一种应用于电商平台的用户自助服务方法与流程

本发明涉及社会网络与信息安全领域，具体涉及一种应用于电商平台的用户自助服务方法。

背景技术：

自90年代起，中国掀起了一股信息化的浪潮，中国的电子商务也自此起步，发展至现在，互联网信息碎片化以及云计算技术愈发成熟，主动互联网营销模式出现，i-commerce（individualcommerce）顺势而出，电子商务摆脱传统销售模式生搬上互联网的现状，以主动、互动、用户关怀等多角度与用户进行深层次沟通，但是对于服装的购买，现有的电商平台还是体验度不高，因为身材因人而异，而工厂大批量生产的服装很难适合各种类型用户的身材，而一般用户也不知道自己的身材尺寸，很难找到适合自己的衣服；还有新兴的自动回复用户咨询的机器人，自动回复功能酷炫有余而体验不足，机器还是很难理解人类语言下的真正含义，既降低了用户体验，也使用户因难以及时跟人工客服沟通而放弃购买。

技术实现要素：

为了克服现有技术的缺陷，本发明提供一种应用于电商平台的用户自助服务方法，通过获取用户自己已经在穿着的衣服的尺码数据，并进行分析，进而有效给用户匹配适合尺寸的衣服，还通过将聊天记录作为历史数据建立数据库，以供用户自助搜索问题，得出相应的答案，提高了用户体验和解决用户的疑问的效率，降低退货率。

针对上述发明目的，本发明是这样加以解决的：一种应用于电商平台的用户自助服务方法，包括如下步骤：

尺码数据处理方法：

向用户提供输入尺码数据的接口，并根据用户输入的尺码数据建立服装筛选模型；

用户在电商平台上搜索服装商品时，通过服装筛选模型筛选出相应的服装商品，并发送给用户查看；

自助咨询方法：

收集所有与用户之间的聊天记录，筛选并丢弃其中涉及用户隐私的信息；

对不能判定其是否为隐私信息的聊天记录，发送给相应的用户进行判断，若用户确认是隐私信息，则丢弃这条聊天记录；

对收集到的所有聊天记录建立数据集，并向用户提供该数据集的检索入口。

本发明通过建立服装筛选模型，使用户不必测量自己的身材尺码，即可有效筛选出适合的服装，提高了用户的体验，降低了退货率；还通过收集所有聊天记录来建立数据集，这样一来，当聊天记录越多，数据集也越丰富，用户可检索的内容也越多，由于用户对商品的问题大多雷同，例如询问价格、优点、使用方法、物流过程等，所以直接通过搜历史数据可快捷有效解决用户的疑问，体验度高。具体涉及用户隐私的信息可为身份证号码、账号密码、银行卡卡号、手机号码等信息。

进一步地，向用户提供同时输入的上衣尺码数据和下衣尺码数据的接口。这样的话，有利于对用户喜欢的穿着搭配进行分析，以便于用户筛选出自己喜欢的，能够搭配自己已有衣服的服装。

进一步地，所述模型为增强学习模型。每次用户输入新数据，增强学习可将其列为新样本再次增强学习，提高模型的准确性。

进一步地，建立服装筛选模型前，计算所有相同类型的尺码数据的方差，将方差最大的尺码数据丢弃。有时用户可能错输尺码数据，那么用计算方差的方式可以较容易地将输错的尺码数据找出并丢弃，以免影响模型的准确性。

进一步地，还向用户提供输入颜色数据的接口，还根据颜色数据建立服装筛选模型。颜色数据可进一步筛选出用户心仪的服装，而且有些用户也可能对颜色和尺码也有独特的喜欢的搭配。

进一步地，具体收集过程为：向所有用户发送收集确认请求，等待用户确认后，获取用户系统中的聊天记录缓存数据。

进一步地，获取聊天记录缓存数据时，丢弃与聊天记录无关的信息。缩减数据集的数据量，提高检索效率和服务器负荷。具体无关的信息为每条聊天记录的时间、聊天人的名称等。

进一步地，设定敏感屏蔽词，将包含敏感屏蔽词的聊天记录丢弃。

进一步地，若用户聊天记录中的敏感屏蔽词出现的频次达到预设值，则丢弃该用户的所有聊天记录。

相比于现有技术，本发明的有益效果在于：通过收集所有聊天记录来建立数据集，这样一来，当聊天记录越多，数据集也越丰富，用户可检索的内容也越多，由于用户对商品的问题大多雷同，例如询问价格、优点、使用方法、物流过程等，所以直接通过搜历史数据可快捷有效解决用户的疑问，体验度高。具体涉及用户隐私的信息可为身份证号码、账号密码、银行卡卡号、手机号码等信息。通过建立服装筛选模型，使用户不必测量自己的身材尺码，即可有效筛选出适合的服装，提高了用户的体验，降低了退货率。

附图说明

图1是本发明尺码数据处理方法的流程图。

图2是本发明自助咨询方法的流程图。

具体实施方式

下面结合具体实施例和附图对本发明进行详细地说明。

一种应用于电商平台的用户自助服务方法，包括如下步骤：

如图1所示的尺码数据处理方法：

向用户提供输入尺码数据的接口，并根据用户输入的尺码数据建立服装筛选模型；

用户在电商平台上搜索服装商品时，通过服装筛选模型筛选出相应的服装商品，并发送给用户查看；

如图2所示的自助咨询方法：

收集所有与用户之间的聊天记录，筛选并丢弃其中涉及用户隐私的信息；

对不能判定其是否为隐私信息的聊天记录，发送给相应的用户进行判断，若用户确认是隐私信息，则丢弃这条聊天记录；

对收集到的所有聊天记录建立数据集，并向用户提供该数据集的检索入口。

本发明通过建立服装筛选模型，使用户不必测量自己的身材尺码，即可有效筛选出适合的服装，提高了用户的体验，降低了退货率；还通过收集所有聊天记录来建立数据集，这样一来，当聊天记录越多，数据集也越丰富，用户可检索的内容也越多，由于用户对商品的问题大多雷同，例如询问价格、优点、使用方法、物流过程等，所以直接通过搜历史数据可快捷有效解决用户的疑问，体验度高。具体涉及用户隐私的信息可为身份证号码、账号密码、银行卡卡号、手机号码等信息。

向用户提供同时输入的上衣尺码数据和下衣尺码数据的接口。这样的话，有利于对用户喜欢的穿着搭配进行分析，以便于用户筛选出自己喜欢的，能够搭配自己已有衣服的服装。

所述模型为增强学习模型。每次用户输入新数据，增强学习可将其列为新样本再次增强学习，提高模型的准确性。

建立服装筛选模型前，计算所有相同类型的尺码数据的方差，将方差最大的尺码数据丢弃。有时用户可能错输尺码数据，那么用计算方差的方式可以较容易地将输错的尺码数据找出并丢弃，以免影响模型的准确性。

还向用户提供输入颜色数据的接口，还根据颜色数据建立服装筛选模型。颜色数据可进一步筛选出用户心仪的服装，而且有些用户也可能对颜色和尺码也有独特的喜欢的搭配。

具体收集过程为：向所有用户发送收集确认请求，等待用户确认后，获取用户系统中的聊天记录缓存数据。

获取聊天记录缓存数据时，丢弃与聊天记录无关的信息。缩减数据集的数据量，提高检索效率和服务器负荷。具体无关的信息为每条聊天记录的时间、聊天人的名称等。

设定敏感屏蔽词，将包含敏感屏蔽词的聊天记录丢弃。

若用户聊天记录中的敏感屏蔽词出现的频次达到预设值，则丢弃该用户的所有聊天记录。