CN114722187A - 诉求处理方法、装置及存储介质 - Google Patents

诉求处理方法、装置及存储介质 Download PDF

Info

Publication number
CN114722187A
CN114722187A CN202210405338.XA CN202210405338A CN114722187A CN 114722187 A CN114722187 A CN 114722187A CN 202210405338 A CN202210405338 A CN 202210405338A CN 114722187 A CN114722187 A CN 114722187A
Authority
CN
China
Prior art keywords
class
information
vector
item
scene
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
Application number
CN202210405338.XA
Other languages
English (en)
Inventor
李薛
郑吉星
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology 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 Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202210405338.XA priority Critical patent/CN114722187A/zh
Publication of CN114722187A publication Critical patent/CN114722187A/zh
Pending legal-status Critical Current

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G06F16/337—Profile generation, learning or modification
    • 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
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • 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]
    • G06Q30/0613—Third-party assisted

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种诉求处理方法、装置及存储介质，方法包括：通过提取的对应当前客户的历史行为相关数据，预测得到当前客户的多组咨询项数据；通过多组咨询项数据和预设的用户历史数据集合、诉求历史数据集合提取得到多组预训练数据；通过多组预训练数据依次进行弱对比学习，递推出当前客户的目标诉求回复信息。由于本方案忽略了客户的当前的会话信息，通过包含了场景类、事项类和问题类的多个层面的更细粒度的诉求分析来确定出目标诉求回复信息，所以可以准确的提供与客户匹配的安抚信息。

Description

诉求处理方法、装置及存储介质
技术领域
本发明实施例涉及互联网技术领域，尤其涉及一种诉求处理方法、装置及存储介质。
背景技术
在电商领域中，如何安抚客户情绪是提高客户体验并且提升客户复购率的一项重要内容。相关技术中电商安抚客户情绪的方法大多依靠于客服的经验值，有经验的客服可以更快的发现客户的问题所在并且以较好的方式解决客户问题，有些客户较为通情达理，而有些客户要求较为严格。现有的可以识别客户情绪并且针对性安抚的方法主要有以下几种：
(1)基于客服的培训或经验对客户进行安抚。
(2)基于客户的情感分析对客户进行安抚。
但是，客户的性格和区域语言表达的差异使客户的相同或相似话语可能代表不同的含义，而模型进行无区别的处理忽略了这种重要问题不仅对模型本身的能力引入了巨大的噪声，同时也是一种对于客服的误导。所以，现有的方法在针对不同的用户、不同的物品进行分析安抚时容易引入较大噪声，导致分析不准确，提供误差较大的安抚信息。
发明内容
本发明实施例提供的一种诉求处理方法、装置及存储介质，可以准确的提供与客户匹配的安抚信息。
本发明的技术方案是这样实现的：
本发明实施例提供了一种诉求处理方法，包括：
通过提取的对应当前客户的历史行为相关数据，预测得到所述当前客户的多组咨询项数据；不同组咨询项数据包括：对应所述当前客户预测得到的不同的场景类、事项类和问题类信息；
通过所述多组咨询项数据和预设的用户历史数据集合、诉求历史数据集合提取得到多组预训练数据；其中，每组预训练数据包括：与所述场景类、所述事项类和所述问题类信息相同的咨询项信息，及所述咨询项信息对应的诉求回复信息；所述用户历史数据集合包括：多个第一信息组；每个第一信息组包括：第一场景类、第一事项类和第一问题类信息；所述诉求历史数据集合包括：多个第二信息组，每个第二信息组包括：第二场景类、第二事项类、第二问题类信息及对应的所述诉求回复信息；通过所述多组预训练数据依次进行弱对比学习，递推出所述当前客户的目标诉求回复信息。
上述方案中，所述通过所述多组预训练数据依次进行弱对比学习，递推出所述当前客户的目标诉求回复信息之前，所述方法还包括：
将所述多组预训练数据依次进行向量化处理，得到分别对应每组预训练数据中的所述场景类的场景类向量、所述事项类的事项类向量和所述问题类信息的问题类向量；
结合所述场景类向量、所述事项类向量和所述问题类向量，得到对应所述每组预训练数据的第一矩阵。
上述方案中，所述通过所述多组预训练数据依次进行弱对比学习，递推出所述当前客户的目标诉求回复信息，包括：
通过所述第一矩阵，结合弱对比学习模型与预先得到的场景编码、事项编码和问题编码，得到对应所述每组预训练数据的场景类第一向量、事项类第二向量和问题类第三向量；
结合所述场景类第一向量、所述事项类第二向量和所述问题类第三向量，与所述弱对比学习模型的参数信息，计算所述每组预训练数据的最小置信度，进而得到所述多组预训练数据的所述最小置信度；
基于所述最小置信度，与所述多组预训练数据确定出针对所述当前客户的目标诉求回复信息。
上述方案中，所述通过所述第一矩阵，结合弱对比学习模型与预先得到的场景编码、事项编码和问题编码，得到对应所述每组预训练数据的场景类第一向量、事项类第二向量和问题类第三向量，包括：
将所述第一矩阵与所述场景编码的平方、预设第一中间值、所述场景类向量和所述弱对比学习模型的预定参数相乘，得到所述场景类第一向量；所述预设第一中间值为所述场景类向量，与所述弱对比学习模型的计算矩阵和所述场景类向量的乘积相等的概率值；
将所述第一矩阵与所述事项编码的平方、预设第二中间值、所述场景类第一向量和所述弱对比学习模型的所述预定参数相乘，得到所述事项类第二向量；所述预设第二中间值为所述场景类第一向量，与所述弱对比学习模型的所述计算矩阵和所述场景类第一向量的乘积相等的概率值；
将所述第一矩阵与所述事项编码的平方、预设第三中间值、所述事项类第二向量和所述弱对比学习模型的所述预定参数相乘，得到所述问题类第三向量；所述预设第三中间值为所述事项类第二向量，与所述弱对比学习模型的所述计算矩阵和所述事项类第二向量的乘积相等的概率值。
上述方案中，所述结合所述场景类第一向量、所述事项类第二向量和所述问题类第三向量，与所述弱对比学习模型的参数信息，计算所述每组预训练数据的最小置信度，进而得到所述多组预训练数据的所述最小置信度，包括：
将每组预训练数据对应的所述场景类第一向量与所述场景编码、所述预定参数和所述第一矩阵相乘，得到第一中间数值，将所述场景类第一向量转化的场景类差异性值与所述场景类第一向量、所述场景编码和所述预定参数相乘，得到第二中间数值；
结合所述第一中间数值、所述第二中间数值和所述问题类第三向量，计算得到场景类置信度；
将所述事项类第二向量与所述事项编码、所述预定参数和所述第一矩阵相乘，得到第三中间数值，将所述事项类第二向量转化的事项类差异性值与所述事项类第二向量、所述事项编码和所述预定参数相乘，得到第四中间数值；
结合所述第三中间数值、所述第四中间数值和所述问题类第三向量，计算得到事项类置信度；
将所述问题类第三向量与所述问题编码、所述预定参数和所述第一矩阵相乘，得到第五中间数值，将所述问题类第三向量转化的问题类差异性值与所述问题类第三向量、所述问题编码和所述预定参数相乘，得到第六中间数值；
结合所述第五中间数值、所述第六中间数值和所述问题类第三向量，计算得到问题类置信度；
确定所述场景类置信度、所述事项类置信度和所述问题类置信度中的最小置信度，为所述最小置信度。
上述方案中，所述结合所述第一中间数值、所述第二中间数值和所述问题类第三向量，计算得到场景类置信度，包括：
计算所述第一中间数值和所述第二中间数值的第一和；
对所述问题类第三向量，与所述问题类第三向量的反向量的第二和求第一倒数；
将所述第一倒数与所述第一和相乘，得到所述场景类置信度。
上述方案中，所述结合所述第三中间数值、所述第四中间数值和所述问题类第三向量，计算得到事项类置信度，包括：
计算所述第三中间数值和所述第四中间数值的第三和；
对所述问题类第三向量，与所述问题类第三向量的反向量的第二和求第一倒数；
将所述第一倒数与所述第三和相乘，得到所述事项类置信度。
上述方案中，所述结合所述第五中间数值、所述第六中间数值和所述问题类第三向量，计算得到问题类置信度，包括：
计算所述第五中间数值和所述第六中间数值的第四和；
对所述问题类第三向量，与所述问题类第三向量的反向量的第二和求第一倒数；
将所述第一倒数与所述第四和相乘，得到所述问题类置信度。
上述方案中，所述基于所述最小置信度，与所述多组预训练数据确定出针对所述当前客户目标诉求回复信息，包括：
在所述多组预训练数据对应的所述多个最小置信度中，确定出大于置信度阈值的目标置信度；
在所述目标置信度对应的预训练数据中，提取出所述目标诉求回复信息。
上述方案中，所述通过提取的对应当前客户的历史行为相关数据，预测得到所述当前客户的多组咨询项数据之前，所述方法还包括：
提取所述当前客户对应的标识信息；
相应的，所述通过提取的对应当前客户的历史行为相关数据，预测得到所述当前客户的多组咨询项数据，包括：
通过所述标识信息在本地数据库中，提取出所述当前客户的第一历史时间段内的多个点击行为信息及其对应表单数据；所述历史行为相关数据包括：所述多个点击行为信息及其对应表单数据；
将所述多个点击行为信息及其对应的所述表单数据输入预测模型，得到对应所述多个点击行为信息的所述多组咨询项数据。
上述方案中，所述通过所述多组咨询项数据和预设的用户历史数据集合、诉求历史数据集合提取得到多组预训练数据，包括：
在所述用户历史数据集合中，提取出与每组咨询项数据中的所述场景类、所述事项类和所述问题类信息相同的第一目标场景类、第一目标事项类和第一目标问题类信息；
在所述诉求历史数据集合中，提取出与所述每组咨询项数据中的所述场景类、所述事项类和所述问题类信息相同的第二目标场景类、第二目标事项类和第二目标问题类信息，及所述第二目标场景类、所述第二目标事项类和所述第二目标问题类信息所属第二目标信息组包括的所述诉求回复信息；
将所述每组咨询项数据与所述第一目标场景类、所述第一目标事项类、所述第一目标问题类信息、所述第二目标场景类、所述第二目标事项类和所述第二目标问题类信息进行合并统一，得到第三场景类、第三事项类和第三问题类信息；所述咨询项信息包括：所述第三场景类、所述第三事项类和所述第三问题类信息
利用所述第三场景类、所述第三事项类和所述第三问题类信息形成所述每组预训练数据，并将所述第二目标信息组包括的所述诉求回复信息，添加进对应组预训练数据，进而得到所述多组预训练数据。
上述方案中，所述通过提取的对应当前客户的历史行为相关数据，预测得到所述当前客户的多组咨询项数据之前，所述方法还包括：
获取所述当前客户的当前诉求会话信息；
对所述诉求会话信息进行情感分析，得到情绪值；
若检测得到所述情绪值超过负情绪阈值，则提取所述当前客户的所述历史行为相关数据。
上述方案中，所述通过所述多组预训练数据依次进行弱对比学习，递推出所述当前客户的目标诉求回复信息之后，所述方法还包括：
将所述目标诉求回复信息推送给所述当前客户对应的当前客户端。
本发明实施例还提供了一种诉求处理装置，包括：
预测单元，用于通过提取的对应当前客户的历史行为相关数据，预测得到所述当前客户的多组咨询项数据；不同组咨询项数据包括：对应所述当前客户预测得到的不同的场景类、事项类和问题类信息；
处理单元，用于通过所述多组咨询项数据和预设的用户历史数据集合、诉求历史数据集合提取得到多组预训练数据；其中，每组预训练数据包括：与所述场景类、所述事项类和所述问题类信息相同的咨询项信息，及所述咨询项信息对应的诉求回复信息；所述用户历史数据集合包括：多个第一信息组；每个第一信息组包括：第一场景类、第一事项类和第一问题类信息；；所述诉求历史数据集合包括：多个第二信息组，每个第二信息组包括：第二场景类、第二事项类、第二问题类信息及对应的所述诉求回复信息；
处理单元，用于通过所述多组预训练数据依次进行弱对比学习，递推出所述当前客户的目标诉求回复信息。
本发明实施例还提供了一种诉求处理装置，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法中的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的步骤。
本发明实施例中，通过提取的对应当前客户的历史行为相关数据，预测得到当前客户的多组咨询项数据；不同组咨询项数据包括：对应当前客户预测得到的不同的场景类、事项类和问题类信息；通过多组咨询项数据和预设的用户历史数据集合、诉求历史数据集合提取得到多组预训练数据；其中，每组预训练数据包括：与场景类、事项类和问题类信息相同的咨询项信息，及咨询项信息对应的诉求回复信息；用户历史数据集合包括：多个第一信息组；每个第一信息组包括：第一场景类、第一事项类和第一问题类信息；诉求历史数据集合包括：多个第二信息组，每个第二信息组包括：第二场景类、第二事项类、第二问题类信息及对应的诉求回复信息；通过多组预训练数据依次进行弱对比学习，递推出当前客户的目标诉求回复信息。由于本方案忽略了客户的当前的会话信息，通过包含了场景类、事项类和问题类的多个层面的更细粒度的诉求分析来确定出目标诉求回复信息，所以可以准确的提供与客户匹配的安抚信息。
附图说明
图1为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图2为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图3为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图4为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图5为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图6为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图7为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图8为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图9为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图10为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图11为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图12为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图13为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图14为本发明实施例提供的诉求处理方法的一个可选的流程示意图；
图15为本发明实施例提供的诉求处理装置的结构示意图；
图16为本发明实施例提供的诉求处理装置的一种硬件实体示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明的技术方案进一步详细阐述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
如果发明文件中出现“第一/第二”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
图1为本发明实施例提供的诉求处理方法的一个可选的流程示意图，将结合图1示出的步骤进行说明。
S101、通过提取的对应当前客户的历史行为相关数据，预测得到当前客户的多组咨询项数据；不同组咨询项数据包括：对应当前客户预测得到的不同的场景类、事项类和问题类信息。
本发明实施例中，服务器通过提取的对应当前客户的历史行为相关数据，预测得到当前客户的多组咨询项数据。其中，不同组咨询项数据包括：对应当前客户预测得到的不同的场景类、事项类和问题类信息。
本发明实施例中，服务器根据当前进行会话的当前客户的标识信息，在本地数据库中提取出对应当前客户的第一历史时间段内的历史行为相关数据。服务器将历史行为相关数据输入预测模型，得到多组咨询项数据。其中，预测模型可以为一般框架的多视角双反馈预测模型。
本发明实施例中，每组咨询项数据同时包括：对应当前客户预测得到的不同类型的场景类、事项类和问题类信息。其中，场景类可以包括：售后服务类场景、促销场景和热卖场景等。事项类可以包括：退货事项、换货事项和补货事项。问题类可以包括：商品错误、商品派单地错误、商品尺码错误和商品过期等。其中，每个咨询项数据包括对应某一问题类信息的事项类和场景类信息。示例性的，某个咨询项数据可以包括：售后场景、退货事项和商品错误的三类信息。
其中，第一历史时间段可以为当前时刻之前的半个小时或者1个小时的时间段。本发明实施例对第一历史时间段的具体时长不做限制。
本发明实施例中，历史行为相关数据可以为当前客户在历史时间段内在客户端点击的行为信息及每个行为信息对应的表单数据信息。示例性的，当前客户在历史时间段内点击价保按钮，则按钮入参会携带价保时的订单号、价格等等参数存储在服务器的本地数据库中。
S102、通过多组咨询项数据和预设的用户历史数据集合、诉求历史数据集合提取得到多组预训练数据。
本发明实施例中，服务器通过多组咨询项数据和预设的用户历史数据集合、诉求历史数据集合提取得到多组预训练数据。其中，每组预训练数据包括：与场景类、事项类和问题类信息相同的咨询项信息，及咨询项信息对应的诉求回复信息；用户历史数据集合包括：多个第一信息组；每个第一信息组包括：第一场景类、第一事项类和第一问题类信息；诉求历史数据集合包括：多个第二信息组，每个第二信息组包括：第二场景类、第二事项类、第二问题类信息及对应的诉求回复信息。
本发明实施例中，服务器通过每组咨询项数据中的场景类、事项类和问题类信息，分别在用户历史数据集合和诉求历史数据集合中提取出相同的场景类、事项类和问题类信息，再将相同的场景类事项类和问题类信息统一进而形成对应每组咨询项数据的预训练数据，再在诉求历史数据集合中提取出不同类的场景类、事项类和问题类信息组合对应的诉求回复信息添加进对应的预训练数据。进而形成了多组预训练数据。
本发明实施例中，服务器在用户历史数据集合中，提取出与每组咨询项数据中的场景类、事项类和问题类信息相同的第一目标场景类、第一目标事项类和第一目标问题类信息。服务器在诉求历史数据集合中，提取出与每组咨询项数据中的场景类、事项类和问题类信息相同的第二目标场景类、第二目标事项类和第二目标问题类信息，及第二目标场景类、第二目标事项类和第二目标问题类信息所属第二目标信息组包括的诉求回复信息；服务器将每组咨询项数据与第一目标场景类、第一目标事项类、第一目标问题类信息、第二目标场景类、第二目标事项类和第二目标问题类信息进行合并统一，得到第三场景类、第三事项类和第三问题类信息以形成每组预训练数据，并将第二目标信息组包括的诉求回复信息，添加进对应组预训练数据，进而得到多组预训练数据。
本发明实施例中，诉求回复信息可以为对应场景类、事项类和问题类信息的解决方法信息。
S103、通过多组预训练数据依次进行弱对比学习，递推出当前客户的目标诉求回复信息。
本发明实施例中，服务器通过多组预训练数据依次进行弱对比学习，递推出当前客户的目标诉求回复信息。
本发明实施例中，服务器将多组预训练数据依次输入弱对比学习模型，计算得到每组预训练数据对应弱对比学习模型的置信度。服务器在多组预训练数据对应的多个置信度中确定出大于置信度阈值的目标置信度。服务器再在目标置信度对应的预训练数据中提取出诉求回复信息，作为目标诉求回复信息。服务器将目标诉求回复信息发送给当亲客户对应的当前客户端。
本发明实施例中，当存在多个置信度大于置信度阈值时，服务器确定出最大的置信度为目标置信度。
示例性的，结合图2，为本发明实施例提供的诉求处理方法的一个可选的流程示意图，将结合步骤进行说明。
S201、用户咨询行为。
用户咨询行为指用户产生在线咨询行为或者电话咨询行为。服务器只需要从当前阶段开始，准确查找用户的唯一识别密码(Personal Identification Number，pin)即可。
S202、用户售后行为。
这一步是根据用户pin获取其售后行为，具体办法是监测相关的界面接口，并且采用点击行为和实体行为同步检索的方式取出行为画像。例如客户点击价保按钮，则按钮入参会携带价保时的订单号、价格等等参数。出现表单识别号(Identity document，id)参数时，直接根据该订单号查询出该表单所有属性和内容。依此类推发票号、商品库存量单位(Stock Keeping Unit，sku)进行存储。
S203、咨询项。
S204、咨询目标。
在这一项中我们将行为和表单两种行为数据进行对应后。采用一种多视角双向反馈的模型进行多级预测，得到了包括场景、事项和问题的咨询目标。
S205、用户历史库。
S206、诉求历史库。
这一步主要是根据已有的历史行为辅助上一步中模型输出的咨询目标进行学习。其中这两个标准的信息库主要来源于历史中处理较好的案例内容逐渐丰富形成。
S207、弱对比学习。
这一步是针对所示的咨询内容和咨询项以及历史库进行学习并且输出目标诉求回复信息。
S208、监控组件。
S209、辅助组件。
S210、反馈组件。
监控组件是监督阈值是否超过设定的负情绪，超过后使用辅助组件调取上述的目标诉求回复信息，通过反馈组件反馈给当前客户端。辅助解决后将目标诉求回复信息或修正后的目标诉求回复信息存入用户历史库或诉求历史库。
本发明实施例中，通过提取的对应当前客户的历史行为相关数据，预测得到当前客户的多组咨询项数据；不同组咨询项数据包括：对应当前客户预测得到的不同的场景类、事项类和问题类信息；通过多组咨询项数据和预设的用户历史数据集合、诉求历史数据集合提取得到多组预训练数据；其中，每组预训练数据包括：与所述场景类、所述事项类和所述问题类信息相同的咨询项信息，及所述咨询项信息对应的诉求回复信息；所述用户历史数据集合包括：多个第一信息组；每个第一信息组包括：第一场景类、第一事项类和第一问题类信息；所述诉求历史数据集合包括：多个第二信息组，每个第二信息组包括：第二场景类、第二事项类、第二问题类信息及对应的所述诉求回复信息；通过多组预训练数据依次进行弱对比学习，递推出当前客户的目标诉求回复信息，并将目标诉求回复信息推送给当前客户端。由于本方案忽略了客户的当前的会话信息，通过包含了场景类、事项类和问题类的多个层面的更细粒度的诉求分析来确定出目标诉求回复信息，所以可以准确的提供与客户匹配的安抚信息。
在一些实施例中，参见图3，图3为本发明实施例提供的处方信息处理方法的一个可选的流程示意图，图1示出的S103可以通过S104至S108实现，将结合各步骤进行说明。
S104、将多组预训练数据依次进行向量化处理，得到分别对应每组预训练数据中的场景类的场景类向量、事项类的事项类向量和问题类信息的问题类向量。
本发明实施例中，服务器将多组预训练数据依次进行向量化处理，得到分别对应每组预训练数据中的场景类的场景类向量、事项类的事项类向量和问题类信息的问题类向量。
本发明实施例中，服务器将多组预训练数据分别输入向量转化模型(例如：word2vec模型，word2vec模型包括：(Continuous Bag-of-Word Model，CBOW Model)和skip-gram模型)将每组预训练数据中的场景类、事项类和问题类信息转化为向量，得到场景类向量、事项类向量和问题类向量。本发明实施例中，服务器还可以通过其他向量转化模型处理预训练数据得到场景类向量、事项类向量和问题类向量。
S105、结合场景类向量、事项类向量和问题类向量，得到对应每组预训练数据的第一矩阵。
本发明实施例中，服务器结合场景类向量、事项类向量和问题类向量，得到对应每组预训练数据的第一矩阵。
本发明实施例中，服务器将每组预训练数据对应的场景类向量作为第一矩阵的第一行，事项类向量作为第一矩阵的第二行，问题类向量的作为第一矩阵的第三行，进而得到每组预训练数据的第一矩阵。服务器可以采用该方法得到多组预训练数据分别对应的第一矩阵。
S106、通过第一矩阵，结合弱对比学习模型与预先得到的场景编码、事项编码和问题编码，得到对应每组预训练数据的场景类第一向量、事项类第二向量和问题类第三向量。
本发明实施例中，服务器通过第一矩阵，结合弱对比学习模型与预先得到的场景编码、事项编码和问题编码，得到对应每组预训练数据的场景类第一向量、事项类第二向量和问题类第三向量。
本发明实施例中，服务器在预测得到多组咨询项数据时，可以得到对应每组咨询项数据的场景编码、事项编码和问题编码。
本发明实施例中，服务器通过每组预训练数据的第一矩阵，结合弱对比学习模型计算得到每组预训练数据的场景类第一向量，再通过场景类第一向量计算结合第一矩阵计算得到事项类第二向量，再通过事项类第二向量结合第一矩阵计算得到问题类第三向量。
S107、结合场景类第一向量、事项类第二向量和问题类第三向量，与弱对比学习模型的参数信息，计算每组预训练数据的最小置信度，进而得到多组预训练数据的最小置信度。
本发明实施例中，服务器结合场景类第一向量、事项类第二向量和问题类第三向量，与弱对比学习模型的参数信息，计算每组预训练数据的最小置信度，进而得到多组预训练数据的最小置信度。
本发明实施例中，服务器结合每组预训练数据对应的场景类第一向量、问题类第三向量，与弱对比学习模型的参数信息，计算每组预训练数据的场景类置信度。服务器结合每组预训练数据对应的事项类第二向量、问题类第三向量，与弱对比学习模型的参数信息，计算每组预训练数据的事项类置信度。服务器结合每组预训练数据对应的问题类第三向量，与弱对比学习模型的参数信息，计算每组预训练数据的问题类置信度。服务器在场景类置信度、事项类置信度和问题类置信度中确定出最小的置信度为每组预训练数据对应的最小置信度。
S108、基于最小置信度，与多组预训练数据确定出针对当前客户的目标诉求回复信息。
本发明实施例中，服务器基于最小置信度，与多组预训练数据确定出针对当前客户目标诉求回复信息。
本发明实施例中，服务器在多组预训练数据对应的多个最小置信度中确定出大于置信度阈值的目标置信度。服务器再在目标置信度对应的预训练数据中提取出目标诉求回复信息。
本发明实施例中，服务器首先将每组预训练数据进行向量化处理，得到对应每组预训练数据的第一矩阵，方便了计算机对文本信息的处理；服务器再根据多组预训练数据分别对应的最小置信度，可以准确的确定出目标诉求回复信息。
在一些实施例中，参见图4，图4为本发明实施例提供的处方信息处理方法的一个可选的流程示意图，图3示出的S104至S108可以通过S211至S219实现，将结合各步骤进行说明。
S211、用户咨询。
S212、用户历史库。
S213、诉求历史库。
S214、补充标签。
S215、场景弱对比。
其中，场景弱对比可以通过场景类向量转化得到。
S216、事项弱对比。
其中，事项弱对比可以通过事项类向量转化得到。
S217、问题弱对比。
其中，问题弱对比可以通过问题类向量转化得到。
S218、阈值输出。
S219、解决方案。
首先对于用户历史库和诉求历史库使用模型预测控制(Model PredictiveControl，MPC)方法进行参数的预训练，预训练的方式是采用mark机制进行，之后如果咨询用户在用户历史库中则将用户咨询内容与该用户的历史咨询进行fine-tuning，注意此处的embedding包括Speaker、Segment、Token三种embedding方式，这是为了可以从历史数据中针对不同用户区分。之后将补充标签进行编码，此处的补充标签主要指的是已知订单号的商品订单属性编码和一些具体表单项目的编码，这是为了区分不同商品之间的差异性。之后对于场景、事项和问题分别进行弱对比学习。
在一些实施例中，参见图5，图5为本发明实施例提供的处方信息处理方法的一个可选的流程示意图，图4示出的S106可以通过S109至S111实现，将结合各步骤进行说明。
S109、将第一矩阵与场景编码的平方、预设第一中间值、场景类向量和弱对比学习模型的预定参数相乘，得到场景类第一向量。
本发明实施例中，服务器将第一矩阵与场景编码的平方、预设第一中间值、场景类向量和弱对比学习模型的预定参数相乘，得到场景类第一向量。
其中，预设第一中间值为场景类向量，与弱对比学习模型的计算矩阵和场景类向量的乘积相等的概率值。
其中，预定参数可以为弱对比学习模型的θ参数。
示例性的，服务器可以通过公式(1)计算得到场景类第一向量A。
Figure BDA0003601612390000161
其中，
Figure BDA0003601612390000162
为预设第一中间值，
Figure BDA0003601612390000163
为场景类向量，W为弱对比学习模型的计算矩阵，
Figure BDA0003601612390000164
为场景编码，L为第一矩阵，θ为弱对比学习模型的预定参数。服务器将L与场景编码
Figure BDA0003601612390000165
的平方，预设第一中间值
Figure BDA0003601612390000166
场景类向量
Figure BDA0003601612390000167
和弱对比学习模型的预定参数θ相乘，得到第一向量A。
本发明实施例中，服务器可以将第一向量A转化为小数，进而得到对应的场景若对比差异性数值。
S110、将第一矩阵与事项编码的平方、预设第二中间值、场景类第一向量和弱对比学习模型的预定参数相乘，得到事项类第二向量。
本发明实施例中，服务器将第一矩阵与事项编码的平方、预设第二中间值、场景类第一向量和弱对比学习模型的预定参数相乘，得到事项类第二向量。
本发明实施例中，服务器将事项类第二向量转化为小数，进而得到对应的事项弱对比差异性数值。
本发明实施例中，预设第二中间值为场景类第一向量，与弱对比学习模型的计算矩阵和场景类第一向量的乘积相等的概率值。
本发明实施例中，服务器可以将公式(1)中的场景类向量更新为场景类第一向量，将预设第一中间值更新为预设第二中间值，将场景编码更新为事项编码，进而通过相同的计算方法得到事项类第二向量。
S111、将第一矩阵与事项编码的平方、预设第三中间值、事项类第二向量和弱对比学习模型的预定参数相乘，得到问题类第三向量。
本发明实施例中，服务器将第一矩阵与事项编码的平方、预设第三中间值、事项类第二向量和弱对比学习模型的预定参数相乘，得到问题类第三向量。
本发明实施例中，预设第三中间值为事项类第二向量，与弱对比学习模型的计算矩阵和事项类第二向量的乘积相等的概率值。
本发明实施例中，服务器将问题类第三向量转化为小数，进而得到对应的问题弱对比差异性数值。
本发明实施例中，服务器可以将公式(1)中的场景类向量更新为事项类第二向量，将预设第一中间值更新为预设第三中间值，将场景编码更新为问题编码，进而通过相同的计算方法得到问题类第三向量。
本发明实施例中，服务器将第一矩阵与场景编码的平方、预设第一中间值、场景类向量和弱对比学习模型的预定参数相乘，得到场景类第一向量，进而根据场景类第一向量计算得到事项类第二向量，再根据事项类第二向量计算得到问题类第三向量，最后在问题类第三向量的基础上确定出最小置信度，由于服务器在计算最小置信度的过程中考虑了场景类、事项类和问题类三个方面，且通过场景类第一向量、事项类第二向量和问题类第三向量层层递推的方式确定出最小置信度，进而通过更细粒度的方式确定出的最小置信度更加准确，所以确定的目标诉求回复信息也更加准确。
在一些实施例中，参见图6，图6为本发明实施例提供的处方信息处理方法的一个可选的流程示意图，图4示出的S107可以通过S112至S118实现，将结合各步骤进行说明。
S112、将每组预训练数据对应的场景类第一向量与场景编码、预定参数和第一矩阵相乘，得到第一中间数值，将场景类第一向量转化的场景类差异性值与场景类第一向量、场景编码和预定参数相乘，得到第二中间数值。
本发明实施例中，服务器将每组预训练数据对应的场景类第一向量与场景编码、预定参数和第一矩阵相乘，得到第一中间数值，将场景类第一向量转化的场景类差异性值与场景类第一向量、场景编码和预定参数相乘，得到第二中间数值。
本发明实施例中，服务器可以求场景类第一向量的模，进而得到场景类差异性值。
S113、结合第一中间数值、第二中间数值和问题类第三向量，计算得到场景类置信度。
本发明实施例中，服务器结合第一中间数值、第二中间数值和问题第三类向量，计算得到场景类置信度。
本发明实施例中，服务器计算第一中间数值和第二中间数值的第一和。服务器对问题类第三向量，与问题类第三向量的反向量的第二和求第一倒数。服务器将第一倒数与第一和相乘，得到场景类置信度。
S114、将事项类第二向量与事项编码、预定参数和第一矩阵相乘，得到第三中间数值，将事项类第二向量转化的事项类差异性值与事项类第二向量、事项编码和预定参数相乘，得到第四中间数值。
本发明实施例中，服务器将事项类第二向量与事项编码、预定参数和第一矩阵相乘，得到第三中间数值，将事项类第二向量转化的事项类差异性值与事项类第二向量、事项编码和预定参数相乘，得到第四中间数值。
本发明实施例中，服务器可以求事项类第二向量的模，进而得到事项类差异性值。
S115、结合第三中间数值、第四中间数值和问题类第三向量，计算得到事项类置信度。
本发明实施例中，服务器结合第三中间数值、第四中间数值和问题类第三向量，计算得到事项类置信度。
S116、将问题类第三向量与问题编码、预定参数和第一矩阵相乘，得到第五中间数值，将问题类第三向量转化的问题类差异性值与问题类第三向量、问题编码和预定参数相乘，得到第六中间数值。
本发明实施例中，服务器将问题类第三向量与问题编码、预定参数和第一矩阵相乘，得到第五中间数值，将问题类第三向量转化的问题类差异性值与问题类第三向量、问题编码和预定参数相乘，得到第六中间数值。
本发明实施例中，服务器可以求问题类第三向量的模，进而得到问题类差异性值。
S117、结合第五中间数值、第六中间数值和问题类第三向量，计算得到问题类置信度。
本发明实施例中，服务器结合第五中间数值、第六中间数值和问题类第三向量，计算得到对应问题类置信度。
S118、确定场景类置信度、事项类置信度和问题类置信度中的最小置信度，为最小置信度。
本发明实施例中，服务器确定场景类置信度、事项类置信度和问题类置信度中的最小置信度为最小置信度。
示例性的，服务器可以通过公式(2)计算得到对应每组预训练数据的最小置信度B。
Figure BDA0003601612390000191
其中，M为问题类第三向量，
Figure BDA0003601612390000192
为问题类第三向量的反向量，L为对应预设训练数据的第一矩阵，Ym为场景类第一向量或事项类第二向量或者问题类第三向量，Xm为场景编码或者事项编码或者问题编码，θ为预定参数，LNA为场景类差异性值。其中，
Figure BDA0003601612390000193
表征服务器将场景类第一向量Ym与第一矩阵L、场景编码Xm相乘得到的对应场景类的第一中间数值，在确定出场景类置信度之后，再将事项类第二向量与第一矩阵、事项编码相乘计算事项类的第一中间数值，再计算得到事项类置信度，直至计算得到问题类置信度。其中，
Figure BDA0003601612390000194
表征服务器将场景类第一向量Ym转化的场景类差异性值LNA与场景类第一向量Ym、所述场景编码Xm和所述预定参数θ相乘，得到第二中间数值，在确定出场景类置信度之后，再将事项类第二向量Ym转化的场景类差异性值LNA与事项类第二向量Ym、事项编码Xm和预定参数θ相乘，得到第二中间数值，再计算得到事项类置信度，直至计算得到问题类置信度。
本发明实施例中，服务器通过场景类第一向量、事项类第二向量和问题类第三向量层层递推的方式确定出最小置信度，进而通过更细粒度的方式确定出的最小置信度更加准确，所以确定的目标诉求回复信息也更加准确。
在一些实施例中，参见图7，图7为本发明实施例提供的处方信息处理方法的一个可选的流程示意图，图6示出的S113可以通过S119至S121实现，将结合各步骤进行说明。
S119、计算第一中间数值和第二中间数值的第一和。
本发明实施例中，服务器计算第一中间数值和第二中间数值的第一和。
S120、对问题类第三向量，与问题类第三向量的反向量的第二和求第一倒数。
本发明实施例中，服务器对问题类第三向量，与问题类第三向量的反向量的第二和求第一倒数。
S121、将第一倒数与第一和相乘，得到场景类置信度。
本发明实施例中，服务器将第一倒数与第一和相乘，得到场景类置信度。
在一些实施例中，参见图8，图8为本发明实施例提供的处方信息处理方法的一个可选的流程示意图，图6示出的S115可以通过S122至S124实现，将结合各步骤进行说明。
S122、计算第三中间数值和第四中间数值的第三和。
本发明实施例中，服务器计算第三中间数值和第四中间数值的第三和。
S123、对问题类第三向量，与问题类第三向量的反向量的第二和求第一倒数。
本发明实施例中，服务器对问题类第三向量，与问题类第三向量的反向量的第二和求第一倒数。
S124、将第一倒数与第三和相乘，得到事项类置信度。
本发明实施例中，服务器将第一倒数与第三和相乘，得到事项类置信度。
在一些实施例中，参见图9，图9为本发明实施例提供的处方信息处理方法的一个可选的流程示意图，图6示出的S117可以通过S125至S127实现，将结合各步骤进行说明。
S125、计算第五中间数值和第六中间数值的第四和。
本发明实施例中，服务器计算第五中间数值和第六中间数值的第四和。
S126、对问题类第三向量，与问题类第三向量的反向量的第二和求第一倒数。
本发明实施例中，服务器对问题类第三向量，与问题类第三向量的反向量的第二和求第一倒数。
S127、将第一倒数与第四和相乘，得到问题类置信度。
本发明实施例中，服务器将第一倒数与第四和相乘，得到问题类置信度。
在一些实施例中，参见图10，图10为本发明实施例提供的处方信息处理方法的一个可选的流程示意图，图5示出的S108可以通过S128至S129实现，将结合各步骤进行说明。
S128、在多组预训练数据对应的多个最小置信度中，确定出大于置信度阈值的目标置信度。
本发明实施例中，服务器在多组预训练数据对应的多个最小置信度中，确定出大于置信度阈值的目标置信度。
S129、在目标置信度对应的预训练数据中，提取出目标诉求回复信息。
本发明实施例中，服务器在目标置信度对应的预训练数据中，提取出目标诉求回复信息。
在一些实施例中，参见图11，图11为本发明实施例提供的处方信息处理方法的一个可选的流程示意图，图1示出的S101可以通过S130至S132实现，将结合各步骤进行说明。
S130、提取当前客户对应的标识信息。
本发明实施例中，服务器提取当前客户对应的标识信息。
S131、通过标识信息在本地数据库中，提取出当前客户的第一历史时间段内的多个点击行为信息及其对应表单数据。
本发明实施例中，服务器通过标识信息在本地数据库中，提取出当前客户的第一历史时间段内的多个点击行为信息及其对应表单数据。
本发明实施例中，本地数据库中存储有多个客户的标识信息与对应的历史时间段内的点击行为信息及其对应的表单数据的映射关系。所以服务器可以根据当前客户的标识信息提取出对应当前客户的第一历史时间端内的多个点击行为信息及其对应表单数据。
S132、将多数多个点击行为信息及其对应的表单数据输入预测模型，得到对应多个点击行为信息的多组咨询项数据。
本发明实施例中，服务器将多数多个点击行为信息及其对应的表单数据输入预测模型，得到对应多个点击行为信息的多组咨询项数据。本发明实施例中还可以得到多组咨询项数据分别对应的场景编码、事项编码和问题编码。
本发明实施例中，服务器将多数多个点击行为信息及其对应的表单数据输入多视角双向反馈预测模型，示例性的，结合图12，将结合步骤进行说明。
S220、表单数据。
S221、点击行为信息。
S222、编码。
S223、特征编码。
S224、特征交叉。
S225、残差网络。
S226、前向更新模块。
S227、最优标号准则。
S228、场景。
S229、事项。
S230、问题。
S231、场景补充。
S232、事项补充。
S233、问题补充。
本发明实施例中，服务器将表单数据进行编码，服务器再将点击行为信息进行特征编码，再通过特征交叉处理，以及残差网络、前向更新模块和最优标号准则的处理得到场景编码、事项编码和问题编码，再通过多视角双向反馈预测模型处理得到场景补充信息、事项补充信息和问题补充信息。
在一些实施例中，参见图13，图13为本发明实施例提供的处方信息处理方法的一个可选的流程示意图，图1示出的S102可以通过S133至S135实现，将结合各步骤进行说明。
S133、在用户历史数据集合中，提取出与每组咨询项数据中的场景类、事项类和问题类信息相同的第一目标场景类、第一目标事项类和第一目标问题类信息。
本发明实施例中，服务器在用户历史数据集合中，提取出与每组咨询项数据中的场景类、事项类和问题类信息相同的第一目标场景类、第一目标事项类和第一目标问题类信息。
本发明实施例中，服务器在用户历史数据集合中的多个第一信息组中进行遍历，提取出与每组咨询项数据中的场景类、事项类和问题类信息相同的第一目标场景类、第一目标事项类和第一目标问题类信息。
S134、在诉求历史数据集合中，提取出与每组咨询项数据中的场景类、事项类和问题类信息相同的第二目标场景类、第二目标事项类和第二目标问题类信息，及第二目标场景类、第二目标事项类和第二目标问题类信息所属第二目标信息组包括的诉求回复信息。
本发明实施例中，服务器在诉求历史数据集合中，提取出与每组咨询项数据中的场景类、事项类和问题类信息相同的第二目标场景类、第二目标事项类和第二目标问题类信息，及第二目标场景类、第二目标事项类和第二目标问题类信息所属第二目标信息组包括的诉求回复信息。
本发明实施例中，服务器在诉求历史数据集合的多个第二信息组中进行遍历，提取出与每组咨询项数据中的场景类、事项类和问题类信息相同的第二目标场景类、第二目标事项类和第二目标问题类信息。并确定出第二目标场景类、第二目标事项类和第二目标问题类信息所属的第二目标信息组。服务器提取出第二目标信息组中包括的诉求回复信息。
S135、将每组咨询项数据与第一目标场景类、第一目标事项类、第一目标问题类信息、第二目标场景类、第二目标事项类和第二目标问题类信息进行合并统一，得到第三场景类、第三事项类和第三问题类信息。
本发明实施例中，服务器将每组咨询项数据与第一目标场景类、第一目标事项类、第一目标问题类信息、第二目标场景类、第二目标事项类和第二目标问题类信息进行合并统一，得到第三场景类、第三事项类和第三问题类信息。
咨询项信息包括：所述第三场景类、所述第三事项类和所述第三问题类信息。
S136、利用第三场景类、第三事项类和第三问题类信息形成每组预训练数据，并将第二目标信息组包括的诉求回复信息，添加进对应组预训练数据，进而得到多组预训练数据。
本发明实施例中，服务器利用第三场景类、第三事项类和第三问题类信息形成每组咨询项数据对应的每组预训练数据，并将第二目标信息组包括的诉求回复信息，添加进对应组预训练数据，进而得到多组预训练数据。
在一些实施例中，参见图14，图14为本发明实施例提供的处方信息处理方法的一个可选的流程示意图，图1示出的S101之前还包括S137至S139实现，将结合各步骤进行说明。
S137、获取当前客户的当前诉求会话信息。
本发明实施例中，服务器获取当前客户的当前诉求会话信息。
其中，当前诉求会话信息可以为当前客户与客服人员的文本交流信息，也可以为当前客户与客服人员的语音交流信息。
S138、对诉求会话信息进行情感分析，得到情绪值。
本发明实施例中，服务器对诉求会话信息进行情感分析，得到情绪值。
本发明实施例中，服务器可以将诉求会话信息输入情感分析模型中，进而得到对应诉求会话信息的情绪值。
S139、若检测得到情绪值超过负情绪阈值，则提取当前客户的历史行为相关数据。
本发明实施例中，服务器若检测得到情绪值超过负情绪阈值，则提取当前客户的历史行为相关数据，也就是执行S101的步骤，通过提取的对应当前客户的历史行为相关数据，预测得到当前客户的多组咨询项数据。
本发明实施例中，若服务器检测得到情绪值未超过负情绪阈值，则不执行S101的步骤。
本发明实施例中，在服务器通过多组预训练数据依次进行弱对比学习，递推出当前客户的目标诉求回复信息之后，服务器将目标诉求回复信息推送给当前客户对应的当前客户端。
请参阅图15，为本发明实施例提供的诉求处理装置的结构示意图。
本发明实施例还提供了一种诉求处理装置800，包括：预测单元803和处理单元804。
预测单元，用于通过提取的对应当前客户的历史行为相关数据，预测得到所述当前客户的多组咨询项数据；不同组咨询项数据包括：对应所述当前客户预测得到的不同的场景类、事项类和问题类信息；
处理单元，用于通过所述多组咨询项数据和预设的用户历史数据集合、诉求历史数据集合提取得到多组预训练数据；其中，每组预训练数据包括：与所述场景类、所述事项类和所述问题类信息相同的咨询项信息，及所述咨询项信息对应的诉求回复信息；所述用户历史数据集合包括：多个第一信息组；每个第一信息组包括：第一场景类、第一事项类和第一问题类信息；；所述诉求历史数据集合包括：多个第二信息组，每个第二信息组包括：第二场景类、第二事项类、第二问题类信息及对应的所述诉求回复信息；处理单元，用于通过所述多组预训练数据依次进行弱对比学习，递推出所述当前客户的目标诉求回复信息。
本发明实施例中，诉求处理装置800中的处理单元804用于将所述多组预训练数据依次进行向量化处理，得到分别对应每组预训练数据中的所述场景类的场景类向量、所述事项类的事项类向量和所述问题类信息的问题类向量；结合所述场景类向量、所述事项类向量和所述问题类向量，得到对应所述每组预训练数据的第一矩阵。
本发明实施例中，诉求处理装置800中的处理单元804用于通过所述第一矩阵，结合弱对比学习模型与预先得到的场景编码、事项编码和问题编码，得到对应所述每组预训练数据的场景类第一向量、事项类第二向量和问题类第三向量；结合所述场景类第一向量、所述事项类第二向量和所述问题类第三向量，与所述弱对比学习模型的参数信息，计算所述每组预训练数据的所述最小置信度，进而得到所述多组预训练数据的所述最小置信度；基于所述最小置信度，与所述多组预训练数据确定出针对所述当前客户目标诉求回复信息。
本发明实施例中，诉求处理装置800中的处理单元804用于将所述第一矩阵与所述场景编码的平方、预设第一中间值、所述场景类向量和所述弱对比学习模型的预定参数相乘，得到所述场景类第一向量；所述预设第一中间值为所述场景类向量，与所述弱对比学习模型的计算矩阵和所述场景类向量的乘积相等的概率值；将所述第一矩阵与所述事项编码的平方、预设第二中间值、所述场景类第一向量和所述弱对比学习模型的所述预定参数相乘，得到所述事项类第二向量；所述预设第二中间值为所述场景类第一向量，与所述弱对比学习模型的所述计算矩阵和所述场景类第一向量的乘积相等的概率值；将所述第一矩阵与所述事项编码的平方、预设第三中间值、所述事项类第二向量和所述弱对比学习模型的所述预定参数相乘，得到所述问题类第三向量；所述预设第三中间值为所述事项类第二向量，与所述弱对比学习模型的所述计算矩阵和所述事项类第二向量的乘积相等的概率值。
本发明实施例中，诉求处理装置800中的处理单元804用于将每组预训练数据对应的所述场景类第一向量与所述场景编码、所述预定参数和所述第一矩阵相乘，得到第一中间数值，将所述场景类第一向量转化的场景类差异性值与所述场景类第一向量、所述场景编码和所述预定参数相乘，得到第二中间数值；结合所述第一中间数值、所述第二中间数值和所述问题类第三向量，计算得到场景类置信度；将所述事项类第二向量与所述事项编码、所述预定参数和所述第一矩阵相乘，得到第三中间数值，将所述事项类第二向量转化的事项类差异性值与所述事项类第二向量、所述事项编码和所述预定参数相乘，得到第四中间数值；结合所述第三中间数值、所述第四中间数值和所述问题类第三向量，计算得到事项类置信度；将所述问题类第三向量与所述问题编码、所述预定参数和所述第一矩阵相乘，得到第五中间数值，将所述问题类第三向量转化的问题类差异性值与所述问题类第三向量、所述问题编码和所述预定参数相乘，得到第六中间数值；结合所述第五中间数值、所述第六中间数值和所述问题类第三向量，计算得到问题类置信度；确定所述场景类置信度、所述事项类置信度和所述问题类置信度中的最小置信度，为所述最小置信度。
本发明实施例中，诉求处理装置800中的处理单元804用于计算所述第一中间数值和所述第二中间数值的第一和；对所述问题类第三向量，与所述问题类第三向量的反向量的第二和求第一倒数；将所述第一倒数与所述第一和相乘，得到所述场景类置信度。
本发明实施例中，诉求处理装置800中的处理单元804用于计算所述第三中间数值和所述第四中间数值的第三和；对所述问题类第三向量，与所述问题类第三向量的反向量的第二和求第一倒数；将所述第一倒数与所述第三和相乘，得到所述事项类置信度。
本发明实施例中，诉求处理装置800中的处理单元804用于计算所述第五中间数值和所述第六中间数值的第四和；对所述问题类第三向量，与所述问题类第三向量的反向量的第二和求第一倒数；将所述第一倒数与所述第四和相乘，得到所述问题类置信度。
本发明实施例中，诉求处理装置800中的处理单元804用于在所述多组预训练数据对应的所述多个最小置信度中，确定出大于置信度阈值的目标置信度；在所述目标置信度对应的预训练数据中，提取出所述目标诉求回复信息。
本发明实施例中，诉求处理装置800中的预测单元803用于提取所述当前客户对应的标识信息；通过所述标识信息在本地数据库中，提取出所述当前客户的第一历史时间段内的多个点击行为信息及其对应表单数据；所述历史行为相关数据包括：所述多个点击行为信息及其对应表单数据；将多数多个点击行为信息及其对应的表单数据输入预测模型，得到对应所述多个点击行为信息的所述多组咨询项数据。
本发明实施例中，诉求处理装置800中的处理单元804用于在所述用户历史数据集合中，提取出与每组咨询项数据中的所述场景类、所述事项类和所述问题类信息相同的第一目标场景类、第一目标事项类和第一目标问题类信息；在所述诉求历史数据集合中，提取出与所述每组咨询项数据中的所述场景类、所述事项类和所述问题类信息相同的第二目标场景类、第二目标事项类和第二目标问题类信息，及所述第二目标场景类、所述第二目标事项类和所述第二目标问题类信息所属第二目标信息组包括的所述诉求回复信息；将所述每组咨询项数据与所述第一目标场景类、所述第一目标事项类、所述第一目标问题类信息、所述第二目标场景类、所述第二目标事项类和所述第二目标问题类信息进行合并统一，得到第三场景类、第三事项类和第三问题类信息；利用第三场景类、第三事项类和第三问题类信息形成每组预训练数据，并将第二目标信息组包括的诉求回复信息，添加进对应组预训练数据，进而得到多组预训练数据形成每组预训练数据，并将第二目标信息组包括的所述诉求回复信息添加进对应组预训练数据，进而得到多组预训练数据；所述咨询项信息包括：所述第三场景类、所述第三事项类和所述第三问题类信息。
本发明实施例中，诉求处理装置800中的处理单元804用于获取所述当前客户的当前诉求会话信息；对所述诉求会话信息进行情感分析，得到情绪值；若检测得到所述情绪值超过负情绪阈值，则提取所述当前客户的所述历史行为相关数据。
本发明实施例中，处理单元804用于将所述目标诉求回复信息推送给所述当前客户对应的当前客户端。
本发明实施例中，预测单元803用于通过提取的对应当前客户的历史行为相关数据，预测得到当前客户的多组咨询项数据；不同组咨询项数据包括：对应当前客户预测得到的不同的场景类、事项类和问题类信息；处理单元804用于通过多组咨询项数据和预设的用户历史数据集合、诉求历史数据集合得到多组预训练数据；其中，每组预训练数据包括：与所述场景类、所述事项类和所述问题类信息相同的咨询项信息，及所述咨询项信息对应的诉求回复信息；；处理单元804用于通过多组预训练数据依次进行弱对比学习，递推出当前客户的目标诉求回复信息。由于本方案忽略了客户的当前的会话信息，直接通过包含了场景类、事项类和问题类的多个层面的更细粒度的诉求分析来确定出目标诉求回复信息，所以可以准确的提供与客户匹配的安抚信息。
需要说明的是，本发明实施例中，如果以软件功能模块的形式实现上述的诉求处理方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台诉求处理装置(可以是个人计算机等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件和软件结合。
对应地，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的步骤。
对应地，本发明实施例提供一种诉求处理装置，包括存储器802和处理器801，所述存储器802存储有可在处理器801上运行的计算机程序，所述处理器801执行所述程序时实现上述方法中的步骤。
这里需要指出的是：以上存储介质和装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明存储介质和装置实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
需要说明的是，图16为本发明实施例提供的诉求处理装置的一种硬件实体示意图，如图16所示，该诉求处理装置800的硬件实体包括：处理器801和存储器802，其中；
处理器801通常控制诉求处理装置800的总体操作。
存储器802配置为存储由处理器801可执行的指令和应用，还可以缓存待处理器801以及诉求处理装置800中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random AccessMemory，RAM)实现。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储装置、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机、服务器、或者网络装置等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储装置、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (16)

1.一种诉求处理方法，其特征在于，包括：
通过提取的对应当前客户的历史行为相关数据，预测得到所述当前客户的多组咨询项数据；不同组咨询项数据包括：对应所述当前客户预测得到的不同的场景类、事项类和问题类信息；
通过所述多组咨询项数据和预设的用户历史数据集合、诉求历史数据集合提取得到多组预训练数据；其中，每组预训练数据包括：与所述场景类、所述事项类和所述问题类信息相同的咨询项信息，及所述咨询项信息对应的诉求回复信息；所述用户历史数据集合包括：多个第一信息组；每个第一信息组包括：第一场景类、第一事项类和第一问题类信息；所述诉求历史数据集合包括：多个第二信息组，每个第二信息组包括：第二场景类、第二事项类、第二问题类信息及对应的所述诉求回复信息；
通过所述多组预训练数据依次进行弱对比学习，递推出所述当前客户的目标诉求回复信息。
2.根据权利要求1所述的诉求处理方法，其特征在于，所述通过所述多组预训练数据依次进行弱对比学习，递推出所述当前客户的目标诉求回复信息之前，所述方法还包括：
将所述多组预训练数据依次进行向量化处理，得到分别对应每组预训练数据中的所述场景类的场景类向量、所述事项类的事项类向量和所述问题类信息的问题类向量；
结合所述场景类向量、所述事项类向量和所述问题类向量，得到对应所述每组预训练数据的第一矩阵。
3.根据权利要求2所述的诉求处理方法，其特征在于，所述通过所述多组预训练数据依次进行弱对比学习，递推出所述当前客户的目标诉求回复信息，包括：
通过所述第一矩阵，结合弱对比学习模型与预先得到的场景编码、事项编码和问题编码，得到对应所述每组预训练数据的场景类第一向量、事项类第二向量和问题类第三向量；
结合所述场景类第一向量、所述事项类第二向量和所述问题类第三向量，与所述弱对比学习模型的参数信息，计算所述每组预训练数据的最小置信度，进而得到所述多组预训练数据的所述最小置信度；
基于所述最小置信度，与所述多组预训练数据确定出针对所述当前客户的目标诉求回复信息。
4.根据权利要求3所述的诉求处理方法，其特征在于，所述通过所述第一矩阵，结合弱对比学习模型与预先得到的场景编码、事项编码和问题编码，得到对应所述每组预训练数据的场景类第一向量、事项类第二向量和问题类第三向量，包括：
将所述第一矩阵与所述场景编码的平方、预设第一中间值、所述场景类向量和所述弱对比学习模型的预定参数相乘，得到所述场景类第一向量；所述预设第一中间值为所述场景类向量，与所述弱对比学习模型的计算矩阵和所述场景类向量的乘积相等的概率值；
将所述第一矩阵与所述事项编码的平方、预设第二中间值、所述场景类第一向量和所述弱对比学习模型的所述预定参数相乘，得到所述事项类第二向量；所述预设第二中间值为所述场景类第一向量，与所述弱对比学习模型的所述计算矩阵和所述场景类第一向量的乘积相等的概率值；
将所述第一矩阵与所述事项编码的平方、预设第三中间值、所述事项类第二向量和所述弱对比学习模型的所述预定参数相乘，得到所述问题类第三向量；所述预设第三中间值为所述事项类第二向量，与所述弱对比学习模型的所述计算矩阵和所述事项类第二向量的乘积相等的概率值。
5.根据权利要求3所述的诉求处理方法，其特征在于，所述结合所述场景类第一向量、所述事项类第二向量和所述问题类第三向量，与所述弱对比学习模型的参数信息，计算所述每组预训练数据的最小置信度，进而得到所述多组预训练数据的所述最小置信度，包括：
将每组预训练数据对应的所述场景类第一向量与所述场景编码、所述预定参数和所述第一矩阵相乘，得到第一中间数值，将所述场景类第一向量转化的场景类差异性值与所述场景类第一向量、所述场景编码和所述预定参数相乘，得到第二中间数值；
结合所述第一中间数值、所述第二中间数值和所述问题类第三向量，计算得到场景类置信度；
将所述事项类第二向量与所述事项编码、所述预定参数和所述第一矩阵相乘，得到第三中间数值，将所述事项类第二向量转化的事项类差异性值与所述事项类第二向量、所述事项编码和所述预定参数相乘，得到第四中间数值；
结合所述第三中间数值、所述第四中间数值和所述问题类第三向量，计算得到事项类置信度；
将所述问题类第三向量与所述问题编码、所述预定参数和所述第一矩阵相乘，得到第五中间数值，将所述问题类第三向量转化的问题类差异性值与所述问题类第三向量、所述问题编码和所述预定参数相乘，得到第六中间数值；
结合所述第五中间数值、所述第六中间数值和所述问题类第三向量，计算得到问题类置信度；
确定所述场景类置信度、所述事项类置信度和所述问题类置信度中的最小置信度，为所述最小置信度。
6.根据权利要求5所述的诉求处理方法，其特征在于，所述结合所述第一中间数值、所述第二中间数值和所述问题类第三向量，计算得到场景类置信度，包括：
计算所述第一中间数值和所述第二中间数值的第一和；
对所述问题类第三向量，与所述问题类第三向量的反向量的第二和求第一倒数；
将所述第一倒数与所述第一和相乘，得到所述场景类置信度。
7.根据权利要求5所述的诉求处理方法，其特征在于，所述结合所述第三中间数值、所述第四中间数值和所述问题类第三向量，计算得到事项类置信度，包括：
计算所述第三中间数值和所述第四中间数值的第三和；
对所述问题类第三向量，与所述问题类第三向量的反向量的第二和求第一倒数；
将所述第一倒数与所述第三和相乘，得到所述事项类置信度。
8.根据权利要求5所述的诉求处理方法，其特征在于，所述结合所述第五中间数值、所述第六中间数值和所述问题类第三向量，计算得到问题类置信度，包括：
计算所述第五中间数值和所述第六中间数值的第四和；
对所述问题类第三向量，与所述问题类第三向量的反向量的第二和求第一倒数；
将所述第一倒数与所述第四和相乘，得到所述问题类置信度。
9.根据权利要求3所述的诉求处理方法，其特征在于，所述基于所述最小置信度，与所述多组预训练数据确定出针对所述当前客户目标诉求回复信息，包括：
在所述多组预训练数据对应的所述多个最小置信度中，确定出大于置信度阈值的目标置信度；
在所述目标置信度对应的预训练数据中，提取出所述目标诉求回复信息。
10.根据权利要求1所述的诉求处理方法，其特征在于，所述通过提取的对应当前客户的历史行为相关数据，预测得到所述当前客户的多组咨询项数据之前，所述方法还包括：
提取所述当前客户对应的标识信息；
相应的，所述通过提取的对应当前客户的历史行为相关数据，预测得到所述当前客户的多组咨询项数据，包括：
通过所述标识信息在本地数据库中，提取出所述当前客户的第一历史时间段内的多个点击行为信息及其对应表单数据；所述历史行为相关数据包括：所述多个点击行为信息及其对应表单数据；
将所述多个点击行为信息及其对应的所述表单数据输入预测模型，得到对应所述多个点击行为信息的所述多组咨询项数据。
11.根据权利要求1所述的诉求处理方法，其特征在于，所述通过所述多组咨询项数据和预设的用户历史数据集合、诉求历史数据集合提取得到多组预训练数据，包括：
在所述用户历史数据集合中，提取出与每组咨询项数据中的所述场景类、所述事项类和所述问题类信息相同的第一目标场景类、第一目标事项类和第一目标问题类信息；
在所述诉求历史数据集合中，提取出与所述每组咨询项数据中的所述场景类、所述事项类和所述问题类信息相同的第二目标场景类、第二目标事项类和第二目标问题类信息，及所述第二目标场景类、所述第二目标事项类和所述第二目标问题类信息所属第二目标信息组包括的所述诉求回复信息；
将所述每组咨询项数据与所述第一目标场景类、所述第一目标事项类、所述第一目标问题类信息、所述第二目标场景类、所述第二目标事项类和所述第二目标问题类信息进行合并统一，得到第三场景类、第三事项类和第三问题类信息；所述咨询项信息包括：所述第三场景类、所述第三事项类和所述第三问题类信息；
利用所述第三场景类、所述第三事项类和所述第三问题类信息形成所述每组预训练数据，并将所述第二目标信息组包括的所述诉求回复信息，添加进对应组预训练数据，进而得到所述多组预训练数据。
12.根据权利要求1所述的诉求处理方法，其特征在于，所述通过提取的对应当前客户的历史行为相关数据，预测得到所述当前客户的多组咨询项数据之前，所述方法还包括：
获取所述当前客户的当前诉求会话信息；
对所述诉求会话信息进行情感分析，得到情绪值；
若检测得到所述情绪值超过负情绪阈值，则提取所述当前客户的所述历史行为相关数据。
13.根据权利要求1所述的诉求处理方法，其特征在于，所述通过所述多组预训练数据依次进行弱对比学习，递推出所述当前客户的目标诉求回复信息之后，所述方法还包括：
将所述目标诉求回复信息推送给所述当前客户对应的当前客户端。
14.一种诉求处理装置，其特征在于，包括：
预测单元，用于通过提取的对应当前客户的历史行为相关数据，预测得到所述当前客户的多组咨询项数据；不同组咨询项数据包括：对应所述当前客户预测得到的不同的场景类、事项类和问题类信息；
处理单元，用于通过所述多组咨询项数据和预设用户历史数据集合、诉求历史数据集合提取得到多组预训练数据；其中，每组预训练数据包括：与所述场景类、所述事项类和所述问题类信息相同的咨询项信息，及所述咨询项信息对应的诉求回复信息；所述用户历史数据集合包括：多个第一信息组；每个第一信息组包括：第一场景类、第一事项类和第一问题类信息；；所述诉求历史数据集合包括：多个第二信息组，每个第二信息组包括：第二场景类、第二事项类、第二问题类信息及对应的所述诉求回复信息；
处理单元，用于通过所述多组预训练数据依次进行弱对比学习，递推出所述当前客户的目标诉求回复信息。
15.一种诉求处理装置，其特征在于，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至13任一项所述方法中的步骤。
16.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1至13任一项所述方法中的步骤。
CN202210405338.XA 2022-04-18 2022-04-18 诉求处理方法、装置及存储介质 Pending CN114722187A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210405338.XA CN114722187A (zh) 2022-04-18 2022-04-18 诉求处理方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210405338.XA CN114722187A (zh) 2022-04-18 2022-04-18 诉求处理方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114722187A true CN114722187A (zh) 2022-07-08

Family

ID=82243339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210405338.XA Pending CN114722187A (zh) 2022-04-18 2022-04-18 诉求处理方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114722187A (zh)

Similar Documents

Publication Publication Date Title
CN109101537B (zh) 基于深度学习的多轮对话数据分类方法、装置和电子设备
CN110162749B (zh) 信息提取方法、装置、计算机设备及计算机可读存储介质
CN110263160B (zh) 一种计算机问答系统中的问句分类方法
CA3039386A1 (en) Deep neural network model for processing data through multiple linguistic task hierarchies
US8645291B2 (en) Encoding of data for processing in a spatial and temporal memory system
US8719192B2 (en) Transfer of learning for query classification
US20140310226A1 (en) Time Aggregation and Sparse Distributed Representation Encoding for Pattern Detection
US20130054552A1 (en) Automated search for detecting patterns and sequences in data using a spatial and temporal memory system
TW201822098A (zh) 用於預測商品的市場需求的計算機裝置與方法
CN110555451A (zh) 信息识别方法和装置
CN111738807B (zh) 用于推荐目标对象的方法、计算设备和计算机存储介质
CN112395487A (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
CN112036954A (zh) 物品推荐方法和装置、计算机可读存储介质、电子设备
CN111461757B (zh) 信息处理方法及装置、计算机存储介质、电子设备
CN111966805B (zh) 用于辅助实现会话的方法、装置、介质以及电子设备
CN117235264A (zh) 文本处理方法、装置、设备和计算机可读存储介质
CN115905648B (zh) 基于高斯混合模型的用户群和金融用户群分析方法及装置
CN115329207B (zh) 智能销售信息推荐方法及系统
CN117076672A (zh) 文本分类模型的训练方法、文本分类方法及装置
CN114722187A (zh) 诉求处理方法、装置及存储介质
CN115953217A (zh) 商品评分推荐方法及其装置、设备、介质、产品
CN112988699B (zh) 模型训练方法、数据标签的生成方法及装置
CN114936901A (zh) 基于跨模态语义推理与融合的视觉感知推荐方法及系统
CN114048929A (zh) 股价数据预测方法及装置
CN115203382A (zh) 业务问题场景识别方法、装置、电子设备及存储介质

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