CN111047336A - 用户标签推送、用户标签展示方法、装置和计算机设备 - Google Patents
用户标签推送、用户标签展示方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111047336A CN111047336A CN201911351101.2A CN201911351101A CN111047336A CN 111047336 A CN111047336 A CN 111047336A CN 201911351101 A CN201911351101 A CN 201911351101A CN 111047336 A CN111047336 A CN 111047336A
- Authority
- CN
- China
- Prior art keywords
- user
- behavior
- label
- central
- identification number
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000006399 behavior Effects 0.000 claims description 477
- 238000004590 computer program Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种用户标签推送方法、装置、计算机设备和存储介质。所述方法包括:接收客服终端发送的用户标签查询请求,所述用户标签查询请求是所述客服终端监听到的响应方与呼叫方建立通话时,根据所述呼叫方的用户身份标识号码生成的;根据所述用户标签查询请求获取所述用户身份标识号码;从标签数据库中查找与所述用户身份标识号码对应的用户标签,所述用户标签是根据用户历史行为数据通过聚类模型聚类后得到的标签;将所述用户标签发送至所述客服终端。采用本方法能够提高客服系统的有效利用率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种用户标签推送、用户标签展示方法、装置、计算机设备和存储介质。
背景技术
随着电子商务的不断繁荣,客户服务咨询的需求逐渐增大,用户可通过客服系统办理相关业务。目前在提供客户服务过程中,当客服终端接通用户电话时,客服系统会在客服终端展示用户的相关信息,例如,用户年龄、账户号码、购买记录及理赔记录等,然而这些信息是没有经过加工的原始信息,对客服人员而言不够直观。在这种情况下,为了实现精准服务,客服人员通常需要根据相关信息获取对应的用户标签,进而根据用户标签确定合适的服务策略,并根据服务策略回复用户所要咨询的问题,因此需要占用额外的通话时间,回复速度较慢,导致客服系统有效利用率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高客服系统有效利用率的用户标签推送、用户标签展示方法、装置、计算机设备和存储介质。
一种用户标签推送方法,所述方法包括:
接收客服终端发送的用户标签查询请求,所述用户标签查询请求是所述客服终端监听到的响应方与呼叫方建立通话时,根据所述呼叫方的用户身份标识号码生成的;
根据所述用户标签查询请求获取所述用户身份标识号码;
从标签数据库中查找与所述用户身份标识号码对应的用户标签,所述用户标签是根据用户历史行为数据通过聚类模型聚类后得到的标签;
将所述用户标签发送至所述客服终端。
在其中一个实施例中,所述用户标签的生成方式,包括:
获取预先统计的所有用户的用户历史行为数据,所述用户历史行为数据携带有所述用户身份标识号码;
根据所述用户历史行为数据得到用户行为特征,所述用户行为特征是最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种;
将所述用户行为特征输入所述聚类模型,通过所述聚类模型得到标签中心点对应的中心行为特征,所述中心行为特征是最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种;
根据所述中心行为特征与用户行为特征进行计算,得到用户的用户标签,并将所述用户标签与所述用户身份标识号码对应存储。
在其中一个实施例中,所述通过所述聚类模型得到标签中心点对应的中心行为特征,包括:
随机选择初始中心行为特征;
计算所述用户行为特征到所述初始中心行为特征的第一距离,根据所述第一距离将所述用户行为特征进行分簇;
根据所述簇内用户行为特征采用均值算法计算,得到优化中心行为特征;
计算所述用户行为特征到所述优化中心行为特征的第二距离,根据所述第二距离将所述用户行为特征进行分簇;
当所述簇不发生收敛变化时,将所述优化中心行为特征,作为标签中心点对应的中心行为特征。
在其中一个实施例中,所述根据所述中心行为特征与用户行为特征进行计算,得到用户的用户标签,包括:
计算所述用户行为特征与所述中心行为特征的第三距离;
获取所述第三距离最小值的标签中心点,将所述获取的标签中心点对应的用户标签,作为用户的用户标签。
在其中一个实施例中,所述根据所述用户历史行为数据得到用户行为特征,包括:
提取所述用户历史行为数据中的用户行为特征值,并对所述用户行为特征值进行标准化处理,得到标准化后的用户行为特征值;
根据所述标准化后的用户行为特征值得到用户行为特征。
在其中一个实施例中,所述对所述用户行为特征值进行标准化处理,得到标准化后的用户行为特征值,包括:
提取所述用户历史行为数据对应的标准行为特征值,并计算得到所述标准行为特征值对应的均值;
根据所述标准行为特征值及所述用户行为特征值计算得到所述用户行为特征值对应的标准差;
通过所述用户行为特征值、所述均值与所述标准差进行计算,得到标准化后的用户行为特征值。
一种用户标签展示方法,所述方法包括:
当监听到响应方与呼叫方建立通话时,识别所述呼叫方的用户身份标识号码;
根据所述用户身份标识号码生成对应的用户标签查询请求,并将所述用户标签查询请求发送至服务器;
接收所述服务器返回的与所述用户身份标识号码对应的用户标签,所述用户标签是所述服务器根据用户历史行为数据通过聚类模型聚类后得到的标签;
将所述用户标签进行展示。
一种用户标签推送装置,所述装置包括:
请求接收模块,用于接收客服终端发送的用户标签查询请求,所述用户标签查询请求是所述客服终端监听到的响应方与呼叫方建立通话时,根据所述呼叫方的用户身份标识号码生成的;
标识号码获取模块,用于根据所述用户标签查询请求获取所述用户身份标识号码;
用户标签获取模块,用于从标签数据库中查找与所述用户身份标识号码对应的用户标签,所述用户标签是根据用户历史行为数据通过聚类模型聚类后得到的标签;
用户标签发送模块,用于将所述用户标签发送至所述客服终端。
一种用户标签展示装置,所述装置包括:
用户身份标识号码识别模块,用于当监听到响应方与呼叫方建立通话时,识别所述呼叫方的用户身份标识号码;
用户标签查询请求生成模块,用于根据所述用户身份标识号码生成对应的用户标签查询请求,并将所述用户标签查询请求发送至服务器;
用户标签接收模块,用于接收所述服务器返回的与所述用户身份标识号码对应的用户标签,所述用户标签是所述服务器根据用户历史行为数据通过聚类模型聚类后得到的标签;
用户标签展示模块,用于将所述用户标签进行展示。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
上述用户标签推送方法、装置、计算机设备和存储介质,服务器接收终端发送的查询请求后,根据查询请求中的用户身份标识号码从标签数据库中查找对应的用户标签,其中,用户标签是根据用户历史行为数据通过聚类模型聚类后得到的标签。服务器查找到与用户身份标识号码对应的用户标签,并将用户标签发送至终端。本方案中,通过将根据用户历史行为数据聚类得到的用户标签存储至标签数据库中,实现了当服务器接收客服终端的用户标签查询请求后,快速将根据用户标签返回至客服终端并展示给响应方,缩短了响应方与呼叫方的通话时间,提高了客服系统的有效利用率。
上述用户标签展示方法、装置、计算机设备和存储介质,当监听到响应方与呼叫方建立通话时,客服终端识别呼叫方的用户身份标识号码,并根据用户身份标识号码生成对应的用户标签查询请求,而后将用户标签查询请求发送至服务器,接收服务器返回的与用户身份标识号码对应的用户标签并展示。本方案中,通过根据监听到的呼叫方的用户身份标识号码生成查询请求,接收服务器返回的根据用户历史行为数据得到的用户标签并展示,而无需将复杂的用户历史行为数据一一展示,提高了客服终端的响应速度。
附图说明
图1为一个实施例中用户标签推送方法的应用场景图;
图2为一个实施例中用户标签推送方法的流程示意图;
图3为一个实施例中用户标签生成步骤的流程示意图;
图4为一个实施例中中心行为特征生成步骤的流程示意图;
图5为一个实施例中用户标签展示方法的流程示意图;
图6为一个实施例中用户标签推送装置的结构框图;
图7为一个实施例中计算机设备的内部结构图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的用户标签推送方法,可以应用于如图1所示的应用环境中。其中,客服终端102与服务器104通过网络进行通信。服务器104接收客服终端102发送的用户标签查询请求,其中,用户标签查询请求是客服终端102监听到的响应方与呼叫方建立通话时,根据呼叫方的用户身份标识号码生成的请求信息。服务器104根据用户标签查询请求获取用户身份标识号码,进而从标签数据库中查找与用户身份标识号码对应的用户标签,其中,用户标签是根据用户历史行为数据通过聚类模型聚类后得到的标签,而后服务器104将查找到的用户标签发送至客服终端102。其中,客服终端102可以但不限于是各种个人计算机、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104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。
在一个实施例中,如图2所示,提供了一种用户标签推送方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,接收客服终端发送的用户标签查询请求,用户标签查询请求是客服终端监听到的响应方与呼叫方建立通话时,根据呼叫方的用户身份标识号码生成的。
客服终端是装载有管理应用软件的,能够向客服人员展示用户相关信息的终端。客服终端通过应用软件能够实现界面管理、客户查询、记录输入、受理查询、理赔、保全及回访等业务。用户标签查询请求是当客服终端监听到与用户相关的触发事件时,客服终端向服务器发送的请求查询用户相关信息综合概述的请求信息。用户标签查询请求可以是当客服终端监听到响应方与呼叫方建立通话时,客服终端向服务器发送的,请求查询呼叫方的用户身份综合概述的请求信息。用户身份标识号码用于标识呼叫方身份唯一性的标识信息,用户身份标识号码可以是呼叫方对应的呼叫号码,还可以是呼叫方对应的用户证件号码,还可以是呼叫方对应的字符串。
服务器接收客服终端发送的用户标签查询请求,其中,用户标签查询请求是客服终端监听到的响应方与呼叫方建立通话时,根据呼叫方的用户身份标识号码生成的请求信息。例如,当客服终端监听到客服A与用户B建立通话时,服务器接收客服终端根据用户B的用户身份标识号码生成的用户标签查询请求。
步骤204,根据用户标签查询请求获取用户身份标识号码。
服务器接收用户标签查询请求后,根据用户标签查询请求获取与呼叫方对应的用户身份标识号码。可以理解的是,服务器解析用户标签查询请求携带的的用户身份标识,根据用户身份标识获取对应的用户身份标识号码。例如,服务器接收到客服终端发送的用户标签查询请求后,根据用户标签查询请求获取与呼叫方对应的用户身份标识,进而根据用户身份标识获取对应的用户身份标识号码,如123456。
步骤206,从标签数据库中查找与用户身份标识号码对应的用户标签,用户标签是根据用户历史行为数据通过聚类模型聚类后得到的标签。
标签数据库是存储呼叫方的用户标签的数据库。用户标签是预设的表征用户行为习惯的抽象分类和概括。用户标签是从多个维度的用户行为数据对用户进行的客观评述。用户标签可以是“价值客户”、“潜力客户”、“口碑客户”与“休眠客户”。用户行为数据是用户通过安装在用户终端上的应用软件与服务器进行交互产生的用户操作行为数据,用户行为数据可以但不限于包括:点击操作行为、支付操作行为、评论行为、收藏行为、页面浏览操作行为等。用户历史行为数据是在历史状态下的用户行为数据,进一步地,用户历史行为数据可以历史状态下预设周期内的用户行为数据,例如,每个自然月内的用户行为数据。聚类模型是采用聚类算法通过用户行为数据对用户进行聚类的模型,聚类算法可以是基于划分的聚类算法、基于链接的聚类算法、基于密度的聚类算法或基于模型的聚类算法。其中,基于划分的聚类算法可以是K-means聚类算法。服务器从标签数据库中查找与用户身份标识号码对应的用户标签,用户标签是根据用户历史行为数据通过聚类模型聚类后得到的每个用户基于多个维度的综合概述。
步骤208,将用户标签发送至客服终端。
服务器从标签库中查询到与用户身份标识号码对应的用户标签后,将用户标签发送至客服终端。
上述用户标签推送方法中,服务器通过将根据用户历史行为数据聚类得到的用户标签存储至标签数据库中,实现了当服务器接收客服终端的用户标签查询请求后,快速将根据用户标签返回至客服终端展示给响应方,缩短了响应方与呼叫方的通话时间,提高了客服系统的有效利用率。
在其中一个实施例中,用户标签的生成步骤,包括:
步骤302,获取预先统计的所有用户的用户历史行为数据,用户历史行为数据携带有用户身份标识号码。
服务器根据预设的统计逻辑统计所有用户的用户历史行为数据,其中,预设的统计逻辑可以是统计预设周期内的用户历史行为数据。可以的理解是,用户历史行为数据携带有用户身份标识号码。
例如,当用户B的用户身份标识号码为123456时,服务器获取按照预设统计逻辑统计预设周期内用户B的保单、保全及理赔信息后,得到用户B的用户历史行为数据,且该用户历史行为数据携带有用户身份标识号码123456。
步骤304,根据用户历史行为数据得到用户行为特征,用户行为特征是最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种。
用户行为特征是聚类模型可解析的,且能够表征用户行为数据规律分布的信息。用户行为特征中包含数据项及数据项对应的真实值,其中,数据项表征的是用户行为特征的类别,数据项对应的真实值表征的是该数据项下该用户在所有用户中的相对数值。
服务器获取用户历史行为数据后,对用户历史行为数据进行统计分析后得到用户行为结果,进而根据用户行为结果得到用户行为特征。其中,用户行为结果是对用户历史行为数据统计分析后得到的表征用户行为习惯的信息。用户行为特征可以是最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种。
例如,服务器获取用户历史行为数据后,对用户历史行为数据进行统计分析后得到用户行为结果为“最近一次购买距今时长7个月”、“购买频率1.5次/年”、“投保金额与理赔金额差值2000元”以及“理赔次数1次”。进而服务器根据用户行为结果得到用户行为特征为“最近一次投保距今时长0.77”、“投保频率0.3”、“投保金额与理赔金额差值0.5”以及“理赔次数0.28”,也即,服务器通过从上述4个维度表征了用户行为特征。
步骤306,将用户行为特征输入聚类模型,通过聚类模型得到标签中心点对应的中心行为特征,中心行为特征是最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种。
标签中心点是聚类模型对用户进行分类后,各个类别用户集合的中心点。每个类别都对应于一个预设的用户标签,也即该用户集合中的每个用户都拥有该类别对应的用户标签。中心行为特征是标签中心对应的用户行为特征。中心行为特征的数据项与用户行为特征的数据项相对应。
服务器将所有用户的用户行为特征输入聚类模型,通过聚类模型得到标签中心点对应的中心行为特征,中心行为特征是最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种。
步骤308,根据中心行为特征与用户行为特征进行计算,得到用户的用户标签,并将用户标签与用户身份标识号码对应存储。
服务器通过聚类模型获取与标签中心对应中心行为特征,通过计算中心行为特征与用户行为特征的偏差,确定用户对应的标签中心点,进而根据标签中心点确定用户的用户标签,并将用户标签与用户的用户身份标识号码对应存储。
上述用户标签推送方法,是通过对用户行为数据进行处理得到对应的用户行为特征,并通过将用户行为特征输入至聚类模型中得到用户标签对应的中心行为特征,进而根据用户行为特征与中心行为特征,确定用户对应的用户标签。本方案中,通过聚类模型算法从多个维度对用户进行聚类,使得用户的聚类更为准确,同时聚类模型无需持续优化,减少了服务器运行成本。
在其中一个实施例中,如图4所示,提供一种中心行为特征生成步骤的流程示意图,中心行为特征生成步骤,也即通过聚类模型得到标签中心点对应的中心行为特征,包括:
步骤402,随机选择初始中心行为特征。
初始中心行为特征是在通过聚类模型确定中心行为特征时,假定的标签中心点对应的行为特征。服务器随机选择初始中心行为特征,初始中心行为特征对应的数据项与用户行为特征对应的数据项相同。可以理解的是,服务器随机选择的初始中心行为特征可以是用户行为特征,也可以是数据项与用户行为特征对应、数据项对应的值为预设值的行为特征。
例如,当预设的用户标签为价值客户、潜力客户、口碑客户与休眠客户时,服务器随机选择的价值客户的初始中心行为特征为“最近一次投保距今时长0.67”、“投保频率0.3”、“投保金额与理赔金额差值0.5”或“理赔次数0.28”,潜力客户的初始中心行为特征为“最近一次投保距今时长0.72”、“投保频率0.35”、“投保金额与理赔金额差值0.35”或“理赔次数0.3”,口碑客户的初始中心行为特征为“最近一次投保距今时长0.86”、“投保频率0.4”、“投保金额与理赔金额差值0.4”或“理赔次数0.4”以及休眠客户的初始中心行为特征为“最近一次投保距今时长0.9”、“投保频率0.1”、“投保金额与理赔金额差值0.5”或“理赔次数0.5”。
步骤404,计算用户行为特征到初始中心行为特征的第一距离,根据第一距离将用户行为特征进行分簇。
距离是实际特征与目标特征间的差异程度。距离可以通过行为特征在空间内对应的空间点的距离来表示,距离的计算方法可以是欧几里德距离、曼哈顿距离、马氏距离、兰氏距离及切比雪夫距离等方法。第一距离是用户行为特征与初始中心行为特征的差异程度,也即用户行为特征对应的空间点与初始中心行为特征对应的空间点之间的距离。簇是将每个用户归类于距离最小的中心点对应的类别后,各个类别内与用户对应的用户行为特征形成的集合。
服务器根据用户行为特征对应的空间点与初始中心行为特征对应的空间点,计算得到用户行为特征到初始中心行为特征的第一距离,并根据第一距离将用户行为特征进行分簇。其中,第一距离可以根据以下公式进行计算:
其中,d为第一距离,ai为用户行为特征对应的空间点的坐标,bi为初始中心特征对应的空间点的坐标,i为第i个维度,n为用于确定的用户标签的维度。
例如,当需要对n个用户的用户行为特征进行归类时,假设其中用户C对应的用户行为特征为“最近一次投保距今时长0.56”、“投保频率0.4”、“投保金额与理赔金额差值0.36”或“理赔次数0.4”时,则用户行为特征对应的空间点坐标为(0.56,0.4,0.36,0.4)。且服务器获取预设的价值客户的初始中心行为特征为“最近一次投保距今时长0.67”、“投保频率0.3”、“投保金额与理赔金额差值0.5”或“理赔次数0.28”,潜力客户的初始中心行为特征为“最近一次投保距今时长0.72”、“投保频率0.35”、“投保金额与理赔金额差值0.35”或“理赔次数0.3”,口碑客户的初始中心行为特征为“最近一次投保距今时长0.86”、“投保频率0.4”、“投保金额与理赔金额差值0.4”或“理赔次数0.4”以及休眠客户的初始中心行为特征为“最近一次投保距今时长0.9”、“投保频率0.1”、“投保金额与理赔金额差值0.5”或“理赔次数0.5”。因而,服务器得到价值客户初始中心特征应的空间点坐标为(0.67,0.3,0.5,0.28),潜力客户初始中心特征应的空间点坐标为(0.72,0.35,0.35,0.3),口碑客户初始中心特征应的空间点坐标为(0.86,0.4,0.4,0.4),休眠客户初始中心特征应的空间点坐标为(0.9,0.1,0.5,0.5)。通过上述公式可以得到用户行为特征与价值客户中心行为特征的距离为0.24,用户行为特征与潜力客户中心行为特征的距离为0.20,用户行为特征与口碑客户中心行为特征的距离为0.30,用户行为特征与休眠客户中心行为特征的距离为0.48。根据上述距离将用户C的用户行为特征归类于潜力客户,并以同样的计算方法完成其他所有用户的分类,直至将所有用户的用户行为特征归类完成。
步骤406,根据簇内用户行为特征采用均值算法计算,得到优化中心行为特征。
优化中心行为特征是簇内相同数据项对应的用户行为特征平均化后得到的中心行为特征。服务器根据簇内用户行为特征采用均值算法计算,得到优化中心行为特征。
例如,簇C1对应的用户标签为价值客户,簇C1中包含的用户行为特征为(p1,p2,···,p99,p100),其中,p1为“最近一次投保距今时长0.71”、“投保频率0.3”、“投保金额与理赔金额差值0.48”或“理赔次数0.25”,p2为“最近一次投保距今时长0.66”、“投保频率0.29”、“投保金额与理赔金额差值0.48”或“理赔次数0.3”,···,p99为“最近一次投保距今时长0.68”、“投保频率0.3”、“投保金额与理赔金额差值0.49”或“理赔次数0.28”,p100为“最近一次投保距今时长0.69”、“投保频率0.3”、“投保金额与理赔金额差值0.47”或“理赔次数0.27”。服务器根据簇C1中用户行为特征利用平均值算法后得到优化中心行为特征为“最近一次投保距今时长0.7”、“投保频率0.3”、“投保金额与理赔金额差值0.46”或“理赔次数0.28”。
步骤408,计算用户行为特征到优化中心行为特征的第二距离,根据第二距离将用户行为特征进行分簇。
第二距离是用户行为特征到优化中心行为特征的差异程度。服务器根据用户行为特征对应的空间点与优化中心行为特征对应的空间点计算所有用户的用户行为特征到各个优化中心行为特征的第二距离,并根据第二距离再次将用户的用户行为特征分簇。
例如,服务器得到的根据初始中心特征得到的价值客户的簇C1包括(p1,p2,p3,p4,p5,p6,p7,p8),潜力客户的簇C2包括(p9,p10),口碑客户的簇C3包括(p11,p12,p13,p14,p15)以及休眠客户的簇C4为(p16,p17,p18,p19,p20),且服务器得到的簇C1的优化中心行为特征为c1,簇C2的优化中心行为特征为c2,簇C3的优化中心行为特征为c3以及簇C4的优化中心行为特征为c4。服务器根据优化中心行为特征c1、c2、c3及c4对用户行为特征p1~p20进行分簇,得到优化中心行为特征对应的价值客户的簇C1包括(p1,p2,p3,p4,p5,p6),潜力客户的簇C2包括(p7,p8,p9,p10),口碑客户的簇C3包括(p11,p12,p13,p14)以及休眠客户的簇C4为(p15,p16,p17,p18,p19,p20)。
步骤410,当簇不发生收敛变化时,将优化中心行为特征,作为标签中心对应的中心行为特征。
收敛是对象会聚于一点,向某一值靠近的状态。簇不发生收敛变化是簇中的用户行为特征满足预设的条件,其中,预设的条件可以是没有用户行为特征被重新分配给不同的簇,可以是没有标签中心点再发生变化,还可以是簇内的用户行为特征的误差平方和局部最小。服务器根据第二距离再次对用户行为特征进行分簇,对比初始中心行为特征对应的分簇结果与优化中心行为特征对应的分簇结果,当簇不发生收敛变化时,将优化中心行为特征作为标签中心点对应的中心行为特征。
上述用户标签推送方法,是通过计算用户行为特征与初始中心行为特征的第一距离将用户行为特征进行分簇,并根据簇内包含的用户行为特征得到优化中心行为特征,根据用户行为特征与优化中心行为特征计算得到的第二距离将用户行为特征再次分簇,直至簇中包含的用户行为特征不发生收敛变化时,将优化中心特征作为标签中心对应的中心行为特征。本方案提高了用于用户聚类的中心行为特征的准确率,进而提高了用户聚类的准确率。
在其中一个实施例中,根据中心行为特征与用户行为特征进行计算,得到用户的用户标签,包括:
计算用户行为特征与中心行为特征的第三距离;获取第三距离最小值的标签中心点,将获取的标签中心点对应的用户标签,作为用户的用户标签。
第三距离是用户行为特征与中心行为特征的差异程度。服务器根据用户行为特征对应的空间点与中心行为特征对应的空间点计算所有用户的用户行为特征到各个中心行为特征的第三距离。服务器获取用户行为特征第三距离中最小值的标签中心点,并获取的标签中心点对应的用户标签,作为用户的用户标签。
上述用户标签推送方法,是通过计算用户行为特征与中心行为特征的第三距离确定用户的用户标签,从多个维度确定用户标签,提高了用户的用户标签的准确性。
在其中一个实施例中,根据用户历史行为数据得到用户行为特征,包括:
提取用户历史行为数据中的用户行为特征值,并对用户行为特征值进行标准化处理,得到标准化后的用户行为特征值;根据标准化后的用户行为特征值得到用户行为特征。
用户行为特征值是根据统计分析的用户历史行为数据的行为结果得到的数值。服务器根据行为结果提取用户历史行为数据对应的用户行为特征值,并对用户行为特征值进行标准化处理,得到标准化后的用户行为特征值,进而服务器根据标准化后的用户行为特征值得到用户行为特征。
上述用户标签推送方法,是通过根据用户历史行为数据统计分析的行为结果,将用户历史行为数据转化为数值,提高了聚类模型处理用户历史行为数据的准确率。
在其中一个实施例中,对用户行为特征值进行标准化处理,得到标准化后的用户行为特征值,包括:
提取用户历史行为数据对应的标准行为特征值,并计算得到标准行为特征值对应的均值;根据标准行为特征值及用户行为特征值计算得到用户行为特征值对应的标准差;通过用户行为特征值、均值与标准差进行计算,得到标准化后的用户行为特征值。
标准行为特征值是所有用户的用户历史行为数据的行为结果对应的数值,也即所有用户的用户行为特征值。标准行为特征值是用于将用户行为特征进行标准化的数值集合。均值是同一数据项下的所有用户的用户行为特征值的平均值。标准差是用户的某一用户的用户行为特征值与所有用户的用户行为特征值集合的离散程度。
服务器提取用户历史行为数据对应的标准行为特征值,计算得到标准行为特征值对应的均值,并根据标准行为特征值及用户行为特征值计算得到用户行为特征值对应的标准差,进而通过用户行为特征值、均值与标准差进行计算,得到标准化后的用户行为特征值。其中,标准化后的用户行为特征值可通过以下公式进行计算:
其中,y是标准化后的用户行为特征值,x是用户行为特征值,μ是平均值,δ是标准差。
上述用户标签推送方法,通过对用户历史行为数据的用户行为特征值进行标准化,因而实现了将用户历史行为数据对应的用户行为特征值输入聚类模型,保证了用户历史行为数据的有效性,进而保证用于确定用户标签的数据项的全面性。
在其中一个实施例中,如图5所示,提供了一种用户标签展示方法,以该方法应用于图1中的客服终端为例进行说明,包括以下步骤:
步骤502,当监听到响应方与呼叫方建立通话时,识别呼叫方的用户身份标识号码。
当客服终端监听到响应方与呼叫方建立通话时,客服终端通过识别呼叫方对应的用户身份标识号码。其中,监听可以是在客服终端嵌入监听模块,客服终端通过监听模块监听响应方事件,监听还可以是建立客服终端与响应方之间的网络连接,客服终端接收响应方通过网络连接发送的呼叫方对应的用户身份标识,进而获取与呼叫方身份标识对应的用户身份标识号码。
步骤504,根据用户身份标识号码生成对应的用户标签查询请求,并将用户标签查询请求发送至服务器。
客服终端获取与呼叫方的用户身份标识号码后,根据用户身份标识号码生成用户标签查询请求,并将用户标签查询请求发送至存储有用户标签的服务器。其中,用户标签查询请求携带有用户身份标识号码。
步骤506,接收服务器返回的与用户身份标识号码对应的用户标签,用户标签是服务器根据用户历史行为数据通过聚类模型聚类后得到的标签。
客服终端将用户标签查询请求发送至存储有用户标签的服务器后,接收服务器返回的与用户身份标识号码对应的用户标签。其中,用户标签与用户身份标识号码间的对应关系是通过聚类模型预先确定的并存储的。
步骤508,将用户标签进行展示。
客服终端接收到服务器返回的与用户身份标识号码对应的用户标签后,对用户标签进行展示。
上述用户标签展示方法,通过根据监听到的呼叫方的用户身份标识号码生成查询请求,接收服务器返回的根据用户历史行为数据得到的用户标签并展示,而无需将复杂的用户历史行为数据一一展示,提高了客服终端的响应速度
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种用户标签推送装置,包括:请求接收模块602、标识号码获取模块604、用户标签获取模块606和用户标签发送模块608,其中:
请求接收模块602,用于接收客服终端发送的用户标签查询请求,所述用户标签查询请求是所述客服终端监听到的响应方与呼叫方建立通话时,根据所述呼叫方的用户身份标识号码生成的。
标识号码获取模块604,用于根据所述用户标签查询请求获取所述用户身份标识号码。
用户标签获取模块606,用于从标签数据库中查找与所述用户身份标识号码对应的用户标签,所述用户标签是根据用户历史行为数据通过聚类模型聚类后得到的标签。
用户标签发送模块608,用于将所述用户标签发送至所述客服终端。
在一个实施例中,提供了一种用户标签推送装置,用户标签生成模块,包括:
历史行为数据获取子模块,用于获取预先统计的所有用户的用户历史行为数据,所述用户历史行为数据携带有所述用户身份标识号码。
用户行为特征获取子模块,用于根据所述用户历史行为数据得到用户行为特征,所述用户行为特征是最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种。
中心特征获取子模块,用于将所述用户行为特征输入所述聚类模型,通过所述聚类模型得到标签中心点对应的中心行为特征,所述中心行为特征是最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种。
用户标签获取子模块,用于根据所述中心行为特征与用户行为特征进行计算,得到用户的用户标签,并将所述用户标签与所述用户身份标识号码对应存储。
在一个实施例中,提供了一种用户标签推送装置,中心特征获取子模块包括:
初始中心行为特征选择单元,用于随机选择初始中心行为特征。
第一距离计算单元,用于计算所述用户行为特征到所述初始中心行为特征的第一距离,根据所述第一距离将所述用户行为特征进行分簇。
优化中心行为特征生成单元,用于根据所述簇内用户行为特征采用均值算法计算,得到优化中心行为特征。
第二距离计算单元,用于计算所述用户行为特征到所述优化中心行为特征的第二距离,根据所述第二距离将所述用户行为特征进行分簇。
中心特征获取单元,用于当所述簇不发生收敛变化时,将所述优化中心行为特征,作为标签中心点对应的中心行为特征。
在一个实施例中,提供了一种用户标签推送装置,用户标签获取子模块包括:
第三距离计算单元,用于计算所述用户行为特征与所述中心行为特征的第三距离。
用户标签获取单元,用于获取所述第三距离最小值的标签中心点,将所述获取的标签中心点对应的用户标签,作为用户的用户标签。
在一个实施例中,提供了一种用户标签推送装置,用户行为特征获取子模块包括:
用户行为特征值标准化单元,用于提取所述用户历史行为数据中的用户行为特征值,并对所述用户行为特征值进行标准化处理,得到标准化后的用户行为特征值。
用户行为特征获取单元,用于根据所述标准化后的用户行为特征值得到用户行为特征。
在一个实施例中,提供了一种用户标签推送装置,用户行为特征标准化单元包括:
均值计算子单元,用于提取所述用户历史行为数据对应的标准行为特征值,并计算得到所述标准行为特征值对应的均值。
标准差计算子单元,用于根据所述标准行为特征值及所述用户行为特征值计算得到所述用户行为特征值对应的标准差。
标准化子单元,用于通过所述用户行为特征值、所述均值与所述标准差进行计算,得到标准化后的用户行为特征值。
在一个实施例中,提供了一种用户标签展示装置,包括:
用户身份标识号码识别模块,用于当监听到响应方与呼叫方建立通话时,识别所述呼叫方的用户身份标识号码。
用户标签查询请求生成模块,用于根据所述用户身份标识号码生成对应的用户标签查询请求,并将所述用户标签查询请求发送至服务器。
用户标签接收模块,用于接收所述服务器返回的与所述用户身份标识号码对应的用户标签,所述用户标签是所述服务器根据用户历史行为数据通过聚类模型聚类后得到的标签。
用户标签展示模块,用于将所述用户标签进行展示。
关于用户标签推送装置的具体限定可以参见上文中对于用户标签推送方法的限定,在此不再赘述。上述用户标签推送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。关于用户标签展示装置的具体限定可以参见上文中对于用户标签展示方法的限定,在此不再赘述。上述用户标签展示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7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用户标签。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用户标签推送方法。
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终端,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、显示屏和输入装置。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和计算机程序。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用户标签展示方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7-8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:接收客服终端发送的用户标签查询请求,所述用户标签查询请求是所述客服终端监听到的响应方与呼叫方建立通话时,根据所述呼叫方的用户身份标识号码生成的;根据所述用户标签查询请求获取所述用户身份标识号码;从标签数据库中查找与所述用户身份标识号码对应的用户标签,所述用户标签是根据用户历史行为数据通过聚类模型聚类后得到的标签;将所述用户标签发送至所述客服终端。
在一个实施例中,处理器执行计算机程序时实现用户标签的生成方式,包括:获取预先统计的所有用户的用户历史行为数据,所述用户历史行为数据携带有所述用户身份标识号码;根据所述用户历史行为数据得到用户行为特征,所述用户行为特征是最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种;将所述用户行为特征输入所述聚类模型,通过所述聚类模型得到标签中心点对应的中心行为特征,所述中心行为特征是最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种;根据所述中心行为特征与用户行为特征进行计算,得到用户的用户标签,并将所述用户标签与所述用户身份标识号码对应存储。
在一个实施例中,处理器执行计算机程序时实现通过所述聚类模型得到标签中心点对应的中心行为特征,包括:随机选择初始中心行为特征;计算所述用户行为特征到所述初始中心行为特征的第一距离,根据所述第一距离将所述用户行为特征进行分簇;根据所述簇内用户行为特征采用均值算法计算,得到优化中心行为特征;计算所述用户行为特征到所述优化中心行为特征的第二距离,根据所述第二距离将所述用户行为特征进行分簇;当所述簇不发生收敛变化时,将所述优化中心行为特征,作为标签中心点对应的中心行为特征。
在一个实施例中,处理器执行计算机程序时实现根据所述中心行为特征与用户行为特征进行计算,得到用户的用户标签,包括:计算所述用户行为特征与所述中心行为特征的第三距离;获取所述第三距离最小值的标签中心点,将所述获取的标签中心点对应的用户标签,作为用户的用户标签。
在一个实施例中,处理器执行计算机程序时实现根据所述用户历史行为数据得到用户行为特征,包括:提取所述用户历史行为数据中的用户行为特征值,并对所述用户行为特征值进行标准化处理,得到标准化后的用户行为特征值;根据所述标准化后的用户行为特征值得到用户行为特征。
在一个实施例中,处理器执行计算机程序时实现对所述用户行为特征值进行标准化处理,得到标准化后的用户行为特征值,包括:提取所述用户历史行为数据对应的标准行为特征值,并计算得到所述标准行为特征值对应的均值;根据所述标准行为特征值及所述用户行为特征值计算得到所述用户行为特征值对应的标准差;通过所述用户行为特征值、所述均值与所述标准差进行计算,得到标准化后的用户行为特征值。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:当监听到响应方与呼叫方建立通话时,识别所述呼叫方的用户身份标识号码;根据所述用户身份标识号码生成对应的用户标签查询请求,并将所述用户标签查询请求发送至服务器;接收所述服务器返回的与所述用户身份标识号码对应的用户标签,所述用户标签是所述服务器根据用户历史行为数据通过聚类模型聚类后得到的标签;将所述用户标签进行展示。
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:接收客服终端发送的用户标签查询请求,所述用户标签查询请求是所述客服终端监听到的响应方与呼叫方建立通话时,根据所述呼叫方的用户身份标识号码生成的;根据所述用户标签查询请求获取所述用户身份标识号码;从标签数据库中查找与所述用户身份标识号码对应的用户标签,所述用户标签是根据用户历史行为数据通过聚类模型聚类后得到的标签;将所述用户标签发送至所述客服终端。
在一个实施例中,计算机程序被处理器执行时实现用户标签的生成方式,包括:获取预先统计的所有用户的用户历史行为数据,所述用户历史行为数据携带有所述用户身份标识号码;根据所述用户历史行为数据得到用户行为特征,所述用户行为特征是最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种;将所述用户行为特征输入所述聚类模型,通过所述聚类模型得到标签中心点对应的中心行为特征,所述中心行为特征是最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种;根据所述中心行为特征与用户行为特征进行计算,得到用户的用户标签,并将所述用户标签与所述用户身份标识号码对应存储。
在一个实施例中,计算机程序被处理器执行时实现通过所述聚类模型得到标签中心点对应的中心行为特征,包括:随机选择初始中心行为特征;计算所述用户行为特征到所述初始中心行为特征的第一距离,根据所述第一距离将所述用户行为特征进行分簇;根据所述簇内用户行为特征采用均值算法计算,得到优化中心行为特征;计算所述用户行为特征到所述优化中心行为特征的第二距离,根据所述第二距离将所述用户行为特征进行分簇;当所述簇不发生收敛变化时,将所述优化中心行为特征,作为标签中心点对应的中心行为特征。
在一个实施例中,计算机程序被处理器执行时实现根据所述中心行为特征与用户行为特征进行计算,得到用户的用户标签,包括:计算所述用户行为特征与所述中心行为特征的第三距离;获取所述第三距离最小值的标签中心点,将所述获取的标签中心点对应的用户标签,作为用户的用户标签。
在一个实施例中,计算机程序被处理器执行时实现根据所述用户历史行为数据得到用户行为特征,包括:提取所述用户历史行为数据中的用户行为特征值,并对所述用户行为特征值进行标准化处理,得到标准化后的用户行为特征值;根据所述标准化后的用户行为特征值得到用户行为特征。
在一个实施例中,计算机程序被处理器执行时实现对所述用户行为特征值进行标准化处理,得到标准化后的用户行为特征值,包括:提取所述用户历史行为数据对应的标准行为特征值,并计算得到所述标准行为特征值对应的均值;根据所述标准行为特征值及所述用户行为特征值计算得到所述用户行为特征值对应的标准差;通过所述用户行为特征值、所述均值与所述标准差进行计算,得到标准化后的用户行为特征值。
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:当监听到响应方与呼叫方建立通话时,识别所述呼叫方的用户身份标识号码;根据所述用户身份标识号码生成对应的用户标签查询请求,并将所述用户标签查询请求发送至服务器;接收所述服务器返回的与所述用户身份标识号码对应的用户标签,所述用户标签是所述服务器根据用户历史行为数据通过聚类模型聚类后得到的标签;将所述用户标签进行展示。
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)
1.一种用户标签推送方法,所述方法包括:
接收客服终端发送的用户标签查询请求,所述用户标签查询请求是所述客服终端监听到的响应方与呼叫方建立通话时,根据所述呼叫方的用户身份标识号码生成的;
根据所述用户标签查询请求获取所述用户身份标识号码;
从标签数据库中查找与所述用户身份标识号码对应的用户标签,所述用户标签是根据用户历史行为数据通过聚类模型聚类后得到的标签;
将所述用户标签发送至所述客服终端。
2.根据权利要求1所述的方法,其特征在于,所述用户标签的生成方式,包括:
获取预先统计的所有用户的用户历史行为数据,所述用户历史行为数据携带有所述用户身份标识号码;
根据所述用户历史行为数据得到用户行为特征,所述用户行为特征是购买记录、最近一次购买距今时长、购买频率、产品服务内容或产品服务次数中的至少一种;
将所述用户行为特征输入所述聚类模型,通过所述聚类模型得到标签中心点对应的中心行为特征,所述中心行为特征是最近一次购买距今时长、购买记录、购买频率、产品服务内容或产品服务次数中的至少一种;
根据所述中心行为特征与用户行为特征进行计算,得到用户的用户标签,并将所述用户标签与所述用户身份标识号码对应存储。
3.根据权利要求2所述的方法,其特征在于,所述通过所述聚类模型得到标签中心点对应的中心行为特征,包括:
随机选择初始中心行为特征;
计算所述用户行为特征到所述初始中心行为特征的第一距离,根据所述第一距离将所述用户行为特征进行分簇;
根据所述簇内用户行为特征采用均值算法计算,得到优化中心行为特征;
计算所述用户行为特征到所述优化中心行为特征的第二距离,根据所述第二距离将所述用户行为特征进行分簇;
当所述簇不发生收敛变化时,将所述优化中心行为特征,作为标签中心点对应的中心行为特征。
4.根据权利要求2所述的方法,其特征在于,所述根据所述中心行为特征与用户行为特征进行计算,得到用户的用户标签,包括:
计算所述用户行为特征与所述中心行为特征的第三距离;
获取所述第三距离最小值的标签中心点,将所述获取的标签中心点对应的用户标签,作为用户的用户标签。
5.根据权利要求2所述的方法,其特征在于,所述根据所述用户历史行为数据得到用户行为特征,包括:
提取所述用户历史行为数据中的用户行为特征值,并对所述用户行为特征值进行标准化处理,得到标准化后的用户行为特征值;
根据所述标准化后的用户行为特征值得到用户行为特征。
6.根据权利要求5所述的方法,其特征在于,所述对所述用户行为特征值进行标准化处理,得到标准化后的用户行为特征值,包括:
提取所述用户历史行为数据对应的标准行为特征值,并计算得到所述标准行为特征值对应的均值;
根据所述标准行为特征值及所述用户行为特征值计算得到所述用户行为特征值对应的标准差;
通过所述用户行为特征值、所述均值与所述标准差进行计算,得到标准化后的用户行为特征值。
7.一种用户标签展示方法,所述方法包括:
当监听到响应方与呼叫方建立通话时,识别所述呼叫方的用户身份标识号码;
根据所述用户身份标识号码生成对应的用户标签查询请求,并将所述用户标签查询请求发送至服务器;
接收所述服务器返回的与所述用户身份标识号码对应的用户标签,所述用户标签是所述服务器根据用户历史行为数据通过聚类模型聚类后得到的标签;
将所述用户标签进行展示。
8.一种用户标签推送装置,其特征在于,所述装置包括:
请求接收模块,用于接收客服终端发送的用户标签查询请求,所述用户标签查询请求是所述客服终端监听到的响应方与呼叫方建立通话时,根据所述呼叫方的用户身份标识号码生成的;
标识号码获取模块,用于根据所述用户标签查询请求获取所述用户身份标识号码;
用户标签获取模块,用于从标签数据库中查找与所述用户身份标识号码对应的用户标签,所述用户标签是根据用户历史行为数据通过聚类模型聚类后得到的标签;
用户标签发送模块,用于将所述用户标签发送至所述客服终端。
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 |
---|---|---|---|
CN201911351101.2A CN111047336A (zh) | 2019-12-24 | 2019-12-24 | 用户标签推送、用户标签展示方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911351101.2A CN111047336A (zh) | 2019-12-24 | 2019-12-24 | 用户标签推送、用户标签展示方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047336A true CN111047336A (zh) | 2020-04-21 |
Family
ID=70239321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911351101.2A Pending CN111047336A (zh) | 2019-12-24 | 2019-12-24 | 用户标签推送、用户标签展示方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047336A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949654A (zh) * | 2020-07-20 | 2020-11-17 | 上海淇馥信息技术有限公司 | 一种基于用户标签的快速查询方法、系统和电子设备 |
CN117788035A (zh) * | 2023-12-29 | 2024-03-29 | 北京基智科技有限公司 | 一种基于数据处理的客户标签管理系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100310158A1 (en) * | 2008-09-26 | 2010-12-09 | Tencent Technology (Shenzhen) Company Limited | Method And Apparatus For Training Classifier, Method And Apparatus For Image Recognition |
US20170109431A1 (en) * | 2014-06-30 | 2017-04-20 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for grouping network service users |
CN107784593A (zh) * | 2017-05-05 | 2018-03-09 | 平安科技(深圳)有限公司 | 保险理赔互动方法和系统 |
WO2018059015A1 (zh) * | 2016-09-29 | 2018-04-05 | 深圳大学 | 一种基于交易数据的客户分类方法及其系统 |
CN108363821A (zh) * | 2018-05-09 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
CN109300051A (zh) * | 2018-09-17 | 2019-02-01 | 中国平安财产保险股份有限公司 | 基于数据分析的理赔服务处理方法、装置和计算机设备 |
CN109376759A (zh) * | 2018-09-10 | 2019-02-22 | 平安科技(深圳)有限公司 | 用户信息分类方法、装置、计算机设备和存储介质 |
CN110609890A (zh) * | 2019-09-11 | 2019-12-24 | 浙江大搜车软件技术有限公司 | 自助式客服交互方法、装置、计算机设备和存储介质 |
-
2019
- 2019-12-24 CN CN201911351101.2A patent/CN111047336A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100310158A1 (en) * | 2008-09-26 | 2010-12-09 | Tencent Technology (Shenzhen) Company Limited | Method And Apparatus For Training Classifier, Method And Apparatus For Image Recognition |
US20170109431A1 (en) * | 2014-06-30 | 2017-04-20 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for grouping network service users |
WO2018059015A1 (zh) * | 2016-09-29 | 2018-04-05 | 深圳大学 | 一种基于交易数据的客户分类方法及其系统 |
CN107784593A (zh) * | 2017-05-05 | 2018-03-09 | 平安科技(深圳)有限公司 | 保险理赔互动方法和系统 |
CN108363821A (zh) * | 2018-05-09 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
CN109376759A (zh) * | 2018-09-10 | 2019-02-22 | 平安科技(深圳)有限公司 | 用户信息分类方法、装置、计算机设备和存储介质 |
CN109300051A (zh) * | 2018-09-17 | 2019-02-01 | 中国平安财产保险股份有限公司 | 基于数据分析的理赔服务处理方法、装置和计算机设备 |
CN110609890A (zh) * | 2019-09-11 | 2019-12-24 | 浙江大搜车软件技术有限公司 | 自助式客服交互方法、装置、计算机设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949654A (zh) * | 2020-07-20 | 2020-11-17 | 上海淇馥信息技术有限公司 | 一种基于用户标签的快速查询方法、系统和电子设备 |
CN117788035A (zh) * | 2023-12-29 | 2024-03-29 | 北京基智科技有限公司 | 一种基于数据处理的客户标签管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10504120B2 (en) | Determining a temporary transaction limit | |
CN109360048A (zh) | 订单生成方法、系统、计算机设备和存储介质 | |
CN110751533B (zh) | 产品画像生成方法、装置、计算机设备和存储介质 | |
CN115526363A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
CN111666492A (zh) | 基于用户行为的信息推送方法、装置、设备及存储介质 | |
CN111178949B (zh) | 服务资源匹配参考数据确定方法、装置、设备和存储介质 | |
CN108334625B (zh) | 用户信息的处理方法、装置、计算机设备和存储介质 | |
CN113032668A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN112990386B (zh) | 用户价值聚类方法、装置、计算机设备和存储介质 | |
CN110135943B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
US20230004979A1 (en) | Abnormal behavior detection method and apparatus, electronic device, and computer-readable storage medium | |
CN112861003A (zh) | 一种基于云边协同的用户画像构建方法和系统 | |
CA3128218A1 (en) | Web application for service recommendations with machine learning | |
CN110555164A (zh) | 群体兴趣标签的生成方法、装置、计算机设备和存储介质 | |
CN115082209A (zh) | 业务数据风险预警方法、装置、计算机设备及存储介质 | |
CN112507212A (zh) | 智能回访方法、装置、电子设备及可读存储介质 | |
CN114186760A (zh) | 一种企业稳健运营的分析方法、系统及可读存储介质 | |
CN114116802A (zh) | Flink计算框架的数据处理方法、装置、设备和存储介质 | |
CN111047336A (zh) | 用户标签推送、用户标签展示方法、装置和计算机设备 | |
CN111209929A (zh) | 访问数据处理方法、装置、计算机设备及存储介质 | |
CN110688406A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN111222919A (zh) | 业务数据的推送方法、装置、计算机设备和存储介质 | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN112784168B (zh) | 信息推送模型训练方法以及装置、信息推送方法以及装置 | |
CN109544348B (zh) | 资产证券筛选方法、设备及计算机可读存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200421 |
|
WD01 | Invention patent application deemed withdrawn after publication |