服务人员信息分配方法、装置、计算机设备和存储介质

摘要

本申请涉及一种服务人员信息分配方法、装置、计算机设备和存储介质。所述方法包括：获取用户的用户数据特征和各服务人员的服务数据特征；将所述用户数据特征和各所述服务人员的服务数据特征进行关联组合，得到组合特征集合；基于各所述组合特征集合，将各所述服务人员按照二分类任务进行分类，基于分类结果确定所述用户与各所述服务人员之间的匹配程度，筛选出与所述用户相匹配的目标服务人员，将所述目标服务人员的关联信息发送至所述用户所在终端，以指示所述用户所在终端通过所述关联信息与所述目标服务人员进行通信。采用本方法能够更准确将服务人员信息进行分配。

说明书

技术领域

本申请涉及计算机技术领域，特别是涉及一种服务人员信息分配方法、装置、计算机设备和存储介质。

背景技术

近年来，互联网获得巨大发展，一些新兴互联网公司迅速崛起，同时传统的线下公司也在寻求转型。相比传统的线下场景，互联网服务更强调用户的体验。互联网上的服务人员则是随之兴起的职业，通过互联网的渠道与用户建立联系，帮助用户合理地配置各种产品、协助用户进行售后服务、在力所能及的范围内为用户解答其他问题等。

不同的服务人员擅长处理的场景各异，服务方式也不尽相同，在服务不同的用户时，达到的服务效果也有所差别。除了服务人员在服务过程的客观因素外，不同的用户对于服务质量的判断也是基于自身喜好的一种主观行为。因此，将服务人员分配给适合的用户人群，一方面可以提高用户的体验满意程度，另一方面可以提高用户的转化意向。

传统的服务人员信息分配方法，通常是将用户的信息和服务人员的信息进行简单的匹配，将筛选出的服务人员的信息分配给用户。然而，这种传统的服务人员信息分配方法，存在筛选出的服务人员不准确而导致服务人员信息分配不准确的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够准确性的服务人员信息分配方法、装置、计算机设备和存储介质。

一种服务人员信息分配方法，所述方法包括：

获取用户的用户数据特征和各服务人员的服务数据特征；

将所述用户数据特征和各所述服务人员的服务数据特征进行关联组合，得到组合特征集合；

基于各所述组合特征集合，将各所述服务人员按照二分类任务进行分类，基于分类结果确定所述用户与各所述服务人员之间的匹配程度，筛选出与所述用户相匹配的目标服务人员，将所述目标服务人员的关联信息发送至所述用户所在终端，以指示所述用户所在终端通过所述关联信息与所述目标服务人员进行通信。

一种服务人员信息分配装置，所述装置包括：

数据特征获取模块，用于获取用户的用户数据特征和各服务人员的服务数据特征；

数据特征关联模块，用于将所述用户数据特征和各所述服务人员的服务数据特征进行关联组合，得到组合特征集合；

筛选模块，用于基于各所述组合特征集合，将各所述服务人员按照二分类任务进行分类，基于分类结果确定所述用户与各所述服务人员之间的匹配程度，筛选出与所述用户相匹配的目标服务人员，将所述目标服务人员的关联信息发送至所述用户所在终端，以使所述用户所在终端通过所述关联信息与所述目标服务人员进行通信。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。

上述服务人员信息分配方法、装置、计算机设备和存储介质，服务器将用户数据特征和各服务人员的服务数据特征进行关联组合，得到组合特征集合，组合特征集合中不仅包括了用户数据特征和服务数据特征，还包括了用户数据特征、各服务数据特征的关联关系，则基于各组合特征集合，将各服务人员按照二分类任务进行分类，基于分类结果确定用户与各服务人员之间的匹配程度，可以筛选出与用户相匹配的更准确的目标服务人员，将目标服务人员的关联信息发送至用户所在终端，以指示用户所在终端通过关联信息与目标服务人员进行通信，从而实现更准确将服务人员信息进行分配。

附图说明

图1为一个实施例中服务人员信息分配方法的应用环境图；

图2为一个实施例中服务人员信息分配方法的流程示意图；

图3为一个实施例中服务人员信息分配方法的示意图；

图4为一个实施例中服务人员画像向量特征的获取方式步骤的流程示意图；

图5为一个实施例中确定用户与各服务人员之间的匹配程度的流程示意图；

图6为一个实施例中获取服务人员画像向量特征的流程示意图；

图7为另一个实施例中服务人员信息分配方法的流程示意图；

图8为一个实施例中服务人员信息分配装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的方案涉及人工智能和机器学习(Machine Learning,ML)等技术。人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、技术及应用系统，使机器具有感知、推理与决策的功能。机器学习涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

通过人工智能和机器学习可以将用户数据特征和各服务人员的服务数据特征进行关联组合，得到组合特征集合。通过对组合特征集合进行基于人工智能和机器学习等技术进行处理，可以筛选出与用户相匹配的目标服务人员，从而实现更准确将服务人员信息进行分配。

本申请提供的服务人员信息分配方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104获取用户的用户数据特征和各服务人员的服务数据特征；将所述用户数据特征和各所述服务人员的服务数据特征进行关联组合，得到组合特征集合；基于各组合特征集合，将各服务人员按照二分类任务进行分类，基于分类结果确定用户与各服务人员之间的匹配程度，筛选出与用户相匹配的目标服务人员，将所述目标服务人员的关联信息发送至所述用户所在终端102，以指示所述用户所在终端通过所述关联信息与所述目标服务人员进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

需要说明的是，在本申请的实施例中，终端102和服务器104均可单独用于执行该服务人员信息分配方法，终端102也可与服务器104协同执行该服务人员信息分配方法。

在一个实施例中，如图2所示，提供了一种服务人员信息分配方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，获取用户的用户数据特征和各服务人员的服务数据特征。

用户数据特征是用户的特征数据。用户数据特征可以包括用户人口统计学特征、用户行为特征、用户兴趣画像向量特征、用户搜索向量特征等。用户人口统计学特征具体可以是用户的年龄、性别、出生地、常住地等。用户行为特征可以包括用户的购买行为和用户在服务平台的访问行为。用户的购买行为具体可以是用户的历史购买产品、历史购买产品费用、意向购买产品等。用户在服务平台的访问行为具体可以是访问时长、访问频率等。用户兴趣画像向量特征具体可以是性价比高于指定性价比阈值的产品、质量评估值高于预设质量评估阈值的产品、投保、理赔、退保、咨询等。用户搜索向量特征可以是用户的搜索文本或者浏览文本的语义向量特征。

服务数据特征是服务人员的特征数据。服务数据特征可以包括服务人员人口统计学特征、服务人员画像向量特征等。服务人员人口统计学特征具体可以是服务人员的年龄、性别、出生地，常住地等。服务人员画像向量特征具体可以是健谈、幽默、严肃、耐心、投保、理赔、退保、咨询等标签所对应的向量特征其中的一种或多种。

服务人员是给用户提供服务的人员。服务可以是咨询服务、业务办理服务、售后服务等。服务人员可以是某一个行业的服务人员，所提供的服务为相应的该行业的服务。例如，保险行业的服务人员，可以提供投保服务、理赔服务、退保服务、咨询服务等。又如，通信行业的服务人员，可以提供通信业务办理服务、通信业务退订服务、咨询服务等。

步骤204，将用户数据特征和各服务人员的服务数据特征进行关联组合，得到组合特征集合。

可以理解的是，各用户数据特征之间存在关联关系，各服务人员的服务数据特征之间存在关联关系，各用户数据特征和各服务人员的服务数据特征也存在关联关系，则服务器可以将用户数据特征以及各服务人员的服务数据特征进行关联组合，得到组合特征集合。

组合特征集合是包括有组合特征的集合。组合特征是用户数据特征以及各服务人员的服务数据特征进行关联组合得到的数据。

当用户数据特征和服务数据特征均为类别特征时，则服务器将用户数据特征、服务数据特征进行交叉组合。其中，类别特征是用于表示数据类别并且非向量的特征。例如，用户的年龄和用户的性别进行交叉组合，服务人员的年龄和服务人员的性别进行交叉组合，用户的年龄和服务人员的性别进行交叉组合，用户的性别和服务人员的年龄进行交叉组合，等等。假如将年龄离散化为5个区间的类别特征，性别为男、女2个类别特征，则将该年龄和性别进行交叉组合之后可以生成10个新的类别特征。

当用户数据特征和服务数据特征均为向量时，则服务器将用户数据特征、服务数据特征采用向量点积操作进行关联组合。例如，用户的搜索向量特征和服务人员画像向量特征进行向量点积，用户的搜索向量特征和用户兴趣画像向量特征进行向量点积。

步骤206，基于各组合特征集合，将各服务人员按照二分类任务进行分类，基于分类结果确定用户与各服务人员之间的匹配程度，筛选出与用户相匹配的目标服务人员，将目标服务人员的关联信息发送至用户所在终端，以指示用户所在终端通过关联信息与目标服务人员进行通信。

目标服务人员指的是基于各组合特征集合从各服务人员中筛选出的与用户相匹配的服务人员。二分类任务指的是在分类过程中，将对象分类至两个类别的其中一个的任务。例如，二分类任务1为是否为男性，可以将各服务人员分类至“是”或者“否”，二分类任务2为年龄是否大于30岁，可以将各服务人员分类至“是”或者“否”。

服务器将各组合特征集合输入匹配模型中，通过匹配模型中预设的各二分类任务，将各服务人员进行分类，确定各服务人员在各二分类任务中的分类评估值，基于各分类评估值确定用户分别与各服务人员之间的匹配程度。

分类评估值表示服务人员在二分类任务中所属类别的评估值。二分类任务中的各类别的分类评估值可以根据需要进行设置。例如，服务人员A在二分类任务1中的分类评估中为2，在二分类任务2中的分类评估中为-0.1，在二分类任务3中的分类评估中为2.1。

在一种实施方式中，服务器可以将服务人员在各二分类任务中的分类评估值相加的和，作为该服务人员与用户之间的匹配程度。在另一种实施方式中，服务器也可以将服务人员在各二分类任务中的二分类评估值分别乘以对应的权重因子，再将相乘得到的各乘积进行相加，将得到的和作为该服务人员与用户之间的匹配程度。

匹配模型具体可以是XGBoost模型。XGBoost模型是一种提升树模型，将许多基线树模型集成在一起，形成一个强分类器。

服务器可以采用匹配值量化用户与服务人员之间的匹配程度。匹配值越高，对应的用户与服务人员之间的匹配程度越高。匹配值最高对应的服务人员，即与用户最匹配的服务人员。可选地，服务器可以将最匹配的服务人员确定为目标服务人员，也可以将次匹配的服务人员确定为目标服务人员，并不限定。在一种实施方式中，服务器可以采用二分类任务，基于各匹配程度筛选出用户相匹配的目标服务人员。

关联信息可以是目标服务人员所关联的信息。关联信息可以包括目标服务人员的标识、社交媒体账号、工作账号、电话号码、头像、姓名、性别，等等。用户通过该关联信息可以与目标服务人员进行交流。

服务器将该关联信息发送至用户所在终端，用户所在终端显示该关联信息，以触发用户所在终端与目标服务人员所在终端进行通信。例如，用户所在终端触发目标服务人员的工作账号，则用户所在终端通过所登录的工作账号与目标服务人员所在终端所登录的工作账号进行通信。又如，用户所在终端触发目标服务人员的社交媒体账号，可以在用户所登录的社交媒体账号中，将该目标服务人员的社交媒体账号添加为好友关系，则用户所在终端与目标服务人员所在终端可以基于社交媒体进行通信。

在本实施例中，服务器将用户数据特征和各服务人员的服务数据特征进行关联组合，得到组合特征集合，组合特征集合中不仅包括了用户数据特征和服务数据特征，还包括了用户数据特征、各服务数据特征的关联关系，则基于各组合特征集合，将各服务人员按照二分类任务进行分类，基于分类结果确定用户与各服务人员之间的匹配程度，可以筛选出与用户相匹配的更准确的目标服务人员，将目标服务人员的关联信息发送至用户所在终端，以指示用户所在终端通过关联信息与目标服务人员进行通信，从而实现更准确将服务人员信息进行分配。

上述实施例中，利用互联网大数据和机器学习技术，深度挖掘用户和服务人员的特征，更准确地筛选出与用户相匹配的目标服务人员，从而提高目标服务人员所提供的服务质量和用户满意度，同时提高用户的服务购买转化率。

图3为一个实施例中服务人员信息分配方法的示意图。用户在服务平台上进行交互操作，产生交互行为，则服务平台将产生的交互行为的数据上传至服务器，服务器可以从交互行为的数据中获取用户的用户数据特征，将用户数据特征和各服务人员的服务数据特征进行关联组合，得到组合特征集合；基于各组合特征集合筛选出与用户相匹配的目标服务人员，将目标服务人员的关联信息发送至用户所在终端，则用户可以通过关联信息与目标服务人员进行通信。

在一种场景中，用户在互联网保险平台上进行交互操作，产生交互行为，例如购买保险，咨询投保相关信息等；则服务平台将产生的交互行为的数据上传至服务器，则服务器可以筛选出与用户相匹配的目标服务人员，将目标服务人员的关联信息发送至用户所在终端，则当用户存在投保、退保、理赔等需求时，可以通过关联信息与目标服务人员进行通信。

在一个实施例中，用户数据特征包括用户类别特征和用户向量特征，服务人员的服务数据特征包括服务类别特征和服务向量特征；将用户数据特征和各服务人员的服务数据特征进行关联组合，得到组合特征集合，包括：将用户类别特征和各服务人员的服务类别特征进行交叉组合，得到类别组合特征集合；将用户向量特征和各服务人员的服务向量特征进行点积操作，得到向量组合特征集合；类别组合特征集合和向量组合特征集合均属于组合特征集合。

用户类别特征是用于表示用户数据类别并且非向量的特征。用户向量特征是用向量表示用户数据的特征。服务类别特征是用于表示服务人员数据的类别并且非向量的特征。服务向量特征是用向量表示服务人员数据的特征。

用户类别特征可以包括用户人口统计学特征和用户行为特征。用户向量特征包括用户兴趣画像向量特征和用户搜索向量特征。服务类别特征包括服务人员人口统计学特征，服务向量特征包括服务人员画像向量特征。

服务器将用户类别特征和各服务人员的服务类别特征进行交叉组合，得到类别组合特征，将各类别组合特征构建得到类别组合特征集合。服务器将用户向量特征和各服务人员的服务向量特征进行点积操作，得到向量组合特征，将各向量组合特征构建得到向量组合特征集合。

例如，服务器将用户的年龄20和用户的性别男进行交叉组合，得到类别组合特征(用户年龄20，用户性别男)；服务人员A的年龄35和服务人员A的性别女进行交叉组合，得到类别组合特征(服务人员A年龄35，服务人员A性别女)；用户的年龄50和服务人员A的性别女进行交叉组合，得到类别组合特征(用户年龄50，服务人员A性别女)；用户的性别女和服务人员A的年龄25进行交叉组合，得到类别组合特征(用户性别女，服务人员A年龄25)；用户的兴趣画像向量特征为保费高，服务人员画像向量特征为理赔，将兴趣画像向量特征和服务人员画像向量特征进行点积操作，得到向量组合特征。

在本实施例中，将用户类别特征和各服务人员的服务类别特征进行交叉组合，得到类别组合特征集合；将用户向量特征和各服务人员的服务向量特征进行点积操作，得到向量组合特征集合；类别组合特征集合和向量组合特征集合均属于组合特征集合，组合特征集合中不仅包括了用户数据特征和服务数据特征，还包括了用户数据特征、各服务数据特征的关联关系，则基于各组合特征集合可以筛选出与用户相匹配的更准确的目标服务人员。

在一个实施例中，用户向量特征的获取方式，包括：获取用户对服务平台进行触发产生的触发信息；将触发信息进行向量转换，得到用户向量特征。

服务平台是为用户提供服务的平台。例如，服务平台可以是保险服务网站、通信服务APP(Application，应用程序)、小程序、公众号等。触发信息是用户对服务平台进行触发产生的信息。例如，触发信息可以是浏览的文章的相关信息、观看的视频的相关信息、购买服务的相关信息、理赔服务的相关信息，等等。

在服务平台中，显示有各种服务的文章、图像、视频、虚拟按钮等，可以用于接收用户的浏览、点击等触发操作，当用户对服务平台进行触发操作时，服务平台可以采集用户进行触发产生的触发信息，并上报至服务器。服务器获取到触发信息，采用训练好的词向量模型将触发信息进行向量转换，得到用户向量特征。

在本实施例中，服务器获取用户对服务平台进行触发产生的触发信息，该触发信息可以更准确地表明用户所要获取的服务，则将触发信息进行向量转换，得到用户向量特征，该用户向量特征可以更准确表征用户所要获取的服务，从而可以更准确筛选出用户相匹配的目标服务人员。

在一个实施例中，获取用户对服务平台进行触发产生的触发信息，包括：获取用户在指定时间范围内于服务平台上输入的搜索信息，以及用户在服务平台上所浏览的指定数量范围内的浏览信息；搜索信息和浏览信息均属于触发信息。

指定时间范围可以根据需要进行设置，例如3天内、7天内、24小时内。指定数量范围可以根据需要进行设置，例如5篇文章、4个视频、6个产品相关文章。

服务器将搜索信息输入训练好的词向量模型，通过词向量模型将搜索信息进行向量转换，输出用户搜索向量特征。服务器将浏览信息输入训练好的词向量模型，通过词向量模型将浏览信息进行向量转换，输出用户兴趣画像向量特征。用户搜索向量特征和用户兴趣画像向量特征均属于用户向量特征。

可以理解的是，服务平台出于提升用户粘性和教育用户获取服务意识的目的，一般在服务平台上运营了大量产品相关的文章和视频内容，同时提供了搜索框供用户查询产品和其他相关的信息。

在服务平台上显示有搜索框，用户可以在搜索框内输入搜索信息(query)，触发服务平台可以显示与搜索信息相关的内容。可以理解的是，用户在指定时间范围内于服务平台上输入的搜索信息，该搜索信息可以表示指定时间范围内用户主观上所要了解的内容，则服务器获取指定时间范围内该用户的搜索日志，从搜索日志中获取搜索信息，将该搜索信息输入训练好的词向量模型，通过词向量模型将搜索信息进行向量转换得到用户搜索向量特征，该用户搜索向量特征可以准确表征用户所要了解的内容。其中，用户搜索向量特征属于用户向量特征。

进一步地，服务器可以先对搜索信息进行分词，纠错改写和归一化处理，然后将处理后的搜索信息输入训练好的词向量模型中。在一个实施例中，词向量模型以词袋模型的形式对搜索信息进行嵌入表示，取平均得到用户搜索向量特征。词袋模型(Bag-of-wordsmodel)是在自然语言处理和信息检索(IR)下被简化的表达模型。在另一个实施例中，词向量模型也可以其他深度学习网络对搜索信息进行嵌入表示，得到用户搜索向量特征。

同样的，用户在服务平台上所浏览的指定数量范围内的浏览信息，该浏览信息可以表示用户所感兴趣的内容，则服务器将该浏览信息输入训练好的词向量模型，通过词向量模型将搜索信息进行向量转换得到用户兴趣画像向量特征，该用户兴趣画像向量特征可以准确表征用户所要了解的内容。其中，用户兴趣画像向量特征属于用户向量特征。

在一个实施例中，服务器采用信息检索数据挖掘的常用加权技术(termfrequency–inverse document frequency，TF-IDF)从浏览信息中提取出关键词，将关键词输入训练好的词向量模型中。在一个实施例中，词向量模型以词袋模型的形式对关键词进行嵌入表示，取平均得到用户兴趣画像向量特征。在另一个实施例中，词向量模型也可以其他深度学习网络对搜索信息进行嵌入表示，得到用户搜索向量特征。

服务器采用信息检索数据挖掘的常用加权技术从浏览信息中提取出关键词，通过以下公式(1)、公式(2)和公式(3)计算得到：

tfidf

在公式(1)中，tf

在公式(2)中，idf

在公式(3)中，tfidf

对于浏览信息中提取的不同的关键词得到的用户兴趣画像向量特征对应不同的权重，可以通过公式(4)计算得到：

V

在公式(4)中，V

在另一个实施例中，服务器也可以采用其他深度学习网络从浏览信息中提取关键词。

在本实施例中，服务器获取用户在指定时间范围内于服务平台上输入的搜索信息，以及用户在服务平台上所浏览的指定数量范围内的浏览信息，该搜索信息可以准确表示用户所要了解的内容，该浏览信息可以准确表示用户所感兴趣的内容，则将搜索信息和浏览信息进行向量转换，得到用户向量特征，该用户向量特征可以更准确表征所要了解的内容以及所感兴趣的内容，从而可以更准确筛选出与用户相匹配的目标服务人员。并且，服务器利用自然语言处理领域的机器学习技术对用户在服务平台上的搜索信息和浏览信息进行语义解析，挖掘用户的特征，从而更准确筛选出与用户相匹配的目标服务人员。

在一个实施例中，用户数据特征包括用户类别特征和用户向量特征，服务人员的服务数据特征包括服务类别特征和服务向量特征；用户类别特征包括用户人口统计学特征和用户行为特征，用户向量特征包括用户兴趣画像向量特征和用户搜索向量特征，服务类别特征包括服务人员人口统计学特征，服务向量特征包括服务人员画像向量特征。

在一个实施例中，服务器基于数据分析和先验知识，可以将用户和服务人员的年龄进行离散化处理，从而提高用户与服务人员匹配的准确性。用户年龄离散化为：0-22岁，23-28岁，28-35岁，36-50岁，50岁以上。这也比较符合先验知识，0-22岁的用户大多数都是学生，23-28岁的用户大部分是刚开始工作的青年，28-35岁的用户大部分是刚成家的中年，36-50岁的用户大部分是事业有成的中年，50岁以上的用户对于互联网保险的认可度相对来说是比较低的。服务人员的年龄离散化为：20-25岁，25-30岁，30岁以上。服务人员是从业人员，年龄分布没有用户的跨度大，从生活阅历和工作经验上来看这样的划分比较合理。

服务器通过机器学习模型能够自动挖掘用户和服务人员之间的相匹配的信息；基于用户人口统计学特征和服务人员人口统计学特征，实现了用户和保险服务人员在生活习惯和经验上的匹配，比如同一个地域的用户和保险服务人员能够提高用户对保险服务人员的信任，而且特定年龄段的用户人群对不同年龄段的保险服务人员的偏好也有所差别，比如相同年龄段的用户和保险服务人员更容易产生共鸣，能够有效提升用户的体验。

服务器也可以将地域特征限制在省级行政区粒度，粒度过细会导致特征过于稀疏，考虑到出生地和常住地，可以使用34维的multi-hot编码来表征用户和保险服务人员的地域属性。服务器能够有效将用户和保险服务人员进行分类，挖掘用户最迫切的需求，将最适合解决该需求的保险服务人员的关联信息发送给用户，从而有效提升用户体验满意度。

在一种场景中，服务器筛选出用户相匹配的保险服务人员，则用户可以向该保险服务人员进行咨询、投保、退赔等服务。

可以理解的是，保险不同于一般的商品，保险是一种长期的商品，保险的服务人员与用户的关系不是一种短暂的服务关系，而是一种长期的合作关系。而不同年龄段的人群对于会话表达情感倾向有所偏好，可能存在某些年龄段的用户偏好与某些年龄段的保险服务人员进行会话。同理，某一性别的用户可能偏好异性的保险服务人员尽心会话。出生地和常住地反映人的地域属性，保险服务人员在服务用户的过程中，为了建立信任会主动和用户沟通日常，如果保险服务人员和用户有同一个地域生活的经历，会话过程中的共性会更高。因此，深度挖掘用户数据特征和服务人员的服务数据特征，可以更准确筛选出与用户相匹配的保险服务人员。

用户的购买行为具体可以是用户的历史保单，历史保费等，服务器可以将用户的历史保单和历史保费用统计特征来表征，对保费归一到年化保费，并统计累计保费和平均保费作为特征。其中，用户的历史保单数量和具体的保单产品可以在一定程度上反映该用户的保险意识，以及用户是否已经为家人配置好保单。举例来说，服务器可以通过用户配置的历史保单情况判断该用户需要保险服务人员的协助情况，如果用户的保险产品配置已经非常全面，那么用户很大可能存在理赔需求，则服务器可以将擅长处理理赔相关事宜的保险服务人员的关联信息发送至用户所在终端。在另一个例子中，服务器获取用户的人口统计学特征，如果用户的家庭成员较多(有配偶、老人和小孩)时，可以将擅长投保转化的保险服务人员的关联信息发送至用户所在终端，协助用户为家庭配置保险产品，提高投保转化率。

用户在服务平台的访问行为具体可以是访问时长、访问频率等。服务器可以通过统计指定时间范围内，用户在保险服务平台的访问时长和访问频率。指定时间范围如7天，30天，90天等。

在一个实施例中，如图4所示，服务向量特征包括服务人员画像向量特征；服务人员画像向量特征的获取方式包括：

步骤402，从服务人员的历史会话提取语义向量特征，对服务人员的历史会话进行质检得到质检向量特征。

历史会话是指在当前时刻之前服务人员服务过程中与其他用户的对话。语义向量特征是包含有语义的向量。质检向量特征是对历史会话进行质检得到的向量。

在一个实施例中，服务器将服务人员的历史会话输入嵌入(Embedding)层，输出语义矩阵，再将语义矩阵输入卷积神经网络(Convolutional Neural Networks,CNN)中，提取出服务人员的历史会话中的语义特征，再对语义特征进行嵌入处理可以得到语义向量特征。其中，嵌入层可以对服务人员的历史会话进行编码，将服务人员的历史会话表示为语义矩阵。

在其他实施例中，服务器还可以将卷积神经网络替换为长短期记忆人工神经网络(Long Short-Term Memory，LSTM)，GRU网络，Transformer网络等其中任意一个。

服务器按照预设的质检项目对服务人员的历史会话进行质检，得到各质检项目对应的质检分数，将各质检项目对应的质检分数生成质检向量特征。

质检项目可以根据需要进行设置。例如，质检项目可以包括服务态度、回复时间、专业能力等。质检分数用于表示在某个质检项目中服务人员的历史会话的质量评估数值。在一个质检项目上的质检分数越高，服务人员的历史会话在该质检项目上的质量评估数值越高，表示服务人员在该质检项目上做得越好。

服务器可以采用训练好的质检模型，按照预设的质检项目对服务人员的历史会话进行质检。其中，质检模型本质是分类模型，通过有监督的方法训练得到。服务器将服务人员的历史会话输入质检模型中，质检模型输出各质检项目的质检分数。

服务器获取到各质检项目对应的质检分数后，可以将各质检分数分别作为质检向量特征的因素，生成质检向量特征。例如，服务器获取到各质检项目对应的质检分数分别为4,5,3,4，则生成的质检向量特征可以是(4,5,3,4)。

步骤404，将语义向量特征和质检向量特征进行拼接，得到拼接向量特征，从拼接向量特征中提取出属于各预设标签的标签特征，对各标签特征进行逻辑回归处理，得到各预设标签的概率分数，基于各预设标签的概率分数生成服务人员画像向量特征。

可选地，服务器可以将语义向量特征拼接在质检向量特征之后，也可以将语义向量特征拼接在质检向量特征之前，并不限定。例如，语义向量特征为A，质检向量特征为B，服务器将语义向量特征A和质检向量特征B进行拼接，可以拼接得到(A,B)或者(B,A)。

服务器将拼接向量特征输入前馈网络中，通过前馈网络对多标签任务进行建模，从拼接向量特征中提取出属于各预设标签的标签特征，再采用逻辑回归模型对各标签特征进行逻辑回归处理，得到各预设标签的概率分数。其中，预设标签可以根据需要设置。预设标签例如健谈，幽默，严肃，耐心，投保，理赔，退保，咨询等。

前馈网络(feedforward neural network，FNN)采用一种单向多层结构，其中每一层包含若干个神经元。在前馈网络中，各神经元可以接收前一层神经元的信号，并产生输出到下一层。第0层叫输入层，最后一层叫输出层，其他中间层叫做隐含层(或隐藏层、隐层)。逻辑回归模型(softmax)是logistic回归模型在多分类问题上的推广。

可以理解的是，服务器得到预设标签的概率分数越高，表示服务人员的特征越符合这一预设标签。例如，服务器得到幽默这一预设标签的概率分数为5分，得到耐心这一预设标签的概率分数为2分，则表示服务人员更幽默，并且不够耐心。

例如，前馈网络中各预设标签为[健谈，幽默，严肃，耐心，投保，理赔，退保，咨询]，服务器将拼接向量特征输入前馈网络中，利用前馈网络对多标签任务进行建模，从拼接向量特征中提取出分别属于[健谈，幽默，严肃，耐心，投保，理赔，退保，咨询]的标签特征，再将各标签特征输入逻辑回归模型中进行逻辑回归处理，得到服务人员在各预设标签中的概率分数分别为4,2,5,3,4,5,5,4，则可以将每个概率分数分别作为向量的因素，得到服务人员画像向量特征(4,2,5,3,4,5,5,4)。

其中，服务器可以获取针对[健谈，幽默，严肃，耐心]这4个预设标签的概率分数，可以采用5分制进行打分。针对每个预设标签，当概率分数超过指定分数的数量大于预设数量时(如超过4分的数量)，则表明服务人员在该类别的概率分数高。[投保，理赔，退保，咨询]则根据用户在与服务人员进行会话之后所作的服务评价来决定，比如用户在会话之后成功理赔，或者进行了投保，则可以确定服务人员在理赔或者投保这一预设标签中的概率分数高。概率分数越高，表示服务人员在该类别中做得越好。

服务器基于各预设标签的概率分数获取目标标签，以展示于用户的终端界面中。

在一种实施方式中，服务器可以将概率分数高于指定分数的预设标签作为服务人员的目标标签，以展示于用户的终端界面中。在另一种实施方式中，服务器也可以获取[健谈，幽默，严肃，耐心]中概率分数最高的预设标签，以及[投保，理赔，退保，咨询]中概率分数最高的预设标签，作为目标标签以展示于用户的终端界面中。用户通过终端界面中所展示的服务人员的目标标签，可以更清楚了解到服务人员的服务风格和擅长的领域。

在本实施例中，从服务人员的历史会话中提取语义向量特征，对服务人员的历史会话进行质检得到质检向量特征；将语义向量特征和质检向量特征进行拼接后，输入前馈网络中，再将前馈网络的输出数据输入逻辑回归模型中，可以更准确输出服务人员画像向量特征。并且，服务器利用自然语言处理领域的机器学习技术对服务人员的历史会话进行语义解析，可以挖掘出服务人员的业务优势和会话风格，挖掘出服务人员更准确的画像特征，从而可以更准确筛选出与用户相匹配的目标服务人员。

图5为一个实施例中确定用户与各服务人员之间的匹配程度的流程示意图。服务器获取用户的用户数据特征和各服务人员的服务数据特征，将用户数据特征和各服务人员的服务数据特征输入数据特征关联模块中，通过数据特征关联模块将用户数据特征和各服务人员的服务数据特征进行关联组合，得到组合特征集合。

其中用户数据特征包括用户类别特征和用户向量特征，服务人员的服务数据特征包括服务类别特征和服务向量特征；用户类别特征包括用户人口统计学特征和用户行为特征，用户向量特征包括用户兴趣画像向量特征和用户搜索向量特征，服务类别特征包括服务人员人口统计学特征，服务向量特征包括服务人员画像向量特征。

用户兴趣画像向量特征的获取方式包括：获取用户的浏览信息，将浏览信息输入文本语义建模模块中，输出用户兴趣画像向量特征。用户搜索向量特征的获取方式包括：获取用户的搜索信息，将搜索信息输入文本语义建模模块中，输出用户搜索向量特征。

服务人员画像向量特征的获取方式包括：获取服务人员的历史会话，将服务人员的历史会话输入服务人员画像特征建模模块中，通过服务人员画像特征建模模块从服务人员的历史会话中提取语义向量特征，对服务人员的历史会话进行质检得到质检向量特征；将语义向量特征和质检向量特征进行拼接后，输入前馈网络中，输出服务人员画像向量特征。其中，文本语义建模模块可以包括训练好的词向量模型，服务人员画像特征建模模块可以包括嵌入层、卷积神经网络、质检模块、前馈网络和逻辑回归模型。

服务器将组合特征集合输入匹配模型中，通过匹配模型基于各组合特征集合，确定用户与各服务人员之间的匹配程度，从而可以基于用户与各服务人员之间的匹配程度，筛选出与用户相匹配的目标服务人员。

图6为一个实施例中获取服务人员画像向量特征的示意图。服务器将服务人员的历史会话输入嵌入层，输出语义矩阵，再将语义矩阵输入卷积神经网络，输出语义向量特征；服务器将服务人员的历史会话输入质检模块，输出质检向量特征；将语义向量特征和质检向量特征进行拼接后，输入前馈网络中，再将前馈网络的输出数据输入逻辑回归模型中，输出服务人员画像向量特征。

在一个实施例中，上述方法还包括：获取各服务人员的存量用户数量；筛选出与用户相匹配的目标服务人员，包括：基于用户与各服务人员之间的匹配程度，以及各服务人员的存量用户数量，筛选出与用户相匹配的目标服务人员。

存量用户数量指的是服务人员现有的服务的用户数量。

服务器可以预先设置业务规则，按照业务规则筛选出与用户相匹配的目标服务人员，从而实现对各服务人员的流量分配进行动态调整。

可以理解的是，服务人员的时间和精力有限，无法在短时间内服务太多的用户，则基于用户与各服务人员之间的匹配程度，以及各服务人员的存量用户数量，筛选出与用户相匹配的目标服务人员，实现对各服务人员的流量分配进行动态调整，可以平衡各服务人员所服务的用户数量，从而提高总体的服务效率和质量。

在一个实施例中，筛选出与用户相匹配的目标服务人员，包括：基于用户与各服务人员之间的匹配程度，筛选出匹配程度高于第一预设程度的候选服务人员；基于各候选服务人员的存量用户数量，筛选出与用户相匹配的目标服务人员。

第一预设程度可以根据需要设置。例如，第一预设程度可以是80％，90％。

服务器获取用户分别与各服务人员之间的匹配程度后，筛选出与匹配程度高于第一预设程度的候选服务人员；按照预先设置的业务规则，基于各候选服务人员的存量用户数量，再从候选服务人员中筛选出用户相匹配的目标服务人员。

当候选服务人员的数量为一个时，服务器可以直接将该候选服务人员作为目标服务人员。当候选服务人员的数量为至少两个时，服务器获取各候选服务人员的存量用户数量，按照预先设置的业务规则，筛选出与用户相匹配的目标服务人员。其中，业务规则可以根据需要进行设置。例如，业务规则可以是将存量用户数量最少的候选服务人员确定为目标服务人员，业务规则也可以是在存量用户最少的5个候选服务人员中，将匹配程度最高的候选服务人员确定为目标服务人员。

在本实施例中，基于用户与各服务人员之间的匹配程度，筛选出匹配程度高于第一预设程度的候选服务人员，再基于各候选服务人员的存量用户数量，筛选出与用户相匹配的目标服务人员，将用户与服务人员的匹配程度和服务人员的存量用户数量进行结合，则筛选出的目标服务人员既可以保证与用户的匹配程度，也可以平衡各服务人员所服务的用户数量。

在另一个实施例中，筛选出与用户相匹配的目标服务人员，包括：基于用户与各服务人员之间的匹配程度，筛选出匹配程度高于第一预设程度的候选服务人员；从各服务人员中筛选出存量用户数量少于预设数量的候选服务人员；结合匹配程度高于第一预设程度的候选服务人员，以及存量用户数量少于预设数量的候选服务人员，确定用户相匹配的目标服务人员。

服务器可以从匹配程度高于第一预设程度的候选服务人员，以及存量用户数量少于预设数量的候选服务人员中确定重复的候选服务人员；当重复的候选服务人员的数量为一个时，则直接将该重复的候选服务人员确定为用户相匹配的目标服务人员；当重复的候选服务人员的数量为至少两个时，则从重复的候选服务人员中筛选出用户相匹配的目标服务人员。

可选地，服务器可以从至少两个重复的候选服务人员中随机确定一个作为目标服务人员，也可以从至少两个重复的候选服务人员中将匹配程度最高的作为目标服务人员，还可以从至少两个重复的候选服务人员中将存量用户数量最少的作为目标服务人员，不限于此。

在另一个实施例中，筛选出与用户相匹配的目标服务人员，包括：从各服务人员中筛选出存量用户数量少于预设数量的候选服务人员；基于用户与各候选服务人员之间的匹配程度筛选出用户相匹配的目标服务人员。

在另一个实施例中，由于新入职的服务人员的存量用户较少，服务器还可以将新入职，并且匹配程度高于第一预设程度的服务人员确定为目标服务人员。

在一个实施例中，如图7所示，上述方法还包括：

步骤702，在目标服务人员所在终端输出服务信息至用户所在终端之后，获取用户针对服务信息的行为数据。

服务信息是目标服务人员为用户提供服务的信息。服务信息具体可以是服务相关的图片、文章、视频、购买服务相关的信息、理赔服务相关的信息等。行为数据是用户针对服务信息所作出的行为相关的数据。用户针对服务信息作出的行为可以是浏览、评论、购买、理赔、咨询等。行为数据可以包括浏览服务信息、对服务信息进行评论、购买服务信息相关的产品等。其中，用户对服务信息进行评论具体可以是对服务信息的正面评论或者对服务信息的负面评论。

服务器筛选出与用户相匹配的目标服务人员，将目标服务人员的关联信息发送至用户所在终端，以指示用户所在终端通过关联信息与目标服务人员进行通信。在用户所在终端与目标服务人员所在终端通信过程中，目标服务人员将服务信息输入所在终端，通过目标服务人员所在终端将服务信息发送至用户所在终端，显示在用户所在终端中，服务信息用于当用户触发服务信息时，用户所在终端采集用户的行为数据，并上报至服务器。

步骤704，基于行为数据确定用户与目标服务人员之间的实际匹配程度。

实际匹配程度是用户与目标服务人员在实际的通信过程中所体现出的匹配程度。实际匹配程度可以基于用户针对服务信息的行为数据确定。例如，当用户购买服务信息相关的产品，可以确定用户与目标服务人员之间的实际匹配程度高；当用户对服务信息的评价为负面评价，可以确定用户与目标服务人员之间的实际匹配程度低；当用户仅浏览该服务信息，可以确定用户与目标服务人员之间的实际匹配程度中。

步骤706，基于实际匹配程度对匹配模型进行训练。

服务器基于实际匹配程度，调整匹配模型的超参数，基于损失函数对匹配模型进行训练。超参数例如学习率设置为0.003，树的最大深度设置为7，树的个数设置为120。损失函数为二分类逻辑斯蒂回归函数。

当用户与目标服务人员之间的实际匹配程度高，表示匹配模型输出的用户与各服务人员之间的匹配程度准确，从而筛选出准确的用户相匹配的目标服务人员，则可以将目标服务人员的信息作为正训练样本，对匹配模型进行训练。

当用户与目标服务人员之间的实际匹配程度低，表示匹配模型输出的用户与各服务人员之间的匹配程度准确率低，则可以将目标服务人员的信息作为负训练样本，对匹配模型进行训练。

在本实施例中，在目标服务人员所在终端输出服务信息至用户所在终端之后，获取用户针对服务信息的行为数据；基于行为数据确定用户与目标服务人员之间的实际匹配程度；基于实际匹配程度对匹配模型进行训练，可以训练出更准确的匹配模型，使得匹配模型在后续可以输出更准确的用户与各服务人员之间的匹配程度。

在一个实施例中，基于实际匹配程度对匹配模型进行训练，包括：当行为数据触发对用户的账户中的交换资源进行转移，或者行为数据是对服务信息的正面评论时，用户与目标服务人员之间的实际匹配程度高于第二预设程度，将目标服务人员的信息作为正训练样本，对匹配模型进行训练。

交换资源是用于交换的资源。比如，交换资源可以是虚拟金币、积分、虚拟商品等。交换资源的转移是将交换资源由用户对应的账户转移至目标账户的过程。目标账户可以预先设置。目标账户例如，保险公司的账户、目标服务人员的账户等。

第二预设程度可以根据需要设置。例如，第二预设程度可以是80％，90％。正训练样本指的是对匹配模型进行训练时起到正反馈效果的训练样本。

当行为数据触发对用户的账户中的交换资源进行转移时，表示用户购买了服务信息相关的产品，用户与目标服务人员之间的实际匹配程度高于第二预设程度，可以认为用户对目标服务人员的服务较满意，目标服务人员与用户之间的实际匹配程度高，则将目标服务人员的信息作为正训练样本，对匹配模型进行训练。

当行为数据是对服务信息的正面评论时，表示用户对目标服务人员的服务较满意，用户与目标服务人员之间的实际匹配程度高于第二预设程度，目标服务人员与用户之间的实际匹配程度高，则将目标服务人员的信息作为正训练样本，对匹配模型进行训练。

在本实施例中，当行为数据触发对用户的账户中的交换资源进行转移，或者行为数据是对服务信息的正面评论时，用户与目标服务人员之间的实际匹配程度高于第二预设程度，将目标服务人员的信息作为正训练样本，可以更准确对匹配模型进行训练，优化匹配模型。

应该理解的是，虽然图2、图4至图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4至图7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种服务人员信息分配装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：数据特征获取模块802、数据特征关联模块804和筛选模块806，其中：

数据特征获取模块802，用于获取用户的用户数据特征和各服务人员的服务数据特征。

数据特征关联模块804，用于将用户数据特征和各服务人员的服务数据特征进行关联组合，得到组合特征集合。

筛选模块806，用于基于各组合特征集合，将各服务人员按照二分类任务进行分类，基于分类结果确定用户与各服务人员之间的匹配程度，筛选出与用户相匹配的目标服务人员，将目标服务人员的关联信息发送至用户所在终端，以使用户所在终端通过关联信息与目标服务人员进行通信。

上述服务人员信息分配装置，服务器将用户数据特征和各服务人员的服务数据特征进行关联组合，得到组合特征集合，组合特征集合中不仅包括了用户数据特征和服务数据特征，还包括了用户数据特征、各服务数据特征的关联关系，则基于各组合特征集合，将各服务人员按照二分类任务进行分类，基于分类结果确定用户与各服务人员之间的匹配程度，可以筛选出与用户相匹配的更准确的目标服务人员，将目标服务人员的关联信息发送至用户所在终端，以指示用户所在终端通过关联信息与目标服务人员进行通信，从而实现更准确将服务人员信息进行分配。

在一个实施例中，用户数据特征包括用户类别特征和用户向量特征，服务人员的服务数据特征包括服务类别特征和服务向量特征；上述数据特征关联模块804还用于将用户类别特征和各服务人员的服务类别特征进行交叉组合，得到类别组合特征集合；将用户向量特征和各服务人员的服务向量特征进行点积操作，得到向量组合特征集合；类别组合特征集合和向量组合特征集合均属于组合特征集合。

在一个实施例中，上述数据特征获取模块802还用于获取用户对服务平台进行触发产生的触发信息；将触发信息进行向量转换，得到用户向量特征。

在一个实施例中，上述数据特征获取模块802还用于获取用户在指定时间范围内于服务平台上输入的搜索信息，以及用户在服务平台上所浏览的指定数量范围内的浏览信息；搜索信息和浏览信息均属于触发信息。

在一个实施例中，用户数据特征包括用户类别特征和用户向量特征，服务人员的服务数据特征包括服务类别特征和服务向量特征；用户类别特征包括用户人口统计学特征和用户行为特征，用户向量特征包括用户兴趣画像向量特征和用户搜索向量特征，服务类别特征包括服务人员人口统计学特征，服务向量特征包括服务人员画像向量特征。

在一个实施例中，上述数据特征获取模块802还用于从服务人员的历史会话中提取语义向量特征，对服务人员的历史会话进行质检得到质检向量特征；将语义向量特征和质检向量特征进行拼接，得到拼接向量特征，从拼接向量特征中提取出属于各预设标签的标签特征，对各标签特征进行逻辑回归处理，得到各预设标签的概率分数，基于各预设标签的概率分数生成服务人员画像向量特征。

在一个实施例中，上述数据特征获取模块802还用于获取各服务人员的存量用户数量；上述筛选模块806还用于基于用户与各服务人员之间的匹配程度，以及各服务人员的存量用户数量，筛选出与用户相匹配的目标服务人员。

在一个实施例中，上述筛选模块806还用于基于用户与各服务人员之间的匹配程度，筛选出匹配程度高于第一预设程度的候选服务人员；基于各候选服务人员的存量用户数量，筛选出与用户相匹配的目标服务人员。

在一个实施例中，上述服务人员信息分配装置还包括训练模块，用于在目标服务人员所在终端输出服务信息至用户所在终端之后，获取用户针对服务信息的行为数据；基于行为数据确定用户与目标服务人员之间的实际匹配程度；基于实际匹配程度对匹配模型进行训练。

在一个实施例中，上述训练模块还用于当行为数据触发对用户的账户中的交换资源进行转移，或者行为数据是对服务信息的正面评论时，用户与目标服务人员之间的实际匹配程度高于第二预设程度，将目标服务人员的信息作为正训练样本，对匹配模型进行训练。

关于服务人员信息分配装置的具体限定可以参见上文中对于服务人员信息分配方法的限定，在此不再赘述。上述服务人员信息分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户数据特征、各服务人员的服务数据特征等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种服务人员信息分配方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。