TWI696194B - 投訴舉報類別的排序方法和裝置 - Google Patents

投訴舉報類別的排序方法和裝置 Download PDF

Info

Publication number
TWI696194B
TWI696194B TW107145889A TW107145889A TWI696194B TW I696194 B TWI696194 B TW I696194B TW 107145889 A TW107145889 A TW 107145889A TW 107145889 A TW107145889 A TW 107145889A TW I696194 B TWI696194 B TW I696194B
Authority
TW
Taiwan
Prior art keywords
user
complaint
categories
category
personalized
Prior art date
Application number
TW107145889A
Other languages
English (en)
Other versions
TW201935292A (zh
Inventor
金宏
王維強
Original Assignee
香港商阿里巴巴集團服務有限公司
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 香港商阿里巴巴集團服務有限公司 filed Critical 香港商阿里巴巴集團服務有限公司
Publication of TW201935292A publication Critical patent/TW201935292A/zh
Application granted granted Critical
Publication of TWI696194B publication Critical patent/TWI696194B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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]
    • G06Q30/0609—Buyer or seller confidence or verification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本說明書提供一種投訴舉報類別的排序方法，包括：在收到用戶的投訴舉報請求後，獲取所述用戶的行為記錄和個人資訊；將所述用戶的行為記錄和個人資訊輸入個性化模型，得到每個投訴舉報類別的個性化評估值；所述個性化模型為有監督學習的分類模型，採用標記有投訴舉報類別的用戶行為記錄和個人資訊樣本進行訓練；根據所述個性化評估值確定所述用戶的投訴舉報類別的排列次序。

Description

投訴舉報類別的排序方法和裝置
本說明書係關於資料處理技術領域，尤其關於一種投訴舉報類別的排序方法和裝置。
對任何一個企業而言，客戶服務都是至關重要的。隨著互聯網的發展和智慧終端機的普及，越來越多的企業提供更加方便和高效的網上客戶服務，在提高服務效率的同時降低服務成本。作為客戶服務的一個組成部分，接收用戶的投訴舉報並及時解決用戶的問題，能夠增進客戶關係和增加用戶的滿意度。 企業通常會在各種能夠接觸用戶的網路場景中提供投訴舉報入口，如企業網站、企業的客戶端App（應用程式）中。用戶在進入投訴舉報入口後，通常需要選擇自己投訴舉報的問題屬於哪個類別。由於不同類別的投訴舉報往往有不同的後續處理流程，能否準確選擇投訴舉報類別不僅對投訴舉報的處理效率，而且對投訴舉報資料的收集和利用都有重要的影響。
有鑑於此，本說明書提供一種投訴舉報類別的排序方法，包括： 在收到用戶的投訴舉報請求後，獲取所述用戶的行為記錄和個人資訊； 將所述用戶的行為記錄和個人資訊輸入個性化模型，得到每個投訴舉報類別的個性化評估值；所述個性化模型為有監督學習的分類模型，採用標記有投訴舉報類別的用戶行為記錄和個人資訊樣本進行訓練； 根據所述個性化評估值確定所述用戶的投訴舉報類別的排列次序。 本說明書還提供了一種投訴舉報類別的排序裝置，包括： 輸入特徵獲取單元，用於在收到用戶的投訴舉報請求後，獲取所述用戶的行為記錄和個人資訊； 個性化評估單元，用於將所述用戶的行為記錄和個人資訊輸入個性化模型，得到每個投訴舉報類別的個性化評估值；所述個性化模型為有監督學習的分類模型，採用標記有投訴舉報類別的用戶行為記錄和個人資訊樣本進行訓練； 排序確定單元，用於根據所述個性化評估值確定所述用戶的投訴舉報類別的排列次序。 本說明書提供的一種電腦設備，包括：記憶體和處理器；所述記憶體上儲存有可由處理器運行的電腦程式；所述處理器運行所述電腦程式時，執行上述投訴舉報類別的排序方法所述的步驟。 本說明書提供的一種電腦可讀儲存媒體，其上儲存有電腦程式，所述電腦程式被處理器運行時，執行上述投訴舉報類別的排序方法所述的步驟。 由以上技術方案可見，本說明書的實施例中，以發起投訴舉報請求的用戶的行為記錄和個人資訊作為個性化模型的輸入，得到每個投訴舉報類別的個性化評估值，並按照個性化評估值決定該用戶投訴舉報類別的排列次序，從而提高了該用戶選擇正確的投訴舉報類別的機率，不僅能夠加快對投訴舉報的處理速度，提高用戶的滿意程度，而且使得各個類別的投訴舉報資料更加準確，有利於得出更精準的資料挖掘結果。
絕大多數用戶在使用投訴舉報功能時，通常處於較為迫切的狀態，急於提交自己的問題。在選擇投訴舉報分類時，往往會在看到第一個近似於自己問題的類別時就做出選擇，很難做到在看完所有類別後再選擇最優的一個。投訴舉報類別的排列次序對用戶的選擇準確性有非常大的影響。 因此，本說明書的實施例提出一種新的投訴舉報類別的排序方法，採用以用戶的行為記錄和個人資訊樣本訓練完成的個性化模型，以發出投訴舉報請求的用戶的行為記錄和個人資訊為輸入，得到每個投訴舉報類別對該用戶的個性化評估值，作為投訴舉報類別排序的依據，從而使得投訴舉報類別的排序更加符合用戶的實際情況，用戶有更高的機率選擇正確的類別，提高了投訴舉報的處理效率，同時企業也能夠得到更準確的投訴舉報分類資料，為資料挖掘提供了更好的基礎。 本說明書的實施例可以運行在任何具有計算和儲存能力的設備上，如手機、平板電腦、PC（Personal Computer，個人電腦）、筆記本、伺服器等設備；還可以由運行在兩個或兩個以上設備的邏輯節點來實現本說明書實施例中的各項功能。 本說明書的實施例中，投訴舉報包括各種用戶向網路服務提供方進行負面回饋的行為，例如向網路服務提供方提出負面意見、提交負面資訊、提出需要網路服務提供方配合來解決的問題等等，不做限定。 由於投訴舉報行為通常是由之前發生的網路事件導致，用戶在投訴舉報前在網路上的行為往往與投訴舉報類別有較大的關聯度；另外，反映用戶個體特性的一些個人資訊也與投訴舉報類別相關聯。因此，本說明書的實施例中，採用用戶的行為記錄和個人資訊建立有監督學習的分類模型，本說明書中稱之為個性化模型，來預測一個用戶可能進行哪個類別的投訴舉報。個性化模型以用戶的行為記錄和個人資訊作為輸入，以投訴舉報類別的個性化評估值作為輸出。作為有監督學習模型，個性化模型採用標記了最終用戶實際進行投訴舉報的類別的用戶行為記錄和個人資訊樣本進行訓練。 其中，用戶的行為記錄可以包括用戶在請求進行投訴舉報前某個時間段內的任何網路行為記錄，例如可以是用戶的瀏覽記錄、用戶的聊天記錄、用戶的功能使用記錄中的一項到多項。用戶的行為記錄可以是用戶在某個或某幾個網站或客戶端應用程式中的行為記錄，也可以是用戶在某個終端或以某個帳戶進行的行為的記錄，不做限定。 用戶的個人資訊可以包括任何能夠反映用戶的個體特性的資訊，例如用戶的地理位置資訊、反映用戶偏好的個性標籤、用戶的IP地址等中的一項到多項。 假設N（N為大於等於2的自然數）為投訴舉報類別的個數，個性化分類模型可以是一個多分類模型，其輸出為對N個投訴舉報類別的個性化評估值；也可以採用N個二分類模型來分別預測每個投訴舉報類別，即每個二分類模型對應於一個投訴舉報類別，其輸出為對該投訴舉報類別的個性化評估值。 此外，本說明書實施例中對個性化模型所採用的分類演算法沒有限制，例如個性化模型可以是隨機森林演算法模型，可以是GBDT（Gradient Boosting Decision Tree，梯度提升決策樹）演算法模型，可以是XGBOOST（eXtreme Gradient Boosting，高效梯度提升）演算法模型，還可以是其他分類演算法模型。 本說明書的實施例中，投訴舉報類別的排序方法的流程如圖1所示。 步驟110，在收到用戶的投訴舉報請求後，獲取所述用戶的行為記錄和個人資訊。 通常用戶在登錄後，可以透過網路服務提供方設置的投訴舉報入口來發起投訴舉報請求，例如，可以是在網路服務提供方的網站上打開進行投訴舉報的頁面，在網路服務提供方的客戶端應用程式中點擊投訴舉報按鈕等，網路服務提供方的服務端將收到由用戶所使用的終端發出的投訴舉報請求。 網路服務提供方在收到投訴舉報請求後，根據實際應用場景中服務端的具體實現以及行為記錄和個人資訊的具體內容，可以從保存用戶行為記錄和/或個人資訊的預定網路位置、預定資料庫表等處讀取到用戶的行為記錄和/或個人資訊，也可以向維護用戶行為記錄和/或個人資訊的其他伺服器請求並從回覆中得到用戶的行為記錄和/或個人資訊，不做限定。 步驟120，將用戶的行為記錄和個人資訊輸入個性化模型，得到每個投訴舉報類別的個性化評估值。 對多分類的個性化模型，將用戶的行為記錄和個人資訊輸入到多分類模型中，即可得到N個投訴舉報類別的個性化評估值。對N個二分類的個性化模型，分別將用戶的行為記錄和個人資訊輸入到N個二分類模型中，每個二分類輸出對應於該二分類模型的投訴舉報類別的個性化評估值。 步驟130，根據個性化評估值確定該用戶的投訴舉報類別的排列次序。 網路服務提供方按照某個用戶的各個投訴舉報類別的個性化評估值，來決定對於該用戶的投訴舉報類別的排列次序，並返回給發起投訴舉報請求的用戶的終端。用戶的終端將投訴舉報類別按照返回的排列次序顯示給用戶，供用戶選擇。將用戶更有可能進行的投訴舉報類別排列在前，將極大的增加用戶做出正確分類選擇的機率。 除個性化評估值外，還可以綜合考慮其他因素來確定對於某個用戶的投訴舉報類別的排序。以下舉例說明。 第一個例子：有的類別的投訴舉報會在一定的時間段呈現爆發性增長，例如春節前機票、車票的詐騙舉報、假期兼職被騙的舉報。在這樣的例子中，可以按照第一預定時間段內每個投訴舉報類別的發生次數，確定投訴舉報類別的全域評估結果；然後根據全域評估結果和某個用戶的投訴舉報類別的個性化評估值，來確定該用戶的投訴舉報類別排序。 第二個例子：不同類別的投訴舉報可能在不同地區具有不同的發生機率，例如在一些偏遠地區，發生的投訴舉報類別較為單一和集中。在這樣的例子中，可以按照第二預定時間段內每個投訴舉報類別在某個用戶所在地域的發生次數，確定投訴舉報類別的區域評估結果；然後根據區域評估結果和該用戶的投訴舉報類別的個性化評估值，來確定該用戶的投訴舉報類別排序。 上述兩個例子中，可以根據實際應用場景的具體情況、全域評估結果和/或區域評估結果對投訴舉報類別排序的影響等因素，來決定具體的排序方法，本說明書的實施例不做限定。例如，可以根據各個投訴舉報類別的發生次數在全域評估結果和/或區域評估結果中設定不同的分值，對某個投訴舉報類別，將在全域評估結果和/或區域評估結果中的分值、與個性化評估值的加權和作為該投訴舉報類別的最終評估值，並按照最終評估值來對投訴舉報類別排序。 另外，上述兩個例子中的全域評估結果和區域評估結果可以結合使用。以下給出結合使用的第三個例子：將第一預定時間段內發生次數最多的P（P為小於N的自然數）個投訴舉報類別，作為全域類別；將除P個全域類別外，在第二預定時間段內發生次數最多的Q（Q為不大於(N-P)的自然數）個投訴舉報類別，作為區域類別；在確定投訴舉報類別的排序時，將P個全域類別按發生次數降序排列，之後將Q個區域類別按發生次數降序排列，之後按照個性化評估值排列除全域類別和區域類別外剩餘的（N-P-Q）個投訴舉報類別。在這個例子中，最優先排列P個全域類別，然後排列Q個區域類別，之後是按照個性化評估值排列的其他投訴舉報類別。 可見，本說明書的實施例中，採用以用戶的行為記錄和個人資訊樣本訓練完成的個性化模型，以發起投訴舉報請求的用戶的行為記錄和個人資訊作為個性化模型的輸入，得到每個投訴舉報類別對該用戶的個性化評估值，作為投訴舉報類別排序的依據，使得投訴舉報類別的排序更加符合用戶的實際情況，提高了該用戶選擇正確的投訴舉報類別的機率，加快了對投訴舉報的處理速度，能夠提高用戶的滿意程度，同時使得各個類別的投訴舉報資料更加準確，為資料挖掘提供了更好的基礎。 上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在附圖中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多工處理和並行處理也是可以的或者可能是有利的。 在本說明書的一個應用示例中，第三方移動支付平台在其客戶端App中為用戶提供了舉報入口，以便透過用戶的舉報及時發現和制止非法行為，保護用戶的資金安全。用戶在App中點擊舉報按鈕後，可以在打開的類型選擇頁面上選擇舉報類型，來進行該類型事項的舉報。舉報類型包括兼職被騙、刷單、色情、賭博、理財被騙、交易被騙等。 在第三方移動支付平台的服務端，以用戶24小時內在客戶端App中的瀏覽記錄和聊天記錄作為用戶的行為記錄，以用戶的個性標籤（如網購達人、電影迷、健身狂人等）、用戶的IP地址、用戶的地理位置資訊作為用戶的個人資訊，建立有多分類個性化模型，並採用標記了用戶舉報應屬類別的樣本資料進行訓練。 在用戶點擊舉報按鈕後，App將用戶的舉報請求發送給服務端。服務端從用戶資料庫中讀取該用戶的個性標籤，根據與客戶端App的交互得到用戶終端的IP地址、以及終端所在的地理位置資訊。服務端從用戶行為資料庫中查詢該用戶在過去24小時內在App內的瀏覽記錄和聊天記錄。將用戶的個性標籤、IP地址、地理位置資訊、瀏覽記錄和聊天記錄輸入到多分類個性化模型中，得到每個舉報類別的個性化評估值。 服務端統計過去一周所有用戶在每個類別的舉報，將舉報次數最多的一個類別作為全域類別。基於用戶的地理位置資訊，服務端統計過去一周在該用戶所在區域（包括城市、城鎮、郊區、或鄉村等）發生的每個類別的舉報次數，將除全域類別外舉報次數最多的一個類別作為區域類別。服務端將全域類別作為第一項，將區域類別作為第二項，對除全域類別和區域類別外的其他舉報類別，按照個性化評估值從可能性高到可能性低將其他舉報類別從第三項開始依次排序，如圖2所示。服務端將舉報類別及其排序返回給App，由App展示給用戶。用戶在打開的類型選擇頁面上看到按照上述順序排列的舉報類別。 與上述流程實現對應，本說明書的實施例還提供了一種投訴舉報類別的排序裝置。該裝置可以透過軟體實現，也可以透過硬體或者軟硬體結合的方式實現。以軟體實現為例，作為邏輯意義上的裝置，是透過所在設備的CPU（Central Process Unit，中央處理器）將對應的電腦程式指令讀取到記憶體中運行形成的。從硬體層面而言，除了圖3所示的CPU、主記憶體以及記憶體之外，投訴舉報類別的排序裝置所在的設備通常還包括用於進行無線信號收發的晶片等其他硬體，和/或用於實現網路通信功能的板卡等其他硬體。 圖4所示為本說明書實施例提供的一種投訴舉報類別的排序裝置，包括輸入特徵獲取單元、個性化評估單元和排序確定單元，其中：輸入特徵獲取單元用於在收到用戶的投訴舉報請求後，獲取所述用戶的行為記錄和個人資訊；個性化評估單元用於將所述用戶的行為記錄和個人資訊輸入個性化模型，得到每個投訴舉報類別的個性化評估值；所述個性化模型為有監督學習的分類模型，採用標記有投訴舉報類別的用戶行為記錄和個人資訊樣本進行訓練；排序確定單元用於根據所述個性化評估值確定所述用戶的投訴舉報類別的排列次序。 可選的，所述個性化模型包括多分類模型或N個二分類模型，N為投訴舉報類別的個數。 可選的，所述個性化模型採用隨機森林演算法、梯度提升決策樹GBDT演算法、或高效梯度提升XGBOOST演算法。 可選的，所述用戶的行為記錄包括以下至少一項：用戶的瀏覽記錄、用戶的聊天記錄、用戶的功能使用記錄；所述用戶的個人資訊包括以下至少一項：用戶的地理位置資訊、用戶的個性標籤、用戶的IP地址。 可選的，所述裝置還包括：全域評估單元，用於按照第一預定時間段內每個投訴舉報類別的發生次數，確定投訴舉報類別的全域評估結果；所述排序確定單元具體用於：根據所述全域評估結果和所述用戶的個性化評估值，確定所述用戶的投訴舉報類別的排列次序。 可選的，所述裝置還包括：區域評估單元，用於按照第二預定時間段內每個投訴舉報類別在所述用戶所在地域的發生次數，確定投訴舉報類別的區域評估結果；所述排序確定單元具體用於：根據所述區域評估結果和所述用戶的個性化評估值，確定所述用戶的投訴舉報類別的排列次序。 可選的，所述裝置還包括全域類別單元、區域類別單元，其中：全域類別單元用於將第一預定時間段內發生次數最多的P個投訴舉報類別，作為全域類別；區域類別單元用於將除P個全域類別外，在第二預定時間段內發生次數最多的Q個投訴舉報類別，作為區域類別；所述排序確定單元具體用於：將P個全域類別按發生次數降序排列，之後將Q個區域類別按發生次數降序排列，之後按照個性化評估值排列除全域類別和區域類別外剩餘的（N-P-Q）個投訴舉報類別；N為投訴舉報類別的個數，P為小於N的自然數，Q為不大於（N-P）的自然數。 本說明書的實施例提供了一種電腦設備，該電腦設備包括記憶體和處理器。其中，記憶體上儲存有能夠由處理器運行的電腦程式；處理器在運行儲存的電腦程式時，執行本說明書實施例中投訴舉報類別的排序方法的各個步驟。對投訴舉報類別的排序方法的各個步驟的詳細描述請參見之前的內容，不再重複。 本說明書的實施例提供了一種電腦可讀儲存媒體，該儲存媒體上儲存有電腦程式，這些電腦程式在被處理器運行時，執行本說明書實施例中投訴舉報類別的排序方法的各個步驟。對投訴舉報類別的排序方法的各個步驟的詳細描述請參見之前的內容，不再重複。 以上所述僅為本說明書的較佳實施例而已，並不用以限制本申請，凡在本申請的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本申請保護的範圍之內。 在一個典型的配置中，計算設備包括一個或多個處理器（CPU）、輸入/輸出介面、網路介面和記憶體。 記憶體可能包括電腦可讀媒體中的非永久性記憶體，隨機存取記憶體（RAM）和/或非易失性記憶體等形式，如唯讀記憶體（ROM）或快閃記憶體（flash RAM）。記憶體是電腦可讀媒體的示例。 電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括，但不限於相變記憶體（PRAM）、靜態隨機存取記憶體（SRAM）、動態隨機存取記憶體（DRAM）、其他類型的隨機存取記憶體（RAM）、唯讀記憶體（ROM）、電可擦除可編程唯讀記憶體（EEPROM）、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體（CD-ROM）、數位多功能光碟（DVD）或其他光學儲存、磁盒式磁帶，磁帶磁磁片儲存或其他磁性存放裝置或任何其他非傳輸媒體，可用於儲存可以被計算設備訪問的資訊。按照本文中的界定，電腦可讀媒體不包括暫存電腦可讀媒體（transitory media），如調製的資料信號和載波。 還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。 本領域技術人員應明白，本說明書的實施例可提供為方法、系統或電腦程式產品。因此，本說明書的實施例可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體方面的實施例的形式。而且，本說明書的實施例可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體（包括但不限於磁碟記憶體、CD-ROM、光學記憶體等）上實施的電腦程式產品的形式。
圖1是本說明書實施例中一種投訴舉報類別的排序方法的流程圖； 圖2是本說明書應用示例中一種舉報類別的排序方式示意圖； 圖3是運行本說明書實施例的設備的一種硬體結構圖； 圖4是本說明書實施例中一種投訴舉報類別的排序裝置的邏輯結構圖。

Claims (14)

  1. 一種投訴舉報類別的排序方法，包括：在收到用戶的投訴舉報請求後，獲取該用戶的行為記錄和個人資訊；將該用戶的行為記錄和個人資訊輸入個性化模型，得到每個投訴舉報類別的個性化評估值；該個性化模型為有監督學習的分類模型，採用標記有投訴舉報類別的用戶行為記錄和個人資訊樣本進行訓練；根據該個性化評估值確定該用戶的投訴舉報類別的排列次序，其中，該個性化模型包括多分類模型或N個二分類模型，N為投訴舉報類別的個數。
  2. 根據請求項1所述的方法，該個性化模型採用隨機森林演算法、梯度提升決策樹GBDT演算法、或高效梯度提升XGBOOST演算法。
  3. 根據請求項1所述的方法，該用戶的行為記錄包括以下至少一項：用戶的瀏覽記錄、用戶的聊天記錄、用戶的功能使用記錄；該用戶的個人資訊包括以下至少一項：用戶的地理位置資訊、用戶的個性標籤、用戶的IP地址。
  4. 根據請求項1所述的方法，該方法還包括：按照第一預定時間段內每個投訴舉報類別的發生次數，確定投訴舉報類別的全域評估結果；所述根據個性化評估值確定該用戶的投訴舉報類別的排列次序，包括：根據該全域評估結果和該用戶的個性化評估值，確定該用戶的投訴舉報類別的排列次序。
  5. 根據請求項1所述的方法，該方法還包括：按照第二預定時間段內每個投訴舉報類別在該用戶所在地域的發生次數，確定投訴舉報類別的區域評估結果；所述根據個性化評估值確定該用戶的投訴舉報類別的排列次序，包括：根據該區域評估結果和該用戶的個性化評估值，確定該用戶的投訴舉報類別的排列次序。
  6. 根據請求項1所述的方法，該方法還包括：將第一預定時間段內發生次數最多的P個投訴舉報類別，作為全域類別；將除P個全域類別外，在第二預定時間段內發生次數最多的Q個投訴舉報類別，作為區域類別；所述根據個性化評估值確定該用戶的投訴舉報類別的排列次序，包括：將P個全域類別按發生次數降序排列，之後將Q個區域類別按發生次數降序排列，之後按照個性化評估值排列除全域類別和區域類別外剩餘的(N-P-Q)個投訴舉報類別；N為投訴舉報類別的個數，P為小於N的 自然數，Q為不大於(N-P)的自然數。
  7. 一種投訴舉報類別的排序裝置，包括：輸入特徵獲取單元，用於在收到用戶的投訴舉報請求後，獲取該用戶的行為記錄和個人資訊；個性化評估單元，用於將該用戶的行為記錄和個人資訊輸入個性化模型，得到每個投訴舉報類別的個性化評估值；該個性化模型為有監督學習的分類模型，採用標記有投訴舉報類別的用戶行為記錄和個人資訊樣本進行訓練；排序確定單元，用於根據該個性化評估值確定該用戶的投訴舉報類別的排列次序，其中，該個性化模型包括多分類模型或N個二分類模型，N為投訴舉報類別的個數。
  8. 根據請求項7所述的裝置，該個性化模型採用隨機森林演算法、梯度提升決策樹GBDT演算法、或高效梯度提升XGBOOST演算法。
  9. 根據請求項8所述的裝置，該用戶的行為記錄包括以下至少一項：用戶的瀏覽記錄、用戶的聊天記錄、用戶的功能使用記錄；該用戶的個人資訊包括以下至少一項：用戶的地理位置資訊、用戶的個性標籤、用戶的IP地址。
  10. 根據請求項7所述的裝置，該裝置還包括：全域評估單元，用於按照第一預定時間段內每個投訴舉報類別的發生次數，確定投訴舉報類別的全域評估結果；該排序確定單元具體用於：根據該全域評估結果和該用戶的個性化評估值，確定該用戶的投訴舉報類別的排列次序。
  11. 根據請求項7所述的裝置，該裝置還包括：區域評估單元，用於按照第二預定時間段內每個投訴舉報類別在該用戶所在地域的發生次數，確定投訴舉報類別的區域評估結果；該排序確定單元具體用於：根據該區域評估結果和該用戶的個性化評估值，確定該用戶的投訴舉報類別的排列次序。
  12. 根據請求項7所述的裝置，該裝置還包括：全域類別單元，用於將第一預定時間段內發生次數最多的P個投訴舉報類別，作為全域類別；區域類別單元，用於將除P個全域類別外，在第二預定時間段內發生次數最多的Q個投訴舉報類別，作為區域類別；該排序確定單元具體用於：將P個全域類別按發生次數降序排列，之後將Q個區域類別按發生次數降序排列，之後按照個性化評估值排列除全域類別和區域類別外剩餘 的(N-P-Q)個投訴舉報類別；N為投訴舉報類別的個數，P為小於N的自然數，Q為不大於(N-P)的自然數。
  13. 一種電腦設備，包括：記憶體和處理器；該記憶體上儲存有可由處理器運行的電腦程式；該處理器運行該電腦程式時，執行如請求項1到6任意一項所述之方法的步驟。
  14. 一種電腦可讀儲存媒體，其上儲存有電腦程式，該電腦程式被處理器運行時，執行如請求項1到6任意一項所述之方法的步驟。
TW107145889A 2018-02-05 2018-12-19 投訴舉報類別的排序方法和裝置 TWI696194B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201810113352.6A CN108416616A (zh) 2018-02-05 2018-02-05 投诉举报类别的排序方法和装置
??201810113352.6 2018-02-05
CN201810113352.6 2018-02-05

Publications (2)

Publication Number Publication Date
TW201935292A TW201935292A (zh) 2019-09-01
TWI696194B true TWI696194B (zh) 2020-06-11

Family

ID=63127782

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107145889A TWI696194B (zh) 2018-02-05 2018-12-19 投訴舉報類別的排序方法和裝置

Country Status (5)

Country Link
US (1) US10915706B2 (zh)
CN (1) CN108416616A (zh)
SG (1) SG11202005500TA (zh)
TW (1) TWI696194B (zh)
WO (1) WO2019149145A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416616A (zh) 2018-02-05 2018-08-17 阿里巴巴集团控股有限公司 投诉举报类别的排序方法和装置
CN109492660B (zh) * 2018-09-26 2024-07-02 平安科技（深圳）有限公司 投诉信息处理方法、装置、计算机设备和存储介质
CN110969443A (zh) * 2018-09-30 2020-04-07 阿里巴巴集团控股有限公司 投诉事件处理方法、装置、设备和系统
CN109858702B (zh) * 2019-02-14 2021-02-19 中国联合网络通信集团有限公司 客户升级投诉的预测方法、装置、设备及可读存储介质
CN111767736A (zh) * 2019-03-27 2020-10-13 阿里巴巴集团控股有限公司 事件处理与数据处理方法、设备、系统及存储介质
CN110378712A (zh) * 2019-07-26 2019-10-25 上海秒针网络科技有限公司 一种投诉处理方法及装置
CN110602652B (zh) * 2019-10-15 2021-07-27 中移信息技术有限公司 投诉模型的训练方法、用户投诉的预测方法、装置及设备
CN110909129B (zh) * 2019-11-14 2022-11-04 上海秒针网络科技有限公司 异常投诉事件的识别方法及装置
CN110909545A (zh) * 2019-11-26 2020-03-24 电子科技大学 一种基于梯度提升算法的黑导游检测方法
CN111078878B (zh) * 2019-12-06 2023-07-04 北京百度网讯科技有限公司 文本处理方法、装置、设备及计算机可读存储介质
CN112183663B (zh) * 2020-10-26 2024-07-12 北京达佳互联信息技术有限公司 一种图像分类方法、装置、电子设备及存储介质
CN112561535A (zh) * 2020-12-08 2021-03-26 支付宝(杭州)信息技术有限公司 交易纠纷数据处理方法、装置、设备及存储介质
CN112925863A (zh) * 2021-01-25 2021-06-08 北京工业大学 一种面向水环境管理平台的基于多要素分析的水污染溯源定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201601104A (zh) * 2014-06-17 2016-01-01 Alibaba Group Services Ltd 基於及融合用戶關係資料的搜尋方法、裝置和系統
CN107563429A (zh) * 2017-07-27 2018-01-09 国家计算机网络与信息安全管理中心 一种网络用户群体的分类方法及装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110040631A1 (en) * 2005-07-09 2011-02-17 Jeffrey Scott Eder Personalized commerce system
US7899769B2 (en) * 2004-11-24 2011-03-01 Overtone, Inc. Method for identifying emerging issues from textual customer feedback
US9715701B2 (en) * 2008-11-24 2017-07-25 Ebay Inc. Image-based listing using image of multiple items
CN101408964B (zh) * 2008-11-25 2016-03-30 阿里巴巴集团控股有限公司 电子商务网站的前台类目调整方法及装置
US20130024464A1 (en) * 2011-07-20 2013-01-24 Ness Computing, Inc. Recommendation engine that processes data including user data to provide recommendations and explanations for the recommendations to a user
US9189526B1 (en) * 2012-03-21 2015-11-17 Google Inc. Freshness based ranking
US20140129493A1 (en) * 2012-10-11 2014-05-08 Orboros, Inc. Method and System for Visualizing Complex Data via a Multi-Agent Query Engine
US9524319B2 (en) * 2013-04-30 2016-12-20 Wal-Mart Stores, Inc. Search relevance
CN104008184A (zh) * 2014-06-10 2014-08-27 百度在线网络技术（北京）有限公司 信息的推送方法和装置
US10990620B2 (en) * 2014-07-14 2021-04-27 Verizon Media Inc. Aiding composition of themed articles about popular and novel topics and offering users a navigable experience of associated content
CN106708821A (zh) * 2015-07-21 2017-05-24 广州市本真网络科技有限公司 基于用户个性化购物行为进行商品推荐的方法
CN105787770A (zh) * 2016-04-27 2016-07-20 上海遥薇(集团)有限公司 一种基于nmf算法的大数据商品及服务推荐方法及系统
US10476882B2 (en) * 2016-09-22 2019-11-12 Facebook, Inc. Determining user access to groups generated in a closed online system based on categories determined for the groups
US10558714B2 (en) * 2016-12-28 2020-02-11 Facebook, Inc. Topic ranking of content items for topic-based content feeds
US10671244B2 (en) * 2017-04-14 2020-06-02 Home Depot Product Authority, Llc Ordering categories in an electronic user interface menu based on user interaction frequency
US10635733B2 (en) * 2017-05-05 2020-04-28 Microsoft Technology Licensing, Llc Personalized user-categorized recommendations
CN107437124A (zh) * 2017-07-20 2017-12-05 大连大学 一种基于大数据分析的运营商投诉与故障关联分析方法
CN108416616A (zh) * 2018-02-05 2018-08-17 阿里巴巴集团控股有限公司 投诉举报类别的排序方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201601104A (zh) * 2014-06-17 2016-01-01 Alibaba Group Services Ltd 基於及融合用戶關係資料的搜尋方法、裝置和系統
CN107563429A (zh) * 2017-07-27 2018-01-09 国家计算机网络与信息安全管理中心 一种网络用户群体的分类方法及装置

Also Published As

Publication number Publication date
SG11202005500TA (en) 2020-07-29
CN108416616A (zh) 2018-08-17
TW201935292A (zh) 2019-09-01
WO2019149145A1 (zh) 2019-08-08
US20200293716A1 (en) 2020-09-17
US10915706B2 (en) 2021-02-09

Similar Documents

Publication Publication Date Title
TWI696194B (zh) 投訴舉報類別的排序方法和裝置
US20210287250A1 (en) Providing data and analysis for advertising on networked devices
US11645321B2 (en) Calculating relationship strength using an activity-based distributed graph
US10504120B2 (en) Determining a temporary transaction limit
CN106940705A (zh) 一种用于构建用户画像的方法与设备
US11275748B2 (en) Influence score of a social media domain
US20160132904A1 (en) Influence score of a brand
US20160012552A1 (en) Optimizing user selection for performing tasks in social networks
WO2015112989A1 (en) Obtaining social relationship type of network subjects
US20210263978A1 (en) Intelligent interface accelerating
US11016730B2 (en) Transforming a transactional data set to generate forecasting and prediction insights
US20210357435A1 (en) Automated data supplementation and verification
CN110674188A (zh) 一种特征提取方法、装置及设备
TW201939402A (zh) 一種資源和行銷推薦方法、裝置及電子設備
US20160232548A1 (en) Adaptive pricing analytics
US20200104408A1 (en) Determining user lookalikes in a database system
CN111383072A (zh) 一种用户信用评分方法、存储介质及服务器
US20220035864A1 (en) System and method of intelligent profiling a user of a cloud-native application development platform
CN112287208B (zh) 用户画像生成方法、装置、电子设备及存储介质
US20230054880A1 (en) System and method for vehicle loan lead generation
CA3167291A1 (en) Cross-channel actionable insights
Qi et al. Recommendations based on social relationships in mobile services
CN112418260A (zh) 模型训练方法、信息提示方法、装置、设备及介质
US20240202639A1 (en) A Method and System for Prioritizing Business Opportunities
US20240070688A1 (en) Multi-encoder model architecture for calculating attrition