CN112052310A - 基于大数据的信息获取方法、装置、设备及存储介质 - Google Patents
基于大数据的信息获取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112052310A CN112052310A CN202011037785.1A CN202011037785A CN112052310A CN 112052310 A CN112052310 A CN 112052310A CN 202011037785 A CN202011037785 A CN 202011037785A CN 112052310 A CN112052310 A CN 112052310A
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- data
- answer data
- target
- 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
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
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/34—Browsing; Visualisation therefor
-
- 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
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术,揭露了一种基于大数据的信息获取方法,包括:获取目标人员的行为轨迹数据集,提取其中包含的多个历史问答数据特征;计算多个历史问答数据特征的特征权重,确定特征权重大于阈值的历史问答数据特征为目标人员的目标问答特征;获取问答数据集并进行分类,得到分类问答集;将分类问答集中与目标问答特征的问答类别对应的问答数据汇集为匹配数据集;将匹配数据集序列化为问答列表;获取在线问题,在问答列表中查询并获取与在线问题匹配的问答数据。本发明还提出一种基于大数据的信息获取系统、装置及介质。此外,本发明还涉及区块链技术,行为轨迹数据集可存储于区块链节点中。本发明可以提高在线问答的精确度与效率。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种基于大数据的信息获取方法、装置、电子设备及计算机可读存储介质。
背景技术
客服在线问答对前线员工开展业务时发挥着重大的作用,员工开展业务时会涉及到很多专业知识和公司相关制度解答,快速并专业的回答客户的问题对开展业务是否成功起着巨大的作用。
传统的客服在线问答方法大多是将预先设定的问答预料存储在数据库中,当收到用户的问题时,基于用户问题在数据库中进行查询匹配,寻找与用户问题相应的问答结果。该方法中,当存在大量用户问答结果时,查询时间较长,从而导致根据用户问题在数据库中进行查询匹配的效率低下,无法及时获取用户问题对应的问答结果;同时由于数据库存储的问答结果较多,容易出现匹配到多个非用户问题对应的问答结果的情况,从而导问答结果的精度不高。因此,如何提高在线问答的精确度与效率,成为了亟待解决的问题。
发明内容
本发明提供一种基于大数据的信息获取方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高在线问答的精确度与效率。
为实现上述目的,本发明提供的一种基于大数据的信息获取方法,包括:
获取目标人员的行为轨迹数据集,提取所述行为轨迹数据集包含的多个历史问答数据特征;
计算所述多个历史问答数据特征的特征权重,确定所述特征权重大于预设阈值的历史问答数据特征为所述目标人员的目标问答特征;
获取问答数据集,利用预设聚类算法将所述问答数据集按照问答类别进行分类,得到分类问答集;
将所述分类问答集中与所述目标问答特征的问答类别对应的问答数据汇集为匹配数据集;
将所述匹配数据集序列化为问答列表;
获取在线问题,在所述问答列表中查询并获取与所述在线问题匹配的问答数据。
可选地,所述利用预设聚类算法将所述问答数据集按照问答类别进行分类,包括:
从所述问答数据集中随机选取问答数据作为目标问答数据;
计算所述目标问答数据与多个预设标准类别的差异值;
确定与所述目标问答数据的差异值最小的预设标准类别为所述目标问答数据的问答类别。
可选地,所述计算所述目标问答数据的问答类别与多个预设标准类别的差异值,包括:
利用如下差异算法计算所述目标问答数据的问答类别与预设标准类别的差异值d(x,y)2:
d(x,y)2=||x-yi||2
其中,x为目标问答数据的问答类别,yi为多个预设标准类别中的第i个标准类别。
可选地,所述将所述匹配数据集序列化为问答列表,包括:
获取多个序列化处理函数;
将所述多个序列化处理函数线性组合为构造函数;
利用所述构造函数构造序列化接口;
利用所述序列化接口对所述匹配数据集进行序列化处理,得到问答列表。
可选地,所述获取在线问题包括:
当检测到语音在线问题的语音输入信息时,持续检测所述语音输入信息的语音强度;
当所述语音强度小于分贝阈值时,确定所述语音强度小于分贝阈值时的语音输入信息为所述语音在线问题的语音终止输入信息;
利用语音识别模型将所述语音终止输入信息之前的语音输入信息转换为在线问题。
可选地,所述在所述问答列表中查询并获取与所述在线问题匹配的问答数据包括:
检测所述问答列表的存储环境;
获取与所述存储环境对应的编译器;
利用所述编译器根据所述在线问题编译问题查询语句;
通过执行所述问题查询语句在所述问答列表中查询并获取与所述在线问题匹配的问答数据。
可选地,所述提取所述行为轨迹数据集包含的多个历史问答数据特征,包括:
获取训练轨迹数据集以及所述训练轨迹数据集对应的标准历史问答数据特征;
利用预设的特征提取模型对所述训练轨迹数据集进行特征提取,得到预测历史问答数据特征;
计算所述预测历史问答数据特征和所述标准历史问答数据特征之间的差异值;
若所述差异值大于误差阈值,则调整所述特征提取模型的参数后重新进行特征提取;
若所述差异值小于所述误差阈值,则生成训练完成的特征提取模型;
利用训练完成的特征提取模型对所述行为轨迹数据集进行特征提取,得到多个历史问答数据特征。
为了解决上述问题,本发明还提供一种基于大数据的信息获取装置,所述装置包括:
特征提取模块,用于获取目标人员的行为轨迹数据集,提取所述行为轨迹数据集包含的多个历史问答数据特征;
特征筛选模块,用于计算所述多个历史问答数据特征的特征权重,确定所述特征权重大于预设阈值的历史问答数据特征为所述目标人员的目标问答特征;
问答数据分类模块,用于获取问答数据集,利用预设聚类算法将所述问答数据集按照问答类别进行分类,得到分类问答集;
问答数据汇集模块,用于将所述分类问答集中与所述目标问答特征的问答类别对应的问答数据汇集为匹配数据集;
序列化处理模块,用于将所述匹配数据集序列化为问答列表;
问答数据查询模块,用于获取在线问题,在所述问答列表中查询并获取与所述在线问题匹配的问答数据。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的基于大数据的信息获取方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,包括存储数据区和存储程序区,其中,所述存储数据区存储创建的数据,所述存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如上所述的基于大数据的信息获取方法。
本发明实施例通过获取目标人员的行为轨迹数据集之后提取历史问答数据特征,对历史问答数据特征进行权重计算,得到目标人员的目标问答特征,以及从问答数据集中选取与目标人员的目标问答特征的问答类别对应的问答数据集为匹配数据集,可以得到准确的符合目标人员特征的问答数据集;当获取到在线问题之后,在问答列表中查询并获取与在线问题匹配的问答数据,由于问答列表是符合目标人员特征的问答数据集,因此,可以快速准确地获取与在线问题匹配的问答数据,无需从大量的问答数据中进行匹配,避免了查询速度慢,查询结果不准确的问题,实现了提高在线问答的精确度与效率的目的。因此,本发明提出的基于大数据的信息获取方法、装置、电子设备和计算机可读存储介质可以提高在线问答的精确度与效率。
附图说明
图1为本发明一实施例提供的基于大数据的信息获取方法的流程示意图;
图2为本发明一实施例提供的基于大数据的信息获取装置的模块示意图;
图3为本发明一实施例提供的实现基于大数据的信息获取方法的电子设备的内部结构示意图;
本发明目的的实现、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以解释本发明,并不用于限定本发明。
本申请实施例提供的基于大数据的信息获取方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于大数据的信息获取方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明提供一种基于大数据的信息获取方法。参照图1所示,为本发明一实施例提供的基于大数据的信息获取方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,基于大数据的信息获取方法包括:
S1、获取目标人员的行为轨迹数据集,提取所述行为轨迹数据集包含的多个历史问答数据特征。
本发明实施例中,目标人员可以是各公司或企业的在线客服人员,用户为对目标人员进行咨询或提问的人;行为轨迹数据包括目标人员得到用户提出的问题并对用户问题作出回答的过程中所产生的一系列数据,例如,提问内容、回答内容、提问时间、回答时间、提问频率、回答响应率等数据。
详细地,所述行为轨迹数据集中可能包含着由目标人员对用户提出的问题作出的错误的回答或操作所产生的数据。
在接下来的说明中,以目标人员为在线客服人员为例进行说明。
优选的,本发明实施例中,行为轨迹数据存储在区块链中。
进一步的,通过具有数据抓取功能的python语句从用于存储行为轨迹数据的区块链中抓取行为轨迹数据集。由于区块链具有数据的高吞吐性,因此,将行为轨迹数据存储在区块链中,可提高抓取行为轨迹数据的效率。
详细地,所述提取所述行为轨迹数据集包含的多个历史问答数据特征,包括:
获取训练轨迹数据集以及所述训练轨迹数据集对应的标准历史问答数据特征;
利用预设的特征提取模型对所述训练轨迹数据集进行特征提取,得到预测历史问答数据特征;
计算所述预测历史问答数据特征和所述标准历史问答数据特征之间的差异值;
若所述差异值大于预设的误差阈值,则调整所述特征提取模型的参数后重新进行特征提取;
若所述差异值小于或等于所述误差阈值,则生成训练完成的特征提取模型;
利用训练完成的特征提取模型对所述行为轨迹数据集进行特征提取,得到多个历史问答数据特征。
详细地,所述特征提取模型为具体特征提取功能的卷积神经网络。
本发明实施例中利用具有数据抓取功能的python语句从用于存储训练轨迹数据集的数据库中获取训练轨迹数据集。所述训练轨迹数据集中包括与所述行为轨迹数据集相同类型的数据。
较佳地,所述计算所述预测历史问答数据特征和所述标准历史问答数据特征之间的差异值,包括:
S2、计算所述多个历史问答数据特征的特征权重,确定所述特征权重大于预设阈值的历史问答数据特征为所述目标人员的目标问答特征。
本发明实施例中,所述计算所述多个历史问答数据特征的特征权重,包括:
利用如下特征权重算法计算所述多个历史问答数据特征的特征权重T(i):
其中,m为历史问答数据特征的数量,xi为第i个历史问答数据特征。
详细地,目标问答特征表示多个历史问答数据特征中重要的、典型的或问答频率较高的历史问答数据特征。
本发明实施例通过确定特征权重中大于预设阈值的历史问答数据特征为目标问答特征,可以选取出多个历史问答数据特征具有代表性的历史问答数据特征;由于实际操作过程中,不同用户提出的问题会出现重复的情况,因此在线业务人员在根据用户提问做出会答的过程中所产生的行为轨迹数据也会出现重复的情况,导致通过行为轨迹数据集提取出的历史问答数据特征包含一些重复的特征,且由于业务人员对用户进行回答的过程中操作正确的次数比操作失误的次数更多,故特征权重越大的表示操作为正确操作,因此,通过确定特征权重中大于预设阈值的历史问答数据特征为目标问答特征,可以筛除多个历史问答数据特征中由于在线客服人员操作失误而产生的的历史问答数据特征。
S3、获取问答数据集,利用预设聚类算法将所述问答数据集按照问答类别进行分类,得到分类问答集。
本发明实施例中,所述问答数据集包括用户对在线客服人员提出的问题与在线客服人员对用户提出的问题作出与问题相应的标准回答。
具体的,可以利用具有数据调用功能的java语句从存储问答数据的数据库中获取问答数据集。
例如,问答数据集包括询价类问答数据和期限类问答数据。其中,询价类问答数据包括:用户对目标产品或业务价格的价格询问语句与在线客服人员针对用户的价格询问语句作出的回答;期限类问答数据包括:用户对目标产品或业务相关期限的期限询问语句与在线客服人员针对用户的期限询问语句作出的回答。
详细地,所述利用预设聚类算法将所述问答数据集按照问答类别进行分类,包括:
从所述问答数据集中随机选取问答数据作为目标问答数据;
计算所述目标问答数据与多个预设标准类别的差异值;
确定与所述目标问答数据的差异值最小的预设标准类别为所述目标问答数据的问答类别。
例如,问答数据集中包括问答数据A和问答数据B,多个预设标准类别包括标准类别α和标准类别β。从问答数据集中随机选取问答数据A作为目标问答数据A,计算目标问答数据A的问答类别与标准类别α的差异值Aα,计算目标问答数据A的问答类别与标准类别β的差异值Aβ,当Aα<Aβ,时,确定目标问答数据A的问答类别为标准类别α;从问答数据集中随机选取问答数据B作为目标问答数据B,计算目标问答数据B的问答类别与标准类别α的差异值Bα,计算目标问答数据B的问答类别与标准类别β的差异值Bβ,当Bα>Bβ,时,确定目标问答数据B的问答类别为标准类别β。
具体地,利用如下差异算法计算所述目标问答数据的问答类别与预设标准类别的差异值d(x,y)2:
d(x,y)2=‖x-y‖2
其中,x为目标问答数据的问答类别,yi为多个预设标准类别中的第i个标准类别。
S4、将所述分类问答集中与所述目标问答特征的问答类别对应的问答数据汇集为匹配数据集。
本发明实施例中,目标问答特征的问答类别是历史问答数据特征对应的问答类别。具体的,目标问答特征的问答类别可以是历史问答数据特征的题目特征或答案特征对应的类别。
例如,问答数据集包括询价类问答数据和期限类问答数据,询价类问答数据的问答类别为价格类别,期限类问答数据的问答类别为期限类别;历史问答数据特征包括价格特征和期限特征。将所述分类问答集中问答类别为价格类别的询价类问答数据汇集为关于价格的匹配数据集;将问答类别为期限类别的期限类问答数据汇集为关于期限的匹配数据集。
S5、将所述匹配数据集序列化为问答列表。
本发明实施例中,将所述匹配数据集序列化为问答列表即将无序的匹配数据集以有序列表的形式进行展现。
本发明实施例中,所述将所述匹配数据集序列化为问答列表,包括:
获取多个序列化处理函数;
将所述多个序列化处理函数线性组合为构造函数;
利用所述构造函数构造序列化接口;
利用所述序列化接口对所述匹配数据集进行序列化处理,得到问答列表。
本发明实施例中,所述序列化处理函数包括但不限于writeExternal()函数和randomExternal()函数。
详细地,所述writeExternal()函数和randomExternal()函数是用于将匹配数据集进行排序的java函数。
进一步的,所述线性组合包括相加或相减。
本发明实施例中,将多个序列化处理函数线性组合为构造函数,进而利用java中的Externalible方法将所述构造函数构造为序列化接口,其中,所述Externalible方法用于通过聚合java函数得到序列化接口。
本发明实施例中,通过序列化接口使得不同的java函数可以同时组合使用,从而实现一个接口同时使用多个函数,提高序列化处理的效率。
本发明实施例中,将匹配数据集进行序列化处理,将无序的匹配数据集以有序列表的形式进行展现,即将原本无序的匹配数据集按照一定的顺序排列在一张数据表中,可提高在问答列表效率进行数据查询的效率。
S6、获取在线问题,在所述问答列表中查询并获取与所述在线问题匹配的问答数据。
可选的,所述在线问题包括文本在线问题和语音在线问题。
进一步的,本发明一可选实施例中,所述获取在线问题包括:
当检测到语音在线问题的语音输入信息时,持续检测所述语音输入信息的语音强度;
当所述语音强度小于分贝阈值时,确定所述语音强度小于分贝阈值时的语音输入信息为所述语音在线问题的语音终止输入信息;
利用语音识别模型将所述语音终止输入信息之前的语音输入信息转换为在线问题。
本发明实施例中所述语音识别模型时具有语音识别功能的卷积神经网络。
本发明实施例通过对语音强度的实时检测,实现了对语音在线问题的检测和获取,避免了等待和无法准确识别语音问题的问题。
具体地,所述在所述问答列表中查询并获取与所述在线问题匹配的问答数据包括:
检测所述问答列表的存储环境;
获取与所述存储环境对应的编译器;
利用所述编译器根据所述在线问题编译问题查询语句;
通过执行所述问题查询语句在所述问答列表中查询并获取与所述在线问题匹配的问答数据。
详细地,所述问答列表的存储环境由问答列表存储位置所确定,例如,当所述问答列表存储在java数据库中时,所述存储环境为java环境。
进一步地,所述编译器包括但不限于Visual Studio编译器、Dev C++编译器、Visual C++编译器,将所述在线问题输入至所述编译器,即可生成问题查询语句。
本发明实施例通过执行所述问题查询语句,从问答列表中查询得到与所述在线问题匹配的问答数据。
本发明实施例通过获取目标人员的行为轨迹数据集之后提取历史问答数据特征,从历史问答数据特征进行权重计算,得到目标人员的目标问答特征,以及从问答数据集中选取与目标人员的目标问答特征的问答类别对应的问答数据集为匹配数据集,可以得到准确的符合目标人员特征的问答数据集;当获取到在线问题之后,在问答列表中查询并获取与在线问题匹配的问答数据,由于问答列表是符合目标人员特征的问答数据集,因此,可以快速准确地获取与在线问题匹配的问答数据,无需从大量的问答数据中进行匹配,避免了查询速度慢,查询结果不准确的问题,实现了提高在线问答的精确度与效率的目的。因此,本发明提出的基于大数据的信息获取方法可以提高在线问答的精确度与效率。
如图2所示,是本发明基于大数据的信息获取装置的模块示意图。
本发明所述基于大数据的信息获取装置100可以安装于电子设备中。根据实现的功能,所述基于大数据的信息获取装置可以包括特征提取模块101、特征筛选模块102、问答数据分类模块103、问答数据汇集模块104、序列化处理模块105和问答数据查询模块106。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述特征提取模块101,用于获取目标人员的行为轨迹数据集,提取所述行为轨迹数据集包含的多个历史问答数据特征;
所述特征筛选模块102,用于计算所述多个历史问答数据特征的特征权重,确定所述特征权重大于预设阈值的历史问答数据特征为所述目标人员的目标问答特征;
所述问答数据分类模块103,用于获取问答数据集,利用预设聚类算法将所述问答数据集按照问答类别进行分类,得到分类问答集;
所述问答数据汇集模块104,用于将所述分类问答集中与所述目标问答特征的问答类别对应的问答数据汇集为匹配数据集;
所述序列化处理模块105,用于将所述匹配数据集序列化为问答列表;
所述问答数据查询模块106,用于获取在线问题,在所述问答列表中查询并获取与所述在线问题匹配的问答数据。
详细地,所述基于大数据的信息获取装置各模块的具体实施方式如下:
所述特征提取模块101,用于获取目标人员的行为轨迹数据集,提取所述行为轨迹数据集包含的多个历史问答数据特征。
本发明实施例中,目标人员可以是各公司或企业的在线客服人员,用户为对目标人员进行咨询或提问的人;行为轨迹数据包括目标人员得到用户提出的问题并对用户问题作出回答的过程中所产生的一系列数据,例如,提问内容、回答内容、提问时间、回答时间、提问频率、回答响应率等数据。
在接下来的说明中,以目标人员为在线客服人员为例进行说明。
优选的,本发明实施例中,行为轨迹数据存储在区块链中。
进一步的,通过具有数据抓取功能的python语句从用于存储行为轨迹数据的区块链中抓取行为轨迹数据集。由于区块链具有数据的高吞吐性,因此,将行为轨迹数据存储在区块链中,可提高抓取行为轨迹数据的效率。
详细地,所述特征提取模块101具体用于:
获取目标人员的行为轨迹数据集;
获取训练轨迹数据集以及所述训练轨迹数据集对应的标准历史问答数据特征;
利用预设的特征提取模型对所述训练轨迹数据集进行特征提取,得到预测历史问答数据特征;
计算所述预测历史问答数据特征和所述标准历史问答数据特征之间的差异值;
若所述差异值大于预设的误差阈值,则调整所述特征提取模型的参数后重新进行特征提取;
若所述差异值小于或等于所述误差阈值,则生成训练完成的特征提取模型;
利用训练完成的特征提取模型对所述行为轨迹数据集进行特征提取,得到多个历史问答数据特征。
详细地,所述特征提取模型为具体特征提取功能的卷积神经网络。
本发明实施例中利用具有数据抓取功能的python语句从用于存储训练轨迹数据集的数据库中获取训练轨迹数据集。所述训练轨迹数据集中包括与所述行为轨迹数据集相同类型的数据。
较佳地,所述计算所述预测历史问答数据特征和所述标准历史问答数据特征之间的差异值,包括:
所述特征筛选模块102,用于计算所述多个历史问答数据特征的特征权重,确定所述特征权重大于预设阈值的历史问答数据特征为所述目标人员的目标问答特征。
本发明实施例中,所述特征筛选模块102具体用于:
利用如下特征权重算法计算所述多个历史问答数据特征的特征权重T(i),确定所述特征权重大于预设阈值的历史问答数据特征为所述目标人员的目标问答特征:
其中,m为历史问答数据特征的数量,xi为第i个历史问答数据特征。
详细地,目标问答特征表示多个历史问答数据特征中相对重要的历史问答数据特征,目标问答特征可代表在线客服人员对用户的问题做出的正确回答的特征。
本发明实施例通过确定特征权重中大于预设阈值的历史问答数据特征为目标问答特征,可以选取出多个历史问答数据特征具有代表性的历史问答数据特征;由于实际操作过程中,不同用户提出的问题会出现重复的情况,因此在线业务人员在根据用户提问做出会答的过程中所产生的行为轨迹数据也会出现重复的情况,导致通过行为轨迹数据集提取出的历史问答数据特征包含一些重复的特征,且由于业务人员对用户进行回答的过程中操作正确的次数比操作失误的次数更多,故特征权重越大的表示操作为正确操作,因此,通过确定特征权重中大于预设阈值的历史问答数据特征为目标问答特征,可以筛除多个历史问答数据特征中由于在线客服人员操作失误而产生的的历史问答数据特征。
所述问答数据分类模块103,用于获取问答数据集,利用预设聚类算法将所述问答数据集按照问答类别进行分类,得到分类问答集。
本发明实施例中,所述问答数据集包括用户对在线客服人员提出的问题与在线客服人员对用户提出的问题作出的相应回答。
具体的,可以利用具有数据调用功能的java语句从存储问答数据的数据库中获取问答数据集。
例如,问答数据集包括询价类问答数据和期限类问答数据。其中,询价类问答数据包括:用户对目标产品或业务价格的价格询问语句与在线客服人员针对用户的价格询问语句作出的回答;期限类问答数据包括:用户对目标产品或业务相关期限的期限询问语句与在线客服人员针对用户的期限询问语句作出的回答。
详细地,所述问答数据分类模块103具体用于:
获取问答数据集;
从所述问答数据集中随机选取问答数据作为目标问答数据;
计算所述目标问答数据与多个预设标准类别的差异值;
确定与所述目标问答数据的差异值最小的预设标准类别为所述目标问答数据的问答类别。
例如,问答数据集中包括问答数据A和问答数据B,多个预设标准类别包括标准类别α和标准类别β。从问答数据集中随机选取问答数据A作为目标问答数据A,计算目标问答数据A的问答类别与标准类别α的差异值Aα,计算目标问答数据A的问答类别与标准类别β的差异值Aβ,当Aα<Aβ,时,确定目标问答数据A的问答类别为标准类别α;从问答数据集中随机选取问答数据B作为目标问答数据B,计算目标问答数据B的问答类别与标准类别α的差异值Bα,计算目标问答数据B的问答类别与标准类别β的差异值Bβ,当Bα>Bβ,时,确定目标问答数据B的问答类别为标准类别β。
具体地,利用如下差异算法计算所述目标问答数据的问答类别与预设标准类别的差异值d(x,y)2:
d(x,y)2=‖x-y‖2
其中,x为目标问答数据的问答类别,yi为多个预设标准类别中的第i个标准类别。
所述问答数据汇集模块104,用于将所述分类问答集中与所述目标问答特征的问答类别对应的问答数据汇集为匹配数据集。
本发明实施例中,目标问答特征的问答类别是历史问答数据特征对应的问答类别。具体的,目标问答特征的问答类别可以是历史问答数据特征的题目特征或答案特征对应的类别。
例如,问答数据集包括询价类问答数据和期限类问答数据,询价类问答数据的问答类别为价格类别,期限类问答数据的问答类别为期限类别;历史问答数据特征包括价格特征和期限特征。将所述分类问答集中问答类别为价格类别的询价类问答数据汇集为关于价格的匹配数据集;将问答类别为期限类别的期限类问答数据汇集为关于期限的匹配数据集。
所述序列化处理模块105,用于将所述匹配数据集序列化为问答列表。
本发明实施例中,将所述匹配数据集序列化为问答列表即将无序的匹配数据集以有序列表的形式进行展现。
本发明实施例中,所述序列化处理模块105具体用于:
获取多个序列化处理函数;
将所述多个序列化处理函数线性组合为构造函数;
利用所述构造函数构造序列化接口;
利用所述序列化接口对所述匹配数据集进行序列化处理,得到问答列表。
本发明实施例中,所述序列化处理函数包括但不限于writeExternal()函数和randomExternal()函数。
详细地,所述writeExternal()函数和randomExternal()函数是用于将匹配数据集进行排序的java函数。
进一步的,所述线性组合包括相加或相减。
本发明实施例中,将多个序列化处理函数线性组合为构造函数,进而利用java中的Externalible方法将所述构造函数构造为序列化接口,其中,所述Externalible方法用于通过聚合java函数得到序列化接口。
本发明实施例中,通过序列化接口使得不同的java函数可以同时组合使用,从而实现一个接口同时使用多个函数,提高序列化处理的效率。
本发明实施例中,将匹配数据集进行序列化处理,将无序的匹配数据集以有序列表的形式进行展现,即将原本无序的匹配数据集按照一定的顺序排列在一张数据表中,可提高在问答列表效率进行数据查询的效率。
所述问答数据查询模块106,用于获取在线问题,在所述问答列表中查询并获取与所述在线问题匹配的问答数据。
可选的,所述在线问题包括文本在线问题和语音在线问题。
进一步的,本发明一可选实施例中,所述问答数据查询模块106包括问题获取单元和查询单元。
所述问题获取单元用于:
当检测到语音在线问题的语音输入信息时,持续检测所述语音输入信息的语音强度;
当所述语音强度小于分贝阈值时,确定所述语音强度小于分贝阈值时的语音输入信息为所述语音在线问题的语音终止输入信息;
利用语音识别模型将所述语音终止输入信息之前的语音输入信息转换为在线问题。
本发明实施例中所述语音识别模型时具有语音识别功能的卷积神经网络。
本发明实施例通过对语音强度的实时检测,实现了对语音在线问题的检测和获取,避免了等待和无法准确识别语音问题的问题。
具体地,所述查询单元用于:
检测所述问答列表的存储环境;
获取与所述存储环境对应的编译器;
利用所述编译器根据所述在线问题编译问题查询语句;
通过执行所述问题查询语句在所述问答列表中查询并获取与所述在线问题匹配的问答数据。
详细地,所述问答列表的存储环境由问答列表存储位置所确定,例如,当所述问答列表存储在java数据库中时,所述存储环境为java环境。
进一步地,所述编译器包括但不限于Visual Studio编译器、Dev C++编译器、Visual C++编译器,将所述在线问题输入至所述编译器,即可生成问题查询语句。
本发明实施例通过执行所述问题查询语句,从问答列表中查询得到与所述在线问题匹配的问答数据。
本发明实施例通过获取目标人员的行为轨迹数据集之后提取历史问答数据特征,从历史问答数据特征进行权重计算,得到目标人员的目标问答特征,以及从问答数据集中选取与目标人员的目标问答特征的问答类别对应的问答数据集为匹配数据集,可以得到准确的符合目标人员特征的问答数据集;当获取到在线问题之后,在问答列表中查询并获取与在线问题匹配的问答数据,由于问答列表是符合目标人员特征的问答数据集,因此,可以快速准确地获取与在线问题匹配的问答数据,无需从大量的问答数据中进行匹配,避免了查询速度慢,查询结果不准确的问题,实现了提高在线问答的精确度与效率的目的。因此,本发明提出的基于大数据的信息获取装置可以提高在线问答的精确度与效率。
如图3所示,是本发明实现基于大数据的信息获取方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于大数据的信息获取程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于大数据的信息获取程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于大数据的信息获取程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术用户可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于大数据的信息获取程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取目标人员的行为轨迹数据集,提取所述行为轨迹数据集包含的多个历史问答数据特征;
计算所述多个历史问答数据特征的特征权重,确定所述特征权重大于预设阈值的历史问答数据特征为所述目标人员的目标问答特征;
获取问答数据集,利用预设聚类算法将所述问答数据集按照问答类别进行分类,得到分类问答集;
将所述分类问答集中与所述目标问答特征的问答类别对应的问答数据汇集为匹配数据集;
将所述匹配数据集序列化为问答列表;
获取在线问题,在所述问答列表中查询并获取与所述在线问题匹配的问答数据。
进一步地,所述电子设备1集成的模块/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。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术用户而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术用户应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于大数据的信息获取方法,其特征在于,所述方法包括:
获取目标人员的行为轨迹数据集,提取所述行为轨迹数据集包含的多个历史问答数据特征;
计算所述多个历史问答数据特征的特征权重,确定所述特征权重大于预设阈值的所述历史问答数据特征为所述目标人员的目标问答特征;
获取问答数据集,利用预设聚类算法将所述问答数据集按照问答类别进行分类,得到分类问答集;
将所述分类问答集中与所述目标问答特征的问答类别对应的问答数据汇集为匹配数据集;
将所述匹配数据集序列化为问答列表;
获取待处理的在线问题,在所述问答列表中查询并获取与所述在线问题匹配的问答数据。
2.如权利要求1所述的基于大数据的信息获取方法,其特征在于,所述利用预设聚类算法将所述问答数据集按照问答类别进行分类,包括:
从所述问答数据集中随机选取问答数据作为目标问答数据;
计算所述目标问答数据与多个预设标准类别之间的差异值;
确定与所述目标问答数据的差异值最小的预设标准类别为所述目标问答数据的问答类别。
3.如权利要求2所述的基于大数据的信息获取方法,其特征在于,所述计算所述目标问答数据的问答类别与多个预设标准类别的差异值,包括:
利用如下差异算法计算所述目标问答数据的问答类别与预设标准类别的差异值d(x,y)2:
d(x,y)2=‖x-yi‖2
其中,x为目标问答数据的问答类别,yi为多个预设标准类别中的第i个标准类别。
4.如权利要求1所述的基于大数据的信息获取方法,其特征在于,所述将所述匹配数据集序列化为问答列表,包括:
获取多个序列化处理函数;
将所述多个序列化处理函数线性组合为构造函数;
利用所述构造函数构造序列化接口;
利用所述序列化接口对所述匹配数据集进行序列化处理,得到问答列表。
5.如权利要求1至4中任一项所述的基于大数据的信息获取方法,其特征在于,所述获取在线问题包括:
当检测到语音在线问题的语音输入信息时,持续检测所述语音输入信息的语音强度;
当所述语音强度小于分贝阈值时,确定所述语音强度小于分贝阈值时的语音输入信息为所述语音在线问题的语音终止输入信息;
利用语音识别模型将所述语音终止输入信息之前的语音输入信息转换为在线问题。
6.如权利要求1至4中任一项所述的基于大数据的信息获取方法,其特征在于,所述在所述问答列表中查询并获取与所述在线问题匹配的问答数据包括:
检测所述问答列表的存储环境;
获取与所述存储环境对应的编译器;
利用所述编译器根据所述在线问题编译问题查询语句;
通过执行所述问题查询语句在所述问答列表中查询并获取与所述在线问题匹配的问答数据。
7.如权利要求1至4中任一项所述的基于大数据的信息获取方法,其特征在于,所述提取所述行为轨迹数据集包含的多个历史问答数据特征,包括:
获取训练轨迹数据集以及所述训练轨迹数据集对应的标准历史问答数据特征;
利用预设的特征提取模型对所述训练轨迹数据集进行特征提取,得到预测历史问答数据特征;
计算所述预测历史问答数据特征和所述标准历史问答数据特征之间的差异值;
若所述差异值大于误差阈值,则调整所述特征提取模型的参数后重新进行特征提取;
若所述差异值小于所述误差阈值,则生成训练完成的特征提取模型;
利用训练完成的特征提取模型对所述行为轨迹数据集进行特征提取,得到多个历史问答数据特征。
8.一种基于大数据的信息获取装置,其特征在于,所述装置包括:
特征提取模块,用于获取目标人员的行为轨迹数据集,提取所述行为轨迹数据集包含的多个历史问答数据特征;
特征筛选模块,用于计算所述多个历史问答数据特征的特征权重,确定所述特征权重大于预设阈值的历史问答数据特征为所述目标人员的目标问答特征;
问答数据分类模块,用于获取问答数据集,利用预设聚类算法将所述问答数据集按照问答类别进行分类,得到分类问答集;
问答数据汇集模块,用于将所述分类问答集中与所述目标问答特征的问答类别对应的问答数据汇集为匹配数据集;
序列化处理模块,用于将所述匹配数据集序列化为问答列表;
问答数据查询模块,用于获取在线问题,在所述问答列表中查询并获取与所述在线问题匹配的问答数据。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于大数据的信息获取方法。
10.一种计算机可读存储介质,包括存储数据区和存储程序区,其特征在于,所述存储数据区存储创建的数据,所述存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于大数据的信息获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011037785.1A CN112052310A (zh) | 2020-09-28 | 2020-09-28 | 基于大数据的信息获取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011037785.1A CN112052310A (zh) | 2020-09-28 | 2020-09-28 | 基于大数据的信息获取方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112052310A true CN112052310A (zh) | 2020-12-08 |
Family
ID=73605766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011037785.1A Pending CN112052310A (zh) | 2020-09-28 | 2020-09-28 | 基于大数据的信息获取方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052310A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887621A (zh) * | 2021-09-30 | 2022-01-04 | 中国平安财产保险股份有限公司 | 问答资源调整方法、装置、设备及存储介质 |
CN114880449A (zh) * | 2022-05-17 | 2022-08-09 | 平安科技(深圳)有限公司 | 智能问答的答复生成方法、装置、电子设备及存储介质 |
CN114880449B (zh) * | 2022-05-17 | 2024-05-10 | 平安科技(深圳)有限公司 | 智能问答的答复生成方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356089A1 (en) * | 2014-06-10 | 2015-12-10 | International Business Machines Corporation | Weighting Search Criteria Based on Similarities to an Ingested Corpus in a Question and Answer (QA) System |
CN108415980A (zh) * | 2018-02-09 | 2018-08-17 | 平安科技(深圳)有限公司 | 问答数据处理方法、电子装置及存储介质 |
US20180373782A1 (en) * | 2017-06-27 | 2018-12-27 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for recommending answer to question based on artificial intelligence |
CN110990546A (zh) * | 2019-11-29 | 2020-04-10 | 中国银行股份有限公司 | 智能问答语料库更新方法和装置 |
CN111382235A (zh) * | 2018-12-27 | 2020-07-07 | 上海智臻智能网络科技股份有限公司 | 一种问答知识库的优化方法及其装置 |
CN111506723A (zh) * | 2020-07-01 | 2020-08-07 | 平安国际智慧城市科技股份有限公司 | 问答响应方法、装置、设备及存储介质 |
-
2020
- 2020-09-28 CN CN202011037785.1A patent/CN112052310A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356089A1 (en) * | 2014-06-10 | 2015-12-10 | International Business Machines Corporation | Weighting Search Criteria Based on Similarities to an Ingested Corpus in a Question and Answer (QA) System |
US20180373782A1 (en) * | 2017-06-27 | 2018-12-27 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for recommending answer to question based on artificial intelligence |
CN108415980A (zh) * | 2018-02-09 | 2018-08-17 | 平安科技(深圳)有限公司 | 问答数据处理方法、电子装置及存储介质 |
CN111382235A (zh) * | 2018-12-27 | 2020-07-07 | 上海智臻智能网络科技股份有限公司 | 一种问答知识库的优化方法及其装置 |
CN110990546A (zh) * | 2019-11-29 | 2020-04-10 | 中国银行股份有限公司 | 智能问答语料库更新方法和装置 |
CN111506723A (zh) * | 2020-07-01 | 2020-08-07 | 平安国际智慧城市科技股份有限公司 | 问答响应方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887621A (zh) * | 2021-09-30 | 2022-01-04 | 中国平安财产保险股份有限公司 | 问答资源调整方法、装置、设备及存储介质 |
CN113887621B (zh) * | 2021-09-30 | 2024-04-30 | 中国平安财产保险股份有限公司 | 问答资源调整方法、装置、设备及存储介质 |
CN114880449A (zh) * | 2022-05-17 | 2022-08-09 | 平安科技(深圳)有限公司 | 智能问答的答复生成方法、装置、电子设备及存储介质 |
CN114880449B (zh) * | 2022-05-17 | 2024-05-10 | 平安科技(深圳)有限公司 | 智能问答的答复生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
CN112231586A (zh) | 基于迁移学习的课程推荐方法、装置、设备及介质 | |
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN115146865A (zh) | 基于人工智能的任务优化方法及相关设备 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN114398560B (zh) | 基于web平台的营销界面设置方法、装置、设备及介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN112560465A (zh) | 批量异常事件的监控方法、装置、电子设备及存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN112052310A (zh) | 基于大数据的信息获取方法、装置、设备及存储介质 | |
CN112948705A (zh) | 一种基于政策大数据的智能匹配方法、装置及介质 | |
CN111831708A (zh) | 基于缺失数据的样本分析方法、装置、电子设备及介质 | |
CN114841165B (zh) | 用户数据分析及展示方法、装置、电子设备及存储介质 | |
CN115238179A (zh) | 项目推送方法、装置、电子设备及计算机可读存储介质 | |
CN114722280A (zh) | 基于用户画像的课程推荐方法、装置、设备及存储介质 | |
CN114662005A (zh) | 用户行为轨迹的消息推送方法、装置、设备及存储介质 | |
CN113706172A (zh) | 基于客户行为的投诉解决方法、装置、设备及存储介质 | |
CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |