本申请涉及人工智能和客服接线领域,尤其涉及一种名单分配方法、装置、计算机设备及存储介质。
背景技术:
1、目前在金融业务中,目前进线客户在转接人工的时候,只能根据客户进线的号码、地区进行名单分配。同时不同地区、不同资源类型的客户,有着不同的名单转化率;且不同的服务坐席有着不同的业务属性。但目前的名单分配系统不支持将坐席的信息和客户的信息进行结合分析,得到一个最优的名单分配,从而达到最大的转换效益;因此需要有一种能够通过在客户对话中归纳客户的意图,并判断出对应的客户类型分配到最合适的客服进行业务对接的方法,以此促进公司业务的发展,以整体达到名单的最优转化率。
技术实现思路
1、本申请实施例的目的在于提出一种名单分配方法,用于以解决现有技术中监听公司内部网络中是否存在未授权设备的安全问题。
2、为了解决上述技术问题,本申请实施例提供一种名单分配方法,采用了如下所述的技术方案:
3、获取任务历史数据库中的每一历史数据以构建训练任务集;
4、利用所述训练任务集训练深度学习模型,得到名单分配模型;
5、接收业务呼入请求进行意图关键词提取,得到意图表征参数,其中,所述意图表征参数用于表征呼入客户的实际需求的参数;
6、根据所述意图表征参数启动对应的任务获取流程以提取对应的结构化任务,得到待预测数据;
7、基于所述名单分配模型对所述待预测数据进行客服预测,得到对应的介入客服。
8、进一步的,该方法还包括:
9、对所述历史数据库中的历史数据进行数据分类,得到第一多场景数据信息、第一多任务类型信息和第一多业务类型信息;
10、基于预设的任务目的,对所述第一多场景数据信息、第一多任务类型信息和第一多业务类型信息对应的原始历史数据进行样本分类抽取,得到所述训练任务集,其中,每个所述训练任务包括训练样本集和评估样本集,所述训练样本集用于训练深度学习模型,所述评估样本集用于评估训练后的深度学习模型。
11、进一步的,该方法还包括:
12、根据预设的客户意图分类规则对接收到的所述意图表征参数进行意图判定,得到对应的意图判定结果;
13、根据所述意图判定结构启动所述任务获取流程提取对应的结构化任务;
14、根据调取所述业务呼入请求对应的实体化数据对所述结构化任务进行实体填充,得到待预测数据。
15、进一步的,该方法还包括:
16、获取所述待预测数据,得到对应的所述实际场景信息、实际任务类型信息和实际业务类型信息
17、计算所述实际场景信息和所述历史数据库中场景数据的相似度,得到场景相似度;
18、计算所述实际任务类型信息和所述历史数据库中任务类型信息的相似度,得到任务相似度;
19、计算所述实际业务类型信息和所述历史数据库中业务类型信息的相似度,得到业务相似度;
20、利用预设的权重对计算所述场景相似度、所述任务相似度和所述业务相似度进行综合加权以计算综合相似度,得到综合相似度;
21、提取所述综合相似度最高的历史数据中对应的客服为预测到的所述介入客服。
22、进一步的,该方法还包括:
23、根据所述实际业务类型信息对应的业务层级,计算所述历史数据库中业务类型信息对应层级的对比结果,得到业务对比值;
24、根据所述实际业务类型信息对应的业务层级的业务目标,计算所述历史数据库中业务类型信息对应层级的业务目标的对比结果,得到业务结果对比值;
25、对所述业务对比值和业务结果对比值归一化处理以进行综合相似度计算,得到业务相似度。
26、进一步的,该方法还包括:
27、获取预设时间内的更新历史数据进行数据分类,得到第二多场景数据信息、第二多任务类型信息和第二多业务类型信息;
28、利用所述第二多场景数据信息、第二多任务类型信息和第二多业务类型信息对应的原始历史数据以构建所述深度学习模型的测试任务集;
29、利用所述测试任务集对所述名单分配模型进行测试,得到对应的测试结果,
30、当所述测试结果处于预设的测试阈值内时,得到名单分配模型。
31、进一步的,该方法还包括:
32、获取预设时间内所有的所述待预测数据中包含的所述业务呼入请求对应的客户信息进行制单,得到客户清单;
33、将所述客户名单分配至预测到的所述介入客服。
34、为了解决上述技术问题,本申请实施例还提供一种名单分配方法装置,采用了如下所述的技术方案:
35、一种名单分配方法装置,所述名单分配方法装置包括:
36、数据获取模块:获取任务历史数据库中的每一历史数据以构建训练任务集;
37、模型训练模块:利用所述训练任务集训练深度学习模型,得到名单分配模型;
38、意图分析模块:用于接收业务呼入请求进行意图关键词提取,得到意图表征参数,其中,所述意图表征参数用于表征呼入客户的实际需求的参数;
39、任务预测模块:用于根据所述意图表征参数启动对应的任务获取流程以提取对应的结构化任务,得到待预测数据
40、名单分配模块:用于用于基于所述名单分配模型对所述待预测数据进行客服预测,得到对应的介入客服。
41、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:
42、一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述的名单分配方法的步骤。
43、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
44、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上述的名单分配方法的步骤。
45、与现有技术相比,本申请实施例主要有以下有益效果:
46、通过利用元学习模型构建深度学习模型,利用任务历史数据库中的每一历史数据以构建训练任务集以对其进行训练,得到名单分配模型,对接收业务呼入请求进行意图识别后以进行任务预测,再利用所述名单分配模型对所述预测到的数据进行客服预测,得到对应的介入客服从而可以能够实现在客户对话中归纳客户的意图,并判断出对应的客户类型分配到最合适的客服进行业务对接,以此促进公司业务的发展,以整体达到名单的最优转化率。
1.一种名单分配方法,其特征在于,所述方法包括:
2.根据权利要求1所述的名单分配方法,其特征在于,获取任务历史数据库中的每一历史数据以构建训练任务集,具体包括:
3.根据权利要求1所述的名单分配方法,其特征在于,根据所述意图表征参数启动对应的任务获取流程以提取对应的结构化参数,得到待预测数据,具体包括:
4.根据权利要求2所述的名单分配方法,其特征在于,所述基于所述名单分配模型对所述待预测数据进行客服预测,得到客户名单分配至对应的介入客服,具体包括:
5.根据权利要求4所述的名单分配方法,其特征在于,所述计算所述实际业务类型信息和所述历史数据库中业务类型信息的相似度,得到业务相似度,具体包括:
6.根据权利要求1所述的名单分配方法,其特征在于,所述训练任务集训练深度学习模型,得到名单分配模型,具体包括:
7.根据权利要求6所述的最优名单分配方法,其特征在于,所述基于所述名单分配模型对所述待预测数据进行客服预测,得到对应的介入客服,之后,具体包括:
8.一种名单分配装置,其特征在于,所述装置包括:
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的名单分配的步骤。
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中任一项所述的名单分配的步骤。