一种客服分配的方法及装置与流程

1.本发明涉及计算机领域，尤其涉及一种客服分配的方法及装置。


背景技术：

2.客服是互联网电子商务的重要组成部分，客服的分配对于提高客服的服务质量和效率至关重要。
3.目前，在线客服的分配方法要么是所有客服平均分配，即优先分配当前接待量小的客服，要么是优先分配服务能力较强的客服。
4.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
5.平均分配客服无法区分客服的服务水平，服务质量无法保证；而优先分配服务能力较强的客服则容易造成部分客服的接待量很大的情况。这可能导致客服分配不够准确，从而降低用户体验。


技术实现要素：

6.有鉴于此，本发明实施例提供一种客服分配的方法和装置，能够通过用户特征、场景特征、一个或多个待分配客服的客服特征以及会话内容，确定一个或多个待分配客服与当前会话的匹配的概率，根据概率来分配目标客服，也就是说，根据当前用户特征、当前场景特征分配匹配度最高的客服，避免了客服水平与当前会话不匹配的问题，从而提高客服分配的准确性，提升了用户的体验，进而提高了服务的质量。
7.为实现上述目的，根据本发明实施例的第一方面，提供了客服分配的方法，包括：
8.获取客服分配请求；
9.根据所述客服分配请求，获取当前会话对应的用户特征、场景特征以及会话内容，并获取满足预设条件的一个或多个待分配客服分别对应的客服特征；
10.根据所述用户特征、所述场景特征、所述客服特征、所述会话内容以及预训练的分配模型，确定一个或多个待分配客服与所述当前会话匹配的概率；其中，所述分配模型是根据多个历史会话中的历史用户特征、历史场景特征、历史会话内容以及历史客服特征以及历史服务结果训练得到的；
11.根据所述概率，从所述一个或多个待分配客服中为所述当前会话分配目标客服。
12.可选地，该方法还包括：
13.构建每一个历史会话对应的历史用户特征、历史场景特征和所述历史客服特征之间的映射关系；
14.将所述映射关系以及对应的历史会话的历史服务结果作为所述分配模型的训练样本，以对所述分配模型进行训练。
15.可选地，所述用户特征、所述场景特征和所述客服特征为结构化数据。
16.可选地，所述会话内容为非结构化数据。
17.可选地，所述分配模型是基于mlp算法和lstm算法训练得到的。
18.可选地，所述历史服务结果是根据以下任意一项或多项得到的：所述历史会话对应的客服人数、所述历史会话的评价数据、所述历史会话的正负反馈。
19.可选地，所述根据所述概率，从所述一个或多个待分配客服中为所述当前会话分配目标客服，包括：
20.对所述一个或多个待分配客服分别对应的概率进行排序；
21.根据排序结果，选择所述概率最大的待分配客服作为所述目标客服。
22.可选地，在存在多个最大概率的情况下，包括：
23.根据多个所述最大概率分别对应的多个所述待分配客服的已分配会话的数量；
24.将所述已分配会话的数量最小的所述待分配客服作为所述目标客服。
25.根据本发明实施例的第二方面，提供了一种客服分配的装置，包括：请求获取模块，特征获取模块、确定模块和分配模块；其中，
26.所述请求获取模块，用于获取客服分配请求；
27.所述特征获取模块，用于根据所述客服分配请求，获取当前会话对应的用户特征、场景特征以及会话内容，并获取满足预设条件的一个或多个待分配客服分别对应的客服特征；
28.所述确定模块，用于根据所述用户特征、所述场景特征、所述客服特征、所述会话内容以及预训练的分配模型，确定一个或多个待分配客服与所述当前会话匹配的概率；其中，所述分配模型是根据多个历史会话中的历史用户特征、历史场景特征、历史会话内容以及历史客服特征以及历史服务结果训练得到的；
29.所述分配模块，用于根据所述概率，从所述一个或多个待分配客服中为所述当前会话分配目标客服。
30.根据本发明实施例的第三方面，提供了一种电子设备，包括：
31.一个或多个处理器；
32.存储装置，用于存储一个或多个程序，
33.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述第一方面提供的一种客服分配的方法中任一所述的方法。
34.根据本发明实施例的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述第一方面提供的一种客服分配的方法中任一所述的方法。
35.上述发明中的一个实施例具有如下优点或有益效果：能够通过用户特征、场景特征、一个或多个待分配客服的客服特征以及会话内容，确定一个或多个待分配客服与当前会话的匹配的概率，根据概率来分配目标客服，也就是说，根据当前用户特征、当前场景特征分配匹配度最高的客服，避免了客服水平与当前会话不匹配的问题，从而提高客服分配的准确性，提升了用户的体验，进而提高了服务的质量。
36.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
37.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
38.图1是本发明一个实施例提供的一种客服分配方法的流程示意图；
39.图2是本发明一个实施例提供的客服分配模型的分配流程图；
40.图3是本发明一个实施例提供的应用于结构化数据的mlp算法模型结构图；
41.图4是本发明一个实施例提供的应用于非结构化数据的lstm算法模型结构图；
42.图5是本发明一个实施例提供的一种客服分配模型的网络结构图；
43.图6是本发明一个实施例提供的一种客服分配装置的结构示意图；
44.图7是本发明实施例可以应用于其中的示例性系统架构图；
45.图8是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
46.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
47.需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
48.如图1所示，本发明实施例提供了一种客服分配的方法，该方法可以包括以下步骤s101至s104：
49.步骤s101：获取客服分配请求。
50.步骤s102：根据所述客服分配请求，获取当前会话对应的用户特征、场景特征以及会话内容，并获取满足预设条件的一个或多个待分配客服分别对应的客服特征。
51.步骤s103：根据所述用户特征、所述场景特征、所述客服特征、所述会话内容以及预训练的分配模型，确定一个或多个待分配客服与所述当前会话匹配的概率；其中，所述分配模型是根据多个历史会话中的历史用户特征、历史场景特征、历史会话内容以及历史客服特征以及历史服务结果训练得到的。
52.步骤s104：根据所述概率，从所述一个或多个待分配客服中为所述当前会话分配目标客服。
53.本发明的一个实施例是在获取到客服分配请求后，根据当前会话的用户特征、场景特征、一个或多个待分配客服的客服特征以及会话内容，使用预训练的分配模型，确定出每一个待分配客服对应于当前会话的匹配的概率，根据概率从一个或多个待分配客服中为当前用户分配目标客服。
54.以物品的退货场景为例，用户进入到与机器人客服的对话中，在与机器人客服的对话时，用户会输入相关的物品信息，以及相关的退货信息。如果机器人客服没有解决退货问题，用户可以根据提示发送转接人工客服的请求，也即所述客服分配请求。这时可以获取到当前用户特征，还可以获取到对应于所述退货场景的场景特征，同时获取满足预设条件的多个待分配客服分别对应的客服特征，将用户特征、场景特征、每一个待分配客服的客服特征以及会话内容作为分配模型的输入，通过模型计算得到每一个待分配客服与当前会话的匹配的概率，然后根据概率，为当前用户分配目标客服进行具体退货操作。
55.另外，所述客服分配请求也可以是在与其他人工客服对话过程中的转接操作产生的，例如，当用户不满意当前客服或者认为当前客服无法解决咨询的问题时，可以发送的转接其他人工客服的请求，相应的，也会产生客服分配请求。
56.可理解的是，选定不同的算法来构建分配模型会得到不同的效果。分配模型可以使用决策树、排序学习算法、推荐算法等来构建。在本发明的一个实施例中，优选构建了一个多输入单输出的模型。其中，所述用户特征、场景特征、会话内容以及待分配客服的客服特征是分配模型的输入，所述概率是分配模型的输出。
57.所述模型的输入数据是在获取到客服分配请求之后，并在转接人工客服之前，根据当前用户信息、场景信息、客服信息、会话内容提取并构建出来的。例如，根据当前用户与机器人客服的会话，可以获取用户进线后与机器人客服对话的文本内容，同时可以获取到所述会话中的用户特征，还可以获取到机器人客服转接人工客服过程中产生的对应于当前会话的场景特征。
58.在这里，所述会话内容是用户进线后与机器人客服对话中产生的具有信息量的文本内容，会话内容可以分成用户与机器人客服对话的文本内容以及机器人客服回答用户的文本内容，可以根据文本内容构建特征名称以及特征值类型，例如，用户与机器人客服对话的文本内容的特征名称为customer_content，对应的特征值类型为字符串型。这些特征数据可以存储在数据表中，如表1所示：
59.表1
[0060][0061]
同时，根据当前用户与机器人客服的会话，还可以获取到一系列用户特征。用户特征是用户在系统应用中的各种行为特征，是使用一定的规则和算法统计的。例如，用户id、用户客户端类型、用户评分等。同样构建特征名称和特征值类型，将这些特征数据存储在数据表中，可以如表2所示：
[0062]
表2
[0063]
特征名称特征含义特征值类型customer用户id离散值，字符串型risk_cus_tag用户风险标签离散值，枚举型client_type用户客户端类型离散值，枚举型tag_levels用户分层标签离散值，枚举型user_score用户评分连续值，浮点型
[0064]
相应的，在机器人客服转接人工客服的过程中，会产生大量对应于当前会话的场景参数，根据所述场景参数，提取并构建出场景特征。例如，在与机器人客服的对话中，在用
户输入退货关键字、退货的订单号等之后，获取到当前会话的场景是退货场景，相应的从一系列的退货场景的参数中提取出退货场景特征。根据场景特征的含义构建特征名称以及特征值类型，例如构建场景、子场景、订单状态、订单类型等的特征名称以及相应的特征值类型，将这些数据存储在数据表中，可以如表3所示：
[0065]
表3
[0066]
[0067][0068]
在表3中的场景特征，以在电商平台为例，场景为退货、换货、保价、物流、发票等，而子场景是场景中的细分，例如发票场景中的子场景可以是发票咨询、开具发票、催促修改等。
[0069]
在获取到了用户特征、场景特征以及会话内容后，还需要获取满足预设条件的一个或多个待分配客服分别对应的客服特征。所述的预设条件可以是根据已分配会话的数量来设定，也可以是根据客服的技能来设定。
[0070]
在步骤s102的一个可实施方式中，所述预设条件是客服已加挂当前场景所对应的技能组，并且客服已分配会话的数量小于预设阈值。
[0071]
其中，技能组是针对客服而定义的一定的技能范围，例如，退货技能组、换货技能组、发票咨询技能组等。客服加挂某一个技能组也就是客服可以被指定接待该技能组的会话，一个客服可以同时加挂多个技能组。同时，场景与技能组有一定的映射关系，一个场景可以对应多个技能组，一个技能组也可以对应多个场景。如表3中场景特征中有对应的技能组id。
[0072]
可理解的是，选择已加挂当前场景对应的技能组的客服，可以一定程度上缩小待分配客服选择的范围，节省客服分配的时间，提升客服的利用率，从而提高客服分配的效率和匹配度。
[0073]
相应的，客服已分配会话的数量是客服在当前会话前已经被分配接待的会话数量。已分配会话的数量小于预设阈值，可以保证客服不被分配过量的会话，因此可以保证客服服务的质量。
[0074]
以退货场景为例，在当前与机器人客服的对话中，获取到退货场景，预设条件则为客服加挂了退货场景所对应的技能组(例如退货技能组和/或换货技能组)，并且客服已分配会话的数量小于预设阈值(例如预设阈值为100)。满足这两个条件的客服即为待分配客服，随后获取所述待分配客服的客服特征。
[0075]
客服特征是根据客服在历史接待过程中统计的各个指标的汇总，例如，客服id、客服属性、客服近1月平均满意度等。根据客服特征构建特征数据，例如特征名称、特征值类型，将所述特征数据存储在数据表中，如表4所示：
[0076]
表4
[0077]
[0078][0079]
根据上述表中特征值类型，可以将特征分为结构化特征和非结构化特征，所述用户特征、所述场景特征和所述客服特征为结构化特征，包括：结构化离散特征和结构化连续
特征。而所述会话内容(也即机器人客服与用户对话的文本内容)是非结构化特征。
[0080]
为了到达较好的分配效果，对于结构化数据和非结构化数据可以分别使用不同的算法去构建模型。在本发明的一个实施例中，所述分配模型是多输入单输出的模型，是基于mlp(multi
‑
layer perceptron，多层感知机)算法和lstm(long short
‑
term memory，长短期记忆网络)算法训练得到的。
[0081]
其中，对于结构化离散特征数据和结构化连续特征数据，使用mlp算法来构建模型，如图3所示。对于非结构化特征数据，使用lstm算法来构建模型，如图4所示。所述分配模型是将mlp构建的模型和lstm构建的模型的组合形成的一个网络结构的模型，如图5所示。
[0082]
可理解的是，在使用分配模型进行客服分配之前，需要对分配模型进行训练。分配模型训练的方式可以采用本发明的一个可实施方式，包括：构建每一个历史会话对应的历史用户特征、历史场景特征和所述历史客服特征之间的映射关系；将所述映射关系以及对应的历史会话的历史服务结果作为所述分配模型的训练样本，以对所述分配模型进行训练。
[0083]
对分配模型进行训练时，需要为分配模型构建数据以及构建样本标签。基于每一个历史会话，可以从历史会话数据、历史客服服务数据、历史用户咨询数据等中获取特征并构建特征数据表，包括结构化特征(也即，历史客服特征、历史场景特征、历史用户特征)和非结构化特征(也即，历史会话内容)。进一步的，可以构建历史客服特征
‑
历史场景特征
‑
历史用户特征的映射关系，根据所述历史会话的历史服务结果对所述映射关系构建标签。其中，一个历史映射关系为一条训练样本，训练样本的标签可以分为正样本、负样本。
[0084]
在本发明的一个实施例中，所述历史服务结果是根据以下任意一项或多项得到的：所述历史会话对应的客服人数、所述历史会话的评价数据、所述历史会话的正负反馈。
[0085]
其中，历史会话对应的客服人数是指历史会话接入当前客服之前已转接客服的次数。例如，如果当前会话是用户首次通过机器人客服转接进入的会话，则所述历史会话对应的客服人数为1。如果当前会话是用户通过其他人工客服转接进来的，且经过一次转接，则所述历史会话对应的客服人数为2，依此类推。
[0086]
所述历史会话的评价数据是用户对所述历史会话满意度为满意或不满意。所述历史会话的正负反馈是用户反馈问题已解决或未解决。
[0087]
当所述历史会话对应的客服人数不大于1，且所述历史会话的评价数据为满意，并且所述历史会话的正负反馈为已解决时，历史服务结果为好评，则标记训练样本的标签为正样本。当其中任一条件不满足时，历史服务结果为差评，则标记训练样本的标签为负样本。
[0088]
在得到样本标签以后，在本发明的一个实施例中，可以对样本标签进行one
‑
hot编码(独热编码)处理，有利于提高模型训练的效率以及模型训练的准确率。
[0089]
此时，可以使用训练样本的特征数据以及训练样本的标签，对分配模型进行训练，调整模型内部相对应的参数以达到最优的训练结果。在对分配模型训练完成之后，可以得到可用于分配模型用于客服分配。
[0090]
在本发明的一个实施例中，在对当前进线的用户分配目标客服时，客服分配的步骤可以如图2所示。在当前用户通过机器人客服转接到人工客服之前，获取到所述用户特征、所述场景特征、所述待分配客服分别对应的客服特征以及当前会话内容；进一步构建一
个或多个用户特征
‑
场景特征
‑
待分配客服的客服特征的映射关系，确定一个或多个待分配样本；将每一个待分配样本对应的数据(用户特征、场景特征、待分配客服的客服特征、会话内容)输入到分配模型中，经过模型计算得到一个待分配客服匹配度的概率；根据所述概率为当前用户分配目标客服。
[0091]
可理解的是，分配模型计算得到的概率越高说明待分配客服和当前会话的匹配度越高。将概率最高的待分配客服分配给当前用户可以更好的提高服务质量和提高用户的好评率，因此，在本发明的一个实施例中，采用以下方式，根据所述概率，从所述一个或多个待分配客服中为所述当前会话分配目标客服，包括：对所述一个或多个待分配客服分别对应的概率进行排序；根据排序结果，选择所述概率最大的待分配客服作为所述目标客服。
[0092]
此外，还可能存在多个最大概率的情况，换句话说，在多个概率相同且相同的所述概率均大于其他概率的情况，这时，可以从所述最大概率对应的待分配客服中随机选择客服来分配，也可以根据所述最大概率对应的待分配客服分别对应的接待量来分配目标客服。
[0093]
为了提高客服的利用率，本发明的一个可实施方式是，优选根据客服的接待量，也即，已分配会话的数量来分配目标客服。该方式包括：根据多个所述最大概率分别对应的多个所述待分配客服的已分配会话的数量；将所述已分配会话的数量最小的所述待分配客服作为所述目标客服。
[0094]
例如，通过分配模型的计算，有10个待分配客服对应的概率均为99％，且均大于其他待分配客服对应的概率，此时，可以确定这10个客服分别对应的已分配会话的数量，将已分配会话的数量最小的客服(也即，当前接待量最小的客服)作为目标客服分配给当前用户。
[0095]
根据本发明实施例提供客服分配的方法，能够通过用户特征、场景特征、一个或多个待分配客服的客服特征以及会话内容，确定一个或多个待分配客服与当前会话的匹配的概率，根据概率来分配目标客服，也就是说，根据当前用户特征、当前场景特征分配匹配度最高的客服，避免了客服水平与当前会话不匹配的问题，从而提高客服分配的准确性，提升了用户的体验，进而提高了服务的质量。
[0096]
图2是本发明一个实施例提供的客服分配模型的分配流程图。
[0097]
步骤s201：用户进线。
[0098]
步骤s202：用户与机器人客服对话。
[0099]
例如，用户在与机器人对话中输入退换货关键字，根据机器人客服的提示提供更多退换货的信息。
[0100]
步骤s203：用户根据需求转接人工客服。
[0101]
当机器人客服无法解决用户咨询的问题时，用户根据提示发送转接人工客服的请求，所述请求会生成客服分配的请求。
[0102]
步骤s204：根据当前会话，获取用户特征以及场景特征。
[0103]
步骤s205：获取满足预设条件的一个或多个待分配客服，获取所述一个或多个待分配客服分别对应的客服特征。
[0104]
其中，所述满足预设条件包括：待分配客服已加挂了当前场景对应的技能组，并且待分配客服已分配会话的数量小于预设阈值。
[0105]
在本发明实施例中，步骤s204和步骤s205不分先后，也就是说，可以先执行步骤s204，再执行步骤s205；也可以先执行步骤s205，再执行步骤s204，还可以同时执行步骤s204和步骤s205。
[0106]
步骤s206：构建分配模型输入。
[0107]
根据所述用户特征、场景特征、一个或多个待分配客服分别对应的客服特征以及当前会话内容构建分配模型的输入。
[0108]
步骤s207：调用分配模型，输出一个或多个待分配客服分别对应的匹配的概率。
[0109]
步骤s208：根据概率为所述用户分配目标客服。
[0110]
根据概率的排序结果，选择概率最大的待分配客服作为目标客服分配给所述用户。当同时存在多个最大概率时，将已分配会话的数量最小的待分配客服作为目标客服分配给所述用户。
[0111]
如图3所示，本发明的一个实施例提供的应用于结构化数据的mlp算法模型结构图。
[0112]
mlp模型包括：输入层、隐藏层以及输出层。
[0113]
如图4所示，本发明的一个实施例提供的应用于非结构化数据的lstm算法模型结构图。
[0114]
lstm模型包括：输入层、嵌入层、双向lstm、最大池化层、平均池化层、连接层、隐藏层、标准化、丢弃层以及输出层等。
[0115]
如图5所示，本发明的一个实施例提供的一种客服分配模型的结构图。
[0116]
所述客服分配模型是由图3中的mlp模型和图4中的lstm模型组合形成的一个多输入单输出的模型。
[0117]
根据用户特征、场景特征以及待分配客服的客服特征构建结构化数据，结构化数据又可以分为连续特征数据和离散特征数据，将结构化连续特征数据和结构化离散特征数据分别输入到不同的mlp模型的输入层。用户与机器人客服的对话内容为非结构化特征，将其输入到lstm算法的输入层。模型的输出即为待分配客服与所述当前对话的匹配概率。
[0118]
如图中，多输入单输出的模型输入可以包括：
[0119]
非结构化特征输入(也即用户与机器人客服对话文本内容)：维度为(n，k)，n为样本数，k为文本编码长度。
[0120]
结构化连续特征输入:维度为(n，m1)，n为样本数，m1为连续特征数。
[0121]
结构化离散特征输入：维度为(n，m2)，n为样本数，m2为离散特征数。
[0122]
根据本发明实施例提供的客服分配方法，能够通过用户特征、场景特征、一个或多个待分配客服的客服特征以及会话内容，确定一个或多个待分配客服与当前会话的匹配的概率，根据概率来分配目标客服，也就是说，根据当前用户特征、当前场景特征分配匹配度最高的客服，避免了客服水平与当前会话不匹配的问题，从而提高客服分配的准确性，提升了用户的体验，进而提高了服务的质量。
[0123]
如图6所示，本发明实施例提供了一种客服分配的装置600，包括：请求获取模块601、特征获取模块602、确定模块603和分配模块604；其中，
[0124]
所述请求获取模块601，用于获取客服分配请求；
[0125]
所述特征获取模块602，用于根据所述客服分配请求，获取当前会话对应的用户特
征、场景特征以及会话内容，并获取满足预设条件的一个或多个待分配客服分别对应的客服特征；
[0126]
所述确定模块603，用于根据所述用户特征、所述场景特征、所述客服特征、所述会话内容以及预训练的分配模型，确定一个或多个待分配客服与所述当前会话匹配的概率；其中，所述分配模型是根据多个历史会话中的历史用户特征、历史场景特征、历史会话内容以及历史客服特征以及历史服务结果训练得到的；
[0127]
所述分配模块604，用于根据所述概率，从所述一个或多个待分配客服中为所述当前会话分配目标客服。
[0128]
本发明一个实施例中，所述特征获取模块602，用于确定所述用户特征、所述场景特征和所述客服特征为结构化数据；所述会话内容为非结构化数据。
[0129]
本发明一个实施例中，所述确定模块603，用于构建每一个历史会话对应的历史用户特征、历史场景特征和所述历史客服特征之间的映射关系；将所述映射关系以及对应的历史会话的历史服务结果作为所述分配模型的训练样本，以对所述分配模型进行训练。
[0130]
本发明一个实施例中，所述确定模块603，用于确定所述分配模型是基于mlp算法和lstm算法训练得到的。
[0131]
本发明一个实施例中，所述确定模块603，用于确定所述历史服务结果是根据以下任意一项或多项得到的：所述历史会话对应的客服人数、所述历史会话的评价数据、所述历史会话的正负反馈。
[0132]
本发明一个实施例中，所述分配模块604，用于对所述一个或多个待分配客服分别对应的概率进行排序；根据排序结果，选择所述概率最大的待分配客服作为所述目标客服。
[0133]
本发明一个实施例中，所述分配模块604，用于在存在多个最大概率的情况下，根据多个所述最大概率分别对应的多个所述待分配客服的已分配会话的数量；将所述已分配会话的数量最小的所述待分配客服作为所述目标客服。
[0134]
根据本发明实施例提供的客服分配的装置，能够通过用户特征、场景特征、一个或多个待分配客服的客服特征以及会话内容，确定一个或多个待分配客服与当前会话的匹配的概率，根据概率来分配目标客服，也就是说，根据当前用户特征、当前场景特征分配匹配度最高的客服，避免了客服水平与当前会话不匹配的问题，从而提高客服分配的准确性，提升了用户的体验，进而提高了服务的质量。
[0135]
图7示出了可以应用本发明实施例的客服分配的方法或客服分配的装置的示例性系统架构700。
[0136]
如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704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。
[0137]
用户可以使用终端设备701、702、703通过网络704与服务器705交互，以接收或发送消息等。
[0138]
终端设备701、702、703可以是具有显示屏并且支持信息浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0139]
服务器705可以是提供各种服务的服务器，例如对用户利用终端设备701、702、703提出的客服分配请求提供支持的后台管理服务器。后台管理服务器可以对接收到的客服分
配请求等数据进行分析等处理，并将处理结果反馈给终端设备，将目标客服分配给用户。
[0140]
需要说明的是，本发明实施例所提供的客服分配的方法一般由服务器705执行，相应地，客服分配的装置一般设置于服务器705中。
[0141]
应该理解，图7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。
[0142]
下面参考图8，其示出了适于用来实现本发明实施例的终端设备的计算机系统800的结构示意图。图8示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0143]
如图8所示，计算机系统800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram 803中，还存储有系统800操作所需的各种程序和数据。cpu 801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
[0144]
以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
[0145]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本发明的系统中限定的上述功能。
[0146]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述
的任意合适的组合。
[0147]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0148]
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块，确定模块，分配模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，分配模块还可以被描述为“客服分配模块”。
[0149]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取客服分配请求；根据所述客服分配请求，获取当前会话对应的用户特征、场景特征以及会话内容，并获取满足预设条件的一个或多个待分配客服分别对应的客服特征；根据所述用户特征、所述场景特征、所述客服特征、所述会话内容以及预训练的分配模型，确定一个或多个待分配客服与所述当前会话匹配的概率；其中，所述分配模型是根据多个历史会话中的历史用户特征、历史场景特征、历史会话内容以及历史客服特征以及历史服务结果训练得到的；根据所述概率，从所述一个或多个待分配客服中为所述当前会话分配目标客服。
[0150]
根据本发明实施例的技术方案，能够通过用户特征、场景特征、一个或多个待分配客服的客服特征以及会话内容，确定一个或多个待分配客服与当前会话的匹配的概率，根据概率来分配目标客服，也就是说，根据当前用户特征、当前场景特征分配匹配度最高的客服，避免了客服水平与当前会话不匹配的问题，从而提高客服分配的准确性，提升了用户的体验，进而提高了服务的质量。
[0151]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。