CN116910095A - 埋点处理方法、装置、计算机设备及存储介质 - Google Patents

埋点处理方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN116910095A
CN116910095A CN202310707052.1A CN202310707052A CN116910095A CN 116910095 A CN116910095 A CN 116910095A CN 202310707052 A CN202310707052 A CN 202310707052A CN 116910095 A CN116910095 A CN 116910095A
Authority
CN
China
Prior art keywords
seat
target
information
personnel
preset
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
CN202310707052.1A
Other languages
English (en)
Inventor
姜卫宏
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 CN202310707052.1A priority Critical patent/CN116910095A/zh
Publication of CN116910095A publication Critical patent/CN116910095A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2365—Ensuring data consistency and integrity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Security & Cryptography (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与金融科技领域，涉及一种埋点处理方法，包括：获取每个坐席人员的身份信息；基于身份信息以及特征类型，获取各个坐席人员的特征信息；基于聚类算法对特征信息进行分析以对各个坐席人员进行分组处理，得到多个目标分组；基于随机选取规则对各个目标分组中的坐席人员进行随机选取，得到目标坐席人员；对目标坐席人员在业务系统中的行为数据进行埋点处理。本申请还提供一种埋点处理装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，特征信息可存储于区块链中。本申请可应用于金融领域的坐席行为数据的埋点处理场景，能够有效地减少埋点抽样的样本数量，并提高对于坐席人员的埋点处理的处理效率。

Description

埋点处理方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能开发技术领域与金融科技领域，尤其涉及埋点处理方法、装置、计算机设备及存储介质。
背景技术
在金融科技公司的业务管理中，通常需要对金融科技公司内部的坐席人员使用作业业务系统的状态进行分析，且当前一般是使用在坐席人员的浏览器端进行埋点的方式来进行相应的埋点数据获取。现有的对于坐席人员的埋点策略，通常是使用全部埋点的方式来进行埋点处理，即对所有坐席人员的全部链路均进行埋点。然而，这种全部埋点的方式需要大量的存储资源，处理效率低下，并且会带来大量的存储费用。
发明内容
本申请实施例的目的在于提出一种埋点处理方法、装置、计算机设备及存储介质，以解决现有的使用全部埋点的方式来进行埋点处理需要大量的存储资源，处理效率低下，并且会带来大量的存储费用的技术问题。
为了解决上述技术问题，本申请实施例提供一种埋点处理方法，采用了如下所述的技术方案：
获取所有坐席人员中每个坐席人员的身份信息；
基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息；
基于预设的聚类算法对所述特征信息进行分析，并根据得到的分析结果对各个所述坐席人员进行分组处理，得到对应的多个目标分组；
基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员；其中，所述目标坐席人员包括各个所述目标分组中的至少一个坐席人员；
对所述目标坐席人员在业务系统中的行为数据进行埋点处理。
进一步的，所述基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员的步骤，具体包括：
获取指定分组的指定分类结果；其中，所述指定分组为所有所述目标分组中的任意一个分组；
获取所述指定分组内包含的各个坐席人员的坐席信息；
构建所述指定分组内包含的各个坐席人员的坐席信息与所述指定分类结果之间的映射关系；
将所述映射关系存储至预设的分类映射表内；
基于预设的随机策略从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息；
将与所述指定坐席信息对应的所述指定坐席人员作为所述目标坐席人员。
进一步的，所述基于预设的随机策略从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息的步骤，具体包括：
获取预设的多种随机算法；
从所有所述随机算法中确定出目标随机算法；
基于所述目标随机算法从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息。
进一步的，在所述基于预设的随机策略从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息的步骤之后，还包括：
获取所述指定坐席的指定坐席信息；
获取预设的初始数据表；
将所述指定坐席信息存储至所述初始数据表内，得到命中映射表；
存储所述命中映射表。
进一步的，在所述存储所述命中映射表的步骤之后，还包括：
获取当前时间；
判断当前时间是否符合预设的超时时间条件；
若是，基于所述目标随机算法对所述分类映射表进行坐席筛选处理，得到对应的特定坐席信息；
基于所述特定坐席信息对所述命中映射表进行数据更新。
进一步的，所述基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息的步骤，具体包括：
调用预设的信息数据库；
基于所述身份信息，从所述信息数据库中获取各个所述坐席人员的人员信息；
基于所述特征类型，从各个所述坐席人员的人员信息中筛选出与所述特征类型对应的特征信息。
进一步的，在所述对所述目标坐席人员在业务系统中的行为数据进行埋点处理的步骤之后，还包括：
获取各个所述目标坐席在所述业务系统中访问的目标业务链路；
确定所述目标业务链路的存储方式；
基于所述存储方式对所述目标业务链路进行存储。
为了解决上述技术问题，本申请实施例还提供一种埋点处理装置，采用了如下所述的技术方案：
第一获取模块，用于获取所有坐席人员中每个坐席人员的身份信息；
第二获取模块，用于基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息；
分析模块，用于基于预设的聚类算法对所述特征信息进行分析，并根据得到的分析结果对各个所述坐席人员进行分组处理，得到对应的多个目标分组；
选取模块，用于基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员；其中，所述目标坐席人员包括各个所述目标分组中的至少一个坐席人员；
处理模块，用于对所述目标坐席人员在业务系统中的行为数据进行埋点处理。
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：
获取所有坐席人员中每个坐席人员的身份信息；
基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息；
基于预设的聚类算法对所述特征信息进行分析，并根据得到的分析结果对各个所述坐席人员进行分组处理，得到对应的多个目标分组；
基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员；其中，所述目标坐席人员包括各个所述目标分组中的至少一个坐席人员；
对所述目标坐席人员在业务系统中的行为数据进行埋点处理。
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：
获取所有坐席人员中每个坐席人员的身份信息；
基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息；
基于预设的聚类算法对所述特征信息进行分析，并根据得到的分析结果对各个所述坐席人员进行分组处理，得到对应的多个目标分组；
基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员；其中，所述目标坐席人员包括各个所述目标分组中的至少一个坐席人员；
对所述目标坐席人员在业务系统中的行为数据进行埋点处理。
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所有坐席人员中每个坐席人员的身份信息；然后基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息；之后基于预设的聚类算法对所述特征信息进行分析，并根据得到的分析结果对各个所述坐席人员进行分组处理，得到对应的多个目标分组；后续基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员；最后对所述目标坐席人员在业务系统中的行为数据进行埋点处理。本申请通过使用聚类算法对坐席人员的特征信息进行聚类分析，从而可以快速地完成对于所有坐席人员的分组，进而基于随机选取规则对分组中的坐席人员进行随机选取以确定出目标坐席人员，从而后续只需对目标坐席人员在业务系统中的行为数据进行埋点处理，便能够满足对业务系统进行埋点分析的诉求。通过本申请实施例能够有效地减少埋点抽样的样本数量，进而避免埋点数据占用过大的存储带来的投产不合理问题，提高了对于坐席人员的埋点处理的处理效率与智能性。另外，基于随机策略的使用有利于避免在坐席人员选择中存在幸存者偏差，并能够让选取的部分坐席数据能够体现整体坐席人员的情况，有效提高了目标坐席的确定智能性与选取随机性。
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根据本申请的埋点处理方法的一个实施例的流程图；
图3是根据本申请的埋点处理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 LayerIV，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埋点处理方法一般由服务器/终端设备执行，相应地，埋点处理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埋点处理方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的埋点处理方法能够应用于任一种需要进行埋点处理的场景中，则该方法能够应用于这些场景的产品中，例如，金融领域的坐席行为数据的埋点处理场景。所述的埋点处理方法，包括以下步骤：
步骤S201，获取所有坐席人员中每个坐席人员的身份信息。
在本实施例中，埋点处理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坐席人员的身份信息。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。其中，上述身份信息可指坐席人员的姓名信息或UM信息。
步骤S202，基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息。
在本实施例中，上述身份信息可包括姓名信息或UM信息。上述特征类型至少包括坐席的区域、坐席的中心、坐席的机构、坐席的团队、坐席的职位、坐席的角色、坐席使用的硬件设备信息(电脑、手机)、入职日期、业绩画像信息等类型。其中，上述基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息的具体实施过程，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，基于预设的聚类算法对所述特征信息进行分析，并根据得到的分析结果对各个所述坐席人员进行分组处理，得到对应的多个目标分组。
在本实施例中，上述聚类算法具体可采用K-MEANS聚类算法，也称为k均值聚类算法(k-means clustering algorithm)。k均值聚类算法是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。其中，通过利用非监督学习来自动将坐席进行分类，有利于后续可以实现更加高效地从所有坐席人员中选择出具有表达性的坐席。
步骤S204，基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员；其中，所述目标坐席人员包括各个所述目标分组中的至少一个坐席人员。
在本实施例中，目标坐席人员对应的待分析数据能够代表坐席使用业务的状态以及体验。其中，上述基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员的具体实施过程，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，对所述目标坐席人员在业务系统中的行为数据进行埋点处理。
在本实施例中，可基于预设的埋点功能组件的使用，进行对于目标坐席人员在业务系统中的行为数据的埋点处理，即对目标坐席人员在业务系统中对应的所有业务链路进行埋点处理。
本申请首先获取所有坐席人员中每个坐席人员的身份信息；然后基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息；之后基于预设的聚类算法对所述特征信息进行分析，并根据得到的分析结果对各个所述坐席人员进行分组处理，得到对应的多个目标分组；后续基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员；最后对所述目标坐席人员在业务系统中的行为数据进行埋点处理。本申请通过使用聚类算法对坐席人员的特征信息进行聚类分析，从而可以快速地完成对于所有坐席人员的分组，进而基于随机选取规则对分组中的坐席人员进行随机选取以确定出目标坐席人员，从而后续只需对目标坐席人员在业务系统中的行为数据进行埋点处理，便能够满足对业务系统进行埋点分析的诉求。通过本申请能够有效地减少埋点抽样的样本数量，进而避免埋点数据占用过大的存储带来的投产不合理问题，提高了对于坐席人员的埋点处理的处理效率与智能性。另外，基于随机策略的使用有利于避免在坐席人员选择中存在幸存者偏差，并能够让选取的部分坐席数据能够体现整体坐席人员的情况，有效提高了目标坐席的确定智能性与选取随机性。
在一些可选的实现方式中，步骤S204包括以下步骤：
获取指定分组的指定分类结果。
在本实施例中，所述指定分组为所有所述目标分组中的任意一个分组。
获取所述指定分组内包含的各个坐席人员的坐席信息。
在本实施例中，坐席信息可包括坐席的姓名信息或UM信息。
构建所述指定分组内包含的各个坐席人员的坐席信息与所述指定分类结果之间的映射关系。
将所述映射关系存储至预设的分类映射表内。
在本实施例中，将所述映射关系存储至预设的分类映射表内，是指基于该映射关系将各个坐席人员的坐席信息与所述指定分类结果对应存储至分类映射表内。其中，可采用key-value的存储方式进行存储。key为分类，value为坐席信息的集合。
基于预设的随机策略从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息。
在本实施例中，上述基于预设的随机策略从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息的具体实施过程，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。本申请基于分类映射表对目标分组进行数据关联并存储，进而基于随机策略的使用对分类映射表内的存储数据进行随机筛选处理，可以实现快速准确地筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息，从而确定出目标坐席。基于随机策略的使用有利于避免在坐席选择中存在幸存者偏差，并能够让选取的部分坐席数据能够体现整体坐席的情况，有效提高了目标坐席的确定智能性与选取随机性。
将与所述指定坐席信息对应的所述指定坐席人员作为所述目标坐席人员。
本申请通过获取指定分组的指定分类结果以及获取所述指定分组内包含的各个坐席人员的坐席信息；然后构建所述指定分组内包含的各个坐席人员的坐席信息与所述指定分类结果之间的映射关系，并将所述映射关系存储至预设的分类映射表内；之后基于预设的随机策略从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息；后续将与所述指定坐席信息对应的所述指定坐席人员作为所述目标坐席人员。
在本实施例的一些可选的实现方式中，所述基于预设的随机策略从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息，包括以下步骤：
获取预设的多种随机算法。
在本实施例中，上述随机算法可包括数值概率算法、蒙特卡洛算法、拉斯维加斯算法、舍伍德算法等。
从所有所述随机算法中确定出目标随机算法。
在本实施例中，对于目标随机算法的确定方式不做限定，例如可从所有随机算法中随机选出一种算法作为该目标随机算法；或者还可以从所有随机算法中筛选出处理评价值最高的算法作为该目标随机算法。其中，处理评价值由对随机算法的处理效率、处理准确率以及处理满意度进行加权求和得到。
基于所述目标随机算法从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息。
本申请通过获取预设的多种随机算法；然后从所有所述随机算法中确定出目标随机算法；后续基于所述目标随机算法从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息。本申请基于目标随机算法的使用，可以实现快速智能地随机从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息，有利于避免在坐席选择中存在幸存者偏差，并能够让选取的部分坐席数据能够体现整体坐席的情况，有效提高了指定坐席信息的获取智能性与数据随机性。
在一些可选的实现方式中，在所述基于预设的随机策略从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息的步骤之后，上述电子设备还可以执行以下步骤：
获取所述指定坐席的指定坐席信息。
获取预设的初始数据表。
在本实施例中，上述初始数据表可为预先构建的用于存储坐席信息的数据表。
将所述指定坐席信息存储至所述初始数据表内，得到命中映射表。
在本实施例中，可采用key-value的存储方式将指定坐席信息以及对应的分类结果存储至所述初始数据表内，以生成命中映射表。其中，key为分类，value为某个坐席信息。
存储所述命中映射表。
在本实施例中，对于上述命中映射表的存储方式不做具体限定，例如可采用本地数据库存储、云空间存储、区块链存储等方式。
本申请通过获取所述指定坐席的指定坐席信息；然后获取预设的初始数据表；之后将所述指定坐席信息存储至所述初始数据表内，得到命中映射表；后续存储所述命中映射表。本申请通过基于获取到的指定坐席的指定坐席信息来生成命中映射表，有利于后续可以直接对该命中映射表内存储的坐席信息所对应的坐席进行埋点处理，从而实现有效的减少埋点坐席的数量，可以有效的避免埋点数据占用过大的存储，带来的投产不合理问题，提高了对于坐席人员的埋点处理的智能性。
在一些可选的实现方式中，在所述存储所述命中映射表的步骤之后，上述电子设备还可以执行以下步骤：
获取当前时间。
判断当前时间是否符合预设的超时时间条件。
在本实施例中，上述超时时间条件是指当前时间与命中映射表上次更新的时间的差值小于预设阈值，对于该预设阈值的取值不做具体限定，可根据实际的使用需求进行设置。
若是，基于所述目标随机算法对所述分类映射表进行坐席筛选处理，得到对应的特定坐席信息。
在本实施例中，基于所述目标随机算法对所述分类映射表进行坐席筛选处理的处理过程，可参照上述基于所述目标随机算法从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息的处理过程，在此不做过多赘述。
基于所述特定坐席信息对所述命中映射表进行数据更新。
在本实施例中，可先将命中映射表内的数据进行删除，再将所述特定坐席信息填充至上述命中映射表内，以完成对于所述命中映射表的数据更新。
本申请通过获取当前时间；然后判断当前时间是否符合预设的超时时间条件；若是，基于所述目标随机算法对所述分类映射表进行坐席筛选处理，得到对应的特定坐席信息；后续基于所述特定坐席信息对所述命中映射表进行数据更新。本申请通过基于超时时间条件的使用对当前时间进行分析，以实现智能地对命中映射表进行数据更新，保证了命中映射表内数据的随机性与时效性，有利于提高对于坐席人员的埋点处理的智能性。
在本实施例的一些可选的实现方式中，步骤S202包括以下步骤：
调用预设的信息数据库。
在本实施例中，上述信息数据库为预先构建的存储有各个坐席人员的人员信息的数据库。
基于所述身份信息，从所述信息数据库中获取各个所述坐席人员的人员信息。
在本实施例中，可从所述信息数据库中查询出与所述身份信息对应的各个所述坐席人员的人员信息。
基于所述特征类型，从各个所述坐席人员的人员信息中筛选出与所述特征类型对应的特征信息。
在本实施例中，上述特征类型至少包括坐席的区域、坐席的中心、坐席的机构、坐席的团队、坐席的职位、坐席的角色、坐席使用的硬件设备信息(电脑、手机)、入职日期、业绩画像信息等类型。
本申请通过调用预设的信息数据库；然后基于所述身份信息，从所述信息数据库中获取各个所述坐席人员的人员信息；后续基于所述特征类型，从各个所述坐席人员的人员信息中筛选出与所述特征类型对应的特征信息。本申请基于身份信息与特征类型来对信息数据库进行查询，可以实现快速准确地从信息数据库中查询出所需的特征信息，提高了对于坐席人员的特征信息的获取效率。
在本实施例的一些可选的实现方式中，在步骤S205之后，上述电子设备还可以执行以下步骤：
获取各个所述目标坐席在所述业务系统中访问的目标业务链路。
在本实施例中，可通过获取各个所述目标坐席在所述业务系统中产生的埋点数据，再从埋点数据中提取出各个所述目标坐席在所述业务系统中访问的目标业务链路。
确定所述目标业务链路的存储方式。
在本实施例中，对于上述存储方式不做具体限定，例如可采用本地数据库存储、云空间存储、区块链存储等方式。
基于所述存储方式对所述目标业务链路进行存储。
本申请通过获取各个所述目标坐席在所述业务系统中访问的目标业务链路；然后确定所述目标业务链路的存储方式；后续基于所述存储方式对所述目标业务链路进行存储。本申请通过获取各个所述目标坐席在所述业务系统中访问的目标业务链路并进行存储，有利于可以基于该目标业务链路进行后期对于坐席使用状态、体验的智能分析处理，进而提高坐席数据分析的处理效率。
需要强调的是，为进一步保证上述特征信息的私密和安全性，上述特征信息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，本申请提供了一种埋点处理装置的一个实施例，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，本实施例所述的埋点处理装置300包括：第一获取模块301、第二获取模块302、分析模块303、选取模块304以及处理模块305。其中：
第一获取模块301，用于获取所有坐席人员中每个坐席人员的身份信息；
第二获取模块302，用于基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息；
分析模块303，用于基于预设的聚类算法对所述特征信息进行分析，并根据得到的分析结果对各个所述坐席人员进行分组处理，得到对应的多个目标分组；
选取模块304，用于基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员；其中，所述目标坐席人员包括各个所述目标分组中的至少一个坐席人员；
处理模块305，用于对所述目标坐席人员在业务系统中的行为数据进行埋点处理。
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埋点处理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，选取模块304包括：
第一获取子模块，用于获取指定分组的指定分类结果；其中，所述指定分组为所有所述目标分组中的任意一个分组；
第二获取子模块，用于获取所述指定分组内包含的各个坐席人员的坐席信息；
构建子模块，用于构建所述指定分组内包含的各个坐席人员的坐席信息与所述指定分类结果之间的映射关系；
第一存储子模块，用于将所述映射关系存储至预设的分类映射表内；
第一筛选子模块，用于基于预设的随机策略从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息；
确定子模块，用于将与所述指定坐席信息对应的所述指定坐席人员作为所述目标坐席人员。
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埋点处理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，第一筛选子模块包括：
获取单元，用于获取预设的多种随机算法；
确定单元，用于从所有所述随机算法中确定出目标随机算法；
筛选单元，用于基于所述目标随机算法从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息。
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埋点处理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,选取模块304还包括：
第三获取子模块，用于获取所述指定坐席的指定坐席信息；
第四获取子模块，用于获取预设的初始数据表；
第二存储子模块，用于将所述指定坐席信息存储至所述初始数据表内，得到命中映射表；
第三存储子模块，用于存储所述命中映射表。
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埋点处理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，选取模块304还包括：
第五获取子模块，用于获取当前时间；
判断子模块，用于判断当前时间是否符合预设的超时时间条件；
第二筛选子模块，用于若是，基于所述目标随机算法对所述分类映射表进行坐席筛选处理，得到对应的特定坐席信息；
更新子模块，用于基于所述特定坐席信息对所述命中映射表进行数据更新。
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埋点处理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，第二获取模块302包括：
调用子模块，用于调用预设的信息数据库；
第六获取子模块，用于基于所述身份信息，从所述信息数据库中获取各个所述坐席人员的人员信息；
第三筛选子模块，用于基于所述特征类型，从各个所述坐席人员的人员信息中筛选出与所述特征类型对应的特征信息。
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埋点处理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，埋点处理装置还包括：
第三获取模块，用于获取各个所述目标坐席在所述业务系统中访问的目标业务链路；
确定模块，用于确定所述目标业务链路的存储方式；
存储模块，用于基于所述存储方式对所述目标业务链路进行存储。
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埋点处理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 Digita l,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，例如埋点处理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，例如运行所述埋点处理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，首先获取所有坐席人员中每个坐席人员的身份信息；然后基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息；之后基于预设的聚类算法对所述特征信息进行分析，并根据得到的分析结果对各个所述坐席人员进行分组处理，得到对应的多个目标分组；后续基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员；最后对所述目标坐席人员在业务系统中的行为数据进行埋点处理。本申请通过使用聚类算法对坐席人员的特征信息进行聚类分析，从而可以快速地完成对于所有坐席人员的分组，进而基于随机选取规则对分组中的坐席人员进行随机选取以确定出目标坐席人员，从而后续只需对目标坐席人员在业务系统中的行为数据进行埋点处理，便能够满足对业务系统进行埋点分析的诉求。通过本申请实施例能够有效地减少埋点抽样的样本数量，进而避免埋点数据占用过大的存储带来的投产不合理问题，提高了对于坐席人员的埋点处理的处理效率与智能性。另外，基于随机策略的使用有利于避免在坐席人员选择中存在幸存者偏差，并能够让选取的部分坐席数据能够体现整体坐席人员的情况，有效提高了目标坐席的确定智能性与选取随机性。
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埋点处理方法的步骤。
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，首先获取所有坐席人员中每个坐席人员的身份信息；然后基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息；之后基于预设的聚类算法对所述特征信息进行分析，并根据得到的分析结果对各个所述坐席人员进行分组处理，得到对应的多个目标分组；后续基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员；最后对所述目标坐席人员在业务系统中的行为数据进行埋点处理。本申请通过使用聚类算法对坐席人员的特征信息进行聚类分析，从而可以快速地完成对于所有坐席人员的分组，进而基于随机选取规则对分组中的坐席人员进行随机选取以确定出目标坐席人员，从而后续只需对目标坐席人员在业务系统中的行为数据进行埋点处理，便能够满足对业务系统进行埋点分析的诉求。通过本申请实施例能够有效地减少埋点抽样的样本数量，进而避免埋点数据占用过大的存储带来的投产不合理问题，提高了对于坐席人员的埋点处理的处理效率与智能性。另外，基于随机策略的使用有利于避免在坐席人员选择中存在幸存者偏差，并能够让选取的部分坐席数据能够体现整体坐席人员的情况，有效提高了目标坐席的确定智能性与选取随机性。
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)

1.一种埋点处理方法，其特征在于，包括下述步骤：
获取所有坐席人员中每个坐席人员的身份信息；
基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息；
基于预设的聚类算法对所述特征信息进行分析，并根据得到的分析结果对各个所述坐席人员进行分组处理，得到对应的多个目标分组；
基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员；其中，所述目标坐席人员包括各个所述目标分组中的至少一个坐席人员；
对所述目标坐席人员在业务系统中的行为数据进行埋点处理。
2.根据权利要求1所述的埋点处理方法，其特征在于，所述基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员的步骤，具体包括：
获取指定分组的指定分类结果；其中，所述指定分组为所有所述目标分组中的任意一个分组；
获取所述指定分组内包含的各个坐席人员的坐席信息；
构建所述指定分组内包含的各个坐席人员的坐席信息与所述指定分类结果之间的映射关系；
将所述映射关系存储至预设的分类映射表内；
基于预设的随机策略从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息；
将与所述指定坐席信息对应的所述指定坐席人员作为所述目标坐席人员。
3.根据权利要求2所述的埋点处理方法，其特征在于，所述基于预设的随机策略从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息的步骤，具体包括：
获取预设的多种随机算法；
从所有所述随机算法中确定出目标随机算法；
基于所述目标随机算法从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息。
4.根据权利要求2所述的埋点处理方法，其特征在于，在所述基于预设的随机策略从所述分类映射表内中筛选出与各种分类结果分别对应的至少一个指定坐席人员的指定坐席信息的步骤之后，还包括：
获取所述指定坐席的指定坐席信息；
获取预设的初始数据表；
将所述指定坐席信息存储至所述初始数据表内，得到命中映射表；
存储所述命中映射表。
5.根据权利要求4所述的埋点处理方法，其特征在于，在所述存储所述命中映射表的步骤之后，还包括：
获取当前时间；
判断当前时间是否符合预设的超时时间条件；
若是，基于所述目标随机算法对所述分类映射表进行坐席筛选处理，得到对应的特定坐席信息；
基于所述特定坐席信息对所述命中映射表进行数据更新。
6.根据权利要求1所述的埋点处理方法，其特征在于，所述基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息的步骤，具体包括：
调用预设的信息数据库；
基于所述身份信息，从所述信息数据库中获取各个所述坐席人员的人员信息；
基于所述特征类型，从各个所述坐席人员的人员信息中筛选出与所述特征类型对应的特征信息。
7.根据权利要求1所述的埋点处理方法，其特征在于，在所述对所述目标坐席人员在业务系统中的行为数据进行埋点处理的步骤之后，还包括：
获取各个所述目标坐席在所述业务系统中访问的目标业务链路；
确定所述目标业务链路的存储方式；
基于所述存储方式对所述目标业务链路进行存储。
8.一种埋点处理装置，其特征在于，包括：
第一获取模块，用于获取所有坐席人员中每个坐席人员的身份信息；
第二获取模块，用于基于所述身份信息以及预设的特征类型，获取各个所述坐席人员的特征信息；
分析模块，用于基于预设的聚类算法对所述特征信息进行分析，并根据得到的分析结果对各个所述坐席人员进行分组处理，得到对应的多个目标分组；
选取模块，用于基于预设的随机选取规则对各个所述目标分组中的坐席人员分别进行随机选取，得到对应的目标坐席人员；其中，所述目标坐席人员包括各个所述目标分组中的至少一个坐席人员；
处理模块，用于对所述目标坐席人员在业务系统中的行为数据进行埋点处理。
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中任一项所述的埋点处理方法的步骤。
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中任一项所述的埋点处理方法的步骤。
CN202310707052.1A 2023-06-14 2023-06-14 埋点处理方法、装置、计算机设备及存储介质 Pending CN116910095A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310707052.1A CN116910095A (zh) 2023-06-14 2023-06-14 埋点处理方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310707052.1A CN116910095A (zh) 2023-06-14 2023-06-14 埋点处理方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN116910095A true CN116910095A (zh) 2023-10-20

Family

ID=88355383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310707052.1A Pending CN116910095A (zh) 2023-06-14 2023-06-14 埋点处理方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN116910095A (zh)

Similar Documents

Publication Publication Date Title
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN116402625B (zh) 客户评估方法、装置、计算机设备及存储介质
CN117094729A (zh) 请求处理方法、装置、计算机设备及存储介质
CN112507141A (zh) 调查任务生成方法、装置、计算机设备及存储介质
CN116956326A (zh) 权限数据的处理方法、装置、计算机设备及存储介质
CN115936895A (zh) 基于人工智能的风险评估方法、装置、设备及存储介质
CN115378806A (zh) 流量分配方法、装置、计算机设备及存储介质
CN116910095A (zh) 埋点处理方法、装置、计算机设备及存储介质
CN115080045A (zh) 链路生成方法、装置、计算机设备及存储介质
CN116842011A (zh) 血缘关系分析方法、装置、计算机设备及存储介质
CN118035560A (zh) 基于人工智能的数据推荐方法、装置、设备及存储介质
CN116820443A (zh) 数据分析方法、装置、计算机设备及存储介质
CN117853241A (zh) 一种风险服务商识别方法、装置、设备及其存储介质
CN117251468A (zh) 查询处理方法、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
CN116775187A (zh) 数据展示方法、装置、计算机设备及存储介质
CN117076775A (zh) 资讯数据的处理方法、装置、计算机设备及存储介质
CN116821493A (zh) 消息推送方法、装置、计算机设备及存储介质
CN116627416A (zh) 页面配置方法、装置、计算机设备及存储介质
CN116796140A (zh) 基于人工智能的异常分析方法、装置、设备及存储介质
CN117290597A (zh) 基于人工智能的信息推送方法、装置、设备及存储介质
CN117422523A (zh) 产品上线方法、装置、计算机设备及存储介质
CN117252362A (zh) 基于人工智能的调度方法、装置、计算机设备及存储介质
CN116738084A (zh) 埋点数据处理方法、装置、计算机设备及存储介质
CN117407420A (zh) 数据构建方法、装置、计算机设备及存储介质

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