Nothing Special   »   [go: up one dir, main page]

CN116452212B - 一种智能客服商品知识库信息管理方法及系统 - Google Patents

一种智能客服商品知识库信息管理方法及系统 Download PDF

Info

Publication number
CN116452212B
CN116452212B CN202310448746.8A CN202310448746A CN116452212B CN 116452212 B CN116452212 B CN 116452212B CN 202310448746 A CN202310448746 A CN 202310448746A CN 116452212 B CN116452212 B CN 116452212B
Authority
CN
China
Prior art keywords
commodity
information
question
data
answer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310448746.8A
Other languages
English (en)
Other versions
CN116452212A (zh
Inventor
王冠鸿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Fast Selling Polytron Technologies Inc
Original Assignee
Shenzhen Fast Selling Polytron Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Fast Selling Polytron Technologies Inc filed Critical Shenzhen Fast Selling Polytron Technologies Inc
Priority to CN202310448746.8A priority Critical patent/CN116452212B/zh
Publication of CN116452212A publication Critical patent/CN116452212A/zh
Application granted granted Critical
Publication of CN116452212B publication Critical patent/CN116452212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Computer Interaction (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术领域，尤其是涉及一种智能客服商品知识库信息管理方法及系统。所述方法包括以下步骤：获取实时商品数据集，并对实时商品数据集进行商品数据清洗分类处理，获得标准商品数据集；利用标准商品数据集进行商品知识库信息问答的映射关系建立，从而生成智能客服商品知识库信息问答模型；接收终端发送的商品问题信息并传送至智能客服商品知识库信息问答模型进行商品信息智能回复处理，生成商品问答信息数据；对商品问答信息数据进行用户问答信息优化分析处理，生成商品问答信息优化分析数据，并将商品问答信息优化分析数据进行保存并传送至终端。本发明能够智能化地回答商品信息的问题，解答用户在购物中提出的商品问题。

Description

一种智能客服商品知识库信息管理方法及系统
技术领域
本发明涉及人工智能技术领域，尤其是涉及一种智能客服商品知识库信息管理方法及系统。
背景技术
随着互联网的普及与人工智能的普及应用，智能客服也越来越多。智能客服是在大规模知识处理基础上发展起来的一项面向行业的应用，适用于大规模知识处理、自然语言理解、知识管理、自动问答系统、推理等等技术行业，智能客服不仅为企业提供了细粒度知识管理技术，还为企业与海量用户之间的沟通建立了一种基于自然语言的快捷有效的技术手段；同时还能够为企业提供精细化管理所需的统计分析信息；目前大部分智能客服都是基于大数据知识处理技术的应用，即提前将智能客服需要的数据存储于知识库中，在智能客服工作时，随时去读取知识库中存储的知识。数据即是由大量的“问答对”组成的，问题和对应答案匹配成一组，这些“问答对”来自平时访客和人工客服的交流沟通，或者其它对话场合，然后经人工梳理形成可供智能客服使用的知识库；然而传统的智能客服对答案的回答显得很机械化，无法满足客户的需求，在用户对商品问题提出疑问时回答的问题都达不到用户满意的效果，之中较为机械呆板的回答方式使用户体验感下降，并且，知识库储存了大量的对话数据，智能客服在每次检索答案时，需要运算的数据量庞大，所需要的时间也越来越长，从而影响智能客服回答问题的响应时间，延长了访客的等待时间。
发明内容
本发明提供一种智能客服商品知识库信息管理方法，已解决至少一个上述技术问题。
为实现上述目的，一种智能客服商品知识库信息管理方法，所述方法包括以下步骤：
步骤S1：获取实时商品数据集，并对实时商品数据集进行商品数据清洗分类处理，从而获得标准商品数据集；
步骤S2：利用标准商品数据集进行商品知识库信息问答的映射关系建立，从而生成智能客服商品知识库信息问答模型；
步骤S3：接收终端发送的商品问题信息并传送至智能客服商品知识库信息问答模型进行商品信息智能回复处理，从而生成商品问答信息数据；
步骤S4：对商品问答信息数据进行用户问答信息优化分析处理，生成商品问答信息优化分析数据，并将商品问答信息优化分析数据进行保存并传送至终端。
本实施例提供一种智能客服商品知识库信息管理方法，获取从外部收集到的实时商品数据集，在进行商品数据清洗分类处理中可以防止由于杂乱或者数据冗余等问题造成的结果误差，再通过建造智能客服商品知识库信息问答模型可以使接收用户问题使进行智能答复，并且再将智能答复进行优化回答，反馈给客户满意的答案，以实现智能客服对答案的回答显得智能化，满足客户的需求，在用户对商品问题提出疑问时回答的问题都达到用户满意的效果，提高智能化情感化的回答方式使用户体验感上升，并且，知识库储存了大量的对话数据，优化处理知识库的数据，使智能客服在每次检索答案时，得到精确的数据量，所需要的时间也越来越短，从而智能客服回答问题的响应时间变短，减短了用户的等待时间。
在本说明书的一个实施例中，步骤S1包括以下步骤，其中商品数据清洗分类处理包括商品数据分块处理、商品数据清洗处理、商品数据降噪处理与商品数据分类处理：
步骤S11：获取实时商品数据集；
步骤S12：对实时商品数据集进行商品数据分块处理，从而生成块文件商品数据集。
步骤S13：对块文件商品数据集进行商品数据清洗处理，将实时商品数据集中冗余的数据去除，从而得到清洗商品数据集；
步骤S14：利用商品数据集降噪公式对清洗商品数据集进行商品数据降噪处理，从而生成降噪商品数据集；
步骤S15：对降噪商品数据集根据相同的数据字段进行商品数据分类处理，从而生成标准商品数据集。
本实施例为对实时商品数据集进行数据清洗分类处理，由于实时商品数据集的数据量过于庞大，先将实时商品数据集进行分块处理，减小系统对数据处理的压力，数据集中存在大量重复、无用与缺失的数据，对无用与重复的数据进行删除、对缺失值数据用均值补充，再对数据中的噪点数据进行处理，防止影响数据运行的结果，在数据获取时，由于获取不同的数据在进行后续步骤不能直接进行运用，将数据以相同数据字段进行分类，从而能够让数据进行后续步骤能加快数据运行的速度并且得到精确的结果。
在本说明书的一个实施例中，步骤S14中的商品数据集降噪公式为：
表式为商品数据集降噪指数，表示为清洗商品数据集中的最后一项清洗商品数据，表示为各清洗商品数据的权重信息，表示为清洗商品数据集修复噪点的权重信息，表示清洗商品数据集异常噪点的权重信息，为表示清洗商品数据集异常噪点的平均值，表示为异常商品数据集降噪指数的调整项。
本实施例对清洗商品数据集每一项数据进行降噪处理，通过清洗商品数据集得到商品数据集降噪指数进行降噪处理，利用每一项清洗商品数据的权重信息对清洗商品修复噪点的权重信息得到，利用对清洗商品数据集进行噪点修复，从而帮助清洗商品数据集进行降噪，通过清洗商品数据集异常噪点的权重信息与清洗商品数据集异常噪点的平均值，得到，表示由清洗商品数据集的异常噪点得到的分析数据，再利用常商品数据集降噪指数的调整项对商品数据集降噪指数进行调整，从而完成商品数据集降噪公式。
在本说明书的一个实施例中，步骤S2包括以下步骤：
步骤S21：获取商品知识库信息问答模型构建模块；
步骤S22：对标准商品数据集进行数据特征关键字段提取，从而生成商品关键字段数据集；
步骤S23：对商品关键字段数据集进行神经网络学习处理并进行整合，从而生成商品知识信息库；
步骤S24：利用商品知识库信息问答模型构建模块对商品知识信息库进行模型构建处理，得到商品知识库信息问答模型；
步骤S25：利用智能商品知识库信息问答公式对商品知识库信息问答模型进行问答信息优化处理，从而生成智能客服商品知识库信息问答模型。
本实施例构建智能客服问答模型，当用户提出商品问题后，会最终传入智能客服商品知识库信息问答模型帮助用户解决所需问题，并把问题答案反馈给用户，在智能客服商品知识库信息问答模型中利用对标准商品数据集的特征信息进行收集，再通过神经网络学习把标准商品数据集的特征数据集标记为答案，从而反推出问题保存到智能客服商品知识库信息问答模型中，当用户提出类似问题，智能客服商品知识库信息问答模型可以立马给出答案反馈给客户，效率得到提高从而减少用户的等待时间，并且回答的问题精准满足客户需求。
在本说明书的一个实施例中，步骤S25中的智能商品知识库信息问答公式为：
表式为商品知识库信息问答模型优化指数，表示为商品知识信息库中的最后一项商品信息数据，表示为商品知识库信息中的商品数据集信息的权重信息，表示为商品知识库中商品关键字段数据集的权重信息，表示为商品知识库信息中每一项商品数据集的优化调整的权重信息，表示为商品知识库信息中商品数据集信息异常数据的平均值，表示为异常商品知识库信息问答模型优化指数调整项。
本实施例利用商品知识库中的每一项商品信息构成的智能商品知识库信息问答公式对商品知识库信息问答模型进行问答信息优化处理，由商品知识库中商品关键字段数据集的权重信息与商品知识库信息中每一项商品数据集的优化调整的权重信息构成商品知识库信息中的每一项数据集的优化信息，再通过优化信息对商品知识库信息中的商品数据集信息的权重信息进行调整，并且利用商品知识库信息中商品数据集信息异常数据的平均值为指数进行优化调整，再利用异常商品知识库信息问答模型优化指数调整项对商品知识库信息问答模型优化指数进行异常调整。
在本说明书的一个实施例中，步骤S3包括以下步骤：
步骤S31：接收终端发送的商品问题信息；
步骤S32：将商品问题信息进行问题智能审核判断处理，从而生成审核通过问题信息或审核失败问题信息；
步骤S33：将审核失败问题信息传送回终端并进行反馈；
步骤S34：将审核通过问题信息传送至智能客服商品知识库信息问答模型进行商品信息智能回复处理，从而生成商品问答信息数据。
本实施例对用户发送的商品问题信息通过终端进行接收，对商品问题信息进行审核可以防止机械人恶意刷商品问题信息，审核失败的问题反馈给终端进行处理，并且对商品问题信息进行审核可以有更针对性的答案进行回答，对于审核通过的问题信息，在智能客服商品知识库信息问答模型会通过问题推演出商品信息答案迅速反馈给用户，帮助解答用户提出的疑问。
在本说明书的一个实施例中，步骤S32包括以下步骤：
步骤S321：预设商品问题信息审核阈值；
步骤S322：利用商品问题信息与商品知识信息库进行数据字段重合比对处理，得到商品问题审核通过率；
步骤S323：利用商品问题审核通过率与商品信息审核阈值进行比对，当商品问题审核通过率达到商品信息审核阈值时，判定为审核通过问题信息，当商品问题审核通过率未达到商品信息审核阈值时，判定为审核失败问题信息。
本实施例预设的商品问题信息审核阈值是为了用来比对商品问题信息，当接收到的商品问题信息完全和商品没有本质上的联系，在商品知识信息库的商品信息完全与商品问题信息没有关系，则认为是审核失败问题信息，对于审核失败问题信息进行过滤处理，减少系统对商品问题进行处理时运行压力，并且能更好的收集审核通过问题信息，再利用这些审核通过问题信息进行特征信息进行收集，生成商品问题特征信息，利用这些商品问题特征信息生成对应的商品信息从而能更好回复后续的商品问题信息。
在本说明书的一个实施例中，步骤S4包括以下步骤：
步骤S41：对商品问答信息数据进行历史信息数据收集，从而生成历史商品问答信息数据；
步骤S42：对历史商品问答信息数据进行问答信息分类，生成历史分类商品问答信息数据，并对历史分类商品问答信息数据进行问答分类信息访问次数统计处理，从而生成分类商品问答信息访问次数数据；
步骤S43：利用商品问答分析公式对分类商品问答信息访问次数数据进行以商品的分类问答访问信息为数据基础通过算法改进而建立模型，从而生成商品问答信息分析数据模型；
步骤S44：通过商品问答信息分析数据模型将商品问答信息数据进行用户问答信息优化分析处理，从而生成商品问答信息优化分析数据；
步骤S45：将商品问答信息优化分析数据传送至终端并对终端进行反馈。
本实施例通过对历史的商品问答信息进行收集，观察用户对哪一类商品问题信息提出的最多，并且统计用户访问每一类的商品问题信息，通过对用户访问的问题信息去进行分析，更了解用户对什么商品问题有需求，并根据这些商品问题的需求去更加针对性的解决问题，亦或者是用这些问题信息去建立商品问答信息分析数据模型，通过用户对不同类商品信息问题的提出为数据基础，去不停的更新商品问答信息分析数据模型，当有新的商品问答信息数据传送到商品问答信息分析数据模型中时，则可以判定该商品问答信息是否为热门的商品问答信息，该商品类的数据有什么等，并且将这些优化分析数据传送给终端并对终端进行反馈，从而可以将商品问答信息优化分析数据反馈给用户，满足各个用户对商品信息提出的需求。
在本说明书的一个实施例中，商品问答分析公式包括访问分类商品问题信息数据公式，步骤S43包括以下步骤：
利用访问分类商品问题信息数据公式对所述分类商品问答信息访问次数数据进行预处理，得到访问分类问答信息数据；
利用商品问答分析公式对访问分类问答信息数据进行以商品的分类问答访问信息为数据基础通过算法改进而建立模型，从而生成商品问答信息分析数据模型；
访问分类商品问题信息数据公式为：
其中，表示为访问分类商品问题信息数据指数，表示为商品问答信息数据中的最后一个商品问题信息，表示为每一项商品问题信息的权重信息，表示为每一项商品问题信息对应的商品信息数据集的权重信息，表示为商品问题信息数据提取的特征信息数据，为商品问题信息异常问题权重信息；
商品问答分析公式为：
其中，表示为商品问答分析数据指数，表示为商品问答信息数据的最后一个商品问题信息，表示为访问分类商品问题信息数据指数，表示为商品问答信息数据中所有商品问题信息数据的权重信息，表示为每一项商品问题信息对应的商品信息数据集的权重信息，表示为异常商品问答分析数据指数调整项。
本实施例利用商品问答分析公式对分类商品问答信息访问次数数据进行模型建立的过程，在商品问答分析公式中包含了访问分类商品问题信息数据公式，利用访问分类商品问题信息数据公式对分类商品问答信息访问次数数据进行预处理，可以得到用户对商品提出的问题数据、商品的热门信息数据、商品的价格数据等组成的访问分类问答信息数据，在访问分类商品问题信息数据公式中每一项商品问题信息的权重信息与每一项商品问题信息对应的商品信息数据集的权重信息构成商品问答信息的权重信息，并利用商品问题信息数据提取的特征信息数据与品问题信息异常问题权重信息进行调整，得到访问分类商品问题信息数据指数，利用访问分类商品问题信息数据指数对每一项商品问题信息对应的商品信息数据集的权重信息进行指数运算，并用异常商品问答分析数据指数调整项进行调整，从而得到商品问答分析数据指数，通过商品问答信息数据为基础利用商品问答分析数据指数去建立商品问答信息分析数据模型。
在本说明书的一个实施例中一种智能客服商品知识库信息管理系统，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述所述的智能客服商品知识库信息管理方法。
本实施例提供一种智能客服商品知识库信息管理系统，该系统能够实现本发明所述任意一种智能客服商品知识库信息管理方法，用于联合各个设备之间的操作与数据传输的媒介，接收终端设备发送的商品信息数据，并把数据进行数据分块、清洗、降噪，从而得到待处理的数据集，再待处理的利用数据集建立商品问答信息的模型从而去处理终端传送来的商品问题信息，并将得到的商品问答信息数据进行分析处理，系统内部结构互相协作，从而完善智能客服商品知识库信息管理方法。
本申请实施例中，智能客服管理商品知识库带来了更便捷的方式，通过获取来的商品信息数据进行数据分块减小系统运行的压力，再对数据进行数据清洗与数据降噪可以减少结果因为数据杂乱产生的误差，对数据进行数据分类，使相同数据字段的数据归为一类，如商品价格为一类、商品信息为一类，使系统更方便处理数据集，再对处理完得到的商品信息数据集为数据基础建立智能客服商品知识库信息问答模型，该模型通过商品信息数据反推出用户可能问到的问题，当用户提出问题信息后传入到该模型中，可以立马检索到问题答案，减少了用户的等待时间，并且可以更贴合用户所需要的答案，并且对这些问答信息数据进行优化分析处理，收集用户查找最多类别的商品信息，并分析用户查找的问题与所得出的答案，得出分析数据，使智能客服在每次检索答案时，得到精确的数据量，让智能客服回答问题的响应时间变短，减短了用户的等待时间。并且将这些优化分析数据传送给终端并对终端进行反馈，从而可以将商品问答信息优化分析数据反馈给用户，满足各个用户对商品信息提出的需求本发明提供一种智能客服商品知识库信息管理方法，已解决至少一个上述技术问题。
为实现上述目的，一种智能客服商品知识库信息管理方法，所述方法包括以下步骤：
步骤S1：获取实时商品数据集，并对实时商品数据集进行商品数据清洗分类处理，从而获得标准商品数据集；
步骤S2：利用标准商品数据集进行商品知识库信息问答的映射关系建立，从而生成智能客服商品知识库信息问答模型；
步骤S3：接收终端发送的商品问题信息并传送至智能客服商品知识库信息问答模型进行商品信息智能回复处理，从而生成商品问答信息数据；
步骤S4：对商品问答信息数据进行用户问答信息优化分析处理，生成商品问答信息优化分析数据，并将商品问答信息优化分析数据进行保存并传送至终端。
本实施例提供一种智能客服商品知识库信息管理方法，获取从外部收集到的实时商品数据集，在进行商品数据清洗分类处理中可以防止由于杂乱或者数据冗余等问题造成的结果误差，再通过建造智能客服商品知识库信息问答模型可以使接收用户问题使进行智能答复，并且再将智能答复进行优化回答，反馈给客户满意的答案，以实现智能客服对答案的回答显得智能化，满足客户的需求，在用户对商品问题提出疑问时回答的问题都达到用户满意的效果，提高智能化情感化的回答方式使用户体验感上升，并且，知识库储存了大量的对话数据，优化处理知识库的数据，使智能客服在每次检索答案时，得到精确的数据量，所需要的时间也越来越短，从而智能客服回答问题的响应时间变短，减短了用户的等待时间。
在本说明书的一个实施例中，步骤S1包括以下步骤，其中商品数据清洗分类处理包括商品数据分块处理、商品数据清洗处理、商品数据降噪处理与商品数据分类处理：
步骤S11：获取实时商品数据集；
步骤S12：对实时商品数据集进行商品数据分块处理，从而生成块文件商品数据集。
步骤S13：对块文件商品数据集进行商品数据清洗处理，将实时商品数据集中冗余的数据去除，从而得到清洗商品数据集；
步骤S14：利用商品数据集降噪公式对清洗商品数据集进行商品数据降噪处理，从而生成降噪商品数据集；
步骤S15：对降噪商品数据集根据相同的数据字段进行商品数据分类处理，从而生成标准商品数据集。
本实施例为对实时商品数据集进行数据清洗分类处理，由于实时商品数据集的数据量过于庞大，先将实时商品数据集进行分块处理，减小系统对数据处理的压力，数据集中存在大量重复、无用与缺失的数据，对无用与重复的数据进行删除、对缺失值数据用均值补充，再对数据中的噪点数据进行处理，防止影响数据运行的结果，在数据获取时，由于获取不同的数据在进行后续步骤不能直接进行运用，将数据以相同数据字段进行分类，从而能够让数据进行后续步骤能加快数据运行的速度并且得到精确的结果。
在本说明书的一个实施例中，步骤S14中的商品数据集降噪公式为：
表式为商品数据集降噪指数，表示为清洗商品数据集中的最后一项清洗商品数据，表示为各清洗商品数据的权重信息，表示为清洗商品数据集修复噪点的权重信息，表示清洗商品数据集异常噪点的权重信息，为表示清洗商品数据集异常噪点的平均值，表示为异常商品数据集降噪指数的调整项。
本实施例对清洗商品数据集每一项数据进行降噪处理，通过清洗商品数据集得到商品数据集降噪指数进行降噪处理，利用每一项清洗商品数据的权重信息对清洗商品修复噪点的权重信息得到，利用对清洗商品数据集进行噪点修复，从而帮助清洗商品数据集进行降噪，通过清洗商品数据集异常噪点的权重信息与清洗商品数据集异常噪点的平均值，得到，表示由清洗商品数据集的异常噪点得到的分析数据，再利用常商品数据集降噪指数的调整项对商品数据集降噪指数进行调整，从而完成商品数据集降噪公式。
在本说明书的一个实施例中，步骤S2包括以下步骤：
步骤S21：获取商品知识库信息问答模型构建模块；
步骤S22：对标准商品数据集进行数据特征关键字段提取，从而生成商品关键字段数据集；
步骤S23：对商品关键字段数据集进行神经网络学习处理并进行整合，从而生成商品知识信息库；
步骤S24：利用商品知识库信息问答模型构建模块对商品知识信息库进行模型构建处理，得到商品知识库信息问答模型；
步骤S25：利用智能商品知识库信息问答公式对商品知识库信息问答模型进行问答信息优化处理，从而生成智能客服商品知识库信息问答模型。
本实施例构建智能客服问答模型，当用户提出商品问题后，会最终传入智能客服商品知识库信息问答模型帮助用户解决所需问题，并把问题答案反馈给用户，在智能客服商品知识库信息问答模型中利用对标准商品数据集的特征信息进行收集，再通过神经网络学习把标准商品数据集的特征数据集标记为答案，从而反推出问题保存到智能客服商品知识库信息问答模型中，当用户提出类似问题，智能客服商品知识库信息问答模型可以立马给出答案反馈给客户，效率得到提高从而减少用户的等待时间，并且回答的问题精准满足客户需求。
在本说明书的一个实施例中，步骤S25中的智能商品知识库信息问答公式为：
表式为商品知识库信息问答模型优化指数，表示为商品知识信息库中的最后一项商品信息数据，表示为商品知识库信息中的商品数据集信息的权重信息，表示为商品知识库中商品关键字段数据集的权重信息，表示为商品知识库信息中每一项商品数据集的优化调整的权重信息，表示为商品知识库信息中商品数据集信息异常数据的平均值，表示为异常商品知识库信息问答模型优化指数调整项。
本实施例利用商品知识库中的每一项商品信息构成的智能商品知识库信息问答公式对商品知识库信息问答模型进行问答信息优化处理，由商品知识库中商品关键字段数据集的权重信息与商品知识库信息中每一项商品数据集的优化调整的权重信息构成商品知识库信息中的每一项数据集的优化信息，再通过优化信息对商品知识库信息中的商品数据集信息的权重信息进行调整，并且利用商品知识库信息中商品数据集信息异常数据的平均值为指数进行优化调整，再利用异常商品知识库信息问答模型优化指数调整项对商品知识库信息问答模型优化指数进行异常调整。
在本说明书的一个实施例中，步骤S3包括以下步骤：
步骤S31：接收终端发送的商品问题信息；
步骤S32：将商品问题信息进行问题智能审核判断处理，从而生成审核通过问题信息或审核失败问题信息；
步骤S33：将审核失败问题信息传送回终端并进行反馈；
步骤S34：将审核通过问题信息传送至智能客服商品知识库信息问答模型进行商品信息智能回复处理，从而生成商品问答信息数据。
本实施例对用户发送的商品问题信息通过终端进行接收，对商品问题信息进行审核可以防止机械人恶意刷商品问题信息，审核失败的问题反馈给终端进行处理，并且对商品问题信息进行审核可以有更针对性的答案进行回答，对于审核通过的问题信息，在智能客服商品知识库信息问答模型会通过问题推演出商品信息答案迅速反馈给用户，帮助解答用户提出的疑问。
在本说明书的一个实施例中，步骤S32包括以下步骤：
步骤S321：预设商品问题信息审核阈值；
步骤S322：利用商品问题信息与商品知识信息库进行数据字段重合比对处理，得到商品问题审核通过率；
步骤S323：利用商品问题审核通过率与商品信息审核阈值进行比对，当商品问题审核通过率达到商品信息审核阈值时，判定为审核通过问题信息，当商品问题审核通过率未达到商品信息审核阈值时，判定为审核失败问题信息。
本实施例预设的商品问题信息审核阈值是为了用来比对商品问题信息，当接收到的商品问题信息完全和商品没有本质上的联系，在商品知识信息库的商品信息完全与商品问题信息没有关系，则认为是审核失败问题信息，对于审核失败问题信息进行过滤处理，减少系统对商品问题进行处理时运行压力，并且能更好的收集审核通过问题信息，再利用这些审核通过问题信息进行特征信息进行收集，生成商品问题特征信息，利用这些商品问题特征信息生成对应的商品信息从而能更好回复后续的商品问题信息。
在本说明书的一个实施例中，步骤S4包括以下步骤：
步骤S41：对商品问答信息数据进行历史信息数据收集，从而生成历史商品问答信息数据；
步骤S42：对历史商品问答信息数据进行问答信息分类，生成历史分类商品问答信息数据，并对历史分类商品问答信息数据进行问答分类信息访问次数统计处理，从而生成分类商品问答信息访问次数数据；
步骤S43：利用商品问答分析公式对分类商品问答信息访问次数数据进行以商品的分类问答访问信息为数据基础通过算法改进而建立模型，从而生成商品问答信息分析数据模型；
步骤S44：通过商品问答信息分析数据模型将商品问答信息数据进行用户问答信息优化分析处理，从而生成商品问答信息优化分析数据；
步骤S45：将商品问答信息优化分析数据传送至终端并对终端进行反馈。
本实施例通过对历史的商品问答信息进行收集，观察用户对哪一类商品问题信息提出的最多，并且统计用户访问每一类的商品问题信息，通过对用户访问的问题信息去进行分析，更了解用户对什么商品问题有需求，并根据这些商品问题的需求去更加针对性的解决问题，亦或者是用这些问题信息去建立商品问答信息分析数据模型，通过用户对不同类商品信息问题的提出为数据基础，去不停的更新商品问答信息分析数据模型，当有新的商品问答信息数据传送到商品问答信息分析数据模型中时，则可以判定该商品问答信息是否为热门的商品问答信息，该商品类的数据有什么等，并且将这些优化分析数据传送给终端并对终端进行反馈，从而可以将商品问答信息优化分析数据反馈给用户，满足各个用户对商品信息提出的需求。
在本说明书的一个实施例中，商品问答分析公式包括访问分类商品问题信息数据公式，步骤S43包括以下步骤：
利用访问分类商品问题信息数据公式对所述分类商品问答信息访问次数数据进行预处理，得到访问分类问答信息数据；
利用商品问答分析公式对访问分类问答信息数据进行以商品的分类问答访问信息为数据基础通过算法改进而建立模型，从而生成商品问答信息分析数据模型；
访问分类商品问题信息数据公式为：
其中，表示为访问分类商品问题信息数据指数，表示为商品问答信息数据中的最后一个商品问题信息，表示为每一项商品问题信息的权重信息，表示为每一项商品问题信息对应的商品信息数据集的权重信息，表示为商品问题信息数据提取的特征信息数据，为商品问题信息异常问题权重信息；
商品问答分析公式为：
其中，表示为商品问答分析数据指数，表示为商品问答信息数据的最后一个商品问题信息，表示为访问分类商品问题信息数据指数，表示为商品问答信息数据中所有商品问题信息数据的权重信息，表示为每一项商品问题信息对应的商品信息数据集的权重信息，表示为异常商品问答分析数据指数调整项。
本实施例利用商品问答分析公式对分类商品问答信息访问次数数据进行模型建立的过程，在商品问答分析公式中包含了访问分类商品问题信息数据公式，利用访问分类商品问题信息数据公式对分类商品问答信息访问次数数据进行预处理，可以得到用户对商品提出的问题数据、商品的热门信息数据、商品的价格数据等组成的访问分类问答信息数据，在访问分类商品问题信息数据公式中每一项商品问题信息的权重信息与每一项商品问题信息对应的商品信息数据集的权重信息构成商品问答信息的权重信息，并利用商品问题信息数据提取的特征信息数据与品问题信息异常问题权重信息进行调整，得到访问分类商品问题信息数据指数，利用访问分类商品问题信息数据指数对每一项商品问题信息对应的商品信息数据集的权重信息进行指数运算，并用异常商品问答分析数据指数调整项进行调整，从而得到商品问答分析数据指数，通过商品问答信息数据为基础利用商品问答分析数据指数去建立商品问答信息分析数据模型。
在本说明书的一个实施例中一种智能客服商品知识库信息管理系统，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述所述的智能客服商品知识库信息管理方法。
本实施例提供一种智能客服商品知识库信息管理系统，该系统能够实现本发明所述任意一种智能客服商品知识库信息管理方法，用于联合各个设备之间的操作与数据传输的媒介，接收终端设备发送的商品信息数据，并把数据进行数据分块、清洗、降噪，从而得到待处理的数据集，再待处理的利用数据集建立商品问答信息的模型从而去处理终端传送来的商品问题信息，并将得到的商品问答信息数据进行分析处理，系统内部结构互相协作，从而完善智能客服商品知识库信息管理方法。
本申请实施例中，智能客服管理商品知识库带来了更便捷的方式，通过获取来的商品信息数据进行数据分块减小系统运行的压力，再对数据进行数据清洗与数据降噪可以减少结果因为数据杂乱产生的误差，对数据进行数据分类，使相同数据字段的数据归为一类，如商品价格为一类、商品信息为一类，使系统更方便处理数据集，再对处理完得到的商品信息数据集为数据基础建立智能客服商品知识库信息问答模型，该模型通过商品信息数据反推出用户可能问到的问题，当用户提出问题信息后传入到该模型中，可以立马检索到问题答案，减少了用户的等待时间，并且可以更贴合用户所需要的答案，并且对这些问答信息数据进行优化分析处理，收集用户查找最多类别的商品信息，并分析用户查找的问题与所得出的答案，得出分析数据，使智能客服在每次检索答案时，得到精确的数据量，让智能客服回答问题的响应时间变短，减短了用户的等待时间。并且将这些优化分析数据传送给终端并对终端进行反馈，从而可以将商品问答信息优化分析数据反馈给用户，满足各个用户对商品信息提出的需求。
附图说明
图1为本发明一种智能客服商品知识库信息管理方法的步骤流程示意图；
图2为图1中步骤S2的详细实施步骤流程示意图；
图3为图1中步骤S3的详细实施步骤流程示意图；
图4为图1中步骤S4的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种智能客服商品知识库信息管理方法及系统。所述智能客服商品知识库信息管理方法包括但不限于搭载该系统的：智能终端设备、物联网平台、服务站点、网络传输设备等能够被配置为执行本申请实施例提供的该方法的设备中至少一种。所述物联网平台包括但不限于：物流信息平台、线上商城平台、智慧图书馆平台等。所述智能终端包括但不限于：智能手机、内置多媒体功能的PC机等。
本发明提供一种智能客服商品知识库信息管理方法，包括以下步骤：
步骤S1：获取实时商品数据集，并对实时商品数据集进行商品数据清洗分类处理，从而获得标准商品数据集；
步骤S2：利用标准商品数据集进行商品知识库信息问答的映射关系建立，从而生成智能客服商品知识库信息问答模型；
步骤S3：接收终端发送的商品问题信息并传送至智能客服商品知识库信息问答模型进行商品信息智能回复处理，从而生成商品问答信息数据；
步骤S4：对商品问答信息数据进行用户问答信息优化分析处理，生成商品问答信息优化分析数据，并将商品问答信息优化分析数据进行保存并传送至终端。
本实施例提供一种智能客服商品知识库信息管理方法，获取从外部收集到的实时商品数据集，在进行商品数据清洗分类处理中可以防止由于杂乱或者数据冗余等问题造成的结果误差，再通过建造智能客服商品知识库信息问答模型可以使接收用户问题使进行智能答复，并且再将智能答复进行优化回答，反馈给客户满意的答案，以实现智能客服对答案的回答显得智能化，满足客户的需求，在用户对商品问题提出疑问时回答的问题都达到用户满意的效果，提高智能化情感化的回答方式使用户体验感上升，并且，知识库储存了大量的对话数据，优化处理知识库的数据，使智能客服在每次检索答案时，得到精确的数据量，所需要的时间也越来越短，让智能客服回答问题的响应时间变短，减短了用户的等待时间。
本发明实施例中，参考图1所述，为本发明一种智能客服商品知识库信息管理方法的步骤流程示意图，在本实例中，所述应用于云平台的数据处理方法的步骤包括：
步骤S1：获取实时商品数据集，并对实时商品数据集进行商品数据清洗分类处理，从而获得标准商品数据集；
本发明实施例中，获取从购物商城系统得到的实时更新的商品数据集，并且对商品数据集进行数据清洗分类处理，降低系统运行商品数据集的时间并且减少因为数据杂乱产生的结果误差，从而生成标准商品数据集。
步骤S2：利用标准商品数据集进行商品知识库信息问答的映射关系建立，从而生成智能客服商品知识库信息问答模型；
本发明实施例中，收集标准商品数据集设立一个商品数据集的信息库，并且利用商品数据集为数据基础，计算用户可能提到的问题，如通过商品价格推算到用户可能要问商品价格的问题，从而获得智能客服商品知识库信息问答模型。
步骤S3：接收终端发送的商品问题信息并传送至智能客服商品知识库信息问答模型进行商品信息智能回复处理，从而生成商品问答信息数据；
本发明实施例中，接收用户通过终端发送的商品问题信息，传入智能客服商品知识库信息问答模型中，智能客服商品知识库信息问答模型会根据模型中相似度极高的问题信息立马给出答案并进行回复，从而生成商品问答信息数据。
步骤S4：对商品问答信息数据进行用户问答信息优化分析处理，生成商品问答信息优化分析数据，并将商品问答信息优化分析数据进行保存并传送至终端。
本发明实施例中，通过对商品问答信息数据的收集，并且进行分析，如用户提出的商品价格信息问题最多，或者是商品的功能信息，则对这些问答信息进行分析处理，生成商品问答信息优化分析数据，将商品问答信息优化分析数据进行备份保存防止数据丢失，并且传输至智能收集或PC机反馈给客户。
在本说明书的一个实施例中，步骤S1包括以下步骤，其中商品数据清洗分类处理包括商品数据分块处理、商品数据清洗处理、商品数据降噪处理与商品数据分类处理：
步骤S11：获取实时商品数据集；
步骤S12：对实时商品数据集进行商品数据分块处理，从而生成块文件商品数据集。
步骤S13：对块文件商品数据集进行商品数据清洗处理，将实时商品数据集中冗余的数据去除，从而得到清洗商品数据集；
步骤S14：利用商品数据集降噪公式对清洗商品数据集进行商品数据降噪处理，从而生成降噪商品数据集；
步骤S15：对降噪商品数据集根据相同的数据字段进行商品数据分类处理，从而生成标准商品数据集。
本实施例为对实时商品数据集进行数据清洗分类处理，由于实时商品数据集的数据量过于庞大，先将实时商品数据集进行分块处理，减小系统对数据处理的压力，数据集中存在大量重复、无用与缺失的数据，对无用与重复的数据进行删除、对缺失值数据用均值补充，再对数据中的噪点数据进行处理，防止影响数据运行的结果，在数据获取时，由于获取不同的数据在进行后续步骤不能直接进行运用，将数据以相同数据字段进行分类，从而能够让数据进行后续步骤能加快数据运行的速度并且得到精确的结果。
本发明实施例中，获取从购物商城系统得到的实时更新的商品数据集，将商品数据集分成零散的块文件数据，使数据并行运作加快后续步骤的进行，再将数据集中冗余数据去除，缺失值进行填补，利用降噪商品数据集降噪公式对数据进行降噪，使数据更贴近真实数据，在对数据集中杂乱的数据集进行分类，如商品价格为一类、商品详细信息为一类等，区分好数据集使数据在运用时更加方便，不会出现在商品详细信息类看到商品价格数据这些情况，从而生成标准商品数据集。
在本说明书的一个实施例中，步骤S14中的商品数据集降噪公式为：
表式为商品数据集降噪指数，表示为清洗商品数据集中的最后一项清洗商品数据，表示为各清洗商品数据的权重信息，表示为清洗商品数据集修复噪点的权重信息，表示清洗商品数据集异常噪点的权重信息，为表示清洗商品数据集异常噪点的平均值，表示为异常商品数据集降噪指数的调整项。
本实施例对清洗商品数据集每一项数据进行降噪处理，通过清洗商品数据集得到商品数据集降噪指数进行降噪处理，利用每一项清洗商品数据的权重信息对清洗商品修复噪点的权重信息得到，利用对清洗商品数据集进行噪点修复，从而帮助清洗商品数据集进行降噪，通过清洗商品数据集异常噪点的权重信息与清洗商品数据集异常噪点的平均值，得到，表示由清洗商品数据集的异常噪点得到的分析数据，再利用常商品数据集降噪指数的调整项对商品数据集降噪指数进行调整，从而完成商品数据集降噪公式。
在本说明书的一个实施例中，步骤S2包括以下步骤：
步骤S21：获取商品知识库信息问答模型构建模块；
步骤S22：对标准商品数据集进行数据特征关键字段提取，从而生成商品关键字段数据集；
步骤S23：对商品关键字段数据集进行神经网络学习处理并进行整合，从而生成商品知识信息库；
步骤S24：利用商品知识库信息问答模型构建模块对商品知识信息库进行模型构建处理，得到商品知识库信息问答模型；
步骤S25：利用智能商品知识库信息问答公式对商品知识库信息问答模型进行问答信息优化处理，从而生成智能客服商品知识库信息问答模型。
本实施例构建智能客服问答模型，当用户提出商品问题后，会最终传入智能客服商品知识库信息问答模型帮助用户解决所需问题，并把问题答案反馈给用户，在智能客服商品知识库信息问答模型中利用对标准商品数据集的特征信息进行收集，再通过神经网络学习把标准商品数据集的特征数据集标记为答案，从而反推出问题保存到智能客服商品知识库信息问答模型中，当用户提出类似问题，智能客服商品知识库信息问答模型可以立马给出答案反馈给客户，效率得到提高从而减少用户的等待时间，并且回答的问题精准满足客户需求。
作为本发明的一个实例，参考图2所示，为图1中步骤S2的详细实施步骤流程示意图，在本实例中所述内容包括：
步骤S21：获取商品知识库信息问答模型构建模块；
本发明实施例中，获取商品知识库信息问答模型构建模块，用于将商品信息传送进去，推演出可能问到的商品问题，是用于构建智能客服商品知识库信息问答模型的基础。
步骤S22：对标准商品数据集进行数据特征关键字段提取，从而生成商品关键字段数据集；
本发明实施例中，例如对物流信息系统中的标准商品数据集进行数据特征关键字段提取，提取标准商品数据集的物流价格、到货地、所需时间等，将这些数据进行汇聚得到商品关键字段数据集。
步骤S23：对商品关键字段数据集进行神经网络学习处理并进行整合，从而生成商品知识信息库；
本发明实施例中，对物流信息管理系统中的物流价格、到货地、物流路线等信息作为输入层进行神经网络学习处理，预测出用户可能提到的问题为输出层，从而生成由物流信息与对应的物流信息问题的知识信息库。
步骤S24：利用商品知识库信息问答模型构建模块对商品知识信息库进行模型构建处理，得到商品知识库信息问答模型；
本发明实施例中，利用先前获得的商品知识库信息问答模型构建模块对商品知识信息库进行模型构建，建立商品知识库信息与问答之间的映射关系，以确保问答与知识库信息的一一对应关系，利用映射关系，构建商品知识库信息问答模型，评估模型的性能，以确保模型的准确性和可靠性。
步骤S25：利用智能商品知识库信息问答公式对商品知识库信息问答模型进行问答信息优化处理，从而生成智能客服商品知识库信息问答模型。
本发明实施例中，利用智能商品知识库信息问答公式对商品知识库信息问答模型的准确率进行优化，对商品知识库信息问答模型中的问答数据进行优化匹配的对应，满足用户的需求，在准确率的提高的前提下也能使回复用户的速度更快，使商品知识库信息问答模型的回答质量更高，提高商品知识库信息问答模型的稳定性，从而生成智能客服商品知识库信息问答模型。
在本说明书的一个实施例中，步骤S25中的智能商品知识库信息问答公式为：
表式为商品知识库信息问答模型优化指数，表示为商品知识信息库中的最后一项商品信息数据，表示为商品知识库信息中的商品数据集信息的权重信息，表示为商品知识库中商品关键字段数据集的权重信息，表示为商品知识库信息中每一项商品数据集的优化调整的权重信息，表示为商品知识库信息中商品数据集信息异常数据的平均值，表示为异常商品知识库信息问答模型优化指数调整项。
本实施例利用商品知识库中的每一项商品信息构成的智能商品知识库信息问答公式对商品知识库信息问答模型进行问答信息优化处理，由商品知识库中商品关键字段数据集的权重信息与商品知识库信息中每一项商品数据集的优化调整的权重信息构成商品知识库信息中的每一项数据集的优化信息，再通过优化信息对商品知识库信息中的商品数据集信息的权重信息进行调整，并且利用商品知识库信息中商品数据集信息异常数据的平均值为指数进行优化调整，再利用异常商品知识库信息问答模型优化指数调整项对商品知识库信息问答模型优化指数进行异常调整。
在本说明书的一个实施例中，步骤S3包括以下步骤：
步骤S31：接收终端发送的商品问题信息；
步骤S32：将商品问题信息进行问题智能审核判断处理，从而生成审核通过问题信息或审核失败问题信息；
步骤S33：将审核失败问题信息传送回终端并进行反馈；
步骤S34：将审核通过问题信息传送至智能客服商品知识库信息问答模型进行商品信息智能回复处理，从而生成商品问答信息数据。
本实施例对用户发送的商品问题信息通过终端进行接收，对商品问题信息进行审核可以防止机械人恶意刷商品问题信息，审核失败的问题反馈给终端进行处理，并且对商品问题信息进行审核可以有更针对性的答案进行回答，对于审核通过的问题信息，在智能客服商品知识库信息问答模型会通过问题推演出商品信息答案迅速反馈给用户，帮助解答用户提出的疑问。
作为本发明的一个实例，参考图3所示，为图1中步骤S3的详细实施步骤流程示意图，在本实例中所述内容包括：
步骤S31：接收终端发送的商品问题信息；
本发明实施例中，用户发送给终端想要知道的问题信息，终端接收后发送到系统中，接收到终端的商品问题信息之后，系统需要将其识别、分类、解析等处理。
步骤S32：将商品问题信息进行问题智能审核判断处理，从而生成审核通过问题信息或审核失败问题信息；
本发明实施例中，对商品问题信息进行问题智能审核判断处理，可以有效地保证问题的质量和正确性，避免因问题的错误或不当而导致系统生成错误的答案。例如，如果终端发送的问题包含敏感词、不当词汇等，系统可以自动审核失败，并返回相应的错误信息，将错误信息标记为审核失败问题信息，正常的商品问题信息标记为审核通过问题信息。
步骤S33：将审核失败问题信息传送回终端并进行反馈；
本发明实施例中，通过对审核失败的问题信息的反馈，可以告诉用户他们的问题不能被回答，并说明原因，这有助于用户了解系统的限制和使用要求，也有助于用户提出更有效和合理的问题。在终端上显示审核失败的问题信息及其原因，可以让用户对系统有更好的理解和更高的满意度。
步骤S34：将审核通过问题信息传送至智能客服商品知识库信息问答模型进行商品信息智能回复处理，从而生成商品问答信息数据。
本发明实施例中，将审核通过的问题信息传送至智能客服商品知识库信息问答模型，是实现智能回复的关键步骤。智能客服商品知识库信息问答模型通过利用标准商品数据集的映射关系，生成了大量的商品问答信息，并使用智能客服商品知识库信息问答公式对信息进行了优化处理。因此，模型可以快速地回答用户关于商品的问题。审核通过的问题信息传送至智能客服商品知识库信息问答模型进行处理后，系统可以生成精准的商品问答信息数据，从而为用户提供更有价值和更快捷的服务。
本发明实施例中本发明的一种智能客服商品知识库信息管理方法接收商品问题信息与审核商品问题信息的示意图，在本实施例中，包括：
用户提出商品问题信息后，通过特定的模板进行下载，将商品问题信息使用模板通过终端上传到智能客服商品知识库信息管理系统，智能客服商品知识库信息管理系统接收到文件后进行处理，在接收到终端的商品问题信息之后，系统需要将其识别、分类、解析等处理，以便进一步通过商品知识库信息问答模型生成答案，实现智能化问答；上传完问题后对问题进行审核，审核页面有商品名称、提交人、审核人、审核状态等信息，将这些信息数据填写完后进行提交审核，智能客服商品知识库信息管理系统对商品问题信息进行审核，确保智能客服回复的信息的有效性和准确性，筛选掉不符合要求的问题，确保答案的质量，从而提高客户满意度，此外，审核还可以帮助检测出恶意提问等不良行为，确保智能客服系统的安全和稳定性，将审核失败与成功的问题信息标记为审核失败问题信息与审核通过问题信息，对于审核失败问题信息传至终端并进行反馈，对于审核通过问题信息进行下一步的步骤。
在本说明书的一个实施例中，步骤S32包括以下步骤：
步骤S321：预设商品问题信息审核阈值；
步骤S322：利用商品问题信息与商品知识信息库进行数据字段重合比对处理，得到商品问题审核通过率；
步骤S323：利用商品问题审核通过率与商品信息审核阈值进行比对，当商品问题审核通过率达到商品信息审核阈值时，判定为审核通过问题信息，当商品问题审核通过率未达到商品信息审核阈值时，判定为审核失败问题信息。
本实施例预设的商品问题信息审核阈值是为了用来比对商品问题信息，当接收到的商品问题信息完全和商品没有本质上的联系，在商品知识信息库的商品信息完全与商品问题信息没有关系，则认为是审核失败问题信息，对于审核失败问题信息进行过滤处理，减少系统对商品问题进行处理时运行压力，并且能更好的收集审核通过问题信息，再利用这些审核通过问题信息进行特征信息进行收集，生成商品问题特征信息，利用这些商品问题特征信息生成对应的商品信息从而能更好回复后续的商品问题信息。
本发明实施例中，预设一个用来判定商品问题信息是否通过的商品问题信息审核阈值，在审核问题信息的过程中，通过设置的一定的标准，来决定问题信息是否能够通过审核，这个标准可以是问题的长度、语法结构、语义内容等，设置阈值的目的是为了保证问题的质量，使智能客服回复的信息更加可靠并且提高用户的满意度，预设商品问题信息审核阈值需要根据实际需求进行设置，并定期评估和调整；通过对商品问题信息与商品知识信息库数据字段的重合比对处理，可以得到商品问题审核通过率，这个通过率反映了系统在审核商品问题信息时，问题信息在商品知识信息库中的相关性；利用商品问题审核通过率与商品信息审核阈值进行比对，这个过程是为了评估问题信息的完整性和准确性，以决定它是否能够用于生成答案，阈值是预先设定的审核标准，通过率是通过与知识库的匹配得出的，如果通过率达到阈值，则表示问题信息符合标准；如果未达到阈值，则表示问题信息不符合标准。
在本说明书的一个实施例中，步骤S4包括以下步骤：
步骤S41：对商品问答信息数据进行历史信息数据收集，从而生成历史商品问答信息数据；
步骤S42：对历史商品问答信息数据进行问答信息分类，生成历史分类商品问答信息数据，并对历史分类商品问答信息数据进行问答分类信息访问次数统计处理，从而生成分类商品问答信息访问次数数据；
步骤S43：利用商品问答分析公式对分类商品问答信息访问次数数据进行以商品的分类问答访问信息为数据基础通过算法改进而建立模型，从而生成商品问答信息分析数据模型；
步骤S44：通过商品问答信息分析数据模型将商品问答信息数据进行用户问答信息优化分析处理，从而生成商品问答信息优化分析数据；
步骤S45：将商品问答信息优化分析数据传送至终端并对终端进行反馈。
本实施例通过对历史的商品问答信息进行收集，观察用户对哪一类商品问题信息提出的最多，并且统计用户访问每一类的商品问题信息，通过对用户访问的问题信息去进行分析，更了解用户对什么商品问题有需求，并根据这些商品问题的需求去更加针对性的解决问题，或者是用这些问题信息去建立商品问答信息分析数据模型，通过用户对不同类商品信息问题的提出为数据基础，去不停的更新商品问答信息分析数据模型，当有新的商品问答信息数据传送到商品问答信息分析数据模型中时，则可以判定该商品问答信息是否为热门的商品问答信息，该商品类的数据有什么等，并且将这些优化分析数据传送给终端并对终端进行反馈，终端接收到反馈信息可以传送给用户。
作为本发明的一个实例，参考图4所示，为图1中步骤S4的详细实施步骤流程示意图，在本实例中所述内容包括：
步骤S41：对商品问答信息数据进行历史信息数据收集，从而生成历史商品问答信息数据；
本发明实施例中，例如对物流商城管理系统的商品问答信息进行历史信息数据收集，得到用户对物流商城管理系统提出的问题信息，并且收集物流市场管理系统的历史商品问答信息数据可以帮助提高智能客服系统的准确性和效率，并为以后的商品问题回答提供参考。通过不断积累历史数据，可以使智能客服系统在回答问题时变得更加灵活和准确。
步骤S42：对历史商品问答信息数据进行问答信息分类，生成历史分类商品问答信息数据，并对历史分类商品问答信息数据进行问答分类信息访问次数统计处理，从而生成分类商品问答信息访问次数数据；
本发明实施例中，例如在物流商城管理系统中，对历史商品问答信息数据进行分类成商品价格问答信息类、商品目的地信息问答信息类等，并且统计这些不同分类信息的访问次数，以生成分类问答信息的访问次数数据。
步骤S43：利用商品问答分析公式对分类商品问答信息访问次数数据进行以商品的分类问答访问信息为数据基础通过算法改进而建立模型，从而生成商品问答信息分析数据模型；
本发明实施例中，对上述步骤得到的分类商品问答信息访问次数数据进行处理，基于商品分类问答访问信息作为数据基础，通过商品问答分析公式改进算法建立模型，生成商品问答信息分析数据模型。
步骤S44：通过商品问答信息分析数据模型将商品问答信息数据进行用户问答信息优化分析处理，从而生成商品问答信息优化分析数据；
本发明实施例中，商品问答信息分析数据模型被用来对商品问答信息数据进行分析，以优化用户问答信息，这个分析可能包括对数据的统计，预测和分类，并且利用这些分析结果生成商品问答信息优化分析数据，以帮助优化商品问答信息的可用性和有效性。
步骤S45：将商品问答信息优化分析数据传送至终端并对终端进行反馈。
本发明实施例中，例如将关于物流商城管理系统中的商品问答信息得到的商品问答信息优化分析数据传送到终端，并对终端进行反馈，使得终端能够获取并使用这些信息，用户从终端获取到这些反馈信息进行利用。
本发明实施例中，本发明的一种智能客服商品知识库信息管理方法商品问答信息优化分析数据传送至终端的示意图，在本实施例中，包括：
当商品问答信息优化分析数据传送到终端设备后，终端设备进行接收并保存，用户可以在终端设备上查看商品问答信息优化分析数据，并且在里面可以看到数据日期、姓名、数据数量、修改数量等信息，并且用户可以将这些信息进行导出。
在本说明书的一个实施例中，商品问答分析公式包括访问分类商品问题信息数据公式，步骤S43包括以下步骤：
利用访问分类商品问题信息数据公式对所述分类商品问答信息访问次数数据进行预处理，得到访问分类问答信息数据；
利用商品问答分析公式对访问分类问答信息数据进行以商品的分类问答访问信息为数据基础通过算法改进而建立模型，从而生成商品问答信息分析数据模型；
访问分类商品问题信息数据公式为：
其中，表示为访问分类商品问题信息数据指数，表示为商品问答信息数据中的最后一个商品问题信息，表示为每一项商品问题信息的权重信息，表示为每一项商品问题信息对应的商品信息数据集的权重信息，表示为商品问题信息数据提取的特征信息数据，为商品问题信息异常问题权重信息；
商品问答分析公式为：
其中，表示为商品问答分析数据指数，表示为商品问答信息数据的最后一个商品问题信息，表示为访问分类商品问题信息数据指数，表示为商品问答信息数据中所有商品问题信息数据的权重信息，表示为每一项商品问题信息对应的商品信息数据集的权重信息，表示为异常商品问答分析数据指数调整项。
本实施例利用商品问答分析公式对分类商品问答信息访问次数数据进行模型建立的过程，在商品问答分析公式中包含了访问分类商品问题信息数据公式，利用访问分类商品问题信息数据公式对分类商品问答信息访问次数数据进行预处理，可以得到用户对商品提出的问题数据、商品的热门信息数据、商品的价格数据等组成的访问分类问答信息数据，在访问分类商品问题信息数据公式中每一项商品问题信息的权重信息与每一项商品问题信息对应的商品信息数据集的权重信息构成商品问答信息的权重信息，并利用商品问题信息数据提取的特征信息数据与品问题信息异常问题权重信息进行调整，得到访问分类商品问题信息数据指数，利用访问分类商品问题信息数据指数对每一项商品问题信息对应的商品信息数据集的权重信息进行指数运算，并用异常商品问答分析数据指数调整项进行调整，从而得到商品问答分析数据指数，通过商品问答信息数据为基础利用商品问答分析数据指数去建立商品问答信息分析数据模型。
本发明实施例中，通过以分类商品问答信息访问次数信息为数据基础，利用商品问答分析公式去建立数据模型，首先用商品问答分析公式中访问分类商品问题信息数据公式对数据进行预处理，得到用户对商品提出的问题数据、商品的热门信息数据、商品的价格数据等组成的访问分类问答信息数据，再利用商品问答分析公式以这些信息数据去建立数据模型，从而生成商品问答信息分析数据模型，当有商品问答信息进入模型中，商品问答信息分析数据模型会对问答信息进行处理，帮助商品问答信息进行统计分析，提高问答信息的有效性。
在本说明书的一个实施例中一种智能客服商品知识库信息管理系统，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述所述的智能客服商品知识库信息管理方法。
本实施例提供一种智能客服商品知识库信息管理系统，该系统能够实现本发明所述任意一种智能客服商品知识库信息管理方法，用于联合各个设备之间的操作与数据传输的媒介，接收终端设备发送的商品信息数据，并把数据进行数据分块、清洗、降噪，从而得到待处理的数据集，再建立商品问答信息的模型从而去处理终端传送来的商品问题信息，并将得到的商品问答信息数据进行分析处理，系统内部结构互相协作，从而完善智能客服商品知识库信息管理方法。
本发明实施例中，在智能客服商品知识库信息管理系统中，收集通过终端传送来的线上商城购物系统传来的实时商品数据集并对数据进行分块、清洗、降噪与分类处理以便系统处理数据时不会因为数据冗余，杂乱带来的问题，并且对线上商城购物系统传来的商品价格信息、商品参数信息进行分类，使得系统可以直接利用这些数据集，在建立一个针对用于回答商品信息的智能客服商品知识库信息问答模型，智能客服商品知识库信息问答模型不断收集商品信息进行更新，并推算出由商品信息可能出现的问题信息，当接收到问题信息后可以立刻反馈出商品信息并传送给到智能手机反馈给用户，并且还会对商品问答信息进行分析，通过这些分析数据可以猜测用户喜欢的商品、用户想要搜索的东西等等，满足每个用户对商品的需求，使用户体验感得到显著的提升。
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。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种智能客服商品知识库信息管理方法，应用于智能客服商品知识库信息管理系统，其特征在于，所述方法包括以下步骤：
步骤S1，包括：
步骤S11：获取实时商品数据集；
步骤S12：对实时商品数据集进行商品数据分块处理，从而生成块文件商品数据集；
步骤S13：对块文件商品数据集进行商品数据清洗处理，将实时商品数据集中冗余的数据去除，从而得到清洗商品数据集；
步骤S14：利用商品数据集降噪公式对清洗商品数据集进行商品数据降噪处理，从而生成降噪商品数据集；
步骤S15：对降噪商品数据集根据相同的数据字段进行商品数据分类处理，从而生成标准商品数据集；
步骤S2，包括：
步骤S21：获取商品知识库信息问答模型构建模块，用于将商品信息传送进去，推演出问到的商品问题，是用于构建智能客服商品知识库信息问答模型的基础；
步骤S22：对物流信息系统中的标准商品数据集进行数据特征关键字段提取，提取标准商品数据集的物流价格、到货地、所需时间，将这些数据进行汇聚得到商品关键字段数据集；
步骤S23：对物流信息管理系统中的商品关键字段数据集作为输入层进行神经网络学习处理，预测出用户提到的问题为输出层，从而生成由物流信息与对应的物流信息问题的知识信息库；
步骤S24：利用先前获得的商品知识库信息问答模型构建模块对商品知识信息库进行模型构建，建立商品知识库信息与问答之间的映射关系，以确保问答与知识库信息的一一对应关系，利用映射关系，构建商品知识库信息问答模型；
步骤S25：利用智能商品知识库信息问答公式对商品知识库信息问答模型进行问答信息优化处理，从而生成智能客服商品知识库信息问答模型；
步骤S3：接收终端发送的商品问题信息并传送至智能客服商品知识库信息问答模型进行商品信息智能回复处理，从而生成商品问答信息数据；
步骤S4，包括：
步骤S41：对商品问答信息数据进行历史信息数据收集，从而生成历史商品问答信息数据；
步骤S42：对历史商品问答信息数据进行问答信息分类，生成历史分类商品问答信息数据，并对历史分类商品问答信息数据进行问答分类信息访问次数统计处理，从而生成分类商品问答信息访问次数数据；
步骤S43：利用商品问答分析公式对分类商品问答信息访问次数数据进行以商品的分类问答访问信息为数据基础通过算法改进而建立模型，从而生成商品问答信息分析数据模型；
利用访问分类商品问题信息数据公式对所述分类商品问答信息访问次数数据进行预处理，得到访问分类问答信息数据；
利用商品问答分析公式对访问分类问答信息数据进行以商品的分类问答访问信息为数据基础通过算法改进而建立模型，从而生成商品问答信息分析数据模型，其中，商品问答分析公式包括访问分类商品问题信息数据公式；
访问分类商品问题信息数据公式为：
；
其中，表示为访问分类商品问题信息数据指数，表示为商品问答信息数据中的最后一个商品问题信息，表示为每一项商品问题信息的权重信息，表示为每一项商品问题信息对应的商品信息数据集的权重信息，表示为商品问题信息数据提取的特征信息数据，为商品问题信息异常问题权重信息；
商品问答分析公式为：
；
其中，表示为商品问答分析数据指数，表示为商品问答信息数据的最后一个商品问题信息，表示为访问分类商品问题信息数据指数，表示为商品知识库信息中对应问题信息数据的权重信息，表示为每一项商品问题信息对应的商品信息数据集的权重信息，表示为异常商品问答分析数据指数调整项；
步骤S44：通过商品问答信息分析数据模型将商品问答信息数据进行用户问答信息优化分析处理，从而生成商品问答信息优化分析数据；
步骤S45：将商品问答信息优化分析数据传送至终端并对终端进行反馈。
2.根据权利要求1所述的智能客服商品知识库信息管理方法，其特征在于，步骤S14中的商品数据集降噪公式为：
；
表式为商品数据集降噪指数，表示为清洗商品数据集中的最后一项清洗商品数据，表示为各清洗商品数据的权重信息，表示为清洗商品数据集修复噪点的权重信息，表示清洗商品数据集异常噪点的权重信息，为表示清洗商品数据集异常噪点的平均值，表示为异常商品数据集降噪指数的调整项。
3.根据权利要求1所述的智能客服商品知识库信息管理方法，其特征在于，步骤S25中的智能商品知识库信息问答公式为：
；
表式为商品知识库信息问答模型优化指数，表示为商品知识信息库中的最后一项商品信息数据，表示为商品知识库信息中的商品数据集信息的权重信息，表示为商品知识库中商品关键字段数据集的权重信息，表示为商品知识库信息中每一项商品数据集的优化调整的权重信息，表示为商品知识库信息中商品数据集信息异常数据的平均值，表示为异常商品知识库信息问答模型优化指数调整项。
4.根据权利要求1所述的智能客服商品知识库信息管理方法，其特征在于，步骤S3包括以下步骤：
步骤S31：接收终端发送的商品问题信息；
步骤S32：将商品问题信息进行问题智能审核判断处理，从而生成审核通过问题信息或审核失败问题信息；
步骤S33：将审核失败问题信息传送回终端并进行反馈；
步骤S34：将审核通过问题信息传送至智能客服商品知识库信息问答模型进行商品信息智能回复处理，从而生成商品问答信息数据。
5.根据权利要求4所述的智能客服商品知识库信息管理方法，其特征在于，步骤S32包括以下步骤：
步骤S321：预设商品问题信息审核阈值；
步骤S322：利用商品问题信息与商品知识信息库进行数据字段重合比对处理，得到商品问题审核通过率；
步骤S323：利用商品问题审核通过率与商品信息审核阈值进行比对，当商品问题审核通过率达到商品信息审核阈值时，判定为审核通过问题信息，当商品问题审核通过率未达到商品信息审核阈值时，判定为审核失败问题信息。
6.一种智能客服商品知识库信息管理系统，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一项所述的智能客服商品知识库信息管理方法。
CN202310448746.8A 2023-04-24 2023-04-24 一种智能客服商品知识库信息管理方法及系统 Active CN116452212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310448746.8A CN116452212B (zh) 2023-04-24 2023-04-24 一种智能客服商品知识库信息管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310448746.8A CN116452212B (zh) 2023-04-24 2023-04-24 一种智能客服商品知识库信息管理方法及系统

Publications (2)

Publication Number Publication Date
CN116452212A CN116452212A (zh) 2023-07-18
CN116452212B true CN116452212B (zh) 2023-10-31

Family

ID=87131865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310448746.8A Active CN116452212B (zh) 2023-04-24 2023-04-24 一种智能客服商品知识库信息管理方法及系统

Country Status (1)

Country Link
CN (1) CN116452212B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680704B (zh) * 2023-07-28 2024-01-09 深圳迅销科技股份有限公司 一种用于客户端的数据安全防护方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451199A (zh) * 2017-07-05 2017-12-08 阿里巴巴集团控股有限公司 问题推荐方法及装置、设备
CN108509519A (zh) * 2018-03-09 2018-09-07 北京邮电大学 基于深度学习的通用知识图谱增强问答交互系统及方法
CN109145093A (zh) * 2017-06-16 2019-01-04 北京赛特斯信息科技股份有限公司 智能客服知识库的管理方法
CN109446305A (zh) * 2018-10-10 2019-03-08 长沙师范学院 智能旅游客服系统的构建方法以及系统
CN110019149A (zh) * 2019-01-30 2019-07-16 阿里巴巴集团控股有限公司 一种客服知识库的建立方法、装置及设备
CN111949772A (zh) * 2019-05-17 2020-11-17 上海戈吉网络科技有限公司 一种智能客服与知识库系统及管理方法
CN113239173A (zh) * 2021-06-09 2021-08-10 深圳集智数字科技有限公司 问答数据的处理方法、装置、存储介质与电子设备
CN113256200A (zh) * 2021-05-10 2021-08-13 深圳迅销科技股份有限公司 一种电子商务平台管理系统和方法
WO2021258882A1 (zh) * 2020-06-24 2021-12-30 深圳前海微众银行股份有限公司 基于循环神经网络的数据处理方法、装置、设备及介质
CA3166079A1 (en) * 2021-06-29 2022-12-29 10353744 Canada Ltd. A processing method, device and electronic device for a question-and-answer statement
CN115599889A (zh) * 2022-10-31 2023-01-13 北京力码科技有限公司（Cn） 一种应用于金融保险平台在线客服智能回答方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10691698B2 (en) * 2014-11-06 2020-06-23 International Business Machines Corporation Automatic near-real-time prediction, classification, and notification of events in natural language systems
CN107292412A (zh) * 2016-03-31 2017-10-24 阿里巴巴集团控股有限公司 一种问题预测方法及预测系统
US11748414B2 (en) * 2018-06-19 2023-09-05 Priyadarshini Mohanty Methods and systems of operating computerized neural networks for modelling CSR-customer relationships
US20230078448A1 (en) * 2019-11-05 2023-03-16 Strong Force Vcn Portfolio 2019, Llc Robotic Fleet Provisioning for Value Chain Networks
KR102571069B1 (ko) * 2020-10-15 2023-08-29 (주)뤼이드 인공 지능 학습 기반의 사용자 지식 추적 장치, 시스템 및 그것의 동작 방법

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145093A (zh) * 2017-06-16 2019-01-04 北京赛特斯信息科技股份有限公司 智能客服知识库的管理方法
CN107451199A (zh) * 2017-07-05 2017-12-08 阿里巴巴集团控股有限公司 问题推荐方法及装置、设备
CN108509519A (zh) * 2018-03-09 2018-09-07 北京邮电大学 基于深度学习的通用知识图谱增强问答交互系统及方法
CN109446305A (zh) * 2018-10-10 2019-03-08 长沙师范学院 智能旅游客服系统的构建方法以及系统
CN110019149A (zh) * 2019-01-30 2019-07-16 阿里巴巴集团控股有限公司 一种客服知识库的建立方法、装置及设备
CN111949772A (zh) * 2019-05-17 2020-11-17 上海戈吉网络科技有限公司 一种智能客服与知识库系统及管理方法
WO2021258882A1 (zh) * 2020-06-24 2021-12-30 深圳前海微众银行股份有限公司 基于循环神经网络的数据处理方法、装置、设备及介质
CN113256200A (zh) * 2021-05-10 2021-08-13 深圳迅销科技股份有限公司 一种电子商务平台管理系统和方法
CN113239173A (zh) * 2021-06-09 2021-08-10 深圳集智数字科技有限公司 问答数据的处理方法、装置、存储介质与电子设备
CA3166079A1 (en) * 2021-06-29 2022-12-29 10353744 Canada Ltd. A processing method, device and electronic device for a question-and-answer statement
CN115599889A (zh) * 2022-10-31 2023-01-13 北京力码科技有限公司（Cn） 一种应用于金融保险平台在线客服智能回答方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Deep learning model based on expectation-confirmation theory to predict customer satisfaction in hospitality service;Soyoung Oh;《Information Technology & Tourism》;第24卷;109-126 *
智能客服在电网呼叫中心的应用;游绍华;科技传播;第10卷(第18期);57-59 *
融合领域特征知识图谱的电网客服问答系统;谭刚;计算机工程与应用;第56卷(第03期);232-239 *

Also Published As

Publication number Publication date
CN116452212A (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN110688454A (zh) 咨询对话处理的方法、装置、设备及存储介质
US7912714B2 (en) Method for segmenting communication transcripts using unsupervised and semi-supervised techniques
CN111182162B (zh) 基于人工智能的电话质检方法、装置、设备和存储介质
CN108563783B (zh) 一种基于大数据的财务分析管理系统及方法
CN110807085A (zh) 故障信息的查询方法及装置、存储介质、电子装置
CN111767382A (zh) 生成反馈信息的方法、装置及终端设备
CN112116168B (zh) 一种用户行为的预测方法、装置及电子设备
CN116452212B (zh) 一种智能客服商品知识库信息管理方法及系统
CN111694957B (zh) 基于图神经网络的问题单分类方法、设备及存储介质
CN106682206A (zh) 一种大数据处理方法及系统
CN116228319A (zh) 基于埋点的智能广告投放方法与系统
CN111782793A (zh) 智能客服处理方法和系统及设备
CN115659044A (zh) 一种人岗匹配的推荐方法、系统、电子设备、存储介质
CN115577172A (zh) 物品推荐方法、装置、设备及介质
US20120078912A1 (en) Method and system for event correlation
CN114003600A (zh) 数据处理方法、系统、电子设备和存储介质
CN118313884A (zh) 一种个性化信息发送方法及装置
CN116484109B (zh) 基于人工智能的客户画像分析系统及方法
CN116562785B (zh) 审计迎审系统
CN117237038A (zh) 一种基于流量引擎的商品精准曝光处理系统
CN113569879B (zh) 异常识别模型的训练方法、异常账号识别方法及相关装置
CN113744030A (zh) 基于ai用户画像的推荐方法、装置、服务器及介质
CN112506930A (zh) 一种基于机器学习技术的数据洞察平台
CN118569961B (zh) 一种租赁物池化管理方法及装置、存储介质及电子设备
CN115080720B (zh) 基于rpa及ai的文本处理方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant