CN113837517A - 事件的触发方法及装置、介质及电子设备 - Google Patents
事件的触发方法及装置、介质及电子设备 Download PDFInfo
- Publication number
- CN113837517A CN113837517A CN202011389793.2A CN202011389793A CN113837517A CN 113837517 A CN113837517 A CN 113837517A CN 202011389793 A CN202011389793 A CN 202011389793A CN 113837517 A CN113837517 A CN 113837517A
- Authority
- CN
- China
- Prior art keywords
- matrix
- event
- reference value
- target transaction
- user data
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q30/012—Providing warranty 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及计算机领域,具体涉及事件的触发方法及装置、计算机可读存储介质及电子设备,上述方法包括:获取目标事务以及与目标事务对应的用户数据;将用户数据转换为稀疏矩阵,并根据稀疏矩阵计算稠密矩阵;根据稠密矩阵计算目标事务的风险参考值;当目标事务的风险参考值满足预设条件时触发第一事件。通过本公开实施例的技术方案,可以在用户数据满足预设条件时触发第一事件。
Description
技术领域
本公开涉及计算机领域,具体而言,涉及一种事件的触发方法、事件的触发装置、计算机可读存储介质及电子设备。
背景技术
随着互联网的发展,人们的购物方式也随之改变,越来越多的人开始通过购物网站进行购物。在购物过程中,可能会出现各种各样的问题,客户可能对物品或者购物过程中的服务产生不满,从而引发客户投诉。
在相关的客户投诉处理方式中,只能通过人为判断该客户是否会进行投诉,重点关注可能进行投诉的用户;在处理相关投诉时,需要准备相关材料,一般是在客户进行投诉之后,再准备相关资料。
然而,采用人为判断客户是否进行投诉的准确性较差,如果未能注意到可能投诉的客户,会极大的影响商家评价,且如果等到客户投诉后再准备相关,会使得投诉的处理效率差,进而导致客户更加不满。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种事件的触发方法及事件的触发装置、计算机可读存储介质及电子设备,可以在用户数据满足预设条件时触发第一事件。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供了一种事件的触发方法,包括:获取目标事务以及与所述目标事务对应的用户数据;将所述用户数据转换为稀疏矩阵,并根据所述稀疏矩阵计算稠密矩阵;根据所述稠密矩阵计算所述目标事务的风险参考值;当所述目标事务的风险参考值满足预设条件时触发第一事件。
在本公开的一种示例性实施例中,基于前述方案,对所述用户数据进行转换得到多个特征向量;合并所述多个特征向量得到稀疏矩阵。
在本公开的一种示例性实施例中,基于前述方案,获取初始化模型矩阵与所述稀疏矩阵;将所述初始化模型矩阵与所述稀疏矩阵相乘得到稠密矩阵。
在本公开的一种示例性实施例中,基于前述方案,获取所述用户数据中的多个用户信息以及所述用户信息中的多个文字信息;根据所述多个文字信息查找对应的特征向量,并将所述多个文字信息转换为对应的多个特征向量。
在本公开的一种示例性实施例中,基于前述方案,将属于同一用户信息的多个特征向量进行合并得到用户信息特征向量;将所述多个用户信息特征向量进行合并得到稀疏矩阵。
在本公开的一种示例性实施例中,基于前述方案,对所述稠密矩阵进行矩阵换算得到编码信息矩阵;将所述编码信息矩阵作为所述目标事务的风险参考值。
在本公开的一种示例性实施例中,基于前述方案,将所述风险参考值与所述预设条件进行比较;当所述风险参考值大于所述预设条件时触发第一事件。
在本公开的一种示例性实施例中,基于前述方案,获取所述大于预设条件的多个预设区间;根据所述风险参考值所在的预设区间确定第一事件的处理方式。
在本公开的一种示例性实施例中,基于前述方案,确定所述风险参考值落入的预设区间;获取所述预设区间的风险层级;获取所述风险层级对应的处理方式;将所述风险层级对应的处理方式确定为第一事件的处理方式。
在本公开的一种示例性实施例中,基于前述方案,获取所述第一事件的触发次数;当所述第一事件的触发次数大于预设阈值时触发第二事件。
根据本公开的第二方面,提供了一种事件的触发装置,包括:数据获取模块,用于获取目标事务以及与所述目标事务对应的用户数据;矩阵计算模块,用于将所述用户数据转换为稀疏矩阵,并根据所述稀疏矩阵计算稠密矩阵;风险计算模块,用于根据所述稠密矩阵计算所述目标事务的风险参考值;事件触发模块,用于当所述目标事务的风险参考值满足预设条件时触发第一事件。
根据本公开的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现如上述实施例中第一方面的事件的触发方法。
根据本公开的第四方面,提供了一种电子设备,包括:
处理器;以及
存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如上述实施例中第一方面的事件的触发方法。
本公开实施例提供的技术方案可以包括以下有益效果:
本公开的一种实施例提供的事件的触发方法中,获取到目标事务对应的用户数据之后,可以将用户数据转换为稀疏矩阵,并根据稀疏矩阵计算稠密矩阵,在根据稠密矩阵计算风险参考值,当目标事务的风险参考值满足预设条件时触发第一事件。本公开的实施例,一方面,可以根据用户数据计算客户投诉的风险参考值,提前对风险参考值较高的客户重点关注,避免客户投诉,提升商家评价;另一方面,可以提前准备投诉相关的材料,在无法避免客户投诉时,能够提高客户投诉的处理速度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。在附图中:
图1示意性示出了可以应用本公开实施例的一种事件的触发方法的示例性系统架构的示意图;
图2示意性示出本公开示例性实施例中事件的触发方法的流程图;
图3示意性示出本公开示例性实施例中将用户数据转换为特征向量并进行合并的流程图;
图4示意性示出本公开示例性实施例中根据稀疏矩阵与初始化模型矩阵计算稠密矩阵的流程图;
图5示意性示出本公开示例性实施例中将用户数据对应的文字信息转换为特征向量的流程图;
图6示意性示出本公开示例性实施例中将属于同一用户信息的特征向量合并为稀疏矩阵的流程图;
图7示意性示出本公开示例性实施例中根据稠密矩阵换算编码矩阵作为风险参考值的流程图;
图8示意性示出本公开示例性实施例中根据风险参考值是否大于预设条件确定是否触发第一事件的流程图;
图9示意性示出本公开示例性实施例中根据预设区间确定第一事件的处理方式的流程图;
图10示意性示出本公开示例性实施例中根据风险参考值落入的预设区间的风险层级确定第一事件的处理方式的流程图;
图11示意性示出本公开示例性实施例中根据第一事件的触发次数确定是否触发第二事件的流程图;
图12示意性示出本公开示例性实施例中一种事件的触发装置的组成示意图;
图13示意性示出了适于用来实现本公开示例性实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参照附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的事件的触发方法的示例性系统架构的示意图。
如图1所示,系统架构1000可以包括终端设备1001、1002、1003中的一种或多种,网络1004和服务器1005。网络1004用以在终端设备1001、1002、1003和服务器1005之间提供通信链路的介质。网络1004可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器1005可以是多个服务器组成的服务器集群等。
用户可以使用终端设备1001、1002、1003通过网络1004与服务器1005交互,以接收或发送消息等。终端设备1001、1002、1003可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。另外,服务器1005可以是提供各种服务的服务器。
在一种实施例中,本公开的事件的触发方法的执行主体可以是服务器1005,服务器1005可以获取由终端设备1001、1002、1003发送的目标事务以及与目标事务对应的用户数据,并根据本公开的事件的触发方法对目标事务对应的用户数据进行处理,然后将处理后得到的触发第一事件的信号返回至终端设备1001、1002、1003。此外,还可以通过终端设备1001、1002、1003等执行本公开的事件的触发方法,以实现根据目标事务对应的用户数据确定是否触发第一事件的过程。
此外,本公开事件的触发方法的实现过程还可以由终端设备1001、1002、1003和服务器1005共同实现。例如,终端设备1001、1002、1003可以获取目标事务以及与目标事务对应的用户数据,并将用户数据转换为稀疏矩阵,并根据稀疏矩阵计算稠密矩阵,然后将得到的稠密矩阵发送给服务器1005,以使服务器1005可以根据稠密矩阵计算目标事务的风险参考值,并根据目标事务的风险参考值是否满足预设条件确定是否触发第一事件。
本公开中事件的触发方案,可以应用于互联网环境中,根据目标事务以及与目标事务对应的用户数据确定是否处理第一事件的场景中,都可以使用本公开的方案。例如,针对某一生活服务类的网站中,可以根据用户数据判断客户是否对其消费不满;又如,针对某一电子商务网站,可以根据用户数据判断客户是否可能投诉;再如,针对某一游玩旅行的网站,可以根据用户数据判断客户旅途是否愉快等。本公开对应用场景并不做特殊限定。
根据本示例性实施例中所提供的事件的触发方法中,当获取目标事务以及与目标事务对应的用户数据时,将用户数据转换为稀疏矩阵,并根据稀疏矩阵计算稠密矩阵,并根据稠密矩阵计算目标事务的风险参考值,当目标事务的风险参考值满足预设条件时触发第一事件。如图2所示,该事件的触发方法可以包括以下步骤:
S210:获取目标事务以及与目标事务对应的用户数据;
S220:将用户数据转换为稀疏矩阵,并根据稀疏矩阵计算稠密矩阵;
S230:根据稠密矩阵计算目标事务的风险参考值;
S240:当目标事务的风险参考值满足预设条件时触发第一事件。
在本示例实施方式所提供的事件的触发方法中,一方面,可以根据用户数据计算客户投诉的风险参考值,提前对风险参考值较高的客户重点关注,避免客户投诉,提升商家评价;另一方面,可以提前准备投诉相关的材料,在无法避免客户投诉时,能够提高客户投诉的处理速度。
下面,将结合附图及实施例对本示例性实施例中的事件的触发方法的步骤S210~S240进行更详细的说明。
步骤S210,获取目标事务以及与目标事务对应的用户数据;
在本公开的一种示例实施例中,互联网的多种应用场景中都会产生目标事务,目标事务为本公开的方案需要关注的对象,需要判断是否对目标事务的进展进行干预。具体而言,目标事务可以包括订单,订单对应的订单号码,客户,服务单号,用户信息等。例如,某一生活服务类的网站中,可以将该生活服务类的网站中的用户可以作为目标事务;又如,某一电子商务网站,可以将该电子商务网站中某一订单作为目标事务;再如,某一游玩旅行的网站,可以将该游玩旅行的网站中的某一服务单作为目标事务。本公开对应用场景和目标事务并不做特殊限定,只要是根据事务对应的用户数据判断其参考值是否满足预设条件,从而触发第一事件即可。
在本公开的一种示例实施例中,用户数据可以包括目标事务对应的数据,当互联网的用户在进行网络活动时,会产生大量的用户数据,有一些特定的用户数据绘存储到相应的网站或应用中,这些网站和应用都具有服务器,可以将用户数据存储到相应的服务器中,或者,这些用户数据可以存储到各种终端的本地中,具体的,可以存储在在终端的储存器中,如ROM中。当需要获取目标事务以及与目标事务对应的用户数据时,可以在上述位置获取。本公开对目标事务以及与目标事务对应的用户数据的存储位置并不做特殊限定。
在本公开的一种示例实施例中,与所述目标事务对应的用户数据可以包括互联网的用户在进行网络活动时产生的数据。例如,某一用户在电子商务网站进行购物时产生时,会产生很多与该用户有关的用户数据,这些用户数据可以分为不同的维度。例如:订单维度数据,其可以包括订单号、商品号、下单时间、订单处理时长等信息;事件维度数据可以包括:用户咨询的次数、客服回访次数、用户接入客服等待时长、用户点击售后空间次数等信息;售后服务单维度数据可以包括:服务单留言、是否超时未审核、是否反复转入待客户反馈、服务单审核不通过、多次售后、客户反馈为解决等的信息;纠纷单维度数据可以包括:购买第三方商品纠纷对平台客服仲裁结果是否满意、申请仲裁次数、仲裁结果等信息;商品维度数据可以包括:包装、数量、规格、型号等信息;用户特征维度数据可以包括:用户身份特征、用户平台账号等级、用户平台信誉等级等信息。
在本公开的一种示例实施例中,可以根据具体业务场景,选择需要判断的目标事务,并且根据目标事务的用户数据计算风险参考值时,在终端的本地或服务器中获取与目标事务对应的用户数据。
步骤S220,将用户数据转换为稀疏矩阵,并根据稀疏矩阵计算稠密矩阵;
在本公开的一种示例实施例中,稀疏矩阵可以包括数值为0的元素数目远远多于非0元素的数目,通常情况下,矩阵中非零元素的总数比上矩阵所有元素总数的值小于等于0.05,并且非0元素分布没有规律时,则称该矩阵为稀疏矩阵。由于矩阵中的大多数元素为零,可以利用零元素节约大量存储、运算和程序运行时间;与之相反,若非0元素数目占大多数时,则称该矩阵为稠密矩阵。定义非零元素的总数比上矩阵所有元素的总数为矩阵的稠密度。
在本公开的一种示例实施例中,由于计算机不能直接对文字进行处理,因此可以将用户数据转换为稀疏矩阵,使得用户数据以稀疏矩阵的方式展现。具体对用户数据进行转换时,可以采用embedding方法(嵌入算法)、one-hot算法等。例如,当获取到用户数据中的服务单留言“我要到工商局投诉”时,可以采用one-hot转换用户数据,将服务单留言中的词汇转换为one-hot编码。
在本公开的一种示例实施例中,还可以采用embedding方法(嵌入算法)计算计算。嵌入算法可以将文本空间中的某个词汇,通过一定的方法,映射到另一个数值向量空间。嵌入算法包括基于频率的嵌入算法和基于预测的嵌入算法。具体的,基于频率的嵌入算法可以包括Count Vector、TF-IDF Vector、Co-Occurence Vector等;基于预测的嵌入算法包括continues bag of words、Skip–Gram等。采用嵌入算法将用户数据转换为稀疏矩阵,可以将用户数据的向量维度降维。本公开对将用户数据转换为稀疏矩阵的方式并不做特殊限定。
在本公开的一种示例实施例中,在获取到与目标事务对应的用户数据之后,可以将与目标事务对应的用户数据转换为稀疏矩阵,并根据这个稀疏矩阵计算稠密矩阵。通常来说,稀疏矩阵的维度相对较高,所占内存较大,相对来说也比较复杂,所以可以根据稀疏矩阵计算稠密矩阵,具体的,可以采用三元法、压缩存储、降低低频次等方式将稀疏矩阵转换为稠密矩阵。本公开对根据稀疏矩阵计算稠密矩阵的方式并不做特殊限定。
在本公开的一种示例实施例中,在获取到目标事务以及与目标事务对应的用户数据后,可以将用户数据转换为多个特征向量,合并这些特征向量得到稀疏矩阵。参照图3所示,将用户数据转换为特征向量并进行合并,可以包括以下步骤S310~S320:
步骤S310:对用户数据进行转换得到多个特征向量;
在本公开的一种示例实施例中,在获取到目标事务以及与目标事务对应的用户数据后,可以将用户数据转换为多个特征向量。具体而言,用户数据中的每个词汇都可以转换为一个特征向量,换言之,每个特征向量都可以映射一个词汇,如可以采用one-hot算法将“我”这个词汇转换为特征向量(1,0,0,0,0)。由于用户数据中包括的多种维度的信息,因此,可以将用户数据转换为多个特征向量。需要说明的是,本公开对根据用户数据转换特征向量的方式并不做特殊限定,只要能够将用户数据转换为特征向量即可。
步骤S320:合并多个特征向量得到稀疏矩阵。
在本公开的一种示例实施例中,在获取到上述步骤中根据用户数据转换为多个特征向量以后,可以将这些特征向量进行合并,从而得到稀疏矩阵。具体而言,上述步骤中得到的多个特征向量可以包括只有一个位置为1,其它位置为0的向量。举例而言,将多个向量A[[0,1,0,0]],B[[1,0,0,0]],C[[0,0,1,0]]合并为稀疏矩阵[[[0,1,0,0],[1,0,0,0],[0,0,1,0]]]。需要说明的是,在不同的程序设计语言中,将向量合并为矩阵的方式并不相同,本公开对向量合并的方式并不做特殊限定,只要能够将特征向量合并得到稀疏矩阵即可。
通过上述步骤S310~S320,可以根据用户数据进行转换得到多个特征向量,并且合并多个特征向量得到稀疏矩阵。
通过上述步骤S310~S320,在根据用户数据进行转换得到多个特征向量,并且合并多个特征向量得到稀疏矩阵之后,还可以根据初始化模型矩阵与稀疏矩阵计算稠密矩阵。参照图4所示,根据稀疏矩阵与初始化模型矩阵计算稠密矩阵,可以包括以下步骤S410~S420:
步骤S410,获取初始化模型矩阵与稀疏矩阵;
在本公开的一种示例实施例中,根据用户数据进行转换得到多个特征向量,并且合并多个特征向量得到稀疏矩阵之后,还可以获取初始化模型矩阵,该初始化模型矩阵可以包括隐层参数矩阵,隐层参数矩阵中的参数即为词汇的权重,隐层参数矩阵可以根据训练达到更好的精确度。例如,可以采用抽样的方法,将一些没有实义的词汇排除在训练样本之外。
步骤S420,将初始化模型矩阵与稀疏矩阵相乘得到稠密矩阵。
在本公开的一种示例实施例中,在获取到稀疏矩阵和初始化模型矩阵之后,可以将稀疏矩阵和初始化模型矩阵相乘得到稠密矩阵。具体的,在使用嵌入算法完成本公开的方案时,假设嵌入向量的维度为200,而训练样本中的输入向量(稀疏矩阵中的特征向量)的维度为20000,则隐层参数矩阵的迭代将会是1乘20000的向量和20000乘200的向量矩阵相乘,此时,计算资源消耗过大,计算效率较低。因此,可以将稀疏矩阵与初始化模型矩阵相乘。具体的,可以获取稀疏矩阵中的特征向量中数值为1的索引,并将该索引对应的初始化模型矩阵的向量取出即可。举例而言,当稀疏矩阵中某一个特征向量为(0,1,0,0),初始化模型矩阵表达式如下:
将稀疏矩阵与初始化模型矩阵相乘,即根据特征向量中1所对应的索引在初始化模型矩阵中查找与该索引对应的向量。因此,稀疏矩阵与初始化模型矩阵相乘的结果为X=(θ21 θ22 θ23 θ24),此时X为稠密矩阵。
通过上述步骤S410~S420,在根据用户数据进行转换得到多个特征向量,并且合并多个特征向量得到稀疏矩阵之后,还可以根据初始化模型矩阵与稀疏矩阵计算稠密矩阵。
在本公开的一种示例实施例中,在获取用户数据中的多个用户信息,并且获取用户信息中的多个文字信息,然后根据多个文字信息查找对应的特征向量,再将多个文字信息转换为对应的多个特征向量。参照图5所示,将用户数据对应的文字信息转换为特征向量,可以包括以下步骤S510-S520:
步骤S510,获取用户数据中的多个用户信息以及用户信息中的多个文字信息;
在本公开的一种示例实施例中,用户数据可以按照不同的分类标准进行分类,从而得到多个用户信息。例如,在互联网的用户在某一电子商务网站进行购物产生的用户数据,可以将该用户数据按照数据维度进行分类,分类后的结果可以包括订单维度数据;事件维度数据;售后服务单维度数据;纠纷单维度数据;商品维度数据;用户特征维度数据。具体的,用户信息中可以包括文字信息。例如,在售后服务单维度数据中可以包括多条订单留言信息,订单留言信息可以由多个文字信息组成。
步骤S520,根据多个文字信息查找对应的特征向量,并将多个文字信息转换为对应的多个特征向量。
在本公开的一种示例实施例中,可以根据上述步骤中获取的文字信息查找对应的特征向量。具体的,可以在文字信息-特征向量表中查找文字信息对应的特征向量。例如,在某一个订单留言信息中获取到“我要到工商局去投诉”,此时,可以将“我”转换为特征向量(1,0,0,0,0),可以将“要”转换为特征向量(0,1,0,0,0),可以将“到”转换为特征向量(0,0,1,0,0),可以将“工商局”转换为特征向量(0,0,0,1,0),可以将“投诉”转换为特征向量(0,0,0,0,1)。
通过上述步骤S510~S520,在获取用户数据中的多个用户信息以及用户信息中的多个文字信息之后,可以将文字信息转换为对应的特征向量。
在本公开的一种示例实施例中,在获取到根据文字信息转换的特征向量之后,可以将属于同一用户信息的多个特征向量进行合并得到用户信息特征向量,并将多个用户信息特征向量进行合并得到稀疏矩阵。参照图6所示,将属于同一用户信息的特征向量合并为稀疏矩阵,可以包括以下步骤S610~S620:
步骤S610:将属于同一用户信息的多个特征向量进行合并得到用户信息特征向量;
在本公开的一种示例实施例中,根据上述步骤获取到文字信息转换得到的特征向量之后,可以将属于同一用户信息的多个特征向量进行合并得到用户信息特征向量。具体的,可以获取用户数据对应的分类标准,并获取分类标准对应的用户信息转换后的多个特征向量,并将这些特征向量进行合并,得到多个用户信息特征向量。
步骤S620:将多个用户信息特征向量进行合并得到稀疏矩阵;
通过上述步骤S610~S620,可以将属于同一用户信息的多个特征向量进行合并得到用户信息特征向量,并将多个用户信息特征向量进行合并得到稀疏矩阵。
步骤S230:根据稠密矩阵计算目标事务的风险参考值;
在本公开的一种示例实施例中,当获取到上述步骤中得到的稠密矩阵之后,可以根据稠密矩阵计算风险参考值。具体的,可以采用Transformer算法进行计算,Transformer是一种基于encoder-decoder结构的模型。需要说明的是,在本方案中,由于不涉及翻译部分,因此只采用Transformer算法中的encoder部分。在使用Transformer算法时,可以先输入一个稠密矩阵,再经过encoder的6个编码器,每一个编码器中都包括两个子层,包括self-attention层和feed-forward层(前馈神经网络层),输入的稠密矩阵先经过self-attention层,再经过feed-forward层,每个编码器的输出向量是它正上方编码器的输入,最后可以得到一个0~1之间的值,将该值作为风险参考值。
在本公开的一种示例实施例中,当获取到稠密矩阵之后,可以根据稠密矩阵进行矩阵换算得到编码信息矩阵,然后将该编码信息矩阵作为风险参考值。参照图7所示,根据稠密矩阵换算编码矩阵作为风险参考值,可以包括以下步骤S710-S720:
步骤S710:对稠密矩阵进行矩阵换算得到编码信息矩阵;
步骤S720:将编码信息矩阵作为目标事务的风险参考值。
通过上述步骤S710~S720,在获取到上述步骤中的稠密矩阵之后,可以对稠密矩阵进行矩阵换算。具体的,在采用Transformer算法时,编码器获取到稠密矩阵之后,可以对稠密矩阵进行矩阵换算,最终得到一个编码信息矩阵,该编码信息矩阵通常为一行一列的矩阵,这个一行一列的矩阵的值在0~1之间。此时,可以将这个一行一列的矩阵作为目标事务的风险参考值。
步骤S240,当目标事务的风险参考值满足预设条件时触发第一事件。
在本公开的一种示例实施例中,第一事件可以包括与目标事务有关的处理方式,可以用于干预目标事务特定行为的发展趋势或提前应对方式等。例如,在互联网的用户在某一电子商务网站进行购物时,目标事务为客户投诉,此时,第一事件可以包括用于干预客户投诉的方式,例如:对客户进行回访、针对客户的问题进行针对性解决等,从而避免客户投诉;当客户进行投诉时,需要向第三方递交相关材料(如投诉订单相关信息、卖家相关资质、客户沟通记录、客户抱怨处理方式、客户抱怨处理流程等信息),因此,第一事件还可以包括提前准备投诉材料,当无法避免客户投诉时,可以提前准备相关材料,加快客户投诉处理流程。
需要说明的是,第一事件可以为一个事件,也可以为多个事件同时进行。如上,第一事件可以为对客户进行回访、针对客户的问题进行解答、提前准备投诉材料中的一种或多种。
在本公开的一种示例实施例中,在获取到上述步骤中的风险参考值时,可以根据风险参考值是否满足预设条件确定是否触发第一事件。具体的,可以提前设定一个预设条件,当目标事务对应的风险参考值的数值满足预设条件时,触发上述第一事件。
在本公开的一种示例实施例中,当获取到上述步骤中得到的风险参考值后,可以将风险参考值与预设条件进行比较,当风险参考值大于预设条件时触发第一事件。参照图8所示,根据风险参考值是否大于预设条件确定是否触发第一事件,可以包括以下步骤S810~S820:
步骤S810:将风险参考值与预设条件进行比较;
步骤S820:当风险参考值大于预设条件时触发第一事件。
在本公开的一种示例实施例中,预设条件可以设置为一个具体数值,此时,将上述步骤中得到的风险参考值与这个具体数值进行比较。例如,上述步骤中获得的目标事务对应的风险参考值为0.855,提前设置的预设条件为0.8,此时,可以将0.855和0.8进行比较,当风险参考值的数值大于预设条件时,触发第一事件。具体的,在比较风险参考值与预设条件的数值大小时,可以采用max函数进行比较。需要说明的是,在不同的程序设计语言中,可以采用不同的方式进行比较,本公开对此并不做特殊限定。
通过上述步骤S810~S820,将风险参考值与预设条件进行比较后,可以获取大于预设条件的多个预设区间,并根据风险参考值所在的预设区间确定第一事件的处理方式。参照图9所示,根据预设区间确定第一事件的处理方式,可以包括以下步骤S910~S920:
步骤S910:获取大于预设条件的多个预设区间;
在本公开的一种示例实施例中,预设条件可以包括一个具体数值,此时,可以在大于预设条件的范围内设置多个预设区间。例如,预设条件的具体数值为0.7,此时,可以将大于预设区间的范围0.7~1.0分为3个预设区间0.7-0.8、0.8-0.9、0.9-1.0。
步骤S920:根据风险参考值所在的预设区间确定第一事件的处理方式。
在本公开的一种示例实施例中,在获取到大于预设条件的范围内设置多个预设区间之后,获取上述步骤中得到的风险参考值所在的预设区间,并根据风险参考值所在的预设区间确定第一事件的处理方式。具体的,每个预设区间对应不同的第一事件的处理方式,不同的处理方式可以代表第一事件的紧急程度或重要程度。例如,可以将大于预设条件的范围分为3个预设区间,每个预设区间对应的优先级,重视程度,对接人员可以依次增加。
通过上述步骤S910~S920,将风险参考值与预设条件进行比较后,可以获取大于预设条件的多个预设区间,并根据风险参考值所在的预设区间确定第一事件的处理方式。
在本公开的一种示例实施例中,在获取到上述步骤中的多个预设区间时,可以获取预设区间的风险层级,并根据风险层级获取对应的第一事件的处理方式。参照图10所示,根据风险参考值落入的预设区间的风险层级确定第一事件的处理方式,可以包括以下步骤S1010-S1040:
步骤S1010:确定风险参考值落入的预设区间;
步骤S1020:获取预设区间的风险层级;
步骤S1030:获取风险层级对应的处理方式;
步骤S1040:将风险层级对应的处理方式确定为第一事件的处理方式。
在本公开的一种示例实施例中,在获取到上述步骤中获得的风险参考值以及提前设置的预设区间后,可以确定风险参考值所在对的预设区间。具体的,每个预设区间可以对应一个风险层级,每个风险层级对应的紧急程度或重要程度都不相同。具体的,每个风险层级可以对一种处理方式。
举例而言,在电子商务网站购物的场景下,目标事务为客户投诉,可以设置预设条件的具体数值为0.7。此时,可以将大于预设区间的范围0.7~1.0分为3个预设区间0.7-0.8、0.8-0.9、0.9-1.0,其中,0.7-0.8可以对应低风险层级、0.8-0.9对应中风险层级、0.9-1.0对应高风险层级。
进一步的,可以设置低风险层级的优先级较低,重视程度较弱,在处理低风险层级的目标事务时,第一事件的处理方式为安排客服在7天内进行消息回访;中风险层级的优先级中等,重视程度中等,在处理中风险层级的目标事务时,第一事件的处理方式为安排客服在3天内进行电话回访;高风险层级的优先级较高,重视程度高,在处理高风险层级的目标事务时,第一事件的处理方式为安排客服经理在1天内进行电话回访。
通过上述步骤S1010~S1040,可以在获取到上述步骤中的多个预设区间时,获取预设区间的风险层级,并根据风险层级获取对应的第一事件的处理方式。
在本公开的一种示例实施例中,可以获取上述步骤中第一事件的触发次数,当第一事件的触发次数大于预设阈值时触发第二事件。参照图11所示,根据第一事件的触发次数确定是否触发第二事件,可以包括以下步骤S1110~S1120:
步骤S1110:获取第一事件的触发次数;
步骤S1120:当第一事件的触发次数大于预设阈值时触发第二事件。
在本公开的一种示例实施例中,可以提前设置一个预设阈值,预设阈值可以包括一个具体数值,并实时获取第一事件的触发次数,当第一事件的触发次数大于预设阈值时,触发第二事件。具体的,第二事件可以包括与目标事务有关的处理方式,可以用于干预目标事务特定行为的发展趋势或提前应对方式等。需要说明的是,第一事件与第二事件可以相同也可以不同,第二事件可以为一种或多种。
举例而言,在互联网的用户在某一电子商务网站进行购物时,目标事务为客户投诉,此时,第二事件可以包括内部管理的相关措施,例如:当上述第一事件的触发次数大于5次时,对相关业务部门发出预警,业务部门可以根据预警对相关业务流程进行梳理、或者可以对产品的质量进行改进等;第二事件还可以包括提前准备投诉材料,当无法避免客户投诉时,可以提前准备相关材料,加快客户投诉处理流程。
通过上述步骤S1110~S1120,可以获取上述步骤中第一事件的触发次数,当第一事件的触发次数大于预设阈值时触发第二事件。
本公开的一种或多种示例实施例中,当获取到目标事务对应的用户数据之后,可以将用户数据转换为稀疏矩阵,并根据稀疏矩阵计算稠密矩阵,在根据稠密矩阵计算风险参考值,当目标事务的风险参考值满足预设条件时触发第一事件。本公开的实施例,一方面,可以根据用户数据计算客户投诉的风险参考值,提前对风险参考值较高的客户重点关注,避免客户投诉,提升商家评价;另一方面,可以提前准备投诉相关的材料,在无法避免客户投诉时,能够提高客户投诉的处理速度。
需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
此外,在本公开的示例性实施方式中,还提供了一种事件的触发装置。参照图12所示,一种事件的触发装置1200包括:数据获取模块1210,矩阵计算模块1220、风险计算模块1230、事件触发模块1240。
其中,数据获取模块,用于获取目标事务以及与目标事务对应的用户数据;矩阵计算模块,用于将用户数据转换为稀疏矩阵,并根据稀疏矩阵计算稠密矩阵;风险计算模块,用于根据稠密矩阵计算目标事务的风险参考值;事件触发模块,用于当目标事务的风险参考值满足预设条件时触发第一事件。
在本公开的一种示例性实施例中,基于前述方案,对用户数据进行转换得到多个特征向量;合并多个特征向量得到稀疏矩阵。
在本公开的一种示例性实施例中,基于前述方案,获取初始化模型矩阵与稀疏矩阵;将初始化模型矩阵与稀疏矩阵相乘得到稠密矩阵。
在本公开的一种示例性实施例中,基于前述方案,获取用户数据中的多个用户信息以及用户信息中的多个文字信息;根据多个文字信息查找对应的特征向量,并将多个文字信息转换为对应的多个特征向量。
在本公开的一种示例性实施例中,基于前述方案,将属于同一用户信息的多个特征向量进行合并得到用户信息特征向量;将多个用户信息特征向量进行合并得到稀疏矩阵。
在本公开的一种示例性实施例中,基于前述方案,对稠密矩阵进行矩阵换算得到编码信息矩阵;将编码信息矩阵作为目标事务的风险参考值。
在本公开的一种示例性实施例中,基于前述方案,将风险参考值与预设条件进行比较;当风险参考值大于预设条件时触发第一事件。
在本公开的一种示例性实施例中,基于前述方案,获取大于预设条件的多个预设区间;根据风险参考值所在的预设区间确定第一事件的处理方式。
在本公开的一种示例性实施例中,基于前述方案,确定风险参考值落入的预设区间;获取预设区间的风险层级;获取风险层级对应的处理方式;将风险层级对应的处理方式确定为第一事件的处理方式。
在本公开的一种示例性实施例中,基于前述方案,获取第一事件的触发次数;当第一事件的触发次数大于预设阈值时触发第二事件。
由于本公开的示例实施例的事件的触发装置的各个功能模块与上述事件的触发方法的示例实施例的步骤对应,因此对于本公开装置实施例中未披露的细节,请参照本公开上述的事件的触发方法的实施例。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述事件的触发方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参照图13来描述根据本公开的这种实施例的电子设备1300。图13显示的电子设备1300仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图13所示,电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于:上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330、显示单元1340。
其中,存储单元存储有程序代码,程序代码可以被处理单元1310执行,使得处理单元1310执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如,S210:获取目标事务以及与目标事务对应的用户数据;S220:将用户数据转换为稀疏矩阵,并根据稀疏矩阵计算稠密矩阵;S230:根据稠密矩阵计算目标事务的风险参考值;S240:当目标事务的风险参考值满足预设条件时触发第一事件。
又如,电子设备可以实现如图2所示的各个步骤。
存储单元1320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)1321和/或高速缓存存储单元1322,还可以进一步包括只读存储单元(ROM)1323。
存储单元1320还可以包括具有一组(至少一个)程序模块1325的程序/实用工具1324,这样的程序模块1325包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1300也可以与一个或多个外部设备1370(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1300交互的设备通信,和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1350进行。并且,电子设备1300还可以通过网络适配器1360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1360通过总线1330与电子设备1300的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1300使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (13)
1.一种事件的触发方法,其特征在于,包括:
获取目标事务以及与所述目标事务对应的用户数据;
将所述用户数据转换为稀疏矩阵,并根据所述稀疏矩阵计算稠密矩阵;
根据所述稠密矩阵计算所述目标事务的风险参考值;
当所述目标事务的风险参考值满足预设条件时触发第一事件。
2.根据权利要求1所述的方法,其特征在于,将所述用户数据转换为稀疏矩阵,包括:
对所述用户数据进行转换得到多个特征向量;
合并所述多个特征向量得到稀疏矩阵。
3.根据权利要求2所述的方法,其特征在于,所述根据稀疏矩阵计算稠密矩阵,包括:
获取初始化模型矩阵与所述稀疏矩阵;
将所述初始化模型矩阵与所述稀疏矩阵相乘得到稠密矩阵。
4.根据权利要求2所述的方法,其特征在于,所述对所述用户数据进行转换得到多个特征向量,包括:
获取所述用户数据中的多个用户信息以及所述用户信息中的多个文字信息;
根据所述多个文字信息查找对应的特征向量,并将所述多个文字信息转换为对应的多个特征向量。
5.根据权利要求4所述的方法,其特征在于,所述合并所述多个特征向量得到稀疏矩阵,包括:
将属于同一用户信息的多个特征向量进行合并得到用户信息特征向量;
将所述多个用户信息特征向量进行合并得到稀疏矩阵。
6.根据权利要求1所述的方法,其特征在于,所述根据稠密矩阵计算所述目标事务的风险参考值,包括:
对所述稠密矩阵进行矩阵换算得到编码信息矩阵;
将所述编码信息矩阵作为所述目标事务的风险参考值。
7.根据权利要求1所述的方法,其特征在于,所述当目标事务的风险参考值满足预设条件时触发第一事件,包括:
将所述风险参考值与所述预设条件进行比较;
当所述风险参考值大于所述预设条件时触发第一事件。
8.根据权利要求7所述的方法,其特征在于,所述当风险参考值大于所述预设条件时触发第一事件,包括:
获取所述大于预设条件的多个预设区间;
根据所述风险参考值所在的预设区间确定第一事件的处理方式。
9.根据权利要求8所述的方法,其特征在于,所述根据风险参考值所在的预设区间确定第一事件的处理方式,包括:
确定所述风险参考值落入的预设区间;
获取所述预设区间的风险层级;
获取所述风险层级对应的处理方式;
将所述风险层级对应的处理方式确定为第一事件的处理方式。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述第一事件的触发次数;
当所述第一事件的触发次数大于预设阈值时触发第二事件。
11.一种事件的触发装置,其特征在于,包括:
数据获取模块,用于获取目标事务以及与所述目标事务对应的用户数据;
矩阵计算模块,用于将所述用户数据转换为稀疏矩阵,并根据所述稀疏矩阵计算稠密矩阵;
风险计算模块,用于根据所述稠密矩阵计算所述目标事务的风险参考值;
事件触发模块,用于当所述目标事务的风险参考值满足预设条件时触发第一事件。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至9中任一项所述的方法。
13.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011389793.2A CN113837517A (zh) | 2020-12-01 | 2020-12-01 | 事件的触发方法及装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011389793.2A CN113837517A (zh) | 2020-12-01 | 2020-12-01 | 事件的触发方法及装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113837517A true CN113837517A (zh) | 2021-12-24 |
Family
ID=78962469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011389793.2A Pending CN113837517A (zh) | 2020-12-01 | 2020-12-01 | 事件的触发方法及装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837517A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080147427A1 (en) * | 2006-12-18 | 2008-06-19 | Fujitsu Limited | Complaint processing method and apparatus |
CN106920147A (zh) * | 2017-02-28 | 2017-07-04 | 华中科技大学 | 一种基于词向量数据驱动的商品智能推荐方法 |
CN108090093A (zh) * | 2016-11-22 | 2018-05-29 | 华为技术有限公司 | 生成推荐结果的方法和装置 |
CN109063921A (zh) * | 2018-08-20 | 2018-12-21 | 平安科技(深圳)有限公司 | 客户风险预警的优化处理方法、装置、计算机设备和介质 |
CN109299976A (zh) * | 2018-09-07 | 2019-02-01 | 深圳大学 | 点击率预测方法、电子装置及计算机可读存储介质 |
WO2019095572A1 (zh) * | 2017-11-17 | 2019-05-23 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN110008986A (zh) * | 2019-02-19 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 批量风险案件识别方法、装置及电子设备 |
CN110275956A (zh) * | 2019-06-24 | 2019-09-24 | 成都数之联科技有限公司 | 一种人员识别方法及系统 |
CN110472041A (zh) * | 2019-07-01 | 2019-11-19 | 浙江工业大学 | 一种面向客服在线质检的文本分类方法 |
CN110807150A (zh) * | 2019-10-14 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 信息处理方法及装置、电子设备和计算机可读存储介质 |
CN110942326A (zh) * | 2018-09-25 | 2020-03-31 | 北京嘀嘀无限科技发展有限公司 | 一种用户满意度预测方法及装置、服务器 |
CN111047009A (zh) * | 2019-11-21 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 事件触发概率预估模型训练方法及事件触发概率预估方法 |
US20200286100A1 (en) * | 2019-04-10 | 2020-09-10 | Alibaba Group Holding Limited | Payment complaint method, device, server and readable storage medium |
CN111932020A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 客户流失预测方法和装置 |
-
2020
- 2020-12-01 CN CN202011389793.2A patent/CN113837517A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080147427A1 (en) * | 2006-12-18 | 2008-06-19 | Fujitsu Limited | Complaint processing method and apparatus |
CN108090093A (zh) * | 2016-11-22 | 2018-05-29 | 华为技术有限公司 | 生成推荐结果的方法和装置 |
CN106920147A (zh) * | 2017-02-28 | 2017-07-04 | 华中科技大学 | 一种基于词向量数据驱动的商品智能推荐方法 |
WO2019095572A1 (zh) * | 2017-11-17 | 2019-05-23 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN109063921A (zh) * | 2018-08-20 | 2018-12-21 | 平安科技(深圳)有限公司 | 客户风险预警的优化处理方法、装置、计算机设备和介质 |
CN109299976A (zh) * | 2018-09-07 | 2019-02-01 | 深圳大学 | 点击率预测方法、电子装置及计算机可读存储介质 |
CN110942326A (zh) * | 2018-09-25 | 2020-03-31 | 北京嘀嘀无限科技发展有限公司 | 一种用户满意度预测方法及装置、服务器 |
CN110008986A (zh) * | 2019-02-19 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 批量风险案件识别方法、装置及电子设备 |
US20200286100A1 (en) * | 2019-04-10 | 2020-09-10 | Alibaba Group Holding Limited | Payment complaint method, device, server and readable storage medium |
CN110275956A (zh) * | 2019-06-24 | 2019-09-24 | 成都数之联科技有限公司 | 一种人员识别方法及系统 |
CN110472041A (zh) * | 2019-07-01 | 2019-11-19 | 浙江工业大学 | 一种面向客服在线质检的文本分类方法 |
CN110807150A (zh) * | 2019-10-14 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 信息处理方法及装置、电子设备和计算机可读存储介质 |
CN111047009A (zh) * | 2019-11-21 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 事件触发概率预估模型训练方法及事件触发概率预估方法 |
CN111932020A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 客户流失预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492772B (zh) | 生成信息的方法和装置 | |
CN111125574B (zh) | 用于生成信息的方法和装置 | |
US10678821B2 (en) | Evaluating theses using tree structures | |
CN116541610B (zh) | 一种推荐模型的训练方法及装置 | |
CN107911449A (zh) | 用于推送信息的方法和装置 | |
CN112348592A (zh) | 广告推荐方法、装置、电子设备及介质 | |
CN110866040A (zh) | 用户画像生成方法、装置和系统 | |
WO2022156589A1 (zh) | 一种直播点击率的确定方法和装置 | |
CN112016792A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN111178972A (zh) | 消息推送方法、装置、存储介质及设备 | |
CN113836390B (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN113139115A (zh) | 信息推荐方法、搜索方法、装置及客户端、介质及设备 | |
CN113298555B (zh) | 推广策略生成方法、装置及电子设备 | |
CN109829744A (zh) | 基于自然语言处理的咨询方法、装置、电子设备及介质 | |
CN115619142A (zh) | 匹配数据的方法、装置、设备和计算机可读介质 | |
CN113837517A (zh) | 事件的触发方法及装置、介质及电子设备 | |
CN112015978B (zh) | 一种定制信息发送方法、装置和电子设备 | |
CN112307334B (zh) | 信息推荐方法、信息推荐装置、存储介质与电子设备 | |
CN113902543A (zh) | 资源配额调整方法、装置及电子设备 | |
CN109947830B (zh) | 用于输出信息的方法和装置 | |
CN116911913B (zh) | 一种交互结果的预测方法及装置 | |
CN116911304B (zh) | 一种文本推荐方法及装置 | |
CN108846743B (zh) | 用于生成信息的方法和装置 | |
CN114219053B (zh) | 用户位置信息处理方法、装置及电子设备 |
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 |