CN111199430A - 业务解决方案生成方法、装置及电子设备 - Google Patents

业务解决方案生成方法、装置及电子设备 Download PDF

Info

Publication number
CN111199430A
CN111199430A CN202010017581.5A CN202010017581A CN111199430A CN 111199430 A CN111199430 A CN 111199430A CN 202010017581 A CN202010017581 A CN 202010017581A CN 111199430 A CN111199430 A CN 111199430A
Authority
CN
China
Prior art keywords
event
information
code
vector
coding
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
CN202010017581.5A
Other languages
English (en)
Inventor
赖勇铨
黄圳君
柯振德
李美玲
尚伟
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.)
China Citic Bank Corp Ltd
Original Assignee
China Citic Bank Corp 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 China Citic Bank Corp Ltd filed Critical China Citic Bank Corp Ltd
Priority to CN202010017581.5A priority Critical patent/CN111199430A/zh
Publication of CN111199430A publication Critical patent/CN111199430A/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06Q30/0282—Rating or review of business operators or products

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本申请提供了一种业务解决方案生成方法、装置及电子设备，应用于计算机技术领域，其中该方法包括：基于目标用户的个人信息与历史事件信息直接生成目标用户的业务解决方案，也即是说在用户进线时，直接将用户欲办理的业务推荐给用户，减少了目标用户找到自己欲要办理业务的时间，提升了用户的体验；此外，基于目标用户的个人信息与历史事件信息得到的个人编码与事件时序编码进行业务解决方案的预测，提升了确定的业务解决方案与目标用户的关联性，此外，基于历史事件信息得到事件时序编码，考虑到了用户历史事件的时序因素，进一步提升了确定的业务解决方案与目标用户的关联性。

Description

业务解决方案生成方法、装置及电子设备
技术领域
本申请涉及计算机技术领域，具体而言，本申请涉及一种业务解决方案生成方法、装置及电子设备。
背景技术
大部分公司为了方便客户，或者为了提供更好的服务，如银行、通信公司、保险公司通常会在公司内设有服务热线系统，客户可通过拨打服务热线以获得相应服务。
现有的服务热线一般是设定固定的菜单进行播报，让用户在菜单中进行选择业务，然后跳转至下一细分的业务，或者通过采集用户购买过的产品或服务，进而推荐对应这个产品的系列菜单，但是，这样会存在用户听到的并不是自己想要的菜单，或者听到太多菜单，使得用户难以在短时间内找到自己想要办理的业务，造成用户体验不好的现象。因此，现有的通过播报服务类别供用户选择的方式，用户需要花费较长时间才能找到自己想要办理的业务，存在效率低的问题。
发明内容
本申请提供了一种业务解决方案生成方法、装置及电子设备，用于减少目标用户找到自己欲要办理业务的时间，提升用户体验，本申请采用的技术方案如下：
第一方面，提供了一种业务解决方案生成方法，该方法包括，
当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息；
基于个人信息进行编码处理得到个人编码；
基于历史事件信息进行编码处理得到第一事件时序编码；
基于第一事件时序编码进行词嵌入处理得到第二事件时序编码；
将第二事件时序编码输入至预训练的循环神经网络得到事件状态向量；
基于个人编码与事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。
可选地，历史事件信息包括事件序号信息及事件发生时间信息，基于历史事件信息进行编码处理得到第一事件时序编码，包括：
基于事件发生时间信息对各事件对应的序号进行排序，得到排序后的事件序号信息；
对排序后的事件序号信息进行编码处理得到事件序号编码向量；
对排序后的事件序号对应的时间信息进行编码处理得到事件时间编码向量；
基于事件序号编码向量与事件时间编码向量确定第一事件时序编码。
可选地，第一词嵌入网络与第二词嵌入网络的参数不同，基于第一事件时序编码进行词嵌入处理得到第二事件时序编码，包括：
将事件序号编码向量输入第一词嵌入网络，得到第二事件序号编码向量；
将事件时间编码向量输入第二词嵌入网络，得到第二事件时间编码向量；
基于第二事件序号编码向量与第二事件时间编码向量确定第二事件时序编码。
可选地，事件序号编码为不定长的数据流。
可选地，个人编码为定长的数据流。
第二方面，提供了一种业务解决方案生成装置，该装置包括，
获取模块，用于当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息；
第一编码模块，用于基于个人信息进行编码处理得到个人编码；
第二编码模块，用于基于历史事件信息进行编码处理得到第一事件时序编码；
词嵌入模块，用于基于第一事件时序编码进行词嵌入处理得到第二事件时序编码；
输入模块，用于将第二事件时序编码输入至预训练的循环神经网络得到事件状态向量；
确定模块，用于基于个人编码与事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。
可选地，历史事件信息包括事件序号信息及事件发生时间信息，第二编码模块包括：
排序单元，用于基于事件发生时间信息对各事件对应的序号进行排序，得到排序后的事件序号信息；
第一编码单元，用于对排序后的事件序号信息进行编码处理得到事件序号编码向量；
第二编码单元，用于对排序后的事件序号对应的时间信息进行编码处理得到事件时间编码向量；
第一确定单元，用于基于事件序号编码向量与事件时间编码向量确定第一事件时序编码。
可选地，第一词嵌入网络与第二词嵌入网络的参数不同，词嵌入模块包括：
第一输入单元，用于将事件序号编码向量输入第一词嵌入网络，得到第二事件序号编码向量；
第二输入单元，用于将事件时间编码向量输入第二词嵌入网络，得到第二事件时间编码向量；
第二确定单元，用于基于第二事件序号编码向量与第二事件时间编码向量确定第二事件时序编码。
可选地，事件序号编码为不定长的数据流。
可选地，个人编码为定长的数据流。
第三方面，提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行第一方面所示的业务解决方案生成方法。
第四方面，提供了一种计算机可读存储介质，计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行第一方面所示的业务解决方案生成方法。
本申请提供了一种业务解决方案生成方法、装置及电子设备，与现有技术通过播报服务类型让客户进行选择的方式相比，本申请通过当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息，然后基于个人信息进行编码处理得到个人编码，基于历史事件信息进行编码处理得到第一事件时序编码，基于第一事件时序编码进行词嵌入处理得到第二事件时序编码，继而将第二事件时序编码输入至预训练的循环神经网络得到事件状态向量，基于个人编码与事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。即基于目标用户的个人信息与历史事件信息直接生成目标用户的业务解决方案，也即是说在用户进线时，直接将用户欲办理的业务推荐给用户，减少了目标用户找到自己欲要办理业务的时间，提升了用户的体验；此外，基于目标用户的个人信息与历史事件信息得到的个人编码与事件时序编码进行业务解决方案的预测，提升了确定的业务解决方案与目标用户的关联性，此外，基于历史事件信息得到事件时序编码，考虑到了用户历史事件的时序因素，进一步提升了确定的业务解决方案与目标用户的关联性。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例的一种业务解决方案生成方法的流程示意图；
图2为本申请实施例的一种业务解决方案生成装置的结构示意图；
图3为本申请实施例的另一种业务解决方案生成装置的结构示意图；
图4为本申请实施例的一种电子设备的结构示意图；
图5为本申请实施例的一种可选地业务解决方案流程示例图；
图6为本申请实施例的一种可选地确定第二事件时序编码的示例图。
具体实施方式
下面详细描述本申请的实施例，各实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本申请实施例提供了一种业务解决方案生成方法，如图1所示，该方法可以包括以下步骤：
步骤S101，当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息；
具体地，可以是通过终端设备或平台的检测设备检测到目标用户进线时，获取目标用户的个人信息与历史事件信息；其中，进线可以是用户打进电话，也可以用户基于应用程序通过语音或文字向服务人员发起咨询，也可以是其他各种形式的目标用户发起咨询、询问、请求提供服务等。本进线方式包括如下类型：通过电话端进线、通过微信或其它社交接口进线、通过手机app进线。
其中，个人信息包括但不限于以下信息：持卡情况、性别、年龄、国籍、居住省份、居住城市、婚姻状况、是否有子女、学历、月均收入/年收入、行业、职业、征信、房产、车产、绑定自助渠道情况、是否有有效卡、账龄、永久额度、现金额度、账单日活跃度、是否有附属卡、账户状态、开户日最高卡级别、币种等
其中，事件可以是与信用卡业务相关的一些事件，包括但不限于：用卡事件，如刷卡，大额消费，卡丢失，挂失，解挂失，输入密码错等；帐单事件，如出帐单，帐单逾期，帐单还款等；咨询事件，通过电话，app或微信等服务渠道咨询业务等。
步骤S102，基于个人信息进行编码处理得到个人编码；
具体地，可以采用one hot等编码方式对个人信息进行编码处理得到个人编码；其中，个人编码可以采用整数或浮点数的形式进行编码，具体取决于被编码信息的类型，即不同类型的信息采用不同的编码方式。示例性地，假设个人编码中的信息有k个，则个人编码输出为一个k维的特征向量。优选地，个人编码是一个定长的数据流，可选地，个人编码也可以设置成一个不定长的数据流。
步骤S103，基于历史事件信息进行编码处理得到第一事件时序编码；
具体地，基于历史事件信息通过one hot等编码方式进行编码处理得到第一事件时序编码。
步骤S104，基于第一事件时序编码进行词嵌入处理得到第二事件时序编码；
具体地，基于第一事件时序编码进行词嵌入处理得到第二事件时序编码，其中，词嵌入处理用于将一个高维向量转变为一个低纬向量；其中，词嵌入处理可以是将编码输入至预训练的embedding网络。
步骤S105，将第二事件时序编码输入至预训练的循环神经网络得到事件状态向量；
具体地，将第二事件时序编码输入至预训练的循环神经网络，得到事件状态向量，其中，循环神经网络(Recurrent Neural Network，RNN)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。具体地，该循环神经网络可以是长短期神经网络，也可以是门控循环神经网络，还可以是其他能够实现本申请功能的神经网络。
步骤S106，基于个人编码与事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。
具体地，可以将个人编码与事件状态向量进行拼接，然后输入至一个全连接神经网络得到输出结果，继而将输出结果输入至预训练的分类模型确定目标用户的业务解决方案。其中，该分类模型可以是预训练的softmax模型，也可以是逻辑回归模型。
其中，业务解决方案包括但不限于以下方案：如信息提供类，电话播报申请和邮寄进度，本期账单，还款情况等；如操作类，IVR路由或app中直接连接相关用卡操作节点，引导客户办理，如开卡，设密，解除冻结等；如复杂业务类，通过app或语音提供解决方案的建议或转介人工座席，比如办理流程、盗刷处理等。
其中，训练分类模型的样本数据有两类：一是通过人工指定规则的方式得到的样本数据(如表1所示)，二是通过自动收集的方式得到的样本数据。
表1是人工指定规则得到的样本数据的一个示例.
Figure BDA0002359484960000081
其中，通过自动收集的方式得到的样本数据，可以是当检测到客户进线进，自动收集客户个人信息和历史事件信息，同时跟踪解决情况，如果发现问题已解决，则记录解决方案。
示例性地，如图5所示，将第二事件时序编码(v1、v2、vn)输入至循环神经网络(长短期神经网络)得到状态向量(h1、h2、hn)，将个人信息编码I与最后一个状态向量hn合并，然后输入一个全连接网络得到一个输出结果，并将输出结果输入一个softmax分类模型，得到预测的业务解决方案。
本申请实施例提供了一种业务解决方案生成方法，与现有技术通过播报服务类型让客户进行选择的方式相比，本申请实施例通过当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息，然后基于个人信息进行编码处理得到个人编码，基于历史事件信息进行编码处理得到第一事件时序编码，基于第一事件时序编码进行词嵌入处理得到第二事件时序编码，继而将第二事件时序编码输入至预训练的循环神经网络得到事件状态向量，基于个人编码与事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。即基于目标用户的个人信息与历史事件信息直接生成目标用户的业务解决方案，也即是说在用户进线时，直接将用户欲办理的业务推荐给用户，减少了目标用户找到自己欲要办理业务的时间，提升了用户的体验；此外，基于目标用户的个人信息与历史事件信息得到的个人编码与事件时序编码进行业务解决方案的预测，提升了确定的业务解决方案与目标用户的关联性，此外，基于历史事件信息得到事件时序编码，考虑到了用户历史事件的时序因素，进一步提升了确定的业务解决方案与目标用户的关联性。
本申请实施例提供了一种可能的实现方式，历史事件信息包括事件序号信息及事件发生时间信息，步骤S103包括：
步骤S1031(图中未示出)，基于事件发生时间信息对各事件对应的序号进行排序，得到排序后的事件序号信息；
步骤S1032(图中未示出)，对排序后的事件序号信息进行编码处理得到事件序号编码向量；
具体地，事件序号编码向量把事件序号编码成不定长的数据流。假设事件字典里共有n个事件，则事件编码中每个事件对应一个小于等于n的数据，用户进线时，与用户有关的事件将根据时间顺序进行编码，假设发生了3个事件，在对应的事件字典里分别对应第8，15，33的序号，并且事件8发生在15之前和33之后，则此次进线的事件编码流为33，8，15(即排序后的事件序号信息)。
其中，事件序号编码为不定长的数据流。
步骤S1033(图中未示出)，对排序后的事件序号对应的时间信息进行编码处理得到事件时间编码向量；
具体地，事件时间编码向量对所发生的事件的时间进行编码，示例性地：对星期进行编码，如事件发生在星期二，则编码为2，依次类推；对日期进行编码，如事件发生在6号，则编码为6，依次类推；对时间进行编码，如事件发生在下午5号，则编码为17，依次类推；相对于进行时间进行编码，如事件发生在进线前2天12小时，则编码为2.5。事件的时间编码为上述编码的组合，每一种编码方式作为一个时间编码流。因此，当发生三个事件时，共有1个长度为3的事件编码流，4个长度为3的时间编码流，共5个事件编码流。这些码流提供了多元的特征，可以更好地描述事件。例如进线前一分钟如果发生了app查询事件，则该事件将较大地影响解决方案的自动生成。同样，如果进线的时间发生在周五，则客户可能对于周五这个特定时间段的促销事件比较感兴趣，因此该时间点对应事件对预测结果的影响可能增加，这些影响主要体现在训练过程中对预测模块算法权重的更新上。
步骤S1034(图中未示出)，基于事件序号编码向量与事件时间编码向量确定第一事件时序编码。
具体地，基于事件序号编码向量与事件时间编码向量确定第一事件时序编码。
对于本申请实施例，对排序后的事件序号信息进行编码处理得到事件序号编码向量，对排序后的事件序号对应的时间信息进行编码处理得到事件时间编码向量，在保留时序特征的同时解决了第一事件时序编码的确定问题。
本申请实施例提供了一种可能的实现方式，具体地，第一词嵌入网络与第二词嵌入网络的参数不同，步骤S104包括：
步骤S1041(图中未示出)，将事件序号编码向量输入第一词嵌入网络，得到第二事件序号编码向量；
步骤S1042(图中未示出)，将事件时间编码向量输入第二词嵌入网络，得到第二事件时间编码向量；
步骤S1043(图中未示出)，基于第二事件序号编码向量与第二事件时间编码向量确定第二事件时序编码。
示例性地，如图6所示，将事件序号编码向量输入第一词嵌入网络，得到第二事件序号编码向量，将事件时间编码向量输入第二词嵌入网络，得到第二事件时间编码向量，然后基于第二事件序号编码向量与第二事件时间编码向量确定第二事件时序编码(如可以将第二事件序号编码向量与第二事件时间编码向量拼接或进行线性组合等)。其中，第一词嵌入网络与第二词嵌入网络的参数不同。
对于本申请实施例，解决了第二事件时序编码的确定问题。
图2为本申请实施例提供的一种业务解决方案生成装置，该装置20包括：获取模块201、第一编码模块202、第二编码模块203、词嵌入模块204、输入模块205以及确定模块206，其中，
获取模块201，用于当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息；
第一编码模块202，用于基于个人信息进行编码处理得到个人编码；
第二编码模块203，用于基于历史事件信息进行编码处理得到第一事件时序编码；
词嵌入模块204，用于基于第一事件时序编码进行词嵌入处理得到第二事件时序编码；
输入模块205，用于将第二事件时序编码输入至预训练的循环神经网络得到事件状态向量；
确定模块206，用于基于个人编码与事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。
本申请实施例提供了一种业务解决方案生成装置，与现有技术通过播报服务类型让客户进行选择的方式相比，本申请实施例通过当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息，然后基于个人信息进行编码处理得到个人编码，基于历史事件信息进行编码处理得到第一事件时序编码，基于第一事件时序编码进行词嵌入处理得到第二事件时序编码，继而将第二事件时序编码输入至预训练的循环神经网络得到事件状态向量，基于个人编码与事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。即基于目标用户的个人信息与历史事件信息直接生成目标用户的业务解决方案，也即是说在用户进线时，直接将用户欲办理的业务推荐给用户，减少了目标用户找到自己欲要办理业务的时间，提升了用户的体验；此外，基于目标用户的个人信息与历史事件信息得到的个人编码与事件时序编码进行业务解决方案的预测，提升了确定的业务解决方案与目标用户的关联性，此外，基于历史事件信息得到事件时序编码，考虑到了用户历史事件的时序因素，进一步提升了确定的业务解决方案与目标用户的关联性。
本实施例的业务解决方案生成装置可执行本申请上述实施例中提供的一种业务解决方案生成方法，其实现原理相类似，此处不再赘述。
如图3所示，本申请实施例提供了另一种业务解决方案生成装置，该装置30包括：获取模块301、第一编码模块302、第二编码模块303、词嵌入模块304、输入模块305以及确定模块306，其中，
获取模块301，用于当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息；
其中，图3中的获取模块301与图2中的获取模块201的功能相同或者相似。
第一编码模块302，用于基于个人信息进行编码处理得到个人编码；
其中，图3中的第一编码模块302与图2中的第一编码模块202的功能相同或者相似。
第二编码模块303，用于基于历史事件信息进行编码处理得到第一事件时序编码；
其中，图3中的第二编码模块303与图2中的第二编码模块203的功能相同或者相似。
词嵌入模块304，用于基于第一事件时序编码进行词嵌入处理得到第二事件时序编码；
其中，图3中的词嵌入模块304与图2中的词嵌入模块204的功能相同或者相似。
输入模块305，用于将第二事件时序编码输入至预训练的循环神经网络得到事件状态向量；
其中，图3中的输入模块305与图2中的输入模块205的功能相同或者相似。
确定模块306，用于基于个人编码与事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。
其中，图3中的确定模块306与图2中的确定模块206的功能相同或者相似。
本申请实施例提供了一种可能的实现方式，其中，个人编码为定长的数据流。
本申请实施例提供了一种可能的实现方式，历史事件信息包括事件序号信息及事件发生时间信息，具体地，第二编码模块303包括：
排序单元3031，用于基于事件发生时间信息对各事件对应的序号进行排序，得到排序后的事件序号信息；
第一编码单元3032，用于对排序后的事件序号信息进行编码处理得到事件序号编码向量；
第二编码单元3033，用于对排序后的事件序号对应的时间信息进行编码处理得到事件时间编码向量；
第一确定单元3034，用于基于事件序号编码向量与事件时间编码向量确定第一事件时序编码。
其中，事件序号编码为不定长的数据流。
对于本申请实施例，对排序后的事件序号信息进行编码处理得到事件序号编码向量，对排序后的事件序号对应的时间信息进行编码处理得到事件时间编码向量，在保留时序特征的同时解决了第一事件时序编码的确定问题。
本申请实施例提供了一种可能的实现方式，第一词嵌入网络与第二词嵌入网络的参数不同，具体地，词嵌入模块304包括：
第一输入单元3041，用于将事件序号编码向量输入第一词嵌入网络，得到第二事件序号编码向量；
第二输入单元3042，用于将事件时间编码向量输入第二词嵌入网络，得到第二事件时间编码向量；
第二确定单元3043，用于基于第二事件序号编码向量与第二事件时间编码向量确定第二事件时序编码。
对于本申请实施例，解决了第二事件时序编码的确定问题。
本申请实施例提供了一种业务解决方案生成装置，与现有技术通过播报服务类型让客户进行选择的方式相比，本申请实施例通过当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息，然后基于个人信息进行编码处理得到个人编码，基于历史事件信息进行编码处理得到第一事件时序编码，基于第一事件时序编码进行词嵌入处理得到第二事件时序编码，继而将第二事件时序编码输入至预训练的循环神经网络得到事件状态向量，基于个人编码与事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。即基于目标用户的个人信息与历史事件信息直接生成目标用户的业务解决方案，也即是说在用户进线时，直接将用户欲办理的业务推荐给用户，减少了目标用户找到自己欲要办理业务的时间，提升了用户的体验；此外，基于目标用户的个人信息与历史事件信息得到的个人编码与事件时序编码进行业务解决方案的预测，提升了确定的业务解决方案与目标用户的关联性，此外，基于历史事件信息得到事件时序编码，考虑到了用户历史事件的时序因素，进一步提升了确定的业务解决方案与目标用户的关联性。
本申请实施例提供了一种业务解决方案生成装置，适用于上述实施例所示的方法，在此不再赘述。
本申请实施例提供了一种电子设备，如图4所示，图4所示的电子设备40包括：处理器401和存储器403。其中，处理器401和存储器403相连，如通过总线402相连。进一步地，电子设备40还可以包括收发器404。需要说明的是，实际应用中收发器404不限于一个，该电子设备40的结构并不构成对本申请实施例的限定。其中，处理器401应用于本申请实施例中，用于实现图2或图3所示的获取模块、第一编码模块、第二编码模块、词嵌入模块、输入模块以及确定模块的功能。收发器404包括接收机和发射机。
处理器401可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器401也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线402可包括一通路，在上述组件之间传送信息。总线402可以是PCI总线或EISA总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器403用于存储执行本申请方案的应用程序代码，并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码，以实现图2或图3所示实施例提供的业务解决方案生成装置的功能。
本申请实施例提供了一种电子设备，与现有技术通过播报服务类型让客户进行选择的方式相比，本申请实施例通过当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息，然后基于个人信息进行编码处理得到个人编码，基于历史事件信息进行编码处理得到第一事件时序编码，基于第一事件时序编码进行词嵌入处理得到第二事件时序编码，继而将第二事件时序编码输入至预训练的循环神经网络得到事件状态向量，基于个人编码与事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。即基于目标用户的个人信息与历史事件信息直接生成目标用户的业务解决方案，也即是说在用户进线时，直接将用户欲办理的业务推荐给用户，减少了目标用户找到自己欲要办理业务的时间，提升了用户的体验；此外，基于目标用户的个人信息与历史事件信息得到的个人编码与事件时序编码进行业务解决方案的预测，提升了确定的业务解决方案与目标用户的关联性，此外，基于历史事件信息得到事件时序编码，考虑到了用户历史事件的时序因素，进一步提升了确定的业务解决方案与目标用户的关联性。
本申请实施例提供了一种电子设备适用于上述方法实施例。在此不再赘述。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例中所示的方法。
本申请实施例提供了一种计算机可读存储介质，与现有技术通过播报服务类型让客户进行选择的方式相比，本申请实施例通过当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息，然后基于个人信息进行编码处理得到个人编码，基于历史事件信息进行编码处理得到第一事件时序编码，基于第一事件时序编码进行词嵌入处理得到第二事件时序编码，继而将第二事件时序编码输入至预训练的循环神经网络得到事件状态向量，基于个人编码与事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。即基于目标用户的个人信息与历史事件信息直接生成目标用户的业务解决方案，也即是说在用户进线时，直接将用户欲办理的业务推荐给用户，减少了目标用户找到自己欲要办理业务的时间，提升了用户的体验；此外，基于目标用户的个人信息与历史事件信息得到的个人编码与事件时序编码进行业务解决方案的预测，提升了确定的业务解决方案与目标用户的关联性，此外，基于历史事件信息得到事件时序编码，考虑到了用户历史事件的时序因素，进一步提升了确定的业务解决方案与目标用户的关联性。
本申请实施例提供了一种计算机可读存储介质适用于上述方法实施例。在此不再赘述。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他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。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种业务解决方案生成方法，其特征在于，包括：
当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息；
基于所述个人信息进行编码处理得到个人编码；
基于所述历史事件信息进行编码处理得到第一事件时序编码；
基于所述第一事件时序编码进行词嵌入处理得到第二事件时序编码；
将所述第二事件时序编码输入至预训练的循环神经网络得到事件状态向量；
基于所述个人编码与所述事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。
2.根据权利要求1所述的方法，其特征在于，所述历史事件信息包括事件序号信息及事件发生时间信息，所述基于所述历史事件信息进行编码处理得到第一事件时序编码，包括：
基于事件发生时间信息对各事件对应的序号进行排序，得到排序后的事件序号信息；
对排序后的事件序号信息进行编码处理得到事件序号编码向量；
对排序后的事件序号对应的时间信息进行编码处理得到事件时间编码向量；
基于所述事件序号编码向量与所述事件时间编码向量确定所述第一事件时序编码。
3.根据权利要求2所述的方法，其特征在于，第一词嵌入网络与第二词嵌入网络的参数不同，所述基于所述第一事件时序编码进行词嵌入处理得到第二事件时序编码，包括：
将所述事件序号编码向量输入第一词嵌入网络，得到第二事件序号编码向量；
将所述事件时间编码向量输入第二词嵌入网络，得到第二事件时间编码向量；
基于所述第二事件序号编码向量与所述第二事件时间编码向量确定所述第二事件时序编码。
4.根据权利要求2或3所述的方法，其特征在于，所述事件序号编码为不定长的数据流。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述个人编码为定长的数据流。
6.一种业务解决方案生成装置，其特征在于，包括：
获取模块，用于当检测到目标用户进线时，获取目标用户的个人信息与历史事件信息；
第一编码模块，用于基于所述个人信息进行编码处理得到个人编码；
第二编码模块，用于基于所述历史事件信息进行编码处理得到第一事件时序编码；
词嵌入模块，用于基于所述第一事件时序编码进行词嵌入处理得到第二事件时序编码；
输入模块，用于将所述第二事件时序编码输入至预训练的循环神经网络得到事件状态向量；
确定模块，用于基于所述个人编码与所述事件状态向量通过预训练的分类模型确定目标用户的业务解决方案。
7.根据权利要求6所述的装置，其特征在于，所述历史事件信息包括事件序号信息及事件发生时间信息，所述第二编码模块包括：
排序单元，用于基于事件发生时间信息对各事件对应的序号进行排序，得到排序后的事件序号信息；
第一编码单元，用于对排序后的事件序号信息进行编码处理得到事件序号编码向量；
第二编码单元，用于对排序后的事件序号对应的时间信息进行编码处理得到事件时间编码向量；
第一确定单元，用于基于所述事件序号编码向量与所述事件时间编码向量确定所述第一事件时序编码。
8.根据权利要求7所述的装置，其特征在于，第一词嵌入网络与第二词嵌入网络的参数不同，所述词嵌入模块包括：
第一输入单元，用于将所述事件序号编码向量输入第一词嵌入网络，得到第二事件序号编码向量；
第二输入单元，用于将所述事件时间编码向量输入第二词嵌入网络，得到第二事件时间编码向量；
第二确定单元，用于基于所述第二事件序号编码向量与所述第二事件时间编码向量确定所述第二事件时序编码。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求1至5任一项所述的业务解决方案生成方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行上述权利要求1至5中任一项所述的业务方案生成方法。
CN202010017581.5A 2020-01-08 2020-01-08 业务解决方案生成方法、装置及电子设备 Pending CN111199430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010017581.5A CN111199430A (zh) 2020-01-08 2020-01-08 业务解决方案生成方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010017581.5A CN111199430A (zh) 2020-01-08 2020-01-08 业务解决方案生成方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN111199430A true CN111199430A (zh) 2020-05-26

Family

ID=70746886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010017581.5A Pending CN111199430A (zh) 2020-01-08 2020-01-08 业务解决方案生成方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111199430A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1781118A (zh) * 2002-11-27 2006-05-31 埃森哲全球服务有限公司 用于知识管理系统的解决方案信息
CN107451778A (zh) * 2017-07-31 2017-12-08 无锡市书同文数据有限公司 汽车零部件数据匹配处理方法
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
CN108446374A (zh) * 2018-03-16 2018-08-24 北京三快在线科技有限公司 用户意图预测方法、装置、电子设备、存储介质
CN108959396A (zh) * 2018-06-04 2018-12-07 众安信息技术服务有限公司 机器阅读模型训练方法及装置、问答方法及装置
CN109325116A (zh) * 2018-08-23 2019-02-12 武大吉奥信息技术有限公司 一种基于深度学习的城市事件自动分类派发方法及装置
CN110019742A (zh) * 2018-06-19 2019-07-16 北京京东尚科信息技术有限公司 用于处理信息的方法和装置
CN110245003A (zh) * 2019-06-06 2019-09-17 中信银行股份有限公司 一种机器学习单机算法编排系统及方法
CN110309427A (zh) * 2018-05-31 2019-10-08 腾讯科技（深圳）有限公司 一种对象推荐方法、装置及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1781118A (zh) * 2002-11-27 2006-05-31 埃森哲全球服务有限公司 用于知识管理系统的解决方案信息
CN107451778A (zh) * 2017-07-31 2017-12-08 无锡市书同文数据有限公司 汽车零部件数据匹配处理方法
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
CN108446374A (zh) * 2018-03-16 2018-08-24 北京三快在线科技有限公司 用户意图预测方法、装置、电子设备、存储介质
CN110309427A (zh) * 2018-05-31 2019-10-08 腾讯科技（深圳）有限公司 一种对象推荐方法、装置及存储介质
CN108959396A (zh) * 2018-06-04 2018-12-07 众安信息技术服务有限公司 机器阅读模型训练方法及装置、问答方法及装置
CN110019742A (zh) * 2018-06-19 2019-07-16 北京京东尚科信息技术有限公司 用于处理信息的方法和装置
CN109325116A (zh) * 2018-08-23 2019-02-12 武大吉奥信息技术有限公司 一种基于深度学习的城市事件自动分类派发方法及装置
CN110245003A (zh) * 2019-06-06 2019-09-17 中信银行股份有限公司 一种机器学习单机算法编排系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段青玲等: "水产养殖大数据技术研究进展与发展趋势分析", 《农业机械学报》 *

Similar Documents

Publication Publication Date Title
US20210365963A1 (en) Target customer identification method and device, electronic device and medium
CN109034861B (zh) 基于移动端日志行为数据的用户流失预测方法及装置
CN108874823A (zh) 智能客服的实现方法和装置
CN110378575B (zh) 逾期事件回款催收方法及装置、计算机可读存储介质
CN109145050B (zh) 一种计算设备
CN111428217A (zh) 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质
CN111652661B (zh) 一种手机客户端用户流失预警处理方法
CN112734570A (zh) 信用违约预测方法、装置及电子设备
CN113656699A (zh) 用户特征向量确定方法、相关设备及介质
CN110213239B (zh) 可疑交易报文生成方法、装置及服务器
CN111091460A (zh) 一种数据处理方法及装置
CN111199430A (zh) 业务解决方案生成方法、装置及电子设备
CN111062422A (zh) 一种套路贷体系化识别方法及装置
CN116645134A (zh) 一种信用卡分期的推荐方法、装置、设备及介质
CN113763966B (zh) 一种端到端的文本无关声纹识别方法及系统
CN115329068A (zh) 一种工单分类模型训练方法、装置、电子设备和存储介质
CN116562952A (zh) 虚假交易订单检测方法及装置
CN115130577A (zh) 一种欺诈号码识别方法、装置及电子设备
CN111951011B (zh) 监控系统阈值确定方法及装置
CN113706307A (zh) 一种股票中长期趋势预测方法、设备、系统及介质
CN112489630A (zh) 一种语音识别方法及设备
CN113111165A (zh) 基于深度学习模型的接警警情类别确定方法和装置
CN116911304B (zh) 一种文本推荐方法及装置
CN114282973B (zh) 一种基于移动终端的电子商务支付系统及方法
CN116934341A (zh) 交易风险的评估方法、装置、电子设备和介质

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

Application publication date: 20200526