CN111445263A - 信息处理方法、装置和计算机系统及介质 - Google Patents
信息处理方法、装置和计算机系统及介质 Download PDFInfo
- Publication number
- CN111445263A CN111445263A CN201910037417.8A CN201910037417A CN111445263A CN 111445263 A CN111445263 A CN 111445263A CN 201910037417 A CN201910037417 A CN 201910037417A CN 111445263 A CN111445263 A CN 111445263A
- Authority
- CN
- China
- Prior art keywords
- information
- result
- promotion
- migration
- ownership
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 46
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 230000005012 migration Effects 0.000 claims abstract description 126
- 238000013508 migration Methods 0.000 claims abstract description 126
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 51
- 230000004044 response Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 22
- 238000013145 classification model Methods 0.000 claims description 19
- 238000009434 installation Methods 0.000 claims description 19
- 230000001737 promoting effect Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 230000008451 emotion Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000009223 counseling Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000006854 communication Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 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
- 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
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种信息处理方法、装置和计算机系统及介质,其中,适用于服务器端的信息处理方法可以包括:接收第一信息,所述第一信息包含用户咨询信息;响应于接收到的所述第一信息,对所述第一信息进行特征提取,得到第一特征,所述第一特征与是否针对所述用户咨询信息发送催促权属迁移信息相关联;利用权属促迁预测模型处理所述第一特征,得到权属促迁结果,所述权属促迁结果指示了是否发送催促权属迁移信息;以及输出所述权属促迁结果。
Description
技术领域
本公开涉及互联网技术领域,更具体地,涉及一种信息处理方法、装置和计算机系统及介质。
背景技术
随着互联网和计算机技术的快速发展,电子商务成为人们生活中的组成部分,且使得潜在消费者的购物模式发生了巨大的变革。与传统的店铺经营不同,潜在消费者无法直接接触到真实的商品,而是通过浏览商家所提供的图片及文字描述来决定是否购买某个商品。此外,客服人员不再与潜在消费者进行面对面的交流,而是在聊天软件上提供相应的服务。出于对价格、质量等多种因素的考虑,电商平台的潜在消费者在购买某种商品时,更有可能保持观望态度或是出现犹豫,导致错失某些有一样的商品。因此,电商平台所提供售前服务的质量变得至关重要。客服人员在服务过程中适时地对潜在消费者进行引导,催促潜在消费者下单,将有利于促进交易。但是,过于频繁的催单行为将会极大地损害潜在消费者的购物体验,降低潜在消费者的购买欲望。
在实现本公开构思的过程中,发明人发现现有技术中至少存在如下问题:目前完全依赖于客服人员判断催单时机,客服人员的专业与否在很大程度上决定了电商平台的成交量。但是,对客服人员进行培训也将增大企业的销售成本。
发明内容
有鉴于此,本公开提供了一种有助于提升判断催单时机的准确度、且能降低客服培训难度的信息处理方法、装置和计算机系统及介质。
本公开的一个方面提供了一种服务器端的信息处理方法,可以包括以下操作:首先,接收第一信息,所述第一信息包含用户咨询信息,响应于接收到的所述第一信息,对所述第一信息进行特征提取,得到第一特征,所述第一特征与是否针对所述用户咨询信息发送催促权属迁移信息相关联,然后,利用权属促迁预测模型处理所述第一特征,得到权属促迁结果,所述权属促迁结果指示了是否发送催促权属迁移信息,接着,输出所述权属促迁结果。本公开利用权属促迁预测模型判断用户咨询信息中是否包含购买商品的用户意图,并据此判断当前是否适合进行权属促迁,如发送催单信息等,可以有效降低客服培训难度,提升客服水平,并提升潜在消费者的下单率。
根据本公开的实施例,所述权属促迁预测模型可以包括广度模型和/或深度模型,所述权属促迁结果为以下任意一种:所述广度模型的输出结果、所述深度模型的输出结果或者所述广度模型的输出结果和所述深度模型的输出结果的加权结果,其中:所述广度模型的输入可以包括以下任意一种或多种:用户咨询信息的意图分类结果、用户咨询每类意图分类的次数、用户与客服之间累计对话次数、是否包含体现正面情绪的话语或者所述第一信息的词向量,所述深度模型的输入至少包括所述第一信息的词向量。以上模型输入的特征可以很好的表征用户是否具有购买咨询的相关商品的意图,其中,广度模型可以以统计特征等作为输入,可解释强,深度模型对原始文本的词向量进行组合,能够学习到数据中隐藏的抽象特征,因此,基于上述特征,利用广度模型和/或深度模型可以较好的预测催单时机。
根据本公开的实施例,所述广度模型可以包括广义线性模型,广义线性模型的参数包括模型权重参数和偏移量,根据所述广度模型的输出结果得到是否发送催促权属迁移信息的第一概率。所述深度模型包括前馈神经网络,所述深度模型的输入包括所述第一信息的预设个数的词向量,根据所述深度模型的输出结果得到是否发送催促权属迁移信息的第二概率。相应地,所述权属促迁预测模型还可以包括二分类模型,用于基于所述第一概率和所述第二概率得到所述权属促迁结果。本公开可以从深度和广度两个维度来预测催单时机,有助于提升预测催单时机的准确度。其中,广度模型可解释强,经过训练之后能够具有较好的记忆能力,深度模型能够学习到数据中隐藏的抽象特征,泛化能力较强,两个模型的联合训练过程将两者的优点结合起来,从而达到较高的催单时机预测的准确率。
根据本公开的实施例,所述方法还可以包括如下操作:采用(Follow TheRegularized Leader,简称FTRL)算法训练所述广度模型,和/或,采用(AdaptiveGradient,简称AdaGrad)算法训练所述深度模型。其中,训练所述广度模型和/或所述深度模型采用的训练数据为包含用户咨询信息且具有权属促迁标识的文本信息,所述权属促迁标识指示了进行权属促迁或者不进行权属促迁。
根据本公开的实施例,所述用户咨询信息的意图分类结果包括以下任意一种或多种:营销类、属性类、政策类、配送安装类或者其他类,其中,所述营销类包括以下任意一种或多种:商品价格咨询、优惠券获得方式或者优惠券使用,所述属性类包括以下任意一种或多种:商品相关、商品区别或者商品好评率,所述政策类包括以下任意一种或多种:是否提供发票、节能补贴或者价保条件,所述配送安装类包括以下任意一种或多种:配送周期、配送方式或者安装方式。这些从用户咨询信息的意图分类结果中细化得到的子分类,可以从更多维度表征用户意图,有助于提升预测催单时机的准确度。
根据本公开的实施例,所述用户咨询信息的意图分类结果可以通过以下方式获取:利用意图分类模型处理所述第一信息,得到用户咨询信息的意图分类结果,所述意图分类模型包括卷积神经网络。
根据本公开的实施例,所述方法还可以包括:接收来自第一客户端的答复信息请求,所述答复信息请求包括针对所述第一信息的答复信息的请求,响应于接收到所述答复信息请求,至少基于所述第一信息和所述权属促迁结果确定答复信息,其中,所述权属促迁结果包括催单结果,然后,向所述第一客户端发送所述答复信息。这样可以实现第一客户端在所述第一信息表征用户存在购买意图时,自动进行催单,实现了智能客服催单的功能,可以有效提升智能客服的订单转换率。
本公开的另一个方面提供了一种第一客户端的信息处理方法,包括:首先,接收来自服务器端的第一信息(如第二客户端发送的第一信息经由服务器端分发至/转发至第一客户端)以及权属促迁结果,所述第一信息包含用户咨询信息,所述权属促迁结果指示了是否发送催促权属迁移信息,然后,向第二客户端发送答复信息,其中,所述答复信息为至少基于所述第一信息和所述权属促迁结果确定的。本公开可以在客服提供咨询服务时,参考服务器端发送的权属促迁结果来确定答复信息,该权属促迁结果能帮助客服判断当前是否适合催单,可以提升客服的服务水平和订单转换率。
根据本公开的实施例,所述第一客户端包括第一服务模式和/或第二服务模式,其中,所述第一服务模式为根据用户选择,至少基于权属促迁结果确定是否发送包括催促权属迁移信息的信息;所述第二服务模式为第一客户端至少基于所述权属促迁结果确定是否发送包括催促权属迁移信息的信息,相应地,所述答复信息可以通过以下方式确定:首先,确定当前服务模式,所述当前服务模式为所述第一服务模式和所述第二服务模式中的任意一种,然后,基于确定的当前服务模式,至少根据所述第一信息和所述权属促迁结果确定答复信息。本公开可以基于第一信息、客服确定的服务模式、权属促迁结果等来确定要发送给第二客户端的答复信息。
根据本公开的实施例,所述基于确定的当前服务模式,至少根据所述第一信息和所述权属促迁结果确定答复信息可以包括如下操作,响应于确定所述当前服务模式为第一服务模式:首先,展示所述第一信息和所述权属促迁结果,然后,接收客服输入信息,所述客服输入信息至少基于所述第一信息和所述权属促迁结果确定,以及,响应于接收到的所述客服输入信息,向所述第二客户端发送所述客服输入信息。这样使得客服可以在看到服务器端推荐的权属促迁结果之后,自行判断当前是否发送催单信息,达到了辅助客服提升服务水平的效果。
根据本公开的实施例,所述基于确定的当前服务模式,至少根据所述第一信息和所述权属促迁结果确定答复信息可以包括如下操作,响应于确定所述当前服务模式为第二服务模式:首先,向服务器端发送答复信息请求,所述答复信息请求为针对所述第一信息的答复信息的请求,然后,接收服务器端发送的答复信息,所述答复信息为所述服务器端至少根据所述第一信息和所述权属促迁结果确定,接着,响应于接收到的所述答复信息,向所述第二客户端发送所述答复信息。这样可以在咨询量大或客服离开工位时自动进行答复,可以实现智能催单,且有助于提升订单转换率。
本公开的另一个方面提供了一种信息处理装置,可以包括:第一接收模块、特征提取模块、促迁结果获取模块和输出模块。其中,所述第一接收模块用于接收第一信息,所述第一信息包含用户咨询信息,所述特征提取模块用于响应于接收到的所述第一信息,对所述第一信息进行特征提取,得到第一特征,所述第一特征与是否针对所述用户咨询信息发送催促权属迁移信息相关联,所述促迁结果获取模块用于利用权属促迁预测模型处理所述第一特征,得到权属促迁结果,所述权属促迁结果指示了是否发送催促权属迁移信息,所述输出模块用于输出所述权属促迁结果。
根据本公开的实施例,所述权属促迁预测模型可以包括广度模型和/或深度模型,所述权属促迁结果为以下任意一种:所述广度模型的输出结果、所述深度模型的输出结果或者所述广度模型的输出结果和所述深度模型的输出结果的加权结果,其中:所述广度模型的输入可以包括以下任意一种或多种:用户咨询信息的意图分类结果、用户咨询每类意图分类的次数、用户与客服之间累计对话次数、是否包含体现正面情绪的话语或者所述第一信息的词向量,所述深度模型的输入至少包括所述第一信息的词向量。
根据本公开的实施例,所述广度模型可以包括广义线性模型,广义线性模型的参数包括模型权重参数和偏移量,根据所述广度模型的输出结果得到是否发送催促权属迁移信息的第一概率。所述深度模型包括前馈神经网络,所述深度模型的输入包括所述第一信息的预设个数的词向量,根据所述深度模型的输出结果得到是否发送催促权属迁移信息的第二概率。相应地,所述权属促迁预测模型还可以包括二分类模型,用于基于所述第一概率和所述第二概率得到所述权属促迁结果。
根据本公开的实施例,所述权属促迁预测模型的训练方式可以如下所示,采用FTRL算法训练所述广度模型,和/或,采用AdaGrad算法训练所述深度模型。其中,训练所述广度模型和/或所述深度模型采用的训练数据为包含用户咨询信息且具有权属促迁标识的文本信息,所述权属促迁标识指示了进行权属促迁或者不进行权属促迁。
根据本公开的实施例,所述用户咨询信息的意图分类结果包括以下任意一种或多种:营销类、属性类、政策类、配送安装类或者其他类,其中,所述营销类包括以下任意一种或多种:商品价格咨询、优惠券获得方式或者优惠券使用,所述属性类包括以下任意一种或多种:商品相关、商品区别或者商品好评率,所述政策类包括以下任意一种或多种:是否提供发票、节能补贴或者价保条件,所述配送安装类包括以下任意一种或多种:配送周期、配送方式或者安装方式。这些从用户咨询信息的意图分类结果中细化得到的子分类,可以从更多维度表征用户意图,有助于提升预测催单时机的准确度。
根据本公开的实施例,所述装置还可以包括意图分类模块,该意图分类模块用于利用意图分类模型处理所述第一信息,得到用户咨询信息的意图分类结果,所述意图分类模型包括卷积神经网络。
根据本公开的实施例,所述装置还可以包括第二接收模块、答复信息获取模块和第一发送模块,其中,所述第二接收模块用于接收来自第一客户端的答复信息请求,所述答复信息请求包括针对所述第一信息的答复信息的请求,所述答复信息获取模块用于响应于接收到所述答复信息请求,至少基于所述第一信息和所述权属促迁结果确定答复信息,其中,所述权属促迁结果包括催单结果,所述第一发送模块用于向所述第一客户端发送所述答复信息。
本公开的另一个方面提供了一种信息处理装置,包括:第三接收模块和第二发送模块,其中,所述第三接收模块用于接收来自服务器端的第一信息以及权属促迁结果,所述第一信息包含用户咨询信息,所述权属促迁结果指示了是否发送催促权属迁移信息,所述第二发送模块用于向第一客户端发送答复信息,其中,所述答复信息为至少基于所述第一信息和所述权属促迁结果确定的。
根据本公开的实施例,所述第一客户端可以包括第一服务模式和/或第二服务模式,其中,所述第一服务模式为根据用户选择,至少基于权属促迁结果确定是否发送包括催促权属迁移信息的信息,所述第二服务模式为第一客户端至少基于所述权属促迁结果确定是否发送包括催促权属迁移信息的信息,相应地,所述第二发送模块可以包括:模式确定单元和答复信息获取单元,其中,所述模式确定单元用于确定当前服务模式,所述当前服务模式为所述第一服务模式和所述第二服务模式中的任意一种,所述答复信息获取单元用于基于确定的当前服务模式,至少根据所述第一信息和所述权属促迁结果确定答复信息。
根据本公开的实施例,所述答复信息获取单元可以包括展示子单元、第一接收子单元和第一发送子单元,响应于确定所述当前服务模式为第一服务模式,所述展示子单元用于展示所述第一信息和所述权属促迁结果,所述第一接收子单元用于接收客服输入信息,所述客服输入信息至少基于所述第一信息和所述权属促迁结果确定,所述第一发送子单元用于响应于接收到的所述客服输入信息,向所述第二客户端发送所述客服输入信息。
根据本公开的实施例,所述答复信息获取单元可以包括第二发送子单元、第二接收子单元和第三发送子单元,响应于确定所述当前服务模式为第二服务模式,所述第二发送子单元用于向服务器端发送答复信息请求,所述答复信息请求为针对所述第一信息的答复信息的请求,所述第二接收子单元用于接收服务器端发送的答复信息,所述答复信息为所述服务器端至少根据所述第一信息和所述权属促迁结果确定,所述第三发送子单元用于响应于接收到的所述答复信息,向所述第二客户端发送所述答复信息。
本公开的另一个方面提供了一种计算机系统,包括:一个或多个处理器和存储装置,其中,该存储装置用于存储可执行指令,所述可执行指令在被所述处理器执行时,实现如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,可以至少部分地解决客服不易确定催单时机的问题,并因此可以实现提升客服的服务质量及订单转换率的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1A示意性示出了根据本公开实施例的信息处理方法、装置和计算机系统及介质的应用场景;
图1B示意性示出了根据本公开另一实施例的信息处理方法、装置和计算机系统及介质的应用场景。
图1C示意性示出了根据本公开实施例的适用于信息处理方法、装置的计算机系统架构;
图2A示意性示出了根据本公开实施例的服务器端的信息处理方法的流程图;
图2B示意性示出了根据本公开实施例的权属促迁预测模型的结构示意图;
图2C示意性示出了根据本公开另一实施例的权属促迁预测模型的结构示意图;
图2D示意性示出了根据本公开另一实施例的权属促迁预测模型的结构示意图;
图2E示意性示出了根据本公开实施例的意图分类模型的结构示意图;
图3示意性示出了根据本公开实施例的第一客户端的信息处理方法的流程图;
图4A示意性示出了根据本公开实施例的信息处理装置的框图;
图4B示意性示出了根据本公开另一实施例的信息处理装置的框图;以及
图5示意性示出了根据本公开实施例的适于实现信息处理方法的计算机系统的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
为了便于理解本公开的技术方案,以下先详细分析现有技术存在的技术问题。人工客服所提供的服务质量,在企业的销售环节中发挥着至关重要的作用。电商商品的销售中除了商品自身的属性及价格相关的问题之外,还涉及到物流配送、平台促销活动与白条等多种问题。经验丰富的客服人员能够在与潜在消费者的沟通过程中,根据其所咨询的问题来判断他是否具有购买某种商品的意愿或是目前正处于犹豫状态,从而选择性地对他进行引导,催促他尽快下单。单纯地将上述经验制定为规则,然后对一线客服进行培训,并不能达到较好的效果。原因在于,在实际的销售中,客服与潜在消费者之间的交流具有一定的即时性和随机性,这对人为制定的规则在细致性上提出了非常高的要求,而这一要求几乎是不可能实现的。此外,过于细致的规则无论是在制定过程还是在培训客服上的成本都将会出现极大地上升,给企业带来较大的压力。
随着人工智能科学的不断发展,本公开提出了利用自然语言处理(NaturalLanguage Processing,简称NLP)技术为辅助人工客服、提高电商平台成交量提供了新的解决思路。NLP模型通过分析金牌客服与潜在消费者之间的沟通对话,能够学习到这些客服人员对潜在消费者进行引导的策略,并自动根据双方的历史对话信息来判断当前情况下是否需要催促潜在消费者进行下单,从而帮助人工客服提供更好的服务。由于用来训练NLP模型的数据来自于大量的金牌客服销售服务记录,因此NLP模型所预测得到的催单时机能够在最大限度上与这些经验丰富的客服人员保持一致。同时NLP模型具有较好的泛化能力,在不同种类和品牌的商品销售过程中,都能够对当前是否需要催单做出准确地判断,在有效提高商品成交率的同时,极大地降低了对客服人员进行培训的成本,使企业达到效益最大化。
具体地,本公开提供了一种信息处理方法、装置和计算机系统及介质。该适用于服务器端的信息处理方法包括特征提取过程和结果预测过程。在特征提取过程中,响应于接收到的所述第一信息,对所述第一信息进行特征提取,得到第一特征,其中,所述第一特征与是否针对所述用户咨询信息发送催促权属迁移信息相关联。在完成特征提取之后,进入结果预测过程,利用权属促迁预测模型处理所述第一特征,得到权属促迁结果,其中,所述权属促迁结果指示了是否发送催促权属迁移信息,该权属促迁结果可以辅助客服判断在答复第一信息时是否适合发送催促信息,如催单信息等。
图1A示意性示出了根据本公开实施例的信息处理方法、装置和计算机系统及介质的应用场景。
如图1A所示,为服务器端给人工客服发送是否进行催单的提示信息的应用场景。当人工客服接收到潜在消费者的咨询信息时,服务器端同时根据上述咨询信息判断该潜在消费者是否具有购买意向及是否适合针对该咨询信息发送催单信息,得到权属促迁结果,并将该权属促迁结果发送给人工客服作为参考,以便于人工客服及时决定要给潜在消费者发送的答复信息。如潜在消费者针对某个品牌的空调咨询“请问十五六平的平房得买多大的空调?”,并针对人工客服推荐的信息“1.5匹亲亲”做出积极响应时(如答复“嗯/好的”),则服务器端可以据此判断该潜在消费者具有较强的购买意图。此时,可以给人工客服发送“催单提示”的提示信息,以便于人工客服给潜在消费者发送催单信息,促进潜在消费者下单。当然,服务器端还可以在确定无需进行催单时,发送无需进行催单的提升信息,在此不做限定。
图1B示意性示出了根据本公开另一实施例的信息处理方法、装置和计算机系统及介质的应用场景。
如图1B所示,为第一客户端自动根据服务器端发送的权属促迁结果为进行催单时,自动给潜在消费者发送催单信息的应用场景,以潜在消费者的客户端为例进行图示。当人工客服休息时,如午餐时间、会议时间等,可以通过模式选择等方式,使得第一客户端(如人工客服的客户端)根据服务器端发送的权属促迁结果为进行催单时,自动给潜在消费者的客户端发送催单信息。如潜在消费者针对某个品牌的空调咨询“请问十五六平的平房得买多大的空调?”,并针对人工客服的客户端自动推荐的信息“1.5匹亲亲”做出积极响应时(如答复“我也这么觉得”),则服务器端可以据此判断该潜在消费者具有较强的购买意图,给人工客服的客户端发送催单提示信息,人工客服的客户端接收到催单提示信息时,则自动给潜在消费者发送催单类型的答复信息,如“现在就是活动最低价的哦,亲亲放心购买,由于下单顾客较多,商品数量有限,尽快下单,早出库早安装,早享受哦~可以咨询近期活动”。
当然,该场景还适用于智能客服(全自动客服)的场景,在此不做限定。例如,当服务器端判断潜在消费者具有较强的购买意图时,则通过虚拟客服可以直接给潜在消费者发送催单信息,促进潜在消费者下单。
图1C示意性示出了根据本公开实施例的适用于信息处理方法、装置的计算机系统架构100。需要注意的是,图1C所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1C所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、虚拟现实设备等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站、所提出的问题提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的服务器端的信息处理方法一般可以由服务器105执行,本公开实施例所提供的第一客户端的信息处理方法一般可以由终端设备101、102、103执行。相应地,本公开实施例所提供的适用于服务器端的信息处理装置一般可以设置于服务器105中,本公开实施例所提供的适用于第一客户端的信息处理装置一般可以设置于终端设备101、102、103中。本公开实施例所提供的服务器端的信息处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的适用于服务器端的信息处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
为了便于理解本发明,以下以所述催促权属迁移信息为催促下单信息、所述权属促迁结果为催单结果为例进行示例性说明。
图2A示意性示出了根据本公开实施例的服务器端的信息处理方法的流程图。
如图2A所示,该方法包括操作S201~操作S204。
在操作S201,接收第一信息,所述第一信息包含用户咨询信息。
参考图1C所示,例如,终端设备102上安装有购物应用(APP),如京东商城,京东商城上支持在线客服,潜在消费者在浏览了一款具有多种匹数的空调之后,与在线客服进行咨询,将包含用户咨询信息的第一信息发送给在线客服,如“请问十五六平的平房得买多大的空调”、“怎么安装”、“是否包物流”……等。
然后,在操作S202,响应于接收到的所述第一信息,对所述第一信息进行特征提取,得到第一特征,所述第一特征与是否针对所述用户咨询信息发送催促权属迁移信息相关联。
在本实施例中,所述第一特征可以为根据专家经验、历史数据统计、仿真模拟等方式确定的可以用于表征潜在消费者的购买意图的各种特征,也可以是基于机器学习自动提取的能表征潜在消费者的购买意图的各种特征,在此不做限定。例如,所述第一特征可以包括但不限于以下任意一种或多种:用户咨询信息的意图分类结果、用户咨询每类意图分类的次数、用户与客服之间累计对话次数或者所述第一信息的词向量。其中,用户咨询信息的意图分类结果除了可以用于判断催单时机外,还可以用于智能客服自动确定所述第一信息的答复信息中。
需要说明的是,除了上述列举的各特征外,能用于表征潜在消费者的购买意图的各种特征都适用,在此不再一一列举。此外,为了以更加多维度地表征潜在消费者的购买意图,还可以对上述各特征进行细化,例如,可以将用户咨询信息的意图分类结果进一步细化为多个子类别。
具体地,所述用户咨询信息的意图分类结果可以包括以下任意一种或多种:营销类、属性类、政策类、配送安装类或者其他类,其中,所述营销类包括以下任意一种或多种:商品价格咨询、优惠券获得方式或者优惠券使用,所述属性类包括以下任意一种或多种:商品相关、商品区别或者商品好评率,所述政策类包括以下任意一种或多种:是否提供发票、节能补贴或者价保条件,所述配送安装类包括以下任意一种或多种:配送周期、配送方式或者安装方式。结合各意图分类结果和子类结果能更加准确的刻画出潜在消费者的购买意图。
此外,所述用户咨询信息的意图分类结果可以通过以下方式获取:利用意图分类模型处理所述第一信息,得到用户咨询信息的意图分类结果,所述意图分类模型包括卷积神经网络。
在一个具体实施例中,根据潜在消费者所提问题的意图,可以将其对于商品的咨询分为若干大类,每个大类中又可以详细地分为若干小类。结合这些意图的分类,能够将潜在消费者的历史查询信息特征描述出来,用来判断他是否具有购买某种商品的倾向,从而决定客服人员是否需要在本轮对话中催促他下单。例如,在AI辅助销售催单预测项目中,可以将潜在消费者所提问题的意图分为如下五大类:营销类、属性类、政策类、配送安装类以及其他类。其中,将营销类划分为商品价格咨询、优惠券获得方式、优惠券使用等共8个小类;将属性类划分为商品相关、商品区别、商品好评率等共5个小类;将政策类划分为是否提供发票、节能补贴、价保条件等17个小类;将配送安装类划分为配送周期、配送方式、家电安装方式等25个小类。NLP的多分类模型能够自动地将潜在消费者在每轮对话中所咨询的问题划分为某个小类,并得到它所对应大类的信息。以下以京东售前场景中所应用的潜在消费者意图分类的一些实际的例子。
近期活动咨询:你这618有活动吗?
库存状态:现在有货吗?
能否优惠:过几天会不会便宜一些?
配送周期:今天能到吗?
家电安装:请问买这个包安装吗?
优惠券使用:券不可以用吗?
补货时间:没货的拍下后,还能在有货后设置送货时间吗,这款现在采购中
预约配送时间:现在下单可以指定时间送货吗?
促销形式:有什么满减活动吗?
商品价格咨询:啥意思,就是3699了?
增票相关:发票是16增值税专用发票吗?
例如,潜在消费者与客服的对话为:“请问十五六平的平房得买多大的空调”、“1.5匹亲亲”、“嗯”,相应地,所述第一特征可以包括:(用户咨询信息的意图分类结果,属性类)、(属性类,商品相关)、(用户咨询每类意图分类的次数,属性类,1)、(用户咨询每类意图分类的次数,商品相关,1)、(用户与客服之间累计对话次数,2)、(是否包含体现正面情绪的话语,是)、(词向量)等。在得到这些特征之后,就可以基于这些特征判断潜在消费者的购买意图,进而确定当前是否适合进行催单。
图2B示意性示出了根据本公开实施例的意图分类模型的结构示意图。
卷积神经网络(Convolutional Neural Network,简称CNN)在深度学习,尤其是图像处理领域得到了广泛应用。CNN能够很好地拟合人脑在处理视觉信息时的特性,擅长于提取图像中的多种抽象特征。与图像处理任务相比,NLP需要关注文本中的上下文信息,更倾向于采用时序网络如循环神经网络(Recurrent Neural Network,简称RNN)、长短时记忆网络(Long Short-Term Memory,简称LSTM)等来完成任务。而时序网络的结构往往比较复杂,对计算机的运算性能要求较高,并不适用于需要进行快速应答的实时应用场景,而RNN适用于处理序列数据,能够学习到前后数据之间的关系。在售前环节,消费者的提问通常很短,且每句话能够完整的表达出意思,几乎不涉及到上下文之间信息的交互。因此,本实施例将每句话的词语转化为向量并依次从上到下排列为一个矩阵,使用一个浅层的CNN网络,包括输入层、卷积层、池化层、全连接层和分类的归一化指数(softmax)激活层,来获取用户咨询信息的意图分类结果。具体地,softmax激活函数可以如式(1)所示:
其中,k表示维度,ni=ΦT i x,为广义线性模型,x为测试样本。
在操作S203,利用权属促迁预测模型处理所述第一特征,得到权属促迁结果,所述权属促迁结果指示了是否发送催促权属迁移信息。
在本实施例中,所述权属促迁预测模型可以包括广度模型和/或深度模型,所述权属促迁结果可以为所述广度模型的输出结果,或者所述深度模型的结果,或者所述广度模型和所述深度模型的输出结果的加权结果。其中,广度模型可以为广义线性模型,深度模型可以为深度神经网络(Deep Neural Network,简称DNN),包含多个隐藏层,能够较好地对数据特征进行拟合。需要说明的是,当所述权属促迁预测模型包括广度模型和深度模型时,该权属促迁预测模型还可以包括一个二分类模型,用于根据广度模型和深度模型的输出结果得到加权结果。
图2C示意性示出了根据本公开实施例的权属促迁预测模型的结构示意图。
在一种实施方式中,所述权属促迁预测模型包括广度模型,所述广度模型包括广义线性模型,广义线性模型的参数包括模型权重参数和偏移量,根据所述广度模型的输出结果得到是否发送催促权属迁移信息的第一概率。如图2C所示,该广义线性模型可以如式(2)所示。
y=wTx+b (2)
其中,x=[x1,x2,...,xn]是一个n维的特征向量,分别对应于所述第一特征中的个特征;w=[w1,w2,...,wn]是n维的模型权重参数。模型输出y经过S型生长曲线(Sigmoid函数)激活之后得到最终的预测概率。
图2D示意性示出了根据本公开另一实施例的权属促迁预测模型的结构示意图。
在另一种实施方式中,如图2D所示,所述权属促迁预测模型包括深度模型,所述深度模型包括前馈神经网络,所述深度模型的输入包括所述第一信息的预设个数的词向量,根据所述深度模型的输出结果得到是否发送催促权属迁移信息的第二概率,该第二概率即为模型预测结果。利用前馈神经网络进行预测时,对于原始的句子,如第一信息,需要将其转换为低维的特征向量作为网络的输入,这一过程被称为向量化(embedding)。假设对于每个句子,可以截取其中固定长度个数的词,如n个词,n为预设的正整数,可以为4、5、6、7、10、20等,不足的长度以及句子中未出现在词表中的词可以使用0或者随机小的正数进行填充。网络中隐含层的输出可以如式(3)所示。
al+1=f(wTal+bl) (3)
其中,f是激活函数,如可以采用线性整流函数(Rectified Linear Unit,简称ReLU)等。在模型的训练过程中,可以先对embedding向量进行随机初始化,之后再不断对其进行调整。l表示第l层隐含层,a是输入,al表示第l层隐含层的输入。
需要说明的是,在实际中,适用于分类的深度模型还有很多种,比如目前流行的基于LSTM的各种变种网络结构等,另外在机器学习中,一些其他的分类模型也能够实现比较高的准确率,如支持向量机(SVM)等。所以本实施例是基于深度网络或者机器学习模型来判断客服对话中某一时刻是否需要催单,来辅助人工客服提升业务能力。此外,还可以代替人工客服对对话中某一时刻是否需要催单进行预测,从而实现能把握催单时机的智能客服。
图2E示意性示出了根据本公开另一实施例的权属促迁预测模型的结构示意图。
在另一种实施方式中,如图2E所示,所述权属促迁预测模型可以包括广度模型和深度模型,此外,还可以包括二分类模型。
例如,在得到潜在消费者每轮对话中所咨询问题的意图之后,借助能够反映金牌客服催单策略的特征,作为依据训练一个二分类模型,用来判断对话中的某个时刻是否需要对潜在消费者进行催单。可以选择机器学习中的广度-深度模型进行二分类预测,模型的训练样本全部来自于金牌客服与潜在消费者之间包含有催单话语的对话,其中每段对话中双方之间的一轮交互作为一个样本,如果该样本中客服对潜在消费者进行了催单,则该样本标签为正;否则样本的标签为负。所提取的特征可以包括:潜在消费者在本轮和前5轮对话中所咨询问题的意图类型(大类和子类)、在历史对话中,用户咨询每类问题的累积次数(分别针对大类和子类进行统计)、用户和客服之间累计进行对话的轮数、本轮对话中用户的回复中是否包含“谢谢”、“我知道了”等体现正面情绪的话语等。此外,在每轮对话中,用户咨询问题的文本信息也会被向量化,作为模型的输入参与到催单预测中。
具体地,所述权属促迁预测模型最终的预测结果由广度模型和深度模型输出的加权和表示,如式(4)所示。
其中,σ可以为一个分类函数,例如分段函数等,使得当加权和超过预设阈值时输出1,小于预设阈值时输出0,φ(x)可以等于式(2)中的y。此外,可以采用Follow TheRegularized Leader(简称FTRL)算法对广度模型进行训练,采用Adaptive Gradient(简称AdaGrad)算法对深度模型进行训练。广度模型以人工设计的特征作为输入,可解释性强(广度模型的输入特征与输出结果之间的因果关系比较直观),经过训练之后能够具有较好的记忆能力,深度模型对原始文本的词向量进行组合,能够学习到数据中隐藏的抽象特征,泛化能力较强。联合训练过程将两者的优点结合起来,从而达到较高的准确率。其中,FTRL算法是一种模型优化的求解方法,适合于求解非光滑正则项的凸优化问题,在批量处理大规模数据集上表现出优秀的性能。AdaGrad算法是在梯度下降中自适应地更新不同参数所对应的学习率。
需要说明的是,加权结果可以为对上述第一概率和第二概率的加权结果,如式(4)所示,第一概率的加权方式可以为分别基于每个输入广度模型的第一特征预测一个概率,然后利用权重Wwide进行加权求和。第二概率的加权方式可以为分别基于第(l+1)层隐含层的输入al+1与权重Wdeep进行加权求和。然后再利用二分类函数σ进行融合,得到所述权属促迁预测模型的权属促迁结果,其中,Wwide和Wdeep分别是一个多维的模型权重参数,通过模型训练得到,例如,训练该模型使得输出的结果趋近于训练数据的标识信息。
在一个具体实施例中,采用一个简单的浅层CNN网络,将潜在消费者提问的意图分为56个不同的小类,对应于5个大类;并在此基础上提取第一特征用来训练一个广度-深度模型判定催单时机。在本实施例中,采用大约5万条人工训练标注的具有催单标识的训练数据作为权属促迁预测模型的训练集,训练好的模型的准确率能达到84%的准确率,基本达到了人工客服的工作质量,随着后期提取新特征的加入以及反例(bad case)的反馈,模型的效果会有进一步的提升。例如,在使用的一个包含11588条样本的测试集中,预测结果如表1所示。
表1 预测结果
其中,F1分数(f1-score)是统计学中用来衡量二分类模型精确度的一种指标,同时兼顾了分类模型的精确度和召回率。
需要说明的是,上述正样本的精确度偏低的部分原因是由于:在统计精确度时,直接按照当前接收的第一信息的时间作为预测的催单时机的时间点进行统计,而对于提前一句或靠后一句提示进行催单的算作不正确的预测,因此,得到的关于正样本的预测精确度偏低,但是对于提示客服进行催单的作用同样较好,在此进行说明。
在操作S204中,输出所述权属促迁结果。
在一个具体实施例中,预测结果如下所示。
jd_4e9cba6027f8a(潜在消费者):http://item.jd.com/2883289.html
模型预测结果:不催单(可以给客服发送不催单提示或不发送信息)
美的-小乔儿(客服):#E-s07
美的-小乔儿:在的哦,哈尼#E-s07~欢迎光临美的空调自营旗舰店!我是人见人爱,花见花开的无敌美的空调客服小乔儿,妹纸现全程为您服务哦#E-s21~有什么可帮您的~
jd_4e9cba6027f8a:请问十五六平的平房得买多大的空调
模型预测结果:不催单
美的-小乔儿:1.5匹亲亲
jd_4e9cba6027f8a:嗯
模型预测结果:催单(可以给客服发送催单提示信息)
美的-小乔儿:#E-s07
美的-小乔儿:好的亲,有其他问题请及时联系我哦,我会第一时间给亲处理的哦~~
美的-小乔儿:现在就是活动最低价的哦,亲亲放心购买,由于下单顾客较多,商品数量有限,尽快下单,早出库早安装,早享受哦~近期活动咨询(此为催单信息)
jd_4e9cba6027f8a:好的
模型预测结果:不催单
美的-小乔儿:#E-s07
jd_4e9cba6027f8a:如果现在下单什么时候能收到
模型预测结果:不催单
美的-小乔儿:亲下单试下,是有显示的哦,以订单显示为准~~
美的-小乔儿:一般是到货的第二天安装的,是京东配送,美的安装的哦,两拨人的~
jd_4e9cba6027f8a:我是河北的,几天能到货呢
模型预测结果:不催单
美的-小乔儿:亲下单试下,是有显示的哦,以订单显示为准~~
美的-小乔儿:一般是到货的第二天安装的,是京东配送,美的安装的哦,两拨人的~
本公开提供的信息处理方法将NLP中的文本分类模型及机器学习中的广度-深度模型应用到电商客服催单时机的自动预测中,能够自动判断出双方交流过程中合适的催单时机,优化客服所提供服务的质量,提高平台的成交量。NLP文本分类模型通过分析语义,对潜在消费者的每次提问进行意图分类;在此基础上提取每轮对话及其历史对话的特征信息,连同原始文本一同训练广度-深度模型,从而模拟人工客服对催单时机进行预测。通过不断的算法迭代,催单模型的预测准确率能够不断上升,并逐步替代人工客服,最终实现无人化的售前催单时机自动预测。将NLP模型及机器学习技术应用到无人客服领域,能够快捷准确地对潜在消费者的回复做出应答,帮助传统的人工客服提高服务效率,降低企业的销售成本。
在另一个实施例中,所述第一客户端还可以提供自动客服服务模式,具体地,所述方法还可以包括如下操作。
接收来自第一客户端的答复信息请求,所述答复信息请求包括针对所述第一信息的答复信息的请求。响应于接收到所述答复信息请求,至少基于所述第一信息和所述权属促迁结果确定答复信息,其中,所述权属促迁结果包括催单结果,然后,向所述第一客户端发送所述答复信息。
具体地,服务器端可以在接收到针对第一信息的答复信息请求之后,对第一信息进行语义理解,然后根据语义理解的结果确定答复信息,并将答复信息发送给第一客户端以实现智能客服。
图3示意性示出了根据本公开实施例的第一客户端的信息处理方法的流程图。
如图3所示,该第一客户端的信息处理方法可以包括操作S301~操作S302。
在操作S301中,接收来自服务器端的第一信息以及权属促迁结果,所述第一信息包含用户咨询信息,所述权属促迁结果指示了是否发送催促权属迁移信息。
例如,如上所述的实施例中,第一信息以及权属促迁结果可以如下所示。
jd_4e9cba6027f8a:请问十五六平的平房得买多大的空调
权属促迁结果:不催单
jd_4e9cba6027f8a:嗯
权属促迁结果:催单
在操作S302中,向第二客户端发送答复信息,其中,所述答复信息为至少基于所述第一信息和所述权属促迁结果确定的。
在本实施例中,所述权属促迁结果可以只包括需要催单的结果,或者同时包括需要催单的结果和不需要催单的结果,在此不做限定。
在另一个实施例中,所述第一客户端可以包括第一服务模式和/或第二服务模式,其中,所述第一服务模式为根据用户选择,至少基于权属促迁结果确定是否发送包括催促权属迁移信息的信息;所述第二服务模式为第一客户端至少基于所述权属促迁结果确定是否发送包括催促权属迁移信息的信息。
相应地,所述答复信息通过以下方式确定。
首先,确定当前服务模式,所述当前服务模式为所述第一服务模式和所述第二服务模式中的任意一种。例如,客服系统支持不同服务模式的手动切换时,可以根据客服输入的信息确定当期服务模式,如输入的选择服务模式的信息。又例如,客服系统可以根据当前时间自动选择服务模式,如夜晚12点至早晨7点之间自动切换至第二服务模式。
然后,基于确定的当前服务模式,至少根据所述第一信息和所述权属促迁结果确定答复信息。
在一种实施方式中,第一客户端处于第一服务模式,相应地,所述基于确定的当前服务模式,至少根据所述第一信息和所述权属促迁结果确定答复信息可以包括如下操作。
首先,展示所述第一信息和所述权属促迁结果。例如:
jd_4e9cba6027f8a:请问十五六平的平房得买多大的空调
权属促迁结果:不催单
然后,接收客服输入信息,所述客服输入信息至少基于所述第一信息和所述权属促迁结果确定。例如:
美的-小乔儿:1.5匹亲亲(不是催单信息)
接着,响应于接收到的所述客服输入信息,向所述第二客户端发送所述客服输入信息。例如,第二客户端可以显示如下信息:
jd_4e9cba6027f8a:请问十五六平的平房得买多大的空调
美的-小乔儿:1.5匹亲亲
在另一种实施方式中,第一客户端处于第二服务模式,相应地,所述基于确定的当前服务模式,至少根据所述第一信息和所述权属促迁结果确定答复信息可以包括如下操作。
首先,向服务器端发送答复信息请求,所述答复信息请求为针对所述第一信息的答复信息的请求。需要说明的是,可以是针对每个第一信息均发送答复信息请求,还可以是只发送一次或针对部分第一信息发送答复信息请求,例如,当客服选择第二服务模式时,会给服务器端发送一个答复信息请求,在客户切换至第一服务模式之前都不会再次发送答复信息请求,及服务器端会记录客服的服务模式以确定是否发送推荐的答复信息。
然后,接收服务器端发送的答复信息,所述答复信息为所述服务器端至少根据所述第一信息和所述权属促迁结果确定。所述服务器端生成针对所述第一信息的答复信息可以采用各种现有技术,不同的是,在确定需要发送催单信息时,发送给第一客户端的答复信息为催单信息,而不包括或不仅仅包括现有技术针对第一信息所推荐的答复信息。
响应于接收到的所述答复信息,向所述第二客户端发送所述答复信息。
本公开提供的方法可以实现智能客服在恰当的时机给潜在消费者发送催单信息,有助于提升订单转换率。
图4A示意性示出了根据本公开实施例的信息处理装置的框图。
如图4A所示,该信息处理装置400可以包括:第一接收模块410、特征提取模块420、促迁结果获取模块430和输出模块440。
其中,所述第一接收模块410用于接收第一信息,所述第一信息包含用户咨询信息,所述特征提取模块420用于响应于接收到的所述第一信息,对所述第一信息进行特征提取,得到第一特征,所述第一特征与是否针对所述用户咨询信息发送催促权属迁移信息相关联,所述促迁结果获取模块430用于利用权属促迁预测模型处理所述第一特征,得到权属促迁结果,所述权属促迁结果指示了是否发送催促权属迁移信息,所述输出模块440用于输出所述权属促迁结果。
具体地,所述权属促迁预测模型可以包括广度模型和/或深度模型,所述权属促迁结果为以下任意一种:所述广度模型的输出结果、所述深度模型的输出结果或者所述广度模型的输出结果和所述深度模型的输出结果的加权结果,其中:所述广度模型的输入可以包括以下任意一种或多种:用户咨询信息的意图分类结果、用户咨询每类意图分类的次数、用户与客服之间累计对话次数、是否包含体现正面情绪的话语或者所述第一信息的词向量,所述深度模型的输入至少包括所述第一信息的词向量。
其中,所述广度模型可以包括广义线性模型,广义线性模型的参数包括模型权重参数和偏移量,根据所述广度模型的输出结果得到是否发送催促权属迁移信息的第一概率。所述深度模型包括前馈神经网络,所述深度模型的输入包括所述第一信息的预设个数的词向量,根据所述深度模型的输出结果得到是否发送催促权属迁移信息的第二概率。相应地,所述权属促迁预测模型还可以包括二分类模型,用于基于所述第一概率和所述第二概率得到所述权属促迁结果。
此外,所述广度模型可以采用FTRL算法训练,所述深度模型可以采用AdaGrad算法训练。其中,训练所述广度模型和/或所述深度模型采用的训练数据为包含用户咨询信息且具有权属促迁标识的文本信息,所述权属促迁标识指示了进行权属促迁或者不进行权属促迁。
在一个具体实施例中,所述用户咨询信息的意图分类结果包括以下任意一种或多种:营销类、属性类、政策类、配送安装类或者其他类,其中,所述营销类包括以下任意一种或多种:商品价格咨询、优惠券获得方式或者优惠券使用,所述属性类包括以下任意一种或多种:商品相关、商品区别或者商品好评率,所述政策类包括以下任意一种或多种:是否提供发票、节能补贴或者价保条件,所述配送安装类包括以下任意一种或多种:配送周期、配送方式或者安装方式。这些从用户咨询信息的意图分类结果中细化得到的子分类,可以从更多维度表征用户意图,有助于提升预测催单时机的准确度。
在另一个实施例中,所述信息处理装置400还可以包括第二接收模块、答复信息获取模块和第一发送模块。
其中,所述第二接收模块用于接收来自第一客户端的答复信息请求,所述答复信息请求包括针对所述第一信息的答复信息的请求,所述答复信息获取模块用于响应于接收到所述答复信息请求,至少基于所述第一信息和所述权属促迁结果确定答复信息,其中,所述权属促迁结果包括催单结果,所述第一发送模块用于向所述第一客户端发送所述答复信息。
相应地,本公开的另一个方面提供了一种信息处理装置4000。图4B示意性示出了根据本公开另一实施例的信息处理装置的框图。如图4B所示,该信息处理装置4000可以包括:第三接收模块4100和第二发送模块4200,其中,所述第三接收模块4100用于接收来自服务器端的第一信息以及权属促迁结果,所述第一信息包含用户咨询信息,所述权属促迁结果指示了是否发送催促权属迁移信息,所述第二发送模块4200用于向第一客户端发送答复信息,其中,所述答复信息为至少基于所述第一信息和所述权属促迁结果确定的。
具体地,所述第一客户端可以包括第一服务模式和/或第二服务模式。其中,所述第一服务模式为根据用户选择,至少基于权属促迁结果确定是否发送包括催促权属迁移信息的信息,所述第二服务模式为第一客户端至少基于所述权属促迁结果确定是否发送包括催促权属迁移信息的信息。相应地,所述第二发送模块4200可以包括:模式确定单元和答复信息获取单元,其中,所述模式确定单元用于确定当前服务模式,所述当前服务模式为所述第一服务模式和所述第二服务模式中的任意一种,所述答复信息获取单元用于基于确定的当前服务模式,至少根据所述第一信息和所述权属促迁结果确定答复信息。
在一种实施方式中,所述答复信息获取单元可以包括展示子单元、第一接收子单元和第一发送子单元,响应于确定所述当前服务模式为第一服务模式,所述展示子单元用于展示所述第一信息和所述权属促迁结果,所述第一接收子单元用于接收客服输入信息,所述客服输入信息至少基于所述第一信息和所述权属促迁结果确定,所述第一发送子单元用于响应于接收到的所述客服输入信息,向所述第二客户端发送所述客服输入信息。
在另一种实施方式中,所述答复信息获取单元可以包括第二发送子单元、第二接收子单元和第三发送子单元,响应于确定所述当前服务模式为第二服务模式,所述第二发送子单元用于向服务器端发送答复信息请求,所述答复信息请求为针对所述第一信息的答复信息的请求,所述第二接收子单元用于接收服务器端发送的答复信息,所述答复信息为所述服务器端至少根据所述第一信息和所述权属促迁结果确定,所述第三发送子单元用于响应于接收到的所述答复信息,向所述第二客户端发送所述答复信息。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一接收模块410、特征提取模块420、促迁结果获取模块430和输出模块440中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一接收模块410、特征提取模块420、促迁结果获取模块430和输出模块440中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一接收模块410、特征提取模块420、促迁结果获取模块430和输出模块440中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图5示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的方框图。图5示出的计算机系统仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,根据本公开实施例的计算机系统500包括处理器501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 503中,存储有系统500操作所需的各种程序和数据。处理器501、ROM 502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,系统500还可以包括输入/输出(I/O)接口505,输入/输出(I/O)接口505也连接至总线504。系统500还可以包括连接至I/O接口505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口505。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器501执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (17)
1.一种服务器端的信息处理方法,包括:
接收第一信息,所述第一信息包含用户咨询信息;
响应于接收到的所述第一信息,对所述第一信息进行特征提取,得到第一特征,所述第一特征与是否针对所述用户咨询信息发送催促权属迁移信息相关联;
利用权属促迁预测模型处理所述第一特征,得到权属促迁结果,所述权属促迁结果指示了是否发送催促权属迁移信息;以及
输出所述权属促迁结果。
2.根据权利要求1所述的方法,其中,所述权属促迁预测模型包括广度模型和/或深度模型,所述权属促迁结果为以下任意一种:所述广度模型的输出结果、所述深度模型的输出结果或者所述广度模型的输出结果和所述深度模型的输出结果的加权结果,其中:
所述广度模型的输入包括以下任意一种或多种:用户咨询信息的意图分类结果、用户咨询每类意图分类的次数、用户与客服之间累计对话次数、是否包含体现正面情绪的话语或者所述第一信息的词向量;以及
所述深度模型的输入至少包括所述第一信息的词向量。
3.根据权利要求2所述的方法,其中:
所述广度模型包括广义线性模型,广义线性模型的参数包括模型权重参数和偏移量,根据所述广度模型的输出结果得到是否发送催促权属迁移信息的第一概率;
所述深度模型包括前馈神经网络,所述深度模型的输入包括所述第一信息的预设个数的词向量,根据所述深度模型的输出结果得到是否发送催促权属迁移信息的第二概率;以及
所述权属促迁预测模型还包括二分类模型,用于基于所述第一概率和所述第二概率得到所述权属促迁结果。
4.根据权利要求3所述的方法,还包括:
采用FTRL算法训练所述广度模型;
采用AdaGrad算法训练所述深度模型;
其中,
训练所述广度模型和/或所述深度模型采用的训练数据为包含用户咨询信息且具有权属促迁标识的文本信息,所述权属促迁标识指示了进行权属促迁或者不进行权属促迁。
5.根据权利要求2所述的方法,其中,所述用户咨询信息的意图分类结果包括以下任意一种或多种:营销类、属性类、政策类、配送安装类或者其他类,其中,
所述营销类包括以下任意一种或多种:商品价格咨询、优惠券获得方式或者优惠券使用,
所述属性类包括以下任意一种或多种:商品相关、商品区别或者商品好评率,
所述政策类包括以下任意一种或多种:是否提供发票、节能补贴或者价保条件,以及
所述配送安装类包括以下任意一种或多种:配送周期、配送方式或者安装方式。
6.根据权利要求5所述的方法,其中,所述用户咨询信息的意图分类结果通过以下方式获取:
利用意图分类模型处理所述第一信息,得到用户咨询信息的意图分类结果,所述意图分类模型包括卷积神经网络。
7.根据权利要求1所述的方法,还包括:
接收来自第一客户端的答复信息请求,所述答复信息请求包括针对所述第一信息的答复信息的请求;
响应于接收到所述答复信息请求,至少基于所述第一信息和所述权属促迁结果确定答复信息,其中,所述权属促迁结果包括催单结果;以及
向所述第一客户端发送所述答复信息。
8.一种第一客户端的信息处理方法,包括:
接收来自服务器端的第一信息以及权属促迁结果,所述第一信息包含用户咨询信息,所述权属促迁结果指示了是否发送催促权属迁移信息;以及
向第二客户端发送答复信息,其中,所述答复信息为至少基于所述第一信息和所述权属促迁结果确定的。
9.根据权利要求8所述的方法,其中:
所述第一客户端包括第一服务模式和/或第二服务模式,其中,所述第一服务模式为根据用户选择,至少基于权属促迁结果确定是否发送包括催促权属迁移信息的信息;所述第二服务模式为第一客户端至少基于所述权属促迁结果确定是否发送包括催促权属迁移信息的信息;
所述答复信息通过以下方式确定:
确定当前服务模式,所述当前服务模式为所述第一服务模式和所述第二服务模式中的任意一种;以及
基于确定的当前服务模式,至少根据所述第一信息和所述权属促迁结果确定答复信息。
10.根据权利要求9所述的方法,其中,所述基于确定的当前服务模式,至少根据所述第一信息和所述权属促迁结果确定答复信息包括:
响应于确定所述当前服务模式为第一服务模式,
展示所述第一信息和所述权属促迁结果;
接收客服输入信息,所述客服输入信息至少基于所述第一信息和所述权属促迁结果确定;以及
响应于接收到的所述客服输入信息,向所述第二客户端发送所述客服输入信息。
11.根据权利要求10所述的方法,其中,所述基于确定的当前服务模式,至少根据所述第一信息和所述权属促迁结果确定答复信息包括:
响应于确定所述当前服务模式为第二服务模式,
向服务器端发送答复信息请求,所述答复信息请求为针对所述第一信息的答复信息的请求;
接收服务器端发送的答复信息,所述答复信息为所述服务器端至少根据所述第一信息和所述权属促迁结果确定;以及
响应于接收到的所述答复信息,向所述第二客户端发送所述答复信息。
12.一种信息处理装置,包括:
第一接收模块,用于接收第一信息,所述第一信息包含用户咨询信息;
特征提取模块,用于响应于接收到的所述第一信息,对所述第一信息进行特征提取,得到第一特征,所述第一特征与是否针对所述用户咨询信息发送催促权属迁移信息相关联;
促迁结果获取模块,用于利用权属促迁预测模型处理所述第一特征,得到权属促迁结果,所述权属促迁结果指示了是否发送催促权属迁移信息;以及
输出模块,用于输出所述权属促迁结果。
13.根据权利要求12所述的装置,还包括:
第二接收模块,用于接收来自第一客户端的答复信息请求,所述答复信息请求包括针对所述第一信息的答复信息的请求;
答复信息获取模块,用于响应于接收到所述答复信息请求,至少基于所述第一信息和所述权属促迁结果确定答复信息,其中,所述权属促迁结果包括催单结果;以及
第一发送模块,用于向所述第一客户端发送所述答复信息。
14.一种信息处理装置,包括:
第三接收模块,用于接收来自服务器端的第一信息以及权属促迁结果,所述第一信息包含用户咨询信息,所述权属促迁结果指示了是否发送催促权属迁移信息;以及
第二发送模块,用于向第一客户端发送答复信息,其中,所述答复信息为至少基于所述第一信息和所述权属促迁结果确定的。
15.根据权利要求14所述的装置,其中:
所述第一客户端包括第一服务模式和/或第二服务模式,其中,所述第一服务模式为根据用户选择,至少基于权属促迁结果确定是否发送包括催促权属迁移信息的信息;所述第二服务模式为第一客户端至少基于所述权属促迁结果确定是否发送包括催促权属迁移信息的信息;
所述第二发送模块包括:
模式确定单元,用于确定当前服务模式,所述当前服务模式为所述第一服务模式和所述第二服务模式中的任意一种;以及
答复信息获取单元,用于基于确定的当前服务模式,至少根据所述第一信息和所述权属促迁结果确定答复信息。
16.一种计算机系统,包括:
一个或多个处理器;
存储装置,用于存储可执行指令,所述可执行指令在被所述处理器执行时,实现根据权利要求1~11中任一项所述的方法。
17.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时实现根据权利要求1~11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910037417.8A CN111445263A (zh) | 2019-01-15 | 2019-01-15 | 信息处理方法、装置和计算机系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910037417.8A CN111445263A (zh) | 2019-01-15 | 2019-01-15 | 信息处理方法、装置和计算机系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111445263A true CN111445263A (zh) | 2020-07-24 |
Family
ID=71626597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910037417.8A Pending CN111445263A (zh) | 2019-01-15 | 2019-01-15 | 信息处理方法、装置和计算机系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445263A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112463945A (zh) * | 2021-02-02 | 2021-03-09 | 贝壳找房(北京)科技有限公司 | 会话语境划分方法与系统、交互方法与交互系统 |
TWI780471B (zh) * | 2020-08-20 | 2022-10-11 | 大陸商信泰光學(深圳)有限公司 | 模型建立及預測系統及方法,及相關電腦程式產品 |
-
2019
- 2019-01-15 CN CN201910037417.8A patent/CN111445263A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI780471B (zh) * | 2020-08-20 | 2022-10-11 | 大陸商信泰光學(深圳)有限公司 | 模型建立及預測系統及方法,及相關電腦程式產品 |
CN112463945A (zh) * | 2021-02-02 | 2021-03-09 | 贝壳找房(北京)科技有限公司 | 会话语境划分方法与系统、交互方法与交互系统 |
CN112463945B (zh) * | 2021-02-02 | 2021-04-23 | 贝壳找房(北京)科技有限公司 | 会话语境划分方法与系统、交互方法与交互系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11501763B2 (en) | Machine learning tool for navigating a dialogue flow | |
WO2019037391A1 (zh) | 客户购买意向的预测方法、装置、电子设备及介质 | |
JP6846390B2 (ja) | ドメイン間の文法スロットによる分類 | |
CN107316645A (zh) | 一种语音购物的方法和系统 | |
CN112671823A (zh) | 基于机器学习的交互到联络中心代理的最优路由 | |
CN107808314B (zh) | 用户推荐方法及装置 | |
US20210090017A1 (en) | Feedback-based management of delivery orders | |
KR20170137419A (ko) | 실시간 답변 메시지 생성을 이용한 고객 상담 서비스 제공 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체 | |
CN111831799A (zh) | 信息处理方法、信息处理装置和信息处理系统 | |
CN112215448A (zh) | 分配客服的方法和装置 | |
US20210287147A1 (en) | System and method for generating implicit ratings using user-generated content | |
CN113298568B (zh) | 用于投放广告的方法及装置 | |
Kaur et al. | Review of artificial intelligence with retailing sector | |
Leung et al. | Retail chatbots: The challenges and opportunities of conversational commerce | |
CN111445263A (zh) | 信息处理方法、装置和计算机系统及介质 | |
CN107430673A (zh) | 企业通信服务 | |
WO2020119568A1 (zh) | 对话情感分析方法及装置、存储介质和处理器 | |
CN111310035A (zh) | 基于心理和行为特征的推荐方法及装置 | |
Pavlova et al. | Crisis phenomena as an incentive to intensify e-commerce of the enterprise | |
CN113592315A (zh) | 一种处理纠纷单的方法和装置 | |
CN112669136A (zh) | 基于大数据的金融产品推荐方法、系统、设备及存储介质 | |
CN113902481B (zh) | 权益确定方法、装置、存储介质及设备 | |
CN113379511A (zh) | 用于输出信息的方法和装置 | |
Heinemann | The new online trade | |
Prasad | Artificial Intelligence and the Growing Influence on Shaping Consumer Demands: With Special Reference to Chatbots |
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 |