CN111897864B - 一种基于互联网ai外呼的专家库数据抽取方法及系统 - Google Patents
一种基于互联网ai外呼的专家库数据抽取方法及系统 Download PDFInfo
- Publication number
- CN111897864B CN111897864B CN202010810228.2A CN202010810228A CN111897864B CN 111897864 B CN111897864 B CN 111897864B CN 202010810228 A CN202010810228 A CN 202010810228A CN 111897864 B CN111897864 B CN 111897864B
- Authority
- CN
- China
- Prior art keywords
- outbound
- response
- distribution
- expert database
- outbound response
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
Abstract
本发明涉及互联网数据处理技术领域，涉及一种基于互联网AI外呼的专家库数据抽取方法及系统。本发明通过对专家库终端中的各个专家库外呼项目的外呼访问计划进行模拟生成以确定专家库外呼项目的特征提取结果，并将待抽取专家库数据中各专家库外呼项目的外呼响应特征与专家库外呼项目的特征提取结果进行关联，由此能够确定待抽取专家库数据各专家库外呼项目的较佳外呼访问计划，以便于针对响应缓存服务进行针对性配置，从而有效提高数据读取的效率。
Description
技术领域
本发明涉及互联网数据处理技术领域，具体而言，涉及一种基于互联网AI外呼的专家库数据抽取方法及系统。
背景技术
随着互联网技术的不断发展，互联网AI外呼的专家库数据的数据量呈指数级增长，在存在大量数据访问需求时，如何进一步确定待抽取专家库数据各专家库外呼项目的较佳外呼访问计划，以便于针对响应缓存服务进行针对性配置，从而有效提高数据读取的效率，是本领域的一大难题。
发明内容
有鉴于此，本发明的目的在于提供一种基于互联网AI外呼的专家库数据抽取方法及系统，能够确定待抽取专家库数据各专家库外呼项目的较佳外呼访问计划，以便于针对响应缓存服务进行针对性配置，从而有效提高数据读取的效率。
根据本发明的第一方面，提供一种基于互联网AI外呼的专家库数据抽取方法，应用于与专家库终端通信连接的服务器，所述方法包括：
获取所述专家库终端中的专家库数据外呼响应数据，并根据所述专家库数据外呼响应数据建立所述专家库终端的外呼响应分布图谱；
根据所述外呼响应分布图谱对所述专家库终端中的各个专家库外呼项目的外呼访问计划进行模拟生成，并根据模拟生成结果对所述各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果；
根据所述外呼响应分布图谱确定待抽取专家库数据中各专家库外呼项目的外呼响应特征，根据待抽取专家库数据中各专家库外呼项目的外呼响应特征以及所述特征提取结果，确定所述各专家库外呼项目各自对应的抽取数据节点，并根据所述抽取数据节点对所述待抽取专家库数据进行数据抽取，将抽取后的数据上传到响应缓存服务中。
在第一方面的一种可能的实施方式中，所述获取所述专家库终端中的专家库数据外呼响应数据的步骤，包括：
获取向所述专家库终端发送的每次互联网AI外呼指令中与专家库业务相关的目标响应标识，并根据所述目标响应标识生成所述专家库终端中每个专家库外呼项目的专家库数据外呼响应数据；
对所述每个专家库外呼项目的专家库数据外呼响应数据进行汇总得到所述专家库终端的专家库数据外呼响应数据。
在第一方面的一种可能的实施方式中，所述根据所述专家库数据外呼响应数据建立所述专家库终端的外呼响应分布图谱的步骤，包括：
获取所述专家库数据外呼响应数据所对应的外呼响应服务类别的服务节点；
根据所述服务节点从预设的服务互动行为特征库中获取匹配所述外呼响应服务类别的预设服务互动行为特征，其中，所述预设的服务互动行为特征库中包括服务节点与预设服务互动行为特征之间的对应关系，所述预设服务互动行为特征用于表征所述外呼响应服务类别的互动方式的互动分布子图区域，并随着所述外呼响应服务类别的变化而适应性变化；
获取匹配当前所述外呼响应服务类别的实时外呼分布态势，根据所述实时外呼分布态势确定以所述预设服务互动行为特征为基准特征的待定外呼分布特征，将所述实时外呼分布态势以所述专家库数据外呼响应数据的外呼响应目标特征为基准，依次划分为与待定外呼分布特征对应的多个外呼分布节点特征，对每一外呼分布节点特征分别与所述待定外呼分布特征进行比对得到对应的分布匹配区间，当分布匹配区间不满足设定的参考值范围时，记录所述分布匹配区间对应的外呼分布节点特征为第一外呼响应分布特征，所述待定外呼分布特征为第二外呼响应分布特征，以得到由至少一个由所述第一外呼响应分布特征和所述第二外呼响应分布特征形成的外呼响应分布特征序列；
基于至少一个所述外呼响应分布特征序列确定对应的第一外呼响应分布图，并以第一外呼响应分布图为基准，根据设置的分布图单位对所述实时外呼分布态势进行划分，分别得到与每一所述分布图单位对应的多个包含第一外呼响应分布图的第二外呼响应分布图；
对所述第二外呼响应分布图进行解析，得到所述第二外呼响应分布图中各外呼响应分布特征序列的分布子图区域，并根据所述外呼响应分布特征序列的分布子图区域确定外呼响应分布特征序列的分布密度以及对应的分布权重，并根据所述外呼响应分布特征序列的分布密度以及对应的分布权重确定目标外呼响应分布特征序列；
基于所述目标外呼响应分布特征序列、外呼响应分布特征序列的分布密度以及对应的分布权重确定满足设置条件的外呼响应分布特征序列构成的图谱节点向量，确定每一所述外呼响应分布图的第一图谱节点向量和第二图谱节点向量的其中一个，根据所述第一图谱节点向量和所述第二图谱节点向量的其中一个对每一所述外呼响应分布图进行筛选得到与每一所述外呼响应分布图对应的筛选后的外呼响应分布图；
基于每一所述外呼响应分布图对应的筛选后的外呼响应分布图得到第一图谱节点向量和第二图谱节点向量的其中另一个；
根据所述外呼响应分布图分别对应的第一图谱节点向量得到第一图谱节点向量集、以及根据所述外呼响应分布图分别对应的第二图谱节点向量得到第二图谱节点向量集；
确定所述第一图谱节点向量集对应的第一参考图谱节点向量和所述第二图谱节点向量集对应的第二参考图谱节点向量，并基于所述第一图谱节点向量集与所述第一参考图谱节点向量以及所述第二图谱节点向量集与所述第二参考图谱节点向量分别确定对应所述第一图谱节点向量集的第一分布图谱单位以及对应所述第二图谱节点向量集的第二分布图谱单位；
对所述第一图谱节点向量集的第一分布图谱单位以及对应所述第二图谱节点向量集的第二分布图谱单位进行比对，得到所述外呼响应目标特征与所述预设服务互动行为特征之间的外呼响应分布结果，以根据所述外呼响应分布结果建立所述专家库终端的外呼响应分布图谱。
在第一方面的一种可能的实施方式中，所述根据所述外呼响应分布图谱对所述专家库终端中的各个专家库外呼项目的外呼访问计划进行模拟生成的步骤，包括：
根据所述外呼响应分布图谱确定所述专家库终端中每个专家库外呼项目的每个项目单元的项目单元参数以及所述项目单元所占用的服务通道；
根据每个所述专家库外呼项目中项目单元的项目单元参数以及所述项目单元所占用的服务通道确定所述每个所述专家库外呼项目中对所述项目单元进行模拟访问所需要的模拟访问接口的模拟生成参数；
根据每个所述项目单元所需要的模拟访问接口的模拟生成参数，将每个模拟访问接口模拟为一运行目标，该运行目标所对应的运行配置信息为该项目单元包含的当前已配置的专家库外呼项目的运行配置信息之外的运行配置信息；
根据所述运行目标对应的运行配置信息，建立所述运行目标的外呼响应关系，并确定所述外呼响应关系的外呼响应映射对象，得到所述外呼响应映射对象中第一运行目标的外呼响应模拟信息；
在按照运行目标的层级依次对第一运行目标之后的每一运行目标进行外呼响应模拟信息筛选时，对该运行目标及该运行目标之后的每一运行目标的外呼响应模拟信息进行筛选，根据筛选后的外呼响应模拟信息，重新建立运行目标的外呼响应关系，确定重新建立的外呼响应关系的外呼响应映射对象，得到该重新建立的外呼响应关系的外呼响应映射对象中该运行目标的筛选外呼响应模拟信息；
在得到所有运行目标的筛选外呼响应模拟信息后，将所有运行目标的筛选外呼响应模拟信息所形成的模拟结果内容中的外呼访问计划的依赖支撑参数作为对应的每个专家库外呼项目的外呼访问计划。
在第一方面的一种可能的实施方式中，所述根据模拟生成结果对所述各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果的步骤，包括：
根据每个专家库外呼项目的外呼访问计划，确定由各个专家库外呼项目参与特征提取的抽取数据逻辑卷；
基于由各个专家库外呼项目参与特征提取的抽取数据逻辑卷对所述各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果。
在第一方面的一种可能的实施方式中，所述根据所述外呼响应分布图谱确定待抽取专家库数据中各专家库外呼项目的外呼响应特征，根据待抽取专家库数据中各专家库外呼项目的外呼响应特征以及所述特征提取结果，确定所述各专家库外呼项目各自对应的抽取数据节点，并根据所述抽取数据节点对所述待抽取专家库数据进行数据抽取，将抽取后的数据上传到响应缓存服务中的步骤，包括：
根据所述外呼响应分布图谱确定所述待抽取专家库数据中各专家库外呼项目的外呼响应数据对于每个外呼响应单元的逻辑卷访问信息，并将所述外呼响应数据对于每个外呼响应单元的逻辑卷访问信息的特征信息转换为待抽取专家库数据中各专家库外呼项目的外呼响应特征；
根据所述待抽取专家库数据中各专家库外呼项目的外呼响应特征以及所述特征提取结果与所述待抽取专家库数据中各专家库外呼项目对应的特征信息，构建对应的外呼响应影响因子位图，并对构建的所述外呼响应影响因子位图进行解析，得到多个外呼响应依赖关系树；
获取各个所述外呼响应依赖关系树中树节点的依赖支撑参数，计算所述外呼响应依赖关系树中树节点与所述依赖支撑参数的匹配关系，以得到所述外呼响应依赖关系树的抽取顺序；
将抽取顺序相关联的多个外呼响应依赖关系树进行分类，以生成由多个分类的外呼响应依赖关系树的分类组合组成的对应的分类外呼响应依赖关系树图；
在所述分类外呼响应依赖关系树图中选择外呼响应影响因子最大的外呼响应依赖关系树和外呼响应影响因子最小的外呼响应依赖关系树分别作为第一外呼响应依赖关系树和第二外呼响应依赖关系树，并分别计算所述分类外呼响应依赖关系树图中各个外呼响应依赖关系树与所述第一外呼响应依赖关系树、所述第二外呼响应依赖关系树之间的抽取顺序间隔，将与所述第一外呼响应依赖关系树的抽取顺序间隔小于或者等于与所述第二外呼响应依赖关系树的抽取顺序间隔的外呼响应依赖关系树分配至第一外呼响应依赖关系树序列，将与所述第一外呼响应依赖关系树的抽取顺序间隔大于与所述第二外呼响应依赖关系树的抽取顺序间隔的外呼响应依赖关系树分配至第二外呼响应依赖关系树序列；
根据所述第一外呼响应依赖关系树序列和所述第二外呼响应依赖关系树序列中匹配的外呼响应依赖节点，确定所述各专家库外呼项目各自对应的抽取数据节点，并根据所述抽取数据节点对所述待抽取专家库数据进行数据抽取，将抽取后的数据上传到响应缓存服务中。
根据本发明的第二方面，提供一种基于互联网AI外呼的专家库数据抽取系统，应用于与专家库终端通信连接的服务器，所述系统包括：
获取模块，用于获取所述专家库终端中的专家库数据外呼响应数据，并根据所述专家库数据外呼响应数据建立所述专家库终端的外呼响应分布图谱；
模拟生成模块，用于根据所述外呼响应分布图谱对所述专家库终端中的各个专家库外呼项目的外呼访问计划进行模拟生成，根据模拟生成结果对所述各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果；
确定模块，用于根据所述外呼响应分布图谱确定待抽取专家库数据中各专家库外呼项目的外呼响应特征，根据待抽取专家库数据中各专家库外呼项目的外呼响应特征以及所述特征提取结果，确定所述各专家库外呼项目各自对应的抽取数据节点，并根据所述抽取数据节点对所述待抽取专家库数据进行数据抽取，将抽取后的数据上传到响应缓存服务中。
根据本发明的第三方面，提供一种服务器，所述服务器包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该服务器实现前述的基于互联网AI外呼的专家库数据抽取方法。
根据本发明的第四方面，提供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可执行指令，当所述计算机可执行指令被执行时，实现前述的基于互联网AI外呼的专家库数据抽取方法。
基于上述任一方面，本发明通过对专家库终端中的各个专家库外呼项目的外呼访问计划进行模拟生成以确定专家库外呼项目的特征提取结果，并将待抽取专家库数据中各专家库外呼项目的外呼响应特征与专家库外呼项目的特征提取结果进行关联，由此能够确定待抽取专家库数据各专家库外呼项目的较佳外呼访问计划，以便于针对响应缓存服务进行针对性配置，从而有效提高数据读取的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的基于互联网AI外呼的专家库数据抽取系统的应用场景示意图；
图2示出了本发明实施例所提供的基于互联网AI外呼的专家库数据抽取方法的流程示意图；
图3示出了本发明实施例所提供的基于互联网AI外呼的专家库数据抽取系统的功能模块示意图；
图4示出了本发明实施例所提供的用于实现上述的基于互联网AI外呼的专家库数据抽取方法的服务器的组件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，本发明中附图仅起到说明和描述的目的，并不用于限定本发明的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中移除一个或多个操作。
下面结合说明书附图对本发明进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本发明一种实施例提供的基于互联网AI外呼的专家库数据抽取系统10的交互示意图。基于互联网AI外呼的专家库数据抽取系统10可以包括服务器100以及与所述服务器100通信连接的专家库终端200。图1所示的基于互联网AI外呼的专家库数据抽取系统10仅为一种可行的示例，在其它可行的实施例中，该基于互联网AI外呼的专家库数据抽取系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中，基于互联网AI外呼的专家库数据抽取系统10中的物联网云服务器100和专家库终端200可以通过配合执行以下方法实施例所描述的基于互联网AI外呼的专家库数据抽取方法，具体服务器100和专家库终端200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题，图2为本发明实施例提供的基于互联网AI外呼的专家库数据抽取方法的流程示意图，本实施例提供的基于互联网AI外呼的专家库数据抽取方法可以由图1中所示的服务器100执行，下面对该基于互联网AI外呼的专家库数据抽取方法进行详细介绍。
步骤S110，获取专家库终端200中的专家库数据外呼响应数据，并根据专家库数据外呼响应数据建立专家库终端200的外呼响应分布图谱。
步骤S120，根据外呼响应分布图谱对专家库终端200中的各个专家库外呼项目的外呼访问计划进行模拟生成，并根据模拟生成结果对各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果。
步骤S130，根据待抽取专家库数据中各专家库外呼项目的外呼响应特征以及特征提取结果，确定各专家库外呼项目各自对应的抽取数据节点，并将各基于互联网AI外呼的专家库数据抽取到各自对应的抽取数据节点中。
本实施例通过对专家库终端200中的各个专家库外呼项目的外呼访问计划进行模拟生成以确定专家库外呼项目的特征提取结果，并将待抽取专家库数据中各专家库外呼项目的外呼响应特征与专家库外呼项目的特征提取结果进行关联，由此能够确定待抽取专家库数据各专家库外呼项目的较佳外呼访问计划，以便于针对响应缓存服务进行针对性配置，从而有效提高数据读取的效率。
在一种可能的实施方式中，针对步骤S110，考虑到每次向专家库终端200发送互联网AI外呼指令时，通常是通过其中的目标响应标识来记录相关的专家库数据外呼响应数据的，由此步骤S110可以通过以下子步骤进一步实现：
子步骤S111，获取向专家库终端200发送的每次互联网AI外呼指令中与专家库业务相关的目标响应标识，并根据目标响应标识生成专家库终端200中每个专家库外呼项目的专家库数据外呼响应数据。
子步骤S112，对每个专家库外呼项目的专家库数据外呼响应数据进行汇总得到专家库终端200的专家库数据外呼响应数据。
例如，可以对每次互联网AI外呼指令中包含预设子单的目标响应标识，然后根据这些目标响应标识收集在每个专家库外呼项目上的专家库数据外呼响应数据，并将这些局部的专家库数据外呼响应数据集成为全局的专家库数据外呼响应数据。
在一种可能的实施方式中，针对步骤S110，对于多个可分配资源的专家库外呼项目而言，并行读取效率能提升多少需要定量去衡量，为了准确建立专家库终端200的外呼响应分布图谱，以便于后续完成基于互联网AI外呼的专家库数据抽取的优化，请结合参阅图4，步骤S110可以通过以下子步骤进一步实现：
子步骤S113，获取专家库数据外呼响应数据所对应的外呼响应服务类别的服务节点。
子步骤S114，根据服务节点从预设的服务互动行为特征库中获取匹配外呼响应服务类别的预设服务互动行为特征，其中，预设的服务互动行为特征库中包括服务节点与预设服务互动行为特征之间的对应关系，预设服务互动行为特征用于表征外呼响应服务类别的互动方式的互动分布子图区域，并随着外呼响应服务类别的变化而适应性变化。
子步骤S115，获取匹配当前外呼响应服务类别的实时外呼分布态势，根据实时外呼分布态势确定以预设服务互动行为特征为基准特征的待定外呼分布特征，将实时外呼分布态势以专家库数据外呼响应数据的外呼响应目标特征为基准，依次划分为与待定外呼分布特征对应的多个外呼分布节点特征，对每一外呼分布节点特征分别与待定外呼分布特征进行比对得到对应的分布匹配区间，当分布匹配区间不满足设定的参考值范围时，记录分布匹配区间对应的外呼分布节点特征为第一外呼响应分布特征，待定外呼分布特征为第二外呼响应分布特征，以得到由至少一个由第一外呼响应分布特征和第二外呼响应分布特征形成的外呼响应分布特征序列。
子步骤S116，基于至少一个外呼响应分布特征序列确定对应的第一外呼响应分布图，并以第一外呼响应分布图为基准，根据设置的分布图单位对实时外呼分布态势进行划分，分别得到与每一分布图单位对应的多个包含第一外呼响应分布图的第二外呼响应分布图。
子步骤S117，对第二外呼响应分布图进行解析，得到第二外呼响应分布图中各外呼响应分布特征序列的分布子图区域，并根据外呼响应分布特征序列的分布子图区域确定外呼响应分布特征序列的分布密度以及对应的分布权重，并根据外呼响应分布特征序列的分布密度以及对应的分布权重确定目标外呼响应分布特征序列。
子步骤S118，基于目标外呼响应分布特征序列、外呼响应分布特征序列的分布密度以及对应的分布权重确定满足设置条件的外呼响应分布特征序列构成的图谱节点向量，确定每一外呼响应分布图的第一图谱节点向量和第二图谱节点向量的其中一个，根据第一图谱节点向量和第二图谱节点向量的其中一个对每一外呼响应分布图进行筛选得到与每一外呼响应分布图对应的筛选后的外呼响应分布图。
子步骤S119，基于每一外呼响应分布图对应的筛选后的外呼响应分布图得到第一图谱节点向量和第二图谱节点向量的其中另一个。
子步骤S1191，根据外呼响应分布图分别对应的第一图谱节点向量得到第一图谱节点向量集、以及根据外呼响应分布图分别对应的第二图谱节点向量得到第二图谱节点向量集。
子步骤S1192，确定第一图谱节点向量集对应的第一参考图谱节点向量和第二图谱节点向量集对应的第二参考图谱节点向量，并基于第一图谱节点向量集与第一参考图谱节点向量以及第二图谱节点向量集与第二参考图谱节点向量分别确定对应第一图谱节点向量集的第一分布图谱单位以及对应第二图谱节点向量集的第二分布图谱单位。
子步骤S1193，对第一图谱节点向量集的第一分布图谱单位以及对应第二图谱节点向量集的第二分布图谱单位进行比对，得到外呼响应目标特征与预设服务互动行为特征之间的外呼响应分布结果，以根据外呼响应分布结果建立专家库终端的外呼响应分布图谱。
在上述建立专家库终端200的外呼响应分布图谱的基础上，步骤S120还可以包括以下子步骤：
子步骤S121，根据外呼响应分布图谱确定专家库终端200中每个专家库外呼项目的每个项目单元的项目单元参数以及项目单元所占用的服务通道。
子步骤S122，根据每个专家库外呼项目中项目单元的项目单元参数以及项目单元所占用的服务通道确定每个专家库外呼项目中对项目单元进行分配所需要的模拟访问接口的模拟生成参数。
子步骤S123，根据每个项目单元所需要的模拟访问接口的模拟生成参数，将每个模拟访问接口模拟为一运行目标，该运行目标所对应的运行配置信息为该项目单元包含的当前已配置的专家库外呼项目的运行配置信息之外的运行配置信息。
子步骤S124，根据运行目标对应的运行配置信息，建立运行目标的外呼响应关系，并确定外呼响应关系的外呼响应映射对象，得到外呼响应映射对象中第一运行目标的外呼响应模拟信息。
子步骤S125，在按照运行目标的层级依次对第一运行目标之后的每一运行目标进行外呼响应模拟信息筛选时，对该运行目标及该运行目标之后的每一运行目标的外呼响应模拟信息进行筛选，根据筛选后的外呼响应模拟信息，重新建立运行目标的外呼响应关系，确定重新建立的外呼响应关系的外呼响应映射对象，得到该重新建立的外呼响应关系的外呼响应映射对象中该运行目标的筛选外呼响应模拟信息。
子步骤S126，在得到所有运行目标的筛选外呼响应模拟信息后，将所有运行目标的筛选外呼响应模拟信息所形成的模拟结果内容中的外呼访问计划的依赖支撑参数作为对应的每个专家库外呼项目的外呼访问计划。
基于上述步骤，本实施例通过有效模拟生成每个专家库外呼项目的外呼访问计划，以便于后续根据每个专家库外呼项目的外呼访问计划对每个专家库外呼项目进行特征提取，这样在后续进行基于互联网AI外呼的专家库数据抽取的过程中可以有效确定待抽取专家库数据各专家库外呼项目的较佳外呼访问计划，以便于针对响应缓存服务进行针对性配置，从而有效提高数据读取的效率。
在上述描述的基础上，进一步针对步骤S120，在一种可能的实施方式中，还可以包括以下子步骤：
子步骤S127，根据每个专家库外呼项目的外呼访问计划，确定由各个专家库外呼项目参与特征提取的抽取数据逻辑卷。
子步骤S128，基于由各个专家库外呼项目参与特征提取的抽取数据逻辑卷对各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果。
基于上述子步骤，本实施例通过参照每个专家库外呼项目的外呼访问计划，可以使得特征提取结果更能与其抽取数据逻辑卷相关联，进而可以与后续的文件外呼响应特征进行关联。
在一种可能的实施方式中，步骤S130可以通过以下子步骤进一步实现：
子步骤S131，根据外呼响应分布图谱确定待抽取专家库数据中各专家库外呼项目的外呼响应数据对于每个外呼响应单元的逻辑卷访问信息，并将外呼响应数据对于每个外呼响应单元的逻辑卷访问信息的特征信息转换为待抽取专家库数据中各专家库外呼项目的外呼响应特征。
子步骤S132，根据待抽取专家库数据中各专家库外呼项目的外呼响应特征以及特征提取结果与待抽取专家库数据中各专家库外呼项目对应的特征信息，构建对应的外呼响应影响因子位图，并对构建的外呼响应影响因子位图进行解析，得到多个外呼响应依赖关系树。
子步骤S133，获取各个外呼响应依赖关系树中树节点的依赖支撑参数，计算外呼响应依赖关系树中树节点与依赖支撑参数的匹配关系，以得到外呼响应依赖关系树的抽取顺序。
子步骤S134，将抽取顺序相关联的多个外呼响应依赖关系树进行分类，以生成由多个分类的外呼响应依赖关系树的分类组合组成的对应的分类外呼响应依赖关系树图。
子步骤S135，在分类外呼响应依赖关系树图中选择外呼响应影响因子最大的外呼响应依赖关系树和外呼响应影响因子最小的外呼响应依赖关系树分别作为第一外呼响应依赖关系树和第二外呼响应依赖关系树，并分别计算分类外呼响应依赖关系树图中各个外呼响应依赖关系树与第一外呼响应依赖关系树、第二外呼响应依赖关系树之间的抽取顺序间隔，将与第一外呼响应依赖关系树的抽取顺序间隔小于或者等于与第二外呼响应依赖关系树的抽取顺序间隔的外呼响应依赖关系树分配至第一外呼响应依赖关系树序列，将与第一外呼响应依赖关系树的抽取顺序间隔大于与第二外呼响应依赖关系树的抽取顺序间隔的外呼响应依赖关系树分配至第二外呼响应依赖关系树序列。
子步骤S136，根据第一外呼响应依赖关系树序列和第二外呼响应依赖关系树序列中匹配的外呼响应依赖节点，确定各专家库外呼项目各自对应的抽取数据节点，并根据抽取数据节点对待抽取专家库数据进行数据抽取，将抽取后的数据上传到响应缓存服务中。
基于上述步骤，本实施例基于外呼响应依赖关系树的抽取特征的考量，从而确定各专家库外呼项目各自对应的抽取数据节点，并根据抽取数据节点对待抽取专家库数据进行数据抽取，将抽取后的数据上传到响应缓存服务中，由此以便于针对响应缓存服务进行针对性配置，从而有效提高数据读取的效率。
基于同一发明构思，请参阅图3，示出了本发明实施例提供的基于互联网AI外呼的专家库数据抽取系统300的功能模块示意图，本实施例可以根据上述方法实施例对基于互联网AI外呼的专家库数据抽取系统300进行功能模块的划分。例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，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。比如，在采用对应各个功能划分各个功能模块的情况下，图3示出的基于互联网AI外呼的专家库数据抽取系统300只是一种装置示意图。其中，基于互联网AI外呼的专家库数据抽取系统300可以包括获取模块310、模拟生成模块320以及确定模块330，下面分别对该基于互联网AI外呼的专家库数据抽取系统300的各个功能模块的功能进行详细阐述。
获取模块310，用于获取专家库终端200中的专家库数据外呼响应数据，并根据专家库数据外呼响应数据建立专家库终端200的外呼响应分布图谱。可以理解，该获取模块310可以用于执行上述步骤S110，关于该获取模块310的详细实现方式可以参照上述对步骤S110有关的内容。
模拟生成模块320，用于根据外呼响应分布图谱对专家库终端200中的各个专家库外呼项目的外呼访问计划进行模拟生成，根据模拟生成结果对各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果。可以理解，该模拟生成模块320可以用于执行上述步骤S120，关于该模拟生成模块320的详细实现方式可以参照上述对步骤S120有关的内容。
确定模块330，用于根据待抽取专家库数据中各专家库外呼项目的外呼响应特征以及特征提取结果，确定各专家库外呼项目各自对应的抽取数据节点，并将各基于互联网AI外呼的专家库数据抽取到各自对应的抽取数据节点中。可以理解，该确定模块330可以用于执行上述步骤S130，关于该确定模块330的详细实现方式可以参照上述对步骤S130有关的内容。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
图4示出了本发明实施例提供的用于实现上述的基于互联网AI外呼的专家库数据抽取方法的服务器100的硬件结构示意图，如图4所示，服务器100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
在具体实现过程中，至少一个处理器110执行所述机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于互联网AI外呼的专家库数据抽取系统300包括的获取模块310、模拟生成模块320以及确定模块330），使得处理器110可以执行如上方法实施例的基于互联网AI外呼的专家库数据抽取方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的专家库终端200进行数据收发。
处理器110的具体实现过程可参见上述服务器100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图4所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，DSP)、专用集成电路(英文：ApplicationSpecificIntegrated Circuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本发明附图中的总线并不限定仅有一根总线或一种类型的总线。
此外，本发明实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于互联网AI外呼的专家库数据抽取方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (7)
1.一种基于互联网AI外呼的专家库数据抽取方法，其特征在于，应用于与专家库终端通信连接的服务器，所述方法包括：
获取所述专家库终端中的专家库数据外呼响应数据，并根据所述专家库数据外呼响应数据建立所述专家库终端的外呼响应分布图谱；
根据所述外呼响应分布图谱对所述专家库终端中的各个专家库外呼项目的外呼访问计划进行模拟生成，并根据模拟生成结果对所述各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果；
根据所述外呼响应分布图谱确定待抽取专家库数据中各专家库外呼项目的外呼响应特征，根据待抽取专家库数据中各专家库外呼项目的外呼响应特征以及所述特征提取结果，确定所述各专家库外呼项目各自对应的抽取数据节点，并根据所述抽取数据节点对所述待抽取专家库数据进行数据抽取，将抽取后的数据上传到响应缓存服务中；
所述根据所述专家库数据外呼响应数据建立所述专家库终端的外呼响应分布图谱的步骤，包括：
获取所述专家库数据外呼响应数据所对应的外呼响应服务类别的服务节点；
根据所述服务节点从预设的服务互动行为特征库中获取匹配所述外呼响应服务类别的预设服务互动行为特征，其中，所述预设的服务互动行为特征库中包括服务节点与预设服务互动行为特征之间的对应关系，所述预设服务互动行为特征用于表征所述外呼响应服务类别的互动方式的互动分布子图区域，并随着所述外呼响应服务类别的变化而适应性变化；
获取匹配当前所述外呼响应服务类别的实时外呼分布态势，根据所述实时外呼分布态势确定以所述预设服务互动行为特征为基准特征的待定外呼分布特征，将所述实时外呼分布态势以所述专家库数据外呼响应数据的外呼响应目标特征为基准，依次划分为与待定外呼分布特征对应的多个外呼分布节点特征，对每一外呼分布节点特征分别与所述待定外呼分布特征进行比对得到对应的分布匹配区间，当分布匹配区间不满足设定的参考值范围时，记录所述分布匹配区间对应的外呼分布节点特征为第一外呼响应分布特征，所述待定外呼分布特征为第二外呼响应分布特征，以得到由至少一个由所述第一外呼响应分布特征和所述第二外呼响应分布特征形成的外呼响应分布特征序列；
基于至少一个所述外呼响应分布特征序列确定对应的第一外呼响应分布图，并以第一外呼响应分布图为基准，根据设置的分布图单位对所述实时外呼分布态势进行划分，分别得到与每一所述分布图单位对应的多个包含第一外呼响应分布图的第二外呼响应分布图；
对所述第二外呼响应分布图进行解析，得到所述第二外呼响应分布图中各外呼响应分布特征序列的分布子图区域，并根据所述外呼响应分布特征序列的分布子图区域确定外呼响应分布特征序列的分布密度以及对应的分布权重，并根据所述外呼响应分布特征序列的分布密度以及对应的分布权重确定目标外呼响应分布特征序列；
基于所述目标外呼响应分布特征序列、外呼响应分布特征序列的分布密度以及对应的分布权重确定满足设置条件的外呼响应分布特征序列构成的图谱节点向量，确定每一所述外呼响应分布图的第一图谱节点向量和第二图谱节点向量的其中一个，根据所述第一图谱节点向量和所述第二图谱节点向量的其中一个对每一所述外呼响应分布图进行筛选得到与每一所述外呼响应分布图对应的筛选后的外呼响应分布图；
基于每一所述外呼响应分布图对应的筛选后的外呼响应分布图得到第一图谱节点向量和第二图谱节点向量的其中另一个；
根据所述外呼响应分布图分别对应的第一图谱节点向量得到第一图谱节点向量集、以及根据所述外呼响应分布图分别对应的第二图谱节点向量得到第二图谱节点向量集；
确定所述第一图谱节点向量集对应的第一参考图谱节点向量和所述第二图谱节点向量集对应的第二参考图谱节点向量，并基于所述第一图谱节点向量集与所述第一参考图谱节点向量以及所述第二图谱节点向量集与所述第二参考图谱节点向量分别确定对应所述第一图谱节点向量集的第一分布图谱单位以及对应所述第二图谱节点向量集的第二分布图谱单位；
对所述第一图谱节点向量集的第一分布图谱单位以及对应所述第二图谱节点向量集的第二分布图谱单位进行比对，得到所述外呼响应目标特征与所述预设服务互动行为特征之间的外呼响应分布结果，以根据所述外呼响应分布结果建立所述专家库终端的外呼响应分布图谱；
所述根据所述外呼响应分布图谱对所述专家库终端中的各个专家库外呼项目的外呼访问计划进行模拟生成的步骤，包括：
根据所述外呼响应分布图谱确定所述专家库终端中每个专家库外呼项目的每个项目单元的项目单元参数以及所述项目单元所占用的服务通道；
根据每个所述专家库外呼项目中项目单元的项目单元参数以及所述项目单元所占用的服务通道确定所述每个所述专家库外呼项目中对所述项目单元进行模拟访问所需要的模拟访问接口的模拟生成参数；
根据每个所述项目单元所需要的模拟访问接口的模拟生成参数，将每个模拟访问接口模拟为一运行目标，该运行目标所对应的运行配置信息为该项目单元包含的当前已配置的专家库外呼项目的运行配置信息之外的运行配置信息；
根据所述运行目标对应的运行配置信息，建立所述运行目标的外呼响应关系，并确定所述外呼响应关系的外呼响应映射对象，得到所述外呼响应映射对象中第一运行目标的外呼响应模拟信息；
在按照运行目标的层级依次对第一运行目标之后的每一运行目标进行外呼响应模拟信息筛选时，对该运行目标及该运行目标之后的每一运行目标的外呼响应模拟信息进行筛选，根据筛选后的外呼响应模拟信息，重新建立运行目标的外呼响应关系，确定重新建立的外呼响应关系的外呼响应映射对象，得到该重新建立的外呼响应关系的外呼响应映射对象中该运行目标的筛选外呼响应模拟信息；
在得到所有运行目标的筛选外呼响应模拟信息后，将所有运行目标的筛选外呼响应模拟信息所形成的模拟结果内容中的外呼访问计划的依赖支撑参数作为对应的每个专家库外呼项目的外呼访问计划。
2.根据权利要求1所述的基于互联网AI外呼的专家库数据抽取方法，其特征在于，所述获取所述专家库终端中的专家库数据外呼响应数据的步骤，包括：
获取向所述专家库终端发送的每次互联网AI外呼指令中与专家库业务相关的目标响应标识，并根据所述目标响应标识生成所述专家库终端中每个专家库外呼项目的专家库数据外呼响应数据；
对所述每个专家库外呼项目的专家库数据外呼响应数据进行汇总得到所述专家库终端的专家库数据外呼响应数据。
3.根据权利要求1所述的基于互联网AI外呼的专家库数据抽取方法，其特征在于，所述根据模拟生成结果对所述各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果的步骤，包括：
根据每个专家库外呼项目的外呼访问计划，确定由各个专家库外呼项目参与特征提取的抽取数据逻辑卷；
基于由各个专家库外呼项目参与特征提取的抽取数据逻辑卷对所述各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果。
4.根据权利要求1所述的基于互联网AI外呼的专家库数据抽取方法，其特征在于，所述根据所述外呼响应分布图谱确定待抽取专家库数据中各专家库外呼项目的外呼响应特征，根据待抽取专家库数据中各专家库外呼项目的外呼响应特征以及所述特征提取结果，确定所述各专家库外呼项目各自对应的抽取数据节点，并根据所述抽取数据节点对所述待抽取专家库数据进行数据抽取，将抽取后的数据上传到响应缓存服务中的步骤，包括：
根据所述外呼响应分布图谱确定所述待抽取专家库数据中各专家库外呼项目的外呼响应数据对于每个外呼响应单元的逻辑卷访问信息，并将所述外呼响应数据对于每个外呼响应单元的逻辑卷访问信息的特征信息转换为待抽取专家库数据中各专家库外呼项目的外呼响应特征；
根据所述待抽取专家库数据中各专家库外呼项目的外呼响应特征以及所述特征提取结果与所述待抽取专家库数据中各专家库外呼项目对应的特征信息，构建对应的外呼响应影响因子位图，并对构建的所述外呼响应影响因子位图进行解析，得到多个外呼响应依赖关系树；
获取各个所述外呼响应依赖关系树中树节点的依赖支撑参数，计算所述外呼响应依赖关系树中树节点与所述依赖支撑参数的匹配关系，以得到所述外呼响应依赖关系树的抽取顺序；
将抽取顺序相关联的多个外呼响应依赖关系树进行分类，以生成由多个分类的外呼响应依赖关系树的分类组合组成的对应的分类外呼响应依赖关系树图；
在所述分类外呼响应依赖关系树图中选择外呼响应影响因子最大的外呼响应依赖关系树和外呼响应影响因子最小的外呼响应依赖关系树分别作为第一外呼响应依赖关系树和第二外呼响应依赖关系树，并分别计算所述分类外呼响应依赖关系树图中各个外呼响应依赖关系树与所述第一外呼响应依赖关系树、所述第二外呼响应依赖关系树之间的抽取顺序间隔，将与所述第一外呼响应依赖关系树的抽取顺序间隔小于或者等于与所述第二外呼响应依赖关系树的抽取顺序间隔的外呼响应依赖关系树分配至第一外呼响应依赖关系树序列，将与所述第一外呼响应依赖关系树的抽取顺序间隔大于与所述第二外呼响应依赖关系树的抽取顺序间隔的外呼响应依赖关系树分配至第二外呼响应依赖关系树序列；
根据所述第一外呼响应依赖关系树序列和所述第二外呼响应依赖关系树序列中匹配的外呼响应依赖节点，确定所述各专家库外呼项目各自对应的抽取数据节点，并根据所述抽取数据节点对所述待抽取专家库数据进行数据抽取，将抽取后的数据上传到响应缓存服务中。
5.一种基于互联网AI外呼的专家库数据抽取系统，其特征在于，应用于与专家库终端通信连接的服务器，所述系统包括：
获取模块，用于获取所述专家库终端中的专家库数据外呼响应数据，并根据所述专家库数据外呼响应数据建立所述专家库终端的外呼响应分布图谱；
模拟生成模块，用于根据所述外呼响应分布图谱对所述专家库终端中的各个专家库外呼项目的外呼访问计划进行模拟生成，根据模拟生成结果对所述各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果；
确定模块，用于根据所述外呼响应分布图谱确定待抽取专家库数据中各专家库外呼项目的外呼响应特征，根据待抽取专家库数据中各专家库外呼项目的外呼响应特征以及所述特征提取结果，确定所述各专家库外呼项目各自对应的抽取数据节点，并根据所述抽取数据节点对所述待抽取专家库数据进行数据抽取，将抽取后的数据上传到响应缓存服务中；
所述获取模块用于通过以下方式建立所述专家库终端的外呼响应分布图谱：
获取所述专家库数据外呼响应数据所对应的外呼响应服务类别的服务节点；
根据所述服务节点从预设的服务互动行为特征库中获取匹配所述外呼响应服务类别的预设服务互动行为特征，其中，所述预设的服务互动行为特征库中包括服务节点与预设服务互动行为特征之间的对应关系，所述预设服务互动行为特征用于表征所述外呼响应服务类别的互动方式的互动分布子图区域，并随着所述外呼响应服务类别的变化而适应性变化；
获取匹配当前所述外呼响应服务类别的实时外呼分布态势，根据所述实时外呼分布态势确定以所述预设服务互动行为特征为基准特征的待定外呼分布特征，将所述实时外呼分布态势以所述专家库数据外呼响应数据的外呼响应目标特征为基准，依次划分为与待定外呼分布特征对应的多个外呼分布节点特征，对每一外呼分布节点特征分别与所述待定外呼分布特征进行比对得到对应的分布匹配区间，当分布匹配区间不满足设定的参考值范围时，记录所述分布匹配区间对应的外呼分布节点特征为第一外呼响应分布特征，所述待定外呼分布特征为第二外呼响应分布特征，以得到由至少一个由所述第一外呼响应分布特征和所述第二外呼响应分布特征形成的外呼响应分布特征序列；
基于至少一个所述外呼响应分布特征序列确定对应的第一外呼响应分布图，并以第一外呼响应分布图为基准，根据设置的分布图单位对所述实时外呼分布态势进行划分，分别得到与每一所述分布图单位对应的多个包含第一外呼响应分布图的第二外呼响应分布图；
对所述第二外呼响应分布图进行解析，得到所述第二外呼响应分布图中各外呼响应分布特征序列的分布子图区域，并根据所述外呼响应分布特征序列的分布子图区域确定外呼响应分布特征序列的分布密度以及对应的分布权重，并根据所述外呼响应分布特征序列的分布密度以及对应的分布权重确定目标外呼响应分布特征序列；
基于所述目标外呼响应分布特征序列、外呼响应分布特征序列的分布密度以及对应的分布权重确定满足设置条件的外呼响应分布特征序列构成的图谱节点向量，确定每一所述外呼响应分布图的第一图谱节点向量和第二图谱节点向量的其中一个，根据所述第一图谱节点向量和所述第二图谱节点向量的其中一个对每一所述外呼响应分布图进行筛选得到与每一所述外呼响应分布图对应的筛选后的外呼响应分布图；
基于每一所述外呼响应分布图对应的筛选后的外呼响应分布图得到第一图谱节点向量和第二图谱节点向量的其中另一个；
根据所述外呼响应分布图分别对应的第一图谱节点向量得到第一图谱节点向量集、以及根据所述外呼响应分布图分别对应的第二图谱节点向量得到第二图谱节点向量集；
确定所述第一图谱节点向量集对应的第一参考图谱节点向量和所述第二图谱节点向量集对应的第二参考图谱节点向量，并基于所述第一图谱节点向量集与所述第一参考图谱节点向量以及所述第二图谱节点向量集与所述第二参考图谱节点向量分别确定对应所述第一图谱节点向量集的第一分布图谱单位以及对应所述第二图谱节点向量集的第二分布图谱单位；
对所述第一图谱节点向量集的第一分布图谱单位以及对应所述第二图谱节点向量集的第二分布图谱单位进行比对，得到所述外呼响应目标特征与所述预设服务互动行为特征之间的外呼响应分布结果，以根据所述外呼响应分布结果建立所述专家库终端的外呼响应分布图谱；
所述模拟生成模块用于通过以下方式对所述专家库终端中的各个专家库外呼项目的外呼访问计划进行模拟生成：
根据所述外呼响应分布图谱确定所述专家库终端中每个专家库外呼项目的每个项目单元的项目单元参数以及所述项目单元所占用的服务通道；
根据每个所述专家库外呼项目中项目单元的项目单元参数以及所述项目单元所占用的服务通道确定所述每个所述专家库外呼项目中对所述项目单元进行模拟访问所需要的模拟访问接口的模拟生成参数；
根据每个所述项目单元所需要的模拟访问接口的模拟生成参数，将每个模拟访问接口模拟为一运行目标，该运行目标所对应的运行配置信息为该项目单元包含的当前已配置的专家库外呼项目的运行配置信息之外的运行配置信息；
根据所述运行目标对应的运行配置信息，建立所述运行目标的外呼响应关系，并确定所述外呼响应关系的外呼响应映射对象，得到所述外呼响应映射对象中第一运行目标的外呼响应模拟信息；
在按照运行目标的层级依次对第一运行目标之后的每一运行目标进行外呼响应模拟信息筛选时，对该运行目标及该运行目标之后的每一运行目标的外呼响应模拟信息进行筛选，根据筛选后的外呼响应模拟信息，重新建立运行目标的外呼响应关系，确定重新建立的外呼响应关系的外呼响应映射对象，得到该重新建立的外呼响应关系的外呼响应映射对象中该运行目标的筛选外呼响应模拟信息；
在得到所有运行目标的筛选外呼响应模拟信息后，将所有运行目标的筛选外呼响应模拟信息所形成的模拟结果内容中的外呼访问计划的依赖支撑参数作为对应的每个专家库外呼项目的外呼访问计划。
6.根据权利要求5所述的基于互联网AI外呼的专家库数据抽取系统，其特征在于，所述模拟生成模块用于通过以下方式对所述各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果：
根据每个专家库外呼项目的外呼访问计划，确定由各个专家库外呼项目参与特征提取的抽取数据逻辑卷；
基于由各个专家库外呼项目参与特征提取的抽取数据逻辑卷对所述各个专家库外呼项目的目标专家库数据内容进行特征提取，得到特征提取结果。
7.根据权利要求5所述的基于互联网AI外呼的专家库数据抽取系统，其特征在于，所述确定模块通过以下方式确定待抽取专家库数据中各专家库外呼项目的外呼响应特征，根据待抽取专家库数据中各专家库外呼项目的外呼响应特征以及所述特征提取结果，确定所述各专家库外呼项目各自对应的抽取数据节点，并根据所述抽取数据节点对所述待抽取专家库数据进行数据抽取，将抽取后的数据上传到响应缓存服务中：
根据所述外呼响应分布图谱确定所述待抽取专家库数据中各专家库外呼项目的外呼响应数据对于每个外呼响应单元的逻辑卷访问信息，并将所述外呼响应数据对于每个外呼响应单元的逻辑卷访问信息的特征信息转换为待抽取专家库数据中各专家库外呼项目的外呼响应特征；
根据所述待抽取专家库数据中各专家库外呼项目的外呼响应特征以及所述特征提取结果与所述待抽取专家库数据中各专家库外呼项目对应的特征信息，构建对应的外呼响应影响因子位图，并对构建的所述外呼响应影响因子位图进行解析，得到多个外呼响应依赖关系树；
获取各个所述外呼响应依赖关系树中树节点的依赖支撑参数，计算所述外呼响应依赖关系树中树节点与所述依赖支撑参数的匹配关系，以得到所述外呼响应依赖关系树的抽取顺序；
将抽取顺序相关联的多个外呼响应依赖关系树进行分类，以生成由多个分类的外呼响应依赖关系树的分类组合组成的对应的分类外呼响应依赖关系树图；
在所述分类外呼响应依赖关系树图中选择外呼响应影响因子最大的外呼响应依赖关系树和外呼响应影响因子最小的外呼响应依赖关系树分别作为第一外呼响应依赖关系树和第二外呼响应依赖关系树，并分别计算所述分类外呼响应依赖关系树图中各个外呼响应依赖关系树与所述第一外呼响应依赖关系树、所述第二外呼响应依赖关系树之间的抽取顺序间隔，将与所述第一外呼响应依赖关系树的抽取顺序间隔小于或者等于与所述第二外呼响应依赖关系树的抽取顺序间隔的外呼响应依赖关系树分配至第一外呼响应依赖关系树序列，将与所述第一外呼响应依赖关系树的抽取顺序间隔大于与所述第二外呼响应依赖关系树的抽取顺序间隔的外呼响应依赖关系树分配至第二外呼响应依赖关系树序列；
根据所述第一外呼响应依赖关系树序列和所述第二外呼响应依赖关系树序列中匹配的外呼响应依赖节点，确定所述各专家库外呼项目各自对应的抽取数据节点，并根据所述抽取数据节点对所述待抽取专家库数据进行数据抽取，将抽取后的数据上传到响应缓存服务中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010810228.2A CN111897864B (zh) | 2020-08-13 | 2020-08-13 | 一种基于互联网ai外呼的专家库数据抽取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010810228.2A CN111897864B (zh) | 2020-08-13 | 2020-08-13 | 一种基于互联网ai外呼的专家库数据抽取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111897864A CN111897864A (zh) | 2020-11-06 |
| CN111897864B true CN111897864B (zh) | 2021-04-20 |
Family
ID=73230122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010810228.2A Active CN111897864B (zh) | 2020-08-13 | 2020-08-13 | 一种基于互联网ai外呼的专家库数据抽取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111897864B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113590952B (zh) * | 2021-07-30 | 2023-10-24 | 上海德衡数据科技有限公司 | 一种数据中心构建的方法及系统 |
| CN114119260A (zh) * | 2021-11-22 | 2022-03-01 | 湖南和宇数字技术研究院有限公司 | 一种医保待遇计算方法、装置及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092914A (zh) * | 2012-11-30 | 2013-05-08 | 南京航空航天大学 | 一种基于Weka软件的专家系统知识获取方法 |
| CN110781315A (zh) * | 2019-10-16 | 2020-02-11 | 华中农业大学 | 一种食品安全知识图谱及相关智能问答系统的构建方法 |
| CN111464701A (zh) * | 2020-03-12 | 2020-07-28 | 云知声智能科技股份有限公司 | 一种对机器人外呼电话系统进行模拟多轮测试方法及装置 |
| CN111489748A (zh) * | 2019-10-18 | 2020-08-04 | 广西电网有限责任公司 | 一种调度智能语音辅助系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100671098B1 (ko) * | 1999-02-01 | 2007-01-17 | 주식회사 팬택앤큐리텔 | 모양정보를 이용한 멀티미디어 데이터의 검색 방법 및 장치 |
| KR20020065229A (ko) * | 2001-02-06 | 2002-08-13 | (주)유니와이드 테크놀러지 | 지능형 전화서비스 시스템 |
| CN101807218B (zh) * | 2009-09-18 | 2013-04-03 | 中国科学院地理科学与资源研究所 | 基于异构网络的土地格局演替仿真系统 |
| CN107274906A (zh) * | 2017-06-28 | 2017-10-20 | 百度在线网络技术（北京）有限公司 | 语音信息处理方法、装置、终端及存储介质 |
| WO2019184103A1 (zh) * | 2018-03-30 | 2019-10-03 | 深圳狗尾草智能科技有限公司 | 基于人物ip的人机交互方法、系统、介质及设备 |
| CN109035001A (zh) * | 2018-06-28 | 2018-12-18 | 招联消费金融有限公司 | 智能语音应答处理方法及系统 |
| CN109241179A (zh) * | 2018-08-01 | 2019-01-18 | 协同数据技术（深圳）有限公司 | 基于数据空间的数据治理方法、系统及计算机设备 |
| CN111046148A (zh) * | 2018-10-11 | 2020-04-21 | 上海智臻智能网络科技股份有限公司 | 智能交互系统及智能客服机器人 |
| CN110370275A (zh) * | 2019-07-01 | 2019-10-25 | 夏博洋 | 基于表情识别的情绪聊天机器人 |
| CN110515974B (zh) * | 2019-07-15 | 2022-03-11 | 金蝶软件（中国）有限公司 | 数据抽取方法、装置、计算机设备和存储介质 |
-
2020
- 2020-08-13 CN CN202010810228.2A patent/CN111897864B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092914A (zh) * | 2012-11-30 | 2013-05-08 | 南京航空航天大学 | 一种基于Weka软件的专家系统知识获取方法 |
| CN110781315A (zh) * | 2019-10-16 | 2020-02-11 | 华中农业大学 | 一种食品安全知识图谱及相关智能问答系统的构建方法 |
| CN111489748A (zh) * | 2019-10-18 | 2020-08-04 | 广西电网有限责任公司 | 一种调度智能语音辅助系统 |
| CN111464701A (zh) * | 2020-03-12 | 2020-07-28 | 云知声智能科技股份有限公司 | 一种对机器人外呼电话系统进行模拟多轮测试方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111897864A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9778967B2 (en) | Sophisticated run-time system for graph processing | |
| US11144817B2 (en) | Device and method for determining convolutional neural network model for database | |
| US9304835B1 (en) | Optimized system for analytics (graphs and sparse matrices) operations | |
| CN111897864B (zh) | 一种基于互联网ai外呼的专家库数据抽取方法及系统 | |
| CN112862941A (zh) | 基于云计算的图形渲染引擎优化方法及系统 | |
| CN109189876B (zh) | 一种数据处理方法及装置 | |
| CN106033425A (zh) | 数据处理设备和数据处理方法 | |
| CN113515672A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| CN109933515B (zh) | 一种回归测试用例集的优化方法和自动优化装置 | |
| CN111090401B (zh) | 存储设备性能预测方法及装置 | |
| CN112749003A (zh) | 系统优化的方法、设备及计算机可读存储介质 | |
| CN113761033B (zh) | 基于档案数字化管理的信息整理方法及系统 | |
| CN111737371B (zh) | 可动态预测的数据流量检测分类方法及装置 | |
| CN114610825A (zh) | 关联网格集的确认方法、装置、电子设备及存储介质 | |
| CN112182413B (zh) | 一种基于教学大数据的智能推荐方法及服务器 | |
| CN113297249A (zh) | 慢查询语句的识别和分析、查询语句的统计方法及装置 | |
| CN112652399A (zh) | 老人心理状态检测终端及老人心理状态检测系统 | |
| CN112463122A (zh) | 基于云计算的软件开发应用数据处理方法及软件开发平台 | |
| CN112489783B (zh) | 一种智能护理数据处理方法、系统、服务器及存储介质 | |
| CN111984714B (zh) | 基于智能在线通信和大数据的信息生成方法及云服务平台 | |
| CN115795342B (zh) | 一种业务场景分类的方法、装置、存储介质及电子设备 | |
| CN111967781B (zh) | 系统改造的影响评估方法及装置 | |
| CN112328286A (zh) | 基于云计算的软件开发应用更新处理方法及软件开发平台 | |
| CN112633379A (zh) | 一种物联网数据融合方法及系统 | |
| WO2021134231A1 (zh) | 基于推理引擎的计算资源分配方法、装置和计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |