CN114118882A - 基于组合模型的服务数据处理方法、装置、设备和介质 - Google Patents

基于组合模型的服务数据处理方法、装置、设备和介质 Download PDF

Info

Publication number
CN114118882A
CN114118882A CN202210097741.0A CN202210097741A CN114118882A CN 114118882 A CN114118882 A CN 114118882A CN 202210097741 A CN202210097741 A CN 202210097741A CN 114118882 A CN114118882 A CN 114118882A
Authority
CN
China
Prior art keywords
service
model
quality
data
processed
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.)
Granted
Application number
CN202210097741.0A
Other languages
English (en)
Other versions
CN114118882B (zh
Inventor
杨华宇
王昕�
胡芳
王欢
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.)
Taiping Financial Operation Service Shanghai Co ltd
Taiping Finance Technology Services Shanghai Co ltd
Original Assignee
Taiping Financial Operation Service Shanghai Co ltd
Taiping Finance Technology Services 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 Taiping Financial Operation Service Shanghai Co ltd, Taiping Finance Technology Services Shanghai Co ltd filed Critical Taiping Financial Operation Service Shanghai Co ltd
Priority to CN202210097741.0A priority Critical patent/CN114118882B/zh
Publication of CN114118882A publication Critical patent/CN114118882A/zh
Application granted granted Critical
Publication of CN114118882B publication Critical patent/CN114118882B/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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking

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)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Telephonic Communication Services (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种基于组合模型的服务数据处理方法、装置、计算机设备和存储介质。所述方法包括：获取待处理服务数据，所述待处理服务数据携带有用户标识；查询与所述用户标识对应的用户数据；将所述待处理服务数据输出至初始模型中得到初始服务质量；将所述初始服务质量以及所述用户数据输入至目标模型中得到目标服务质量，所述初始模型与所述目标模型是预先联合训练得到的。采用本方法能够提高准确性。

Description

基于组合模型的服务数据处理方法、装置、设备和介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种基于组合模型的服务数据处理方法、装置、设备和介质。
背景技术
随着电话技术的发展，出现了电话客服技术，电话客服服务客户时，通常是客户明确提出要投诉时，电话客服才受理客户投诉转由其他部门进一步处理。但是电话客服质量管理更需要了解没有明确提出投诉但是表达了不满，或者已经有投诉倾向，后续将线上或线下投诉的客户。
针对这个问题，传统技术中是业务人员罗列一些典型的抱怨关键字，当客户提到这些关键字的时候，定义客户为有投诉倾向。这种人工判断关键词的方法比较准确，但是存在人工成本高昂，关键词不便于管理更新，关键词多较复杂难以记忆，关键词主观性较强等特点。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确获取电话客服的服务质量的基于组合模型的服务数据处理方法、装置、设备和介质。
一种基于组合模型的服务数据处理方法，所述方法包括：
获取待处理服务数据，所述待处理服务数据携带有用户标识；
查询与所述用户标识对应的用户数据；
将所述待处理服务数据输出至初始模型中得到初始服务质量；
将所述初始服务质量以及所述用户数据输入至目标模型中得到目标服务质量，所述初始模型与所述目标模型是预先联合训练得到的。
在其中一个实施例中，所述初始模型和所述目标模型的联合训练方式包括：
获取样本数据，所述样本数据包括样本服务数据、目标服务质量以及对应的用户历史数据；
将所述样本服务数据分别输入至预先选取的第一模型中，得到每个所述第一模型对应的第一服务质量，并根据所述目标服务质量以及所述第一服务质量对所述第一模型进行优化；
将所述样本服务数据分别输入至优化后的第一模型中，得到每个所述第一模型对应的优化服务质量；
将每个所述优化服务质量、用户历史数据分别输入至预先选取的第二模型中，得到每个所述第二模型以及优化后的第一模型对应的第二服务质量；
根据所述目标服务质量和所述第二服务质量对所述第二模型进行优化；
将所述优化服务质量、用户历史数据输入至优化后的第二模型中，得到每个优化后的所述第一模型和优化后的所述第二模型对应的参考服务质量；
根据所述参考服务质量和所述目标服务质量选取优化后的第一模型作为初始模型，优化后的第二模型作为目标模型。
在其中一个实施例中，所述样本服务数据为根据电话录音所得到的文本数据，所述将所述样本服务数据分别输入至预先选取的第一模型中，包括：
将所述文本数据进行分词处理得到若干分词；
获取每一分词对应的向量；
根据所述分词之间的顺序将每一分词对应的向量进行组合得到分词矩阵；
将所述分词矩阵分别输入至预先选取的第一模型中。
在其中一个实施例中，所述将所述待处理服务数据输出至初始模型中得到初始服务质量之前，还包括：
判断所述待处理服务数据是否存在服务质量判定结果；
当所述待处理服务数据存在服务质量判定结果，则输出所述服务质量判定结果；
当所述待处理服务数据不存在服务质量判定结果，则将所述待处理服务数据转换为待处理分词矩阵。
在其中一个实施例中，所述方法还包括：
根据所述目标服务质量对所述样本服务数据进行分组；
将各个分组中的样本服务数据进行比较，得到预设分组对应的特征文本；
统计所述特征文本对应的词频；
选取词频大于预设值的特征文本，并将所选取的特征文本与所述预设分组进行关联存储；
构建与所述特征文本对应的质量分组因子，并将所述特征文本与所述质量分组因子进行关联存储。
在其中一个实施例中，所述将所述初始服务质量以及所述用户数据输入至目标模型中得到目标服务质量之后，包括：
判断所述目标服务质量是否满足预设条件；
当所述目标服务质量满足预设条件时，则提取所述待处理服务数据中的关键词；
将所提取的关键词与所述特征文本进行匹配，得到每一关键词的匹配度；
根据所述匹配度选取预设数量的特征文本；
获取所选取的特征文本对应的质量分组因子；
将所述质量分组因子和所述待处理服务数据进行关联输出。
在其中一个实施例中，所述将所述质量分组因子和所述待处理服务数据进行关联输出，包括：
将所选取的所述特征文本对应的关键词在所述待处理服务数据中进行标注；
将所述质量分组因子和标注后的所述待处理服务数据进行关联输出。
在其中一个实施例中，所述方法还包括：
获取关联输出的所述质量分组因子和标注后的所述待处理服务数据对应的实际服务质量；
根据所述实际服务质量、所述待处理服务数据对所述初始模型和所述目标模型进行更新。
一种基于组合模型的服务数据处理装置，所述装置包括：
待处理服务数据获取模块，用于获取待处理服务数据，所述待处理服务数据携带有用户标识；
用户数据查询模块，用于查询与所述用户标识对应的用户数据；
初始模型处理模块，用于将所述待处理服务数据输出至初始模型中得到初始服务质量；
目标模型处理模块，用于将所述初始服务质量以及所述用户数据输入至目标模型中得到目标服务质量，所述初始模型与所述目标模型是预先联合训练得到的。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述基于组合模型的服务数据处理方法、装置、设备和介质，通过初始模型和目标模型来确定服务质量，且初始模型和目标模型是联合训练得到的，这样首先保证得到的初始服务质量的准确性，进一步保证了所得到的目标服务质量的准确性。
附图说明
图1为一个实施例中基于组合模型的服务数据处理方法的应用环境图；
图2为一个实施例中基于组合模型的服务数据处理方法的流程示意图；
图3为一个实施例中的初始模型和目标模型的联合训练方式的流程图；
图4为一个实施例中基于组合模型的服务数据处理装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于组合模型的服务数据处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信，其中终端102可以与服务器104进行通信，从而获取到终端102本次服务所产生的待处理服务数据，这样服务器104根据待处理服务数据所携带的用户标识查找对应的用户数据，并将待处理服务数据输出至初始模型中得到初始服务质量；将初始服务质量以及用户数据输入至目标模型中得到目标服务质量，初始模型与目标模型是预先联合训练得到的，这样通过初始模型和目标模型来确定服务质量，且初始模型和目标模型是联合训练得到的，这样首先保证得到的初始服务质量的准确性，进一步保证了所得到的目标服务质量的准确性。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于组合模型的服务数据处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202：获取待处理服务数据，待处理服务数据携带有用户标识。
具体地，待处理服务数据可以是坐席服务所产生的新的电话录音，用户标识是用于唯一地表征用户的，其可以是电话号码等。优选地，该电话录音可以预先转换为文本数据，从而将文本数据和用户标识关联存储至数据库，进而服务器可以从数据库中获取时间靠前的待处理服务数据。
S204：查询与用户标识对应的用户数据。
具体地，用户数据包括用户基础数据和历史业务数据，其中用户基础数据可以包括用户年龄性别等，历史业务数据可以是指历史的电话录音对应的音转字的文本数据。
S206：将待处理服务数据输出至初始模型中得到初始服务质量。
具体地，初始模型是预先训练得到的，其可以是LSTM或CNN模型之一，由模型训练决定。服务器可以直接将待处理服务数据输入至初始模型中得到初始服务质量，即仅关心本次的服务数据，而不考虑历史服务数据。
其中初始模型之所以选择LSTM或CNN模型是由输入决定的，若是采用其他的模型，则输入的数据的维度会减少且需要对输入数据进行特殊处理。
S208：将初始服务质量以及用户数据输入至目标模型中得到目标服务质量，初始模型与目标模型是预先联合训练得到的。
具体地，目标模型是预先训练得到的，其可以是随机森林和GBDT梯度提升树模型之一，具体由模型到训练得到。服务器将所得到的初始服务质量以及用户数据输入至目标模型中得到目标服务质量，这样目标服务质量既考虑了当前的服务数据还考虑了对应的历史服务数据，从而提高了预测准确率。
其中需要说明的是初始模型和目标模型是联合训练得到的，即用同样的样本首先输入至初始模型对初始模型进行训练得到对应的结果，然后用训练完成的初始模型对同样的样本再次进行处理后得到初始服务质量，这样根据初始服务质量和用户数据再训练得到目标模型。
上述基于组合模型的服务数据处理方法，通过初始模型和目标模型来确定服务质量，且初始模型和目标模型是联合训练得到的，这样首先保证得到的初始服务质量的准确性，进一步保证了所得到的目标服务质量的准确性。
在其中一个实施例中，参见图3所示，图3为一个实施例中的初始模型和目标模型的联合训练方式的流程图，该初始模型和目标模型的联合训练方式包括：获取样本数据，样本数据包括样本服务数据、目标服务质量以及对应的用户历史数据；将样本服务数据分别输入至预先选取的第一模型中，得到每个第一模型对应的第一服务质量，并根据目标服务质量以及第一服务质量对第一模型进行优化；将样本服务数据分别输入至优化后的第一模型中，得到每个第一模型对应的优化服务质量；将每个优化服务质量、用户历史数据分别输入至预先选取的第二模型中，得到每个第二模型以及优化后的第一模型对应的第二服务质量；根据目标服务质量和第二服务质量对第二模型进行优化；将优化服务质量、用户历史数据输入至优化后的第二模型中，得到每个优化后的第一模型和优化后的第二模型对应的参考服务质量；根据参考服务质量和目标服务质量选取优化后的第一模型作为初始模型，优化后的第二模型作为目标模型。
其中，首先对下文中所涉及的名词进行解释：LSTM模型是长短期记忆网络（LSTM，Long Short-Term Memory）是一种时间循环神经网络，是为了解决一般的RNN（循环神经网络）存在的长期依赖问题的算法。CNN模型是卷积神经网络（Convolutional NeuralNetworks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（FeedforwardNeural Networks），是深度学习（deep learning）的代表算法之一。随机森林模型RandomForests是一个包含多个决策树或者其他基学习器的分类器， 并且其输出的类别是由基学习器输出的类别的众数而定。GBDT梯度提升决策树（Gradient Boosting Decision Tree,GBDT）以决策树为基学习器，它的思想是通过调整模型，让损失函数的值不断减小， 然后将各个模型加起来作为最终的预测模型。AUC：AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。AUC越接近1.0，检测方法真实性越高。
具体地，结合图3，首先服务器采集样本数据，样本数据包括样本服务数据、目标服务质量以及对应的用户历史数据，其中样本数据是指历史最近一段时间的坐席录音数据（一般大于半年），其中包括样本服务数据，即用户电话录音的音转字数据，目标服务质量，即用户电话录音是否是投诉工单，用户历史数据，即用户年龄性别以及历史电话行为等。
其次，服务器将样本服务数据输入至第一模型得到第一服务质量，该第一模型可以是LSTM和CNN模型，第一模型需要自定义网络结构，定义categorical_crossentropy（交叉熵损失函数)，根据目标服务质量以及第一服务质量对第一模型进行优化，可以计算产生对应网络结构的最优参数和优化服务质量，其中LSTM模型对应的优化服务质量为a，CNN模型对应的优化服务质量为b，此时完成了第一模型的训练。
再者将所得到的LSTM模型对应的优化服务质量为a、CNN模型对应的优化服务质量为b、目标服务质量以及用户历史数据分别输入至第二模型得到参考服务质量，其中第二模型可以是随机森林和GBDT梯度提升树模型，定义AUC面积为判断模型好坏的指标，可以计算出对应模型最优参数及参考服务质量ac、ad、bc和bd，其中c是随机森林模型对应的优化后的输出服务质量，d是GBDT梯度提升树模型对应的优化后的输出服务质量。
最后，服务器对4组投诉倾向概率计算精确率，选择精确率最高的组合模型作为最终生产预测模型，例如选取ac、ad、bc和bd中最大的一个，然后获取最大的一个所对应的优化后的第一模型和优化后的第二模型分别作为初始模型和目标模型。
其中，本实施例中的初始模型和目标模型均仅选取2个为例进行说明，在其他的实施例中，初始模型和目标模型的数量可以根据需要进行设置，且初始模型和目标模型中的模型数量也可以变更。
上述实施例中，通过初始模型和目标模型的联合训练最终选取最优的模型来进行数据处理，提高处理的准确性。
在其中一个实施例中，样本服务数据为根据电话录音所得到的文本数据，将样本服务数据分别输入至预先选取的第一模型中，包括：将文本数据进行分词处理得到若干分词；获取每一分词对应的向量；根据分词之间的顺序将每一分词对应的向量进行组合得到分词矩阵；将分词矩阵分别输入至预先选取的第一模型中。
上述实施例主要是将样本服务数据通过word2vec转化为N*M维的词向量，其中N是自定义的词个数，M是自定义的词向量维度数。
具体地，对于电话录音，其至少包括来电用户标识和手机号，因此对应的结构化数据维度包括来电人的年龄、地域、购买几张保单、历史来电次数以及是否投诉过等等变量。而对应的文本数据，则服务器将文本数据进行分词处理得到若干分词，再把每一个分词转化为对应的向量，例如1*N维向量，这样整个文本数据则相当于M*N的二维分词矩阵，其中该分词矩阵可以是根据分词在文本数据中的排列顺序，例如先后顺序生成的。这样所得到的分词矩阵与之前的变量的输入是不同的类型的，因此需要先将分词矩阵进行处理才能输入至目标模型中，从而首先通过初始模型对分词矩阵进行处理得到初始服务质量。
上述实施例中，对于将样本服务数据通过word2vec转化为N*M维的词向量，从而通过初始模型进行处理得到初始服务质量，进而再进行目标服务质量的计算，提高准确性。其中Word2vec 可以根据给定的语料库，通过优化后的训练模型快速有效地将一个词语表达成向量形式，算法底层是双层神经网络算法。
在其中一个实施例中，将待处理服务数据输出至初始模型中得到初始服务质量之前，还包括：判断待处理服务数据是否存在服务质量判定结果；当待处理服务数据存在服务质量判定结果，则输出服务质量判定结果；当待处理服务数据不存在服务质量判定结果，则将待处理服务数据转换为待处理分词矩阵。
具体地，由于在坐席服务的过程中，有的用户会明确表示出要投诉或者是根据坐席的服务经验，该通电话为投诉电话，则坐席在处理的时候可以直接给其打标签，判定为投诉电话，即存在此处的服务质量判定结果，因此该些待处理服务数据则无需再进行服务质量的判断，因此直接删除，从而减少后续数据的处理量，进而可以提高后续的处理效率。
在其中一个实施例中，上述的基于组合模型的服务数据处理方法还包括：根据目标服务质量对样本服务数据进行分组；将各个分组中的样本服务数据进行比较，得到预设分组对应的特征文本；统计特征文本对应的词频；选取词频大于预设值的特征文本，并将所选取的特征文本与预设分组进行关联存储；构建与特征文本对应的质量分组因子，并将特征文本与质量分组因子进行关联存储。
具体地，该实施例是在模型训练完成后进行的，其目的是比对各个服务质量下的样本服务数据，从而对样本服务数据进行分组。
例如可以根据目标服务质量将样本服务数据分为投诉组和非投诉组，且优选地，还可以继续将投诉组进行向下分组。其中服务器可以将各个分组中的样本服务数据进行比较，得到预设分组对应的特征文本，例如将投诉组和非投诉组的录音分词文本结果进行比较，以得到投诉文本独有词和在投诉文本中出现占比大的关键词。其中服务器可以先将各个分组中的样本服务数据进行比较，得到预设分组对应的特征文本，即独有的文本，然后统计该独有的文本的词频，最后选取词频大于预设值的特征文本，并将所选取的特征文本与预设分组进行关联存储。从而服务器构建与特征文本对应的质量分组因子，并将特征文本与质量分组因子进行关联存储。此处的质量分组因子是指质量类型，例如投诉组和非投诉组，或者是具体的投诉组的投诉原因。
在其中一个实施例中，将初始服务质量以及用户数据输入至目标模型中得到目标服务质量之后，包括：判断目标服务质量是否满足预设条件；当目标服务质量满足预设条件时，则提取待处理服务数据中的关键词；将所提取的关键词与特征文本进行匹配，得到每一关键词的匹配度；根据匹配度选取预设数量的特征文本；获取所选取的特征文本对应的质量分组因子；将质量分组因子和待处理服务数据进行关联输出。
具体地，服务器可以在得到每个待处理服务数据的目标服务质量后，判断该目标服务质量是否满足预设条件，例如是否大于一定的阈值，若是大于一定的阈值则可以输出至缓存池中，以便于坐席从缓存池中调取后进行回访。此外，为了提高回访质量，服务器可以预先将在缓存池中的待处理服务数据进行分组，例如提取每一个待处理服务数据中的关键词，并将该关键词与上文中所对应的特征文本，即与质量分组因子关联存储的特征文本进行匹配，这样即可以得到每一个关键词的匹配度，然后选取预设数量的特征文本，例如选取匹配度在前五的特征文本，并根据所选取的特征文本对应的质量分组因子；将质量分组因子和待处理服务数据进行关联输出。
在实际应用中，对目标服务质量达到一定阈值的录音输出到坐席回访池中，一并输出的还有本通录音音转字，本通音转字在与质量分组因子关联存储的特征文本出现的关键词的前预设数量、客户历史投诉次数和对应工单编号等。
此外，此处的阈值对于有监督的训练，在实操中可以看到模型在训练集的效果对比的、查准率、查全率指标，在实际上线后又可以看人工质检的查准率指标，基于模型训练和实际人工反馈最终选择一个阈值。
在其中一个实施例中，将质量分组因子和待处理服务数据进行关联输出，包括：将所选取的特征文本对应的关键词在待处理服务数据中进行标注；将质量分组因子和标注后的待处理服务数据进行关联输出。
其中为了提高处理的效率，服务器可以将所选取的特征文本对应的关键词在待处理服务数据中进行标注，例如高亮显示等，这样坐席可以点击标注的关键词弹出关键词所在的句子，点击历史投诉的工单编号弹出对应工单的处理结果记录，方便坐席了解客户投诉原因。最后，坐席拨打用户电话回访安抚以后，反馈用户是否有投诉倾向及备注记录。
上述实施例中，直观展现每一个高投诉倾向用户的投诉关键句子、历史投诉次数以及投诉的工单信息，提供丰富信息帮助坐席更好进行回访。
在其中一个实施例中，上述的基于组合模型的服务数据处理方法还包括：获取关联输出的质量分组因子和标注后的待处理服务数据对应的实际服务质量；根据实际服务质量、待处理服务数据对初始模型和目标模型进行更新。
上述实施例中，充分结合了客户的非结构化数据和结构化数据，即尽量充分整合了完整的客户大数据；且使用组合模型和每月更新保证了筛选出最优的模型组合和参数，保障模型长期有效。
其中，坐席拨打用户电话回访安抚以后，反馈用户是否有投诉倾向及备注记录，这样每个预设时间，服务器对上述的初始模型和目标模型进行优化等，从而保证模型的长期有效。
应该理解的是，虽然图2和3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种基于组合模型的服务数据处理装置，包括：待处理服务数据获取模块100、用户数据查询模块200、初始模型处理模块300和目标模型处理模块400，其中：
待处理服务数据获取模块100，用于获取待处理服务数据，待处理服务数据携带有用户标识；
用户数据查询模块200，用于查询与用户标识对应的用户数据；
初始模型处理模块300，用于将待处理服务数据输出至初始模型中得到初始服务质量；
目标模型处理模块400，用于将初始服务质量以及用户数据输入至目标模型中得到目标服务质量，初始模型与目标模型是预先联合训练得到的。
在其中一个实施例中，上述的基于组合模型的服务数据处理装置还可以包括：
样本数据获取模块，用于获取样本数据，样本数据包括样本服务数据、目标服务质量以及对应的用户历史数据；
第一优化模块，用于将样本服务数据分别输入至预先选取的第一模型中，得到每个第一模型对应的第一服务质量，并根据目标服务质量以及第一服务质量对第一模型进行优化；
优化服务质量获取模块，用于将样本服务数据分别输入至优化后的第一模型中，得到每个第一模型对应的优化服务质量；
第二优化模块，用于将每个优化服务质量、用户历史数据分别输入至预先选取的第二模型中，得到每个第二模型以及优化后的第一模型对应的第二服务质量；根据目标服务质量和第二服务质量对第二模型进行优化；
参考服务质量获取模块，用于将优化服务质量、用户历史数据输入至优化后的第二模型中，得到每个优化后的第一模型和优化后的第二模型对应的参考服务质量；
训练模块，用于根据参考服务质量和目标服务质量选取优化后的第一模型作为初始模型，优化后的第二模型作为目标模型。
在其中一个实施例中，样本服务数据为根据电话录音所得到的文本数据；第一优化模块可以包括：
分词单元，用于将文本数据进行分词处理得到若干分词；
向量获取单元，用于获取每一分词对应的向量；
组合单元，用于根据分词之间的顺序将每一分词对应的向量进行组合得到分词矩阵；
输入单元，用于将分词矩阵分别输入至预先选取的第一模型中。
在其中一个实施例中，上述的基于组合模型的服务数据处理装置还可以包括：
第一判断模块，用于判断待处理服务数据是否存在服务质量判定结果；
输出模块，用于当待处理服务数据存在服务质量判定结果，则输出服务质量判定结果；
转换模块，用于当待处理服务数据不存在服务质量判定结果，则将待处理服务数据转换为待处理分词矩阵。
在其中一个实施例中，上述的基于组合模型的服务数据处理装置还可以包括：
分组模块，用于根据目标服务质量对样本服务数据进行分组；
比较模块，用于将各个分组中的样本服务数据进行比较，得到预设分组对应的特征文本；
统计模块，用于统计特征文本对应的词频；
存储模块，用于选取词频大于预设值的特征文本，并将所选取的特征文本与预设分组进行关联存储；构建与特征文本对应的质量分组因子，并将特征文本与质量分组因子进行关联存储。
在其中一个实施例中，上述的基于组合模型的服务数据处理装置还可以包括：
第二判断模块，用于判断目标服务质量是否满足预设条件；
提取模块，用于当目标服务质量满足预设条件时，则提取待处理服务数据中的关键词；
匹配模块，用于将所提取的关键词与特征文本进行匹配，得到每一关键词的匹配度；
输出模块，用于根据匹配度选取预设数量的特征文本；获取所选取的特征文本对应的质量分组因子；将质量分组因子和待处理服务数据进行关联输出。
在其中一个实施例中，上述的输出模块可以包括：
标注单元，用于将所选取的特征文本对应的关键词在待处理服务数据中进行标注；
输出单元，用于将质量分组因子和标注后的待处理服务数据进行关联输出。
在其中一个实施例中，上述的基于组合模型的服务数据处理装置还可以包括：
实际服务质量获取模块，用于获取关联输出的质量分组因子和标注后的待处理服务数据对应的实际服务质量；
模型更新模块，用于根据实际服务质量、待处理服务数据对初始模型和目标模型进行更新。
关于基于组合模型的服务数据处理装置的具体限定可以参见上文中对于基于组合模型的服务数据处理方法的限定，在此不再赘述。上述基于组合模型的服务数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于组合模型的服务数据处理方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备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。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待处理服务数据，待处理服务数据携带有用户标识；查询与用户标识对应的用户数据；将待处理服务数据输出至初始模型中得到初始服务质量；将初始服务质量以及用户数据输入至目标模型中得到目标服务质量，初始模型与目标模型是预先联合训练得到的。
在一个实施例中，处理器执行计算机程序时所涉及的初始模型和目标模型的联合训练方式包括：获取样本数据，样本数据包括样本服务数据、目标服务质量以及对应的用户历史数据；将样本服务数据分别输入至预先选取的第一模型中，得到每个第一模型对应的第一服务质量，并根据目标服务质量以及第一服务质量对第一模型进行优化；将样本服务数据分别输入至优化后的第一模型中，得到每个第一模型对应的优化服务质量；将每个优化服务质量、用户历史数据分别输入至预先选取的第二模型中，得到每个第二模型以及优化后的第一模型对应的第二服务质量；根据目标服务质量和第二服务质量对第二模型进行优化；将优化服务质量、用户历史数据输入至优化后的第二模型中，得到每个优化后的第一模型和优化后的第二模型对应的参考服务质量；根据参考服务质量和目标服务质量选取优化后的第一模型作为初始模型，优化后的第二模型作为目标模型。
在一个实施例中，处理器执行计算机程序时所实现的样本服务数据为根据电话录音所得到的文本数据，将样本服务数据分别输入至预先选取的第一模型中，包括：将文本数据进行分词处理得到若干分词；获取每一分词对应的向量；根据分词之间的顺序将每一分词对应的向量进行组合得到分词矩阵；将分词矩阵分别输入至预先选取的第一模型中。
在一个实施例中，处理器执行计算机程序时所实现的将待处理服务数据输出至初始模型中得到初始服务质量之前，还包括：判断待处理服务数据是否存在服务质量判定结果；当待处理服务数据存在服务质量判定结果，则输出服务质量判定结果；当待处理服务数据不存在服务质量判定结果，则将待处理服务数据转换为待处理分词矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据目标服务质量对样本服务数据进行分组；将各个分组中的样本服务数据进行比较，得到预设分组对应的特征文本；统计特征文本对应的词频；选取词频大于预设值的特征文本，并将所选取的特征文本与预设分组进行关联存储；构建与特征文本对应的质量分组因子，并将特征文本与质量分组因子进行关联存储。
在一个实施例中，处理器执行计算机程序时所实现的将初始服务质量以及用户数据输入至目标模型中得到目标服务质量之后，包括：判断目标服务质量是否满足预设条件；当目标服务质量满足预设条件时，则提取待处理服务数据中的关键词；将所提取的关键词与特征文本进行匹配，得到每一关键词的匹配度；根据匹配度选取预设数量的特征文本；获取所选取的特征文本对应的质量分组因子；将质量分组因子和待处理服务数据进行关联输出。
在一个实施例中，处理器执行计算机程序时所实现的将质量分组因子和待处理服务数据进行关联输出，包括：将所选取的特征文本对应的关键词在待处理服务数据中进行标注；将质量分组因子和标注后的待处理服务数据进行关联输出。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取关联输出的质量分组因子和标注后的待处理服务数据对应的实际服务质量；根据实际服务质量、待处理服务数据对初始模型和目标模型进行更新。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待处理服务数据，待处理服务数据携带有用户标识；查询与用户标识对应的用户数据；将待处理服务数据输出至初始模型中得到初始服务质量；将初始服务质量以及用户数据输入至目标模型中得到目标服务质量，初始模型与目标模型是预先联合训练得到的。
在一个实施例中，计算机程序被处理器执行时所涉及的初始模型和目标模型的联合训练方式包括：获取样本数据，样本数据包括样本服务数据、目标服务质量以及对应的用户历史数据；将样本服务数据分别输入至预先选取的第一模型中，得到每个第一模型对应的第一服务质量，并根据目标服务质量以及第一服务质量对第一模型进行优化；将样本服务数据分别输入至优化后的第一模型中，得到每个第一模型对应的优化服务质量；将每个优化服务质量、用户历史数据分别输入至预先选取的第二模型中，得到每个第二模型以及优化后的第一模型对应的第二服务质量；根据目标服务质量和第二服务质量对第二模型进行优化；将优化服务质量、用户历史数据输入至优化后的第二模型中，得到每个优化后的第一模型和优化后的第二模型对应的参考服务质量；根据参考服务质量和目标服务质量选取优化后的第一模型作为初始模型，优化后的第二模型作为目标模型。
在一个实施例中，计算机程序被处理器执行时所实现的样本服务数据为根据电话录音所得到的文本数据，将样本服务数据分别输入至预先选取的第一模型中，包括：将文本数据进行分词处理得到若干分词；获取每一分词对应的向量；根据分词之间的顺序将每一分词对应的向量进行组合得到分词矩阵；将分词矩阵分别输入至预先选取的第一模型中。
在一个实施例中，计算机程序被处理器执行时所实现的将待处理服务数据输出至初始模型中得到初始服务质量之前，还包括：判断待处理服务数据是否存在服务质量判定结果；当待处理服务数据存在服务质量判定结果，则输出服务质量判定结果；当待处理服务数据不存在服务质量判定结果，则将待处理服务数据转换为待处理分词矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据目标服务质量对样本服务数据进行分组；将各个分组中的样本服务数据进行比较，得到预设分组对应的特征文本；统计特征文本对应的词频；选取词频大于预设值的特征文本，并将所选取的特征文本与预设分组进行关联存储；构建与特征文本对应的质量分组因子，并将特征文本与质量分组因子进行关联存储。
在一个实施例中，计算机程序被处理器执行时所实现的将初始服务质量以及用户数据输入至目标模型中得到目标服务质量之后，包括：判断目标服务质量是否满足预设条件；当目标服务质量满足预设条件时，则提取待处理服务数据中的关键词；将所提取的关键词与特征文本进行匹配，得到每一关键词的匹配度；根据匹配度选取预设数量的特征文本；获取所选取的特征文本对应的质量分组因子；将质量分组因子和待处理服务数据进行关联输出。
在一个实施例中，计算机程序被处理器执行时所实现的将质量分组因子和待处理服务数据进行关联输出，包括：将所选取的特征文本对应的关键词在待处理服务数据中进行标注；将质量分组因子和标注后的待处理服务数据进行关联输出。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取关联输出的质量分组因子和标注后的待处理服务数据对应的实际服务质量；根据实际服务质量、待处理服务数据对初始模型和目标模型进行更新。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种基于组合模型的服务数据处理方法，其特征在于，所述方法包括：
获取待处理服务数据，所述待处理服务数据携带有用户标识；
查询与所述用户标识对应的用户数据；
将所述待处理服务数据输出至初始模型中得到初始服务质量；
将所述初始服务质量以及所述用户数据输入至目标模型中得到目标服务质量，所述初始模型与所述目标模型是预先联合训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述初始模型和所述目标模型的联合训练方式包括：
获取样本数据，所述样本数据包括样本服务数据、目标服务质量以及对应的用户历史数据；
将所述样本服务数据分别输入至预先选取的第一模型中，得到每个所述第一模型对应的第一服务质量，并根据所述目标服务质量以及所述第一服务质量对所述第一模型进行优化；
将所述样本服务数据分别输入至优化后的第一模型中，得到每个所述第一模型对应的优化服务质量；
将每个所述优化服务质量、用户历史数据分别输入至预先选取的第二模型中，得到每个所述第二模型以及优化后的第一模型对应的第二服务质量；
根据所述目标服务质量和所述第二服务质量对所述第二模型进行优化；
将所述优化服务质量、用户历史数据输入至优化后的第二模型中，得到每个优化后的所述第一模型和优化后的所述第二模型对应的参考服务质量；
根据所述参考服务质量和所述目标服务质量选取优化后的第一模型作为初始模型，优化后的第二模型作为目标模型。
3.根据权利要求2所述的方法，其特征在于，所述样本服务数据为根据电话录音所得到的文本数据，所述将所述样本服务数据分别输入至预先选取的第一模型中，包括：
将所述文本数据进行分词处理得到若干分词；
获取每一分词对应的向量；
根据所述分词之间的顺序将每一分词对应的向量进行组合得到分词矩阵；
将所述分词矩阵分别输入至预先选取的第一模型中。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述将所述待处理服务数据输出至初始模型中得到初始服务质量之前，还包括：
判断所述待处理服务数据是否存在服务质量判定结果；
当所述待处理服务数据存在服务质量判定结果，则输出所述服务质量判定结果；
当所述待处理服务数据不存在服务质量判定结果，则将所述待处理服务数据转换为待处理分词矩阵。
5.根据权利要求2或3所述的方法，其特征在于，所述方法还包括：
根据所述目标服务质量对所述样本服务数据进行分组；
将各个分组中的样本服务数据进行比较，得到预设分组对应的特征文本；
统计所述特征文本对应的词频；
选取词频大于预设值的特征文本，并将所选取的特征文本与所述预设分组进行关联存储；
构建与所述特征文本对应的质量分组因子，并将所述特征文本与所述质量分组因子进行关联存储。
6.根据权利要求5所述的方法，其特征在于，所述将所述初始服务质量以及所述用户数据输入至目标模型中得到目标服务质量之后，包括：
判断所述目标服务质量是否满足预设条件；
当所述目标服务质量满足预设条件时，则提取所述待处理服务数据中的关键词；
将所提取的关键词与所述特征文本进行匹配，得到每一关键词的匹配度；
根据所述匹配度选取预设数量的特征文本；
获取所选取的特征文本对应的质量分组因子；
将所述质量分组因子和所述待处理服务数据进行关联输出。
7.根据权利要求6所述的方法，其特征在于，所述将所述质量分组因子和所述待处理服务数据进行关联输出，包括：
将所选取的所述特征文本对应的关键词在所述待处理服务数据中进行标注；
将所述质量分组因子和标注后的所述待处理服务数据进行关联输出。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
获取关联输出的所述质量分组因子和标注后的所述待处理服务数据对应的实际服务质量；
根据所述实际服务质量、所述待处理服务数据对所述初始模型和所述目标模型进行更新。
9.一种基于组合模型的服务数据处理装置，其特征在于，所述装置包括：
待处理服务数据获取模块，用于获取待处理服务数据，所述待处理服务数据携带有用户标识；
用户数据查询模块，用于查询与所述用户标识对应的用户数据；
初始模型处理模块，用于将所述待处理服务数据输出至初始模型中得到初始服务质量；
目标模型处理模块，用于将所述初始服务质量以及所述用户数据输入至目标模型中得到目标服务质量，所述初始模型与所述目标模型是预先联合训练得到的。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一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，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202210097741.0A 2022-01-27 2022-01-27 基于组合模型的服务数据处理方法、装置、设备和介质 Active CN114118882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210097741.0A CN114118882B (zh) 2022-01-27 2022-01-27 基于组合模型的服务数据处理方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210097741.0A CN114118882B (zh) 2022-01-27 2022-01-27 基于组合模型的服务数据处理方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN114118882A true CN114118882A (zh) 2022-03-01
CN114118882B CN114118882B (zh) 2022-05-27

Family

ID=80361332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210097741.0A Active CN114118882B (zh) 2022-01-27 2022-01-27 基于组合模型的服务数据处理方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN114118882B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020426A (zh) * 2019-01-21 2019-07-16 阿里巴巴集团控股有限公司 将用户咨询分配到客服业务组的方法及装置
CN110209926A (zh) * 2019-04-22 2019-09-06 北京三快在线科技有限公司 商家推荐方法、装置、电子设备及可读存储介质
CN111275104A (zh) * 2020-01-16 2020-06-12 重庆金山医疗技术研究院有限公司 一种模型训练方法、装置、服务器及存储介质
CN111428881A (zh) * 2020-03-20 2020-07-17 深圳前海微众银行股份有限公司 识别模型的训练方法、装置、设备及可读存储介质
CN112036923A (zh) * 2020-07-06 2020-12-04 北京嘀嘀无限科技发展有限公司 一种服务评价方法、系统、装置及存储介质
CN112132676A (zh) * 2020-09-16 2020-12-25 建信金融科技有限责任公司 联合训练目标模型的贡献度的确定方法、装置和终端设备
JP2021096825A (ja) * 2019-12-18 2021-06-24 ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド エンドツーエンドモデルのトレーニング方法および装置
CN113270090A (zh) * 2021-05-19 2021-08-17 平安科技（深圳）有限公司 基于asr模型与tts模型的组合模型训练方法及设备
CN113657466A (zh) * 2021-07-29 2021-11-16 北京百度网讯科技有限公司 预训练模型的生成方法、装置、电子设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020426A (zh) * 2019-01-21 2019-07-16 阿里巴巴集团控股有限公司 将用户咨询分配到客服业务组的方法及装置
CN110209926A (zh) * 2019-04-22 2019-09-06 北京三快在线科技有限公司 商家推荐方法、装置、电子设备及可读存储介质
JP2021096825A (ja) * 2019-12-18 2021-06-24 ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド エンドツーエンドモデルのトレーニング方法および装置
CN111275104A (zh) * 2020-01-16 2020-06-12 重庆金山医疗技术研究院有限公司 一种模型训练方法、装置、服务器及存储介质
CN111428881A (zh) * 2020-03-20 2020-07-17 深圳前海微众银行股份有限公司 识别模型的训练方法、装置、设备及可读存储介质
CN112036923A (zh) * 2020-07-06 2020-12-04 北京嘀嘀无限科技发展有限公司 一种服务评价方法、系统、装置及存储介质
CN112132676A (zh) * 2020-09-16 2020-12-25 建信金融科技有限责任公司 联合训练目标模型的贡献度的确定方法、装置和终端设备
CN113270090A (zh) * 2021-05-19 2021-08-17 平安科技（深圳）有限公司 基于asr模型与tts模型的组合模型训练方法及设备
CN113657466A (zh) * 2021-07-29 2021-11-16 北京百度网讯科技有限公司 预训练模型的生成方法、装置、电子设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QINGLIANG LI: "GANs-LSTM Model for Soil Temperature Estimation From Meteorological: A New Approach", 《IEEE ACCESS》 *
田敏 等: "基于联合模型匹配的齿轮视觉检测方法", 《计算机工程与应用》 *

Also Published As

Publication number Publication date
CN114118882B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN110598206B (zh) 文本语义识别方法、装置、计算机设备和存储介质
US20230385553A1 (en) Techniques to add smart device information to machine learning for increased context
CN110569500A (zh) 文本语义识别方法、装置、计算机设备和存储介质
US10726334B1 (en) Generation and use of model parameters in cold-start scenarios
CN111178949A (zh) 服务资源匹配参考数据确定方法、装置、设备和存储介质
CN110377618B (zh) 裁决结果分析方法、装置、计算机设备和存储介质
CN111310462A (zh) 用户属性的确定方法、装置、设备及存储介质
CN111583911A (zh) 基于标签平滑的语音识别方法、装置、终端及介质
CN112597292B (zh) 问题回复推荐方法、装置、计算机设备和存储介质
CN115660686A (zh) 交易风险评估方法、装置、设备、存储介质和程序产品
CN110162535B (zh) 用于执行个性化的搜索方法、装置、设备以及存储介质
CN112732880A (zh) 用户画像生成方法、装置、计算机设备及存储介质
CN112995414A (zh) 基于语音通话的行为质检方法、装置、设备及存储介质
CN114118882B (zh) 基于组合模型的服务数据处理方法、装置、设备和介质
CN111782782A (zh) 智能客服的咨询回复方法、装置、计算机设备和存储介质
CN110866637A (zh) 评分预测方法、装置、计算机设备和存储介质
CN113536131B (zh) 一种数据处理方法和装置，存储介质和电子设备
CN111241826B (zh) 实体名称识别方法、装置、设备及存储介质
CN114648406A (zh) 基于随机森林的用户信用积分预测方法和装置
CN114548242A (zh) 用户标签识别方法、装置、电子设备和计算机可读存储介质
CN114581098A (zh) 客群分类方法、装置、计算机设备和存储介质
CN116992158B (zh) 资源配置的推荐方法和装置、存储介质及电子装置
CN115017291B (zh) 热点问题分析方法、装置、计算机设备和存储介质
CN116910371B (zh) 一种基于深层关系的推荐方法及系统
KR102537900B1 (ko) 사용자 특징을 지시하는 태그를 생성하기 위한 장치, 방법 및 명령을 기록한 기록 매체

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