CN112036648A - 基于模型的任务分配方法、装置、计算机设备和存储介质 - Google Patents
基于模型的任务分配方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112036648A CN112036648A CN202010911133.XA CN202010911133A CN112036648A CN 112036648 A CN112036648 A CN 112036648A CN 202010911133 A CN202010911133 A CN 202010911133A CN 112036648 A CN112036648 A CN 112036648A
- Authority
- CN
- China
- Prior art keywords
- task
- specified
- seat
- processed
- preset
- 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 80
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012216 screening Methods 0.000 claims abstract description 44
- 239000003795 chemical substances by application Substances 0.000 claims description 88
- 238000012545 processing Methods 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 28
- 230000006870 function Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能,提供一种基于模型的任务分配方法、装置、计算机设备和存储介质,其中方法包括:获取与指定坐席对应的坐席特征信息,其中,指定坐席为当前处于待分配任务状态的坐席;将坐席特征信息输入至预设预测模型,生成与坐席特征信息对应的预测任务类型,其中,预测模型根据预先收集的样本数据,对预设的朴素贝叶斯分类器进行训练后生成;判断预设的任务池中是否存在与预测任务类型对应的待处理任务;若是,则按照预设规则从所述待处理任务中筛选出指定任务;将指定任务分配至指定坐席。通过本申请,能够有效地提高对于坐席的任务调度的分配效率与分配准确性。本申请还涉及区块链领域,其中,预测模型可存储于区块链中。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种基于模型的任务分配方法、装置、计算机设备和存储介质。
背景技术
现有对坐席进行任务分配完全是由呼叫中心人为随机分配的,这种人为分配任务的方式属于一种效率低且精度低的分配方式,耗时耗力,既无法确保分配的任务是否适合当前坐席,也无法判断该当前坐席是否有能力处理好本次分配的任务。如果分配给当前坐席的任务与其自身能力不匹配,则会容易导致当前坐席出现任务处理困难,且任务失败率较高的情形。因此,发明人意识到,现有的关于坐席的任务分配方式存在任务分配难度高、分配效率低、分配准确性低的问题。
发明内容
本申请的主要目的为提供一种基于模型的任务分配方法、装置、计算机设备和存储介质,旨在解决现有的关于坐席的任务分配方式存在任务分配难度高、分配效率低、分配准确性低的技术问题。
本申请提出一种基于模型的任务分配方法,所述方法包括步骤:
获取与指定坐席对应的坐席特征信息,其中,所述指定坐席为当前处于待分配任务状态的坐席;
将所述坐席特征信息输入至预设预测模型,通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型,其中,所述预测模型根据预先收集的样本数据,对预设的朴素贝叶斯分类器进行训练后生成;
判断预设的任务池中是否存在与所述预测任务类型对应的待处理任务;
若判断出所述任务池中存在与所述预测任务类型对应的待处理任务,则按照预设规则从所述待处理任务中筛选出指定任务;
将所述指定任务分配至所述指定坐席。
可选地,所述按照预设规则从所述待处理任务中筛选出指定任务的步骤,包括:
获取所述待处理任务的第一数量;
判断所述第一数量是否大于1;
若判断出所述第一数量大于1,则分别获取各所述待处理任务的任务优先级;
根据所述任务优先级,从所有所述待处理任务中筛选出任务优先级最高的待处理任务;
将所述任务优先级最高的待处理任务作为所述指定任务。
可选地,所述判断预设的任务池中是否存在与所述预测任务类型对应的待处理任务的步骤之后,包括:
若判断出所述任务池中不存在与所述预测任务类型对应的待处理任务,则获取所述任务池中的任务被分配至其他坐席后对应的分配结果,其中,所述分配结果包括所述任务池中剩余的未分配任务;
获取所述未分配任务的第二数量;
判断所述第二数量是否等于1;
若判断出所述第二数量等于1,则将所述未分配任务分配至所述指定坐席。
可选地,所述将所述坐席特征信息输入至预设预测模型,通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型的步骤之前,包括:
确定形成数据特征向量的坐席特征属性项,以及形成分类属性的任务类型;
从预设的历史数据库中,获取指定数量由所述数据特征向量构成的数据及其各自对应归属的任务类型,并根据获取到的数据形成训练样本集;
根据所述训练样本集,计算出各所述任务类型在所述训练样本集包含的所有样本数据中出现的先验概率;以及
根据所述训练样本集,计算出在各所述任务类型下,所述数据特征向量中各坐席特征属性的条件概率;
根据各所述任务类型的先验概率,以及各所述坐席特征属性的条件概率,对预设的朴素贝叶斯分类器进行训练,从而得到训练好的朴素贝叶斯分类器;
将所述训练好的朴素贝叶斯分类器确定为所述预测模型;
将所述预测模型存储至区块链网络中。
可选地,所述通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型的步骤,包括:
根据各所述任务类型的先验概率,以及各所述坐席特征属性的条件概率,通过所述预测模型计算出所述坐席特征信息相对于各所述任务类型的后验概率;
将计算得到的所有所述后验概率按照从大到小的顺序进行排列,得到对应的排列数据;
从所述排列数据中筛选出指定后验概率;
获取与所述指定后验概率对应的指定任务类型;
将与所述指定后验概率对应的指定任务类型确定为所述预测任务类型。
可选地,所述从所述排列数据中筛选出指定后验概率的步骤,包括:
获取在所述排列数据中排序第一的第一后验概率;
将所述第一后验概率确定为所述指定后验概率。
可选地,所述从所述排列数据中筛选出指定后验概率的步骤,包括:
展示所述排列数据;
获取用户从所述排列数据中选择的第二后验概率;
将所述第二后验概率确定为所述指定后验概率。
本申请还提供一种基于模型的任务分配装置,包括:
第一获取模块,用于获取与指定坐席对应的坐席特征信息,其中,所述指定坐席为当前处于待分配任务状态的坐席;
处理模块,用于将所述坐席特征信息输入至预设预测模型,通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型,其中,所述预测模型根据预先收集的样本数据,对预设的朴素贝叶斯分类器进行训练后生成;
第一判断模块,用于判断预设的任务池中是否存在与所述预测任务类型对应的待处理任务;
筛选模块,用于若判断出所述任务池中存在与所述预测任务类型对应的待处理任务,则根据所述预测任务类型,从所述任务池中筛选出与所述预测任务类型对应的一个指定任务;
第一分配模块,用于将所述指定任务分配至所述指定坐席。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本申请中提供的基于模型的任务分配方法、装置、计算机设备和存储介质,具有以下有益效果:
本申请中提供的基于模型的任务分配方法、装置、计算机设备和存储介质,不再需要呼叫中心人为地为坐席分配需要处理的任务,而是采用了基于模型的智能任务分配方式来对需要处理的任务进行分配。具体通过使用训练好的朴素贝叶斯分类器作为预测模型,并能够基于与指定坐席对应的坐席特征信息,来快速准确地预测出与该指定坐席对应的预测任务类型,从而后续可以为该指定坐席分配与该预测任务类型对应的指定任务进行处理,有效地提高了对于坐席的任务调度的分配效率与分配准确性。另外,通过将最合适的任务分配给最合适的坐席,能够给提供客户更好的服务,并且也能增加坐席完成任务的成功率。
附图说明
图1是本申请一实施例的基于模型的任务分配方法的流程示意图;
图2是本申请一实施例的基于模型的任务分配装置的结构示意图;
图3是本申请一实施例的计算机设备的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用于解释本申请,并不用于限定本申请。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
参照图1,本申请一实施例的基于模型的任务分配方法,包括:
S1:获取与指定坐席对应的坐席特征信息,其中,所述指定坐席为当前处于待分配任务状态的坐席;
S2:将所述坐席特征信息输入至预设预测模型,通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型,其中,所述预测模型根据预先收集的样本数据,对预设的朴素贝叶斯分类器进行训练后生成;
S3:判断预设的任务池中是否存在与所述预测任务类型对应的待处理任务;
S4:若判断出所述任务池中存在与所述预测任务类型对应的待处理任务,则按照预设规则从所述待处理任务中筛选出指定任务;
S5:将所述指定任务分配至所述指定坐席。
如上述步骤S1至S5所述,本方法实施例的执行主体为一种基于模型的任务分配装置。在实际应用中,上述基于模型的任务分配装置可以通过虚拟装置,例如软件代码实现,也可以通过写入或集成有相关执行代码的实体装置实现,且可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。本实施例中的基于模型的任务分配装置能够基于与指定坐席对应的坐席特征信息,来快速准确地计算出与该指定坐席对应的预测任务类型,进而为该指定坐席分配与该预测任务类型对应的指定任务进行处理,有效地提高了对于坐席的任务调度的分配效率与分配准确性。具体地,首先获取与指定坐席对应的坐席特征信息,其中,上述指定坐席为当前处于待分配任务状态的坐席。上述待分配任务状态是指坐席当前的任务处理量没有达到上限(标准任务处理量),还可接收新的任务的状态,另外,上述坐席特征信息可包括一个或多个指定坐席特征属性,例如可包括坐席员的年龄,地域,学历,资深程度,完成同类任务的数量中的一个或多个。此外,可通过将与坐席对应的特征信息与坐席id进行关联,并将与坐席id对应的坐席的特征信息存储至预设的历史数据库中,可方便后续能够根据相应的坐席id来快速地从数据库中调用出所需的坐席特征信息。当获得了上述坐席特征信息时,然后将上述坐席特征信息输入至预设预测模型,通过上述预测模型对上述坐席特征信息进行预测处理,生成与上述坐席特征信息对应的预测任务类型,其中,上述预测模型根据预先收集的样本数据,对预设的朴素贝叶斯分类器进行训练后生成。上述样本数据为从上述历史数据库中获取的一定数量的由数据特征向量构成的数据及其各自对应归属的任务类型的数据,且上述数据特征向量为由坐席特征属性项构成的数据特征向量。另外,上述朴素贝叶斯分类器是一系列以假设特征之间强(朴素)独立下运用贝叶斯定理为基础的简单概率分类器。该分类器模型会给问题实例分配用特征值表示的类标签,类标签取自有限集合。它不是训练这种分类器的单一算法,而是一系列基于相同原理的算法:所有朴素贝叶斯分类器都假定样本每个特征与其他特征都不相关,即在各分类特征下属性值之间相互独立。本实施例采用训练好的朴素贝叶斯分类器作为预测模型,能够快捷地根据输入的坐席特征信息来输出对应的分类结果(即上述预测任务类型)。生成上述预测任务类型的过程可包括:对于给出的待分类项(即上述坐席特征信息),通过求解在此项出现的条件下各个类别出现的概率,哪个最大,就认为此待分类项属于哪个类别。之后判断预设的任务池中是否存在与上述预测任务类型对应的待处理任务。其中,上述任务池是用于存储所有待完成的任务的任务流水线。如果判断出上述任务池中存在与上述预测任务类型对应的待处理任务,则按照预设规则从所述待处理任务中筛选出指定任务。其中,如果上述任务池中只存在与上述预测任务类型对应的一个待处理任务,则会直接将这个待处理任务作为上述指定任务。另外,而如果上述任务池中存在与上述预测任务类型对应的多个待处理任务,则会按照预设规则从上述多个待处理任务筛选出一个或多个指定任务。对于上述预设规则不作具体限定,例如可根据任务优先级、任务处理量或者任务生成时间等因素生成。举例地,可根据坐席的标准任务处理量,从上述多个待处理任务筛选出任务优先级最高的一个或多个任务来作为上述指定任务,或者也可以根据坐席的标准任务处理量,从上述个待处理任务筛选出任务生成时间距离当前时间最久的一个或多个任务来作为上述指定任务。最后将上述指定任务分配至上述指定坐席。本实施例通过使用训练好的朴素贝叶斯分类器作为预测模型,能够基于与指定坐席对应的坐席特征信息,来快速准确地预测出与该指定坐席对应的预测任务类型,从而后续可以为该指定坐席分配与该预测任务类型对应的指定任务进行处理,有效地提高了对于坐席的任务调度的分配效率与分配准确性。另外,通过将最合适的任务分配给最合适的坐席,能够给提供客户更好的服务,并且也能增加坐席完成任务的成功率,对于员工以及客户都能有满意的效率提升,有利于进一步提升公司效益。
进一步地,本申请一实施例中,上述按照预设规则从所述待处理任务中筛选出指定任务的步骤S4,包括:
S400:获取所述待处理任务的第一数量;
S401:判断所述第一数量是否大于1;
S402:若判断出所述第一数量大于1,则分别获取各所述待处理任务的任务优先级;
S403:根据所述任务优先级,从所有所述待处理任务中筛选出任务优先级最高的待处理任务;
S404:将所述任务优先级最高的待处理任务作为所述指定任务。
如上述步骤S400至S404所述,上述按照预设规则从所述待处理任务中筛选出指定任务的步骤,具体可包括:首先获取上述待处理任务的第一数量。然后判断上述第一数量是否大于1。如果判断出上述第一数量大于1,则分别获取各上述待处理任务的任务优先级。其中,上述任务优先级可根据任务的客户等级、任务金额等因素进行对于各个待处理任务的任务优先级的划分。在得到了上述任务优先级后,再根据上述任务优先级,从所有上述待处理任务中筛选出任务优先级最高的待处理任务。最后将上述任务优先级最高的待处理任务作为上述指定任务。本实施例当上述任务池中存在与上述预测任务类型对应的多个待处理任务时,会智能地根据任务优先级来将当前任务优先级最高的待处理任务作为指定任务,并将该指定任务分配给指定坐席进行处理,既保证了任务分配的准确性,又保证了任务处理的时效合理性。
进一步地,当上述任务池中存在与上述预测任务类型对应的且数量大于1的待处理任务时,还可以智能地根据上述指定坐席当前的可接受任务处理量,来从待处理任务中筛选出与该可接受任务处理量对应的多个指定待处理任务,并将该多个指定待处理任务作为上述指定任务,具体地,上述若判断出上述第一数量大于1的步骤之后,还可包括:首先获取上述指定坐席的当前持有的任务数量,以及获取上述指定坐席对应的标准任务处理量,其中,上述标准任务处理量是指与指定坐席对应的任务处理量的上限值;计算上述标准任务处理量减去上述任务数量的差值;判断上述第一数量是否大于上述差值;若判断出上述第一数量大于上述差值,则根据各上述待处理任务的任务优先级,从上述待处理任务中筛选出任务优先级最高的第三数量的指定待处理任务,并将上述第一指定待处理任务作为上述指定任务,其中,上述第三数量与上述差值的数值相同;而若判断出上述第一数量不大于上述差值,则将所有上述待处理任务作为上述指定任务。本实施例当上述任务池中存在与上述预测任务类型对应的多个待处理任务时,还会智能地根据指定坐席对应的标准任务处理量以及各待处理任务的优先级,来从上述待处理任务中挑选出与该标准任务处理量相适配的多个任务作为指定任务,并分配至指定坐席进行处理,从而有效地满足指定坐席的任务分配需求,保证了指定坐席能够被分配到可处理能力范围内的尽可能多的合适的任务,保证了任务分配的处理合理性与坐席的任务处理饱和性,提高了任务的处理效率。
进一步地,本申请一实施例中,上述判断预设的任务池中是否存在与所述预测任务类型对应的待处理任务的步骤S3之后,包括:
S300:若判断出所述任务池中不存在与所述预测任务类型对应的待处理任务,则获取所述任务池中的任务被分配至其他坐席后对应的分配结果,其中,所述分配结果包括所述任务池中剩余的未分配任务;
S301:获取所述未分配任务的第二数量;
S302:判断所述第二数量是否等于1;
S303:若判断出所述第二数量等于1,则将所述未分配任务分配至所述指定坐席。
如上述步骤S300至S303所述,在进行判断预设的任务池中是否存在与上述预测任务类型对应的待处理任务的判断过程中,还可以出现在上述任务池中不存在与上述预测任务类型对应的待处理任务的情况,此时装置会先将任务池中的任务先分配给相应的坐席后,最后再智能地将任务池中剩余的未分配任务分配给上述指定坐席。具体地,上述判断预设的任务池中是否存在与上述预测任务类型对应的待处理任务的步骤之后可包括:如果判断出上述任务池中不存在与上述预测任务类型对应的待处理任务,则获取上述任务池中的任务被分配至其他坐席后对应的分配结果,其中,上述分配结果包括上述任务池中剩余的未分配任务。然后获取上述未分配任务的第二数量。在得到了上述第二数量后,再判断上述第二数量是否等于1。如果判断出上述第二数量等于1,则将上述未分配任务分配至上述指定坐席。本实施例当上述任务池中不存在与上述预测任务类型对应的待处理任务时,会优先将任务池中的任务先分发给对应的坐席进行处理,并在分发完成后,再智能地将任务池当前剩余的未分配任务分配给指定坐席进行处理,有效地避免了分配给指定坐席的任务会对其他坐席造成影响的情况,且指定坐席最后也会收到上述未分配任务,从而不会长时间处理空闲状态,有效地提高了任务分配的智能合理性。进一步地,如果上述未分配任务的第二数量大于1,则可先获取各上述未分配任务的任务优先级,然后从所有上述未分配任务中筛选出任务优先级最高的特定任务,最后再将该特定任务分配至上述指定坐席。其中,当任务池中存在多个未分配任务时,会智能地根据任务优先级来筛选出任务优先级最高的特定任务,并将该特定任务分配至上述指定坐席进行处理,能够有效地保证对于任务处理的失效合理性。
进一步地,本申请一实施例中,上述将所述坐席特征信息输入至预设预测模型,通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型的步骤S2之前,包括:
S200:确定形成数据特征向量的坐席特征属性项,以及形成分类属性的任务类型;
S201:从预设的历史数据库中,获取指定数量由所述数据特征向量构成的数据及其各自对应归属的任务类型,并根据获取到的数据形成训练样本集;
S202:根据所述训练样本集,计算出各所述任务类型在所述训练样本集包含的所有样本数据中出现的先验概率;以及
S203:根据所述训练样本集,计算出在各所述任务类型下,所述数据特征向量中各坐席特征属性的条件概率;
S204:根据各所述任务类型的先验概率,以及各所述坐席特征属性的条件概率,对预设的朴素贝叶斯分类器进行训练,从而得到训练好的朴素贝叶斯分类器;
S205:将所述训练好的朴素贝叶斯分类器确定为所述预测模型;
S206:将所述预测模型存储至区块链网络中。
如上述步骤S200至S206所述,在使用上述预测模型对上述输入的坐席特征信息进行预测处理,生成与上述坐席特征信息对应的预测任务类型的过程之前,还可包括对于上述预测模型的创建过程。具体地,上述将上述坐席特征信息输入至预设预测模型,通过上述预测模型对上述坐席特征信息进行预测处理,生成与上述坐席特征信息对应的预测任务类型的步骤之前可包括:首先确定形成数据特征向量的坐席特征属性项,以及形成分类属性的任务类型。其中,上述数据特征向量中的坐席特征属性项可包括坐席员的年龄,地域,学历,资深程度,完成同类任务的数量,等等;上述分类属性中的任务类型可包括高级别客户任务、中级别客户任务、普通级别任务、投保任务、咨询任务,等等。另外,考虑到上述训练样本集由数据特征向量形成一条数据,为避免出现数据过多及处理复杂度高的情况,坐席特征属性项可以是一个或多个,且每一个数据特征向量形成的数据对应的任务类型为所有任务类型之中的一个。然后从预设的历史数据库中,获取指定数量由上述数据特征向量构成的数据及其各自对应归属的任务类型,并根据获取到的数据形成训练样本集。其中,上述历史数据库为根据历史数据及已有经验,预先创建的包含有坐席特征属性项与任务类别之间的对应关系的相关数据的数据库。在得到了上述训练样本集后,再根据上述训练样本集,计算出各上述任务类型在上述训练样本集包含的所有样本数据中出现的先验概率。其中,假定训练样本集中每个样本的分类属性之间都是相互独立的,并且每个样本对给定分类产生的影响是一样的。训练样本集中每个样本用一个n维特征向量X={x1,x2,…,xn,}表示,其对应样本的n个属性,样本的分类属性,即任务类型用向量C={C1,C2,…,Cm,}表示,m为分类属性的个数。另外,先验概率使用P(Y=Ck)来表示,上述先验概率P(Y=Ck)是指任务类型Ck在训练样本集中的概率,也即训练样本集中每个任务类型Ck的样本所占的比例,先验概率P(Y=Ck)利用公式P(Y=Ck)=Sk/s计算,其中Sk是任务类型Ck在训练样本集的样本总数,s是训练样本集的样本总数。此外,样本的分类属性可按照客户的等级,投保类型,价格,续保意愿等信息,将样本划分为相应的多种任务类型,对于形成分类属性的任务类型的具体数值可根据实际需求就行确定,举例地,样本的任务类型可包括5种:高级别客户任务、中级别客户任务、普通级别任务、投保任务、咨询任务。以及根据上述训练样本集,计算出在各上述任务类型下,上述数据特征向量中各坐席特征属性的条件概率。其中,特征xj=ajl的条件概率是指基于训练数据集中类别属性为Ck的子样本集,计算出该子样本集中特征取值为ajl的样本数量与该子样本集的数量的比值,具体可用公式P(xj=ajl|Y=Ck)来计算出上述条件概率。是训练样本集中第i个样本的第j个特征,j=1,2,…,n;l=1,2,…,Sj;k=1,2,…,K。之后根据各上述任务类型的先验概率,以及各上述坐席特征属性的条件概率,对预设的朴素贝叶斯分类器进行训练,从而得到训练好的朴素贝叶斯分类器。其中,对于朴素贝叶斯分类器,由于朴素贝叶斯分类器的分类算法是由先验概率与条件概率之间的乘积共同决定分类结果的,因而可根据各上述任务类型的先验概率,以及各上述坐席特征属性的条件概率来对预设的朴素贝叶斯分类器进行训练。另外,对于上述朴素贝叶斯分类器的具体训练流程可参照现有的训练流程,在此不再赘述。最后在得到了上述训练好的朴素贝叶斯分类器时,将上述训练好的朴素贝叶斯分类器确定为上述预测模型。在生成了上述预测模型后,还可进一步将上述预测模型存储至区块链网络中。其中,通过使用区块链来对训练生成的上述预测模型进行存储和管理,能够有效地保证上述预测模型的安全性与不可篡改性。
进一步地,本申请一实施例中,上述通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型的步骤S2,包括:
S210:根据各所述任务类型的先验概率,以及各所述坐席特征属性的条件概率,通过所述预测模型计算出所述坐席特征信息相对于各所述任务类型的后验概率;
S211:将计算得到的所有所述后验概率按照从大到小的顺序进行排列,得到对应的排列数据;
S212:从所述排列数据中筛选出指定后验概率;
S213:获取与所述指定后验概率对应的指定任务类型;
S214:将与所述指定后验概率对应的指定任务类型确定为所述预测任务类型。
如上述步骤S210至S214所述,上述通过上述预测模型对上述坐席特征信息进行预测处理,生成与上述坐席特征信息对应的预测任务类型的步骤,具体可包括:首先根据各上述任务类型的先验概率,以及各上述坐席特征属性的条件概率,通过上述预测模型计算出上述坐席特征信息相对于各上述任务类型的后验概率。其中,由于上述预测模型是由先验概率与条件概率之间的乘积共同决定输出的分类结果,因此上述预测模型可以通过使用与先验概率及条件概率相关的计算公式,来计算出上述坐席特征信息相对于每个任务类型的后验概率。上述计算公式为用于计算后验概率的公式,具体可为: 其中,P(Y=Ck|X=xtest)为上述坐席特征信息相对于每个任务类型的后验概率,P(Y=Ck)为每一个任务类型Ck的先验概率,为待预测样本,也即上述坐席特征信息,Ck为样本的任务类型,为上述任务类型下,上述坐席特征信息中各指定坐席特征属性的条件概率。然后将计算得到的所有上述后验概率按照从大到小的顺序进行排列,得到对应的排列数据。在得到了上述排列数据后,再从上述排列数据中筛选出指定后验概率。其中,对于获取上述指定后验概率的方法不作限定,例如可将在上述排列数据中排序第一的第一后验概率作为该指定后验概率;或者也可以根据用户从上述排列数据中确定出该指定后验概率。之后获取与上述指定后验概率对应的指定任务类型。最后将与上述指定后验概率对应的指定任务类型确定为上述预测任务类型。
本申请一实施例中,上述从所述排列数据中筛选出指定后验概率的步骤S212,包括:
S2120:获取在所述排列数据中排序第一的第一后验概率;
S2121:将所述第一后验概率确定为所述指定后验概率。
如上述步骤S2120至S2121所述,上述从上述排列数据中筛选出指定后验概率的步骤,具体可包括:首先获取在上述排列数据中排序第一的第一后验概率。其中,上述上述排列数据中排序第一的第一后验概率即是指在排列数据中包含的所有后验概率中,数值最大的一个概率值。且可以将数值最大的上述第一后验概率所对应的第一任务类型,初步确定为与输入的指定坐席的坐席特征信息最为匹配的任务类型。在得到了上述第一后验概率后,再将上述第一后验概率确定为上述指定后验概率。本实施例在得到了计算得到的所有后验概率后,会智能地将数值最大的第一后验概率作为上述指定后验概率,有利于后续能够准确地获取到与该第一后验概率对应的指定任务类型,进而可以将该指定任务类型作为与指定坐席对应的预测任务类型,并根据该预测任务类型来实现对于指定坐席的准确的任务分配。
进一步地,本申请一实施例中,上述从所述排列数据中筛选出指定后验概率的步骤S212,包括:
S2122:展示所述排列数据;
S2123:获取用户从所述排列数据中选择的第二后验概率;
S2124:将所述第二后验概率确定为所述指定后验概率。
如上述步骤S2122至S2124所述,上述从上述排列数据中筛选出指定后验概率的步骤,具体可包括:首先展示上述排列数据。其中,对于上述排列数据的展示方式不作具体限定,例如可采用表格形式展示、语音形式展示,等等。然后获取用户从上述排列数据中选择的第二后验概率。其中,在向用户展示上述排列数据后,可向用户发出选择提醒信息,以提醒用户根据实际判断,从该排序数据出选择出符合实际情况,且与上述指定坐席相对应的一个第二后验概率。最后将上述第二后验概率确定为上述指定后验概率。本实施例在得到了计算得到的所有后验概率后,会智能地将所有后验概率进行展示,并将用户根据实际判断从所有后验概率中选择的二一后验概率作为上述指定后验概率,有利于后续能够准确地获取到与该第二后验概率对应的指定任务类型,进而可以将该指定任务类型作为与指定坐席对应的预测任务类型,并根据该预测任务类型来实现对于指定坐席的准确的任务分配。
本申请实施例的基于模型的任务分配方法还可以应用于区块链领域,如将上述预测模型存储于区块链上等。
上述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。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中,用户管理模块负责所有区块链参与者的身份信息管理,包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等,并且在授权的情况下,监管和审计某些真实身份的交易情况,提供风险控制的规则配置(风控审计);基础服务模块部署在所有区块链节点设备上,用来验证业务请求的有效性,并对有效请求完成共识后记录到存储上,对于一个新的业务请求,基础服务先对接口适配解析和鉴权处理(接口适配),然后通过共识算法将业务信息加密(共识管理),在加密之后完整一致的传输至共享账本上(网络通信),并进行记录存储;智能合约模块负责合约的注册发行以及合约触发和合约执行,开发人员可以通过某种编程语言定义合约逻辑,发布到区块链上(合约注册),根据合约条款的逻辑,调用密钥或者其它的事件触发执行,完成合约逻辑,同时还提供对合约升级注销的功能;运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出,例如:告警、监控网络情况、监控节点设备健康状态等。
参照图2,本申请一实施例中还提供了一种基于模型的任务分配装置,包括:
第一获取模块1,用于获取与指定坐席对应的坐席特征信息,其中,所述指定坐席为当前处于待分配任务状态的坐席;
处理模块2,用于将所述坐席特征信息输入至预设预测模型,通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型,其中,所述预测模型根据预先收集的样本数据,对预设的朴素贝叶斯分类器进行训练后生成;
第一判断模块3,用于判断预设的任务池中是否存在与所述预测任务类型对应的待处理任务;
筛选模块4,用于若判断出所述任务池中存在与所述预测任务类型对应的待处理任务,则按照预设规则从所述待处理任务中筛选出指定任务;
第一分配模块5,用于将所述指定任务分配至所述指定坐席。
本实施例中,上述基于模型的任务分配装置中的第一获取模块、处理模块、第一判断模块、筛选模块与第一分配模块的功能和作用的实现过程具体详见上述基于模型的任务分配方法中对应步骤S1至S5的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述筛选模块,包括:
第一获取子模块,用于获取所述待处理任务的第一数量;
判断子模块,用于判断所述第一数量是否大于1;
第二获取子模块,用于若判断出所述第一数量大于1,则分别获取各所述待处理任务的任务优先级;
第一筛选子模块,用于根据所述任务优先级,从所有所述待处理任务中筛选出任务优先级最高的待处理任务;
第一确定子模块,用于将所述任务优先级最高的待处理任务作为所述指定任务。
本实施例中,上述基于模型的任务分配装置中的第一获取子模块、判断子模块、第二获取子模块、第一筛选子模块与第一确定子模块的功能和作用的实现过程具体详见上述基于模型的任务分配方法中对应步骤S400至S404的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述基于模型的任务分配装置,包括:
第二获取模块,用于若判断出所述任务池中不存在与所述预测任务类型对应的待处理任务,则获取所述任务池中的任务被分配至其他坐席后对应的分配结果,其中,所述分配结果包括所述任务池中剩余的未分配任务;
第三获取模块,用于获取所述未分配任务的第二数量;
第二判断模块,用于判断所述第二数量是否等于1;
第二分配模块,用于若判断出所述第二数量等于1,则将所述未分配任务分配至所述指定坐席。
本实施例中,上述基于模型的任务分配装置中的第二获取模块、第三获取模块、第二判断模块与第二分配模块的功能和作用的实现过程具体详见上述基于模型的任务分配方法中对应步骤S300至S303的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述基于模型的任务分配装置,包括:
第一确定模块,用于确定形成数据特征向量的坐席特征属性项,以及形成分类属性的任务类型;
第三获取模块,用于从预设的历史数据库中,获取指定数量由所述数据特征向量构成的数据及其各自对应归属的任务类型,并根据获取到的数据形成训练样本集;
第一计算模块,用于根据所述训练样本集,计算出各所述任务类型在所述训练样本集包含的所有样本数据中出现的先验概率;以及
第二计算模块,用于根据所述训练样本集,计算出在各所述任务类型下,所述数据特征向量中各坐席特征属性的条件概率;
训练模块,用于根据各所述任务类型的先验概率,以及各所述坐席特征属性的条件概率,对预设的朴素贝叶斯分类器进行训练,从而得到训练好的朴素贝叶斯分类器;
第二确定模块,用于将所述训练好的朴素贝叶斯分类器确定为所述预测模型;
存储模块,用于将所述预测模型存储至区块链网络中。
本实施例中,上述基于模型的任务分配装置中的第一确定模块、第三获取模块、第一计算模块、第二计算模块、训练模块、第二确定模块与存储模块的功能和作用的实现过程具体详见上述基于模型的任务分配方法中对应步骤S200至S206的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述处理模块,包括:
计算子模块,用于根据各所述任务类型的先验概率,以及各所述坐席特征属性的条件概率,通过所述预测模型计算出所述坐席特征信息相对于各所述任务类型的后验概率;
排序子模块,用于将计算得到的所有所述后验概率按照从大到小的顺序进行排列,得到对应的排列数据;
第二筛选子模块,用于从所述排列数据中筛选出指定后验概率;
第三获取子模块,用于获取与所述指定后验概率对应的指定任务类型;
第二确定子模块,用于将与所述指定后验概率对应的指定任务类型确定为所述预测任务类型。
本实施例中,上述基于模型的任务分配装置中的计算子模块、排序子模块、第二筛选子模块、第三获取子模块与第二确定子模块的功能和作用的实现过程具体详见上述基于模型的任务分配方法中对应步骤S210至S214的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述第二筛选子模块,包括:
第一获取单元,用于获取在所述排列数据中排序第一的第一后验概率;
第一确定单元,用于将所述第一后验概率确定为所述指定后验概率。
本实施例中,上述基于模型的任务分配装置中的第一获取单元与第一确定单元的功能和作用的实现过程具体详见上述基于模型的任务分配方法中对应步骤S2120至S2122的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述第二筛选子模块,包括:
展示单元,用于展示所述排列数据;
第二获取单元,用于获取用户从所述排列数据中选择的第二后验概率;
第二确定单元,用于将所述第二后验概率确定为所述指定后验概率。
本实施例中,上述基于模型的任务分配装置中的展示单元、第二获取单元与第二确定单元的功能和作用的实现过程具体详见上述基于模型的任务分配方法中对应步骤S2122至S2124的实现过程,在此不再赘述。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、输入装置和数据库。其中,该计算机设备设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于坐席特征信息、预测模型、预测任务类型、待处理任务以及指定任务。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的显示屏是计算机中必不可少的一种图文输出设备,用于将数字信号转换为光信号,使文字与图形在显示屏的屏幕上显示出来。该计算机设备的输入装置是计算机与用户或其他设备之间进行信息交换的主要装置,用于把数据、指令及某些标志信息等输送到计算机中去。该计算机程序被处理器执行时以实现一种基于模型的任务分配方法。
上述处理器执行上述基于模型的任务分配方法的步骤:
获取与指定坐席对应的坐席特征信息,其中,所述指定坐席为当前处于待分配任务状态的坐席;
将所述坐席特征信息输入至预设预测模型,通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型,其中,所述预测模型根据预先收集的样本数据,对预设的朴素贝叶斯分类器进行训练后生成;
判断预设的任务池中是否存在与所述预测任务类型对应的待处理任务;
若判断出所述任务池中存在与所述预测任务类型对应的待处理任务,则按照预设规则从所述待处理任务中筛选出指定任务;
将所述指定任务分配至所述指定坐席。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的装置、计算机设备的限定。
本申请一实施例还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时实现一种基于模型的任务分配方法,具体为:
获取与指定坐席对应的坐席特征信息,其中,所述指定坐席为当前处于待分配任务状态的坐席;
将所述坐席特征信息输入至预设预测模型,通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型,其中,所述预测模型根据预先收集的样本数据,对预设的朴素贝叶斯分类器进行训练后生成;
判断预设的任务池中是否存在与所述预测任务类型对应的待处理任务;
若判断出所述任务池中存在与所述预测任务类型对应的待处理任务,则按照预设规则从所述待处理任务中筛选出指定任务;
将所述指定任务分配至所述指定坐席。
综上所述,本申请实施例中提供的基于模型的任务分配方法、装置、计算机设备和存储介质,获取与指定坐席对应的坐席特征信息,其中,所述指定坐席为当前处于待分配任务状态的坐席;将所述坐席特征信息输入至预设预测模型,通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型,其中,所述预测模型根据预先收集的样本数据,对预设的朴素贝叶斯分类器进行训练后生成;判断预设的任务池中是否存在与所述预测任务类型对应的待处理任务;若判断出所述任务池中存在与所述预测任务类型对应的待处理任务,则按照预设规则从所述待处理任务中筛选出指定任务;将所述指定任务分配至所述指定坐席。本实施例通过使用训练好的朴素贝叶斯分类器作为预测模型,能够基于与指定坐席对应的坐席特征信息,来快速准确地预测出与该指定坐席对应的预测任务类型,从而后续可以为该指定坐席分配与该预测任务类型对应的指定任务进行处理,有效地提高了对于坐席的任务调度的分配效率与分配准确性。另外,通过将最合适的任务分配给最合适的坐席,能够给提供客户更好的服务,并且也能增加坐席完成任务的成功率,对于员工以及客户都能有满意的效率提升,有利于进一步提升公司效益。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于模型的任务分配方法,其特征在于,包括:
获取与指定坐席对应的坐席特征信息,其中,所述指定坐席为当前处于待分配任务状态的坐席;
将所述坐席特征信息输入至预设预测模型,通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型,其中,所述预测模型根据预先收集的样本数据,对预设的朴素贝叶斯分类器进行训练后生成;
判断预设的任务池中是否存在与所述预测任务类型对应的待处理任务;
若判断出所述任务池中存在与所述预测任务类型对应的待处理任务,则按照预设规则从所述待处理任务中筛选出指定任务;
将所述指定任务分配至所述指定坐席。
2.根据权利要求1所述的基于模型的任务分配方法,其特征在于,所述按照预设规则从所述待处理任务中筛选出指定任务的步骤,包括:
获取所述待处理任务的第一数量;
判断所述第一数量是否大于1;
若判断出所述第一数量大于1,则分别获取各所述待处理任务的任务优先级;
根据所述任务优先级,从所有所述待处理任务中筛选出任务优先级最高的待处理任务;
将所述任务优先级最高的待处理任务作为所述指定任务。
3.根据权利要求1所述的基于模型的任务分配方法,其特征在于,所述判断预设的任务池中是否存在与所述预测任务类型对应的待处理任务的步骤之后,包括:
若判断出所述任务池中不存在与所述预测任务类型对应的待处理任务,则获取所述任务池中的任务被分配至其他坐席后对应的分配结果,其中,所述分配结果包括所述任务池中剩余的未分配任务;
获取所述未分配任务的第二数量;
判断所述第二数量是否等于1;
若判断出所述第二数量等于1,则将所述未分配任务分配至所述指定坐席。
4.根据权利要求1所述的基于模型的任务分配方法,其特征在于,所述将所述坐席特征信息输入至预设预测模型,通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型的步骤之前,包括:
确定形成数据特征向量的坐席特征属性项,以及形成分类属性的任务类型;
从预设的历史数据库中,获取指定数量由所述数据特征向量构成的数据及其各自对应归属的任务类型,并根据获取到的数据形成训练样本集;
根据所述训练样本集,计算出各所述任务类型在所述训练样本集包含的所有样本数据中出现的先验概率;以及,
根据所述训练样本集,计算出在各所述任务类型下,所述数据特征向量中各坐席特征属性的条件概率;
根据各所述任务类型的先验概率,以及各所述坐席特征属性的条件概率,对预设的朴素贝叶斯分类器进行训练,从而得到训练好的朴素贝叶斯分类器;
将所述训练好的朴素贝叶斯分类器确定为所述预测模型;
将所述预测模型存储至区块链网络中。
5.根据权利要求4所述的基于模型的任务分配方法,其特征在于,所述通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型的步骤,包括:
根据各所述任务类型的先验概率,以及各所述坐席特征属性的条件概率,通过所述预测模型计算出所述坐席特征信息相对于各所述任务类型的后验概率;
将计算得到的所有所述后验概率按照从大到小的顺序进行排列,得到对应的排列数据;
从所述排列数据中筛选出指定后验概率;
获取与所述指定后验概率对应的指定任务类型;
将与所述指定后验概率对应的指定任务类型确定为所述预测任务类型。
6.根据权利要求5所述的基于模型的任务分配方法,其特征在于,所述从所述排列数据中筛选出指定后验概率的步骤,包括:
获取在所述排列数据中排序第一的第一后验概率;
将所述第一后验概率确定为所述指定后验概率。
7.根据权利要求5所述的基于模型的任务分配方法,其特征在于,所述从所述排列数据中筛选出指定后验概率的步骤,包括:
展示所述排列数据;
获取用户从所述排列数据中选择的第二后验概率;
将所述第二后验概率确定为所述指定后验概率。
8.一种基于模型的任务分配装置,其特征在于,包括:
第一获取模块,用于获取与指定坐席对应的坐席特征信息,其中,所述指定坐席为当前处于待分配任务状态的坐席;
处理模块,用于将所述坐席特征信息输入至预设预测模型,通过所述预测模型对所述坐席特征信息进行预测处理,生成与所述坐席特征信息对应的预测任务类型,其中,所述预测模型根据预先收集的样本数据,对预设的朴素贝叶斯分类器进行训练后生成;
第一判断模块,用于判断预设的任务池中是否存在与所述预测任务类型对应的待处理任务;
筛选模块,用于若判断出所述任务池中存在与所述预测任务类型对应的待处理任务,则根据所述预测任务类型,从所述任务池中筛选出与所述预测任务类型对应的一个指定任务;
第一分配模块,用于将所述指定任务分配至所述指定坐席。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010911133.XA CN112036648A (zh) | 2020-09-02 | 2020-09-02 | 基于模型的任务分配方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010911133.XA CN112036648A (zh) | 2020-09-02 | 2020-09-02 | 基于模型的任务分配方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036648A true CN112036648A (zh) | 2020-12-04 |
Family
ID=73591254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010911133.XA Pending CN112036648A (zh) | 2020-09-02 | 2020-09-02 | 基于模型的任务分配方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036648A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785089A (zh) * | 2021-02-26 | 2021-05-11 | 中国工商银行股份有限公司 | 坐席业务配置方法、装置、电子设备及存储介质 |
CN112804304A (zh) * | 2020-12-31 | 2021-05-14 | 平安科技(深圳)有限公司 | 基于多点输出模型的任务节点分配方法、装置及相关设备 |
CN113344415A (zh) * | 2021-06-23 | 2021-09-03 | 中国平安财产保险股份有限公司 | 基于深度神经网络的业务分配方法、装置、设备及介质 |
CN113411453A (zh) * | 2021-05-24 | 2021-09-17 | 北京健康之家科技有限公司 | 一种外呼对象的智能管理方法及装置、介质、计算设备 |
CN113434310A (zh) * | 2021-06-23 | 2021-09-24 | 未鲲(上海)科技服务有限公司 | 多线程任务分配方法、装置、设备及存储介质 |
CN113570258A (zh) * | 2021-07-30 | 2021-10-29 | 北京房江湖科技有限公司 | 任务分配方法和计算机程序产品 |
CN114757278A (zh) * | 2022-04-15 | 2022-07-15 | 北京科杰科技有限公司 | 无效任务的处理方法、装置、计算机设备及存储介质 |
CN115860278A (zh) * | 2023-02-27 | 2023-03-28 | 深圳市利和兴股份有限公司 | 一种基于数据分析的电机组装生产管理方法及系统 |
CN117193992A (zh) * | 2023-11-08 | 2023-12-08 | 浙江大华技术股份有限公司 | 模型训练方法、任务调度方法、装置以及计算机存储介质 |
CN117332946A (zh) * | 2023-09-12 | 2024-01-02 | 上海数禾信息科技有限公司 | 基于画布的案件分配方法、装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228320A (zh) * | 2016-12-14 | 2018-06-29 | 平安科技(深圳)有限公司 | 任务分配的方法和装置 |
CN109614982A (zh) * | 2018-10-18 | 2019-04-12 | 平安科技(深圳)有限公司 | 产品分析方法、装置、计算机设备以及存储介质 |
CN109636227A (zh) * | 2018-12-21 | 2019-04-16 | 拉扎斯网络科技(上海)有限公司 | 任务分配方法、装置、电子设备及计算机可读存储介质 |
CN110163655A (zh) * | 2019-04-15 | 2019-08-23 | 中国平安人寿保险股份有限公司 | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 |
CN110930017A (zh) * | 2019-11-19 | 2020-03-27 | 网易(杭州)网络有限公司 | 数据处理的方法及装置 |
-
2020
- 2020-09-02 CN CN202010911133.XA patent/CN112036648A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228320A (zh) * | 2016-12-14 | 2018-06-29 | 平安科技(深圳)有限公司 | 任务分配的方法和装置 |
CN109614982A (zh) * | 2018-10-18 | 2019-04-12 | 平安科技(深圳)有限公司 | 产品分析方法、装置、计算机设备以及存储介质 |
CN109636227A (zh) * | 2018-12-21 | 2019-04-16 | 拉扎斯网络科技(上海)有限公司 | 任务分配方法、装置、电子设备及计算机可读存储介质 |
CN110163655A (zh) * | 2019-04-15 | 2019-08-23 | 中国平安人寿保险股份有限公司 | 基于梯度提升树的坐席分配方法、装置、设备及存储介质 |
CN110930017A (zh) * | 2019-11-19 | 2020-03-27 | 网易(杭州)网络有限公司 | 数据处理的方法及装置 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112804304A (zh) * | 2020-12-31 | 2021-05-14 | 平安科技(深圳)有限公司 | 基于多点输出模型的任务节点分配方法、装置及相关设备 |
CN112785089A (zh) * | 2021-02-26 | 2021-05-11 | 中国工商银行股份有限公司 | 坐席业务配置方法、装置、电子设备及存储介质 |
CN113411453A (zh) * | 2021-05-24 | 2021-09-17 | 北京健康之家科技有限公司 | 一种外呼对象的智能管理方法及装置、介质、计算设备 |
CN113434310B (zh) * | 2021-06-23 | 2024-03-22 | 深圳博瑞晶芯科技有限公司 | 多线程任务分配方法、装置、设备及存储介质 |
CN113344415A (zh) * | 2021-06-23 | 2021-09-03 | 中国平安财产保险股份有限公司 | 基于深度神经网络的业务分配方法、装置、设备及介质 |
CN113434310A (zh) * | 2021-06-23 | 2021-09-24 | 未鲲(上海)科技服务有限公司 | 多线程任务分配方法、装置、设备及存储介质 |
CN113570258A (zh) * | 2021-07-30 | 2021-10-29 | 北京房江湖科技有限公司 | 任务分配方法和计算机程序产品 |
CN113570258B (zh) * | 2021-07-30 | 2024-04-12 | 贝壳找房(北京)科技有限公司 | 任务分配方法和计算机程序产品 |
CN114757278A (zh) * | 2022-04-15 | 2022-07-15 | 北京科杰科技有限公司 | 无效任务的处理方法、装置、计算机设备及存储介质 |
CN114757278B (zh) * | 2022-04-15 | 2022-12-16 | 北京科杰科技有限公司 | 无效任务的处理方法、装置、计算机设备及存储介质 |
CN115860278B (zh) * | 2023-02-27 | 2023-04-28 | 深圳市利和兴股份有限公司 | 一种基于数据分析的电机组装生产管理方法及系统 |
CN115860278A (zh) * | 2023-02-27 | 2023-03-28 | 深圳市利和兴股份有限公司 | 一种基于数据分析的电机组装生产管理方法及系统 |
CN117332946A (zh) * | 2023-09-12 | 2024-01-02 | 上海数禾信息科技有限公司 | 基于画布的案件分配方法、装置 |
CN117193992A (zh) * | 2023-11-08 | 2023-12-08 | 浙江大华技术股份有限公司 | 模型训练方法、任务调度方法、装置以及计算机存储介质 |
CN117193992B (zh) * | 2023-11-08 | 2024-02-02 | 浙江大华技术股份有限公司 | 模型训练方法、任务调度方法、装置以及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036648A (zh) | 基于模型的任务分配方法、装置、计算机设备和存储介质 | |
Fanti et al. | A simulation based Decision Support System for logistics management | |
Laranjeira | Software size estimation of object-oriented systems | |
US10817779B2 (en) | Bayesian network based hybrid machine learning | |
Ingolfsson et al. | Optimal ambulance location with random delays and travel times | |
Peng et al. | Dynamic sampling allocation and design selection | |
US20090287526A1 (en) | Dynamic work allocation system for transaction processing | |
Vinod et al. | Simulation-based metamodels for scheduling a dynamic job shop with sequence-dependent setup times | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN113434310B (zh) | 多线程任务分配方法、装置、设备及存储介质 | |
Morozov et al. | Investigation of forecasting methods of the state of complex IT-projects with the use of deep learning neural networks | |
Mohammad Nezhad et al. | An artificial neural network meta-model for constrained simulation optimization | |
Azadeh et al. | A non-parametric approach to demand forecasting in revenue management | |
Olya et al. | An integrated deep learning and stochastic optimization approach for resource management in team-based healthcare systems | |
CN111813946A (zh) | 医疗信息反馈方法、装置、设备及可读存储介质 | |
Jiang et al. | Admission control of hospitalization with patient gender by using Markov decision process | |
CN111652471B (zh) | 名单分配控制方法、装置、电子设备及存储介质 | |
Ranganathan et al. | An automated decision support system based on game theoretic optimization for emergency management in urban environments | |
CN112700111A (zh) | 工作数据处理方法、装置、计算机设备及存储介质 | |
Miller et al. | Supporting a modeling continuum in scalation: from predictive analytics to simulation modeling | |
CN113191146B (zh) | 诉求数据的分配方法、装置、计算机设备和存储介质 | |
Alrashoud et al. | Planning for the next software release using adaptive network-based fuzzy inference system | |
Gao et al. | Stopping the Revolving Door: MDP-Based Decision Support for Community Corrections Placement | |
CN111784069A (zh) | 用户偏好预测方法、装置、设备及存储介质 | |
Kim | Data-driven Inpatient Bed Demand Forecasting Model for Surge Mitigation |
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 |