用户分配方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种用户分配方法、装置、设备及存储介质。


背景技术：

2.在“新获取的客户、孤儿单客户、客户再分配”等业务场景中，通常需要给客户分配代理人，契合的代理人，能够更好的服务客户，从而提高客户的满意度。
3.目前，在为客户分配代理人时，通常是根据用户输入的筛选条件直接筛选出符合条件的代理人，然而，这种方式受限于客户对自身需求的认知，造成无法准确的确定出与自身相匹配的代理人。


技术实现要素：

4.鉴于以上内容，有必要提供一种用户分配方法、装置、设备及存储介质，能够准确的为客户分配合适的目标用户。
5.一方面，本发明提出一种用户分配方法，所述用户分配方法包括：
6.获取预设用户对服务客户的服务记录；
7.基于预先训练好的服务效果预测模型对所述服务记录进行预测，得到所述服务记录的服务分数；
8.根据所述服务客户的客户标签、所述预设用户的用户标签及所述服务分数生成训练样本；
9.根据所述训练样本调整预先构建好的内容推荐学习器，得到第一推荐模型，并根据所述训练样本调整预先构建好的协同过滤学习器，得到第二推荐模型；
10.根据所述第一推荐模型对所述训练样本的第一预测能力及所述第二推荐模型对所述训练样本的第二预测能力，融合所述第一推荐模型及所述第二推荐模型，得到目标模型；
11.当接收到分配请求时，根据所述分配请求获取待分配客户的标签信息，并根据所述标签信息及所述用户标签从所述预设用户中筛选可分配用户；
12.将所述标签信息及所述可分配用户的用户标签输入至所述目标模型中进行分数预测，得到所述待分配客户与所述可分配用户的匹配分数；
13.根据所述可分配用户的客户服务数量及所述匹配分数确定出所述待分配客户的目标用户。
14.根据本发明优选实施例，所述获取预设用户对服务客户的服务记录包括：
15.将预设标签写入预设指令中，得到访问请求，并向所述预设用户的绑定终端发送所述访问请求；
16.当监测到所述预设用户基于所述访问请求生成授权响应时，从所述授权响应中提取授权码；
17.从预设数据库中获取与所述授权码对应的数据作为所述服务记录。
18.根据本发明优选实施例，所述服务效果预测模型包括语义解析层及分数映射层，所述基于预先训练好的服务效果预测模型对所述服务记录进行预测，得到所述服务记录的服务分数包括：
19.基于所述语义解析层对所述服务记录进行语义处理，得到所述服务记录的语义信息；
20.计算所述语义信息与所述分数映射层中每个类型的语义相似度；
21.将所述语义相似度最高的类型所对应的分值确定为所述服务分数。
22.根据本发明优选实施例，所述根据所述训练样本调整预先构建好的内容推荐学习器，得到第一推荐模型包括：
23.获取所述内容推荐学习器的向量映射表；
24.基于所述向量映射表对所述客户标签进行映射处理，得到客户向量，并基于所述向量映射表对所述用户标签进行映射处理，得到用户向量；
25.基于所述内容推荐学习器计算所述客户向量与所述用户向量的相关度，得到所述内容推荐学习器对所述训练样本的预测分数；
26.根据所述预测分数及所述服务分数计算所述内容推荐学习器的损失值，所述损失值的计算公式为：
[0027][0028]
其中，y是指所述损失值，x1是指所述预测分数，x2是指所述服务分数；
[0029]
基于所述训练样本对所述内容推荐学习器进行调整，直至所述损失值不再降低，得到所述第一推荐模型。
[0030]
根据本发明优选实施例，所述根据所述第一推荐模型对所述训练样本的第一预测能力及所述第二推荐模型对所述训练样本的第二预测能力，融合所述第一推荐模型及所述第二推荐模型，得到目标模型包括：
[0031]
获取所述第一推荐模型对所述训练样本的第一输出分数，并获取所述第二推荐模型对所述训练样本的第二输出分数；
[0032]
根据所述第一输出分数及所述服务分数计算所述第一预测能力，并根据所述第二输出分数及所述服务分数计算所述第二预测能力；
[0033]
对所述第一预测能力及所述第二预测能力进行归一化处理，得到所述第一推荐模型及所述第二推荐模型的模型权重；
[0034]
基于所述模型权重融合所述第一推荐模型及所述第二推荐模型，得到所述目标模型。
[0035]
根据本发明优选实施例，所述根据所述标签信息及所述用户标签从所述预设用户中筛选可分配用户包括：
[0036]
从所述标签信息中提取与目标标签对应的信息作为第一信息，并从所述用户标签中提取与所述目标标签对应的信息作为第二信息；
[0037]
检测所述第二信息与所述第一信息是否相同；
[0038]
将与所述第一信息相同的第二信息所对应的预设用户确定为所述可分配用户。
[0039]
根据本发明优选实施例，所述根据所述可分配用户的客户服务数量及所述匹配分数确定出所述待分配客户的目标用户包括：
[0040]
确定所述分配请求的接收时刻；
[0041]
从预设系统中获取所述可分配用户在所述接收时刻的客户数量作为所述客户服务数量；
[0042]
根据所述客户服务数量生成所述可分配用户的平衡系数，所述平衡系数的计算公式为：
[0043][0044]
其中，k是指所述平衡系数，n是指所述客户服务数量，m为非零整数；
[0045]
根据所述匹配分数与对应的平衡系数生成所述可分配用户的目标分数；
[0046]
将所述目标分数最大的可分配用户确定为所述目标用户。
[0047]
另一方面，本发明还提出一种用户分配装置，所述用户分配装置包括：
[0048]
获取单元，用于获取预设用户对服务客户的服务记录；
[0049]
预测单元，用于基于预先训练好的服务效果预测模型对所述服务记录进行预测，得到所述服务记录的服务分数；
[0050]
生成单元，用于根据所述服务客户的客户标签、所述预设用户的用户标签及所述服务分数生成训练样本；
[0051]
调整单元，用于根据所述训练样本调整预先构建好的内容推荐学习器，得到第一推荐模型，并根据所述训练样本调整预先构建好的协同过滤学习器，得到第二推荐模型；
[0052]
融合单元，用于根据所述第一推荐模型对所述训练样本的第一预测能力及所述第二推荐模型对所述训练样本的第二预测能力，融合所述第一推荐模型及所述第二推荐模型，得到目标模型；
[0053]
筛选单元，用于当接收到分配请求时，根据所述分配请求获取待分配客户的标签信息，并根据所述标签信息及所述用户标签从所述预设用户中筛选可分配用户；
[0054]
所述预测单元，还用于将所述标签信息及所述可分配用户的用户标签输入至所述目标模型中进行分数预测，得到所述待分配客户与所述可分配用户的匹配分数；
[0055]
确定单元，用于根据所述可分配用户的客户服务数量及所述匹配分数确定出所述待分配客户的目标用户。
[0056]
另一方面，本发明还提出一种电子设备，所述电子设备包括：
[0057]
存储器，存储计算机可读指令；及
[0058]
处理器，执行所述存储器中存储的计算机可读指令以实现所述用户分配方法。
[0059]
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述用户分配方法。
[0060]
由以上技术方案可以看出，本发明基于所述第一预测能力及所述第二预测能力融合所述第一推荐模型及所述第二推荐模型，能够避免单一推荐模型对所述标签信息及所述用户标签的影响，从而能够提高所述匹配分数的准确性，进一步地，基于所述标签信息及所
述用户标签从所述预设用户中筛选可分配用户，不仅能够避免对所有预设用户进行匹配分析，提高所述目标用户的确定效率，还能够避免受个别因素(如：地域因素)的干扰而造成无法确定出合适的目标用户，提高所述目标用户的确定准确性。此外，本发明结合所述客户服务数量及所述匹配分数确定出所述目标用户，能够避免任一用户在同一时刻上需要服务多名客户而造成该用户的服务质量下降，提高了所述目标用户的分配合理性。
附图说明
[0061]
图1是本发明用户分配方法的较佳实施例的流程图。
[0062]
图2是本发明用户分配装置的较佳实施例的功能模块图。
[0063]
图3是本发明实现用户分配方法的较佳实施例的电子设备的结构示意图。
具体实施方式
[0064]
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
[0065]
如图1所示，是本发明用户分配方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
[0066]
所述用户分配方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0067]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0068]
所述用户分配方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字信号处理器(digital signal processor，dsp)、嵌入式设备等。
[0069]
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能穿戴式设备等。
[0070]
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(cloud computing)的由大量主机或网络电子设备构成的云。
[0071]
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。
[0072]
s10，获取预设用户对服务客户的服务记录。
[0073]
在本发明的至少一个实施例中，所述预设用户可以是从事保险销售的保险代理
人，本发明对所述预设用户从事的具体业务不作限制。
[0074]
所述服务客户是指所述预设用户在服务期间所对接的具体客户。
[0075]
所述服务记录包括所述预设用户在服务客户期间所产生的业务数据、客户反馈记录、互动记录、客户参与活动记录等。
[0076]
在本发明的至少一个实施例中，所述电子设备获取预设用户对服务客户的服务记录包括：
[0077]
将预设标签写入预设指令中，得到访问请求，并向所述预设用户的绑定终端发送所述访问请求；
[0078]
当监测到所述预设用户基于所述访问请求生成授权响应时，从所述授权响应中提取授权码；
[0079]
从预设数据库中获取与所述授权码对应的数据作为所述服务记录。
[0080]
其中，所述预设标签包括，但不限于：用户服务客户期间所产生的业务数据、客户反馈记录、互动记录、客户参与活动记录等。
[0081]
所述预设指令是指预先设定好的访问指令，所述预设指令不包含访问对象。
[0082]
所述绑定终端可以是所述预设用户的任一终端设备。
[0083]
所述预设数据库中存储有多个用户在服务客户期间所记录的数据。
[0084]
通过所述预设指令生成所述访问请求，由于无需重复构建所述预设指令，因此能够提高所述访问请求的生成效率，通过从所述预设用户触发生成的授权响应中提取所述授权码，并基于所述授权码获取所述服务记录，能够避免所述服务记录被盗取，提高了所述服务记录的安全性。
[0085]
s11，基于预先训练好的服务效果预测模型对所述服务记录进行预测，得到所述服务记录的服务分数。
[0086]
在本发明的至少一个实施例中，所述服务分数用于表征所述预设用户对所述服务客户的服务效果。
[0087]
在本发明的至少一个实施例中，所述服务效果预测模型包括语义解析层及分数映射层，所述电子设备基于预先训练好的服务效果预测模型对所述服务记录进行预测，得到所述服务记录的服务分数包括：
[0088]
基于所述语义解析层对所述服务记录进行语义处理，得到所述服务记录的语义信息；
[0089]
计算所述语义信息与所述分数映射层中每个类型的语义相似度；
[0090]
将所述语义相似度最高的类型所对应的分值确定为所述服务分数。
[0091]
其中，所述语义信息是指与所述服务记录所对应的语义。
[0092]
所述分数映射层中包括多个类型与多个分值的映射关系，可以理解的是，所述分数映射层中可以包括多个维度中的多个类型与多个分值的映射关系。例如，在活动维度上，类型a：邀请客户参加线下活动0次，分值0分；类型b：邀请客户参加线下活动1次，分值1分。在沟通维度上，类型x：沟通0次，分值0分等。
[0093]
通过所述语义解析层能够快速的获取到所述语义信息，进而基于所述分数映射层能够准确的生成所述服务分数。
[0094]
s12，根据所述服务客户的客户标签、所述预设用户的用户标签及所述服务分数生
成训练样本。
[0095]
在本发明的至少一个实施例中，所述客户标签是指所述服务客户所对应的具体信息，例如，所述客户标签在地域标签上所对应的具体信息为：北京等。所述客户标签可以包括所述服务客户在所述地域标签以及属性标签上的具体信息。
[0096]
所述用户标签是指所述预设用户所对应的具体信息，所述用户标签可以包括所述预设用户在所述地域标签、机构标签上的具体信息。
[0097]
每个训练样本中包括每个服务客户的客户标签、每个预设用户的用户标签及该预设用户对该服务客户的服务分数。
[0098]
s13，根据所述训练样本调整预先构建好的内容推荐学习器，得到第一推荐模型，并根据所述训练样本调整预先构建好的协同过滤学习器，得到第二推荐模型。
[0099]
在本发明的至少一个实施例中，所述第一推荐模型是指损失值不再降低时的内容推荐学习器，该损失值是基于所述内容推荐学习器预测所述训练样本时生成的。
[0100]
所述第二推荐模型是指损失值不再降低时的协同过滤学习器，该损失值是基于所述协同过滤学习器预测所述训练样本时生成的。所述协同过滤学习器是根据协同过滤算法构建生成的。
[0101]
在本发明的至少一个实施例中，所述电子设备根据所述训练样本调整预先构建好的内容推荐学习器，得到第一推荐模型包括：
[0102]
获取所述内容推荐学习器的向量映射表；
[0103]
基于所述向量映射表对所述客户标签进行映射处理，得到客户向量，并基于所述向量映射表对所述用户标签进行映射处理，得到用户向量；
[0104]
基于所述内容推荐学习器计算所述客户向量与所述用户向量的相关度，得到所述内容推荐学习器对所述训练样本的预测分数；
[0105]
根据所述预测分数及所述服务分数计算所述内容推荐学习器的损失值，所述损失值的计算公式为：
[0106][0107]
其中，y是指所述损失值，x1是指所述预测分数，x2是指所述服务分数；
[0108]
基于所述训练样本对所述内容推荐学习器进行调整，直至所述损失值不再降低，得到所述第一推荐模型。
[0109]
其中，所述向量映射表中包括多个配置标签与向量的映射关系。
[0110]
所述相关度可以是指所述客户向量与所述用户向量的余弦相似度。
[0111]
所述损失值用于指示所述内容推荐学习器对所述训练样本的预测能力。
[0112]
通过同一向量映射表对所述客户标签及所述用户标签进行映射处理，能够避免所述客户标签及所述用户标签在不同维度上的映射而造成无法准确的调整所述内容推荐学习器，通过所述损失值控制所述训练样本的调整程度，能够避免所述第一推荐模型出现过拟合的问题，提高所述第一推荐模型的准确性。
[0113]
在本发明的至少一个实施例中，所述电子设备根据所述训练样本调整预先构建好的协同过滤学习器的方式与所述电子设备根据所述训练样本调整预先构建好的内容推荐学习器的方式相似，本发明对此不再赘述。
[0114]
s14，根据所述第一推荐模型对所述训练样本的第一预测能力及所述第二推荐模型对所述训练样本的第二预测能力，融合所述第一推荐模型及所述第二推荐模型，得到目标模型。
[0115]
在本发明的至少一个实施例中，所述目标模型是结合所述第一推荐模型、所述第一预测能力、所述第二推荐模型及所述第二预测能力生成的。
[0116]
在本发明的至少一个实施例中，所述电子设备根据所述第一推荐模型对所述训练样本的第一预测能力及所述第二推荐模型对所述训练样本的第二预测能力，融合所述第一推荐模型及所述第二推荐模型，得到目标模型包括：
[0117]
获取所述第一推荐模型对所述训练样本的第一输出分数，并获取所述第二推荐模型对所述训练样本的第二输出分数；
[0118]
根据所述第一输出分数及所述服务分数计算所述第一预测能力，并根据所述第二输出分数及所述服务分数计算所述第二预测能力；
[0119]
对所述第一预测能力及所述第二预测能力进行归一化处理，得到所述第一推荐模型及所述第二推荐模型的模型权重；
[0120]
基于所述模型权重融合所述第一推荐模型及所述第二推荐模型，得到所述目标模型。
[0121]
其中，所述第一输出分数可以从所述训练样本对所述内容推荐学习器进行调整时获取到，所述第二输出分数可以从所述训练样本对所述协同过滤学习器进行调整时获取到。
[0122]
通过所述第一预测能力以及所述第二预测能力确定出所述模型权重，能够结合所述第一推荐模型及所述第二推荐模型对所述训练样本的预测能力融合所述第一推荐模型及所述第二推荐模型，从而能够提高所述目标模型的准确性，避免了单一推荐模型对目标用户确定的影响。
[0123]
具体地，所述电子设备根据所述第一输出分数及所述服务分数计算所述第一预测能力的方式与所述电子设备根据所述预测分数及所述服务分数计算所述内容推荐学习器的损失值的方式相似，本发明对此不再赘述。
[0124]
具体地，所述电子设备根据所述第二输出分数及所述服务分数计算所述第二预测能力的方式与所述电子设备根据所述预测分数及所述服务分数计算所述内容推荐学习器的损失值的方式相似，本发明对此不再赘述。
[0125]
s15，当接收到分配请求时，根据所述分配请求获取待分配客户的标签信息，并根据所述标签信息及所述用户标签从所述预设用户中筛选可分配用户。
[0126]
在本发明的至少一个实施例中，所述分配请求可以在用户挖掘到新的潜在客户时触发生成的。
[0127]
所述待分配客户是指尚未分配用户对接的客户。所述标签信息是指所述待分配客户在所述配置标签上的信息。
[0128]
所述可分配用户是指与目标标签所对应的第二信息与所述待分配客户中的第一信息相同的预设用户。其中，所述目标标签是指根据实际业务需求设定的配置标签，可以理解的是，由于给一个居住在北京的客户分配一个驻地为深圳的用户，不便于客户关系的维系，因此，可以将所述目标标签设定为地域标签等。
[0129]
在本发明的至少一个实施例中，所述电子设备根据所述标签信息及所述用户标签从所述预设用户中筛选可分配用户包括：
[0130]
从所述标签信息中提取与目标标签对应的信息作为第一信息，并从所述用户标签中提取与所述目标标签对应的信息作为第二信息；
[0131]
检测所述第二信息与所述第一信息是否相同；
[0132]
将与所述第一信息相同的第二信息所对应的预设用户确定为所述可分配用户。
[0133]
通过所述目标标签能够快速提取到所述第一信息及所述第二信息，从而提高所述可分配用户的筛选效率。
[0134]
s16，将所述标签信息及所述可分配用户的用户标签输入至所述目标模型中进行分数预测，得到所述待分配客户与所述可分配用户的匹配分数。
[0135]
在本发明的至少一个实施例中，所述匹配分数用于指示所述可分配用户与所述待分配客户的契合度。
[0136]
在本发明的至少一个实施例中，所述电子设备将所述标签信息及所述可分配用户的用户标签输入至所述目标模型中进行分数预测的方式与所述电子设备融合所述第一推荐模型及所述第二推荐模型及根据所述训练样本调整预先构建好的内容推荐学习器的方式相似，本发明对此不再赘述。
[0137]
s17，根据所述可分配用户的客户服务数量及所述匹配分数确定出所述待分配客户的目标用户。
[0138]
需要强调的是，为进一步保证上述目标用户的私密和安全性，上述目标用户还可以存储于一区块链的节点中。
[0139]
在本发明的至少一个实施例中，所述客户服务数量是指所述可分配用户在接收时刻时所对应的客户数量，其中，所述接收时刻是指所述电子设备接收到所述分配请求的时刻。
[0140]
所述目标用户是指与所述待分配客户最为匹配的预设用户。
[0141]
在本发明的至少一个实施例中，所述电子设备根据所述可分配用户的客户服务数量及所述匹配分数确定出所述待分配客户的目标用户包括：
[0142]
确定所述分配请求的接收时刻；
[0143]
从预设系统中获取所述可分配用户在所述接收时刻的客户数量作为所述客户服务数量；
[0144]
根据所述客户服务数量生成所述可分配用户的平衡系数，所述平衡系数的计算公式为：
[0145][0146]
其中，k是指所述平衡系数，n是指所述客户服务数量，m为非零整数；
[0147]
根据所述匹配分数与对应的平衡系数生成所述可分配用户的目标分数；
[0148]
将所述目标分数最大的可分配用户确定为所述目标用户。
[0149]
其中，所述接收时刻是指所述电子设备接收到所述分配请求时的具体时刻。
[0150]
所述预设系统可以是客户管理系统，所述预设系统中存储有所述预设用户在多个
时刻上的客户数量。
[0151]
通过上述实施方式，能够避免所述可分配用户在所述接收时刻上需要服务多名客户而造成该可分配用户的服务质量下降，提高了所述目标用户的分配合理性。
[0152]
由以上技术方案可以看出，本发明基于所述第一预测能力及所述第二预测能力融合所述第一推荐模型及所述第二推荐模型，能够避免单一推荐模型对所述标签信息及所述用户标签的影响，从而能够提高所述匹配分数的准确性，进一步地，基于所述标签信息及所述用户标签从所述预设用户中筛选可分配用户，不仅能够避免对所有预设用户进行匹配分析，提高所述目标用户的确定效率，还能够避免受个别因素(如：地域因素)的干扰而造成无法确定出合适的目标用户，提高所述目标用户的确定准确性。此外，本发明结合所述客户服务数量及所述匹配分数确定出所述目标用户，能够避免任一用户在同一时刻上需要服务多名客户而造成该用户的服务质量下降，提高了所述目标用户的分配合理性。
[0153]
如图2所示，是本发明用户分配装置的较佳实施例的功能模块图。所述用户分配装置11包括获取单元110、预测单元111、生成单元112、调整单元113、融合单元114、筛选单元115及确定单元116。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
[0154]
获取单元110获取预设用户对服务客户的服务记录。
[0155]
在本发明的至少一个实施例中，所述预设用户可以是从事保险销售的保险代理人，本发明对所述预设用户从事的具体业务不作限制。
[0156]
所述服务客户是指所述预设用户在服务期间所对接的具体客户。
[0157]
所述服务记录包括所述预设用户在服务客户期间所产生的业务数据、客户反馈记录、互动记录、客户参与活动记录等。
[0158]
在本发明的至少一个实施例中，所述获取单元110获取预设用户对服务客户的服务记录包括：
[0159]
将预设标签写入预设指令中，得到访问请求，并向所述预设用户的绑定终端发送所述访问请求；
[0160]
当监测到所述预设用户基于所述访问请求生成授权响应时，从所述授权响应中提取授权码；
[0161]
从预设数据库中获取与所述授权码对应的数据作为所述服务记录。
[0162]
其中，所述预设标签包括，但不限于：用户服务客户期间所产生的业务数据、客户反馈记录、互动记录、客户参与活动记录等。
[0163]
所述预设指令是指预先设定好的访问指令，所述预设指令不包含访问对象。
[0164]
所述绑定终端可以是所述预设用户的任一终端设备。
[0165]
所述预设数据库中存储有多个用户在服务客户期间所记录的数据。
[0166]
通过所述预设指令生成所述访问请求，由于无需重复构建所述预设指令，因此能够提高所述访问请求的生成效率，通过从所述预设用户触发生成的授权响应中提取所述授权码，并基于所述授权码获取所述服务记录，能够避免所述服务记录被盗取，提高了所述服务记录的安全性。
[0167]
预测单元111基于预先训练好的服务效果预测模型对所述服务记录进行预测，得
到所述服务记录的服务分数。
[0168]
在本发明的至少一个实施例中，所述服务分数用于表征所述预设用户对所述服务客户的服务效果。
[0169]
在本发明的至少一个实施例中，所述服务效果预测模型包括语义解析层及分数映射层，所述预测单元111基于预先训练好的服务效果预测模型对所述服务记录进行预测，得到所述服务记录的服务分数包括：
[0170]
基于所述语义解析层对所述服务记录进行语义处理，得到所述服务记录的语义信息；
[0171]
计算所述语义信息与所述分数映射层中每个类型的语义相似度；
[0172]
将所述语义相似度最高的类型所对应的分值确定为所述服务分数。
[0173]
其中，所述语义信息是指与所述服务记录所对应的语义。
[0174]
所述分数映射层中包括多个类型与多个分值的映射关系，可以理解的是，所述分数映射层中可以包括多个维度中的多个类型与多个分值的映射关系。例如，在活动维度上，类型a：邀请客户参加线下活动0次，分值0分；类型b：邀请客户参加线下活动1次，分值1分。在沟通维度上，类型x：沟通0次，分值0分等。
[0175]
通过所述语义解析层能够快速的获取到所述语义信息，进而基于所述分数映射层能够准确的生成所述服务分数。
[0176]
生成单元112根据所述服务客户的客户标签、所述预设用户的用户标签及所述服务分数生成训练样本。
[0177]
在本发明的至少一个实施例中，所述客户标签是指所述服务客户所对应的具体信息，例如，所述客户标签在地域标签上所对应的具体信息为：北京等。所述客户标签可以包括所述服务客户在所述地域标签以及属性标签上的具体信息。
[0178]
所述用户标签是指所述预设用户所对应的具体信息，所述用户标签可以包括所述预设用户在所述地域标签、机构标签上的具体信息。
[0179]
每个训练样本中包括每个服务客户的客户标签、每个预设用户的用户标签及该预设用户对该服务客户的服务分数。
[0180]
调整单元113根据所述训练样本调整预先构建好的内容推荐学习器，得到第一推荐模型，并根据所述训练样本调整预先构建好的协同过滤学习器，得到第二推荐模型。
[0181]
在本发明的至少一个实施例中，所述第一推荐模型是指损失值不再降低时的内容推荐学习器，该损失值是基于所述内容推荐学习器预测所述训练样本时生成的。
[0182]
所述第二推荐模型是指损失值不再降低时的协同过滤学习器，该损失值是基于所述协同过滤学习器预测所述训练样本时生成的。所述协同过滤学习器是根据协同过滤算法构建生成的。
[0183]
在本发明的至少一个实施例中，所述调整单元113根据所述训练样本调整预先构建好的内容推荐学习器，得到第一推荐模型包括：
[0184]
获取所述内容推荐学习器的向量映射表；
[0185]
基于所述向量映射表对所述客户标签进行映射处理，得到客户向量，并基于所述向量映射表对所述用户标签进行映射处理，得到用户向量；
[0186]
基于所述内容推荐学习器计算所述客户向量与所述用户向量的相关度，得到所述
内容推荐学习器对所述训练样本的预测分数；
[0187]
根据所述预测分数及所述服务分数计算所述内容推荐学习器的损失值，所述损失值的计算公式为：
[0188][0189]
其中，y是指所述损失值，x1是指所述预测分数，x2是指所述服务分数；
[0190]
基于所述训练样本对所述内容推荐学习器进行调整，直至所述损失值不再降低，得到所述第一推荐模型。
[0191]
其中，所述向量映射表中包括多个配置标签与向量的映射关系。
[0192]
所述相关度可以是指所述客户向量与所述用户向量的余弦相似度。
[0193]
所述损失值用于指示所述内容推荐学习器对所述训练样本的预测能力。
[0194]
通过同一向量映射表对所述客户标签及所述用户标签进行映射处理，能够避免所述客户标签及所述用户标签在不同维度上的映射而造成无法准确的调整所述内容推荐学习器，通过所述损失值控制所述训练样本的调整程度，能够避免所述第一推荐模型出现过拟合的问题，提高所述第一推荐模型的准确性。
[0195]
在本发明的至少一个实施例中，所述调整单元113根据所述训练样本调整预先构建好的内容推荐学习器的方式与所述调整单元113根据所述训练样本调整预先构建好的内容推荐学习器的方式相似，本发明对此不再赘述。
[0196]
融合单元114根据所述第一推荐模型对所述训练样本的第一预测能力及所述第二推荐模型对所述训练样本的第二预测能力，融合所述第一推荐模型及所述第二推荐模型，得到目标模型。
[0197]
在本发明的至少一个实施例中，所述目标模型是结合所述第一推荐模型、所述第一预测能力、所述第二推荐模型及所述第二预测能力生成的。
[0198]
在本发明的至少一个实施例中，所述融合单元114根据所述第一推荐模型对所述训练样本的第一预测能力及所述第二推荐模型对所述训练样本的第二预测能力，融合所述第一推荐模型及所述第二推荐模型，得到目标模型包括：
[0199]
获取所述第一推荐模型对所述训练样本的第一输出分数，并获取所述第二推荐模型对所述训练样本的第二输出分数；
[0200]
根据所述第一输出分数及所述服务分数计算所述第一预测能力，并根据所述第二输出分数及所述服务分数计算所述第二预测能力；
[0201]
对所述第一预测能力及所述第二预测能力进行归一化处理，得到所述第一推荐模型及所述第二推荐模型的模型权重；
[0202]
基于所述模型权重融合所述第一推荐模型及所述第二推荐模型，得到所述目标模型。
[0203]
其中，所述第一输出分数可以从所述训练样本对所述内容推荐学习器进行调整时获取到，所述第二输出分数可以从所述训练样本对所述协同过滤学习器进行调整时获取到。
[0204]
通过所述第一预测能力以及所述第二预测能力确定出所述模型权重，能够结合所述第一推荐模型及所述第二推荐模型对所述训练样本的预测能力融合所述第一推荐模型
及所述第二推荐模型，从而能够提高所述目标模型的准确性，避免了单一推荐模型对目标用户确定的影响。
[0205]
具体地，所述融合单元114根据所述第一输出分数及所述服务分数计算所述第一预测能力的方式与所述调整单元113根据所述预测分数及所述服务分数计算所述内容推荐学习器的损失值的方式相似，本发明对此不再赘述。
[0206]
具体地，所述融合单元114根据所述第二输出分数及所述服务分数计算所述第二预测能力的方式与所述调整单元113根据所述预测分数及所述服务分数计算所述内容推荐学习器的损失值的方式相似，本发明对此不再赘述。
[0207]
当接收到分配请求时，筛选单元115根据所述分配请求获取待分配客户的标签信息，并根据所述标签信息及所述用户标签从所述预设用户中筛选可分配用户。
[0208]
在本发明的至少一个实施例中，所述分配请求可以在用户挖掘到新的潜在客户时触发生成的。
[0209]
所述待分配客户是指尚未分配用户对接的客户。所述标签信息是指所述待分配客户在所述配置标签上的信息。
[0210]
所述可分配用户是指与目标标签所对应的第二信息与所述待分配客户中的第一信息相同的预设用户。其中，所述目标标签是指根据实际业务需求设定的配置标签，可以理解的是，由于给一个居住在北京的客户分配一个驻地为深圳的用户，不便于客户关系的维系，因此，可以将所述目标标签设定为地域标签等。
[0211]
在本发明的至少一个实施例中，所述筛选单元115根据所述标签信息及所述用户标签从所述预设用户中筛选可分配用户包括：
[0212]
从所述标签信息中提取与目标标签对应的信息作为第一信息，并从所述用户标签中提取与所述目标标签对应的信息作为第二信息；
[0213]
检测所述第二信息与所述第一信息是否相同；
[0214]
将与所述第一信息相同的第二信息所对应的预设用户确定为所述可分配用户。
[0215]
通过所述目标标签能够快速提取到所述第一信息及所述第二信息，从而提高所述可分配用户的筛选效率。
[0216]
所述预测单元111将所述标签信息及所述可分配用户的用户标签输入至所述目标模型中进行分数预测，得到所述待分配客户与所述可分配用户的匹配分数。
[0217]
在本发明的至少一个实施例中，所述匹配分数用于指示所述可分配用户与所述待分配客户的契合度。
[0218]
在本发明的至少一个实施例中，所述预测单元111将所述标签信息及所述可分配用户的用户标签输入至所述目标模型中进行分数预测的方式与上述第一推荐模型及第二推荐模型的生成方式相似，本发明对此不再赘述。
[0219]
确定单元116根据所述可分配用户的客户服务数量及所述匹配分数确定出所述待分配客户的目标用户。
[0220]
需要强调的是，为进一步保证上述目标用户的私密和安全性，上述目标用户还可以存储于一区块链的节点中。
[0221]
在本发明的至少一个实施例中，所述客户服务数量是指所述可分配用户在接收时刻时所对应的客户数量，其中，所述接收时刻是指接收到所述分配请求的时刻。
[0222]
所述目标用户是指与所述待分配客户最为匹配的预设用户。
[0223]
在本发明的至少一个实施例中，所述确定单元116根据所述可分配用户的客户服务数量及所述匹配分数确定出所述待分配客户的目标用户包括：
[0224]
确定所述分配请求的接收时刻；
[0225]
从预设系统中获取所述可分配用户在所述接收时刻的客户数量作为所述客户服务数量；
[0226]
根据所述客户服务数量生成所述可分配用户的平衡系数，所述平衡系数的计算公式为：
[0227][0228]
其中，k是指所述平衡系数，n是指所述客户服务数量，m为非零整数；
[0229]
根据所述匹配分数与对应的平衡系数生成所述可分配用户的目标分数；
[0230]
将所述目标分数最大的可分配用户确定为所述目标用户。
[0231]
其中，所述接收时刻是指所述电子设备接收到所述分配请求时的具体时刻。
[0232]
所述预设系统可以是客户管理系统，所述预设系统中存储有所述预设用户在多个时刻上的客户数量。
[0233]
通过上述实施方式，能够避免所述可分配用户在所述接收时刻上需要服务多名客户而造成该可分配用户的服务质量下降，提高了所述目标用户的分配合理性。
[0234]
由以上技术方案可以看出，本发明基于所述第一预测能力及所述第二预测能力融合所述第一推荐模型及所述第二推荐模型，能够避免单一推荐模型对所述标签信息及所述用户标签的影响，从而能够提高所述匹配分数的准确性，进一步地，基于所述标签信息及所述用户标签从所述预设用户中筛选可分配用户，不仅能够避免对所有预设用户进行匹配分析，提高所述目标用户的确定效率，还能够避免受个别因素(如：地域因素)的干扰而造成无法确定出合适的目标用户，提高所述目标用户的确定准确性。此外，本发明结合所述客户服务数量及所述匹配分数确定出所述目标用户，能够避免任一用户在同一时刻上需要服务多名客户而造成该用户的服务质量下降，提高了所述目标用户的分配合理性。
[0235]
如图3所示，是本发明实现用户分配方法的较佳实施例的电子设备的结构示意图。
[0236]
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如用户分配程序。
[0237]
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
[0238]
所述处理器13可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器
等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
[0239]
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、预测单元111、生成单元112、调整单元113、融合单元114、筛选单元115及确定单元116。
[0240]
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
[0241]
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、tf卡(trans-flash card)等等。
[0242]
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
[0243]
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)。
[0244]
本发明所指区块链是分布式用户分配、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0245]
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种用户分配方法，所述处理器13可执行所述计算机可读指令从而实现：
[0246]
获取预设用户对服务客户的服务记录；
[0247]
基于预先训练好的服务效果预测模型对所述服务记录进行预测，得到所述服务记录的服务分数；
[0248]
根据所述服务客户的客户标签、所述预设用户的用户标签及所述服务分数生成训练样本；
[0249]
根据所述训练样本调整预先构建好的内容推荐学习器，得到第一推荐模型，并根据所述训练样本调整预先构建好的协同过滤学习器，得到第二推荐模型；
[0250]
根据所述第一推荐模型对所述训练样本的第一预测能力及所述第二推荐模型对所述训练样本的第二预测能力，融合所述第一推荐模型及所述第二推荐模型，得到目标模型；
[0251]
当接收到分配请求时，根据所述分配请求获取待分配客户的标签信息，并根据所述标签信息及所述用户标签从所述预设用户中筛选可分配用户；
[0252]
将所述标签信息及所述可分配用户的用户标签输入至所述目标模型中进行分数预测，得到所述待分配客户与所述可分配用户的匹配分数；
[0253]
根据所述可分配用户的客户服务数量及所述匹配分数确定出所述待分配客户的目标用户。
[0254]
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0255]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0256]
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
[0257]
获取预设用户对服务客户的服务记录；
[0258]
基于预先训练好的服务效果预测模型对所述服务记录进行预测，得到所述服务记录的服务分数；
[0259]
根据所述服务客户的客户标签、所述预设用户的用户标签及所述服务分数生成训练样本；
[0260]
根据所述训练样本调整预先构建好的内容推荐学习器，得到第一推荐模型，并根据所述训练样本调整预先构建好的协同过滤学习器，得到第二推荐模型；
[0261]
根据所述第一推荐模型对所述训练样本的第一预测能力及所述第二推荐模型对所述训练样本的第二预测能力，融合所述第一推荐模型及所述第二推荐模型，得到目标模型；
[0262]
当接收到分配请求时，根据所述分配请求获取待分配客户的标签信息，并根据所述标签信息及所述用户标签从所述预设用户中筛选可分配用户；
[0263]
将所述标签信息及所述可分配用户的用户标签输入至所述目标模型中进行分数预测，得到所述待分配客户与所述可分配用户的匹配分数；
[0264]
根据所述可分配用户的客户服务数量及所述匹配分数确定出所述待分配客户的目标用户。
[0265]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目
的。
[0266]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0267]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0268]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0269]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。