CN116664148A - 一种售后消缺管理方法、装置及电子设备 - Google Patents
一种售后消缺管理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116664148A CN116664148A CN202310958618.8A CN202310958618A CN116664148A CN 116664148 A CN116664148 A CN 116664148A CN 202310958618 A CN202310958618 A CN 202310958618A CN 116664148 A CN116664148 A CN 116664148A
- Authority
- CN
- China
- Prior art keywords
- problem description
- customer problem
- model
- classification
- customer
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 118
- 230000008030 elimination Effects 0.000 title claims abstract description 37
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 37
- 238000007726 management method Methods 0.000 title claims abstract description 31
- 239000000463 material Substances 0.000 claims abstract description 72
- 238000012423 maintenance Methods 0.000 claims abstract description 67
- 238000013145 classification model Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003672 processing method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000007812 deficiency Effects 0.000 claims description 7
- 230000008439 repair process Effects 0.000 claims description 5
- 208000028867 ischemia Diseases 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 239000013589 supplement Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 101150011764 embC gene Proteins 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Probability & Statistics with Applications (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开属于售后管理技术领域,具体涉及一种售后消缺管理方法、装置及电子设备。所述方法包括:获取客户问题描述,将所述客户问题描述输入消缺类型分类模型得到消缺类型分类;将所述客户问题描述输入设备分类模型得到所述客户问题描述对应的设备分类;如果所述消缺类型分类是重新补供,则基于所述客户问题描述确定补供物料单并安排发货,如果所述消缺类型分类是现场维修并且当所述客户问题描述对应的故障属于预设故障集合时,生成维修工单并安排人员维修,当所述故障不属于所述预设故障集合时,则基于所述客户问题描述和与所述客户问题描述对应的设备分类的历史客户问题描述的相似度向客户输出自助维修指导。
Description
技术领域
本公开属于售后管理技术领域,具体涉及一种售后消缺管理方法、装置及电子设备。
背景技术
售后消缺,指使客户异常设备恢复正常运行的措施,一般包括对故障设备的重新补供和/或相应的维修措施。对出现元器件缺失或者损坏的售后消缺问题,传统上需要专家到现场勘察明确问题,然后再多方沟通确认后才能进行相关的物料补供或者维修操作。这样一方面大大增加了售后服务成本,同时也拉长了服务周期,客户满意度不高。
随着全流程数字化的发展,售后服务也向着数字化、智能化转变并取得了一些进展。但更多的是沟通效率的提升,仍然无法避免通过现场勘测确定需补供的物料和/或需执行的维修操作,因此对售后消缺效率提升有限。
发明内容
本公开实施例提出了一种售后消缺方案,以解决现有售后消缺方案需要现场勘测确定补供物料和维修操作,因此效率不高的问题。
本公开实施例的第一方面提供了一种售后消缺管理方法,包括:
获取客户问题描述,将所述客户问题描述输入消缺类型分类模型得到消缺类型分类,其中,所述消缺类型分类模型为对串联的bert模型和朴素贝叶斯模型用历史客户问题描述作为样本训练得到;
将所述客户问题描述输入设备分类模型得到所述客户问题描述对应的设备分类,其中,所述设备分类模型为对bert模型用历史客户问题描述作为样本训练得到;
如果所述消缺类型分类是重新补供,则基于所述客户问题描述确定补供物料单并安排发货,如果所述消缺类型分类是现场维修并且当所述客户问题描述对应的故障属于预设故障集合时,生成维修工单并安排人员维修,当所述故障不属于所述预设故障集合时,则基于所述客户问题描述和与所述客户问题描述对应的设备分类的历史客户问题描述的相似度向客户输出自助维修指导。
在本公开的一些实施例中,对串联的bert模型和朴素贝叶斯模型用历史客户问题描述作为样本训练得到所述消缺类型分类模型包括:
对历史客户问题描述进行消缺类型分类标注;
以所述历史客户问题描述作为样本,以所述历史客户问题描述对应的消缺类型分类作为标签,对串联的bert模型和朴素贝叶斯模型进行训练,得到所述消缺类型分类模型,其中所述bert模型以所述历史客户问题描述为输入,以输出层最后一层的第一个神经元代表的向量作为所述朴素贝叶斯模型的输入,所述朴素贝叶斯模型输出的分类概率值中概率值大的分类为对所述消缺类型分类的预测结果。
在本公开的一些实施例中,对bert模型用历史客户问题描述作为样本训练得到所述设备分类模型包括:
利用信息抽取模型对所述历史客户问题描述进行命名实体抽取,计算抽取结果与设备分类标签的相似度,将相似度最高的设备分类标签作为所述历史客户问题描述对应的初始设备分类标签;
以所述历史客户问题描述作为样本,以所述历史客户问题描述对应的初始设备分类标签作为标签,对所述bert模型进行训练,得到所述设备分类模型。
在本公开的一些实施例中,所述信息抽取模型的训练方法包括:
用bom清单中的所有物料名称形成词汇语料库;
对所述历史客户问题描述进行全模式切词,如果切词得到的词汇或词汇组合在所述词汇语料库中,则将所述词汇或所述词汇组合直接拼接在由切词得到的字组成的序列后形成拼接字符串,对所述拼接字符串进行标注形成标注数据集;
以所述历史客户问题描述作为样本,以所述历史客户问题描述对应的标注数据集作为标签,对bert-lstm-crf模型进行训练,得到所述信息抽取模型。
在本公开的一些实施例中,所述售后消缺管理方法还包括:
当新增客户问题描述数量超过预设阈值时,基于所述新增客户问题描述更新所述词汇语料库,并基于所述新增客户问题描述重新训练所述信息抽取模型、所述设备分类模型和所述消缺类型分类模型。
在本公开的一些实施例中,所述基于所述客户问题描述确定补供物料单并安排发货包括:
如果所述客户问题描述包括需补供的物料图片,则从所述物料图片中识别物料名称,如果所述客户问题描述不包括需补供的物料图片,则利用信息抽取模型从所述客户问题描述抽取命名实体名称,并基于编辑距离关联所述命名实体名称和所述物料名称;
从与所述物料名称相关的候选物料信息中确定与所述客户问题描述对应的物料信息并基于所述物料信息自动关联物料清单,其中,所述物料信息包括设备类型以及物料相关信息,所述物料相关信息包括项目名称、位置信息、合同号、物料名称中的一种或多种;
获取客户从所述物料清单中确定的物料型号以及与所述物料型号对应的物料需求数量,基于所述物料型号和所述物料需求数量生成补供物料单,并基于仓库库存情况对所述补供物料单上的物料进行采购或发货。
在本公开的一些实施例中,所述基于所述客户问题描述和与所述客户问题描述对应的设备分类的历史客户问题描述的相似度向客户输出自助维修指导包括:
获取与所述客户问题描述对应的设备分类及所述设备分类下的历史客户问题描述,计算所述客户问题描述和每个所述历史客户问题描述的综合相似度;
当所述综合相似度大于预设阈值时,将所述历史客户问题描述对应的处理方法作为向客户输出的自助维修指导;
当所述综合相似度不大于预设阈值时,基于所述设备分类的故障维修手册生成自助维修指导,其中,所述故障维修手册按照设备分类、故障码、故障描述、故障原因和处理方法的层级关系建立。
在本公开的一些实施例中,所述计算所述客户问题描述和每个所述历史客户问题描述的综合相似度包括:
计算所述客户问题描述和所述设备分类下的每个历史客户问题描述的命名实体词向量集合的命名实体相似度;
计算所述客户问题描述和所述设备分类下的每个历史客户问题描述的句子编码向量的句子相似度;
获取与所述命名实体相似度和所述句子相似度对应的预设权重,计算所述命名实体相似度和所述句子相似度的加权和得到综合相似度。
本公开实施例的第二方面提供了一种售后消缺管理装置,其特征在于,包括:
消缺类型分类模块,用于获取客户问题描述,将所述客户问题描述输入消缺类型分类模型得到消缺类型分类,其中,所述消缺类型分类模型为对串联的bert模型和朴素贝叶斯模型用历史客户问题描述作为样本训练得到;
设备分类模块,用于将所述客户问题描述输入设备分类模型得到所述客户问题描述对应的设备分类,其中,所述设备分类模型为对bert模型用历史客户问题描述作为样本训练得到;
消缺模块,用于如果所述消缺类型分类是重新补供,则基于所述客户问题描述确定补供物料单并安排发货,如果所述消缺类型分类是现场维修并且当所述客户问题描述对应的故障属于预设故障集合时,生成维修工单并安排人员维修,当所述故障不属于所述预设故障集合时,则基于所述客户问题描述和与所述客户问题描述对应的设备分类的历史客户问题描述的相似度向客户输出自助维修指导。
本公开实施例的第三方面提供了一种电子设备,其包括存储器和处理器,
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现根据本公开第一方面所述的方法。
本公开实施例的第四方面提供了一种计算机程序产品,包括计算机程序、指令,当所述计算机程序、指令被处理器执行时,实现根据本公开第一方面所述的方法。
综上所述,本公开各实施例提供的售后消缺管理方法,装置、电子设备和计算机程序产品,通过利用bert编码向量结合朴素贝叶斯模型对客户问题描述生成高准确率的售后消缺分类,利用词汇增强技术,基于独有的词汇语料库生成信息抽取模型,通过信息抽取模型结合物料清单完成物料补供单的自动化生成,并通过相似度算法和自建的故障维修手册给给出一般缺陷的自助维修指导,从而最大程度避免了现场勘测,大幅提升了售后消缺效率和客户满意度。
附图说明
通过参考附图会更加清楚的理解本公开的特征和优点,附图是示意性的而不应理解为对本公开进行任何限制,在附图中:
图1是本公开适用的一种计算机系统的示意图;
图2是根据本公开的一些实施例所示的一种售后消缺管理方法的流程图;
图3是根据本公开的一些实施例所示的一种设备分类预测规则;
图4是根据本公开的一些实施例所示的一种故障维修手册示意图;
图5是根据本公开的一些实施例所示的一种售后消缺管理装置的示意图;
图6是根据本公开的一些实施例所示的一种电子设备示意图。
实施方式
在下面的详细描述中,通过示例阐述了本公开的许多具体细节,以便提供对相关披露的透彻理解。然而,对于本领域的普通技术人员来讲,本公开显而易见的可以在没有这些细节的情况下实施。应当理解的是,本公开中使用“系统”、“装置”、“单元”和/或“模块”术语,是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而,如果其他表达式可以实现相同的目的,这些术语可以被其他表达式替换。
应当理解的是,当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时,其可以直接在另一设备、单元或模块上,连接或耦合到或与其他设备、单元或模块通信,或者可以存在中间设备、单元或模块,除非上下文明确提示例外情形。例如,本公开所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。
本公开所用术语仅为了描述特定实施例,而非限制本公开范围。如本公开说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件,而该类表述并不构成一个排它性的罗列,其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。
参看下面的说明以及附图,本公开的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解,其中说明和附图形成了说明书的一部分。然而,可以清楚地理解,附图仅用作说明和描述的目的,并不意在限定本公开的保护范围。可以理解的是,附图并非按比例绘制。
本公开中使用了多种结构图用来说明根据本公开的实施例的各种变形。应当理解的是,前面或下面的结构并不是用来限定本公开。本公开的保护范围以权利要求为准。
图1是本公开适用的一种计算机系统的示意图。如图1所示的系统,多个客户终端与消缺管理服务器网络连接。客户通过客户终端输入客户问题描述,消缺管理服务器基于所述客户问题描述自动生成补供物料单并发送补供物料单至仓库以根据库存情况进行采购或直接发货,并对严重问题生成维修工单, 发送维修工单至售后维修人员进行现场维修,或对一般问题生成自助维修指导以指导客户进行自助维修。客户问题描述中可以包含现场图片也可以不包含。
其中:
客户终端是具有计算能力的智能设备,特别的,客户终端可以是能够获取gps定位的便携智能设备,如移动智能电话、个人数字助理(PDA),以使客户可以在现场填报客户问题描述;客户终端也可以不具有便携性,如是个人电脑或服务器,此时客户需要将现场问题汇总后在预设场所输入客户终端。优选的,客户终端具有摄像头,可以获取缺失设备或故障设备的现场图片。
所述消缺管理服务器可以是单机、集群或分布式服务器中的任一种。
图2是根据本公开的一些实施例所示的一种售后消缺管理方法的流程图。在一些实施例中,所述售后消缺管理方法由图1所示系统中的消缺管理服务器服务器执行,所述售后消缺管理方法包括以下步骤:
S210,获取客户问题描述,将所述客户问题描述输入消缺类型分类模型得到消缺类型分类。
具体的,客户用手持移动终端PDA来填报反馈问题,填报字段包括问题描述、合同号、项目名称、反馈人。手持移动终端能够自动获取gps定位,将位置信息自动填入。优选的,PDA支持拍照上传,客户可选择上传缺失或者存在故障的元器件现场图片。
获取到客户上报的客户问题描述后, 将问题描述输入消缺类型分类模型,得到该问题描述属于每个消缺类型分类的概率值,其中,消缺类型分类包括重新补供和现场维修,预测结果中概率值较大的消缺类型分类即是与所述客户问题描述对应的消缺类型分类。
在本公开的一些实施例中,所述消缺类型分类模型为对串联的bert模型和朴素贝叶斯模型用历史客户问题描述作为样本训练得到。
具体的,对历史客户问题描述进行消缺类型分类标注,然后按照数量比例m1:m2来随机拆分成训练集和测试集,设置准确率目标为P2。将每个问题描述输入到bert模型中,得到最后一层的第一个[CLS]位置输出的向量,对该向量用朴素贝叶斯模型进行二分类,得到分类概率值,取概率值大的分类作为输出结果,依此来进行消缺分类模型训练。若模型准确率大于等于P2则停止训练,得到消缺类型分类模型。否则人工重新标注预测错误的样本并重新训练,直到达到目标准确率为止。
S220,将所述客户问题描述输入设备分类模型得到所述客户问题描述对应的设备分类。
具体的,获取到客户上报的客户问题描述后, 将问题描述输入设备分类模型,得到该问题描述属于每个设备分类的概率值,将设备分类按概率值从高到低排序得到,按设备分类预测规则确定所述客户问题描述对应的消缺类型分类。设备分类预测规则如图3。
在本公开的一些实施例中,所述设备分类模型为对bert模型用历史客户问题描述作为样本训练得到。
利用信息抽取模型NER对历史客户问题描述进行命名实体抽取,然后计算与分类标签(包括一级和二级)的相似度,具体计算公式如下:
,
其中,simQ表示问题描述和分类标签的相似度值,num表示分类标签在问题描述中出现的次数,embQ分别是问题描述的bertSim词嵌入向量,embC是分类标签的bertSim词嵌入向量。
根据simQ值获取相似度值最高的分类标签作为该问题描述的初始分类。
将历史客户问题描述按照数量比例n1:n2来随机拆分成训练集和测试集,设置准确率目标为P1,进行bert文本分类模型训练;若模型准确率大于等于P1则停止训练,得到设备分类模型C1。否则人工重新标注预测错误的样本并重新训练,直到达到目标准确率为止。
在本公开的一些实施例中,基于bom清单中的物料名称,用深度学习算法(优选的,用bert-lstm-crf模型)训练得到信息抽取模型NER。具体训练步骤如下:
先对每个问题客户描述进行标注,生成标注数据集,标注数据集包括word(单词)、pos(词性)、tag(NER标注,包括['O' ,'B-MISC', 'I-MISC', 'B-ITEM' ,'I-ITEM', 'B-PRO' ,'I-PRO', B-PER' ,'I-PER', 'sO'],即NER一共分为四类:PER(人名),ITEM(位置),PRO(物料)以及MISC。其中B表示开始,I表示中间,O表示单字词,不计入NER,sO表示特殊单字词)。然后标注数据集按照数量比例r1:r2来随机拆分成训练集和测试集,设置准确率目标为P0,加入bert-lstm-crf模型进行训练。若模型准确率大于等于P0则停止训练,得到信息抽取模型NER。否则人工重新标注预测错误的样本并重新训练,直到达到目标准确率为止。
优选的,采用词汇增强技术来提高模型准确率:将bom清单中的所有物料名称形成词汇语料库,在分词阶段采用全模式切词,若分词后的词汇或词汇组合在词汇语料库中则将该词汇或词汇组合直接拼接在序列后面(即字符和词汇都是一个单独的token)作为wordembedding的输入。举例如下:
假设问题描述为:一台抽屉把手丢失,需要补发。
则分词后得到:一/台/抽/屉/把/手/丢/失/需/要/补/发/抽屉/把手/需要/补发
其中抽屉/抽屉把手都在词汇语料库中,所以模型中的token可表示为:一/台/抽/屉/把/手/丢/失/需/要/补/发/抽屉/抽屉把手。
S230,如果所述消缺类型分类是重新补供,则基于所述客户问题描述确定补供物料单并安排发货,如果所述消缺类型分类是现场维修并且当所述客户问题描述对应的故障属于预设故障集合时,生成维修工单并安排人员维修,当所述故障不属于所述预设故障集合时,则基于所述客户问题描述和与所述客户问题描述对应的设备分类的历史客户问题描述的相似度向客户输出自助维修指导。
具体的,如果消缺类型是重新补供,则先判断客户是否拍照上传物料图片,若上传则系统自动调用ocr工具自动识别提取每张图片的标签名称,并在前端展示;若未上传任何图片则利用信息抽取模型NER从问题内容中自动抽取命名实体名称,并在前端展示。系统根据Damerau-Levenshtein距离自动模糊查找关联物料名称(也可手动修改这些物料名称或者添加其他物料名称),客户点击物料名称(可多选)后系统根据项目名称、位置信息、设备类型、合同号、物料名称自动关联bom清单。用户只需选择物料型号并填写物料需求数量,提交后生成补供物料单,系统会通知发送给仓库负责人。
仓库负责人进行清单核实,若发现该清单不合理或已重复上报,则退回处理并注明原因。若清单核实没问题,则审核通过。系统根据清单自动调取库存信息,若库存充足则进一步确认并安排发货;若库存不足则系统根据缺货物品及数量进一步通知采购负责人进行补货,待库存收到货后系统会自动通知仓库负责人安排发货。可随时上传采购订单记录及物流信息。
如果消缺类型是现场维修,则先通过故障码判断是否一般故障,若不是则系统自动一键生成维修工单,并根据位置信息及售后人员当前工作状态自动发短信通知附近空闲的维修人员,若无空闲人员则通知工作结束时间最早的维修人员赴客户现场维修。
若是一般故障则利用相似度算法计算与客户问题描述对应的设备分类下的历史问题描述的相似度,若相似度大于90%,则将所述历史客户问题描述对应的处理方法作为向客户输出的自助维修指导直接输出给客户以让客户自助维修,否则调取该设备类型的故障维修手册,用户根据手册流程点击获取处理方法及详细操作方法。若用户能够根据操作方法自主维修则用手持终端拍照上传故障照片,并直接提交即可。完成提交系统会奖励50积分(累积一定积分可在商城兑换奖品)同时上传给消缺负责人审核,审核不通过则积分扣回,审核通过则不做任何操作。优选的,若处理方法不适用则用户可直接对手册内容进行补充修改,并提交给消缺负责人审核,审核通过后将补充修改的信息更新存储到故障维修手册中,并奖励100积分,审核不通过则不做任何操作。若用户无法自主维修则点击一键生成维修工单,系统根据位置信息及售后人员当前工作状态自动发短信通知附近空闲的维修人员,若无空闲人员则通知工作结束时间最早的维修人员赴客户现场维修。
在本公开的一些实施例中,相似度算法的计算包括基于命名实体相似度和句子相似度计算所述问题描述和与所述问题描述对应的设备分类的历史问题描述的总和相似度,分别如下:
(1)命名实体相似度:
,
其中是问题描述的命名实体词向量集合中第j个元素,n1是其元素个数,/>是待匹配的第i个问题描述的命名实体词向量集合中第k个元素,n2是其元素个数。
(2)句子相似度:
,
其中sen1是问题描述的句子编码向量,是待匹配的第i个问题描述的句子编码向量。
设置权重和/>来获取综合相似度,
。
在本公开的一些实施例中,故障维修手册按照设备分类、故障码、故障描述、故障原因和处理方法(配详细操作方法图解或视频)层级关系建立。由专家在平台上填写建立:先选择设备分类,系统递增生成故障码(1开头的为一般故障,2开头的为重大故障,默认为1开头),专家填写故障描述、故障原因和处理方法。具体如图4所示。
因为大多数故障属于一般故障, 通过上述相似度算法和自建的故障维修手册给出一般缺陷的自助维修指导以供客户进行自助维修, 可以大幅降低售后维修人员赶赴现场维修的次数,提高售后消缺效率。
在本公开的一些实施例中,售后维修负责人进行缺陷核实,若发现该缺陷已重复上报或误报,则退回处理并注明原因,并直接消缺结束。若缺陷核实存在,则生成缺陷工单,并进行派工,一个或多个员工核实设备消缺方式、备件、计划完成时间等事项后确认生成工单并自动添加到个人工作页面内。同时系统会发送通知提醒消缺负责人有对应缺陷需要消除及需完成的期限。若在期限时间点前24小时已经完成,则系统会自动通知消缺负责人点击完成;若期限时间点前24小时内还未完成则系统提醒消缺负责人需要主动联系并评估工作人员是否无法在所定时间完成消缺,如果是则进行缺陷延期,在具备消缺的基础上重新进行消缺工作,避免出现工单无法闭环或者出现超时现象;如果否,则不做任何操作。
S240,当新增客户问题描述数量超过预设阈值时,基于所述新增客户问题描述更新所述词汇语料库,并基于所述新增客户问题描述重新训练所述信息抽取模型、所述设备分类模型和所述消缺类型分类模型。
完成物料补供或缺陷消除后,由消缺负责人填写并上报消缺总结,同时更新缺陷台账(若是物料补供则系统自动录入bom清单)。优选的,客户可对缺陷的消缺情况进行评价,形成完整的闭环。
同时,设置数量阈值h,每当数据库中的客户问题描述新增数量超过h时则自动触发模型迭代优化策略,加入新样本来更新词汇语料库,以及所述信息抽取模型、所述设备分类模型和所述消缺类型分类模型。
图5是根据本公开的一些实施例所示的一种售后消缺管理装置示意图。如图5所示,所述售后消缺管理装置500包括消缺类型分类模块510、设备分类模块520、消缺模块530、更新模块540。所述售后消缺管理功能可以由图1所示系统中的消缺管理服务器执行。其中:
消缺类型分类模块510,用于获取客户问题描述,将所述客户问题描述输入消缺类型分类模型得到消缺类型分类,其中,所述消缺类型分类模型为对串联的bert模型和朴素贝叶斯模型用历史客户问题描述作为样本训练得到。
设备分类模块520,用于将所述客户问题描述输入设备分类模型得到所述客户问题描述对应的设备分类,其中,所述设备分类模型为对bert模型用历史客户问题描述作为样本训练得到。
消缺模块530,用于如果所述消缺类型分类是重新补供,则基于所述客户问题描述确定补供物料单并安排发货,如果所述消缺类型分类是现场维修并且当所述客户问题描述对应的故障属于预设故障集合时,生成维修工单并安排人员维修,当所述故障不属于所述预设故障集合时,则基于所述客户问题描述和与所述客户问题描述对应的设备分类的历史客户问题描述的相似度向客户输出自助维修指导。
更新模块540,用于当新增客户问题描述数量超过预设阈值时,基于所述新增客户问题描述更新所述词汇语料库,并基于所述新增客户问题描述重新训练所述信息抽取模型、所述设备分类模型和所述消缺类型分类模型。
本公开的一个实施例提供了一种电子设备。如图6所示,所述电子设备600包括存储器620和处理器610,所述存储器620,用于存储计算机程序;所述处理器610,用于当执行所述计算机程序时,实现图2中S210-S240所述的方法。
本公开的一个实施例提供了一种计算机程序产品,包括计算机程序、指令,当所述计算机程序、指令被处理器执行时,实现图2中S210-S240所述的方法。
综上所述,本公开各实施例提供的售后消缺管理方法、装置、电子设备和计算机程序产品,通过利用bert编码向量结合朴素贝叶斯模型对客户问题描述生成高准确率的售后消缺分类,利用词汇增强技术,基于独有的词汇语料库生成信息抽取模型,通过信息抽取模型结合物料清单完成物料补供单的自动化生成,并通过相似度算法和自建的故障维修手册给给出一般缺陷的自助维修指导,从而最大程度避免了现场勘测,大幅提升了售后消缺效率和客户满意度。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述装置实施例中的对应描述,在此不再赘述。
尽管此处所述的主题是在结合操作系统和应用程序在计算机系统上的执行而执行的一般上下文中提供的,但本领域技术人员可以认识到,还可结合其他类型的程序模块来执行其他实现。一般而言,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。本领域技术人员可以理解,此处所述的本主题可以使用其他计算机系统配置来实践,包括手持式设备、多处理器系统、基于微处理器或可编程消费电子产品、小型计算机、大型计算机等,也可使用在其中任务由通过通信网络连接的远程处理设备执行的分布式计算环境中。在分布式计算环境中,程序模块可位于本地和远程存储器存储设备的两者中。
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方法步骤,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公开的范围。
应当理解的是,本公开的上述具体实施方式仅仅用于示例性说明或解释本公开的原理,而不构成对本公开的限制。因此,在不偏离本公开的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。此外,本公开所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种售后消缺管理方法,其特征在于,包括:
获取客户问题描述,将所述客户问题描述输入消缺类型分类模型得到消缺类型分类,其中,所述消缺类型分类模型为对串联的bert模型和朴素贝叶斯模型用历史客户问题描述作为样本训练得到;
将所述客户问题描述输入设备分类模型得到所述客户问题描述对应的设备分类,其中,所述设备分类模型为对bert模型用历史客户问题描述作为样本训练得到;
如果所述消缺类型分类是重新补供,则基于所述客户问题描述确定补供物料单并安排发货,如果所述消缺类型分类是现场维修并且当所述客户问题描述对应的故障属于预设故障集合时,生成维修工单并安排人员维修,当所述故障不属于所述预设故障集合时,则基于所述客户问题描述和与所述客户问题描述对应的设备分类的历史客户问题描述的相似度向客户输出自助维修指导。
2.根据权利要求1所述的方法,其特征在于,对串联的bert模型和朴素贝叶斯模型用历史客户问题描述作为样本训练得到所述消缺类型分类模型包括:
对历史客户问题描述进行消缺类型分类标注;
以所述历史客户问题描述作为样本,以所述历史客户问题描述对应的消缺类型分类作为标签,对串联的bert模型和朴素贝叶斯模型进行训练,得到所述消缺类型分类模型,其中所述bert模型以所述历史客户问题描述为输入,以输出层最后一层的第一个神经元代表的向量作为所述朴素贝叶斯模型的输入,所述朴素贝叶斯模型输出的分类概率值中概率值大的分类为对所述消缺类型分类的预测结果。
3.根据权利要求1所述的方法,其特征在于,对bert模型用历史客户问题描述作为样本训练得到所述设备分类模型包括:
利用信息抽取模型对所述历史客户问题描述进行命名实体抽取,计算抽取结果与设备分类标签的相似度,将相似度最高的设备分类标签作为所述历史客户问题描述对应的初始设备分类标签;
以所述历史客户问题描述作为样本,以所述历史客户问题描述对应的初始设备分类标签作为标签,对所述bert模型进行训练,得到所述设备分类模型。
4.根据权利要求3所述的方法,其特征在于,所述信息抽取模型的训练方法包括:
用bom清单中的所有物料名称形成词汇语料库;
对所述历史客户问题描述进行全模式切词,如果切词得到的词汇或词汇组合在所述词汇语料库中,则将所述词汇或所述词汇组合直接拼接在由切词得到的字组成的序列后形成拼接字符串,对所述拼接字符串进行标注形成标注数据集;
以所述历史客户问题描述作为样本,以所述历史客户问题描述对应的标注数据集作为标签,对bert-lstm-crf模型进行训练,得到所述信息抽取模型。
5.根据权利要求4所述的方法,其特征在于,所述售后消缺管理方法还包括:
当新增客户问题描述数量超过预设阈值时,基于所述新增客户问题描述更新所述词汇语料库,并基于所述新增客户问题描述重新训练所述信息抽取模型、所述设备分类模型和所述消缺类型分类模型。
6.根据权利要求1所述的方法,其特征在于,所述基于所述客户问题描述确定补供物料单并安排发货包括:
如果所述客户问题描述包括需补供的物料图片,则从所述物料图片中识别物料名称,如果所述客户问题描述不包括需补供的物料图片,则利用信息抽取模型从所述客户问题描述抽取命名实体名称,并基于编辑距离关联所述命名实体名称和所述物料名称;
从与所述物料名称相关的候选物料信息中确定与所述客户问题描述对应的物料信息并基于所述物料信息自动关联物料清单,其中,所述物料信息包括设备类型以及物料相关信息,所述物料相关信息包括项目名称、位置信息、合同号、物料名称中的一种或多种;
获取客户从所述物料清单中确定的物料型号以及与所述物料型号对应的物料需求数量,基于所述物料型号和所述物料需求数量生成补供物料单,并基于仓库库存情况对所述补供物料单上的物料进行采购或发货。
7.根据权利要求1所述的方法,其特征在于,所述基于所述客户问题描述和与所述客户问题描述对应的设备分类的历史客户问题描述的相似度向客户输出自助维修指导包括:
获取与所述客户问题描述对应的设备分类及所述设备分类下的历史客户问题描述,计算所述客户问题描述和每个所述历史客户问题描述的综合相似度;
当所述综合相似度大于预设阈值时,将所述历史客户问题描述对应的处理方法作为向客户输出的自助维修指导;
当所述综合相似度不大于预设阈值时,基于所述设备分类的故障维修手册生成自助维修指导,其中,所述故障维修手册按照设备分类、故障码、故障描述、故障原因和处理方法的层级关系建立。
8.根据权利要求7所述的方法,其特征在于,所述计算所述客户问题描述和每个所述历史客户问题描述的综合相似度包括:
计算所述客户问题描述和所述设备分类下的每个历史客户问题描述的命名实体词向量集合的命名实体相似度;
计算所述客户问题描述和所述设备分类下的每个历史客户问题描述的句子编码向量的句子相似度;
获取与所述命名实体相似度和所述句子相似度分别对应的预设权重,计算所述命名实体相似度和所述句子相似度的加权和得到综合相似度。
9.一种售后消缺管理装置,其特征在于,包括:
消缺类型分类模块,用于获取客户问题描述,将所述客户问题描述输入消缺类型分类模型得到消缺类型分类,其中,所述消缺类型分类模型为对串联的bert模型和朴素贝叶斯模型用历史客户问题描述作为样本训练得到;
设备分类模块,用于将所述客户问题描述输入设备分类模型得到所述客户问题描述对应的设备分类,其中,所述设备分类模型为对bert模型用历史客户问题描述作为样本训练得到;
消缺模块,用于如果所述消缺类型分类是重新补供,则基于所述客户问题描述确定补供物料单并安排发货,如果所述消缺类型分类是现场维修并且当所述客户问题描述对应的故障属于预设故障集合时,生成维修工单并安排人员维修,当所述故障不属于所述预设故障集合时,则基于所述客户问题描述和与所述客户问题描述对应的设备分类的历史客户问题描述的相似度向客户输出自助维修指导。
10.一种电子设备,其特征在于:包括存储器和处理器,
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现根据权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310958618.8A CN116664148B (zh) | 2023-08-01 | 2023-08-01 | 一种售后消缺管理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310958618.8A CN116664148B (zh) | 2023-08-01 | 2023-08-01 | 一种售后消缺管理方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664148A true CN116664148A (zh) | 2023-08-29 |
CN116664148B CN116664148B (zh) | 2023-10-13 |
Family
ID=87712261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310958618.8A Active CN116664148B (zh) | 2023-08-01 | 2023-08-01 | 一种售后消缺管理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664148B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952626A (zh) * | 2024-03-25 | 2024-04-30 | 杭州青橄榄网络技术有限公司 | 一种用于售后问题处置的管理系统及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903118A (zh) * | 2014-03-26 | 2014-07-02 | 青岛宝井钢材加工配送有限公司 | 一种物料管控园中的bom库存处理方法 |
CN105205727A (zh) * | 2015-08-25 | 2015-12-30 | 国网浙江杭州市富阳区供电公司 | 一种消缺数据库建立的方法及系统 |
CN110929149A (zh) * | 2019-11-12 | 2020-03-27 | 广东工业大学 | 一种工业设备故障维修推荐方法和系统 |
CN112000791A (zh) * | 2020-08-26 | 2020-11-27 | 哈电发电设备国家工程研究中心有限公司 | 一种电机故障知识抽取系统及方法 |
CN112183994A (zh) * | 2020-09-23 | 2021-01-05 | 南方电网数字电网研究院有限公司 | 一种设备状态的评估方法、装置、计算机设备和存储介质 |
CN112837175A (zh) * | 2021-01-11 | 2021-05-25 | 佰聆数据股份有限公司 | 基于信息抽取技术的电力频繁停电工单信息抽取方法及系统 |
CN113722494A (zh) * | 2021-09-10 | 2021-11-30 | 中国航空工业集团公司西安飞行自动控制研究所 | 一种基于自然语言理解的设备故障定位方法 |
CN114048882A (zh) * | 2022-01-12 | 2022-02-15 | 北京鼎兴达信息科技股份有限公司 | 铁路故障处理运维决策建议方法 |
CN114358326A (zh) * | 2020-09-28 | 2022-04-15 | 广州华凌制冷设备有限公司 | 一种家电的故障处理方法、终端及可读存储介质 |
CN115510213A (zh) * | 2022-10-19 | 2022-12-23 | 三一重机有限公司 | 用于作业机械的问答方法及系统、作业机械 |
US20230147668A1 (en) * | 2021-11-11 | 2023-05-11 | International Business Machines Corporation | Defect tracking and remediation using client-side screen recording |
WO2023084254A1 (en) * | 2021-11-15 | 2023-05-19 | Limbic Limited | Diagnosic method and system |
-
2023
- 2023-08-01 CN CN202310958618.8A patent/CN116664148B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903118A (zh) * | 2014-03-26 | 2014-07-02 | 青岛宝井钢材加工配送有限公司 | 一种物料管控园中的bom库存处理方法 |
CN105205727A (zh) * | 2015-08-25 | 2015-12-30 | 国网浙江杭州市富阳区供电公司 | 一种消缺数据库建立的方法及系统 |
CN110929149A (zh) * | 2019-11-12 | 2020-03-27 | 广东工业大学 | 一种工业设备故障维修推荐方法和系统 |
CN112000791A (zh) * | 2020-08-26 | 2020-11-27 | 哈电发电设备国家工程研究中心有限公司 | 一种电机故障知识抽取系统及方法 |
CN112183994A (zh) * | 2020-09-23 | 2021-01-05 | 南方电网数字电网研究院有限公司 | 一种设备状态的评估方法、装置、计算机设备和存储介质 |
CN114358326A (zh) * | 2020-09-28 | 2022-04-15 | 广州华凌制冷设备有限公司 | 一种家电的故障处理方法、终端及可读存储介质 |
CN112837175A (zh) * | 2021-01-11 | 2021-05-25 | 佰聆数据股份有限公司 | 基于信息抽取技术的电力频繁停电工单信息抽取方法及系统 |
CN113722494A (zh) * | 2021-09-10 | 2021-11-30 | 中国航空工业集团公司西安飞行自动控制研究所 | 一种基于自然语言理解的设备故障定位方法 |
US20230147668A1 (en) * | 2021-11-11 | 2023-05-11 | International Business Machines Corporation | Defect tracking and remediation using client-side screen recording |
WO2023084254A1 (en) * | 2021-11-15 | 2023-05-19 | Limbic Limited | Diagnosic method and system |
CN114048882A (zh) * | 2022-01-12 | 2022-02-15 | 北京鼎兴达信息科技股份有限公司 | 铁路故障处理运维决策建议方法 |
CN115510213A (zh) * | 2022-10-19 | 2022-12-23 | 三一重机有限公司 | 用于作业机械的问答方法及系统、作业机械 |
Non-Patent Citations (4)
Title |
---|
于扬春;郑士君;: "设备维护管理系统", 科技信息(科学教研), no. 24, pages 466 - 468 * |
任艮全;张君;张力;王建民;: "面向信息资源管理的维修BOM结构设计与分析", 计算机集成制造系统, no. 07, pages 1545 - 1551 * |
暴志刚;顾新建;叶作亮;王志宏;胡恒杰;: "面向客户服务的设备维修管理系统研究与实现", 计算机集成制造系统, no. 07, pages 1437 - 1443 * |
杜修明;秦佳峰;郭诗瑶;闫丹凤;: "电力设备典型故障案例的文本挖掘", 高电压技术, no. 04, pages 1078 - 1084 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952626A (zh) * | 2024-03-25 | 2024-04-30 | 杭州青橄榄网络技术有限公司 | 一种用于售后问题处置的管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116664148B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116664148B (zh) | 一种售后消缺管理方法、装置及电子设备 | |
US20200410163A1 (en) | System and method for maintenance of a fleet of machines | |
CN109993382B (zh) | 快递员派送顺序推荐方法及系统 | |
US20160004794A1 (en) | System and method using generative model to supplement incomplete industrial plant information | |
CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
KR20210145700A (ko) | 경합하는 신경 캐릭터 언어 모델에 기초한 단어 분할을 위한 시스템 및 방법 | |
CN116797098A (zh) | 基于模型训练的工作质量评估方法、装置、设备及介质 | |
CN114139065B (zh) | 基于大数据的人才筛选推荐方法、系统及可读存储介质 | |
CN114971716A (zh) | 服务接口质量评估方法及其装置、设备、介质、产品 | |
CN117522132A (zh) | 供应商风险评估系统及应用方法 | |
CN117807452A (zh) | 一种基于目标匹配的排序方法、装置、设备及存储介质 | |
Ahn et al. | Solution algorithms for dynamic lot-sizing in remanufacturing systems | |
CN117874200A (zh) | 风电运维数据的答案文本生成方法、装置、设备及介质 | |
CN116134394A (zh) | 用于使用主题建模来改进对维护服务的备件搜索的系统和方法 | |
US11900286B2 (en) | Job value model generation method and system | |
CN110362828B (zh) | 网络资讯风险识别方法及系统 | |
CN115809796B (zh) | 基于用户画像的项目智能派工方法及系统 | |
CN115953080A (zh) | 工程师服务等级确定方法、设备和存储介质 | |
CN115564405A (zh) | 一种以fmea为驱动的研发项目管理方法、系统及存储介质 | |
CN109543177A (zh) | 消息数据处理方法、装置、计算机设备和存储介质 | |
Zebro et al. | Process mining in project management for smart cities | |
CN115049383A (zh) | 组合支付推荐方法、装置、电子设备及存储介质 | |
RU2625681C2 (ru) | Устройство контроля, учета, планирования и прогноза при совершении действий с ресурсами | |
Chen et al. | Strategic decision-making processes of NPD by hybrid classification model techniques | |
CN111598671A (zh) | 一种基于人机交互的商品推荐方法 |
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 |