CN114239595B - 回访名单智能生成方法、装置、设备及存储介质 - Google Patents

回访名单智能生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114239595B
CN114239595B CN202111534463.2A CN202111534463A CN114239595B CN 114239595 B CN114239595 B CN 114239595B CN 202111534463 A CN202111534463 A CN 202111534463A CN 114239595 B CN114239595 B CN 114239595B
Authority
CN
China
Prior art keywords
questionnaire
score
text
questionnaires
analysis
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
CN202111534463.2A
Other languages
English (en)
Other versions
CN114239595A (zh
Inventor
陈俊福
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202111534463.2A priority Critical patent/CN114239595B/zh
Publication of CN114239595A publication Critical patent/CN114239595A/zh
Application granted granted Critical
Publication of CN114239595B publication Critical patent/CN114239595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种回访名单智能生成方法，包括：对调查问卷进行敏感词分析、情绪分析和文本分析，得到对应的敏感词分值、情绪分值和用户打分分值；将调查问卷集中的调查问卷分为多个类目，对每个类目的调查问卷进行语义分析和统计得到语义排名，根据语义排名得到每个调查问卷的归因分值；根据业务类型提取调查问卷的用户标签，并通过用户标签得到用户分值；对调查问卷的上述分值进行权重计算，得到回访分值；将回访分值大于阈值的调查问卷作为回访问卷。此外，本发明还涉及区块链技术，调查问卷可存储于区块链的节点。本发明还提出一种回访名单智能生成装置、设备以及介质。本发明可以提高生成的回访名单准确性。

Description

回访名单智能生成方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种回访名单智能生成方法、装置、电子设备及计算机可读存储介质。
背景技术
为了提升企业服务效果，通常会针对企业所涉及的各个业务类型、服务类型进行问卷调研，调研结果数据量是海量的，调研结果也是种类繁多，调研数据回收后需要人工识别问卷的有效性以及人工判定是否需要回访，并得到一系列需要进行客户回访的问卷单，这个过程由于调研形式多样，问卷内容种类繁多，问卷量数量巨大，人工判定是否需要回访具有主观性，导致获取调研回访名单的效率极低且准确性较低的问题。
现有技术存在几种公知方案及其弊端：
1、识别评价信息中的文字内容进行评价审核，过滤存在不当言论的文字评价信息，这种方法的分析维度单一，不适合应用于服务场景多样性，问卷内容多样化的模式；
2、针对某一类别属性人工判定是否需要回访，这种方法的人工分析主观性较强，效率极低，且不够准确；
3、随机选择回访名单这种方法的回访数据太随机性，可能漏掉比较重要的需要回访的数据。
综上所述，现有回访名单生成方法存在分析维度维度单一、主观性强、准确性低的问题。
发明内容
本发明提供一种回访名单智能生成方法、装置及计算机可读存储介质，其主要目的在于解决生成的回访名单准确性低的问题。
为实现上述目的，本发明提供的一种回访名单智能生成方法，包括：
获取调查问卷集，并根据预设的敏感词库逐一对所述调查问卷集中的调查问卷进行敏感词分析，得到所述调查问卷集中每一个调查问卷对应的敏感词分值；
逐一对所述调查问卷集中的调查问卷进行情绪分析，得到所述调查问卷集中每一个调查问卷对应的情绪分值；
对所述调查问卷集中的调查问卷进行文本分析，得到所述调查问卷集中每一个调查问卷对应的用户打分分值；
根据预设的类目标签将所述调查问卷集中的调查问卷分类为多个类目，对每个类目的调查问卷进行语义分析和统计，得到语义排名，并根据所述语义排名得到每个类目中每个调查问卷对应的归因分值；
根据预设的业务类型提取所述调查问卷集中每一个调查问卷对应的用户标签，并通过所述对应的用户标签得到所述调查问卷集中每一个调查问卷对应的用户分值；
根据预设的权重系数表中提取目标业务类型对应的权重系数，并根据所述系数对所述每一个调查问卷的所述敏感词分值、所述情绪分值、所述用户打分分值、所述归因分值和所述用户分值进行计算，得到每一个调查问卷对应的回访分值；
提取回访分值大于预设阈值的调查问卷作为回访问卷。
可选地，所述根据预设的敏感词库逐一对所述调查问卷集中的调查问卷进行敏感词分析，得到所述调查问卷集中每一个调查问卷对应的敏感词分值，包括：
获取所述调查问卷的文本内容；
利用所述敏感词库通过相同词检测的方法对所述文本内容进行敏感词检测；
根据所述敏感词库的敏感词类别将检测到相同词的敏感词分为强敏感词和弱敏感词；
根据预设的计算规则对所述强敏感词和弱敏感词计算，得到所述调查问卷的敏感词分值。
可选地，所述逐一对所述调查问卷集中的调查问卷进行情绪分析，得到所述调查问卷集中每一个调查问卷对应的情绪分值，包括：
提取所述调查问卷中用户的回答文本，对所述回答文本进行分句，得到分句集合；
并对所述分句集合中的句子进行分词，得到句子分词；
根据所述分句集合中的句子进句法分析得到句法树，并根据所述句法树建立树结构神经网络；
利用预训练的概率分布模型计算得到所述回答文本和所述句子分词的概率分布；
根据所述回答文本和所述句子分词的概率分布得到所述问答文本的文本向量；
根据所述文本向量映射所得的情绪概率分布和预设的情绪类别计算得到所述回答文本在每一个情绪类别的概率；
按照预设的计算规则对所述每一个情绪类别的概率进行计算，得到所述调查问卷的情绪分值。
可选地，所述根据所述回答文本和所述句子分词的概率分布得到所述问答文本的文本向量，包括：
根据所述回答文本和所述句子分词的概率分布计算余弦相似度；
对所述余弦相似度的计算结果进行归一化处理，得到所述句子分词的权重；
根据所述句子分词的权重和所述句子分词的词向量进行加权计算，得到所述问答文本的文本向量。
可选地，所述对所述调查问卷集中的调查问卷进行文本分析，得到所述调查问卷集中每一个调查问卷对应的用户打分分值，包括：
提取所述调查问卷中用户的回答文本；
对所述回答文本进行语义分析，得到所述问答文本的关键词；
根据所述关键词在预设的打分映射表中检索；
根据检索到的结果生成所述调查问卷的用户打分分值。
可选地，所述对每个类目的调查问卷进行语义分析和统计，得到语义排名，包括：
逐一从所述多个类目的调查问卷中选取一个类目的调查问卷为目标类目的调查问卷；
逐一提取所述目标类目中每一个调查问卷中的回答文本，并将所述每一个调查问卷中的回答文本汇总为目标文本库；
对所述目标文本库中的回答文本进行语义分析；
将语义分析结果属于同一文本语义的回答文本作为相同文本，并对所述相同文本进行数量统计；
根据统计得到数量由高到低对文本语义进行排列，得到语义排名。
可选地，所述根据所述语义排名得到每个类目中每个调查问卷对应的归因分值，包括：
从所述每个调查问卷中选取一个作为目标调查问卷；
对所述目标调查问卷的回答文本进行语义分析；
根据语义分析的结果确定所述目标调查问卷的文本语义，根据所述文本语义确定在语义排名的排名；
根据所述在语义排名的排名计算得到所述目标调查问卷的归因分值。
为了解决上述问题，本发明还提供一种回访名单智能生成装置，所述装置包括：
敏感词分值生成模块，用于获取调查问卷集，并根据预设的敏感词库逐一对所述调查问卷集中的调查问卷进行敏感词分析，得到所述调查问卷集中每一个调查问卷对应的敏感词分值；
情绪分值生成模块，用于逐一对所述调查问卷集中的调查问卷进行情绪分析，得到所述调查问卷集中每一个调查问卷对应的情绪分值；
用户打分分值生成模块，用于对所述调查问卷集中的调查问卷进行文本分析，得到所述调查问卷集中每一个调查问卷对应的用户打分分值；
归因分值生成模块，用于根据预设的类目标签将所述调查问卷集中的调查问卷分类为多个类目，对每个类目的调查问卷进行语义分析和统计，得到语义排名，并根据所述语义排名得到每个类目中每个调查问卷对应的归因分值；
用户分值生成模块，用于根据预设的业务类型提取所述调查问卷集中每一个调查问卷对应的用户标签，并通过所述对应的用户标签得到所述调查问卷集中每一个调查问卷对应的用户分值；
回访分值生成模块，用于根据预设的权重系数表中提取目标业务类型对应的权重系数，并根据所述系数对所述每一个调查问卷的所述敏感词分值、所述情绪分值、所述用户打分分值、所述归因分值和所述用户分值进行计算，得到每一个调查问卷对应的回访分值；
回访问卷生成模块，用于提取回访分值大于预设阈值的调查问卷作为回访问卷。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的回访名单智能生成方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的回访名单智能生成方法。
本发明实施例通过敏感词分析、情绪分析、文本分析，实现对调查问卷文本内容的分析，并从而得到用户在填写问卷时的态度以及用户对于调查问卷内容的直观反馈；通过对调查问卷进行归因分析，可以从大数据上把握调查问卷的整体反馈；通过将用户标签作为最终回访分值的因素之一，使用户之间根据固有标签而具有差异化；通过以上多个维度的评分指标得到回访分值，进而确定回访问卷，实现了获取准确性高的回访名单。因此本发明提出的回访名单智能生成方法、装置、电子设备及计算机可读存储介质，可以解决生成的回访名单准确性低的问题。
附图说明
图1为本发明一实施例提供的回访名单智能生成方法的流程示意图；
图2为本发明一实施例提供的敏感词分值生成的流程示意图；
图3为本发明一实施例提供的情绪分值生成的流程示意图；
图4为本发明一实施例提供的回访名单智能生成装置的功能模块图；
图5为本发明一实施例提供的实现所述回访名单智能生成方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种回访名单智能生成方法。所述回访名单智能生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述回访名单智能生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的回访名单智能生成方法的流程示意图。在本实施例中，所述回访名单智能生成方法包括：
S1、获取调查问卷集，并根据预设的敏感词库逐一对所述调查问卷集中的调查问卷进行敏感词分析，得到所述调查问卷集中每一个调查问卷对应的敏感词分值；
本发明实施例中，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先构建的用于存储调查问卷集的存储区域中获取调查问卷集，所述存储区域包括但不限于数据库、区块链节点、网络缓存等。
本发明实施例中，所述敏感词库的敏感词可分为强敏感词与弱敏感词，不同敏感词对应敏感词分值不同，例如：“小姐”“黄色”这类词在不同语境下的含义不同，则为弱敏感词；而对于淫秽色彩和博彩色彩的词，为强敏感词。
本发明实施例中，参照图2所示，所述根据预设的敏感词库逐一对所述调查问卷集中的调查问卷进行敏感词分析，得到所述调查问卷集中每一个调查问卷对应的敏感词分值，包括：
S11、获取所述调查问卷的文本内容；
S12、利用所述敏感词库通过相同词检测的方法对所述文本内容进行敏感词检测；
S13、根据所述敏感词库的敏感词类别将检测到相同词的敏感词分为强敏感词和弱敏感词；
S14、根据预设的计算规则对所述强敏感词和弱敏感词计算，得到所述调查问卷的敏感词分值。
例如，检测到敏感词有5个，其中4个敏感词为弱敏感词，1个敏感词为强敏感词，根据预设的计算规则规定弱敏感词的基础分值为2(分)，强敏感词的基础分值为5(分)，分别对强敏感词和弱敏感词计算得到对应的分值分别为8(分)和5(分)，最终得到敏感词分为则为13(分)。
S2、逐一对所述调查问卷集中的调查问卷进行情绪分析，得到所述调查问卷集中每一个调查问卷对应的情绪分值；
本发明实施例中，所述调查问卷的情绪分析能够反映用户在进行问卷填写时的情绪反映，例如为消极、积极、中立等。
本发明实施例中，参照图3所示，所述逐一对所述调查问卷集中的调查问卷进行情绪分析，得到所述调查问卷集中每一个调查问卷对应的情绪分值，包括：
S21、提取所述调查问卷中用户的回答文本，对所述回答文本进行分句，得到分句集合；
S22、并对所述分句集合中的句子进行分词，得到句子分词；
S23、利用预训练的概率分布模型计算得到所述回答文本和所述句子分词的概率分布；
S24、根据所述回答文本和所述句子分词的概率分布得到所述问答文本的文本向量；
S25、根据所述文本向量计算得到情绪概率分布，并根据所述情绪概率分布和预设的情绪类别计算得到所述回答文本在每一个情绪类别的概率；
S26、按照预设的计算规则对所述每一个情绪类别的概率进行计算，得到所述调查问卷的情绪分值。
本发明实施例中，所述预训练的概率分布模型可为LDA主题模型。
进一步地，所述根据所述回答文本和所述句子分词的概率分布得到所述问答文本的文本向量，包括：
根据所述回答文本和所述句子分词的概率分布计算余弦相似度；
对所述余弦相似度的计算结果进行归一化处理，得到所述句子分词的权重；
根据所述句子分词的权重，对所述句子分词的词向量进行加权计算，得到所述问答文本的文本向量。
本发明实施例中，可通过如下公式计算所述回答文本和所述句子分词的概率分布的余弦相似度：
其中，p为所述回答文本的概率分布，qmn为第m个句子的第n个句子分词的概率分布，simmn为第m个句子的第n个句子分词的余弦相似度；
进一步地，本发明实施例采用下述方法对所述余弦相似度的计算结果进行归一化处理，得到所述句子分词的权重：
其中，N为句子中的分词总数，n均为分词编号；
进一步地，本发明实施例可利用已训练好的词向量模型，如Word2vec词向量模型，计算所述句子分词的词向量，并可通过如下公式对所述句子分词的词向量进行加权计算：
其中，Wmn为第m个句子的第n个句子分词的词向量，Sm为第m个句子的句子向量；
进一步地，本发明实施例整合所有句子的句子向量，得到所述问答文本的文本向量；
进一步地，本发明实施例可通过如下公式计算所述回答文本在每一个情绪类别的概率：
l＝W·S
其中，S是所述问答文本的文本向量，l是所述情绪概率分布，W是权重参数矩阵，E是情绪类别数，是所述回答文本在第i个情绪类别的概率。
例如，计算得到消极情绪的概率为20％、积极情绪的概率为50％、中立情绪的概率为30％，那么根据预设的计算规则计算最高的概率对应的系数为10，其次的概率对应的系数为6，其余的概率对应的系数为2，根据上述概率和上述系数计算得到情绪分值为7(分)。
S3、对所述调查问卷集中的调查问卷进行文本分析，得到所述调查问卷集中每一个调查问卷对应的用户打分分值；
本发明实施例中，在调查问卷中，用户会根据不同的问题进行回答，回答的答案可能存在正面或者负面，根据所述回答的答案生成调查问卷的分值，能够直观的反映用户对于这份问卷所反映内容的态度。
本发明实施例中，所述对所述调查问卷集中的调查问卷进行文本分析，得到所述调查问卷集中每一个调查问卷对应的用户打分分值，包括：
提取所述调查问卷中用户的回答文本；
对所述回答文本进行语义分析，得到所述问答文本的关键词；
根据所述关键词在预设的打分映射表中检索，并
根据检索到的结果生成所述调查问卷的用户打分分值。
本发明实施例中，可利用预设的关键词提取算法提取所述待推荐产品的产品数据的关键词，所述关键词提取算法包括但不限于IF-IDF算法、Textrank算法。
本发明实施例中，可利用预设的关键词提取算法提取所述问答文本的关键词，所述关键词提取算法包括但不限于IF-IDF算法、Textrank算法。详细地，所述对所述回答文本进行语义分析，得到所述问答文本的关键词，包括：
将所述调查问卷集中所有调查问卷的文本分词汇集为文本词库；
对所述问答文本进行分词处理，得到文本分词；
逐一从所述文本分词中选取出目标分词；
统计所述目标分词在所述调查问卷的文本分词中的第一出现频率，及所述目标分词在所述文本词库中的第二出现概率，根据所述第一出现频率与所述第二出现概率计算所述目标分词的关键度；
选取所述关键度大于预设的关键度阈值的文本分词为所述问答文本的关键词。
详细地，可利用预设的标准词典对所述问答文本进行分词处理，所述标准词典中包含多个标准分词。
具体地，所述根据所述第一出现频率与所述第二出现频率计算所述目标分词的关键度，包括：
利用如下关键词度算法计算所述目标分词的关键度：
K＝f2/f1
其中，K为所述目标分词的关键度，f1为所述第一频率，f2为所述第二频率。
本发明实施例中计算得到所述问答文本的所有文本分词的关键度，并选取所述关键度大于预设的关键度阈值的文本分词为所述问答文本的关键词，直至提取出所述问答文本中所有的关键词。
本发明实施例中，根据选取的关键词在预设的打分映射表中包含与之对应的分值，根据所述分值计算，可以得到用户的打分分值，例如：选取的关键词有环境好，服务好，设备旧，与之对应的打分为3(分)、3(分)、1(分)，计算得到用户的打分分值为7(分)。
S4、根据预设的类目标签将所述调查问卷集中的调查问卷分类为多个类目，对每个类目的调查问卷进行语义分析和统计，得到语义排名，并根据所述语义排名得到每个类目中每个调查问卷对应的归因分值；
本发明实施例中，所述类目标签包含着调查问卷的种类，例如：信用卡业务，理财业务等，在根据类目标签分类得到第一分类中，又包含着由许多问题形成的第二分类，例如：在信用卡业务中，可以有对网点环境的评价良好、网点的服务人员态度一般、网点的硬件设施陈旧等等，通过对第二分类中的内容进行统计，可以得到在第二分类中的排名。
本发明实施例中，所述对每个类目的调查问卷进行语义分析和统计，得到语义排名，包括：
逐一从所述多个类目的调查问卷中选取一个类目的调查问卷为目标类目的调查问卷；
逐一提取所述目标类目中每一个调查问卷中的回答文本，并将所述每一个调查问卷中的回答文本汇总为目标文本库；
对所述目标文本库中的回答文本进行语义分析；
将语义分析结果属于同一文本语义的回答文本作为相同文本，并对所述相同文本进行数量统计；
根据统计得到数量由高到低对文本语义进行排列，得到语义排名。
例如，调查问卷1中有回答文本“网点的服务态度一般”，调查问卷2中有回答文本“网点服务中等”，对调查问卷1和调查问卷2进行分析得到属于文本语义“网点的服务人员态度一般”，也即得到文本语义“网点的服务人员态度一般”的数量为2。
本发明实施例中，所述根据所述语义排名得到每个类目中每个调查问卷对应的归因分值，包括：
从所述每个调查问卷中选取一个作为目标调查问卷；
对所述目标调查问卷的回答文本进行语义分析；
根据语义分析的结果确定所述目标调查问卷的文本语义，根据所述文本语义确定在语义排名的排名；
根据所述在语义排名的排名计算得到所述目标调查问卷的归因分值。
例如，假设对调查问卷1的问答文本进行语义分析，分别得到对应的文本语义1、文本语义2、文本语义3，上述文本语义对应的语义排名分别为第8名、第3名、第5名，可以对语义排名赋予不同的分值，第3名、第5名、第8名对应的分值分别为4(分)、3(分)、1(分)，在对上述对应的分值计算既可得到调查问卷1的归因分值为8(分)。
S5、根据预设的业务类型提取所述调查问卷集中每一个调查问卷对应的用户标签，并根据所述用户标签，计算得到所述调查问卷集中每一个调查问卷对应的用户分值；
本发明实施例中，所述业务类型可以为信用卡业务、理财业务等等，在不同的业务类型中，不同的用户可能具有不同的标签，例如在信用卡业务中，用户标签可以存在黑金用户、白金用户、普通用户。
本发明实施例中，所述根据预设的业务类型提取所述调查问卷集中每一个调查问卷对应的用户标签，包括：
根据所述业务类型从预设的业务表集合中调用对应的业务表；
获取所述调查问卷集中每一个调查问卷的用户账号；
从所述对应的业务表中提取所述用户账号对应的用户标签。
本发明实施例中，所述用户标签可以对应不同的评分，例如用户在信用卡业务中的标签为白金用户，对应的评分为7(分)；在理财业务中的标签为平稳性用户，对应的评分为3(分)，所述对应的评分即为用户分值。
S6、根据预设的权重系数表中提取目标业务类型对应的权重系数，并根据所述系数对所述每一个调查问卷的所述敏感词分值、所述情绪分值、所述用户打分分值、所述归因分值和所述用户分值进行计算，得到每一个调查问卷对应的回访分值；
本发明实施例中，在不同的业务类型中对不同方面考察的比重可能都有所不同，因此可以根据不同业务类型设置有不同的权重。
本发明实施例中，可以利用如下计算算法对所述敏感词分值、所述情绪分值、所述用户打分分值、所述归因分值和所述用户分值这五个评分指标进行计算，得到回访分值：
其中，G为所述回访分值，a为评分指标的数量，Ux所述评分指标中第x个评分指标的分值，Vx为第x个预设的权重系数。
S7、提取回访分值大于预设阈值的调查问卷作为回访问卷。
本发明实施例中，得到每一个调查问卷的回访分值后，可以根据回访分值的大小判断对应的调查问卷是否为需要回访的问卷。
例如，计算得到回访分值为42(分)，阈值设置为35(分)，回访分值大于阈值，因此确定所述回访分值对应的调查问卷作为回访问卷。
本发明实施例通过敏感词分析、情绪分析、文本分析，实现对调查问卷文本内容的分析，并从而得到用户在填写问卷时的态度以及用户对于调查问卷内容的直观反馈；通过对调查问卷进行归因分析，可以从大数据上把握调查问卷的整体反馈；通过将用户标签作为最终回访分值的因素之一，使用户之间根据固有标签而具有差异化；通过以上多个维度的评分指标得到回访分值，进而确定回访问卷，实现了获取准确性高的回访名单。因此本发明提出的回访名单智能生成方法，可以解决生成的回访名单准确性低的问题。
如图4所示，是本发明一实施例提供的回访名单智能生成装置的功能模块图。
本发明所述回访名单智能生成装置100可以安装于电子设备中。根据实现的功能，所述回访名单智能生成装置100可以包括敏感词分值生成模块101、情绪分值生成模块102、用户打分分值生成模块103、归因分值生成模块104、用户分值生成模块105、回访分值生成模块106、及回访问卷生成模块107。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述敏感词分值生成模块101，用于获取调查问卷集，并根据预设的敏感词库逐一对所述调查问卷集中的调查问卷进行敏感词分析，得到所述调查问卷集中每一个调查问卷对应的敏感词分值；
所述情绪分值生成模块102，用于逐一对所述调查问卷集中的调查问卷进行情绪分析，得到所述调查问卷集中每一个调查问卷对应的情绪分值；
所述用户打分分值生成模块103，用于对所述调查问卷集中的调查问卷进行文本分析，得到所述调查问卷集中每一个调查问卷对应的用户打分分值；
所述归因分值生成模块104，用于根据预设的类目标签将所述调查问卷集中的调查问卷分类为多个类目，对每个类目的调查问卷进行语义分析和统计，得到语义排名，并根据所述语义排名得到每个类目中每个调查问卷对应的归因分值；
所述用户分值生成模块105，用于根据预设的业务类型提取所述调查问卷集中每一个调查问卷对应的用户标签，并通过所述对应的用户标签得到所述调查问卷集中每一个调查问卷对应的用户分值；
所述回访分值生成模块106，用于根据预设的权重系数表中提取目标业务类型对应的权重系数，并根据所述系数对所述每一个调查问卷的所述敏感词分值、所述情绪分值、所述用户打分分值、所述归因分值和所述用户分值进行计算，得到每一个调查问卷对应的回访分值；
所述回访问卷生成模块107，用于提取回访分值大于预设阈值的调查问卷作为回访问卷。
详细地，本发明实施例中所述回访名单智能生成装置100中所述的各模块在使用时采用与上述图1至图3中所述的回访名单智能生成方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现回访名单智能生成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如回访名单智能生成程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行回访名单智能生成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如回访名单智能生成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的回访名单智能生成程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取调查问卷集，并根据预设的敏感词库逐一对所述调查问卷集中的调查问卷进行敏感词分析，得到所述调查问卷集中每一个调查问卷对应的敏感词分值；
逐一对所述调查问卷集中的调查问卷进行情绪分析，得到所述调查问卷集中每一个调查问卷对应的情绪分值；
对所述调查问卷集中的调查问卷进行文本分析，得到所述调查问卷集中每一个调查问卷对应的用户打分分值；
根据预设的类目标签将所述调查问卷集中的调查问卷分类为多个类目，对每个类目的调查问卷进行语义分析和统计，得到语义排名，并根据所述语义排名得到每个类目中每个调查问卷对应的归因分值；
根据预设的业务类型提取所述调查问卷集中每一个调查问卷对应的用户标签，并通过所述对应的用户标签得到所述调查问卷集中每一个调查问卷对应的用户分值；
根据预设的权重系数表中提取目标业务类型对应的权重系数，并根据所述系数对所述每一个调查问卷的所述敏感词分值、所述情绪分值、所述用户打分分值、所述归因分值和所述用户分值进行计算，得到每一个调查问卷对应的回访分值；
提取回访分值大于预设阈值的调查问卷作为回访问卷。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取调查问卷集，并根据预设的敏感词库逐一对所述调查问卷集中的调查问卷进行敏感词分析，得到所述调查问卷集中每一个调查问卷对应的敏感词分值；
逐一对所述调查问卷集中的调查问卷进行情绪分析，得到所述调查问卷集中每一个调查问卷对应的情绪分值；
对所述调查问卷集中的调查问卷进行文本分析，得到所述调查问卷集中每一个调查问卷对应的用户打分分值；
根据预设的类目标签将所述调查问卷集中的调查问卷分类为多个类目，对每个类目的调查问卷进行语义分析和统计，得到语义排名，并根据所述语义排名得到每个类目中每个调查问卷对应的归因分值；
根据预设的业务类型提取所述调查问卷集中每一个调查问卷对应的用户标签，并通过所述对应的用户标签得到所述调查问卷集中每一个调查问卷对应的用户分值；
根据预设的权重系数表中提取目标业务类型对应的权重系数，并根据所述系数对所述每一个调查问卷的所述敏感词分值、所述情绪分值、所述用户打分分值、所述归因分值和所述用户分值进行计算，得到每一个调查问卷对应的回访分值；
提取回访分值大于预设阈值的调查问卷作为回访问卷。
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，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种回访名单智能生成方法，其特征在于，所述方法包括：
获取调查问卷集，并根据预设的敏感词库逐一对所述调查问卷集中的调查问卷进行敏感词分析，得到所述调查问卷集中每一个调查问卷对应的敏感词分值；
逐一对所述调查问卷集中的调查问卷进行情绪分析，得到所述调查问卷集中每一个调查问卷对应的情绪分值；
对所述调查问卷集中的调查问卷进行文本分析，得到所述调查问卷集中每一个调查问卷对应的用户打分分值；
根据预设的类目标签将所述调查问卷集中的调查问卷分类为多个类目，对每个类目的调查问卷进行语义分析和统计，得到语义排名，并根据所述语义排名得到每个类目中每个调查问卷对应的归因分值；
根据预设的业务类型提取所述调查问卷集中每一个调查问卷对应的用户标签，并根据所述对应的用户标签，计算得到所述调查问卷集中每一个调查问卷对应的用户分值；
根据预设的权重系数表中提取目标业务类型对应的权重系数，并根据所述系数对所述每一个调查问卷的所述敏感词分值、所述情绪分值、所述用户打分分值、所述归因分值和所述用户分值进行计算，得到每一个调查问卷对应的回访分值；
提取回访分值大于预设阈值的调查问卷作为回访问卷。
2.如权利要求1所述的回访名单智能生成方法，其特征在于，所述根据预设的敏感词库逐一对所述调查问卷集中的调查问卷进行敏感词分析，得到所述调查问卷集中每一个调查问卷对应的敏感词分值，包括：
获取所述调查问卷的文本内容；
利用所述敏感词库通过相同词检测的方法对所述文本内容进行敏感词检测；
根据所述敏感词库的敏感词类别将检测到相同词的敏感词分为强敏感词和弱敏感词；
根据预设的计算规则对所述强敏感词和弱敏感词计算，得到所述调查问卷的敏感词分值。
3.如权利要求1所述的回访名单智能生成方法，其特征在于，所述逐一对所述调查问卷集中的调查问卷进行情绪分析，得到所述调查问卷集中每一个调查问卷对应的情绪分值，包括：
提取所述调查问卷中用户的回答文本，对所述回答文本进行分句，得到分句集合；
并对所述分句集合中的句子进行分词，得到句子分词；
根据所述分句集合中的句子进句法分析得到句法树，并根据所述句法树建立树结构神经网络；
利用预训练的概率分布模型计算得到所述回答文本和所述句子分词的概率分布；
根据所述回答文本和所述句子分词的概率分布得到所述问答文本的文本向量；
根据所述文本向量映射所得的情绪概率分布和预设的情绪类别计算得到所述回答文本在每一个情绪类别的概率；
按照预设的计算规则对所述每一个情绪类别的概率进行计算，得到所述调查问卷的情绪分值。
4.如权利要求3所述的回访名单智能生成方法，其特征在于，所述根据所述回答文本和所述句子分词的概率分布得到所述问答文本的文本向量，包括：
根据所述回答文本和所述句子分词的概率分布计算余弦相似度；
对所述余弦相似度的计算结果进行归一化处理，得到所述句子分词的权重；
根据所述句子分词的权重和所述句子分词的词向量进行加权计算，得到所述问答文本的文本向量。
5.如权利要求1所述的回访名单智能生成方法，其特征在于，所述对所述调查问卷集中的调查问卷进行文本分析，得到所述调查问卷集中每一个调查问卷对应的用户打分分值，包括：
提取所述调查问卷中用户的回答文本；
对所述回答文本进行语义分析，得到所述问答文本的关键词；
根据所述关键词在预设的打分映射表中检索；
根据检索到的结果生成所述调查问卷的用户打分分值。
6.如权利要求1至5中任一项所述的回访名单智能生成方法，其特征在于，所述对每个类目的调查问卷进行语义分析和统计，得到语义排名，包括：
逐一从所述多个类目的调查问卷中选取一个类目的调查问卷为目标类目的调查问卷；
逐一提取所述目标类目中每一个调查问卷中的回答文本，并将所述每一个调查问卷中的回答文本汇总为目标文本库；
对所述目标文本库中的回答文本进行语义分析；
将语义分析结果属于同一文本语义的回答文本作为相同文本，并对所述相同文本进行数量统计；
根据统计得到数量由高到低对文本语义进行排列，得到语义排名。
7.如权利要求6所述的回访名单智能生成方法，其特征在于，所述根据所述语义排名得到每个类目中每个调查问卷对应的归因分值，包括：
从所述每个调查问卷中选取一个作为目标调查问卷；
对所述目标调查问卷的回答文本进行语义分析；
根据语义分析的结果确定所述目标调查问卷的文本语义，根据所述文本语义确定在语义排名的排名；
根据所述在语义排名的排名计算得到所述目标调查问卷的归因分值。
8.一种回访名单智能生成装置，其特征在于，所述装置包括：
敏感词分值生成模块，用于获取调查问卷集，并根据预设的敏感词库逐一对所述调查问卷集中的调查问卷进行敏感词分析，得到所述调查问卷集中每一个调查问卷对应的敏感词分值；
情绪分值生成模块，用于逐一对所述调查问卷集中的调查问卷进行情绪分析，得到所述调查问卷集中每一个调查问卷对应的情绪分值；
用户打分分值生成模块，用于对所述调查问卷集中的调查问卷进行文本分析，得到所述调查问卷集中每一个调查问卷对应的用户打分分值；
归因分值生成模块，用于根据预设的类目标签将所述调查问卷集中的调查问卷分类为多个类目，对每个类目的调查问卷进行语义分析和统计，得到语义排名，并根据所述语义排名得到每个类目中每个调查问卷对应的归因分值；
用户分值生成模块，用于根据预设的业务类型提取所述调查问卷集中每一个调查问卷对应的用户标签，并通过所述对应的用户标签得到所述调查问卷集中每一个调查问卷对应的用户分值；
回访分值生成模块，用于根据预设的权重系数表中提取目标业务类型对应的权重系数，并根据所述系数对所述每一个调查问卷的所述敏感词分值、所述情绪分值、所述用户打分分值、所述归因分值和所述用户分值进行计算，得到每一个调查问卷对应的回访分值；
回访问卷生成模块，用于提取回访分值大于预设阈值的调查问卷作为回访问卷。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的回访名单智能生成方法。
10.一种计算机可读存储介质，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如权利要求1至7中任意一项所述的回访名单智能生成方法。
CN202111534463.2A 2021-12-15 2021-12-15 回访名单智能生成方法、装置、设备及存储介质 Active CN114239595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111534463.2A CN114239595B (zh) 2021-12-15 2021-12-15 回访名单智能生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111534463.2A CN114239595B (zh) 2021-12-15 2021-12-15 回访名单智能生成方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114239595A CN114239595A (zh) 2022-03-25
CN114239595B true CN114239595B (zh) 2024-05-10

Family

ID=80756358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111534463.2A Active CN114239595B (zh) 2021-12-15 2021-12-15 回访名单智能生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114239595B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920677A (zh) * 2018-07-09 2018-11-30 华中师范大学 问卷调查方法、调查系统及电子设备
CN109447822A (zh) * 2018-09-19 2019-03-08 平安科技（深圳）有限公司 保单智能回访方法、装置及计算机可读存储介质
WO2019214145A1 (zh) * 2018-05-10 2019-11-14 平安科技（深圳）有限公司 文本情绪分析方法、装置及存储介质
CN111276148A (zh) * 2020-01-14 2020-06-12 中国平安人寿保险股份有限公司 基于卷积神经网络的回访方法、系统及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019214145A1 (zh) * 2018-05-10 2019-11-14 平安科技（深圳）有限公司 文本情绪分析方法、装置及存储介质
CN108920677A (zh) * 2018-07-09 2018-11-30 华中师范大学 问卷调查方法、调查系统及电子设备
CN109447822A (zh) * 2018-09-19 2019-03-08 平安科技（深圳）有限公司 保单智能回访方法、装置及计算机可读存储介质
CN111276148A (zh) * 2020-01-14 2020-06-12 中国平安人寿保险股份有限公司 基于卷积神经网络的回访方法、系统及存储介质

Also Published As

Publication number Publication date
CN114239595A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
WO2022141861A1 (zh) 情感分类方法、装置、电子设备及存储介质
CN110263248B (zh) 一种信息推送方法、装置、存储介质和服务器
CN112507936B (zh) 图像信息审核方法、装置、电子设备及可读存储介质
CN113095076A (zh) 敏感词识别方法、装置、电子设备及存储介质
CN113378970B (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN113887930B (zh) 问答机器人健康度评估方法、装置、设备及存储介质
CN115391669A (zh) 一种智能推荐方法、装置、电子设备
CN114416939A (zh) 智能问答方法、装置、设备及存储介质
CN116450829A (zh) 医疗文本分类方法、装置、设备及介质
CN116681082A (zh) 离散文本语义分段方法、装置、设备及存储介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN113344125B (zh) 长文本匹配识别方法、装置、电子设备及存储介质
CN112579781B (zh) 文本归类方法、装置、电子设备及介质
CN116628162A (zh) 语义问答方法、装置、设备及存储介质
CN107688594A (zh) 基于社交信息的风险事件的识别系统及方法
CN116340537A (zh) 人物关系抽取方法、装置、电子设备及存储介质
CN116737947A (zh) 实体关系图构建方法、装置、设备及存储介质
CN114708073B (zh) 一种围标串标智能检测方法、装置、电子设备及存储介质
CN116521867A (zh) 文本聚类方法、装置、电子设备及存储介质
CN114239595B (zh) 回访名单智能生成方法、装置、设备及存储介质
CN116340516A (zh) 实体关系的聚类提取方法、装置、设备及存储介质
CN115221323A (zh) 基于意图识别模型的冷启动处理方法、装置、设备及介质
CN114722280A (zh) 基于用户画像的课程推荐方法、装置、设备及存储介质
CN114493849A (zh) 基于人工智能的目标推荐方法、系统、设备及介质
CN113706207A (zh) 基于语义解析的订单成交率分析方法、装置、设备及介质

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