本申请提供一种基于无监督学习的业务响应方法及装置，该基于无监督学习的业务响应方法包括：获取多个实体的预设历史时间段内的历史订单信息；根据多个实体的历史订单信息确定各个实体的多维度特征；对各个实体的多维度特征聚类得到多个实体簇和对应的簇均值向量；根据预设特征权重对簇均值向量中各个特征的特征值加权求和，得到各个实体簇对应的向量参数；根据各个实体簇对应的向量参数的大小对各个实体簇进行分层，得到分层结果；基于分层结果响应业务请求。本申请提取实体的多维度特征，结合无监督聚类算法进行实体分层，能够快速对实体分层，然后根据分层结果响应业务请求，大大降低了业务处理时长，提高了业务响应的效率。
【技术实现步骤摘要】
本申请主要涉及大数据处理，具体涉及一种基于无监督学习的业务响应方法及装置。
技术介绍
1、随着物流行业的快速发展以及人们需求的日益剧增，快递件量越来越大。由于快递意外遗失、破损带来用户请求对这些问题得到快速响应的业务需求案例也不时出现。但现有技术主要是依靠人工或者客服机器人对这些业务需求进行响应，效率非常低下。也即，现有技术中业务响应方法的效率较低。
技术实现思路
1、本申请提供一种基于无监督学习的业务响应方法及装置，旨在解决现有技术中业务响应方法的效率较低的问题。
2、第一方面，本申请提供一种基于无监督学习的业务响应方法，所述基于无监督学习的业务响应方法包括：
3、获取多个实体的预设历史时间段内的历史订单信息；
4、根据多个实体的历史订单信息确定各个实体的多维度特征；
5、对各个实体的多维度特征聚类得到多个实体簇和对应的簇均值向量；
6、根据预设特征权重对簇均值向量中各个特征的特征值加权求和，得到各个实体簇对应的向量参数；
7、根据各个实体簇对应的向量参数的大小对各个实体簇进行分层，得到分层结果；
8、基于所述分层结果响应业务请求。
9、可选地，所述多维度特征包括下单时间间隔指标、下单频率指标以及下单总额度指标。
10、可选地，所述下单时间间隔指标包括多个第一子特征，所述第一子特征表示实体在预设历史时间段内的近x天内是否有下单，其中，不同的第一子特征对应不同的x值；
11、所述下单频率指标包括多个第二子特征，所述第二子特征表示实体在预设历史时间段内的近y天内的下单天数，其中，不同的第二子特征对应不同的y值；
12、所述下单总额度指标包括多个第三子特征，所述第三子特征表示实体在预设历史时间段内的近z天内的下单额度，其中，不同的第三子特征对应不同的z值。
13、可选地，所述根据预设特征权重对簇均值向量中各个特征的特征值加权求和，得到各个实体簇对应的向量参数，包括：
14、从多个实体的历史订单信息中获取簇均值向量中各个特征的多个历史特征值；
15、根据各个特征的多个历史特征值分别确定各个特征的变异系数；
16、将各个特征的变异系数确定为各个特征的预设特征权重；
17、根据各个特征的预设特征权重对簇均值向量中各个特征的特征值加权求和，得到各个实体簇对应的向量参数。
18、可选地，所述分层结果包括各个实体簇的业务优先级，所述根据各个实体簇对应的向量参数的大小对各个实体簇进行分层，得到分层结果，包括：
19、根据各个实体簇对应的向量参数的大小对各个实体簇进行分层，得到各个实体簇的业务优先级，其中，向量参数越大的实体簇的业务优先级越高。
20、可选地，所述基于所述分层结果响应业务请求，包括：
21、获取目标实体发起的目标业务请求；
22、获取目标实体所属的实体簇对应的目标业务优先级；
23、判断目标业务优先级是否高于预设业务优先级；
24、若目标业务优先级高于预设业务优先级，则响应所述目标业务请求。
25、可选地，所述根据多个实体的历史订单信息确定各个实体的多维度特征，包括：
26、对多个实体的历史订单信息进行去重，得到去重后的历史订单信息；
27、对去重后的历史订单信息的缺失值补齐，得到补齐后的历史订单信息；
28、对补齐后的历史订单信息进行异常值剔除，得到剔除后的历史订单信息；
29、根据剔除后的历史订单信息确定各个实体的多维度特征。
30、第二方面，本申请提供一种基于无监督学习的业务响应装置，所述基于无监督学习的业务响应装置包括：
31、获取单元，用于获取多个实体的预设历史时间段内的历史订单信息；
32、确定单元，用于根据多个实体的历史订单信息确定各个实体的多维度特征；
33、聚类单元，用于对各个实体的多维度特征聚类得到多个实体簇和对应的簇均值向量；
34、加权单元，用于根据预设特征权重对簇均值向量中各个特征的特征值加权求和，得到各个实体簇对应的向量参数；
35、分层单元，用于根据各个实体簇对应的向量参数的大小对各个实体簇进行分层，得到分层结果；
36、响应单元，用于基于所述分层结果响应业务请求。
37、可选地，所述多维度特征包括下单时间间隔指标、下单频率指标以及下单总额度指标。
38、可选地，所述下单时间间隔指标包括多个第一子特征，所述第一子特征表示实体在预设历史时间段内的近x天内是否有下单，其中，不同的第一子特征对应不同的x值；
39、所述下单频率指标包括多个第二子特征，所述第二子特征表示实体在预设历史时间段内的近y天内的下单天数，其中，不同的第二子特征对应不同的y值；
40、所述下单总额度指标包括多个第三子特征，所述第三子特征表示实体在预设历史时间段内的近z天内的下单额度，其中，不同的第三子特征对应不同的z值。
41、可选地，所述加权单元，用于：
42、从多个实体的历史订单信息中获取簇均值向量中各个特征的多个历史特征值；
43、根据各个特征的多个历史特征值分别确定各个特征的变异系数；
44、将各个特征的变异系数确定为各个特征的预设特征权重；
45、根据各个特征的预设特征权重对簇均值向量中各个特征的特征值加权求和，得到各个实体簇对应的向量参数。
46、可选地，所述分层结果包括各个实体簇的业务优先级，所述分层单元，用于：
47、根据各个实体簇对应的向量参数的大小对各个实体簇进行分层，得到各个实体簇的业务优先级，其中，向量参数越大的实体簇的业务优先级越高。
48、可选地，所述响应单元，用于：
49、获取目标实体发起的目标业务请求；
50、获取目标实体所属的实体簇对应的目标业务优先级；
51、判断目标业务优先级是否高于预设业务优先级；
52、若目标业务优先级高于预设业务优先级，则响应所述目标业务请求。
53、可选地，所述确定单元，用于：
54、对多个实体的历史订单信息进行去重，得到去重后的历史订单信息；
55、对去重后的历史订单信息的缺失值补齐，得到补齐后的历史订单信息；
56、对补齐后的历史订单信息进行异常值剔除，得到剔除后的历史订单信息；
57、根据剔除后的历史订单信息确定各个实体的多维度特征。
58、第三方面，本申请提供一种计算机设备，所述计算机设备包括：
59、一个或多个处理器；
60、存储器；以及
61、一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现本文档来自技高网
...
【技术保护点】
1.一种基于无监督学习的业务响应方法，其特征在于，所述基于无监督学习的业务响应方法包括：
2.根据权利要求1所述的基于无监督学习的业务响应方法，其特征在于，所述多维度特征包括下单时间间隔指标、下单频率指标以及下单总额度指标。
3.根据权利要求2所述的基于无监督学习的业务响应方法，其特征在于，所述下单时间间隔指标包括多个第一子特征，所述第一子特征表示实体在预设历史时间段内的近x天内是否有下单，其中，不同的第一子特征对应不同的x值；
4.根据权利要求1所述的基于无监督学习的业务响应方法，其特征在于，所述根据预设特征权重对簇均值向量中各个特征的特征值加权求和，得到各个实体簇对应的向量参数，包括：
5.根据权利要求1所述的基于无监督学习的业务响应方法，其特征在于，所述分层结果包括各个实体簇的业务优先级，所述根据各个实体簇对应的向量参数的大小对各个实体簇进行分层，得到分层结果，包括：
6.根据权利要求5所述的基于无监督学习的业务响应方法，其特征在于，所述基于所述分层结果响应业务请求，包括：
7.根据权利要求1所述的基于无监督学习的业务响应方法，其特征在于，所述根据多个实体的历史订单信息确定各个实体的多维度特征，包括：
8.一种基于无监督学习的业务响应装置，其特征在于，所述基于无监督学习的业务响应装置包括：
9.一种计算机设备，其特征在于，所述计算机设备包括：
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7中任一项所述的基于无监督学习的业务响应方法的步骤。
...
【技术特征摘要】
1.一种基于无监督学习的业务响应方法，其特征在于，所述基于无监督学习的业务响应方法包括：
2.根据权利要求1所述的基于无监督学习的业务响应方法，其特征在于，所述多维度特征包括下单时间间隔指标、下单频率指标以及下单总额度指标。
3.根据权利要求2所述的基于无监督学习的业务响应方法，其特征在于，所述下单时间间隔指标包括多个第一子特征，所述第一子特征表示实体在预设历史时间段内的近x天内是否有下单，其中，不同的第一子特征对应不同的x值；
4.根据权利要求1所述的基于无监督学习的业务响应方法，其特征在于，所述根据预设特征权重对簇均值向量中各个特征的特征值加权求和，得到各个实体簇对应的向量参数，包括：
5.根据权利要求1所述的基于无监督学习的业务响应方法，其特征在于，所述分层结...
【专利技术属性】
技术研发人员：罗嘉濠，梁健鹏，黄美雯，吴琼，仝淑雅，
申请(专利权)人：顺丰科技有限公司，
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。