一种数据处理方法、装置、电子设备及计算机可读介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种数据处理方法、装置、电子设备及计算机可读介质。


背景技术：

2.在互联网时代，每个公司都需要客服，负责给顾客解答各类问题。对于客服人员而言，工作能力的提升不仅仅关乎个人成长和绩效，也关乎着企业的形象。如果客服太不专业，经常解决不了问题。让新入职的客服人员去阅览其他老客服人员应答会话详情，以此来学习应答技巧。
3.在实现本技术过程中，发明人发现现有技术中至少存在如下技术问题：
4.通过规则挖掘的优秀应答案例有较高的局限性，比如通过服务时长或服务期间的总的字数来筛选，只能过滤掉会话轮次较少，或者一些无意义的服务案例，真正的好的服务案例可能无法被提取到，从而使得新入职的客服人员学习效果差。


技术实现要素：

5.有鉴于此，本技术实施例提供一种数据处理方法、装置、电子设备及计算机可读介质，能够解决现有的通过规则挖掘的优秀应答案例有较高的局限性，比如通过服务时长或服务期间的总的字数来筛选，只能过滤掉会话轮次较少，或者一些无意义的服务案例，真正的好的服务案例可能无法被提取到，从而使得新入职的客服人员学习效果差的问题。
6.为实现上述目的，根据本技术实施例的一个方面，提供了一种数据处理方法，包括：
7.接收数据处理请求，获取对应的会话数据和角色标识；
8.根据角色标识从会话数据中提取目标角色会话数据；
9.预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率；
10.根据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率，从目标角色会话数据中确定目标会话数据并输出。
11.可选地，根据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率，从目标角色会话数据中确定目标会话数据并输出，包括：
12.对于每一条目标角色会话数据，根据归属于预设类别的概率和预设类别分数确定对应的分数；
13.响应于包含正向因子的概率大于预设阈值并且包含负向因子的概率小于预设阈值，根据各分数确定目标角色会话数据中的目标会话数据并输出。
14.可选地，根据各分数确定目标角色会话数据中的目标会话数据并输出，包括：
15.响应于各分数中存在分数大于预设分数阈值，将各分数中大于预设分数阈值的分数对应的目标角色会话数据确定为目标会话数据并输出。
16.可选地，数据处理方法还包括：
17.响应于各包含正向因子的概率均小于预设阈值或者各包含负向因子的概率均大于预设阈值，确定目标角色会话数据中不存在目标会话数据，结束数据处理进程。
18.可选地，预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率，包括：
19.调用百分制模型，以将目标角色会话数据输入百分制模型，进而输出目标角色会话数据归属于预设类别的概率；
20.调用正向因子模型，以将目标角色会话数据输入正向因子模型，进而输出目标角色会话数据中包含正向因子的概率；
21.调用负向因子模型，以将目标角色会话数据输入负向因子模型，进而输出目标角色会话数据中包含负向因子的概率。
22.可选地，根据角色标识从会话数据中提取目标角色会话数据，包括：
23.根据角色标识确定目标角色，进而从会话数据中提取目标角色对应的目标角色会话数据。
24.可选地，在预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率之前，方法还包括：
25.确定目标角色会话数据对应的时间，进而根据时间对目标会话数据进行拼接，以生成拼接会话数据；
26.利用拼接会话数据更新目标角色会话数据。
27.另外，本技术还提供了一种数据处理装置，包括：
28.接收单元，被配置成接收数据处理请求，获取对应的会话数据和角色标识；
29.数据提取单元，被配置成根据角色标识从会话数据中提取目标角色会话数据；
30.概率预测单元，被配置成预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率；
31.输出单元，被配置成根据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率，从目标角色会话数据中确定目标会话数据并输出。
32.可选地，输出单元进一步被配置成：
33.对于每一条目标角色会话数据，根据归属于预设类别的概率和预设类别分数确定对应的分数；
34.响应于包含正向因子的概率大于预设阈值并且包含负向因子的概率小于预设阈值，根据各分数确定目标角色会话数据中的目标会话数据并输出。
35.可选地，输出单元进一步被配置成：
36.响应于各分数中存在分数大于预设分数阈值，将各分数中大于预设分数阈值的分数对应的目标角色会话数据确定为目标会话数据并输出。
37.可选地，输出单元进一步被配置成：
38.响应于各包含正向因子的概率均小于预设阈值或者各包含负向因子的概率均大于预设阈值，确定目标角色会话数据中不存在目标会话数据，结束数据处理进程。
39.可选地，概率预测单元进一步被配置成：
40.调用百分制模型，以将目标角色会话数据输入百分制模型，进而输出目标角色会
话数据归属于预设类别的概率；
41.调用正向因子模型，以将目标角色会话数据输入正向因子模型，进而输出目标角色会话数据中包含正向因子的概率；
42.调用负向因子模型，以将目标角色会话数据输入负向因子模型，进而输出目标角色会话数据中包含负向因子的概率。
43.可选地，数据提取单元进一步被配置成：
44.根据角色标识确定目标角色，进而从会话数据中提取目标角色对应的目标角色会话数据。
45.可选地，数据处理装置还包括数据拼接单元，被配置成：
46.确定目标角色会话数据对应的时间，进而根据时间对目标会话数据进行拼接，以生成拼接会话数据；
47.利用拼接会话数据更新目标角色会话数据。
48.另外，本技术还提供了一种数据处理电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述的数据处理方法。
49.另外，本技术还提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述的数据处理方法。
50.上述发明中的一个实施例具有如下优点或有益效果：本技术通过接收数据处理请求，获取对应的会话数据和角色标识；根据角色标识从会话数据中提取目标角色会话数据；预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率；根据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率，从目标角色会话数据中确定目标会话数据并输出。目标会话数据是基于多个深度学习方法共同筛选结果，可以实现快速、准确地挖掘目标会话数据供新人学习。
51.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
52.附图用于更好地理解本技术，不构成对本技术的不当限定。其中：
53.图1是根据本技术第一实施例的数据处理方法的主要流程的示意图；
54.图2是根据本技术第二实施例的数据处理方法的主要流程的示意图；
55.图3是根据本技术第三实施例的数据处理方法的应用场景示意图；
56.图4是根据本技术实施例的数据处理方法的百分制模型执行逻辑示意图；
57.图5是根据本技术实施例的数据处理方法的正向/负向因子模型执行逻辑示意图；
58.图6是根据本技术实施例的数据处理装置的主要单元的示意图；
59.图7是本技术实施例可以应用于其中的示例性系统架构图；
60.图8是适于用来实现本技术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
61.以下结合附图对本技术的示范性实施例做出说明，其中包括本技术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，而不会背离本技术的范围和精神。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。本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
62.图1是根据本技术第一实施例的数据处理方法的主要流程的示意图，如图1所示，数据处理方法包括：
63.步骤s101，接收数据处理请求，获取对应的会话数据和角色标识。
64.本实施例中，数据处理方法的执行主体(例如，可以是服务器)可以通过有线连接或无线连接的方式，接收数据处理请求。具体地，数据处理请求可以是从客服与顾客的会话数据中筛选出优秀的会话数据案例的请求。在数据处理请求中携带有待处理的会话数据，示例如下：
65.顾客/客服会话内容
66.顾客我要转人工
67.客服您好，在的顾客你好，我这款申请退货
68.客服您的取件地址是否就是您的收货地址，联系人和号码是否有变更呢？
69.顾客没有
70.顾客你那边提交退货是吗？
71.客服18点前提交，当天22点前审核，18点后提交，明天12点前审核
72.客服是的
73.客服我先提交等待审核下
74.客服请您耐心等待，您可以通过xxapp我的-退换/售后-申请记录关注处理进度
75.客服申请好了
76.顾客你那边申请好了，我这边不用管，就等xx的过来取货是吗？
77.客服嗯嗯先等待电话联系就好了
78.顾客大概什么时候联系
79.客服今天22点前审核，预计是明天上午与您联系，请保持电话通畅
80.顾客好的，谢谢
81.客服嗯嗯
82.数据处理请求中携带的角色标识，用于表征要对哪个角色的会话数据进行提取以进行处理。角色标识，例如可以是kf或01等，表示要对客服的会会话数据进行处理。
83.步骤s102，根据角色标识从会话数据中提取目标角色会话数据。
84.具体地，根据角色标识从会话数据中提取目标角色会话数据，包括：根据角色标识确定目标角色，进而从会话数据中提取目标角色对应的目标角色会话数据。
85.示例的，目标角色，例如可以是“客服”这个角色。当角色标识为kf时，执行主体可以根据角色标识从会话数据中提取“客服”的会话数据，部分顾客会话数据(即目标角色会话数据)的示例如下：
86.客服:您好，在的
87.客服:您的取件地址是否就是您的收货地址，联系人和号码是否有变更呢？
88.客服18点前提交，当天22点前审核，18点后提交，明天12点前审核
89.客服是的
90.客服我先提交等待审核下
91.客服请您耐心等待，您可以通过xxapp我的-退换/售后-申请记录关注处理进度
92.客服申请好了
93.客服嗯嗯先等待电话联系就好了
94.客服今天22点前审核，预计是明天上午与您联系，请保持电话通畅
95.客服嗯嗯
96.步骤s103，预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率。
97.预设类别，可以包括非常满意、满意、一般、不满意、非常不满意。执行主体预测目标角色会话数据归属于预设类别的概率，可以通过如下方式实现：对目标角色会话数据进行分词，得到分词数据，示例的，将“今天22点前审核，预计是明天上午与您联系，请保持电话通畅”这个目标角色会话数据进行分词，得到“22点前审核”、“明天上午”、“与您联系”、“请保持电话通畅”。执行主体在得到分词数据后，可以调用预先设置的存储有分词-类别键值对的数据库，以根据得到的分词数据“22点前审核”、“明天上午”、“与您联系”、“请保持电话通畅”得到对应的类别，进而基于得到的对应的类别确定属于预设类别的概率。假设，分词数据“22点前审核”、“明天上午”、“与您联系”、“请保持电话通畅”对应的类别分别为：“22点前审核
”‑“
非常满意”、“明天上午
”‑“
非常满意”、“与您联系
”‑“
非常满意”、“请保持电话通畅
”‑“
满意”，则执行主体据此即可以得到“今天22点前审核，预计是明天上午与您联系，请保持电话通畅”这个目标角色会话数据属于预设类别的概率分别为：属于“非常满意”的概率为75％，属于“满意”的概率为25％，属于“一般”的概率为0，属于“不满意”的概率为0，属于“非常不满意”的概率为0。
98.正向因子可以为具有积极含义的字、词或短语。负向因子可以为具有消极含义的字、词或短语。示例的：
99.正向因子：有甜言蜜语、有同理心、有升级反馈方案、对用户情绪有安抚/致歉、有明确方案时效、有责任担当的字、词或短语。
100.负向因子：语义为答非所问、沟通不当、推诿、情绪未安抚、承诺未兑现、顾客要补偿未回应的字、词或短语。
101.执行主体可以对目标角色会话数据进行分词，得到分词数据，示例的：“22点前审核”、“明天上午”、“与您联系”、“请保持电话通畅”、“您可以找xx客服问问，这个我不太懂”、“这不是我责任范围之内的工作”、“您要这样想我也没办法”、“不是我的错”、“这个补偿现在不能给到您了”、“抱歉现在是下班时间”。
102.在该实施例中，“22点前审核”、“明天上午”、“与您联系”、“请保持电话通畅”属于正向因子，在得到的分词数据中的概率为40％，即目标角色会话数据中包含正向因子的概率为40％；“您可以找xx客服问问，这个我不太懂”、“这不是我责任范围之内的工作”、“您要这样想我也没办法”、“不是我的错”、“这个补偿现在不能给到您了”、“抱歉现在是下班时间”不属于正向因子，概率为60％。
103.在该实施例中，“22点前审核”、“明天上午”、“与您联系”、“请保持电话通畅”不属于负向因子，在得到的分词数据中的概率为40％；“您可以找xx客服问问，这个我不太懂”、“这不是我责任范围之内的工作”、“您要这样想我也没办法”、“不是我的错”、“这个补偿现在不能给到您了”、“抱歉现在是下班时间”属于负向因子，即目标角色会话数据中包含负向因子的概率为60％。
104.步骤s104，根据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率，从目标角色会话数据中确定目标会话数据并输出。
105.具体地，在预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率之前，方法还包括：确定目标角色会话数据对应的时间，进而根据时间对目标会话数据进行拼接，以生成拼接会话数据；利用拼接会话数据更新目标角色会话数据。
106.示例的，拼接方式：字符串拼接,中间加空格。
107.例如，拼接前：
108.客服：您好，在的
109.客服：请问有什么可以帮您
110.拼接后：您好，在的,请问有什么可以帮您
111.通过对各个目标会话数据进行拼接，可以使得目标会话数据更完整，上下文语义更清晰，有助于提高各种概率预测的准确性。
112.具体地，预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率，包括：调用百分制模型，以将目标角色会话数据输入百分制模型，进而输出目标角色会话数据归属于预设类别的概率；调用正向因子模型，以将目标角色会话数据输入正向因子模型，进而输出目标角色会话数据中包含正向因子的概率；调用负向因子模型，以将目标角色会话数据输入负向因子模型，进而输出目标角色会话数据中包含负向因子的概率。
113.将一通会话中，把属于客服的部分均提取出来，将其拼接后，作为百分制模型的输入。模型结构：模型采用fasttxt模型进行分类，此处也可以替换为其他分类模型，具体百分制模型的执行逻辑如图4所示，首先对客服话术进行拼接，然后通过fasttext模型进行类别预测，得到5个类别的概率，然后把概率分别和对应的分数相乘，得到最终分数，例如：
114.非常满意的概率为0.9，满意的概率为0.05，一般的概率为0.01，不满意的概率为0.02，非常不满意的概率为0.02。最终分数为：
115.100*0.9 80*0.05 60*0.01 40*0.02 20*0.02＝95.8
116.其中，百分制模型的模型训练语料：选取10000通人工客服会话进行标注，每通会话均按照满意度标注一个类别。标注类别:非常满意、满意、一般、不满意、非常不满意,这五个中的一个。标注规则就是,人工去给这10000通会话中的客服回答进行分类,分为五个类别，分别是非常满意、满意、一般、不满意、非常不满意。
117.正向因子模型和负向因子模型：两个模型所用的处理逻辑相同，在这里一起说明。下面以正向因子模型为例：
118.模型输入：客服与顾客会话详情中客服的部分，且把属于客服的部分均提取出来，将其拼接后，作为模型输入。此处逻辑同百分制模型相同。
119.模型输出：输出两个类别，第一个类别为包含正向因子的概率，第二个类别为不包含正向因子的概率。也就是说如果第一个类别概率大于第二个类别概率，则这次应答中客服回答包含了正向因子。
120.模型训练语料：选取2000通人工客服会话进行标注，每通会话按照是否包含正向因子来标注。
121.正向因子模型的模型结构如图5所示。在图5中，模型的执行逻辑为：首先对客服话术进行拼接，然后通过fasttext模型进行类别预测，最终根据类别概率大小确定是否包含正向因子。
122.负向因子模型也是相同的步骤和模型，区别在于两者的训练语料不同，一个是标注正向和非正向，一个是标注负向和非负向。
123.根据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率，从目标角色会话数据中确定目标会话数据并输出。目标会话数据即筛选的优秀应答案例。根据百分制模型、正向因子模型、负向因子模型共同挖掘优秀应答案例。具体规则如下：(1)百分制模型结果大于80；(2)正向因子模型结果为包含正向因子(包含正向因子的概率大于50％)；(3)负向因子模型结果为不包含负向因子(包含负向因子的概率小于等于50％)。
124.其中，百分模型的筛选条件(百分制模型结果大于80)可以随时根据挖掘的最终结果进行调整。基于多个深度学习模型共同筛选客服优秀案例，可以使得筛选得到的客服优秀案例(即目标会话数据)更精确，有助于快速提升新人的工作能力。
125.本实施例通过接收数据处理请求，获取对应的会话数据和角色标识；根据角色标识从会话数据中提取目标角色会话数据；预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率；根据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率，从目标角色会话数据中确定目标会话数据并输出。目标会话数据是基于多个深度学习方法共同筛选结果，可以实现快速、准确地挖掘目标会话数据供新人学习。
126.图2是根据本技术第二实施例的数据处理方法的主要流程示意图，如图2所示，数据处理方法包括：
127.步骤s201，接收数据处理请求，获取对应的会话数据和角色标识。
128.数据处理请求对应的会话数据可以是同一天的会话数据，也可以是间隔数天的会话数据，例如周一的会话数据、周三的会话数据、周五的会话数据。会话数据也可以是不连续的时间段的会话数据，例如周一上午10：01-10:15、下午14:05-15:00的会话数据。本技术实施例对会话数据所对应的时间不做具体限定。
129.步骤s202，根据角色标识从会话数据中提取目标角色会话数据。
130.步骤s203，预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率。
131.步骤s204，对于每一条目标角色会话数据，根据归属于预设类别的概率和预设类别分数确定对应的分数。
132.执行主体可以将归属于预设类别的概率和对应的预设类别分数相乘以得到每一条目标角色会话数据(可以是客服1的会话数据，也可以是客服2的会话数据，也可以是客服n的会话数据)最终的分数。
133.示例的：归属于非常满意类别的概率为0.9，归属于满意类别的概率为0.05，归属于一般类别的概率为0.01，归属于不满意类别的概率为0.02，归属于非常不满意类别的概率为0.02。最终分数为：
134.100*0.9 80*0.05 60*0.01 40*0.02 20*0.02＝95.8
135.步骤s205，响应于包含正向因子的概率大于预设阈值并且包含负向因子的概率小于预设阈值，根据各分数确定目标角色会话数据中的目标会话数据并输出。
136.执行主体可以将百分制模型的结果大于80分、正向因子模型的结果为包含正向因子且负向因子模型的结果不包含负向因子的目标角色会话数据确定为目标会话数据，也就是客服优秀案例，并可以通过邮件、短信等方式推送至新人对应的终端，以供新人学习。
137.示例的，筛选结果:比如一通会话,百分模型结果为90分,同时正向因子有:有责任担当,同时无负向因子,这时,就算筛选通过。如果一通会话打分为70分,则筛选不通过,因为要求分数必须》80,或者一通会话中,有“答非所问”之类的负向因子且出现的概率大于50％,则也筛选不通过。
138.具体地，根据各分数确定目标角色会话数据中的目标会话数据并输出，包括：
139.响应于各分数中存在分数大于预设分数阈值，将各分数中大于预设分数阈值的分数对应的目标角色会话数据确定为目标会话数据并输出。
140.在包含正向因子的概率大于预设阈值并且包含负向因子的概率小于预设阈值的前提下，通过判断百分制模型输出的分数来确定哪些目标角色会话数据为目标会话数据。具体是将分数大于预设分数阈值，例如80分的分数对应的目标角色会话数据确定为目标会话数据并输出。
141.具体地，方法还包括：
142.响应于各包含正向因子的概率均小于预设阈值或者各包含负向因子的概率均大于预设阈值，确定目标角色会话数据中不存在目标会话数据，结束数据处理进程。
143.只要目标角色会话数据中不包含正向因子(即各包含正向因子的概率均小于预设阈值)或者包含负向因子(即各包含负向因子的概率均大于预设阈值)，则该目标角色会话数据不符合客服优秀案例的要求，不能作为目标会话数据输出，结束目标会话数据的确定进程。
144.图3是根据本技术第三实施例的数据处理方法的应用场景示意图。本技术实施例的数据处理方法，应用于从众多的客服会话数据中挑选出客服优秀案例的场景。如图3所示，执行主体在接收到整通会话后，可以提取客户话术(即客服会话数据，也即本技术中的目标角色会话数据)，并对提取的客服话术进行拼接，将拼接的客户话术分别输入至百分制模型、正向因子模型、负向因子模型，分别输出分数、包含正向因子的概率、包含负向因子的概率，然后执行主体可以基于输出分数、包含正向因子的概率、包含负向因子的概率对输入的正统会话进行结果筛选，筛选的具体规则如下：(1)百分制模型结果大于80；(2)正向因子模型结果为包含正向因子(包含正向因子的概率大于50％)；(3)负向因子模型结果为不包含负向因子(包含负向因子的概率小于等于50％)，最后得到符合筛选规则的优秀应答案例(即目标会话数据)并输出。
145.本技术实施例可以根据客服的表现映射到0-100的分数上，粒度更细，易于统计分析和量化；自定义了正负向因子并训练对应的模型来作为优秀应答案例筛选规则。实现快
速、准确地挖掘客服优秀案例供新人学习。
146.图6是根据本技术实施例的数据处理装置的主要单元的示意图。如图6所示，数据处理装置600包括接收单元601、数据提取单元602、概率预测单元603和输出单元604。
147.接收单元601，被配置成接收数据处理请求，获取对应的会话数据和角色标识；
148.数据提取单元602，被配置成根据角色标识从会话数据中提取目标角色会话数据；
149.概率预测单元603，被配置成预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率；
150.输出单元604，被配置成根据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率，从目标角色会话数据中确定目标会话数据并输出。
151.在一些实施例中，输出单元604进一步被配置成：对于每一条目标角色会话数据，根据归属于预设类别的概率和预设类别分数确定对应的分数；响应于包含正向因子的概率大于预设阈值并且包含负向因子的概率小于预设阈值，根据各分数确定目标角色会话数据中的目标会话数据并输出。
152.在一些实施例中，输出单元604进一步被配置成：响应于各分数中存在分数大于预设分数阈值，将各分数中大于预设分数阈值的分数对应的目标角色会话数据确定为目标会话数据并输出。
153.在一些实施例中，输出单元604进一步被配置成：响应于各包含正向因子的概率均小于预设阈值或者各包含负向因子的概率均大于预设阈值，确定目标角色会话数据中不存在目标会话数据，结束数据处理进程。
154.在一些实施例中，概率预测单元603进一步被配置成：调用百分制模型，以将目标角色会话数据输入百分制模型，进而输出目标角色会话数据归属于预设类别的概率；调用正向因子模型，以将目标角色会话数据输入正向因子模型，进而输出目标角色会话数据中包含正向因子的概率；调用负向因子模型，以将目标角色会话数据输入负向因子模型，进而输出目标角色会话数据中包含负向因子的概率。
155.在一些实施例中，数据提取单元602进一步被配置成：根据角色标识确定目标角色，进而从会话数据中提取目标角色对应的目标角色会话数据。
156.在一些实施例中，数据处理装置还包括图6中未示出的数据拼接单元，被配置成：确定目标角色会话数据对应的时间，进而根据时间对目标会话数据进行拼接，以生成拼接会话数据；利用拼接会话数据更新目标角色会话数据。
157.需要说明的是，在本技术数据处理方法和数据处理装置在具体实施内容上具有相应关系，故重复内容不再说明。
158.图7示出了可以应用本技术实施例的数据处理方法或数据处理装置的示例性系统架构700。
159.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。
160.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。终端设备701、702、703上可以安装有各种通讯顾客端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱顾客端、社交平台软件等(仅为示例)。
161.终端设备701、702、703可以是具有数据处理屏并且支持网页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。
162.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所提交的数据处理请求提供支持的后台管理服务器(仅为示例)。后台管理服务器可以接收数据处理请求，获取对应的会话数据和角色标识；根据角色标识从会话数据中提取目标角色会话数据；预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率；根据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率，从目标角色会话数据中确定目标会话数据并输出。目标会话数据是基于多个深度学习方法共同筛选结果，可以实现快速、准确地挖掘目标会话数据供新人学习。
163.需要说明的是，本技术实施例所提供的数据处理方法一般由服务器705执行，相应地，数据处理装置一般设置于服务器705中。
164.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。
165.下面参考图8，其示出了适于用来实现本技术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，不应对本技术实施例的功能和使用范围带来任何限制。
166.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ram803中，还存储有计算机系统800操作所需的各种程序和数据。cpu801、rom802以及ram803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。
167.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)、液晶征信授权查询处理器(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。
168.特别地，根据本技术公开的实施例，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，本技术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，执行本技术的系统中限定的上述功能。
169.需要说明的是，本技术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包括但不限于电、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、电线、光缆、rf等等，或者上述的任意合适的组合。
170.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。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。
171.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，例如，可以描述为：一种处理器包括接收单元、数据提取单元、概率预测单元和输出单元。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。
172.作为另一方面，本技术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，使得该设备接收数据处理请求，获取对应的会话数据和角色标识；根据角色标识从会话数据中提取目标角色会话数据；预测目标角色会话数据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率；根据归属于预设类别的概率、包含正向因子的概率和包含负向因子的概率，从目标角色会话数据中确定目标会话数据并输出。
173.根据本技术实施例的技术方案，目标会话数据是基于多个深度学习方法共同筛选结果，可以实现快速、准确地挖掘目标会话数据供新人学习。
174.上述具体实施方式，并不构成对本技术保护范围的限制。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。任何在本技术的精神和原则之内所作的修改、等同替换和改进等，均应包含在本技术保护范围之内。