一种向电力用户推荐客服人员的推荐方法技术

本发明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领域。该方法合理利用用户的用电，交费信息构建电力用户画像，采用聚类技术将相似用户进行聚类，SVD++矩阵分解技术来缓解评分数据稀疏性，通过计算用户画像向量与客服属性特征向量间的相似度来建立起用户与客服间的关联性，最终从服务质量和合适度上向用户推荐客服人员。本发明专利技术通过向用户合理化推荐客服人员，来提高服务质量和服务效率。

【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据，但是这些信息数据未能有效利用，来定位不同客户的需求，挖掘用户潜在价值，并加强对优质客户的重视。综上陈述，如何高效利用积累的用户信息数据，定位不同用户需求，并智能化提供客服人员进行服务是目前客服中心需要关注的问题。而推荐技术在过滤有价值信息，提供精准化服务等方面有着广泛应用。因此为了缓解上述问题，将推荐技术应用于电力客服推荐中，通过合理化推荐客服人员，来提高服务质量。并基于客服推荐应用场景，提出一种基于用户画像技术和SVD++融合推荐方法。
技术实现思路
为了缓解因国网的不断发展，用户覆盖范围逐渐扩大，客服中心在处理报修、供电等业务咨询需求增加而出现的运行效率低，服务质量下降，服务存在普遍性等问题。本专利技术提供一种向电力用户推荐客服人员的推荐方法，通过向用户合理化推荐客服人员，来提高服务质量和服务效率。该方法合理利用用户的用电，交费信息构建电力用户画像，采用聚类技术将相似用户进行聚类，SVD++矩阵分解技术来缓解评分数据稀疏性，通过计算用户画像向量与客服属性特征向量间的相似度来建立起用户与客服间的关联性，最终从服务质量和合适度上向用户推荐客服人员。本专利技术为解决其技术问题采用如下技术方案：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(初评分)，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(初评分)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。步骤(1)中所述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Y0Y0＝[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，β02(1)第2个用户第1个指标关系系数，β02(2)第2个用户第2个指标关系系数，β02(m)第2个用户第m个指标关系系数，β0n(1)第n个用户第1个指标关系系数，β0n(2)第n个用户第2个指标关系系数，β0n(m)第n个用户第m个指标关系系数；确定灰色关联度：其中ωk代表每个指标的权重，V0i为灰色关联度，本申请计算过程中设置各指标权重值相等。所述步骤(2)中采用k-means聚类技术对用户画像标签向量进行聚类，具体步骤如下：(2.1)从n条标签向量中随机选择k个对象作为聚类中心m1,m2,....本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：王宇，章陈敏，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32