CN112035642A - 客服匹配方法、装置、设备及存储介质 - Google Patents
客服匹配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112035642A CN112035642A CN202010897881.7A CN202010897881A CN112035642A CN 112035642 A CN112035642 A CN 112035642A CN 202010897881 A CN202010897881 A CN 202010897881A CN 112035642 A CN112035642 A CN 112035642A
- Authority
- CN
- China
- Prior art keywords
- target user
- service
- medical question
- determining
- user
- 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 61
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 230000008909 emotion recognition Effects 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 30
- 230000008451 emotion Effects 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 239000003795 chemical substances by application Substances 0.000 description 16
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 208000010195 Onychomycosis Diseases 0.000 description 7
- 201000005882 tinea unguium Diseases 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000003814 drug Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 230000002996 emotional effect Effects 0.000 description 3
- 208000034656 Contusions Diseases 0.000 description 2
- 241001629511 Litchi Species 0.000 description 2
- 241001122315 Polites Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- -1 compound ketone Chemical class 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000009519 contusion Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- XZWYZXLIPXDOLR-UHFFFAOYSA-N metformin Chemical compound CN(C)C(=N)NC(N)=N XZWYZXLIPXDOLR-UHFFFAOYSA-N 0.000 description 2
- 229960003105 metformin Drugs 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001723 curing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
Abstract
本发明涉及数据分析领域,公开了一种客服匹配方法、装置、设备及存储介质。本方法包括:对目标用户输入的业务问题进行分析,确定业务问题对应的业务类型;根据预置数据库中的历史访问数据判断该类型业务的业务价值同时判断该目标用户的用户价值,并确定该目标用户的优先级,以便为目标用户提供拥有对应技能的客服。本发明可以根据用户的价值和问题特性为用户画像,结合情绪识别和语义分析对线上目标用户的医疗问句进行分析识别为用户分配对应的客服坐席,利用有限的客服坐席满足医疗场景中的智能问答的技术问题。其中,用户输入的业务问题可存储于区块链中。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种客服匹配方法、装置、设备及存储介质。
背景技术
随着社会的进步和大数据的发展,IM客服作为服务用户最高效的手段之一,在客服领域广泛应用。现阶段主要有智能客服、人工客服、智能+人工客服三种方式。智能客服可以不受客服人工资源限制,基本上可以承载所有流量,但很多时候用户体验欠佳,服务不够精准。人工客服虽然用户体验较好,服务也较精准,但服务能力有限;当用户咨询流量较大时,人工回复的及时性往往不够好;且当业务种类多样化以后,用户的问题将多种多样,而由于人工专业能力限制,也将导致服务不够精准。
在多类型业务中,不同业务的业务价值和带来的流量与对应的目标用户的价值也是不一样的,因此好的IM客服系统需要根据业务的类型、流量、价值,用户的价值、问题特性为用户画像,结合情绪识别和语义分析等,对线上目标用户的医疗问句进行分析识别,充分利用有限的客服坐席满足医疗场景下的智能问答。而市面上的产品,大多不令人满意。
发明内容
本发明的主要目的是解决现有技术中,无法充分利用有限的客服坐席为医疗场景下的智能问答提供精准的客服分配的技术问题。
本发明第一方面提供了一种客服匹配方法,包括:
接收目标用户输入的医疗问句,确定所述医疗问句中记载的业务对应的业务类型;
获取所述医疗问句中携带的标签,并根据所述标签确定所述医疗问句的重要程度;
获取目标用户的关联数据,并根据所述重要程度和所述目标用户的关联数据,确定所述目标用户的重要程度评级,其中,所述关联数据是根据所述目标用户的身份信息,从预置数据库中获取的与所述目标用户对应的个人数据和历史交易数据;
基于所述重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式。
可选地,在本发明第一方面的第一种实现方式中,在所述述接收目标用户输入的医疗问句,并通过预置特征提取算法对所述医疗问句进行特征提取,得到所述医疗问句的关键字,确定所述医疗问句中记载的业务对应的业务类型之前,还包括:
对所述医疗问句进行语义分析,得到语义分析结果;
基于所述语义分析结果,对所述医疗问句进行情绪识别,得到所述目标用户的情绪信息;
对所述目标用户的情绪信息进行意图识别,得到所述目标用户的意图信息;
基于所述目标用户的意图信息,确定所述目标用户的真实意图。
可选地,在本发明第一方面的第二种实现方式中,所述述接收目标用户输入的医疗问句,并通过预置特征提取算法对所述医疗问句进行特征提取,得到所述医疗问句的关键字,确定所述医疗问句中记载的业务对应的业务类型包括:
获取目标用户输入的医疗问句,并对所述医疗问句进行特征提取,得到所述医疗问句的文本特征;
对所述医疗问句进行分词处理,获取所述医疗问句的多个字段;
根据所述文本特征,分别将所述多个字段作为关键字,与预置标签库进行匹配,得到对应的标签;
基于所述标签,确定所述医疗问句中记载的业务对应的业务类型。
可选地,在本发明第一方面的第三种实现方式中,所述提取所述医疗问句中携带的标签,并根据所述标签确定所述医疗问句的重要程度包括:
提取所述医疗问句中携带的标签;
基于预置标签库,确定所述标签的数据价值和标签价值,其中,所述标签库中包含多个用于反映对象特征的标签;
基于所述数据价值和标签价值,确定所述标签的综合价值;
基于所述标签的综合价值,确定所述医疗问句的重要程度。
可选地,在本发明第一方面的第四种实现方式中,所述基于预置标签库,确定所述标签的数据价值和标签价值包括:
获取生成所述标签的数据表,并获取所述标签的生成方式;
基于所述数据表和所述标签的生成方式,确定所述标签的初始权重值;
基于所述标签库中的多个标签之间的逻辑关系图,对所述初始权重值进行修正,得到所述标签的数据价值;
获取所述标签库中每个标签的历史访问次数,最后访问时间及访问方的数量;
基于所述历史访问次数,最后访问时间及访问方的数量,确定所述标签的标签价值。
可选地,在本发明第一方面的第五种实现方式中,所述获取目标用户的关联数据,并根据所述重要程度和所述目标用户的关联数据,确定所述目标用户的重要程度评级包括:
获取目标用户的关联数据;
根据所述关联数据,确定所述目标用户的用户价值,其中,所述关联数据是根据所述目标用户的身份信息,从预置数据库中获取的与所述目标用户对应的个人数据和历史交易数据;
根据所述用户价值和所述业务价值,通过预置用户价值模型确定所述目标用户的重要程度评级。
可选地,在本发明第一方面的第六种实现方式中,在所述基于所述重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式的步骤之后,还包括:
当目标用户进入特定业务咨询时,根据所述目标用户的重要程度评级确定所述目标用户的优先级,并将所述目标用户加入排队队列;
基于所述特定业务咨询,筛选出具有特定服务技能的客服;
基于所述目标用户的优先级,依次为所述目标用户分配对应具有特定服务技能的客服。
本发明第二方面提供了一种客服匹配装置,包括:
接收模块,用于接收目标用户输入的医疗问句,并通过预置特征提取算法对所述医疗问句进行特征提取,得到所述医疗问句的关键字,确定所述医疗问句中记载的业务对应的业务类型;
第一确定模块,用于提取所述医疗问句中携带的标签,并根据所述标签确定所述医疗问句的重要程度;
第二确定模块,用于获取目标用户的关联数据,并根据所述重要程度和所述目标用户的关联数据,确定所述目标用户的重要程度评级,其中,所述关联数据是根据所述目标用户的身份信息,从预置数据库中获取的与所述目标用户对应的个人数据和历史交易数据;
匹配模块,用于基于所述重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式。
可选地,在本发明第二方面的第一种实现方式中,所述客服匹配装置还包括:
语义解析模块,用于对所述医疗问句进行语义分析,得到语义分析结果;
情绪识别模块,用于基于所述语义分析结果,对所述医疗问句进行情绪识别,得到所述目标用户的情绪信息;
意图识别模块,用于对所述目标用户的情绪信息进行意图识别,得到所述目标用户的意图信息;
第三确定模块,用于基于所述目标用户的意图信息,确定所述目标用户的真实意图。
可选地,在本发明第二方面的第二种实现方式中,所述接收模块具体用于:
获取目标用户输入的医疗问句,并对所述医疗问句进行特征提取,得到所述医疗问句的文本特征;
对所述医疗问句进行分词处理,获取所述医疗问句的多个字段;
根据所述文本特征,分别将所述多个字段作为关键字,与预置标签库进行匹配,得到对应的标签;
基于所述标签,确定所述医疗问句中记载的业务对应的业务类型。
可选地,在本发明第二方面的第三种实现方式中,所述第一确定模块包括:
获取单元,用于提取所述医疗问句中携带的标签;
确定单元,用于基于预置标签库,确定所述标签的数据价值和标签价值,其中,所述标签库中包含多个用于反映对象特征的标签;基于所述数据价值和标签价值,确定所述标签的综合价值;基于所述标签的综合价值,确定所述医疗问句的重要程度。
可选地,在本发明第二方面的第四种实现方式中,所述确定单元具体用于:
获取生成所述标签的数据表,并获取所述标签的生成方式;
基于所述数据表和所述标签的生成方式,确定所述标签的初始权重值;
基于所述标签库中的多个标签之间的逻辑关系图,对所述初始权重值进行修正,得到所述标签的数据价值;
获取所述标签库中每个标签的历史访问次数,最后访问时间及访问方的数量;基于所述历史访问次数,最后访问时间及访问方的数量,确定所述标签的标签价值。
可选地,在本发明第二方面的第五种实现方式中,所述第二确定模块具体用于:
获取目标用户的关联数据;
根据所述关联数据,确定所述目标用户的用户价值,其中,所述关联数据是根据所述目标用户的身份信息,从预置数据库中获取的与所述目标用户对应的个人数据和历史交易数据;
根据所述用户价值和所述业务价值,通过预置用户价值模型确定所述目标用户的重要程度评级。
可选地,在本发明第二方面的第六种实现方式中,所述装置还包括:
第四确定模块,用于当目标用户进入特定业务咨询时,根据所述目标用户的重要程度评级确定所述目标用户的优先级,并将所述目标用户加入排队队列;
筛选模块,用于基于所述特定业务咨询,筛选出具有特定服务技能的客服;
分配模块,用于基于所述目标用户的优先级,依次为所述目标用户分配对应具有特定服务技能的客服。
本发明第三方面提供了一种客服匹配设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述客服匹配设备执行上述的客服匹配方法。
本发明的第四方面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指令,当其在计算机上运行时,使得计算机执行上述的客服匹配方法。
本发明提供的技术方案中,通过对目标用户输入的业务问题进行分析,确定业务问题对应的业务类型;根据预置数据库中的历史访问数据判断该类型业务的业务价值同时判断该目标用户的用户价值,并确定该目标用户的优先级,以便为目标用户提供拥有对应技能的客服。本发明可以根据用户的价值和问题特性为用户画像,结合情绪识别和语义分析对线上目标用户的医疗问句进行分析识别,利用有限的客服坐席满足医疗场景下的智能问答的技术问题。
附图说明
图1为本发明客服匹配方法的第一个实施例示意图;
图2为本发明客服匹配方法的第二个实施例示意图;
图3为本发明客服匹配方法的第三个实施例示意图;
图4为本发明客服匹配方法的第四个实施例示意图;
图5为本发明客服匹配方法的第五个实施例示意图;
图6为本发明客服匹配装置的第一个实施例示意图;
图7为本发明客服匹配装置的第二个实施例示意图;
图8为本发明客服匹配设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种客服匹配方法、装置、设备及存储介质,本发明的技术方案中,先对目标用户输入的业务问题进行分析,确定业务问题对应的业务类型;根据预置数据库中的历史访问数据判断该类型业务的业务价值同时判断该目标用户的用户价值,并确定该目标用户的优先级,以便为目标用户提供拥有对应技能的客服。本发明可以根据用户的价值和问题特性为用户画像,结合情绪识别和语义分析对线上目标用户的医疗问句进行分析识别,利用有限的客服坐席满足医疗场景下的智能问答的技术问题。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中客服匹配方法的第一个实施例包括:
101、接收目标用户输入的医疗问句,并通过预置特征提取算法对医疗问句进行特征提取,得到医疗问句的关键字,确定医疗问句中记载的业务对应的业务类型;
本实施例中,接收目标用户在线输入的业务咨询信息,并对业务咨询信息进行语义分析,根据语义分析结果提取出业务咨询信息中的关键字,并根据预置标签库中的标签进行匹配,根据匹配到的结果确定目标用户所咨询业务的业务类型。比如,某用户输入的咨询信息为“我想查询私家医生业务,如何查询”,对用户输入的咨询信息进行语义分析,提取出“医生”、“私家医生业务”等关键字,根据这些关键字,与预置标签库中的标签进行匹配,确定该用户咨询业务的业务类型。
IM(Instant Messaging)客服系统就是即时通讯客服系统。即时通讯软件是通过即时通讯技术实现在线聊天、通信的软件。目前有两种架构形式,一种是C/S架构,采用client/server的形式。用户在使用过程中需要下载和安装客户端软件。典型代表有:微信、QQ、百度HI、Skype、Gtalk、新浪UC、MSN等。即时消息允许你发现你的朋友和家人是否在线,并与他们im。即时通讯,比发送电子邮件更省时,比打电话更方便,无疑是互联网时代最方便的交流方式。
102、提取医疗问句中携带的标签,并根据标签确定医疗问句的重要程度;
本实施例中,标签是指待检测对象的某一个数据信息,比如说:年龄,最高学历,民族,生日,籍贯,付费,寿险,咨询挂号业务等,都是携带对象特征。
一条用户咨询信息中有很多字段,每一个字段都可以生成对应的标签,所以,当一条用户咨询信息中的字段信息进行语义分析时,可以根据语义分析结果,得到多个标签。比如说,张三,寿险客户,付费200元,咨询挂号业务,生成的标签有“寿险”,“付费”,“挂号业务”等多个标签;将得到的多个标签存储至数据库,得到的数据库就叫标签库。根据标签库中,每一个标签对应的价值,确定目标用户咨询的业务的重要程度,医疗问句的重要程度也就是该医疗问句的业务价值。
根据用户标签为各标签分配优先级(客服部门决定),根据业务价值为各业务分配优先级(业务方和客服部门决定),然后用户咨询时,根据其咨询业务优先级和标签优先级、取较大值作为用户本次咨询的优先级。例如,某用户(标签-付费、优先级50,标签-寿险、优先级30),咨询挂号业务(优先级40),则该用户本次咨询优先级为50。如果该用户咨询私家医生业务(优先级60),则该用户本次咨询优先级60。根据各个标签的优先级,确定目标用户咨询的业务的业务价值。
业务价值高低的判断标准由业务方及客服部门综合评估,一般根据是否当前公司重点发展业务、是否能为公司业绩高贡献、是否能为公司带来高流量等来综合判断。例如,当前公司主打产品私家医生、就医360、体检等业务即为高价值。相应的,一些历史业务(逐渐舍弃),业绩、流量无贡献等即为低价值。
103、获取目标用户的关联数据,并根据重要程度和目标用户的关联数据,确定目标用户的重要程度评级;
本实施例中,可以利用大数据(Big data)抓取目标用户的关联数据,该关联数据能够体现目标用户的个性化特征。例如,目标用户的身份信息、某购物网站的购物记录等。在实际应用中,可以针对业务设置关联数据的内容,从而基于该关联数据,为目标用户提供最佳客服服务流程的分配数据依据。
将目标用户所咨询的业务的重要程度与该目标用户的关联数据相结合,确定目标用户的重要程度评级。业务价值高低的判断标准由业务方及客服部门综合评估,一般根据是否当前公司重点发展业务、是否能为公司业绩高贡献、是否能为公司带来高流量等来综合判断。例如,当前公司主打产品私家医生、就医360、体检等业务即为高价值。相应的,一些历史业务(逐渐舍弃),业绩、流量无贡献等即为低价值。
同时,业务流量大小判断标准为用户咨询量(即用户点击咨询客服量)的大小是否超出客服人力服务总量。超出算大、未超出算小。业务的咨询量、接待量等有相应的数据报表以供客服部门参考。
可以理解的是,客服可以分为人工客服、智能客服及人工+智能客服相结合三种场景。其中,在客服服务场景下,本发明提供了一种可行的实施方式,即可以根据目标用户发起的业务咨询,获取该目标用户的关联数据。其中,业务咨询中目标用户的咨询信息用于标识目标用户,因此,可以根据咨询信息标识的目标用户的关联数据。
需要说明的是,上述大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临,大数据也吸引了越来越多的关注,大数据需要特殊的技术,以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术,包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
104、基于重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式。
本实施例中,根据目标用户的重要程度评级,为该目标用户分配对应的客服坐席。其中,客服坐席是指在用户进行业务咨询过程中,客户服务中心为目标用户提供的接待服务流程。该客服坐席可以是人工客服,智能客服,也可以是智能+人工客服等多种模式,实现根据业务的类型、流量、价值,用户的价值、问题特性,充分利用有限的客服人力咨询提供最精准的服务。
在一种可行的实施方式中,业务流程可以包括:智能客服、智能+人工客服、人工客服三种服务;可以根据业务类型、业务价值、业务流量、用户问题特点等随时进行动态调整。比如,对于业务价值高、流量小的业务(例如心理咨询、重疾顾问等)直接使用人工客服接待以提高用户满意度;对于业务价值高、流量大的业务(例如私家医生、挂号等)使用智能客服加人工客服相结合的方式接待,先使用智能客服解决大量用户的常见问题,再使用人工客服处理需要人工跟进的问题;对于业务价值低、用户问题集中的业务(例如步步夺金等)使用智能客服基本就能解决用户的问题。
本发明实施例中,通过对目标用户输入的业务问题进行分析,确定业务问题对应的业务类型;根据预置数据库中的历史访问数据判断该类型业务的业务价值同时判断该目标用户的用户价值,并确定该目标用户的优先级,以便为目标用户提供拥有对应技能的客服。本发明可以根据用户的价值和问题特性为用户画像,结合情绪识别和语义分析对线上目标用户的医疗问句进行分析识别,利用有限的客服坐席满足医疗场景下的智能问答的技术问题。
请参阅图2,本发明实施例中客服匹配方法的第二个实施例包括:
201、对医疗问句进行语义分析,得到语义分析结果;
本实施例中,根据用户输入的多条咨询信息收集的用户的问句,并对收集到的医疗问句进行语义分析,得到对应的语义分析结果。医疗问句是指用户在咨询过程中发送给客服的信息,比如,“用于糖尿病治疗的药物,除了二甲双胍还有哪些?吃这个药管用吗?”,对用户的问句进行语义分析,获得的关键字为“糖尿病”“糖尿病治疗药物”“二甲双胍”。
语义分析是编译过程的一个逻辑阶段,语义分析的任务是对结构上正确的源程序进行上下文有关性质的审查,进行类型审查。语义分析是审查源程序有无语义错误,为代码生成阶段收集类型信息。比如语义分析的一个工作是进行类型审查,审查每个算符是否具有语言规范允许的运算对象,当不符合语言规范时,编译程序应报告错误。
202、基于语义分析结果,对医疗问句进行情绪识别,得到目标用户的情绪信息;
本实施例中,根据语义分析结果,对医疗问句进行情绪识别,提取用户用户的音频特征或语义特征等,根据所述情绪识别结果中,确定用户情绪信息。
本实施例中,医疗问句是指对话时,目标用户回答问题时候的情绪信息,若用户回答情绪消极,则要在对话中,对目标问题进行委婉的二次确认,从而获取用户的真实需求。比如说,对话中,系统回复“治疗灰指甲的药物,除了复方酮康挫,还有30%浓度的醋酸,您是否想了解一下”,若用户回答“是的,请具体介绍一下30%浓度的醋酸的功效和治疗灰指甲的具体治疗方法”,则判定用户的情绪信息是积极的,想要了解“30%浓度的醋酸”,同时也说明用户对“治疗灰指甲”或购买“复方酮康挫”和“30%浓度的醋酸”有一定的购买需求。若用户回答的是“还行吧”或者“可以了解一下”,则判定用户对“30%浓度的醋酸”并不感兴趣,情绪信息是消极的。
203、对目标用户的情绪信息进行意图识别,得到目标用户的意图信息;
本实施例中,对医疗问句进行意图识别是指,对医疗问句进行语义识别和文本解析,根据语义识别和文本分析结果,判断用户的基本意图信息。然后再根据情绪识别结果,确定用户的购买意图。比如,医疗问句“轻度灰指甲可以治愈吗?如何才能治愈,可以详细介绍一下相关药品吗”对目标用户的问句进行语义分析和文本解析,判断出用户意图信息为:“用户不知道轻度灰指甲是否可以治愈”“用户希望具体了解一下轻度灰指甲的治愈方法”,同时也可以判断出用户的态度是积极的,根据用户的意图信息和用户的情绪信息,进一步的判断出用户的意图:用户有咨询灰指甲治疗和治疗灰指甲相关药品的意图。
204、基于目标用户的意图信息,确定目标用户的真实意图;
本实施例中,通过由与用户进行对话,基于多个维度收集更精准的用户信息,避免了预设信息供用户选择,而造成的用户信息获取维度和精准度受限的问题。同时在收集用户信息过程中增加使用情绪识别能力,对用户答复信息中的所携带的情绪进行识别,判断用户的情绪。若用户的情绪为积极的,则可以确定该答复为用户的真实意图;若用户的情绪比较消极,则进行委婉的二次确认,以确认用户的真实意图提升了对用户真实意图判断的精度,从而获取用户的真实需求,对线上目标用户的医疗问句进行分析识别,充分利用有限的客服坐席满足医疗场景下的智能问答,为目标用户提供最精准的服务,满足医疗场景下的智能问答。
205、获取目标用户输入的医疗问句,并对医疗问句进行特征提取,得到医疗问句的文本特征;
本实施例中,目标用户输入的医疗问句指的是目标用户在线输入的业务咨询信息。根据业务咨询信息,对该业务咨询信息进行语义分析,提取出业务咨询信息中的关键字,并根据预置标签库中的标签进行匹配,根据匹配到的结果确定目标用户所咨询业务的业务类型。比如,某用户输入的咨询信息为“我想查询私家医生业务,如何查询”,对用户输入的咨询信息进行语义分析,提取出“医生”、“私家医生业务”等关键字,根据这些关键字,与预置标签库中的标签进行匹配,确定该用户咨询业务的业务类型。
206、对医疗问句进行分词处理,获取医疗问句的多个字段;
本实施例中,分词是指将连续的字序列按照一定的规范重新组合成词序列的过程。在做文本挖掘的时候,首先要做的预处理就是分词。英文单词天然有空格隔开容易按照空格分词,但是也有时候需要把多个单词做为一个分词,比如一些名词如“New York”,需要做为一个词看待。
现代分词都是基于统计的分词,而统计的样本内容来自于一些标准的语料库。比如,“小明来到荔湾区”,分词的结果是:"小明/来到/荔湾/区"。或者,“我想查询私家医生业务,如何查询”,分词的结果是:“我/想/查询/私家医生/业务”。
207、根据文本特征,分别将多个字段作为关键字,与预置标签库进行匹配,得到对应的标签;
本实施例中,根据分词结果,将分词之后得到的词片段作为关键字,与预置标签库中的标签进行匹配,得到对应的标签。比如,“我想查询私家医生业务,如何查询”,分词的结果是:“我/想/查询/私家医生/业务”,分别将得到的词片段“查询”,“私家医生”,“医生”,“业务”等作为关键词,与标签库中的标签进行匹配,得到对应的标签。
208、基于标签,确定医疗问句中记载的业务对应的业务类型;
本实施例中,将得到的词片段“查询”,“私家医生”,“医生”,“业务”等作为关键词,与标签库中的标签进行匹配,得到对应的标签。进一步地,根据标签,确定用户所咨询业务的类型,比如,“标签-寿险”可以表明该客户为“寿险”业务;“标签-付费”表示该目标客户为付费客户;“标签-咨询挂号”则表明该目标客户为在咨询私家医生业务。根据标签的不同,确定目标用户所咨询业务的业务类型。
209、提取医疗问句中携带的标签,并根据标签确定医疗问句的重要程度;
210、获取目标用户的关联数据,并根据重要程度和目标用户的关联数据,确定目标用户的重要程度评级;
211、基于重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式。
本实施例中步骤210-211与第一实施例中的步骤102-104类似,此处不再赘述。
本发明实施例中,通过对目标用户输入的业务问题进行分析,确定业务问题对应的业务类型;根据预置数据库中的历史访问数据判断该类型业务的业务价值同时判断该目标用户的用户价值,并确定该目标用户的优先级,以便为目标用户提供拥有对应技能的客服。本发明可以根据用户的价值和问题特性为用户画像,结合情绪识别和语义分析对线上目标用户的医疗问句进行分析识别,利用有限的客服坐席满足医疗场景下的智能问答的技术问题。
请参阅图3,本发明实施例中客服匹配方法的第三个实施例包括:
301、接收目标用户输入的医疗问句,并通过预置特征提取算法对医疗问句进行特征提取,得到医疗问句的关键字,确定医疗问句中记载的业务对应的业务类型;
302、提取医疗问句中携带的标签;
本实施例中,目标用户输入的医疗问句指的是目标用户在线输入的业务咨询信息。根据业务咨询信息,对该业务咨询信息进行语义分析,提取出业务咨询信息中的关键字,并根据预置标签库中的标签进行匹配,根据匹配到的结果确定目标用户所咨询业务的业务类型。比如,某用户输入的咨询信息为“我想查询私家医生业务,如何查询”,对用户输入的咨询信息进行语义分析,提取出“医生”、“私家医生业务”等关键字,根据这些关键字,与预置标签库中的标签进行匹配,确定该医疗问句中携带的标签“寿险”、“私家医生咨询”、“挂号业务”等。
303、获取生成标签的数据表,并获取标签的生成方式;
本实施例中,通过生成标签的数据表确定对应标签在某一历史时期的访问数量,访问次数等,进一步地,确定标签的生成方式。
本实施例中,有些标签是直接采用的表中的某个属性数据,有些标签是基于表中的数据经过计算得到的,不同的标签抽取方式其准确性也不相同。此外,从将该标签加入标签库的时刻开始到当前时刻经历的时间有长有短,存在时间久远的标签其价值往往随时间而衰减。不同标签之间具有关联性,不同标签之间往往还具有相互引用关系。
304、基于数据表和标签的生成方式,确定标签的初始权重值;
本实施例中,根据生成标签的数据表和生成该标签的方式,确定标签的初始权重值。
根据数据源表抽取标签,在抽取过程中,有些标签是直接采用的表中的某个属性数据,有些标签是基于表中的数据经过计算得到的,不同的标签抽取方式其准确性也不相同。例如可以将直接采纳的标签的准确性权重设置为1,而通过计算生成的标签的准确性权重设置为0.8。通过整合源表权重和准确性权重,可以得到带有权重信息的标签数据,加入标签库。可以周期性地处理标签库中的标签数据,例如,可以每周按照时间衰减因子对标签进行时间维度的权重衰减,以便于标签库中的标签的权重数据可以保持最新的状态。标签的权重数据进行归一化处理,确定标签的初始权重值。
305、基于标签库中的多个标签之间的逻辑关系图,对初始权重值进行修正,得到标签的数据价值;
本实施例中,根据本公开实施例,确定多个所述标签中的每个标签的数据价值进一步包括基于生成所述标签的数据表以及生成所述标签的方式,确定所述标签的初始权重,基于多个标签之间的逻辑关系图,修正所述初始权重,得到每个标签的数据价值。
本实施例中,基于多个标签之间的逻辑关系图,修正所述初始权重,得到每个标签的数据价值进一步包括获得多个标签之间的逻辑关系图,所述逻辑关系图为有向无环图,对于处于逻辑关系图中作为节点的标签,根据所述节点的入度确定每个来源的贡献值,以及基于所述贡献值和所述初始权重,确定所述标签的数据价值。
306、获取标签库中每个标签的历史访问次数,最后访问时间及访问方的数量;
本实施例中,历史访问次数是指在过去的某一段时间段内,某个标签的历史访问量。用户咨询的某些问题,比如,体检业务大多数用户问题都集中在如何预约、取消、改期,体检前注意事项,体检后如何查看报告等标签,在过去的6个月时间内的咨询(访问)次数,访问时间,以及访问该标签的用户(访问方)的数量。
307、基于历史访问次数,最后访问时间及访问方的数量,确定标签的标签价值;
本实施例中,确定多个所述标签中的每个标签的业务价值进一步包括获得多个所述标签中的每个标签的历史访问次数,最后访问时间以及调用方的数量,基于所述历史访问次数,最后访问时间以及调用方的数量确定标签的标签价值。
308、基于数据价值和标签价值,确定标签的综合价值;
本实施例中,标签的数据价值和标签价值,确定所述标签的综合价值。获得近一段时间的标签访问历史数据,例如三个月内的标签访问次数趋势;将标签价值和某段时间段内的标签访问历史数据进行趋势拟合,以确定最终的标签的综合价值。主要步骤是:获得对应标签(在某段时间内)的历史访问量;分别对标签(在某段时间内)的历史访问量和标签的综合价值进行归一化处理;按照标签(在某段时间内)的历史访问量和标签的综合价值分别统计在多个区间中的标签的数量;基于该标签的数量,确定标签访问量和标签的综合价值之间的差异,确定最终的标签的综合价值。
309、基于标签的综合价值,确定医疗问句的重要程度;
本实施例中,根据该标签的总和价值,确定该医疗问句的重要程度。医疗问句的业务价值高低的判断标准由业务方及客服部门综合评估,一般根据是否当前公司重点发展业务、是否能为公司业绩高贡献、是否能为公司带来高流量等来综合判断。例如,当前公司主打产品私家医生、就医360、体检等业务即为重要程度高,也就是高价值。相应的,一些历史业务(逐渐舍弃),业绩、流量无贡献等即为低价值。业务流量大小判断标准为用户咨询量(即用户点击咨询客服量)的大小是否超出客服人力服务总量;若超出,则该业务的流量大;若未超出,则该业务的流量小。业务的咨询量、接待量等有相应的数据报表以供客服部门参考。同时,用户问题的特性也会影响业务价值;用户问题特性指问题的集中与分散程度。根据用户历史咨询问题的诗句来进行判断;问题集中即为大部分用户(50%以上)的问题都集中在该业务常见的几十个问题以内;问题分散即为大部分的用户问题都不相同,无法归纳。例如,体检业务大多数用户问题都集中在如何预约、取消、改期,体检前注意事项,体检后如何查看报告等。
310、获取目标用户的关联数据,并根据重要程度和目标用户的关联数据,确定目标用户的重要程度评级;
311、基于重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式。
本实施例中步骤310-311与第一实施例中的步骤103-104类似,此处不再赘述。
本发明实施例中,通过对目标用户输入的业务问题进行分析,确定业务问题对应的业务类型;根据预置数据库中的历史访问数据判断该类型业务的业务价值同时判断该目标用户的用户价值,并确定该目标用户的优先级,以便为目标用户提供拥有对应技能的客服。本发明可以根据用户的价值和问题特性为用户画像,结合情绪识别和语义分析对线上目标用户的医疗问句进行分析识别,利用有限的客服坐席满足医疗场景下的智能问答的技术问题。
请参阅图4,本发明实施例中客服匹配方法的第四个实施例包括:
401、接收目标用户输入的医疗问句,并通过预置特征提取算法对医疗问句进行特征提取,得到医疗问句的关键字,确定医疗问句中记载的业务对应的业务类型;
402、提取医疗问句中携带的标签,并根据标签确定医疗问句的重要程度;
403、获取目标用户的关联数据;
本实施例中,可以利用大数据(Big data)抓取目标用户的关联数据,该关联数据能够体现目标用户的个性化特征。例如,目标用户的身份信息、某购物网站的购物记录等。在实际应用中,可以针对业务设置关联数据的内容,从而基于该关联数据,为目标用户提供最佳客服服务流程的分配数据依据。
可以理解的是,客服可以分为人工客服、智能客服及人工+智能客服相结合三种场景。其中,在客服服务场景下,本发明提供了一种可行的实施方式,即可以根据目标用户发起的业务咨询,获取该目标用户的关联数据。其中,业务咨询中目标用户的咨询信息用于标识目标用户,因此,可以根据咨询信息标识的目标用户的关联数据。
需要说明的是,上述大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临,大数据也吸引了越来越多的关注,大数据需要特殊的技术,以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术,包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
404、根据关联数据,确定目标用户的用户价值;
本实施例中,可以根据上述目标用户的关联数据,利用关联数据中用户的各个类型的信息,判断用户价值的大小,一般情况下目标用户会按照付费与否,以及付费的多少,未来的发展空间等被分为高价值用户、中价值用户和低价值用户。
405、根据用户价值和业务价值,通过预置用户价值模型确定目标用户的重要程度评级;
本实施例中,可以根据上述目标用户的关联数据和用户价值,利用用户价值模型对目标用户进行评级,得到该目标用户的重要程度评级。对目标用户进行评级的过程,可以理解为评价目标用户对于呼叫业务的价值大小。
上述用户价值模型是预先部署在本系统中的,其对目标用户的评级性能主要取决于模型的训练过程。本发明实施例提供了一种可行的模型训练方式,即获取用户价值模型的用户样本数据;所述用户样本数据包括第一类用户样本数据和第二类用户样本数据;其中,所述第一类用户样本数据包括第一类用户样本关联数据和第一类用户样本评级结果,且所述第一类用户样本评级结果大于第一阈值;所述第二类用户样本数据包括第二类用户样本关联数据和第二类用户样本评级结果,且所述第二类用户样本评级结果小于第二阈值;根据所述训练样本数据,对所述用户价值模型进行训练。其中,第一阈值大于第二阈值,且第一阈值可以等于第一阈值。在实际应用中,可以根据具体情况设置第一阈值和第二阈值,在此不作任何限定。
基于上述方式对用户价值模型进行训练,通过训练后的该用户价值模型对目标用户进行重要程度评级,得到该目标用户的重要程度评级,该所述重要程度评级用于标识针对所述目标用户对应于第一类用户评级结果或者第二类评级结果的概率。
可以利用用户价值评级模型对目标用户进行评级,以此获取目标用户对于业务的价值大小,基于目标用户的重要程度评级,可以为后续分配客服坐席的分配提供数据支持。
406、基于重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式。
本实施例中步骤401-402、406与第一实施例中的步骤101-102、104类似,此处不再赘述。
本发明实施例中,通过对目标用户输入的业务问题进行分析,确定业务问题对应的业务类型;根据预置数据库中的历史访问数据判断该类型业务的业务价值同时判断该目标用户的用户价值,并确定该目标用户的优先级,以便为目标用户提供拥有对应技能的客服。本发明可以根据用户的价值和问题特性为用户画像,结合情绪识别和语义分析对线上目标用户的医疗问句进行分析识别,利用有限的客服坐席满足医疗场景下的智能问答的技术问题。
请参阅图5,本发明实施例中客服匹配方法的第五个实施例包括:
501、接收目标用户输入的医疗问句,并通过预置特征提取算法对医疗问句进行特征提取,得到医疗问句的关键字,确定医疗问句中记载的业务对应的业务类型;
502、提取医疗问句中携带的标签,并根据标签确定医疗问句的重要程度;
503、获取目标用户的关联数据,并根据重要程度和目标用户的关联数据,确定目标用户的重要程度评级;
504、基于重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式;
505、当目标用户进入特定业务咨询时,根据目标用户的重要程度评级确定目标用户的优先级,并将目标用户加入排队队列;
本实施例中,当目标用户在进入特定的业务咨询时,比如,有20个用户同时在线咨询某高额付费,该业务的业务类型(重要程度)是基本相同的,此时就要结合用户的关联数据得到的用户的重要程度评级,进一步地,给这20个用户确定优先级,首先为优先级高的用户安排对应的客服坐席。
506、基于特定业务咨询,筛选出具有特定服务技能的客服;
本实施例中,由于特定的业务咨询,需要的一定是拥有与该业务相关知识储备的客服,才能完成用户的咨询,所以,需要首先从众多的客服坐席中,筛选出具有对应特定服务技能的。比如,当用户咨询私家医生、就医360、体检等相应业务,接待的作息客服必须是熟知相关医疗知识或相关技能的坐席客服。
507、基于目标用户的优先级,依次为目标用户分配对应具有特定服务技能的客服。
本实施例中,根据目标客户的优先级,以此为目标用户分配对应具有特定服务技能的客服。比如,当用户进入特定业务咨询时,给此用户的该次咨询设置优先级后将用户加入排队队列。系统每次选择优先级最高的用户为其分配人工坐席。分配坐席时,先筛选出具有相应服务技能的坐席,再结合用户之前的咨询历史和坐席的接待能力及当前的接待量,选择合适的坐席。坐席管理员可以根据实际情况动态调整坐席的服务技能及接待能力,提高用户的满意度。
本实施例中步骤501-504第一实施例中的101-104类似,此处不再赘述。
在本发明实施例中,通过对目标用户输入的业务问题进行分析,确定业务问题对应的业务类型;根据预置数据库中的历史访问数据判断该类型业务的业务价值同时判断该目标用户的用户价值,并确定该目标用户的优先级,以便为目标用户提供拥有对应技能的客服。本发明可以根据用户的价值和问题特性为用户画像,结合情绪识别和语义分析对线上目标用户的医疗问句进行分析识别,利用有限的客服坐席满足医疗场景下的智能问答的技术问题。
上面对本发明实施例中客服匹配方法进行了描述,下面对本发明实施例中客服匹配装置进行描述,请参阅图6,本发明实施例中客服匹配装置的第一个实施例包括:
接收模块601,用于接收目标用户输入的医疗问句,并通过预置特征提取算法对所述医疗问句进行特征提取,得到所述医疗问句的关键字,确定所述医疗问句中记载的业务对应的业务类型;
第一确定模块602,用于获取所述医疗问句中携带的标签,并根据所述标签确定所述医疗问句的重要程度;
第二确定模块603,用于获取目标用户的关联数据,并根据所述重要程度和所述目标用户的关联数据,确定所述目标用户的重要程度评级;
匹配模块604,用于基于所述重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式。
本发明实施例中,通过对目标用户输入的业务问题进行分析,确定业务问题对应的业务类型;根据预置数据库中的历史访问数据判断该类型业务的业务价值同时判断该目标用户的用户价值,并确定该目标用户的优先级,以便为目标用户提供拥有对应技能的客服。本发明可以根据用户的价值和问题特性为用户画像,结合情绪识别和语义分析对线上目标用户的医疗问句进行分析识别,利用有限的客服坐席满足医疗场景下的智能问答的技术问题。
请参阅图7,本发明实施例中客服匹配装置的第二个实施例,该客服匹配装置具体包括:
接收模块601,用于接收目标用户输入的医疗问句,并通过预置特征提取算法对所述医疗问句进行特征提取,得到所述医疗问句的关键字,确定所述医疗问句中记载的业务对应的业务类型;
第一确定模块602,用于获取所述医疗问句中携带的标签,并根据所述标签确定所述医疗问句的重要程度;
第二确定模块603,用于获取目标用户的关联数据,并根据所述重要程度和所述目标用户的关联数据,确定所述目标用户的重要程度评级;
匹配模块604,用于基于所述重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式。
本实施例中,所述客服匹配装置还包括:
语义解析模块605,用于对所述医疗问句进行语义分析,得到语义分析结果;
情绪识别模块606,用于基于所述语义分析结果,对所述医疗问句进行情绪识别,得到所述目标用户的情绪信息;
意图识别模块607,用于对所述目标用户的情绪信息进行意图识别,得到所述目标用户的意图信息;
第三确定模块608,用于基于所述目标用户的意图信息,确定所述目标用户的真实意图。
本实施例中,所述接收模块601具体用于:
获取目标用户输入的医疗问句;
对所述医疗问句进行分词处理,获取所述医疗问句的多个字段;
分别将所述多个字段作为关键字,与预置标签库进行匹配,得到对应的标签;
基于所述标签,确定所述医疗问句中记载的业务对应的业务类型。
本实施例中,所述第一确定模块602包括:
获取单元6021,用于所述医疗问句中携带的标签;
确定单元6022,用于基于预置标签库,确定所述标签的数据价值和标签价值,其中,所述标签库中包含多个用于反映对象特征的标签;基于所述数据价值和标签价值,确定所述标签的综合价值;基于所述标签的综合价值,确定所述医疗问句的重要程度。
本实施例中,所述确定单元6022具体用于:
获取生成所述标签的数据表,并获取所述标签的生成方式;
基于所述数据表和所述标签的生成方式,确定所述标签的初始权重值;
基于所述标签库中的多个标签之间的逻辑关系图,对所述初始权重值进行修正,得到所述标签的数据价值;
获取所述标签库中每个标签的历史访问次数,最后访问时间及访问方的数量;基于所述历史访问次数,最后访问时间及访问方的数量,确定所述标签的标签价值。
本实施例中,所述第二确定模块603具体用于:
获取目标用户的关联数据;
根据所述关联数据,确定所述目标用户的用户价值;
根据所述用户价值和所述业务价值,通过预置用户价值模型确定所述目标用户的重要程度评级。
本实施例中,所述装置还包括:
第四确定模块609,用于当目标用户进入特定业务咨询时,根据所述目标用户的重要程度评级确定所述目标用户的优先级,并将所述目标用户加入排队队列;
筛选模块610,用于基于所述特定业务咨询,筛选出具有特定服务技能的客服;
分配模块611,用于基于所述目标用户的优先级,依次为所述目标用户分配对应具有特定服务技能的客服。
本发明实施例中,通过对目标用户输入的业务问题进行分析,确定业务问题对应的业务类型;根据预置数据库中的历史访问数据判断该类型业务的业务价值同时判断该目标用户的用户价值,并确定该目标用户的优先级,以便为目标用户提供拥有对应技能的客服。本发明可以根据用户的价值和问题特性为用户画像,结合情绪识别和语义分析对线上目标用户的医疗问句进行分析识别,利用有限的客服坐席满足医疗场景下的智能问答的技术问题。
上面图6和图7从模块化功能实体的角度对本发明实施例中的客服匹配装置进行详细描述,下面从硬件处理的角度对本发明实施例中客服匹配设备进行详细描述。
图8是本发明实施例提供的一种客服匹配设备的结构示意图,该客服匹配设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对客服匹配设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在客服匹配设备800上执行存储介质830中的一系列指令操作,以实现上述各方法实施例提供的客服匹配方法的步骤。
客服匹配设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作系统831,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图8示出的客服匹配设备结构并不构成对本申请提供的客服匹配设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行上述客服匹配方法的步骤。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种客服匹配方法,其特征在于,所述客服匹配方法包括:
接收目标用户输入的医疗问句,并通过预置特征提取算法对所述医疗问句进行特征提取,得到所述医疗问句的关键字,确定所述医疗问句中记载的业务对应的业务类型;
提取所述医疗问句中携带的标签,并根据所述标签确定所述医疗问句的重要程度;
获取目标用户的关联数据,并根据所述重要程度和所述目标用户的关联数据,确定所述目标用户的重要程度评级,其中,所述关联数据是根据所述目标用户的身份信息,从预置数据库中获取的与所述目标用户对应的个人数据和历史交易数据;
基于所述重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式。
2.根据权利要求1所述的客服匹配方法,其特征在于,在所述接收目标用户输入的医疗问句,并通过预置特征提取算法对所述医疗问句进行特征提取,得到所述医疗问句的关键字,确定所述医疗问句中记载的业务对应的业务类型之前,还包括:
对所述医疗问句进行语义分析,得到语义分析结果;
基于所述语义分析结果,对所述医疗问句进行情绪识别,得到所述目标用户的情绪信息;
对所述目标用户的情绪信息进行意图识别,得到所述目标用户的意图信息;
基于所述目标用户的意图信息,确定所述目标用户的真实意图。
3.根据权利要求1所述的客服匹配方法,其特征在于,所述接收目标用户输入的医疗问句,并通过预置特征提取算法对所述医疗问句进行特征提取,得到所述医疗问句的关键字,确定所述医疗问句中记载的业务对应的业务类型包括:
获取目标用户输入的医疗问句,并对所述医疗问句进行特征提取,得到所述医疗问句的文本特征;
对所述医疗问句进行分词处理,获取所述医疗问句的多个字段;
根据所述文本特征,分别将所述多个字段作为关键字,与预置标签库进行匹配,得到对应的标签;
基于所述标签,确定所述医疗问句中记载的业务对应的业务类型。
4.根据权利要求1所述的客服匹配方法,其特征在于,所述提取所述医疗问句中携带的标签,并根据所述标签确定所述医疗问句的重要程度包括:
提取所述医疗问句中携带的标签;
基于预置标签库,确定所述标签的数据价值和标签价值,其中,所述标签库中包含多个用于反映对象特征的标签;
基于所述数据价值和标签价值,确定所述标签的综合价值;
基于所述标签的综合价值,确定所述医疗问句的重要程度。
5.根据权利要求4所述的客服匹配方法,其特征在于,所述基于预置标签库,确定所述标签的数据价值和标签价值包括:
获取生成所述标签的数据表,并获取所述标签的生成方式;
基于所述数据表和所述标签的生成方式,确定所述标签的初始权重值;
基于所述标签库中的多个标签之间的逻辑关系图,对所述初始权重值进行修正,得到所述标签的数据价值;
获取所述标签库中每个标签的历史访问次数,最后访问时间及访问方的数量;
基于所述历史访问次数,最后访问时间及访问方的数量,确定所述标签的标签价值。
6.根据权利要求1所述的客服匹配方法,其特征在于,所述基于所述获取目标用户的关联数据,并根据所述重要程度和所述目标用户的关联数据,确定所述目标用户的重要程度评级包括:
获取目标用户的关联数据;
根据所述关联数据,确定所述目标用户的用户价值,其中,所述关联数据是根据所述目标用户的身份信息,从预置数据库中获取的与所述目标用户对应的个人数据和历史交易数据;
根据所述用户价值和所述业务价值,通过预置用户价值模型确定所述目标用户的重要程度评级。
7.根据权利要求1所述的客服匹配方法,其特征在于,在所述基于所述重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式的步骤之后,还包括:
当目标用户进入特定业务咨询时,根据所述目标用户的重要程度评级确定所述目标用户的优先级,并将所述目标用户加入排队队列;
基于所述特定业务咨询,筛选出具有特定服务技能的客服;
基于所述目标用户的优先级,依次为所述目标用户分配对应具有特定服务技能的客服。
8.一种客服匹配装置,其特征在于,所述客服匹配装置包括:
接收模块,用于接收目标用户输入的医疗问句,并通过预置特征提取算法对所述医疗问句进行特征提取,得到所述医疗问句的关键字,确定所述医疗问句中记载的业务对应的业务类型;
第一确定模块,用于提取所述医疗问句中携带的标签,并根据所述标签确定所述医疗问句的重要程度;
第二确定模块,用于获取目标用户的关联数据,并根据所述重要程度和所述目标用户的关联数据,确定所述目标用户的重要程度评级,其中,所述关联数据是根据所述目标用户的身份信息,从预置数据库中获取的与所述目标用户对应的个人数据和历史交易数据;
匹配模块,用于基于所述重要程度评级和目标用户的真实意图,从预设的服务策略中匹配对应的服务方式。
9.一种客服匹配设备,其特征在于,所述客服匹配设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述客服匹配设备执行如权利要求1-7中任一项所述的客服匹配方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的客服匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010897881.7A CN112035642A (zh) | 2020-08-31 | 2020-08-31 | 客服匹配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010897881.7A CN112035642A (zh) | 2020-08-31 | 2020-08-31 | 客服匹配方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112035642A true CN112035642A (zh) | 2020-12-04 |
Family
ID=73586477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010897881.7A Pending CN112035642A (zh) | 2020-08-31 | 2020-08-31 | 客服匹配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112035642A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077318A (zh) * | 2021-04-19 | 2021-07-06 | 北京京东拓先科技有限公司 | 一种业务处理方法和装置 |
CN113377935A (zh) * | 2021-05-24 | 2021-09-10 | 海南师范大学 | 一种自动分流实现智能客服的系统及方法 |
CN113707282A (zh) * | 2021-07-23 | 2021-11-26 | 泰康保险集团股份有限公司 | 一种候选医生排序方法、装置、可读存储介质及电子设备 |
CN113707302A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于关联信息的服务推荐方法、装置、设备及存储介质 |
CN114979723A (zh) * | 2022-02-14 | 2022-08-30 | 杭州脸脸会网络技术有限公司 | 虚拟智能客服方法、装置、电子装置和存储介质 |
CN116258469A (zh) * | 2023-05-16 | 2023-06-13 | 四川数产范式科技有限公司 | 基于通信软件的业务数据处理方法、系统、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106341562A (zh) * | 2016-11-07 | 2017-01-18 | 上海易谷网络科技有限公司 | 互联网环境下选择客服的方法 |
CN107562816A (zh) * | 2017-08-16 | 2018-01-09 | 深圳狗尾草智能科技有限公司 | 用户意图自动识别方法及装置 |
CN108076237A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 一种电话客服数据处理方法及装置 |
CN109767240A (zh) * | 2018-12-17 | 2019-05-17 | 中国平安财产保险股份有限公司 | 云客服分配方法、装置、计算机设备和存储介质 |
CN111163238A (zh) * | 2019-11-26 | 2020-05-15 | 国网江苏省电力有限公司电力科学研究院 | 一种在线客服系统的智能调度方法 |
-
2020
- 2020-08-31 CN CN202010897881.7A patent/CN112035642A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106341562A (zh) * | 2016-11-07 | 2017-01-18 | 上海易谷网络科技有限公司 | 互联网环境下选择客服的方法 |
CN108076237A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 一种电话客服数据处理方法及装置 |
CN107562816A (zh) * | 2017-08-16 | 2018-01-09 | 深圳狗尾草智能科技有限公司 | 用户意图自动识别方法及装置 |
CN109767240A (zh) * | 2018-12-17 | 2019-05-17 | 中国平安财产保险股份有限公司 | 云客服分配方法、装置、计算机设备和存储介质 |
CN111163238A (zh) * | 2019-11-26 | 2020-05-15 | 国网江苏省电力有限公司电力科学研究院 | 一种在线客服系统的智能调度方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077318A (zh) * | 2021-04-19 | 2021-07-06 | 北京京东拓先科技有限公司 | 一种业务处理方法和装置 |
CN113377935A (zh) * | 2021-05-24 | 2021-09-10 | 海南师范大学 | 一种自动分流实现智能客服的系统及方法 |
CN113707282A (zh) * | 2021-07-23 | 2021-11-26 | 泰康保险集团股份有限公司 | 一种候选医生排序方法、装置、可读存储介质及电子设备 |
CN113707302A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于关联信息的服务推荐方法、装置、设备及存储介质 |
CN114979723A (zh) * | 2022-02-14 | 2022-08-30 | 杭州脸脸会网络技术有限公司 | 虚拟智能客服方法、装置、电子装置和存储介质 |
CN114979723B (zh) * | 2022-02-14 | 2023-08-29 | 杭州脸脸会网络技术有限公司 | 虚拟智能客服方法、装置、电子装置和存储介质 |
CN116258469A (zh) * | 2023-05-16 | 2023-06-13 | 四川数产范式科技有限公司 | 基于通信软件的业务数据处理方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112035642A (zh) | 客服匹配方法、装置、设备及存储介质 | |
Aiken et al. | Machine learning and phone data can improve targeting of humanitarian aid | |
US11080304B2 (en) | Feature vector profile generation for interviews | |
US11263401B2 (en) | Method and system for securely storing private data in a semantic analysis system | |
US9276939B2 (en) | Managing user access to query results | |
US7801756B1 (en) | Hybrid machine/human computing arrangement | |
US20040073458A1 (en) | Method and system for processing medical records | |
US20020046053A1 (en) | Web based risk management system and method | |
US7720700B2 (en) | System for processing unpaid healthcare claims | |
US11816741B2 (en) | Automatically labeling data using natural language processing | |
CN116601652A (zh) | 用于支持创业的专家匹配系统 | |
CN110796556A (zh) | 信息处理方法、装置、计算机可读存储介质及电子设备 | |
US8176019B2 (en) | Extending the sparcle privacy policy workbench methods to other policy domains | |
US20050137918A1 (en) | Method, system and program product for assessing an enterprise architecture | |
CN115080698A (zh) | 基于大数据的招投标分析方法、系统、设备及存储介质 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
Blohm et al. | Towards a Privacy Compliant Cloud Architecture for Natural Language Processing Platforms. | |
CN110706122A (zh) | 基于大数据分析提升社保代理效率方法、设备及可读介质 | |
KR101977236B1 (ko) | 아웃소싱 서비스 거래에서 발생되는 분쟁을 해결하기 위한 부분결제취소 서비스 제공 방법 | |
Nyariro et al. | Integrating equity, diversity and inclusion throughout the lifecycle of AI within healthcare: a scoping review protocol | |
CN113723974A (zh) | 一种信息处理方法、装置、设备及存储介质 | |
Vinay et al. | Integrating TOPSIS and AHP into GORE decision support system | |
US11107559B1 (en) | System and method for identifying one or more investigative sites of a clinical trial and centrally managing data therefrom | |
Kotowaroo et al. | Success and Failure Factors Affecting Software Development Projects from IT Professionals’ Perspective | |
Chepken et al. | Day labour mobile electronic data capture and browsing system |
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: 20201204 |
|
RJ01 | Rejection of invention patent application after publication |