CN112669003B - 基于人工智能的业务辅导方法、装置、计算机设备 - Google Patents
基于人工智能的业务辅导方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN112669003B CN112669003B CN202011562183.8A CN202011562183A CN112669003B CN 112669003 B CN112669003 B CN 112669003B CN 202011562183 A CN202011562183 A CN 202011562183A CN 112669003 B CN112669003 B CN 112669003B
- Authority
- CN
- China
- Prior art keywords
- information
- client
- coaching
- target
- vocabulary
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于人工智能的业务辅导方法、装置、计算机设备。方法包括:从客户信息表中筛选得到目标客户信息,对目标客户信息中一个目标客户的办理记录信息进行转换得到特征向量,基于业务诊断模型获取特征向量的诊断结果并进一步获取相匹配的一个目标辅导策略,服务人员通过用户终端接收目标辅导策略进行学习。本发明基于智能决策技术,属于人工智能领域,可基于人工智能采用更方便快捷的方式,对服务人员在开展业务过程所遇到的问题进行智能化诊断,并基于目标辅导策略对该服务人员进行智能辅导,能够实现高效率地对服务人员进行针对性的业务辅导。
Description
技术领域
本发明涉及人工智能技术领域,属于智慧城市中对服务人员进行业务辅导的应用场景,尤其涉及一种基于人工智能的业务辅导方法、装置、计算机设备。
背景技术
在进行业务办理过程中,企业通常会选择一位服务人员作为客户的对接人并为客户提供服务,然而企业的新服务人员在开展业务过程中经常会因经验不足而无法基于当前所处的业务办理阶段向客户准确推送相关信息,客户接收到的信息不准确使得在业务办理过程中难以对客户进行准确引导,因对客户引导不足会进一步导致潜在客户流失或业务办理过程难以推进。常规技术方法中均是主管领导针对服务人员在开展业务过程所遇到的问题进行人工诊断,并根据人工诊断结果对该服务人员进行相应辅导,以提升该服务人员解决相应问题的能力。然而现有的对服务人员进行诊断的方法难以准确获取服务人员当前所存在的问题,进而导致无法高效率对服务人员针对性地进行业务辅导。
发明内容
本发明实施例提供了一种基于人工智能的业务辅导方法、装置、计算机设备及存储介质,旨在解决现有技术方法所存在的无法高效率对服务人员进行针对性业务辅导的问题。
第一方面,本发明实施例提供了一种基于人工智能的业务辅导方法,其包括:
根据预置的客户筛选规则对预存的客户信息表进行筛选得到目标客户信息;
获取所述目标客户信息中一个目标客户的办理记录信息,根据预置的词汇处理规则对所述办理记录信息进行转换处理以得到所述办理记录信息的特征向量;
根据预置的业务诊断模型获取与所述特征向量对应的诊断结果;
获取预存的辅导策略数据库中与所述目标客户及所述诊断结果相匹配的一个目标辅导策略;
根据所述办理记录信息中的终端地址信息将所述目标辅导策略发送至与所述终端地址信息对应的用户终端。
第二方面,本发明实施例提供了一种基于人工智能的业务辅导装置,其包括:
目标客户信息获取单元,用于根据预置的客户筛选规则对预存的客户信息表进行筛选得到目标客户信息;
特征向量获取单元,用于获取所述目标客户信息中一个目标客户的办理记录信息,根据预置的词汇处理规则对所述办理记录信息进行转换处理以得到所述办理记录信息的特征向量;
诊断结果获取单元,用于根据预置的业务诊断模型获取与所述特征向量对应的诊断结果;
目标辅导策略获取单元,用于获取预存的辅导策略数据库中与所述目标客户及所述诊断结果相匹配的一个目标辅导策略;
目标辅导策略发送单元,用于根据所述办理记录信息中的终端地址信息将所述目标辅导策略发送至与所述终端地址信息对应的用户终端。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于人工智能的业务辅导方法。
第四方面,本发明实施例还提供了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有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于人工智能的业务辅导方法。
本发明实施例提供了一种基于人工智能的业务辅导方法、装置、计算机设备及存储介质。从客户信息表中筛选得到目标客户信息,对目标客户信息中一个目标客户的办理记录信息进行转换得到特征向量,基于业务诊断模型获取特征向量的诊断结果并进一步获取相匹配的一个目标辅导策略,服务人员通过用户终端接收目标辅导策略进行学习。通过上述方法,可基于人工智能采用更方便快捷的方式,对服务人员在开展业务过程所遇到的问题进行智能化诊断,并基于目标辅导策略对该服务人员进行智能辅导,能够实现高效率地对服务人员进行针对性的业务辅导。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例提供的基于人工智能的业务辅导方法的流程示意图;
图2为本发明实施例提供的基于人工智能的业务辅导方法的应用场景示意图;
图3为本发明实施例提供的基于人工智能的业务辅导方法的子流程示意图;
图4为本发明实施例提供的基于人工智能的业务辅导方法的另一流程示意图;
图5为本发明实施例提供的基于人工智能的业务辅导方法的另一子流程示意图;
图6为本发明实施例提供的基于人工智能的业务辅导方法的另一子流程示意图;
图7为本发明实施例提供的基于人工智能的业务辅导方法的另一流程示意图;
图8为本发明实施例提供的基于人工智能的业务辅导方法的另一子流程示意图;
图9为本发明实施例提供的基于人工智能的业务辅导装置的示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
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做出创造性劳动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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1及图2,图1是本发明实施例提供的基于人工智能的业务辅导方法的流程示意图,图2为本发明实施例提供的基于人工智能的业务辅导方法的应用场景示意图;该基于人工智能的业务辅导方法应用于管理服务器10中,该方法通过安装于管理服务器10中的应用软件进行执行,管理服务器10与至少一台用户终端20通过网络连接实现数据信息的传输,管理服务器10即是用于执行基于人工智能的业务辅导方法以对该服务人员进行业务辅导的服务器端,管理服务器可以是企业服务器,用户终端20即是与管理服务器10进行网络连接以接收目标辅导策略的终端设备,例如台式电脑、笔记本电脑、平板电脑或手机等。图2中仅仅示意出管理服务器10与一台用户终端20进行信息传输,在实际应用中,该管理服务器10也可同时与多台用户终端20建立通信连接以实现数据信息的传输。如图1所示,该方法包括步骤S110~S150。
S110、根据预置的客户筛选规则对预存的客户信息表进行筛选得到目标客户信息。
根据预置的客户筛选规则对预存的客户信息表进行筛选得到目标客户信息。其中,所述客户筛选规则包括客户信息量化模型及客户分类模型,客户筛选规则即为对客户信息表中所包含的客户进行筛选的具体规则,可通过客户筛选规则从客户信息表中筛选得到符合客户筛选规则的目标客户,具体的,客户信息量化模型即为对客户信息进行量化的模型,可将每一客户的客户信息转换为客户量化信息进行量化表示,客户分类模型即为基于客户量化信息对客户进行分类的神经网络模型,可根据客户分类模型对客户量化信息进行分类处理得到分类结果。客户信息表中包含每一客户的客户信息以及与该客户相关联的办理记录信息,客户信息中包括客户姓名、性别、年龄、职业、兴趣爱好、月收入、婚姻状态、生育状态、客户类型等信息,办理记录信息中包括终端地址信息、主管地址信息及沟通记录,沟通记录即为客户在业务办理阶段与该服务人员进行沟通的文字信息,终端地址信息即为与该客户进行对接的该服务人员的终端地址,主管地址信息即为管理该该服务人员的主管领导的终端地址。
在一实施例中,如图3所示,步骤S110包括子步骤S111、S112和S113。
S111、根据所述客户信息量化模型对所述客户信息表所包含的客户信息进行量化得到与每一客户信息对应的客户量化信息。
根据所述客户信息量化模型对所述客户信息表所包含的客户信息进行量化得到与每一客户信息对应的客户量化信息。具体的,客户信息量化模型中包含多个量化项目,量化项目的数量可以等于或少于客户信息中所包含的信息项数,每一量化项目均可将客户信息中对应的一项信息转换为一个向量值进行表示,每一客户信息对应的多个向量值即组合为该客户的客户量化信息,客户量化信息可表示为一个多维的客户特征向量,对每一量化项目的一项信息进行量化所得量化值的范围均为[0,1]。
具体的,对于与量化项目对应的信息以非数值方式进行表示的情况,则直接获取量化项目中与该非数值相匹配的关键字所对应的数据,作为与该非数值对应的量化值。例如,客户信息量化模型与婚姻状态这一量化项目中包含“已婚”及“未婚”两个关键字,与“已婚”对应的数据为“1”、与“未婚”对应的数据为“0”,某客户对应的客户信息中婚姻状态为已婚,则对应的量化值为“1”。
对于与量化项目对应的信息以数值方式表示的情况,客户信息量化模型中对应的量化规则为一个激活函数及一个中间值,根据激活函数对中间值及量化项目的一项信息进行计算,即可得到对应的量化值。
例如,激活函数可表示为其中,x为与量化项目对应的一项信息,v为与该量化项目对应的中间值。与月收入这一量化项目对应的中间值为v=6500,某客户对应的客户信息中月收入为x=9000,则根据上述激活函数计算得到对应的量化值为0.9791。
S112、将所述客户量化信息依次输入所述客户分类模型以获取与每一客户量化信息对应的分类结果;S113、获取所述分类结果为目标客户的相关信息得到目标客户信息。
客户分类模型是基于神经网络所构建的,客户分类模型中由多个输入节点、多个输出节点及全连接层组成,每一输入节点均对应客户特征向量中一个维度的向量值,每一输出节点均对应一个分类,根据分类目的可在客户分类模型中配置两个输出节点,两个输出节点分别对应目标客户及非目标客户这两个分类。输入节点与输出节点之间包含全连接层,全连接层中包含多个特征单元,输入节点与全连接层之间设置有第一公式组,输出节点与全连接层之间设置有第二公式组。其中,第一公式组包含所有输入节点至所有特征单元的公式,第一公式组中的公式均以输入节点值作为输入值、特征单元值作为输出值,第二公式组包含所有输出节点至所有特征单元的公式,第二公式组中的公式均以特征单元值作为输入值、输出节点值作为输出值,客户分类模型中所包含的每一公式中均拥有对应的参数值。输出节点值也即是客户量化信息与该输出节点对应的分类之间的匹配概率,根据计算得到某一客户的客户量化信息与每一输出节点的匹配概率,选择匹配概率最高的一个输出节点所对应的分类作为与该客户量化信息对应的分类结果。根据所得到的分类结果,选择分类结果为目标客户所对应的客户信息及办理记录信息得到目标客户信息。
在一实施例中,如图4所示,步骤S112之前还包括步骤S1121。
S1121、若接收到所输入的训练数据集,根据预置的梯度下降训练模型及所述训练数据集对所述客户分类模型进行迭代训练以得到训练后的客户分类模型。
若接收到所输入的训练数据集,根据预置的梯度下降训练模型及所述训练数据集对所述客户分类模型进行迭代训练以得到训练后的客户分类模型。其中输入训练数据集的可以是管理服务器的管理员,为使客户分类模型在对客户量化信息进行分类时可以有更高的准确率,需对客户分类模型进行迭代训练,也即是对客户分类模型的第一公式组及第二公式组中的参数值进行调整,训练后所得到的客户分类模型可以对客户量化信息进行更精准的分类。梯度下降训练模型即为对客户分类模型进行训练的模型,梯度下降训练模型中包括损失值计算公式及梯度计算公式,训练数据集中包含多条训练数据,每一条训练数据对应一个客户,每一训练数据中均包含一个客户的客户量化信息以及该客户的分类标签;将某一客户的客户量化信息输入客户分类模型得到两个输出节点对应的匹配概率,根据损失值计算公式及分类标签对两个输出节点对应的匹配概率进行计算即可得到对应的损失值,根据损失值及梯度计算公式即可计算得到第一公式组及第二公式组中每一参数对应的更新值,通过更新值即可对每一参数对应的参数值进行更新,这一对参数值进行更新的过程即为对客户分类模型进行训练的具体过程。
具体的,损失值计算公式可表示为L=(1-a)2/[(1-a)2+(1-b)2];其中,a为与分类标签对应的一个输出节点的匹配概率,b为另一输出节点的匹配概率。
根据所述梯度计算公式、所述损失值及所述客户分类模型的计算值计算得到所述客户分类模型中每一参数的更新值。具体的,将客户分类模型中一个参数对客户量化信息进行计算所得到的计算值输入梯度计算公式,并结合上述损失值,即可计算得到与该参数对应的更新值,这一计算过程也即为梯度下降计算。
具体的,梯度计算公式可表示为:
其中,/>为计算得到的参数x的更新值,ωx为参数x的原始参数值,η为梯度计算公式中预置的学习率,/>为基于损失值及参数x对应的计算值对该参数x的偏导值(这一计算过程中需使用参数对应的计算值)。
根据每一所述参数的更新值对所述客户分类模型中对应参数的参数值进行更新,以对所述客户分类模型进行训练。基于所计算得到更新值对客户分类模型中每一参数的参数值对应更新,即完成对客户分类模型的一次训练过程。基于一次训练后所得到的客户分类模型对训练数据集中另一条训练数据再次进行计算处理,并重复上述训练过程,即可实现对客户分类模型进行迭代训练;当所计算得到的损失值小于预设的损失阈值或训练数据集中条训练数据均被用于训练后,即终止训练过程得到训练后的客户分类模型。
S120、获取所述目标客户信息中一个目标客户的办理记录信息,根据预置的词汇处理规则对所述办理记录信息进行转换处理以得到所述办理记录信息的特征向量。
获取所述目标客户信息中一个目标客户的办理记录信息,根据预置的词汇处理规则对所述办理记录信息进行转换处理以得到所述办理记录信息的特征向量。具体的,办理记录信息即是客户在业务办理阶段与该服务人员进行沟通时所记录得到的文字信息,词汇处理规则即是用于对办理记录信息进行处理的规则信息,根据词汇处理规则对办理记录信息进行处理后即可得到该办理记录信息对应的一个N×M的特征向量,其中M为词向量维度信息,M和N均为大于零的正整数。将办理记录信息对应的特征向量输入业务诊断模型即可获取该办理记录信息对应的诊断结果。其中,词汇处理规则中包括词汇筛选规则、词汇向量表及词汇数量信息,词汇数量信息用于截取N词汇,也即是词汇数量信息为N,词汇向量表可将任意字符转换为一个1×M维的向量。
在一实施例中,如图5所示,步骤S120包括子步骤S121、S122和S123。
S121、根据所述词汇筛选规则对所述办理记录信息进行筛选以得到筛选词汇信息。
根据所述词汇筛选规则对所述办理记录信息中所包含的词汇进行筛选以得到筛选词汇信息。词汇筛选规则即是用于对办理记录信息中的词汇进行筛选的规则信息,具体的,词汇筛选规则可将办理记录信息中意义不大的词汇筛除,得到的筛选词汇信息中包含的词汇均为具有实际意义的词汇。
例如,词汇筛选规则中可设置需筛除的词汇为“啊”、“的”、“地”、“我”等。
S122、根据所述词汇数量信息对所述筛选词汇信息进行标准化处理以得到标准词汇信息。
根据所述词汇数量信息对所述筛选词汇信息进行标准化处理以得到标准词汇信息。筛选词汇信息中所包含的词汇数量为一个非固定值,则需根据词汇数量信息对筛选词汇信息进行标准化处理,以得到与词汇数量信息相对应的N个词汇作为标准词汇信息。具体的,若筛选词汇信息中所包含的词汇数量超过N,则根据N截取筛选词汇信息中相同数量的词汇作为标准词汇信息;若筛选词汇信息中所包含的词汇数据少于N,则使用空字符(空字符采用□进行表示)将筛选词汇信息中缺失的词汇进行补齐以得到标准词汇信息;若筛选词汇信息中所包含的词汇数量正好为N,则将筛选词汇信息作为标准词汇信息进行后续处理。
S123、根据所述词汇向量表获取与所述标准词汇信息对应的特征向量。
根据所述词汇向量表获取与所述标准词汇信息对应的特征向量。词汇向量表中包含每一词汇对应的一个1×M维的向量,该1×M维的向量可用于对单个词汇的特征进行量化。根据标准词汇信息中所包含的词汇,即可从词汇向量表中获取每一词汇对应的一个1×M维的向量,将N个词汇所对应的1×M维的向量进行组合,即可得到一个N×M的向量,也即是所得到的评价特征向量。
例如,若M为12,词汇向量表中所包含的部分信息如表1所示。
字符 | 1×M维的向量 |
需 | {0.5,0.2,0.3,0.6,0.2,0.3,0.7,0.3,0.1,0.1,0.6,0.9} |
要 | {0.4,0.3,0.5,0.2,0.8,0.1,0.3,0.4,0.7,0.6,0,0.2} |
了 | {0,0.1,0,0.4,0.3,0.9,0.4,0.5,0.6,0.2,0.3,0.5} |
解 | {0.1,0.4,0.3,0.8,0.5,0.7,0.3,0.6,0.2,0.3,0.6,0.2} |
□(空字符) | {0,0,0,0,0,0,0,0,0,0,0,0} |
表1
S130、根据预置的业务诊断模型获取与所述特征向量对应的诊断结果。
根据预置的业务诊断模型获取与所述特征向量对应的诊断结果。其中,所述业务诊断模型包括长短期记忆网络、权重层及神经网络层。将所得到的特征向量输入业务诊断模型中的长短期记忆网络,可计算得到该特征向量对应的记忆网络输出信息,将记忆网络输出信息与权重层进行相乘后,输入神经网络层进行计算,得到相应诊断结果。
在一实施例中,如图6所示,步骤S130包括子步骤S131、S132和S133。
S131、根据所述长短期记忆网络对所述特征向量进行计算得到记忆网络输出信息。
根据所述长短期记忆网络对所述特征向量进行计算得到记忆网络输出信息。其中,长短期记忆网络中包含多个细胞,细胞的数量与词汇数量信息N相等。特征向量为N个1×M维的向量,N个1×M维的向量分别对应输入长短期记忆网络的N个细胞中。具体的,计算某一特征向量的记忆网络输出信息的步骤分为五步,①计算遗忘门输出信息:f(t)=σ(Wf×h(t_1)+Uf×X(t)+bf),其中f(t)为遗忘门参数值,0≤f(t)≤1;σ为激活函数计算符号,σ可具体表示为则将Wf×h(t_1)+Uf×X(t)+bf的计算结果作为x输入激活函数σ即可计算得到f(t);Wf、Uf及bf均为本细胞中公式的参数值;h(t_1)为上一细胞的输出门信息;X(t)为该特征向量中输入当前细胞的1×M维的向量,若当前细胞为长短期记忆网络中的第一个细胞,则h(t_1)为零。②计算输入门信息:i(t)=σ(Wi×h(t_1)+Ui×X(t)+bi);a(t)=tanh(Wa×h(t-1)+Ua×X(t)+ba),其中i(t)为输入门参数值,0≤i(t)≤1;Wi、Ui、bi、Wa、Ua及ba均为本细胞中公式的参数值,a(t)为所计算得到的输入门向量值,a(t)为一个1×M维的向量。③更新细胞记忆信息:C(t)=C(t_1)⊙f(t)+i(t)⊙a(t),C为每一次计算过程所累计的细胞记忆信息,C(t)为当前细胞所输出的细胞记忆信息,C(t_1)为上一细胞所输出的细胞记忆信息,⊙为向量运算符,C(t_1)⊙f(t)的计算过程为将向量C(t_1)中每一维度值分别与f(t)相乘,所计算的得到的向量维度与向量C(t_1)中的维度相同。④计算输出门信息:o(t)=σ(Wo×h(t_1)+Uo×X(t)+bo);h(t)=o(t)⊙tanh(C(t)),o(t)为输出门参数值,0≤o(t)≤1;Wo、Uo及bo均为本细胞中公式的参数值,h(t)为本细胞的输出门信息,h(t)为一个1×M维的向量。⑤计算当前细胞的输出信息:y(t)=σ(V×h(t)+c),V及c均为本细胞中公式的参数值。每一个细胞均计算得到一个输出信息,综合N个细胞的输出信息即可得到该特征向量的记忆网络输出信息,特征向量的记忆网络输出信息为一个1×N维的向量。
S132、将所述记忆网络输出信息与所述权重层相乘得到附加权重值的记忆网络输出信息。
将所述记忆网络输出信息与所述权重层相乘得到附加权重值的记忆网络输出信息。权重层中所包含权重值的数量与特征向量所对应的字符数量相等,也即是权重值的数量为N,将特征向量的记忆网络输出信息与权重层进行相乘,即可得到附加权重值的记忆网络输出信息。
S133、将所述附加权重值的记忆网络输出信息输入所述神经网络层进行计算得到所述特征向量的诊断结果。
将所述附加权重值的记忆网络输出信息输入所述神经网络层进行计算得到所述特征向量的诊断结果。其中,神经网络层中包含N个输入节点,每一输入节点均与该附加权重值的记忆网络输出信息中的一个向量维度值对应,神经网络层的每一输出节点对应一个诊断分类,其中的输出节点值即为输入信息与诊断分类之间的匹配度,输入节点与输出节点之间包含全连接层,输入节点与全连接层之间、输出节点与全连接层之间均设有关联公式,关联公式与上述第一公式组或第二公式组中的公式相类似。经过神经网络层计算得到每一输出节点的输出节点值,每一输出节点的输出节点值可作为该特征向量的神经网络输出结果,并获取输出节点值最高的一个输出节点对应的诊断分类作为特征向量的诊断结果。具体的,诊断分类可以是未对客户进行理念导入、理念导入技能不足、未充分挖掘客户需求、未给客户进行需求分析、不会制作建议书、未讲解建议书等。
在一实施例中,如图7所示,步骤S130之后还包括步骤S1301、S1302和S1303。
S1301、根据预置的评分规则获取与所述特征向量的神经网络输出结果对应的诊断评分;S1302、判断所述诊断评分是否大于预置的评分阈值;S1303、若所述诊断评分不大于所述评分阈值,根据所述办理记录信息中的主管地址信息发送辅导请求信息至与所述主管地址信息对应的主管终端;若所述诊断评分大于所述评分阈值,执行所述获取预存的辅导策略数据库中与所述目标客户及所述诊断结果对应的辅导策略的步骤,也即是执行步骤S140。
可根据预置的评分规则获取与神经网络输出结果对应的诊断评分,神经网络输出结果中包括每一输出节点的输出节点值,具体的,评分规则可以是按照输出节点值进行排序并获取排序前四的输出节点值的平均值得到输出节点平均值,将100-v作为诊断评分,其中v为输出节点平均值;还可以是去掉最大的输出节点值及最小的输出节点值后,计算其余输出节点值的平均值得到输出节点平均值,将100-v作为诊断评分,其中v为输出节点平均值。判断诊断评分是否大于评分阈值,若大于评分阈值,则继续执行后续步骤;若不大于评分阈值,则表明与该目标客户进行对接的该服务人员需要进行人工辅导,可根据办理记录信息中的主管地址信息,发送辅导请求信息至对应的主管终端,主管领导通过主管终端接收辅导请求信息并对相应该服务人员进行人工辅导。
S140、获取预存的辅导策略数据库中与所述目标客户及所述诊断结果相匹配的一个目标辅导策略。
获取预存的辅导策略数据库中与所述目标客户及所述诊断结果相匹配的一个目标辅导策略。辅导策略数据库即是管理服务器中预先存储的用于存放辅导策略的数据库,辅导策略数据库中包括多个辅导策略集,每一辅导策略集中均包含多个辅导策略,每一个辅导策略均可实现对该服务人员进行针对性辅导,辅导策略的具体形式可以是辅导PPT、辅导视频、辅导文章等,辅导策略中所包含的内容可以是业务指导文案、案例剖析、异议分析等。
在一实施例中,如图8所示,步骤S140包括子步骤S141和S142。
S141、获取所述辅导策略数据库中与所述目标客户的客户类型相匹配的一个辅导策略集;S142、获取所述辅导策略集中与所述诊断结果相匹配的一个辅导策略作为所述目标辅导策略。
每一辅导策略集与一个客户类型相匹配,客户类型可以是用于对客户的类型进行具体划分的类型标签,如客户类型可以是都市白领、家庭主妇、孕期妈妈等。可根据目标客户的客户类型获取相匹配的一个辅导策略集,并根据诊断结果获取该辅导策略集中对应的一个目标辅导策略,目标辅导策略即可对某一服务人员在业务办理阶段中较为突出的问题进行针对性辅导。
S150、根据所述办理记录信息中的终端地址信息将所述目标辅导策略发送至与所述终端地址信息对应的用户终端。
根据所述办理记录信息中的终端地址信息将所述目标辅导策略发送至与所述终端地址信息对应的用户终端。办理记录信息中还包括与该目标客户进行对接的服务人员的终端地址信息,则可根据终端地址信息将所得到的目标辅导策略发送至该终端地址信息对应的用户终端,以供使用该用户终端的服务人员进行学习。
本申请中的技术方法可应用于智慧政务/智慧城管/智慧社区/智慧安防/智慧物流/智慧医疗/智慧教育/智慧环保/智慧交通等包含对服务人员进行业务辅导的应用场景中,从而推动智慧城市的建设。
在本发明实施例所提供的基于人工智能的业务辅导方法中,从客户信息表中筛选得到目标客户信息,对目标客户信息中一个目标客户的办理记录信息进行转换得到特征向量,基于业务诊断模型获取特征向量的诊断结果并进一步获取相匹配的一个目标辅导策略,服务人员通过用户终端接收目标辅导策略进行学习。通过上述方法,可基于人工智能采用更方便快捷的方式,对服务人员在开展业务过程所遇到的问题进行智能化诊断,并基于目标辅导策略对该服务人员进行智能辅导,能够实现高效率地对服务人员进行针对性的业务辅导。
本发明实施例还提供一种基于人工智能的业务辅导装置,该基于人工智能的业务辅导装置用于执行前述基于人工智能的业务辅导方法的任一实施例。具体地,请参阅图9,图9是本发明实施例提供的基于人工智能的业务辅导装置的示意性框图。该基于人工智能的业务辅导装置可以配置于管理服务器10中。
如图9所示,基于人工智能的业务辅导装置100包括目标客户信息获取单元110、特征向量获取单元120、诊断结果获取单元130、目标辅导策略获取单元140和目标辅导策略发送单元150。
目标客户信息获取单元110,用于根据预置的客户筛选规则对预存的客户信息表进行筛选得到目标客户信息。
在一实施例中,所述目标客户信息获取单元110包括子单元:信息量化单元、量化信息分类单元及信息获取单元。
信息量化单元,用于根据所述客户信息量化模型对所述客户信息表所包含的客户信息进行量化得到与每一客户信息对应的客户量化信息;量化信息分类单元,用于将所述客户量化信息依次输入所述客户分类模型以获取与每一客户量化信息对应的分类结果;信息获取单元,用于获取所述分类结果为目标客户的相关信息得到目标客户信息。
在一实施例中,所述目标客户信息获取单元110还包括子单元:客户分类模型训练单元。
客户分类模型训练单元,用于若接收到所输入的训练数据集,根据预置的梯度下降训练模型及所述训练数据集对所述客户分类模型进行迭代训练以得到训练后的客户分类模型。
特征向量获取单元120,用于获取所述目标客户信息中一个目标客户的办理记录信息,根据预置的词汇处理规则对所述办理记录信息进行转换处理以得到所述办理记录信息的特征向量。
在一实施例中,所述特征向量获取单元120包括子单元:筛选词汇信息获取单元、标准词汇信息获取单元及向量获取单元。
筛选词汇信息获取单元,用于根据所述词汇筛选规则对所述办理记录信息进行筛选以得到筛选词汇信息;标准词汇信息获取单元,用于根据所述词汇数量信息对所述筛选词汇信息进行标准化处理以得到标准词汇信息;向量获取单元,用于根据所述词汇向量表获取与所述标准词汇信息对应的特征向量。
诊断结果获取单元130,用于根据预置的业务诊断模型获取与所述特征向量对应的诊断结果。
在一实施例中,所述诊断结果获取单元130包括子单元:记忆网络输出信息获取单元、加权计算单元及信息计算单元。
记忆网络输出信息获取单元,用于根据所述长短期记忆网络对所述特征向量进行计算得到记忆网络输出信息;加权计算单元,用于将所述记忆网络输出信息与所述权重层相乘得到附加权重值的记忆网络输出信息;信息计算单元,用于将所述附加权重值的记忆网络输出信息输入所述神经网络层进行计算得到所述特征向量的诊断结果。
在一实施例中,所述诊断结果获取单元130还包括子单元:诊断评分获取单元、诊断评分判断单元及辅导请求信息发送单元。
诊断评分获取单元,用于根据预置的评分规则获取与所述特征向量的神经网络输出结果对应的诊断评分;诊断评分判断单元,用于判断所述诊断评分是否大于预置的评分阈值;辅导请求信息发送单元,用于若所述诊断评分不大于所述评分阈值,根据所述办理记录信息中的主管地址信息发送辅导请求信息至与所述主管地址信息对应的主管终端;若所述诊断评分大于所述评分阈值,执行所述获取预存的辅导策略数据库中与所述目标客户及所述诊断结果对应的辅导策略的步骤,也即是执行目标辅导策略获取单元140所对应的方法步骤。
目标辅导策略获取单元140,用于获取预存的辅导策略数据库中与所述目标客户及所述诊断结果相匹配的一个目标辅导策略。
在一实施例中,所述目标辅导策略获取单元140包括子单元:辅导策略集匹配单元及辅导策略匹配单元。
辅导策略集匹配单元,用于获取所述辅导策略数据库中与所述目标客户的客户类型相匹配的一个辅导策略集;辅导策略匹配单元,用于获取所述辅导策略集中与所述诊断结果相匹配的一个辅导策略作为所述目标辅导策略。
目标辅导策略发送单元150,用于根据所述办理记录信息中的终端地址信息将所述目标辅导策略发送至与所述终端地址信息对应的用户终端。
在本发明实施例所提供的基于人工智能的业务辅导装置应用上述基于人工智能的业务辅导方法,从客户信息表中筛选得到目标客户信息,对目标客户信息中一个目标客户的办理记录信息进行转换得到特征向量,基于业务诊断模型获取特征向量的诊断结果并进一步获取相匹配的一个目标辅导策略,服务人员通过用户终端接收目标辅导策略进行学习。通过上述方法,可基于人工智能采用更方便快捷的方式,对服务人员在开展业务过程所遇到的问题进行智能化诊断,并基于目标辅导策略对该服务人员进行智能辅导,能够实现高效率地对服务人员进行针对性的业务辅导。
上述基于人工智能的业务辅导装置可以实现为计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行基于人工智能的业务辅导方法以对服务人员进行业务辅导的管理服务器10。
参阅图10,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于人工智能的业务辅导方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于人工智能的业务辅导方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图10中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现上述的基于人工智能的业务辅导方法中对应的功能。
本领域技术人员可以理解,图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图10所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现上述的基于人工智能的业务辅导方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来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发明的范围。
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,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元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,也可以是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,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于人工智能的业务辅导方法,应用于管理服务器中,所述管理服务器与至少一台用户终端通过网络连接实现数据信息的传输,其特征在于,所述方法包括:
根据预置的客户筛选规则对预存的客户信息表进行筛选得到目标客户信息;
获取所述目标客户信息中一个目标客户的办理记录信息,根据预置的词汇处理规则对所述办理记录信息进行转换处理以得到所述办理记录信息的特征向量;
根据预置的业务诊断模型获取与所述特征向量对应的诊断结果;
获取预存的辅导策略数据库中与所述目标客户及所述诊断结果相匹配的一个目标辅导策略;
根据所述办理记录信息中的终端地址信息将所述目标辅导策略发送至与所述终端地址信息对应的用户终端;
所述词汇处理规则中包括词汇筛选规则、词汇向量表及词汇数量信息,所述根据预置的词汇处理规则对所述办理记录信息进行转换处理以得到所述办理记录信息的特征向量,包括:
根据所述词汇筛选规则对所述办理记录信息进行筛选以得到筛选词汇信息;
根据所述词汇数量信息对所述筛选词汇信息进行标准化处理以得到标准词汇信息;
根据所述词汇向量表获取与所述标准词汇信息对应的特征向量;
所述业务诊断模型包括长短期记忆网络、权重层及神经网络层,所述根据预置的业务诊断模型获取与所述特征向量对应的诊断结果,包括:
根据所述长短期记忆网络对所述特征向量进行计算得到记忆网络输出信息;
将所述记忆网络输出信息与所述权重层相乘得到附加权重值的记忆网络输出信息;
将所述附加权重值的记忆网络输出信息输入所述神经网络层进行计算得到所述特征向量的诊断结果。
2.根据权利要求1所述的基于人工智能的业务辅导方法,其特征在于,所述客户筛选规则包括客户信息量化模型及客户分类模型,所述根据预置的客户筛选规则对预存的客户信息表进行筛选得到目标客户信息,包括:
根据所述客户信息量化模型对所述客户信息表所包含的客户信息进行量化得到与每一客户信息对应的客户量化信息;
将所述客户量化信息依次输入所述客户分类模型以获取与每一客户量化信息对应的分类结果;
获取所述分类结果为目标客户的相关信息得到目标客户信息。
3.根据权利要求2所述的基于人工智能的业务辅导方法,其特征在于,所述将所述客户量化信息依次输入所述客户分类模型以获取与每一客户量化信息对应的分类结果,还包括:
若接收到所输入的训练数据集,根据预置的梯度下降训练模型及所述训练数据集对所述客户分类模型进行迭代训练以得到训练后的客户分类模型。
4.根据权利要求1所述的基于人工智能的业务辅导方法,其特征在于,所述根据预置的业务诊断模型获取与所述特征向量对应的诊断结果之后,还包括:
根据预置的评分规则获取与所述特征向量的神经网络输出结果对应的诊断评分;
判断所述诊断评分是否大于预置的评分阈值;
若所述诊断评分不大于所述评分阈值,根据所述办理记录信息中的主管地址信息发送辅导请求信息至与所述主管地址信息对应的主管终端;
若所述诊断评分大于所述评分阈值,执行所述获取预存的辅导策略数据库中与所述目标客户及所述诊断结果对应的辅导策略的步骤。
5.根据权利要求1所述的基于人工智能的业务辅导方法,其特征在于,所述获取预存的辅导策略数据库中与所述目标客户及所述诊断结果相匹配的一个目标辅导策略,包括:
获取所述辅导策略数据库中与所述目标客户的客户类型相匹配的一个辅导策略集;
获取所述辅导策略集中与所述诊断结果相匹配的一个辅导策略作为所述目标辅导策略。
6.一种基于人工智能的业务辅导装置,其特征在于,所述装置用于执行如权利要求1-5任一项所述的基于人工智能的业务辅导方法,所述装置包括:
目标客户信息获取单元,用于根据预置的客户筛选规则对预存的客户信息表进行筛选得到目标客户信息;
特征向量获取单元,用于获取所述目标客户信息中一个目标客户的办理记录信息,根据预置的词汇处理规则对所述办理记录信息进行转换处理以得到所述办理记录信息的特征向量;
诊断结果获取单元,用于根据预置的业务诊断模型获取与所述特征向量对应的诊断结果;
目标辅导策略获取单元,用于获取预存的辅导策略数据库中与所述目标客户及所述诊断结果相匹配的一个目标辅导策略;
目标辅导策略发送单元,用于根据所述办理记录信息中的终端地址信息将所述目标辅导策略发送至与所述终端地址信息对应的用户终端。
7.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的基于人工智能的业务辅导方法。
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有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至5任一项所述的基于人工智能的业务辅导方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562183.8A CN112669003B (zh) | 2020-12-25 | 2020-12-25 | 基于人工智能的业务辅导方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562183.8A CN112669003B (zh) | 2020-12-25 | 2020-12-25 | 基于人工智能的业务辅导方法、装置、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669003A CN112669003A (zh) | 2021-04-16 |
CN112669003B true CN112669003B (zh) | 2023-09-29 |
Family
ID=75409061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011562183.8A Active CN112669003B (zh) | 2020-12-25 | 2020-12-25 | 基于人工智能的业务辅导方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669003B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003044641A (ja) * | 2001-08-03 | 2003-02-14 | Toppan Printing Co Ltd | 業務管理装置及び業務管理方法並びに業務管理プログラム |
CN109785123A (zh) * | 2019-01-21 | 2019-05-21 | 中国平安财产保险股份有限公司 | 一种业务办理协助方法、装置及终端设备 |
CN109816220A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技(深圳)有限公司 | 基于智能决策的业务质量监控及处理方法和装置 |
CN109885219A (zh) * | 2018-12-29 | 2019-06-14 | 航天信息股份有限公司 | 业务办理引导方法、装置及计算机可读存储介质 |
JP2019191904A (ja) * | 2018-04-25 | 2019-10-31 | ニッセイ情報テクノロジー株式会社 | 業務支援システム、業務支援方法及びプログラム |
CN112070468A (zh) * | 2020-08-28 | 2020-12-11 | 湖北中科网络科技股份有限公司 | 一种基于人工智能平台辅助业务办理行政审批的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200250511A1 (en) * | 2019-02-01 | 2020-08-06 | Zhaoyang Hu | Artist comprehensive ability evaluation and cultivation assistant system based on artificial intelligence |
-
2020
- 2020-12-25 CN CN202011562183.8A patent/CN112669003B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003044641A (ja) * | 2001-08-03 | 2003-02-14 | Toppan Printing Co Ltd | 業務管理装置及び業務管理方法並びに業務管理プログラム |
JP2019191904A (ja) * | 2018-04-25 | 2019-10-31 | ニッセイ情報テクノロジー株式会社 | 業務支援システム、業務支援方法及びプログラム |
CN109885219A (zh) * | 2018-12-29 | 2019-06-14 | 航天信息股份有限公司 | 业务办理引导方法、装置及计算机可读存储介质 |
CN109816220A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技(深圳)有限公司 | 基于智能决策的业务质量监控及处理方法和装置 |
CN109785123A (zh) * | 2019-01-21 | 2019-05-21 | 中国平安财产保险股份有限公司 | 一种业务办理协助方法、装置及终端设备 |
CN112070468A (zh) * | 2020-08-28 | 2020-12-11 | 湖北中科网络科技股份有限公司 | 一种基于人工智能平台辅助业务办理行政审批的方法 |
Non-Patent Citations (1)
Title |
---|
基于人工智能技术的寿险客户细分研究;韩旭东;姚圣煜;王红燕;姚智;;上海立信会计金融学院学报(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112669003A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022048173A1 (zh) | 基于人工智能的客户意图识别方法、装置、设备及介质 | |
CN112328742B (zh) | 基于人工智能的培训方法、装置、计算机设备及存储介质 | |
WO2020119272A1 (zh) | 风险识别模型训练方法、装置及服务器 | |
US11580459B2 (en) | Systems and methods for extracting specific data from documents using machine learning | |
CN109740620B (zh) | 人群画像分类模型的建立方法、装置、设备和存储介质 | |
CN107679234A (zh) | 客服信息提供方法、装置、电子设备、存储介质 | |
CN112348079B (zh) | 数据降维处理方法、装置、计算机设备及存储介质 | |
CN112163637B (zh) | 基于非平衡数据的图像分类模型训练方法、装置 | |
CN110020022B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
US20210350330A1 (en) | Systems and methods for machine learning to analyze student profiles | |
US20220027764A1 (en) | Method of and system for online machine learning with dynamic model evaluation and selection | |
CN110457469B (zh) | 基于长短期记忆网络的信息分类方法、装置、计算机设备 | |
Suresh et al. | Understanding potential sources of harm throughout the machine learning life cycle | |
CN111444965B (zh) | 基于机器学习的数据处理方法及相关设备 | |
CN116894498A (zh) | 网络模型的训练方法、策略识别方法、装置以及设备 | |
US20220222578A1 (en) | Method of training local model of federated learning framework by implementing classification of training data | |
US11646015B1 (en) | Providing an automated summary | |
CN111833997B (zh) | 基于风险预测的就诊分配方法、装置、计算机设备 | |
Wei et al. | Health insurance market risk assessment: Covariate shift and k-anonymity | |
CN108536666A (zh) | 一种短文本信息提取方法和装置 | |
CN112669003B (zh) | 基于人工智能的业务辅导方法、装置、计算机设备 | |
CN112330411B (zh) | 团体产品推荐方法、装置、计算机设备及存储介质 | |
CN111785376B (zh) | 病情可视化预测系统、方法、计算机设备及存储介质 | |
US20220318327A1 (en) | Ranking similar users based on values and personal journeys | |
CN113177104B (zh) | 基于自然语言处理的语句筛选方法、装置及计算机设备 |
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 |