CN117371861B - 基于数字化的家政服务质量智能分析方法及系统 - Google Patents
基于数字化的家政服务质量智能分析方法及系统 Download PDFInfo
- Publication number
- CN117371861B CN117371861B CN202311419709.0A CN202311419709A CN117371861B CN 117371861 B CN117371861 B CN 117371861B CN 202311419709 A CN202311419709 A CN 202311419709A CN 117371861 B CN117371861 B CN 117371861B
- Authority
- CN
- China
- Prior art keywords
- household service
- household
- service
- service quality
- quality
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 139
- 238000009826 distribution Methods 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 78
- 230000006870 function Effects 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 17
- 238000013441 quality evaluation Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 57
- 230000008569 process Effects 0.000 description 12
- 238000000605 extraction Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010413 gardening Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003813 thumb Anatomy 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,公开了一种基于数字化的家政服务质量智能分析方法及系统,用于提高家政服务质量智能分析的准确率。方法包括:获取初始家政服务数据集合进行预处理,得到目标家政服务数据集合,并选取多个家政服务质量影响因素;分别构建正态云分布并进行数字特征提取,得到数字特征集合;计算单因素隶属度值,并设置每个单因素隶属度值对应的初始权重数据;对初始权重数据进行动态权重分析,生成每个单因素隶属度值对应的目标权重数据,并基于目标权重数据对单因素隶属度值进行加权运算,得到综合因素隶属度值;将综合因素隶属度值输入多元家政服务质量决策模型进行家政服务质量智能分析,得到目标家政服务质量等级。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于数字化的家政服务质量智能分析方法及系统。
背景技术
在当今社会,家政服务已经成为许多家庭生活中不可或缺的一部分。然而,随着家政服务需求的增加,如何确保家政服务的质量和效率成为了一个重要的问题。随着信息技术和数字化的发展,数字化家政平台和数据收集工具的普及,为家政服务质量的智能分析提供了新的机会。
传统的家政服务质量评估方法通常依赖于主观评价或少量指标的定性评估,存在客观性不足和信息不充分的问题。即现有方案的准确率较低。
发明内容
本发明提供了一种基于数字化的家政服务质量智能分析方法及系统,用于提高家政服务质量智能分析的准确率。
本发明第一方面提供了一种基于数字化的家政服务质量智能分析方法,所述基于数字化的家政服务质量智能分析方法包括:
基于预置的数字化家政平台,获取待处理的初始家政服务数据集合;
对所述初始家政服务数据集合进行预处理,得到目标家政服务数据集合,并根据所述目标家政服务数据集合选取多个家政服务质量影响因素;
通过预置的正态云模型分别构建每个家政服务质量影响因素的正态云分布,并对所述正态云分布进行数字特征提取,得到每个家政服务质量影响因素的数字特征集合;
根据所述数字特征集合,计算每个家政服务质量影响因素的单因素隶属度值,并设置每个单因素隶属度值对应的初始权重数据;
对所述初始权重数据进行动态权重分析,生成每个单因素隶属度值对应的目标权重数据,并基于所述目标权重数据对所述单因素隶属度值进行加权运算,得到综合因素隶属度值;
将所述综合因素隶属度值输入预置的多元家政服务质量决策模型进行家政服务质量智能分析,得到目标家政服务质量等级。
结合第一方面,在本发明第一方面的第一种实现方式中,所述基于预置的数字化家政平台,获取待处理的初始家政服务数据集合,包括:
基于预置的数字化家政平台获取多个家政服务订单数据;
对所述多个家政服务订单数据进行关键词识别,得到每个家政服务订单数据对应的关键词集合;
对每个家政服务订单数据对应的关键词集合进行上下文信息提取,得到每个家政服务订单数据对应的上下文信息集合;
基于所述关键词集合确定对应的N个聚类中心,并根据所述N个聚类中心对所述上下文信息集合进行特征信息聚类,得到对应的N个特征信息聚类结果;
根据所述N个特征信息聚类结果,生成待处理的初始家政服务数据集合,其中,所述初始家政服务数据集合包括:客户评价、服务员信息、服务时间、服务项目及客户反馈。
结合第一方面,在本发明第一方面的第二种实现方式中,所述对所述初始家政服务数据集合进行预处理,得到目标家政服务数据集合,并根据所述目标家政服务数据集合选取多个家政服务质量影响因素,包括:
对所述初始家政服务数据集合进行数据清洗,得到第一家政服务数据集合;
对所述第一家政服务数据集合进行异常值去除,得到第二家政服务数据集合;
对所述第二家政服务数据集合进行标准化处理,得到目标家政服务数据集合;
对所述目标家政服务数据集合进行属性特征分析,得到至少一个家政服务属性特征,并根据所述至少一个家政服务属性特征设定对应的筛选条件;
根据所述筛选条件建立对应的家政服务质量影响因素列表,并根据所述家政服务质量影响因素列表对所述目标家政服务数据集合进行影响因素匹配,得到对应的多个家政服务质量影响因素,其中,所述多个家政服务质量影响因素包括:服务员人员影响因素、客户影响因素、服务影响因素及环境因素。
结合第一方面,在本发明第一方面的第三种实现方式中,所述通过预置的正态云模型分别构建每个家政服务质量影响因素的正态云分布,并对所述正态云分布进行数字特征提取,得到每个家政服务质量影响因素的数字特征集合,包括:
对每个家政服务质量影响因素进行数据分组,得到每个家政服务质量影响因素的数据分组结果;
通过预置的正态云模型,根据所述数据分组结果分别计算每个家政服务质量影响因素的分布参数;
根据所述分布参数和所述正态云模型,分别构建每个家政服务质量影响因素的正态云分布;
对每个家政服务质量影响因素的正态云分布进行组合,得到组合的正态云分布;
通过预置的概率密度函数,分别计算所述组合的正态云分布中每个正态云分布的数字特征,得到每个家政服务质量影响因素的数字特征集合,其中,所述数字特征集合包括:正态分布的均值、标准差、偏度及峰度。
结合第一方面,在本发明第一方面的第四种实现方式中,所述根据所述数字特征集合,计算每个家政服务质量影响因素的单因素隶属度值,并设置每个单因素隶属度值对应的初始权重数据,包括:
对每个家政服务质量影响因素的数字特征集合进行向量编码,得到每个家政服务质量影响因素的目标编码向量;
分别计算每两个目标编码向量之间的相似度,并将所述相似度作为每个家政服务质量影响因素的单因素隶属度值;
根据每个家政服务质量影响因素的单因素隶属度值,设置对应的初始权重数据。
结合第一方面,在本发明第一方面的第五种实现方式中,所述对所述初始权重数据进行动态权重分析,生成每个单因素隶属度值对应的目标权重数据,并基于所述目标权重数据对所述单因素隶属度值进行加权运算,得到综合因素隶属度值,包括:
采用惩罚性变权函数,分别对所述初始权重数据进行动态权重运算,得到每个单因素隶属度值对应的第一权重数据;
基于预置的动态权重分析规则,对所述第一权重数据进行动态分析,得到每个单因素隶属度值对应的第二权重数据;
对每个单因素隶属度值对应的第二权重数据进行权重比例校验,生成每个单因素隶属度值对应的目标权重数据;
基于所述目标权重数据对所述单因素隶属度值进行加权运算,得到多个加权后的单因素隶属度值;
对所述多个加权后的单因素隶属度值进行求和合并,得到综合因素隶属度值。
结合第一方面,在本发明第一方面的第六种实现方式中,所述将所述综合因素隶属度值输入预置的多元家政服务质量决策模型进行家政服务质量智能分析,得到目标家政服务质量等级,包括:
基于所述综合因素隶属度值和所述多个加权后的单因素隶属度值构建家政服务质量评价向量;
将所述家政服务质量评价向量输入预置的多元家政服务质量决策模型,其中,所述多元家政服务质量决策模型包括多个第一家政服务质量决策层以及一个第二家政服务质量决策层,每个第一家政服务质量决策层包括单向门限循环网络、长短时记忆网络以及全连接网络,第二家政服务质量决策层为均值分析函数;
通过所述多个第一家政服务质量决策层中的单向门限循环网络,分别对所述家政服务质量评价向量进行特征提取,得到第一隐藏状态特征向量;
通过所述多个第一家政服务质量决策层中的长短时记忆网络,分别对所述第一隐藏状态特征向量进行特征提取,得到第二隐藏状态特征向量;
通过所述多个第一家政服务质量决策层中的全连接网络,分别对所述第二隐藏状态特征向量进行特征运算,得到多个特征运算值;
将所述多个特征运算值输入所述均值分析函数进行均值分析,得到目标特征均值,并通过所述目标特征均值进行家政服务质量智能分析,生成目标家政服务质量等级。
本发明第二方面提供了一种基于数字化的家政服务质量智能分析系统,所述基于数字化的家政服务质量智能分析系统包括:
获取模块,用于基于预置的数字化家政平台,获取待处理的初始家政服务数据集合;
选取模块,用于对所述初始家政服务数据集合进行预处理,得到目标家政服务数据集合,并根据所述目标家政服务数据集合选取多个家政服务质量影响因素;
构建模块,用于通过预置的正态云模型分别构建每个家政服务质量影响因素的正态云分布,并对所述正态云分布进行数字特征提取,得到每个家政服务质量影响因素的数字特征集合;
计算模块,用于根据所述数字特征集合,计算每个家政服务质量影响因素的单因素隶属度值,并设置每个单因素隶属度值对应的初始权重数据;
处理模块,用于对所述初始权重数据进行动态权重分析,生成每个单因素隶属度值对应的目标权重数据,并基于所述目标权重数据对所述单因素隶属度值进行加权运算,得到综合因素隶属度值;
分析模块,用于将所述综合因素隶属度值输入预置的多元家政服务质量决策模型进行家政服务质量智能分析,得到目标家政服务质量等级。
本发明第三方面提供了一种基于数字化的家政服务质量智能分析设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于数字化的家政服务质量智能分析设备执行上述的基于数字化的家政服务质量智能分析方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于数字化的家政服务质量智能分析方法。
本发明提供的技术方案中,获取初始家政服务数据集合进行预处理,得到目标家政服务数据集合,并选取多个家政服务质量影响因素;分别构建正态云分布并进行数字特征提取,得到数字特征集合;计算单因素隶属度值,并设置每个单因素隶属度值对应的初始权重数据;对初始权重数据进行动态权重分析,生成每个单因素隶属度值对应的目标权重数据,并基于目标权重数据对单因素隶属度值进行加权运算,得到综合因素隶属度值;将综合因素隶属度值输入多元家政服务质量决策模型进行家政服务质量智能分析,得到目标家政服务质量等级,本发明使用数字化家政平台来收集、存储和管理家政服务数据。有助于提高数据的可追踪性和可访问性,使得数据更容易被分析和利用。同时,数字化管理还减少了纸质记录的需求,提高了效率。通过选择多个家政服务质量影响因素,包括服务员技能、客户满意度等,该方法提供了一种全面的家政服务质量分析。传统方法只关注部分因素,而数字化方法能够更全面地考虑各个影响因素,有助于全面提高服务质量。正态云模型的应用允许对不确定性和模糊性进行更好的建模。有助于更准确地描述家政服务质量影响因素的分布情况,使评估更具精确性和可信度。通过动态权重分析,该方法可以根据不同情况和需求动态调整权值,以更好地反映不同因素的重要性。在不同时期或不同条件下,系统可以适应性地改变权值,以提高决策的准确性和灵活性。引入了惩罚性变权函数以降低主观因素对权值的影响,使得评价更客观和准确。这有助于消除主观偏见,提高了评估的可信度。使用多元家政服务质量决策模型进行家政服务质量智能分析。这个模型可以基于隶属度值进行分析,进而提高了家政服务质量智能分析的准确率。
附图说明
图1为本发明实施例中基于数字化的家政服务质量智能分析方法的一个实施例示意图;
图2为本发明实施例中选取多个家政服务质量影响因素的流程图;
图3为本发明实施例中数字特征提取的流程图;
图4为本发明实施例中计算单因素隶属度值的流程图;
图5为本发明实施例中基于数字化的家政服务质量智能分析系统的一个实施例示意图;
图6为本发明实施例中基于数字化的家政服务质量智能分析设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于数字化的家政服务质量智能分析方法及系统,用于提高家政服务质量智能分析的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于数字化的家政服务质量智能分析方法的一个实施例包括:
S101、基于预置的数字化家政平台,获取待处理的初始家政服务数据集合;
可以理解的是,本发明的执行主体可以为基于数字化的家政服务质量智能分析系统,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,从预置的数字化家政平台获取多个家政服务订单数据。这些订单数据通常包含客户下单的信息,包括客户姓名、服务员信息、服务时间、服务项目以及客户反馈等。对每个家政服务订单数据进行关键词识别,以得到每个家政服务订单数据对应的关键词集合。这些关键词是与订单相关的重要词汇,例如客户需求、服务内容、地点等。对每个家政服务订单数据对应的关键词集合进行上下文信息提取。这一步骤旨在捕获关键词的上下文背景信息,以更好地理解订单的语境。上下文信息包括订单的具体内容、客户的要求、服务员的信息等。基于所述关键词集合确定对应的N个聚类中心。这一步骤可以使用聚类算法,如K均值聚类,将订单数据分成N个不同的类别或簇,每个类别代表一组相似的订单。根据所得的N个聚类中心,对上下文信息集合进行特征信息聚类。将订单数据按照它们的相似性分组,每个组包含具有相似特征的订单数据。这些特征可以包括服务类型相似、服务时间相近、客户反馈内容相似等。根据N个特征信息聚类的结果,生成待处理的初始家政服务数据集合。这个初始数据集合包括了不同的类别,每个类别代表一组相似的家政服务订单。具体数据包括客户评价、服务员信息、服务时间、服务项目以及客户反馈等信息。
S102、对初始家政服务数据集合进行预处理,得到目标家政服务数据集合,并根据目标家政服务数据集合选取多个家政服务质量影响因素;
具体的,对初始家政服务数据集合进行数据清洗。数据清洗的目的是处理数据中的缺失值、重复值、错误值等问题,以确保数据的质量和完整性。例如,如果数据集中存在服务时间为空的记录,可以选择删除或填充这些记录。在第一轮清洗后,得到第一家政服务数据集合。对第一家政服务数据集合进行异常值检测和去除。异常值是数据集中的极端值或与正常情况不符的数据点。例如,如果某个订单的服务时间超出了合理的范围,可以将该订单视为异常值并删除或修正。第二轮处理后,得到第二家政服务数据集合。对第二家政服务数据集合进行标准化处理。标准化可以确保不同属性之间的数据具有相似的尺度,以便后续的分析。例如,可以使用Z-score标准化将数值属性转换为均值为0,标准差为1的分布。在标准化后,得到目标家政服务数据集合。进行属性特征分析,以确定哪些属性对家政服务质量有重要影响。这可以使用各种统计和数据分析技术来实现,如相关性分析、方差分析等。例如,可以发现客户评价、服务员信息、服务时间、服务项目等属性与服务质量相关。根据属性特征分析的结果,设定相应的筛选条件。这些筛选条件用于确定哪些属性或因素将作为家政服务质量影响因素。例如,如果客户评价与服务质量高度相关,可以设定客户评价得分在一定范围内的订单将被纳入分析。根据筛选条件,建立家政服务质量影响因素列表。这个列表包括了所有被选定的因素,如服务员人员影响因素、客户影响因素、服务影响因素以及环境因素。每个因素都应与其相关的属性或特征相关联。根据家政服务质量影响因素列表,对目标家政服务数据集合进行影响因素匹配。将数据集中的每个订单与所选因素进行关联,以确定哪些因素对每个订单具有影响。例如,可以将客户评价与客户影响因素相关联,将服务员信息与服务员人员影响因素相关联。例如,假设初始家政服务数据集合包括了100个订单,其中一些订单存在缺失值和异常值。通过数据清洗和异常值去除,得到第二家政服务数据集合,包含90个订单。对这90个订单进行标准化处理,确保所有属性具有相似的尺度。在属性特征分析中,发现客户评价和服务员信息与服务质量高度相关。因此,设定筛选条件,选择了客户评价和服务员信息作为家政服务质量影响因素。将这两个因素与目标家政服务数据集合匹配,得到了每个订单的客户评价和服务员信息,为进一步的质量分析提供了基础数据。
S103、通过预置的正态云模型分别构建每个家政服务质量影响因素的正态云分布,并对正态云分布进行数字特征提取,得到每个家政服务质量影响因素的数字特征集合;
需要说明的是,对每个家政服务质量影响因素进行数据分组。这一步骤将数据集划分为多个组,每个组包含具有相似特性的数据点。例如,如果服务器考虑客户评价作为一个因素,可以将评分从1到5分划分为不同的组。通过预置的正态云模型,对每个数据分组的数据进行统计分析,计算分布参数,包括均值(μ)和标准差(σ)。这些参数描述了每个数据分组的分布特征,以及数据的中心位置和分散程度。基于计算得到的分布参数,分别构建每个家政服务质量影响因素的正态云分布。正态云分布是正态分布的一种概念化表示,用于描述数据的分布情况。对于每个分组,可以构建一个对应的正态云分布。将所有家政服务质量影响因素的正态云分布组合成一个综合的正态云分布。这一步骤可以使用概率密度函数来计算每个正态云分布的权重,以获得综合的分布。通过预置的概率密度函数,计算组合的正态云分布中每个正态云分布的数字特征,包括均值、标准差、偏度和峰度。这些数字特征反映了整个家政服务质量影响因素的分布情况。例如,假设收集了100个客户评价数据,评分从1到5分。将这些评分数据分成5个组,每个组代表一个评分级别,例如,组1:1分评价、组2:2分评价、组3:3分评价、组4:4分评价、组5:5分评价。对每个组的数据计算均值和标准差,得到每个组的正态云分布。例如,对于3分评价的组,计算得到均值μ=3.2和标准差σ=0.5。将这些正态云分布组合成一个综合的正态云分布,考虑到每个组的权重。如果服务器认为各组的权重相等,那么可以简单地平均均值和标准差来构建综合分布。通过预置的概率密度函数,可以计算综合的正态云分布的数字特征,包括均值、标准差、偏度和峰度。这些数字特征提供了客户评价这一家政服务质量影响因素的整体分布情况。通过类似的方式,可以对其他影响因素进行相似的分析和提取数字特征,以帮助更好地理解家政服务质量的特征和趋势。
S104、根据数字特征集合,计算每个家政服务质量影响因素的单因素隶属度值,并设置每个单因素隶属度值对应的初始权重数据;
具体的,对每个家政服务质量影响因素的数字特征集合进行向量编码。将每个数字特征集合转化为一个向量,以便进行相似度计算。这可以使用各种编码方法,如最小-最大规范化(Min-Max normalization)或标准化(z-score normalization)来实现。向量编码后,每个家政服务质量影响因素都表示为一个数字特征向量。分别计算每两个目标编码向量之间的相似度,将所得相似度作为每个家政服务质量影响因素的单因素隶属度值。相似度计算方法可以根据具体需求选择,常见的方法包括余弦相似度、欧氏距离、皮尔逊相关系数等。通过比较每个因素之间的相似度,可以确定它们在质量影响上的相对重要性。根据每个家政服务质量影响因素的单因素隶属度值,设置对应的初始权重数据。这些权重数据用于量化每个因素对家政服务质量的贡献程度。通常情况下,单因素隶属度值越高,权重越大,因素对质量的影响越大。这些初始权重可以是相对权重,总和为1,也可以是绝对权重,根据业务需求进行设定。例如,假设服务器有三个家政服务质量影响因素:客户评价、服务员信息和服务时间。对每个因素的数字特征集合进行向量编码,得到如下编码向量:客户评价向量:[0.8,0.9,0.7,0.6,0.5]、服务员信息向量:[0.6,0.7,0.5,0.8,0.4]、服务时间向量:[0.7,0.5,0.6,0.4,0.8]。计算每两个向量之间的相似度,可以使用余弦相似度来计算相似度矩阵,其中值越接近1表示相似度越高,如下所示:相似度矩阵:
客户评价服务员信息服务时间
客户评价1.0000.8000.700
服务员信息0.8001.0000.600
服务时间0.7000.6001.000
通过相似度计算,服务器看出客户评价和服务员信息之间的相似度较高,而服务时间与其他因素之间的相似度较低。根据单因素隶属度值,服务器设置初始权重数据。例如,如果客户评价的单因素隶属度值较高,服务器为客户评价分配较高的初始权重,表示其对家政服务质量的影响较大。
S105、对初始权重数据进行动态权重分析,生成每个单因素隶属度值对应的目标权重数据,并基于目标权重数据对单因素隶属度值进行加权运算,得到综合因素隶属度值;
具体的,采用惩罚性变权函数对初始权重数据进行动态权重运算。惩罚性变权函数用于根据单因素隶属度值的表现来调整权重,通常是一种非线性函数。这个函数的目标是惩罚低表现的因素,提高其权重,而对高表现的因素降低权重。这可以通过不同的函数形式来实现,如指数函数、对数函数等。基于预置的动态权重分析规则,对第一权重数据进行动态分析。这些规则定义了如何根据单因素隶属度值的不同范围来调整权重。例如,如果一个因素的隶属度值在高水平范围内,可以降低其权重,而在低水平范围内则提高权重。对每个单因素隶属度值对应的第二权重数据进行权重比例校验。这一步骤确保所有因素的权重之和等于1,以保持权重的一致性。如果存在偏差,可以根据比例校验来重新分配权重,以满足总和为1的条件。基于目标权重数据,对每个单因素隶属度值进行加权运算。将每个因素的隶属度值与其对应的目标权重相乘,然后将结果相加,得到多个加权后的单因素隶属度值。对多个加权后的单因素隶属度值进行求和合并,得到综合因素隶属度值。这个值表示了所有因素对家政服务质量的综合影响,可用于进一步的质量评估和决策。例如,假设服务器有三个家政服务质量影响因素:客户评价、服务员信息和服务时间。根据初始权重数据进行惩罚性变权函数的运算,调整每个因素的权重。基于动态分析规则,对第一权重数据进行动态分析,以根据不同隶属度值范围进一步调整权重。例如,客户评价的初始权重为0.4,服务员信息的初始权重为0.3,服务时间的初始权重为0.3。如果客户评价的隶属度值很高(表明其对质量的贡献较大),根据动态规则,客户评价的权重会降低到0.35,而服务员信息和服务时间的权重会提高到0.325。进行权重比例校验,确保所有权重之和为1。如果在计算中发现总和不等于1,就会重新分配权重,以满足这个条件。基于目标权重数据,对每个单因素隶属度值进行加权运算。例如,如果客户评价的隶属度值为0.8,服务员信息的隶属度值为0.7,服务时间的隶属度值为0.6,则可以计算综合因素隶属度值为0.35*0.8+0.325*0.7+0.325*0.6=0.7025。这个综合因素隶属度值反映了所有因素的综合影响,可用于评估家政服务质量的整体情况。
S106、将综合因素隶属度值输入预置的多元家政服务质量决策模型进行家政服务质量智能分析,得到目标家政服务质量等级。
具体的,基于综合因素隶属度值和多个加权后的单因素隶属度值,构建家政服务质量评价向量。这个向量将包含综合因素的隶属度值以及每个单因素的加权隶属度值。例如,如果有三个单因素隶属度值(客户评价、服务员信息、服务时间)以及综合因素的隶属度值,家政服务质量评价向量如下所示:[0.69,0.8,0.7,0.6]。多元家政服务质量决策模型由多个层次组成,包括多个第一家政服务质量决策层和一个第二家政服务质量决策层。每个第一家政服务质量决策层包括单向门限循环网络、长短时记忆网络以及全连接网络。第二家政服务质量决策层由均值分析函数组成。这些层次用于特征提取和均值分析。通过多个第一家政服务质量决策层中的单向门限循环网络,对家政服务质量评价向量进行特征提取,得到第一隐藏状态特征向量。每个层次的单向门限循环网络可以捕捉不同的时间依赖性和序列信息。通过多个第一家政服务质量决策层中的长短时记忆网络,对第一隐藏状态特征向量进行特征提取,得到第二隐藏状态特征向量。长短时记忆网络有助于捕捉时间序列中的长期依赖关系。通过多个第一家政服务质量决策层中的全连接网络,对第二隐藏状态特征向量进行特征运算,得到多个特征运算值。这些全连接网络可以学习到不同特征之间的复杂关系。将多个特征运算值输入均值分析函数进行均值分析。均值分析函数用于整合多个特征运算值,计算目标特征均值。这个目标特征均值反映了家政服务质量的整体情况,它是综合因素隶属度值和各个单因素隶属度值的智能分析结果。通过目标特征均值进行家政服务质量智能分析,生成目标家政服务质量等级。这个等级可以基于预设的标准或规则,例如将目标特征均值映射到一组等级中,如优秀、良好、一般、差等。例如,假设家政服务质量评价向量为[0.69,0.8,0.7,0.6],并且多元家政服务质量决策模型包括两个第一家政服务质量决策层和一个第二家政服务质量决策层。第一层的单向门限循环网络、长短时记忆网络和全连接网络进行特征提取,得到第一隐藏状态特征向量和第二隐藏状态特征向量。这些特征向量通过全连接网络进行特征运算,得到多个特征运算值。通过均值分析函数计算目标特征均值,用于家政服务质量等级的生成。
本发明实施例中,获取初始家政服务数据集合进行预处理,得到目标家政服务数据集合,并选取多个家政服务质量影响因素;分别构建正态云分布并进行数字特征提取,得到数字特征集合;计算单因素隶属度值,并设置每个单因素隶属度值对应的初始权重数据;对初始权重数据进行动态权重分析,生成每个单因素隶属度值对应的目标权重数据,并基于目标权重数据对单因素隶属度值进行加权运算,得到综合因素隶属度值;将综合因素隶属度值输入多元家政服务质量决策模型进行家政服务质量智能分析,得到目标家政服务质量等级,本发明使用数字化家政平台来收集、存储和管理家政服务数据。有助于提高数据的可追踪性和可访问性,使得数据更容易被分析和利用。同时,数字化管理还减少了纸质记录的需求,提高了效率。通过选择多个家政服务质量影响因素,包括服务员技能、客户满意度等,该方法提供了一种全面的家政服务质量分析。传统方法只关注部分因素,而数字化方法能够更全面地考虑各个影响因素,有助于全面提高服务质量。正态云模型的应用允许对不确定性和模糊性进行更好的建模。有助于更准确地描述家政服务质量影响因素的分布情况,使评估更具精确性和可信度。通过动态权重分析,该方法可以根据不同情况和需求动态调整权值,以更好地反映不同因素的重要性。在不同时期或不同条件下,系统可以适应性地改变权值,以提高决策的准确性和灵活性。引入了惩罚性变权函数以降低主观因素对权值的影响,使得评价更客观和准确。这有助于消除主观偏见,提高了评估的可信度。使用多元家政服务质量决策模型进行家政服务质量智能分析。这个模型可以基于隶属度值进行分析,进而提高了家政服务质量智能分析的准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)基于预置的数字化家政平台获取多个家政服务订单数据;
(2)对多个家政服务订单数据进行关键词识别,得到每个家政服务订单数据对应的关键词集合;
(3)对每个家政服务订单数据对应的关键词集合进行上下文信息提取,得到每个家政服务订单数据对应的上下文信息集合;
(4)基于关键词集合确定对应的N个聚类中心,并根据N个聚类中心对上下文信息集合进行特征信息聚类,得到对应的N个特征信息聚类结果;
(5)根据N个特征信息聚类结果,生成待处理的初始家政服务数据集合,其中,初始家政服务数据集合包括:客户评价、服务员信息、服务时间、服务项目及客户反馈。
具体的,服务器数字化家政平台应该具备能够收集和存储家政服务订单数据的能力。这些数据包括客户的订单信息、服务员的个人资料、服务时间、服务项目描述以及客户反馈等。一旦家政服务订单数据收集完成,就可以对这些数据进行文本分析,提取关键词。关键词是描述订单的重要词汇,可以帮助识别订单的主题和关注点。关键词识别可以使用自然语言处理(NLP)技术,如词频统计、TF-IDF分析等来实现。关键词提取后,可以通过上下文信息提取从原始文本中抽取相关的信息。这涉及到文本解析、句法分析、实体识别等技术,以获取与关键词相关的上下文信息。例如,对于关键词“清洁服务”,上下文信息提取可以获取订单中的具体清洁任务,如“清洁卫生间”或“擦拭地板”。为了将订单进行聚类,需要确定N个聚类中心。这可以通过各种聚类算法,如K均值聚类或层次聚类,基于订单数据的关键词集合来实现。每个聚类中心代表了一组相似的订单主题或特征。将上下文信息集合分配给最接近的聚类中心,从而将订单分成N个特征信息聚类。这一步骤旨在将具有相似特征或主题的订单放在同一聚类中,以便后续的分析和处理。根据N个特征信息聚类的结果,可以生成待处理的初始家政服务数据集合。这个初始数据集合应包括所有订单的关键信息,如客户评价、服务员信息、服务时间、服务项目描述以及客户反馈等。每个订单应该与其中一个特征信息聚类相关联,以便进行后续的分析和决策。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、对初始家政服务数据集合进行数据清洗,得到第一家政服务数据集合;
S202、对第一家政服务数据集合进行异常值去除,得到第二家政服务数据集合;
S203、对第二家政服务数据集合进行标准化处理,得到目标家政服务数据集合;
S204、对目标家政服务数据集合进行属性特征分析,得到至少一个家政服务属性特征,并根据至少一个家政服务属性特征设定对应的筛选条件;
S205、根据筛选条件建立对应的家政服务质量影响因素列表,并根据家政服务质量影响因素列表对目标家政服务数据集合进行影响因素匹配,得到对应的多个家政服务质量影响因素,其中,多个家政服务质量影响因素包括:服务员人员影响因素、客户影响因素、服务影响因素及环境因素。
具体的,服务器对初始家政服务数据集合进行数据清洗,以去除数据中的错误、缺失值和不一致性。这包括检查数据的完整性,删除重复的记录,修复缺失值,并纠正数据格式问题。数据清洗旨在确保数据的准确性和可用性。对第一家政服务数据集合进行异常值检测和去除。异常值是与其他数据点明显不同或偏离正常范围的数据点。例如,如果有一个客户的评价分数明显超出了正常范围,可以将其视为异常值并将其从数据集中移除。对第二家政服务数据集合进行标准化处理,以确保所有属性具有相同的尺度和单位。标准化通常包括将数据转换为均值为0,标准差为1的分布,这有助于不同属性之间的比较和分析。对目标家政服务数据集合进行属性特征分析,以提取有关家政服务质量的属性信息。这可以包括统计分析、数据可视化和特征工程。例如,可以分析客户评价的分布、服务员的工作经验、服务时间的变化趋势以及不同服务项目的需求情况。根据所提取的家政服务属性特征,设定对应的筛选条件。筛选条件是用于确定家政服务质量影响因素的规则或标准。这些条件可以基于领域知识和数据分析的结果来制定。例如,可以设定客户评价得分低于某个阈值的订单将受到特殊处理。基于筛选条件,建立对应的家政服务质量影响因素列表。这个列表将包括那些被认为对家政服务质量有显著影响的因素。例如,可以包括服务员人员影响因素(如工作经验)、客户影响因素(如客户类型)、服务影响因素(如服务项目类型)、环境因素(如天气条件)等。根据建立的家政服务质量影响因素列表,对目标家政服务数据集合进行影响因素匹配。这一步骤旨在确定每个订单的具体影响因素,并将其与订单相关联。例如,对于一份订单,可以确定其服务员的工作经验、客户的类型、所提供的服务项目类型以及当天的天气条件等因素。例如,假设收集了100个家政服务订单的数据。在数据清洗过程中,发现有5个订单存在缺失值,这些订单被删除。对客户评价分数进行了异常值检测,发现有2个订单评价分数远低于正常范围,这些异常值也被移除。对第二家政服务数据集合进行标准化处理,确保所有属性具有相同的尺度。通过属性特征分析,提取了客户评价、服务员工作经验、服务项目类型等属性信息。根据分析结果,制定了筛选条件,例如客户评价分数低于3分的订单需要特殊处理。建立了家政服务质量影响因素列表,包括服务员人员影响因素、客户影响因素、服务影响因素以及环境因素。在影响因素匹配阶段,系统会根据每个订单的特征和筛选条件来确定其所属的影响因素,例如订单A的客户评价分数低于3分,因此被归类为客户影响因素较大的订单。这些信息将有助于后续的家政服务质量智能分析和改进决策。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、对每个家政服务质量影响因素进行数据分组,得到每个家政服务质量影响因素的数据分组结果;
S302、通过预置的正态云模型,根据数据分组结果分别计算每个家政服务质量影响因素的分布参数;
S303、根据分布参数和正态云模型,分别构建每个家政服务质量影响因素的正态云分布;
S304、对每个家政服务质量影响因素的正态云分布进行组合,得到组合的正态云分布;
S305、通过预置的概率密度函数,分别计算组合的正态云分布中每个正态云分布的数字特征,得到每个家政服务质量影响因素的数字特征集合,其中,数字特征集合包括:正态分布的均值、标准差、偏度及峰度。
具体的,服务器对每个家政服务质量影响因素的数据进行分组。这可以根据特定的分组规则或算法来完成,例如,使用K均值聚类算法将数据分成不同的组。每个分组应该包含具有相似特征的数据点,以便后续的分布参数计算和正态云模型构建。通过预置的正态云模型,对每个数据分组计算分布参数。通常,正态分布需要均值(μ)和标准差(σ)两个参数来描述。这些参数可以通过每个数据分组的统计信息来计算,如平均值和标准差。根据计算得到的分布参数,为每个家政服务质量影响因素构建正态云分布。正态分布是一种连续概率分布,由均值和标准差确定其形状。对于每个分组,可以构建一个对应的正态分布。如果有多个家政服务质量影响因素,可以将它们的正态云分布组合成一个组合的正态云分布。这可以通过概率论中的卷积操作来实现,将每个因素的正态分布叠加在一起,形成一个整体的正态云分布。使用预置的概率密度函数,分别计算组合的正态云分布中每个正态云分布的数字特征。常见的数字特征包括均值(μ)、标准差(σ)、偏度(Skewness)和峰度(Kurtosis)。这些特征提供了关于正态云分布形状和分布的重要信息。例如,假设有三个家政服务质量影响因素:客户满意度、服务员工作经验和服务项目类型。针对每个因素,首先对数据进行分组。例如,对于客户满意度,可以将数据分为"不满意"、"一般满意"和"非常满意"三个组。对于服务员工作经验,可以分为"初级"、"中级"和"高级"三个组。对于服务项目类型,可以根据不同的服务项目进行分组,如"清洁"、"家居维修"和"园艺"等。对每个分组计算分布参数,例如计算每个满意度组的均值和标准差。使用这些参数构建每个分组的正态云分布。对于客户满意度因素,可以构建三个正态分布,分别代表不同满意度组的分布。将这些正态云分布组合成一个整体的正态云分布,以综合考虑所有影响因素。使用概率密度函数计算每个正态云分布的数字特征,例如均值、标准差、偏度和峰度,以获取有关家政服务质量的详细信息。这些数字特征可以用于后续的家政服务质量智能分析和决策制定。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、对每个家政服务质量影响因素的数字特征集合进行向量编码,得到每个家政服务质量影响因素的目标编码向量;
S402、分别计算每两个目标编码向量之间的相似度,并将相似度作为每个家政服务质量影响因素的单因素隶属度值;
S403、根据每个家政服务质量影响因素的单因素隶属度值,设置对应的初始权重数据。
具体的,服务器将每个家政服务质量影响因素的数字特征集合转换为数字特征向量。这可以通过将数字特征按照一定的规则映射到一个多维向量空间来实现。每个数字特征对应向量中的一个分量。例如,如果一个因素有三个数字特征:均值、标准差和偏度,可以将它们映射为一个三维向量。分别计算每两个目标编码向量之间的相似度。通常使用常见的相似性度量方法,如余弦相似度、欧几里德距离等,来度量向量之间的相似程度。余弦相似度是一个常用的方法,它可以通过计算向量之间的夹角来衡量相似度。相似度值范围通常在0到1之间,值越接近1表示相似度越高,而值越接近0表示相似度越低。将计算得到的相似度作为每个家政服务质量影响因素的单因素隶属度值。较高的相似度值对应于更高的隶属度,表示该因素与其他因素相似度更高,对家政服务质量影响更大。反之,较低的相似度值对应于较低的隶属度,表示该因素与其他因素相似度较低,对家政服务质量影响较小。基于计算得到的单因素隶属度值,可以设置初始权重数据。权重表示了每个家政服务质量影响因素对整体质量的贡献程度。通常情况下,较高的单因素隶属度值对应较高的初始权重,反之则对应较低的初始权重。权重可以用于后续的综合因素隶属度值的计算和家政服务质量分析。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)采用惩罚性变权函数,分别对初始权重数据进行动态权重运算,得到每个单因素隶属度值对应的第一权重数据;
(2)基于预置的动态权重分析规则,对第一权重数据进行动态分析,得到每个单因素隶属度值对应的第二权重数据;
(3)对每个单因素隶属度值对应的第二权重数据进行权重比例校验,生成每个单因素隶属度值对应的目标权重数据;
(4)基于目标权重数据对单因素隶属度值进行加权运算,得到多个加权后的单因素隶属度值;
(5)对多个加权后的单因素隶属度值进行求和合并,得到综合因素隶属度值。
具体的,采用惩罚性变权函数对初始权重数据进行动态权重运算。这个过程通常是为了惩罚或放大单因素隶属度值对家政服务质量的影响,以反映真实情况下各因素的相对重要性。惩罚性变权函数可以是一个数学函数,例如指数函数或对数函数,根据问题的特点选择合适的函数。基于预置的动态权重分析规则,对第一权重数据进行动态分析。这些规则可以是业务领域的专业知识或经验法则。动态权重分析规则会根据不同的因素或情境来调整权重,以更准确地反映家政服务质量的影响因素。对每个单因素隶属度值对应的第二权重数据进行权重比例校验。这一步骤确保所有因素的权重在合理的范围内,并且总权重之和等于1。校验可以通过线性规划或其他合适的数学方法来完成。根据校验后的权重数据,生成每个单因素隶属度值对应的目标权重数据。这些目标权重数据将用于后续的加权运算,以综合考虑各个因素的影响。使用目标权重数据对单因素隶属度值进行加权运算。对于每个因素的单因素隶属度值,将其乘以相应的目标权重,以计算加权后的单因素隶属度值。这个步骤反映了各个因素对于整体家政服务质量的贡献。对多个加权后的单因素隶属度值进行求和合并,以得到综合因素隶属度值。这个值表示整体的家政服务质量,可以用于决策和评估。例如,假设有三个家政服务质量影响因素:客户评分、服务员工作经验和服务时长。根据权重规则和业务需求,计算初始权重数据。初始权重数据为[0.4,0.3,0.3],表示客户评分的权重为40%,服务员工作经验的权重为30%,服务时长的权重为30%。采用惩罚性变权函数对初始权重数据进行动态权重运算,得到第一权重数据。例如,采用对数函数,可以得到第一权重数据为[0.5,0.2,0.3]。这个过程放大了客户评分的影响。基于动态权重分析规则,发现在某些情况下,服务员工作经验对于家政服务质量的影响更大,因此可以调整权重。根据规则,第一权重数据调整为[0.4,0.4,0.2]。进行权重比例校验,确保权重之和为1。生成目标权重数据为[0.4,0.4,0.2]。对单因素隶属度值进行加权运算。例如,客户评分为0.8,服务员工作经验为0.6,服务时长为0.7。将它们与目标权重相乘,得到加权后的值为[0.32,0.24,0.14]。将加权后的单因素隶属度值求和,得到综合因素隶属度值为0.32+0.24+0.14=0.70。这个值表示了整体的家政服务质量,可用于进一步的分析和决策。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)基于综合因素隶属度值和多个加权后的单因素隶属度值构建家政服务质量评价向量;
(2)将家政服务质量评价向量输入预置的多元家政服务质量决策模型,其中,多元家政服务质量决策模型包括多个第一家政服务质量决策层以及一个第二家政服务质量决策层,每个第一家政服务质量决策层包括单向门限循环网络、长短时记忆网络以及全连接网络,第二家政服务质量决策层为均值分析函数;
(3)通过多个第一家政服务质量决策层中的单向门限循环网络,分别对家政服务质量评价向量进行特征提取,得到第一隐藏状态特征向量;
(4)通过多个第一家政服务质量决策层中的长短时记忆网络,分别对第一隐藏状态特征向量进行特征提取,得到第二隐藏状态特征向量;
(5)通过多个第一家政服务质量决策层中的全连接网络,分别对第二隐藏状态特征向量进行特征运算,得到多个特征运算值;
(6)将多个特征运算值输入均值分析函数进行均值分析,得到目标特征均值,并通过目标特征均值进行家政服务质量智能分析,生成目标家政服务质量等级。
具体的,将综合因素隶属度值和多个加权后的单因素隶属度值合并构建家政服务质量评价向量。这个向量包含了多个因素对家政服务质量的综合评估。准备预置的多元家政服务质量决策模型,该模型由多个层级组成,包括第一家政服务质量决策层和第二家政服务质量决策层。第一家政服务质量决策层可以包括单向门限循环网络(RNN)、长短时记忆网络(LSTM)以及全连接网络。这些网络用于从家政服务质量评价向量中提取特征。第二家政服务质量决策层可以包括均值分析函数,用于进一步的分析和决策。通过多个第一家政服务质量决策层中的单向门限循环网络,分别对家政服务质量评价向量进行特征提取,得到第一隐藏状态特征向量。通过多个第一家政服务质量决策层中的长短时记忆网络,分别对第一隐藏状态特征向量进行特征提取,得到第二隐藏状态特征向量。通过多个第一家政服务质量决策层中的全连接网络,分别对第二隐藏状态特征向量进行特征运算,得到多个特征运算值。将多个特征运算值输入均值分析函数进行均值分析,以得到目标特征均值。均值分析可以采用简单的平均、加权平均或其他合适的方法来计算。利用目标特征均值进行家政服务质量智能分析。这可以包括将目标特征均值与预定义的标准或阈值进行比较,以确定最终的家政服务质量等级。
上面对本发明实施例中基于数字化的家政服务质量智能分析方法进行了描述,下面对本发明实施例中基于数字化的家政服务质量智能分析系统进行描述,请参阅图5,本发明实施例中基于数字化的家政服务质量智能分析系统一个实施例包括:
获取模块501,用于基于预置的数字化家政平台,获取待处理的初始家政服务数据集合;
选取模块502,用于对所述初始家政服务数据集合进行预处理,得到目标家政服务数据集合,并根据所述目标家政服务数据集合选取多个家政服务质量影响因素;
构建模块503,用于通过预置的正态云模型分别构建每个家政服务质量影响因素的正态云分布,并对所述正态云分布进行数字特征提取,得到每个家政服务质量影响因素的数字特征集合;
计算模块504,用于根据所述数字特征集合,计算每个家政服务质量影响因素的单因素隶属度值,并设置每个单因素隶属度值对应的初始权重数据;
处理模块505,用于对所述初始权重数据进行动态权重分析,生成每个单因素隶属度值对应的目标权重数据,并基于所述目标权重数据对所述单因素隶属度值进行加权运算,得到综合因素隶属度值;
分析模块506,用于将所述综合因素隶属度值输入预置的多元家政服务质量决策模型进行家政服务质量智能分析,得到目标家政服务质量等级。
通过上述各个组成部分的协同合作,获取初始家政服务数据集合进行预处理,得到目标家政服务数据集合,并选取多个家政服务质量影响因素;分别构建正态云分布并进行数字特征提取,得到数字特征集合;计算单因素隶属度值,并设置每个单因素隶属度值对应的初始权重数据;对初始权重数据进行动态权重分析,生成每个单因素隶属度值对应的目标权重数据,并基于目标权重数据对单因素隶属度值进行加权运算,得到综合因素隶属度值;将综合因素隶属度值输入多元家政服务质量决策模型进行家政服务质量智能分析,得到目标家政服务质量等级,本发明使用数字化家政平台来收集、存储和管理家政服务数据。有助于提高数据的可追踪性和可访问性,使得数据更容易被分析和利用。同时,数字化管理还减少了纸质记录的需求,提高了效率。通过选择多个家政服务质量影响因素,包括服务员技能、客户满意度等,该方法提供了一种全面的家政服务质量分析。传统方法只关注部分因素,而数字化方法能够更全面地考虑各个影响因素,有助于全面提高服务质量。正态云模型的应用允许对不确定性和模糊性进行更好的建模。有助于更准确地描述家政服务质量影响因素的分布情况,使评估更具精确性和可信度。通过动态权重分析,该方法可以根据不同情况和需求动态调整权值,以更好地反映不同因素的重要性。在不同时期或不同条件下,系统可以适应性地改变权值,以提高决策的准确性和灵活性。引入了惩罚性变权函数以降低主观因素对权值的影响,使得评价更客观和准确。这有助于消除主观偏见,提高了评估的可信度。使用多元家政服务质量决策模型进行家政服务质量智能分析。这个模型可以基于隶属度值进行分析,进而提高了家政服务质量智能分析的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于数字化的家政服务质量智能分析系统进行详细描述,下面从硬件处理的角度对本发明实施例中基于数字化的家政服务质量智能分析设备进行详细描述。
图6是本发明实施例提供的一种基于数字化的家政服务质量智能分析设备的结构示意图,该基于数字化的家政服务质量智能分析设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于数字化的家政服务质量智能分析设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于数字化的家政服务质量智能分析设备600上执行存储介质630中的一系列指令操作。
基于数字化的家政服务质量智能分析设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于数字化的家政服务质量智能分析设备结构并不构成对基于数字化的家政服务质量智能分析设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于数字化的家政服务质量智能分析设备,所述基于数字化的家政服务质量智能分析设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于数字化的家政服务质量智能分析方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于数字化的家政服务质量智能分析方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于数字化的家政服务质量智能分析方法,其特征在于,所述基于数字化的家政服务质量智能分析方法包括:
基于预置的数字化家政平台,获取待处理的初始家政服务数据集合;具体包括:基于预置的数字化家政平台获取多个家政服务订单数据;对所述多个家政服务订单数据进行关键词识别,得到每个家政服务订单数据对应的关键词集合;对每个家政服务订单数据对应的关键词集合进行上下文信息提取,得到每个家政服务订单数据对应的上下文信息集合;基于所述关键词集合确定对应的N个聚类中心,并根据所述N个聚类中心对所述上下文信息集合进行特征信息聚类,得到对应的N个特征信息聚类结果;根据所述N个特征信息聚类结果,生成待处理的初始家政服务数据集合,其中,所述初始家政服务数据集合包括:客户评价、服务员信息、服务时间、服务项目及客户反馈;
对所述初始家政服务数据集合进行预处理,得到目标家政服务数据集合,并根据所述目标家政服务数据集合选取多个家政服务质量影响因素;具体包括:对所述初始家政服务数据集合进行数据清洗,得到第一家政服务数据集合;对所述第一家政服务数据集合进行异常值去除,得到第二家政服务数据集合;对所述第二家政服务数据集合进行标准化处理,得到目标家政服务数据集合;对所述目标家政服务数据集合进行属性特征分析,得到至少一个家政服务属性特征,并根据所述至少一个家政服务属性特征设定对应的筛选条件;根据所述筛选条件建立对应的家政服务质量影响因素列表,并根据所述家政服务质量影响因素列表对所述目标家政服务数据集合进行影响因素匹配,得到对应的多个家政服务质量影响因素,其中,所述多个家政服务质量影响因素包括:服务员人员影响因素、客户影响因素、服务影响因素及环境因素;
通过预置的正态云模型分别构建每个家政服务质量影响因素的正态云分布,并对所述正态云分布进行数字特征提取,得到每个家政服务质量影响因素的数字特征集合;具体包括:对每个家政服务质量影响因素进行数据分组,得到每个家政服务质量影响因素的数据分组结果;通过预置的正态云模型,根据所述数据分组结果分别计算每个家政服务质量影响因素的分布参数;根据所述分布参数和所述正态云模型,分别构建每个家政服务质量影响因素的正态云分布;对每个家政服务质量影响因素的正态云分布进行组合,得到组合的正态云分布;通过预置的概率密度函数,分别计算所述组合的正态云分布中每个正态云分布的数字特征,得到每个家政服务质量影响因素的数字特征集合,其中,所述数字特征集合包括:正态分布的均值、标准差、偏度及峰度;
根据所述数字特征集合,计算每个家政服务质量影响因素的单因素隶属度值,并设置每个单因素隶属度值对应的初始权重数据;具体包括:对每个家政服务质量影响因素的数字特征集合进行向量编码,得到每个家政服务质量影响因素的目标编码向量;分别计算每两个目标编码向量之间的相似度,并将所述相似度作为每个家政服务质量影响因素的单因素隶属度值;根据每个家政服务质量影响因素的单因素隶属度值,设置对应的初始权重数据;
对所述初始权重数据进行动态权重分析,生成每个单因素隶属度值对应的目标权重数据,并基于所述目标权重数据对所述单因素隶属度值进行加权运算,得到综合因素隶属度值;具体包括:采用惩罚性变权函数,分别对所述初始权重数据进行动态权重运算,得到每个单因素隶属度值对应的第一权重数据;基于预置的动态权重分析规则,对所述第一权重数据进行动态分析,得到每个单因素隶属度值对应的第二权重数据;对每个单因素隶属度值对应的第二权重数据进行权重比例校验,生成每个单因素隶属度值对应的目标权重数据;基于所述目标权重数据对所述单因素隶属度值进行加权运算,得到多个加权后的单因素隶属度值;对所述多个加权后的单因素隶属度值进行求和合并,得到综合因素隶属度值;
将所述综合因素隶属度值输入预置的多元家政服务质量决策模型进行家政服务质量智能分析,得到目标家政服务质量等级;具体包括:基于所述综合因素隶属度值和所述多个加权后的单因素隶属度值构建家政服务质量评价向量;将所述家政服务质量评价向量输入预置的多元家政服务质量决策模型,其中,所述多元家政服务质量决策模型包括多个第一家政服务质量决策层以及一个第二家政服务质量决策层,每个第一家政服务质量决策层包括单向门限循环网络、长短时记忆网络以及全连接网络,第二家政服务质量决策层为均值分析函数;通过所述多个第一家政服务质量决策层中的单向门限循环网络,分别对所述家政服务质量评价向量进行特征提取,得到第一隐藏状态特征向量;通过所述多个第一家政服务质量决策层中的长短时记忆网络,分别对所述第一隐藏状态特征向量进行特征提取,得到第二隐藏状态特征向量;通过所述多个第一家政服务质量决策层中的全连接网络,分别对所述第二隐藏状态特征向量进行特征运算,得到多个特征运算值;将所述多个特征运算值输入所述均值分析函数进行均值分析,得到目标特征均值,并通过所述目标特征均值进行家政服务质量智能分析,生成目标家政服务质量等级。
2.一种基于数字化的家政服务质量智能分析系统,其特征在于,所述基于数字化的家政服务质量智能分析系统包括:
获取模块,用于基于预置的数字化家政平台,获取待处理的初始家政服务数据集合;具体包括:基于预置的数字化家政平台获取多个家政服务订单数据;对所述多个家政服务订单数据进行关键词识别,得到每个家政服务订单数据对应的关键词集合;对每个家政服务订单数据对应的关键词集合进行上下文信息提取,得到每个家政服务订单数据对应的上下文信息集合;基于所述关键词集合确定对应的N个聚类中心,并根据所述N个聚类中心对所述上下文信息集合进行特征信息聚类,得到对应的N个特征信息聚类结果;根据所述N个特征信息聚类结果,生成待处理的初始家政服务数据集合,其中,所述初始家政服务数据集合包括:客户评价、服务员信息、服务时间、服务项目及客户反馈;
选取模块,用于对所述初始家政服务数据集合进行预处理,得到目标家政服务数据集合,并根据所述目标家政服务数据集合选取多个家政服务质量影响因素;具体包括:对所述初始家政服务数据集合进行数据清洗,得到第一家政服务数据集合;对所述第一家政服务数据集合进行异常值去除,得到第二家政服务数据集合;对所述第二家政服务数据集合进行标准化处理,得到目标家政服务数据集合;对所述目标家政服务数据集合进行属性特征分析,得到至少一个家政服务属性特征,并根据所述至少一个家政服务属性特征设定对应的筛选条件;根据所述筛选条件建立对应的家政服务质量影响因素列表,并根据所述家政服务质量影响因素列表对所述目标家政服务数据集合进行影响因素匹配,得到对应的多个家政服务质量影响因素,其中,所述多个家政服务质量影响因素包括:服务员人员影响因素、客户影响因素、服务影响因素及环境因素;
构建模块,用于通过预置的正态云模型分别构建每个家政服务质量影响因素的正态云分布,并对所述正态云分布进行数字特征提取,得到每个家政服务质量影响因素的数字特征集合;具体包括:对每个家政服务质量影响因素进行数据分组,得到每个家政服务质量影响因素的数据分组结果;通过预置的正态云模型,根据所述数据分组结果分别计算每个家政服务质量影响因素的分布参数;根据所述分布参数和所述正态云模型,分别构建每个家政服务质量影响因素的正态云分布;对每个家政服务质量影响因素的正态云分布进行组合,得到组合的正态云分布;通过预置的概率密度函数,分别计算所述组合的正态云分布中每个正态云分布的数字特征,得到每个家政服务质量影响因素的数字特征集合,其中,所述数字特征集合包括:正态分布的均值、标准差、偏度及峰度;
计算模块,用于根据所述数字特征集合,计算每个家政服务质量影响因素的单因素隶属度值,并设置每个单因素隶属度值对应的初始权重数据;具体包括:对每个家政服务质量影响因素的数字特征集合进行向量编码,得到每个家政服务质量影响因素的目标编码向量;分别计算每两个目标编码向量之间的相似度,并将所述相似度作为每个家政服务质量影响因素的单因素隶属度值;根据每个家政服务质量影响因素的单因素隶属度值,设置对应的初始权重数据;
处理模块,用于对所述初始权重数据进行动态权重分析,生成每个单因素隶属度值对应的目标权重数据,并基于所述目标权重数据对所述单因素隶属度值进行加权运算,得到综合因素隶属度值;具体包括:采用惩罚性变权函数,分别对所述初始权重数据进行动态权重运算,得到每个单因素隶属度值对应的第一权重数据;基于预置的动态权重分析规则,对所述第一权重数据进行动态分析,得到每个单因素隶属度值对应的第二权重数据;对每个单因素隶属度值对应的第二权重数据进行权重比例校验,生成每个单因素隶属度值对应的目标权重数据;基于所述目标权重数据对所述单因素隶属度值进行加权运算,得到多个加权后的单因素隶属度值;对所述多个加权后的单因素隶属度值进行求和合并,得到综合因素隶属度值;
分析模块,用于将所述综合因素隶属度值输入预置的多元家政服务质量决策模型进行家政服务质量智能分析,得到目标家政服务质量等级;具体包括:基于所述综合因素隶属度值和所述多个加权后的单因素隶属度值构建家政服务质量评价向量;将所述家政服务质量评价向量输入预置的多元家政服务质量决策模型,其中,所述多元家政服务质量决策模型包括多个第一家政服务质量决策层以及一个第二家政服务质量决策层,每个第一家政服务质量决策层包括单向门限循环网络、长短时记忆网络以及全连接网络,第二家政服务质量决策层为均值分析函数;通过所述多个第一家政服务质量决策层中的单向门限循环网络,分别对所述家政服务质量评价向量进行特征提取,得到第一隐藏状态特征向量;通过所述多个第一家政服务质量决策层中的长短时记忆网络,分别对所述第一隐藏状态特征向量进行特征提取,得到第二隐藏状态特征向量;通过所述多个第一家政服务质量决策层中的全连接网络,分别对所述第二隐藏状态特征向量进行特征运算,得到多个特征运算值;将所述多个特征运算值输入所述均值分析函数进行均值分析,得到目标特征均值,并通过所述目标特征均值进行家政服务质量智能分析,生成目标家政服务质量等级。
3.一种基于数字化的家政服务质量智能分析设备,其特征在于,所述基于数字化的家政服务质量智能分析设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于数字化的家政服务质量智能分析设备执行如权利要求1所述的基于数字化的家政服务质量智能分析方法。
4.一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指令,其特征在于,所述指令被处理器执行时实现如权利要求1所述的基于数字化的家政服务质量智能分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311419709.0A CN117371861B (zh) | 2023-10-30 | 2023-10-30 | 基于数字化的家政服务质量智能分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311419709.0A CN117371861B (zh) | 2023-10-30 | 2023-10-30 | 基于数字化的家政服务质量智能分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117371861A CN117371861A (zh) | 2024-01-09 |
CN117371861B true CN117371861B (zh) | 2024-07-02 |
Family
ID=89403802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311419709.0A Active CN117371861B (zh) | 2023-10-30 | 2023-10-30 | 基于数字化的家政服务质量智能分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117371861B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744845B (zh) * | 2024-01-19 | 2024-08-30 | 深圳轻喜到家科技有限公司 | 一种家政服务预约方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053094A (zh) * | 2017-11-15 | 2018-05-18 | 九次方大数据信息集团有限公司 | 一种权重因素等级评价方法及系统 |
CN117932973A (zh) * | 2024-03-20 | 2024-04-26 | 中国人民解放军63921部队 | 航天器地面等效性试验评估方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8873813B2 (en) * | 2012-09-17 | 2014-10-28 | Z Advanced Computing, Inc. | Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities |
CN108491377B (zh) * | 2018-03-06 | 2021-10-08 | 中国计量大学 | 一种基于多维度信息融合的电商产品综合评分方法 |
CN110969330A (zh) * | 2018-09-30 | 2020-04-07 | 曹西军 | 企业竞争壁垒评估方法及系统 |
AU2020103423A4 (en) * | 2020-11-13 | 2021-01-28 | Nanjing Forestry University | Identification Method of Land Suitable for Afforestation in Karst Area Based on Neural Network System |
CN113095077A (zh) * | 2021-04-27 | 2021-07-09 | 深圳轻喜到家科技有限公司 | 一种基于大数据的家政管理系统 |
CN115438886A (zh) * | 2021-06-02 | 2022-12-06 | 山东大学 | 家政从业人员服务评价和匹配方法及系统 |
CN113723639A (zh) * | 2021-08-09 | 2021-11-30 | 温州大学 | 一种基于互联网的家政综合服务系统 |
US11748561B1 (en) * | 2022-03-15 | 2023-09-05 | My Job Matcher, Inc. | Apparatus and methods for employment application assessment |
CN115049959A (zh) * | 2022-06-14 | 2022-09-13 | 成都高博斯清洁服务有限公司 | 一种基于数字化的家政服务质量智能分析评价管理平台 |
CN116070875B (zh) * | 2023-03-06 | 2023-08-22 | 济南丽阳神州智能科技有限公司 | 一种基于家政服务的用户需求分析方法、设备及介质 |
-
2023
- 2023-10-30 CN CN202311419709.0A patent/CN117371861B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053094A (zh) * | 2017-11-15 | 2018-05-18 | 九次方大数据信息集团有限公司 | 一种权重因素等级评价方法及系统 |
CN117932973A (zh) * | 2024-03-20 | 2024-04-26 | 中国人民解放军63921部队 | 航天器地面等效性试验评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117371861A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461180B (zh) | 样本分类方法、装置、计算机设备及存储介质 | |
CN107016068A (zh) | 知识图谱构建方法及装置 | |
CN117371861B (zh) | 基于数字化的家政服务质量智能分析方法及系统 | |
CN111079941B (zh) | 信用信息处理方法、系统、终端和存储介质 | |
CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
CN111062620B (zh) | 基于混合计费数据的电力计费公平性智能分析系统及方法 | |
CN117670066B (zh) | 基于智能决策的司库管理方法、系统、设备及存储介质 | |
CN113051291A (zh) | 工单信息的处理方法、装置、设备及存储介质 | |
CN113435627A (zh) | 基于工单轨迹信息的电力客户投诉预测方法及装置 | |
CN115130847A (zh) | 一种设备画像建模方法及系统 | |
CN116128544A (zh) | 一种电力营销异常营业数据的主动稽核方法和系统 | |
CN110781959A (zh) | 基于birch算法和随机森林算法的电力客户分群方法 | |
CN112381422A (zh) | 光伏电站性能的确定方法和装置 | |
CN110990384B (zh) | 一种大数据平台bi分析方法 | |
CN115713270B (zh) | 一种同行互评异常评分检测及修正方法和装置 | |
CN110210154B (zh) | 利用大坝测点数据判断测点表征大坝性态相似度的方法 | |
CN111339294A (zh) | 客户数据分类方法、装置及电子设备 | |
CN115936748A (zh) | 一种商业大数据分析方法及系统 | |
CN115018007A (zh) | 一种基于改进id3决策树的敏感数据分类方法 | |
CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
CN113537759A (zh) | 一种基于权重自适应的用户体验度量模型 | |
CN114153683A (zh) | 基于综合评价算法的网络化软件健康度评价方法 | |
CN113657441A (zh) | 基于加权皮尔逊相关系数并结合特征筛选的分类算法 | |
CN113393169A (zh) | 基于大数据技术的金融行业交易系统性能指标分析方法 | |
CN116342300B (zh) | 一种保险理赔人员特征分析方法、装置和设备 |
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 |