【技术实现步骤摘要】
一种向电力用户推荐客服人员的推荐方法
本专利技术涉及一种向电力用户推荐客服人员的推荐方法,属于数据挖掘中推荐
技术介绍
国家电网电力客服中心面向千家万户,社会影响力大,是为电力用户提供服务的主要窗口。客服中心的服务质量,服务水平对于加快电网企业的创新发展有着重要的价值。因电力行业咨询业务的复杂性,目前国网客服中心服务方式仍以电话咨询为主要服务方式,其在南京,天津设南(北)分中心,服务全国27省(市)电力客户,全国电力客户的话务咨询业务会自动转接到南或北中心,并自动分配客服人员进行服务,但随着电网的不断发展,客服中心的话务量不断增多,出现了服务质量不高,服务效率低,优质用户流失等问题。而问题出现的主要原因包括两个方面:客户与客服人员未进行合理化分配:面对庞大的电话接入量,不同的类型客户有不同的业务需求。对于普通的居民,业务需求基本包括简单的电量电费查询,报修等,这对于客服人员的业务能力要求不高。但是对于一个企业用户,业务需求不再仅限于用电查询,咨询内容将更复杂众多,如供电方案设计,后期维护等信息咨询。面对企业级用户,需要服务级别更高,经验更丰富的客服人员为其服务。同时,不同地区的电力公司服务标准不同,用户的需求也不同,所以,需要为用户分配了解其地区业务的客服人员进行服务,从而提供更有针对性的解决措施。未充分利用用户的用电信息数据:目前国网客服中心仍偏向于向所有用户提供普遍化服务,对于不同客户的需求提供的服务针对性不强,导致优质客户存在一定的流失风险。而客服中心积累了大量的电力用户信息数 ...
【技术保护点】
1.一种向电力用户推荐客服人员的推荐方法,其特征在于,包括如下步骤:/n(1)利用电力用户的用电,交费信息,采用数学统计分析方法对电力用户进行画像构建,最终生成一个电力用户画像标签向量;/n(2)利用构建的电力用户画像向量,通过k-means聚类技术将相似用户进行聚类;/n(3)将目标用户所在聚类中所有用户构成的矩阵R利用SVD++技术进行矩阵分解,采用随机梯度下降法进行迭代学习不断更新用户项目隐含特征参数,利用学习到参数对未评分项进行评分rui,构成填充后的评分矩阵R';/n(4)基于评分矩阵R',使用Person相关相似度计算方法计算用户之间的相似度;/n(5)采用欧式距离计算用户画像向量与客服属性特征向量之间的相似度;/n(6)SVD++算法获得的评分rui作为初始评分,融入用户-客服相似度改进的基于邻域的评分pre(u,i)作为修正评分,最终评分取两者平均值进行推荐。/n
【技术特征摘要】
1.一种向电力用户推荐客服人员的推荐方法,其特征在于,包括如下步骤:
(1)利用电力用户的用电,交费信息,采用数学统计分析方法对电力用户进行画像构建,最终生成一个电力用户画像标签向量;
(2)利用构建的电力用户画像向量,通过k-means聚类技术将相似用户进行聚类;
(3)将目标用户所在聚类中所有用户构成的矩阵R利用SVD++技术进行矩阵分解,采用随机梯度下降法进行迭代学习不断更新用户项目隐含特征参数,利用学习到参数对未评分项进行评分rui,构成填充后的评分矩阵R';
(4)基于评分矩阵R',使用Person相关相似度计算方法计算用户之间的相似度;
(5)采用欧式距离计算用户画像向量与客服属性特征向量之间的相似度;
(6)SVD++算法获得的评分rui作为初始评分,融入用户-客服相似度改进的基于邻域的评分pre(u,i)作为修正评分,最终评分取两者平均值进行推荐。
2.根据权利要求1所述的一种向电力用户推荐客服人员的推荐方法,其特征在于,所述步骤(1)中采用的数学统计分析方法进行画像构建具体步骤如下:
(1.1)用户画像构建:从电力用户基本属性即人口统计学领域,电力行业领域以及商业社交领域三个维度对电力用户进行建模,用一个三元组来表示电力用户画像,分别代表用户基本属性标签,电力行业领域标签和商业社交领域标签
PowerUser=<e-label,f-label,s-label>
其中e-label表示用户基本属性标签,f-1abel表示电力行业领域标签,s-label表示商业社交领域标签,PowerUser表示构建的电力用户画像标签向量;
(1.2)用户画像生成:选择m个指标对用户的经济价值进行评分,n个用户构成一个m维的矩阵向量:
其中:Y1为第1个用户指标向量.,Y2为第二个用户指标向量,Yn为第n个用户指标向量;Y1(1)表示第1个用户第1个指标;Y1(2)表示第1个用户第2个指标;Y1(m)表示第1个用户第m个指标;Y2(1)表示第2个用户第1个指标;Y2(2)表示第2个用户第2个指标;Y2(m)表示第2个用户第m个指标;Yn(1)表示第n个用户第1个指标;Yn(2)表示第n个用户第2个指标;Yn(m)表示第n个用户第m个指标;
选取每个评估指标的最大值构成向量Y0
Y0=[Y0(1),Y0(2),...Y0(m)]T
其中Yi(j)表示每个评估指标;
计算每个指标与该指标对应最大值的差值,并构建矩阵Y0i(k)
Δ0i(k)=|Y0(k)-Yi(k)|,i=1,2,...,n;k=1,2,...m
其中:Δ0i(k)为每个指标与该指标对应最大值差值,Y0(k)为指标最大值,Yi(k)为每个指标;Y01(1)表示第一个用户第一个指标差值,Y01(2)表示第一个用户第二个指标差值,Y01(m)表示第一个用户第m个指标差值,Y02(1)表示第二个用户第一个指标差值,Y02(2)表示第二个用户第二个指标差值,Y02(m)表示第二个用户第m指标差值,Y0n(1)表示第n个用户第一个指标差值,Y0n(2)表示第n个用户第二个指标差值,Y0n(m)表示第n个用户第m个指标差值;
确定关系系数
其中Δmin=min{Δ0i(k)},Δmax=max{Δ0i(k)},i=1,2,...n;k=1,2,...,m
并构建关系系数矩阵
其中β01(1)表示第一个用户第一个指标关系系数,β01(2)第一个用户第二个指标关系系数,β01(m)表示第一个用户第m个指标关系系数,β0...
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。