一种分配在线客服的方法、装置和存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种分配在线客服的方法、装置和存储介质。

背景技术

在电商领域，一般会采用在线人工客服对用户进行接待，回答用户在售前和售后领域的相关问题，帮助用户在整个购物过程中闭环，提升用户的购物体验。在为用户分配在线人工客服时，一般会根据用户进入咨询页面的类型分配在线人工客服。如用户通过订单页面入口进入，可以认为用户很大可能会咨询售后问题，此时可以为该用户分配负责售后问题解答的客服组，再分配给该客服组下的客服。

目前咨询页面的类型一般包括主站咨询入口类型、订单咨询入口类型、服务单咨询入口类型、商品页咨询入口类型等。比如从订单入口进入咨询的用户，可能就会咨询配送周期、价保、退换货之类的问题。按照这几个入口建立一一对应的客服组，显然不能很好的细分用户可能会问到的问题。另外，由于粒度太粗且缺少对于用户的咨询意图的预判，导致每个客服组下的所有客服，都需要具备多种业务技能，这不但增加了新客服的培训成本，还会导致客服的技能没有专注在某一领域，整体的回答质量不够高。

发明内容

本申请实施例提供了一种分配在线客服的方法，克服了在线客服与用户需求不匹配的问题。

该方法包括：

获取当前的用户咨询问题；

将所述用户咨询问题输入预先训练的意图预测模型，生成意图分类标签，其中，所述意图预测模型根据用户的订单信息、操作信息和由所述用户在咨询页面的首个所述用户咨询问题确定的所述意图分类标签进行训练；

根据所述意图分类标签，确定咨询入口的类型，并为所述用户分配与所述咨询入口对应的在线客服。

可选地，获取用户的所述订单信息和所述操作信息；

对所述操作信息进行编码，生成与所述操作信息对应的所述实时访问特征；

对所述订单信息进行编码，生成与所述订单信息对应的所述订单特征；

根据所述用户在所述咨询页面的首个所述用户咨询问题确定所述意图分类标签；

将各个所述用户的所述实时访问特征、所述订单特征和所述用户对应的所述意图分类标签组成的特征组作为样本输入分类器进行训练，生成所述意图预测模型。

可选地，根据预先划分的商品的品类信息，确定每个所述商品的品类编号；

根据所述品类编号对所述操作信息进行编码，生成实时访问特征。

可选地，将各个所述用户在所述咨询页面的首个所述用户咨询问题输入预先训练的文本分类模型，生成与所述用户咨询问题对应的所述意图分类标签。

可选地，统计与所述意图分类标签对应的所述咨询入口下的各个所述在线客服的当前接待数量；

根据各个所述在线客服的所述当前接待数量和当日需接待总数量，为所述当前接待数量和所述当日需接待总数量分别分配第一权重和第二权重，并计算各个在线客服的分配评分；

将所述分配评分最低的所述在线客服确定为所述用户在本次咨询中的在线客服。

在本发明的另一个实施例中，提供了一种分配在线客服的装置，该装置包括：

获取模块，用于获取当前的用户咨询问题；

生成模块，用于将所述用户咨询问题输入预先训练的意图预测模型，生成意图分类标签，其中，所述意图预测模型根据用户的订单信息、操作信息和由所述用户在咨询页面的首个所述用户咨询问题确定的所述意图分类标签进行训练；

分配模块，用于根据所述意图分类标签，确定咨询入口的类型，并为所述用户分配与所述咨询入口对应的在线客服。

可选地，生成模块包括：

获取子单元，用于获取用户的所述订单信息和所述操作信息；

第一生成单元，用于对所述操作信息进行编码，生成与所述操作信息对应的所述实时访问特征；

第二生成单元，用于对所述订单信息进行编码，生成与所述订单信息对应的所述订单特征；

确定单元，用于根据所述用户在所述咨询页面的首个所述用户咨询问题确定所述意图分类标签；

第三生成单元，用于将各个所述用户的所述实时访问特征、所述订单特征和所述用户对应的所述意图分类标签组成的特征组作为样本输入分类器进行训练，生成所述意图预测模型。

可选地，第一生成单元包括：

确定子单元，用于根据预先划分的商品的品类信息，确定每个所述商品的品类编号；

生成子单元，用于根据所述品类编号对所述操作信息进行编码，生成实时访问特征。

在本发明的另一个实施例中，提供了一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行上述一种分配在线客服的方法中的各个步骤。

在本发明的另一个实施例中，提供了一种电子设备，其特征在于，包括处理器和存储器，存储器中存储有可被处理器执行的应用程序，用于使得处理器执行上述一种分配在线客服的方法中的各个步骤。

基于上述实施例，首先获取当前的用户咨询问题，其次，将用户咨询问题输入预先训练的意图预测模型，生成意图分类标签，其中，意图预测模型根据用户的订单信息、操作信息和由用户在咨询页面的首个用户咨询问题确定的意图分类标签进行训练，最后，根据意图分类标签，确定咨询入口的类型，并为用户分配与咨询入口对应的在线客服。本申请实施例通过对用户进入咨询页面的意图进行预测，并根据预测的用户意图分配在线客服，从而优化了在线客服的分配策略，提升了服务质量。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本申请实施例100所提供的一种分配在线客服的方法的流程示意图；

图2示出了本申请实施例200提供的一种分配在线客服的方法的具体流程的示意图；

图3示出了本申请实施例300还提供一种分配在线客服的装置的示意图；

图4示出了本申请实施例400所提供的一种终端设备的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。

基于现有技术中的问题，本申请实施例提供了一种分配在线客服的方法，主要适用于计算机技术领域。通过构建样本组训练意图预测模型，并根据用户在咨询页面的首个咨询问题进行预测。在确定了用户意图后，根据用户意图为用户分配较为合适的在线客服，以提升服务质量。下面以具体实施例对本发明的技术方案进行详细说明，以实现一种分配在线客服的方法。以下几个具体实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。如图1所示，为本申请实施例100提供的一种分配在线客服的方法的流程示意图。其中，详细步骤如下：

S11，获取当前的用户咨询问题。

本步骤中，在电子商务领域，用户一般可以通过电商提供的咨询页面进行咨询。当用户在咨询页面输入用户咨询问题时，获取用户当前提出的用户咨询问题。其中，用户咨询问题一般为与服务相关的业务问题。其它与服务业务不相关的用户咨询问题不在获取范围内。

S12，将用户咨询问题输入预先训练的意图预测模型，生成意图分类标签，其中，意图预测模型根据用户的订单信息、操作信息和由用户在咨询页面的首个用户咨询问题确定的意图分类标签进行训练。

本步骤中，对获取的用户咨询问题进行意图预测。其中，通过构造样本组对意图预测模型进行训练。可选地，用户在咨询时一般会携带有一定的目的，即用户意图。通过数据分析得知，用户在进入咨询页面前，一般都会在网站上面留下一些痕迹，收集这些信息可以对用户进行咨询页面的意图进行预判。比如，用户在进入咨询15分钟前，多次浏览了京东白条相关网页，此时，用户很可能需要咨询与“白条”相关的业务。因此，收集用户的订单信息、操作信息和由用户在咨询页面的首个用户咨询问题确定的意图分类标签构成特征组进行训练，生成意图预测模型。其中，用户的订单信息一般为用户近期的订单，包括订单状态，订单类型，订单金额等信息。操作信息主要指用户在电子商务网页上的操作行为，如加购购物车，浏览商品详情、点击收藏商品、点击商品评价等行为。首个用户咨询问题可能表示用户的咨询意图。将用户的订单信息、操作信息和根据首个用户咨询问题确定意图分类标签构成的特征组作为样本对意图训练模型进行训练。

S13，根据意图分类标签，确定咨询入口的类型，并为用户分配与咨询入口对应的在线客服。

本步骤中，在将用户的用户咨询问题输入意图预测模型，并生成对应的意图分类标签后。根据意图分类标签确定咨询入口的类型。其中，按照客服体系技能维度建立咨询入口的类型并进行细分，并在构成训练意图预测模型的样本组时确定的意图标签与咨询入口的类型对应。进一步地，在预测并获取某个用户的用户咨询问题对应的意图分类标签时，将对应的咨询入口中的在线客服分配给该用户。可选地，每个咨询入口中对应有多个在线客服，可以按照每个客服的当前接待数量和当日需接待总数量为用户进行在线客服的更细粒度分配。

如上所述，基于上述实施例，首先获取当前的用户咨询问题，其次，将用户咨询问题输入预先训练的意图预测模型，生成意图分类标签，其中，意图预测模型根据用户的订单信息、操作信息和由用户在咨询页面的首个用户咨询问题确定的意图分类标签进行训练，最后，根据意图分类标签，确定咨询入口的类型，并为用户分配与咨询入口对应的在线客服。本申请实施例通过对用户进入咨询页面的意图进行预测，并根据预测的用户意图分配在线客服，从而优化了在线客服的分配策略，提升了服务质量。

如图2所示，为本申请实施例200提供的一种分配在线客服的方法的具体流程的示意图。其中，该具体流程的详细过程如下：

S201，获取用户的订单信息和操作信息。

这里，获取用户最近的订单信息，包括订单状态，订单类型，订单金额等信息。如有退换货申请，收集申请退换货的订单的相关信息。

另外，使用网页埋点等方式对用户在电子商务网页上的操作信息进行收集。如搜集该用户24小时内浏览的网页，浏览停留的时间，分别进行点击的操作。

S202，根据用户在咨询页面的首个用户咨询问题确定意图分类标签。

这里，通过对大量在线客服的聊天日志的分析，一般用户在进行问题咨询时会直接表明核心意图。因此，可以根据用户在咨询页面的首个用户咨询问题确定意图分类标签。可选地，收集用户的首个与业务相关的用户咨询问题，可以利用文本分类模型对这些用户咨询问题做问题分类处理。如表1所示，为用户咨询问题确定意图分类标签，如用户的咨询问题为“我要价保”，该问题的意图分类标签为“价保咨询”，用户的咨询问题为“才买的东西就坏了，我要退货”，该问题的意图分类标签为“退货处理”，用户的咨询问题为“我的货怎么还没送到？”，该问题的意图分类标签为“配送周期”。将用户的每句用户咨询问题映射到一个事先预定好的意图分类标签。进一步地，将用户咨询问题和意图分类标签作为样本输入文本分类模型进行训练，并将各个用户在咨询页面的首个咨询问题输入训练好的文本分类模型，生成与用户咨询问题对应的意图分类标签。

表1S203，生成实时访问特征。

这里，根据预先划分的商品的品类信息，确定每个商品的品类编号，根据品类编号对操作信息进行编码，生成实时访问特征。可选地，对于电子商务网站上可能涉及到的上亿数量商品，将每个商品映射为对应的商品的品类信息。其中，商品的品类信息可以预先设置，如将每个商品映射为对应的品类分为三级进行品类编号，以大幅降低样本空间。对于每个商品，它所对应的品类信息一般相对固定，可以事先进行收集确定。如表2所示，为部分商品的品类信息和品类编号的对应关系。

表2

进一步地，根据表2中确定的部分商品的品类编号对用户的操作信息进行编码。如表3所示，为编码后生成的部分实时访问特征。其中，如操作信息为“浏览品类ID为C288的详情页”，则对应的编码后的实时访问特征为“VISIT_C288”。另外，实时访问特征的时间范围可以事先设置，如设置用户进入咨询页面前的30分钟作为实时访问特征的时间范围，对该30分钟内的用户的操作信息进行收集和编码。

表3S204，生成订单特征。

本步骤中，对订单信息进行编码，生成与订单信息对应的订单特征。如表4所示，为编码后生成的部分订单特征。

表4S205，将用户的订单特、操作特征和意图分类标签组成的特征组作为样本组输入分类器进行训练，生成意图预测模型。

这里，将各个用户的实时访问特征、订单特征和用户对应的意图分类标签组成的特征组作为样本输入分类器进行训练，生成意图预测模型。可选地，如表5所示，首先将各个用户的实时访问特征和订单特征组成用户特征，得到各个样本。

表5

进一步地，将根据用户在咨询页面的首个用户咨询问题对应的意图分类标签和上述确定的用户特征组成特征组，并以每组特征组作为样本。如表6所示，以编号1的样本举例，其中的物理意义可以理解为，用户具备ORDER_TYPE_JD_SELF,SERVICE_TYPE_RETURN的订单特征，且在最近30分钟内，依次进行了访问或点击等操作信息对应的VISIT_C288，CLICK_C288_add，VISIT_C374，CLICK_C374_colorBlack，……，CLICK_C2543_Packing等实时访问特征，而且该用户在进入咨询页面时，首个用户咨询问题与“退货处理”相关。

通过对海量历史数据进行上述清洗和建构，可以得到百万级甚至千万级的特征组作为样本用于意图分类模型的训练。

进一步地，可以选择将上述样本输入分类算法LibSVM进行模型训练，以生成意图分类模型。

基于上述步骤S201至步骤S205完成对意图分类模型的训练。

S206，获取当前的用户咨询问题。

S207，生成与用户咨询问题对应的意图分类标签。

本步骤中，将用户咨询问题输入预先训练的意图预测模型，生成意图分类标签。

S208，根据意图分类标签，确定咨询入口的类型。

本步骤中，通过对在线客服接待体系的重新打造，构建出按技能维度的与咨询入口的类型对应的在线客服，实现人员到技能的匹配。将客服体系按照技能维度重新建立和划分，使得每种咨询入口下的多个在线客服的技能主要与该咨询入口对应的意图分类标签匹配。如意图分类标签确定为退货处理、价保咨询、配送周期等，则咨询入口的类型与上述意图分类标签的类型对应。

S209，在该咨询入口中为用户分配在线客服。

这里，统计与意图分类标签对应的咨询入口下的各个在线客服的当前接待数量。其次，根据各个在线客服的当前接待数量和当日需接待总数量，为当前接待数量和当日需接待总数量分别分配第一权重和第二权重，并计算各个在线客服的分配评分。最后，将分配评分最低的在线客服确定为用户在本次咨询中的在线客服。可选地，统计在线客服当日需接待总数量，以及当前接待数量，计算出当前咨询入口对应的多个在线客服中的每个在线客服的加权得分，根据这个分数，为该用户分配在线客服。

一般地,通常可以采用公式S＝ax+by计算各个在线客服的分配评分，其中x表示该在线客服的当日需接待总数量，y表示该在线客服的当前接待数量，a,b分别为第一权重和第二权重，可以通过事先设置和实时调整，本申请实施例中的较佳值分别为0.3和0.5。每当用户进入咨询页面时，触发计算当前咨询入口对应的所有在线客服的分配评分，然后把该用户分配给得分最低的在线客服接待。

本申请基于上述步骤实现上述一种分配在线客服的方法。

在当咨询入口的分配粒度太粗，导致每个客服组下的所有在线客服，都需要具备多种业务技能，且没有对用户咨询意图的预判，可能导致的服务质量较低的问题。比如从订单入口进入咨询的顾客，可能就会问配送周期、价保、退换货之类的问题。按照这几个入口建立一一对应的在线客服组，显然不能很好的细分用户可能会问到的问题。由于粒度太粗，这不但增加了培训在线客服的成本，还会导致在线客服的技能没有专注在某一领域，整体的回答质量不够高。

本申请实施例提供的一种分配在线客服的方法，通过对建立意图预测模型确定用户的咨询意图，且与按照技能维度重新建立和划分后在线客服的体系相配合，为用户分配到能解决咨询问题的咨询入口对应的多个在线客服中的在线客服。最大化的保证每个在线客服都在自己擅长的领域内工作，达到接待分配的最优化，也让顾客获得更专业的服务。

基于同一发明构思，本申请实施例300还提供一种分配在线客服的装置，其中，如图3所示，该装置包括：

获取模块31，用于获取当前的用户咨询问题；

生成模块32，用于将用户咨询问题输入预先训练的意图预测模型，生成意图分类标签，其中，意图预测模型根据用户的订单信息、操作信息和由用户在咨询页面的首个用户咨询问题确定的所述意图分类标签进行训练；

分配模块33，用于根据意图分类标签，确定咨询入口的类型，并为用户分配与咨询入口对应的在线客服。

本实施例中，获取模块31、生成模块32和分配模块33的具体功能和交互方式，可参见图1对应的实施例的记载，在此不再赘述。

可选地，生成模块32包括：

获取子单元，用于获取用户的订单信息和操作信息；

第一生成单元，用于对操作信息进行编码，生成与操作信息对应的实时访问特征；

第二生成单元，用于对订单信息进行编码，生成与订单信息对应的订单特征；

确定单元，用于根据用户在咨询页面的首个所述用户咨询问题确定意图分类标签；

第三生成单元，用于将各个用户的所述实时访问特征、订单特征和用户对应的意图分类标签组成的特征组作为样本输入分类器进行训练，生成意图预测模型。

可选地，第一生成单元包括：

确定子单元，用于根据预先划分的商品的品类信息，确定每个商品的品类编号；

生成子单元，用于根据品类编号对操作信息进行编码，生成实时访问特征。

如图4所示，本申请的又一实施例400还提供一种终端设备，包括处理器401，其中，处理器401用于执行上述一种分配在线客服的方法的步骤。从图4中还可以看出，上述实施例提供的终端设备还包括非瞬时计算机可读存储介质402，该非瞬时计算机可读存储介质402上存储有计算机程序，该计算机程序被处理器401运行时执行上述一种分配在线客服的方法的步骤。实际应用中，该终端设备可以是一台或多台计算机，只要包括上述计算机可读介质和处理器即可。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘和FLASH等，该存储介质上的计算机程序被运行时，能够执行上述的一种分配在线客服的方法中的各个步骤。实际应用中，所述的计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的，也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或多个程序被执行时，能够执行上述的一种分配在线客服的方法中的各个步骤。

根据本申请公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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)、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，但不用于限制本申请保护的范围。在本申请公开的实施例中，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。

本申请附图中的流程图和框图，示出了按照本申请公开的各种实施例的系统、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、或者代码的一部分，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。也应该注意，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附图中所标注的顺序发生。例如，两个连接地表示的方框实际上可以基本并行地执行，它们有时也可以按照相反的顺序执行，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、以及框图或者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。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本申请中。特别地，在不脱离本申请精神和教导的情况下，本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，所有这些组合和/或结合均落入本申请公开的范围。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行变更或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些变更、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。