CN116842395A - 基于人工智能的数据匹配方法、装置、设备及存储介质 - Google Patents

基于人工智能的数据匹配方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116842395A
CN116842395A CN202310443974.6A CN202310443974A CN116842395A CN 116842395 A CN116842395 A CN 116842395A CN 202310443974 A CN202310443974 A CN 202310443974A CN 116842395 A CN116842395 A CN 116842395A
Authority
CN
China
Prior art keywords
information
data
agent
seat
similarity
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
CN202310443974.6A
Other languages
English (en)
Inventor
李雨洁
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.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China 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 Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202310443974.6A priority Critical patent/CN116842395A/zh
Publication of CN116842395A publication Critical patent/CN116842395A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08Insurance

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例属于人工智能领域,涉及一种基于人工智能的数据匹配方法,包括:基于获取的目标客户的客户信息构建特征数据;基于特征数据生成转化分数;基于客户信息与转化分数构建目标客户特征向量;获取坐席的坐席信息,基于坐席信息生成坐席评分;基于坐席信息与坐席评分构建坐席特征向量;对目标客户特征向量与坐席特征向量进行相似度计算得到相似度数据;基于相似度数据,采用多重匹配算法进行目标客户与坐席之间的匹配处理,生成坐席分配名单。本申请还提供一种基于人工智能的数据匹配装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,坐席分配名单可存储于区块链中。通过本申请能够提升坐席的分配效率与分配准确度。

Description

基于人工智能的数据匹配方法、装置、设备及存储介质
技术领域
本申请涉及人工智能技术领域,尤其涉及基于人工智能的数据匹配方法、装置、计算机设备及存储介质。
背景技术
随着互联网、大数据等信息技术的快速发展,全球范围内掀起了数字化转型的浪潮,产业数字化推动了各行各业的变革,保险公司也从传统的电话销售转变为网电销售一体化的混合模式,保险销售渠道的多样性,也给保险公司带来了挑战。传统的坐席名单分配都是市场人员通过预先设置的规则进行名单切分,再下发到各个区部团的,但是这样的分配规则需要大量人工参与,而且分配不均衡的风险可能会导致坐席的大量流失,带来业绩的大幅波动。坐席是电销行业的基石,仅通过规则进行的名单分配可能忽略了客户本身的特征,增加坐席和客户的不适配性,降低销售的成功率。因此,现有基于分配规则的坐席名单分配的方式存在匹配流程复杂,人工工作量较大,分配效率低,且分配准确度不高的技术问题。
发明内容
本申请实施例的目的在于提出一种基于人工智能的数据匹配方法、装置、计算机设备及存储介质,以解决现有的技术问题。
为了解决上述技术问题,本申请实施例提供一种基于人工智能的数据匹配方法,采用了如下所述的技术方案:
获取目标客户的客户信息,并对所述客户信息进行数据预处理与特征构建得到对应的特征数据;其中,所述目标客户的数量包括
多个;
对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数;
基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量;
获取坐席的坐席信息,并对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分;其中,所述坐席的数量包括多个;
基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量;
对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据;
基于所述相似度数据,采用预设的多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,生成相应的坐席分配名单。
进一步的,所述对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数的步骤,具体包括:
将所述特征数据输入至预设的梯度提升树模型内;
通过所述梯度提升树模型对所述特征数据进行预测处理,得到与所述特征数据对应的转化率;
基于所述转化率生成所述目标客户的转化分数。
进一步的,所述基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量的步骤,具体包括:
获取预设的第一信息类型;
基于所述第一信息类型,从所述客户信息中提取出与所述第一信息类型对应的个人基本信息、险种信息以及沟通方式信息;
基于所述个人基本信息、所述险种信息、所述沟通方式信息以及所述转化分数进行特征向量构建处理,得到与所述目标客户对应的目标客户特征向量。
进一步的,所述对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分的步骤,具体包括:
从所述坐席信息中获取与拨打指标对应的指标数据;
对所述指标数据进行聚类分析,生成与各所述坐席分别对应的指定坐席风格;
调用预设的风格映射表;
从所述风格映射表中查询出与所述坐席风格对应的坐席评分。
进一步的,所述基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量的步骤,具体包括:
获取预设的第二信息类型;
基于所述第二信息类型,从所述坐席信息中提取与所述第二信息类型对应的坐席基本信息、主要险种信息以及坐席风格信息;
基于所述坐席基本信息、所述主要险种信息、所述坐席风格信息以及所述坐席评分进行特征向量构建处理,得到与所述坐席对应的坐席特征向量。
进一步的,所述对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据的步骤,具体包括:
获取预设的多种相似度算法;
从所有所述相似度算法中确定出指定相似度算法;
采用所述指定相似度算法对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到所述相似度数据。
进一步的,所述从所有所述相似度算法中确定出指定相似度算法的步骤,具体包括:
获取预设的测试特征向量数据;
基于所述测试特征向量数据生成与各所述相似度算法分别对应的处理时间;
从所有所述相似度算法中筛选出处理时间处于预设的处理时间范围内的第一相似度算法;
获取各所述第一相似度算法在预设时间周期内的处理准确率与客户评价值;
基于所述第一相似度算法的指定处理时间、所述处理准确率以及所述客户评价值,调用预设的计算公式生成各所述第一相似度算法的综合处理分数;
从所有所述第一相似度算法中筛选出综合处理分数最大的第二相似度算法;
将所述第二相似度算法作为所述指定相似度算法。
为了解决上述技术问题,本申请实施例还提供一种基于人工智能的数据匹配装置,采用了如下所述的技术方案:
获取模块,用于获取目标客户的客户信息,并对所述客户信息进行数据预处理与特征构建得到对应的特征数据;其中,所述目标客户的数量包括多个;
第一生成模块,用于对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数;
第一构建模块,用于基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量;
第二生成模块,用于获取坐席的坐席信息,并对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分;其中,所述坐席的数量包括多个;
第二构建模块,用于基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量;
计算模块,用于对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据;
匹配模块,用于基于所述相似度数据,采用预设的多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,生成相应的坐席
分配名单。
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:
获取目标客户的客户信息,并对所述客户信息进行数据预处理与特征构建得到对应的特征数据;其中,所述目标客户的数量包括多个;
对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数;
基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量;
获取坐席的坐席信息,并对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分;其中,所述坐席的数量包括多个;
基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量;
对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据;
基于所述相似度数据,采用预设的多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,生成相应的坐席分配名单。
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:
获取目标客户的客户信息,并对所述客户信息进行数据预处理与特征构建得到对应的特征数据;其中,所述目标客户的数量包括多个;
对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数;
基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量;
获取坐席的坐席信息,并对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分;其中,所述坐席的数量包括多个;
基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量;
对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据;
基于所述相似度数据,采用预设的多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,生成相应的坐席分配名单。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先获取目标客户的客户信息,并对所述客户信息进行数据预处理与特征构建得到对应的特征数据。然后对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数,并基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量。之后获取坐席的坐席信息,并对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分,并基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量;后续对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据;最后基于所述相似度数据,采用预设的多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,生成相应的坐席分配名单。本申请实施例通过根据目标客户的客户信息以及坐席的坐席信息来自动构建客户和坐席的特征向量,再比较客户的特征向量与坐席的特征向量的相似度,进而利用多重匹配算法自动实现客户与坐席之间的双向匹配,降低了坐席分配不合理的风险,更易得出较优的分配方案,减少了人工参与的工作量,有效提升坐席的分配效率与分配准确度。
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根据本申请的基于人工智能的数据匹配方法的一个实施例的流程图;
图3是根据本申请的基于人工智能的数据匹配装置的一个实施例的结构示意图;
图4是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(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,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基于人工智能的数据匹配方法一般由服务器/终端设备执行,相应地,基于人工智能的数据匹配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基于人工智能的数据匹配方法的一个实施例的流程图。所述的基于人工智能的数据匹配方法,包括以下步骤:
步骤S201,获取目标客户的客户信息,并对所述客户信息进行数据预处理与特征构建得到对应的特征数据;其中,所述目标客户的数量包括多个。
在本实施例中,基于人工智能的数据匹配方法运行于其上的电子设备(例如图1所示的服务器/终端设备),可以通过有线连接方式或者无线连接方式获取目标客户的客户信息。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。上述目标客户可为电销客户。上述客户信息至少可包括个人基本信息(性别、年龄)、、车辆信息、历史和当年的坐席外呼接通信息、询价信息、聊天意图信息、保险信息(在保险种、沟通方式)等。其中,在数据挖掘中,海量的原始数据中存在着大量不完整(有缺失值)、不一致、有异常的数据,严重影响到数据挖掘建模的执行效率,甚至可能导致挖掘结果的偏差,所以进行数据清洗就显得尤为重要,数据清洗完成后接着进行或者同时进行数据集成、转换、规约等一系列的处理,该过程就是数据预处理。数据预处理一方面是要提高数据的质量,另一方面是要让数据更好地适应特定的挖掘技术或工具。
步骤S202,对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数。
在本实施例中,可基于预设的梯度提升树模型对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数。上述对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S203,基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量。
在本实施例中,可基于所有上述目标客户特征向量构建一个包含所有目标客户的目标客户特征向量的向量列表。上述基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S204,获取坐席的坐席信息,并对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分;其中,所述坐席的数量包括多个。
在本实施例中,上述坐席信息至少可包括个人基本信息(性别、年龄)、各维度的拨打指标信息(接通次数、接通时长、成交产品等)、工作信息(从业年限、主要险种、是否培训、保费收入)等。上述对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S205,基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量。
在本实施例中,可基于所有上述坐席特征向量构建一个包含所有坐席的坐席特征向量的向量列表。上述基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述
步骤S206,对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据;
在本实施例中,可基于预设的相似度算法对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据。其中,上述相似度算法具体可为Jaccard系数。另外,通过对历史销售数据进行分析,发现当客户和坐席的性别有差异时,销售的成功率普遍会高一些,所以先对客户的向量列表中性别属性取反,然后通过Jaccard系数计算任意客户和坐席的特征向量之间的相似度。
步骤S207,基于所述相似度数据,采用预设的多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,生成相应的坐席分配名单。
在本实施例中,上述多重匹配算法具体可采用基于二分图的多重匹配算法,或者称为匈牙利算法。借助基于二分图的多重匹配算法的思想,基于特征向量间的相似度构建权值矩阵,对于每个目标客户Xi,找到一个与之相似度最高的坐席Yi,若Yi还未被匹配,则将Xi和Yi匹配起来,否则如果与Yi匹配的目标客户数量已经达到上限,那么在所有与Yi匹配的目标客户中选择相似度最低的客户,检查能否为该客户找到一条增广路径(增广路径是指从一个未匹配的顶点开始,经过若干个匹配顶点,最后到达对面集合的一个未匹配顶点的路径),如果能就让出位置,让客户Xi和Yi进行匹配。重复上述步骤,直到所有目标客户全部匹配成功。其中,基于二分图的多重匹配算法更易扩展,当增加新的特征时,并不需要大幅更改原先的算法实现,只需增加输入特征,让算法自动运算即可得到相应的结果。另外,在使用多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,可将得到的匹配结果存储至预设的名单内,以生成所述坐席分配名单。
本申请首先获取目标客户的客户信息,并对所述客户信息进行数据预处理与特征构建得到对应的特征数据。然后对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数,并基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量。之后获取坐席的坐席信息,并对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分,并基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量;后续对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据;最后基于所述相似度数据,采用预设的多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,生成相应的坐席分配名单。本申请通过根据目标客户的客户信息以及坐席的坐席信息来自动构建客户和坐席的特征向量,再比较客户的特征向量与坐席的特征向量的相似度,进而利用多重匹配算法自动实现客户与坐席之间的双向匹配,降低了坐席分配不合理的风险,更易得出较优的分配方案,减少了人工参与的工作量,有效提升坐席的分配效率与分配准确度。
在一些可选的实现方式中,步骤S202包括以下步骤:
将所述特征数据输入至预设的梯度提升树模型内。
在本实施例中,上述梯度提升树模型具体可为XGBoost模型。XGBoost模型本身是一个监督模型,本质上就是一堆CART树。XGBoost模型在训练出一棵树的基础上再训练下一棵树预测它与真是分布间的差距。通过不断训练用来弥补差距的树,最终用树的组合实现对真是分布的模拟。XGBoost本质上还是一个GBDT,但是力争把速度和效率发挥到极致,所以叫X(Extreme)GBoosted。XGBoost的核心算法思想是:不断的添加树,不断地进行特征分裂来生长一棵树,每次添加一棵树,其实是学习一个新函数f(x),去拟合上次预测的残差。当我们训练完成得到k棵树,我们要预测一个样本的分数,其实就是根据这个样本的特征,在每棵树中会落到对应的一个叶子节点,每个叶子节点就对应一个分数。最后只需要将每棵树对应的分数加起来就是该样本的预测值。
通过所述梯度提升树模型对所述特征数据进行预测处理,得到与所述特征数据对应的转化率。
基于所述转化率生成所述目标客户的转化分数。
在本实施例中,可根据转化率将目标客户分成A/B/C等级,并基于预设的等级映射表,给予各个等级的目标客户相应的转化分数,转化分数也可称为转保分数。其中,上述等级映射表为存储有预设映射关系的数据表,上述预设映射关系为预先设置的关于转化率与转化分数的映射关系。
本申请通过将所述特征数据输入至预设的梯度提升树模型内,并通过所述梯度提升树模型对所述特征数据进行预测处理,得到与所述特征数据对应的转化率;进而基于所述转化率生成所述目标客户的转化分数。本申请基于梯度提升树模型的使用,可以快速准确地生成所述目标客户的转化分数,有利于后续可以根据生成的所述转化分数快速准确地构建与所述目标客户对应的目标客户特征向量。
在本实施例的一些可选的实现方式中,步骤S203包括以下步骤:
获取预设的第一信息类型。
在本实施例中,上述第一信息类型具体可包括个人基本信息类型、险种信息类型以及沟通方式信息类型。
基于所述第一信息类型,从所述客户信息中提取出与所述第一信息类型对应的个人基本信息、险种信息以及沟通方式信息。
基于所述个人基本信息、所述险种信息、所述沟通方式信息以及所述转化分数进行特征向量构建处理,得到与所述目标客户对应的目标客户特征向量。
在本实施例中,可通过特征工程,对所述个人基本信息、所述险种信息、所述沟通方式信息以及所述转化分数进行特征向量构建处理得到与所述目标客户对应的目标客户特征向量。
本申请通过基于获取的第一信息类型,从所述客户信息中提取出与所述第一信息类型对应的个人基本信息、险种信息以及沟通方式信息;进而基于所述个人基本信息、所述险种信息、所述沟通方式信息以及所述转化分数进行特征向量构建处理,得到与所述目标客户对应的目标客户特征向量,以实现快速准确地构建出所需的目标客户特征向量,有利于后续可以基于得到的目标客户特征向量来进行所述目标客户与所述坐席之间的匹配处理,从而准确地生成相应的坐席分配名单。
在一些可选的实现方式中,步骤S204包括以下步骤:
从所述坐席信息中获取与拨打指标对应的指标数据。
在本实施例中,所述与拨打指标对应的指标数据至少可包括接通次数、接通时长、成交产品、件均通次,次均通时,件均通时等。
对所述指标数据进行聚类分析,生成与各所述坐席分别对应的指定坐席风格。
在本实施例中,可通过聚类算法对所述指标数据进行聚类分析,生成与各所述坐席分别对应的指定坐席风格。其中,聚类算法具体可采用K-means算法。聚类分析是按照相似性和差异性分为几个类别,其目的是使得属于同一类别的数据间的相似性尽可能大,不同类别中的数据间的相似性尽可能小。具体的,对于坐席聚类,不同的坐席有不同的销售风格,有主打服务,多次跟进型的,也有专业快速销售型,不同销售风格的坐席呈现不同的拨打状态,通过坐席各维度的拨打指标进行聚类,对坐席风格进行打标,匹配积累数据,以得到各坐席的坐席风格。
调用预设的风格映射表。
在本实施例中,上述风格映射表为存储有预设映射关系的数据表,上述预设映射关系为预先设置的关于坐席风格与坐席评分的映射关系。
从所述风格映射表中查询出与所述坐席风格对应的坐席评分。
在本实施例中,可通过查询风格映射表,以获取风格映射表中与所述坐席风格匹配的坐席评分。
本申请通过从所述坐席信息中获取与拨打指标对应的指标数据;然后对所述指标数据进行聚类分析,生成与各所述坐席分别对应的指定坐席风格;后续调用预设的风格映射表,并从所述风格映射表中查询出与所述坐席风格对应的坐席评分,以实现基于风格映射表快速地获取到所需与所述坐席对应的坐席评分,有利于后续可以基于得到的坐席评分来快速准确地构建出与所述坐席对应的坐席特征向量。
在一些可选的实现方式中,步骤S205包括以下步骤:
获取预设的第二信息类型。
在本实施例中,上述第二信息类型包括坐席基本信息类型、主要险种信息类型以及坐席风格信息类型。
基于所述第二信息类型,从所述坐席信息中提取与所述第二信息类型对应的坐席基本信息、主要险种信息以及坐席风格信息。
在本实施例中,
基于所述坐席基本信息、所述主要险种信息、所述坐席风格信息以及所述坐席评分进行特征向量构建处理,得到与所述坐席对应的坐席特征向量。
在本实施例中,可通过特征工程,对所述坐席基本信息、所述主要险种信息、所述坐席风格信息以及所述坐席评分进行特征向量构建处理,得到与所述坐席对应的坐席特征向量。
本申请通过基于获取的第二信息类型,从所述坐席信息中提取与所述第二信息类型对应的坐席基本信息、主要险种信息以及坐席风格信息;进而基于所述坐席基本信息、所述主要险种信息、所述坐席风格信息以及所述坐席评分进行特征向量构建处理,得到与所述坐席对应的坐席特征向量,以实现快速准确地构建出所需的目标坐席特征向量,有利于后续可以基于得到的坐席特征向量来进行所述目标客户与所述坐席之间的匹配处理,从而准确地生成相应的坐席分配名单。
在本实施例的一些可选的实现方式中,步骤S206包括以下步骤:
获取预设的多种相似度算法。
在本实施例中,所述相似度算法可采用现有的可用于计算特征向量的相似度的算法,举例地,所述相似度算法可包括欧式距离算法、汉明距离算法、Jaccard系数、余弦距离算法等等。
从所有所述相似度算法中确定出指定相似度算法。
在本实施例中,上述指定相似度算法具体可指上述相似度算法中处理时间、处理准确率以及客户评价值满足预定条件的算法。具体的,上述从所有所述相似度算法中确定出指定相似度算法的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
采用所述指定相似度算法对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到所述相似度数据。
本申请通过从预设的多种相似度算法中确定出指定相似度算法;并采用所述指定相似度算法对所述目标客户特征向量与所述坐席特征向量进行相似度计算,保证了生成相似度数据的效率与准确性,有利于后续可以基于所述相似度数据,采用多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,以实现准确地生成相应的坐席分配名单。
在本实施例的一些可选的实现方式中,所述从所有所述相似度算法中确定出指定相似度算法,包括以下步骤:
获取预设的测试特征向量数据。
在本实施例中,上述测试特征向量数据至少包括待测试的测试客户特征向量,以及测试坐席特征向量。
基于所述测试特征向量数据生成与各所述相似度算法分别对应的处理时间。
在本实施例中,所述处理时间是指相似度算法在接收到待测试的测试客户特征向量以及测试坐席特征向量,直至输出与该两个测试特征向量数据对应的相似度结果所花费的时间。
从所有所述相似度算法中筛选出处理时间处于预设的处理时间范围内的第一相似度算法。
在本实施例中,对于所述处理时间范围的取值不作具体限定,可根据实际的使用需求进行设置。
获取各所述第一相似度算法在预设时间周期内的处理准确率与客户评价值。
在本实施例中,对于所述预设时间周期的取值不作具体限定,可根据实际的使用需求进行设置。可通过查阅预先构建的与相似度算法对应的算法测试数据库,来获取各所述第一相似度算法在预设时间周期内的处理准确率与客户评价值。
基于所述第一相似度算法的指定处理时间、所述处理准确率以及所述客户评价值,调用预设的计算公式生成各所述第一相似度算法的综合处理分数。
在本实施例中,可先获取与所述指定处理时间、所述处理准确率以及所述客户评价值分别对应的第一权重、第二权重以及第三权重,再基于调用与所述第一权重、第二权重以及第三权重对应的计算公式生成各所述第一相似度算法的综合处理分数。其中,所述计算公式具体包括:Score=(b*y+c*z)/(a*x),Score为综合处理分数,a为指定处理时间,x为指定处理时间对应的第一权重,b为处理准确率,y为处理准确率对应的第二权重,c为客户评价值,z为客户评价值对应的第三权重。
从所有所述第一相似度算法中筛选出综合处理分数最大的第二相似度算法。
将所述第二相似度算法作为所述指定相似度算法。
本申请在获得了多种相似度算法后,会智能地对各种相似度算法进行处理时间、处理准确率以及客户评价值的综合考量来计算出各种相似度算法的综合处理分数,并将综合处理分数最大的相似度算法用作指定相似度算法。由于得到的指定相似度算法具有较高的处理效率、较高的处理准确率以及较高的客户满意度,使得后续通过采用所述指定相似度算法对所述目标客户特征向量与所述坐席特征向量进行相似度计算,能够有效保证指定相似度算法输出的多个相似度的准确性的基础上,有效地提高生成相似度的处理效率,进而有利于根据得到的相似度来实现准确快速地进行所述目标客户与所述坐席之间的匹配处理,以实现准确地生成相应的坐席分配名单。
需要强调的是,为进一步保证上述坐席分配名单的私密和安全性,上述坐席分配名单还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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(Artificial Intelligence,AI)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一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-Only 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。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于人工智能的数据匹配装置的一个实施例,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3所示,本实施例所述的基于人工智能的数据匹配装置300包括:获取模块301、第一生成模块302、第一构建模块303、第二生成模块304、第二构建模块305、计算模块306以及匹配模块307。
其中:
获取模块301,用于获取目标客户的客户信息,并对所述客户信息进行数据预处理与特征构建得到对应的特征数据;其中,所述目标客户的数量包括多个;
第一生成模块302,用于对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数;
第一构建模块303,用于基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量;
第二生成模块304,用于获取坐席的坐席信息,并对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分;其中,所述坐席的数量包括多个;
第二构建模块305,用于基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量;
计算模块306,用于对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据;
匹配模块307,用于基于所述相似度数据,采用预设的多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,生成相应的坐席分配名单。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据匹配方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一生成模块302包括:
输入子模块,用于将所述特征数据输入至预设的梯度提升树模型内;
预测子模块,用于通过所述梯度提升树模型对所述特征数据进行预测处理,得到与所述特征数据对应的转化率;
第一确定子模块,用于基于所述转化率生成所述目标客户的转化分数。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据匹配方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一构建模块303包括:
第一获取子模块,用于获取预设的第一信息类型;
第一提取子模块,用于基于所述第一信息类型,从所述客户信息中提取出与所述第一信息类型对应的个人基本信息、险种信息以及沟通方式信息;
第一构建子模块,用于基于所述个人基本信息、所述险种信息、所述沟通方式信息以及所述转化分数进行特征向量构建处理,得到与所述目标客户对应的目标客户特征向量。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据匹配方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第二生成模块304包括:
第二获取子模块,用于从所述坐席信息中获取与拨打指标对应的指标数据;
分析子模块,用于对所述指标数据进行聚类分析,生成与各所述坐席分别对应的指定坐席风格;
调用子模块,用于调用预设的风格映射表;
查询子模块,用于从所述风格映射表中查询出与所述坐席风格对应的坐席评分。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据匹配方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第二构建模块305包括:
第三获取子模块,用于获取预设的第二信息类型;
第二提取子模块,用于基于所述第二信息类型,从所述坐席信息中提取与所述第二信息类型对应的坐席基本信息、主要险种信息以及坐席风格信息;
第二构建子模块,用于基于所述坐席基本信息、所述主要险种信息、所述坐席风格信息以及所述坐席评分进行特征向量构建处理,得到与所述坐席对应的坐席特征向量。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据匹配方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,计算模块306包括:
第四获取子模块,用于获取预设的多种相似度算法;
第二确定子模块,用于从所有所述相似度算法中确定出指定相似度算法;
计算子模块,用于采用所述指定相似度算法对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到所述相似度数据。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据匹配方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第二确定子模块包括:
第一获取单元,用于获取预设的测试特征向量数据;
第一生成单元,用于基于所述测试特征向量数据生成与各所述相似度算法分别对应的处理时间;
第一筛选单元,用于从所有所述相似度算法中筛选出处理时间处于预设的处理时间范围内的第一相似度算法;
第二获取单元,用于获取各所述第一相似度算法在预设时间周期内的处理准确率与客户评价值;
第二生成单元,用于基于所述第一相似度算法的指定处理时间、所述处理准确率以及所述客户评价值,调用预设的计算公式生成各所述第一相似度算法的综合处理分数;
第二筛选单元,用于从所有所述第一相似度算法中筛选出综合处理分数最大的第二相似度算法;
确定单元,用于将所述第二相似度算法作为所述指定相似度算法。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的数据匹配方法的步骤一一对应,在此不再赘述。
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4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,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(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal 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41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41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4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(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4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41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如基于人工智能的数据匹配方法的计算机可读指令等。此外,所述存储器41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42在一些实施例中可以是中央处理器(Central Processing Unit,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42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述基于人工智能的数据匹配方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先获取目标客户的客户信息,并对所述客户信息进行数据预处理与特征构建得到对应的特征数据。然后对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数,并基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量。之后获取坐席的坐席信息,并对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分,并基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量;后续对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据;最后基于所述相似度数据,采用预设的多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,生成相应的坐席分配名单。本申请实施例通过根据目标客户的客户信息以及坐席的坐席信息来自动构建客户和坐席的特征向量,再比较客户的特征向量与坐席的特征向量的相似度,进而利用多重匹配算法自动实现
客户与坐席之间的双向匹配,降低了坐席分配不合理的风险,更易得出较优的分配方案,减少了人工参与的工作量,有效提升坐席的分配效率与分配准确度。
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至少一个处理器执行,以使所述至少一个处理器执行如上述的基于人工智能的数据匹配方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先获取目标客户的客户信息,并对所述客户信息进行数据预处理与特征构建得到对应的特征数据。然后对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数,并基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量。之后获取坐席的坐席信息,并对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分,并基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量;后续对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据;最后基于所述相似度数据,采用预设的多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,生成相应的坐席分配名单。本申请实施例通过根据目标客户的客户信息以及坐席的坐席信息来自动构建客户和坐席的特征向量,再比较客户的特征向量与坐席的特征向量的相似度,进而利用多重匹配算法自动实现客户与坐席之间的双向匹配,降低了坐席分配不合理的风险,更易得出较优的分配方案,减少了人工参与的工作量,有效提升坐席的分配效率与分配准确度。
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)

1.一种基于人工智能的数据匹配方法,其特征在于,包括下述步骤:
获取目标客户的客户信息,并对所述客户信息进行数据预处理与特征构建得到对应的特征数据;其中,所述目标客户的数量包括多个;
对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数;
基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量;
获取坐席的坐席信息,并对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分;其中,所述坐席的数量包括多个;
基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量;
对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据;
基于所述相似度数据,采用预设的多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,生成相应的坐席分配名单。
2.根据权利要求1所述的基于人工智能的数据匹配方法,其特征在于,所述对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数的步骤,具体包括:
将所述特征数据输入至预设的梯度提升树模型内;
通过所述梯度提升树模型对所述特征数据进行预测处理,得到与所述特征数据对应的转化率;
基于所述转化率生成所述目标客户的转化分数。
3.根据权利要求1所述的基于人工智能的数据匹配方法,其特征在于,所述基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量的步骤,具体包括:
获取预设的第一信息类型;
基于所述第一信息类型,从所述客户信息中提取出与所述第一信息类型对应的个人基本信息、险种信息以及沟通方式信息;
基于所述个人基本信息、所述险种信息、所述沟通方式信息以及所述转化分数进行特征向量构建处理,得到与所述目标客户对应的目标客户特征向量。
4.根据权利要求1所述的基于人工智能的数据匹配方法,其特征在于,所述对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分的步骤,具体包括:
从所述坐席信息中获取与拨打指标对应的指标数据;
对所述指标数据进行聚类分析,生成与各所述坐席分别对应的指定坐席风格;
调用预设的风格映射表;
从所述风格映射表中查询出与所述坐席风格对应的坐席评分。
5.根据权利要求1所述的基于人工智能的数据匹配方法,其特征在于,所述基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量的步骤,具体包括:
获取预设的第二信息类型;
基于所述第二信息类型,从所述坐席信息中提取与所述第二信息类型对应的坐席基本信息、主要险种信息以及坐席风格信息;
基于所述坐席基本信息、所述主要险种信息、所述坐席风格信息以及所述坐席评分进行特征向量构建处理,得到与所述坐席对应的坐席特征向量。
6.根据权利要求1所述的基于人工智能的数据匹配方法,其特征在于,所述对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据的步骤,具体包括:
获取预设的多种相似度算法;
从所有所述相似度算法中确定出指定相似度算法;
采用所述指定相似度算法对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到所述相似度数据。
7.根据权利要求6所述的基于人工智能的数据匹配方法,其特征在于,所述从所有所述相似度算法中确定出指定相似度算法的步骤,具体包括:
获取预设的测试特征向量数据;
基于所述测试特征向量数据生成与各所述相似度算法分别对应的处理时间;
从所有所述相似度算法中筛选出处理时间处于预设的处理时间范围内的第一相似度算法;
获取各所述第一相似度算法在预设时间周期内的处理准确率与客户评价值;
基于所述第一相似度算法的指定处理时间、所述处理准确率以及所述客户评价值,调用预设的计算公式生成各所述第一相似度算法的综合处理分数;
从所有所述第一相似度算法中筛选出综合处理分数最大的第二相似度算法;
将所述第二相似度算法作为所述指定相似度算法。
8.一种基于人工智能的数据匹配装置,其特征在于,包括:
获取模块,用于获取目标客户的客户信息,并对所述客户信息进行数据预处理与特征构建得到对应的特征数据;其中,所述目标客户的数量包括多个;
第一生成模块,用于对所述特征数据进行数据分析,生成与所述目标客户对应的转化分数;
第一构建模块,用于基于所述客户信息与所述转化分数构建与所述目标客户对应的目标客户特征向量;
第二生成模块,用于获取坐席的坐席信息,并对所述坐席信息进行数据分析,生成与所述坐席对应的坐席评分;其中,所述坐席的数量包括多个;
第二构建模块,用于基于所述坐席信息与所述坐席评分构建与所述坐席对应的坐席特征向量;
计算模块,用于对所述目标客户特征向量与所述坐席特征向量进行相似度计算,得到对应的相似度数据;
匹配模块,用于基于所述相似度数据,采用预设的多重匹配算法进行所述目标客户与所述坐席之间的匹配处理,生成相应的坐席分配名单。
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中任一项所述的基于人工智能的数据匹配方法的步骤。
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中任一项所述的基于人工智能的数据匹配方法的步骤。
CN202310443974.6A 2023-04-13 2023-04-13 基于人工智能的数据匹配方法、装置、设备及存储介质 Pending CN116842395A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310443974.6A CN116842395A (zh) 2023-04-13 2023-04-13 基于人工智能的数据匹配方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310443974.6A CN116842395A (zh) 2023-04-13 2023-04-13 基于人工智能的数据匹配方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116842395A true CN116842395A (zh) 2023-10-03

Family

ID=88173173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310443974.6A Pending CN116842395A (zh) 2023-04-13 2023-04-13 基于人工智能的数据匹配方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116842395A (zh)

Similar Documents

Publication Publication Date Title
CN113610239A (zh) 针对机器学习的特征处理方法及特征处理系统
CN112085565A (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN112308173B (zh) 基于多评价因子融合的多目标对象评价方法及其相关设备
CN112925911B (zh) 基于多模态数据的投诉分类方法及其相关设备
CN107368499B (zh) 一种客户标签建模及推荐方法及装置
CN115221396A (zh) 基于人工智能的信息推荐方法、装置及电子设备
CN113627797A (zh) 入职员工画像生成方法、装置、计算机设备及存储介质
CN107644042B (zh) 软件程序点击率预估排序方法及服务器
CN116777646A (zh) 基于人工智能的风险识别方法、装置、设备及存储介质
CN116843483A (zh) 一种车险理赔方法、装置、计算机设备及存储介质
CN115860835A (zh) 基于人工智能的广告推荐方法、装置、设备及存储介质
CN113722437B (zh) 基于人工智能的用户标签识别方法、装置、设备及介质
CN115392361A (zh) 一种智能排序方法、装置、计算机设备及存储介质
CN116842395A (zh) 基于人工智能的数据匹配方法、装置、设备及存储介质
CN116703046A (zh) 实时派工顺序的控制方法及系统、电子设备和存储介质
CN113936677A (zh) 音色转换方法、装置、计算机设备及存储介质
CN114066278B (zh) 物品召回的评估方法、装置、介质及程序产品
CN113792549B (zh) 一种用户意图识别的方法、装置、计算机设备及存储介质
CN116777641A (zh) 模型构建方法、装置、计算机设备及存储介质
CN117078406A (zh) 一种客户流失预警方法、装置、计算机设备及存储介质
CN117407750A (zh) 基于元数据的数据质量监控方法、装置、设备及存储介质
CN116542779A (zh) 基于人工智能的产品推荐方法、装置、设备及存储介质
CN117853247A (zh) 基于人工智能的产品推荐方法、装置、设备及存储介质
CN116756539A (zh) 项目推荐方法、装置、计算机设备及存储介质
CN118013128A (zh) 基于人工智能的素材推荐方法、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