CN112581044B - 一种基于多维空间投影的个性化客服匹配系统 - Google Patents

一种基于多维空间投影的个性化客服匹配系统 Download PDF

Info

Publication number
CN112581044B
CN112581044B CN202110207456.5A CN202110207456A CN112581044B CN 112581044 B CN112581044 B CN 112581044B CN 202110207456 A CN202110207456 A CN 202110207456A CN 112581044 B CN112581044 B CN 112581044B
Authority
CN
China
Prior art keywords
user
medicine
current
purchasing
representing
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
Application number
CN202110207456.5A
Other languages
English (en)
Other versions
CN112581044A (zh
Inventor
金硕
胡茂华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yiyaowang Technology (Shanghai) Co.,Ltd.
Original Assignee
Yiyao Yaofang Technology Shanghai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yiyao Yaofang Technology Shanghai Co ltd filed Critical Yiyao Yaofang Technology Shanghai Co ltd
Priority to CN202110207456.5A priority Critical patent/CN112581044B/zh
Publication of CN112581044A publication Critical patent/CN112581044A/zh
Application granted granted Critical
Publication of CN112581044B publication Critical patent/CN112581044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于多维空间投影的个性化客服匹配系统，应用于线上药品销售领域，属于客服领域，包括：数据获取单元，用于获取历史服务数据；计算引擎单元，用于计算多个用户表征信息；量化单元，用于量化得到当前购药用户的位置信息；服务评价单元，用于获取用户在服务评价子空间的投影长度；客服匹配单元，用于根据用户与所有客服的匹配值，并将匹配值最高的客服推荐给用户。本发明的有益效果在于：通过算法引擎结合购药网站中的交互数据，得到用户在购药意向，购药效率偏好，风险偏好，价格偏好，聊天风格偏好等五个空间维度上的偏好，为每个用户匹配相似度较高的客服人员，进而提供个性化的满意服务，提高问题解决的效率。

Description

一种基于多维空间投影的个性化客服匹配系统
技术领域
本发明涉及客服领域，尤其涉及一种基于多维空间投影的个性化客服匹配系统。
背景技术
在客服服务领域，在接受第一客服的服务后可能无法满意地解决用户的问题。在这种情况下，需要第二客服介入，进而处理用户的问题，第二客服由于没有了解用户的特征信息，导致无法针对性地处理用户的问题。另外，各个服务人员能力也不一样，参差不齐，只有第一客服未能解决的问题转交给能力匹配的第二客服，第二客服才能解决用户的问题。
目前，现有技术直接将第一客服未解决的用户问题转交给任意的一个客服作为二客服，在第二客服不了解用户的情况下，无法针对性地解决用户的问题；同时该第二客服的能力也可能与用户不相匹配，导致问题解决效率较低下，因此针对以上问题，迫切需要设计出一种基于多维空间投影的个性化客服匹配系统，以满足实际使用的需要。
发明内容
为了解决以上技术问题，本发明提供了一种基于多维空间投影的个性化客服匹配系统。
本发明所解决的技术问题可以采用以下技术方案实现：
本发明提供一种基于多维空间投影的个性化客服匹配系统，应用于线上药品销售领域，包括：
数据获取单元，用于获取当前购药用户关联药品时产生的历史服务数据；
计算引擎单元，连接所述数据获取单元，用于根据所述历史服务数据于一算法引擎中进行计算，得到所述当前购药用户的多个用户表征信息；
量化单元，连接所述计算引擎单元，用于根据所述用户表征信息，量化得到所述当前购药用户在对应所述用户表征信息的多维空间中的位置信息；
服务评价单元，连接所述量化单元，用于获取所述当前购药用户在每个客服人员的服务评价子空间的投影长度，所述服务评价子空间中的空间参数采用评价过所述客服人员的多个历史购药用户的所述用户表征信息处理形成；
客服匹配单元，连接所述服务评价单元，用于根据所述当前购药用户分别在每个所述客服人员的所述服务子空间的所述投影长度，得到所述当前购药用户与所有的所述客服人员的匹配值，并将所述匹配值最高的所述客服人员推荐给所述用户。
优选地，所述当前购药用户关联所述药品时，产生多类信标行为信息，每类所述信标行为信息分别用于表示所述当前购药用户在一购药网站上的历史访问数据中的一类特定行为；
所述算法引擎包括一购药意向引擎，所述购药意向引擎具体包括：
第一处理模块，用于根据所述历史服务数据处理得到产生每个所述信标行为信息对应的所述历史购药用户的总量以及最终成单的所述历史购药用户的数量，并分别计算得到关联于每类所述药品且分别产生每类所述信标行为信息时对应的成交概率，其计算公式如下：
Figure DEST_PATH_IMAGE001
；
Figure DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE003
；
其中，
Figure DEST_PATH_IMAGE004
表示第i类所述信标行为信息；
Figure DEST_PATH_IMAGE005
表示第j类所述药品；
Figure DEST_PATH_IMAGE006
表示关联于第
Figure 738287DEST_PATH_IMAGE005
类药品且产生第
Figure 345986DEST_PATH_IMAGE004
种信标行为信息时的成交概率；
Figure DEST_PATH_IMAGE007
表示所述购药网站上销售的所述药品的种类的总数量；
Figure DEST_PATH_IMAGE008
表示关联于第
Figure DEST_PATH_IMAGE009
类药品且产生第
Figure 539201DEST_PATH_IMAGE004
种信标行为信息的所有所述历史购药用户中，最终成单的所述历史购药用户的数量；
Figure DEST_PATH_IMAGE010
表示关联于第
Figure 523338DEST_PATH_IMAGE009
类药品且产生第
Figure 711874DEST_PATH_IMAGE011
种信标行为信息的所有所述历史购药用户的总数量；
统计模块，连接所述第一处理模块，用于统计于一预设周期时间内所述当前购药用户关联的所述药品的种类数量以及关联每类所述药品时产生的所述信标行为信息；
第一计算模块，连接所述统计模块，用于根据所述药品的种类数量以及关联每个所述药品时产生的所述信标行为信息分别进行计算，得到所述当前购药用户在所述预设周期时间内关联的每类所述药品的成单比例，其计算公式如下：
Figure DEST_PATH_IMAGE012
Figure DEST_PATH_IMAGE013
其中，
Figure DEST_PATH_IMAGE014
表示所述当前购药用户；
N表示所述当前购药用户在所述预设周期时间内关联的所述药品的种类数量；
Figure DEST_PATH_IMAGE015
表示所有的所述信标行为信息中的深度级别最深的所述信标行为信息，所述深度级别用于表示按照预设顺序对所有所述信标行为信息进行排列形成行为序列时，特定的所述信标行为信息在所述行为序列中的位置；
Figure DEST_PATH_IMAGE016
表示所述当前购药用户关联的第
Figure 192271DEST_PATH_IMAGE005
类药品的成单比例；
购药意向计算模块，连接所述第一计算模块，用于根据所述成单比例，得到所述当前购药用户关联的所有类所述药品的联合成交概率并作为其中一个所述用户表征信息输出，其计算公式如下：
Figure DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_IMAGE018
表示所述当前购药用户关联的所有类所述药品的所述联合成交概率。
优选地，所述算法引擎包括一购药效率偏好引擎，所述购药效率偏好引擎具体包括：
第二处理模块，用于根据所述历史服务数据进行处理，分别得到所述当前购药用户在购药网站上购买每类所述药品时，从药品搜索到下单完成所花费的历史购药时长；
第二计算模块，连接所述第二处理模块，用于根据所述历史购药时长，计算所述当前购药用户购买每类所述药品的基础成交效率，其计算公式如下：
Figure DEST_PATH_IMAGE019
其中，
Figure DEST_PATH_IMAGE020
表示所述当前购药用户；
Figure DEST_PATH_IMAGE021
表示除所述当前购药用户外的其他所有所述历史购药用户；
Figure DEST_PATH_IMAGE022
表示第j类所述药品；
Figure DEST_PATH_IMAGE023
表示除所述用户关联的第j类所述药品外的其他所有类别的所述药品；
Figure DEST_PATH_IMAGE024
表示购买第
Figure 607203DEST_PATH_IMAGE005
类药品的总用户数；
Figure DEST_PATH_IMAGE025
表示所述购药网站上的所有用户中，所述历史购药时长小于所述当前购药用户的用户总量；
Figure DEST_PATH_IMAGE026
表示所述当前购药用户购买第
Figure 96828DEST_PATH_IMAGE005
类药品的所述基础成交效率；
第一判断模块，用于针对所述购药网站上的每类药品，判断所述用户是否首次购买所述药品，并输出一第一判断结果；
优选地，所述购药意向引擎还包括：
第一效率计算模块，分别连接所述第一判断模块和所述第二计算模块，用于根据所述第一判断结果，于所述当前购药用户首次购买药品时，根据所述当前购药用户购买其他类别的所述药品的成交效率以及购买所述药品的所有用户的成交效率的均值，计算得到所述当前购药用户的联合成交效率并作为其中一个所述用户表征信息输出，其计算公式如下：
Figure DEST_PATH_IMAGE027
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
表示滤波系数；
Figure DEST_PATH_IMAGE030
表示购买第
Figure DEST_PATH_IMAGE031
类药品的其他所有用户的成交效率的均值；
Figure DEST_PATH_IMAGE032
表示所述当前购药用户的所述联合成交效率。
优选地，所述购药效率偏好引擎还包括：
第三处理模块，分别连接所述第一判断模块和所述第二计算模块，用于在所述第一判断结果表示所述用户非首次购买药品时，根据所述历史服务数据处理得到所述购药网站上的所有用户购买同种所述药品的所有历史成交效率，其计算公式如下：
Figure DEST_PATH_IMAGE033
其中，
Figure DEST_PATH_IMAGE034
表示滤波系数；
Figure DEST_PATH_IMAGE035
表示所述当前购药用户第
Figure DEST_PATH_IMAGE036
次购买所述药品；
Figure DEST_PATH_IMAGE037
表示所有用户中，第k次购药时的购药时长小于第
Figure DEST_PATH_IMAGE038
次购药时的购药时长的用户总数，所述购药时长用于表示所述用户在所述购药网站上购买每类所述药品时，从药品搜索到下单完成所花费的时间；
Figure DEST_PATH_IMAGE039
表示购买第
Figure DEST_PATH_IMAGE040
类药品的用户总数；
Figure DEST_PATH_IMAGE041
表示所述当前购药用户前
Figure DEST_PATH_IMAGE042
次购买所述药品的历史成交效率；
滤波模块，连接所述第三处理模块，用于对所述历史成交效率进行滤波处理，得到第二成交效率；
第二效率计算模块，连接所述滤波模块，用于根据所述第二成交效率计算得到所述当前购药用户的联合成交效率并作为其中一个所述用户表征信息输出，其计算公式如下：
Figure DEST_PATH_IMAGE043
其中，
Figure DEST_PATH_IMAGE044
表示所述当前购药用户第
Figure 326821DEST_PATH_IMAGE036
次购买所述药品的联合成交效率。
优选地，还包括一数据库，所述数据库用以存储所述药品对应的病症；
所述用户关联所述药品时，产生多类行为影响因子；
所述算法引擎还包括一购药风险偏好引擎，所述购药风险偏好引擎具体包括：
第四处理模块，用于根据所述历史服务数据进行处理得到产生的所有行为影响因子，进而确定所述当前购药用户对应的所有病症，以及对应的药品的风险等级，并根据每一类所述病症对应于一类所述行为影响因子的药品总量，计算所述用户对应的每一类所述病症的风险偏好分值，其计算公式如下：
Figure DEST_PATH_IMAGE045
Figure DEST_PATH_IMAGE046
Figure DEST_PATH_IMAGE047
Figure DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE049
表示所述当前购药用户；
x表示所述当前购药用户对应的第x类所述病症；
Figure DEST_PATH_IMAGE050
表示所述药品的风险等级，所述风险等级用于表示所述购药网站中预先对所有所述药品进行划分形成药品分组，对所述药品分组进行排列形成风险序列时，所述药品在所述风险序列中的位置；
Figure DEST_PATH_IMAGE051
表示所述当前购药用户购买所述药品的得分权值；
Figure DEST_PATH_IMAGE052
表示所述当前购药用户将所述药品加入购物车的得分权值；
Figure DEST_PATH_IMAGE053
表示所述当前购药用户浏览所述药品的得分权值；
Figure DEST_PATH_IMAGE054
表示所述当前购药用户购买的第z类风险等级的所述药品的总量；
Figure DEST_PATH_IMAGE055
表示所述当前购药用户加入购物车的第z类风险等级的所述药品的总量；
Figure DEST_PATH_IMAGE056
表示所述当前购药用户浏览的第z类风险等级的所述药品的总量；
Figure DEST_PATH_IMAGE057
表示所述当前购药用户对应于第x类所述病症的风险偏好分值；
第三计算模块，连接所述第四处理模块，用于所述风险偏好分值，计算得到所述当前购药用户对应的每一类所述病症的购药风险偏好值，其计算公式如下：
Figure DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE059
表示第x类所述病症对应的所有所述用户的总风险偏好分值；
Figure DEST_PATH_IMAGE060
表示所述当前购药用户对应于第x类所述病症的风险偏好值；
购药风险计算模块，连接所述第三计算模块，用于根据所述购药风险偏好值，计算得到所述当前购药用户对应的所有所述病症的联合购药风险偏好值并作为其中一个所述用户表征信息输出，其计算公式如下：
Figure DEST_PATH_IMAGE061
其中，
Figure DEST_PATH_IMAGE062
表示所述当前购药用户对应于第x类所述病症时产生所有所述行为影响因子对应的药品总量；
Figure DEST_PATH_IMAGE063
表示所述当前购药用户对应于所有所述病症的联合风险偏好值。
优选地，所述用户关联所述药品时，产生至少一类行为影响因子；
所述算法引擎还包括一价格偏好引擎，所述价格偏好引擎具体包括：
第五处理模块，用于根据所述历史服务数据进行处理，得到产生的所有所述行为影响因子，进而确定所述当前购药用户对应的所有病症，以及每一类所述病症对应的所述药品所处的价格带等级，计算所述当前购药用户对应的所述价格带等级的价格偏好分值，其计算公式如下：
Figure DEST_PATH_IMAGE064
Figure DEST_PATH_IMAGE065
Figure DEST_PATH_IMAGE066
Figure DEST_PATH_IMAGE067
其中，
x表示所述当前购药用户对应的第x类所述病症；
Figure DEST_PATH_IMAGE068
表示所述药品的价格带等级，所述价格带等级用于表示对所述药品的药品价格进行划分形成价格带分组，对所述价格带分组进行排列形成价格带序列时，所述药品价格在所述价格带序列中的位置；
Figure DEST_PATH_IMAGE069
表示所述当前购药用户购买所述药品的得分权值；
Figure DEST_PATH_IMAGE070
表示所述当前购药用户将所述药品加入购物车的得分权值；
Figure DEST_PATH_IMAGE071
表示所述当前购药用户浏览所述药品的得分权值；
Figure DEST_PATH_IMAGE072
表示所述当前购药用户购买的第p类价格带等级的所述药品的总量；
Figure DEST_PATH_IMAGE073
表示所述当前购药用户加入购物车的第p类价格带等级的所述药品的总量；
Figure DEST_PATH_IMAGE074
表示所述当前购药用户浏览的第p类价格带等级的所述药品的总量；
Figure DEST_PATH_IMAGE075
表示所述当前购药用户对应于第x类所述病症的价格偏好分值；
第四计算模块，连接所述第五处理模块，用于根据所述价格偏好分值，计算得到所述当前购药用户对应的每一类所述病症的价格偏好值，其计算公式如下：
Figure DEST_PATH_IMAGE076
其中，
Figure DEST_PATH_IMAGE077
表示所述当前购药用户；
Figure DEST_PATH_IMAGE078
表示第x类所述病症对应的所有所述用户的总价格偏好分值；
Figure 100002_DEST_PATH_IMAGE079
表示所述当前购药用户对应于第x类所述病症的价格偏好值；
价格偏好计算模块，连接所述第四计算模块，用于根据所述价格偏好值，对所述价格偏好值进行滤波处理，得到所述当前购药用户对应的所有病症的联合价格偏好值并作为其中一个所述用户表征信息输出，其计算公式如下：
Figure DEST_PATH_IMAGE080
其中，
a表示滤波系数；
Figure DEST_PATH_IMAGE081
表示第y-1年所述当前购药用户的历史价格偏好值；
Figure DEST_PATH_IMAGE082
表示第y年所述当前购药用户对应的所有所述病症的联合价格偏好值。
优选地，所述算法引擎还包括一聊天风格偏好引擎，所述聊天风格偏好引擎具体包括：
第六处理模块，用于根据所述历史服务数据，得到所述当前购药用户与一客服的聊天信息，提取所述聊天信息中的至少一类特征因子；
第五计算模块，用于分别计算每个所述特征因子的聊天风格偏好分值，并将所述聊天风格偏好分值的均值作为联合聊天风格偏好值输出。
优选地，所述量化单元根据所述算法引擎输出的多个所述用户表征信息，得到所述当前购药用户在对应所述用户表征信息的多维空间中的位置向量，作为所述当前购药用户的位置信息并输出。
优选地，所述服务评价单元包括一存储空间，所述存储空间用以存储与每个所述客服人员交互过的用户对所述客户人员进行评价的服务评分；
第一矩阵构建模块，用于针对每个所述客服人员，从所述存储空间中获取所述服务评分排名前十的用户作为好评服务用户，并根据每个所述好评服务用户的所述用户表征信息分别处理得到每个所述好评服务用户在多维空间中的位置信息，根据所有所述位置信息构建一好评用户位置矩阵；
第六计算模块，连接所述第一矩阵构建模块，用于计算得到所述当前购药用户用户的位置信息在所述好评用户位置矩阵中的第一投影向量并输出；
第二矩阵构建模块，用于针对每个所述客服人员，从所述存储空间中所述服务评分排名末尾十位的用户作为差评服务用户，并根据每个所述差评服务用户的所述用户表征信息分别处理得到每个所述差评服务用户在多维空间中的位置信息，根据所有所述位置信息构建一差评用户位置矩阵；
第七计算模块，连接所述第二矩阵构建模块，用于计算得到所述当前购药用户在所述差评用户位置矩阵中的第二投影向量并输出；
则针对每个所述客服人员，所述客服匹配单元根据所述第一投影向量和所述第二投影向量计算得到所述当前购药用户与所述客服人员的匹配值，并向所述当前购药用户推荐所述匹配值最高的所述客服人员。
本发明的有益效果在于：
本发明提供一种基于多维空间投影的个性化客服匹配系统，通过算法引擎并结合购药网站中的交互数据，计算用户的用户表征信息，得到用户在购药意向，购药效率偏好，风险偏好，价格偏好，聊天风格偏好等五个空间维度的信息，并以统一标准的引擎计算并量化当前购药用户和客服人员在不同维度上的偏好，量化后的用户形成五维空间中的一个点，通过计算用户和客服在五维空间中的投影长度，表征偏好相似程度，将相似度匹配较高的客服人员分配给当前购药用户，进而为用户提供个性化的满意服务，提高问题解决的效率。
附图说明
图1为本发明中，一种基于多维空间投影的个性化客服匹配系统的结构框图；
图2为本发明中的算法引擎具体实施例的具体结构框图；
图3为本发明中的购药意向引擎具体实施例的具体结构框图；
图4为本发明中的效率偏好引擎具体实施例的具体结构框图；
图5为本发明中的风险偏好引擎具体实施例的具体结构框图；
图6为本发明中的价格偏好引擎具体实施例的具体结构框图；
图7为本发明中的聊天风格偏好引擎具体实施例的具体结构框图；
图8为本发明中的服务评价单元具体实施例的具体结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明提供一种基于多维空间投影的个性化客服匹配系统，应用于线上药品销售领域，属于客服领域，如图1所示，包括：
数据获取单元1，用于获取当前购药用户关联药品时产生的历史服务数据；
计算引擎单元2，连接数据获取单元2，用于根据历史服务数据于一算法引擎6中进行计算，得到当前购药用户的多个用户表征信息；
量化单元3，连接计算引擎单元2，用于根据用户表征信息，量化得到当前购药用户在对应用户表征信息的多维空间中的位置信息；
服务评价单元4，连接量化单元3，用于获取当前购药用户在每个客服人员的服务评价子空间的投影长度，服务评价子空间中的空间参数采用评价过客服人员的多个历史购药用户的用户表征信息处理形成；
客服匹配单元5，连接服务评价单元4，用于根据当前购药用户分别在每个客服人员的服务子空间的投影长度，得到当前购药用户与所有的客服人员的匹配值，并将匹配值最高的客服人员推荐给用户。
具体的，在本实施例中，预先建立一算法引擎6，如图2所示，算法引擎6包括购药意向引擎21、效率偏好引擎22、风险偏好引擎23、价格偏好引擎24、聊天风格偏好引擎25，算法引擎6中存储有不同类型的算法；
本发明提供的客服匹配系统包括数据获取单元1、计算引擎单元2、量化单元3、服务评价单元4和客服匹配单元5；
用户在购药网站或各类其他药商服务平台上关联一药品时，产生一系列服务数据，数据获取单元1用于获取当前购药用户对应的历史服务数据；
计算引擎单元2，用于根据获取的历史服务数据于购药意向引擎21、效率偏好引擎22、风险偏好引擎23、价格偏好引擎24和聊天风格偏好引擎25中分别进行计算，用以计算得到当前购药用户的购药意向、效率偏好、风险偏好、价格偏好、聊天风格偏好，作为当前购药用户的多个用户表征信息输出；
量化单元3，用于将用户表征信息进行量化，得到当前购药用户在对应用户表征信息的多维空间中的位置信息；
服务评价单元4，用于获取当前购药用户所关联的每个客服人员的服务评价子空间的投影长度，服务评价子空间中的空间参数采用评价过客服人员的多个历史购药用户的用户表征信息处理形成，服务评价子空间包括好评服务评价子空间和差评服务评价子空间，好评服务评价子空间用以存储用户对每个客服人员对应的好评数据，差评服务评价子空间用以存储用户对每个客服人员对应的差评数据；
客服匹配单元5，用于根据当前购药用户分别在每个客服人员的服务子空间的投影长度，得到当前购药用户与所有的客服人员的匹配值，并将匹配值最高的客服人员推荐给用户。
本发明通过算法引擎6并结合购药网站中的交互数据，计算用户的用户表征信息，得到用户在购药意向，购药效率偏好，风险偏好，价格偏好，聊天风格偏好等五个空间维度的信息，并以统一标准的引擎计算并量化当前购药用户和客服人员在不同维度上的偏好，量化后的用户形成五维空间中的一个点，通过计算用户和客服在五维空间中的投影长度，表征偏好相似程度，将相似度匹配较高的客服人员分配给当前购药用户，进而为用户提供个性化的满意服务，提高问题解决的效率。
作为优选的实施方式，该个性化客服匹配系统，如图3所示，其中当前购药用户关联药品时，产生多类信标行为信息，每类信标行为信息分别用于表示当前购药用户在一购药网站上的历史访问数据中的一类特定行为；
算法引擎6包括一购药意向引擎21，购药意向引擎21具体包括：
第一处理模块211，用于根据历史服务数据处理得到产生每个信标行为信息对应的历史购药用户的总量以及最终成单的历史购药用户的数量，并分别计算得到关联于每类药品且分别产生每类信标行为信息时对应的成交概率，其计算公式如下：
Figure 100002_DEST_PATH_IMAGE083
；
Figure DEST_PATH_IMAGE084
；
Figure 100002_DEST_PATH_IMAGE085
；
其中，
Figure DEST_PATH_IMAGE086
表示第i类信标行为信息；
Figure DEST_PATH_IMAGE087
表示第j类药品；
Figure DEST_PATH_IMAGE088
表示关联于第
Figure 313142DEST_PATH_IMAGE087
类药品且产生第
Figure 74425DEST_PATH_IMAGE086
种信标行为信息时的成交概率；
Figure DEST_PATH_IMAGE089
表示购药网站上销售的药品的种类的总数量；
Figure DEST_PATH_IMAGE090
表示关联于第
Figure 102161DEST_PATH_IMAGE087
类药品且产生第
Figure 265289DEST_PATH_IMAGE086
种信标行为信息的所有历史购药用户中，最终成单的历史购药用户的数量；
Figure DEST_PATH_IMAGE091
表示关联于第
Figure 385692DEST_PATH_IMAGE087
类药品且产生第
Figure 899850DEST_PATH_IMAGE086
种信标行为信息的所有历史购药用户的总数量；
统计模块212，连接第一处理模块211，用于统计于一预设周期时间内当前购药用户关联的药品的种类数量以及网站中所有关联每类药品时产生的信标行为信息，预设周期可以是24小时内、一周内或自定义设置；
第一计算模块213，连接统计模块212，用于根据药品的种类数量以及关联每个药品时产生的信标行为信息分别进行计算，得到当前购药用户在预设周期时间内关联的每类药品的成单比例，其计算公式如下：
Figure DEST_PATH_IMAGE092
Figure DEST_PATH_IMAGE093
其中，
Figure DEST_PATH_IMAGE094
表示当前购药用户；
N表示当前购药用户在预设周期时间内关联的药品的种类数量；
Figure DEST_PATH_IMAGE095
表示所有的信标行为信息中的深度级别最深的信标行为信息，深度级别用于表示按照预设顺序对所有信标行为信息进行排列形成行为序列时，特定的信标行为信息在行为序列中的位置；
Figure DEST_PATH_IMAGE096
表示当前购药用户关联的第
Figure 967163DEST_PATH_IMAGE087
类药品的成单比例；
购药意向计算模块214，连接第一计算模块213，用于根据成单比例，得到当前购药用户关联的所有类药品的联合成交概率并作为其中一个用户表征信息输出，其计算公式如下：
Figure DEST_PATH_IMAGE097
其中，
Figure DEST_PATH_IMAGE098
表示当前购药用户关联的所有类药品的联合成交概率。
作为优选的实施方式，该个性化客服匹配系统，如图4所示，其中算法引擎6包括一购药效率偏好引擎22，购药效率偏好引擎22具体包括：
第二处理模块221，用于根据历史服务数据进行处理，分别得到当前购药用户在购药网站上购买每类药品时，从药品搜索到下单完成所花费的历史购药时长；
第二计算模块222，连接第二处理模块221，用于根据历史购药时长，计算当前购药用户购买每类药品的基础成交效率，其计算公式如下：
Figure DEST_PATH_IMAGE099
其中，
Figure DEST_PATH_IMAGE100
表示当前购药用户；
Figure DEST_PATH_IMAGE101
表示除当前购药用户外的其他所有历史购药用户；
Figure DEST_PATH_IMAGE102
表示第j类药品；
Figure DEST_PATH_IMAGE103
表示除用户关联的第j类药品外的其他所有类别的药品；
Figure DEST_PATH_IMAGE104
表示购买第
Figure 561962DEST_PATH_IMAGE102
类药品的总用户数；
Figure DEST_PATH_IMAGE105
表示购药网站上的所有用户中，历史购药时长小于当前购药用户的用户总量；
Figure DEST_PATH_IMAGE106
表示当前购药用户购买第
Figure 384424DEST_PATH_IMAGE102
类药品的基础成交效率；
第一判断模块223，用于针对购药网站上的每类药品，判断用户是否首次购买药品，并输出一第一判断结果；
具体的，在本实施例中，当前购药用户在购药网站中关联药品时，产生多类信标行为信息，信标行为信息包括：1-药品搜索，2-药品详情页，3-药品说明书，4-药品收藏，5-药品分享，6-发起问诊，7-加入购物车/立即购买，8-订单检查页，9-支付页，需要说明的是，信标行为信息由浅到深依次排序，数字1至9表示信标行为信息的深度，可用于表征特定的信标行为信息在的位置，例如当用户在购药网站中，产生药品搜索、药品说明书，药品分享，加入购物车/立即购买等信标行为时，对应的i-deepest=7。
作为优选的实施方式，该个性化客服匹配系统，其中购药意向引擎21还包括：
第一效率计算模块224，分别连接第一判断模块223和第二计算模块222，用于根据第一判断结果，于当前购药用户首次购买药品时，根据当前购药用户购买其他类别的药品的成交效率以及购买药品的所有用户的成交效率的均值，计算得到当前购药用户的联合成交效率并作为其中一个用户表征信息输出，其计算公式如下：
Figure DEST_PATH_IMAGE107
Figure DEST_PATH_IMAGE108
其中，
Figure DEST_PATH_IMAGE109
表示滤波系数；
Figure DEST_PATH_IMAGE110
表示购买第
Figure 290938DEST_PATH_IMAGE102
类药品的其他所有用户的成交效率的均值；
Figure DEST_PATH_IMAGE111
表示当前购药用户的联合成交效率。
作为优选的实施方式，该个性化客服匹配系统，其中购药效率偏好引擎22还包括：
第三处理模块225，分别连接第一判断模块223和第二计算模块222，用于在第一判断结果表示用户非首次购买药品时，根据历史服务数据处理得到购药网站上的所有用户购买同种药品的所有历史成交效率，其计算公式如下：
Figure DEST_PATH_IMAGE112
其中，
Figure DEST_PATH_IMAGE113
表示滤波系数；
Figure DEST_PATH_IMAGE114
表示当前购药用户第
Figure 896363DEST_PATH_IMAGE114
次购买药品；
Figure DEST_PATH_IMAGE115
表示所有用户中，第k次购药时的购药时长小于第
Figure DEST_PATH_IMAGE116
次购药时的购药时长的用户总数，购药时长用于表示用户在购药网站上购买每类药品时，从药品搜索到下单完成所花费的时间；
Figure DEST_PATH_IMAGE117
表示购买第
Figure 502925DEST_PATH_IMAGE102
类药品的用户总数；
Figure DEST_PATH_IMAGE118
表示当前购药用户前
Figure DEST_PATH_IMAGE119
次购买药品的历史成交效率；
滤波模块226，连接第三处理模块225，用于对历史成交效率进行滤波处理，得到第二成交效率；
第二效率计算模块227，连接滤波模块226，用于根据第二成交效率计算得到当前购药用户的联合成交效率并作为其中一个用户表征信息输出，其计算公式如下：
Figure DEST_PATH_IMAGE120
其中，
Figure DEST_PATH_IMAGE121
表示当前购药用户第
Figure 666927DEST_PATH_IMAGE114
次购买药品的联合成交效率。
作为优选的实施方式，该个性化客服匹配系统，如图5所示，其中还包括一数据库，数据库用以存储药品对应的病症；
用户关联药品时，产生多类行为影响因子；
算法引擎6还包括一购药风险偏好引擎23，购药风险偏好引擎23具体包括：
第四处理模块231，用于根据历史服务数据进行处理得到产生的所有行为影响因子，进而确定当前购药用户对应的所有病症，以及对应的药品的风险等级，并根据每一类病症对应于一类行为影响因子的药品总量，计算用户对应的每一类病症的风险偏好分值，其计算公式如下：
Figure DEST_PATH_IMAGE122
Figure DEST_PATH_IMAGE123
Figure DEST_PATH_IMAGE124
Figure DEST_PATH_IMAGE125
其中，
Figure DEST_PATH_IMAGE126
表示当前购药用户；
x表示当前购药用户对应的第x类病症；
Figure DEST_PATH_IMAGE127
表示药品的风险等级，风险等级用于表示购药网站中预先对所有药品进行划分形成药品分组，对药品分组进行排列形成风险序列时，药品在风险序列中的位置；
Figure DEST_PATH_IMAGE128
表示当前购药用户购买药品的得分权值；
Figure DEST_PATH_IMAGE129
表示当前购药用户将药品加入购物车的得分权值；
Figure DEST_PATH_IMAGE130
表示当前购药用户浏览药品的得分权值；
Figure DEST_PATH_IMAGE131
表示当前购药用户购买的第z类风险等级的药品的总量；
Figure DEST_PATH_IMAGE132
表示当前购药用户加入购物车的第z类风险等级的药品的总量；
Figure DEST_PATH_IMAGE133
表示当前购药用户浏览的第z类风险等级的药品的总量；
Figure DEST_PATH_IMAGE134
表示当前购药用户对应于第x类病症的风险偏好分值；
第三计算模块232，连接第四处理模块231，用于风险偏好分值，计算得到当前购药用户对应的每一类病症的购药风险偏好值，其计算公式如下：
Figure DEST_PATH_IMAGE135
其中，
Figure DEST_PATH_IMAGE136
表示第x类病症对应的所有用户的总风险偏好分值；
Figure DEST_PATH_IMAGE137
表示当前购药用户对应于第x类病症的风险偏好值；
购药风险计算模块233，连接第三计算模块232，用于根据购药风险偏好值，计算得到当前购药用户对应的所有病症的联合购药风险偏好值并作为其中一个用户表征信息输出，其计算公式如下：
Figure DEST_PATH_IMAGE138
其中，
Figure DEST_PATH_IMAGE139
表示当前购药用户对应于第x类病症时产生所有行为影响因子对应的药品总量；
Figure DEST_PATH_IMAGE140
表示当前购药用户对应于所有病症的联合风险偏好值。
作为优选的实施方式，该个性化客服匹配系统，如图6所示，其中用户关联药品时，产生至少一类行为影响因子；
算法引擎6还包括一价格偏好引擎24，价格偏好引擎24具体包括：
第五处理模块241，用于根据历史服务数据进行处理，得到产生的所有行为影响因子，进而确定当前购药用户对应的所有病症，以及每一类病症对应的药品所处的价格带等级，计算当前购药用户对应的价格带等级的价格偏好分值，其计算公式如下：
Figure DEST_PATH_IMAGE141
Figure DEST_PATH_IMAGE142
Figure DEST_PATH_IMAGE143
Figure DEST_PATH_IMAGE144
其中，
x表示当前购药用户对应的第x类病症；
Figure DEST_PATH_IMAGE145
表示药品的价格带等级，价格带等级用于表示对药品的药品价格进行划分形成价格带分组，对价格带分组进行排列形成价格带序列时，药品价格在价格带序列中的位置；
Figure DEST_PATH_IMAGE146
表示当前购药用户购买药品的得分权值；
Figure DEST_PATH_IMAGE147
表示当前购药用户将药品加入购物车的得分权值；
Figure DEST_PATH_IMAGE148
表示当前购药用户浏览药品的得分权值；
Figure DEST_PATH_IMAGE149
表示当前购药用户购买的第p类价格带等级的药品的总量；
Figure DEST_PATH_IMAGE150
表示当前购药用户加入购物车的第p类价格带等级的药品的总量；
Figure DEST_PATH_IMAGE151
表示当前购药用户浏览的第p类价格带等级的药品的总量；
Figure DEST_PATH_IMAGE152
表示当前购药用户对应于第x类病症的价格偏好分值；
第四计算模块242，连接第五处理模块241，用于根据价格偏好分值，计算得到当前购药用户对应的每一类病症的价格偏好值，其计算公式如下：
Figure DEST_PATH_IMAGE153
其中，
Figure DEST_PATH_IMAGE154
表示当前购药用户；
Figure DEST_PATH_IMAGE155
表示第x类病症对应的所有用户的总价格偏好分值；
Figure DEST_PATH_IMAGE156
表示当前购药用户对应于第x类病症的价格偏好值；
价格偏好计算模块243，连接第四计算模块242，用于根据价格偏好值，对价格偏好值进行滤波处理，得到当前购药用户对应的所有病症的联合价格偏好值并作为其中一个用户表征信息输出，其计算公式如下：
Figure DEST_PATH_IMAGE157
其中，
a表示滤波系数；
Figure DEST_PATH_IMAGE158
表示第y-1年当前购药用户的历史价格偏好值；
Figure DEST_PATH_IMAGE159
表示第y年当前购药用户对应的所有病症的联合价格偏好值。
作为优选的实施方式，该个性化客服匹配系统，如图7所示，其中算法引擎6还包括一聊天风格偏好引擎25，聊天风格偏好引擎25具体包括：
第六处理模块251，用于根据历史服务数据，得到当前购药用户与一客服的聊天信息，提取聊天信息中的至少一类特征因子；
第五计算模块252，连接第六处理模块251，用于分别计算每个特征因子的聊天风格偏好分值，并将聊天风格偏好分值的均值作为联合聊天风格偏好值输出。
具体的，在本实施例中，特征因子主要包括但不限于聊天信息中单次咨询时的回复字数、响应时间、回复次数、咨询时长以及平均语气词的数量等；根据上述特征因子建模，其中每个特征因子对应于一得分，根据得分将特征因子划分以形成一聊天风格分数带，聊天风格分数带包括低分数带、中分数带和高分数带，分别对应1，2，3分，分别计算每个特征因子的聊天风格偏好分值，并将所有特征因子的聊天风格偏好分值，取其平均值作为联合聊天风格偏好值
Figure DEST_PATH_IMAGE160
输出。
作为优选的实施方式，该个性化客服匹配系统其中量化单元3根据算法引擎6输出的多个用户表征信息，得到当前购药用户在对应用户表征信息的多维空间中的位置向量，作为当前购药用户的位置信息并输出。
具体的，量化单元3根据算法引擎6输出的联合购药意向值、联合效率偏好值、联合风险偏好值、联合价格偏好值、联合聊天风格偏好值，得到当前购药用户在的五维空间中的位置向量
Figure DEST_PATH_IMAGE161
，作为当前购药用户的位置信息，其中位置向量计算公式如下：
Figure DEST_PATH_IMAGE162
。
作为优选的实施方式，该个性化客服匹配系统，如图8所示，其中服务评价单元4包括一存储空间，好评服务评价子空间和差评服务评价子空间存储在存储空间中，存储空间用以存储与每个客服人员交互过的用户对客户人员进行评价的服务评分；
第一矩阵构建模块41，用于针对每个客服人员，从存储空间中获取服务评分排名前十的用户作为好评服务用户，并根据每个好评服务用户的用户表征信息分别处理得到每个好评服务用户在多维空间中的位置信息，根据所有位置信息构建一好评用户位置矩阵，其中好评用户位置矩阵记为：
Figure DEST_PATH_IMAGE163
；
其中，
Figure DEST_PATH_IMAGE164
表示客服人员对应的服务评分排名前十的历史购药用户的位置向量；
第六计算模块42，连接第一矩阵构建模块41，用于计算得到当前购药用户用户的位置信息在好评用户位置矩阵中的第一投影向量并输出，其计算公式如下：
Figure DEST_PATH_IMAGE165
其中，
Figure DEST_PATH_IMAGE166
表示当前购药用户在对应用户表征信息的多维空间中的位置向量；
Figure DEST_PATH_IMAGE167
表示当前购药用户用户的位置信息在好评用户位置矩阵中的第一投影向量；
Figure DEST_PATH_IMAGE168
表示当前购药用户用户的位置信息在好评用户位置矩阵中的第一投影向量长度；
第二矩阵构建模块43，用于针对每个客服人员，从存储空间中服务评分排名末尾十位的用户作为差评服务用户，并根据每个差评服务用户的用户表征信息分别处理得到每个差评服务用户在多维空间中的位置信息，根据所有位置信息构建一差评用户位置矩阵，其中差评用户位置矩阵记为：
Figure DEST_PATH_IMAGE169
；
其中，
Figure DEST_PATH_IMAGE170
表示客服人员对应的服务评分排名末尾十位的历史购药用户的位置向量；
第七计算模块44，连接第二矩阵构建模块43，用于计算得到当前购药用户在差评用户位置矩阵中的第二投影向量并输出，其计算公式如下：
Figure DEST_PATH_IMAGE171
其中，
Figure DEST_PATH_IMAGE172
表示当前购药用户用户的位置信息在差评用户位置矩阵中的第二投影向量；
Figure DEST_PATH_IMAGE173
表示当前购药用户用户的位置信息在差评用户位置矩阵中的第二投影向量长度；
则针对每个客服人员，客服匹配单元5根据第一投影向量和第二投影向量计算得到当前购药用户与客服人员的匹配值，并向当前购药用户推荐匹配值最高的客服人员，匹配值计算公式如下：
Figure DEST_PATH_IMAGE174
其中，
Figure DEST_PATH_IMAGE175
表示当前购药用户与客服人员的匹配值。
本发明的有益效果在于：
本发明提供一种基于多维空间投影的个性化客服匹配系统，通过算法引擎6并结合购药网站中的交互数据，计算用户的用户表征信息，得到用户在购药意向，购药效率偏好，风险偏好，价格偏好，聊天风格偏好等五个空间维度的信息，并以统一标准的引擎计算并量化当前购药用户和客服人员在不同维度上的偏好，量化后的用户形成五维空间中的一个点，通过计算用户和客服在五维空间中的投影长度，表征偏好相似程度，将相似度匹配较高的客服人员分配给当前购药用户，进而为用户提供个性化的满意服务，提高问题解决的效率。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (8)

1.一种基于多维空间投影的个性化客服匹配系统，应用于线上药品销售，其特征在于，包括：
数据获取单元，用于获取当前购药用户关联药品时产生的历史服务数据；
计算引擎单元，连接所述数据获取单元，用于根据所述历史服务数据于一算法引擎中进行计算，得到所述当前购药用户的多个用户表征信息；
量化单元，连接所述计算引擎单元，用于根据所述用户表征信息，量化得到所述当前购药用户在对应所述用户表征信息的多维空间中的位置信息；
服务评价单元，连接所述量化单元，用于获取所述当前购药用户在每个客服人员的服务评价子空间的投影长度，所述服务评价子空间中的空间参数采用评价过所述客服人员的多个历史购药用户的所述用户表征信息处理形成；
客服匹配单元，连接所述服务评价单元，用于根据所述当前购药用户分别在每个所述客服人员的所述服务评价子空间的所述投影长度，得到所述当前购药用户与所有的所述客服人员的匹配值，并将所述匹配值最高的所述客服人员推荐给所述用户；
所述服务评价单元包括一存储空间，所述存储空间用以存储与每个所述客服人员交互过的用户对所述客服人员进行评价的服务评分；
第一矩阵构建模块，用于针对每个所述客服人员，从所述存储空间中获取所述服务评分排名前十的用户作为好评服务用户，并根据每个所述好评服务用户的所述用户表征信息分别处理得到每个所述好评服务用户在多维空间中的位置信息，根据所有所述位置信息构建一好评用户位置矩阵；
第六计算模块，连接所述第一矩阵构建模块，用于计算得到所述当前购药用户的位置信息在所述好评用户位置矩阵中的第一投影向量并输出；
第二矩阵构建模块，用于针对每个所述客服人员，从所述存储空间中所述服务评分排名末尾十位的用户作为差评服务用户，并根据每个所述差评服务用户的所述用户表征信息分别处理得到每个所述差评服务用户在多维空间中的位置信息，根据所有所述位置信息构建一差评用户位置矩阵；
第七计算模块，连接所述第二矩阵构建模块，用于计算得到所述当前购药用户在所述差评用户位置矩阵中的第二投影向量并输出；
则针对每个所述客服人员，所述客服匹配单元根据所述第一投影向量和所述第二投影向量计算得到所述当前购药用户与所述客服人员的匹配值，并向所述当前购药用户推荐所述匹配值最高的所述客服人员。
2.根据权利要求1所述的个性化客服匹配系统，其特征在于，所述当前购药用户关联所述药品时，产生多类信标行为信息，每类所述信标行为信息分别用于表示所述当前购药用户在一购药网站上的历史访问数据中的一类行为；
所述算法引擎包括一购药意向引擎，所述购药意向引擎具体包括：
第一处理模块，用于根据所述历史服务数据处理得到产生每个所述信标行为信息对应的所述历史购药用户的总量以及最终成单的所述历史购药用户的数量，并分别计算得到关联于每类所述药品且分别产生每类所述信标行为信息时对应的成交概率，其计算公式如下：
Figure 905787DEST_PATH_IMAGE001
；
Figure 761747DEST_PATH_IMAGE002
；
Figure 459445DEST_PATH_IMAGE003
；
其中，
Figure 818882DEST_PATH_IMAGE004
表示第i类所述信标行为信息；
Figure 881516DEST_PATH_IMAGE005
表示第j类所述药品；
Figure 837489DEST_PATH_IMAGE006
表示关联于第
Figure 479823DEST_PATH_IMAGE007
类药品且产生第
Figure 83980DEST_PATH_IMAGE008
种信标行为信息时的成交概率；
Figure 255198DEST_PATH_IMAGE009
表示所述购药网站上销售的所述药品的种类的总数量；
Figure 695538DEST_PATH_IMAGE010
表示关联于第
Figure 672721DEST_PATH_IMAGE007
类药品且产生第
Figure 6751DEST_PATH_IMAGE008
种信标行为信息的所有所述历史购药用户中，最终成单的所述历史购药用户的数量；
Figure 473504DEST_PATH_IMAGE011
表示关联于第
Figure 525774DEST_PATH_IMAGE007
类药品且产生第
Figure 588539DEST_PATH_IMAGE008
种信标行为信息的所有所述历史购药用户的总数量；
统计模块，连接所述第一处理模块，用于统计于一预设周期时间内所述当前购药用户关联的所述药品的种类数量以及关联每类所述药品时产生的所述信标行为信息；
第一计算模块，连接所述统计模块，用于根据所述药品的种类数量以及关联每个所述药品时产生的所述信标行为信息分别进行计算，得到所述当前购药用户在所述预设周期时间内关联的每类所述药品的成单比例，其计算公式如下：
Figure 839391DEST_PATH_IMAGE012
j=1，2，3……N
其中，
Figure 477046DEST_PATH_IMAGE013
表示所述当前购药用户；
N表示所述当前购药用户在所述预设周期时间内关联的所述药品的种类数量；
Figure 16612DEST_PATH_IMAGE014
表示所有的所述信标行为信息中的深度级别最深的所述信标行为信息，所述深度级别用于表示按照预设顺序对所有所述信标行为信息进行排列形成行为序列时，每类所述信标行为信息在所述行为序列中的位置；
Figure 335598DEST_PATH_IMAGE015
表示所述当前购药用户关联的第j类药品的成单比例；
购药意向计算模块，连接所述第一计算模块，用于根据所述成单比例，得到所述当前购药用户关联的所有类所述药品的联合成交概率并作为其中一个所述用户表征信息输出，其计算公式如下：
Figure 519586DEST_PATH_IMAGE017
其中，
Figure 203508DEST_PATH_IMAGE018
表示所述当前购药用户关联的所有类所述药品的所述联合成交概率。
3.根据权利要求2所述的个性化客服匹配系统，其特征在于，所述算法引擎包括一购药效率偏好引擎，所述购药效率偏好引擎具体包括：
第二处理模块，用于根据所述历史服务数据进行处理，分别得到所述当前购药用户在购药网站上购买每类所述药品时，从药品搜索到下单完成所花费的历史购药时长；
第二计算模块，连接所述第二处理模块，用于根据所述历史购药时长，计算所述当前购药用户购买每类所述药品的基础成交效率，其计算公式如下：
Figure 89424DEST_PATH_IMAGE019
其中，
Figure 415363DEST_PATH_IMAGE020
表示所述当前购药用户；
Figure 375229DEST_PATH_IMAGE021
表示除所述当前购药用户外的其他所有所述历史购药用户；
Figure 368068DEST_PATH_IMAGE022
表示第j类所述药品；
Figure 882226DEST_PATH_IMAGE023
表示购买第j类药品的总用户数；
Figure 605332DEST_PATH_IMAGE024
表示所述购药网站上的所有用户中，所述历史购药时长小于所述当前购药用户的用户总量；
Figure 622966DEST_PATH_IMAGE025
表示所述当前购药用户购买第j类药品的所述基础成交效率；
第一判断模块，用于针对所述购药网站上的每类药品，判断所述用户是否首次购买所述药品，并输出一第一判断结果；
第一效率计算模块，分别连接所述第一判断模块和所述第二计算模块，用于根据所述第一判断结果，于所述当前购药用户首次购买药品时，根据所述当前购药用户购买其他类别的所述药品的成交效率以及购买所述药品的所有用户的成交效率的均值，计算得到所述当前购药用户的联合成交效率并作为其中一个所述用户表征信息输出，其计算公式如下：
Figure 976587DEST_PATH_IMAGE027
其中，
Figure 322249DEST_PATH_IMAGE028
表示滤波系数；
Figure 989991DEST_PATH_IMAGE029
表示除所述用户关联的第j类所述药品外的其他所有类别的所述药品；
Figure 986766DEST_PATH_IMAGE030
表示购买第j类药品的其他所有用户的成交效率的均值；
Figure 511288DEST_PATH_IMAGE031
表示所述当前购药用户的所述联合成交效率。
4.根据权利要求3所述的个性化客服匹配系统，其特征在于，所述购药效率偏好引擎还包括：
第三处理模块，分别连接所述第一判断模块和所述第二计算模块，用于在所述第一判断结果表示所述用户非首次购买药品时，根据所述历史服务数据处理得到所述购药网站上的所有用户购买同种所述药品的所有历史成交效率，其计算公式如下：
Figure 734459DEST_PATH_IMAGE033
其中，
Figure 550099DEST_PATH_IMAGE034
表示所述当前购药用户第
Figure 542326DEST_PATH_IMAGE034
次购买所述药品；
Figure 237749DEST_PATH_IMAGE035
表示所有用户中，第k次购药时的购药时长小于第
Figure 541692DEST_PATH_IMAGE036
次购药时的购药时长的用户总数，所述购药时长用于表示所述用户在所述购药网站上购买每类所述药品时，从药品搜索到下单完成所花费的时间；
Figure 551236DEST_PATH_IMAGE037
表示购买第j类药品的用户总数；
Figure 460286DEST_PATH_IMAGE038
表示所述当前购药用户前
Figure 139660DEST_PATH_IMAGE039
次购买所述药品的历史成交效率；
滤波模块，连接所述第三处理模块，用于对所述历史成交效率进行滤波处理，得到第二成交效率；
第二效率计算模块，连接所述滤波模块，用于根据所述第二成交效率计算得到所述当前购药用户的联合成交效率并作为其中一个所述用户表征信息输出，其计算公式如下：
Figure 71844DEST_PATH_IMAGE041
其中，
Figure 416238DEST_PATH_IMAGE042
表示滤波系数；
Figure 242112DEST_PATH_IMAGE043
表示所述当前购药用户第
Figure 217021DEST_PATH_IMAGE044
次购买所述药品的联合成交效率；
Figure 698818DEST_PATH_IMAGE045
表示所述当前购药用户第k次购买所述药品的联合成交效率。
5.根据权利要求1所述的个性化客服匹配系统，其特征在于，还包括一数据库，所述数据库用以存储所述药品对应的病症；
所述当前购药用户关联所述药品时，产生多类行为影响因子；
所述算法引擎还包括一购药风险偏好引擎，所述购药风险偏好引擎具体包括：
第四处理模块，用于根据所述历史服务数据进行处理得到产生的所有行为影响因子，进而确定所述当前购药用户对应的所有病症，以及对应的药品的风险等级，并根据每一类所述病症对应于一类所述行为影响因子的药品总量，计算所述当前购药用户对应的每一类所述病症的风险偏好值，其计算公式如下：
Figure 674600DEST_PATH_IMAGE047
Figure 495926DEST_PATH_IMAGE049
其中，
Figure 704053DEST_PATH_IMAGE050
表示所述当前购药用户；
x表示所述当前购药用户对应的第x类所述病症；
Figure 469884DEST_PATH_IMAGE051
表示所述药品的风险等级，所述风险等级用于表示购药网站中预先对所有所述药品进行划分形成药品分组，对所述药品分组进行排列形成风险序列时，所述药品在所述风险序列中的位置；
Figure 359342DEST_PATH_IMAGE052
表示所述当前购药用户购买所述药品的得分权值；
Figure 97491DEST_PATH_IMAGE053
表示所述当前购药用户将所述药品加入购物车的得分权值；
Figure 758411DEST_PATH_IMAGE054
表示所述当前购药用户浏览所述药品的得分权值；
Figure 11538DEST_PATH_IMAGE055
表示所述当前购药用户购买的第z类风险等级的所述药品的总量；
Figure 501425DEST_PATH_IMAGE056
表示所述当前购药用户加入购物车的第z类风险等级的所述药品的总量；
Figure 297342DEST_PATH_IMAGE057
表示所述当前购药用户浏览的第z类风险等级的所述药品的总量；
Figure 660322DEST_PATH_IMAGE058
表示所述当前购药用户对应于第x类所述病症的风险偏好值；
第三计算模块，连接所述第四处理模块，用于根据所述风险偏好值，计算得到所述当前购药用户对应的每一类所述病症的购药风险偏好值，其计算公式如下：
Figure 338428DEST_PATH_IMAGE059
其中，
Figure 569689DEST_PATH_IMAGE060
表示第x类所述病症对应的所有所述用户的总风险偏好值；
Figure 79168DEST_PATH_IMAGE061
表示所述当前购药用户对应于第x类所述病症的风险偏好值；
购药风险计算模块，连接所述第三计算模块，用于根据所述购药风险偏好值，计算得到所述当前购药用户对应的所有所述病症的联合购药风险偏好值并作为其中一个所述用户表征信息输出，其计算公式如下：
Figure 799999DEST_PATH_IMAGE062
其中，
Figure 168664DEST_PATH_IMAGE064
表示所述当前购药用户对应的所述病症的种类；
Figure 813403DEST_PATH_IMAGE065
表示所述当前购药用户对应于第x类所述病症时产生所有所述行为影响因子对应的药品总量；
Figure 318333DEST_PATH_IMAGE066
表示所述当前购药用户对应于所有所述病症的联合风险偏好值。
6.根据权利要求1所述的个性化客服匹配系统，其特征在于，所述用户关联所述药品时，产生至少一类行为影响因子；
所述算法引擎还包括一价格偏好引擎，所述价格偏好引擎具体包括：
第五处理模块，用于根据所述历史服务数据进行处理，得到产生的所有所述行为影响因子，进而确定所述当前购药用户对应的所有病症，以及每一类所述病症对应的所述药品所处的价格带等级，计算所述当前购药用户对应的所述价格带等级的价格偏好分值，其计算公式如下：
Figure 210066DEST_PATH_IMAGE068
其中，
x表示所述当前购药用户对应的第x类所述病症；
Figure 925081DEST_PATH_IMAGE069
表示所述药品的价格带等级，所述价格带等级用于表示对所述药品的药品价格进行划分形成价格带分组，对所述价格带分组进行排列形成价格带序列时，所述药品价格在所述价格带序列中的位置；
Figure 498145DEST_PATH_IMAGE070
表示所述当前购药用户购买所述药品的得分权值；
Figure 919899DEST_PATH_IMAGE071
表示所述当前购药用户将所述药品加入购物车的得分权值；
Figure 58232DEST_PATH_IMAGE072
表示所述当前购药用户浏览所述药品的得分权值；
Figure 870330DEST_PATH_IMAGE073
表示所述当前购药用户购买的第p类价格带等级的所述药品的总量；
Figure 637298DEST_PATH_IMAGE074
表示所述当前购药用户加入购物车的第p类价格带等级的所述药品的总量；
Figure 116821DEST_PATH_IMAGE075
表示所述当前购药用户浏览的第p类价格带等级的所述药品的总量；
Figure 428984DEST_PATH_IMAGE076
表示所述当前购药用户对应于第x类所述病症的价格偏好分值；
第四计算模块，连接所述第五处理模块，用于根据所述价格偏好分值，计算得到所述当前购药用户对应的每一类所述病症的价格偏好值，其计算公式如下：
Figure 790695DEST_PATH_IMAGE077
其中，
Figure 439983DEST_PATH_IMAGE078
表示所述当前购药用户；
Figure DEST_PATH_IMAGE079
表示第x类所述病症对应的所有所述用户的总价格偏好分值；
Figure 633067DEST_PATH_IMAGE080
表示所述当前购药用户对应于第x类所述病症的价格偏好值；
价格偏好计算模块，连接所述第四计算模块，用于根据所述价格偏好值，对所述价格偏好值进行滤波处理，得到所述当前购药用户对应的所有病症的联合价格偏好值并作为其中一个所述用户表征信息输出，其计算公式如下：
Figure 116132DEST_PATH_IMAGE082
其中，
a表示滤波系数；
Figure DEST_PATH_IMAGE083
表示第y-1年所述当前购药用户的历史价格偏好值；
Figure 433981DEST_PATH_IMAGE084
表示第y-1年所述当前购药用户对应的所有所述病症的联合价格偏好值；
Figure DEST_PATH_IMAGE085
表示第y年所述当前购药用户对应的所有所述病症的联合价格偏好值。
7.根据权利要求1所述的个性化客服匹配系统，其特征在于，所述算法引擎还包括一聊天风格偏好引擎，所述聊天风格偏好引擎具体包括：
第六处理模块，用于根据所述历史服务数据，得到所述当前购药用户与一客服的聊天信息，提取所述聊天信息中的至少一类特征因子；
第五计算模块，连接所述第六处理模块，用于分别计算每个所述特征因子的聊天风格偏好分值，并将所述聊天风格偏好分值的均值作为联合聊天风格偏好值输出。
8.根据权利要求1所述的个性化客服匹配系统，其特征在于，所述量化单元根据所述算法引擎输出的多个所述用户表征信息，得到所述当前购药用户在对应所述用户表征信息的多维空间中的位置向量，作为所述当前购药用户的位置信息并输出。
CN202110207456.5A 2021-02-25 2021-02-25 一种基于多维空间投影的个性化客服匹配系统 Active CN112581044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110207456.5A CN112581044B (zh) 2021-02-25 2021-02-25 一种基于多维空间投影的个性化客服匹配系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110207456.5A CN112581044B (zh) 2021-02-25 2021-02-25 一种基于多维空间投影的个性化客服匹配系统

Publications (2)

Publication Number Publication Date
CN112581044A CN112581044A (zh) 2021-03-30
CN112581044B true CN112581044B (zh) 2021-05-14

Family

ID=75114022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110207456.5A Active CN112581044B (zh) 2021-02-25 2021-02-25 一种基于多维空间投影的个性化客服匹配系统

Country Status (1)

Country Link
CN (1) CN112581044B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335518A (zh) * 2015-11-16 2016-02-17 孙宝文 生成用户偏好信息的方法及装置
CN106844787A (zh) * 2017-03-16 2017-06-13 四川大学 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法
CN110110226A (zh) * 2019-04-18 2019-08-09 国家电网有限公司 一种推荐算法、推荐系统及终端设备
CN111724039A (zh) * 2020-05-26 2020-09-29 河海大学 一种向电力用户推荐客服人员的推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335518A (zh) * 2015-11-16 2016-02-17 孙宝文 生成用户偏好信息的方法及装置
CN106844787A (zh) * 2017-03-16 2017-06-13 四川大学 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法
CN110110226A (zh) * 2019-04-18 2019-08-09 国家电网有限公司 一种推荐算法、推荐系统及终端设备
CN111724039A (zh) * 2020-05-26 2020-09-29 河海大学 一种向电力用户推荐客服人员的推荐方法

Also Published As

Publication number Publication date
CN112581044A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
Fougère et al. Heterogeneity in consumer price stickiness: a microeconometric investigation
CN103377250B (zh) 基于邻域的top‑k推荐方法
US20070043615A1 (en) Product specific customer targeting
CN108573432B (zh) 用于电子商务的交易监管系统和方法
TWI534733B (zh) Based on interpersonal distance ranking, search methods and devices
WO2017028735A1 (zh) 选择及推荐展示对象的方法及装置
KR20110108749A (ko) 실시간 키워드 연동형 광고 노출 시스템 및 방법
US7680697B2 (en) Searching for a seller of a product
CN106980999A (zh) 一种用户推荐的方法和设备
CN109919737B (zh) 一种生产销售商品的推荐方法及系统
CN109598588A (zh) 一种基于大数据分析的在线商品展示方法
Primasari et al. Integrated AHP, Profile Matching, and TOPSIS for selecting type of goats based on environmental and financial criteria
CN110378770A (zh) 一种电商运营选款推荐的方法及装置
CN109325816A (zh) 门店场景下的推荐方法以及装置
CN108733834A (zh) 一种面向用户的推荐方法、装置及存储介质
CN103309885B (zh) 一种在电子交易平台中识别特征用户的方法及装置和搜索方法及装置
CN111932339A (zh) 基于消费群体的商品推荐方法、系统及计算机存储介质
CN112581044B (zh) 一种基于多维空间投影的个性化客服匹配系统
JP2020160710A (ja) データ処理装置及びデータ処理方法
CN111639274B (zh) 线上商品智能排序方法、装置、计算机设备和存储介质
CN108876444A (zh) 客户类别分析方法、装置、计算机设备和存储介质
CN111768213B (zh) 一种用户标签权重评估方法
EP3652690A2 (en) Artificial intelligence negotiation system
CN114493435A (zh) 选品方法、选品系统和电子设备
KR20230031671A (ko) 기술 자산 기여도를 이용한 제약 산업 기술자산평가 시스템 및 방법

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
CP01 Change in the name or title of a patent holder

Address after: 201210 room 805, block B, building 1, 977 Shangfeng Road, Tang Town, Pudong New Area, Shanghai

Patentee after: Yiyaowang Technology (Shanghai) Co.,Ltd.

Address before: 201210 room 805, block B, building 1, 977 Shangfeng Road, Tang Town, Pudong New Area, Shanghai

Patentee before: Yiyao Yaofang Technology (Shanghai) Co.,Ltd.

CP01 Change in the name or title of a patent holder