CN115271976A - 一种顾问推荐的方法、装置及计算机可读存储介质 - Google Patents

Abstract

本申请适用于计算机技术领域，提供了一种顾问推荐的方法、装置及计算机可读存储介质，方法包括：获取目标用户的用户特征信息及其对应的预设权重值；根据用户特征信息、预设权重值计算目标用户的购买意愿度信息，将购买意愿度信息最高的用户特征信息标记为第一特征信息；从预设历史特征信息中获取第二特征信息，获取第二特征信息对应的历史购买记录的目标顾问；根据第一特征信息和第二特征信息从目标顾问中筛选出目标用户对应的候选顾问；获取候选顾问的忙碌度信息，获取候选顾问的跟进意愿信息；根据忙碌度信息和跟进意愿信息从候选顾问中筛选出推荐顾问。上述方案，用户在进行咨询和购买时，可以推荐最匹配的顾问，提升用户购买保险商品体验。

Description

一种顾问推荐的方法、装置及计算机可读存储介质

技术领域

本申请属于计算机技术领域，尤其涉及顾问推荐的方法、装置及计算机可读存储介质。

背景技术

保险商品具有其特殊性质，购买者需要通过专业顾问咨询了解特定保险涉及的购买资质与理赔范围等。用户在进行咨询和购买时，现有的保险行业推荐系统大多涉及商品的推荐，这种推荐方式只能向用户推荐商品，用户无法获取到最适合的顾问，就会导致用户体验感差，购买商品的成交率低。

发明内容

本申请实施例提供了一种顾问推荐的方法、装置及计算机可读存储介质，可以解决上述问题。

第一方面，本申请实施例提供了一种顾问推荐的方法，包括：

获取目标用户的用户特征信息及其对应的预设权重值；

根据所述用户特征信息及其对应的预设权重值计算所述目标用户的购买意愿度信息，并且将所述购买意愿度信息最高的所述用户特征信息标记为第一特征信息；

从预设历史特征信息中获取第二特征信息，并且获取所述第二特征信息对应的历史购买记录的目标顾问；所述第二特征信息对应的历史购买记录的订单状态为已成交，且顾问跟进状态为具有顾问跟进；

根据所述第一特征信息和所述第二特征信息从所述目标顾问中筛选出所述目标用户对应的候选顾问；

获取所述候选顾问的忙碌度信息，并且获取所述候选顾问的跟进意愿信息；

根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。

进一步地，在所述获取目标用户的用户特征信息及其对应的预设权重值之前，还包括：

获取历史用户的历史用户信息和下单结果信息，并对所述历史用户信息进行特征处理得到历史特征信息；

根据所述历史特征信息和所述下单结果信息进行逻辑回归建模，得到所述历史特征信息对应的预设权重值。

进一步地，所述根据所述第一特征信息和所述第二特征信息从所述目标顾问中筛选出所述目标用户对应的候选顾问，包括：

计算所述第一特征信息和所述第二特征信息之间的余弦相似度信息，并根据所述余弦相似度信息从所述目标顾问中筛选出所述目标用户对应的候选顾问。

进一步地，所述获取所述候选顾问的忙碌度信息，包括：

获取所述候选顾问的工作量信息；所述工作量信息包括拨打电话次数、通话时间、微信客户数量、微信聊天记录条数和当前跟进客户数量；

将所述工作量信息输入预先训练的忙碌度信息预测神经网络模型进行处理，得到所述候选顾问的忙碌度信息。

进一步地，在所述将所述工作量信息输入预先训练的忙碌度信息预测神经网络模型进行处理，得到所述候选顾问的忙碌度信息之前，还包括：

获取样本训练集；所述样本训练集包括样本顾问的样本工作量信息及其对应的忙碌度标注信息；所述样本工作量信息包括所述样本顾问的样本拨打电话次数、样本通话时间、样本微信客户数量、样本微信聊天记录条数和样本当前跟进客户数量；

根据所述样本训练集对第一初始神经网络模型进行训练，得到忙碌度信息预测神经网络模型。

进一步地，所述获取所述候选顾问的跟进意愿信息，包括：

获取所述候选顾问的跟进意愿度特征；所述跟进意愿度特征包括语音意愿度信息、跟进率、微信聊天率和电话拨打率；

将所述跟进意愿度特征输入跟进意愿度预测神经网络模型进行处理，得到所述候选顾问的跟进意愿信息。

进一步地，所述根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问，包括：

获取预设忙碌度阈值和预设跟进意愿阈值；

根据所述预设忙碌度阈值、所述预设跟进意愿阈值、所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。

进一步地，所述根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问，包括：

当检测到预设顾问数据库中出现新人顾问时，根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出第一推荐顾问；

从所述新人顾问中筛选出与所述初始推荐顾问的相似度信息满足预设相似度阈值的第二推荐顾问；

根据所述第一推荐顾问和所述第二推荐顾问确定推荐顾问。

第二方面，本申请实施例提供了一种顾问推荐的装置，包括：

第一获取单元，用于获取目标用户的用户特征信息及其对应的预设权重值；

第一处理单元，用于根据所述用户特征信息及其对应的预设权重值计算所述目标用户的购买意愿度信息，并且将所述购买意愿度信息最高的所述用户特征信息标记为第一特征信息；

第二获取单元，用于从预设历史特征信息中获取第二特征信息，并且获取所述第二特征信息对应的历史购买记录的目标顾问；所述第二特征信息对应的历史购买记录的订单状态为已成交，且顾问跟进状态为具有顾问跟进；

第二处理单元，用于根据所述第一特征信息和所述第二特征信息从所述目标顾问中筛选出所述目标用户对应的候选顾问；

第三获取单元，用于获取所述候选顾问的忙碌度信息，并且获取所述候选顾问的跟进意愿信息；

第三处理单元，用于根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。

进一步地，所述顾问推荐的装置，还包括：

第四获取单元，用于获取历史用户的历史用户信息和下单结果信息，并对所述历史用户信息进行特征处理得到历史特征信息；

第四处理单元，用于根据所述历史特征信息和所述下单结果信息进行逻辑回归建模，得到所述历史特征信息对应的预设权重值。

进一步地，所述第二处理单元，具体用于：

计算所述第一特征信息和所述第二特征信息之间的余弦相似度信息，并根据所述余弦相似度信息从所述目标顾问中筛选出所述目标用户对应的候选顾问。

进一步地，所述第三获取单元，具体用于：

获取所述候选顾问的工作量信息；所述工作量信息包括拨打电话次数、通话时间、微信客户数量、微信聊天记录条数和当前跟进客户数量；

将所述工作量信息输入预先训练的忙碌度信息预测神经网络模型进行处理，得到所述候选顾问的忙碌度信息。

进一步地，所述第三获取单元，具体用于：

获取样本训练集；所述样本训练集包括样本顾问的样本工作量信息及其对应的忙碌度标注信息；所述样本工作量信息包括所述样本顾问的样本拨打电话次数、样本通话时间、样本微信客户数量、样本微信聊天记录条数和样本当前跟进客户数量；

根据所述样本训练集对第一初始神经网络模型进行训练，得到忙碌度信息预测神经网络模型。

进一步地，所述第三获取单元，具体用于：

获取所述候选顾问的跟进意愿度特征；所述跟进意愿度特征包括语音意愿度信息、跟进率、微信聊天率和电话拨打率；

将所述跟进意愿度特征输入跟进意愿度预测神经网络模型进行处理，得到所述候选顾问的跟进意愿信息。

进一步地，所述第三处理单元，具体用于：

获取预设忙碌度阈值和预设跟进意愿阈值；

根据所述预设忙碌度阈值、所述预设跟进意愿阈值、所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。

进一步地，所述第三处理单元，具体用于：

当检测到预设顾问数据库中出现新人顾问时，根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出第一推荐顾问；

从所述新人顾问中筛选出与所述初始推荐顾问的相似度信息满足预设相似度阈值的第二推荐顾问；

根据所述第一推荐顾问和所述第二推荐顾问确定推荐顾问。

第三方面，本申请实施例提供了一种顾问推荐的设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法。

本申请实施例中，获取目标用户的用户特征信息及其对应的预设权重值；根据所述用户特征信息及其对应的预设权重值计算所述目标用户的购买意愿度信息，并且将所述购买意愿度信息最高的所述用户特征信息标记为第一特征信息；从预设历史特征信息中获取第二特征信息，并且获取所述第二特征信息对应的历史购买记录的目标顾问；所述第二特征信息对应的历史购买记录的订单状态为已成交，且顾问跟进状态为具有顾问跟进；根据所述第一特征信息和所述第二特征信息从所述目标顾问中筛选出所述目标用户对应的候选顾问；获取所述候选顾问的忙碌度信息，并且获取所述候选顾问的跟进意愿信息；根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。上述方案，用户在进行咨询和购买商品时，可以根据用户的相关信息、顾问近期的工作量以及跟进意愿度为用户推荐最匹配的顾问，通过给每个用户分配合适的顾问，提升用户购买保险商品的体验，让用户更清楚的理解保险商品属性以及理赔范围，让用户购买到合适的商品。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请第一实施例提供的一种顾问推荐的方法的示意流程图；

图2是本申请第二实施例提供的顾问推荐的装置的示意图；

图3是本申请第三实施例提供的顾问推荐的设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

请参见图1，图1是本申请第一实施例提供的一种顾问推荐的方法的示意流程图。本实施例中一种顾问推荐的方法的执行主体为具有顾问推荐的功能的设备，例如，台式电脑、服务器等等。如图1所示的顾问推荐的方法可以包括：

S101：获取目标用户的用户特征信息及其对应的预设权重值。

设备获取目标用户的用户特征信息及其对应的预设权重值，其中，当用户使用推荐系统时，设备可以将该用户作为目标用户。用户特征信息可以从预设数据库中获取，目标用户的用户特征信息是可以标识该目标用户特征的信息，用户特征信息可以包括用户浏览次数、用户连续浏览天数、用户收入水平、用户年龄、用户性别、商品险种和商品保费等等。

设备中预先存储用户特征信息对应的预设权重值，其中，不同种类的用户特征信息对应了不同的预设权重值，预设权重值用来计算用户的购买意愿度信息，预设权重值用来标识每个用户特征信息对是否下单贡献的权重值。

在一个可能的实施例中，在S101之前，可以根据历史信息计算不同种类的用户特征信息对应的预设权重值。具体来说，设备可以获取历史用户的历史用户信息和下单结果信息，并对历史用户信息进行特征处理得到历史特征信息；根据历史特征信息和下单结果信息进行逻辑回归建模，得到历史特征信息对应的预设权重值。

其中，历史用户的历史用户信息可以包括历史用户浏览次数、历史用户连续浏览天数、历史用户收入水平、历史用户年龄、历史用户性别、历史商品险种和历史商品保费等等。下单结果即历史用户是否下单的结果。设备将历史用户信息进行归一化放缩处理，得到历史特征信息，将历史特征信息进行独热编码，回归模型的目标为下单结果信息。然后，设备可以选取sigmoid函数作为激活函数，计算公式可以为：

其中，x可以为历史用户信息。

通过损失函数对数据进行梯度下降迭代，当损失函数收敛且误差在合理范围内时，保存训练模型参数，即预设权重值和误差修正项。

S102：根据所述用户特征信息及其对应的预设权重值计算所述目标用户的购买意愿度信息，并且将所述购买意愿度信息最高的所述用户特征信息标记为第一特征信息。

设备根据用户特征信息及其对应的预设权重值计算目标用户的购买意愿度信息，可以理解的是，当用户具有多条历史购买记录时，每个历史购买记录可以对应一个购买意愿度信息。设备在计算购买意愿度信息时，可以得到多个购买意愿度信息，设备将购买意愿度信息最高的用户特征信息标记为第一特征信息。

S103：从预设历史特征信息中获取第二特征信息，并且获取所述第二特征信息对应的历史购买记录的目标顾问；所述第二特征信息对应的历史购买记录的订单状态为已成交，且顾问跟进状态为具有顾问跟进。

设备中存储了目标用户的预设历史特征信息，设备从预设历史特征信息中筛选出第二特征信息，其中，第二特征信息对应的历史购买记录的订单状态为已成交，并且顾问跟进状态为具有顾问跟进。也就是说，设备需要筛选出有顾问跟进的已经成交的订单对应的特征信息，即第二特征信息。设备还需要获取第二特征信息对应的历史购买记录的目标顾问。

S104：根据所述第一特征信息和所述第二特征信息从所述目标顾问中筛选出所述目标用户对应的候选顾问。

设备根据第一特征信息和第二特征信息从目标顾问中筛选出目标用户对应的候选顾问，也就是说，设备根据从目标顾问中选择出于第一特征信息最接近的第二特征信息对应的顾问，作为目标用户对应的候选顾问。

一种实施方式中，设备计算第一特征信息和第二特征信息之间的余弦相似度信息，并根据余弦相似度信息从目标顾问中筛选出目标用户对应的候选顾问。

其中，计算余弦相似度信息的公式具体如下：

其中，x₁为第一特征信息，x₂为第二特征信息。

一种实施方式中，设备可以对候选顾问进行排序，将余弦相似度信息高的候选顾问排在序列的前面。这样对候选顾问进行排序的方式，可以方便后续进行顾问推荐。

S105：获取所述候选顾问的忙碌度信息，并且获取所述候选顾问的跟进意愿信息。

设备获取候选顾问的忙碌度信息，其中，候选顾问的忙碌度信息标识了该候选顾问当前的忙碌程度，设备可以设置忙碌度信息的计算规则来计算候选顾问的忙碌度信息。

一种具体的实施方式中，设备为了更准确的获取到候选顾问的忙碌度信息，设备可以通过神经网络模型来获取忙碌度信息，设备获取候选顾问的工作量信息，其中，工作量信息包括拨打电话次数、通话时间、微信客户数量、微信聊天记录条数和当前跟进客户数量；设备中预先存储预先训练的忙碌度信息预测神经网络模型，设备将工作量信息输入预先训练的忙碌度信息预测神经网络模型进行处理，得到候选顾问的忙碌度信息。

其中，预先训练的忙碌度信息预测神经网络模型可以由本端设备提前训练的，也可以是由其他设备进行训练后，冻结模型参数后，移植到本端设备中的。

预先训练的忙碌度信息预测神经网络模型具体的训练方法为：设备获取样本训练集，其中，样本训练集包括样本顾问的样本工作量信息及其对应的忙碌度标注信息，样本工作量信息包括样本顾问的样本拨打电话次数、样本通话时间、样本微信客户数量、样本微信聊天记录条数和样本当前跟进客户数量；根据所述样本训练集对第一初始神经网络模型进行训练，得到忙碌度信息预测神经网络模型。

具体来说，在训练过程中，可以采用LTSM神经网络模型进行数据训练与参数调整，设备获取样本训练集时，可以获取初始样本数据，然后对初始样本数据进行特征工程处理，对不同种类的特征信息进行不同程度的缩放处理，得到样本训练集，即，使得初始样本数据可以被处理成LSTM模型能够识别的格式，并且保持LSTM模型的输入格式要求。隐藏层有25个神经元，输出层1个神经元，输入变量是一个时间步(t-1)的特征，损失函数采用MeanAbsolute Error(MAE)，优化算法采用Adam。

一种实施方式中，也可以将初始样本数据按照一定比例分为训练数据和测试数据，在不破坏原有时间序列的前提下，进行训练和测试。

设备获取候选顾问的跟进意愿信息，其中，候选顾问的跟进意愿信息标识了候选顾问的跟进意愿。设备可以设置跟进意愿信息的计算规则来计算候选顾问的跟进意愿信息。

一种具体的实施方式中，设备为了更准确的获取到候选顾问的跟进意愿信息，设备可以通过神经网络模型来获取跟进意愿信息，设备获取候选顾问的跟进意愿度特征；所述跟进意愿度特征包括语音意愿度信息、跟进率、微信聊天率和电话拨打率，设备中预先存储预先训练的跟进意愿度预测神经网络模型，将跟进意愿度特征输入跟进意愿度预测神经网络模型进行处理，得到候选顾问的跟进意愿信息。

其中，预先训练的跟进意愿度预测神经网络模型可以由本端设备提前训练的，也可以是由其他设备进行训练后，冻结模型参数后，移植到本端设备中的。

预先训练的跟进意愿度预测神经网络模型具体的训练方法为：设备获取训练集，其中，训练集包括样本顾问的样本跟进意愿度特征及其对应的意愿度标注信息，样本跟进意愿度特征包括样本顾问的样本语音意愿度信息、样本跟进率、样本微信聊天率和样本电话拨打率；根据训练集对第二初始神经网络模型进行训练，得到跟进意愿度预测神经网络模型。

其中，样本跟进率为跟进人数和分配人数的比例、样本微信聊天率为聊天记录的数量和添加人数的比例、样本电话拨打率为电话拨打时间和拨打次数的比例。样本跟进率、样本微信聊天率和样本电话拨打率对应的基础信息的获取方式可以通过上文中提及的样本工作量信息获取。

语音意愿度信息的获取方式为：可以获取样本用户对应的文本数据，将文本数据输入贝叶斯模型进行处理，得到样本用户对应的语音意愿度信息。

其中，具体的贝叶斯模型建模方式可以为：对每份文本数据进行标记，同一天内同一顾客在同一顾问名下下单，即对该文本数据标记为正标，否则为负标。将文本进行中文词语切分，删除重复性或对语义没有帮助的词语，通过神经网络模型进行文本特征抽取，生成稀疏矩阵，用贝叶斯模型对处理好的数据进行建模，获取模型参数，对后续文本数据进行意愿度分类，得到每份语音记录对应的0和1的语音意愿度信息。

具体来说，在训练过程中，可以采用LTSM神经网络模型进行数据训练与参数调整，设备获取样本训练集时，隐藏层有25个神经元，输出层1个神经元，输入变量是一个时间步(t-1)的特征，损失函数采用Mean Absolute Error(MAE)，优化算法采用Adam。

一种实施方式中，也可以将初始样本数据按照一定比例分为训练数据和测试数据，在不破坏原有时间序列的前提下，进行训练和测试。

S106：根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。

设备根据忙碌度信息和跟进意愿信息从候选顾问中筛选出推荐顾问。具体来说，设备中预先存储预设忙碌度阈值和预设跟进意愿阈值，设备获取预设忙碌度阈值和预设跟进意愿阈值。设备根据预设忙碌度阈值、预设跟进意愿阈值、忙碌度信息和跟进意愿信息从候选顾问中筛选出推荐顾问。举例来说，设置预设忙碌度阈值为8分，预设跟进意愿阈值为6分，设备对步候选顾问进行排除操作，先排除忙碌度信息大于8分，跟进意愿信息小于6分的顾问，筛选出推荐顾问。设备可以将最后得到的推荐顾问按顺序进行排列，按顺序向用户展示推荐顾问。

一种实施方式中，为了动态的调节新老顾问推荐的比例，为了防止新人顾问始终无法参与业务这一情况发生，设备当检测到预设顾问数据库中出现新人顾问时，根据忙碌度信息和跟进意愿信息从候选顾问中筛选出第一推荐顾问，具体来说，这里筛选出第一推荐顾问的方式与上文中筛选出推荐顾问的方式一致，此处不再赘述。

然后，设备从新人顾问中筛选出与初始推荐顾问的相似度信息满足预设相似度阈值的第二推荐顾问，即，设备计算每个新人顾问和初始推荐顾问的相似度信息，当相似度信息标识新人顾问和第一推荐顾问相似时，可以将该新人顾问作为第二推荐顾问。

最后，设备根据第一推荐顾问和第二推荐顾问确定推荐顾问。这里，设备在进行推荐时，为了保证服务质量，可以按照比例确定推荐顾问，例如，在推荐集合中，随机进去一定比例的第二推荐顾问，即避免新手顾问始终没法参与业务的场景，也可以增加一定的推荐惊喜度。

一种实施方式中，预设相似度阈值可以分两种场景进行设置，进行后续成交和满意度评价进行跟踪，不断对该阈值调整至合理区间。例如，在销售业务稳定的一段时间内，对同一批顾问，先进行阈值a设定场景下的成单和售后评价统计，然后再进行阈值b设定场景下的成单和售后评价统计，对比两组不同的阈值对应的结果，优化阈值设定值。

本申请实施例中，获取目标用户的用户特征信息及其对应的预设权重值；根据所述用户特征信息及其对应的预设权重值计算所述目标用户的购买意愿度信息，并且将所述购买意愿度信息最高的所述用户特征信息标记为第一特征信息；从预设历史特征信息中获取第二特征信息，并且获取所述第二特征信息对应的历史购买记录的目标顾问；所述第二特征信息对应的历史购买记录的订单状态为已成交，且顾问跟进状态为具有顾问跟进；根据所述第一特征信息和所述第二特征信息从所述目标顾问中筛选出所述目标用户对应的候选顾问；获取所述候选顾问的忙碌度信息，并且获取所述候选顾问的跟进意愿信息；根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。上述方案，用户在进行咨询和购买商品时，可以根据用户的相关信息、顾问近期的工作量以及跟进意愿度为用户推荐最匹配的顾问，通过给每个用户分配合适的顾问，提升用户购买保险商品的体验，让用户更清楚的理解保险商品属性以及理赔范围，让用户购买到合适的商品。同时，用户使用较少次数匹配到合适自己的咨询顾问，减少沟通成本与跟进流通中间环节。

应理解，上述实施例中各步骤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，而不应对本申请实施例的实施过程构成任何限定。

请参见图2，图2是本申请第二实施例提供的顾问推荐的装置的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图2，顾问推荐的装置2包括：

第一获取单元210，用于获取目标用户的用户特征信息及其对应的预设权重值；

第一处理单元220，用于根据所述用户特征信息及其对应的预设权重值计算所述目标用户的购买意愿度信息，并且将所述购买意愿度信息最高的所述用户特征信息标记为第一特征信息；

第二获取单元230，用于从预设历史特征信息中获取第二特征信息，并且获取所述第二特征信息对应的历史购买记录的目标顾问；所述第二特征信息对应的历史购买记录的订单状态为已成交，且顾问跟进状态为具有顾问跟进；

第二处理单元240，用于根据所述第一特征信息和所述第二特征信息从所述目标顾问中筛选出所述目标用户对应的候选顾问；

第三获取单元250，用于获取所述候选顾问的忙碌度信息，并且获取所述候选顾问的跟进意愿信息；

第三处理单元260，用于根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。

进一步地，所述顾问推荐的装置2，还包括：

第四获取单元，用于获取历史用户的历史用户信息和下单结果信息，并对所述历史用户信息进行特征处理得到历史特征信息；

第四处理单元，用于根据所述历史特征信息和所述下单结果信息进行逻辑回归建模，得到所述历史特征信息对应的预设权重值。

进一步地，所述第二处理单元240，具体用于：

计算所述第一特征信息和所述第二特征信息之间的余弦相似度信息，并根据所述余弦相似度信息从所述目标顾问中筛选出所述目标用户对应的候选顾问。

进一步地，所述第三获取单元250，具体用于：

获取所述候选顾问的工作量信息；所述工作量信息包括拨打电话次数、通话时间、微信客户数量、微信聊天记录条数和当前跟进客户数量；

将所述工作量信息输入预先训练的忙碌度信息预测神经网络模型进行处理，得到所述候选顾问的忙碌度信息。

进一步地，所述第三获取单元250，具体用于：

获取样本训练集；所述样本训练集包括样本顾问的样本工作量信息及其对应的忙碌度标注信息；所述样本工作量信息包括所述样本顾问的样本拨打电话次数、样本通话时间、样本微信客户数量、样本微信聊天记录条数和样本当前跟进客户数量；

根据所述样本训练集对第一初始神经网络模型进行训练，得到忙碌度信息预测神经网络模型。

进一步地，所述第三获取单元250，具体用于：

获取所述候选顾问的跟进意愿度特征；所述跟进意愿度特征包括语音意愿度信息、跟进率、微信聊天率和电话拨打率；

将所述跟进意愿度特征输入跟进意愿度预测神经网络模型进行处理，得到所述候选顾问的跟进意愿信息。

进一步地，所述第三处理单元260，具体用于：

获取预设忙碌度阈值和预设跟进意愿阈值；

根据所述预设忙碌度阈值、所述预设跟进意愿阈值、所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。

进一步地，所述第三处理单元260，具体用于：

当检测到预设顾问数据库中出现新人顾问时，根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出第一推荐顾问；

从所述新人顾问中筛选出与所述初始推荐顾问的相似度信息满足预设相似度阈值的第二推荐顾问；

根据所述第一推荐顾问和所述第二推荐顾问确定推荐顾问。

图3是本申请第三实施例提供的顾问推荐的设备的示意图。如图3所示，该实施例的顾问推荐的设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，例如顾问推荐的程序。所述处理器30执行所述计算机程序32时实现上述各个顾问推荐的方法实施例中的步骤，例如图1所示的步骤101至106。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块210至260的功能。

示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述顾问推荐的设备3中的执行过程。例如，所述计算机程序32可以被分割成第一获取单元、第一处理单元、第二获取单元，第二处理单元、第三获取单元、第三处理单元，各单元具体功能如下：

第一获取单元，用于获取目标用户的用户特征信息及其对应的预设权重值；

第一处理单元，用于根据所述用户特征信息及其对应的预设权重值计算所述目标用户的购买意愿度信息，并且将所述购买意愿度信息最高的所述用户特征信息标记为第一特征信息；

第二获取单元，用于从预设历史特征信息中获取第二特征信息，并且获取所述第二特征信息对应的历史购买记录的目标顾问；所述第二特征信息对应的历史购买记录的订单状态为已成交，且顾问跟进状态为具有顾问跟进；

第二处理单元，用于根据所述第一特征信息和所述第二特征信息从所述目标顾问中筛选出所述目标用户对应的候选顾问；

第三获取单元，用于获取所述候选顾问的忙碌度信息，并且获取所述候选顾问的跟进意愿信息；

第三处理单元，用于根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。

所述顾问推荐的设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是顾问推荐的设备3的示例，并不构成对顾问推荐的设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述顾问推荐的设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器31可以是所述顾问推荐的设备3的内部存储单元，例如顾问推荐的设备3的硬盘或内存。所述存储器31也可以是所述顾问推荐的设备3的外部存储设备，例如所述顾问推荐的设备3上配备的插接式硬盘，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，所述顾问推荐的设备3还可以既包括所述顾问推荐的设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述顾问推荐的设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序商品，当计算机程序商品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的商品销售或使用时，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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种顾问推荐的方法，其特征在于，包括：

获取目标用户的用户特征信息及其对应的预设权重值；

根据所述用户特征信息及其对应的预设权重值计算所述目标用户的购买意愿度信息，并且将所述购买意愿度信息最高的所述用户特征信息标记为第一特征信息；

从预设历史特征信息中获取第二特征信息，并且获取所述第二特征信息对应的历史购买记录的目标顾问；所述第二特征信息对应的历史购买记录的订单状态为已成交，且顾问跟进状态为具有顾问跟进；

根据所述第一特征信息和所述第二特征信息从所述目标顾问中筛选出所述目标用户对应的候选顾问；

获取所述候选顾问的忙碌度信息，并且获取所述候选顾问的跟进意愿信息；

根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。

2.如权利要求1所述的顾问推荐的方法，其特征在于，在所述获取目标用户的用户特征信息及其对应的预设权重值之前，还包括：

获取历史用户的历史用户信息和下单结果信息，并对所述历史用户信息进行特征处理得到历史特征信息；

根据所述历史特征信息和所述下单结果信息进行逻辑回归建模，得到所述历史特征信息对应的预设权重值。

3.如权利要求1所述的顾问推荐的方法，其特征在于，所述根据所述第一特征信息和所述第二特征信息从所述目标顾问中筛选出所述目标用户对应的候选顾问，包括：

计算所述第一特征信息和所述第二特征信息之间的余弦相似度信息，并根据所述余弦相似度信息从所述目标顾问中筛选出所述目标用户对应的候选顾问。

4.如权利要求1所述的顾问推荐的方法，其特征在于，所述获取所述候选顾问的忙碌度信息，包括：

获取所述候选顾问的工作量信息；所述工作量信息包括拨打电话次数、通话时间、微信客户数量、微信聊天记录条数和当前跟进客户数量；

将所述工作量信息输入预先训练的忙碌度信息预测神经网络模型进行处理，得到所述候选顾问的忙碌度信息。

5.如权利要求4所述的顾问推荐的方法，其特征在于，在所述将所述工作量信息输入预先训练的忙碌度信息预测神经网络模型进行处理，得到所述候选顾问的忙碌度信息之前，还包括：

获取样本训练集；所述样本训练集包括样本顾问的样本工作量信息及其对应的忙碌度标注信息；所述样本工作量信息包括所述样本顾问的样本拨打电话次数、样本通话时间、样本微信客户数量、样本微信聊天记录条数和样本当前跟进客户数量；

根据所述样本训练集对第一初始神经网络模型进行训练，得到忙碌度信息预测神经网络模型。

6.如权利要求1所述的顾问推荐的方法，其特征在于，所述获取所述候选顾问的跟进意愿信息，包括：

获取所述候选顾问的跟进意愿度特征；所述跟进意愿度特征包括语音意愿度信息、跟进率、微信聊天率和电话拨打率；

将所述跟进意愿度特征输入跟进意愿度预测神经网络模型进行处理，得到所述候选顾问的跟进意愿信息。

7.如权利要求1所述的顾问推荐的方法，其特征在于，所述根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问，包括：

获取预设忙碌度阈值和预设跟进意愿阈值；

根据所述预设忙碌度阈值、所述预设跟进意愿阈值、所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。

8.如权利要求1所述的顾问推荐的方法，其特征在于，所述根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问，包括：

当检测到预设顾问数据库中出现新人顾问时，根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出第一推荐顾问；

从所述新人顾问中筛选出与所述初始推荐顾问的相似度信息满足预设相似度阈值的第二推荐顾问；

根据所述第一推荐顾问和所述第二推荐顾问确定推荐顾问。

9.一种顾问推荐的装置，其特征在于，包括：

第一获取单元，用于获取目标用户的用户特征信息及其对应的预设权重值；

第一处理单元，用于根据所述用户特征信息及其对应的预设权重值计算所述目标用户的购买意愿度信息，并且将所述购买意愿度信息最高的所述用户特征信息标记为第一特征信息；

第二获取单元，用于从预设历史特征信息中获取第二特征信息，并且获取所述第二特征信息对应的历史购买记录的目标顾问；所述第二特征信息对应的历史购买记录的订单状态为已成交，且顾问跟进状态为具有顾问跟进；

第二处理单元，用于根据所述第一特征信息和所述第二特征信息从所述目标顾问中筛选出所述目标用户对应的候选顾问；

第三获取单元，用于获取所述候选顾问的忙碌度信息，并且获取所述候选顾问的跟进意愿信息；

第三处理单元，用于根据所述忙碌度信息和所述跟进意愿信息从所述候选顾问中筛选出推荐顾问。

10.一种计算机可读存储介质，所述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8任一项所述的方法。

Images