CN110163655A - 基于梯度提升树的坐席分配方法、装置、设备及存储介质 - Google Patents
基于梯度提升树的坐席分配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110163655A CN110163655A CN201910301179.7A CN201910301179A CN110163655A CN 110163655 A CN110163655 A CN 110163655A CN 201910301179 A CN201910301179 A CN 201910301179A CN 110163655 A CN110163655 A CN 110163655A
- Authority
- CN
- China
- Prior art keywords
- banquet
- user
- gradient
- tree
- 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
- 235000021167 banquet Nutrition 0.000 title claims abstract description 190
- 238000009826 distribution Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003252 repetitive effect Effects 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000018199 S phase Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- 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
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Abstract
本发明公开了一种基于梯度提升树的坐席分配方法、装置、设备及存储介质,所述方法包括:接收退保申请指令;获取用户的第一用户信息,并获取符合预设处理条件的坐席的个人信息;获取预设的梯度提升树模型;将用户的第一用户信息和各坐席的个人信息输入至梯度提升树模型进行深度匹配,并获取梯度提升树模型输出的第一契合概率;将第一契合概率最高的坐席记录为契合坐席,并分配契合坐席对用户进行劝阻。本发明通过引入梯度提升树模型,对用户的用户信息与坐席的个人信息进行深度匹配,找寻与所述用户最契合的坐席,并分配该坐席为所述用户提供服务,提升销售方的效益,并增强用户体验。
Description
技术领域
本发明涉及智能决策领域,尤其涉及一种基于梯度提升树的坐席分配方法、装置、设备及存储介质。
背景技术
现今的网络产品销售只是随机为用户分配坐席,没有结合每个用户的特点,往往导致分配的坐席与用户并不契合,进而使本应该成交的交易未能成交,或本不应失败的交易失败,故需一种可以根据用户的用户信息进行深度匹配,进而找寻最适合该用户的坐席的方法,提升用户体验。
发明内容
基于此,本发明提供一种基于梯度提升树的坐席分配方法、装置、设备及存储介质,用于对用户的用户信息与坐席的个人信息进行深度匹配,找寻与所述用户最契合的坐席,并分配该坐席为所述用户提供服务,提升销售方的效益,并增强用户体验。
一种基于梯度提升树的坐席分配方法,包括:
获取用户的第一用户信息,并获取符合预设处理条件的坐席的个人信息;
获取预设的梯度提升树模型;
将所述用户的第一用户信息和各所述坐席的个人信息输入至所述梯度提升树模型进行深度匹配,并获取所述梯度提升树模型输出的第一契合概率,所述第一契合概率是指所述第一用户信息与所述个人信息之间的契合概率;
将所述第一契合概率最高的所述坐席记录为契合坐席,并分配所述契合坐席对所述用户进行劝阻。
一种基于梯度提升树的坐席分配装置,包括:
信息获取模块,用于获取用户的第一用户信息,并获取符合预设处理条件的坐席的个人信息;
模型获取模块,用于获取预设的梯度提升树模型;
匹配模块,用于将所述用户的第一用户信息和各所述坐席的个人信息输入至所述梯度提升树模型进行深度匹配,并获取所述梯度提升树模型输出的第一契合概率,所述第一契合概率是指所述第一用户信息与所述个人信息之间的契合概率;
坐席分配模块,用于将所述第一契合概率最高的所述坐席记录为契合坐席,并分配所述契合坐席对所述用户进行劝阻。
一种设备,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梯度提升树的坐席分配方法的步骤。
一种计算机可读存储介质,所述计算机可读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梯度提升树的坐席分配方法的步骤。
上述基于梯度提升树的坐席分配方法、装置、设备及存储介质,通过引入梯度提升树模型,对用户的用户信息与坐席的个人信息进行深度匹配,找寻与所述用户最契合的坐席,并分配该坐席为所述用户提供服务,提升销售方的效益,并增强用户体验,且还能根据新用户发生的事件结果,迭代训练所述梯度提升树模型,不断降低所述梯度提升树模型进行深度匹配时的误差。
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梯度提升树的坐席分配方法的应用环境示意图;
图2是本发明一实施例中基于梯度提升树的坐席分配方法的流程图;
图3是本发明一实施例中基于梯度提升树的坐席分配方法的步骤S30的流程图;
图4是本发明一实施例中基于梯度提升树的坐席分配方法的步骤S302的流程图;
图5是本发明另一实施例中基于梯度提升树的坐席分配方法的流程图;
图6是本发明另一实施例中基于梯度提升树的坐席分配方法的流程图;
图7是本发明一实施例中基于梯度提升树的坐席分配装置的示意图;
图8是本发明一实施例中基于梯度提升树的坐席分配装置的模型获取模块的示意图;
图9是本发明另一实施例中基于梯度提升树的坐席分配装置的示意图;
图10是本发明一实施例中设备的一示意图。
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。
本发明提供的基于梯度提升树的坐席分配方法,可应用在如图1的应用环境中,其中,客户端(设备/终端设备)通过网络与服务器(服务端)进行通信。首先,接收退保申请指令,接着,获取用户的第一用户信息,并获取符合预设处理条件的坐席的个人信息,和获取预设的梯度提升树模型,进一步地,将第一用户信息与所述个人信息进行输入至所述梯度提升树莫模型进行深度匹配,获取所述梯度提升树模型输出的第一契合概率,然后通过所述第一契合概率为所述用户分配最契合的坐席。其中,客户端(设备/终端设备)包括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或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种基于梯度提升树的坐席分配方法,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,获取用户的第一用户信息,并获取符合预设处理条件的坐席的个人信息。
可理解地,在所述步骤S10之前,还包括接收用户发送的退保申请指令,所述退保申请指令可以由用户通过点击预设的按钮发送至服务器。可理解地,当所述用户有退保需求时,即发送所述退保申请指令至所述服务器,所述服务器接收所述退保申请指令后,进入步骤S20,获取用户的第一用户信息,以及坐席的个人信息,以供在后续步骤中对所述第一用户信息和所述个人信息进行深度匹配。
其中,所述用户是指购买商品或/和服务的消费者,所述坐席是指为所述用户提供疑问解答、购买指引、售后咨询等服务的人员。在本实施例中,所述用户为购买保险的消费者,所述坐席是指为该消费者提供疑问解答、购买指引和售后咨询/服务等服务的保险业务员。
所述预设处理条件可以根据需求预先设定。举例说明,当接收到所述退保申请指令后即立即需要为所述用户分配坐席时,所述预设处理条件即设定为此时已在线上,且未被分配对其他用户提供服务(即处于空闲状态);或在接收到所述退保申请指令后,在预设的指定时间段为所述用户分配坐席,所述预设处理条件即设定为在该预设的指定时间段内处于空闲状态且在线上的坐席。
所述第一用户信息是指所述用户的用户信息,所述第一用户信息包括但不限于年龄、性别、居住城市、星座、职业、婚恋状况等,所述个人信息包括但不限于年龄、工作城市、性别、星座、工作年限、业绩情况、客户投诉率、客户好评率等。在本实施例中,所述个人信息存储在服务器的数据库中,获取所述个人信息,即从所述数据库中调取出所述个人信息。所述第一用户信息可以由所述用户预先填写,并通过点击预设的按钮发送至所述服务器,当所述用户已经购买保险并填写电子保单(或所述保单以电子的形式存储至数据库中)时,所述第一用户信息还可以从该用户的电子保单中获取。在一实施例中,还可以接收所述用户发送的保单或承载所述第一用户信息的图片,并通过光学字符识别获取该图片中的所述第一用户信息。
在本实施例中,获取所述第一用户信息以及所述个人信息,以供在步骤S20中将所述第一用户信息和所述个人信息输入至梯度提升树模型。
S20,获取预设的梯度提升树模型。
其中,所述梯度提升树模型是以梯度提升决策树算法为基本框架,通过历史样本的迭代训练后,生成的可用于分类、回归、特征选择和异常点检测的算法模型。所述梯度提升树算法为加法模型(即基函数的线性组合)与前向分布算法的结合,采用以决策树为基函数的梯度提升方法;所述历史样本为历史用户的第二用户信息,以及所有所述坐席的个人信息。所述第二用户信息为所述历史用户的用户信息。
可理解地,经过所述历史样本的迭代训练后,通过所述梯度提升树模型,即可以根据用户的第一用户信息以及坐席的个人信息,匹配到与所述用户最契合的坐席,进而分配所述坐席为所述用户提供服务。在本实施例中,获取所述梯度提升树模型,以供在步骤S30中将所述第一用户信息和所述个人信息输入至所述梯度提升树模型,进而获取每一坐席与所述用户的契合概率。
S30,将所述用户的第一用户信息和各所述坐席的个人信息输入至所述梯度提升树模型进行深度匹配,并获取所述梯度提升树模型输出的第一契合概率,所述第一契合概率是指所述第一用户信息对应的用户与所述个人信息对应的坐席之间的契合概率。
其中,所述第一契合概率为通过所述梯度提升树模型对所述第一用户信息与所述个人信息进行深度匹配后,所获得的所述第一用户信息对应的用户,与所述个人信息对应的坐席之间的契合概率,所述契合是指坐席成功向用户销售出产品或服务、或/和用户对坐席的满意度高、或/和当用户有意愿退货时,坐席成功劝阻了用户的退货行为;可理解地,所述契合概率即为用户与坐席相契合的概率。
其中,一项所述第一用户信息即为一个所述用户的所有用户信息(包括退保的保单类型、年龄、性别、职业等),一项所述个人信息即为一个所述坐席的所有个人信息(包括年龄、性别、业绩情况、客户投诉率、此前劝阻用户退保的成功率和客户好评率等)。
在本实施例中,首先选取一尚未被选取进行深度匹配的所述个人信息作为当前个人信息,并将所述第一用户信息与所述当前个人信息输入至所述梯度提升树模型进行深度匹配,获取输出的所述第一用户信息对应的用户与所述当前个人信息对应的坐席之间的第一契合概率;进一步地,判定所有所述个人信息中是否存在尚未被选取进行深度匹配的所述个人信息;若存在,则继续执行选取一尚未被选取进行深度匹配的所述个人信息作为当前个人信息及其后续步骤;若不存在,即代表所有所述个人信息均完成与所述第一用户信息的深度匹配,此时,获取所有所述第一契合概率,以供在后续步骤中确认与所述用户相契合的坐席。
S40,将所述第一契合概率最高的所述坐席记录为契合坐席,并分配所述契合坐席对所述用户进行劝阻。
可理解地,各所述第一契合概率中,所述第一契合概率最高的坐席,即为最契合所述用户的坐席,此时,确认所述第一契合概率最高的坐席为契合坐席,进一步地,将所述契合坐席分配给所述用户,也即分配所述契合坐席为所述用户提供疑问解答、购买指引或售后咨询等服务,通过选取与所述用户契合概率最高的坐席,并分配其为所述用户提供服务,如当所述用户想要退保时,分配所述契合坐席为对所述用户进行劝阻,可以增强用户体验,进而提高成交率或/和退货劝阻率,提升效益。
本实施例通过引入梯度提升树模型,对用户的用户信息与坐席的个人信息进行深度匹配,找寻与所述用户最契合的坐席,并分配该坐席为所述用户提供服务,提升销售方的效益,并增强用户体验。
在一实施例中,如图3所示,所述步骤S20包括:
S201,获取历史样本;所述历史样本包括历史用户的第二用户信息,以及历史坐席的历史历史个人信息。
其中,一项所述第二用户信息即为一个所述历史用户的所有用户信息(包括退保的保单类型、年龄、性别、职业等),一项所述历史个人信息即为一个所述历史坐席的所有历史个人信息(包括年龄、性别、业绩情况、客户投诉率、此前劝阻用户退保的成功率和客户好评率等),在本实施例中,获取所述历史样本,也即获取所有所述历史用户的第二用户信息,以及所有所述历史坐席的所述历史个人信息,以供在步骤202中通过包含初始参数的梯度提升树模型对所述第二用户信息与所述历史个人信息进行深度匹配。
S202,通过包含初始参数的梯度提升树模型对所述第二用户信息与所述历史个人信息进行深度匹配,获取所述第二用户信息对应的历史用户与所述历史个人信息对应的历史坐席之间的第二契合概率,并通过预设的损失函数获取所述梯度提升树模型的残差。
其中,包含初始参数的梯度提升树模型是指初始的未经过训练的梯度提升树模型,该初始的梯度提升决策树模型可以看成是K棵回归树组成的加法模型,下面列举所述梯度提升决策树的算法:
其中,每一棵回归树相当于一个把特征向量映射为某个分数的函数,该模型的参数也即所述初始参数即为Θ={f1,f2,……fK}
所述第二契合概率为通过该初始的梯度提升树模型对所述第二用户信息与所述历史个人信息进行深度匹配后,所获得的所述第二用户信息对应的历史用户,与所述历史个人信息对应的历史坐席之间的契合概率,所述契合是指历史坐席成功向用户销售出产品或服务、或/和用户对历史坐席的满意度高、或/和当用户有意愿退货时,历史坐席成功劝阻了用户的退货行为(如劝阻了用户的退保行为);可理解地,所述契合概率即为所述用户与所述历史坐席契合的概率。
其中,所述损失函数可以根据需求预先设定,所述残差是所述梯度提升树模型的回归分类问题中,所述梯度提升树模型所输出的预测值与真实值之间的差值,所述残差可以真实的反映所述梯度提升树模型的输出的预测值是否精准。
必须说明的是,将所述第二用户信息与所述历史个人信息输入至该初始的模型进行深度匹配前,还包括:提取所述第二用户信息和所述历史个人信息中的特征度,并将所述特征度转化为特征向量矩阵,所述特征向量矩阵即为所述第二用户信息和所述历史个人信息的数据量化,用于输入至所述梯度提升决策树模型进行深度匹配。
可理解地,该初始的梯度提升树模型对所述第二用户信息与所述历史个人信息进行深度匹配后,一般无法获得该第二用户信息对应的历史用户,与该历史个人信息对应的历史坐席之间的所述正确契合概率,因此,获取所述包含初始参数的梯度提升树模型的残差,以供在后续步骤中根据所述残差调整所述初始参数,以使该初始的梯度提升树模型符合用户需求。
S203,检测所述残差是否小于预设的差异阈值。
其中,所述差异阈值可以根据需求预先设定,作为优选,所述差异阈值为0.03。
可理解地,通过所述包含初始参数的梯度提升树模型对所述第二用户信息与所述历史个人信息进行深度匹配后,通过判定所获得的所述残差是否小于所述差异阈值,即可判定所述初始参数是否满足用户的需求,也即通过所述包含初始参数的梯度提升树模型是否能对所述第二用户信息与所述历史个人信息进行深度匹配后,获得所述第二用户信息对应的历史用户,与所述历史个人信息对应的历史坐席之间的正确契合概率,以供在后续步骤中根据所述初始参数是否满足用户的需求,对所述初始参数进行调整,或确认所述梯度提升树模型训练完成。
S204,当所述残差大于或等于所述差异阈值时,调整所述梯度提升树模型的初始参数,并继续执行对所述第二用户信息与所述历史个人信息进行深度匹配及其后续步骤。
可理解地,当所述残差大于或等于所述差异阈值时,即代表所述初始参数不符合用户的需求,也即无法通过所述包含初始参数的梯度提升树模型获取所述第二用户信息对应的历史用户与所述历史个人信息对应的历史坐席之间的真实的契合概率,此时,继续执行步骤S202及其后续步骤。
其中,所述调整过程为根据所述损失函数和所述残差计算得出用于调整所述初始参数的调整值,进一步地,对每一所述初始参数加减(乘除)所述调整值的调整权重,以对所述初始参数进行调整。必须说明的是,所述调整权重根据实际情况预先进行设定,根据不同的所述初始参数设定的所述调整权重不同。
S205,当所述残差小于所述差异阈值时,确认所述梯度提升树模型训练完成,并获取训练完成的所述梯度提升树模型。
可理解地,当所述残差小于所述差异阈值时,即代表根据所述梯度提升树模型,即可获得所述第二用户信息对应的历史用户与所述历史个人信息对应的历史坐席之间的正确契合概率,此时,确认所述梯度提升树模型训练完成,并获取训练完成的所述梯度提升树模型,以供在步骤S40中将通过训练完成的所述梯度提升树模型对所述第一用户信息和所述历史个人信息进行深度匹配,进而获取所述第一用户信息对应的用户与所述历史个人信息对应的历史坐席之间的第二契合概率。
在一实施例中,如图4所示,所述步骤S202包括:
S2021,从所有所述第二用户信息中选取一未被选取进行深度匹配的第二用户信息作为当前用户信息;以供在步骤S3022中使用包含初始参数的梯度提升树模型对所述当前用户信息与各所述历史个人信息进行深度匹配。
S2022,使用包含初始参数的梯度提升树模型对所述当前用户信息与各所述历史个人信息进行深度匹配,获取所述当前用户信息对应的历史用户与各所述历史个人信息对应的历史坐席之间的第二契合概率。
在本实施例中,首先选取一未被选取进行深度匹配的所述历史个人信息作为当前历史个人信息,并使用包含初始参数的梯度提升树模型对所述当前用户信息与所述当前历史个人信息进行深度匹配,并获取深度匹配后,所述当前用户信息对应的历史用户与所述当前历史个人信息对应的历史坐席之间的第二契合概率,进一步地,判断所有所述历史个人信息中是否存在尚未被选取进行深度匹配的所述历史个人信息,若存在,则继续执行选取一未被选取进行深度匹配的所述历史个人信息作为当前历史个人信息及其后续步骤;若不存在,则进入步骤S2023,将所述第二契合概率与对应的正确契合概率之间的差异值定义为样本差异值及其后续步骤。
S2023,判断所有所述第二用户信息中是否存在尚未被选取进行深度匹配的第二用户信息。
判断所有所述第二用户信息中是否存在尚未被选取进行深度匹配的第二用户信息,若不存在,即代表所有所述第二用户信息均深度匹配完毕,此时,进入步骤S2025,若存在,即代表还存在未进行深度匹配的所述第二用户信息,此时,继续执行步骤S2021及其后续步骤。
S2024,当所有所述第二用户信息中存在尚未被选取进行深度匹配的第二用户信息时,继续执行从所有所述第二用户信息中选取一未被选取进行深度匹配的第二用户信息作为当前用户信息及其后续步骤。
S2025,当所有所述第二用户信息中不存在尚未被选取进行深度匹配的第二用户信息时,计算所述损失函数的负梯度在所述梯度提升树模型中的值,并将所述损失函数的负梯度在所述梯度提升树模型中的值确定为残差。
在一实施例中,如图5所示,所述步骤S40之后,还包括:
S50,接收所述用户对所述契合坐席的满意度评价,并记录此次事件的事件结果。
其中,所述满意度评价可以由用户通过点击预设的按钮发送至服务器,所述事件是指坐席为用户提供疑问解答、购买指引、售后咨询等服务,所述事件结果是指坐席成功/失败向用户销售出产品或服务、或/和用户对坐席的满意度高/低、或/和当用户有意愿退货时,坐席成功/失败劝阻了用户的退货行为。
在本实施例中,接收所述用户对所述契合坐席的满意度评价,并记录此次事件的事件结果,以供在步骤S60中根据所述满意度评价和所述事件结果训练所述梯度提升树模型。
S60,根据所述满意度评价和所述事件结果调整所述梯度提升树模型。
在本实施例中,将所述用户作为一个历史用户;首先,获取历史样本(即历史用户的第二用户信息,以及坐席的历史个人信息),进一步地,通过所述梯度提升树模型对所述第二用户信息与所述历史个人信息进行深度匹配,获取所述第二用户信息对应的历史用户与所述历史个人信息对应的坐席之间的第二契合概率,并获取所有所述第二契合概率与对应的正确契合概率之间的残差,可理解地,在本实施例中,所述正确契合概率根据所述满意度评价和所述事件结果,以及预先记录的每一历史样本(即除所述用户以外的每一历史用户与每一坐席)对应的历史事件(即坐席为用户提供疑问解答、购买指引、售后咨询等服务)的结果(即坐席成功/失败向用户销售出产品或服务、或/和用户对坐席的满意度高/低、或/和当用户有意愿退货时,坐席成功/失败劝阻了用户的退货行为)确定;进一步地,检测所述残差是否小于预设的差异阈值,当所述残差大于或等于所述差异阈值时,调整所述梯度提升树模型的参数,并继续执行对所述第二用户信息与所述历史个人信息进行深度匹配及其后续步骤,直至所述残差小于所述差异阈值;具体地训练过程参照步骤S201-S205所述。
在本实施例中,将所述用户作为历史用户,也即扩充所述历史样本,并根据扩充的历史样本进一步地调整参数,即进一步地训练所述梯度提升树模型,可以使所述梯度提升树模型在进行深度匹配的时候误差更小,所输出的契合概率更精准。
在一实施例中,如图6所示,所述步骤S30之后,还包括:
S70,将各所述第一契合概率对应的坐席按概率高低进行排序,生成推荐列表。
将各所述第一契合概率对应的坐席按照所述第一契合概率的概率高低进行排序,所述第一契合概率的概率越高,其对应的坐席排序越靠前,进一步地,根据所述排序生成推荐列表,以供在步骤S80中选取所述推荐列表中序列最先的预设数量的所述坐席推荐给用户。
S80,选取所述推荐列表中序列最先的预设数量的所述坐席,并按所述推荐列表中的序列将选取的所述坐席展示在当前的显示界面上。
其中,所述预设数量可以根据需求预先设定,作为优选,所述预设数量为3。选取所述推荐列表中序列最先的预设数量的所述坐席,也即选取预设数量的概率最高的所述第一契合概率对应的坐席,并将其按所述推荐列表中的顺序展示在当前的显示界面上,以推荐给用户进行选择。在本实施例中,选取最有可能契合所述用户的预设数量的所述坐席,再通过所述用户的选择,进一步提升了用户与坐席可能契合的概率,增强用户体验。
本发明通过引入梯度提升树模型,对用户的用户信息与坐席的个人信息进行深度匹配,找寻与所述用户最契合的坐席,并分配该坐席为所述用户提供服务,提升销售方的效益,并增强用户体验,且还能根据新用户发生的事件结果,迭代训练所述梯度提升树模型,不断降低所述梯度提升树模型进行深度匹配时的误差。
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,提供一种基于梯度提升树的坐席分配装置,该基于梯度提升树的坐席分配装置与上述实施例中基于梯度提升树的坐席分配方法一一对应。如图7所示,该基于梯度提升树的坐席分配装置包括信息获取模块11、模型获取模块12、匹配模块13和坐席分配模块14。各功能模块详细说明如下:
所述信息获取模块11,用于获取用户的第一用户信息,并获取符合预设处理条件的坐席的个人信息;
所述模型获取模块12,用于获取预设的梯度提升树模型;
所述匹配模块13,用于将所述用户的第一用户信息和各所述坐席的个人信息输入至所述梯度提升树模型进行深度匹配,并获取所述梯度提升树模型输出的第一契合概率,所述第一契合概率是指所述第一用户信息对应的用户与所述个人信息对应的坐席之间的契合概率;
所述坐席分配模块14,用于将所述第一契合概率最高的所述坐席记录为契合坐席,并分配所述契合坐席对所述用户进行劝阻。
在一实施例中,如图8所示,所述模型获取模块12包括:
样本获取单元121,用于获取历史样本;所述历史样本包括历史用户的第二用户信息,以及历史坐席的历史个人信息;
深度匹配单元122,用于通过包含初始参数的梯度提升树模型对所述第二用户信息与所述历史个人信息进行深度匹配,获取所述第二用户信息对应的历史用户与所述历史个人信息对应的历史坐席之间的第二契合概率,并通过预设的损失函数获取所述梯度提升树模型的残差;
残差检测单元123,用于检测所述残差是否小于预设的差异阈值;
返回单元124,用于当所述残差大于或等于所述差异阈值时,调整所述梯度提升树模型的初始参数,并继续执行对所述第二用户信息与所述历史个人信息进行深度匹配及其后续步骤;
模型获取单元125,用于当所述残差小于所述差异阈值时,确认所述梯度提升树模型训练完成,并获取训练完成的所述梯度提升树模型。
在一实施例中,如图9所示,所述基于梯度提升树的坐席分配装置,还包括:
事件记录模块15,用于接收所述用户对所述契合坐席的满意度评价,并记录此次事件的事件结果;
训练模块16,用于根据所述满意度评价和所述事件结果调整所述梯度提升树模型。
关于基于梯度提升树的坐席分配装置的具体限定可以参见上文中对于基于梯度提升树的坐席分配方法的限定,在此不再赘述。上述基于梯度提升树的坐席分配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设备中的处理器中,也可以以软件形式存储于设备中的存储器中,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,提供了一种设备,该设备可以是服务器,其内部结构图可以如图10所示。该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,该设备的处理器用于提供计算和控制能力。该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梯度提升树的坐席分配方法。
在一个实施例中,提供了一种设备,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以下步骤:
获取用户的第一用户信息,并获取符合预设处理条件的坐席的个人信息;
获取预设的梯度提升树模型;
将所述用户的第一用户信息和各所述坐席的个人信息输入至所述梯度提升树模型进行深度匹配,并获取所述梯度提升树模型输出的第一契合概率,所述第一契合概率是指所述第一用户信息与所述个人信息之间的契合概率;
将所述第一契合概率最高的所述坐席记录为契合坐席,并分配所述契合坐席对所述用户进行劝阻。
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:
获取用户的第一用户信息,并获取符合预设处理条件的坐席的个人信息;
获取预设的梯度提升树模型;
将所述用户的第一用户信息和各所述坐席的个人信息输入至所述梯度提升树模型进行深度匹配,并获取所述梯度提升树模型输出的第一契合概率,所述第一契合概率是指所述第一用户信息与所述个人信息之间的契合概率;
将所述第一契合概率最高的所述坐席记录为契合坐席,并分配所述契合坐席对所述用户进行劝阻。
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,本发明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)
1.一种基于梯度提升树的坐席分配方法,其特征在于,包括:
获取用户的第一用户信息,并获取符合预设处理条件的坐席的个人信息;
获取预设的梯度提升树模型;
将所述用户的第一用户信息和各所述坐席的个人信息输入至所述梯度提升树模型进行深度匹配,并获取所述梯度提升树模型输出的第一契合概率,所述第一契合概率是指所述第一用户信息与所述个人信息之间的契合概率;
将所述第一契合概率最高的所述坐席记录为契合坐席,并分配所述契合坐席对所述用户进行劝阻。
2.如权利要求1所述的基于梯度提升树的坐席分配方法,其特征在于,所述获取预设的梯度提升树模型,包括:
获取历史样本;所述历史样本包括历史用户的第二用户信息,以及历史坐席的历史个人信息;
通过包含初始参数的梯度提升树模型对所述第二用户信息与所述历史个人信息进行深度匹配,获取所述第二用户信息对应的历史用户与所述历史个人信息对应的历史坐席之间的第二契合概率,并通过预设的损失函数获取所述梯度提升树模型的残差;
检测所述残差是否小于预设的差异阈值;
当所述残差大于或等于所述差异阈值时,调整所述梯度提升树模型的初始参数,并继续执行对所述第二用户信息与所述历史个人信息进行深度匹配及其后续步骤;
当所述残差小于所述差异阈值时,确认所述梯度提升树模型训练完成,并获取训练完成的所述梯度提升树模型。
3.如权利要求2所述的基于梯度提升树的坐席分配方法,其特征在于,所述通过包含初始参数的梯度提升树模型对所述第二用户信息与所述个人信息进行深度匹配,获取所述第二用户信息对应的历史用户与所述个人信息对应的坐席之间的第二契合概率,并通过预设的损失函数获取所述梯度提升树模型的残差,包括:
从所有所述第二用户信息中选取一未被选取进行深度匹配的第二用户信息作为当前用户信息;
使用包含初始参数的梯度提升树模型对所述当前用户信息与各所述历史个人信息进行深度匹配,获取所述当前用户信息对应的历史用户与各所述历史个人信息对应的历史坐席之间的第二契合概率;
判断所有所述第二用户信息中是否存在尚未被选取进行深度匹配的第二用户信息;
当所有所述第二用户信息中存在尚未被选取进行深度匹配的第二用户信息时,继续执行从所有所述第二用户信息中选取一未被选取进行深度匹配的第二用户信息作为当前用户信息及其后续步骤;
当所有所述第二用户信息中不存在尚未被选取进行深度匹配的第二用户信息时,计算所述损失函数的负梯度在所述梯度提升树模型中的值,并将所述损失函数的负梯度在所述梯度提升树模型中的值确定为残差。
4.如权利要求1所述的基于梯度提升树的坐席分配方法,其特征在于,所述将所述第一契合概率最高的所述坐席记录为契合坐席,并分配所述契合坐席对所述用户进行劝阻之后,还包括:
接收所述用户对所述契合坐席的满意度评价,并记录此次事件的事件结果;
根据所述满意度评价和所述事件结果调整所述梯度提升树模型。
5.如权利要求1所述的基于梯度提升树的坐席分配方法,其特征在于,所述将所述用户的第一用户信息和各所述坐席的个人信息输入至所述梯度提升树模型进行深度匹配,并获取所述梯度提升树模型输出的第一契合概率之后,还包括:
将各所述第一契合概率对应的坐席按概率高低进行排序,生成推荐列表;
选取所述推荐列表中序列最先的预设数量的所述坐席,并按所述推荐列表中的序列将选取的所述坐席展示在当前的显示界面上。
6.一种基于梯度提升树的坐席分配装置,其特征在于,包括:
信息获取模块,用于获取用户的第一用户信息,并获取符合预设处理条件的坐席的个人信息;
模型获取模块,用于获取预设的梯度提升树模型;
匹配模块,用于将所述用户的第一用户信息和各所述坐席的个人信息输入至所述梯度提升树模型进行深度匹配,并获取所述梯度提升树模型输出的第一契合概率,所述第一契合概率是指所述第一用户信息与所述个人信息之间的契合概率;
坐席分配模块,用于将所述第一契合概率最高的所述坐席记录为契合坐席,并分配所述契合坐席对所述用户进行劝阻。
7.如权利要求6所述的基于梯度提升树的坐席分配装置,其特征在于,所述模型获取模块,包括:
样本获取单元,用于获取历史样本;所述历史样本包括历史用户的第二用户信息,以及历史坐席的历史个人信息;
深度匹配单元,用于通过包含初始参数的梯度提升树模型对所述第二用户信息与所述历史个人信息进行深度匹配,获取所述第二用户信息对应的历史用户与所述历史个人信息对应的历史坐席之间的第二契合概率,并通过预设的损失函数获取所述梯度提升树模型的残差;
残差检测单元,用于检测所述残差是否小于预设的差异阈值;
返回单元,用于当所述残差大于或等于所述差异阈值时,调整所述梯度提升树模型的初始参数,并继续执行对所述第二用户信息与所述历史个人信息进行深度匹配及其后续步骤;
模型获取单元,用于当所述残差小于所述差异阈值时,确认所述梯度提升树模型训练完成,并获取训练完成的所述梯度提升树模型。
8.如权利要求6所述的基于梯度提升树的坐席分配装置,其特征在于,所述基于梯度提升树的坐席分配装置,还包括:
事件记录模块,用于接收所述用户对所述契合坐席的满意度评价,并记录此次事件的事件结果;
训练模块,用于根据所述满意度评价和所述事件结果调整所述梯度提升树模型。
9.一种设备,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任一项所述基于梯度提升树的坐席分配方法的步骤。
10.一种计算机可读存储介质,所述计算机可读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任一项所述基于梯度提升树的坐席分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301179.7A CN110163655B (zh) | 2019-04-15 | 2019-04-15 | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301179.7A CN110163655B (zh) | 2019-04-15 | 2019-04-15 | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163655A true CN110163655A (zh) | 2019-08-23 |
CN110163655B CN110163655B (zh) | 2024-03-05 |
Family
ID=67638601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910301179.7A Active CN110163655B (zh) | 2019-04-15 | 2019-04-15 | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163655B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932144A (zh) * | 2020-08-25 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 一种客服坐席分配方法、装置、服务器及存储介质 |
CN112036648A (zh) * | 2020-09-02 | 2020-12-04 | 中国平安财产保险股份有限公司 | 基于模型的任务分配方法、装置、计算机设备和存储介质 |
CN112966968A (zh) * | 2021-03-26 | 2021-06-15 | 平安科技(深圳)有限公司 | 一种基于人工智能的名单分配方法及相关设备 |
CN113256070A (zh) * | 2021-04-26 | 2021-08-13 | 北京淇瑀信息科技有限公司 | 基于电销转化率的承接线路分配方法、装置及电子设备 |
CN113344415A (zh) * | 2021-06-23 | 2021-09-03 | 中国平安财产保险股份有限公司 | 基于深度神经网络的业务分配方法、装置、设备及介质 |
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 |
CN115169588A (zh) * | 2022-09-06 | 2022-10-11 | 深圳前海中电慧安科技有限公司 | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018006727A1 (zh) * | 2016-07-08 | 2018-01-11 | 阿里巴巴集团控股有限公司 | 机器人客服转人工客服的方法和装置 |
CN108174046A (zh) * | 2017-11-10 | 2018-06-15 | 大连金慧融智科技股份有限公司 | 一种用于呼叫中心的人员监控系统及方法 |
CN108337316A (zh) * | 2018-02-08 | 2018-07-27 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
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 |
CN108717589A (zh) * | 2018-03-22 | 2018-10-30 | 平安科技(深圳)有限公司 | 客服坐席确定方法、装置、计算机设备和存储介质 |
CN109146211A (zh) * | 2017-06-16 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 订单的分配、模型的训练方法及装置 |
WO2019015641A1 (zh) * | 2017-07-19 | 2019-01-24 | 阿里巴巴集团控股有限公司 | 模型的训练方法、数据相似度的确定方法、装置及设备 |
CN109495657A (zh) * | 2018-10-11 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于人工智能的名单派发方法、装置、设备及介质 |
-
2019
- 2019-04-15 CN CN201910301179.7A patent/CN110163655B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018006727A1 (zh) * | 2016-07-08 | 2018-01-11 | 阿里巴巴集团控股有限公司 | 机器人客服转人工客服的方法和装置 |
CN109146211A (zh) * | 2017-06-16 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 订单的分配、模型的训练方法及装置 |
WO2019015641A1 (zh) * | 2017-07-19 | 2019-01-24 | 阿里巴巴集团控股有限公司 | 模型的训练方法、数据相似度的确定方法、装置及设备 |
CN108174046A (zh) * | 2017-11-10 | 2018-06-15 | 大连金慧融智科技股份有限公司 | 一种用于呼叫中心的人员监控系统及方法 |
CN108337316A (zh) * | 2018-02-08 | 2018-07-27 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN108717589A (zh) * | 2018-03-22 | 2018-10-30 | 平安科技(深圳)有限公司 | 客服坐席确定方法、装置、计算机设备和存储介质 |
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 |
CN109495657A (zh) * | 2018-10-11 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于人工智能的名单派发方法、装置、设备及介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932144A (zh) * | 2020-08-25 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 一种客服坐席分配方法、装置、服务器及存储介质 |
CN111932144B (zh) * | 2020-08-25 | 2023-09-19 | 腾讯科技(上海)有限公司 | 一种客服坐席分配方法、装置、服务器及存储介质 |
CN112036648A (zh) * | 2020-09-02 | 2020-12-04 | 中国平安财产保险股份有限公司 | 基于模型的任务分配方法、装置、计算机设备和存储介质 |
CN112966968A (zh) * | 2021-03-26 | 2021-06-15 | 平安科技(深圳)有限公司 | 一种基于人工智能的名单分配方法及相关设备 |
CN112966968B (zh) * | 2021-03-26 | 2022-08-30 | 平安科技(深圳)有限公司 | 一种基于人工智能的名单分配方法及相关设备 |
CN113256070A (zh) * | 2021-04-26 | 2021-08-13 | 北京淇瑀信息科技有限公司 | 基于电销转化率的承接线路分配方法、装置及电子设备 |
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 |
CN113344415A (zh) * | 2021-06-23 | 2021-09-03 | 中国平安财产保险股份有限公司 | 基于深度神经网络的业务分配方法、装置、设备及介质 |
CN115169588A (zh) * | 2022-09-06 | 2022-10-11 | 深圳前海中电慧安科技有限公司 | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110163655B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163655A (zh) | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
US20220405851A1 (en) | Dashboard interface, platform, and environment for matching subscribers with subscription providers and presenting enhanced subscription provider performance metrics | |
US10354184B1 (en) | Joint modeling of user behavior | |
US20170161758A1 (en) | Systems and methods for interactive annuity product services using machine learning modeling | |
US8868471B1 (en) | Evaluation of task judging results | |
CN108876133A (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
US20100280935A1 (en) | System and Method for Creating and Managing Financially-Related Goals | |
CN110210731A (zh) | 提醒任务分配方法、装置、计算机设备和存储介质 | |
CN109712001A (zh) | 信息推荐方法、装置、计算机设备和存储介质 | |
WO2019100852A1 (zh) | 风险测评的实现方法和装置 | |
CN109472670A (zh) | 产品数据推送方法、装置、计算机设备及存储介质 | |
JP6819355B2 (ja) | レコメンデーション生成 | |
CN109598404A (zh) | 自动对下发销售任务单进行数据处理的方法和装置 | |
US20160078551A1 (en) | Method and System for Generating and Distributing Optimized Life Insurance Packages and Visual Representations Thereof | |
US11392965B2 (en) | Opportunity list engine | |
CN110363580A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
US11551194B2 (en) | System to facilitate exchange of data segments between data aggregators and data consumers | |
CN114266664A (zh) | 一种交易信息预测方法、装置、计算机设备和存储介质 | |
US20130159215A1 (en) | Computer program, method, and system for facilitating investment transactions | |
Marabel Romo | Pricing volatility options under stochastic skew with application to the VIX index | |
US20150348201A1 (en) | Automated tool for investment technologies | |
CN111199412B (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
CN112765453A (zh) | 内容推荐方法、装置、计算机设备和存储介质 | |
CN110298686A (zh) | 一种产品返费调配方法、装置、计算机设备及存储介质 |
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 |