System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及深度学习领域,尤其涉及一种信息分配方法、装置、设备及介质。
技术介绍
1、随着人工智能与大数据技术的不断发展,深度学习算法在越来越多的行业、越来越多的业务领域上得到了应用,比如购物平台会根据用户的消费记录、浏览记录分析用户的消费意向,给用户推荐自己适合价位、适合品类的商品。对于销售行业来说,销售工作人员得知用户的消费意向对用户购入商品的成功率,以及销售工作人员的成单量起到很大的促进作用。
2、目前销售工作人员得知用户的消费意向主要由管理人员人工进行管理分配,占用人力物力,对消费意向的分配效率低下。
技术实现思路
1、本申请提供一种信息分配方法、装置、设备及介质,可高效率的将用户的消费意向分配给合适的销售工作人员。
2、一方面,本申请提供一种信息分配方法,所述方法包括:
3、获取待分配商机的基本信息与每个工作人员的用户信息,根据所述待分配商机的基本信息与每个工作人员的用户信息获得输入特征;
4、将所述输入特征输入到完成训练的深度神经网络模型中,得到每个工作人员成交所述待分配商机的预测成交概率,所述深度神经网络模型可基于商机的基本信息与工作人员的用户信息得到该工作人员完成所述商机的预测成交概率;
5、将成交所述待分配商机的预测成交概率大于预设的概率阈值的工作人员作为第一工作人员,从所述第一工作人员中确定目标工作人员,并将所述待分配商机分配给所述目标工作人员。
6、在一种示例中,所述根据所述待分配商机的基本
7、对所述待分配商机的基本信息与每个工作人员的用户信息分别进行特征提取,得到所述待分配商机的基本信息与每个工作人员的用户信息对应的特征提取结果;
8、对所述待分配商机的基本信息与每个工作人员的用户信息对应的特征提取结果中属于连续特征的特征,进行归一化处理;对所述待分配商机的基本信息与每个工作人员的用户信息对应的特征提取结果中属于类别特征的特征,进行编码处理;
9、将所述归一化处理后的特征与所述编码处理后的特征作为所述输入特征。
10、在一种示例中,所述从所述第一工作人员中确定目标工作人员包括:
11、获取每个第一工作人员当天已分配的商机数量与每日最多可分配的商机数量,确定所述第一工作人员中可继续被分配商机的预选工作人员,所述预选工作人员当天已分配的商机数量小于每日最多可分配的商机数量;
12、按照预测成交概率从大到小的顺序对每个预选工作人员进行排列,并将排列在首位的预选工作人员作为所述目标工作人员。
13、在一种示例中,所述从所述第一工作人员中确定目标工作人员包括:
14、按照预测成交概率从大到小的顺序对每个第一工作人员进行排列,得到关于所述第一工作人员的第一排列顺序;
15、获取每个第一工作人员当天已分配的商机数量与每日最多可分配的商机数量,并基于所述第一排列顺序按照轮询的方式依次询问每个第一工作人员当天已分配的商机数量是否小于每日最多可分配的商机数量,并将首个当天已分配的商机数量小于每日最多可分配的商机数量的第一工作人员作为所述目标工作人员。
16、在一种示例中,所述方法包括:
17、获取多条训练数据,每条训练数据包括已分配商机的基本信息、接收所述已分配商机的工作人员的用户信息与实际成交概率,对所述训练数据进行特征提取,获得训练输入特征;
18、将所述训练输入特征输入到深度神经网络模型中得到每条训练数据所对应的预测成交概率;
19、基于损失函数计算的每条训练数据对应的实际成交概率与预测成交概率之间差值的损失值,调整所述深度神经网络模型中各神经元的参数,直到所述损失值小于预设的阈值,得到完成训练的深度神经网络模型,所述损失函数为交叉熵函数。
20、在一种示例中,在所述将所述训练输入特征输入到深度神经网络模型中得到每条训练数据所对应的预测成交概率之前,所述方法还包括:
21、对所述训练输入特征进行特征分析,得到所述训练输入特征中每个特征对所述预测成交概率的影响因子;
22、去除所述训练输入特征中影响因子为零的特征。
23、在一种示例中,所述深度神经网络模型为mlp模型,所述mlp模型的激活函数为sigmoid函数。
24、另一方面,本申请提供一种信息分配装置,所述装置包括:
25、获取模块,用于获取待分配商机的基本信息与每个工作人员的用户信息,根据所述待分配商机的基本信息与每个工作人员的用户信息获得输入特征;
26、输入模块,用于将所述输入特征输入到完成训练的深度神经网络模型中,得到每个工作人员成交所述待分配商机的预测成交概率,所述深度神经网络模型可基于商机的基本信息与工作人员的用户信息得到该工作人员完成所述商机的预测成交概率;
27、分配模块,用于将成交所述待分配商机的预测成交概率大于预设的概率阈值的工作人员作为第一工作人员,从所述第一工作人员中确定目标工作人员,并将所述待分配商机分配给所述目标工作人员。
28、又一方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
29、所述存储器存储计算机执行指令;
30、所述处理器执行所述存储器存储的计算机执行指令,以实现如前所述的方法。
31、又一方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如前任一项所述的方法。
32、本申请提供的信息分配方法、装置、设备及介质,获取待分配商机的基本信息与每个工作人员的用户信息,根据所述待分配商机的基本信息与每个工作人员的用户信息获得输入特征;将所述输入特征输入到完成训练的深度神经网络模型中,得到每个工作人员成交所述待分配商机的预测成交概率,将成交所述待分配商机的预测成交概率大于预设的概率阈值的工作人员作为第一工作人员,从所述第一工作人员中确定目标工作人员,并将所述待分配商机分配给所述目标工作人员,基于本申请的方法,通过将商机信息高效的分配给合适的工作人员,以使工作人员促进用户完成购物,可提高用户购入商品的成功率,以及销售工作人员的成单量。
本文档来自技高网...【技术保护点】
1.一种信息分配方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述待分配商机的基本信息与每个工作人员的用户信息获得输入特征,包括:
3.根据权利要求1所述的方法,其特征在于,所述从所述第一工作人员中确定目标工作人员包括:
4.根据权利要求1所述的方法,其特征在于,所述从所述第一工作人员中确定目标工作人员包括:
5.根据权利要求1所述的方法,其特征在于,所述方法包括:
6.根据权利要求5所述的方法,其特征在于,在所述将所述训练输入特征输入到深度神经网络模型中得到每条训练数据所对应的预测成交概率之前,所述方法还包括:
7.根据权利要求1-6任一项所述的方法,其特征在于,所述深度神经网络模型为MLP模型,所述MLP模型的激活函数为sigmoid函数。
8.一种信息分配装置,其特征在于,所述装置包括:
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质
...【技术特征摘要】
1.一种信息分配方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述待分配商机的基本信息与每个工作人员的用户信息获得输入特征,包括:
3.根据权利要求1所述的方法,其特征在于,所述从所述第一工作人员中确定目标工作人员包括:
4.根据权利要求1所述的方法,其特征在于,所述从所述第一工作人员中确定目标工作人员包括:
5.根据权利要求1所述的方法,其特征在于,所述方法包括:
6.根据权利要求5所述的方法,其特征在于,在所述将所述训练输入特征输入到深度神经...
【专利技术属性】
技术研发人员:秦芹,车皓阳,
申请(专利权)人:浙江极氪智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。