CN117453773B - 一种基于用户意图预测的客服匹配方法及系统 - Google Patents

Abstract

本发明公开了一种基于用户意图预测的客服匹配方法及系统，涉及数据处理技术领域，方法包括：预先建立各数据库；计算每个客服在每个产品维度上的满意度平均分，确定每个产品在时间维度上发生咨询的概率密度函数；若咨询数据库中存在咨询请求对应的客户信息，则筛选符合预设条件的客服，将当前咨询请求放入该客服的等待队列；若筛选结果为空，则计算当前时间节点上各产品发生咨询概率的概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角，并将当前咨询请求放入最大余弦夹角值对应客服的等待队列。通过本发明的技术方案，能够为客户自动匹配客服，减少了沟通障碍，提高了分配效率，降低了客服成本，提升了客户的服务体验。

Description

一种基于用户意图预测的客服匹配方法及系统

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于用户意图预测的客服匹配方法以及一种基于用户意图预测的客服匹配系统。

背景技术

目前，电商领域的售前售后服务是十分重要的，需要组织一支客服队伍应对客户的售前售后咨询，每个客服熟悉的业务是不同的，所以将客户来电分配给哪个客服对客户服务效率影响很大。

现在一般的做法是将客服分为若干个技能组，在用户来电接入的时候让用户按键进行选择，根据用户的输入将用户分配到不同的技能组，在技能组内部的分配则主要是遵循谁有空谁接听的规则。

这样的匹配方式是比较粗糙的，在同一个技能组又有多位客服空闲的时候分配是相对随机的，如果客户选择的技能组客服都在忙的时候还需要持续等待，而且客户在进行按键选择的时候经常需要先听大段的语音提示，这种方式是相对简单但是比较低效的，而且影响客户的服务体验。

发明内容

针对上述问题，本发明提供了一种基于用户意图预测的客服匹配方法及系统，通过预先收集的客户数据、产品数据、订单数据、客服数据和咨询数据，对数据进行挖掘和分析，通过对咨询请求的客户进行数据分析和匹配，能够为客户自动匹配得到具有相关背景、专业知识以及符合客户偏好和需求的客服，减少沟通障碍，提高分配效率，减少客户的等待时间和选择流程，降低客服成本，提供更高效、更加个性化的客服服务，提升客户的服务体验。

为实现上述目的，本发明提供了一种基于用户意图预测的客服匹配方法，包括：

预先建立客户数据库、产品数据库、订单数据库、客服数据库和咨询数据库，其中，客户数据库包括客户信息，产品数据库包括产品信息，订单数据库包括客户所购买产品的订单信息，所述客服数据库包括客服的个人信息和服务记录信息，所述咨询数据库包括客服接待客户咨询服务的历史信息；

根据所述咨询数据库中每个客服的接待服务信息，计算每个客服在每个产品维度上的满意度平均分，确定每个产品在时间维度上发生咨询的概率密度函数；

根据咨询请求对应的客户信息，查询所述咨询数据库，若所述咨询数据库中存在所述客户信息，则获取历史接待当前客户的客服列表并筛选其中符合预设条件的客服；

若筛选结果非空，则将当前咨询请求放入该客服的等待队列中按序进行接待；

若筛选结果为空，则根据所述概率密度函数计算在当前时间节点上各产品发生咨询的概率，组成概率向量，计算所述概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角，根据余弦夹角值的大小排序，并将当前咨询请求放入最大余弦夹角值对应客服的等待队列中按序进行接待。

在上述技术方案中，优选地，所述根据所述概率密度函数计算在当前时间节点上各产品发生咨询的概率，具体过程包括：

遍历所述产品数据库P，计算每个产品Pi被咨询的概率Prob(Pi)：

其中；T为当前时间；

其中，[{A1,S1}, {A2,S2}, …, {Am,Sm}]为所述咨询数据库中查询到的该客户咨询过的产品和咨询时间记录集，[{B1,T1}, {B2,T2}, …, {Bn,Tn}]为所述订单数据库中查询到的该客户已购买的产品和购买时间记录；

其中，Q为时间周期参数，D(Pi，y)为产品Pi间隔首次咨询时间跨度为y个时间周期的非首次咨询数量，产品Pi的总非首次咨询数量为，产品Pi在首次咨询后的第y个时间周期内被再次咨询的概率为/>；

其中，产品Pi在购买后的y个Q时间周期的售后咨询数量为B(Pi,y)，总售后咨询数量，产品Pi在购买后的第y个周期进行售后咨询的概率为；

其中，W为首次咨询参考时间窗口预设参数，从当前起最近一个W周期内产品Pi的首次咨询概率为F(Pi，W)=G(Pi，W)/G(W)，G(Pi，W)为当前起最近一个W周期内产品Pi的首次咨询数量，G(W) 为一个W周期内的所有咨询数量。

在上述技术方案中，优选地，所述计算所述概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角的具体过程包括：

计算每个客服对各个产品进行服务的满意度平均分并构成评分向量；

根据各个产品在当前时间节点上发生咨询的所述概率向量，计算所述概率向量与所述评分向量之间的余弦夹角，所述余弦夹角越大表征当前时间节点以该客服对当前客户进行服务能够获得的满意度更高。

在上述技术方案中，优选地，所述获取历史接待当前客户的客服列表并筛选其中符合预设条件的客服的具体过程包括：

由所述咨询数据库中查询曾经接待过当前客户的客服，并形成所述客服列表；

由所述客服数据库查询所述客服列表中每个客服对当前客户进行服务的满意度评分；

以满意度评分最高且等待队列未满的客服作为筛选条件，对所述客服列表进行筛选。

本发明还提出一种基于用户意图预测的客服匹配系统，其特征在于，应用如上述技术方案中任一项公开的基于用户意图预测的客服匹配方法，包括：

数据库构建模块，用于预先建立客户数据库、产品数据库、订单数据库、客服数据库和咨询数据库，其中，客户数据库包括客户信息，产品数据库包括产品信息，订单数据库包括客户所购买产品的订单信息，所述客服数据库包括客服的个人信息和服务记录信息，所述咨询数据库包括客服接待客户咨询服务的历史信息；

数据库挖掘模块，用于根据所述咨询数据库中每个客服的接待服务信息，计算每个客服在每个产品维度上的满意度平均分，确定每个产品在时间维度上发生咨询的概率密度函数；

接待筛选模块，用于根据咨询请求对应的客户信息，查询所述咨询数据库，若所述咨询数据库中存在所述客户信息，则获取历史接待当前客户的客服列表并筛选其中符合预设条件的客服；

接待分配模块，用于在所述接待筛选模块的筛选结果非空时，将当前咨询请求放入该客服的等待队列中按序进行接待；

概率计算模块，用于在所述接待筛选模块的筛选结果为空时，根据所述概率密度函数计算在当前时间节点上各产品发生咨询的概率，组成概率向量，计算所述概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角，根据余弦夹角值的大小排序；

所述接待分配模块还用于根据所述概率计算模块得到的余弦夹角值排序，将当前咨询请求放入最大余弦夹角值对应客服的等待队列中按序进行接待。

在上述技术方案中，优选地，所述概率计算模块根据所述概率密度函数计算在当前时间节点上各产品发生咨询的概率，具体过程包括：

遍历所述产品数据库P，计算每个产品Pi被咨询的概率Prob(Pi)：

其中；T为当前时间；

其中，[{A1,S1}, {A2,S2}, …, {Am,Sm}]为所述咨询数据库中查询到的该客户咨询过的产品和咨询时间记录集，[{B1,T1}, {B2,T2}, …, {Bn,Tn}]为所述订单数据库中查询到的该客户已购买的产品和购买时间记录；

其中，Q为时间周期参数，D(Pi，y)为产品Pi间隔首次咨询时间跨度为y个时间周期的非首次咨询数量，产品Pi的总非首次咨询数量为，产品Pi在首次咨询后的第y个时间周期内被再次咨询的概率为/>；

其中，产品Pi在购买后的y个Q时间周期的售后咨询数量为B(Pi,y)，总售后咨询数量，产品Pi在购买后的第y个周期进行售后咨询的概率为；

其中，W为首次咨询参考时间窗口预设参数，从当前起最近一个W周期内产品Pi的首次咨询概率为F(Pi，W)=G(Pi，W)/G(W)，G(Pi，W)为当前起最近一个W周期内产品Pi的首次咨询数量，G(W) 为一个W周期内的所有咨询数量。

在上述技术方案中，优选地，所述概率计算模块计算所述概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角的具体过程包括：

计算每个客服对各个产品进行服务的满意度平均分并构成评分向量；

根据各个产品在当前时间节点上发生咨询的所述概率向量，计算所述概率向量与所述评分向量之间的余弦夹角，所述余弦夹角越大表征当前时间节点以该客服对当前客户进行服务能够获得的满意度更高。

在上述技术方案中，优选地，所述接待筛选模块获取历史接待当前客户的客服列表并筛选其中符合预设条件的客服的具体过程包括：

由所述咨询数据库中查询曾经接待过当前客户的客服，并形成所述客服列表；

由所述客服数据库查询所述客服列表中每个客服对当前客户进行服务的满意度评分；

以满意度评分最高且等待队列未满的客服作为筛选条件，对所述客服列表进行筛选。

与现有技术相比，本发明的有益效果为：

1. 提升客服效率：通过精准匹配客服人员，可以让用户与具有相关背景和专业知识的客服人员进行沟通，减少了因为无法理解用户需求而产生的沟通障碍，提高了客服效率。

2. 提高用户满意度：减少了繁琐的语音播报及功能选择流程，让客户更快得到服务。

3. 减少客服成本：通过客服匹配的精准性，减少了因为客服人员无法解决问题而需要转接或重复沟通的情况，从而降低了客服成本。

4. 提升品牌形象：通过提供高效、个性化的客服服务，增强了用户对品牌的认可和信任，提升了品牌形象。

5. 数据分析和优化：基于用户标签的客服匹配方法可以收集大量的用户数据，通过对这些数据的分析可以了解用户的偏好和需求，为企业提供更好的产品和服务。

附图说明

图1为本发明一种实施例公开的基于用户意图预测的客服匹配方法的流程示意图；

图2为本发明一种实施例公开的基于用户意图预测的客服匹配系统的模块示意图。

图中，各组件与附图标记之间的对应关系为：

1.数据库构建模块，2.数据库挖掘模块，3.接待筛选模块，4.接待分配模块，5.概率计算模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图对本发明做进一步的详细描述：

如图1所示，根据本发明提供的一种基于用户意图预测的客服匹配方法，包括：

预先建立客户数据库、产品数据库、订单数据库、客服数据库和咨询数据库，其中，客户数据库包括客户信息，产品数据库包括产品信息，订单数据库包括客户所购买产品的订单信息，客服数据库包括客服的个人信息和服务记录信息，咨询数据库包括客服接待客户咨询服务的历史信息；

根据咨询数据库中每个客服的接待服务信息，计算每个客服在每个产品维度上的满意度平均分，确定每个产品在时间维度上发生咨询的概率密度函数；

根据咨询请求对应的客户信息，查询咨询数据库，若咨询数据库中存在客户信息，则获取历史接待当前客户的客服列表并筛选其中符合预设条件的客服；

若筛选结果非空，则将当前咨询请求放入该客服的等待队列中按序进行接待；

若筛选结果为空，则根据概率密度函数计算在当前时间节点上各产品发生咨询的概率，组成概率向量，计算概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角，根据余弦夹角值的大小排序，并将当前咨询请求放入最大余弦夹角值对应客服的等待队列中按序进行接待。

在该实施方式中，通过预先收集的客户数据、产品数据、订单数据、客服数据和咨询数据，对数据进行挖掘和分析，通过对咨询请求的客户进行数据分析和匹配，能够为客户自动匹配得到具有相关背景、专业知识以及符合客户偏好和需求的客服，减少了沟通障碍，提高了分配效率，减少了客户的等待时间和选择流程，降低了客服成本，提供了更高效、更加个性化的客服服务，提升了客户的服务体验。

具体地，在客户数据库建立后，在实施过程中，要求客服接听来电并为客户提供接待服务后，对客户数据库中对应的客户数据进行新建或完善。

订单数据库包括客户ID、产品ID及其购买数量和质保期限、价格等信息，然后根据购买记录统计每个产品在各个时间周期的售后咨询量。

客服数据库中，新入职的客服可由主管根据其培训重点方向为其打初始标签，如XX产品、售前/售后/投诉建议等。定期对客服服务记录进行挖掘，挖掘涉及信息包括客服ID，客服记录的咨询信息：售前咨询/售后咨询/投诉建议，咨询产品/系列/型号；以及服务满意度评分调查结果：0分-10分，其中，客户未评价的咨询在挖掘中可认为结果为5分，客服接听后转接到其他客服的，原接听客服的服务满意度应认为0分（此规则只用于客户擅长领域挖掘，不用于客服考核）。对每个客服在每个产品维度上进行满意度平均分计算，记录各客服在各产品上的服务满意度得分。

咨询数据库是由客服接听来电后进行记录的咨询产品，售后咨询还需要记录订单号，包括客户ID、接待客服ID、咨询产品、咨询时间及是否首次咨询等字段。

在上述实施方式中，挖掘各个产品Pi被咨询的数据，步骤如下：

（1）确定一个时间周期参数Q，例如Q=1个月/1周；

（2）将产品Pi的咨询记录列表根据客户进行分类，抽取每位客户的首次咨询时间，记录其后该客户的每次咨询相对于首次咨询的时间差值，以上一步的Q为单位，向下取整，例如，首次咨询为11.6，此次咨询为11.15，Q=1周，则9/7≈1；

（3）确定首次咨询参考时间窗口W，例如一季度/半年，计算近一个W周期内每个产品的首次咨询（且无购买）数量G(Pi，W)，除以近一个W周期内所有咨询数量G（W），得到近一个W周期内所有产品的首次咨询概率P(Pi，W)；

（4）统计每个产品在相同时间周期的非首次咨询数量D(Pi，Qi)，结合此产品的总非首次咨询数量，从而算得产品Pi在首次咨询后的第y个时间周期内被再次进行咨询的概率为；

（5）结合订单数据统计每个产品在相同时间周期的售后咨询数量B(Pi，y)，结合此产品的总售后咨询数量，从而得到产品pr在购买后进行售后咨询的概率为B。

在上述实施方式中，优选地，根据概率密度函数计算在当前时间节点上各产品发生咨询的概率，具体过程包括：

遍历产品数据库P，计算每个产品Pi被咨询的概率Prob(Pi)：

其中；T为当前时间；

其中，[{A1,S1}, {A2,S2}, …, {Am,Sm}]为咨询数据库中查询到的该客户咨询过的产品和咨询时间记录集，[{B1,T1}, {B2,T2}, …, {Bn,Tn}]为订单数据库中查询到的该客户已购买的产品和购买时间记录；

其中，Q为时间周期参数，D(Pi，y)为产品Pi间隔首次咨询时间跨度为y个时间周期的非首次咨询数量，产品Pi的总非首次咨询数量为，产品Pi在首次咨询后的第y个时间周期内被再次咨询的概率为/>；

其中，产品Pi在购买后的y个Q时间周期的售后咨询数量为B(Pi,y)，总售后咨询数量，产品Pi在购买后的第y个周期进行售后咨询的概率为；

其中，W为首次咨询参考时间窗口预设参数，从当前起最近一个W周期内产品Pi的首次咨询概率为F(Pi，W)=G(Pi，W)/G(W)，G(Pi，W)为当前起最近一个W周期内产品Pi的首次咨询数量，G(W) 为一个W周期内的所有咨询数量。

在上述实施方式中，优选地，计算概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角的具体过程包括：

计算每个客服对各个产品进行服务的满意度平均分并构成评分向量；

根据各个产品在当前时间节点上发生咨询的概率向量，计算概率向量与评分向量之间的余弦夹角，余弦夹角越大表征当前时间节点以该客服对当前客户进行服务能够获得的满意度更高。

在上述实施方式中，优选地，获取历史接待当前客户的客服列表并筛选其中符合预设条件的客服的具体过程包括：

由咨询数据库中查询曾经接待过当前客户的客服，并形成客服列表；

由客服数据库查询客服列表中每个客服对当前客户进行服务的满意度评分；

以满意度评分最高且等待队列未满的客服作为筛选条件，对客服列表进行筛选。

如图2所示，本发明还提出一种基于用户意图预测的客服匹配系统，其特征在于，应用如上述实施方式中任一项公开的基于用户意图预测的客服匹配方法，包括：

数据库构建模块1，用于预先建立客户数据库、产品数据库、订单数据库、客服数据库和咨询数据库，其中，客户数据库包括客户信息，产品数据库包括产品信息，订单数据库包括客户所购买产品的订单信息，客服数据库包括客服的个人信息和服务记录信息，咨询数据库包括客服接待客户咨询服务的历史信息；

数据库挖掘模块2，用于根据咨询数据库中每个客服的接待服务信息，计算每个客服在每个产品维度上的满意度平均分，确定每个产品在时间维度上发生咨询的概率密度函数；

接待筛选模块3，用于根据咨询请求对应的客户信息，查询咨询数据库，若咨询数据库中存在客户信息，则获取历史接待当前客户的客服列表并筛选其中符合预设条件的客服；

接待分配模块4，用于在接待筛选模块3的筛选结果非空时，将当前咨询请求放入该客服的等待队列中按序进行接待；

概率计算模块5，用于在接待筛选模块3的筛选结果为空时，根据概率密度函数计算在当前时间节点上各产品发生咨询的概率，组成概率向量，计算概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角，根据余弦夹角值的大小排序；

接待分配模块4还用于根据概率计算模块5得到的余弦夹角值排序，将当前咨询请求放入最大余弦夹角值对应客服的等待队列中按序进行接待。

在上述实施方式中，优选地，概率计算模块5根据概率密度函数计算在当前时间节点上各产品发生咨询的概率，具体过程包括：

遍历产品数据库P，计算每个产品Pi被咨询的概率Prob(Pi)：

其中；T为当前时间；

其中，[{A1,S1}, {A2,S2}, …, {Am,Sm}]为咨询数据库中查询到的该客户咨询过的产品和咨询时间记录集，[{B1,T1}, {B2,T2}, …, {Bn,Tn}]为订单数据库中查询到的该客户已购买的产品和购买时间记录；

其中，Q为时间周期参数，D(Pi，y)为产品Pi间隔首次咨询时间跨度为y个时间周期的非首次咨询数量，产品Pi的总非首次咨询数量为，产品Pi在首次咨询后的第y个时间周期内被再次咨询的概率为/>；

其中，产品Pi在购买后的y个Q时间周期的售后咨询数量为B(Pi,y)，总售后咨询数量，产品Pi在购买后的第y个周期进行售后咨询的概率为；

其中，W为首次咨询参考时间窗口预设参数，从当前起最近一个W周期内产品Pi的首次咨询概率为F(Pi，W)=G(Pi，W)/G(W)，G(Pi，W)为当前起最近一个W周期内产品Pi的首次咨询数量，G(W) 为一个W周期内的所有咨询数量。

在上述实施方式中，优选地，概率计算模块5计算概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角的具体过程包括：

计算每个客服对各个产品进行服务的满意度平均分并构成评分向量；

根据各个产品在当前时间节点上发生咨询的概率向量，计算概率向量与评分向量之间的余弦夹角，余弦夹角越大表征当前时间节点以该客服对当前客户进行服务能够获得的满意度更高。

在上述实施方式中，优选地，接待筛选模块3获取历史接待当前客户的客服列表并筛选其中符合预设条件的客服的具体过程包括：

由咨询数据库中查询曾经接待过当前客户的客服，并形成客服列表；

由客服数据库查询客服列表中每个客服对当前客户进行服务的满意度评分；

以满意度评分最高且等待队列未满的客服作为筛选条件，对客服列表进行筛选。

在该实施方式中，通过预先收集的客户数据、产品数据、订单数据、客服数据和咨询数据，对数据进行挖掘和分析，通过对咨询请求的客户进行数据分析和匹配，能够为客户自动匹配得到具有相关背景、专业知识以及符合客户偏好和需求的客服，减少了沟通障碍，提高了分配效率，减少了客户的等待时间和选择流程，降低了客服成本，提供了更高效、更加个性化的客服服务，提升了客户的服务体验。

根据上述实施方式公开的基于用户意图预测的客服匹配系统，各模块所要实现的功能与上述实施方式公开的基于用户意图预测的客服匹配方法的各步骤分别对应一致，在实施过程中，参照上述实施方式进行实施，在此不再赘述。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于用户意图预测的客服匹配方法，其特征在于，包括：

预先建立客户数据库、产品数据库、订单数据库、客服数据库和咨询数据库，其中，客户数据库包括客户信息，产品数据库包括产品信息，订单数据库包括客户所购买产品的订单信息，所述客服数据库包括客服的个人信息和服务记录信息，所述咨询数据库包括客服接待客户咨询服务的历史信息；

根据所述咨询数据库中每个客服的接待服务信息，计算每个客服在每个产品维度上的满意度平均分，确定每个产品在时间维度上发生咨询的概率密度函数；

根据咨询请求对应的客户信息，查询所述咨询数据库，若所述咨询数据库中存在所述客户信息，则获取历史接待当前客户的客服列表并筛选其中符合预设条件的客服；

若筛选结果非空，则将当前咨询请求放入该客服的等待队列中按序进行接待；

若筛选结果为空，则根据所述概率密度函数计算在当前时间节点上各产品发生咨询的概率，组成概率向量，计算所述概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角，根据余弦夹角值的大小排序，并将当前咨询请求放入最大余弦夹角值对应客服的等待队列中按序进行接待；

其中，所述根据所述概率密度函数计算在当前时间节点上各产品发生咨询的概率，具体过程包括：

遍历所述产品数据库P，计算每个产品Pi被咨询的概率Prob(Pi)：

；

其中；T为当前时间；

其中，[{A1,S1}, {A2,S2}, …, {Am,Sm}]为所述咨询数据库中查询到的该客户咨询过的产品和咨询时间记录集，[{B1,T1}, {B2,T2}, …, {Bn,Tn}]为所述订单数据库中查询到的该客户已购买的产品和购买时间记录；

其中，Q为时间周期参数，D(Pi，y)为产品Pi间隔首次咨询时间跨度为y个时间周期的非首次咨询数量，产品Pi的总非首次咨询数量为，产品Pi在首次咨询后的第y个时间周期内被再次咨询的概率为/>；

其中，产品Pi在购买后的y个Q时间周期的售后咨询数量为B(Pi,y)，总售后咨询数量，产品Pi在购买后的第y个周期进行售后咨询的概率为；

其中，W为首次咨询参考时间窗口预设参数，从当前起最近一个W周期内产品Pi的首次咨询概率为F(Pi，W)=G(Pi，W)/G(W)，G(Pi，W)为当前起最近一个W周期内产品Pi的首次咨询数量，G(W) 为一个W周期内的所有咨询数量。

2.根据权利要求1所述的基于用户意图预测的客服匹配方法，其特征在于，所述计算所述概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角的具体过程包括：

计算每个客服对各个产品进行服务的满意度平均分并构成评分向量；

根据各个产品在当前时间节点上发生咨询的所述概率向量，计算所述概率向量与所述评分向量之间的余弦夹角，所述余弦夹角越大表征当前时间节点以该客服对当前客户进行服务能够获得的满意度更高。

3.根据权利要求2所述的基于用户意图预测的客服匹配方法，其特征在于，所述获取历史接待当前客户的客服列表并筛选其中符合预设条件的客服的具体过程包括：

由所述咨询数据库中查询曾经接待过当前客户的客服，并形成所述客服列表；

由所述客服数据库查询所述客服列表中每个客服对当前客户进行服务的满意度评分；

以满意度评分最高且等待队列未满的客服作为筛选条件，对所述客服列表进行筛选。

4.一种基于用户意图预测的客服匹配系统，其特征在于，应用如权利要求1至3中任一项所述的基于用户意图预测的客服匹配方法，包括：

数据库构建模块，用于预先建立客户数据库、产品数据库、订单数据库、客服数据库和咨询数据库，其中，客户数据库包括客户信息，产品数据库包括产品信息，订单数据库包括客户所购买产品的订单信息，所述客服数据库包括客服的个人信息和服务记录信息，所述咨询数据库包括客服接待客户咨询服务的历史信息；

数据库挖掘模块，用于根据所述咨询数据库中每个客服的接待服务信息，计算每个客服在每个产品维度上的满意度平均分，确定每个产品在时间维度上发生咨询的概率密度函数；

接待筛选模块，用于根据咨询请求对应的客户信息，查询所述咨询数据库，若所述咨询数据库中存在所述客户信息，则获取历史接待当前客户的客服列表并筛选其中符合预设条件的客服；

接待分配模块，用于在所述接待筛选模块的筛选结果非空时，将当前咨询请求放入该客服的等待队列中按序进行接待；

概率计算模块，用于在所述接待筛选模块的筛选结果为空时，根据所述概率密度函数计算在当前时间节点上各产品发生咨询的概率，组成概率向量，计算所述概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角，根据余弦夹角值的大小排序；

所述接待分配模块还用于根据所述概率计算模块得到的余弦夹角值排序，将当前咨询请求放入最大余弦夹角值对应客服的等待队列中按序进行接待；

所述概率计算模块根据所述概率密度函数计算在当前时间节点上各产品发生咨询的概率，具体过程包括：

遍历所述产品数据库P，计算每个产品Pi被咨询的概率Prob(Pi)：

；

其中；T为当前时间；

其中，[{A1,S1}, {A2,S2}, …, {Am,Sm}]为所述咨询数据库中查询到的该客户咨询过的产品和咨询时间记录集，[{B1,T1}, {B2,T2}, …, {Bn,Tn}]为所述订单数据库中查询到的该客户已购买的产品和购买时间记录；

其中，Q为时间周期参数，D(Pi，y)为产品Pi间隔首次咨询时间跨度为y个时间周期的非首次咨询数量，产品Pi的总非首次咨询数量为，产品Pi在首次咨询后的第y个时间周期内被再次咨询的概率为/>；

其中，产品Pi在购买后的y个Q时间周期的售后咨询数量为B(Pi,y)，总售后咨询数量，产品Pi在购买后的第y个周期进行售后咨询的概率为；

其中，W为首次咨询参考时间窗口预设参数，从当前起最近一个W周期内产品Pi的首次咨询概率为F(Pi，W)=G(Pi，W)/G(W)，G(Pi，W)为当前起最近一个W周期内产品Pi的首次咨询数量，G(W) 为一个W周期内的所有咨询数量。

5.根据权利要求4所述的基于用户意图预测的客服匹配系统，其特征在于，所述概率计算模块计算所述概率向量与每个客服在产品维度上的满意度平均分构成的向量之间的余弦夹角的具体过程包括：

计算每个客服对各个产品进行服务的满意度平均分并构成评分向量；

根据各个产品在当前时间节点上发生咨询的所述概率向量，计算所述概率向量与所述评分向量之间的余弦夹角，所述余弦夹角越大表征当前时间节点以该客服对当前客户进行服务能够获得的满意度更高。

6.根据权利要求5所述的基于用户意图预测的客服匹配系统，其特征在于，所述接待筛选模块获取历史接待当前客户的客服列表并筛选其中符合预设条件的客服的具体过程包括：

由所述咨询数据库中查询曾经接待过当前客户的客服，并形成所述客服列表；

由所述客服数据库查询所述客服列表中每个客服对当前客户进行服务的满意度评分；

以满意度评分最高且等待队列未满的客服作为筛选条件，对所述客服列表进行筛选。