CN116883006A - 客户资源公海池管理系统及其方法 - Google Patents
客户资源公海池管理系统及其方法 Download PDFInfo
- Publication number
- CN116883006A CN116883006A CN202310868209.9A CN202310868209A CN116883006A CN 116883006 A CN116883006 A CN 116883006A CN 202310868209 A CN202310868209 A CN 202310868209A CN 116883006 A CN116883006 A CN 116883006A
- Authority
- CN
- China
- Prior art keywords
- resource
- customer
- client
- sequence
- feature vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 297
- 238000007726 management method Methods 0.000 claims description 86
- 230000004927 fusion Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000002699 waste material Substances 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
-
- 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
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
公开了一种客户资源公海池管理系统及其方法。该系统包括：客户资源层级管理模块，用于指定客户资源的分组以及指定所述客户资源的退回公海的时间阈值；以及，退回模块，用于响应于所述客户资源在预定时间阈值内未被转化，将所述客户资源退回至公海池。这样，可以兼顾效率和公平的管理客户资源。
Description
技术领域
本申请涉及智能化管理领域，且更为具体地，涉及一种客户资源公海池管理系统及其方法。
背景技术
销售新人会吐槽业绩不好是因为分配到的客户不好，好客户都被别人占了。老销售们又往往过于依赖老客户，对名下的潜在客户挖掘不够积极；管理层苦恼于客户资源被老销售私人占有，无法及时退回公海等等情况，导致大批潜在客户趴在企业的资源库中任时光流逝，消磨殆尽，严重阻碍着企业的健康可持续发展。
对客户资源的利用效率和管理能力，是决定CRM能否真正用起来的重要因素之一，也是企业销售团队执行力和成功率更重要的保障。现公海退回机制较为局限，无法灵活配置企业需求，在大客户企业中对不同业务线、不同部门等情况需配置灵活退回规则，目前很难满足这种精细化管理的配置。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种客户资源公海池管理系统及其方法。该系统包括：客户资源层级管理模块，用于指定客户资源的分组以及指定所述客户资源的退回公海的时间阈值；以及，退回模块，用于响应于所述客户资源在预定时间阈值内未被转化，将所述客户资源退回至公海池。这样，可以兼顾效率和公平的管理客户资源。
根据本申请的一个方面，提供了一种客户资源公海池管理系统，其包括：
客户资源层级管理模块，用于指定客户资源的分组以及指定所述客户资源的退回公海的时间阈值；以及
退回模块，用于响应于所述客户资源在预定时间阈值内未被转化，将所述客户资源退回至公海池。
在上述的客户资源公海池管理系统中，所述资源层级管理模块，包括：
文本描述获取单元，用于获取待评估客户资源的文本描述；
分词处理单元，用于对所述待评估客户资源的文本描述进行分词处理以得到客户资源描述词的序列；
词嵌入单元，用于将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列；
第一语义编码单元，用于将所述客户资源描述词嵌入向量的序列通过基于转换器模块的第一语义编码器以得到上下文客户资源描述词特征向量的序列；
级联单元，用于将所述上下文客户资源描述词特征向量的序列进行级联以得到第一尺度客户资源语义理解特征向量；
第二语义编码单元，用于将所述上下文客户资源描述词特征向量的序列通过基于双向长短期记忆神经网络模型的第二语义编码器以得到第二尺度客户资源语义理解特征向量；
融合单元，用于融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到多尺度客户资源语义理解特征向量；以及
分类单元，用于将所述客户资源语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示退回公海的时间推荐值标签。
在上述的客户资源公海池管理系统中，所述词嵌入层是词向量模型，所述词向量模型为Word2Vec或GloVe。
在上述的客户资源公海池管理系统中，所述第一语义编码单元，包括：
查询向量构造子单元，用于将所述客户资源描述词嵌入向量的序列进行一维排列以得到全局客户资源描述特征向量；
自注意子单元，用于计算所述全局客户资源描述特征向量与所述客户资源描述词嵌入向量的序列中各个客户资源描述词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及
注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述客户资源描述词嵌入向量的序列中各个客户资源描述词嵌入向量进行加权以得到所述上下文客户资源描述词特征向量的序列。
在上述的客户资源公海池管理系统中，所述基于转换器模块的第一语义编码器为基于转换器的Bert模型。
在上述的客户资源公海池管理系统中，所述融合单元，用于：
以如下融合公式融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到所述多尺度客户资源语义理解特征向量；
其中，所述融合公式为：
其中，为所述第一尺度客户资源语义理解特征向量，为所述第二尺度客户资源语义理解特征向量，为所述第二尺度客户资源语义理解特征向量的转置向量，和均为列向量，为所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量之间的距离矩阵，且是权重超参数，和分别表示向量加法和向量乘法，为所述多尺度客户资源语义理解特征向量。
在上述的客户资源公海池管理系统中，所述分类单元，包括：
全连接编码子单元，用于使用所述分类器的全连接层对所述客户资源语义理解特征向量进行全连接编码以得到编码分类特征向量；以及
分类子单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面，提供了一种客户资源公海池管理方法，其包括：
指定客户资源的分组以及指定所述客户资源的退回公海的时间阈值；以及
响应于所述客户资源在预定时间阈值内未被转化，将所述客户资源退回至公海池。
在上述的客户资源公海池管理方法中，指定客户资源的分组以及指定所述客户资源的退回公海的时间阈值，包括：
获取待评估客户资源的文本描述；
对所述待评估客户资源的文本描述进行分词处理以得到客户资源描述词的序列；
将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列；
将所述客户资源描述词嵌入向量的序列通过基于转换器模块的第一语义编码器以得到上下文客户资源描述词特征向量的序列；
将所述上下文客户资源描述词特征向量的序列进行级联以得到第一尺度客户资源语义理解特征向量；
将所述上下文客户资源描述词特征向量的序列通过基于双向长短期记忆神经网络模型的第二语义编码器以得到第二尺度客户资源语义理解特征向量；
融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到多尺度客户资源语义理解特征向量；以及
将所述客户资源语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示退回公海的时间推荐值标签。
在上述的客户资源公海池管理方法中，所述词嵌入层是词向量模型，所述词向量模型为Word2Vec或GloVe。
与现有技术相比，本申请提供的客户资源公海池管理系统及其方法，该系统包括：客户资源层级管理模块，用于指定客户资源的分组以及指定所述客户资源的退回公海的时间阈值；以及，退回模块，用于响应于所述客户资源在预定时间阈值内未被转化，将所述客户资源退回至公海池。这样，可以兼顾效率和公平的管理客户资源。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例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而言，在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的客户资源公海池管理系统的框图示意图。
图2为根据本申请实施例的客户资源公海池管理系统的所述客户资源层级管理模块的应用场景图。
图3为根据本申请实施例的客户资源公海池管理系统的所述客户资源层级管理模块的框图示意图。
图4为根据本申请实施例的客户资源公海池管理系统中的所述第一语义编码单元的框图示意图。
图5为根据本申请实施例的客户资源公海池管理系统中的所述分类单元的框图示意图。
图6为根据本申请实施例的客户资源公海池管理方法的流程图。
图7为根据本申请实施例的客户资源公海池管理方法的子步骤S110的流程图。
图8为根据本申请实施例的客户资源公海池管理方法的子步骤S110的系统架构的示意图。
图9至图11为根据本申请实施例的客户资源公海池管理系统的一个具体示例。
图12和图13为根据本申请实施例的客户资源公海池管理系统的另一个具体示例。
图14为根据本申请实施例的客户资源公海池管理系统的自动转移规则示意图。
实施方式
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，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请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步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术需求，本申请的技术构思为对公海池分组进行层级管理，分组权限精细化（精确到人员，角色，部门），支持系统字段、自定义字段组合筛选条件。并且，分组条件存在子父级关系，根据子父级设置退回规则中退回目标分组就可以灵活实现如下技术场景：
a、当前分组：退回到当前的所属公海分组下；若所属分组为空或已删除，则退回到“无分组公海”中；
b、指定分组：退回到指定某一分组或无分组公海下，退回后“公海分组”字段值调整。
c、上级分组：退回到当前分组的上一层分组；若当前分组为最上级线索，则因无上级分组而默认退回到当前分组下。
例如，C企业有多个销售小组，组与组之间的转化率存在显著差异，经理认为可能是不同小组销售能力存在差异。为提高客户资源的高效利用，客户在电销A组的公海池中停留了预定天数天没有被销售捞取，需要自动转移到B组公海池中，让B组的销售去捞取并跟进，促进销售成单。
相应地，如图1所示，所述的客户资源公海池管理系统，包括：客户资源层级管理模块110，用于指定客户资源的分组以及指定所述客户资源的退回公海的时间阈值；以及，退回模块120，用于响应于所述客户资源在预定时间阈值内未被转化，将所述客户资源退回至公海池。
在所述客户资源公海池管理系统中，设置退回公海时间是一个非常重要的技术问题。因此，如果退回时间过长，则有可能造成客户资源的闲置和浪费，降低转化效率；而如果退回时间过短，则有可能造成不公平的问题，因为客户资源转化本身需要一段时间和具有一定的随机性。基于此，在本申请的技术方案中，基于客户资源的自身情况来自适应地配置退回公海的时间推荐值，这样兼顾客户资源管理的效率和公平性。
具体地，在本申请的技术方案中，首先获取待评估客户资源的文本描述。这里，获取待评估客户资源的文本描述是为了进行客户资源语义理解和分类标签预测。应可以理解，客户资源通常以文本的形式进行描述，包括客户的基本信息、需求、偏好等，这些文本描述包含了丰富的语义信息，从而可基于所述待评价客户资源的语义信息来自适应地配置退回公海的时间推荐值，这样兼顾客户资源管理的效率和公平性。
接着，对所述待评估客户资源的文本描述进行分词处理以得到客户资源描述词的序列，并将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列。考虑到所述待评估客户资源的文本描述是非结构化数据，因此，在进行后续的语义理解和分类判断之前，需要对其进行结构化转换。
具体地，首先对所述待评估客户资源的文本描述进行分词处理以得到客户资源描述词的序列。应可以理解，在进行分词处理的过程中，需去除无意义的词或者字符，例如，标点符号、重复值、异常值等。接着，并将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列，其中，所述词嵌入层可以是词向量模型，例如，Word2Vec、GloVe等。值得一提的是，在将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列的过程中，使用词向量模型可以处理同义词和近义词的问题，词向量模型可以将每个词映射到一个高维空间中的向量，使得语义相近的词在向量空间中距离较近。
进而，将所述客户资源描述词嵌入向量的序列通过基于转换器模块的第一语义编码器以得到上下文客户资源描述词特征向量的序列，其中，所述上下文客户资源描述词特征向量的序列表示客户资源描述词之间的上下文语义关系。在本申请的技术方案中，所述基于转换器模块的第一语义编码器使用基于Transformer的自注意力机制对所述客户资源描述词嵌入向量的序列进行全局的上下文语义编码以得到所述上下文客户资源描述词特征向量的序列，其中，所述上下文客户资源描述词特征向量的序列中各个上下文客户资源描述词特征向量对应于各个客户资源描述词嵌入向量。在本申请一个具体的示例中，所述基于转换器模块的第一语义编码器为基于转换器的Bert模型。
在客户资源管理系统中，客户资源描述词之间的上下文关系非常重要。例如，对于一个客户资源描述词“金融”，如果它前面的客户资源描述词是“银行”，那么它的含义可能是“金融银行”，而如果它前面的客户资源描述词是“医疗”，那么它的含义可能是“金融医疗”。因此，考虑客户资源描述词之间的上下文关系可以更好地理解客户资源的语义信息，提高客户资源分类的准确性。
接着，将所述上下文客户资源描述词特征向量的序列进行级联以得到第一尺度客户资源语义理解特征向量。也就是，将所述客户资源中各个词的上下文客户资源描述词特征向量的布局特征分布进行集合化以得到用于表示所述客户资源的文本描述的整体语义信息的所述第一尺度客户资源语义理解特征向量。
特别地，所述基于转换器模块的第一语义编码器使用基于Transformer的自注意力机制对所述客户资源描述词嵌入向量的序列进行全局的上下文语义编码，以捕捉所述客户资源中各个词相对于其他所有词的上下文关联信息，即，所述基于转换器模块的第一语义编码器擅长于捕捉所述客户资源描述词嵌入向量的序列中所蕴含的长距离依赖语义信息。但是，所述基于转换器模块的第一语义编码器在局部语义关联信息方面的提取能力较弱，但在文本表达的过程中，通常距离较近的词之间的语义关联强度较大。
基于此，在本申请的技术方案中，将所述上下文客户资源描述词特征向量的序列通过基于双向长短期记忆神经网络模型的第二语义编码器以得到第二尺度客户资源语义理解特征向量。应可以理解，在所述客户资源的文本描述中，对于一个客户资源描述词“金融”，它前面的客户资源描述词可能是“银行”，在更远的位置可能还有其他客户资源描述词，如“投资”、“财务”等，显然金融与银行之间的语义关联要强于金融与投资之间的语义关联，因此，在进行语义编码时，要考虑客户资源描述词之间的中短距离依赖关系，以此来更好地理解客户资源的语义信息，提高客户资源分类和推荐的准确性。
具体地，所述基于双向长短期记忆神经网络模型的第二语义编码器可以通过前向和后向的长短期记忆神经网络单元，分别对上下文客户资源描述词特征向量序列进行编码，从而得到第二尺度客户资源语义理解特征向量。
在得到所述客户资源的文本描述的不同尺度的文本语义编码特征后，融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到多尺度客户资源语义理解特征向量。也就是，将不同尺度的语义理解结果在高维语义空间中进行融合以提高所述客户资源的文本语义理解的特征表达的精准度。
继而，将所述客户资源语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示退回公海的时间推荐值标签。在本申请的技术方案中，所述时间推荐值标签，包括10天，20天和30天。这样，基于客户资源的自身情况来自适应地配置退回公海的时间推荐值，这样兼顾客户资源管理的效率和公平性。
特别地，在本申请的技术方案中，在融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量得到所述多尺度客户资源语义理解特征向量时，考虑到所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量分别表达文本语义的基于词向量表示的全局上下文关联特征和基于词内-词间关联的局部特征，其在不同的序列内尺度基础上对于文本语义关联特征进行了表达。
因此，在融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量时，期望提升其在基于局部关联特征尺度的片段级序列分布下的融合效果。
基于此，本申请的申请人对所述第一尺度客户资源语义理解特征向量，例如记为和所述第二尺度客户资源语义理解特征向量，例如记为进行局部序列语义的片段式富化融合，以获得所述多尺度客户资源语义理解特征向量，例如记为，具体表示为：
为所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量之间的距离矩阵，即，和均为列向量，且是权重超参数。
这里，所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预定分布方向上的方向性语义的编码效果，来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数，从而对序列之间在各个片段级别（patch-level）的基于特征表象（feature appearance）的相似性进行捕获，实现了所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量的局部片段级语义的富化式融合，从而提升了所述多尺度客户资源语义理解特征向量的表达效果，也就提升了所述多尺度客户资源语义理解特征向量通过分类器得到的分类结果的准确性。
图2为根据本申请实施例的客户资源公海池管理系统的所述资源层级管理模块的应用场景图。如图2所示，在该应用场景中，首先，获取待评估客户资源的文本描述（例如，图2中所示意的D），然后，将所述待评估客户资源的文本描述输入至部署有客户资源公海池管理算法的服务器中（例如，图2中所示意的S），其中，所述服务器能够使用所述客户资源公海池管理算法对所述待评估客户资源的文本描述进行处理以得到用于表示退回公海的时间推荐值标签的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
图3为根据本申请实施例的客户资源公海池管理系统的所述资源层级管理模块的框图示意图。如图3所示，根据本申请实施例的客户资源公海池管理系统100，所述资源层级管理模块110，包括：文本描述获取单元111，用于获取待评估客户资源的文本描述；分词处理单元112，用于对所述待评估客户资源的文本描述进行分词处理以得到客户资源描述词的序列；词嵌入单元113，用于将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列；第一语义编码单元114，用于将所述客户资源描述词嵌入向量的序列通过基于转换器模块的第一语义编码器以得到上下文客户资源描述词特征向量的序列；级联单元115，用于将所述上下文客户资源描述词特征向量的序列进行级联以得到第一尺度客户资源语义理解特征向量；第二语义编码单元116，用于将所述上下文客户资源描述词特征向量的序列通过基于双向长短期记忆神经网络模型的第二语义编码器以得到第二尺度客户资源语义理解特征向量；融合单元117，用于融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到多尺度客户资源语义理解特征向量；以及，分类单元118，用于将所述客户资源语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示退回公海的时间推荐值标签。
更具体地，在本申请实施例中，所述文本描述获取单元111，用于获取待评估客户资源的文本描述。获取待评估客户资源的文本描述是为了进行客户资源语义理解和分类标签预测。应可以理解，客户资源通常以文本的形式进行描述，包括客户的基本信息、需求、偏好等，这些文本描述包含了丰富的语义信息，从而可基于所述待评价客户资源的语义信息来自适应地配置退回公海的时间推荐值，这样兼顾客户资源管理的效率和公平性。
更具体地，在本申请实施例中，所述分词处理单元112，用于对所述待评估客户资源的文本描述进行分词处理以得到客户资源描述词的序列。所述待评估客户资源的文本描述是非结构化数据，因此，在进行后续的语义理解和分类判断之前，需要对其进行结构化转换。在进行分词处理的过程中，需去除无意义的词或者字符，例如，标点符号、重复值、异常值等。
更具体地，在本申请实施例中，所述词嵌入单元113，用于将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列。在将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列的过程中，使用词向量模型可以处理同义词和近义词的问题，词向量模型可以将每个词映射到一个高维空间中的向量，使得语义相近的词在向量空间中距离较近。
相应地，在一个具体示例中，所述词嵌入层是词向量模型，所述词向量模型为Word2Vec或GloVe。
更具体地，在本申请实施例中，所述第一语义编码单元114，用于将所述客户资源描述词嵌入向量的序列通过基于转换器模块的第一语义编码器以得到上下文客户资源描述词特征向量的序列。所述上下文客户资源描述词特征向量的序列表示客户资源描述词之间的上下文语义关系。在本申请的技术方案中，所述基于转换器模块的第一语义编码器使用基于Transformer的自注意力机制对所述客户资源描述词嵌入向量的序列进行全局的上下文语义编码以得到所述上下文客户资源描述词特征向量的序列，其中，所述上下文客户资源描述词特征向量的序列中各个上下文客户资源描述词特征向量对应于各个客户资源描述词嵌入向量。
相应地，在一个具体示例中，如图4所示，所述第一语义编码单元114，包括：查询向量构造子单元1141，用于将所述客户资源描述词嵌入向量的序列进行一维排列以得到全局客户资源描述特征向量；自注意子单元1142，用于计算所述全局客户资源描述特征向量与所述客户资源描述词嵌入向量的序列中各个客户资源描述词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元1143，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元1144，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元1145，用于分别以所述多个概率值中各个概率值作为权重对所述客户资源描述词嵌入向量的序列中各个客户资源描述词嵌入向量进行加权以得到所述上下文客户资源描述词特征向量的序列。
相应地，在一个具体示例中，所述基于转换器模块的第一语义编码器为基于转换器的Bert模型。
更具体地，在本申请实施例中，所述级联单元115，用于将所述上下文客户资源描述词特征向量的序列进行级联以得到第一尺度客户资源语义理解特征向量。也就是，将所述客户资源中各个词的上下文客户资源描述词特征向量的布局特征分布进行集合化以得到用于表示所述客户资源的文本描述的整体语义信息的所述第一尺度客户资源语义理解特征向量。
更具体地，在本申请实施例中，所述第二语义编码单元116，用于将所述上下文客户资源描述词特征向量的序列通过基于双向长短期记忆神经网络模型的第二语义编码器以得到第二尺度客户资源语义理解特征向量。应可以理解，在所述客户资源的文本描述中，对于一个客户资源描述词“金融”，它前面的客户资源描述词可能是“银行”，在更远的位置可能还有其他客户资源描述词，如“投资”、“财务”等，显然金融与银行之间的语义关联要强于金融与投资之间的语义关联，因此，在进行语义编码时，要考虑客户资源描述词之间的中短距离依赖关系，以此来更好地理解客户资源的语义信息，提高客户资源分类和推荐的准确性。具体地，所述基于双向长短期记忆神经网络模型的第二语义编码器可以通过前向和后向的长短期记忆神经网络单元，分别对上下文客户资源描述词特征向量序列进行编码，从而得到第二尺度客户资源语义理解特征向量。
更具体地，在本申请实施例中，所述融合单元117，用于融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到多尺度客户资源语义理解特征向量。也就是，将不同尺度的语义理解结果在高维语义空间中进行融合以提高所述客户资源的文本语义理解的特征表达的精准度。特别地，在本申请的技术方案中，在融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量得到所述多尺度客户资源语义理解特征向量时，考虑到所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量分别表达文本语义的基于词向量表示的全局上下文关联特征和基于词内-词间关联的局部特征，其在不同的序列内尺度基础上对于文本语义关联特征进行了表达。因此，在融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量时，期望提升其在基于局部关联特征尺度的片段级序列分布下的融合效果。基于此，本申请的申请人对所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量进行局部序列语义的片段式富化融合，以获得所述多尺度客户资源语义理解特征向量。
相应地，在一个具体示例中，所述融合单元117，用于：以如下融合公式融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到所述多尺度客户资源语义理解特征向量；其中，所述融合公式为：
其中，为所述第一尺度客户资源语义理解特征向量，为所述第二尺度客户资源语义理解特征向量，为所述第二尺度客户资源语义理解特征向量的转置向量，和均为列向量，为所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量之间的距离矩阵，且是权重超参数，和分别表示向量加法和向量乘法，为所述多尺度客户资源语义理解特征向量。
这里，所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预定分布方向上的方向性语义的编码效果，来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数，从而对序列之间在各个片段级别的基于特征表象的相似性进行捕获，实现了所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量的局部片段级语义的富化式融合，从而提升了所述多尺度客户资源语义理解特征向量的表达效果，也就提升了所述多尺度客户资源语义理解特征向量通过分类器得到的分类结果的准确性。
更具体地，在本申请实施例中，所述分类单元118，用于将所述客户资源语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示退回公海的时间推荐值标签。这样，可以基于客户资源的自身情况来自适应地配置退回公海的时间推荐值，这样兼顾客户资源管理的效率和公平性。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一个具体示例中，如图5所示，所述分类单元118，包括：全连接编码子单元1181，用于使用所述分类器的全连接层对所述客户资源语义理解特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元1182，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的客户资源公海池管理系统100被阐明，其首先获取待评估客户资源的文本描述，接着，对所述待评估客户资源的文本描述进行分词处理以得到客户资源描述词的序列，然后，将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列，接着，将所述客户资源描述词嵌入向量的序列通过基于转换器模块的第一语义编码器以得到上下文客户资源描述词特征向量的序列，然后，将所述上下文客户资源描述词特征向量的序列进行级联以得到第一尺度客户资源语义理解特征向量，接着，将所述上下文客户资源描述词特征向量的序列通过基于双向长短期记忆神经网络模型的第二语义编码器以得到第二尺度客户资源语义理解特征向量，然后，融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到多尺度客户资源语义理解特征向量，最后，将所述客户资源语义理解特征向量通过分类器以得到用于表示退回公海的时间推荐值标签的分类结果。
如上所述，根据本申请实施例的基于本申请实施例的客户资源公海池管理系统100可以实现在各种终端设备中，例如具有基于本申请实施例的客户资源公海池管理算法的服务器等。在一个示例中，基于本申请实施例的客户资源公海池管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本申请实施例的客户资源公海池管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本申请实施例的客户资源公海池管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于本申请实施例的客户资源公海池管理系统100与该终端设备也可以是分立的设备，并且该客户资源公海池管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图6为根据本申请实施例的客户资源公海池管理方法的流程图。如图6所示，根据本申请实施例的客户资源公海池管理方法，其包括：S110，指定客户资源的分组以及指定所述客户资源的退回公海的时间阈值；以及，S120，响应于所述客户资源在预定时间阈值内未被转化，将所述客户资源退回至公海池。
图7为根据本申请实施例的客户资源公海池管理方法的子步骤S110的流程图。如图7所示，根据本申请实施例的客户资源公海池管理方法，指定客户资源的分组以及指定所述客户资源的退回公海的时间阈值，包括步骤：S111，获取待评估客户资源的文本描述；S112，对所述待评估客户资源的文本描述进行分词处理以得到客户资源描述词的序列；S113，将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列；S114，将所述客户资源描述词嵌入向量的序列通过基于转换器模块的第一语义编码器以得到上下文客户资源描述词特征向量的序列；S115，将所述上下文客户资源描述词特征向量的序列进行级联以得到第一尺度客户资源语义理解特征向量；S116，将所述上下文客户资源描述词特征向量的序列通过基于双向长短期记忆神经网络模型的第二语义编码器以得到第二尺度客户资源语义理解特征向量；S117，融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到多尺度客户资源语义理解特征向量；以及，S118，将所述客户资源语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示退回公海的时间推荐值标签。
图8为根据本申请实施例的客户资源公海池管理方法的子步骤S110的系统架构的示意图。如图8所示，在所述客户资源公海池管理方法的系统架构中，首先，获取待评估客户资源的文本描述，接着，对所述待评估客户资源的文本描述进行分词处理以得到客户资源描述词的序列，然后，将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列，接着，将所述客户资源描述词嵌入向量的序列通过基于转换器模块的第一语义编码器以得到上下文客户资源描述词特征向量的序列，然后，将所述上下文客户资源描述词特征向量的序列进行级联以得到第一尺度客户资源语义理解特征向量，接着，将所述上下文客户资源描述词特征向量的序列通过基于双向长短期记忆神经网络模型的第二语义编码器以得到第二尺度客户资源语义理解特征向量，然后，融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到多尺度客户资源语义理解特征向量，最后，将所述客户资源语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示退回公海的时间推荐值标签。
在一个具体示例中，在上述客户资源公海池管理方法中，所述词嵌入层是词向量模型，所述词向量模型为Word2Vec或GloVe。
在一个具体示例中，在上述客户资源公海池管理方法中，将所述客户资源描述词嵌入向量的序列通过基于转换器模块的第一语义编码器以得到上下文客户资源描述词特征向量的序列，包括：将所述客户资源描述词嵌入向量的序列进行一维排列以得到全局客户资源描述特征向量；计算所述全局客户资源描述特征向量与所述客户资源描述词嵌入向量的序列中各个客户资源描述词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述客户资源描述词嵌入向量的序列中各个客户资源描述词嵌入向量进行加权以得到所述上下文客户资源描述词特征向量的序列。
在一个具体示例中，在上述客户资源公海池管理方法中，所述基于转换器模块的第一语义编码器为基于转换器的Bert模型。
在一个具体示例中，在上述客户资源公海池管理方法中，融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到多尺度客户资源语义理解特征向量，包括：以如下融合公式融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到所述多尺度客户资源语义理解特征向量；其中，所述融合公式为：
其中，为所述第一尺度客户资源语义理解特征向量，为所述第二尺度客户资源语义理解特征向量，为所述第二尺度客户资源语义理解特征向量的转置向量，和均为列向量，为所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量之间的距离矩阵，且是权重超参数，和分别表示向量加法和向量乘法，为所述多尺度客户资源语义理解特征向量。
在一个具体示例中，在上述客户资源公海池管理方法中，将所述客户资源语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示退回公海的时间推荐值标签，包括：使用所述分类器的全连接层对所述客户资源语义理解特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述客户资源公海池管理方法中的各个步骤的具体操作已经在上面参考图1到图5的客户资源公海池管理系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
进一步地，如图9至图11所示，本申请还提供了一个具体示例。具体地，A企业拥有全国销售网，在多个省市都有区域负责人。销售总监希望客户长时间未跟进的情况下可以按照区域层级掉入不同的公海池，让资源充分利用。比如，如果一个杭州的客户30天没有跟进，就先掉入浙江的公海，让浙江负责人捞取；如果浙江公海的客户50天一直没有跟进，再掉入华东公海，让华东区域的人捞取。按照产品线、区域、组织架构等维度自定义设置公海池分组，通过多层级的方式管理和协调客户资源，提高资源的利用和管理能力。进一步地，对公海池分组进行层级管理，分组权限精细化（精确到人员，角色，部门），支持系统字段、自定义字段组合筛选条件。并且分组条件存在子父级关系，根据子父级我们退回规则中退回目标分组就可以灵活实现以下场景：
a、当前分组：退回到当前的所属公海分组下；若所属分组为空或已删除，则退回到“无分组公海”中；
b、指定分组：退回到指定某一分组或无分组公海下，退回后“公海分组”字段值调整；
c、上级分组：退回到当前分组的上一层分组；若当前分组为最上级线索，则因无上级分组而默认退回到当前分组下。
进一步地，如图12和图13所示，本申请还提供了另一个具体示例。具体地，C企业有多个销售小组，组与组之间的转化率存在显著差异，经理认为可能是不同小组销售能力存在差异。为提高客户资源的高效利用，客户在电销A组的公海池中停留了30天没有被销售捞取，需要自动转移到B组公海池中，让B组的销售去捞取并跟进，促进销售成单。可以自定义配置自动转移规则，实现不同分组、不同层级间的客户公海资源自动转移，高效盘活客户资源，提高资源流转率加速客户成交。
进一步地，参考图14所示意的自动转移规则，包括：规则上限：各模版下最多可配置10组规则；规则优先级：支持拖拽方式调整规则优先级，优先匹配上条件的线索自动转移至对应的公海池；筛选条件：多个条件并且的关系，根据设置的指定条件，对满足条件的线索进行转移；触发条件：未捞取、未分配时间计算：当前日期-最后退回到该分组的日期>=设置天数；目标公海：指定分组：转移到指定某一分组或无分组公海下；上级分组：转移到当前分组的上一层分组；若当前分组为最上级线索，则因无上级分组而执行失效；执行时间：当日24点开始执行。这样，企业可根据自身需求配置各模版下自动转移公海池的规则，保证了资源有效跟进，提高公司资源利用效率，促使其在规定时间内跟进或转化，提升线索利用率。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。
应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种客户资源公海池管理系统，其特征在于，包括：
客户资源层级管理模块，用于指定客户资源的分组以及指定所述客户资源的退回公海的时间阈值；以及
退回模块，用于响应于所述客户资源在预定时间阈值内未被转化，将所述客户资源退回至公海池。
2.根据权利要求1所述的客户资源公海池管理系统，其特征在于，所述资源层级管理模块，包括：
文本描述获取单元，用于获取待评估客户资源的文本描述；
分词处理单元，用于对所述待评估客户资源的文本描述进行分词处理以得到客户资源描述词的序列；
词嵌入单元，用于将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列；
第一语义编码单元，用于将所述客户资源描述词嵌入向量的序列通过基于转换器模块的第一语义编码器以得到上下文客户资源描述词特征向量的序列；
级联单元，用于将所述上下文客户资源描述词特征向量的序列进行级联以得到第一尺度客户资源语义理解特征向量；
第二语义编码单元，用于将所述上下文客户资源描述词特征向量的序列通过基于双向长短期记忆神经网络模型的第二语义编码器以得到第二尺度客户资源语义理解特征向量；
融合单元，用于融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到多尺度客户资源语义理解特征向量；以及
分类单元，用于将所述客户资源语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示退回公海的时间推荐值标签。
3.根据权利要求2所述的客户资源公海池管理系统，其特征在于，所述词嵌入层是词向量模型，所述词向量模型为Word2Vec或GloVe。
4.根据权利要求3所述的客户资源公海池管理系统，其特征在于，所述第一语义编码单元，包括：
查询向量构造子单元，用于将所述客户资源描述词嵌入向量的序列进行一维排列以得到全局客户资源描述特征向量；
自注意子单元，用于计算所述全局客户资源描述特征向量与所述客户资源描述词嵌入向量的序列中各个客户资源描述词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及
注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述客户资源描述词嵌入向量的序列中各个客户资源描述词嵌入向量进行加权以得到所述上下文客户资源描述词特征向量的序列。
5.根据权利要求4所述的客户资源公海池管理系统，其特征在于，所述基于转换器模块的第一语义编码器为基于转换器的Bert模型。
6.根据权利要求5所述的客户资源公海池管理系统，其特征在于，所述融合单元，用于：
以如下融合公式融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到所述多尺度客户资源语义理解特征向量；
其中，所述融合公式为：
其中，为所述第一尺度客户资源语义理解特征向量，为所述第二尺度客户资源语义理解特征向量，为所述第二尺度客户资源语义理解特征向量的转置向量，和均为列向量，为所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量之间的距离矩阵，且是权重超参数，和分别表示向量加法和向量乘法，为所述多尺度客户资源语义理解特征向量。
7.根据权利要求6所述的客户资源公海池管理系统，其特征在于，所述分类单元，包括：
全连接编码子单元，用于使用所述分类器的全连接层对所述客户资源语义理解特征向量进行全连接编码以得到编码分类特征向量；以及
分类子单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
8.一种客户资源公海池管理方法，其特征在于，包括：
指定客户资源的分组以及指定所述客户资源的退回公海的时间阈值；以及
响应于所述客户资源在预定时间阈值内未被转化，将所述客户资源退回至公海池。
9.根据权利要求8所述的客户资源公海池管理方法，其特征在于，指定客户资源的分组以及指定所述客户资源的退回公海的时间阈值，包括：
获取待评估客户资源的文本描述；
对所述待评估客户资源的文本描述进行分词处理以得到客户资源描述词的序列；
将所述客户资源描述词的序列通过词嵌入层以得到客户资源描述词嵌入向量的序列；
将所述客户资源描述词嵌入向量的序列通过基于转换器模块的第一语义编码器以得到上下文客户资源描述词特征向量的序列；
将所述上下文客户资源描述词特征向量的序列进行级联以得到第一尺度客户资源语义理解特征向量；
将所述上下文客户资源描述词特征向量的序列通过基于双向长短期记忆神经网络模型的第二语义编码器以得到第二尺度客户资源语义理解特征向量；
融合所述第一尺度客户资源语义理解特征向量和所述第二尺度客户资源语义理解特征向量以得到多尺度客户资源语义理解特征向量；以及
将所述客户资源语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示退回公海的时间推荐值标签。
10.根据权利要求9所述的客户资源公海池管理方法，其特征在于，所述词嵌入层是词向量模型，所述词向量模型为Word2Vec或GloVe。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310868209.9A CN116883006B (zh) | 2023-07-17 | 2023-07-17 | 客户资源公海池管理系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310868209.9A CN116883006B (zh) | 2023-07-17 | 2023-07-17 | 客户资源公海池管理系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116883006A true CN116883006A (zh) | 2023-10-13 |
| CN116883006B CN116883006B (zh) | 2024-03-19 |
Family
ID=88263974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310868209.9A Active CN116883006B (zh) | 2023-07-17 | 2023-07-17 | 客户资源公海池管理系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883006B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050216325A1 (en) * | 2004-03-08 | 2005-09-29 | Sap Aktiengesellschaft | Procurement workbench |
| CN111861213A (zh) * | 2020-07-21 | 2020-10-30 | 上海永银软件科技有限公司 | 一种基于crm的客户管理系统 |
| CN111915330A (zh) * | 2020-08-04 | 2020-11-10 | 北京金山云网络技术有限公司 | 一种客户关系管理系统中客户回收的方法和装置 |
| CN115310928A (zh) * | 2022-07-19 | 2022-11-08 | 江苏中企服务外包集团有限公司 | 基于数据公海实施的数据智能回收系统 |
| CN116010713A (zh) * | 2023-03-27 | 2023-04-25 | 日照职业技术学院 | 基于云计算的创新创业平台服务数据处理方法及系统 |
| CN116342137A (zh) * | 2023-01-13 | 2023-06-27 | 上海泛微软件有限公司 | 客户数据回收再分配方法、装置、计算机设备及存储介质 |
| CN116341518A (zh) * | 2023-03-10 | 2023-06-27 | 杭州图灵数科信息技术有限公司 | 用于大数据统计分析的数据处理方法及系统 |
-
2023
- 2023-07-17 CN CN202310868209.9A patent/CN116883006B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050216325A1 (en) * | 2004-03-08 | 2005-09-29 | Sap Aktiengesellschaft | Procurement workbench |
| CN111861213A (zh) * | 2020-07-21 | 2020-10-30 | 上海永银软件科技有限公司 | 一种基于crm的客户管理系统 |
| CN111915330A (zh) * | 2020-08-04 | 2020-11-10 | 北京金山云网络技术有限公司 | 一种客户关系管理系统中客户回收的方法和装置 |
| CN115310928A (zh) * | 2022-07-19 | 2022-11-08 | 江苏中企服务外包集团有限公司 | 基于数据公海实施的数据智能回收系统 |
| CN116342137A (zh) * | 2023-01-13 | 2023-06-27 | 上海泛微软件有限公司 | 客户数据回收再分配方法、装置、计算机设备及存储介质 |
| CN116341518A (zh) * | 2023-03-10 | 2023-06-27 | 杭州图灵数科信息技术有限公司 | 用于大数据统计分析的数据处理方法及系统 |
| CN116010713A (zh) * | 2023-03-27 | 2023-04-25 | 日照职业技术学院 | 基于云计算的创新创业平台服务数据处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116883006B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
| CN107808011B (zh) | 信息的分类抽取方法、装置、计算机设备和存储介质 | |
| CN107967575B (zh) | 一种人工智能保险咨询服务人工智能平台系统 | |
| Alam et al. | MEDIC: a multi-task learning dataset for disaster image classification | |
| US20190188742A1 (en) | Forecasting demand across groups of skills | |
| WO2021139191A1 (zh) | 数据标注的方法以及数据标注的装置 | |
| Madichetty | Classifying informative and non-informative tweets from the twitter by adapting image features during disaster | |
| CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
| CN112883154B (zh) | 文本主题挖掘方法、装置、计算机设备及存储介质 | |
| CN113139141A (zh) | 用户标签扩展标注方法、装置、设备及存储介质 | |
| CN110751285A (zh) | 神经网络模型的训练方法和系统以及预测方法和系统 | |
| AU2019206078A1 (en) | Intelligent persona generation | |
| CN110751287A (zh) | 神经网络模型的训练方法及系统以及预测方法及系统 | |
| CN111027600A (zh) | 图像类别预测方法和装置 | |
| CN111160959A (zh) | 一种用户点击转化预估方法及装置 | |
| WO2023071127A1 (zh) | 政策推荐方法、装置、设备及存储介质 | |
| CN112507170A (zh) | 基于智能决策的数据资产目录构建方法、及其相关设备 | |
| US20230222379A1 (en) | Machine learning-based systems and methods for optimized data prioritization | |
| CN117349437A (zh) | 基于智能ai的政府信息管理系统及其方法 | |
| Basu et al. | Utilizing microblogs for optimized real-time resource allocation in post-disaster scenarios | |
| CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
| CN114297472A (zh) | 智能行业政策推荐方法、系统、电子设备及介质 | |
| CN114169418A (zh) | 标签推荐模型训练方法及装置、标签获取方法及装置 | |
| CN116883006B (zh) | 客户资源公海池管理系统及其方法 | |
| Pohl et al. | Active online learning for social media analysis to support crisis management |
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 |