CN111507513A - 潜在投诉用户预测方法、装置、电子设备及存储介质 - Google Patents
潜在投诉用户预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111507513A CN111507513A CN202010280842.2A CN202010280842A CN111507513A CN 111507513 A CN111507513 A CN 111507513A CN 202010280842 A CN202010280842 A CN 202010280842A CN 111507513 A CN111507513 A CN 111507513A
- Authority
- CN
- China
- Prior art keywords
- complaint
- user
- potential
- seed
- record
- 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 59
- 238000004891 communication Methods 0.000 claims abstract description 70
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 11
- 230000004044 response Effects 0.000 abstract description 8
- 230000009471 action Effects 0.000 abstract description 6
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008451 emotion Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000011273 social behavior Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/0203—Market surveys; Market polls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种潜在投诉用户预测方法、装置、电子设备及存储介质,通过获取投诉信息,根据投诉信息,确定种子用户,根据种子用户的通信记录,确定种子用户的社交关系模型,通过社交关系模型对潜在投诉用户进行预测,由于进行过投诉行为的用户,会通过社交行为影响其他用户,导致其他用户转换为潜在的投诉用户,而转换的概率,由种子用户的社交关系影响力决定,因此,根据种子用户的社交关系模型,可以实现对潜在投诉用户的预测,进而使用主动响应的方式进行投诉处理,提高投诉满意率,降低投诉率和投诉处理成本。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种潜在投诉用户预测方法、装置、电子设备及存储介质。
背景技术
对于电信运营商而言,以客户为中心,关注客户的各种需求,降低客户投诉率,提升客户的满意度是日常运营工作的重点内容。随着社会生活水平质量的提高,客户对电信服务质量的要求也在日益提高。客户对电信服务进行投诉的数量和频次逐渐升高,使电信运营商的服务质量和效率面临挑战。
目前,传统的客户投诉处理方法是一种被动的方式,即客户在对电信服务产生不满,进行投诉后再安排响应处理,并通过回访的方式,向客户确认投诉是否得到解决,以提高客户的满意度。
但是,现有的被动响应的投诉响应方式处理时间长,过程繁琐效率较低,同时为了提高投诉用户的满意度,需要额外投入回访确认等人力物力成本,因此,现有的被动响应的投诉响应方式存在投诉处理满意度低、效率低下、成本高等问题。
发明内容
本发明提供一种潜在投诉用户预测方法、装置、电子设备及存储介质,用以解决投诉处理满意度低、效率低下、成本高等问题。
根据本公开实施例的第一方面,本发明提供了一种投诉用户预测方法,所述方法包括:
获取投诉信息;
根据所述投诉信息,确定种子用户;
根据种子用户的通信记录,确定所述种子用户的社交关系模型;
通过所述社交关系模型对潜在投诉用户进行预测。
可选地,所述根据投诉信息,确定种子用户,包括:
对所述投诉信息进行量化,以获得量化投诉信息;
根据预设的量化投诉阈值,筛选所述量化投诉信息中的有效投诉信息;
将所述有效投诉信息对应的投诉用户,确定为种子用户。
可选地,所述投诉信息中包括至少一个投诉记录,各所述投诉记录包括至少一个记录类别,所述对所述投诉信息进行量化,以获得量化投诉信息,包括:
将各所述投诉记录中相同记录类别对应的记录值进行归一化处理,以获得归一化投诉记录;
获取与各所述记录类别对应的记录类别权重系数;
将各所述归一化投诉记录分别与所述记录类别权重系数相乘后,进行累加计算,以获得与各量化投诉记录对应的量化投诉值;
将各所述量化投诉值的集合,确定为量化投诉信息。
可选地,所述根据预设的量化投诉阈值,筛选所述量化投诉信息中的有效投诉信息,包括:
获取预设的量化投诉阈值;
将所述量化投诉信息中大于所述量化投诉阈值的量化投诉值,确定为有效投诉值;
将所述有效投诉值对应的投诉信息,确定为有效投诉信息。
可选地,所述通信记录中包括对端号码,所述根据种子用户的通信记录,确定所述种子用户的社交关系模型,包括:
根据所述种子用户的通信记录,确定所述种子用户与所述通信记录的对端号码对应用户的通信关系;
根据所述种子用户与各所述对端号码对应用户的通信关系,构建社交网络图谱;
根据所述社交网络图谱确定所述种子用户的社交关系模型。
可选地,所述通过所述社交关系模型对潜在投诉用户进行预测,包括:
根据所述社交关系模型,确定与所述种子用户有社交关系的潜在用户;
计算所述种子用户与所述潜在用户之间的亲密度;
将所述潜在用户及对应的亲密度输入训练至收敛的神经网络模型,以预测所述潜在用户是否为潜在投诉用户。
可选地,所述计算所述种子用户与所述潜在用户之间的亲密度,包括:
根据所述社交关系模型,分别确定所述种子用户对应的种子用户节点,与所述潜在用户对应的潜在用户节点;
计算所述种子用户节点和所述潜在用户节点之间的一阶亲密度和二阶亲密度;
将所述一阶亲密度和所述二阶亲密度确定为所述种子用户与所述潜在用户之间的亲密度。
根据本公开实施例的第二方面,本发明提供了一种潜在投诉用户预测装置,包括:
投诉信息获取模块,用于获取投诉信息;
种子用户确定模块,用于根据所述投诉信息,确定种子用户;
社交模型确定模块,用于据种子用户的通信记录,确定所述种子用户的社交关系模型;
投诉用户预测模块,用于通过所述社交关系模型对潜在投诉用户进行预测。
可选地,所述种子用户确定模块,具体用于:
对所述投诉信息进行量化,以获得量化投诉信息;
根据预设的量化投诉阈值,筛选所述量化投诉信息中的有效投诉信息;
将所述有效投诉信息对应的投诉用户,确定为种子用户。
可选地,所述投诉信息中包括至少一个投诉记录,各所述投诉记录包括至少一个记录类别,所述种子用户确定模块在对所述投诉信息进行量化,以获得量化投诉信息时,具体用户:
将各所述投诉记录中相同记录类别对应的记录值进行归一化处理,以获得归一化投诉记录;
获取与各所述记录类别对应的记录类别权重系数;
将各所述归一化投诉记录分别与所述记录类别权重系数相乘后,进行累加计算,以获得与各量化投诉记录对应的量化投诉值;
将各所述量化投诉值的集合,确定为量化投诉信息。
可选地,所述种子用户确定模块在根据预设的量化投诉阈值,筛选所述量化投诉信息中的有效投诉信息时,具体用于:
获取预设的量化投诉阈值;
将所述量化投诉信息中大于所述量化投诉阈值的量化投诉值,确定为有效投诉值;
将所述有效投诉值对应的投诉信息,确定为有效投诉信息。
可选地,通信记录中包括对端号码,所述社交模型确定模块,具体用于:
根据所述种子用户的通信记录,确定所述种子用户与所述通信记录的对端号码对应用户的通信关系;
根据所述种子用户与各所述对端号码对应用户的通信关系,构建社交网络图谱;
根据所述社交网络图谱确定所述种子用户的社交关系模型。
可选地,所述投诉用户预测模块,具体用于:
根据所述社交关系模型,确定与所述种子用户有社交关系的潜在用户;
计算所述种子用户与所述潜在用户之间的亲密度;
将所述潜在用户及对应的亲密度输入训练至收敛的神经网络模型,以预测所述潜在用户是否为潜在投诉用户。
可选地,所述投诉用户预测模块,在计算所述种子用户与所述潜在用户之间的亲密度时,具体用于:
根据所述社交关系模型,分别确定所述种子用户对应的种子用户节点,与所述潜在用户对应的潜在用户节点;
计算所述种子用户节点和所述潜在用户节点之间的一阶亲密度和二阶亲密度;
将所述一阶亲密度和所述二阶亲密度确定为所述种子用户与所述潜在用户之间的亲密度。
根据本公开实施例的第三方面,本发明提供了一种电子设备,包括:存储器,处理器以及计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行如本公开实施例第一方面任一项所述的潜在投诉用户预测方法。
根据本公开实施例的第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如本公开实施例第一方面任一项所述的潜在投诉用户预测方法。
本发明提供的潜在投诉用户预测方法、装置、电子设备及存储介质,通过获取投诉信息,根据所述投诉信息,确定种子用户,根据种子用户的通信记录,确定所述种子用户的社交关系模型,通过所述社交关系模型对潜在投诉用户进行预测,由于进行过投诉行为的用户,会通过社交行为影响其他用户,导致其他用户转换为潜在的投诉用户,而转换的概率,由种子用户的社交关系影响力决定,因此,根据种子用户的社交关系模型,可以实现对潜在投诉用户的预测,进而使用主动响应的方式进行投诉处理,提高投诉满意率,降低投诉率和投诉处理成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本发明实施例提供的潜在投诉用户预测方法的一种应用场景图;
图2为本发明一个实施例提供的潜在投诉用户预测方法的流程图;
图3为本发明另一个实施例提供的潜在投诉用户预测方法的流程图;
图4为图3所示实施例中步骤S202的流程图;
图5为图3所示实施例中步骤S203的流程图;
图6为本发明再一个实施例提供的潜在投诉用户预测方法的流程图;
图7为图6所示实施例中步骤S309的流程图
图8为本发明一个实施例提供的潜在投诉用户预测装置的结构示意图;
图9为本发明一个实施例提供的电子设备的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
下面对本发明实施例的应用场景进行解释:
图1为本发明实施例提供的潜在投诉用户预测方法的一种应用场景图,在一个示例性的应用场景中,本发明实施例提供的潜在投诉用户预测方法应用于电子设备,例如,运营商在提供电信服务过程中,所使用的数据服务器。用户A在发生投诉行为后,数据服务器根据用户A的投诉信息预测潜在投诉用户,并将预测结果发送至运营商的客服人员,由客服人员根据预测结果进行主动投诉响应。
在本示例性的应用场景下,现有技术中运营商的数据服务器只对用户A的投诉信息进行记录,因此,运营商的客服人员只能被动的去响应用户A的投诉。用户发生投诉行为,说明用户已经对所使用的电信服务产生严重的不满,因此,需要客服人员用更长的时间去给客户解释和沟通,于是必然会占用了更多的客服资源,提高运营商的整体运营成本。
为了解决上述技术问题,本发明实施例提供的潜在投诉用户预测方法,通过已投诉用户的社交关系,确定可能受到投诉用户的影响而发生投诉行为的潜在投诉用户,由于未发生投诉的潜在投诉用户,不满程度比较低,消除客户的不满所耗费的时间也更短,因此运营商客服人员对未发生的投诉提前进行响应,能够显著降低运行成本,提高投诉处理效率,增加用户满意度。
下面以具体地实施例对本发明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,对本发明的实施例进行描述。
图2为本发明一个实施例提供的潜在投诉用户预测方法的流程图,应用于如图2所示,本实施例提供的潜在投诉用户预测方法包括以下几个步骤:
步骤S101,获取投诉信息。
具体的,投诉信息是指用户发生投诉行为后,与该用户投诉行为相关的信息,例如,投诉人姓名、电话号码、投诉时间、投诉级别、投诉内容、投诉次数等。根据投诉信息,可以追溯投诉用户的信息和投诉的具体内容。
可选地,投诉信息可以在用户的投诉行为发生后由系统自动记录并生成,也可以通过其他方式例如人工录入等方式生成,此处不做具体限定。获取投诉信息的方式有多种,例如,从相应的负责生成投诉信息的功能性电子设备处通过数据交换获取,或者从本地的存储介质中获取,可以根据具体的使用需求进行选择,此处不做具体限定。
步骤S102,根据投诉信息,确定种子用户。
投诉信息中包括投诉用户的信息,因此,根据投诉信息,可以确定相应的投诉用户。将投诉用户中影响力较大,或者具有较为典型的特征的投诉用户,确定为种子用户,利用种子用户的相关信息进行后续的潜在用户预测,具有较好的预测效果。
步骤S103,根据种子用户的通信记录,确定种子用户的社交关系模型。
具体地,通信记录包括语音通信记录和短信通信记录,其中,语音通信记录包括但不限于对端号码、主叫次数、被叫次数、通信时长、语音通信时间;短信通信记录包括但不限于对端号码、短信发送次数、短信接收次数、短信通信时间。根据种子用户信息,可以获取种子用户的通信记录,具体实现方法为本领域常规技术手段,此处不再赘述。
根据种子用户的通信记录,可以确定与种子用户有社交关系的其他用户,例如,根据种子用户的短信通信记录,将其中与种子用户在工作时间段,有大量短信通信记录的对端号码对应的用户,确定为与种子用户有社交关系,例如,同事关系,该用户可以为种子用户社交关系中的一个社交关系节点;再例如,根据种子用户的语音通信记录,将其中与种子用户在非工作时间段,有大量语音通信记录的对端号码对应的用户,确定为与种子用户有社交关系,例如,好友关系,该用户也可以为种子用户社交关系中的一个社交关系节点。根据多个社交关系节点,可以组成种子用户的社交关系模型。
步骤S104,通过社交关系模型对潜在投诉用户进行预测。
种子用户的社交关系模型,可以用于描述种子用户在其社交关系网络中的影响力大小,例如,根据种子用户的社交关系模型,可以确定种子用户对其社交关系网络中的A用户具有较大的影响力,对B用户具体较小影响力。而处于种子用户社交关系网络中的其他用户转变为投诉用户的概率,与其受到种子用户影响的大小具体固定的映射关系,例如,与种子用户关系亲密的A用户,受到种子用户的影响较大,则A用户有更大概率转换为投诉用户,因此,根据社交关系模型中的影响力关系,可以预测与目标用户有社交关系的潜在投诉用户。
本实施例中,通过获取投诉信息,根据投诉信息,确定种子用户,根据种子用户的通信记录,确定种子用户的社交关系模型,通过社交关系模型对潜在投诉用户进行预测,由于进行过投诉行为的用户,会通过社交行为影响其他用户,导致其他用户转换为潜在的投诉用户,而转换的概率,由种子用户的社交关系影响力决定,因此,根据种子用户的社交关系模型,可以实现对潜在投诉用户的预测,进而使用主动响应的方式进行投诉处理,提高投诉满意率,降低投诉率和投诉处理成本。
图3为本发明另一个实施例提供的潜在投诉用户预测方法的流程图,如图3所示,本实施例提供的潜在投诉用户预测方法在图2所示实施例提供的潜在投诉用户预测方法的基础上,对步骤S102进一步细化,则本实施例提供的潜在投诉用户预测方法包括以下几个步骤:
步骤S201,获取投诉信息。
步骤S202,对投诉信息进行量化,以获得量化投诉信息。
具体的,投诉信息中包括的信息内容复杂,难以直接进行比较,例如,投诉信息中的投诉次数能够表现投诉用户对该次投诉的负面情绪程度,负面情绪程度越高,投诉用户越有可能通过其社交关系网络影响其他用户,使其他用户成为潜在投诉用户。但是直接通过投诉次数,例如投诉次数为2次,无法准确表现投诉用户的负面情绪程度,因此需要对投诉信息进行量化,使投诉信息能够支撑后续对潜在投诉用户预测过程的量化计算。
可选地,投诉信息中包括至少一个投诉记录,各投诉记录包括至少一个记录类别,如图4所示,步骤S202包括步骤S2021、S2022、S2023和S2024四个具体的实现步骤:
步骤S2021,将各投诉记录中相同记录类别对应的记录值进行归一化处理,以获得归一化投诉记录。
具体的,例如投诉信息中包括的多条投诉记录中,记录类型包括:投诉时间、投诉级别、投诉次数等。将每条投诉记录的投诉时间、投诉级别、投诉次数按照多条投诉记录中的投诉时长和投诉次数的分布,分别进行归一化处理,生成0-1之间的数据。具体的归一化方法如式(1)所示:
其中,ni为第i条投诉记录中记录类型n的记录值,nmin为所有投诉记录中记录类型n的最小记录值;nmax为所有投诉记录中记录类型n的最大记录值,Ni为第i条投诉记录的归一化投诉记录值。
下面以一个具体的实施例进行说明。
在一条投诉记录A中,包括以下类别及记录值:
{
投诉时长:220秒;
投诉次数:3次;
投诉级别:3
}。
投诉记录A所表述的含义为:在某次投诉行为中,投诉时长为220秒,这是同一用户第三次进行投诉,投诉的重要级别为3级。
对投诉记录的记录值进行归一化处理后,得到的归一化投诉记录为:
{
投诉时长:0.5;
投诉次数:0.8;
投诉级别:0.6
}。
归一化投诉记录所表述的含义为:投诉记录A对应的投诉行为中,投诉时长为最大投诉时长的50%,投诉次数为最大投诉次数的80%,投诉的重要级别为最大级别的60%。
本实施例步骤中,通过对投诉记录的记录值进行归一化处理,使不同记录值映射至0-1的区间,便于不同记录值能够进行比较,提高量化计算的准确性和计算效率。
步骤S2022,获取与各记录类别对应的记录类别权重系数。
对于各记录类型,对投诉用户的影响程度不同,例如,投诉次数和投诉时长,均能代表投诉用户的负面情绪,但是影响投诉时长的因素很多,比如用户和客服之间由于交流不畅通导致投诉时长变成,而投诉次数则能比较直接的反应用户的负面情绪程度,因此,投诉次数和投诉时长相比,对于用户负面情绪的影响有更大的权重值。因此,对于不同的记录类型,对应有不同的权重系数。
其中,权重系数是根据具体的电信服务的业务类型和业务区域的特点确定预先设定的,权重系数可以从本地存储介质或者特定的电子设备中获取,此处不做具体限定。
步骤S2023,将各归一化投诉记录分别与记录类别权重系数相乘后,进行累加计算,以获得与各量化投诉记录对应的量化投诉值。
具体的,量化投诉值为将归一化后的记录值分别与记录类别权重系数相乘后,进行累加计算的结果,可以表现投诉用户的综合影响关联度,具体的,量化投诉值的计算方式如式(2)所示:
Si=ω1Ai+ω2Bi+…+ωnNi (2)
其中,Si为第i条投诉记录的量化投诉值,ωn为记录类别n的权重值,Ai,Bi,…,Ni为第i条投诉记录的各记录类别的归一化投诉记录值。
步骤S2024,将各量化投诉值的集合,确定为量化投诉信息。
投诉信息中包括多条投诉记录,根据上述处理步骤,每条投诉记录对应一个量化投诉值,因此,将各条投诉记录对应的量化投诉值合并,获得量化投诉信息,如式(3)所示:
S={S1,S2,…,Si,…,Sn} (3)
其中,S为量化投诉信息,S1,S2,……,Sn为量化投诉值。
步骤S203,根据预设的量化投诉阈值,筛选量化投诉信息中的有效投诉信息。
根据量化投诉值,可以量化的表示投诉用户的影响量化值,其中,量化投诉值有大有小,在量化投诉值符合一定条件时,才会产生较明显的影响作用,使其他用户转换为投诉用户,因此,根据预设的量化投诉阈值,从量化投诉信息中筛选出符合条件的量化投诉值对应的投诉信息,即有效投诉信息。
可选地,如图5所示,步骤S203包括步骤S2031、S2032和S2033三个具体的实现步骤:
步骤S2031,获取预设的量化投诉阈值。
步骤S2032,将量化投诉信息中大于量化投诉阈值的量化投诉值,确定为有效投诉值。
具体的,量化投诉阈值为根据具体业务特征和区域特征确定的阈值,随业务特征和区域特征的不同而不同,例如,在北京、上海等经济发达地区,用户素质较高,也习惯于通过投诉手段反应在使用电信服务过程中出现的问题,因此,该地区用户受到社交关系网络内其他用户影响,而发生投诉行为的概率更高,因此发达地区的量化投诉阈值较低,以增加有效投诉值的数量;相应的,而在西部欠发达地区,用户并不习惯通过投诉手段反应在使用电信服务过程中出现的问题,因此该地区用户受到社交关系网络内其他用户影响,而发生投诉行为的概率更低,因此欠发达地区的量化投诉阈值较高,以降低有效投诉值的数量。
同时,可以理解的是,不同业务特征也具有与区域特征相似的特征,使用不同业务的用户,具有不同的用户行为习惯,也应该为不同的业务特征设置相应的量化投诉阈值。因此,量化投诉阈值的确定方法,可以根据具体的情况进行设置,此处不对其进行具体说明。
步骤S204,将有效投诉信息对应的投诉用户,确定为种子用户。
具体地,后续根据种子用户的社交关系进行潜在投诉用户的预测,要求种子用户具有较大的影响力,因此,从所有投诉用户中,选择进行过有效投诉的用户,即有效信息对应的投诉用户,确定为种子用户。本实施例步骤中,通过确定种子用户,能够提高潜在投诉用户预测的有效性和准确性。
步骤S205,根据种子用户的通信记录,确定种子用户的社交关系模型。
步骤S206,通过社交关系模型对潜在投诉用户进行预测。
本实施例中,步骤S201、步骤S205-步骤S206的实现方式与本发明图2所示实施例中的步骤S101、步骤S103-步骤S104的实现方式相同,在此不再一一赘述。
图6为本发明另一个实施例提供的潜在投诉用户预测方法的流程图,如图6所示,本实施例提供的投诉用户预测方法在图3所示实施例提供的投诉用户预测方法的基础上,对步骤S205和步骤S206进一步细化,通信记录中包括对端号码,则本实施例提供的潜在投诉用户预测方法包括以下几个步骤:
步骤S301,获取投诉信息。
步骤S302,对投诉信息进行量化,以获得量化投诉信息。
步骤S303,根据预设的量化投诉阈值,筛选量化投诉信息中的有效投诉信息。
步骤S304,将有效投诉信息对应的投诉用户,确定为种子用户。
步骤S305,根据种子用户的通信记录,确定种子用户与通信记录的对端号码对应用户的通信关系。
具体地,通信记录包括语音通信记录和短信通信记录,其中,语音通信记录包括但不限于对端号码、主叫次数、被叫次数、通信时长、语音通信时间;短信通信记录包括但不限于对端号码、短信发送次数、短信接收次数、短信通信时间。根据种子用户与对端号码对应的用户联系的次数越多、时间越长,则说明对端号码对应的用户和种子用户的通信关系越亲密。因此,根据通讯记录中的语音通信记录和短信通信记录,可以确定种子用户与通信记录的对端号码对应用户的通信关系。
步骤S306,根据种子用户与各对端号码对应用户的通信关系,构建社交网络图谱。
通信关系可以用于表征种子用户与各对端号码对应用户的社交关系,社交网络图谱是一种图论,图论的拓扑由节点及节点相连的边表示,社交网络图谱中用户与用户之间的关系用亲密度来表示,亲密度的算法与两节点之间的边相关。可选地,构建社交网络图谱的具体方法包括通过大型网络信息嵌入算法(Large-scale Information NetworkEmbedding,简称LINE)构建社交网络图谱。
步骤S307,根据社交网络图谱确定种子用户的社交关系模型。
通过社交网络图谱,可以实现对种子用户社交关系的描述,通过对社交网络图谱进行序列化,可以获得用户的社交关系模型。序列化的具体实现方式与社交网络图谱的构建方法相关,此处不做具体限定。
步骤S308,根据社交关系模型,确定与种子用户有社交关系的潜在用户。
根据社交关系模型,可以确定种子用户和种子用户的社交关系,因此,可以确定与种子用户有社交关系的潜在用户。例如,应用种子用户的社交关系模型,输入预设的社交影响力阈值,则会输出大于社交影响力阈值的潜在用户。
本实施例步骤中,通过构建社交网络图谱,并根据社交网络图谱建立社交关系模型,可以实现对种子用户的社交关系网络的准确表达,并据此进行后续潜在投诉用户的预测,提高预测的准确性和全面性。
步骤S309,计算种子用户与潜在用户之间的亲密度。
可选地,如图7所示,步骤S309包括步骤S3091、S3092和S3093三个具体的实现步骤:
步骤S3091,根据社交关系模型,分别确定种子用户对应的种子用户节点,与潜在用户对应的潜在用户节点。
可选地,社交网络图谱通过LINE算法构建,序列化之后的社交关系模型通过有向带权图E=(vi,vj,wij)表示,其中E为存在种子用户的社交圈中潜在用户E构成的潜在节点集合,vi和vj为图谱中节点之间的有向边对应的用户Di和Ej,代表用户之间存在通信关系;wij为边的权重,表示边连接的两个用户之间的联系。例如,从节点vi指向节点vj的箭头,就是表示种子用户Di对于潜在用户Ej的权重,节点vi即为种子用户节点,vj即为潜在用户节点。
步骤S3092,计算种子用户节点和潜在用户节点之间的一阶亲密度和二阶亲密度。
其中,一阶亲密度代表两个节点之间的直接亲密程度,假设有一条边(i,j),与该条边相连的两个节点分别为vi和vj,设该条边的权重为wij,则这两个节点之间的一阶亲密度可以用权重wij来表示,定义两节点之间若不存在直接相连的边则一阶亲密度为0。的每条边的权重wij是以具体的使用情况确定的,例如,权重wij是以每条边相连的两个用户之间主被叫次数,语音通话时间为指标建立的,根据两个用户的联系程度对其进行设定,具体如式(4)所示:
式中,wij表示种子用户节点和潜在用户节点直接相连的边的权重,α是常数且0<α<1,fik表示种子用户Di与用户Ek的语音通信次数,tik表示种子用户Di与用户Ek的通话时长,k为所有与种子用户Di直接相连的潜在用户节点。
其中是种子用户节点vi的低维向量表示。定义经验分布W=∑(i,j)∈Ewij,利用KL散度衡量两个概率分布的距离,忽略常数项可以得到一阶亲密度目标函数为O1=-∑(i,j)∈Ewijlogp1(vi,vj),其中p1(vi,vj)为一阶亲密度的实际概率建模。
二阶亲密度表示种子用户节点与潜在用户节点之间的间接亲密程度,通过用户节点与潜在用户节点之间的相同邻居节点的数量来衡量,假设如果两个节点有许多相同的邻居节点,那么这两个节点也会更加亲近。如果没有任何节点同时连接vi和vj,那么vi和vj的二阶亲密度为0。
类似的,定义在给定用户节点vi的条件下,二阶亲密度目标函数为O2=-∑(i,j)∈ Ewijlogp2(vj|vi),其中p2(vj|vi)为二阶亲密度的实际概率建模。具体的实现方法为本领域常用技术手段,此处不再赘述。
同时,在社交网络中定义与种子用户存在一阶亲密度关系的节点为一度邻居节点,构成起始节点的一度局部社交网络;与种子用户存在二阶亲密度关系,并且和一度邻居节点直接相连的节点称为起始节点的二度邻居节点,一度局部社交网络和所有的二度邻居节点构成起始节点的二度局部社交网络。
根据亲密度的计算方法,可以通过局部社交网络中的邻居节点计算与目标用户之间的一阶亲密度和二阶亲密度,具体实现方法为本领域常用技术手段,此处不再赘述。
步骤S3093,将一阶亲密度和二阶亲密度确定为种子用户与潜在用户之间的亲密度。
根据种子用户与潜在用户之间的临近关系,分别确定种子用户与潜在用户的亲密度,可选地,使用加权法计算种子用户与潜在用户之间的亲密度。例如,种子用户与潜在用户A具有直接的社交关系,则将种子用户与潜在用户A的一阶亲密度确定为亲密度;种子用户与潜在用户B既具有直接社交关系,又具有间接社交关系,则将种子用户与潜在用户B的一阶亲密度和二阶亲密度加权相加后,确定为亲密度。
本实施例步骤中,通过确定种子用户与潜在用户之间的亲密度,实现对种子用户与潜在用户之间亲密度的准确评估,由于亲密度与潜在用户是否能够被转化为投诉用户有直接关系,因此通过确定亲密度,实现了对潜在投诉用户的量化评估,提高了预测潜在投诉用户的准确性和有效性。
步骤S310,将潜在用户及对应的亲密度输入训练至收敛的神经网络模型,以预测潜在用户是否为潜在投诉用户。
具体地,训练至收敛的神经网络模型能够根据输入的潜在用户及对应的亲密度,输出该潜在用户为潜在投诉用户的概率,当此概率大于预设概率阈值时,则认为该潜在用户为潜在投诉用户。对该神经网络模型进行训练、测试和使用的具体过程为本领域常规技术手段,此处不再赘述。
本实施例步骤中,通过使用神经网络模型对潜在投诉用户进行预测,相对于普通的归纳法预测和人工预测,提高了预测准确性和稳定性,也提高了预测效率。
本实施例中,步骤S301-步骤S304的实现方式与本发明图3所示实施例中的步骤S201-步骤S204的实现方式相同,在此不再一一赘述。
图8为本发明一个实施例提供的潜在投诉用户预测装置的结构示意图,如图8所示,本实施例提供的潜在投诉用户预测装置8包括:
投诉信息获取模块81,用于获取投诉信息。
种子用户确定模块82,用于根据投诉信息,确定种子用户。
社交模型确定模块83,用于据种子用户的通信记录,确定种子用户的社交关系模型。
投诉用户预测模块84,用于通过社交关系模型对潜在投诉用户进行预测。
可选地,种子用户确定模块82,具体用于:
对投诉信息进行量化,以获得量化投诉信息。
根据预设的量化投诉阈值,筛选量化投诉信息中的有效投诉信息。
将有效投诉信息对应的投诉用户,确定为种子用户。
可选地,投诉信息中包括至少一个投诉记录,各投诉记录包括至少一个记录类别,种子用户确定模块82在对投诉信息进行量化,以获得量化投诉信息时,具体用户:
将各投诉记录中相同记录类别对应的记录值进行归一化处理,以获得归一化投诉记录。
获取与各记录类别对应的记录类别权重系数。
将各归一化投诉记录分别与记录类别权重系数相乘后,进行累加计算,以获得与各量化投诉记录对应的量化投诉值。
将各量化投诉值的集合,确定为量化投诉信息。
可选地,种子用户确定模块82在根据预设的量化投诉阈值,筛选量化投诉信息中的有效投诉信息时,具体用于:
获取预设的量化投诉阈值。
将量化投诉信息中大于量化投诉阈值的量化投诉值,确定为有效投诉值。
将有效投诉值对应的投诉信息,确定为有效投诉信息。
可选地,通信记录中包括对端号码,社交模型确定模块83,具体用于:
根据种子用户的通信记录,确定种子用户与通信记录的对端号码对应用户的通信关系。
根据种子用户与各对端号码对应用户的通信关系,构建社交网络图谱。
根据社交网络图谱确定种子用户的社交关系模型。
可选地,投诉用户预测模块84,具体用于:
根据社交关系模型,确定与种子用户有社交关系的潜在用户。
计算种子用户与潜在用户之间的亲密度。
将潜在用户及对应的亲密度输入训练至收敛的神经网络模型,以预测潜在用户是否为潜在投诉用户。
可选地,投诉用户预测模块84,在计算种子用户与潜在用户之间的亲密度时,具体用于:
根据社交关系模型,分别确定种子用户对应的种子用户节点,与潜在用户对应的潜在用户节点。
计算种子用户节点和潜在用户节点之间的一阶亲密度和二阶亲密度。
将一阶亲密度和二阶亲密度确定为种子用户与潜在用户之间的亲密度。
其中,投诉信息获取模块81、种子用户确定模块82、社交模型确定模块83和投诉用户预测模块84依次连接。本实施例提供的潜在投诉用户预测装置8可以执行如图2-图7所示的方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图9为本发明一个实施例提供的电子设备的示意图,如图9所示,本实施例提供的电子设备包括:存储器91,处理器92以及计算机程序。
其中,计算机程序存储在存储器91中,并被配置为由处理器92执行以实现本发明图2-图7所对应的实施例中任一实施例提供的潜在投诉用户预测方法。
其中,存储器91和处理器92通过总线93连接。
相关说明可以对应参见图2-图7所对应的实施例中的步骤所对应的相关描述和效果进行理解,此处不做过多赘述。
本发明一个实施例提供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以实现本发明图2-图7所对应的实施例中任一实施例提供的潜在投诉用户预测方法。
其中,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种潜在投诉用户预测方法,其特征在于,所述方法包括:
获取投诉信息;
根据所述投诉信息,确定种子用户;
根据种子用户的通信记录,确定所述种子用户的社交关系模型;
通过所述社交关系模型对潜在投诉用户进行预测。
2.根据权利要求1所述的方法,其特征在于,所述根据投诉信息,确定种子用户,包括:
对所述投诉信息进行量化,以获得量化投诉信息;
根据预设的量化投诉阈值,筛选所述量化投诉信息中的有效投诉信息;
将所述有效投诉信息对应的投诉用户,确定为种子用户。
3.根据权利要求2所述的方法,其特征在于,所述投诉信息中包括至少一个投诉记录,各所述投诉记录包括至少一个记录类别,所述对所述投诉信息进行量化,以获得量化投诉信息,包括:
将各所述投诉记录中相同记录类别对应的记录值进行归一化处理,以获得归一化投诉记录;
获取与各所述记录类别对应的记录类别权重系数;
将各所述归一化投诉记录分别与所述记录类别权重系数相乘后,进行累加计算,以获得与各量化投诉记录对应的量化投诉值;
将各所述量化投诉值的集合,确定为量化投诉信息。
4.根据权利要求2所述的方法,其特征在于,所述根据预设的量化投诉阈值,筛选所述量化投诉信息中的有效投诉信息,包括:
获取预设的量化投诉阈值;
将所述量化投诉信息中大于所述量化投诉阈值的量化投诉值,确定为有效投诉值;
将所述有效投诉值对应的投诉信息,确定为有效投诉信息。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述通信记录中包括对端号码,所述根据种子用户的通信记录,确定所述种子用户的社交关系模型,包括:
根据所述种子用户的通信记录,确定所述种子用户与所述通信记录的对端号码对应用户的通信关系;
根据所述种子用户与各所述对端号码对应用户的通信关系,构建社交网络图谱;
根据所述社交网络图谱确定所述种子用户的社交关系模型。
6.根据权利要求5所述的方法,其特征在于,所述通过所述社交关系模型对潜在投诉用户进行预测,包括:
根据所述社交关系模型,确定与所述种子用户有社交关系的潜在用户;
计算所述种子用户与所述潜在用户之间的亲密度;
将所述潜在用户及对应的亲密度输入训练至收敛的神经网络模型,以预测所述潜在用户是否为潜在投诉用户。
7.根据权利要求6所述的方法,其特征在于,所述计算所述种子用户与所述潜在用户之间的亲密度,包括:
根据所述社交关系模型,分别确定所述种子用户对应的种子用户节点,与所述潜在用户对应的潜在用户节点;
计算所述种子用户节点和所述潜在用户节点之间的一阶亲密度和二阶亲密度;
将所述一阶亲密度和所述二阶亲密度确定为所述种子用户与所述潜在用户之间的亲密度。
8.一种潜在投诉用户预测装置,其特征在于,包括:
投诉信息获取模块,用于获取投诉信息;
种子用户确定模块,用于根据所述投诉信息,确定种子用户;
社交模型确定模块,用于据种子用户的通信记录,确定所述种子用户的社交关系模型;
投诉用户预测模块,用于通过所述社交关系模型对潜在投诉用户进行预测。
9.一种电子设备,其特征在于,包括:存储器,处理器以及计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1至7中任一项所述的潜在投诉用户预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的潜在投诉用户预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280842.2A CN111507513A (zh) | 2020-04-10 | 2020-04-10 | 潜在投诉用户预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280842.2A CN111507513A (zh) | 2020-04-10 | 2020-04-10 | 潜在投诉用户预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507513A true CN111507513A (zh) | 2020-08-07 |
Family
ID=71876011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010280842.2A Pending CN111507513A (zh) | 2020-04-10 | 2020-04-10 | 潜在投诉用户预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507513A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052994A (zh) * | 2020-08-28 | 2020-12-08 | 中信银行股份有限公司 | 客诉升级预测方法、装置及电子设备 |
CN112395351A (zh) * | 2020-11-19 | 2021-02-23 | 平安普惠企业管理有限公司 | 可视化的识别群诉风险方法、装置、计算机设备及介质 |
CN115134260A (zh) * | 2022-07-12 | 2022-09-30 | 北京东土拓明科技有限公司 | 用户感知提升方法及装置、计算设备和存储介质 |
-
2020
- 2020-04-10 CN CN202010280842.2A patent/CN111507513A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052994A (zh) * | 2020-08-28 | 2020-12-08 | 中信银行股份有限公司 | 客诉升级预测方法、装置及电子设备 |
CN112395351A (zh) * | 2020-11-19 | 2021-02-23 | 平安普惠企业管理有限公司 | 可视化的识别群诉风险方法、装置、计算机设备及介质 |
CN115134260A (zh) * | 2022-07-12 | 2022-09-30 | 北京东土拓明科技有限公司 | 用户感知提升方法及装置、计算设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507513A (zh) | 潜在投诉用户预测方法、装置、电子设备及存储介质 | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
WO2018157808A1 (zh) | 互联网征信评估方法和系统 | |
Huang et al. | Using truth detection to incentivize workers in mobile crowdsourcing | |
US9159077B2 (en) | Method and apparatus for deriving composite tie metric for edge between nodes of a telecommunication call graph | |
CN111435482A (zh) | 一种外呼模型的构建方法、外呼方法、装置和存储介质 | |
CN104778591A (zh) | 一种异常行为的特征信息的提取、识别方法和装置 | |
WO2023202067A1 (zh) | 对象评估方法、装置、存储介质及电子设备 | |
CN111061948B (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN107728772B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN115470867A (zh) | 基于知识图谱的坐席匹配方法、装置、设备及存储介质 | |
CN112200375B (zh) | 预测模型生成方法、预测模型生成装置和计算机可读介质 | |
CN114548118A (zh) | 一种服务对话检测方法及系统 | |
CN111091460A (zh) | 一种数据处理方法及装置 | |
CN107871213B (zh) | 一种交易行为评价方法、装置、服务器以及存储介质 | |
TWI662506B (zh) | 基於預測問題之客服分配方法 | |
CN111612366B (zh) | 渠道质量评估方法、装置、电子设备及存储介质 | |
CN111784357A (zh) | 风险事件的处理方法及装置 | |
CN114707488B (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
Usman et al. | Numerical Analysis of Next-Generation Wireless Networks Using Modified PLS SEM Model. | |
CN115222405A (zh) | 一种风险评估方法和装置 | |
CN112102013A (zh) | 一种基于特征融合的电销用户意图识别方法和系统 | |
CN117493626A (zh) | 业务推荐方法、装置、电子设备及存储介质 | |
CN117493625A (zh) | 业务推荐模型的训练方法、业务推荐方法及相关设备 | |
CN117131401A (zh) | 对象识别方法、装置、电子设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |
|
RJ01 | Rejection of invention patent application after publication |