客服匹配方法及相关设备与流程

1.本技术涉及人工智能技术领域，更具体地，涉及一种客服匹配方法及相关设备。


背景技术：

2.相关技术中，一般是在用户发起客服服务请求后，客服系统随机选取一当前可提供客服服务的客服为用户提供客服服务，在该种情况下，由于是随机进行客服选取，出现客服与用户不匹配的情况较多，客服与用户不匹配例如用户的问题客服无法解决，在该种情况下，为了保证客服服务效果，需要进行二次客服分配。由于二次进行客服分配花费的时间较长，同时用户等待客服服务的时间也长，一方面客服服务效率低，另一方面由于用户在等待期间也需要占用通信资源，导致客服系统中通信资源的利用效率低。


技术实现要素：

3.本技术实施例提出了一种客服匹配方法及相关设备，以解决现有技术中所存在因随机分配客服所导致客服服务效率低和通信资源的利用效率低的问题。
4.根据本技术实施例的一个方面，提供了一种客服匹配方法，该方法包括：获取目标用户的客服记录数据，所述客服记录数据包括在为所述目标客户提供多次客服服务中的第一文本记录和第二文本记录，所述第一文本记录是将一次客服服务中的用户会话内容进行组合得到的；所述第二文本记录是将一次客服服务中的客服会话内容进行组合得到的；由深度学习模型根据同一次客服服务中的第一文本记录和第二文本记录进行匹配度参数预测，得到所对应客服服务的匹配度参数，所述匹配度参数用于指示所述目标用户与提供所对应客服服务的客服之间的匹配度；所述深度学习模型是根据训练数据进行模型训练确定的，所述训练数据包括多次历史客服服务中的第一文本记录、第二文本记录和所述历史客服服务对应的标签，所述标签用于指示用户针对提供所述历史客服服务的客服的满意度；根据在所述多次客服服务中每一次客服服务对应的匹配度参数，确定匹配所述目标用户的目标客服。
5.根据本技术实施例的一个方面，提供了一种客服匹配装置，所述装置包括：客服记录数据获取模块，用于获取目标用户的客服记录数据，所述客服记录数据包括在为所述目标客户提供多次客服服务中的第一文本记录和第二文本记录，所述第一文本记录是将一次客服服务中的用户会话内容进行组合得到的；所述第二文本记录是将一次客服服务中的客服会话内容进行组合得到的。匹配度参数计算模块，用于由深度学习模型根据同一次客服服务中的第一文本记录和第二文本记录进行匹配度参数预测，得到所对应客服服务的匹配度参数，所述匹配度参数用于指示所述目标用户与提供所对应客服服务的客服之间的匹配度；所述深度学习模型是根据训练数据进行模型训练确定的，所述训练数据包括多次历史客服服务中的第一文本记录、第二文本记录和所述历史客服服务对应的标签，所述标签用于指示用户针对提供所述历史客服服务的客服的满意度；目标客服确定模块，用于根据在所述多次客服服务中每一次客服服务对应的匹配度参数，确定匹配所述目标用户的目标客
服。
6.在本技术的一些实施例中，基于前述方案，所述深度学习模型包括用户模型、客服模型和分类层；该客服匹配装置还包括：第一用户特征向量生成模块，用于由所述用户模型根据所述历史客服服务中的第一文本记录，生成所述历史客服服务中的第一用户特征向量；以及第一客服特征向量生成模块，用于由所述客服模型根据所述历史客服服务中的第二文本记录，生成所述历史客服服务中的第一客服特征向量；预测计算模块，用于由所述分类层根据同一次历史客服服务中的第一用户特征向量和第一客服特征向量预测得到所对应历史客服服务的匹配度参数；调整模块，用于若所述匹配度参数所指示的满意度与所述历史客服服务对应的标签所指示的满意度不符，则调整所述深度学习模型的参数，直至调整参数后重新预测得到的匹配度参数所指示的满意度与所述历史客服服务对应的标签所指示的满意度相符。
7.在本技术的一些实施例中，基于前述方案，目标客服确定模块包括：匹配度参数获取单元，用于获取所述目标用户与每一客服在各次客服服务中的匹配度参数；综合匹配度确定单元，用于根据所述目标用户与每一客服在各次客服服务中的匹配度参数，计算得到所述目标用户与每一客服之间的综合匹配度；筛选单元，用于根据所述目标用户与每一客服之间的综合匹配度进行客服筛选，将筛选出的客服作为所述目标用户的目标客服。
8.在本技术的一些实施例中，基于前述方案，筛选单元进一步被配置为：从多个客服中筛选出综合匹配度不低于设定阈值的客服作为所述目标用户的目标客服；或者在客服排序中筛选出位于前设定数量的客服作为所述目标用户的目标客服，所述客服排序是按照所述目标用户与客服之间的综合匹配度由大到小的顺序对多个客服进行排序得到的。
9.在本技术的一些实施例中，基于前述方案，客服匹配装置还包括：会话建立模块，用于若接收到所述目标用户发起的客服服务请求，则建立所述目标用户与所述目标客服之间的会话，以使所述目标客服为所述目标用户提供客服服务。
10.在本技术的一些实施例中，基于前述方案，所述匹配所述目标用户的目标客服包括多个；客服匹配装置还包括：客服状态信息获取模块，用于若接收到所述目标用户发起的客服服务请求，获取多个所述目标客服的客服状态信息；确定模块，用于根据多个所述目标客服的客服状态信息，确定当前可以提供客服服务的目标客服；选取模块，用于从所述当前可以提供客服服务的目标客服中选取一目标客服；所述会话建立模块，进一步被配置为：建立所述目标用户与所选取的目标客服之间的会话。
11.在本技术的一些实施例中，基于前述方案，客服匹配装置还包括：满意度反馈信息获取模块，用于在所述目标用户与所述目标客服之间的会话结束后，获取所述目标用户针对所述目标客服本次所提供客服服务的满意度反馈信息；标签确定模块，用于根据所述满意度反馈信息确定所述目标客服本次为所述目标用户所提供客服服务的标签；更新训练模块，用于通过所述目标客服本次为所述目标用户所提供客服服务的标签、所述目标客服本次为所述目标用户所提供客服服务中的第一文本记录和第二文本记录，对所述深度学习模型进行更新训练。
12.根据本技术实施例的一个方面，提供了一种电子设备，包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如上所述客服匹配方法。
13.根据本技术实施例的一个方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被处理器执行时，实现如上所述客服匹配方法。
14.本技术的方案中，通过多次历史客服服务中的第一文本记录、第二文本记录和所述历史客服服务对应的标签来对深度学习模型进行训练，该深度学习模型可以学习到指示不同满意的客服服务中第一文本记录与第二文本记录的特征，从而，训练后的深度学习模型针对满意度越高的客服服务中的第一文本记录和第二文本记录所预测得到的匹配度参数所指示的匹配程度越高，反之，所预测得到匹配度参数所指示的匹配度参数所指示的匹配程度越低。
15.在此基础上，由该训练后的深度学习模型根据为目标用户所提供多次客服服务中的第一文本记录和第二文本记录来来准确预测反映目标用户与客服之间匹配度的匹配度参数，进而基于所预测得到的匹配度参数来确定目标用户的目标客服；可以保证所确定目标客服与目标用户之间的匹配度，在后续客服服务中，通过所确定的目标客服为目标用户提供客服服务，可以大幅降低进行二次客服分配的概率，从而可以提高客服服务效率和客服系统中通信资源的利用率；而且可以保证客服服务质量。
附图说明
16.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是根据一实施例示出的本技术的实施环境的示意图。
18.图2是根据本技术的一个实施例示出的客服匹配方法的流程图。
19.图3是根据本技术的一实施例示出的对深度学习模型进行训练的流程图。
20.图4是根据本技术一实施例示出的步骤230的流程图。
21.图5是根据本技术另一实施例示出的客服匹配方法的流程图。
22.图6是根据本技术另一实施例示出的客服匹配方法的流程图。
23.图7是根据本技术的一实施例示出的客服匹配装置的框图。
24.图8示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
具体实施方式
25.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
26.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本技术的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本技术的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本技术的各方面。
27.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。
即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
28.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
29.需要说明的是：在本文中提及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
30.图1是根据一实施例示出的本技术的实施环境的示意图。如图1所示，系统架构可以包括第一终端设备110、服务端120和第二终端设备130。第一终端设备110和第二终端设备130可以是智能手机、平板电脑、便携式计算机、台式计算机等终端设备，在此不进行具体限定。其中，第一终端设备110与服务端120可以通过网络建立通信连接，服务端120与第二终端设备130可以通过网络建立通信连接，网络可以包括各种连接类型，例如有线通信链路、无线通信链路等。
31.应该理解，图1中的第一终端设备110和第二终端设备130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第一终端设备110和第二终端设备130。服务端120可以服务器或者由多个服务器构建的云服务端。
32.在本技术的一些实施例中，客服匹配方法可以由服务端120执行，以按照本技术的方法为任一用户确定匹配该用户的目标客服。从而，在用户基于第一终端设备110向服务端120发起客服服务请求后，服务端120可以根据为该用户所确定的目标客服，建立用户与目标客服之间的会话，从而，目标客服可以基于第二终端设备向用户提供客服服务，即：第二终端设备可以接收到用户基于第一终端设备发送的会话内容，第一终端设备也可以接收到目标客服基于第二终端设备发送的会话内容。
33.在本技术的一些实施例中，建立用户与目标客服之间的会话后，用户与目标客服可以基于语音进行会话或者基于文本进行会话，具体可根据实际需要进行设定。在本技术的一些实施例中，若用户所发起的客服服务请求是请求进行语音服务，则可以建立用户与目标客服之间的语音通信会话。
34.在本技术的一些实施例中，在用户与客服之间会话结束后，还可以将该次客服服务中的会话内容上传到服务端，由该服务端基于该会话内容进行深度学习模型的更新训练，或者作为下一次为用户确定目标客服的数据基础。
35.以下对本技术实施例的技术方案的实现细节进行详细阐述：图2是根据本技术的一个实施例示出的客服匹配方法的流程图，该方法可以由具备处理能力的计算机设备执行，例如服务器或者具备处理能力的终端设备等，在此不进行具体限定。参照图2所示，该方法至少包括步骤210至230，详细介绍如下：步骤210，获取目标用户的客服记录数据，所述客服记录数据包括在为所述目标客户提供多次客服服务中的第一文本记录和第二文本记录，所述第一文本记录是将一次客服服务中的用户会话内容进行组合得到的；所述第二文本记录是将一次客服服务中的客服会话内容进行组合得到的。
36.一次客服服务中的参与方包括需要被服务的用户和提供客服服务的客服，一次客
服服务中的会话实际上被服务的用户与提供客服服务的客服之间的会话，一次客服服务中的会话包括用户向客服所发送的会话内容和客服向用户所发送的会话内容。
37.用户会话内容是指在一次客服服务的会话中用户向客服所发送的信息。客服会话内容是指在一次客服服务的会话中客服向用户所发送的信息。在一次客服服务的会话中，用户会话内容可以包括一条或多条，客服会话内容也可以包括一条或多条。
38.目标用户是指任一需要进行客服匹配的用户。在步骤210中所获取的客服记录数据是目标用户所参与到客服服务对应的客服记录数据。该客服记录数据中的第一文本记录是对应于目标用户的。
39.在步骤210中所获取的客服记录数据包括多次客服服务中每一次客服服务中的第一文本记录和第二文本记录。也就是说，以客服服务为单位来生成第一文本记录和第二文本记录。
40.在本技术的一些实施例中，可以按照会话内容的发送时间的先后顺序进行用户会话内容或者客服会话内容的组合，换言之，将一次客服服务中各条用户会话内容按照发送时间由先至后的顺序进行组合，得到该次客服服务中的第一文本记录。同理进行一次客服服务中各条客服会话内容的组合，得到该次客服服务中的第二文本记录。通过组合一次客服服务中的全部用户会话内容（或全部客服会话内容），从而，该次客服服务中的第一文本记录可以完整体现用户的沟通情况，第二文本记录可以全面体现客服的沟通情况。
41.举例来说，若一次客服服务中，用户与客服之间的对话如下：“用户：你好，我要反馈个问题。
42.客服：您好，很乐意为您服务。
43.客服：你有什么问题吗用户：我的车有漏油。
44.客服：好的，是哪个位置漏油呢用户：aaa。
45.客服：bbbb。
46.客服：再见，祝你有个好心情。”将上述对话中的用户会话内容按照发送时间的先后顺序进行组合，可以得到第一文本记录：你好，我要反馈个问题 我的车有漏油 aaa。
47.将上述对话中的客服会话内容按照发送时间的先后顺序进行组合，可以得到该次客服服务中的第二文本记录：您好，很乐意为您服务 你有什么问题吗 好的，是哪个位置漏油呢 bbbb 再见，祝你有个好心情。
48.如上所描述，在一次客服服务中，用户与客服可以是通过文本进行会话，还可以是通过语音进行会话，在用户与客服通过语音进行会话的场景下，在步骤210之前，该方法还包括将目标用户与客服在各次客服服务中的语音会话数据进行语音转文本识别，得到会话的文本数据；然后再将会话的文本数据中的用户会话内容和客服会话内容分别进行组合。
49.在本技术的一些实施例中，步骤210中的客服记录数据所来源的多次客服服务可以是多个客服所提供的客服服务，提供该客服记录数据所来源的多次客服服务的客服相当于目标用户的候选客服，在后续的过程中，在该多个候选客服中来为目标用户匹配客服。
50.在本技术的一些实施例中，为了进一步提高数据处理效率，步骤210中所获取客服
记录数据的多次客服服务可以是预先按照目标用户的满意度反馈信息进行初步筛选后的客服服务。例如，若满意度反馈信息中按照星级来表征对客服服务的满意程度，步骤210中所获取客服记录数据所来源的多次客服服务可以是满意度所对应的星级超过设定星级阈值的客服服务，如果满意度所对应的星级包括1-5这五个星级，设定星级阈值可以设定为3，当然，在具体实施中可以根据实际需要进行设定。可以理解的是，在该实施例中，所获取的客服记录数据还包括各客服服务对应的满意度反馈信息。在其他实施例中，该客服记录数据还可以不包括各客服服务对应的满意度反馈信息。
51.步骤220，由深度学习模型根据同一次客服服务中的第一文本记录和第二文本记录进行匹配度参数预测，得到所对应客服服务的匹配度参数，所述匹配度参数用于指示所述目标用户与提供所对应客服服务的客服之间的匹配度；所述深度学习模型是根据训练数据进行模型训练确定的，所述训练数据包括多次历史客服服务中的第一文本记录、第二文本记录和所述历史客服服务对应的标签，所述标签用于指示用户针对提供所述历史客服服务的客服的满意度。
52.深度学习模型可以是基于一种或者多种神经网络构建的模型，神经网络例如循环神经网络、长短时记忆神经网络、卷积神经网络、全连接网络等，在此不进行具体限定。在完成深度学习模型的构建后，还进一步通过训练数据对该所构建的深度学习模型进行训练，训练后的深度学习模型即可用于步骤220来基于客服服务中的第一文本记录和第二文本记录预测所对应客服服务中用户与客服的匹配度参数。
53.在本技术的另一些实施例中，该深度学习模型还可以是现有技术中已有文本处理模型进行训练确定的。该文本处理模型可以是bert模型。
54.匹配度参数用于描述客服服务中用户与客服之间的匹配程度，在本技术的一些实施例中，该匹配度参数的取值范围可以是0~1。历史客服服务是指训练数据所来源的客服服务。
55.在客服服务中，客服与用户之间的匹配程度直接影响用户针对客服服务的满意度，用户针对客服服务的满意度越高，则表明该次客服服务中客服与用户的匹配性较高。因此，用户针对客服服务的满意度反馈可以反映在该次客服服务中客服与用户之间的匹配性。
56.在基于训练数据中各次历史客服服务中的第一文本记录、第二文本记录和历史客服服务对应的标签对深度学习模型进行训练的基础上，该深度学习模型可以学习到不同标签的客服服务中第一文本记录与第二文本记录的特征，从而，训练后的深度学习模型可以基于一次客服服务中的第一记录文本和第二记录文本来进行客服服务中用户与客服之间匹配度参数的预测。
57.如上所描述，一次客服服务中的第一文本记录反映了用户的会话情况，第二文本记录反映了客服的会话情况，因此，该第一文本记录可以反映用户在此次客服服务中的情感倾向（例如对于问题解答是否满意、与客服沟通是否顺畅）、用户所关注的问题等；该第二文本记录可以反映客服在此次客服服务中的情感倾向（例如服务态度）、所解答的问题等。在训练深度学习模型的过程中，该深度学习模型可以从反映用户与客服之间匹配性的角度来从第一文本记录和第二问题记录中进行特征提取，进而以此为基础基于所提取的特征来预测所对应客服服务中用户与客服之间的匹配度参数。
58.在本技术的一些实施例中，所述深度学习模型包括用户模型、客服模型和分类层，如图3所示，该深度学习模型的训练过程如下：步骤310，由所述用户模型根据所述历史客服服务中的第一文本记录，生成所述历史客服服务中的第一用户特征向量；以及步骤320，由所述客服模型根据所述历史客服服务中的第二文本记录，生成所述历史客服服务中的第一客服特征向量。
59.第一用户特征向量是指深度学习模型根据历史客服服务中的第一文本记录所生成的用户特征向量。第一客服特征向量是指深度学习模型根据历史客服服务中的第二文本记录所生成的客服特征向量。
60.用户特征向量是指对客服服务中的第一文本记录进行特征提取所得到的数字化向量。客服特征向量是指对客服服务中的第二文本记录进行特征提取所得到的特征向量。用户特征向量用于表征在客服服务中用户的特征，该特征可以是用户的情感倾向、用户所关注的问题等；客服特征向量用于表征在客服服务中客服的特征，该特征可以是客服的情感倾向、所解答的问题、客服态度等。
61.步骤330，由所述分类层根据同一次历史客服服务中的第一用户特征向量和第一客服特征向量预测得到所对应历史客服服务的匹配度参数。
62.在本技术的一些实施例中，分类层可以计算同一次历史客服服务中的第一用户特征向量和第一客服特征向量之间的相似度，将所计算得到的相似度作为所对应历史客服服务对应的匹配度参数。其中，所计算的相似度可以是余弦相似度，也可以是欧式距离，具体可根据实际需要进行设定。
63.步骤340，若所述匹配度参数所指示的满意度与所述历史客服服务对应的标签所指示的满意度不符，则调整所述深度学习模型的参数，直至调整参数后重新预测得到的匹配度参数所指示的满意度与所述历史客服服务对应的标签所指示的满意度相符。
64.如果所计算得到匹配度参数所指示的满意度与历史客服服务对应的标签所指示的满意度相符，则用下一历史客服服务中的第一文本记录、第二文本记录以及所对应的标签继续对该深度学习模型进行训练。
65.深度学习模型的参数包括用户模型、客服模型和分类层中的权重参数，因此，在进行参数调整过程中，所调整的参数是用户模型的参数、客服模型的参数和分类层的参数中的至少一项。
66.在本技术的一些实施例中，可以预先设定匹配度参数与满意度之间的映射关系，从而，若所计算得到的匹配度参数所映射的满意度与该历史客服服务所对应标签所指示的满意度一致，则确定所计算得到匹配度参数所指示的满意度与该历史客服服务所对应标签所指示的满意度相符；反之，若所计算得到的匹配度参数所映射的满意度与该历史客服服务所对应标签所指示的满意度不一致，则确定所计算得到匹配度参数所指示的满意度与该历史客服服务所对应标签所指示的满意度不符。
67.在本技术的一些实施例中，还可以将满意度的分为满意和不满意，从而，历史客服服务对应的标签包括指示满意的标签和指示不满意的标签，在该种情况下，相当于对深度学习模型进行二分类训练，深度学习模型所输出的匹配度参数包括指示匹配的参数和指示不匹配的参数。
68.通过如上的训练过程，可以保证训练结束后，该深度学习模型针对满意度越高的客服服务，基于该次客服服务中的第一文本记录和第二文本记录所得到的匹配度参数越高，反之，针对满意度越低的客服服务，基于该次客服服务中的第一文本记录和第二文本记录所得到的匹配度参数越低。
69.基于如上的训练结束后，在该深度学习模型的应用中，将客服服务中的第一文本记录输入到用户模型中，将客服服务中的第二文本记录输入到客服模型中，由用户模型基于第一文本记录输出该次客服服务中的用户特征向量；由客服模型基于第二文本记录输出该次客服服务中的客服特征向量，然后由分类层根据该次客服服务中的用户特征向量和客服特征向量预测该次客服服务中用户与客服之间的匹配度参数。
70.步骤230，根据在所述多次客服服务中每一次客服服务对应的匹配度参数，确定匹配所述目标用户的目标客服。
71.在本技术的一些实施例中，还可以进一步结合用户的标签信息、客服的标签信息生成目标用户的用户标签向量和客服的客服标签向量，在深度学习模型中，将用户标签向量与用户特征向量进行拼接组合，得到目标用户特征向量；将客服标签向量与客服特征向量进行拼接组合，得到目标客服特征向量，然后基于目标用户特征向量和目标客服特征向量计算所对应客服服务中的匹配度参数。其中，用户的标签信息例如用户的年龄、所购买产品、用户偏好、用户所在区域等；客服的标签信息例如客服的年龄、所在区域、负责产品、客服擅长标签、客服的性格标签、客服的服务标签等。
72.在本技术的一些实施例中，还可以在计算用户标签向量与客服标签向量之间的相似度（为便于区分，将该相似度称为第一相似度）后，将第一相似度与深度学习模型所输出的匹配度参数进行加权，将加权结果作为客服服务对应的目标匹配度参数。然后，以目标匹配度参数为基础为目标用户确定目标客服，例如将目标匹配度参数超过匹配度参数阈值的客服服务对应的客服作为匹配目标用户的目标客服。
73.对于客服与用户而言，客服标签向量表征了客服的静态画像特征，用户标签向量表征了用户的静态画像特征，而客服特征向量表征了客服在具体客服服务中的动态特征，同理，用户特征向量表征了所对应用户在具体客服服务中的动态特征。将基于静态画像特征所计算得到的相似度与基于在具体客服服务中的动态特征所计算得到的相似度进行加权，可以从静态画像特征维度和动态特征维度两个方面来综合反映在客服服务中客服与目标用户的匹配度。
74.在本技术的一些实施实施例中，可以将针对目标用户所计算得到匹配度参数最大的客服、或者匹配度参数超过匹配度参数阈值的客服作为该目标用户对应的目标客服；还可以按照匹配度参数由大到小进行排序，将排序中位于前设定数量的匹配度参数所对应的客服作为该目标用户的目标客服。针对每一目标用户所确定的目标客服可以是一个也可以是多个，具体可根据实际需要进行设定。
75.如上所描述，步骤210中所获取的客服记录数据所来源的客服服务中，可能包括同一客服多次所提供的客服服务，因此，所计算得到的匹配度参数可能包括同一客服对应的多个匹配度参数。基于此，在本技术的一些实施例中，为了综合反映客服与目标用户之间的匹配情况，可以结合同一客服多次为目标用户提供客服服务中的匹配度参数来计算该客服与目标用户之间的综合匹配度。其中，综合匹配度可以是该客服所对应多个匹配度参数的
众数、平均匹配度参数、设定百分位匹配度参数（例如中位匹配度参数）等。然后按照综合匹配度参数来进行客服的筛选，确定匹配目标客户的目标客服。具体确定综合匹配的过程看参照下文描述。
76.在一些应用场景下，客服是分时间段提供客服服务的，在该种应用场景下，还结合客服提供客服服务的时间来确定在每一时间段匹配目标用户的目标客服。具体的，在步骤230中，先按照客服服务所对应的时间（即提供客服服务的时间）和所设定的提供客服服务的时间段，进行多个客服服务的分类，从而，确定对应于每个提供客服服务的时间段的客服服务集合；然后在每一客服服务集合中，基于客服服务对应的匹配度参数从该客服服务集合所对应的多个客服中确定在所对应提供客服服务的时间段匹配该目标用户的目标客服。对应的，若接收到目标用户的客服服务请求，则按照该客服服务请求所述的时间段，选取对应时间段的目标客服为该目标用户提供服务。
77.在确定匹配目标用户的目标客服后，可以将该目标用户的标识信息与目标客服的标识信息进行关联存储，从而若后续接收到目标用户的客服服务请求，由为该目标用户所确定的目标客服为其提供客服服务。
78.本技术的方案中，通过多次历史客服服务中的第一文本记录、第二文本记录和所述历史客服服务对应的标签来对深度学习模型进行训练，在训练过程中，相当于是以指示用户针对提供所述历史客服服务的客服的满意度的标签作为监督，从而，训练后的深度学习模型针对满意度越高的客服服务中的第一文本记录和第二文本记录所预测得到的匹配度参数所指示的匹配程度越高，反之，所预测得到匹配度参数所指示的匹配度参数所指示的匹配程度越低。
79.在此基础上，由该训练后的深度学习模型根据为目标用户所提供多次客服服务中的第一文本记录和第二文本记录来准确预测反映目标用户与客服之间匹配度的匹配度参数，进而基于所预测得到的匹配度参数来确定目标用户的目标客服；可以保证所确定目标客服与目标用户之间的匹配度，在后续客服服务中，通过所确定的目标客服为目标用户提供客服服务，可以大幅降低进行二次客服分配的概率，从而可以提高客服服务效率和客服系统中通信资源的利用率；而且可以保证客服服务质量。
80.而且，由于第一文本记录完整反映了在客服服务中目标用户的沟通情况，第二文本记录完整反映了在客服服务中客服的沟通情况，因此，可以看出，是以在已提供客服服务中客服记录数据作为数据基础来确定匹配目标用户的目标客服，可以保证所确定目标客服与实际客服服务场景的适应性。
81.在本技术的一些实施例中，如图4所示，步骤230，包括：步骤410，获取所述目标用户与每一客服在各次客服服务中的匹配度参数。
82.步骤420，根据所述目标用户与每一客服在各次客服服务中的匹配度参数，计算得到所述目标用户与每一客服之间的综合匹配度。
83.如上所描述，该综合匹配度可以是该客服所对应多个匹配度参数的众数、平均匹配度参数、设定百分位匹配度参数（例如中位匹配度参数）等，具体可根据实际需要进行设定。
84.步骤430，根据所述目标用户与每一客服之间的综合匹配度进行客服筛选，将筛选出的客服作为所述目标用户的目标客服。
85.在本技术的一些实施例中，步骤430进一步包括：从多个客服中筛选出综合匹配度不低于设定阈值的客服作为所述目标用户的目标客服；或者在客服排序中筛选出位于前设定数量的客服作为所述目标用户的目标客服，所述客服排序是按照所述目标用户与客服之间的综合匹配度由大到小的顺序对多个客服进行排序得到的。
86.其中，所筛选出目标客服的数量可以是一个，也可以是多个，目标客服的数量可以根据实际需要进行设定。对应的，在基于设定阈值进行客服筛选时，该设定阈值可根据实际需要进行设定。在基于客服排序进行筛选时，设定数量可以根据实际需要进行设定。
87.在本技术的一些实施例中，如果是以客服服务中的目标匹配度参数来确定目标客服，其过程与步骤410-430中所示出以匹配度参数为基础确定目标客服的过程相类似，在此不再赘述。
88.在本实施例中，根据目标用户与每一客服所对应的多个匹配度参数来计算综合反映目标用户与每一客服匹配度的综合匹配度参数来进行客服筛选，相较于仅参考一次客服服务中的匹配度参数来进行客服筛选，本实施例中结合多次客服服务所计算得到的综合匹配度来进行客服筛选，可以保证所进行客服筛选的有效性和合理性。
89.在本技术的一些实施例中，步骤230之后，该客服匹配方法还包括：若接收到所述目标用户发起的客服服务请求，则建立所述目标用户与所述目标客服之间的会话，以使所述目标客服为所述目标用户提供客服服务。
90.如上所描述，为目标用户所确定的目标客服可以是一个也可以是多个。在为一目标用户所确定的目标客服是多个的场景下，在接收到目标用户发起的客服服务请求后，还需要进一步在多个目标客服中筛选出一个目标客服来与该目标用户建立会话。
91.在本技术的一些实施例中，所述匹配所述目标用户的目标客服包括多个；在本实施例中，所述建立所述目标用户与所述目标客服之间的会话之前，如图5所示，该客服匹配方法还包括：步骤510，若接收到所述目标用户发起的客服服务请求，获取多个所述目标客服的客服状态信息。
92.该客服状态信息至少包括所对应目标客服的服务信息和在线信息，其中，服务信息用于指示所对应的客服是否在提供客服服务；在线信息用于指示所对应的客服是否在线。
93.步骤520，根据多个所述目标客服的客服状态信息，确定当前可以提供客服服务的目标客服。
94.在本技术的一些实施例中，若一目标客服处于未提供客服服务的状态，且该目标客服处于在线状态时，则确定该目标客服是当前可以提供客服服务的目标客服。
95.步骤530，从所述当前可以提供客服服务的目标客服中选取一目标客服。在本实施例中，所述建立所述目标用户与所述目标客服之间的会话，包括：步骤540，建立所述目标用户与所选取的目标客服之间的会话。
96.在本技术的一些实施例中，可以按照当前可以提供客服服务的目标客服中每一目标客服与目标用户之间的匹配度参数来进行目标客服选取（例如筛选匹配度参数最大的目标客服），或者根据综合匹配度来进行目标客服选取，例如选取综合匹配度最大的目标客服来为该目标用户提供客服服务。
97.在本实施例的方案中，为目标用户确定多个目标客服，并当目标用户发起客服服务请求后，根据该目标用户所对应的多个目标客服的客服状态信息来确定当前可以提供客服服务的目标客服，并从中筛选一目标客服与目标用户建立会话，一方面保证了可以及时根据各目标客服的服务状态信息来进行灵活调配目标客服，特别是在出现临时突发情况时便于进行目标客服的调配，避免出现因目标用户对应的一个目标客服不在线或者正在为其他用户提供客服服务，导致无法及时为该目标用户提供客服服务的情况。另一方面，由于所选取的目标客服是在基于匹配度参数（或者综合匹配度）所筛选出的多个目标客服，由此，可以保证为目标用户所提供客服服务的质量。
98.在本技术的一些实施例中，若是按照时间段确定了每个时间段目标用户对应的目标客服，步骤510中所获取的客服状态信息是指与该客服服务请求的接收时间所对应时间段的目标客服的客服状态信息。
99.在本技术的一些实施例中，若在步骤540之后，若临时突发情况目标用户与目标客服之间会话中断，可以再次获取为目标用户所确定多个目标客服的客服状态信息，从中再次选取一当前可提供客服服务的目标客服来与该目标用户重新建立会话。
100.在本技术的一些实施例中，如图6所示，该客服匹配方法还包括：步骤610，在所述目标用户与所述目标客服之间的会话结束后，获取所述目标用户针对所述目标客服本次所提供客服服务的满意度反馈信息。
101.该满意度反馈信息是目标用户针对目标客服针对本次所提供的客服服务进行反馈得到的。该满意度反馈信息至少包括针对目标客服所进行客服服务的满意度反馈。
102.步骤620，根据所述满意度反馈信息确定所述目标客服本次为所述目标用户所提供客服服务的标签。
103.如上所描述，预先设定了满意度与标签之前的映射关系，因此，在根据满意度反馈信息确定目标用户的满意度后，可以基于满意度与标签之间的映射关系来确定目标客服本次为目标用户所提供客服服务的标签。
104.步骤630，通过所述目标客服本次为所述目标用户所提供客服服务的标签、所述目标客服本次为所述目标用户所提供客服服务中的第一文本记录和第二文本记录，对所述深度学习模型进行更新训练。具体的训练过程参见上文图3对应实施例的描述，在此不再赘述。
105.在本技术的一些实施例中，在对深度学习模型进行更新训练后，可以按照如上步骤210-230的过程重新基于更新后的深度学习模型为每一目标用户重新确定目标客服。
106.在一些应用场景中，由于发布新产品、产品发布新功能等导致所需要提供的客服服务发生变化，相当于涉及新的聊天场景，在该种情况下，由于根据新产生客服服务中的第一文本记录、第二文本记录和所对应的标签，对该深度学习模型进行更新训练，从而，可以保证该深度学习模型可以在聊天场景发生变化的情况下，及时进行更新，对应的，基于该更新后的深度学习模型可以用户重新确定目标客服，进而保证在新的聊天场景下，仍然可以保证由与目标用户匹配度高的目标客服为该目标用户提供客服服务，保证所提供客服服务的质量。
107.在一些应用场景中，由于客服人员的变动，可能存在新增客服人员的情况，在该种情况下，可以将新增客服在提供客服服务中的第一记录文本、第二记录文本，以及所对应的
标签，也用户对该深度学习模型进行更新训练，从而，可以在新增客服中挖掘出与用户更加匹配的目标客服，进行用户所对应目标客服的更新。
108.以下介绍本技术的装置实施例，可以用于执行本技术上述实施例中的方法。对于本技术装置实施例中未披露的细节，请参照本技术上述方法实施例。
109.图7是根据一实施例示出的客服匹配装置的框图，如图7所示，该客服匹配装置包括：客服记录数据获取模块710，用于获取目标用户的客服记录数据，所述客服记录数据包括在为所述目标客户提供多次客服服务中的第一文本记录和第二文本记录，所述第一文本记录是将一次客服服务中的用户会话内容进行组合得到的；所述第二文本记录是将一次客服服务中的客服会话内容进行组合得到的。匹配度参数计算模块720，用于由深度学习模型根据同一次客服服务中的第一文本记录和第二文本记录进行匹配度参数预测，得到所对应客服服务的匹配度参数，所述匹配度参数用于指示所述目标用户与提供所对应客服服务的客服之间的匹配度；所述深度学习模型是根据训练数据进行模型训练确定的，所述训练数据包括多次历史客服服务中的第一文本记录、第二文本记录和所述历史客服服务对应的标签，所述标签用于指示用户针对提供所述历史客服服务的客服的满意度；目标客服确定模块730，用于根据在所述多次客服服务中每一次客服服务对应的匹配度参数，确定匹配所述目标用户的目标客服。
110.在本技术的一些实施例中，所述深度学习模型包括用户模型、客服模型和分类层，该客服匹配装置还包括：第一用户特征向量生成模块，用于由所述用户模型根据所述历史客服服务中的第一文本记录，生成所述历史客服服务中的第一用户特征向量；以及第一客服特征向量生成模块，用于由所述客服模型根据所述历史客服服务中的第二文本记录，生成所述历史客服服务中的第一客服特征向量；预测模块，用于由所述分类层根据同一次历史客服服务中的第一用户特征向量和第一客服特征向量预测得到所对应历史客服服务的匹配度参数；调整模块，用于若所述匹配度参数所指示的满意度与所述历史客服服务对应的标签所指示的满意度不符，则调整所述深度学习模型的参数，直至调整参数后重新预测得到的匹配度参数所指示的满意度与所述历史客服服务对应的标签所指示的满意度相符。
111.在本技术的一些实施例中，目标客服确定模块730，包括：匹配度参数获取单元，用于获取所述目标用户与每一客服在各次客服服务中的匹配度参数；综合匹配度确定单元，用于根据所述目标用户与每一客服在各次客服服务中的匹配度参数，计算得到所述目标用户与每一客服之间的综合匹配度；筛选单元，用于根据所述目标用户与每一客服之间的综合匹配度进行客服筛选，将筛选出的客服作为所述目标用户的目标客服。
112.在本技术的一些实施例中，筛选单元进一步被配置为：从多个客服中筛选出综合匹配度不低于设定阈值的客服作为所述目标用户的目标客服；或者在客服排序中筛选出位于前设定数量的客服作为所述目标用户的目标客服，所述客服排序是按照所述目标用户与客服之间的综合匹配度由大到小的顺序对多个客服进行排序得到的。
113.在本技术的一些实施例中，客服匹配装置还包括：会话建立模块，用于若接收到所述目标用户发起的客服服务请求，则建立所述目标用户与所述目标客服之间的会话，以使所述目标客服为所述目标用户提供客服服务。
114.在本技术的一些实施例中，所述匹配所述目标用户的目标客服包括多个；客服匹配装置还包括：客服状态信息获取模块，用于若接收到所述目标用户发起的客服服务请求，
获取多个所述目标客服的客服状态信息；确定模块，用于根据多个所述目标客服的客服状态信息，确定当前可以提供客服服务的目标客服；选取模块，用于从所述当前可以提供客服服务的目标客服中选取一目标客服；所述会话建立模块，进一步被配置为：建立所述目标用户与所选取的目标客服之间的会话。
115.在本技术的一些实施例中，客服匹配装置还包括：满意度反馈信息获取模块，用于在所述目标用户与所述目标客服之间的会话结束后，获取所述目标用户针对所述目标客服本次所提供客服服务的满意度反馈信息；标签确定模块，用于根据所述满意度反馈信息确定所述目标客服本次为所述目标用户所提供客服服务的标签；更新训练模块，用于通过所述目标客服本次为所述目标用户所提供客服服务的标签、所述目标客服本次为所述目标用户所提供客服服务中的第一文本记录和第二文本记录，对所述深度学习模型进行更新训练。
116.图8示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
117.需要说明的是，图8示出的电子设备的计算机系统800仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
118.如图8所示，计算机系统800包括中央处理单元（central processing unit，cpu）801，其可以根据存储在只读存储器（read-only memory，rom）802中的程序或者从存储部分808加载到随机访问存储器（random access memory，ram）803中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在ram 803中，还存储有系统操作所需的各种程序和数据。cpu801、rom802以及ram 803通过总线804彼此相连。输入/输出（input/output，i/o）接口805也连接至总线804。
119.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（cathode ray tube，crt）、液晶显示器（liquid crystal display，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（local area network，局域网）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。
120.特别地，根据本技术的实施例，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，本技术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，执行本技术的系统中限定的各种功能。
121.需要说明的是，本技术实施例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（erasable programmable read only memory，eprom）、闪存、光纤、便携式紧凑
磁盘只读存储器（compact disc read-only memory，cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，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。而在本技术中，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、有线等等，或者上述的任意合适的组合。
122.附图中的流程图和框图，图示了按照本技术各种实施例的系统、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。其中，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。
123.描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
124.作为另一方面，本技术还提供了一种计算机可读存储介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载计算机可读指令，当该计算机可读存储指令被处理器执行时，实现上述任一实施例中的方法。
125.根据本技术的一个方面，还提供了一种电子设备，其包括：处理器；存储器，存储器上存储有计算机可读指令，计算机可读指令被处理器执行时，实现上述任一实施例中的方法。
126.根据本技术实施例的一个方面，提供了计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一实施例中的方法。
127.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
128.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本技术
实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是cd-rom，u盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、触控终端、或者网络设备等）执行根据本技术实施方式的方法。
129.本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。
130.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。