CN115730259A - 面向分类模型的用户电联服务方法及其相关设备 - Google Patents

Abstract

本申请实施例属于人工智能及金融科技领域，应用于保险业务电销服务领域中，涉及一种面向分类模型的用户电联服务方法及其相关设备，包括对特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型；获取目标用户的特征字段所对应的特征属性信息；将特征属性信息输入托管模型，对目标用户进行服务分类，获取分类结果；根据分类结果选择对应的服务处理模型和身份类特征字段对应的特征属性信息编辑服务提示内容，发送给目标用户，完成本次对目标用户的电联服务，本申请利用托管模型进行客户服务分类识别，打破原先的单一服销模式，智能化多个环节、多个方案接触客户，智能匹配最佳的客户服务方案，减少了运营人员的工作量。

Description

面向分类模型的用户电联服务方法及其相关设备

技术领域

本申请涉及人工智能及金融科技技术领域，尤其涉及一种面向分类模型的用户电联服务方法及其相关设备。

背景技术

传统的服务都是公司主动触达客户，接触目的较为单一；以保险服务为例，销售一般是在保险到期前一段时间保险公司主动触达客户进行销售，服务也是在服务器、或者售后进行服务；其他时间段一般未与客户建立长久的联系，不能与客户保持较好的服务关系，当客户如果主动联系公司，或者公司对客户进行销售服务时很难获得较好的体验；另外针对不同的时间段、不同类型的客户，应该进行什么样销售服务一般都是运营人员自行判断识别，这种方式较为粗糙单一。

发明内容

本申请实施例的目的在于提出一种面向分类模型的用户电联服务方法及其相关设备，以便于打破原先的单一服销模式，智能化多个环节、多个方案接触客户，智能匹配最佳的客户服务方案，减少了运营人员的工作量。

为了解决上述技术问题，本申请实施例提供一种面向分类模型的用户电联服务方法，采用了如下所述的技术方案：

一种面向分类模型的用户电联服务方法，包括下述步骤：

根据预设特征字段采集表中每一个目标特征字段，从指定大数据平台采集若干用户所对应的特征属性信息；

根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型；

获取目标用户的特征字段所对应的特征属性信息，其中，所述目标用户的特征字段包括业务类特征字段和身份类特征字段；

将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果；

根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容；

根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务。

进一步的，在所述根据所述特征属性信息、决策树算法和预设决策规则对所述特征属性信息进行分类训练，训练出对不同用户进行服务分类的托管模型的步骤之前，所述方法还包括：

对所述特征字段进行预筛选处理，剔除所述特征属性信息为空值的特征字段，保留所述特征属性信息不为空值的特征字段，作为筛选后的业务特征字段。

进一步的，所述根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型的步骤，具体包括：

对预构建的托管模型进行初始化，并在初始化后的托管模型中根据服务类别为不同业务特征字段设置服务分类权重，其中，所述服务类别包括业务咨询服务、业务签单服务、生日互动服务、节假日关怀服务、理赔服务和售后服务；

将所述若干用户对应的筛选后的业务特征字段输入所述托管模型，根据每个用户的业务特征字段对应的服务分类权重和所述托管模型内置的决策规则，计算每个用户对应服务类别，完成所述托管模型的初训练；

获取若干验证用户对应的业务特征字段输入初训练后的托管模型进行服务类别验证，若验证通过的用户概率达到预设阈值，则所述托管模型训练完成。

进一步的，所述根据每个用户的业务特征字段对应的服务分类权重和所述托管模型内置的决策规则，计算每个用户对应服务类别，完成所述托管模型的初训练的步骤，具体包括：

步骤A：对当前用户的业务特征字段对应的同种服务类别的服务分类权重进行累加，获取不同服务类别分别对应的服务分类权重和值；

步骤B：对不同服务类别分别对应的服务分类权重和值进行比较，选择服务分类权重和值为最大值时所属的服务类别，即当前用户对应服务类别；

步骤C：重复步骤A和步骤B，获取每个用户对应服务类别，完成所述托管模型的初训练。

进一步的，所述将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果的步骤，具体包括：

根据所述特征属性信息，识别所述目标用户对应的不同业务类特征字段；

基于所述不同业务类特征字段、所述不同业务类特征字段对应的服务分类权重和所述训练完成的托管模型，计算所述业务类特征字段对应的服务类别；

将所述服务类别作为所述目标用户进行服务分类的分类结果。

进一步的，所述根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容的步骤，具体包括：

预先为不同服务类别设置不同服务处理模型，其中，所述不同服务处理模型与所述不同服务类别间为一一对应关系；

获取所述身份类特征字段对应的特征属性信息，将所述特征属性信息输入所述目标用户对应的服务处理模型；

获取所述服务处理模型的输出内容作为服务提示内容，其中，所述服务处理模型中内置了根据所述身份类特征字段对应的特征属性信息进行服务提示内容编辑的程序。

进一步的，所述根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务的步骤，具体包括：

获得所述服务提示内容，并按照预设提示方式将所述服务提示内容发送给目标用户，其中，所述提示方式包括智能机器人电话、智能短信。

为了解决上述技术问题，本申请实施例还提供一种面向分类模型的用户电联服务装置，采用了如下所述的技术方案：

一种面向分类模型的用户电联服务装置，包括：

训练用户特征采集模块，用于根据预设特征字段采集表中每一个目标特征字段，从指定大数据平台采集若干用户所对应的特征属性信息；

模型训练模块，用于根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型；

目标用户特征获取模块，用于获取目标用户的特征字段所对应的特征属性信息，其中，所述目标用户的特征字段包括业务类特征字段和身份类特征字段；

模型分类模块，用于将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果；

提示内容编辑模块，用于根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容；

电联发送模块，用于根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述所述的面向分类模型的用户电联服务方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的面向分类模型的用户电联服务方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例所述面向分类模型的用户电联服务方法，根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型；获取目标用户的特征字段所对应的特征属性信息；将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果；根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容；根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务，本申请利用托管模型进行客户服务分类识别，打破原先的单一服销模式，智能化多个环节、多个方案接触客户，智能匹配最佳的客户服务方案，减少了运营人员的工作量。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图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是本申请可以应用于其中的示例性系统架构图；

图2根据本申请的面向分类模型的用户电联服务方法的一个实施例的流程图；

图3是图2所示步骤202的一种具体实施方式的流程图；

图4是图3所示步骤302的一种具体实施方式的流程图；

图5是图2所示步骤204的一种具体实施方式的流程图；

图6是图2所示步骤205的一种具体实施方式的流程图；

图7根据本申请的面向分类模型的用户电联服务装置的一个实施例的结构示意图；

图8根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

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申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Mov i ng P i ctureExpertsGroup Aud i o Layer I I I，动态影像专家压缩标准音频层面3)、MP4(Mov i ngP i ctureExperts Group Aud i o Layer I V，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的面向分类模型的用户电联服务方法一般由服务器/终端设备执行，相应地，面向分类模型的用户电联服务装置一般设置于服务器/终端设备中。

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。

继续参考图2，示出了根据本申请的面向分类模型的用户电联服务方法的一个实施例的流程图。所述的面向分类模型的用户电联服务方法，包括以下步骤：

步骤201，根据预设特征字段采集表中每一个目标特征字段，从指定大数据平台采集若干用户所对应的特征属性信息，其中，所述目标特征字段包括业务类特征字段。

本实施例中，所述电联服务指使用电子设备向客户发送业务相关服务推送，包括但不限于机器人语音致电、向客户发送电销邮件、向客户发送电销短信等方式。

本实施例中，所述指定大数据平台为预先指定采集地址的保险业务信息共享平台，所述特征字段采集表中包括所有待采集特征字段的名称信息，所述特征字段与所述对应的特征属性信息为一对一对应关系，可理解为特征字段为特征名称，特征属性信息为特征属性值。

例如，特征字段为客户生日，对应的特征属性信息为2000年1月1日。

本实施例中，所述业务类特征字段包括：客户生日、客户性别、保险到期日、询价时间、签单时间、签单保费、是否赠险、赔付次数、最新报案时间、是否产险客户、是否健康险客户、是否寿险客户、是否信用卡客户、是否证券客户、最新礼品种类、最新礼品时间、折扣系数。

本实施例中，在执行所述根据预设特征字段采集表中每一个目标特征字段，从指定大数据平台采集若干用户所对应的特征属性信息的步骤时，采集的所述特征属性信息可为空值。

通过预设特征字段采集表中每一个目标特征字段，采集若干用户所对应的特征属性信息，其目的是为了给模型训练提供充足的数据支持，另一方面从保险业务信息共享平台进行训练数据采集，也保证了数据的真实性，无需开发人员自行创建模拟数据。

步骤202，根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型。

本实施例中，在所述根据所述特征属性信息、决策树算法和预设决策规则对所述特征属性信息进行分类训练，训练出对不同用户进行服务分类的托管模型的步骤之前，所述方法还包括：对所述特征字段进行预筛选处理，剔除所述特征属性信息为空值的特征字段，保留所述特征属性信息不为空值的特征字段，作为筛选后的业务特征字段。

通过在模型训练之前，对特征字段进行预筛选处理，剔除特征属性信息为空值的特征字段，一方面相对减少了待训练数据量，另一方面也优化了训练数据。

继续参考图3，图3是图2所示步骤202的一种具体实施方式的流程图，包括：

步骤301，对预构建的托管模型进行初始化，并在初始化后的托管模型中根据服务类别为不同业务特征字段设置服务分类权重。

其中，所述服务类别包括业务咨询服务、业务签单服务、生日互动服务、节假日关怀服务、理赔服务和售后服务。

通过根据服务类别为不同业务特征字段设置服务分类权重，保证了不同业务特征字段在对应不同服务类别时都具有对应的权重值，便于结合用户所对应的业务特征字段，预测用于对应的服务分类。

步骤302，将所述若干用户对应的筛选后的业务特征字段输入所述托管模型，根据每个用户的业务特征字段对应的服务分类权重和所述托管模型内置的决策规则，计算每个用户对应服务类别，完成所述托管模型的初训练。

本实施例中，同一个业务特征字段在不同服务类别所对应权重的和值为1，即假设业务特征字段为保险到期日，服务类别包括业务咨询服务、业务签单服务、生日互动服务、节假日关怀服务、理赔服务和售后服务，可设置保险到期日在业务咨询服务、业务签单服务、生日互动服务、节假日关怀服务、理赔服务和售后服务对应的权重分别为0.08、0.3、0.01、0.01、0.5和0.1，业务特征字段保险到期日在这六类服务对应的权重的和值为1。

利用权重及运算的方式，获得每个用户对应服务类别，完成托管模型的初训练，仅需采用简单决策分类的模式，即可完成模型预训练，方便模型构建，打破原先的单一服销模式，智能化多个环节、多个方案接触客户，智能匹配最佳的客户服务方案，减少了运营人员的工作量。

继续参考图4，图4是图3所示步骤302的一种具体实施方式的流程图，包括：

步骤401，对当前用户的业务特征字段对应的同种服务类别的服务分类权重进行累加，获取不同服务类别分别对应的服务分类权重和值；

步骤402，对不同服务类别分别对应的服务分类权重和值进行比较，选择服务分类权重和值为最大值时所属的服务类别，即当前用户对应服务类别；

步骤403，重复步骤401和步骤402，获取每个用户对应服务类别，完成所述托管模型的初训练。

步骤303，获取若干验证用户对应的业务特征字段输入初训练后的托管模型进行服务类别验证，若验证通过的用户概率达到预设阈值，则所述托管模型训练完成。

通过验证，进一步保证了托管模型的可用性。

本实施例中，若验证通过的用户概率未达到预设阈值，则调整不同业务特征字段在不同服务类别所对应的权重，再使用新的权重对所述托管模型进行优化训练和验证，直到验证通过的用户概率达到预设阈值，则所述托管模型训练完成。

步骤203，获取目标用户的特征字段所对应的特征属性信息，其中，所述目标用户的特征字段包括业务类特征字段和身份类特征字段。

本实施例中，所述身份类特征字段包括：客户姓名、联系方式、联系地址、所在省份、所在城市、车牌号码、车辆使用性质、车型名称、车系、车辆种类、置换新车标识、置换老车标识。

本实施例中，所述业务类特征字段和所述身份类特征字段在所述目标大数据平台都对应有唯一的区别标识。

通过获取目标用户的身份类特征字段，保证在服务分类预测之后，根据目标用户的身份类特征字段和服务分类向目标用户自动化的提供相关服务。

步骤204，将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果。

继续参考图5，图5是图2所示步骤204的一种具体实施方式的流程图，包括：

步骤501，根据所述特征属性信息，识别所述目标用户对应的不同业务类特征字段；

步骤502，基于所述不同业务类特征字段、所述不同业务类特征字段对应的服务分类权重和所述训练完成的托管模型，计算所述业务类特征字段对应的服务类别；

步骤503，将所述服务类别作为所述目标用户进行服务分类的分类结果。

步骤205，根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容。

通过结合服务处理模型使得服务提供方，准确结合服务分类选择适合的服务处理模型进行服务处理，通过目标用户的身份类特征字段，便于服务提供方向目标用户发送服务处理信息。

继续参考图6，图6是图2所示步骤205的一种具体实施方式的流程图，包括：

步骤601，预先为不同服务类别设置不同服务处理模型，其中，所述不同服务处理模型与所述不同服务类别间为一一对应关系；

步骤602，获取所述身份类特征字段对应的特征属性信息，将所述特征属性信息输入所述目标用户对应的服务处理模型；

步骤603，获取所述服务处理模型的输出内容作为服务提示内容，其中，所述服务处理模型中内置了根据所述身份类特征字段对应的特征属性信息进行服务提示内容编辑的程序。

步骤206，根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务。

本实施例中，所述根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务的步骤，具体包括：获得所述服务提示内容，并按照预设提示方式将所述服务提示内容发送给目标用户，其中，所述提示方式包括智能机器人电话、智能短信。

通过设置预设提示方式和对客户进行服务智能分类，匹配当下客户的最佳服务分类模型，智能进行客户电销服务。

本申请根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型；获取目标用户的特征字段所对应的特征属性信息；将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果；根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容；根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务，本申请利用托管模型进行客户服务分类识别，打破原先的单一服销模式，智能化多个环节、多个方案接触客户，智能匹配最佳的客户服务方案，减少了运营人员的工作量。

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(Art i f i c i a l I nte l l i gence，A I)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。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例中，可利用托管模型进行客户服务分类识别，打破原先的单一服销模式，智能化多个环节、多个方案接触客户，智能匹配最佳的客户服务方案，减少了运营人员的工作量。

进一步参考图7，作为对上述图2所示方法的实现，本申请提供了一种面向分类模型的用户电联服务装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例所述的面向分类模型的用户电联服务装置700包括：训练用户特征采集模块701、模型训练模块702、目标用户特征获取模块703、模型分类模块704、提示内容编辑模块705和电联发送模块706。其中：

训练用户特征采集模块701，用于根据预设特征字段采集表中每一个目标特征字段，从指定大数据平台采集若干用户所对应的特征属性信息，其中，所述目标特征字段包括业务类特征字段；

模型训练模块702，用于根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型；

目标用户特征获取模块703，用于获取目标用户的特征字段所对应的特征属性信息，其中，所述目标用户的特征字段包括业务类特征字段和身份类特征字段；

模型分类模块704，用于将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果；

提示内容编辑模块705，用于根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容；

电联发送模块706，用于根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务。

本申请根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型；获取目标用户的特征字段所对应的特征属性信息；将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果；根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容；根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务，本申请利用托管模型进行客户服务分类识别，打破原先的单一服销模式，智能化多个环节、多个方案接触客户，智能匹配最佳的客户服务方案，减少了运营人员的工作量。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-On l y Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。

所述计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是，图中仅示出了具有组件81-83的计算机设备8，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(App l i cat i onSpec i f i c I ntegrated C i rcu i t，AS I C)、可编程门阵列(F i e l d－Programmab l e Gate Ar ray，FPGA)、数字处理器(D i g i ta l S i gna l Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器81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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器81可以是所述计算机设备8的内部存储单元，例如该计算机设备8的硬盘或内存。在另一些实施例中，所述存储器81也可以是所述计算机设备8的外部存储设备，例如该计算机设备8上配备的插接式硬盘，智能存储卡(Smart Med i a Card,SMC)，安全数字(Secure D i g i ta l,SD)卡，闪存卡(F l ash Card)等。当然，所述存储器81还可以既包括所述计算机设备8的内部存储单元也包括其外部存储设备。本实施例中，所述存储器81通常用于存储安装于所述计算机设备8的操作系统和各类应用软件，例如面向分类模型的用户电联服务方法的计算机可读指令等。此外，所述存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器82在一些实施例中可以是中央处理器(Centra l Process i ng Un it，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制所述计算机设备8的总体操作。本实施例中，所述处理器82用于运行所述存储器81中存储的计算机可读指令或者处理数据，例如运行所述面向分类模型的用户电联服务方法的计算机可读指令。

所述网络接口83可包括无线网络接口或有线网络接口，该网络接口83通常用于在所述计算机设备8与其他电子设备之间建立通信连接。

本实施例提出的计算机设备，属于人工智能技术领域。本申请根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型；获取目标用户的特征字段所对应的特征属性信息；将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果；根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容；根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务，本申请利用托管模型进行客户服务分类识别，打破原先的单一服销模式，智能化多个环节、多个方案接触客户，智能匹配最佳的客户服务方案，减少了运营人员的工作量。

本申请还提供了另一种实施方式，即提供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可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的面向分类模型的用户电联服务方法的步骤。

本实施例提出的计算机可读存储介质，属于人工智能技术领域。本申请根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型；获取目标用户的特征字段所对应的特征属性信息；将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果；根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容；根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务，本申请利用托管模型进行客户服务分类识别，打破原先的单一服销模式，智能化多个环节、多个方案接触客户，智能匹配最佳的客户服务方案，减少了运营人员的工作量。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种面向分类模型的用户电联服务方法，其特征在于，包括下述步骤：

根据预设特征字段采集表中每一个目标特征字段，从指定大数据平台采集若干用户所对应的特征属性信息；

根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型；

获取目标用户的特征字段所对应的特征属性信息，其中，所述目标用户的特征字段包括业务类特征字段和身份类特征字段；

将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果；

根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容；

根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务。

2.根据权利要求1所述的面向分类模型的用户电联服务方法，其特征在于，在所述根据所述特征属性信息、决策树算法和预设决策规则对所述特征属性信息进行分类训练，训练出对不同用户进行服务分类的托管模型的步骤之前，所述方法还包括：

对所述特征字段进行预筛选处理，剔除所述特征属性信息为空值的特征字段，保留所述特征属性信息不为空值的特征字段，作为筛选后的业务特征字段。

3.根据权利要求1所述的面向分类模型的用户电联服务方法，其特征在于，所述根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型的步骤，具体包括：

对预构建的托管模型进行初始化，并在初始化后的托管模型中根据服务类别为不同业务特征字段设置服务分类权重，其中，所述服务类别包括业务咨询服务、业务签单服务、生日互动服务、节假日关怀服务、理赔服务和售后服务；

将所述若干用户对应的筛选后的业务特征字段输入所述托管模型，根据每个用户的业务特征字段对应的服务分类权重和所述托管模型内置的决策规则，计算每个用户对应服务类别，完成所述托管模型的初训练；

获取若干验证用户对应的业务特征字段输入初训练后的托管模型进行服务类别验证，若验证通过的用户概率达到预设阈值，则所述托管模型训练完成。

4.根据权利要求3所述的面向分类模型的用户电联服务方法，其特征在于，所述根据每个用户的业务特征字段对应的服务分类权重和所述托管模型内置的决策规则，计算每个用户对应服务类别，完成所述托管模型的初训练的步骤，具体包括：

步骤A：对当前用户的业务特征字段对应的同种服务类别的服务分类权重进行累加，获取不同服务类别分别对应的服务分类权重和值；

步骤B：对不同服务类别分别对应的服务分类权重和值进行比较，选择服务分类权重和值为最大值时所属的服务类别，作为当前用户对应服务类别；

步骤C：重复步骤A和步骤B，获取每个用户对应服务类别，完成所述托管模型的初训练。

5.根据权利要求1所述的面向分类模型的用户电联服务方法，其特征在于，所述将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果的步骤，具体包括：

根据所述特征属性信息，识别所述目标用户对应的不同业务类特征字段；

基于所述不同业务类特征字段、所述不同业务类特征字段对应的服务分类权重和所述训练完成的托管模型，计算所述业务类特征字段对应的服务类别；

将所述服务类别作为所述目标用户进行服务分类的分类结果。

6.根据权利要求1所述的面向分类模型的用户电联服务方法，其特征在于，所述根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容的步骤，具体包括：

预先为不同服务类别设置不同服务处理模型，其中，所述不同服务处理模型与所述不同服务类别间为一一对应关系；

获取所述身份类特征字段对应的特征属性信息，将所述特征属性信息输入所述目标用户对应的服务处理模型；

获取所述服务处理模型的输出内容作为服务提示内容，其中，所述服务处理模型中内置了根据所述身份类特征字段对应的特征属性信息进行服务提示内容编辑的程序。

7.根据权利要求1所述的面向分类模型的用户电联服务方法，其特征在于，所述根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务的步骤，具体包括：

获得所述服务提示内容，并按照预设提示方式将所述服务提示内容发送给目标用户，其中，所述提示方式包括智能机器人电话、智能短信。

8.一种面向分类模型的用户电联服务装置，其特征在于，包括：

训练用户特征采集模块，用于根据预设特征字段采集表中每一个目标特征字段，从指定大数据平台采集若干用户所对应的特征属性信息；

模型训练模块，用于根据所述特征属性信息、决策树算法和预设决策规则对所述特征字段进行分类训练，训练出对不同用户进行服务分类的托管模型；

目标用户特征获取模块，用于获取目标用户的特征字段所对应的特征属性信息，其中，所述目标用户的特征字段包括业务类特征字段和身份类特征字段；

模型分类模块，用于将所述业务类特征字段对应的特征属性信息输入所述托管模型，对所述目标用户进行服务分类，获取分类结果；

提示内容编辑模块，用于根据所述分类结果选择对应的服务处理模型，并根据所述服务处理模型和所述身份类特征字段对应的特征属性信息编辑服务提示内容；

电联发送模块，用于根据预设提示方式，将所述服务提示内容发送给所述目标用户，完成本次对目标用户的电联服务。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的面向分类模型的用户电联服务方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的面向分类模型的用户电联服务方法的步骤。

Images