CN114491255A - 推荐方法、系统、电子设备和介质 - Google Patents
推荐方法、系统、电子设备和介质 Download PDFInfo
- Publication number
- CN114491255A CN114491255A CN202210081590.XA CN202210081590A CN114491255A CN 114491255 A CN114491255 A CN 114491255A CN 202210081590 A CN202210081590 A CN 202210081590A CN 114491255 A CN114491255 A CN 114491255A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- client
- service
- customer
- emotion
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Abstract
本申请提供了一种推荐方法,可用于人工智能技术领域。该推荐方法包括:获取m个客户经理的服务特征信息和客户的用户画像;基于客户的用户画像和m个客户经理的服务特征信息,生成第一推荐清单,其中,第一推荐清单包括可向客户推荐的n个客户经理;利用推荐指数模型计算第一推荐清单内每个客户经理的推荐指数;基于推荐指数将n个客户经理排序,生成第二推荐清单;根据第二推荐清单,向客户推荐第一顺位的客户经理。本申请的推荐方法,在第一推荐清单的基础上,进一步地对客户经理排序,最终推荐第二推荐清单上排列第一位的客户经理。此方法与客户的契合度高,贴近客户的真实诉求,不仅能有效提升客户的满意度,还能提升客户经理的营销业绩。
Description
技术领域
本申请涉及人工智能领域,具体地涉及一种推荐方法、系统、电子设备、介质和程序产品。
背景技术
目前技术中,针对金融服务行业客户经理的推荐方法和技术主要依据客户画像和客户经理画像,采用人工智能算法进行运算推荐,但并未充分考虑到客户在被服务过程中的体验和感受,存在推荐准确度不高的问题。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。
例如,本申请提供了一种推荐方法,利用数字全息技术获取客户的三维服务体验,然后利用人工智能技术分析客户在体验过程中的情绪变化,进而优化模型的推荐算法,契合客户实际需求,提高客户的服务体验。
为了解决上述问题,本申请的第一个方面提供了一种推荐方法,包括以下步骤:
获取m个客户经理的服务特征信息;
获取至少一个客户的用户画像,其中,至少一个所述客户已完成采集授权;
基于所述至少一个客户的用户画像和m个客户经理的服务特征信息,生成第一推荐清单,其中,所述第一推荐清单包括可向所述客户推荐的n个客户经理,m≥n,且m和n均大于等于1;
利用推荐指数模型计算所述第一推荐清单内每个客户经理的推荐指数,所述推荐指数用于表征与所述客户的契合程度;
基于所述推荐指数将n个客户经理排序,生成第二推荐清单;
根据所述第二推荐清单,向所述客户推荐第一顺位的客户经理。
根据本申请的推荐方法,基于用户画像和客户经理画像生成适于推荐的第一推荐清单,在第一推荐清单的基础上,进一步地对在第一推荐清单内的客户经理通过推荐指数的高低进行排序,生成第二推荐清单,最终推荐第二推荐清单上排列第一位的客户经理。此方法与客户的契合度高,贴近客户的真实诉求,不仅能有效提升客户的满意度,还能提升客户经理的营销业绩。
进一步地,在利用推荐指数模型计算所述第一推荐清单内每个客户经理的推荐指数之前,还包括:
获取所述客户在时间段t内的a个历史服务数据;
根据所述a个历史服务数据,获得每个历史服务数据中所述客户的情绪波动信息;
获取所述客户的情绪波动信息对应的服务后指标信息;
根据所述服务后指标信息和所述情绪波动信息建立所述推荐指数模型。
进一步地,所述历史服务数据包括全息数据和语音数据。
进一步地,根据所述a个历史服务数据,获得每个历史服务数据中所述客户的情绪波动信息,包括:
提取第i次的所述全息数据和所述语音数据,其中,i属于a;
提取所述语音数据中的关键词;
基于所述关键词,将第i次的服务分为多段服务阶段;
获取每段服务阶段的全息图像;
利用情绪识别模型,得到所述全息图像中所述客户的至少一个情绪特征值;
根据情绪特征值,计算每段所述服务阶段的情绪总分;
分析所述的每段所述服务阶段的情绪总分,得到所述客户的情绪波动信息。
进一步地,利用情绪识别模型,得到每段所述服务阶段的所述客户的至少一个情绪特征值,包括:
建立情绪识别模型,其中包括多个情绪特征;
向情绪识别模型输入全息图像;
分析全息图像,输出每个情绪特征的情绪特征值。
进一步地,根据情绪特征值,计算每段所述服务阶段的情绪总分,包括:
将每个情绪特征归类为积极情绪或消极情绪中的一种;
积极情绪赋予正值,消极情绪赋予负值;
将每段所述服务阶段的所述情绪特征值相加。
进一步地,分析所述的每段所述服务阶段的情绪总分,得到所述客户的情绪波动信息,包括:
根据相邻的两个所述服务阶段的情绪总分计算斜率;
将所述斜率相加得到所述情绪波动信息。
进一步地,所述情绪波动信息包括正向波动、负向波动和平滑波动。
进一步地,所述服务后指标信息包括服务后行为信息和根据所述服务后行为信息产生的指标得分。
进一步地,还包括:
根据所述客户反馈的服务评价,在所述第一顺位的客户经理的匹配度低于预设范围时,重新分析所述客户经理的服务特征信息,并更新所述第一推荐清单。
进一步地,所述服务特征信息包括客户经理的从业年限、履历信息、营销业绩和业务范围中的至少一种。
进一步地,所述用户画像包括客户的基本信息、风险偏好和历史购买信息中的至少一种。
本申请的第二方面提供了一种推荐系统,包括:第一获取模块,所述第一获取模块用于获取m个客户经理的服务特征信息;第二获取模块,所述第二获取模块用于获取客户的用户画像;第一生成模块,所述第一生成模块用于:基于所述客户的用户画像和m个客户经理的服务特征信息,生成第一推荐清单,其中,所述第一推荐清单内包括可向所述客户推荐的n个客户经理,m≥n,且m和n均大于等于1;计算模块,所述计算模块用于:利用推荐指数模型计算所述第一推荐清单内每个客户经理的推荐指数;第二生成模块,所述第二生成模块用于:基于所述推荐指数将n个客户经理排序,生成第二推荐清单;以及推荐模块,所述推荐模块用于:根据所述第二推荐清单,向所述客户推荐第一顺位的客户经理。
本申请的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述的推荐方法。
本申请的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述的推荐方法。
本申请的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的推荐方法。
附图说明
通过以下参照附图对本申请实施例的描述,本申请的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本申请实施例的推荐方法、装置、系统、设备、介质和程序产品的应用场景图;
图2示意性示出了根据本申请实施例的推荐方法的流程图;
图3示意性示出了根据本申请实施例的利用推荐指数模型之前的方法流程图;
图4示意性示出了根据本申请实施例的获得情绪波动信息的方法流程图;
图5示意性示出了根据本申请实施例的利用情绪识别模型分析全息图像的方法流程图;
图6示意性示出了根据本申请实施例的计算每段服务阶段的情绪总分的方法流程图;
图7示意性示出了根据本申请实施例的情绪波动信息的分析方法流程图;
图8示意性示出了根据本申请实施例的客户经理推荐装置的结构图;
图9示意性示出了根据本申请实施例的推荐系统的结构框图;以及
图10示意性示出了根据本申请实施例的适于实现推荐方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本申请的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本申请的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本申请实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本申请的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本申请。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
目前技术中,针对金融服务行业客户经理的推荐方法和技术主要依据客户画像和客户经理画像,采用人工智能算法进行运算推荐,但并未充分考虑到客户在被服务过程中的体验和感受,存在推荐准确度不高的问题。
随着5G通讯、互联网技术和多媒体技术的发展,目前部分移动终端已经具备全息投影通讯功能,使得利用数字全息和5G技术采集客户三维立体信息优化客户经理推荐算法成为可能。
本申请利用数字全息技术获取客户的三维服务体验,主要获取客户的情绪和态度,然后利用人工智能技术通过获取到的客户情绪和态度对客户经理推荐模型的算法进行优化,利用此客户经理推荐模型计算出的推荐结果更契合客户实际需求,可提高客户的服务体验。
需要注意的是,本申请中的数字全息是用光电传感器代替干板记录全息图,然后将全息图存入计算机,用计算机模拟光学衍射过程来实现被记录物体的全息在线和处理。数字全息技术将数学技术与传统的光绪全息技术相结合,以CCD(电荷耦合元件)期间为全息图记录介质,并通过计算机数值模拟光学衍射过程再现物光波前,可实现逼真的三维物体。
可以理解的是,本申请采用数字全息技术回放客户经理与客户的服务过程,可利用三维的方式展现客户被服务时的面部表情和姿态,以此来优化客户经理推荐算法。
图1示意性示出了根据本申请实施例的推荐方法、装置、系统、设备及介质的应用场景100。需要注意的是,图1所示仅为可以应用本申请实施例的系统架构的示例,以帮助本领域技术人员理解本申请的技术内容,但并不意味着本申请实施例不可以用于其他设备、装置、系统、环境或场景。
如图1所示,根据该实施例的应用场景100可以包括客户终端101、服务器102以及客户经理终端103、104、105。其中客户终端101、服务器102以及客户经理终端103、104、105之间通过网络连接。网络可以通过有线或无线连接介质提供。
该应用场景100还可以包括客户10和客户经理21、22、23。客户10为在客户终端101中以特定客户身份信息(例如,客户编号)登录的客户。客户经理21、22、23为分别在客户经理终端103、104、105中以特定的客户经理身份信息(例如,客户经理的营销代码)登录的客户经理。
客户10可以使用客户终端101向服务器102发送服务请求,服务器102可以在接收到客户的服务请求后利用本申请的推荐方法,来确定为客户10提供服务的客户经理为客户经理21、22、23其中之一(例如为客户经理21)。这样,服务器102可以向客户经理终端103发送信息,以建立客户经理终端103和客户终端101之间的连接,从而使客户经理21可以向客户10提供相应的服务。
需要说明的是,本申请所提供的推荐方法一般可以由服务器102执行。相应地,本申请所提供的推荐系统一般可以设置于服务器102中。本申请所提供的推荐方法也可以由不同于服务器102且能够与客户终端101、和/或客户经理终端103、104、105、和/或服务器102通信的服务器或服务器集群执行。相应地,本申请所提供的推荐系统也可以设置于不同于服务器102且能够与客户终端101、和/或客户经理终端103、104、105、和/或服务器102通信的服务器或服务器集群中。
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。
以下将基于图1描述的场景,通过图2~图7对申请实施例的推荐方法进行详细描述。
需要说明的是,在本申请的技术方案中,所涉及的客户个人信息的获取,存储和应用等,均已是在征询本人同意后进行的采集操作,符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
图2示意性示出了根据本申请实施例的推荐方法的流程图。
如图2所示,该实施例可用于客户经理推荐的方法,包括操作S210~操作S260。
在操作S210,获取m个客户经理的服务特征信息。
数据库中存储有m个客户经理的服务特征信息,从数据库中提取每个客户经理的服务特征信息,以对应建立每个客户经理的画像信息,将画像信息与客户经理的营销代码相关联,以在输入营销代码后可直接浏览相关客户经理的服务特征信息。
其中,服务特征信息可以包括每个客户经理的从业年限、履历信息、营销业绩和业务范围中的至少一种。当然服务特征信息不止于上述的几种,其他的有助于刻画客户经理画像的服务特征信息都可作为获取的内容对象。
在操作S220,获取至少一个客户的用户画像,其中,至少一个客户已完成采集授权。
在客户同意采集自己相关的个人信息进行分析后,提取客户在注册时填写的个人基本信息,通过客户的个人基本信息,建立客户的用户画像。客户在注册成功后获得唯一的客户编号,将客户编号与相关用户画像相关联,以在输入客户编号后可直接获取到相关客户的个人基本信息。
其中,用户画像包括客户的基本信息(例如年龄、性别、国籍、职业、资产)、风险偏好和历史购买信息中的至少一种。当然,构成用户画像的数据信息不止于上述的几种,其他的有助于刻画用户画像的数据信息都可作为获取的内容对象。
在操作S230,基于至少一个客户的用户画像和m个客户经理的服务特征信息,生成第一推荐清单,其中,第一推荐清单包括可向客户推荐的n个客户经理,m≥n,且m和n均大于等于1。
基于用户画像和客户经理的服务特征信息,生成可为相关客户服务的第一推荐清单。第一推荐清单可通过构建模型获得,利用机器学习聚类算法对用户画像与客户经理的服务特征信息进行构建模型,将客户的特征和客户经理的特征作为训练样本,得到第一推荐清单。
主要步骤包括:
1)用户画像数据分析:将用户画像的数据信息作为客户的特征数据,利用机器学习聚类算法(K-means)对客户进行分类,特征相似的客户会被划分在同一簇,同簇客户则为同一个客户群体。
2)客户经理画像数据分析:根据客户经理画像特征,利用聚类算法对客户经理进行分类,位于同一个簇的客户经理具有更相似的特征,为同一个服务群体。
3)分析客户经理和客户群之间的映射关系。其中,映射关系的建立可以通过客户经理服务过客户则建立对应的映射、客户经理和客户存在相同的特征则建立对应的映射。然后通过计算映射的数量,建立客户群体和服务群体的对应关系,得到客户经理得到推荐第一客户经理推荐清单。
通过上述步骤,可以根据一个客户的用户画像,挑选适合的多个客户经理,多个客户经理的名单作为第一推荐清单。可以理解为,m个客户经理中有n个客户经理是符合该客户的用户画像的,适于服务该客户。当然,还有部分客户的用户画像与该客户相似,可以与此客户分为同一簇,对应完全相同的多个客户经理的名单,即在同一簇的客户拥有同一份第一推荐清单。
在一个实施例中,通过用户画像的数据分析,将客户群体分为客户群体A,客户群体B,客户群体C...,其中,客户群体A中的客户个体表示为A1,A2,A3...;通过客户经理画像数据分析,服务群体有服务群体X,服务群体Y,服务群体Z…,其中,服务群体X中的客户经理个体表示为X1,X2,X3...。通过聚合算法,建立客户群体和服务群体的映射关系。映射关系的数量表征服务群体与客户群体的适配度,在分析映射的数量过程中,可通过存在映射关系的数量判断与每个客户群体匹配度最高的服务群体。例如,服务群体X和客户群体A映射数量较多,则服务群体X和客户群体A更加匹配。
需要注意的是,服务群体与客户群体的关联关系可为一对多的关系,即,一个客户经理可关联多个客户,例如,服务群体X中的客户经理X1,适合推荐给客户群体B中的客户B1和客户B2;或一个客户可适于被多个不同的客户经理服务,例如,客户群体B中的客户B1与服务群体X中的客户经理X1和客户经理X2匹配度较高。也可以为一对一的关系,即,一个客户经理仅适于服务一个客户。
客户有新客户和老客户的区分,新客户可理解为仅注册但未被服务过的人,老客户可理解为已被服务过的人。在一个客户群体中,可能全部是老客户,也可能全部是新用户,还可能部分是老用户部分是新用户。服务群体与客户群体的组成原理相同。由于映射关系具有的多种建立方法,使得操作S230适用于所有客户群体和所有服务群体的分簇、建立关联、并生成第一推荐清单。
在操作S240,利用推荐指数模型计算第一推荐清单内每个客户经理的推荐指数,推荐指数用于表征与客户的契合程度。
第一推荐清单是根据关联数量生成的,而针对一个客户而言,第一推荐清单可以理解为是与该客户匹配的n个客户经理。
为了进一步地对n个客户经理进行筛选,选择最合适该客户的客户经理,需要根据该客户有针对性的计算第一推荐清单内的n个客户经理的推荐指数,即计算出与该客户契合度最高的客户经理。
进一步地筛选有利于提高客户和客户经理的契合度,贴近客户的真实诉求,不仅能有效提升客户的满意度,还能提升客户经理的营销业绩。
在操作S250,基于推荐指数将n个客户经理排序,生成第二推荐清单。
可以理解为,第二推荐清单是在第一推荐清单的基础上,已对n个客户经理排序后的推荐清单。
在操作S260,根据第二推荐清单,向客户推荐第一顺位的客户经理。
将n个客户经理排序后生成第二推荐清单,向客户从第一顺位依次推荐客户经理。例如,在第一顺位的客户经理不方便服务的情况下,向客户推荐第二顺位的客户经理。
根据本申请的推荐方法,基于用户画像和客户经理画像生成适于推荐的第一推荐清单,在第一推荐清单的基础上,进一步地对在第一推荐清单内的客户经理通过推荐指数的高低进行排序,生成第二推荐清单,最终推荐第二推荐清单上排列第一位的客户经理。此方法与客户的契合度高,贴近客户的真实诉求,不仅能有效提升客户的满意度,还能提升客户经理的营销业绩。
图3示意性示出了根据本申请实施例的在利用推荐指数模型计算第一推荐清单内每个客户经理的推荐指数之前的方法流程图。
根据本申请的一个实施例,如图3所示,该实施例可用于推荐指数模型的准备工作,包括操作S310~操作S340。
在操作S310,获取客户在时间段t内的a个历史服务数据。
历史服务数据是指该客户在本次服务交易之前,通过相关机构营业部或网点所获得的咨询、业务办理、营销推荐等服务。所谓历史服务数据可以是客户所接受的在时间段t内的所有历史服务数据,也可以是时间段t内的随机的a个历史服务数据,还可以是最近一次的历史服务数据。也就是说,本申请对历史服务数据的次数和时间段没有特殊限定。
在获取的历史服务数据中,包括全息数据和语音数据。全息数据是指在历史服务过程中,相关机构利用已配置的全息采集设备记录下服务全过程的全息数据信息。语音数据是指在历史服务过程中,相关机构利用录音设备记录下的服务全过程的语音数据信息。
在操作S320,根据a个历史服务数据,获得每个历史服务数据中客户的情绪波动信息。
进一步地,情绪波动信息包括正向波动、负向波动和平滑波动。
利用操作S310获得到的全息数据,可得到该客户的表情、态度、姿势、手势等具体的可反映客户情绪的信息,以此对客户的情绪波动进行分析。
其中,情绪波动信息可包括但不限于正向波动、负向波动和平滑波动。可以理解的是,正向波动为积极波动,表征该客户逐渐满意于在当次服务中客户经理的服务,具有较好的体验;负向波动为消极波动,表征该客户逐渐失望于在当次服务中客户经理的服务,具有较差的体验;平滑波动为平常波动,表征该客户对当次服务中客户经理的服务既没有体现出失望、也没有体现出满意,属于中性态度。
在操作S330,获取客户的情绪波动信息对应的服务后指标信息。
服务后指标信息可作为推荐指数模型的数据信息之一,通常在服务过后,客户会对应的服务后指标信息。例如,客户在服务后是否购买推荐产品、是否进行交易撤单、是否进行产品回购、是否进行社交分享等。服务后指标信息可包括但不限于经推荐后购买相关产品、经推荐后点击相关选项、经推荐后对相关产品信息进行浏览、购买相关产品后未撤单、回购相关产品、经推荐后分享到其他平台或其他人等。
通过对服务后指标信息的获取,可间接表达当次客户的满意度和客户经理的服务水平,进而利于建立推荐指数模型。
在操作S340,根据服务后指标信息和情绪波动信息建立推荐指数模型。
根据从全息数据中读取到的客户当场反映的情绪波动信息,以及统计在经客户经理服务过后的服务后指标信息,建立推荐指数模型,进而优化客户经理推荐算法,利用此推荐指数模型可实现有效推荐,可表达客户真实诉求。
图4示意性示出了根据本申请实施例的获得情绪波动信息的方法流程图。
根据本申请的一个实施例,如图4所示,该实施例可获得每个历史服务数据中客户的情绪波动信息,包括操作S410~操作S470。
在操作S410,提取第i次的全息数据和语音数据,其中,i属于a。
第i次表征是获取的a个历史服务数据中,其中的一次服务。
在获得a个历史服务数据后,提取第i次的历史服务数据,例如,提取最后一次的历史服务数据。
在操作S420,提取语音数据中的关键词。
利用语音识别技术将语音数据转化为文字数据,然后再利用自然语言处理技术对文本数据中的关键词提取。
为了操作S430可通过关键词划分服务阶段,关键词需要针对性的提取有关服务阶段开始或完成的词汇。在一个实施例中,可以用如下方式:
1)获取客户经理服务类型。获取方式可以来自客户经理在为客户服务之前提前输入的服务类型,或者客户在想办理业务时自选择的服务类型。其中,服务类型可包括但不限于金融咨询、业务办理、营销推荐等服务类型。
2)不同类型的服务可能对应不同的关键词,因此根据需求,基于服务类型建立多个相关关键词库,服务类型与关键词库成生成关联。
3)利用语音识别技术将语音数据转化为文字数据,然后利用自然语言技术提取语言数据中的关键词。例如,可通过LDA关键词提取算法、信息增益关键词提取算法、其他关键词提取算法实现关键词的提取。
在操作S430,基于关键词,将第i次的服务分为多段服务阶段。
基于操作S420提取的关键词,利用服务阶段划分模型对第i次的服务进行阶段划分。在一个实施例中,服务阶段可包括但不限于开启阶段、了解客户的阶段、推荐阶段、客户决定阶段、结束阶段。
服务阶段划分模型可利用训练样本将关键词和服务阶段作为输入进行训练,不同服务类型构建不同的机器学习模型。利用服务阶段划分模型,识别出各个服务阶段对应的关键词在语音数据中出现的时间节点,将时间跨度最长的两个关键词出现的时间节点作为该阶段的时间节点。例如,当提取的关键词中出现“考虑”、“商量”、“下单”等词汇,表征客户决定阶段的结束,而三个关键词分别出现在语音数据中的5分6秒、5分12秒、5分23秒,则客户决定阶段的结束时间节点则取三个关键词中最后的5分23秒。
进一步地,可通过关键词出现的时间,通过全息图像确认关键词的提供者。一方面,由于后续操作主要分析的是客户的情绪特征,因此需要采集提供者为客户的关键词所对应的全息图像;另一方面,可以确认一段服务阶段开始或完成的真实性,防止因噪音干扰而出现判断误差。例如,在语音数据中还有其他人员的声音一同录入,导致出现噪音。
在操作S440,获取每段服务阶段的全息图像。
全息数据是利用CCD等光电图像传感器记录的全息图像,经由数据采集卡进行模数转换以及量化,并存储在计算机中,便得到数字全息图像。
根据操作S420对关键词的提取,通过关键词匹配算法可获得目标关键词K在语音数据中出现的时间位置T,以时间位置T定位全息数据中关键帧的位置并截取相关的全息图像。可以理解为,获得了每个服务阶段在关键词出现时的全息图像。
在操作S450,利用情绪识别模型,得到全息图像中客户的至少一个情绪特征值。
由于情绪表现是复杂的,在一个全息图像中可能包含一个客户的多个情绪特征。向情绪识别模型输入操作S440得到的全息图像,经分析可得到全息图像上可能表达的所有情绪特征,计算出每个情绪特征对应的情绪特征值,以充分体现出客户的相关情绪特征表达的是否明显。例如,在其中一张全息图像中:高兴0.88、兴奋0.11、气愤0.001、悲伤0.001、惊奇0.007、失望0.001,可以通过结果得出,客户在此时刻主要体现的情绪为高兴。
在操作S460,根据情绪特征值,计算每段服务阶段的情绪总分。
基于操作S450得到的每张全息图像的情绪特征值,对每个服务阶段的所有全息图像一一处理,将同一个阶段的全息图像中的情绪特征的情绪特征值加和,得到每个服务阶段的多个情绪特征值,表征客户在相关阶段的主要情绪体现。
加和之前可以根据情绪的类型分为积极态度和消极态度,将积极态度和消极态度赋予不同的值,或者赋予相反的数学符号(正负符号)。
在操作S470,分析的每段服务阶段的情绪总分,得到客户的情绪波动信息。
情绪波动信息是相邻的两个服务阶段客户情绪的体现,通过比较两个相邻服务阶段的情绪总分,可判断具体的情绪波动走向,以完成体验波动分析。
在一个实施例中,情绪波动信息可包括但不限于正向波动、负向波动和平滑波动。其中,正向波动是两个相邻的服务阶段中,前一服务阶段的情绪总分小于后一服务阶段的情绪总分;负向波动是两个相邻的服务阶段中,前一服务阶段的情绪总分大于后一服务阶段的情绪总分;平滑波动是两个相邻的服务阶段中,前一服务阶段的情绪总分与后一服务阶段的情绪总分相同。
图5示意性示出了根据本申请实施例的利用情绪识别模型分析全息图像的方法流程图。
根据本申请的一个实施例,如图5所示,通过分析后得到每段服务阶段的客户的至少一个情绪特征值,包括操作S510~操作S530。
在操作S510,建立情绪识别模型,其中包括多个情绪特征。
情绪识别模型的构建包括:卷积层、池化层、全连接层。情绪识别模型根据情绪特征设置4个卷积层,每个卷积层根据特征值的个数设置不同的深度的卷积核进行特征的提取。
构建并训练情绪识别模型,模型的训练集样本采用带有不同面部表情、姿势、手势和态度的人物图片,利用训练样本对模型进行训练让模型的预测值更加接近真实值。
其中,情绪特征识别的部位可包括但不限于面部表情、态度、姿势、手势。情绪特征可包括高兴、兴奋、气愤、悲伤、惊奇、失望等通过面部表情得到的,情绪特征还可以包括赞成、反对、接收、拒绝、喜欢、不喜欢、真诚、虚假等通过客户态度得到的,情绪特征还可以包括直立、端坐、倚靠等通过客户姿态得到的。
在操作S520,向情绪识别模型输入全息图像。
将全息图像输入到训练完成的情绪识别模型,利用卷积神经网络CNN对全息图中客户的情绪特征进行识别。
在操作S530,分析全息图像,输出每个情绪特征的情绪特征值。
利用卷积神经网络CNN得到不同情绪特征的情绪特征值,情绪特征值可用概率的形式表示,实现情绪特征的识别。例如,面部表情特征识别结果:高兴0.88、兴奋0.11、气愤0.001、悲伤0.001、惊奇0.007、失望0.001。
图6示意性示出了根据本申请实施例的计算每段服务阶段的情绪总分的方法流程图。
根据本申请的一个实施例,如图6所示,计算方法包括操作S610~操作S630。
在操作S610,将每个情绪特征归类为积极情绪或消极情绪中的一种。
在一个实施例中,面部表情特征识别结果:高兴、兴奋、气愤、悲伤、惊奇、失望。根据日常习惯推断出,高兴、兴奋、惊奇代表积极情绪,而气愤、悲伤、失望代表消极情绪。
在操作S620,积极情绪赋予正值,消极情绪赋予负值。
通过操作S610将每个情绪特征的区分,最终得到带有正负号且具有具体数值的情绪特征值。例如,面部表情的情绪特征值为:高兴+0.88、兴奋+0.11、气愤-0.001、悲伤-0.001、惊奇+0.007、失望-0.001。
在操作S630,将每段服务阶段的情绪特征值相加。
根据各个情绪特征值,通过加和可以得到该服务阶段的情绪总分。例如,在一个服务阶段中,面部表情特征识别结果:高兴+0.88、兴奋+0.11、气愤-0.001、悲伤-0.001、惊奇+0.007、失望-0.001,将上述分加和得到情绪总分S,
S=+0.88+0.11-0.001-0.001+0.007-0.001=+0.994
与上述同理,可得到各个服务阶段的分数。
图7示意性示出了根据本申请实施例的情绪波动信息的分析方法流程图。
根据本申请的一个实施例,如图7所示,包括操作S710~操作S720。
在操作S710,根据相邻的两个服务阶段的情绪总分计算斜率。
两个情绪总分值可得到斜率λ,计算相邻的两个服务阶段的斜率,可得到多个斜率值,例如,利用关键词一共将服务分为五个服务阶段,则可通过五个服务阶段的情绪总分求得四个斜率值。
在操作S720,将斜率相加得到情绪波动信息。
斜率值表征相邻的两个服务阶段的情绪走向,在斜率λ>0时,客户处于正向积极状态,满意于客户经理在当次的服务,在斜率λ<0时,客户处于负向消极状态,失望于客户经理在当次的服务。
情绪波动信息表征客户经理在整个服务过程中的总体趋势,相当于客户在客户经理的整个服务过程的总体感受。具体可通过将所有的斜率相加,得到情绪波动信息X。例如,在X>0时,情绪波动信息X为正向波动;在X<0时,情绪波动信息X为负向波动;在X=0时,情绪波动信息X为平滑波动。
为了进一步地体现客户在被服务过程中的满意程度,可在推荐指数模型中补充服务后指标信息,作为辅助推荐的一项指标。服务后指标信息包括服务后行为信息和根据服务后行为信息产生的指标得分。例如,服务后行为信息包括:购买、点击、浏览、回购、分享、未撤单,如果发生则记为1,没有发生则为0。
在当次的服务过程中,可能会包括多个服务后指标信息,将服务后指标信息内所有的指标得分进行加和,得到综合指标得分。
根据本申请的一个实施例,推荐方法还包括利用客户反馈的服务评价修正回归模型。
根据客户反馈的服务评价,在第一顺位的客户经理的匹配度低于预设范围时,重新分析客户经理的服务特征信息,并更新第一推荐清单。
可以理解为,第一顺位的客户经理是与该客户契合度最高的客户经理,如果在第一顺位的客户经理得到的客户较差的反馈,则表明客户经理和客户匹配度较低,反映出生成的第一推荐清单中对客户经理的划分出现问题。因此需要重新分析此客户经理的服务特征信息,作为新的样本数据替换旧的样本数据,并对客户群体关联的服务群体的样本数据进行更新,利用更新的样本进行训练,对模型进行迭代优化。
在当次服务完成后通常会设置有评价信息(例如,客户在被服务后对当次的服务情况打分或评论),以反映当次客户的服务体验。
在一个实施例中,推荐指数模型中的多个与推荐相关的指标(例如:情绪波动信息、服务后指标信息、评价信息等),可通过权重的方式计算,根据实际情况赋予权重值,得到更契合客户的推荐方案,权重值的赋予方式在此不再赘述。
针对上述推荐方法,本申请根据推荐方法中主要操作的作用,设置了三大交互模块,如图8示意性示出了根据本申请实施例的客户经理推荐装置的结构图。
参见图8,主要包括网点管理模块、数据采集模块和模型训练模块。客户接收来自相关机构营业部或网点提供的金融咨询、业务办理、营销推荐等。
在服务时,由网点工作人员通过网点管理模块输入客户的客户编号和服务类型,推荐装置自动为该客户推荐的最优的客户经理。
而最优客户经理的推荐数据来源于模型训练系统的反馈,由数据采集模块通过网点的全息采集设备和语音采集设备采集服务过程中的服务数据,并在跟踪采集服务后的服务后指标信息,将此类信息输入模型训练模块,经过数据处理、模型训练、模型优化为下一次推荐做准备。
下面对客户经理推荐装置的具体作用做详细描述。
数据采集模块主要用于数据采集、数据获取和数据存储。主要包括数据获取模块、数据采集模块和数据存储模块。
数据获取模块包括客户画像数据获取模块、客户经理画像数据获取模块和服务后指标信息获取模块。客户画像数据获取模块用于基于客户编号,获得客户画像信息;客户经理画像数据获取模块用于基于客户经理营销代码,获得客户经理画像信息。
数据采集模块包括全息数据采集模块和语音数据采集模块。全息数据采集模块用于采集该客户历史服务中的全息数据;语音数据采集模块用于采集该客户历史服务中的语音数据。
数据存储模块主要用于全息数据、语音数据采集后的存储以及模型计算过程中针对各个客户的客户经理推荐清单及体验推荐指数的存储。
模型训练模块主要用于数据处理、模型训练、计算推荐。主要包括数据处理模块和清单生成模块。
数据处理模块包括全息数据处理模块、语音数据处理模块、服务阶段划分模块、情绪识别模块、情绪波动信息分析模块、推荐指数计算模块。全息数据处理模块用于利用CCD等光电图像传感器记录全息图像,经由数据采集卡进行模数转换以及量化,并存储在计算机中,便得到数字全息图像;语音数据处理模块用于利用语音识别技术将语音转化为文本,利用自然语言处理技术对文本进行关键词提取;服务阶段划分模块用于利用语音数据对金融服务进行阶段划分;情绪识别模块用于对一次历史服务中每个阶段的全息图片,利用卷积神经网络CNN对全息图中客户的情绪特征进行识别;情绪波动信息分析模块用于对一次历史服务中每个阶段不同情绪特征进行分析,计算得到各个阶段情绪的总得分;推荐指数计算模块用于将情绪波动信息和服务后指标信息作为训练样本,采用机器学习支持向量回归SVR算法计算客户经理的推荐指数。
清单生成模块可以利用机器学习聚类算法对客户画像与客户经理画像进行构建模型,将客户画像特征和客户经理特征作为训练样本,得到第一推荐清单;清单生成模块还可以利用历史客户经理服务全息数据和语音数据构建模型,在模块内部顺序调用全息数据处理模块、语音数据处理模块、服务阶段划分模块、情绪识别模块、情绪波动分析信息模块、推荐指数计算模块,以获得第二客推荐清单。
网点管理模块主要用于接受客户信息输入后生成最佳客户经理的推荐,主要包括服务输入模块和客户经理推荐模块。
服务输入模块主要用于网点终端收集来自网点管理系统的客户信息和服务类别。
客户经理推荐模块将可为该客户提供最优服务的客户经理推荐到网点终端页面。
基于上述推荐方法,本申请还提供了一种推荐系统。以下将结合图9对该系统进行详细描述。
图9示意性示出了根据本申请实施例的推荐系统的结构框图。
如图9所示,该实施例的推荐系统800包括第一获取模块810、第二获取模块820、第一生成模块830、计算模块840、第二生成模块850和推荐模块860。
具体的,第一获取模块810用于获取m个客户经理的服务特征信息。在一个实施例中,第一获取模块810可以用于执行前文描述的操作S210,在此不再赘述。
第二获取模块820用于获取客户的用户画像。在一个实施例中,第二获取模块820可以用于执行前文描述的操作S220,在此不再赘述。
第二获取模块820用于获取客户的用户画像。在一个实施例中,第二获取模块820可以用于执行前文描述的操作S220,在此不再赘述。
第一生成模块830用于:基于客户的用户画像和m个客户经理的服务特征信息,生成第一推荐清单,其中,第一推荐清单内包括可向客户推荐的n个客户经理,m≥n,且m和n均大于等于1。在一个实施例中,第一生成模块830可以用于执行前文描述的操作S230,在此不再赘述。
计算模块840用于:利用推荐指数模型计算第一推荐清单内每个客户经理的推荐指数。在一个实施例中,计算模块840可以用于执行前文描述的操作S240,在此不再赘述。
第二生成模块850用于:基于推荐指数将n个客户经理排序,生成第二推荐清单。在一个实施例中,第二生成模块850可以用于执行前文描述的操作S250,在此不再赘述。以及
推荐模块860用于:根据第二推荐清单,向客户推荐第一顺位的客户经理。在一个实施例中,推荐模块860可以用于执行前文描述的操作S260,在此不再赘述。
根据本申请实施例的推荐系统,可执行本申请的推荐方法,基于用户画像和客户经理画像生成适于推荐的第一推荐清单,在第一推荐清单的基础上,进一步地对在第一推荐清单内的客户经理通过推荐指数的高低进行排序,生成第二推荐清单,最终推荐第二推荐清单上排列第一位的客户经理。此方法与客户的契合度高,贴近客户的真实诉求,不仅能有效提升客户的满意度,还能提升客户经理的营销业绩。
根据本申请的实施例,第一获取模块810、第二获取模块820、第一生成模块830、计算模块840、第二生成模块850和推荐模块860中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本申请的实施例,第一获取模块810、第二获取模块820、第一生成模块830、计算模块840、第二生成模块850和推荐模块860中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块810、第二获取模块820、第一生成模块830、计算模块840、第二生成模块850和推荐模块860中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图10示意性示出了根据本申请实施例的适于实现推荐方法的电子设备的方框图。
如图10所示,根据本申请实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本申请实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本申请实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本申请实施例的方法流程的各种操作。
根据本申请的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本申请实施例的方法。
根据本申请的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本申请的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本申请的实施例中还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本申请实施例中所提供的物品推荐方法。
在该计算机程序被处理器901执行时执行本申请实施例的系统/装置中限定的上述功能。根据本申请的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本申请实施例的系统中限定的上述功能。根据本申请的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本申请的实施例,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申请实施例中提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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、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)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本申请中。特别地,在不脱离本申请精神和教导的情况下,本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本申请的范围。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“实例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上对本申请的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本申请的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本申请的范围由所附权利要求及其等同物限定。不脱离本申请的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本申请的范围之内。
Claims (16)
1.一种推荐方法,其特征在于,包括以下步骤:
获取m个客户经理的服务特征信息;
获取至少一个客户的用户画像,其中,至少一个所述客户已完成采集授权;
基于所述至少一个客户的用户画像和m个客户经理的服务特征信息,生成第一推荐清单,其中,所述第一推荐清单包括可向所述客户推荐的n个客户经理,m≥n,且m和n均大于等于1;
利用推荐指数模型计算所述第一推荐清单内每个客户经理的推荐指数,所述推荐指数用于表征与所述客户的契合程度;
基于所述推荐指数将n个客户经理排序,生成第二推荐清单;
根据所述第二推荐清单,向所述客户推荐第一顺位的客户经理。
2.根据权利要求1所述的推荐方法,其特征在于,在利用推荐指数模型计算所述第一推荐清单内每个客户经理的推荐指数之前,还包括:
获取所述客户在时间段t内的a个历史服务数据;
根据所述a个历史服务数据,获得每个历史服务数据中所述客户的情绪波动信息;
获取所述客户的情绪波动信息对应的服务后指标信息;
根据所述服务后指标信息和所述情绪波动信息建立所述推荐指数模型。
3.根据权利要求2所述的推荐方法,其特征在于,所述历史服务数据包括全息数据和语音数据。
4.根据权利要求3所述的推荐方法,其特征在于,根据所述a个历史服务数据,获得每个历史服务数据中所述客户的情绪波动信息,包括:
提取第i次的所述全息数据和所述语音数据,其中,i属于a;
提取所述语音数据中的关键词;
基于所述关键词,将第i次的服务分为多段服务阶段;
获取每段服务阶段的全息图像;
利用情绪识别模型,得到所述全息图像中所述客户的至少一个情绪特征值;
根据情绪特征值,计算每段所述服务阶段的情绪总分;
分析所述的每段所述服务阶段的情绪总分,得到所述客户的情绪波动信息。
5.根据权利要求4所述的推荐方法,其特征在于,利用情绪识别模型,得到所述全息图像中所述客户的至少一个情绪特征值,包括:
建立情绪识别模型,其中包括多个情绪特征;
向情绪识别模型输入全息图像;
分析全息图像,输出每个情绪特征的情绪特征值。
6.根据权利要求5所述的推荐方法,其特征在于,根据情绪特征值,计算每段所述服务阶段的情绪总分,包括:
将每个情绪特征归类为积极情绪或消极情绪中的一种;
积极情绪赋予正值,消极情绪赋予负值;
将每段所述服务阶段的所述情绪特征值相加。
7.根据权利要求6所述的推荐方法,其特征在于,分析所述的每段所述服务阶段的情绪总分,得到所述客户的情绪波动信息,包括:
根据相邻的两个所述服务阶段的情绪总分计算斜率;
将所述斜率相加得到所述情绪波动信息。
8.根据权利要求7所述的推荐方法,其特征在于,所述情绪波动信息包括正向波动、负向波动和平滑波动。
9.根据权利要求2所述的推荐方法,其特征在于,所述服务后指标信息包括服务后行为信息和根据所述服务后行为信息产生的指标得分。
10.根据权利要求1所述的推荐方法,其特征在于,还包括:
根据所述客户反馈的服务评价,在所述第一顺位的客户经理的匹配度低于预设范围时,重新分析所述客户经理的服务特征信息,并更新所述第一推荐清单。
11.根据权利要求1所述的推荐方法,其特征在于,所述服务特征信息包括客户经理的从业年限、履历信息、营销业绩和业务范围中的至少一种。
12.根据权利要求1所述的推荐方法,其特征在于,所述用户画像包括客户的基本信息、风险偏好和历史购买信息中的至少一种。
13.一种推荐系统,其特征在于,包括:
第一获取模块,所述第一获取模块用于获取m个客户经理的服务特征信息;
第二获取模块,所述第二获取模块用于获取客户的用户画像;
第一生成模块,所述第一生成模块用于:基于所述客户的用户画像和m个客户经理的服务特征信息,生成第一推荐清单,其中,所述第一推荐清单内包括可向所述客户推荐的n个客户经理,m≥n,且m和n均大于等于1;
计算模块,所述计算模块用于:利用推荐指数模型计算所述第一推荐清单内每个客户经理的推荐指数;
第二生成模块,所述第二生成模块用于:基于所述推荐指数将n个客户经理排序,生成第二推荐清单;以及
推荐模块,所述推荐模块用于:根据所述第二推荐清单,向所述客户推荐第一顺位的客户经理。
14.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,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执行根据权利要求1~12中任一项所述的推荐方法。
15.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~12中任一项所述的推荐方法。
16.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~12中任一项所述的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210081590.XA CN114491255A (zh) | 2022-01-24 | 2022-01-24 | 推荐方法、系统、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210081590.XA CN114491255A (zh) | 2022-01-24 | 2022-01-24 | 推荐方法、系统、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114491255A true CN114491255A (zh) | 2022-05-13 |
Family
ID=81475371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210081590.XA Pending CN114491255A (zh) | 2022-01-24 | 2022-01-24 | 推荐方法、系统、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491255A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081956A (zh) * | 2022-08-16 | 2022-09-20 | 杭州比智科技有限公司 | 一种基于楼宇两达图的智能客户拜访方法及系统 |
CN116170500A (zh) * | 2023-04-23 | 2023-05-26 | 北京微应软件科技有限公司 | 一种基于网格数据的消息推送方法和系统 |
-
2022
- 2022-01-24 CN CN202210081590.XA patent/CN114491255A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081956A (zh) * | 2022-08-16 | 2022-09-20 | 杭州比智科技有限公司 | 一种基于楼宇两达图的智能客户拜访方法及系统 |
CN116170500A (zh) * | 2023-04-23 | 2023-05-26 | 北京微应软件科技有限公司 | 一种基于网格数据的消息推送方法和系统 |
CN116170500B (zh) * | 2023-04-23 | 2023-08-11 | 北京微应软件科技有限公司 | 一种基于网格数据的消息推送方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109285075B (zh) | 一种理赔风险评估方法、装置及服务器 | |
JP6838376B2 (ja) | 製品関連情報を送信する方法、プログラム、及びサーバ装置。 | |
CN111061946B (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN109933782B (zh) | 用户情绪预测方法和装置 | |
US20220138770A1 (en) | Method and apparatus for analyzing sales conversation based on voice recognition | |
CN114491255A (zh) | 推荐方法、系统、电子设备和介质 | |
KR20200045416A (ko) | 프로젝트 가속화의 자동화된 평가 | |
CN114547475B (zh) | 一种资源推荐方法、装置及系统 | |
CN113748439A (zh) | 电影的成功商数的预测 | |
US20180218432A1 (en) | Recommendation integrated online digital sales service chat system | |
KR102322668B1 (ko) | 콘텐츠 크리에이터의 창작활동 활성화를 위한 다중 플랫폼 서비스 제공 시스템 | |
CN107767152B (zh) | 产品购买倾向分析方法及服务器 | |
CN114417174B (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
US20190295110A1 (en) | Performance analytics system for scripted media | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
WO2019242453A1 (zh) | 信息处理方法及装置、存储介质、电子装置 | |
CN116308641A (zh) | 产品推荐方法、训练方法、装置、电子设备和介质 | |
CN115129975A (zh) | 推荐模型训练方法、推荐方法、装置、设备及存储介质 | |
CN115878839A (zh) | 一种视频推荐方法、装置、计算机设备和计算机程序产品 | |
CN117556149B (zh) | 资源推送方法、装置、电子设备和存储介质 | |
KR102567495B1 (ko) | 오피니언 마이닝 및 인공신경망을 이용한 비지도학습에 기반한 주식 정보 제공 시스템, 주식 정보 제공 방법 및 기록 매체에 저장된 프로그램 | |
WO2023119674A1 (ja) | 学習方法、学習装置及び学習プログラム | |
US11973832B2 (en) | Resolving polarity of hosted data streams |
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 |