發(fā)布時間：2021-02-04 10:31

　　隨著互聯(lián)網(wǎng)的發(fā)展,電子商務正在逐步取代傳統(tǒng)的零售業(yè),在線購物已成為大眾生活的一部分,商家的服務中心開始由商品轉向客戶。如何利用有限的時間,與客戶有效溝通,了解客戶需求,盡量激發(fā)客戶的購物意愿,是商家提高競爭力的重要手段。在大多數(shù)網(wǎng)絡購物場景中,客戶往往希望對商品的咨詢得到及時的解答,否則很可能轉向其他商家。因此,在海量客服會話數(shù)據(jù)中,實時挖掘出具有潛在購物意愿的客戶（潛在購物客戶）,以對其提供重點服務,對于提升客服效率和企業(yè)效益非常重要。目前,基于客戶歷史行為（歷史購買記錄、瀏覽記錄等）預測客戶購物意愿的研究較多,而基于客服會話實現(xiàn)在線預測的研究很少。相對于后者,基于客戶歷史行為的預測模型存在以下主要不足:（1）實時性差;（2）難以對新客戶的購物意愿做出準確判斷;（3）老客戶的每次客服咨詢不一定都具有購物意愿;（4）客戶對于具體商品的購物意愿經(jīng)常會轉移;（5）基于客服會話實時預測客戶的購物意愿,是智能客服的關鍵功能之一。為此,本文基于電子商務平臺的實時客服會話數(shù)據(jù),研究如何構建客戶購物意愿在線預測模型,實現(xiàn)潛在購物客戶的實時挖掘,其主要工作包括:（1）基于某省電信公司微信營業(yè)廳在線預測... 

【文章來源】：南昌大學江西省 211工程院校

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

圖２．１?Ｔｒａｎｓｆｏｒｍｅｒ模型結構圖??８??

?第２章相關理論與技術???ｎ??ａｊ?—?＾?ｔａｎｈ（／ｉｊ?＊?Ｕ?＋?Ｂ）?＊?Ｋ７?（２．８）??ｉ＝０??［ａ０，?ｃｔ１｝．．．；?ｄｎ＼?＝?ＳｏｆｔＭａｘ（［ａ０＞?ａｌｔ．．．；?ａｎ］）?（２．９）??ｅｘ?一?ｅ－ｘ??ｔａｎｈ（ｘ）?＝?—（２．１０）??ｅｘ?＋?ｅ?Ｘ??ｓｔｅｐ３－對輸入信息進行加權求和，得到注意力信息Ｃ。??ｎ??Ｃ?＝?＾?ｈｉ?＊?ａｉ?（２．１１）??ｉ＝ｌ??其計算流程如圖Ｚ６所示。??０．５?Ｑｌ?０．５＾?０．５?尚?０．５?如，??Ａ?Ａ?Ａ??ｓｏｆｔｍａｘ??４?Ａ?Ａ?Ａ??ａ〇?Ｏ－ｌ?Ｑ〇?ａｐ??ｈ１?—＞?ｈ２?—？?ｈ３?—？?ｈ４??＿－ｊ－?Ｔ?￣￣Ｔ￣￣??購買?流量?加速?包??圖２．６?Ａｔｔｅｎｔｉｏｎ算法計算流程??２．３?Ｂｉ?ＬＳＴＭ??２．３．１?ＬＳＴＭ??ＬＳＴＭ全稱為Ｌｏｎｇ?ｓｈｏｒｔ－ｔｅｒｍ?ｍｅｍｏｒｙ，中文名叫長短期記憶，在１９９７年由??１４??

?第２章相關理論與技術???Ｓｅｐｐ?Ｈｏｃｈｒｅｉｔｅｒ和ＪＵｒｇｅｎ?Ｓｃｈｍｉｄｈｕｂｅｒ首次提出，它是一種遞歸神經(jīng)網(wǎng)絡（ＲＮＮ?），??在計算時把之前輸出的作為輸入的一部分，然后與下一次輸入一起輸入到神經(jīng)??網(wǎng)絡中，把先前的輸入信息保留以備后續(xù)使用。ＲＮＮ適用于預測詞與信息間隔??較小的情況，當預測信息比較復雜而且間隔比較大時，需要用ＬＳＴＭ具有長短??期記憶的算法來計算，可以根據(jù)上下文的語義信息，解決長期依賴問題。在ＬＳＴＭ??是通過三“門”進行計算的，分別為遺忘門、輸入門和輸出門。結構中有一個??Ｓｉｇｍｏｉｄ神經(jīng)網(wǎng)絡層，作用是把輸出的結果控制在［０－１］之間，用這種方式表示有??多少信息量通過，０表示沒有信息通過，１表示信息全部通過。??？?？?０???Ｌ??Ｌ??Ｌ??＾??Ａ?林本ｄｌ?Ａ?＿??圖２．７?ＬＳＴＭ模型圖??１、遺忘門??ＬＳＴＭ中的遺忘門是決定哪些信息需要被舍棄的，用概率來決定上一層有多??少信息被遺忘，數(shù)學公式如下。??／ｔ?＝?ｏ｛Ｗｆ?＊?［ｈｔ＿ｖｘｔ］?＋?ｂｆ）?（２．１２）??其中／Ｖｌ表示上一層輸入，＆表示本序列輸入，ｆＳＳｉｇｍｏｉｄ激活函數(shù)，輸??入結果在［０－１］之間％和力代表線性關系的系數(shù)，輸出結果１表示遺忘上一層??信息的概率。??１５??


本文編號：3018167