CN112308387B - 客户意向度评估方法与装置、云服务器 - Google Patents
客户意向度评估方法与装置、云服务器 Download PDFInfo
- Publication number
- CN112308387B CN112308387B CN202011129599.0A CN202011129599A CN112308387B CN 112308387 B CN112308387 B CN 112308387B CN 202011129599 A CN202011129599 A CN 202011129599A CN 112308387 B CN112308387 B CN 112308387B
- Authority
- CN
- China
- Prior art keywords
- intent
- target
- index
- client
- parameter
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000003058 natural language processing Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 60
- 238000004891 communication Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000008451 emotion Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 24
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000004904 shortening Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000010295 mobile communication Methods 0.000 description 5
- 210000005036 nerve Anatomy 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007475 c-index Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种客户意向度评估方法与装置、云服务器,该方法包括:获取目标顾问与目标客户之间的对话记录数据;根据对话记录数据确定针对目标客户的意向度指标集合,意向度指标集合包括至少一个用于量化评估目标客户的意向度的指标;采用自然语言处理技术对对话记录数据进行数学建模以确定第一意向度参数;采用层次分析法对意向度指标集合进行数学建模以确定第二意向度参数;根据第一意向度参数和第二意向度参数确定目标客户的客户意向度。可见,本申请实施例利用自然语言处理技术和层次分析法对目标客户的客户意向度进行评估,有利于缩短客户意向度的评估周期,以及提高客户意向度的评估效率和准确性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种客户意向度评估方法与装置、云服务器。
背景技术
随着移动通信技术的发展,置业顾问可以方便地通过电子设备与目标客户群体之间进行随时随地的线上沟通以完成相关的销售成交目标。同时,置业顾问与目标客户群之间往往产生大量的对话记录数据。因此,如何利用这些对话记录数据来分析目标客户群体中目标客户的客户意向度,从而实现针对性地提供服务,提高拓客成交效率。
发明内容
本申请实施例提供了一种客户意向度评估方法与装置、云服务器,以期望实现利用自然语言处理技术和层次分析法对客户意向度进行评估,从而缩短客户意向度的评估周期,以及提高客户意向度评估的效率和准确性。
第一方面,本申请实施例提供一种客户意向度评估方法,应用于云服务器;所述方法包括:
获取目标顾问与目标客户之间的对话记录数据;
根据所述对话记录数据确定针对所述目标客户的意向度指标集合,所述意向度指标集合包括至少一个用于量化评估所述目标客户的意向度的指标;
采用自然语言处理技术对所述对话记录数据进行数学建模以确定第一意向度参数;
采用层次分析法对所述意向度指标集合进行数学建模以确定第二意向度参数;
根据所述第一意向度参数和所述第二意向度参数确定所述目标客户的客户意向度。
第二方面,本申请实施例提供一种客户意向度评估装置,其特征在于,应用于云服务器;所述装置包括处理单元和通信单元,所述处理单元用于:
通过所述通信单元获取目标顾问与目标客户之间的对话记录数据;
根据所述对话记录数据确定针对所述目标客户的意向度指标集合,所述意向度指标集合包括至少一个用于量化评估所述目标客户的意向度的指标;
采用自然语言处理技术对所述对话记录数据进行数学建模以确定第一意向度参数;
采用层次分析法对所述意向度指标集合进行数据建模以确定第二意向度参数;
根据所述第一意向度参数和所述第二意向度参数确定所述目标客户的客户意向度。
第三方面,本申请实施例提供一种云服务器,所述云服务器包括处理器、存储器和通信接口,所述存储器存储有一个或多个程序,并且所述一个或多个程序由所述处理器执行,所述一个或多个程序用于执行本申请实施例第一方面中的步骤的指令。
第四方面,本申请实施例提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储用于电子数据交换的计算机程序,所述计算机程序可操作来使得计算机执行本申请实施例第一方面或者第二方面中所描述的部分或全部步骤。
第五方面,本申请实施例提供一种计算机程序产品,其中,所述计算机程序产品包括计算机程序,所述计算机程序可操作来使得计算机执行本申请实施例第一方面中所描述的部分或全部步骤。所述计算机程序产品可以为一个软件安装包。
可以看出,本申请实施例中,云服务器通过获取目标顾问与目标客户之间的对话记录数据,并根据对话记录数据确定出针对目标客户的意向度指标集合。然后,云服务器采用自然语言处理技术对对话记录数据进行数学建模以确定第一意向度参数,以及采用层次分析法对意向度指标集合进行数学建模以确定第二意向度参数。最终,本申请实施例实现利用自然语言处理技术和对话记录数据对目标客户的客户意向度进行动态的评估以缩短客户意向度的评估周期和提高客户意向度评估的准确性,以及实现利用层次分析法和意向度指标集合对目标客户的客户意向度进行评估以提高客户意向度评估的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述的附图仅仅是本申请的一些实施例,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的附图。
图1是本申请实施例提供的一种客户意向度评估系统的架构示意图;
图2是本申请实施例提供的一种云服务器的结构示意图;
图3是本申请实施例提供的一种客户意向度评估方法的流程示意图;
图4是本申请实施例提供的一种情感分析模型的结构示意图;
图5是本申请实施例提供的一种层级结构模型的结构示意图;
图6是本申请实施例提供的一种客户意向度评估装置的功能单元组成框图;
图7是本申请实施例提供的又一种云服务器的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、软件、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。下面结合附图,对本申请实施例进行详细介绍。
为了更好地理解本申请实施例的技术方案,下面先对本申请实施例可能涉及的客户意向度评估系统进行介绍。
示例性的,本申请实施例应用的客户意向度评估系统100,如图1所示。客户意向度评估系统100可以包括云服务器110和电子设备120。其中,云服务器110与电子设备120之间建立有通信连接。云服务器110可以用于获取顾问与客户之间的对话记录数据,并具有自然语言处理(natural language processing,NPL)功能和层次分析(analytic hierarchyprocess,AHP)功能,也可以用于接收来自电子设备120的一系列操作指令,以及向电子设备120提供客户意向度评估结果;电子设备120可以用于向云服务器110发送一系列操作指令,以及接收来自云服务器110的客户意向度评估结果。需要说明的是,云服务器110与电子设备120之间可以通过有线或者无线的方式现实相互通信,对此不作具体限制。
本申请实施例结合云服务器和电子设备描述了各个实施例。下面对其进行具体介绍。
具体的,本申请实施例的云服务器可以为各种用于提供客户意向度评估功能的云服务器、数据管理服务器、数据管理云平台、物联网服务器、数据中心网络设备、个人计算机(personal computer,PC)、支持802.11协议的计算机、支持5G系统中的网络设备以及未来演进的公用陆地移动通信网络(public land mobile network,PLMN)中的网络设备等,对此不作具体限制。
具体的,本申请实施例的电子设备可以是各种用于支持客户意向度评估功能的手持设备、车载设备、可穿戴设备、用户设备(user equipment,UE)、终端设备(terminaldevice)、个人数字助理(personal digital assistant,PDA)、个人计算机、5G通信系统中的终端设备以及未来演进的PLMN中的终端设备等。
下面对云服务器可能的结构示例进行介绍,请参阅图2。图2是本申请实施例提供的一种云服务器的结构示意图。其中,云服务器200可以包括处理器210、通信模块220、电源管理模块230、存储模块240。处理器210以对应的总线形式连接和控制通信模块220、电源管理模块230、存储模块240。其中,处理器210是云服务器110的控制中心,并通过各种接口和线路连接云服务器200的各个模块。
具体的,处理器210通过运行或执行存储模块240内的软件程序和/或模块,调用存储器内的存储数据,以执行云服务器200的各种功能和处理数据,并监控云服务器200的整体运行。可选的,处理器210可以包括中央处理器(central processing unit,CPU)、数字信号处理器(digital signal processor,DSP)、专用集成电路(application-specificintegrated circuit,ASIC)和现场可编程门阵列(field programmable gate array,FPGA)等。
具体的,通信模块220可以实现第二代2G移动通信技术网络、第三代3G移动通信技术网络、第四代4G移动通信技术网络和第五代5G移动通信技术网络等功能以执行通信数据的接收与发送,可以提供2.4GHz和5GHz的信道频谱资源以执行通信数据的接收与发送,也可以实现车联网或物联网等功能以执行通信数据的接收与发送。可选的,通信模块220可以用于获取目标顾问与目标客户之间的对话数据。
具体的,电源管理模块230可以包括电源管理芯片,并可以为云服务器200提供电能变换、分配、检测等管理功能。
具体的,存储模块240可以用于存储软件程序和/或模块,并且可以包括存储程序区和存储数据区。其中,存储程序区可以用于存储操作系统或者至少一个功能所需的软件程序等,并且该至少一个功能所需的软件程序可以用于执行本申请实施例中的客户意向度评估功能;存储数据区可以用于存储对话记录数据等。
结合上述描述,下面本申请实施例将从方法示例的角度介绍客户意向度评估方法的执行步骤,请参阅图3。图3是本申请实施例提供的一种客户意向度评估方法的流程示意图,该方法包括:
S310、云服务器获取目标顾问与目标客户之间的对话记录数据。
需要说明的是,由于本申请实施例需要评估目标客户针对目标顾问提供的内容(如房源资讯、开盘项目资讯、购房意见、房源咨询答复、营销广告资讯等)的客户意向度,因此需要先由云服务器获取目标顾问与目标客户之间的对话记录数据,从而有利于实现对目标客户的客户意向度进行评估。
具体的,对话记录数据可以包括以下至少一种:文本数据、语音数据、图片数据、图标数据。
进一步需要说明的是,本申请实施例中的电子设备可以包括硬件层、运行在硬件层之上的操作系统层,以及运行在操作系统层上的应用层。该硬件层可以包括CPU、内存管理单元(memory management unit,MMU)和内存(也称为主存)等硬件。该操作系统可以是任意一种或多种通过进程(process)实现业务处理的计算机操作系统,例如,Linux操作系统、Unix操作系统、Android操作系统、iOS操作系统或Windows操作系统等。该应用层包含浏览器、通讯录、文字处理软件、即时通信软件(如微信等)、社交媒体软件(如微博、贴吧、朋友圈等)等应用。
因此,本申请实施例中的对话记录数据可以是由目标顾问和目标客户各自通过电子设备的应用层上运行的即时通讯软件的聊天界面中生成的,也可以是由目标顾问和目标客户各自通过电子设备的应用层上运行的社交媒体软件的留言界面中生成的等。
下面本申请实施例对云服务器如何获取目标顾问与目标客户之间的对话记录数据作一个示例说明。
在一个可能的示例中,获取目标顾问与目标客户之间的对话记录数据,可以包括以下操作:获取第一操作指令,第一操作指令携带有目标顾问的身份标识信息或者目标客户的身份标识信息;响应于第一操作指令,从预设数据库中获取目标顾问与目标客户之间的对话记录数据。
需要说明的是,第一操作指令可以是由电子设备生成,并由云服务器接收来自电子设备的第一操作指令以获取的。具体的,第一操作指令可以是在电子设备运行的即时通讯软件中对目标顾问与目标客户之间的聊天输入框执行触控或点击操作时由电子设备生成,也可以是在电子设备运行的数据爬取软件中针对目标顾问或目标客户执行数据爬取操作时由电子设备生成。
此外,由于第一操作指令携带有目标顾问的身份标识信息或者目标客户的身份标识信息,因此云服务器可以通过目标顾问的身份标识信息或者目标客户的身份标识信息从预设数据库中进行查询操作以获取目标顾问与目标客户之间的对话记录数据。其中,预设数据库可以包括即时通讯软件对应的云服务器中的数据库、社交媒体软件对应的云服务器中的数据库等。
在一个可能的示例中,获取目标顾问与目标客户之间的对话记录数据,可以包括以下操作:响应于针对目标顾问或者目标客户的定时操作指令,定时从预设数据库中获取目标顾问与目标客户之间的对话记录数据。
需要说明的是,由于云服务器设置有定时任务,并且该定时任务可以生成针对目标顾问或者目标客户的定时操作指令,从而由云服务器响应于该定时操作指令,从预设数据库中获取对话记录数据。
S320、云服务器根据对话记录数据确定针对目标客户的意向度指标集合。
其中,意向度指标集合可以包括至少一个用于量化评估目标客户的意向度的指标。
需要说明的是,由于目标客户的客户意向度可以由多个影响因素决定,例如目标客户对目标顾问发布的内容是否感兴趣、目标客户对目标顾问发布的内容的回复速度、目标顾问对目标客户咨询的内容的回复速度、目标顾问的工作态度和工作能力等,因此本申请实施例从影响客户意向度的因素出发,从而建立意向度指标集合。
下面对本申请实施例中的意向度指标集合作一个示例说明。
在一个可能的示例中,意向度指标集合可以包括以下至少一种:内容兴趣程度指标、内容回复速度指标、顾问工作能力指标。
具体的,内容兴趣程度指标可以用于指示目标客户对目标顾问发布的内容的感兴趣程度。需要说明的是,目标客户对目标顾问发布的内容的感兴趣程度可以通过目标客户对目标顾问发布的内容进行回复时的回复消息进行判断。当回复消息采用文字形式时,通过回复消息中的关键词(如“有没有更多相关的房源”、“不需要相关的房源”等)判断感兴趣程度;当回复消息采用语音形式时,通过回复消息中的关键词、音调或音色等判断感兴趣程度。
具体的,内容回复速度指标可以用于指示目标客户对目标顾问发布的内容的回复速度或者目标顾问对目标客户咨询的内容的回复速度。需要说明的是,在目标客户与目标顾问之间的对话过程中,通过双方回复每条消息的时间戳来判断双发的回复速度。
具体的,工作态度与能力指标用于指示目标顾问的工作态度和工作胜任能力。需要说明的是,目标顾问的工作态度和工作胜任能力可以通过目标顾问的历史聊天记录数据和历史交易数据来判断。
S330、云服务器采用自然语言处理技术对对话记录数据进行数学建模以确定第一意向度参数。
需要说明的是,本申请实施例采用自然语言处理技术对对话记录数据进行数学建模以确定第一意向度参数,并为后续通过第一意向度参数确定出目标客户的客户意向度,从而实现利用自然语言处理技术和对话记录数据对目标客户的客户意向度进行动态的评估以缩短客户意向度的评估周期和提高客户意向度评估的准确性。
下面本申请实施例将对云服务器如何采用自然语言处理技术对对话记录数据进行数学建模以确定第一意向度参数作一个示例说明。
在一个可能的示例中,采用自然语言处理技术对对话记录数据进行数学建模以确定第一意向度参数,包括:根据对话记录数据中的对话角色标签确定目标客户的聊天记录数据;将聊天记录数据进行文本转化操作以得到文本数据;将文本数据中的每句文字进行中文分词处理以得到第一分词组,第一分词组中的所有词语用于组成文本数据中的一句文字;将第一分词组中的所有词语输入预先训练的词向量模型以得到词向量矩阵;将词向量矩阵输入预先训练的情感分析模型以得到第一意向度参数。
需要说明的是,由于对话记录数据既有目标顾问的聊天记录数据又有目标客户的聊天记录数据,而本申请实施例需要对目标客户的意向度进行评估,因此通过对话记录数据中的对话角色标签确定出目标客户的聊天记录数据,其中,对话角色标签用于指示目标顾问或者目标客户。此外,由于目标客户的聊天记录数据可以包括具有文本形式的数据、具有语音形式的数据、具有图片形式的数据、具有图标的数据等,因此通过文本转化操作将语音、图片或图标等形式的数据统一转化为具有文本形式的数据,从而将目标客户的聊天记录数据统一转化为文本数据。
具体的,词向量模型可以包括以下一种:one-hot模型、词袋(bag of words,BOW)模型、连续词袋(continuous bag-of-words,CBOW)模型、连续跳跃语法(skip grammar,Skip-Gram)模型。
具体的,情感分析模型包括输入层、两层(long short-term memory,LSTM)神经层和Softmax函数层。其中,词向量通过输入层输入两层LSTM神经层;两层LSTM神经层中的每层LSTM神经层共有512个神经元,并且该512个神经元通过全连接实现正负情感的映射;Softmax函数层用于进行情感分类,如图4所示。需要说明的是,由于情感分析模型中的Softmax函数层可以输出至少一个概率值,因此本申请实施例将该至少一个概率值中具有最大值的概率值作为第一意向度参数V1。
进一步需要说明的是,本申请实施例中的两层LSTM神经层中的每层LSTM神经层都引入丢弃(dropout)策略,即随机丢弃20%的参数以防止过拟合和提高计算速率。同时,窗口批量大小(batch)设置在[14,16]之间,并采用均方根传播(root mean squarepropagation,RMSProp)优化算法,以及设置其参数学习速率为0.001,模糊因子为1e-8,从而保证情感分析模型的输出效果。
S340、云服务器采用层次分析法对意向度指标集合进行数学建模以确定第二意向度参数。
需要说明的是,本申请实施例采用层次分析法对意向度指标集合进行数学建模以确定第二意向度参数,并为后续通过第二意向度参数确定出目标客户的客户意向度,从而实现利用层次分析法和意向度对目标客户的客户意向度进行评估。相比于上述自然语言处理技术中需要获取对话记录数据,层次分析法可以直接利用专家打分等方式对意向度指标集合进行数学建模,从而提高客户意向度评估的效率。
下面本申请实施例将对云服务器如何采用层次分析法对意向度指标集合进行数学建模以确定第二意向度参数作一个示例说明。
在一个可能的示例中,采用层次分析法对所述意向度指标集合进行数据建立以确定第二意向度参数,可以包括以下操作:比较意向度指标集合中的每两个指标之间的相对重要性以确定判断矩阵;在判断矩阵通过一致性检验时,确定意向度指标集合中的指标对应的权重向量,权重向量用于表示判断矩阵的最大特征根的归一化特征向量;获取隶属度矩阵,隶属度矩阵用于表示意向度指标集合中的指标对预设评级表中的评级的隶属度;根据权重向量和隶属度矩阵确定第二意向度参数。
需要说明的是,层次分析法(analytic hierarchy process,AHP)是一种根据问题的性质和要达到的总目标,将问题分解为不同的组成因素,并按照各个因素之间的相互关联影响以及隶属关系,将各个因素按照不同的层次聚集组合,以形成一个多层次的层次结构模型,从而使问题归结为最低层相对于最高层的相对重要权值的确定或相对优劣次序的排序。因此,本申请实施例从影响客户意向度的因素出发,建立意向度指标集合,并通过层次分析法对意向度指标集合进行数学建模以形成一个多层次的层级结构模型,从而实现对目标客户的客户意向度进行评估。
由于意向度指标集合可以包括内容兴趣程度指标、内容回复速度指标、工作态度与能力指标,因此按照意向度指标集合中的指标对意向度指标集合进行分层以得到层级结构模型。例如,在图5所示的层级结构模型中,将客户意向度作为第一层,而将内容兴趣程度指标、内容回复速度指标、工作态度与能力指标作为第二层。
首先,将第二层中的指标表示为X={x1,x2,x3},其中,参数x1表示为内容兴趣程度指标,参数x2表示为工作态度与能力指标,参数x3表示为内容回复速度指标;然后,比较第二层中的每两个指标之间的相对重要性以确定判断矩阵A:
A=(aij)3×3,i∈[1,3],j∈[1,3],
其中,元素aij表示参数xi与参数xj之间对客户意向度的相对重要性,而参数xj与参数xi之间对客户意向度的相对重要性表示为aji=1/aij。其中,元素aij的值可以通过1-9标度和指数标度法确定,例如表1所示。
由于内容兴趣程度指标、工作态度与能力指标和内容回复速度指标都对客户意向度评估有着重要影响,而内容兴趣程度指标又相较其他两个指标更加重要,因此通过专家打分或者大数据统计,可以确定出判断矩阵A的具体矩阵值,例如表2所示。通过表2中的指数标度可知,内容兴趣程度指标比工作态度与能力指标的相对重要性在稍微重要与明显重要之间,并且内容兴趣程度指标比内容回复速度指标的相对重要性也在稍微重要与明显重要之间。同理,工作态度与能力指标与内容回复速度指标的相对重要性为稍微重要。
表1
表2
通过表2所示,判断矩阵A表示为:
按照如下步骤计算判断矩阵A的最大特征根和特征向量:
1)计算判断矩阵A各行元素乘积:
由公式
可得,M=(2.6504,0.7834,0.4814)。
2)计算Mi的n次方根:
由公式
可得,
3)向量归一化:
由公式
可得,归一化特征向量为w=(0.4479,0.2984,0.2537)。
4)计算判断矩阵A的最大特征根:
由公式
可得,λmax=3.0064。
5)一致性检验:
一致性检验的原理是:当n阶正互反矩阵为一致性矩阵时,则存在λmax=n;当n阶正互反矩阵在一致性上存在误差时,则存在λmax>n。如果误差越大,则λmax-n的值越大。
由于随机一致性指标(random consistency index,RI)与矩阵阶数n相关,因此通过阶数n便可查表得到RI,如表3所示,而判断矩阵A的一致性指标(consistency index,CI)定义如下:
表3
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
RI | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.24 | 1.36 | 1.41 | 1.46 |
随机一致性比率(random consistency ratio,CR)定义如下:
其中,如果CR的值越大,则表示判断矩阵A的逻辑冲突越严重,不一致性越高;如果CR的值小于0.1,则判断矩阵A的一致性良好,判断矩阵A通过一致性检验,否则需要对判断矩阵A进行修正。
通过上述公式和表3,可得判断矩阵A的一致性为:
因此,在判断矩阵A通过一致性检验时,意向度指标集合中的指标(第二层中的指标)对应的权重向量为w=(0.4479,0.2984,0.2537)。
然后,获取隶属度矩阵;其中,隶属度矩阵可以用于表示意向度指标集合中的指标对预设评级表中的评级的隶属度。需要说明的是,隶属度矩阵中的隶属度值可以先通过专家打分或者大数据统计得到,再由神经网络(如卷积神经网络、深度神经网络等)进行动态调整。
同时,预设评级表可以用于表示评分与评级之间的对应关系,而预设评级表中的评分区间包括以下至少一种:(85,100]、(70,85]、(50,70]、(0,50],预设评级表中的评级包括以下至少一种:非常高、高、中、低,如表4所示。
表4
评分p | (85,100] | (70,85] | (50,70] | (0,50] |
评级v | 非常高v1 | 高v2 | 中v3 | 低v4 |
需要说明的是,隶属度可以用于表示意向度指标集合中的指标属于预设评级表中的某个评级的程度,因此通过建立评分与评级之间的对应关系的预设评级表,再确定出意向度指标集合中的指标属于预设评级表中的某个评级的程度,从而获取隶属度矩阵,例如表5所示。因此,意向度指标集合中的指标对应的隶属度矩阵R为:
表5
下面本申请实施例将对云服务器如何根据权重向量和所述隶属度矩阵确定所述第二意向度参数作一个示例说明。
在一个可能的示例中,根据权重向量和隶属度矩阵确定第二意向度参数,可以包括以下操作:根据权重向量与隶属度矩阵之间的乘积关系确定目标客户的客户意向度的隶属度向量;根据预设评级表中的评分与隶属度向量之间的乘积确定第二意向度参数。
举例说明,根据上述得到的权重向量w=(0.4479,0.2984,0.2537)和表4所示,目标客户的客户意向度的隶属度向量S为:
因此,根据预设评级表中的评分与隶属度向量S之间的乘积确定出第二意向度参数V2为:
V2=(0.1552×100+0.2806×85+0.4194×70+0.1448×50)/100=0.7597。
S350、云服务器根据第一意向度参数和第二意向度参数确定目标客户的客户意向度。
下面本申请实施例将对云服务如何根据第一意向度参数和第二意向度参数确定目标客户的客户意向度作一个示例说明。
在一个可能的示例中,根据第一意向度参数和第二意向度参数确定目标客户的客户意向度,可以包括以下操作:根据第一意向度参数、第二意向度参数和预设意向度评估公式计算出目标客户的客户意向度;预设意向度评估公式为:
V0=λ*V1+μ*V2,
其中,V0表示目标客户的客户意向度,λ和μ表示比例系数,V1表示第一意向度参数,V2表示所述第二意向度参数。需要说明的是,本申请通过分析第一意向度量参数和第二意向度量参数在计算目标客户的客户意向度时各自所占的比例(λ和μ),通过不断调整比例系数或者设置预设比例系数,从而有利于保证计算出目标客户的客户意向度更加准确,即提高目标客户的客户意向度评估的准确性。
具体的,λ和μ可以为预设比例系数或者可调的比例系数。
可以看出,本申请实施例中,云服务器通过获取目标顾问与目标客户之间的对话记录数据,并根据对话记录数据确定出针对目标客户的意向度指标集合。然后,云服务器采用自然语言处理技术对对话记录数据进行数学建模以确定第一意向度参数,以及采用层次分析法对意向度指标集合进行数学建模以确定第二意向度参数。最终,本申请实施例实现利用自然语言处理技术和对话记录数据对目标客户的客户意向度进行动态的评估以缩短客户意向度的评估周期和提高客户意向度评估的准确性,以及实现利用层次分析法和意向度指标集合对目标客户的客户意向度进行评估以提高客户意向度评估的效率。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,云服务器为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对云服务器进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,只是一种逻辑功能划分,而实际实现时可以有另外的划分方式。
在采用集成的单元的情况下,图6提供了一种客户意向度评估装置的功能单元组成框图。客户意向度评估装置600应用于云服务器,具体包括处理单元620和通信单元630。处理单元620用于对云服务器的动作进行控制管理,例如,处理单元620用于支持云服务器执行图3中的步骤,以及用于本文所描述的技术的其它过程。通信单元630用于支持云服务器与电子设备的通信。客户意向度评估装置600还可以包括存储单元610,用于存储云服务器的程序代码和数据。
其中,处理单元620可以是处理器或控制器,例如可以是CPU、通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框、模块和电路。处理单元620也可以是实现计算功能的组合,例如包含一个或多个微处理器组合、DSP和微处理器的组合等。通信单元630可以是通信接口、收发器、收发电路等,存储单元610可以是存储器。当处理单元620为处理器,通信单元630为通信接口,存储单元610为存储器时,本申请实施例所涉及的客户意向度评估装置600可以为图7所示的云服务器。
具体实现时,处理单元620用于执行如上述方法实施例中由云服务器执行的任一步骤,且在执行诸如发送等数据传输时,可选择的调用通信单元630来完成相应操作。下面进行详细说明。
处理单元620用于:获取目标顾问与目标客户之间的对话记录数据;根据对话记录数据确定针对目标客户的意向度指标集合,意向度指标集合包括至少一个用于量化评估目标客户的意向度的指标;采用自然语言处理技术对对话记录数据进行数学建模以确定第一意向度参数;采用层次分析法对意向度指标集合进行数学建模以确定第二意向度参数;根据第一意向度参数和第二意向度参数确定目标客户的客户意向度。
可以看出,本申请实施例中,通过获取目标顾问与目标客户之间的对话记录数据,并根据对话记录数据确定出针对目标客户的意向度指标集合。然后,通过采用自然语言处理技术对对话记录数据进行数学建模以确定第一意向度参数,以及采用层次分析法对意向度指标集合进行数学建模以确定第二意向度参数。最终,本申请实施例实现利用自然语言处理技术和对话记录数据对目标客户的客户意向度进行动态的评估以缩短客户意向度的评估周期和提高客户意向度评估的准确性,以及实现利用层次分析法和意向度指标集合对目标客户的客户意向度进行评估以提高客户意向度评估的效率。
在一个可能的示例中,在采用自然语言处理技术对所述对话记录数据进行数学建模以确定第一意向度参数方面,处理单元620具体用于:根据对话记录数据中的对话角色标签确定目标客户的聊天记录数据;将聊天记录数据进行文本转化操作以得到文本数据;将文本数据中的每句文字进行中文分词处理以得到第一分词组,第一分词组中的所有词语用于组成文本数据中的一句文字;将第一分词组中的所有词语输入预先训练的词向量模型以得到词向量矩阵;将词向量矩阵输入预先训练的情感分析模型以得到第一意向度参数。
在一个可能的示例中,在采用层次分析法对所述意向度指标集合进行数据建立以确定第二意向度参数方面,处理单元620具体用于:比较意向度指标集合中的每两个指标之间的相对重要性以确定判断矩阵;在判断矩阵通过一致性检验时,确定意向度指标集合中的指标对应的权重向量,权重向量用于表示判断矩阵的最大特征根的归一化特征向量;获取隶属度矩阵,隶属度矩阵用于表示意向度指标集合中的指标对预设评级表中的评级的隶属度;根据权重向量和隶属度矩阵确定第二意向度参数。
在一个可能的示例中,在根据权重向量和隶属度矩阵确定第二意向度参数方面,处理单元620具体用于:根据权重向量与隶属度矩阵之间的乘积关系确定目标客户的客户意向度的隶属度向量;根据预设评级表中的评分与隶属度向量之间的乘积确定第二意向度参数。
在一个可能的示例中,在获取目标顾问与目标客户之间的对话记录数据方面,处理单元620具体用于:获取第一操作指令,第一操作指令携带有目标顾问的身份标识信息或者目标客户的身份标识信息;响应于第一操作指令,从预设数据库中获取目标顾问与目标客户之间的对话记录数据;或者,响应于针对目标顾问或者目标客户的定时操作指令,定时从预设数据库中获取目标顾问与目标客户之间的对话记录数据。
在一个可能的示例中,在根据第一意向度参数和第二意向度参数确定目标客户的客户意向度方面,处理单元620具体用于:根据第一意向度参数、第二意向度参数和预设意向度评估公式计算出目标客户的客户意向度;预设意向度评估公式为:
V0=λ*V1+μ*V2,
其中,V0表示目标客户的客户意向度,λ和μ表示比例系数,V1表示第一意向度参数,V2表示第二意向度参数。
在一个可能的示例中,意向度指标集合包括以下至少一种:内容兴趣程度指标、内容回复速度指标、工作态度与能力指标;其中,内容兴趣程度指标用于指示目标客户对目标顾问发布的内容的感兴趣程度,内容回复速度指标用于指示目标客户对目标顾问发布的内容的回复速度或者目标顾问对目标客户咨询的内容的回复速度,工作态度与能力指标用于指示目标顾问的工作态度和工作胜任能力。
下面介绍本申请实施例提供的又一种云服务器700的结构示意图,如图7所示。其中,云服务器700包括处理器710、存储器720、通信接口730和至少一个用于连接处理器710、存储器720、通信接口730的通信总线。
处理器710可以是一个或多个中央处理器CPU。在处理器710是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。存储器720包括但不限于是随机存储记忆体(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)或便携式只读存储器(Compact Disc Read-Only Memory,CD-ROM),并且存储器720用于相关指令及数据。通信接口730用于接收和发送数据。
需要说明的是,云服务器700中的处理器710用于读取存储器720中存储的一个或多个程序721,执行上述图3所示的方法实施例中的方法,也就是说,云服务器700可以用于执行的操作与方法与本申请实施例前述方法由云服务器所执行的操作与方法一致,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,其中,该计算机可读存储介质存储用于电子数据交换的计算机程序,该计算机程序可操作来使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,其中,该计算机程序产品包括计算机程序,该计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
需要说明的是,对于上述的各方法实施例,为了简单描述,将其都表述为一系列的动作组合。本领域技术人员应该知悉,本申请不受所描述的动作顺序的限制,因为本申请实施例中的某些步骤可以采用其他顺序或者同时进行。此外,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,本领域技术人员应该知悉,所描述的装置可以通过其它的方式实现。可以理解的是,上述描述的装置实施例仅仅是示意性的。例如,上述单元的划分只是一种逻辑功能划分,实际中可以有另外的划分方式。也就是说,多个单元或组件可以结合或集成到另一个软件,以及一些特征可以忽略或不执行。此外,所显示或讨论的相互之间的耦合、直接耦合或通信连接等方式可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电性或其它的形式。
上述作为分离部件说明的单元可以是物理上分开的,也可以不是。此外,上述作为单元显示的部件可以是物理单元,也可以不是,即可以位于一个网络单元上,也可以分布到多个网络单元上。因此,上述各个实施例可以根据实际的需要选择其中的部分或者全部单元来实现。
另外,上述各个实施例中的各个功能单元可以集成在一个处理单元中,也可以存在不同的物理单元中,还可以两个或两个以上的功能单元集成在一个物理单元中。上述单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述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器中。可以理解的是,本申请的技术方案(该技术方案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)可以通过计算机软件产品的形式体现。该计算机软件产品存储在一个存储器中,包括若干指令用以使得计算机设备(个人计算机、服务器或者网络设备等)执行本申请实施例的全部或部分步骤。此外,上述存储器包括U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请实施例进行了详细介绍,本申请实施例中的说明只是用于帮助理解本申请的方法及其核心思想。本领域技术人员应该知悉,本申请实施例在具体实施方式和应用范围上均会有改变之处,至此,本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种客户意向度评估方法,其特征在于,应用于云服务器;所述方法包括:
获取目标顾问与目标客户之间的对话记录数据;
根据所述对话记录数据确定针对所述目标客户的意向度指标集合,所述意向度指标集合包括内容兴趣程度指标、内容回复速度指标、工作态度与能力指标;其中,所述内容兴趣程度指标用于指示所述目标客户对所述目标顾问发布的内容的感兴趣程度,所述内容回复速度指标用于指示所述目标客户对所述目标顾问发布的内容的回复速度或者所述目标顾问对所述目标客户咨询的内容的回复速度,所述工作态度与能力指标用于指示所述目标顾问的工作态度和工作胜任能力;
采用自然语言处理技术对所述对话记录数据进行数学建模以确定第一意向度参数;
根据指数标度比较所述意向度指标集合中的每两个指标之间的相对重要性以确定判断矩阵;其中,所述内容兴趣程度指标比所述工作态度与能力指标的相对重要性在稍微重要与明显重要之间,所述内容兴趣程度指标比所述内容回复速度指标的相对重要性也在稍微重要与明显重要之间,所述工作态度与能力指标与所述内容回复速度指标的相对重要性为稍微重要;
在所述判断矩阵通过一致性检验时,确定所述意向度指标集合中的指标对应的权重向量,所述权重向量用于表示所述判断矩阵的最大特征根的归一化特征向量;
获取隶属度矩阵,所述隶属度矩阵用于表示所述意向度指标集合中的指标对预设评级表中的评级的隶属度;
根据所述权重向量和所述隶属度矩阵确定第二意向度参数;
根据所述第一意向度参数和所述第二意向度参数确定所述目标客户的客户意向度。
2.根据权利要求1所述的方法,其特征在于,所述采用自然语言处理技术对所述对话记录数据进行数学建模以确定第一意向度参数,包括:
根据所述对话记录数据中的对话角色标签确定所述目标客户的聊天记录数据;
将所述聊天记录数据进行文本转化操作以得到文本数据;
将所述文本数据中的每句文字进行中文分词处理以得到第一分词组,所述第一分词组中的所有词语用于组成所述文本数据中的一句文字;
将所述第一分词组中的所有词语输入预先训练的词向量模型以得到词向量矩阵;
将所述词向量矩阵输入预先训练的情感分析模型以得到所述第一意向度参数。
3.根据权利要求1所述的方法,其特征在于,所述根据所述权重向量和所述隶属度矩阵确定所述第二意向度参数,包括:
根据所述权重向量与所述隶属度矩阵之间的乘积关系确定所述目标客户的客户意向度的隶属度向量;
根据所述预设评级表中的评分与所述隶属度向量之间的乘积确定所述第二意向度参数。
4.根据权利要求1所述的方法,其特征在于,所述获取目标顾问与目标客户之间的对话记录数据,包括:
获取第一操作指令,所述第一操作指令携带有所述目标顾问的身份标识信息或者所述目标客户的身份标识信息;响应于所述第一操作指令,从预设数据库中获取所述目标顾问与所述目标客户之间的所述对话记录数据;或者,
响应于针对所述目标顾问或者所述目标客户的定时操作指令,定时从所述预设数据库中获取所述目标顾问与所述目标客户之间的所述对话记录数据。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第一意向度参数和所述第二意向度参数确定所述目标客户的客户意向度,包括:
根据所述第一意向度参数、所述第二意向度参数和预设意向度评估公式计算出所述目标客户的客户意向度;所述预设意向度评估公式为:
V0=λ*V1+μ*V2,
其中,所述V0表示所述目标客户的客户意向度,所述λ和所述μ表示比例系数,所述V1表示所述第一意向度参数,所述V2表示所述第二意向度参数。
6.一种客户意向度评估装置,其特征在于,应用于云服务器;所述装置包括处理单元和通信单元,所述处理单元用于:
通过所述通信单元获取目标顾问与目标客户之间的对话记录数据;
根据所述对话记录数据确定针对所述目标客户的意向度指标集合,所述意向度指标集合包括内容兴趣程度指标、内容回复速度指标、工作态度与能力指标;其中,所述内容兴趣程度指标用于指示所述目标客户对所述目标顾问发布的内容的感兴趣程度,所述内容回复速度指标用于指示所述目标客户对所述目标顾问发布的内容的回复速度或者所述目标顾问对所述目标客户咨询的内容的回复速度,所述工作态度与能力指标用于指示所述目标顾问的工作态度和工作胜任能力;
采用自然语言处理技术对所述对话记录数据进行数学建模以确定第一意向度参数;
根据指数标度比较所述意向度指标集合中的每两个指标之间的相对重要性以确定判断矩阵;其中,所述内容兴趣程度指标比所述工作态度与能力指标的相对重要性在稍微重要与明显重要之间,所述内容兴趣程度指标比所述内容回复速度指标的相对重要性也在稍微重要与明显重要之间,所述工作态度与能力指标与所述内容回复速度指标的相对重要性为稍微重要;
在所述判断矩阵通过一致性检验时,确定所述意向度指标集合中的指标对应的权重向量,所述权重向量用于表示所述判断矩阵的最大特征根的归一化特征向量;
获取隶属度矩阵,所述隶属度矩阵用于表示所述意向度指标集合中的指标对预设评级表中的评级的隶属度;
根据所述权重向量和所述隶属度矩阵确定第二意向度参数;
根据所述第一意向度参数和所述第二意向度参数确定所述目标客户的客户意向度。
7.一种云服务器,其特征在于,包括处理器、存储器和通信接口,所述存储器存储有一个或多个程序,并且所述一个或多个程序由所述处理器执行,所述一个或多个程序包括用于执行如权利要求1-5任一项所述的方法中的步骤的指令。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,所述计算机程序可操作来使得计算机执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129599.0A CN112308387B (zh) | 2020-10-20 | 2020-10-20 | 客户意向度评估方法与装置、云服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129599.0A CN112308387B (zh) | 2020-10-20 | 2020-10-20 | 客户意向度评估方法与装置、云服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308387A CN112308387A (zh) | 2021-02-02 |
CN112308387B true CN112308387B (zh) | 2024-05-14 |
Family
ID=74328672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011129599.0A Active CN112308387B (zh) | 2020-10-20 | 2020-10-20 | 客户意向度评估方法与装置、云服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308387B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950261A (zh) * | 2021-02-20 | 2021-06-11 | 北京读我网络技术有限公司 | 一种用户价值的确定方法及系统 |
CN117495148B (zh) * | 2023-12-28 | 2024-03-22 | 深圳市合纵天下信息科技有限公司 | 一种可扩展的企业资源计划系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123656A (zh) * | 2014-07-14 | 2014-10-29 | 广东省标准化研究院 | 一种基于层次分析法的信用评价方法 |
CN104376400A (zh) * | 2014-10-27 | 2015-02-25 | 广州市中南民航空管通信网络科技有限公司 | 基于模糊矩阵层次分析法的风险评估方法 |
CN108563625A (zh) * | 2018-01-04 | 2018-09-21 | 福建中金在线信息科技有限公司 | 文本分析方法、装置、电子设备和计算机存储介质 |
CN109615458A (zh) * | 2018-11-02 | 2019-04-12 | 深圳壹账通智能科技有限公司 | 客户管理方法、装置、终端设备及计算机可读存储介质 |
CN109688281A (zh) * | 2018-12-03 | 2019-04-26 | 复旦大学 | 一种智能语音交互方法及系统 |
CN110990545A (zh) * | 2019-11-28 | 2020-04-10 | 重庆锐云科技有限公司 | 一种人工智能电话拓客营销管理系统、方法 |
CN111091832A (zh) * | 2019-11-28 | 2020-05-01 | 秒针信息技术有限公司 | 一种基于语音识别的意向评估方法和系统 |
CN111539221A (zh) * | 2020-05-13 | 2020-08-14 | 北京焦点新干线信息技术有限公司 | 一种数据处理方法及系统 |
CN111639165A (zh) * | 2020-04-30 | 2020-09-08 | 南京理工大学 | 基于自然语言处理和深度学习的智能问答优化方法 |
CN111767725A (zh) * | 2020-06-24 | 2020-10-13 | 中国平安财产保险股份有限公司 | 一种基于情感极性分析模型的数据处理方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014107141A1 (en) * | 2013-01-03 | 2014-07-10 | Sestek Ses Ve Iletişim Bilgisayar Teknolojileri Sanayii Ve Ticaret Anonim Şirketi | Speech analytics system and methodology with accurate statistics |
US11159679B2 (en) * | 2019-02-26 | 2021-10-26 | Cigna Taiwan Life Assurance Co. Ltd. | Automated systems and methods for natural language processing with speaker intention inference |
-
2020
- 2020-10-20 CN CN202011129599.0A patent/CN112308387B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123656A (zh) * | 2014-07-14 | 2014-10-29 | 广东省标准化研究院 | 一种基于层次分析法的信用评价方法 |
CN104376400A (zh) * | 2014-10-27 | 2015-02-25 | 广州市中南民航空管通信网络科技有限公司 | 基于模糊矩阵层次分析法的风险评估方法 |
CN108563625A (zh) * | 2018-01-04 | 2018-09-21 | 福建中金在线信息科技有限公司 | 文本分析方法、装置、电子设备和计算机存储介质 |
CN109615458A (zh) * | 2018-11-02 | 2019-04-12 | 深圳壹账通智能科技有限公司 | 客户管理方法、装置、终端设备及计算机可读存储介质 |
CN109688281A (zh) * | 2018-12-03 | 2019-04-26 | 复旦大学 | 一种智能语音交互方法及系统 |
CN110990545A (zh) * | 2019-11-28 | 2020-04-10 | 重庆锐云科技有限公司 | 一种人工智能电话拓客营销管理系统、方法 |
CN111091832A (zh) * | 2019-11-28 | 2020-05-01 | 秒针信息技术有限公司 | 一种基于语音识别的意向评估方法和系统 |
CN111639165A (zh) * | 2020-04-30 | 2020-09-08 | 南京理工大学 | 基于自然语言处理和深度学习的智能问答优化方法 |
CN111539221A (zh) * | 2020-05-13 | 2020-08-14 | 北京焦点新干线信息技术有限公司 | 一种数据处理方法及系统 |
CN111767725A (zh) * | 2020-06-24 | 2020-10-13 | 中国平安财产保险股份有限公司 | 一种基于情感极性分析模型的数据处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112308387A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222267B (zh) | 一种游戏平台信息推送方法、系统、存储介质及设备 | |
WO2022141861A1 (zh) | 情感分类方法、装置、电子设备及存储介质 | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN112308387B (zh) | 客户意向度评估方法与装置、云服务器 | |
US11468364B2 (en) | Determining impact of features on individual prediction of machine learning based models | |
CN113887930B (zh) | 问答机器人健康度评估方法、装置、设备及存储介质 | |
EP4273754A1 (en) | Neural network training method and related device | |
CN103577876A (zh) | 基于前馈神经网络的可信与不可信用户识别方法 | |
CN111612581A (zh) | 一种物品推荐的方法、装置、设备及存储介质 | |
CN106485585A (zh) | 用于等级评定的方法及系统 | |
CN116186594B (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
CN115687794A (zh) | 用于推荐物品的学生模型训练方法、装置、设备及介质 | |
CN111696656A (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
CN110427464A (zh) | 一种代码向量生成的方法以及相关装置 | |
CN112950347B (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
Gezici et al. | Neural sentiment analysis of user reviews to predict user ratings | |
CN113157853A (zh) | 问题挖掘方法、装置、电子设备及存储介质 | |
Mandelík et al. | Application of neural network in order to recognise individuality of course of vehicle and pedestrian body contacts during accidents | |
CN116629423A (zh) | 用户行为预测方法、装置、设备及存储介质 | |
CN116340516A (zh) | 实体关系的聚类提取方法、装置、设备及存储介质 | |
CN116739649A (zh) | 一种用户响应潜力评估方法和装置 | |
CN116108976A (zh) | 一种超短期风速预测方法 | |
CN113779116B (zh) | 对象排序方法、相关设备及介质 | |
CN115964944A (zh) | 电力行业产业链模型生成方法、装置、存储介质和设备 | |
CN113435713B (zh) | 基于gis技术和两模型融合的风险地图编制方法及系统 |
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 |