CN110879841A - 知识条目推荐方法、装置、计算机设备和存储介质 - Google Patents
知识条目推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110879841A CN110879841A CN201811031486.XA CN201811031486A CN110879841A CN 110879841 A CN110879841 A CN 110879841A CN 201811031486 A CN201811031486 A CN 201811031486A CN 110879841 A CN110879841 A CN 110879841A
- Authority
- CN
- China
- Prior art keywords
- target object
- knowledge
- item
- recommended
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001914 filtration Methods 0.000 claims abstract description 60
- 238000012216 screening Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 92
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001193 catalytic steam reforming Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种知识条目推荐方法、装置、计算机设备和存储介质。所述方法包括:获取目标对象对知识条目的评分值;根据目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从参考对象中提取与目标对象的相似度满足预设条件的对象,得到相似对象;根据相似对象对知识条目的评分值得到推荐条目并推送至目标对象。根据目标对象对知识条目的评分值对参考对象进行协同过滤,筛选出与目标对象的相似度满足预设条件的相似对象所关注的知识条目推送给目标对象。通过协同过滤发现目标对象的个性化和差异化需求,根据不同目标对象的需求实现针对性地推荐知识条目,能够精准推荐相应的知识条目,提高了知识条目的推荐效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种知识条目推荐方法、装置、计算机设备和存储介质。
背景技术
呼叫中心是企业对外提供服务的窗口,客户通过语音、文字、视频等形式和CSR(Customer Service Representative,客户服务代表)进行在线交互,包括听取客户的问题和要求,对客户的需求做出反应并探询客户新的需求。呼叫中心的核心是CSR的专业技能和服务水平,围绕CSR的专业技能和服务水平的提升,呼叫中心建设了用于培训CSR和支撑CSR在线服务的本领域知识库。知识库对于呼叫中心建设知识密集型机构,提升服务质量和客户满意度具有重要作用,如何向CSR推荐知识库中的知识条目来提升CSR技能成为一个重要课题。
传统的知识条目推荐方法是组织CSR针对知识库中各类业务知识和服务能力的统一性培训和考核,由于CSR的知识兴趣点不同、水平参差不齐等,这种统一性的培训对CSR的效用性不大,而且兴趣度不高,传统的知识条目推荐方法存在推荐效率低下的缺点。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高知识条目推荐效率的知识条目推荐方法、装置、计算机设备和存储介质。
一种知识条目推荐方法,所述方法包括:
获取目标对象对知识条目的评分值,所述评分值根据目标对象对知识条目的历史行为数据计算得到,用于量化目标对象对知识条目的行为;
根据所述目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从所述参考对象中提取与所述目标对象的相似度满足预设条件的对象,得到相似对象;
根据所述相似对象对知识条目的评分值得到推荐条目并推送至目标对象。
在其中一个实施例中,所述根据所述目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从所述参考对象中提取与所述目标对象的相似度满足预设条件的对象,得到相似对象,包括:
根据所述目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值,通过余弦公式计算所述目标对象与各所述参考对象的相似度;
从所述参考对象中提取与所述目标对象的相似度满足预设条件的对象,得到相似对象。
在其中一个实施例中,所述从所述参考对象中提取与所述目标对象的相似度满足预设条件的对象,得到相似对象,包括:
根据与所述目标对象的相似度从高到低的顺序对所述参考对象排序,提取前预设个数的参考对象作为相似对象;或
获取与所述目标对象的相似度大于预设相似度阈值的参考对象作为相似对象。
在其中一个实施例中,所述获取目标对象对知识条目的评分值,包括:
获取所述目标对象对知识条目的历史行为数据;
根据所述历史行为数据和预设权重计算得到对应知识条目的评分值。
在其中一个实施例中,所述根据所述相似对象对知识条目的评分值得到推荐条目并推送至目标对象,包括:
根据所述相似对象对知识条目的评分值,计算对应知识条目的推荐值;
根据各知识条目的推荐值得到推荐条目并推送至目标对象。
在其中一个实施例中,所述根据各知识条目的推荐值得到推荐条目并推送至目标对象,包括:
根据各知识条目的推荐值进行初步筛选,得到初始推荐条目;
根据目标对象对知识条目的历史行为数据对所述初始推荐条目进行过滤,得到推荐条目并推送至目标对象。
在其中一个实施例中,所述根据目标对象对知识条目的历史行为数据对所述初始推荐条目进行过滤,得到推荐条目,包括:
根据目标对象对知识条目的历史行为数据,检测是否存在所述目标对象对所述初始推荐条目的历史行为;
若不存在所述目标对象对所述初始推荐条目的历史行为,则将所述初始推荐条目作为推荐条目;
若存在所述目标对象对所述初始推荐条目的历史行为,则根据所述目标对象对知识条目的历史行为数据,获取目标对象对初始推荐条目的阅读频率和阅读时长;
当所述目标对象对初始推荐条目的阅读频率大于初始推荐条目的平均阅读频率时,则将所述初始推荐条目作为推荐条目;
当所述目标对象对初始推荐条目的阅读频率小于或等于初始推荐条目的平均阅读频率,且所述目标对象对初始推荐条目的阅读时长大于初始推荐条目的平均阅读时,则将所述初始推荐条目作为推荐条目。
一种知识条目推荐装置,所述装置包括:
数据获取模块,用于获取目标对象对知识条目的评分值,所述评分值根据目标对象对知识条目的历史行为数据计算得到,用于量化目标对象对知识条目的行为;
协同过滤模块,用于根据所述目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从所述参考对象中提取与所述目标对象的相似度满足预设条件的对象,得到相似对象;
条目推荐模块,用于根据所述相似对象对知识条目的评分值得到推荐条目并推送至目标对象。
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以下步骤:
获取目标对象对知识条目的评分值,所述评分值根据目标对象对知识条目的历史行为数据计算得到,用于量化目标对象对知识条目的行为;
根据所述目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从所述参考对象中提取与所述目标对象的相似度满足预设条件的对象,得到相似对象;
根据所述相似对象对知识条目的评分值得到推荐条目并推送至目标对象。
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以下步骤:
获取目标对象对知识条目的评分值,所述评分值根据目标对象对知识条目的历史行为数据计算得到,用于量化目标对象对知识条目的行为;
根据所述目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从所述参考对象中提取与所述目标对象的相似度满足预设条件的对象,得到相似对象;
根据所述相似对象对知识条目的评分值得到推荐条目并推送至目标对象。
上述知识条目推荐方法、装置、计算机设备和存储介质,根据目标对象对知识条目的评分值对参考对象进行协同过滤,筛选出与目标对象的相似度满足预设条件的相似对象所关注的知识条目推送给目标对象。通过协同过滤发现目标对象的个性化和差异化需求,根据不同目标对象的需求实现针对性地推荐知识条目,能够精准推荐相应的知识条目,提高了知识条目的推荐效率。
附图说明
图1为一个实施例中知识条目推荐方法的流程示意图;
图2为一个实施例中知识条目推荐方法中步骤S110的流程示意图;
图3为一个实施例中知识条目推荐方法中步骤S120的流程示意图;
图4为一个实施例中知识条目推荐方法中步骤S130的流程示意图;
图5为一个实施例中知识条目推荐装置的结构框图;
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。
在一个实施例中,如图1所示,提供了一种知识条目推荐方法,适用于CSR离线学习。该方法包括以下步骤:
步骤S110:获取目标对象对知识条目的评分值。
评分值根据目标对象对知识条目(Knowledge Entry,KE)的历史行为数据计算得到,用于量化目标对象对知识条目的行为。其中,知识条目可以是用于目标对象进行阅读或培训的业务知识和服务技能等资料,目标对象指需要进行知识推荐的人员,可以是CSR或其他人员。历史行为数据指记录对知识条目的历史行为的数据,历史行为可包括浏览菜单、检索关键词、阅读内容等,阅读内容还可包括阅读时长和阅读频次。
具体地,获取目标对象对知识条目的评分值的方式并不唯一,可以是采集目标对象对知识条目的历史行为数据进行统计计算,得到对该知识条目的评分值;也可以是直接从外部数据库服务器预先保存的不同对象对知识条目的评分值中,获取目标对象对知识条目的评分值。可以理解,如果目标对象对某个知识条目不存在历史行为数据,则目标对象对该知识条目的评分值为零。
步骤S120:根据目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从参考对象中提取与目标对象的相似度满足预设条件的对象,得到相似对象。
参考对象同样也可以是CSR或其他人员,以目标对象和参考对象均为CSR为例,可预先采集所有CSR的历史行为数据计算得到各CSR对所有知识条目的评分值进行保存。当需要对某一个CSR进行知识条目推荐时,将该CSR作为目标对象,其他CSR作为参考对象进行协同过滤,从参考对象中提取与目标对象的相似度满足预设条件的相似对象,以便发现CSR所需的相似知识点,推荐其离线学习。协同过滤方法是从集体中寻找相似性并给予推荐的一种方法,鉴于CSR的知识体系具有历史继承性,以及同队列技能和同知识层级的CSR具有相似性,采用协同过滤推荐方法来挖掘历史数据,以知识条目的偏好为向量找到CSR的邻居,然后将邻居的知识点推荐给该CSR,向CSR推荐个性化和差异化的知识点用于其离线学习,强化所长提升不足。其中,离线学习是相对于在线服务而言,CSR在不和客户在线交互时,利用琐碎时间补充知识点。
此外,在步骤S120之前,该方法还可包括获取参考对象对知识条目的历史行为数据,根据参考对象对知识条目的历史行为数据计算参考对象对知识条目的评分值的步骤。计算参考对象对知识条目的评分值的具体过程与计算目标对象对知识条目的评分值的过程类似,在此不再赘述。
步骤S130:根据相似对象对知识条目的评分值得到推荐条目并推送至目标对象。
在确定目标对象的相似对象之后,根据相似对象对知识条目的评分值进行知识条目的筛选,得到推荐条目进行推送。根据相似对象对知识条目的评分值进行知识条目的筛选的方式并不是唯一的,可以是将所有知识条目中存在相似对象的评分值的知识条目作为推荐条目,可以是将相似对象的评分值最高的一部分知识条目作为推荐条目,也可以是将相似对象的评分值大于预设阈值的知识条目作为推荐条目。
将推荐条目并推送至目标对象的方式也并不唯一,可以是直接通过显示屏显示给目标对象查看,也可以是将推荐条目发送至目标对象对应的终端,终端具体可以是手机、掌上电脑或手持式终端等。
上述知识条目推荐方法中,根据目标对象对知识条目的评分值对参考对象进行协同过滤,筛选出与目标对象的相似度满足预设条件的相似对象所关注的知识条目推送给目标对象。通过协同过滤发现目标对象的个性化和差异化需求,根据不同目标对象的需求实现针对性地推荐知识条目,能够精准推荐相应的知识条目,提高了知识条目的推荐效率。
在一个实施例中,如图2所示,步骤S110包括步骤S112和步骤S114。
步骤S112:获取目标对象对知识条目的历史行为数据。具体地,利用知识库服务器实时记录所有CSR对知识条目的历史行为,通过知识库服务器获取历史行为数据,分析CSR对知识条目的历史行为,可以挖掘出CSR的个人成长历史。
步骤S114:根据历史行为数据和预设权重计算得到对应知识条目的评分值。可预先针对不同类型的历史行为数据设置对应的预设权重,不同类型的历史行为数据的预设权重可相同也可不同,具体取值可根据实际情况进行调整。针对每一个知识条目,根据目标对象的历史行为数据与预设权重计算目标对象对该知识条目的评分值。
在一个实施例中,历史行为数据包括知识条目菜单浏览频次、关键词含知识条目检索频次、知识条目内容阅读频次和知识条目内容阅读时长。具体可先根据历史行为数据计算不同类型行为的评分系数,再对评分系数和对应预设权重进行加权求和得到评分值。假设有n类行为,对应权重为ωi(i=1,2,...,n),对应频次或时长为fi(i=1,2,...,n)和最高频次或时长为fmax,则步骤S114具体为:
其中,ke表示评分值,ωi表示第i类行为的权重,fi表示第i类行为的频次或时长,fmax表示第i类行为的最高频次或时长。基于评分系数的定义,可以统计出每名CSR对每条知识条目的评分值,用于量化CSR对该知识条目的行为。评分越高说明CSR对该知识条目的关注和需求越大,尤其可通过阅读频次和阅读时长体现该知识条目对CSR的必需性,通过协同过滤,可以将同类知识条目推荐给CSR离线学习。此外,在得到各CSR对知识条目的评分值后,还可建立数据集保存各CSR对不同知识条目的评分值,以及根据数据集生成数据评分矩阵以供后续计算CSR之间的相似度。
本实施例中,通过将不同历史行为的评分系数与对应权重加权求和计算知识条目的评分值,可准确体现目标对象对不同知识条目的关注度,提高了对知识条目的推荐准确性。
在一个实施例中,如图3所示,步骤S120包括步骤S122和步骤S124。
步骤S122:根据目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值,通过余弦公式计算目标对象与各参考对象的相似度。利用余弦公式计算目标对象与参考对象的相似度,步骤S122具体包括:
其中,simuv表示对象u与对象v的相似度,N(u)表示对象u有过评分的知识条目集合,N(v)表示参考对象v有过评分的知识条目集合。分别将目标对象和参考对象的评分值代入上式便可计算得到目标对象与参考对象的相似度。
步骤S124:从参考对象中提取与目标对象的相似度满足预设条件的对象,得到相似对象。计算得到各参考对象与目标对象的相似度后,提取相似度满足预设条件的对象作为相似对象。预设条件并不是唯一的,步骤S124可包括:根据与目标对象的相似度从高到低的顺序对参考对象排序,提取前预设个数的参考对象作为相似对象;或获取与目标对象的相似度大于预设相似度阈值的参考对象作为相似对象。预设个数和预设相似度阈值的具体取值并不唯一,具体可根据实际情况进行选择。
在一个实施例中,如图4所示,步骤S130包括步骤S132和步骤S134。
步骤S132:根据相似对象对知识条目的评分值,计算对应知识条目的推荐值。具体地,可针对每个知识条目,对相似对象的评分值和相似对象与目标对象的相似度进行加权求和得到推荐值。步骤S132可包括:
其中,S(u,K)包含和对象u最相似的K个用户,N(i)是对知识条目i有过评分的对象集合,simuv是对象u和对象v的相似度,kevi代表对象v对知识条目i的评分值。p(u,i)作为对象u对知识条目i的推荐值。将每个相似对象对同一个知识条目的评分值以及相似对象与目标对象的相似度代入上式,便可计算得到该知识条目对于目标对象的推荐值,作为推荐列表之一参与后续的过滤推荐。
步骤S134:根据各知识条目的推荐值得到推荐条目并推送至目标对象。计算得到知识条目的推荐值之后,可以是直接根据推荐值进行筛选得到推荐条目;也可以是根据推荐值进行筛选后,再结合目标对象自身的历史行为数据进行进一步过滤得到推荐条目。在一个实施例中,步骤S134包括:根据各知识条目的推荐值进行初步筛选,得到初始推荐条目;根据目标对象对知识条目的历史行为数据对初始推荐条目进行过滤,得到推荐条目并推送至目标对象。
根据各知识条目的推荐值进行初步筛选的方式并不唯一,可以是按推荐值从高到低的顺序对知识条目进行排序,获取前预定个数的知识条目作为初始推荐条目;也可以是直接提取推荐值大于或等于推荐阈值的知识条目作为初始推荐条目。
根据目标对象对知识条目的历史行为数据对初始推荐条目进行过滤的方式也不是唯一的,在一个实施例中,根据目标对象对知识条目的历史行为数据对初始推荐条目进行过滤,得到推荐条目,包括:根据目标对象对知识条目的历史行为数据,检测是否存在目标对象对初始推荐条目的历史行为;若不存在目标对象对初始推荐条目的历史行为,则将初始推荐条目作为推荐条目;若存在目标对象对初始推荐条目的历史行为,则根据目标对象对知识条目的历史行为数据,获取目标对象对初始推荐条目的阅读频率和阅读时长;当目标对象对初始推荐条目的阅读频率大于初始推荐条目的平均阅读频率时,则将初始推荐条目作为推荐条目;当目标对象对初始推荐条目的阅读频率小于或等于初始推荐条目的平均阅读频率,且目标对象对初始推荐条目的阅读时长大于初始推荐条目的平均阅读时,则将初始推荐条目作为推荐条目。
本实施例中,通过目标对象的历史行为数据对初始推荐条目进行进一步筛选,减少已掌握知识的重复学习,增加未熟悉知识的强化学习以及推展新增知识的入门学习,可得到更符合目标对象需求的知识条目,进一步提高了推荐效率。
应该理解的是,虽然图1-4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1-4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。
为了便于更好地理解上述知识条目推荐方法,下面以推荐知识条目给CSR进行离线学习为例进行详细解释说明。
利用知识库对CSR的历史行为进行分析,CSR对知识库的知识条目历史行为包括浏览菜单、检索关键词、阅读内容等,其中阅读内容还包括阅读时长和阅读频次。评分系数统一在[0,1]内,各类行为动作的评分系数定义如下:浏览知识条目菜单:权重为0.1,值为浏览频次和最高浏览频次的比率;检索关键词含知识条目:权重为0.1,值为检索频次和最高检索频次的比率;阅读知识条目内容频次:权重为0.4,值为阅读频次和最高阅读频次的比率;阅读知识条目内容时长:权重为0.4,值为阅读时长和最高阅读时长的比率。
结合CSR的历史行为数据计算每一条知识条目的评分值,可以统计出每名CSR对每条KE的评分值,用于量化CSR对该KE的行为。基于知识库的历史数据统计和分析,生成数据集如表CSR_KE_Rating,其中rating表示评分值。
CSR | KE | rating |
A | 1 | 0.22222 |
B | 2 | 0.33333 |
C | 3 | 0.11111 |
... | ... |
CSR_KE_Rating表
评分越高,说明CSR对该KE的关注和需求越大,尤其是阅读频次和阅读时长体现了该KE对CSR的必需性,通过协同过滤可以将同类KE推荐给CSR离线学习。通过CSR_KE_Rating表可以生成评分矩阵,如表Rating_Matrix。
CSR\KE | 1 | 2 | 3 | 4 | ... |
A | 0.22222 | 0.98983 | |||
B | 0.33333 | ||||
C | 0.68687 | 0.11111 | 0.87872 | ||
... | ... |
Rating_Matrix表
基于CSR对知识条目的评分值进行协同过滤,首先寻找CSR相似的邻居,通过余弦公式,对表Rating_Matrix计算:
可得到CSR A和CSR B之间相似度最高,B是A最近的邻居。计算得到CSR对KE的相似度后,通过协同过滤给CSR推荐与其关注最相似的K个CSR喜关注的KE,对表Rating_Matrix计算CSR A对KE 4的推荐值:
其中,v∈S(u,K)∩N(i)只有CSR C符合条件,如果有多个则取和。通过历史行为分析生成评分矩阵和通过协同过滤计算后,可以得到CSR的推荐KE列表,每一个KE有一个推荐值p,在根据p排序后进行过滤,得到向CSR推荐需要离线学习的知识条目。
通过表Rating_Matrix,在计算推荐值p后,CSR A中KE推荐列表有KE 1、KE 3、KE4,其中KE 1和KE 3是CSR A已有过评分,即浏览过或检索过或阅读过的,而KE 4属于未评分过的。推荐KE 4给A,对CSR A来说是一个新增的知识条目,由于CSR A和CSR C的技能队列或知识层级相似,所以这个推荐具有一定意义,因为CSR A可能在今后的在线服务中会用到这个知识条目,可推荐给CSR A离线学习。推荐KE 1和KE 3,由于CSR A已评分过,既不能完全排除在最终推荐结果,可能存在还不太熟的知识条目需要不断温习;也不能不作过滤,可能存在知识条目运用已经很纯属不需要再强化,影响对其他知识条目的学习。
对于给出的推荐列表中存在CSR已经有过评分,需要通过规则来过滤。具体地,CSRu对KE i的过滤步骤:
1)KE i是否在CSR u已评分过的记录中,如果不是,则推荐;
2)如果是,则计算CSR u对KE i的阅读频次,如果阅读频次大于i的平均阅读频次,说明还需要强化,推荐;
3)如果频次小于i的平均阅读频次,计算CSR u对KE i的阅读时长,如果阅读时长大于i的平均阅读时长,说明要花长时间学习还不熟,推荐;
4)如果阅读时长小于i的平均阅读时长,则说明阅读频次渐少且每次阅读只是辅助性核实内容没花太长时间,则过滤点不予推荐。
过滤的规则不具有普适性,结合实际场景来设计,目的是减少已掌握知识的重复学习、增加未熟悉知识的强化学习、推展新增知识的入门学习。过滤后的推荐列表作为最终结果,向CSR推荐KE,用于CSR离线学习。
上述知识条目推荐方法具体可应用于以下实际场景中:
案例1:CSR A和CSR B属于同技能队列的,CSR A和CSR B具有同等的业务知识和服务技能,但CSR A和CSR B由于入职时间先后,所以CSR B目前的服务水平高于CSR A。通过CSR A和CSR B在知识库的历史行为,挖掘出CSR A曾评分过KE 1、KE 3、KE 5,而CSR B评分过KE 1、KE 3、KE 6。基于用户的协同过滤推荐,计算出CSR B是CSR A的相似邻居,并经过过滤,向CSR A推荐KE 6。通过知识条目内容分析,KE 6是CSR A该技能所需的业务领域知识点之一,CSR A离线学习KE 6后,后续的服务中正好用到。
案例2:CSR C的业务知识和服务技能掌握都很纯属,服务技能是通用的,而业务知识则不和技能队列有关系。近期调动到其他技能队列,其业务知识需要跟着变化。通过协同过滤推荐可以将新业务领域的知识条目推荐给CSR C离线学习,同时又能过滤服务技能类的知识条目,从而拓展其新知识,却不用重复学习服务技能。
通过用户协同过滤推荐挖掘出离线学习的知识条目,实现个性化和差异化的培训,可以提升CSR的服务水平。协同过滤基于领域思想推荐知识条目,存在潜在的参考知识层级,可以将相对低的CSR通过精准推荐知识条目,离线学习后不断提升到相对高的知识层级;协同过滤推荐基于集体思想推荐知识条目,不依赖CSR和知识条目的特点,避免人为培训规划的缺失,通过协同发现CSR的个性化和差异化学习需求;可以实时反映CSR在知识库的行为,通过机器学习自动为CSR主动定制学习的知识条目。
在一个实施例中,如图5所示,提供了一种知识条目推荐装置,适用于CSR离线学习。该装置包括:数据获取模块110、协同过滤模块120和条目推荐模块130。
数据获取模块110,用于获取目标对象对知识条目的评分值。
评分值根据目标对象对知识条目的历史行为数据计算得到,用于量化目标对象对知识条目的行为。获取目标对象对知识条目的评分值的方式并不唯一,可以是采集目标对象对知识条目的历史行为数据进行统计计算,得到对该知识条目的评分值;也可以是直接从外部数据库服务器预先保存的不同对象对知识条目的评分值中,获取目标对象对知识条目的评分值。
协同过滤模块120,用于根据目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从参考对象中提取与目标对象的相似度满足预设条件的对象,得到相似对象。
协同过滤模块120在根据目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤之前,还可包括获取参考对象对知识条目的历史行为数据,根据参考对象对知识条目的历史行为数据计算参考对象对知识条目的评分值。
条目推荐模块130,用于根据相似对象对知识条目的评分值得到推荐条目并推送至目标对象。
根据相似对象对知识条目的评分值进行知识条目的筛选的方式并不是唯一的,可以是将所有知识条目中存在相似对象的评分值的知识条目作为推荐条目,可以是将相似对象的评分值最高的一部分知识条目作为推荐条目,也可以是将相似对象的评分值大于预设阈值的知识条目作为推荐条目。
上述知识条目推荐装置中,根据目标对象对知识条目的评分值对参考对象进行协同过滤,筛选出与目标对象的相似度满足预设条件的相似对象所关注的知识条目推送给目标对象。通过协同过滤发现目标对象的个性化和差异化需求,根据不同目标对象的需求实现针对性地推荐知识条目,能够精准推荐相应的知识条目,提高了知识条目的推荐效率。
在一个实施例中,数据获取模块110获取目标对象对知识条目的历史行为数据;根据历史行为数据和预设权重计算得到对应知识条目的评分值。
在一个实施例中,协同过滤模块120根据目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值,通过余弦公式计算目标对象与各参考对象的相似度;从参考对象中提取与目标对象的相似度满足预设条件的对象,得到相似对象。
在一个实施例中,条目推荐模块130根据相似对象对知识条目的评分值,计算对应知识条目的推荐值;根据各知识条目的推荐值得到推荐条目并推送至目标对象。
具体地,条目推荐模块130根据各知识条目的推荐值进行初步筛选,得到初始推荐条目;根据目标对象对知识条目的历史行为数据对初始推荐条目进行过滤,得到推荐条目并推送至目标对象。本实施例中,条目推荐模块130根据目标对象对知识条目的历史行为数据,检测是否存在目标对象对初始推荐条目的历史行为;若不存在目标对象对初始推荐条目的历史行为,则将初始推荐条目作为推荐条目;若存在目标对象对初始推荐条目的历史行为,则根据目标对象对知识条目的历史行为数据,获取目标对象对初始推荐条目的阅读频率和阅读时长;当目标对象对初始推荐条目的阅读频率大于初始推荐条目的平均阅读频率时,则将初始推荐条目作为推荐条目;当目标对象对初始推荐条目的阅读频率小于或等于初始推荐条目的平均阅读频率,且目标对象对初始推荐条目的阅读时长大于初始推荐条目的平均阅读时,则将初始推荐条目作为推荐条目。
关于知识条目推荐装置的具体限定可以参见上文中对于知识条目推荐方法的限定,在此不再赘述。上述知识条目推荐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历史行为数据。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知识条目推荐方法。
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,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:获取目标对象对知识条目的评分值;根据目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从参考对象中提取与目标对象的相似度满足预设条件的对象,得到相似对象;根据相似对象对知识条目的评分值得到推荐条目并推送至目标对象。
上述计算机设备,根据目标对象对知识条目的评分值对参考对象进行协同过滤,筛选出与目标对象的相似度满足预设条件的相似对象所关注的知识条目推送给目标对象。通过协同过滤发现目标对象的个性化和差异化需求,根据不同目标对象的需求实现针对性地推荐知识条目,能够精准推荐相应的知识条目,提高了知识条目的推荐效率。
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:获取目标对象对知识条目的历史行为数据;根据历史行为数据和预设权重计算得到对应知识条目的评分值。
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:根据目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值,通过余弦公式计算目标对象与各参考对象的相似度;从参考对象中提取与目标对象的相似度满足预设条件的对象,得到相似对象。
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:根据相似对象对知识条目的评分值,计算对应知识条目的推荐值;根据各知识条目的推荐值得到推荐条目并推送至目标对象。
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:获取目标对象对知识条目的评分值;根据目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从参考对象中提取与目标对象的相似度满足预设条件的对象,得到相似对象;根据相似对象对知识条目的评分值得到推荐条目并推送至目标对象。
上述计算机可读存储介质,根据目标对象对知识条目的评分值对参考对象进行协同过滤,筛选出与目标对象的相似度满足预设条件的相似对象所关注的知识条目推送给目标对象。通过协同过滤发现目标对象的个性化和差异化需求,根据不同目标对象的需求实现针对性地推荐知识条目,能够精准推荐相应的知识条目,提高了知识条目的推荐效率。
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:获取目标对象对知识条目的历史行为数据;根据历史行为数据和预设权重计算得到对应知识条目的评分值。
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:根据目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值,通过余弦公式计算目标对象与各参考对象的相似度;从参考对象中提取与目标对象的相似度满足预设条件的对象,得到相似对象。
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:根据相似对象对知识条目的评分值,计算对应知识条目的推荐值;根据各知识条目的推荐值得到推荐条目并推送至目标对象。
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)
1.一种知识条目推荐方法,所述方法包括:
获取目标对象对知识条目的评分值,所述评分值根据目标对象对知识条目的历史行为数据计算得到,用于量化目标对象对知识条目的行为;
根据所述目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从所述参考对象中提取与所述目标对象的相似度满足预设条件的对象,得到相似对象;
根据所述相似对象对知识条目的评分值得到推荐条目并推送至目标对象。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从所述参考对象中提取与所述目标对象的相似度满足预设条件的对象,得到相似对象,包括:
根据所述目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值,通过余弦公式计算所述目标对象与各所述参考对象的相似度;
从所述参考对象中提取与所述目标对象的相似度满足预设条件的对象,得到相似对象。
3.根据权利要求2所述的方法,其特征在于,所述从所述参考对象中提取与所述目标对象的相似度满足预设条件的对象,得到相似对象,包括:
根据与所述目标对象的相似度从高到低的顺序对所述参考对象排序,提取前预设个数的参考对象作为相似对象;或
获取与所述目标对象的相似度大于预设相似度阈值的参考对象作为相似对象。
4.根据权利要求1所述的方法,其特征在于,所述获取目标对象对知识条目的评分值,包括:
获取所述目标对象对知识条目的历史行为数据;
根据所述历史行为数据和预设权重计算得到对应知识条目的评分值。
5.根据权利要求4所述的方法,其特征在于,所述根据所述相似对象对知识条目的评分值得到推荐条目并推送至目标对象,包括:
根据所述相似对象对知识条目的评分值,计算对应知识条目的推荐值;
根据各知识条目的推荐值得到推荐条目并推送至目标对象。
6.根据权利要求5所述的方法,其特征在于,所述根据各知识条目的推荐值得到推荐条目并推送至目标对象,包括:
根据各知识条目的推荐值进行初步筛选,得到初始推荐条目;
根据目标对象对知识条目的历史行为数据对所述初始推荐条目进行过滤,得到推荐条目并推送至目标对象。
7.根据权利要求6所述的方法,其特征在于,所述根据目标对象对知识条目的历史行为数据对所述初始推荐条目进行过滤,得到推荐条目,包括:
根据目标对象对知识条目的历史行为数据,检测是否存在所述目标对象对所述初始推荐条目的历史行为;
若不存在所述目标对象对所述初始推荐条目的历史行为,则将所述初始推荐条目作为推荐条目;
若存在所述目标对象对所述初始推荐条目的历史行为,则根据所述目标对象对知识条目的历史行为数据,获取所述目标对象对所述初始推荐条目的阅读频率和阅读时长;
当所述目标对象对所述初始推荐条目的阅读频率大于初始推荐条目的平均阅读频率时,则将所述初始推荐条目作为推荐条目;
当所述目标对象对所述初始推荐条目的阅读频率小于或等于所述初始推荐条目的平均阅读频率,且所述目标对象对所述初始推荐条目的阅读时长大于所述初始推荐条目的平均阅读时,则将所述初始推荐条目作为推荐条目。
8.一种知识条目推荐装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标对象对知识条目的评分值,所述评分值根据目标对象对知识条目的历史行为数据计算得到,用于量化目标对象对知识条目的行为;
协同过滤模块,用于根据所述目标对象对知识条目的评分值和预设的参考对象对知识条目的评分值进行协同过滤,从所述参考对象中提取与所述目标对象的相似度满足预设条件的对象,得到相似对象;
条目推荐模块,用于根据所述相似对象对知识条目的评分值得到推荐条目并推送至目标对象。
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7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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811031486.XA CN110879841B (zh) | 2018-09-05 | 2018-09-05 | 知识条目推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811031486.XA CN110879841B (zh) | 2018-09-05 | 2018-09-05 | 知识条目推荐方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110879841A true CN110879841A (zh) | 2020-03-13 |
CN110879841B CN110879841B (zh) | 2024-05-10 |
Family
ID=69728314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811031486.XA Active CN110879841B (zh) | 2018-09-05 | 2018-09-05 | 知识条目推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110879841B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100048218A (ko) * | 2008-10-30 | 2010-05-11 | 에스케이커뮤니케이션즈 주식회사 | 협업 필터링 시스템과 방법 및 이를 구현할 수 있는 컴퓨터로 읽을 수 있는 기록 매체 |
CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
CN106997358A (zh) * | 2016-01-22 | 2017-08-01 | 中移(杭州)信息技术有限公司 | 信息推荐方法及装置 |
CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
-
2018
- 2018-09-05 CN CN201811031486.XA patent/CN110879841B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100048218A (ko) * | 2008-10-30 | 2010-05-11 | 에스케이커뮤니케이션즈 주식회사 | 협업 필터링 시스템과 방법 및 이를 구현할 수 있는 컴퓨터로 읽을 수 있는 기록 매체 |
CN102426686A (zh) * | 2011-09-29 | 2012-04-25 | 南京大学 | 一种基于矩阵分解的互联网信息产品推荐方法 |
CN106997358A (zh) * | 2016-01-22 | 2017-08-01 | 中移(杭州)信息技术有限公司 | 信息推荐方法及装置 |
CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
Also Published As
Publication number | Publication date |
---|---|
CN110879841B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162717B (zh) | 一种推荐好友的方法和设备 | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN109816483B (zh) | 信息推荐方法及装置、可读存储介质 | |
CN109063000A (zh) | 问句推荐方法、客服系统以及计算机可读存储介质 | |
CN110971659A (zh) | 推荐消息的推送方法、装置及存储介质 | |
CN104572775B (zh) | 广告分类方法、装置及服务器 | |
CN112232892B (zh) | 基于移动运营商的满意度的易访用户的挖掘方法 | |
EP3608799A1 (en) | Search method and apparatus, and non-temporary computer-readable storage medium | |
CN111737576B (zh) | 应用功能个性化推荐方法和装置 | |
WO2019061664A1 (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
CN110175264A (zh) | 视频用户画像的构建方法、服务器及计算机可读存储介质 | |
CN113360622A (zh) | 用户对话信息的处理方法、装置及计算机设备 | |
CN113869931A (zh) | 广告投放策略确定方法、装置、计算机设备和存储介质 | |
CN111695084A (zh) | 模型生成方法、信用评分生成方法、装置、设备及存储介质 | |
CN111078997B (zh) | 一种资讯推荐方法及装置 | |
CN110598126B (zh) | 基于行为习惯的跨社交网络用户身份识别方法 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN112651790A (zh) | 基于快消行业用户触达的ocpx自适应学习方法和系统 | |
CN109145207B (zh) | 一种基于分类指标预测的信息个性化推荐方法及装置 | |
US20080098399A1 (en) | Thread ranking system and thread ranking method | |
CN114048294B (zh) | 相似人群扩展模型训练方法、相似人群扩展方法和装置 | |
CN110825859A (zh) | 检索方法、装置、可读存储介质和电子设备 | |
KR20200143989A (ko) | 고객 문의에 대한 유형 분류에 기초한 담당자 배정 시스템 및 방법 | |
KR101958555B1 (ko) | 검색 결과 제공 장치 및 방법 | |
CN110879841A (zh) | 知识条目推荐方法、装置、计算机设备和存储介质 |
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 |