[发明专利]用于预判问题的方法和系统

说明书

本发明提供一种用于预判问题的方法和系统。其中用于预判问题的方法包括：步骤一，将用户特征转换为数值形式的特征向量；步骤二，采用训练模型，对所述特征向量进行训练，以获得词典向量；以及步骤三，向用户推送与所述词典向量相对应的一个或多个问题。

技术领域

本发明涉及一种用于预判问题的方法和系统。

背景技术

随着电商行业的快速发展，对客服人员的需求也越来越大。目前客服人员都是被动的等待用户提问，然后对用户的问题进行解答。很少有客服系统能预先判断用户将要咨询的问题，不能提高用户体验。

预判问题就是在这种场景下应运而生的。通过预判用户想问的问题，然后将问题直接展示给用户，避免了用户的手工输入，提高了用户操作体验。

现有技术基本都是基于客服人员通过工作经验总结的各种规则，如规则:下单时间超过3天，但订单状态为未完成，规则对应问题：为什么我买的商品还没送到？

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：规则都是客服通过主观思维总结出来的，难免有认识不足造成的偏差。同时规则没有考虑到用户个体的差异，导致预判问题的效果不好。

发明内容

有鉴于此，本发明实施例提供一种用于预判问题的方法和系统，能够在不需要人工干预的情况下，完全基于机器学习，预判用户想问的问题，减少了人力成本。

为实现上述目的，根据本发明的一个方面，提供了一种用于预判问题的方法。

本发明的一种用于预判问题的方法包括：步骤一，将用户特征转换为数值形式的特征向量；步骤二，采用训练模型，对所述特征向量进行训练，以获得词典向量；以及步骤三，向用户推送与所述词典向量相对应的一个或多个问题。

可选地，将用户特征转换为数值形式的特征向量还包括：通过特征分类、特征清洗、特征组合以及特征选择，将用户特征转换为数值形式的特征向量；其中所述特征分类包括根据属性对用户特征进行分类，所述特征清洗包括对用户特征的各个维度进行归一化处理，所述特征组合包括通过决策树对用户特征加以组合，所述特征选择包括通过计算用户特征的信息增益，选择排名靠前的用户特征。

可选地，根据属性将所述用户特征分类为：离线特征和实时特征，其中离线特征包括统计特征和建模特征；以及连续型特征和枚举型特征。

可选地，所述训练模型包括编码模型、解码模型以及注意力模型。

可选地，所述方法还包括：如果用户没有点击向其推送的所述一个或多个问题，则收集用户的进一步的特征，并且通过所述步骤一、所述步骤二和所述步骤三继续进行问题的预判和推送。

为实现上述目的，根据本发明的另一个方面，提供了一种用于预判问题的系统。

本发明的一种用于预判问题的系统，包括：特征工程模块，用于将用户特征转换为数值形式的特征向量；模型训练模块，用于采用训练模型，对所述特征向量进行训练，以获得词典向量；以及线上预测模块，用于向用户推送与所述词典向量相对应的一个或多个问题。

可选地，所述特征工程模块还用于：通过特征分类、特征清洗、特征组合以及特征选择，将用户特征转换为数值形式的特征向量；其中所述特征分类包括根据属性对用户特征进行分类，所述特征清洗包括对用户特征的各个维度进行归一化处理，所述特征组合包括通过决策树对用户特征加以组合，所述特征选择包括通过计算用户特征的信息增益，选择排名靠前的用户特征。

可选地，根据属性将所述用户特征分类为：离线特征和实时特征，其中离线特征包括统计特征和建模特征；以及连续型特征和枚举型特征。

可选地，所述训练模型包括编码模型、解码模型以及注意力模型。