CN110827040A - 一种消费者诉求解决方法和系统 - Google Patents

一种消费者诉求解决方法和系统 Download PDF

Info

Publication number
CN110827040A
CN110827040A CN201911053896.9A CN201911053896A CN110827040A CN 110827040 A CN110827040 A CN 110827040A CN 201911053896 A CN201911053896 A CN 201911053896A CN 110827040 A CN110827040 A CN 110827040A
Authority
CN
China
Prior art keywords
appeal
consumer
text
merchant
platform
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
Application number
CN201911053896.9A
Other languages
English (en)
Inventor
陈眉
宋成才
陈欢乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN201911053896.9A priority Critical patent/CN110827040A/zh
Publication of CN110827040A publication Critical patent/CN110827040A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q30/012—Providing warranty services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0613—Third-party assisted
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种消费者诉求解决方法和系统。该方法包括由平台接收消费者诉求、由平台对消费者诉求进行分类、由平台基于经分类的消费者诉求来选取策略并将其实时推送给外部商户、以及由平台接收外部商户基于所选取的策略对消费者诉求的处理结果。

Description

一种消费者诉求解决方法和系统
技术领域
本公开涉及服务体验提升，尤其涉及一种C2B2B服务体验提升方法和系 统。
背景技术
在现有技术中，当客户遇到诸如商品问题或售后问题等交易相关问题时， 通常采用以下方案来解决：
1)客户来电－平台客服引导－建议客户直接拔打外部商家电话，客户体 验差。目前第一种比较常见，不确定消费者放弃或者去商家端继续投诉维权， 消费者维权难
2)客户来电－平台客服接待－授权验证身份真实性－离线整理表格数据 －邮件外部商户接口人－商户处理－商户返回处理结果给平台客服－平台客 户回电消费者。该方案的优点是平台提供了稍好的客户体验，但平台与外部商 户投入成本高，而且时效性差。
3)客户来电，电话第三方转接外部商户热线。该方案的服务质量由外部 商户对体验重视程度而定，外部商户与客服体系打通并约定服务品质。
此外，无论采取上述哪一种方案，一般都由客服人员对用户投诉的问题进 行识别和回复。这种客服模式需要客服人员熟悉或掌握用户可能投诉的各类业 务的内容，因此对客服人员的要求较高。而随着社会生活节奏的不断加速，业 务的扩展速度也在不断提高，使得让客服人员掌握所有业务的内容较为困难。
另外，针对用户不同的投诉内容，还需要第三方商户聘用专门的技术人员 对用户投诉进行处理，这进一步提高了人力成本。
因此，本公开提供了一种C2B2B服务体验提升方法和系统，以解决现有 技术存在的问题。
发明内容
提供本发明内容来以简化形式介绍将在以下具体实施方式部分中进一步 描述的一些概念。本发明内容并不旨在标识出所要求保护的主题的关键特征或 必要特征，也不旨在用于帮助确定所要求保护的主题的范围。
在本公开的各实施例中，消费者基于对平台或者第三方平台(如支付宝) 的信任授权平台连接消费者和商户。当消费者在商户遇到纠纷(服务纠纷或质 量问题)时，会联系第三方平台请求解决。作为第三方平台，除了引导用户直 接联系商户解决外，平台与商家就服务进行共识和授权以完成商家的接入，并 将消费者的诉求通过技术手段提供实时传递商户。商户主动服务于消费者，提 升消费者重视感，提升商家服务品牌，并推动服务体验服务水平和质量的提升。
在本公开的一个实施例中，提供了一种用于C2B2B服务体验提升的方法， 包括：
接收外部商户的服务授权；
接收消费者诉求；
对消费者诉求进行分类；
基于经分类的消费者诉求来选取策略；
将所选取的策略实时推送给外部商户；以及
接收外部商户基于所选取的策略对消费者诉求的处理结果。
在本公开的一个实施例中，提供了一种用于C2B2B服务体验提升的系统， 包括：
用于接收外部商户的服务授权的装置；
用于接收消费者诉求的装置；
用于对消费者诉求进行分类的装置；
用于基于经分类的消费者诉求来选取策略的装置；
用于将所选取的策略实时推送给外部商户的装置；以及
用于接收外部商户基于所选取的策略对消费者诉求的处理结果的装置。
在本公开的一个实施例中，提供了一种计算机可读存储介质，其上存储有 用于C2B2B服务体验提升的指令，包括：
用于接收外部商户的服务授权的指令；
用于接收消费者诉求的指令；
用于对消费者诉求进行分类的指令；
用于基于经分类的消费者诉求来选取策略的指令；
用于将所选取的策略实时推送给外部商户的指令；以及
用于接收外部商户基于所选取的策略对消费者诉求的处理结果的指令。
在结合附图研读了下文对本公开的具体的示例性实施例的描述之后，本公 开的其他方面、特征和实施例对于本领域普通技术人员将是明显的。尽管本公 开的特征在以下可能是针对某些实施例和附图来讨论的，但本公开的全部实施 例可包括本文所讨论的有利特征中的一个或多个。换言之，尽管可能讨论了一 个或多个实施例具有某些有利特征，但也可以根据本文讨论的本公开的各种实 施例使用此类特征中的一个或多个特征。以类似方式，尽管示例性实施例在下 文可能是作为设备、系统或方法实施例进行讨论的，但是应当领会，此类示例 性实施例可以在各种设备、系统、和方法中实现。
附图说明
为了能详细理解本公开的以上陈述的特征所用的方式，可参照各方面来对 以上简要概述的内容进行更具体的描述，其中一些方面在附图中阐示。然而应 该注意，附图仅阐示了本公开的某些典型方面，故不应被认为限定其范围，因 为本描述可允许有其他等同有效的方面。
图1示出了其中可实现本公开的各实施例的应用环境。
图2示出了根据本公开的一个实施例的C2B2B服务模块的框图。
图3示出了根据本公开的一个实施例的诉求受理组件的框图。
图4示出了根据本公开的一个实施例的诉求分类组件的框图。
图5示出了根据本发明的一个实施例的Skip-gram的网络结构图。
图6示出了根据本发明的一个实施例的GBDT模型。
图7示出了根据本发明的一个实施例的用于C2B2B服务体验提升的方法 的流程图。
具体实施方式
以下将参考形成本公开的一部分并示出各具体示例性实施例的附图更详 尽地描述各个实施例。然而，各实施例可以以许多不同的形式来实现，并且不 应将其解释为限制此处所阐述的各实施例；相反地，提供这些实施例以使得本 公开变得透彻和完整，并且将这些实施例的范围完全传达给本领域普通技术人 员。各实施例可按照方法、系统或设备来实施。因此，这些实施例可采用硬件 实现形式、全软件实现形式或者结合软件和硬件方面的实现形式。因此，以下 具体实施方式并非是局限性的。
图1示出了其中可实现本公开的各实施例的应用环境100。
如图1所示，消费者102通过其计算设备经由对部署在服务器104上的平 台或者第三方平台(如支付宝)连接到外部商户106。消费者的计算设备可以 是台式计算设备。台式计算设备包括至少一个处理单元和系统存储器。系统存 储器可以包括操作系统以及一个或多个编程模块。该一个或多个编程模块可包 括安装在台式计算设备上的C2B2B服务模块(将在下文中详细描述)。
在本文中，C2B2B(Customer to Business to Business)中的第一个B指 的是从事电子商务或者消费咨询的机构(例如，部署在服务器104上的平台或 者第三方平台)，第二个B指的是商品或服务的生产商(例如，外部商户106)， C则是表示消费者102。在本领域中，随着社会整体进步发展，人们的生活水 平越来越高，尤其是信息多元化的时代里，人们对产品和服务的要求也逐渐提 高，传统电子商务模式B2C、B2B、C2C已经满足不了消费者的需求，由此 C2B2B模式应运而生。C2B2B模式是指由消费者提出需求后，由从事电子商 务的企业整合信息，向生产商户输出该信息或者经处理的信息，以便定制高品 位、高质量、高性价比的产品和服务。
在本公开中，将上述C2B2B模式应用于对消费者服务体验的提升，这将 在下文中通过各实施例和附图进行详细阐述。此外，本发明的各实施方式可以 结合图形库、其他操作系统、或任何其他应用程序来实践，且不限于任何特定 应用程序或系统。
回到图1，消费者102的计算设备也可以是移动计算设备，例如移动电话、 智能电话、输入板个人计算机、膝上型计算机等。移动计算设备是具有输入元 件和输出元件两者的手持式计算机。输入元件可包括允许用户将信息输入到移 动计算设备中的触摸屏显示器和输入按钮。移动计算设备还可结合允许进一步 的用户输入的可选的侧面输入元件。可选的侧面输入元件可以是旋转开关、按 钮、或任何其他类型的手动输入元件。移动计算设备也可包括至少一个处理单 元和系统存储器。系统存储器可以包括操作系统以及一个或多个编程模块。该 一个或多个编程模块可包括安装在移动计算设备上的C2B2B服务模块(将在 下文中详细描述)。
如本领域技术人员能够理解的，在本公开的各实施例中，用于C2B2B服 务体验提升的各种功能能够在消费者102的计算设备以及服务器104两者上实 现，也可以单独在服务器104上实现，即下文中详细描述的C2B2B服务模块 可以在消费者或者用户102的计算设备以及部署在服务器104上的平台两者上 实现，也可以仅仅在部署在服务器104上的平台上实现。
在图1的实施例中，当消费者或用户102在商户106遇到服务纠纷或遇到 产品质量问题时，会联系部署在服务器104上的第三方平台请求解决。作为第 三方平台，除了引导用户直接联系商户解决外，平台与商家就服务进行共识和 授权以完成商家的接入(商家接入平台就意味着必须按照与平台达成的服务水 平和质量条款来为用户提供各项服务，包括执行平台推送的诉求应对策略)， 并将消费者的诉求通过技术手段提供实时传递商户106。此外，平台还基于用 户102的诉求选取相应的策略并将其提供给外部商户106。商户106基于接收 到的策略来主动服务于消费者102。
上述方案主要解决消费者经由第三方平台与外部商家进行交易时遇到的 纠纷，通过平台进行维权或者寻求帮助。平台协同外部商家共同提升服务质量。
这具有以下优点：
1、消费者层面：消费投诉纠纷能被重视，有效跟进处理，让消费者满意。
2、平台层面：在消费者同意和授权以商家的服务授权的基础上，通过技 术手段将投诉信息和应对策略实时传输给外部商户，为消费者争取更多优质服 务体验和资源。
3、商户层面：与平台打通，将自有客服渠道实时、主动地与消费者联系， 解决消费者消费过程中的问题，让消费者满意，最终赢得消费者的尊重和市场， 从而进一步俘获商户的忠实消费者。
下文中将通过各种框图以及方法流程图对本公开的上述各方面进行详细 描述。
图2示出了根据本公开的一个实施例的C2B2B服务模块200的框图。 C2B2B服务模块200包括诉求受理组件202、诉求分类组件204、策略选取组 件206以及商户交互组件208。本领域技术人员应理解，C2B2B服务模块200 及其包括的各种组件的各项功能可以在用户/消费者的计算设备上实现，或者在 服务器/云端上实现，或者部分地在用户计算设备上实现且部分地在服务器/ 云端上实现。
诉求受理组件202用于接收用户的授权以及用户的诉求并对接收到的用 户诉求进行记录和必要的处理以实现对用户诉求信息的标准化采集，以便于后 续的C2B2B服务模块200与外部商户106之间的接口方式传递。
在本公开的一个实施例中，诉求受理组件202还负责接收外部商户返回给 平台的诉求处理结果，诸如已退款、已安抚、无法联系上等等。
具体而言，为了保护用户隐私，C2B2B服务模块200对用户诉求的处理 和传递必须在用户本人授权的情况下进行。在本公开的一个实施例中，用户可 以通过其计算设备(台式计算设备或移动计算设备)完成对平台(即，部署在 平台上的C2B2B服务模块200)接收并处理其诉求信息的授权。诉求受理组件 202在接收到用户授权信息时将传送该授权确认信息的用户标识为已授权用 户，以便随后接收、记录并处理该用户提供的诉求信息。
在本公开的另一实施例中，诉求受理组件202还能够确认接收到的用户授 权确认信息来自用户本人。诉求受理组件202可通过向用户注册的手机号发送 包括验证码的验证短信并要求用户在发送授权信息时一并输入接收到的验证 码以确认是用户本人在执行授权操作，这进一步保护了用户隐私并提升了操作 的安全性。
在本公开的一个实施例中，用户可通过各种方式来向平台，即C2B2B服 务模块200，传达诉求，包括但不限于人工热线电话、人工在线咨询、自助机 器人、以及其他自助投诉渠道。用户需要在向平台授权的同时承诺诉求信息是 真实有效的。
当用户传递诉求信息时，需要确保发起诉求的人的信息完整性，例如需要 提供投诉人联系方式、姓名、投诉人授权等。此外，诉求的具体需求要完整， 即需要告知诉求内容详情和希望达成的结果，例如退款、退货、解约、赔偿等 (需求类型可拓展)，以及各种交易信息，诸如交易号、交易时间、投诉时间 等等。
在本公开的一个实施例中，如果用户通过自助或人工热线电话来传递诉 求，则诉求受理组件202记录用户的语音并且随后通过语言模型和声学模型来 对用户语音进行语音到文字的转换。
具体而言，诉求受理组件202从用户102接收到一段包括诉求信息的语音 信号，找出一个文字序列(由词或字组成)，使得它与所接收到的语音信号的 匹配程度最高。这通过语言模型和声学模型来完成。
对于语言模型，一般利用链式法则(本公开不限于此)，把一个句子的概 率拆解成其中每个词的概率之积。最常见的做法是认为每个词的概率分布只依 赖于历史中最后的若干个词。这样的语言模型称为n-gram模型，在n-gram模 型中，每个词的概率分布只依赖于前面n-1个词，整句的概率就是各个词出现 概率的乘积。常用的是二元的Bi-Gram和三元的Tri-Gram。n-gram模型中的n 越大，需要的训练数据就越多。诉求受理组件202利用人工标注的诉求文本训 练n-gram语言模型。
对于声学模型，其任务是计算P(X/W)，即给定文字W后，发出这段语音 X的概率。首先通过词典来定义每个单词的发音以用于将单词串转换成音素 串。词典中会遇到一词多音的问题，这可通过上述语言模型来预测出对应于哪 一个单词。
此外，为了计算语音与音素串的匹配程度，还需要知道每个音素的起止时 间。这是通过动态规划算法来进行的。利用动态规则算法，可以高效地找到音 素的分界点，使得每一段语音与音素的匹配程度(用概率表示)之积最大。
诉求受理组件202利用人工标注的通话语音和文本来训练声学模型。然后 通过经训练的语言模型和经训练的声学模型来将通话语音转换成诉求文本，以 供后续使用。下文结合图3进一步阐示了上述语音转文本操作。
随后，诉求受理组件202将经处理的诉求信息(包括用户自己输入的诉求 文本信息、平台客服记录的诉求文本信息、经处理的用户语音(即，经语音转 文本的用户诉求文本)的传递给诉求分类组件204。
诉求分类组件204用于对从诉求受理组件202接收到的诉求信息进行分类 和分类。具体而言，诉求分类组件204从由诉求受理组件202提供或生成的诉 求通话文本或者用户直接提供的诉求文本信息中提取特征。在本公开的一个实 施例中，诉求分类组件204从用户或者用户与平台客服的通话文本中选取一部 分(诸如实质性对话内容，而不是问候语等通话文本)作为训练集，利用结巴 分词工具或其它类似工具来对所选择的诉求文本进行分词。
随后，诉求分类组件204使用诉求文本分词结果来分别在消费者/用户和 平台客服两个维度构建诉求文本特征，例如针对用户和平台客服两个不同的语 料库。特征包括分词结果的unigram特征、bigram特征和平均嵌入(average embedding)特征。unigram特征和bigram特征分别通过对分词结果中的单个 词和相邻两个词做one-hot编码得到。平均嵌入特征通过对文本中所有单个词 的词向量嵌入求平均得到，词向量可通过训练word2vec模型来获取。具体地， 可通过对大量的诉求文本按句子粒度分词，对分词后的词序列训练word2vec 模型，并保存单词到向量的映射关系来得到文本中的各句句子中的每个词的词向量。
自然语言建模方法经历了从基于规则的方法到基于统计方法的转变。从基 于统计的建模方法得到的自然语言模型称为统计语言模型。有许多统计语言建 模技术，包括n-gram、神经网络以及log_linear模型等。在对自然语言进行建 模的过程中，会出现维数灾难、词语相似性、模型泛化能力以及模型性能等问 题。寻找上述问题的解决方案是推动统计语言模型不断发展的内在动力。 Word2vec可以根据给定的语料库，通过优化后的训练模型快速有效地将一个 词语表达成向量形式，为自然语言处理领域的应用和研究提供了新的方法和工 具。
Word2vec可分成以下两种语言模型：
如果是用一个词语作为输入，来预测它周围的上下文，那这个模型叫做 Skip-gram模型；
如果是拿一个词语的上下文作为输入，来预测这个词语本身，则是CBOW 模型；
以下将Skip-gram模型作为示例，但如本领域技术人员理解的，本公开的 保护范围不限于此。
在Word2vec中词袋模型假设下，词的顺序是不重要的。训练完成之后， Word2vec模型可用来映射每个词到一个向量，可用来表示词对词之间的关系， 该向量为神经网络之隐藏层。
假定y是x的上下文，所以y只取上下文里一个词语的时候，语言模 型就变成：用当前词x预测它的下一个词y。一般的数学模型只接受数值型 输入，因此采用x的一个原始输入形式，即one-hot编码。
所谓one-hot编码，其思想跟特征工程里处理类别变量的one-hot一样， 本质上是用一个只含一个1、其他都是0的向量来唯一表示词语。
例如，假设全世界所有的词语总共有V个，这V个词语有自己的先后 顺序，假设“我”这个词是第1个词，“忘记”这个单词是第2个词，那么“我” 就可以表示为一个V维全零向量、把第1个位置的0变成1，而“忘记”同 样表示为V维全零向量、把第2个位置的0变成1。这样，每个词语都可以 找到属于自己的唯一表示。
如图5中的Skip-gram的网络结构所示，x就是上面提到的one-hot编码 形式的输入，y是在这V个词上输出的概率。
隐藏层的激活函数其实是线性的，相当于没做任何处理，需要训练这个神 经网络，用反向传播算法，本质上是链式求导，因为这是本领域内公知的，因 此在此不再赘述。
当模型训练完后，最后得到的其实是神经网络的权重，比如现在输入一个 x的one-hot编码:[1,0,0,…,0]，对应刚说的那个词语“我”，则在输入层到隐 含层的权重里，只有对应1这个位置的权重被激活，这些权重的个数，跟隐 含层节点数是一致的，从而这些权重组成一个向量Vx来表示x，而因为每个 词语的one-hot编码里面1的位置是不同的，所以这个向量Vx就可以用来 唯一表示x。
输出y也是用V个节点表示的，对应V个词语，所以其实，我们把输 出节点置成[1,0,0,…,0]，它也能表示“我”这个单词，但是激活的是隐藏层到 输出层的权重，这些权重的个数，跟隐藏层一样，也可以组成一个向量Vy， 跟上面提到的Vx维度一样，并且可以看做是词语“我”的另一种词向量。而 这两种词向量Vx和Vy。
需要注意的是，这个词向量的维度(与隐藏层节点数一致)一般情况下要 远远小于词语总数V的大小，所以Word2vec本质上是一种降维操作——把 词语从one-hot编码形式的表示降维到Word2vec形式的表示。
如上所述，Word2vec本质上是一个语言模型，它的输出节点数是V个， 对应了V个词语，本质上是一个多分类问题，但实际当中，词语的个数非常 非常多，会给计算造成很大困难，所以需要用技巧来加速训练。
在本公开的一个实施例中，采用以下两种方法来进行训练，但本公开的保 护范围不限于此。
1)Hierarchical Softmax，其本质是把N分类问题变成log(N)次二分类；
2)Negative Sampling，其本质是预测总体类别的一个子集。
具体的训练过程是本领域内公知的，因此在此不再赘述。
综上，在NLP(自然语言处理)中，f(x)->y，把x看做一个句子里的 一个词语，y是这个词语的上下文词语，那么这里的f，便是NLP中经常出 现的语言模型，这个模型的目的，就是判断(x,y)这个样本，是否符合自然语 言的法则，更通俗点说就是：词语x和词语y放在一起，是不是人话。
Word2vec正是来源于这个思想，但它的最终目的，不是要把f训练得多 么完美，而是只关心模型训练完后的副产物—模型参数(这里特指神经网络的 权重)，并将这些参数，作为输入x的某种向量化的表示，这个向量即词向 量。
在Word2vec中采用分布式表征，在向量维数比较大的情况下，每一个词 都可以用元素的分布式权重来表示，因此，向量的每一维都表示一个特征向量， 作用于所有的单词，而不是简单的元素和值之间的一一映射。这种方式抽象的 表示了一个词的“意义”。
回到图2，诉求分类组件204随后根据诉求文本和领域常识定义诉求的不 同维度的属性，如用户的社会属性、消费金额、消费频率、消费场所、交易时 间、购买商品类型等。然后这些属性又会细分为更细粒度的概念，以形成完整 的分类体系。随后按需在该分类体系下对诉求文本特征打标以生成带标签的诉 求文本特征。
在本公开的另一实施例中，还能够对文本分类体系进行进一步的扩充以降 低文本分类建模的难度并且为缺乏机器学习基础、分类体系设计的用户提供一 种辅助构建文本分类体系和扩充标注语料的方法。
具体而言，在本公开的另一实施例中，只需要用户提供包括少量的有标注 诉求文本以及大量的未标注诉求文本的输入诉求文本集。然后通过对有标注诉 求文本计算类间距离来辅助用户构建诉求文本分类体系。接着，基于诉求文本 相似度计算来获取有标注诉求文本的扩充候选集，并可任选地结合人工标注得 到用于训练诉求分类模型的语料。最后结合有监督分类和无监督聚类的方法来 挖掘潜在的未定义诉求类别和有标注诉求文本，以进一步扩展诉求文本分类体 系和有标注诉求文本。
然后，诉求分类组件204使用上述带标签的诉求文本特征，通过GBDT 来训练诉求类别预测模型。
最后，诉求分类组件204使用通过GBDT训练的诉求类别预测模型来将 诉求文本信息以及用户的诉求文本识别为诉求类型信息，并将该诉求类型信息 传送到策略选取组件206，以供基于诉求类型来选取相应的应对策略。
在本公开的另一实施例中，诉求分类组件204基于所生成的诉求类型来确 定风险等级。例如，如果用户的一个诉求被识别为欺诈，则诉求分类组件204 将该用户诉求的风险等级设置为“高”，外部商户可以优先接收风险等级高的 诉求和相应策略以便最快地应对舆情。
策略选取组件206基于接收到的诉求类别信息来选取相应的策略。在本公 开的一个实施例中，如果类型预测子组件408的诉求类型预测结果是产品质量 问题，则策略选取组件206可选取退货/换货以及客户安抚策略。在本公开的另 一实施例中，如果类型预测子组件408的诉求类型预测结果是物流延误，则策 略选取组件206可选取催促物流以及客户安抚策略。在本公开的又一实施例中， 如果类型预测子组件408的诉求类型预测结果是交易金额问题，诸如客户支付 金额与商品或服务页面显示的金额不符、商品或服务在客户付款后的短时间内 降价等，则策略选取组件206可选取补差价以及客户安抚策略。
如本领域技术人员可以理解的，在本公开的其他实施例中，类型预测子组 件408的诉求类型预测结果不限于上述结果，并且策略选取组件206选取的策 略也不限于上述策略，而是各个平台和外部商户根据自身的需求设置相应的诉 求类型预测结果和应对策略。
在策略选取组件206选取相应的策略后，策略选取组件206将所选取的策 略传递给商户交互组件208。
商户交互组件208负责接收商家的服务授权，包括与外部商户约定客户服 务水平和质量条款以完成所述外部商户的接入。换言之，商家在与平台达成服 务水平和质量条款的共识后接入平台，由此完成对平台的服务授权，即必须按 照既定服务水平和质量条款来执行平台推送的诉求应对策略。商户交互组件 208还用于将所选取的策略实时地推送给外部商户。另外商户交互组件208还 能够通过用户经由平台(具体而言是C2B2B服务模块200)与外部商户达成的 交易的交易号来定位用户、平台、商户三者之间的关系，即通过平台内部的交 易号来关联用户的账户信息以及外部商户自己的订单编号，以使得外部商户能 够快速定位到消费者与商家的服务信息。
在本公开中，平台内部的交易号是平台赋予用户经由该平台与外部商户达 成的每一笔交易的编号，每个编号都是唯一的。即，做为用户买家或卖家在付 款或收款时平台会有唯一一个编号来区分每一笔交易，诸如支付宝交易号。该 交易号可作为平台、消费者、商户三方之间唯一的信息串。
由此，通过该交易号，商户交互组件208能够将与用户诉求有关的订单准 确无误地告知外部商户。
此外，在本公开的另一实施例中，商户交互组件208还用于与外部商户约 定客户服务水平和质量条款以完成外部商户对平台的接入，并与外部商户约定 推送信息段和回传信息段、接口传递方式、以及各项公共参数，如以下各表所 示：
平台推送接口
·通用能力接入方式
请求地址：
Figure BDA0002256026750000121
Figure BDA0002256026750000131
公共返回参数：
Figure BDA0002256026750000132
平台推送参数
Figure RE-GDA0002352838110000141
商户回传接口
·接口调用方式：商户调用平台API
·API名称：security.risk.customerrisk.send
·请求地址：
环境 HTTPS请求地址
正式环境 例如https：//openapi.alipay.com/gateway.do
·公共请求参数：
Figure BDA0002256026750000151
Figure BDA0002256026750000161
·商户返回参数
Figure BDA0002256026750000162
Figure BDA0002256026750000171
外部商户在接收到平台推送的诉求处理策略后能够基于该策略快速且准 确地处理用户诉求，由此将平台服务与商户服务打通，解决三方服务中消费者 投诉维权难、解决服务体验、流转时效差的问题。如本领域技术人员可以理解 的，上述各表仅仅是示例性的，而不限制本公开的各实施例的范围。
在本公开的一个实施例中，外部商户还将诉求的处理结果返回给平台以作 为对平台提供的策略的反馈。
图3示出了根据本公开的一个实施例的诉求受理组件202的框图。诉求受 理组件202包括用户授权子组件302以及诉求记录子组件304。由于C2B2B服 务模块对用户诉求的处理和传递必须在用户本人授权的情况下进行，因此 C2B2B服务模块通过诉求受理组件202，具体而言是通过用户授权子组件302 来从用户接收对其处理用户诉求信息的授权。用户可以通过其计算设备(台式 计算设备或移动计算设备)来向诉求受理组件202传送授权确认信息，诉求受 理组件202中的用户授权子组件302接收该授权确认信息并将传送该授权确认 信息的用户标识为已授权用户，以便随后接收、记录并处理该用户提供的诉求 信息。
另外，在本公开的一个实施例中，用户授权子组件302还能够确认接收到 的用户授权确认信息来自用户本人。具体而言，用户授权子组件302可通过向 用户注册的手机号发送验证短信并要求用户在发送授权信息时一并输入接收 到的验证码以确认是用户本人在执行授权操作。
在本公开的一个实施例中，如果用户通过自助或人工热线电话来传递诉 求，则诉求受理组件202中的诉求记录子组件304负责记录用户的语音并且随 后通过语言模型和声学模型来对用户语音进行语音到文字的转换。
具体而言，诉求记录子组件304的目的是把语音转换成文字。具体而言， 是输入一段语音信号，要找一个文字序列(由词或字组成)，使得它与语音信 号的匹配程度最高。这个匹配程度，一般是用概率表示的。用X表示语音信号，W表示文字序列，则要求解的是下面这个问题：
一般认为，语音是由文字产生的(可以理解成人们先想好要说的词，再把 它们的音发出来)，通过有贝叶斯公式，可以将上式转换成：
Figure BDA0002256026750000182
上述步骤省略分母是因为我们要优化的是W，而P(X)不含W，是常数。 上述等式表示对W求解以使得P(W)和P(X/W)都大。P(W)表示一个文字序列本 身的概率，也就是这一串词或字本身有多“像话”；P(X/W)表示给定文字后语音 信号的概率，即这句话有多大的可能发成这串音。计算上述两项的值，就是语 言模型和声学模型各自的任务。
对于语言模型，一般利用链式法则，把一个句子的概率拆解成其中每个词 的概率之积。设W是由w1，w2，...，wn组成的，则P(W)可以拆成：
P(W)＝P(w1)P(w2|w1)P(w3|w1，w2)...P(wn|w1，w2，...，wn-1)
每一项都是在已知之前所有词的条件下，当前词的概率。不过，当条件太 长的时候，概率就不好估计了，所以最常见的做法是认为每个词的概率分布只 依赖于历史中最后的若干个词。这样的语言模型称为n-gram模型，在n-gram 模型中，每个词的概率分布只依赖于前面n-1个词，整句的概率就是各个词出 现概率的乘积。常用的是二元的Bi-Gram和三元的Tri-Gram。n-gram模型中的 n越大，需要的训练数据就越多。诉求记录子组件304利用人工标注的通话文 本训练n-gram语言模型。
对于声学模型，其任务是计算P(X/W)，即给定文字后，发出这段语音的 概率。首先通过词典来定义每个单词的发音以用于将单词串转换成音素串。词 典中会遇到一词多音的问题，这可通过上述语言模型来预测出对应于哪一个单 词。
此外，为了计算语音与音素串的匹配程度，还需要知道每个音素的起止时 间。这是通过动态规划算法来进行的。利用动态规则算法，可以高效地找到音 素的分界点，使得每一段语音与音素的匹配程度(用概率表示)之积最大。实 际使用的算法包括Viterbi算法，它不仅仅考虑了每一段语音与音素的匹配程 度，还考虑了在各个音素之间转换的概率，后者是通过隐马尔可夫模型(HMM) 估计出来的。如本领域技术人员能够理解的，也可使用其它类似算法来找到音 素的分界点。
诉求记录子组件304利用人工标注的通话语音和文本来训练声学模型。然 后通过经训练的语言模型和经训练的声学模型来将通话语音转换成通话文本， 以供后续进行文本特征识别和挖掘。
图4示出了根据本公开的一个实施例的诉求分类组件204的框图。参照图 4，诉求分类组件204包括文本特征提取子组件402、文本标签生成子组件404、 类别预测模型训练子组件406以及类型预测子组件408。
文本特征提取子组件402从由诉求记录子组件304生成的通话文本或者用 户提供的诉求信息文本中提取特征。具体而言，文本特征提取子组件402从用 户与平台客服的通话文本中选取一部分(诸如实质性对话内容，而不是问候语 等通话文本)作为训练集，利用结巴分词工具或其它类似工具来对所选择的通 话文本进行分词。
随后，文本特征提取子组件402使用通话文本分词结果来分别在消费者/ 用户和平台客服两个维度构建特征，例如针对客户和平台客服两个不同的语料 库。特征包括分词结果的unigram特征、bigram特征和平均嵌入(average embedding)特征。unigram特征和bigram特征分别通过对分词结果中的单个 词和相邻两个词做one-hot编码得到。平均嵌入特征通过对文本中所有单个词 的词向量嵌入求平均得到，词向量可通过训练word2vec模型来获取。具体地， 可通过对大量的通话文本按句子粒度分词，对分词后的词序列训练word2vec 模型，并保存单词到向量的映射关系来得到文本中的各句句子中的每个词的词向量。
文本标签生成子组件404构建分类体系并进行数据打标。文本标签生成子 组件404首先根据诉求文本和领域常识定义诉求的的不同维度的属性，如用户 的社会属性、消费金额、消费频率、消费场所、交易时间、购买商品类型等。 然后这些属性又会细分为更细粒度的概念，如社会属性又会细分为在校学生、 有工作、待业等等，又如逾期原因又可以细分为工资未发，他人欠钱、家人生 病等等。最后需要根据文本分类体系对通话文本打标以生成诉求文本标签。
类别预测模型训练子组件406使用来自文本特征提取子组件402的文本特 征以及来自文本标签生成子组件404的诉求文本标签，通过如图6所示的 GBDT(Gradient BoostDecision Tree，梯度提升决策树)来训练诉求类别预测 模型。
如本领域技术人员能够理解的，诉求类别预测模型可包括但不限于逻辑回 归(LR)模型。实际上，诉求类别预测模型很容易并行化，能够处理上亿条训 练样本，但诉求类别预测模型的学习能力有限，需要大量特征工程预先分析出 有效的特征、特征组合，从而间接增强诉求类别预测模型的非线性学习能力。 因此，输入到诉求类别预测模型中的特征组合很关键。但这又无法直接通过特 征笛卡尔积解决，只能依靠人工经验，耗时耗力同时并不一定会带来效果提升。 因此，如何自动发现有效的特征、特征组合，弥补人工经验不足，缩短诉求类 别预测模型的特征实验周期，是本发明中的基于诉求文本来预测诉求类型的关 键所在。
GBDT是一种常用的非线性模型，它基于集成学习中的boosting思想，每 次迭代都在减少残差的梯度方向新建立一颗决策树，迭代多少次就会生成多少 颗决策树。GBDT的思想使其具有天然优势可以发现多种有区分性的特征以及 特征组合，特征决定模型性能上限，例如深度学习方法也是将数据如何更好的 表达为特征。如果能够将数据表达成为线性可分的数据，那么使用简单的线性 模型就可以取得很好的效果。GBDT构建新的特征使特征更好地表达或解释数 据。
用已有特征(即，带标签的诉求文本特征)训练GBDT模型，然后利用 GBDT模型学习到的树来构造新特征，构造的新特征向量可通过one-hot编码 取值0/1，向量的每个元素对应于GBDT模型中树(如图6中的树1和树2) 的叶子结点。当一个样本点通过某棵树最终落在这棵树的一个叶子结点上，那 么在新特征向量中这个叶子结点对应的元素值为1，而这棵树的其他叶子结点 对应的元素值为0。新特征向量的长度等于GBDT模型里所有树包含的叶子结 点数之和。
由此，决策树的结果或路径可以直接作为诉求类别预测模型的输入特征使 用，省去了人工寻找特征、特征组合的步骤。应注意，GBDT的实现细节和相 关算法在本领域内是公知的，因此在此不再赘述。
随后，类型预测子组件408使用通过GBDT训练的诉求类别预测模型来 将用户直接提供的诉求文本信息或者用户通过电话或语音提供的且经过语音 转文本的诉求文本识别为诉求类别信息，并将该诉求类别信息传送到策略选取 组件206(图2)。
图7示出了根据本发明的一个实施例的用于C2B2B服务体验提升的方法 700的流程图。
在702，接收外部商户的服务授权。外部商户在与平台达成服务水平和质 量条款的共识后接入平台，由此完成对平台的服务授权，即必须按照既定服务 水平和质量条款来执行平台推送的诉求应对策略。
在704，接收消费者诉求。在本公开的一个实施例中，接收消费者诉求包 括接收消费者的授权并对接收到的消费者诉求进行记录和必要的处理以实现 对消费者诉求信息的标准化采集，以便于后续的与外部商户之间的接口方式传 递。用户可通过各种方式来向平台，即C2B2B服务模块200，传达诉求，包括 但不限于人工热线电话、人工在线咨询、自助机器人、以及其他自助投诉渠道。 在本公开的一个实施例中，对接收到的消费者诉求进行处理包括将消费者提供 的语音转换成诉求文本。
在706，对消费者诉求进行分类。该步骤包括从所提供或生成的通话文本 或者消费者直接提供的诉求文本信息中提取特征，这进一步包括利用结巴分词 工具或其它类似工具来对所选择的诉求文本进行分词并使用文本分词结果来 分别在消费者/用户和平台客服两个维度构建特征。
该步骤还包括根据诉求文本和领域常识定义诉求的不同维度的属性，然后 这些属性又会细分为更细粒度的概念，以形成完整的分类体系，随后按需在该 分类体系下对诉求文本特征打标以生成带标签的诉求文本特征。
该步骤进一步包括使用带标签的诉求文本特征，通过GBDT来训练诉求 类别预测模型，并使用通过GBDT训练的诉求类别预测模型来将诉求文本信息 以及用户的通话文本识别为诉求类型信息，从而获得经分类的消费者诉求。
在708，基于经分类的消费者诉求来选取策略。各个平台和外部商户根据 自身的需求设置相应的诉求类型预测结果和应对策略。
在710，将所选取的策略实时推送给外部商户。该步骤包括通过用户经由 平台(具体而言是C2B2B服务模块200)与外部商户达成的交易的交易号来将 与用户诉求有关的订单准确无误地告知外部商户。此外，该步骤进一步包括与 外部商户约定推送信息段、接口传递方式、以及各项公共参数。
在712，接收外部商户基于所选取的策略对消费者诉求的处理结果。该步 骤中的所返回的处理结果可作为对平台提供的策略的反馈。该步骤进一步包括 与外部商户约定回传信息段、接口传递方式、以及各项公共参数。
以上参考根据本发明的实施例的方法、系统和计算机程序产品的框图和/ 或操作说明描述了本发明的实施例。框中所注明的各功能/动作可以按不同于任 何流程图所示的次序出现。例如，取决于所涉及的功能/动作，连续示出的两个 框实际上可以基本上同时执行，或者这些框有时可以按相反的次序来执行。
以上说明、示例和数据提供了对本发明的组成部分的制造和使用的全面描 述。因为可以在不背离本发明的精神和范围的情况下做出本发明的许多实施 例，所以本发明落在所附权利要求的范围内。

Claims (12)

1.一种用于受理消费者投诉的方法，包括：
接收外部商户的服务授权；
接收消费者诉求；
对所述消费者诉求进行分类；
基于经分类的消费者诉求来选取策略；
将所选取的策略实时推送给所述外部商户；以及
接收所述外部商户基于所选取的策略对所述消费者诉求的处理结果。
2.如权利要求1所述的方法，其特征在于，接收消费者诉求进一步包括接收消费者的授权并对接收到的消费者诉求进行记录和处理以实现对所述消费者诉求的标准化采集。
3.如权利要求2所述的方法，其特征在于，对接收到的消费者诉求进行处理包括将消费者提供的语音转换成诉求文本。
4.如权利要求3所述的方法，其特征在于，将消费者提供的语音转换成诉求文本包括通过声学模型和语言模型来将消费者提供的语音转换成所述诉求文本。
5.如权利要求1所述的方法，其特征在于，对所述消费者诉求进行分类进一步包括：
从消费者的通话文本或者消费者直接提供的诉求文本信息中提取特征；
根据所述诉求文本信息和领域常识定义诉求的不同维度的属性以形成诉求分类体系；
在所述诉求分类体系下对所提取的特征进行打标以生成带标签的诉求文本特征；
使用所述带标签的诉求文本特征，通过GBDT来训练诉求类别预测模型；以及
使用所述诉求类别预测模型来将所述消费者诉求识别为诉求类型信息。
6.如权利要求5所述的方法，其特征在于，形成所述诉求分类体系进一步包括：
接收包括有标注诉求文本和未标注诉求文本的输入文本集；
通过对所述有标注诉求文本计算类间距离来辅助构建所述诉求分类体系；
基于诉求文本相似度计算来获取所述有标注诉求文本的扩充候选集；以及
结合有监督分类和无监督聚类来挖掘潜在的未定义诉求文本类别和有标注诉求文本。
7.如权利要求5所述的方法，其特征在于，提取特征进一步包括利用结巴分词工具来对所选择的诉求文本进行分词并使用文本分词结果来分别在消费者和平台客服两个维度构建特征。
8.如权利要求1所述的方法，其特征在于，将所选取的策略实时推送给外部商户进一步包括与所述外部商户约定推送信息段、接口传递方式、以及各项公共参数。
9.如权利要求1所述的方法，其特征在于，接收外部商户的服务授权进一步包括与所述外部商户约定客户服务水平和质量条款以完成所述外部商户的接入。
10.如权利要求1所述的方法，其特征在于，所述处理结果作为对所选取的策略的反馈。
11.一种用于受理消费者投诉的平台，包括：
外部商户授权接口，其用于接收外部商户的服务授权；
消费者投诉接口，其用于接收消费者诉求；
诉求分类系统，其用于对所述消费者诉求进行分类；
策略选取系统，其用于基于经分类的消费者诉求来选取策略；
策略推送系统，其用于将所选取的策略实时推送给所述外部商户；以及
处理结果接收接口，其用于接收所述外部商户基于所选取的策略对所述消费者诉求的处理结果。
12.一种具有指令的计算机可读存储介质，所述指令在被执行时使机器执行如权利要求1-10中的任一项所述的方法。
CN201911053896.9A 2019-10-31 2019-10-31 一种消费者诉求解决方法和系统 Pending CN110827040A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911053896.9A CN110827040A (zh) 2019-10-31 2019-10-31 一种消费者诉求解决方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911053896.9A CN110827040A (zh) 2019-10-31 2019-10-31 一种消费者诉求解决方法和系统

Publications (1)

Publication Number Publication Date
CN110827040A true CN110827040A (zh) 2020-02-21

Family

ID=69551813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911053896.9A Pending CN110827040A (zh) 2019-10-31 2019-10-31 一种消费者诉求解决方法和系统

Country Status (1)

Country Link
CN (1) CN110827040A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529584A (zh) * 2020-12-08 2021-03-19 支付宝(杭州)信息技术有限公司 交易纠纷数据处理方法、装置、设备及存储介质
CN112950221A (zh) * 2021-03-26 2021-06-11 支付宝(杭州)信息技术有限公司 建立风控模型的方法和装置以及风险控制方法和装置
CN113888188A (zh) * 2021-09-29 2022-01-04 平安银行股份有限公司 流程实时反馈的投诉处理方法、装置、设备及存储介质
CN114881451A (zh) * 2022-05-05 2022-08-09 江苏果米文化发展有限公司 一种游戏用户管理智能申诉分析处理方法及云系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020010591A1 (en) * 2000-04-05 2002-01-24 Brenda Pomerance Automated complaint resolution system
US20140074727A1 (en) * 2012-09-10 2014-03-13 Lin Miao Platform for Resolving Complaints with Customers
CN104299145A (zh) * 2014-10-31 2015-01-21 深圳市众信电子商务交易保障促进中心 电子商务在线纠纷处理方法及系统
WO2016206105A1 (zh) * 2015-06-26 2016-12-29 深圳市赛亿科技开发有限公司 一种基于云架构的售后服务平台
CN107220732A (zh) * 2017-05-31 2017-09-29 福州大学 一种基于梯度提升树的停电投诉风险预测方法
CN107992609A (zh) * 2017-12-15 2018-05-04 广东电网有限责任公司信息中心 一种基于文本分类技术和决策树的投诉倾向判断方法
CN108573031A (zh) * 2018-03-26 2018-09-25 上海万行信息科技有限公司 一种基于内容的投诉分类方法和系统
CN109189890A (zh) * 2018-09-12 2019-01-11 张连祥 招商引资投诉协调智能办理系统及方法
CN109871597A (zh) * 2019-01-28 2019-06-11 平安科技（深圳）有限公司 解决潜在投诉的方法、装置、计算机设备和存储介质
CN110020426A (zh) * 2019-01-21 2019-07-16 阿里巴巴集团控股有限公司 将用户咨询分配到客服业务组的方法及装置
CN110033282A (zh) * 2019-01-16 2019-07-19 阿里巴巴集团控股有限公司 投诉方法及装置
CN110348859A (zh) * 2019-06-17 2019-10-18 阿里巴巴集团控股有限公司 一种申诉处理方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020010591A1 (en) * 2000-04-05 2002-01-24 Brenda Pomerance Automated complaint resolution system
US20140074727A1 (en) * 2012-09-10 2014-03-13 Lin Miao Platform for Resolving Complaints with Customers
CN104299145A (zh) * 2014-10-31 2015-01-21 深圳市众信电子商务交易保障促进中心 电子商务在线纠纷处理方法及系统
WO2016206105A1 (zh) * 2015-06-26 2016-12-29 深圳市赛亿科技开发有限公司 一种基于云架构的售后服务平台
CN107220732A (zh) * 2017-05-31 2017-09-29 福州大学 一种基于梯度提升树的停电投诉风险预测方法
CN107992609A (zh) * 2017-12-15 2018-05-04 广东电网有限责任公司信息中心 一种基于文本分类技术和决策树的投诉倾向判断方法
CN108573031A (zh) * 2018-03-26 2018-09-25 上海万行信息科技有限公司 一种基于内容的投诉分类方法和系统
CN109189890A (zh) * 2018-09-12 2019-01-11 张连祥 招商引资投诉协调智能办理系统及方法
CN110033282A (zh) * 2019-01-16 2019-07-19 阿里巴巴集团控股有限公司 投诉方法及装置
CN110020426A (zh) * 2019-01-21 2019-07-16 阿里巴巴集团控股有限公司 将用户咨询分配到客服业务组的方法及装置
CN109871597A (zh) * 2019-01-28 2019-06-11 平安科技（深圳）有限公司 解决潜在投诉的方法、装置、计算机设备和存储介质
CN110348859A (zh) * 2019-06-17 2019-10-18 阿里巴巴集团控股有限公司 一种申诉处理方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529584A (zh) * 2020-12-08 2021-03-19 支付宝(杭州)信息技术有限公司 交易纠纷数据处理方法、装置、设备及存储介质
CN112950221A (zh) * 2021-03-26 2021-06-11 支付宝(杭州)信息技术有限公司 建立风控模型的方法和装置以及风险控制方法和装置
CN113888188A (zh) * 2021-09-29 2022-01-04 平安银行股份有限公司 流程实时反馈的投诉处理方法、装置、设备及存储介质
CN114881451A (zh) * 2022-05-05 2022-08-09 江苏果米文化发展有限公司 一种游戏用户管理智能申诉分析处理方法及云系统
CN114881451B (zh) * 2022-05-05 2023-10-24 江苏果米文化发展有限公司 一种游戏用户管理智能申诉分析处理方法及云系统

Similar Documents

Publication Publication Date Title
Vo et al. Leveraging unstructured call log data for customer churn prediction
CN110827040A (zh) 一种消费者诉求解决方法和系统
CN113688221B (zh) 基于模型的话术推荐方法、装置、计算机设备和存储介质
de Araújo et al. Re-bert: automatic extraction of software requirements from app reviews using bert language model
CN112732911A (zh) 基于语义识别的话术推荐方法、装置、设备及存储介质
CN110599324A (zh) 一种用于回款率预测的方法和装置
CN108763384A (zh) 用于文本分类的数据处理方法、数据处理装置和电子设备
KR102100214B1 (ko) 음성 인식 기반의 세일즈 대화 분석 방법 및 장치
CN110991694A (zh) 一种基于深度学习的量刑预测方法
US20180374089A1 (en) Method and apparatus for determining expense category distance between transactions via transaction signatures
CN113869969A (zh) 问答信息处理、商品信息展示方法、设备及存储介质
CN114625842A (zh) 一种基于结构注意力增强机制的虚假评论识别模型
Lee et al. On natural language call routing
CN114386426B (zh) 一种基于多元语义融合的金牌话术推荐方法及装置
CN116246632A (zh) 外呼话术指导方法及装置
CN113569578B (zh) 一种用户意图识别方法、装置和计算机设备
CN113887214B (zh) 基于人工智能的意愿推测方法、及其相关设备
Uprety et al. The Impact of Semi-Supervised Learning on the Performance of Intelligent Chatbot System.
CN114358736A (zh) 客服工单生成方法、装置、存储介质和电子设备
CN111694936B (zh) 用于ai智能面试的识别的方法、装置、计算机设备及存储介质
CN113761910A (zh) 一种融合情感特征的评论文本细粒度情感分析方法
CN117435471A (zh) 测试案例的推荐方法、装置、设备、存储介质和程序产品
CN115422920B (zh) 基于bert和gat的裁判文书争议焦点识别方法
CN115564529A (zh) 语音导航控制方法、装置、计算机终端及存储介质
CN112883183B (zh) 构建多分类模型的方法、智能客服方法和相关装置及系统

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40023531

Country of ref document: HK

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200221