机选取Z个坐席一一下发,也可选取坐席对应等级较高的优质坐席进行分配,在此不做限定。
S43:若目标客户数量不大于预设派发规则的规则参数,则采用公式获取随机分配数量,依据随机分配数量给目标坐席类别对应的每一坐席随机下发S个目标客户;其中,S为随机分配数量,X为目标客户数量。
其中,随机分配数量是指给坐席随机下发的目标客户数量。具体地,若目标客户数量不大于预设派发规则的规则参数,证明目标客户数量较少,则采用公式获取随机分配数量,依据单次随机分配数量给目标坐席类别对应的每一坐席随机下发S(S小于M)个目标客户;其中,S为随机分配数量,X为目标客户数量,符号为向下取整符号。若计算得到的商为整数,则S为该整数;若计算得到的商为小数,则取小数点前面的数值为S。
在一实施例中,电话销售系统中有50个坐席(即N=50),每个坐席的最大承接量为20(即M=20),若本次需要派发的目标客户数量为400个,由于50*20>400,则依据则随机分配数量为8个,给目标坐席类别对应的每一坐席随机下发8个目标客户。
S44:采用公式Y=X-N*S计算依据随机分配数量随机分配之后的剩余目标客户数量,从N个坐席中选取Y个坐席,并给Y个坐席中的每一坐席随机派发一个目标客户,获取派发表单;其中,Y为依据随机分配数量随机分配之后的剩余目标客户数量;
具体地,在依据单次随机分配数量给目标坐席类别对应的每一坐席随机下发S(S小于M)个目标客户之后,则采用公式Y=X-N*S计算依据随机分配数量随机分配之后的剩余目标客户数量,从N个坐席中选取Y个坐席,并给Y个坐席中的每一坐席随机派发一个目标客户;其中,Y为依据随机分配数量随机分配之后的剩余目标客户数量。
例如,电话销售系统中有50个坐席(即N=50),每个坐席的最大承接量为20(即M=20),若本次需要派发的目标客户数量为405个,在步骤S43中采用公式进行计算,得到S=8,则给先每一坐席随机下发8个目标客户。然后,采用公式Y=X-N*S=405-400=5,计算依据随机分配数量随机分配之后的剩余目标客户数量为,5,则从50个坐席中选取5个坐席,并给这5个坐席随机派发一个目标客户,以达到合理分配的目的,避免任务超期的情况,有利于提高销售业绩。
本实施例中,服务器先对标注单进行统计,获取目标坐席类别对应的目标客户数量,对目标客户数量进行判断,若目标客户数量大于预设派发规则的规则参数,则按照给目标坐席类别对应的每一坐席随机下发M个目标客户,获取派发表单,达到均匀分配的目的,提高名单派发的合理性。若目标客户数量小于预设派发规则的规则参数,则采用公式获取随机分配数量,依据随机分配数量给目标坐席类别对应的每一坐席随机下发S个目标客户。采用公式Y=X-N*S计算依据随机分配数量随机分配之后的剩余目标客户数量,从N个坐席中选取Y个坐席,并给Y个坐席中的每一坐席随机派发一个目标客户,获取派发表单,以达到合理分配的目的,避免任务超期的情况,有利于提高销售业绩。
进一步地,在计算出剩余客户数量之后,从N个坐席中选取Y个坐席时,可先对每个坐席的工作效率进行统计,并依据其工作效率的高低进行降序排序,获取N个坐席对应的工作效率排序表;再从该工作效率排序表中排序在前的Y个坐席,确定为剩余客户数量对应的目标客户所需派发的坐席。这种分配方式可使工作效率较高的坐席可分配到更多的目标客户,从而达到合理分配的目的,而且,在客户数量未达到最大承接量时,给工作效率较高的坐席分配更多的目标客户,也直至激励目的,以促使坐席提高工作效率。
在一实施例中,如图4所示,该基于人工智能的名单派发方法还包括:步骤S60:预先创建目标派单模型,以便后续电话销售系统可根据该目标派单模型进行智能派单,以节省人工派单的人工成本和时间成本,提高派单效率和合理性。本实施例中,预先创建目标派单模型具体包括如下步骤:
S61:获取坐席个人信息,基于坐席个人信息进行分类,获取坐席类别。
其中,每一坐席的坐席个人信息是从大数据平台中获取的,包括但不限于坐席的性别、年龄、出生地、工作年限和业绩考核等信息维度。业绩考核主要包括日平均外呼量、日平均接通量和日平均成功量这三个考核维度。具体地,服务器根据坐席个人信息进行分类,获取坐席类别,以便后续基于坐席类别形成模型训练数据进行训练。预设分类规则是预先设定的用于对坐席进行分类的规则。
S62:基于坐席类别查找大数据平台,获取原始特征数据。
其中,原始特征数据是从大数据平台中采集到的坐席类别中每一坐席对应的历史销售数据。每一坐席对应的历史销售数据均包括成功单和失败单。可理解地,原始特征数据包括同一坐席类别对应的成功单和失败单。其中,成功单是指营销结果为成功的历史销售名单,失败单是指营销结果为失败的历史销售名单,成功单作为模型训练的正样本,失败单作为模型训练的负样本。可理解地,每一成功单或失败单均包括客户的性别、客户的年龄、客户的职业、客户的所在地、客户的信用卡最高额度、营销产品类别、营销结果、营销时间、坐席性别、坐席年龄、坐席出生地和坐席工作年限。
本实施例中,大数据平台包括但不限于采用Hadoop大数据平台采集坐席个人信息。其中,Hadoop大数据平台可使用户在不了解分布式底层细节的情况下,开发分布式程序,并进行高速运算和存储,以提高坐席个人信息的采集效率。其中,Hadoop是指一种分布式系统基础架构,Hadoop实现了一个分布式文件系统(Hadoop Distributed File System,以下简称HDFS)。HDFS有高容错性的特点,并设计用来部署在低廉的硬件上,且可提供高吞吐量来访问应用程序的数据,适合有着超大数据集的应用程序,使得采用Hadoop大数据平台采集坐席个人信息具有采集效率高的优点。
S63:对原始特征数据进行向量化表示,获取目标特征数据。
为了方便计算,需将获取的原始特征数据中每一维度数据转换为数值进行表示,以获取向量化表示表示的原始特征数据即目标特征数据。本实施例中,将每一维度数据按照如下方式转换为数值:客户性别:1-男、0-女;客户年龄:20-60之间的整数;客户职业:根据预先创建的职业分类数值转换表转换成数值;客户所在地:按照预先创建的城市转换数值表将城市转换成数值;信用卡最高额度:数值类型正常无需转换;营销产品类别:按照预先创建的产品数值对照表将产品类型转换成数值。营销结果:成功-1,失败-0。营销时间:8-22之间的数值,表示早上8点到晚上22点。营销结果:成功-1,失败-0。营销时间:8-22之间的数值,表示早上8点到晚上22点。坐席性别:1-男、0-女。坐席年龄:18-40之间的整数。坐席出生地:数值转换方式同上述的“客户所在地”。坐席工作年限:按照每6个月算作0.5,不足6个月的取0的规则进行累加,便于计算,且为后续模型输入提供技术支持。
S64:对目标特征数据进行中心化处理和标准化处理,获取训练特征数据。
其中,中心化处理是指将原始特征数据中的每一维度都减去每一维度数据对应的均值,以获取零均值数据。标准化,在使得数据都变成零均值之后,除以标准差,使得新数据的分布接近标准高斯分布,通过对目标特征数据进行中心化和标注化处理以消除由于量纲不同、自身变异或者数值相差较大所引起的误差,提高模型训练效率。
具体地,对目标特征数据进行中心化处理和标准化处理后,获取处理后的目标特征数据,并将预处理后的目标特征数据中的每一维度数据乘上对应的的权重(本实施例中,各维度数据的权重范围为0.0000-1),获取模型的输入,即训练特征数据。
S65:采用多层全连接神经网络模型对训练特征数据进行训练,获取目标派单模型。
其中,多层全连接神经网络模型包括但不限于采用BP(back propagation,误差反向传播)神经网络模型。多层全连接神经网络模型包括一输入层、一输出层和隐藏层这三层网络结构,每一层中包括若干个神经元,每一层中的任意一个神经元与上一层中所有的神经元相连,用于综合上一层提取到的特征。BP神经网络在训练时,能够通过学习自动提取输出、输出数据间的“合理规则”,并自适应的将学习内容记忆于网络的权值中,即BP神经网络模型具有高度自学习和自适应的能力。本实施例中,采用BP神经网络模型对训练特征数据进行训练,获取目标派单模型,提高目标派单模型的自适应能力和学习能力。
本实施例中,服务器先获取坐席个人信息,并基于坐席个人信息进行分类,获取坐席类别,以便采用Hadoop大数据平台采集坐席个人信息,获取原始特征数据,采集效率高。然后,对原始特征数据中的每一信息维度进行数值转换,以进行向量化表示,获取目标特征数据,便于计算。再对目标特征数据进行中心化和标注化处理以消除由于量纲不同、自身变异或者数值相差较大所引起的误差,提高模型训练效率。最后,采用多层全连接神经网络模型对训练特征数据进行训练,获取目标派单模型,提高目标派单模型的自适应能力和学习能力。
在一实施例中,坐席个人信息包括至少一个信息维度,所述信息维度包括性别、年龄、出生地、工作年限和业绩考核;如图5所示,步骤S51中,即基于坐席个人信息进行分类,获取坐席类别,具体包括如下步骤:
S611:对坐席个人信息中的至少一个信息维度按照预设标注规则进行标注,获取标注参数。
其中,预设标注规则是预先设定好的标注规则。坐席个人信息中包括坐席的性别、年龄、出生地、工作年限和业绩考核等信息维度。标注参数是指根据预设标注规则进行标注,所获取的参数,即性别(s)、年龄(a)、出生地(z)、工作年限(ws)和业绩考核(p)。具体地,对每一信息维度按照如下预设规则进行标注:
性别(s):男:s1;女:s2。对性别这一信息维度可按照1-男,0-女方式进行标注,在此不做限定。
年龄(a):18-20岁:a1;20-22岁:a2;23-25岁:a3;26-30岁a4;30岁以上a5。其中,a1、a2、a3、a4和a5为预先设置的数值。
出生地(z):山东、江苏、安徽、浙江、福建、上海:z1;广东、广西、海南、湖北、湖南、河南、江西:z2;北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江:z3;宁夏、新疆、青海、陕西、甘肃、四川、云南、贵州、西藏、重庆:z4。其中,z1、z2、z3、z4和z5为预先设置的数值。
工作年限(ws):不足1年:ws1;1年:ws2;2年:ws3;3年:ws4;4-5年:ws5;5年以上ws6。其中,ws1、ws2、ws3、ws4和ws5为预先设置的数值
业绩考核(p):p1、p2、p3、p4、p5。本实施例中,p1、p2、p3、p4、p5表示业绩考核结果。具体地,基于日平均外呼量、日平均接通量和日平均成功量这三个考核维度获取业绩考核结果。根据经验值设定分数范围进行打分,例如外呼量在[70,80]范围内,而[70,80]范围对应的分数为20分,可将每一考核维度对应的分数累加,以获取业绩考核结果。
S612:给每一信息维度配置对应的维度权重。
具体地,给每一信息维度配置对应的维度权重(st)。其中,维度权重(st)包括上述每一信息维度对应的权重即st1、st2、st3、st4和st5。本实施例中,在给每一信息维度配置对应的维度权重时,按照如下规则(权重从大到小)进行设置,即业绩考核最大,工作年限次之,其余信息维度持平,为后续数据处理提供数据来源。
S613:采用类别参数计算公式对标注参数和维度权重进行计算,获取类别参数。其中,类别参数计算公式为sum表示类别参数;s、a、z、w和p分别表示性别、年龄、出生地、工作年限和业绩考核;和分别表示s、a、z、w和p对应的维度权重;
具体地,服务器采用类别参数计算公式对标注参数和维度权重进行,计算类别参数。其中,类别参数计算公式包括sun表示类别参数;s、a、z、w和p分别表示性别、年龄、出生地、工作年限和业绩考核;和分别表示s、a、z、w和p对应的维度权重。
S614:基于类别参数查询类别信息表,获取与类别参数相对应的坐席类别。
其中,类别信息表时预先配置的用于基于类别参数获取对应类别的信息表。该类别信息表包括类别参数范围和对应的坐席类别。具体地,服务器基于类别参数查询类别信息表,判断类别参数所在的类别参数范围,并根据类别参数范围获取对应的坐席类别,以对坐席进行分类,无需人工对坐席进行分类,为模型训练提供数据来源。
本实施例中,服务器先对坐席个人信息中的至少一个信息维度按照预设标注规则进行标注,获取标注参数,并给每一信息维度配置对应的维度权重,以便采用类别参数计算公式对标注参数和维度权重进行计算,以类别参数,再基于类别参数查询类别信息表,获取与类别参数相对应的坐席类别,以达到自动对坐席进行分类的目的,无需人工对坐席进行分类,为模型训练提供数据来源。
在一实施例中,如图6所示,步骤S65中,即采用多层全连接神经网络模型对训练特征数据进行训练,获取目标派单模型,具体包括如下步骤:
S651:采用激活函数对输入的训练特征数据进行计算,获取多层全连接神经网络模型隐藏层的输出值;激活函数的计算公式包括其中,Hj表示多层全连接神经网络模型隐藏层第j个神经元的输出值;wij表示多层全连接神经网络模型输入层到多层全连接神经网络模型隐藏层的权重;xi表示多层全连接神经网络模型输入层的输入;上标n表示多层全连接神经网络模型输入层神经元的数量;下标i表示多层全连接神经网络模型输入层第i个神经元;下标j表示多层全连接神经网络模型隐藏层第j个神经元;aj表示多层全连接神经网络模型输入层到多层全连接神经网络模型隐藏层的偏置,g为激活函数。
本实施例中,采用ReLU(Rectiied Linear Unit,规整化线性单元)函数作为激活函数,其计算公式为ReLU(x)=max(0,x),即仅当x大于等于0时才会有函数值。由于神经网络进行反向传播时候,各层都要乘以激活函数的一阶导数,梯度每传递一层都会衰减一次,网络层数多时,梯度会不停衰减直到消失,使得训练网络时收敛极慢,而ReLU函数是一种非饱和函数,会加快收敛速度,提高训练效率。
S652:对多层全连接神经网络模型隐藏层的输出值进行计算,获取多层全连接神经网络模型输出层的输出值;对多层全连接神经网络模型隐藏层的输出值进行计算的公式包括其中,k表示多层全连接神经网络模型输出层第k个神经元;下标j表示多层全连接神经网络模型隐藏层中的第j个神经元;ok表示多层全连接神经网络模型输出层的第k个神经元的输出;上标l表示多层全连接神经网络模型隐藏层中神经元的数量;Hj表示多层全连接神经网络模型隐藏层的输出值;wjk表示多层全连接神经网络模型隐藏层到多层全连接神经网络模型输出层的权重;bk表示多层全连接神经网络模型隐藏层到多层全连接神经网络模型输出层的偏置。
具体地,将多层全连接神经网络模型隐藏层中每一神经元的输出值输入到多层全连接神经网络模型输出层进行计算,获取多层全连接神经网络模型输出层输出值。其中,对多层全连接神经网络模型隐藏层的输出值进行计算的公式包括k表示多层全连接神经网络模型输出层第k个神经元;下标j表示多层全连接神经网络模型隐藏层中的第j个神经元;ok表示多层全连接神经网络模型输出层的第k个神经元的输出;上标l表示多层全连接神经网络模型隐藏层中神经元的数量;Hj表示多层全连接神经网络模型隐藏层的输出值;wjk表示多层全连接神经网络模型隐藏层到多层全连接神经网络模型输出层的的权重;bk表示多层全连接神经网络模型隐藏层到多层全连接神经网络模型输出层的偏置。
S653:根据多层全连接神经网络模型输出层的输出值对多层全连接神经网络模型进行误差反传更新,获取更新后的模型参数。
具体地,采用梯度下降算法对多层全连接神经网络模型中的模型参数即层与层之间的连接权值和各层之间的偏置进行更新优化。服务器将获取到的输出层的输出值输入到梯度下降算法计算公式中,以获取更新后的模型参数。各层之间的偏置包括输入层到隐藏层的偏置和隐藏层到输出层的偏置。可以理解地,更新后的模型参数包括各层之间的连接权值和各层之间的偏置。
具体地,根据多层全连接神经网络模型输出层的输出值对多层全连接神经网络模型进行误差反传更新,获取更新后的模型参数;模型参数包括层与层之间的连接权值和各层之间的偏置;梯度下降算法的计算公式包括和ek=yk-ok,其中,ok为模型的预测输出;yk为与ok相对应的期望输出;ek表示多层全连接神经网络模型输出层第k个神经元的误差值;下标m表示多层全连接神经网络模型输出层神经元数量,下标k表示多层全连接神经网络模型输出层中第k个神经元。再基于公式和公式wjk=wjk+ηHjek对模型参数中的层与层之间的连接权值进行更新优化;其中,η表示学习速率(预先设置好的)。最后,基于公式和公式bk=bk+ηek对模型参数中的各层之间的偏置进行更新优化;其中,aj表示多层全连接神经网络模型输入层到多层全连接神经网络模型隐藏层的偏置;bk表示多层全连接神经网络模型隐藏层到多层全连接神经网络模型输出层的偏置。
S654:将更新后的模型参数应用在多层全连接神经网络模型中,获取目标派单模型。
本实施例中,将获取的更新后的模型参数,应用到多层全连接神经网络模型中即将更新后的模型参数aj、bk、wij和wjk应用到步骤S651和步骤S652的公式中,经过多次迭代,即可获取目标派单模型。进一步地,在目标派单模型的输出层最终会输出一概率值,该概率值表示目标客户属于哪一坐席类别的概率值,可应用在各种需要进行名单派发方面,提高名单派发的效率。
本实施例中,服务器先采用ReLU激活函数对输入的训练特征数据进行计算,获取隐藏层的输出值,加快收敛速度,提高训练效率。对多层全连接神经网络模型隐藏层的输出值进行计算,获取多层全连接神经网络模型输出层的输出值,再根据多层全连接神经网络模型输出层的输出值对多层全连接神经网络模型进行误差反传更新,直至拟合收敛,获取更新后的模型参数。最后,将更新后的模型参数应用在多层全连接神经网络模型中,获取目标派单模型,以完成模型训练过程,获取目标派单模型,为后续智能分配名客户名单提供技术支持。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种基于人工智能的名单派发装置,该基于人工智能的名单派发装置与上述实施例中基于人工智能的名单派发方法一一对应。如图7所示,该基于人工智能的名单派发装置包括待识别特征数据模块10、识别概率值获取模块20、标注单获取模块30、派发表单获取模块40和名单派发模块50。各功能模块详细说明如下:
待识别特征数据模块10,用于获取目标客户对应的待识别特征数据。
识别概率值获取模块20,用于采用预先创建的目标派单模型对待识别特征数据进行识别,获取至少一个识别概率值,每一识别概率值对应一坐席类别。
标注单获取模块30,用于选取最大的识别概率值对应的坐席类别作为目标坐席类别,根据目标坐席类别对目标客户进行标注,获取标注单。
派发表单获取模块40,用于基于标注单和预设派发规则进行名单派发处理,获取派发表单,每一派发表单对应一坐席工号。
名单派发模块50,用于将每一派发表单发送给与坐席工号对应的坐席终端,以完成名单派发。
具体地,目标坐席类别对应的坐席数量为N;每一坐席对应一最大承接量为M;派发表单获取模块包括标注单统计单元、第一派发表单获取单元、随机分配单元和第二派发表单获取单元。
标注单统计单元,用于对标注单进行统计,获取目标坐席类别对应的目标客户数量。
第一派发表单获取单元,用于若目标客户数量大于预设派发规则的规则参数,则按照给目标坐席类别对应的每一坐席随机下发M个目标客户,获取派发表单;其中,预设派发规则的规则参数为M*N。
随机分配单元,用于若目标客户数量不大于预设派发规则的规则参数,则采用公式获取随机分配数量,依据随机分配数量给目标坐席类别对应的每一坐席随机下发S个目标客户;其中,S为随机分配数量,X为目标客户数量。
第二派发表单获取单元,用于采用公式Y=X-N*S计算依据随机分配数量随机分配之后的剩余目标客户数量,从N个坐席中选取Y个坐席,并给Y个坐席中的每一坐席随机派发一个目标客户,获取派发表单;其中,Y为依据随机分配数量随机分配之后的剩余目标客户数量。
具体地,基于人工智能的名单派发装置还包括目标派单模型创建模块;目标派单模型创建模块包括坐席类别获取单元、原始特征数据获取单元、目标特征数据获取单元、训练特征数据获取单元和目标派单模型获取单元。
坐席类别获取单元,用于获取坐席个人信息,基于坐席个人信息进行分类,获取坐席类别。
原始特征数据获取单元,用于基于坐席类别查找大数据平台,获取原始特征数据。
目标特征数据获取单元,用于对原始特征数据进行向量化表示,获取目标特征数据。
训练特征数据获取单元,用于对目标特征数据进行中心化处理和标准化处理,获取训练特征数据。
目标派单模型获取单元,用于采用多层全连接神经网络模型对训练特征数据进行训练,获取目标派单模型。
具体地,坐席个人信息包括至少一个信息维度;信息维度包括性别、年龄、出生地、工作年限和业绩考核;坐席类别获取模块包括标注参数获取单元、维度权重配置单元和类别参数获取单元。
标注参数获取单元,用于对坐席个人信息中的至少一个信息维度按照预设标注规则进行标注,获取标注参数。
维度权重配置单元,用于给每一信息维度配置对应的维度权重。
类别参数获取单元,用于采用类别参数计算公式对标注参数和维度权重进行计算,获取类别参数;其中,类别参数计算公式为sum表示类别参数;s、a、z、w和p分别表示性别、年龄、出生地、工作年限和业绩考核;和分别表示s、a、z、w和p对应的维度权重。
坐席类别获取单元,用于基于类别参数查询类别信息表,获取与类别参数相对应的坐席类别。
具体地,目标派单模型获取模块包括隐藏层的输出值获取单元、输出层的输出值获取单元、模型参数获取单元和目标派单模型获取单元。
多层全连接神经网络模型隐藏层的输出值获取单元,用于采用激活函数对输入的训练特征数据进行计算,获取多层全连接神经网络模型隐藏层的输出值;激活函数的计算公式包括其中,Hj表示多层全连接神经网络模型隐藏层第j个神经元的输出值;wij表示多层全连接神经网络模型输入层到多层全连接神经网络模型隐藏层的权重;xi表示多层全连接神经网络模型输入层的输入;上标n表示多层全连接神经网络模型输入层神经元的数量;下标i表示多层全连接神经网络模型输入层第i个神经元;下标j表示多层全连接神经网络模型隐藏层第j个神经元;aj表示多层全连接神经网络模型输入层到多层全连接神经网络模型隐藏层的偏置,g为激活函数。
多层全连接神经网络模型输出层的输出值获取单元,用于对多层全连接神经网络模型隐藏层的输出值进行计算,获取多层全连接神经网络模型输出层的输出值;对多层全连接神经网络模型隐藏层的输出值进行计算的公式包括其中,k表示多层全连接神经网络模型输出层第k个神经元;下标j表示多层全连接神经网络模型隐藏层中的第j个神经元;ok表示多层全连接神经网络模型输出层的第k个神经元的输出;上标l表示多层全连接神经网络模型隐藏层中神经元的数量;Hj表示多层全连接神经网络模型隐藏层的输出值;wjk表示多层全连接神经网络模型隐藏层到多层全连接神经网络模型输出层的权重;bk表示多层全连接神经网络模型隐藏层到多层全连接神经网络模型输出层的偏置。
模型参数获取单元,用于根据多层全连接神经网络模型输出层的输出值对多层全连接神经网络模型进行误差反传更新,获取更新后的模型参数。
目标派单模型获取单元,用于将更新后的模型参数应用在多层全连接神经网络模型中,获取目标派单模型。
关于基于人工智能的名单派发装置的具体限定可以参见上文中对于基于人工智能的名单派发方法的限定,在此不再赘述。上述基于人工智能的名单派发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,其内部结构图可以如图8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用于存储执行基于人工智能的名单派发方法过程中生成或获取的数据,如派发表单。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基于人工智能的名单派发方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中的基于人工智能的名单派发方法的步骤,例如图2所示的步骤S10-S50,或者图3至图6中所示的步骤。或者,处理器执行计算机程序时实现基于人工智能的名单派发装置这一实施例中的各模块/单元的功能,例如图7所示的各模块/单元的功能,为避免重复,这里不再赘述。
在一实施例中,提供一非易失性存储介质,该非易失性存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中基于人工智能的名单派发方法的步骤,例如图2所示的步骤S10-S50,或者图3至图6中所示的步骤,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现上述基于人工智能的名单派发装置这一实施例中的各模块/单元的功能,例如图7所示的各模块/单元的功能,为避免重复,这里不再赘述。
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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的名单派发方法,其特征在于,包括:
获取目标客户对应的待识别特征数据;
采用预先创建的目标派单模型对所述待识别特征数据进行识别,获取至少一个识别概率值,每一识别概率值对应一坐席类别;
选取最大的识别概率值对应的坐席类别作为目标坐席类别,根据所述目标坐席类别对所述目标客户进行标注,获取标注单;
基于所述标注单和预设派发规则进行名单派发处理,获取派发表单,每一所述派发表单对应一坐席工号;
将每一所述派发表单发送给与所述坐席工号对应的坐席终端,以完成名单派发。
2.如权利要求1所述的基于人工智能的名单派发方法,其特征在于,所述目标坐席类别对应的坐席数量为N;每一坐席对应一最大承接量为M;
所述基于所述目标坐席类别和预设派发规则进行名单派发处理,获取派发表单,包括:
对所述标注单进行统计,获取所述目标坐席类别对应的目标客户数量;
若所述目标客户数量大于所述预设派发规则的规则参数,则按照给所述目标坐席类别对应的每一坐席随机下发M个所述目标客户,获取派发表单;其中,所述预设派发规则的规则参数为M*N;
若所述目标客户数量不大于所述预设派发规则的规则参数,则采用公式获取随机分配数量,依据所述随机分配数量给所述目标坐席类别对应的每一坐席随机下发S个所述目标客户;其中,S为随机分配数量,X为目标客户数量;
采用公式Y=X-N*S计算依据所述随机分配数量随机分配之后的剩余目标客户数量,从N个坐席中选取Y个坐席,并给所述Y个坐席中的每一坐席随机派发一个所述目标客户,获取派发表单;其中,Y为所述依据所述随机分配数量随机分配之后的剩余目标客户数量。
3.如权利要求1所述的基于人工智能的名单派发方法,其特征在于,所述基于人工智能的名单派发方法还包括:预先创建所述目标派单模型;
所述预先创建所述目标派单模型,包括:
获取坐席个人信息,基于所述坐席个人信息进行分类,获取坐席类别;
基于所述坐席类别查找大数据平台,获取原始特征数据;
对所述原始特征数据进行向量化表示,获取目标特征数据;
对所述目标特征数据进行中心化处理和标准化处理,获取训练特征数据;
采用多层全连接神经网络模型对训练特征数据进行训练,获取目标派单模型。
4.如权利要求3所述的基于人工智能的名单派发方法,其特征在于,所述坐席个人信息包括至少一个信息维度,所述信息维度包括性别、年龄、出生地、工作年限和业绩考核;
所述基于所述坐席个人信息进行分类,获取坐席类别,包括:
对所述坐席个人信息中的至少一个信息维度按照预设标注规则进行标注,获取标注参数;
给每一所述信息维度配置对应的维度权重;
采用类别参数计算公式对标注参数和所述维度权重进行计算,获取类别参数;其中,所述类别参数计算公式为sum表示所述类别参数;所述s、a、z、w和p分别表示性别、年龄、出生地、工作年限和业绩考核;和分别表示s、a、z、w和p对应的维度权重;
基于所述类别参数查询类别信息表,获取与所述类别参数相对应的坐席类别。
5.如权利要求3所述的基于人工智能的名单派发方法,其特征在于,所述采用多层全连接神经网络模型对训练特征数据进行训练,获取目标派单模型,包括:
采用激活函数对输入的所述训练特征数据进行计算,获取多层全连接神经网络模型隐藏层的输出值;所述激活函数的计算公式包括其中,Hj表示所述多层全连接神经网络模型隐藏层第j个神经元的输出值;wij表示多层全连接神经网络模型输入层到多层全连接神经网络模型隐藏层的权重;xi表示所述多层全连接神经网络模型输入层的输入;上标n表示所述多层全连接神经网络模型输入层神经元的数量;下标i表示所述多层全连接神经网络模型输入层第i个神经元;下标j表示所述多层全连接神经网络模型隐藏层第j个神经元;aj表示所述多层全连接神经网络模型输入层到所述多层全连接神经网络模型隐藏层的偏置,g为激活函数;
对所述多层全连接神经网络模型隐藏层的输出值进行计算,获取多层全连接神经网络模型输出层的输出值;所述对所述多层全连接神经网络模型隐藏层的输出值进行计算的公式包括其中,k表示所述多层全连接神经网络模型输出层第k个神经元;下标j表示所述多层全连接神经网络模型隐藏层中的第j个神经元;ok表示所述多层全连接神经网络模型输出层的第k个神经元的输出;上标l表示所述多层全连接神经网络模型隐藏层中神经元的数量;Hj表示所述多层全连接神经网络模型隐藏层的输出值;wjk表示所述多层全连接神经网络模型隐藏层到所述多层全连接神经网络模型输出层的权重;bk表示所述多层全连接神经网络模型隐藏层到所述多层全连接神经网络模型输出层的偏置;
根据所述多层全连接神经网络模型输出层的输出值对所述多层全连接神经网络模型进行误差反传更新,获取更新后的模型参数;
将所述更新后的模型参数应用在所述多层全连接神经网络模型中,获取所述目标派单模型。
6.一种基于人工智能的名单派发装置,其特征在于,包括:
待识别特征数据模块,用于获取目标客户对应的待识别特征数据;
识别概率值获取模块,用于采用预先创建的目标派单模型对所述待识别特征数据进行识别,获取至少一个识别概率值,每一识别概率值对应一坐席类别;
标注单获取模块,用于选取最大的识别概率值对应的坐席类别作为目标坐席类别,根据所述目标坐席类别对所述目标客户进行标注,获取标注单;
派发表单获取模块,用于基于所述标注单和预设派发规则进行名单派发处理,获取派发表单,每一所述派发表单对应一坐席工号;
名单派发模块,用于将每一所述派发表单发送给与所述坐席工号对应的坐席终端,以完成名单派发。
7.如权利要求6所述的基于人工智能的名单派发装置,其特征在于,所述派发表单获取模块包括:
标注单统计单元,用于对所述标注单进行统计,获取所述目标坐席类别对应的目标客户数量;
第一派发表单获取单元,用于若所述目标客户数量大于所述预设派发规则的规则参数,则按照给所述目标坐席类别对应的每一坐席随机下发M个所述目标客户,获取派发表单;其中,所述预设派发规则的规则参数为M*N;
随机分配单元,用于若所述目标客户数量不大于所述预设派发规则的规则参数,则采用公式获取随机分配数量,依据所述随机分配数量给所述目标坐席类别对应的每一坐席随机下发S个所述目标客户;其中,S为随机分配数量,X为目标客户数量;
第二派发表单获取单元,用于采用公式Y=X-N*S计算依据所述随机分配数量随机分配之后的剩余目标客户数量,从N个坐席中选取Y个坐席,并给所述Y个坐席中的每一坐席随机派发一个所述目标客户,获取派发表单;其中,Y为所述依据所述随机分配数量随机分配之后的剩余目标客户数量。
8.如权利要求6所述的基于人工智能的名单派发装置,其特征在于,所述基于人工智能的名单派发装置还包括:目标派单模型创建模块;
所述目标派单模型创建模块包括:
坐席类别获取单元,用于获取坐席个人信息,基于所述坐席个人信息进行分类,获取坐席类别;
原始特征数据获取单元,用于基于所述坐席类别查找大数据平台,获取原始特征数据;
目标特征数据获取单元,用于对所述原始特征数据进行向量化表示,获取目标特征数据;
训练特征数据获取单元,用于对所述目标特征数据进行中心化处理和标准化处理,获取训练特征数据;
目标派单模型获取单元,用于采用多层全连接神经网络模型对训练特征数据进行训练,获取目标派单模型。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述基于人工智能的名单派发方法的步骤。
10.一种非易失性存储介质,所述非易失性存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于人工智能的名单派发方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811182134.4A CN109495657B (zh) | 2018-10-11 | 2018-10-11 | 基于人工智能的名单派发方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811182134.4A CN109495657B (zh) | 2018-10-11 | 2018-10-11 | 基于人工智能的名单派发方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109495657A true CN109495657A (zh) | 2019-03-19 |
CN109495657B CN109495657B (zh) | 2022-07-12 |
Family
ID=65690868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811182134.4A Active CN109495657B (zh) | 2018-10-11 | 2018-10-11 | 基于人工智能的名单派发方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109495657B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163655A (zh) * | 2019-04-15 | 2019-08-23 | 中国平安人寿保险股份有限公司 | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 |
CN110288191A (zh) * | 2019-05-22 | 2019-09-27 | 中国平安财产保险股份有限公司 | 数据匹配方法、装置、计算机设备及存储介质 |
CN111209190A (zh) * | 2019-12-29 | 2020-05-29 | 航天信息股份有限公司 | 一种基于中央随机的控索性软件测试方法及装置 |
CN111246029A (zh) * | 2020-01-19 | 2020-06-05 | 中电智恒信息科技服务有限公司 | 一种动态调整呼叫频率的外呼算法 |
CN112163887A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 电销系统和电销名单管理方法、装置、设备、存储介质 |
CN113411453A (zh) * | 2021-05-24 | 2021-09-17 | 北京健康之家科技有限公司 | 一种外呼对象的智能管理方法及装置、介质、计算设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751340A (zh) * | 2015-03-25 | 2015-07-01 | 北京京东尚科信息技术有限公司 | 客服组分流方法和系统 |
CN107590688A (zh) * | 2017-08-24 | 2018-01-16 | 平安科技(深圳)有限公司 | 目标客户的识别方法及终端设备 |
CN107682575A (zh) * | 2017-09-28 | 2018-02-09 | 平安科技(深圳)有限公司 | 业务员呼入进线分配方法、电子装置、计算机可读存储介质 |
CN107872593A (zh) * | 2017-03-13 | 2018-04-03 | 平安科技(深圳)有限公司 | 坐席分配的方法及装置 |
CN108537461A (zh) * | 2018-04-18 | 2018-09-14 | 平安科技(深圳)有限公司 | 坐席任务分配方法、装置、计算机设备及存储介质 |
-
2018
- 2018-10-11 CN CN201811182134.4A patent/CN109495657B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751340A (zh) * | 2015-03-25 | 2015-07-01 | 北京京东尚科信息技术有限公司 | 客服组分流方法和系统 |
CN107872593A (zh) * | 2017-03-13 | 2018-04-03 | 平安科技(深圳)有限公司 | 坐席分配的方法及装置 |
CN107590688A (zh) * | 2017-08-24 | 2018-01-16 | 平安科技(深圳)有限公司 | 目标客户的识别方法及终端设备 |
CN107682575A (zh) * | 2017-09-28 | 2018-02-09 | 平安科技(深圳)有限公司 | 业务员呼入进线分配方法、电子装置、计算机可读存储介质 |
CN108537461A (zh) * | 2018-04-18 | 2018-09-14 | 平安科技(深圳)有限公司 | 坐席任务分配方法、装置、计算机设备及存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163655A (zh) * | 2019-04-15 | 2019-08-23 | 中国平安人寿保险股份有限公司 | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 |
CN110163655B (zh) * | 2019-04-15 | 2024-03-05 | 中国平安人寿保险股份有限公司 | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 |
CN110288191A (zh) * | 2019-05-22 | 2019-09-27 | 中国平安财产保险股份有限公司 | 数据匹配方法、装置、计算机设备及存储介质 |
CN110288191B (zh) * | 2019-05-22 | 2023-06-23 | 中国平安财产保险股份有限公司 | 数据匹配方法、装置、计算机设备及存储介质 |
CN111209190A (zh) * | 2019-12-29 | 2020-05-29 | 航天信息股份有限公司 | 一种基于中央随机的控索性软件测试方法及装置 |
CN111209190B (zh) * | 2019-12-29 | 2024-02-02 | 航天信息股份有限公司 | 一种基于中央随机的控索性软件测试方法及装置 |
CN111246029A (zh) * | 2020-01-19 | 2020-06-05 | 中电智恒信息科技服务有限公司 | 一种动态调整呼叫频率的外呼算法 |
CN112163887A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 电销系统和电销名单管理方法、装置、设备、存储介质 |
CN113411453A (zh) * | 2021-05-24 | 2021-09-17 | 北京健康之家科技有限公司 | 一种外呼对象的智能管理方法及装置、介质、计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109495657B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109495657A (zh) | 基于人工智能的名单派发方法、装置、设备及介质 | |
Battaïa et al. | Decision support for design of reconfigurable rotary machining systems for family part production | |
CN107844915A (zh) | 一种基于话务预测的呼叫中心的自动排班方法 | |
CN107741955A (zh) | 业务数据监控方法、装置、终端设备及存储介质 | |
DE102016220592A1 (de) | Kritische-Spitzen-Preisermittlungs-Bedarfsreaktions-Teilnehmerbewertung | |
CN108932974A (zh) | 在线问诊分配医生的方法、装置、计算机设备和存储介质 | |
US20150106129A1 (en) | System and method for rules driven insurance claim processing | |
CN101071412A (zh) | 一种基于自定义模型的神经网络分析系统及方法 | |
CN112419096A (zh) | 基于nlp信息萃取与少样本自学习的用户用电诉求工单自动流转方法 | |
CN111126809A (zh) | 一种警卫执勤排班方法及系统 | |
CN111813946A (zh) | 医疗信息反馈方法、装置、设备及可读存储介质 | |
Alakaş et al. | Problem specific variable selection rules for constraint programming: a type II mixed model assembly line balancing problem case | |
CN110288191A (zh) | 数据匹配方法、装置、计算机设备及存储介质 | |
VENDRAMINI et al. | Simulation and lean principles: A case study in a public service in Brazil | |
CN108876093A (zh) | 一种众创平台下的众创设计任务推送方法 | |
CN109816103A (zh) | 一种pso-bfgs神经网络训练算法 | |
CN107967592A (zh) | 招聘启事的辅助处理方法及装置 | |
Cheong et al. | Unveiling the relationship between economic growth and equality for developing countries | |
Singh | Modified non-linear programming methodology for multi-attribute decision-making problem with interval-valued intuitionistic fuzzy soft sets information | |
CN101311949A (zh) | 一种综合集成研讨厅体系中专家意见归纳系统及方法 | |
Jiang et al. | Medical insurance medication anomaly detection based on isolated forest proximity matrix | |
Ji et al. | Interval-valued neutrosophic Bonferroni mean operators and the application in the selection of renewable energy | |
Sun et al. | A master production schedule warning approach for cement equipment manufacturing enterprises | |
Li | Human Resource Management System Based on Artificial Intelligence | |
Lieber et al. | Focused Management in a court system: Doing more with the existing resources |
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 |