基于人工智能的线索分配方法、装置、电子设备及介质与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于人工智能的线索分配方法、装置、电子设备及介质。


背景技术：

2.随着业务的不断多样化，对业务推广带来了极大的难度，现有技术根据存量客户作为客户线索进行产品推广，需要借助老客户的线索介绍新客户。
3.然而，通过老客户的线索介绍的新客户的线索，并不能有效的保证线索真实的挖掘出潜在客户，线索准确率低。


技术实现要素：

4.鉴于以上内容，有必要提出一种基于人工智能的线索分配方法、装置、电子设备及介质，根据多个分类标签，及每个分类标签的多个影响因素进行两次分类，自主挖掘出潜在客户，提高了客户线索分配的准确率。
5.本发明的第一方面提供一种基于人工智能的线索分配方法，所述方法包括：
6.响应于接收的线索分配请求，获取目标线索及所述目标线索对应的第一数据集；
7.对所述第一数据集进行预处理，得到第二数据集；
8.根据预设的多个分类标签对所述第二数据集进行第一次分类，得到每个分类标签的第三数据集；
9.根据每个分类标签的多个影响因素对所述每个分类标签的第三数据集进行第二次分类，得到对应分类标签的每个影响因素的第四数据集；
10.将每个分类标签的第三数据集输入至预先训练的对应分类标签的验证模型中，得到每个分类标签的每个第三数据的第一置信度，及将每个影响因素的第四数据集输入至预先训练的对应影响因子的验证模型中，得到对应影响因素的每个第四数据的第二置信度；
11.基于每个分类标签的每个第三数据的第一置信度对对应第三数据打标签，及基于每个影响因素的每个第四数据的第二置信度对对应第四数据打标签；
12.基于已打标签的第三数据集和第四数据集中的标签信息进行客户线索分配。
13.可选地，在将每个分类标签的第三数据集输入至预先训练的对应分类标签的验证模型中，得到每个分类标签的每个第三数据的第一置信度之前，所述方法还包括：
14.从所述第一数据集中提取客户保单数据集作为训练样本集合，其中，所述训练样本集合中的每个训练样本包含同一分类标签的客户保单数据及对应的样本置信度；
15.初始化预设的验证模型的模型参数；
16.将每个训练样本的客户保单数据输入所述预设的验证模型，得到每个训练样本对应的置信度预测值；
17.基于所述每个训练样本的所述置信度预测值和所述置信度的差异，对所述预设的验证模型的模型参数进行调整，得到所述分类标签的验证模型。
18.可选地，所述基于每个分类标签的每个第三数据的第一置信度对对应第三数据打标签包括：
19.判断每个第三数据的第一置信度是否满足对应分类标签的打标签要求；
20.当每个第三数据的第一置信度满足分类标签的打标签要求时，根据每个第三数据的第一置信度确定对应第三数据的第一目标标签；采用打标签工具，根据每个第三数据的第一目标标签对对应第三数据打标签；
21.当每个第三数据的第一置信度不满足分类标签的打标签要求时，删除所述第三数据。
22.可选地，所述基于每个影响因素的每个第四数据的第二置信度对对应第四数据打标签包括：
23.判断每个第四数据的第二置信度是否满足对应影响因素的打标签要求；
24.当每个第四数据的第二置信度满足影响因素的打标签要求时，根据每个第四数据的第二置信度确定对应第四数据的第二目标标签；采用打标签工具，根据每个第四数据的第二目标标签对对应第四数据打标签；
25.当每个第四数据的第二置信度不满足影响因素的打标签要求时，删除所述第四数据。
26.可选地，所述基于已打标签的第三数据集和第四数据集中的标签信息进行客户线索分配包括：
27.将所述第三数据集和第四数据集按照客户进行归类，得到每个客户的目标数据集；
28.从每个客户的目标数据集中获取每个客户的目标标签信息；
29.根据每个客户的目标标签信息生成每个客户的线索信息；
30.基于每个客户的线索信息，按照线索分配请求中的分配任务进行客户线索分配。
31.可选地，在所述基于每个客户的线索信息，按照线索分配请求中的分配任务进行客户线索分配之后，所述方法还包括：
32.分析多个客户的多个线索信息，得到分析结果；
33.根据所述分析结果构建新的产品。
34.可选地，所述对所述第一数据集进行预处理，得到第二数据集包括：
35.将所述第一数据集写入预设的宽表中，得到目标宽表；
36.按照预设的业务规则，对所述目标宽表中的数据进行剔除，得到第二数据集。
37.本发明的第二方面提供一种基于人工智能的线索分配装置，所述装置包括：
38.获取模块，用于响应于接收的线索分配请求，获取目标线索及所述目标线索对应的第一数据集；
39.预处理模块，用于对所述第一数据集进行预处理，得到第二数据集；
40.第一分类模块，用于根据预设的多个分类标签对所述第二数据集进行第一次分类，得到每个分类标签的第三数据集；
41.第二分类模块，用于根据每个分类标签的多个影响因素对所述每个分类标签的第三数据集进行第二次分类，得到对应分类标签的每个影响因素的第四数据集；
42.输入模块，用于将每个分类标签的第三数据集输入至预先训练的对应分类标签的
验证模型中，得到每个分类标签的每个第三数据的第一置信度，及将每个影响因素的第四数据集输入至预先训练的对应影响因子的验证模型中，得到对应影响因素的每个第四数据的第二置信度；
43.打标签模块，用于基于每个分类标签的每个第三数据的第一置信度对对应第三数据打标签，及基于每个影响因素的每个第四数据的第二置信度对对应第四数据打标签；
44.分配模块，用于基于已打标签的第三数据集和第四数据集中的标签信息进行客户线索分配。
45.本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的基于人工智能的线索分配方法。
46.本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于人工智能的线索分配方法。
47.综上所述，本发明所述的基于人工智能的线索分配方法、装置、电子设备及介质，能够推动智慧城市的建设，应用于智慧建筑、智慧安防、智慧社区、智慧生活、物联网等领域，通过对所述第一数据集进行预处理，得到第二数据集，根据预设的多个分类标签，及每个分类标签的多个影响因素进行两次分类，极大减少了每个客户群体数据量，使得客户群更加细化，提高了后续客户线索分配的准确率。通过采用已有投保记录的客户保单数据训练对应分类标签的验证模型及对应的影响因素的验证模型，计算每个第三数据的第一置信度及每个第四数据的第二置信度，根据每个分类标签的每个第三数据的第一置信度对对应第三数据打标签，及基于每个影响因素的每个第四数据的第二置信度对对应第四数据打标签，删除掉不符合打标签要求的第三数据和第四数据，提高了保留的第三数据集和第四数据集的准确率，进而提高了客户线索分配的准确率。
附图说明
48.图1是本发明实施例一提供的基于人工智能的线索分配方法的流程图。
49.图2是本发明实施例二提供的基于人工智能的线索分配装置的结构图。
50.图3是本发明实施例三提供的电子设备的结构示意图。
具体实施方式
51.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
52.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
53.实施例一
54.图1是本发明实施例一提供的基于人工智能的线索分配方法的流程图。
55.在本实施例中，所述基于人工智能的线索分配方法可以应用于电子设备中，对于
需要进行基于人工智能的线索分配的电子设备，可以直接在电子设备上集成本发明的方法所提供的基于人工智能的线索分配的功能，或者以软件开发工具包(software development kit，sdk)的形式运行在电子设备中。
56.本发明实施例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。
57.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。
58.如图1所示，所述基于人工智能的线索分配方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
59.s11，响应于接收的线索分配请求，获取目标线索及所述目标线索对应的第一数据集。
60.本实施例中，线索分配请求用于请求获取客户购买产品的线索信息，例如，针对投保领域，需要获取每个客户的投保线索，所述投保线索可以包含客户投保a产品的意向程度、客户投保的产品年限等。
61.本实施例中，在接收到线索分配请求时，解析所述线索分配请求，获取目标线索，例如，所述目标线索可以为客户在近1年购买a保险产品的概率、客户购买与其职业相关的保险产品的概率，或者客户在上一份保险临期之时，继续购买该保险，或同类保险产品的概率等，通过目标线索可以快速的查找到对应客户群体的第一数据集，其中，所述第一数据集中包含有客户保单数据集和客户意向数据集。
62.本实施例中，获取的第一数据集从已投保的客户保单数据及市场调查得到的客户意向数据两个方面进行了考虑，考虑的更加全面，进而提高了后续客户线索分配的准确率。
63.s12，对所述第一数据集进行预处理，得到第二数据集。
64.本实施例中，所述预处理是指将获取的第一数据集中的第一数据进行汇总、剔除处理。
65.在一个可选的实施例中，所述对所述第一数据集进行预处理，得到第二数据集包括：
66.将所述第一数据集写入预设的宽表中，得到目标宽表；
67.按照预设的业务规则，对所述目标宽表中的数据进行剔除，得到第二数据集。
68.本实施例中，所述目标宽表用于记录第一数据集中的每个第一数据，所述预设的业务规则用于对目标宽表中的数据进行整体，剔除无用的、特殊场景数据，例如：剔除强制要求购买产品的客户的数据、剔除公司规模小于预设人数阈值的客户等。
69.本实施例中，通过将第一数据集写入预设的宽表中，按照预设的业务规则对目标宽表中的干扰数据进行剔除，提高了第二数据的精确性。
70.s13，根据预设的多个分类标签对所述第二数据集进行第一次分类，得到每个分类标签的第三数据集。
71.本实施例中，可以预先设置多个分类标签，例如，所述预设的分类标签可以为性别、年龄、保费、投保周期等。
72.本实施例中，可以采用预设的分类模型对所述第二数据集进行第一次分类，其中，所述预设的分类模型是预先训练好的。
73.s14，根据每个分类标签的多个影响因素对所述每个分类标签的第三数据集进行第二次分类，得到对应分类标签的每个影响因素的第四数据集。
74.本实施例中，每个分类标签对应至少一个影响因素，通过分析年龄与投保行为的相关性，确定出每个分类标签的影响因素，例如，30岁至60岁购买a保险的概率高，25岁至40岁b职业购买保险概率高，则针对年龄对应的影响因素可以为：a保险、b职业等，对年龄对应的第三数据集进行分类得到：a保险的第四数据集，所述a保险的第四数据集中包含的为30岁至60岁购买过或者有意向购买a保险对应的数据集；b职业的第四数据集，所述b职业的第四数据集中包含的为25岁至40岁购买过或者有意向购买保险对应的数据集。
75.本实施例中，从分类标签及分类标签对应的影响因素两个方面考虑对第二数据集进行两次分类，极大减少了每个客户群体数据量，使得客户群更加细化，提高了后续客户线索分配的准确率。
76.s15，将每个分类标签的第三数据集输入至预先训练的对应分类标签的验证模型中，得到每个分类标签的每个第三数据的第一置信度，及将每个影响因素的第四数据集输入至预先训练的对应影响因子的验证模型中，得到对应影响因素的每个第四数据的第二置信度。
77.本实施例中，第一置信度是指每个分类标签的每个第三数据对客户线索分配的影响程度；第二置信度是指每个分类标签的每个影响因素对应的第四数据对客户线索分配的影响程度。
78.在一个可选的实施例中，在将每个分类标签的第三数据集输入至预先训练的对应分类标签的验证模型中，得到每个分类标签的每个第三数据的第一置信度之前，所述方法还包括：
79.从所述第一数据集中提取客户保单数据集作为训练样本集合，其中，所述训练样本集合中的每个训练样本包含同一分类标签的客户保单数据及对应的样本置信度；
80.初始化预设的验证模型的模型参数；
81.将每个训练样本的客户保单数据输入所述预设的验证模型，得到每个训练样本对应的置信度预测值；
82.基于所述每个训练样本的所述置信度预测值和所述置信度的差异，对所述预设的验证模型的模型参数进行调整，得到所述分类标签的验证模型。
83.本实施例中，在得到每个分类标签的每个数据的置信度之前，预先训练得到每个分类标签的验证模型，将每个分类标签的第三数据集输入至对应分类标签的验证模型中，得到每个分类标签的第三数据集中每个第三数据的置信度，便于后续根据每个第三数据的置信度进行打标签。
84.本实施例中，针对每个影响因素的验证模型，从所述第一数据集中提取客户保单数据集作为训练样本集合，其中，所述训练样本集合中的每个训练样本包含同一分类标签的同一影响因素的客户保单数据及对应的样本置信度，每个影响因素的验证模型的训练过
程与分类标签的验证模型相同，在此不做详细阐述。
85.本实施例中，由于每个分类标签对应一个验证模型，每个分类标签的每个影响因素对应一个验证模型，通过采用已有投保记录的客户保单数据训练对应分类标签的验证模型及对应的影响因素的验证模型，在验证模型的训练过程中，根据已有投保记录的客户保单数据不断的调整验证模型的模型参数，得到更加精确的验证模型，提高了验证模型输出的置信度的准确率，进而提高后续客户线索分配的准确率。
86.s16，基于每个分类标签的每个第三数据的第一置信度对对应第三数据打标签，及基于每个影响因素的每个第四数据的第二置信度对对应第四数据打标签。
87.本实施例中，所述置信度包含有第一置信度和第二置信度，不同的置信度对应不同的目标标签，其中，所述目标标签可以为高、中和低，本实施例在此不做限制。
88.在一个可选的实施例中，所述基于每个分类标签的每个第三数据的第一置信度对对应第三数据打标签包括：
89.判断每个第三数据的第一置信度是否满足对应分类标签的打标签要求；
90.当每个第三数据的第一置信度满足分类标签的打标签要求时，根据每个第三数据的第一置信度确定对应第三数据的第一目标标签；采用打标签工具，根据每个第三数据的第一目标标签对对应第三数据打标签；
91.当每个第三数据的第一置信度不满足分类标签的打标签要求时，删除所述第三数据。
92.进一步地，所述判断每个第三数据的第一置信度是否满足分类标签的打标签要求包括：
93.将每个第三数据的第一置信度与对应分类标签的第一置信度阈值进行比较；
94.当每个第三数据的第一置信度大于或者等于对应分类标签的第一置信度阈值时，确定每个第三数据的第一置信度满足分类标签的打标签要求；
95.当每个第三数据的第一置信度小于对应分类标签的第一置信度阈值时，确定每个第三数据的第一置信度不满足分类标签的打标签要求。
96.本实施例中，不同的分类标签对应的打标签要求不同，可以预先设置每个分类标签的打标签要求，例如，针对年龄，设置的打标签要求为每个第三数据的第一置信度大于或者等于0.5；针对保费，设置的打标签要求为每个第三数据的第一置信度大于0.6。
97.在一个可选的实施例中，所述基于每个影响因素的每个第四数据的第二置信度对对应第四数据打标签包括：
98.判断每个第四数据的第二置信度是否满足对应影响因素的打标签要求；
99.当每个第四数据的第二置信度满足影响因素的打标签要求时，根据每个第四数据的第二置信度确定对应第四数据的第二目标标签；采用打标签工具，根据每个第四数据的第二目标标签对对应第四数据打标签；
100.当每个第四数据的第二置信度不满足影响因素的打标签要求时，删除所述第四数据。
101.本实施例中，通过将不满足影响因素的打标签要求的第四数据进行删除，即将没有意愿购买产品的客户数据进行删除，保留满足打标签要求的第四数据，提高了后续线索分配的准确率及效率。
102.进一步地，所述判断每个第四数据的第二置信度是否满足打标签要求包括：
103.将每个第四数据的第二置信度与对应分类标签的第二置信度阈值进行比较；
104.当每个第四数据的第二置信度大于或者等于对应分类标签的第二置信度阈值时，确定每个第四数据的第二置信度满足影响因素的打标签要求；
105.当每个第四数据的第二置信度小于对应分类标签的第二置信度阈值时，确定每个第四数据的第二置信度不满足影响因素的打标签要求。
106.本实施例中，所述打标签工具可以为labelimg、labelme、nlp标注工具brat，所述打标签工具为现有技术，根据具体的场景确定不同的打标签工具，本实施例在此不做限制。
107.本实施例中，同一个的分类标签的不同影响因素对应的打标签要求不同，可以预先设置同一个分类标签的每个影响因素的打标签要求，例如，针对年龄中的a保险，设置的打标签要求为每个第四数据的第二置信度大于或者等于0.8；针对年龄中的职业b，设置的打标签要求为每个第三数据的第一置信度大于0.4。
108.本实施例中，通过根据每个分类标签的每个第三数据的第一置信度对对应第三数据打标签，及基于每个影响因素的每个第四数据的第二置信度对对应第四数据打标签，删除掉不符合打标签要求的第三数据和第四数据，提高了保留的第三数据集和第四数据集的准确率，进而提高了客户线索分配的准确率。
109.s17，基于已打标签的第三数据集和第四数据集中的标签信息进行客户线索分配。
110.本实施例中，通过对第三数据集和第四数据集打标签，可以确定目标线索对应的客户购买产品的意愿度，根据意愿度进行客户线索分配。
111.在一个可选的实施例中，所述基于已打标签的第三数据集和第四数据集中的标签信息进行客户线索分配包括：
112.将所述第三数据集和第四数据集按照客户进行归类，得到每个客户的目标数据集；
113.从每个客户的目标数据集中获取每个客户的目标标签信息；
114.根据每个客户的目标标签信息生成每个客户的线索信息；
115.基于每个客户的线索信息，按照线索分配请求中的分配任务进行客户线索分配。
116.示例性地，m客户的目标标签信息为35岁、购买a保险的概率高、职业为b职业，生成的线索信息为m客户购买a保险的意愿高，则将m客户分配至销售a保险的销售。
117.进一步地，所述方法还包括：
118.将每个客户的线索信息存储至预先构建的线索池中。
119.本实施例中，通过标签化客户属性，可以更精准的找到潜在客户，进而提高了客户线索分配的准确率。
120.进一步地，在所述基于每个客户的线索信息，按照线索分配请求中的分配任务进行客户线索分配之后，所述方法还包括：
121.分析多个客户的多个线索信息，得到分析结果；
122.根据所述分析结果构建新的产品。
123.本实施例中，通过分析多个客户的多个线索信息，根据分析结果辅助产品的改进，例如，面对低续保客户，构建费用低，周期短的保险产品；面向收入稳定的客户人群，构建长期持有，投保成本低廉的保险产品。
124.综上所述，本实施例所述的基于人工智能的线索分配方法，通过对所述第一数据集进行预处理，得到第二数据集，根据预设的多个分类标签，及每个分类标签的多个影响因素进行两次分类，极大减少了每个客户群体数据量，使得客户群更加细化，提高了后续客户线索分配的准确率。通过采用已有投保记录的客户保单数据训练对应分类标签的验证模型及对应的影响因素的验证模型，计算每个第三数据的第一置信度及每个第四数据的第二置信度，根据每个分类标签的每个第三数据的第一置信度对对应第三数据打标签，及基于每个影响因素的每个第四数据的第二置信度对对应第四数据打标签，删除掉不符合打标签要求的第三数据和第四数据，提高了保留的第三数据集和第四数据集的准确率，进而提高了客户线索分配的准确率。
125.实施例二
126.图2是本发明实施例二提供的基于人工智能的线索分配装置的结构图。
127.在一些实施例中，所述基于人工智能的线索分配装置20可以包括多个由程序代码段所组成的功能模块。所述基于人工智能的线索分配装置20中的各个程序段的程序代码可以存储于电子设备的存储器中，并由所述至少一个处理器所执行，以执行(详见图1描述)基于人工智能的线索分配的功能。
128.本实施例中，所述基于人工智能的线索分配装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块201、预处理模块202、第一分类模块203、第二分类模块204、输入模块205、打标签模块206及分配模块207。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
129.获取模块201，用于响应于接收的线索分配请求，获取目标线索及所述目标线索对应的第一数据集。
130.本实施例中，线索分配请求用于请求获取客户购买产品的线索信息，例如，针对投保领域，需要获取每个客户的投保线索，所述投保线索可以包含客户投保a产品的意向程度、客户投保的产品年限等。
131.本实施例中，在接收到线索分配请求时，解析所述线索分配请求，获取目标线索，例如，所述目标线索可以为客户在近1年购买a保险产品的概率、客户购买与其职业相关的保险产品的概率，或者客户在上一份保险临期之时，继续购买该保险，或同类保险产品的概率等，通过目标线索可以快速的查找到对应客户群体的第一数据集，其中，所述第一数据集中包含有客户保单数据集和客户意向数据集。
132.本实施例中，获取的第一数据集从已投保的客户保单数据及市场调查得到的客户意向数据两个方面进行了考虑，考虑的更加全面，进而提高了后续客户线索分配的准确率。
133.预处理模块202，用于对所述第一数据集进行预处理，得到第二数据集。
134.本实施例中，所述预处理是指将获取的第一数据集中的第一数据进行汇总、剔除处理。
135.在一个可选的实施例中，所述预处理模块202对所述第一数据集进行预处理，得到第二数据集包括：
136.将所述第一数据集写入预设的宽表中，得到目标宽表；
137.按照预设的业务规则，对所述目标宽表中的数据进行剔除，得到第二数据集。
138.本实施例中，所述目标宽表用于记录第一数据集中的每个第一数据，所述预设的业务规则用于对目标宽表中的数据进行整体，剔除无用的、特殊场景数据，例如：剔除强制要求购买产品的客户的数据、剔除公司规模小于预设人数阈值的客户等。
139.本实施例中，通过将第一数据集写入预设的宽表中，按照预设的业务规则对目标宽表中的干扰数据进行剔除，提高了第二数据的精确性。
140.第一分类模块203，用于根据预设的多个分类标签对所述第二数据集进行第一次分类，得到每个分类标签的第三数据集。
141.本实施例中，可以预先设置多个分类标签，例如，所述预设的分类标签可以为性别、年龄、保费、投保周期等。
142.本实施例中，可以采用预设的分类模型对所述第二数据集进行第一次分类，其中，所述预设的分类模型是预先训练好的。
143.第二分类模块204，用于根据每个分类标签的多个影响因素对所述每个分类标签的第三数据集进行第二次分类，得到对应分类标签的每个影响因素的第四数据集。
144.本实施例中，每个分类标签对应至少一个影响因素，通过分析年龄与投保行为的相关性，确定出每个分类标签的影响因素，例如，30岁至60岁购买a保险的概率高，25岁至40岁b职业购买保险概率高，则针对年龄对应的影响因素可以为：a保险、b职业等，对年龄对应的第三数据集进行分类得到：a保险的第四数据集，所述a保险的第四数据集中包含的为30岁至60岁购买过或者有意向购买a保险对应的数据集；b职业的第四数据集，所述b职业的第四数据集中包含的为25岁至40岁购买过或者有意向购买保险对应的数据集。
145.本实施例中，从分类标签及分类标签对应的影响因素两个方面考虑对第二数据集进行两次分类，极大减少了每个客户群体数据量，使得客户群更加细化，提高了后续客户线索分配的准确率。
146.输入模块205，用于将每个分类标签的第三数据集输入至预先训练的对应分类标签的验证模型中，得到每个分类标签的每个第三数据的第一置信度，及将每个影响因素的第四数据集输入至预先训练的对应影响因子的验证模型中，得到对应影响因素的每个第四数据的第二置信度。
147.本实施例中，第一置信度是指每个分类标签的每个第三数据对客户线索分配的影响程度；第二置信度是指每个分类标签的每个影响因素对应的第四数据对客户线索分配的影响程度。
148.在一个可选的实施例中，在输入模块205将每个分类标签的第三数据集输入至预先训练的对应分类标签的验证模型中，得到每个分类标签的每个第三数据的第一置信度之前，从所述第一数据集中提取客户保单数据集作为训练样本集合，其中，所述训练样本集合中的每个训练样本包含同一分类标签的客户保单数据及对应的样本置信度；初始化预设的验证模型的模型参数；将每个训练样本的客户保单数据输入所述预设的验证模型，得到每个训练样本对应的置信度预测值；基于所述每个训练样本的所述置信度预测值和所述置信度的差异，对所述预设的验证模型的模型参数进行调整，得到所述分类标签的验证模型。
149.本实施例中，在得到每个分类标签的每个数据的置信度之前，预先训练得到每个分类标签的验证模型，将每个分类标签的第三数据集输入至对应分类标签的验证模型中，得到每个分类标签的第三数据集中每个第三数据的置信度，便于后续根据每个第三数据的
置信度进行打标签。
150.本实施例中，针对每个影响因素的验证模型，从所述第一数据集中提取客户保单数据集作为训练样本集合，其中，所述训练样本集合中的每个训练样本包含同一分类标签的同一影响因素的客户保单数据及对应的样本置信度，每个影响因素的验证模型的训练过程与分类标签的验证模型相同，在此不做详细阐述。
151.本实施例中，由于每个分类标签对应一个验证模型，每个分类标签的每个影响因素对应一个验证模型，通过采用已有投保记录的客户保单数据训练对应分类标签的验证模型及对应的影响因素的验证模型，在验证模型的训练过程中，根据已有投保记录的客户保单数据不断的调整验证模型的模型参数，得到更加精确的验证模型，提高了验证模型输出的置信度的准确率，进而提高后续客户线索分配的准确率。
152.打标签模块206，用于基于每个分类标签的每个第三数据的第一置信度对对应第三数据打标签，及基于每个影响因素的每个第四数据的第二置信度对对应第四数据打标签。
153.本实施例中，所述置信度包含有第一置信度和第二置信度，不同的置信度对应不同的目标标签，其中，所述目标标签可以为高、中和低，本实施例在此不做限制。
154.在一个可选的实施例中，所述打标签模块206基于每个分类标签的每个第三数据的第一置信度对对应第三数据打标签包括：
155.判断每个第三数据的第一置信度是否满足对应分类标签的打标签要求；
156.当每个第三数据的第一置信度满足分类标签的打标签要求时，根据每个第三数据的第一置信度确定对应第三数据的第一目标标签；采用打标签工具，根据每个第三数据的第一目标标签对对应第三数据打标签；
157.当每个第三数据的第一置信度不满足分类标签的打标签要求时，删除所述第三数据。
158.进一步地，所述判断每个第三数据的第一置信度是否满足分类标签的打标签要求包括：
159.将每个第三数据的第一置信度与对应分类标签的第一置信度阈值进行比较；
160.当每个第三数据的第一置信度大于或者等于对应分类标签的第一置信度阈值时，确定每个第三数据的第一置信度满足分类标签的打标签要求；
161.当每个第三数据的第一置信度小于对应分类标签的第一置信度阈值时，确定每个第三数据的第一置信度不满足分类标签的打标签要求。
162.本实施例中，不同的分类标签对应的打标签要求不同，可以预先设置每个分类标签的打标签要求，例如，针对年龄，设置的打标签要求为每个第三数据的第一置信度大于或者等于0.5；针对保费，设置的打标签要求为每个第三数据的第一置信度大于0.6。
163.在一个可选的实施例中，所述打标签模块206基于每个影响因素的每个第四数据的第二置信度对对应第四数据打标签包括：
164.判断每个第四数据的第二置信度是否满足对应影响因素的打标签要求；
165.当每个第四数据的第二置信度满足影响因素的打标签要求时，根据每个第四数据的第二置信度确定对应第四数据的第二目标标签；采用打标签工具，根据每个第四数据的第二目标标签对对应第四数据打标签；
166.当每个第四数据的第二置信度不满足影响因素的打标签要求时，删除所述第四数据。
167.本实施例中，通过将不满足影响因素的打标签要求的第四数据进行删除，即将没有意愿购买产品的客户数据进行删除，保留满足打标签要求的第四数据，提高了后续线索分配的准确率及效率。
168.进一步地，所述判断每个第四数据的第二置信度是否满足打标签要求包括：
169.将每个第四数据的第二置信度与对应分类标签的第二置信度阈值进行比较；
170.当每个第四数据的第二置信度大于或者等于对应分类标签的第二置信度阈值时，确定每个第四数据的第二置信度满足影响因素的打标签要求；
171.当每个第四数据的第二置信度小于对应分类标签的第二置信度阈值时，确定每个第四数据的第二置信度不满足影响因素的打标签要求。
172.本实施例中，所述打标签工具可以为labelimg、labelme、nlp标注工具brat，所述打标签工具为现有技术，根据具体的场景确定不同的打标签工具，本实施例在此不做限制。
173.本实施例中，同一个的分类标签的不同影响因素对应的打标签要求不同，可以预先设置同一个分类标签的每个影响因素的打标签要求，例如，针对年龄中的a保险，设置的打标签要求为每个第四数据的第二置信度大于或者等于0.8；针对年龄中的职业b，设置的打标签要求为每个第三数据的第一置信度大于0.4。
174.本实施例中，通过根据每个分类标签的每个第三数据的第一置信度对对应第三数据打标签，及基于每个影响因素的每个第四数据的第二置信度对对应第四数据打标签，删除掉不符合打标签要求的第三数据和第四数据，提高了保留的第三数据集和第四数据集的准确率，进而提高了客户线索分配的准确率。
175.分配模块207，用于基于已打标签的第三数据集和第四数据集中的标签信息进行客户线索分配。
176.本实施例中，通过对第三数据集和第四数据集打标签，可以确定目标线索对应的客户购买产品的意愿度，根据意愿度进行客户线索分配。
177.在一个可选的实施例中，所述分配模块207基于已打标签的第三数据集和第四数据集中的标签信息进行客户线索分配包括：
178.将所述第三数据集和第四数据集按照客户进行归类，得到每个客户的目标数据集；
179.从每个客户的目标数据集中获取每个客户的目标标签信息；
180.根据每个客户的目标标签信息生成每个客户的线索信息；
181.基于每个客户的线索信息，按照线索分配请求中的分配任务进行客户线索分配。
182.示例性地，m客户的目标标签信息为35岁、购买a保险的概率高、职业为b职业，生成的线索信息为m客户购买a保险的意愿高，则将m客户分配至销售a保险的销售。
183.进一步地，将每个客户的线索信息存储至预先构建的线索池中。
184.本实施例中，通过标签化客户属性，可以更精准的找到潜在客户，进而提高了客户线索分配的准确率。
185.进一步地，在所述基于每个客户的线索信息，按照线索分配请求中的分配任务进行客户线索分配之后，分析多个客户的多个线索信息，得到分析结果；根据所述分析结果构
建新的产品。
186.本实施例中，通过分析多个客户的多个线索信息，根据分析结果辅助产品的改进，例如，面对低续保客户，构建费用低，周期短的保险产品；面向收入稳定的客户人群，构建长期持有，投保成本低廉的保险产品。
187.综上所述，本实施例所述的基于人工智能的线索分配装置，通过对所述第一数据集进行预处理，得到第二数据集，根据预设的多个分类标签，及每个分类标签的多个影响因素进行两次分类，极大减少了每个客户群体数据量，使得客户群更加细化，提高了后续客户线索分配的准确率。通过采用已有投保记录的客户保单数据训练对应分类标签的验证模型及对应的影响因素的验证模型，计算每个第三数据的第一置信度及每个第四数据的第二置信度，根据每个分类标签的每个第三数据的第一置信度对对应第三数据打标签，及基于每个影响因素的每个第四数据的第二置信度对对应第四数据打标签，删除掉不符合打标签要求的第三数据和第四数据，提高了保留的第三数据集和第四数据集的准确率，进而提高了客户线索分配的准确率。
188.实施例三
189.参阅图3所示，为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
190.本领域技术人员应该了解，图3示出的电子设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
191.在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式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、数码相机等。
192.需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
193.在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述电子设备3中的基于人工智能的线索分配装置20，并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(read-only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子擦除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
194.在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、
图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(control unit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。
195.在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
196.尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，可选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
197.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
198.上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
199.在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的基于人工智能的线索分配装置20)、程序代码等，例如，上述的各个模块。
200.所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到基于人工智能的线索分配的目的。
201.示例性的，所述程序代码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31中，并由所述处理器32执行，以完成本技术。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，该指令段用于描述所述程序代码在所述电子设备3中的执行过程。例如，所述程序代码可以被分割成获取模块201、预处理模块202、第一分类模块203、第二分类模块204、输入模块205、打标签模块206及分配模块207。
202.在本发明的一个实施例中，所述存储器31存储多个计算机可读指令，所述多个计算机可读指令被所述至少一个处理器32所执行以实现基于人工智能的线索分配的功能。
203.具体地，所述至少一个处理器32对上述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。
204.在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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。
205.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，既可以位于一个地方，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。
206.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。
207.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。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图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。本发明中陈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。
208.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。