CN114970552A - 基于微服务的用户回访信息分析方法、装置、设备及介质 - Google Patents

基于微服务的用户回访信息分析方法、装置、设备及介质 Download PDF

Info

Publication number
CN114970552A
CN114970552A CN202210889310.8A CN202210889310A CN114970552A CN 114970552 A CN114970552 A CN 114970552A CN 202210889310 A CN202210889310 A CN 202210889310A CN 114970552 A CN114970552 A CN 114970552A
Authority
CN
China
Prior art keywords
text
data
revisiting
result
user
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
CN202210889310.8A
Other languages
English (en)
Other versions
CN114970552B (zh
Inventor
王泽�
甘道权
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.)
Chengdu Lechaoren Technology Co ltd
Original Assignee
Chengdu Lechaoren 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 Chengdu Lechaoren Technology Co ltd filed Critical Chengdu Lechaoren Technology Co ltd
Priority to CN202210889310.8A priority Critical patent/CN114970552B/zh
Publication of CN114970552A publication Critical patent/CN114970552A/zh
Application granted granted Critical
Publication of CN114970552B publication Critical patent/CN114970552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/35—Clustering; Classification
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据处理技术，揭露了一种基于微服务的用户回访信息分析方法、装置、设备及介质，方法包括：对待回访的用户数据进行归属辨别、限流分配以及预处理，得到目标数据；识别目标数据中的文本内容，提取文本内容的特征文本，对特征文本进行汇总和状态标记，得到标记文本；对标记文本进行回访，并记录标记文本的回访结果，分析回访结果的类别属性，根据类别属性对标记文本进行分类，得到分类文本，对分类文本进行数据筛选和排序，得到排序文本，根据排序文本对用户数据进行更新，得到更新数据；对更新数据进行重回访，得到重回访结果，根据回访结果和重回访结果生成用户数据的最终回访结果。本发明能够提高微服务架构的用户回访效率。

Description

基于微服务的用户回访信息分析方法、装置、设备及介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于微服务的用户回访信息分析方法、装置、设备及介质。
背景技术
微服务架构是一种新型架构模式，提倡将单一应用程序划分成一组小的服务，服务之间相互协调、互相配合，为用户提供最终价值，每个服务运行在其独立的进程中，服务和服务之间采用轻量级的通信机制相互沟通，每个服务都围绕着具体的业务进行构建，并且能够被独立的部署到生产环境、类生产环境等，当用户使用微服务架构后，需要定期的对用户进行回访。
目前现有的用户回访都是通过人工智能进行回访，现有的人工智能回访方式较为简单，都是直接对用户数据进行回访，回访后的数据没有进行分析处理，部分已经沟通过的用户信息依旧保存在该回访名单中，后续人工智能回访仍会对该用户进行二次回访，造成用户对微服务产生不好的印象，进而会导致回访的成功率较低，因此，目前急需一种能够提高微服务架构的用户回访效率的方法。
发明内容
本发明提供一种基于微服务的用户回访信息分析方法、装置、设备及介质，其主要目的在于提高微服务架构的用户回访效率。
为实现上述目的，本发明提供的一种基于微服务的用户回访信息分析方法，包括：
获取微服务场景下待回访的用户数据，对所述用户数据进行归属辨别，得到辨别数据，对所述辨别数据进行限流分配，得到分配数据，对分配数据进行预处理，得到目标数据；
识别所述目标数据中的文本内容，利用训练好的信息提取模型提取所述文本内容的特征文本，对所述特征文本进行汇总，得到汇总文本，对所述汇总文本进行状态标记，得到标记文本；
对所述标记文本进行回访，并记录所述标记文本的回访结果，利用训练好的决策分析模型分析所述回访结果的类别属性，根据所述类别属性对所述标记文本进行分类，得到分类文本，对所述分类文本进行数据筛选，得到筛选文本，对所述筛选文本中的用户信息进行排序，得到排序文本，根据所述排序文本对所述用户数据进行更新，得到更新数据；
对所述更新数据进行重回访，得到重回访结果，根据所述回访结果和所述重回访结果生成所述用户数据的最终回访结果。
可选地，所述对所述用户数据进行归属辨别，得到辨别数据，包括：
利用预设的爬虫函数对所述用户数据添加标识字段；
对所述标识字段进行代码解析，得到源代码；
利用下述公式提取所述源代码中的存储标签：
Figure 894761DEST_PATH_IMAGE001
其中，WS(Ta)表示源代码对应的存储标签，Ta表示源代码，e表示代码转换系数，T表示源代码中代码的序列位置，Wab表示源代码中与存储相关的标签数，Wac表示源代码中的标签总数，WA(Tab)表示源代码的数量；
通过所述存储标签对所述用户数据进行归属辨别，得到辨别数据。
可选地，所述对所述辨别数据进行限流分配，得到分配数据，包括：
获取所述辨别数据的数据总数和所述辨别数据对应的网关数量；
根据所述数据总数和所述网关数量设置网关的访问次数；
当所述访问次数不小于预设阈值时，对所述辨别数据进行限流分配处理，得到分配数据
可选地，所述利用训练好的信息提取模型提取所述文本内容的特征文本，包括：
利用所述训练好的信息提取模型中的卷积层对所述文本内容进行特征提取，得到初始特征；
利用所述训练好的信息提取模型中的池化层对所述初始特征进行降维处理，得到降维特征；
利用所述训练好的信息提取模型中的分析层对所述文本内容进行语义分析，得到文本语义；
利用所述训练好的信息提取模型中的自注意力函数计算所述文本语义和所述初始特征的匹配度；
将所述匹配度大于预设值的初始特征进行融合，得到所述文本内容的特征文本。
可选地，所述自注意力函数包括：
Figure 169885DEST_PATH_IMAGE002
其中，T(i)表示文本语义和初始特征的匹配度，Ai表示文本语义向量，Bi表示初始特征向量，i表示文本语义向量和初始特征向量中向量的向量序号，j表示文本语义向量和初始特征向量中向量的向量数量，IDF表示文本语义和初始特征映射关系，TF(Ai)表示文本语义的表征映射，TF(Bi)表示初始特征的表征映射。
可选地，所述利用训练好的决策分析模型分析所述回访结果的类别属性，包括：
利用所述训练好的决策分析模型中的文本提取层提取所述回访结果的关键字；
利用所述训练好的决策分析模型中的属性分析层分析所述关键字的属性；
利用所述训练好的决策分析模型中的决策树算法对所述属性进行划分，得到划分属性；
利用所述训练好的决策分析模型中的全连接层输出所述划分属性的类别，得到类别属性。
可选地，所述对所述分类文本进行数据筛选，得到筛选文本，包括：
利用下述公式对所述分类文本进行数据筛选：
Figure 282197DEST_PATH_IMAGE003
其中，Ti表示筛选文本，H表示滤波函数，
Figure 617364DEST_PATH_IMAGE004
表示第i个文本数据到第j个文本数据的权重系数，k表示权重函数，e表示文本数据的容错系数，xi表示第i个文本数据的权重值，gi表示第i个文本数据的归属度，
Figure 346285DEST_PATH_IMAGE005
表示第i个文本数据到第j个文本数据的隶属系数，n表示隶属函数。
为了解决上述问题，本发明还提供一种基于微服务的用户回访信息分析装置，所述装置包括：
数据限流模块，用于获取微服务场景下待回访的用户数据，对所述用户数据进行归属辨别，得到辨别数据，对所述辨别数据进行限流分配，得到分配数据，对分配数据进行预处理，得到目标数据；
文本标记模块，用于识别所述目标数据中的文本内容，利用训练好的信息提取模型提取所述文本内容的特征文本，对所述特征文本进行汇总，得到汇总文本，对所述汇总文本进行状态标记，得到标记文本；
数据更新模块，用于对所述标记文本进行回访，并记录所述标记文本的回访结果，利用训练好的决策分析模型分析所述回访结果的类别属性，根据所述类别属性对所述标记文本进行分类，得到分类文本，对所述分类文本进行数据筛选，得到筛选文本，对所述筛选文本中的用户信息进行排序，得到排序文本，根据所述排序文本对所述用户数据进行更新，得到更新数据；
结果生成模块，用于对所述更新数据进行重回访，得到重回访结果，根据所述回访结果和所述重回访结果生成所述用户数据的最终回访结果。
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基于微服务的用户回访信息分析方法。
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基于微服务的用户回访信息分析方法。
本发明通过获取微服务场景下待回访的用户数据，对所述用户数据进行归属辨别，得到辨别数据，进而可以了解所述用户数据的来源，以便于后续对所述用户数据进行区分，其中，本发明通过识别所述目标数据中的文本内容，可以更加直观的了解所述目标数据中的文本信息，降低了对所述目标数据的处理难度；此外，本发明通过对所述标记文本进行回访，并记录所述标记文本的回访结果，可以了解到用户对于微服务的使用情况和一些建议等，本发明通过对所述更新数据进行重回访，可以得到重回访结果，以便于对所述用户数据中回访未成功的用户进行再次回访，本发明通过根据所述回访结果和所述重回访结果生成所述用户数据的最终回访结果，并对所述最终回访结果进行存储，以此完成对所述用户数据的回访，并记录回访的结果，根据回访记录对所述微服务架构进行调整，提高用户使用的舒适感，能够提高微服务架构的用户回访效率。因此，本发明实施例提供的一种基于微服务的用户回访信息分析方法及介质，能够提高微服务架构的用户回访效率。
附图说明
图1为本发明一实施例提供的基于微服务的用户回访信息分析方法的流程示意图；
图2为本发明一实施例提供的基于微服务的用户回访信息分析装置的功能模块图；
图3为本发明一实施例提供的实现所述基于微服务的用户回访信息分析方法的电子设备的结构示意图。
图中：1-电子设备；10-处理器；11-存储器；13-通信接口；100-基于微服务的用户回访信息分析装置；101-数据限流模块；102-文本标记模块；103-数据更新模块；104-结果生成模块。
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基于微服务的用户回访信息分析方法。本申请实施例中，所述基于微服务的用户回访信息分析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，所述基于微服务的用户回访信息分析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(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基于微服务的用户回访信息分析方法的流程示意图。在本实施例中，所述基于微服务的用户回访信息分析方法包括步骤S1—S4：
S1、获取微服务场景下待回访的用户数据，对所述用户数据进行归属辨别，得到辨别数据，对所述辨别数据进行限流分配，得到分配数据，对分配数据进行预处理，得到目标数据。
本发明通过获取微服务场景下待回访的用户数据，对所述用户数据进行归属辨别，得到辨别数据，进而可以了解所述用户数据的来源，以便于后续对所述用户数据进行区分。
其中，所述微服务场景是微服务架构对应的场景类别，所述用户数据是用户的基本信息，包括用户的姓名、性别、邮箱、年龄、家庭住址、教育水平、职业等，所述辨别数据是所述用户数据的来源经过辨别后得到的数据。进一步的，所述用户数据的获取可以通过预构建的自动化脚本工具得到，所述预构建的自动化脚本工具可以通过JS脚本语言编译。
作为本发明的一个实施例，所述对所述用户数据进行归属辨别，得到辨别数据，包括：利用预设的爬虫函数对所述用户数据添加标识字段，对所述标识字段进行代码解析，得到源代码，提取所述源代码中的存储标签，通过所述存储标签对所述用户数据进行归属辨别，得到辨别数据。
其中，所述标识字段是所述用户数据中用于辨别的文本内容，所述源代码是指未编译的按照一定的程序设计语言规范书写的文本文件，是可读的计算机语言指令，所述存储标签是所述源代码中使用过的存储地址，进一步的，所述预设的爬虫函数包括parse函数，所述标识字段的代码解析可以通过代码解析器实现，所述用户数据的归属辨别可以通过归属辨别函数实现，所述归属辨别函数是由脚本语言编译。
进一步的，本发明一可选实施例中，利用下述公式提取所述源代码中的存储标签：
Figure 893941DEST_PATH_IMAGE006
其中，WS(Ta)表示源代码对应的存储标签，Ta表示源代码，e表示代码转换系数，T表示源代码中代码的序列位置，Wab表示源代码中与存储相关的标签数，Wac表示源代码中的标签总数，WA(Tab)表示源代码的数量。
进一步地，本发明通过对所述辨别数据进行限流分配，得到分配数据，通过限流可以对所述用户数据进行均衡分配，避免出现负荷过载的现象，其中，所述分配数据是所述辨别数据经过均匀分配后的数据。
作为本发明的一个实施例，所述对所述辨别数据进行限流分配，得到分配数据，包括：获取所述辨别数据的数据总数和所述辨别数据对应的网关数量，根据所述数据总数和所述网关数量设置网关的访问次数，当所述访问次数不小于预设阈值时，对所述辨别数据进行限流分配处理，得到分配数据。
其中，所述数据总数是所述辨别数据的总共数量，所述网关数量是对所述辨别数据进行处理的网关的总数，所述访问次数是所述网关处理所述辨别数据的最大上限，所述预设阈值可以是500，也可以根据实际的业务场景进行设置，进一步的，所述辨别数据的数据总数和所述辨别数据对应的网关数量可以通过数据统计算法实现，所述数据统计算法是有Java语言编译，所述访问次数可以通过服务器进行设置，所述辨别数据的限流分配处理可以通过计数器限流算法实现。
本发明通过对所述分配数据进行预处理，得到目标数据，可以将所述分类数据中的无用数据去除，提高了对所述目标数据处理的效率，其中，所述目标数据是所述分配数据中的无用数据经过过滤后的带的数据，进一步的，所述分配数据的预处理可以通过统分析属性选取方法实现。
S2、识别所述目标数据中的文本内容，利用训练好的信息提取模型提取所述文本内容的特征文本，对所述特征文本进行汇总，得到汇总文本，对所述汇总文本进行状态标记，得到标记文本。
本发明通过识别所述目标数据中的文本内容，可以更加直观的了解所述目标数据中的文本信息，降低了对所述目标数据的处理难度，其中，所述文本内容是所述目标数据中包含文字和数字的部分的内容，进一步的，所述目标数据中的文本内容可以通过OCR文字识别法实现。
进一步地，本发明通过利用训练好的信息提取模型提取所述文本内容的特征文本，可以得到所述文本内容的特征部分内容，进而为后续的处理提供了保障，其中，所述特征文本是所述文本内容中具有代表性的文本，所述训练好的信息提取模型通过神经网络构建，如transform神经网络，用于对数据进行准确的信息抽取。
作为本发明的一个实施例，所述利用训练好的信息提取模型提取所述文本内容的特征文本，包括：利用所述训练好的信息提取模型中的卷积层对所述文本内容进行特征提取，得到初始特征，利用所述训练好的信息提取模型中的池化层对所述初始特征进行降维处理，得到降维特征，利用所述训练好的信息提取模型中的分析层对所述文本内容进行语义分析，得到文本语义，利用所述训练好的信息提取模型中的自注意力函数计算所述文本语义和所述初始特征的匹配度，将所述匹配度大于预设值的初始特征进行融合，得到所述文本内容的特征文本。
其中，所述训练好的信息提取模型中的池化层是将所述初始特征从高维度数据转化成低维度数据，所述训练好的信息提取模型中的分析层用于对所述文本内容进行含义解释，以便于了解所述文本内容的中心主题，所述训练好的信息提取模型中的卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的，所述卷积单元的目的是提取所述文本内容的不同特征，通过多个卷积单元迭代，以此提取出更复杂的特征，所述匹配度是所述文本语义与所述初始特征的匹配程度，所述预设值可以是0.9，也可以根据实际业务场景进行设置。
进一步的，作为本发明的一个可选实施例，所述文本内容的降维处理可以通过池化层中的池化函数实现，如最大或最小池化函数，所述降维文本的语义分析可以通过语义分析算法实现，对所述降维文本的特征提取可以通过所述卷积层中的卷积核实现。
进一步的，作为本发明的一个可选实施例，所述自注意力函数包括：
Figure 391919DEST_PATH_IMAGE007
其中，T(i)表示文本语义和初始特征的匹配度，Ai表示文本语义向量，Bi表示初始特征向量，i表示文本语义向量和初始特征向量中向量的向量序号，j表示文本语义向量和初始特征向量中向量的向量数量，IDF表示文本语义和初始特征映射关系，TF(Ai)表示文本语义的表征映射，TF(Bi)表示初始特征的表征映射。
本发明通过对所述特征文本进行汇总，得到汇总文本，可以将所述特征文本汇总到一起，便于后续的处理，其中，所述汇总文本是所述特征文本的合集，进一步的，所述特征文本的汇总可以通过PHONETIC函数实现。
本发明通过对所述汇总文本进行状态标记，得到标记文本，以便于了解所述汇总文本的初始状态，进而便于后续与回访结果进行比对，其中，所述标记文本是所述汇总文本的状态经过标注后得到的文本，进一步的，所述汇总文本的状态标记可以通过状态标注工具实现，所述状态标注工具是由脚本语言编译。
S3、对所述标记文本进行回访，并记录所述标记文本的回访结果，利用训练好的决策分析模型分析所述回访结果的类别属性，根据所述类别属性对所述标记表格进行分类，得到分类文本，对所述分类名单进行数据筛选，得到筛选文本，对所述筛选文本中的用户信息进行排序，得到排序文本，根据所述排序文本对所述用户数据进行更新，得到更新数据。
本发明通过对所述标记文本进行回访，并记录所述标记文本的回访结果，可以了解到用户对于微服务的使用情况和一些建议等，其中，所述回访结果是对所述标记文本回访后得到结果，进一步的，所述回访结果可以通过文本输入方法进行记录，所述文本输入方法包括scanf输入函数。
本发明通过利用训练好的决策分析模型分析所述回访结果的类别属性，可以了解所述回访结果的类别，为后续对所述标记文本的分类提供了保障，其中，所述类别属性是不同种类的区别，用于区分所述回访结果，所述训练好的决策分析模型是由全连接神经网络构建，用于对数据结果进行分析，进而做出相应的决策。
作为本发明的一个实施例，所述利用训练好的决策分析模型分析所述回访结果的类别属性，包括：利用所述训练好的决策分析模型中的文本提取层提取所述回访结果的关键字，利用所述训练好的决策分析模型中的属性分析层分析所述关键字的属性，利用所述训练好的决策分析模型中的决策树算法对所述属性进行划分，得到划分属性，利用所述训练好的决策分析模型中的全连接层输出所述划分属性的类别，得到类别属性。
其中，所述文本提取层是用于提取所述回访结果中的关键信息，提高了后续模型的处理效率，所述属性分析层是用于分析所述关键字性质，所述决策层是用于对所述属性进行分类和整理，可以将相同的属性划分到一起，所述全连接层是将所述划分属性的特征连接到一起并进行输出，所述决策树算法包括XG-Boost算法。
进一步的，所述回访结果的关键字的提取可以通过left函数实现，所述关键字的属性分析可以通过属性计算算法实现，所述划分属性的类别的输出可以通过所述全连接层中的激活函数实现，如softmax函数。
本发明通过根据所述类别属性对所述标记文本进行分类，可以得到分类文本，使所述标记文本按照相同的类别进行分类，以便于后续的处理，其中，所述分类文本是类别相同的文本集合，进一步的，所述标记文本的分类可以决策树算法实现。
进一步地，本发明通过对所述分类文本进行数据筛选，可以将所述分类文本中用户信息不对的文本去除掉。
进一步的，作为本发明的一个可选实施例，利用下述公式对所述分类文本进行数据筛选：
Figure 163566DEST_PATH_IMAGE008
其中，Ti表示筛选文本，H表示滤波函数，
Figure 583046DEST_PATH_IMAGE004
表示第i个文本数据到第j个文本数据的权重系数，k表示权重函数，e表示文本数据的容错系数，xi表示第i个文本数据的权重值，gi表示第i个文本数据的归属度，
Figure 465551DEST_PATH_IMAGE005
表示第i个文本数据到第j个文本数据的隶属系数，n表示隶属函数。
进一步地，本发明通过对所述筛选文本中的用户信息进行排序，可以得到排序文本，使所述筛选文本中的用户信息具有一定的顺序性，进一步的，所述筛选文本中的用户信息的排序可以通过countif()函数实现。
本发明通过根据所述排序文本对所述用户数据进行更新，可以得到更新数据，方便后续对用户数据进行管理，进一步的，所述用户数据的更新可以通过资源管理器实现。
S4、对所述更新数据进行重回访，得到重回访结果，根据所述回访结果和所述重回访结果生成所述用户数据的最终回访结果，并对所述最终回访结果进行存储。
本发明通过对所述更新数据进行重回访，可以得到重回访结果，以便于对所述用户数据中回访未成功的用户进行再次回访，其中，所述重回访结果是所述更新数据对应的回访记录。
本发明通过根据所述回访结果和所述重回访结果生成所述用户数据的最终回访结果，并对所述最终回访结果进行存储，以此完成对所述用户数据的回访，并记录回访的结果，根据回访记录对所述微服务架构进行调整，提高用户使用的舒适感。
其中，所述最终回访结果是所述回访结果和所述重回访结果汇总得到的结果，进一步的，所述最终回访结果的生成可以通过文本汇总函数实现，如CONCATENATE函数，所述最终回访结果的存储可以通过文本储存器实现。
本发明通过获取微服务场景下待回访的用户数据，对所述用户数据进行归属辨别，得到辨别数据，进而可以了解所述用户数据的来源，以便于后续对所述用户数据进行区分，其中，本发明通过识别所述目标数据中的文本内容，可以更加直观的了解所述目标数据中的文本信息，降低了对所述目标数据的处理难度；此外，本发明通过对所述标记文本进行回访，并记录所述标记文本的回访结果，可以了解到用户对于微服务的使用情况和一些建议等，本发明通过对所述更新数据进行重回访，可以得到重回访结果，以便于对所述用户数据中回访未成功的用户进行再次回访，本发明通过根据所述回访结果和所述重回访结果生成所述用户数据的最终回访结果，并对所述最终回访结果进行存储，以此完成对所述用户数据的回访，并记录回访的结果，根据回访记录对所述微服务架构进行调整，提高用户使用的舒适感，能够提高微服务架构的用户回访效率。
如图2所示，是本发明一实施例提供的基于微服务的用户回访信息分析装置的功能模块图。
本发明所述基于微服务的用户回访信息分析装置100可以安装于电子设备中。根据实现的功能，所述基于微服务的用户回访信息分析装置100可以包括数据限流模块101、文本标记模块102、数据更新模块103及结果生成模块104。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：
所述数据限流模块101，用于获取微服务场景下待回访的用户数据，对所述用户数据进行归属辨别，得到辨别数据，对所述辨别数据进行限流分配，得到分配数据，对分配数据进行预处理，得到目标数据；
所述文本标记模块102，用于识别所述目标数据中的文本内容，利用训练好的信息提取模型提取所述文本内容的特征文本，对所述特征文本进行汇总，得到汇总文本，对所述汇总文本进行状态标记，得到标记文本；
所述数据更新模块103，用于对所述标记文本进行回访，并记录所述标记文本的回访结果，利用训练好的决策分析模型分析所述回访结果的类别属性，根据所述类别属性对所述标记文本进行分类，得到分类文本，对所述分类文本进行数据筛选，得到筛选文本，对所述筛选文本中的用户信息进行排序，得到排序文本，根据所述排序文本对所述用户数据进行更新，得到更新数据；
所述结果生成模块104，用于对所述更新数据进行重回访，得到重回访结果，根据所述回访结果和所述重回访结果生成所述用户数据的最终回访结果。
详细地，本申请实施例中所述基于微服务的用户回访信息分析装置100中所述的各模块在使用时采用与上述图1中所述的基于微服务的用户回访信息分析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3所示，是本发明一实施例提供的实现基于微服务的用户回访信息分析方法的电子设备1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，如基于微服务的用户回访信息分析程序。
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（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1的控制核心，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（例如执行基于微服务的用户回访信息分析程序等），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、安全数字卡、闪存卡等。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，例如基于微服务的用户回访信息分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线可以是外设部件互连标准总线或扩展工业标准结构总线等。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1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、输入单元（比如键盘），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（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3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3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1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1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存储的基于微服务的用户回访信息分析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：
获取微服务场景下待回访的用户数据，对所述用户数据进行归属辨别，得到辨别数据，对所述辨别数据进行限流分配，得到分配数据，对分配数据进行预处理，得到目标数据；
识别所述目标数据中的文本内容，利用训练好的信息提取模型提取所述文本内容的特征文本，对所述特征文本进行汇总，得到汇总文本，对所述汇总文本进行状态标记，得到标记文本；
对所述标记文本进行回访，并记录所述标记文本的回访结果，利用训练好的决策分析模型分析所述回访结果的类别属性，根据所述类别属性对所述标记文本进行分类，得到分类文本，对所述分类文本进行数据筛选，得到筛选文本，对所述筛选文本中的用户信息进行排序，得到排序文本，根据所述排序文本对所述用户数据进行更新，得到更新数据；
对所述更新数据进行重回访，得到重回访结果，根据所述回访结果和所述重回访结果生成所述用户数据的最终回访结果。
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）。
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：
获取微服务场景下待回访的用户数据，对所述用户数据进行归属辨别，得到辨别数据，对所述辨别数据进行限流分配，得到分配数据，对分配数据进行预处理，得到目标数据；
识别所述目标数据中的文本内容，利用训练好的信息提取模型提取所述文本内容的特征文本，对所述特征文本进行汇总，得到汇总文本，对所述汇总文本进行状态标记，得到标记文本；
对所述标记文本进行回访，并记录所述标记文本的回访结果，利用训练好的决策分析模型分析所述回访结果的类别属性，根据所述类别属性对所述标记文本进行分类，得到分类文本，对所述分类文本进行数据筛选，得到筛选文本，对所述筛选文本中的用户信息进行排序，得到排序文本，根据所述排序文本对所述用户数据进行更新，得到更新数据；
对所述更新数据进行重回访，得到重回访结果，根据所述回访结果和所述重回访结果生成所述用户数据的最终回访结果。
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)

1.一种基于微服务的用户回访信息分析方法，其特征在于，所述方法包括：
获取微服务场景下待回访的用户数据，对所述用户数据进行归属辨别，得到辨别数据，对所述辨别数据进行限流分配，得到分配数据，对分配数据进行预处理，得到目标数据；
识别所述目标数据中的文本内容，利用训练好的信息提取模型提取所述文本内容的特征文本，对所述特征文本进行汇总，得到汇总文本，对所述汇总文本进行状态标记，得到标记文本；
对所述标记文本进行回访，并记录所述标记文本的回访结果，利用训练好的决策分析模型分析所述回访结果的类别属性，根据所述类别属性对所述标记文本进行分类，得到分类文本，对所述分类文本进行数据筛选，得到筛选文本，对所述筛选文本中的用户信息进行排序，得到排序文本，根据所述排序文本对所述用户数据进行更新，得到更新数据；
对所述更新数据进行重回访，得到重回访结果，根据所述回访结果和所述重回访结果生成所述用户数据的最终回访结果。
2.如权利要求1所述的基于微服务的用户回访信息分析方法，其特征在于，所述对所述用户数据进行归属辨别，得到辨别数据，包括：
利用预设的爬虫函数对所述用户数据添加标识字段；
对所述标识字段进行代码解析，得到源代码；
利用下述公式提取所述源代码中的存储标签：
Figure 346657DEST_PATH_IMAGE001
其中，WS(Ta)表示源代码对应的存储标签，T表示源代码中代码的序列位置，Ta表示源代码，e表示代码转换系数，Wab表示源代码中与存储相关的标签数，Wac表示源代码中的标签总数，WA(Tab)表示源代码的数量；
通过所述存储标签对所述用户数据进行归属辨别，得到辨别数据。
3.如权利要求1所述的基于微服务的用户回访信息分析方法，其特征在于，所述对所述辨别数据进行限流分配，得到分配数据，包括：
获取所述辨别数据的数据总数和所述辨别数据对应的网关数量；
根据所述数据总数和所述网关数量设置网关的访问次数；
当所述访问次数不小于预设阈值时，对所述辨别数据进行限流分配处理，得到分配数据。
4.如权利要求1所述的基于微服务的用户回访信息分析方法，其特征在于，所述利用训练好的信息提取模型提取所述文本内容的特征文本，包括：
利用所述训练好的信息提取模型中的卷积层对所述文本内容进行特征提取，得到初始特征；
利用所述训练好的信息提取模型中的池化层对所述初始特征进行降维处理，得到降维特征；
利用所述训练好的信息提取模型中的分析层对所述文本内容进行语义分析，得到文本语义；
利用所述训练好的信息提取模型中的自注意力函数计算所述文本语义和所述初始特征的匹配度；
将所述匹配度大于预设值的初始特征进行融合，得到所述文本内容的特征文本。
5.如权利要求4所述的基于微服务的用户回访信息分析方法，其特征在于，所述自注意力函数包括：
Figure 100986DEST_PATH_IMAGE002
其中，T(i)表示文本语义和初始特征的匹配度，Ai表示文本语义向量，i表示文本语义向量和初始特征向量中向量的向量序号，j表示文本语义向量和初始特征向量中向量的向量数量，Bi表示初始特征向量，IDF表示文本语义和初始特征映射关系，TF(Ai)表示文本语义的表征映射，TF(Bi)表示初始特征的表征映射。
6.如权利要求1所述的基于微服务的用户回访信息分析方法，其特征在于，所述利用训练好的决策分析模型分析所述回访结果的类别属性，包括：
利用所述训练好的决策分析模型中的文本提取层提取所述回访结果的关键字；
利用所述训练好的决策分析模型中的属性分析层分析所述关键字的属性；
利用所述训练好的决策分析模型中的决策树算法对所述属性进行划分，得到划分属性；
利用所述训练好的决策分析模型中的全连接层输出所述划分属性的类别，得到类别属性。
7.如权利要求1所述的基于微服务的用户回访信息分析方法，其特征在于，所述对所述分类文本进行数据筛选，得到筛选文本，包括：
利用下述公式对所述分类文本进行数据筛选：
Figure 837998DEST_PATH_IMAGE003
其中，Ti表示筛选文本，H表示滤波函数，
Figure 813913DEST_PATH_IMAGE004
表示第i个文本数据到第j个文本数据的权重系数，k表示权重函数，e表示文本数据的容错系数，xi表示第i个文本数据的权重值，gi表示第i个文本数据的归属度，
Figure 243758DEST_PATH_IMAGE005
表示第i个文本数据到第j个文本数据的隶属系数，n表示隶属函数。
8.一种基于微服务的用户回访信息分析装置，其特征在于，所述装置包括：
数据限流模块，用于获取微服务场景下待回访的用户数据，对所述用户数据进行归属辨别，得到辨别数据，对所述辨别数据进行限流分配，得到分配数据，对分配数据进行预处理，得到目标数据；
文本标记模块，用于识别所述目标数据中的文本内容，利用训练好的信息提取模型提取所述文本内容的特征文本，对所述特征文本进行汇总，得到汇总文本，对所述汇总文本进行状态标记，得到标记文本；
数据更新模块，用于对所述标记文本进行回访，并记录所述标记文本的回访结果，利用训练好的决策分析模型分析所述回访结果的类别属性，根据所述类别属性对所述标记文本进行分类，得到分类文本，对所述分类文本进行数据筛选，得到筛选文本，对所述筛选文本中的用户信息进行排序，得到排序文本，根据所述排序文本对所述用户数据进行更新，得到更新数据；
结果生成模块，用于对所述更新数据进行重回访，得到重回访结果，根据所述回访结果和所述重回访结果生成所述用户数据的最终回访结果。
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中任意一项所述的基于微服务的用户回访信息分析方法。
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中任意一项所述的基于微服务的用户回访信息分析方法。
CN202210889310.8A 2022-07-27 2022-07-27 基于微服务的用户回访信息分析方法、装置、设备及介质 Active CN114970552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210889310.8A CN114970552B (zh) 2022-07-27 2022-07-27 基于微服务的用户回访信息分析方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210889310.8A CN114970552B (zh) 2022-07-27 2022-07-27 基于微服务的用户回访信息分析方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114970552A true CN114970552A (zh) 2022-08-30
CN114970552B CN114970552B (zh) 2022-10-11

Family

ID=82968636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210889310.8A Active CN114970552B (zh) 2022-07-27 2022-07-27 基于微服务的用户回访信息分析方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114970552B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104517191A (zh) * 2014-12-29 2015-04-15 天维尔信息科技股份有限公司 案件回访方法及系统
CN105786849A (zh) * 2014-12-22 2016-07-20 北京奇虎科技有限公司 一种文档类网页自定义摘要的生成方法和系统
CN110502675A (zh) * 2019-07-15 2019-11-26 平安普惠企业管理有限公司 基于数据分析的语音拨叫用户分类方法及相关设备
CN110765776A (zh) * 2019-10-11 2020-02-07 阳光财产保险股份有限公司 回访标注样本数据的生成方法及装置
CN110930003A (zh) * 2019-11-13 2020-03-27 泰康保险集团股份有限公司 工单的处理方法及装置
US20210019709A1 (en) * 2019-07-15 2021-01-21 Microsoft Technology Licensing, Llc Recommending Meeting Spaces using Automatically-Generated Visit Data, with Geo-Tagging of the Meeting Spaces
CN112507212A (zh) * 2020-11-19 2021-03-16 深圳壹账通智能科技有限公司 智能回访方法、装置、电子设备及可读存储介质
CN113849634A (zh) * 2021-03-01 2021-12-28 天翼智慧家庭科技有限公司 用于提升深度模型推荐方案可解释性的方法
CN114693435A (zh) * 2022-04-24 2022-07-01 平安普惠企业管理有限公司 催收名单的智能回访的方法、装置、电子设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105786849A (zh) * 2014-12-22 2016-07-20 北京奇虎科技有限公司 一种文档类网页自定义摘要的生成方法和系统
CN104517191A (zh) * 2014-12-29 2015-04-15 天维尔信息科技股份有限公司 案件回访方法及系统
CN110502675A (zh) * 2019-07-15 2019-11-26 平安普惠企业管理有限公司 基于数据分析的语音拨叫用户分类方法及相关设备
US20210019709A1 (en) * 2019-07-15 2021-01-21 Microsoft Technology Licensing, Llc Recommending Meeting Spaces using Automatically-Generated Visit Data, with Geo-Tagging of the Meeting Spaces
CN110765776A (zh) * 2019-10-11 2020-02-07 阳光财产保险股份有限公司 回访标注样本数据的生成方法及装置
CN110930003A (zh) * 2019-11-13 2020-03-27 泰康保险集团股份有限公司 工单的处理方法及装置
CN112507212A (zh) * 2020-11-19 2021-03-16 深圳壹账通智能科技有限公司 智能回访方法、装置、电子设备及可读存储介质
CN113849634A (zh) * 2021-03-01 2021-12-28 天翼智慧家庭科技有限公司 用于提升深度模型推荐方案可解释性的方法
CN114693435A (zh) * 2022-04-24 2022-07-01 平安普惠企业管理有限公司 催收名单的智能回访的方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
易思绍: "基于微服务架构的医疗回访系统的设计与实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Also Published As

Publication number Publication date
CN114970552B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN113626607B (zh) 异常工单识别方法、装置、电子设备及可读存储介质
CN113592605B (zh) 基于相似产品的产品推荐方法、装置、设备及存储介质
CN114238573B (zh) 基于文本对抗样例的信息推送方法及装置
CN107145485A (zh) 用于压缩主题模型的方法和装置
CN114398557B (zh) 基于双画像的信息推荐方法、装置、电子设备及存储介质
CN112988963A (zh) 基于多流程节点的用户意图预测方法、装置、设备及介质
CN113704429A (zh) 基于半监督学习的意图识别方法、装置、设备及介质
CN113111162A (zh) 科室推荐方法、装置、电子设备及存储介质
CN116186594B (zh) 基于决策网络结合大数据实现环境变化趋势智能检测方法
CN115905528A (zh) 具有时序特征的事件多标签分类方法、装置及电子设备
CN113360768A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN113360654A (zh) 文本分类方法、装置、电子设备及可读存储介质
CN112487284A (zh) 银行客户画像生成方法、设备、存储介质及装置
CN115018588A (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN113886708A (zh) 基于用户信息的产品推荐方法、装置、设备及存储介质
CN114970552B (zh) 基于微服务的用户回访信息分析方法、装置、设备及介质
CN114780688A (zh) 基于规则匹配的文本质检方法、装置、设备及存储介质
CN113435308B (zh) 文本多标签分类方法、装置、设备及存储介质
CN115525761A (zh) 一种文章关键词筛选类别的方法、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
CN114219544A (zh) 消费倾向分析方法、装置、设备及存储介质
CN114841165A (zh) 用户数据分析及展示方法、装置、电子设备及存储介质
CN114693435A (zh) 催收名单的智能回访的方法、装置、电子设备及存储介质
CN114219367A (zh) 用户评分方法、装置、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
GR01 Patent grant
GR01 Patent grant