CN117217369A - 一种服务项目预测方法、装置、计算机设备及其存储介质 - Google Patents
一种服务项目预测方法、装置、计算机设备及其存储介质 Download PDFInfo
- Publication number
- CN117217369A CN117217369A CN202311141141.0A CN202311141141A CN117217369A CN 117217369 A CN117217369 A CN 117217369A CN 202311141141 A CN202311141141 A CN 202311141141A CN 117217369 A CN117217369 A CN 117217369A
- Authority
- CN
- China
- Prior art keywords
- data
- users
- user
- service item
- service
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000002372 labelling Methods 0.000 claims abstract description 18
- 238000013145 classification model Methods 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 37
- 102100033814 Alanine aminotransferase 2 Human genes 0.000 claims description 15
- 101710096000 Alanine aminotransferase 2 Proteins 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000005065 mining Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005108 dry cleaning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于金融科技技术领域,应用于金融客户服务项目预测场景中,涉及一种服务项目预测方法、装置、设备及其存储介质,包括获取用户讨论数据,进行分析,根据分析结果对讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据;对已标记讨论数据进行数据增强处理;根据第一类别用户对应的已标记讨论数据和数据增强结果,训练服务项目预测模型;将第二类别用户对应的数据增强结果输入服务项目预测模型,确定第二类别用户中所有用户对应的服务项目。通过服务项目明确型用户的讨论数据和增强数据,训练出服务项目预测模型,预测出服务项目未知型用户的金融服务项目,便于金融行业准确的进行客户挖掘和预测。
Description
技术领域
本申请涉及金融科技技术领域,应用于金融客户服务项目预测场景中,尤其涉及一种服务项目预测方法、装置、计算机设备及其存储介质。
背景技术
随着金融行业的快速发展,金融公司涉及到的业务范围越来越宽泛,例如宠物生态业务方面。
在目前金融公司内,为了挖掘宠物生态潜在客户从而有效获客,需要从用户历史数据中进行分析以筛选出真正潜在客户。以往的研究中,主要以多种标签组合的形式,比如用户是否购买宠物保险、用户是否使用过宠物服务等多种条件进行结合进行潜在客户的筛选。但这种方式忽视了用户的真正服务需求,同时宠物客户样本目前存在有用数据少,且人力缺失等情况,从而造成潜在客户的筛选不准确。
发明内容
本申请实施例的目的在于提出一种服务项目预测方法、装置、设备及其存储介质,以解决现有技术在进行潜在客户筛选时,由于有用数据少,造成潜在客户筛选不准确的问题。
为了解决上述技术问题,本申请实施例提供服务项目预测方法,采用了如下所述的技术方案:
一种服务项目预测方法,包括下述步骤:
获取用户讨论数据,根据预设的分析策略对所述讨论数据进行分析,获得分析结果;
根据所述分析结果和预设的分类标签,对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据;
根据用户类别将所述已标记讨论数据分别输入预设的数据增强模型进行数据增强处理,获得数据增强结果;
将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型;
将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型;
将所述第二类别用户对应的数据增强结果输入所述训练完成的服务项目预测模型进行分类预测,获得分类预测结果,根据所述分类预测结果,确定所述第二类别用户中所有用户对应的服务项目。
进一步的,所述获取用户讨论数据,根据预设的分析策略对所述讨论数据进行分析,获得分析结果的步骤,具体包括:
通过预设的抓取工具,从目标平台上获取用户讨论数据,并根据用户区别标识,区分所有用户对应的所述讨论数据;
根据所述分析策略对所述讨论数据进行分析,分析所述讨论数据中的服务关键字段,以及所述讨论数据对应的用户所选择的服务项目,得到所述分析结果;
所述预设的分类标签包括服务明确型标签和服务未知型标签,所述根据所述分析结果和预设的分类标签,对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据的步骤,具体包括:
基于用户区别标识,筛选出所有选择了服务项目的用户,构建第一用户列表;
根据所述用户区别标识,识别出所述第一用户列表中所有用户分别对应的讨论数据,并设置所述讨论数据的标签为服务明确型标签;
整理所述第一类别用户之外的剩余用户,构建第二用户列表;
根据所述用户区别标识,识别出所述第二用户列表中所有用户分别对应的讨论数据,并设置所述讨论数据的标签为服务未知型标签;
根据所有讨论数据分别对应的标签,得到第一类别用户和第二类别用户分别对应的已标记讨论数据。
进一步的,所述数据增强模型包括GPT-2语言生成模型,所述根据用户类别将所述已标记讨论数据分别输入预设的数据增强模型进行数据增强处理,获得数据增强结果的步骤,具体包括:
将第一类别用户和第二类别用户分别对应的已标记讨论数据,输入所述GPT-2语言生成模型;
根据所述GPT-2语言生成模型和所述用户区别标识,捕获所述第一类别用户中所有用户分别对应的讨论数据的语言文本结构信息;
通过所述语言文本结构信息,提取出所述讨论数据中主题信息和关键词字段;
基于所述主题信息、所述关键词字段和所述讨论数据,进行迭代组合,获得新的文本数据,作为所述第一类别用户中所有用户分别对应的数据增强结果;
根据所述GPT-2语言生成模型,捕获所述第二类别用户中所有用户分别对应的讨论数据的语言文本结构信息;
通过所述语言文本结构信息,提取出所述讨论数据中主题信息和关键词字段;
基于所述主题信息、所述关键词字段和所述讨论数据,进行迭代组合,获得新的文本数据,作为所述第二类别用户中所有用户分别对应的数据增强结果。
进一步的,所述服务项目预测模型包括基于RoBERTa语言分析和DPCNN神经网络架构的分类模型,所述将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型的步骤,具体包括:
步骤501,按照预设比例,将所述第一类别用户中所有用户对应的已标记讨论数据划分为训练数据和测试数据;
步骤502,将所述训练数据输入所述基于RoBERTa语言分析和DPCNN神经网络架构的分类模型,进行分类器训练,获得所有服务项目分别对应的分类器;
步骤503,将所述测试数据输入所述基于RoBERTa语言分析和DPCNN神经网络架构的分类模型,进行分类测试,获得分类测试结果;
步骤504,根据所述分类测试结果和所述测试数据分别对应的用户所选择的服务项目,识别所述分类模型是否训练成功;
步骤505,若所述分类模型未训练成功,则调整所述分类模型的超参数,并迭代执行步骤501至步骤504;
步骤506,若所述分类模型已训练成功,则停止迭代,获得所述分类模型作为初步训练的服务项目预测模型。
进一步的,所述根据所述分类测试结果和所述测试数据分别对应的用户所选择的服务项目,识别所述分类模型是否训练成功的步骤,具体包括:
通过所述分类测试结果,统计由所述测试数据分别预测出的服务项目;
采用余弦相似度算法,对由所述测试数据分别预测出的服务项目,以及所述测试数据分别对应的用户所选择的服务项目,进行相似度计算,获得相似度;
若所述相似度达到预设的置信度值,则所述分类模型训练成功;
若所述相似度未达到预设的置信度值,则所述分类模型未训练成功。
进一步的,所述将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型的步骤,具体包括:
步骤601,根据所述第一类别用户中所有用户分别所选择的服务项目,获得所述第一类别用户中所有用户分别对应的实际服务项目;
步骤602,将所述第一类别用户中所有用户分别对应的数据增强结果输入所述初步训练的服务项目预测模型,进行增强训练,获得增强训练结果;
步骤603,通过解析所述增强训练结果,获得所有数据增强结果分别对应的预测服务项目;
步骤604,基于预设的相似度算法,计算所述实际服务项目和所述预测服务项目之间的相似度,并判断所述相似度是否达到预设的相似度阈值;
步骤605,若所述相似度未达到所述相似度阈值,则调整所述服务项目预测模型的超参数,并迭代执行步骤602至步骤604;
步骤606,若所述相似度达到所述相似度阈值,则停止迭代,获得训练完成的服务项目预测模型,得到所有服务项目分别与所述数据增强结果间的对应关系,作为服务项目与数据增强结果间的关系知识图谱。
进一步的,所述将所述第二类别用户对应的数据增强结果输入所述训练完成的服务项目预测模型进行分类预测,获得分类预测结果,根据所述分类预测结果,确定所述第二类别用户中所有用户对应的服务项目的步骤,具体包括:
将所述第二类别用户中所有用户分别对应的数据增强结果输入所述训练完成的服务项目预测模型;
根据所述关系知识图谱,进行分类预测,获得分类预测结果;
通过解析所述分类预测结果,获得所述数据增强结果分别对应的预测服务项目;
基于所述预测服务项目,确定所述第二类别用户中所有用户对应的服务项目。
为了解决上述技术问题,本申请实施例还提供服务项目预测装置,采用了如下所述的技术方案:
一种服务项目预测装置,包括:
用户讨论数据分析模块,用于获取用户讨论数据,根据预设的分析策略对所述讨论数据进行分析,获得分析结果;
标签化处理模块,用于根据所述分析结果和预设的分类标签,对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据;
数据增强处理模块,用于根据用户类别将所述已标记讨论数据分别输入预设的数据增强模型进行数据增强处理,获得数据增强结果;
模型初步训练模块,用于将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型;
模型增强训练模块,用于将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型;
模型分类预测模块,用于将所述第二类别用户对应的数据增强结果输入所述训练完成的服务项目预测模型进行分类预测,获得分类预测结果,根据所述分类预测结果,确定所述第二类别用户中所有用户对应的服务项目。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述所述的服务项目预测方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述所述的服务项目预测方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例所述服务项目预测方法,通过获取用户讨论数据,进行分析,根据分析结果对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据;对已标记讨论数据进行数据增强处理,获得数据增强结果;将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型;将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型;将第二类别用户对应的数据增强结果输入服务项目预测模型,进行分类预测,确定第二类别用户中所有用户对应的服务项目。通过服务项目明确型用户的讨论数据和增强数据,训练出服务项目预测模型,输入服务项目未知型用户的讨论数据对应的数据增强结果,预测出服务项目未知型用户的金融服务项目,便于金融行业准确的进行客户挖掘和预测。
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是根据本申请的服务项目预测方法的一个实施例的流程图;
图3是图2所示步骤202的一个具体实施例的流程图;
图4是图2所示步骤203的一个具体实施例的流程图;
图5是图2所示步骤204的一个具体实施例的流程图;
图6是图2所示步骤205的一个具体实施例的流程图;
图7是图2所示步骤206的一个具体实施例的流程图;
图8是根据本申请的服务项目预测装置的一个实施例的结构示意图;
图9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 PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts 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服务项目预测方法一般由服务器/终端设备执行,相应地,服务项目预测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服务项目预测方法的一个实施例的流程图。所述的服务项目预测方法,包括以下步骤:
步骤201,获取用户讨论数据,根据预设的分析策略对所述讨论数据进行分析,获得分析结果。
本实施例中,所述获取用户讨论数据,根据预设的分析策略对所述讨论数据进行分析,获得分析结果的步骤,具体包括:通过预设的抓取工具,从目标平台上获取用户讨论数据,并根据用户区别标识,区分所有用户对应的所述讨论数据;根据所述分析策略对所述讨论数据进行分析,分析所述讨论数据中的服务关键字段,以及所述讨论数据对应的用户所选择的服务项目,得到所述分析结果。
具体的,所述预设的抓取工具可以为页面爬虫工具,所述目标平台可以为金融服务平台中的用户讨论社区,例如:金融服务平台中的宠物服务讨论社区/宠物险种讨论社区,所述服务关键字段包括讨论的主题,例如服务名称,所述讨论数据对应的用户所选择的服务项目,指用户已经在使用的服务项目,继续以宠物服务为例,假设宠物服务包括宠物医疗险服务、宠物理发服务、宠物粮预订服务、宠物清洁服务、宠物健康险服务、宠物服装干洗服务等,可以在所述目标平台上获取到用户对宠物服务的讨论数据,以及分析出被讨论到的宠物服务项目和用户已经在使用的服务项目,当然,金融服务平台中的宠物服务讨论社区仅仅只是一个示例,例如:还可以包括金融服务平台中的车辆服务讨论社区、保险服务讨论社区、理财服务讨论社区等。
步骤202,根据所述分析结果和预设的分类标签,对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据,其中,所述第一类别用户指服务项目明确型用户,所述第二类别用户指服务项目未知型用户。
本实施例中,所述预设的分类标签包括服务明确型标签和服务未知型标签,具体的,所述服务明确型标签和服务未知型标签,指两种不同的标签,所述服务明确型标签表示已经明确知道用户所使用的服务项目,所述服务未知型标签表示还不知道用户所使用的服务项目,因此,对于这两种类型的用户分别设定了服务明确型标签和服务未知型标签。用于区分用户对应的服务项目是否已知。
继续参考图3,图3是图2所示步骤202的一个具体实施例的流程图,包括:
步骤301,基于用户区别标识,筛选出所有选择了服务项目的用户,构建第一用户列表;
步骤302,根据所述用户区别标识,识别出所述第一用户列表中所有用户分别对应的讨论数据,并设置所述讨论数据的标签为服务明确型标签;
步骤303,整理所述第一类别用户之外的剩余用户,构建第二用户列表;
本实施例中,所述第一类别用户之外的剩余用户,由于步骤201中表明了从目标平台上获取用户讨论数据,并根据用户区别标识,区分所有用户对应的所述讨论数据,此处的剩余用户是上述所有用户去除掉所述第一类别用户后剩余的用户。
步骤304,根据所述用户区别标识,识别出所述第二用户列表中所有用户分别对应的讨论数据,并设置所述讨论数据的标签为服务未知型标签;
步骤305,根据所有讨论数据分别对应的标签,得到第一类别用户和第二类别用户分别对应的已标记讨论数据。
步骤203,根据用户类别将所述已标记讨论数据分别输入预设的数据增强模型进行数据增强处理,获得数据增强结果。
本实施例中,所述数据增强模型包括GPT-2语言生成模型,所述GPT-2语言生成模型能够在预训练样本中进行训练使得自身能够捕获语言文本的结构信息,从而产生语序连贯的句子。尤其是在样本数据较少的情况下,可以通过GPT-2语言生成模型,生成丰富的样本句子,例如,本实施中的讨论数据,可以根据GPT-2语言生成模型,生成丰富的样本句子,以弥补讨论数据较少的问题,便于金融行业准确的进行客户挖掘和预测。
继续参考图4,图4是图2所示步骤203的一个具体实施例的流程图,包括:
步骤401,将第一类别用户和第二类别用户分别对应的已标记讨论数据,输入所述GPT-2语言生成模型;
步骤402,根据所述GPT-2语言生成模型和所述用户区别标识,捕获所述第一类别用户中所有用户分别对应的讨论数据的语言文本结构信息;
步骤403,通过所述语言文本结构信息,提取出所述讨论数据中主题信息和关键词字段;
步骤404,基于所述主题信息、所述关键词字段和所述讨论数据,进行迭代组合,获得新的文本数据,作为所述第一类别用户中所有用户分别对应的数据增强结果;
步骤405,根据所述GPT-2语言生成模型,捕获所述第二类别用户中所有用户分别对应的讨论数据的语言文本结构信息;
步骤406,通过所述语言文本结构信息,提取出所述讨论数据中主题信息和关键词字段;
步骤407,基于所述主题信息、所述关键词字段和所述讨论数据,进行迭代组合,获得新的文本数据,作为所述第二类别用户中所有用户分别对应的数据增强结果。
通过进行数据增强处理,对用户讨论数据进行扩充,增加了样本丰富度,从而保证了训练出的分类模型的准确性,确保在对用户对应的金融服务项目进行预测时,提高预测的准确性,便于金融行业准确的进行客户挖掘和预测。
步骤204,将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型。
本实施例中,所述服务项目预测模型包括基于RoBERTa语言分析和DPCNN神经网络架构的分类模型。RoBERTa(Robustly optimized BERT approach)是强力优化的BERT模型,能够对文本数据进行语义识别和分析,DPCNN(Deep Pyramid Convolutional NeuralNetworks for Text Categorization)通过不断加深网络结构来进一步获取长距离的文本依赖信息,从而揭示文本中句子间的深层语义联系。通过基于RoBERTa语言分析和DPCNN神经网络架构的分类模型,目的在于,对用户讨论数据进行更深层次的解读和识别,从而提高分类和预测的准确性,便于金融行业准确的进行客户挖掘和预测。
继续参考图5,图5是图2所示步骤204的一个具体实施例的流程图,包括:
步骤501,按照预设比例,将所述第一类别用户中所有用户对应的已标记讨论数据划分为训练数据和测试数据;
步骤502,将所述训练数据输入所述基于RoBERTa语言分析和DPCNN神经网络架构的分类模型,进行分类器训练,获得所有服务项目分别对应的分类器;
步骤503,将所述测试数据输入所述基于RoBERTa语言分析和DPCNN神经网络架构的分类模型,进行分类测试,获得分类测试结果;
步骤504,根据所述分类测试结果和所述测试数据分别对应的用户所选择的服务项目,识别所述分类模型是否训练成功;
本实施例中,所述根据所述分类测试结果和所述测试数据分别对应的用户所选择的服务项目,识别所述分类模型是否训练成功的步骤,具体包括:通过所述分类测试结果,统计由所述测试数据分别预测出的服务项目;采用余弦相似度算法,对由所述测试数据分别预测出的服务项目,以及所述测试数据分别对应的用户所选择的服务项目,进行相似度计算,获得相似度;若所述相似度达到预设的置信度值,则所述分类模型训练成功;若所述相似度未达到预设的置信度值,则所述分类模型未训练成功。
步骤505,若所述分类模型未训练成功,则调整所述分类模型的超参数,并迭代执行步骤501至步骤504;
本实施例中,所述调整所述分类模型的超参数,可以调整所述分类模型的分类类别数量、迭代次数、训练样本的批次大小等。
步骤506,若所述分类模型已训练成功,则停止迭代,获得所述分类模型作为初步训练的服务项目预测模型。
采用将所述第一类别用户中所有用户对应的已标记讨论数据划分为训练数据和测试数据,使用服务项目已明确的用户所对应的已标记讨论数据进行服务项目预测模型初步训练,使用半监督形式,在少量的打标样本上训练分类器,节省了人力、物力。
步骤205,将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型。
继续参考图6,图6是图2所示步骤205的一个具体实施例的流程图,包括:
步骤601,根据所述第一类别用户中所有用户分别所选择的服务项目,获得所述第一类别用户中所有用户分别对应的实际服务项目;
步骤602,将所述第一类别用户中所有用户分别对应的数据增强结果输入所述初步训练的服务项目预测模型,进行增强训练,获得增强训练结果;
步骤603,通过解析所述增强训练结果,获得所有数据增强结果分别对应的预测服务项目;
步骤604,基于预设的相似度算法,计算所述实际服务项目和所述预测服务项目之间的相似度,并判断所述相似度是否达到预设的相似度阈值;
步骤605,若所述相似度未达到所述相似度阈值,则调整所述服务项目预测模型的超参数,并迭代执行步骤602至步骤604;
本实施例中,所述调整所述服务项目预测模型的超参数,可以调整所述服务项目预测模型的学习速率、迭代次数、训练样本的批次大小、神经网络隐藏层数等。
步骤606,若所述相似度达到所述相似度阈值,则停止迭代,获得训练完成的服务项目预测模型,得到所有服务项目分别与所述数据增强结果间的对应关系,作为服务项目与数据增强结果间的关系知识图谱。
通过在服务项目预测模型训练完成后,得到所有服务项目分别与所述数据增强结果间的对应关系,作为服务项目与数据增强结果间的关系知识图谱,便于为后期预测提供支撑依据。同时,使用未标记的增强数据对所述初步训练的服务项目预测模型,进行增强训练,提高了模型预测的准确性,从而保证了在对用户对应的金融服务项目进行预测时,提高预测的准确性,便于金融行业准确的进行客户挖掘和预测。
步骤206,将所述第二类别用户对应的数据增强结果输入所述训练完成的服务项目预测模型进行分类预测,获得分类预测结果,根据所述分类预测结果,确定所述第二类别用户中所有用户对应的服务项目。
继续参考图7,图7是图2所示步骤206的一个具体实施例的流程图,包括:
步骤701,将所述第二类别用户中所有用户分别对应的数据增强结果输入所述训练完成的服务项目预测模型;
步骤702,根据所述关系知识图谱,进行分类预测,获得分类预测结果;
步骤703,通过解析所述分类预测结果,获得所述数据增强结果分别对应的预测服务项目;
步骤704,基于所述预测服务项目,确定所述第二类别用户中所有用户对应的服务项目。
通过将服务项目未知的用户对应的讨论数据增强结果作为预测数据,预测出服务项目未知的用户,分别所对应的服务项目,便于结合讨论数据,精准的为用户提供服务项目,可以采用这种方式进行服务项目潜在客户筛选,通过对讨论数据进行增强,结合预测模型预测用户的服务项目,提高了金融客户服务项目预测的准确性,便于金融行业准确的进行客户挖掘和预测。
本申请通过获取用户讨论数据,进行分析,根据分析结果对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据;对已标记讨论数据进行数据增强处理,获得数据增强结果;将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型;将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型;将第二类别用户对应的数据增强结果输入服务项目预测模型,进行分类预测,确定第二类别用户中所有用户对应的服务项目。通过服务项目明确型用户的讨论数据和增强数据,训练出服务项目预测模型,输入服务项目未知型用户的讨论数据对应的数据增强结果,预测出服务项目未知型用户的金融服务项目,便于金融行业准确的进行客户挖掘和预测。
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。
本申请实施例中,通过服务项目明确型用户的讨论数据和增强数据,训练出服务项目预测模型,输入服务项目未知型用户的讨论数据对应的数据增强结果,预测出服务项目未知型用户的金融服务项目,便于金融行业准确的进行客户挖掘和预测。
进一步参考图8,作为对上述图2所示方法的实现,本申请提供了服务项目预测装置的一个实施例,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8所示,本实施例所述的服务项目预测装置800包括:用户讨论数据分析模块801、标签化处理模块802、数据增强处理模块803、模型初步训练模块804、模型增强训练模块805和模型分类预测模块806。其中:
用户讨论数据分析模块801,用于获取用户讨论数据,根据预设的分析策略对所述讨论数据进行分析,获得分析结果;
标签化处理模块802,用于根据所述分析结果和预设的分类标签,对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据,其中,所述第一类别用户指服务项目明确型用户,所述第二类别用户指服务项目未知型用户;
数据增强处理模块803,用于根据用户类别将所述已标记讨论数据分别输入预设的数据增强模型进行数据增强处理,获得数据增强结果;
模型初步训练模块804,用于将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型;
模型增强训练模块805,用于将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型;
模型分类预测模块806,用于将所述第二类别用户对应的数据增强结果输入所述训练完成的服务项目预测模型进行分类预测,获得分类预测结果,根据所述分类预测结果,确定所述第二类别用户中所有用户对应的服务项目。
本申请通过获取用户讨论数据,进行分析,根据分析结果对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据;对已标记讨论数据进行数据增强处理,获得数据增强结果;将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型;将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型;将第二类别用户对应的数据增强结果输入服务项目预测模型,进行分类预测,确定第二类别用户中所有用户对应的服务项目。通过服务项目明确型用户的讨论数据和增强数据,训练出服务项目预测模型,输入服务项目未知型用户的讨论数据对应的数据增强结果,预测出服务项目未知型用户的金融服务项目,便于金融行业准确的进行客户挖掘和预测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-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。
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9,图9为本实施例计算机设备基本结构框图。
所述计算机设备9包括通过系统总线相互通信连接存储器9a、处理器9b、网络接口9c。需要指出的是,图中仅示出了具有组件9a-9c的计算机设备9,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9a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9a可以是所述计算机设备9的内部存储单元,例如该计算机设备9的硬盘或内存。在另一些实施例中,所述存储器9a也可以是所述计算机设备9的外部存储设备,例如该计算机设备9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9a还可以既包括所述计算机设备9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9a通常用于存储安装于所述计算机设备9的操作系统和各类应用软件,例如一种服务项目预测方法的计算机可读指令等。此外,所述存储器9a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9b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9b通常用于控制所述计算机设备9的总体操作。本实施例中,所述处理器9b用于运行所述存储器9a中存储的计算机可读指令或者处理数据,例如运行所述服务项目预测方法的计算机可读指令。
所述网络接口9c可包括无线网络接口或有线网络接口,该网络接口9c通常用于在所述计算机设备9与其他电子设备之间建立通信连接。
本实施例提出的计算机设备,属于金融科技技术领域,应用于金融客户服务项目预测场景中。本申请通过获取用户讨论数据,进行分析,根据分析结果对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据;对已标记讨论数据进行数据增强处理,获得数据增强结果;将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型;将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型;将第二类别用户对应的数据增强结果输入服务项目预测模型,进行分类预测,确定第二类别用户中所有用户对应的服务项目。通过服务项目明确型用户的讨论数据和增强数据,训练出服务项目预测模型,输入服务项目未知型用户的讨论数据对应的数据增强结果,预测出服务项目未知型用户的金融服务项目,便于金融行业准确的进行客户挖掘和预测。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被处理器执行,以使所述处理器执行如上述的服务项目预测方法的步骤。
本实施例提出的计算机可读存储介质,属于金融科技技术领域,应用于金融客户服务项目预测场景中。本申请通过获取用户讨论数据,进行分析,根据分析结果对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据;对已标记讨论数据进行数据增强处理,获得数据增强结果;将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型;将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型;将第二类别用户对应的数据增强结果输入服务项目预测模型,进行分类预测,确定第二类别用户中所有用户对应的服务项目。通过服务项目明确型用户的讨论数据和增强数据,训练出服务项目预测模型,输入服务项目未知型用户的讨论数据对应的数据增强结果,预测出服务项目未知型用户的金融服务项目,便于金融行业准确的进行客户挖掘和预测。
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)
1.一种服务项目预测方法,其特征在于,包括下述步骤:
获取用户讨论数据,根据预设的分析策略对所述讨论数据进行分析,获得分析结果;
根据所述分析结果和预设的分类标签,对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据;
根据用户类别将所述已标记讨论数据分别输入预设的数据增强模型进行数据增强处理,获得数据增强结果;
将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型;
将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型;
将所述第二类别用户对应的数据增强结果输入所述训练完成的服务项目预测模型进行分类预测,获得分类预测结果,根据所述分类预测结果,确定所述第二类别用户中所有用户对应的服务项目。
2.根据权利要求1所述的服务项目预测方法,其特征在于,所述获取用户讨论数据,根据预设的分析策略对所述讨论数据进行分析,获得分析结果的步骤,具体包括:
通过预设的抓取工具,从目标平台上获取用户讨论数据,并根据用户区别标识,区分所有用户对应的所述讨论数据;
根据所述分析策略对所述讨论数据进行分析,分析所述讨论数据中的服务关键字段,以及所述讨论数据对应的用户所选择的服务项目,得到所述分析结果;
所述预设的分类标签包括服务明确型标签和服务未知型标签,所述根据所述分析结果和预设的分类标签,对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据的步骤,具体包括:
基于用户区别标识,筛选出所有选择了服务项目的用户,构建第一用户列表;
根据所述用户区别标识,识别出所述第一用户列表中所有用户分别对应的讨论数据,并设置所述讨论数据的标签为服务明确型标签;
整理所述第一类别用户之外的剩余用户,构建第二用户列表;
根据所述用户区别标识,识别出所述第二用户列表中所有用户分别对应的讨论数据,并设置所述讨论数据的标签为服务未知型标签;
根据所有讨论数据分别对应的标签,得到第一类别用户和第二类别用户分别对应的已标记讨论数据。
3.根据权利要求1所述的服务项目预测方法,其特征在于,所述数据增强模型包括GPT-2语言生成模型,所述根据用户类别将所述已标记讨论数据分别输入预设的数据增强模型进行数据增强处理,获得数据增强结果的步骤,具体包括:
将第一类别用户和第二类别用户分别对应的已标记讨论数据,输入所述GPT-2语言生成模型;
根据所述GPT-2语言生成模型和所述用户区别标识,捕获所述第一类别用户中所有用户分别对应的讨论数据的语言文本结构信息;
通过所述语言文本结构信息,提取出所述讨论数据中主题信息和关键词字段;
基于所述主题信息、所述关键词字段和所述讨论数据,进行迭代组合,获得新的文本数据,作为所述第一类别用户中所有用户分别对应的数据增强结果;
根据所述GPT-2语言生成模型,捕获所述第二类别用户中所有用户分别对应的讨论数据的语言文本结构信息;
通过所述语言文本结构信息,提取出所述讨论数据中主题信息和关键词字段;
基于所述主题信息、所述关键词字段和所述讨论数据,进行迭代组合,获得新的文本数据,作为所述第二类别用户中所有用户分别对应的数据增强结果。
4.根据权利要求1所述的服务项目预测方法,其特征在于,所述服务项目预测模型包括基于RoBERTa语言分析和DPCNN神经网络架构的分类模型,所述将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型的步骤,具体包括:
步骤501,按照预设比例,将所述第一类别用户中所有用户对应的已标记讨论数据划分为训练数据和测试数据;
步骤502,将所述训练数据输入所述基于RoBERTa语言分析和DPCNN神经网络架构的分类模型,进行分类器训练,获得所有服务项目分别对应的分类器;
步骤503,将所述测试数据输入所述基于RoBERTa语言分析和DPCNN神经网络架构的分类模型,进行分类测试,获得分类测试结果;
步骤504,根据所述分类测试结果和所述测试数据分别对应的用户所选择的服务项目,识别所述分类模型是否训练成功;
步骤505,若所述分类模型未训练成功,则调整所述分类模型的超参数,并迭代执行步骤501至步骤504;
步骤506,若所述分类模型已训练成功,则停止迭代,获得所述分类模型作为初步训练的服务项目预测模型。
5.根据权利要求4所述的服务项目预测方法,其特征在于,所述根据所述分类测试结果和所述测试数据分别对应的用户所选择的服务项目,识别所述分类模型是否训练成功的步骤,具体包括:
通过所述分类测试结果,统计由所述测试数据分别预测出的服务项目;
采用余弦相似度算法,对由所述测试数据分别预测出的服务项目,以及所述测试数据分别对应的用户所选择的服务项目,进行相似度计算,获得相似度;
若所述相似度达到预设的置信度值,则所述分类模型训练成功;
若所述相似度未达到预设的置信度值,则所述分类模型未训练成功。
6.根据权利要求2所述的服务项目预测方法,其特征在于,所述将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型的步骤,具体包括:
步骤601,根据所述第一类别用户中所有用户分别所选择的服务项目,获得所述第一类别用户中所有用户分别对应的实际服务项目;
步骤602,将所述第一类别用户中所有用户分别对应的数据增强结果输入所述初步训练的服务项目预测模型,进行增强训练,获得增强训练结果;
步骤603,通过解析所述增强训练结果,获得所有数据增强结果分别对应的预测服务项目;
步骤604,基于预设的相似度算法,计算所述实际服务项目和所述预测服务项目之间的相似度,并判断所述相似度是否达到预设的相似度阈值;
步骤605,若所述相似度未达到所述相似度阈值,则调整所述服务项目预测模型的超参数,并迭代执行步骤602至步骤604;
步骤606,若所述相似度达到所述相似度阈值,则停止迭代,获得训练完成的服务项目预测模型,得到所有服务项目分别与所述数据增强结果间的对应关系,作为服务项目与数据增强结果间的关系知识图谱。
7.根据权利要求6所述的服务项目预测方法,其特征在于,所述将所述第二类别用户对应的数据增强结果输入所述训练完成的服务项目预测模型进行分类预测,获得分类预测结果,根据所述分类预测结果,确定所述第二类别用户中所有用户对应的服务项目的步骤,具体包括:
将所述第二类别用户中所有用户分别对应的数据增强结果输入所述训练完成的服务项目预测模型;
根据所述关系知识图谱,进行分类预测,获得分类预测结果;
通过解析所述分类预测结果,获得所述数据增强结果分别对应的预测服务项目;
基于所述预测服务项目,确定所述第二类别用户中所有用户对应的服务项目。
8.一种服务项目预测装置,其特征在于,包括:
用户讨论数据分析模块,用于获取用户讨论数据,根据预设的分析策略对所述讨论数据进行分析,获得分析结果;
标签化处理模块,用于根据所述分析结果和预设的分类标签,对所述讨论数据进行标签化处理,得到第一类别用户和第二类别用户分别对应的已标记讨论数据;
数据增强处理模块,用于根据用户类别将所述已标记讨论数据分别输入预设的数据增强模型进行数据增强处理,获得数据增强结果;
模型初步训练模块,用于将所述第一类别用户对应的已标记讨论数据输入待训练的服务项目预测模型进行训练,获得初步训练的服务项目预测模型;
模型增强训练模块,用于将所述第一类别用户对应的数据增强结果输入所述初步训练的服务项目预测模型进行增强训练,获得训练完成的服务项目预测模型;
模型分类预测模块,用于将所述第二类别用户对应的数据增强结果输入所述训练完成的服务项目预测模型进行分类预测,获得分类预测结果,根据所述分类预测结果,确定所述第二类别用户中所有用户对应的服务项目。
9.一种计算机设备,其特征在于,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中任一项所述的服务项目预测方法的步骤。
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中任一项所述的服务项目预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141141.0A CN117217369A (zh) | 2023-09-05 | 2023-09-05 | 一种服务项目预测方法、装置、计算机设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141141.0A CN117217369A (zh) | 2023-09-05 | 2023-09-05 | 一种服务项目预测方法、装置、计算机设备及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117217369A true CN117217369A (zh) | 2023-12-12 |
Family
ID=89047298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311141141.0A Pending CN117217369A (zh) | 2023-09-05 | 2023-09-05 | 一种服务项目预测方法、装置、计算机设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217369A (zh) |
-
2023
- 2023-09-05 CN CN202311141141.0A patent/CN117217369A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN111190946A (zh) | 报告生成方法、装置、计算机设备和存储介质 | |
CN114372532B (zh) | 标签标注质量的确定方法、装置、设备、介质及产品 | |
CN114398466A (zh) | 基于语义识别的投诉分析方法、装置、计算机设备及介质 | |
CN117875320A (zh) | 基于人工智能的数据处理方法、装置、设备及存储介质 | |
CN117234505A (zh) | 一种交互页面生成方法、装置、设备及其存储介质 | |
CN116841846A (zh) | 一种实时日志异常检测方法、装置、设备及其存储介质 | |
CN111950265A (zh) | 一种领域词库构建方法和装置 | |
CN115238077A (zh) | 基于人工智能的文本分析方法、装置、设备及存储介质 | |
CN109885647B (zh) | 用户履历验证方法、装置、电子设备及存储介质 | |
CN117217369A (zh) | 一种服务项目预测方法、装置、计算机设备及其存储介质 | |
CN113569741A (zh) | 图像试题的答案生成方法、装置、电子设备及可读介质 | |
CN112069807A (zh) | 文本数据的主题提取方法、装置、计算机设备及存储介质 | |
CN112364649A (zh) | 命名实体的识别方法、装置、计算机设备及存储介质 | |
CN117493563A (zh) | 一种会话意图分析方法、装置、设备及其存储介质 | |
CN113723093B (zh) | 人员管理策略推荐方法、装置、计算机设备及存储介质 | |
CN114866818B (zh) | 视频推荐方法、装置、计算机设备及存储介质 | |
CN112396445B (zh) | 用于识别用户身份信息的方法和装置 | |
CN117788051A (zh) | 基于人工智能的客户偏好分析方法、装置、设备及介质 | |
CN117421207A (zh) | 智能评估影响点测试方法、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 | |
CN117932082A (zh) | 一种文本内容指代消解方法、装置、设备及其存储介质 | |
CN117290597A (zh) | 基于人工智能的信息推送方法、装置、设备及存储介质 | |
CN117851865A (zh) | 客户分类方法、装置、计算机设备及存储介质 | |
CN116993516A (zh) | 一种理赔模型解释优化方法、装置、设备及其存储介质 |
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 |