一种资源配置的方法及装置与流程

本申请涉及计算机技术领域，尤其涉及一种资源配置的方法及装置。

背景技术：

随着互联网技术的发展和网络普及程度的提高，越来越多的用户选择采用在线咨询的方式，来获得所期望的服务。

目前，针对这种在线咨询业务，互联网公司主要提供有两种服务方式：一种是客服机器人，其资源成本低、且能够24小时不间断地自动回复用户咨询；但客服机器人的劣势也显而易见，受计算机人工智能技术的限制，其应答的出错率相对较高，尤其是在针对一些具有高度时效性的问题时，并不能提供很好的咨询服务。而另一种人工在线服务的方式则可以很好地弥补上述客服机器人的不足；针对不同的咨询业务，人工客服资源可以提供更加具有针对性的服务，大大提升了用户的满意度。

然而，由于用户咨询业务的多样性，通常需要将人工客服资源配置进不同的资源组，以有针对性地对用户进行服务，提高服务的效率。

现有技术中，通常通过人工干预配置的方式，将人工客服资源按预设的比例配置进不同的资源组。这种方式的问题在于：用户的咨询在每天的不同时刻具有不同的类型侧重，预设比例配置的人工客服资源并不能满足不同时刻实际的服务需求。在一天的很多时间段，都会出现一些资源组的人工客服资源空闲，而另一些资源组则积压了大量的排队用户的情况，而这也导致了人工客服资源的利用率不高；并且，积压的排队用户也占用了大量的服务器资源。

技术实现要素：

本申请实施例提供一种资源配置的方法及装置，用以解决现有技术中人工客服资源的利用率不高、服务器负担较大的问题。

本申请实施例提供的一种资源配置的方法，包括：

确定服务器当前接收的数据与各预设类目信息的关联度；

查询所述各预设类目信息对应的各资源组的当前信息和历史信息；

根据所述数据与各预设类目信息的关联度、以及所述各资源组的当前信息和历史信息，对所述各资源组进行资源配置。

本申请又一实施例提供的一种资源配置的方法，包括：

确定服务器当前接收的数据与各预设类目信息的关联度；

查询与所述各预设类目信息对应的各资源组的当前信息和历史信息；

预估所述数据下一单位时刻各资源组的数据量；

根据所述数据与各预设类目信息的关联度、所述各资源组的当前信息和历史信息，以及所述预估的各资源组的数据量对所述各资源组进行资源配置。

本申请实施例提供的一种资源配置的装置，包括：

数据分析模块，用于确定服务器当前接收的数据与各预设类目信息的关联度；

查询模块，用于查询所述各预设类目信息对应的各资源组的当前信息和历史信息；

配置模块，用于根据所述数据与各预设类目信息的关联度、以及所述各资源组的当前信息和历史信息，对所述各资源组进行资源配置。

本申请又一实施例提供的一种资源配置的装置，包括：

数据分析模块，用于确定服务器当前接收的数据与各预设类目信息的关联度；

查询模块，用于查询与所述各预设类目信息对应的各资源组的当前信息和历史信息；

预测模块，用于预估所述数据下一单位时刻各资源组的数据量；

配置模块，用于根据所述数据与各预设类目信息的关联度、所述各资源组的当前信息和历史信息，以及所述预估的各资源组的数据量对所述各资源组进行资源配置。

本申请实施例提供一种资源配置的方法及装置，该方法根据服务器当前接收的数据与各预设类目信息的关联度、各预设类目信息对应的各资源组的当前信息和历史信息对各资源组进行资源配置，而无需通过人工干预配置，且各资源组的资源配置量根据上述数据的变化而动态调整，提高了人工客服资源的利用率，减轻了服务器的负担。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的资源配置的流程示意图；

图2为本申请实施例提供的根据当前数据与各预设类目信息的关联度、以及各资源组的当前信息和历史信息进行资源配置的流程示意图；

图3为本申请又一实施例提供的资源配置的流程示意图；

图4至图6为本申请又一实施例提供的预估各资源组数据量的流程示意图；

图7为本申请又一实施例提供的根据当前数据与各预设类目信息的关联度、各资源组的当前信息和历史信息、以及预估的各资源组数据量进行资源配置的流程示意图；

图8为本申请实施例提供的资源配置的场景示意图；

图9为本申请实施例提供的资源配置的装置的模块示意图；

图10为本申请又一实施例提供的资源配置的装置的模块示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的资源配置的过程，具体包括以下步骤：

S11：确定服务器当前接收的数据与各预设类目信息的关联度。

在本实施例中，服务器对于接收的数据会进行数据分析，并根据数据分析的结果确定该数据与各预设类目信息的关联度。

配合参图8，例如，用户遇到问题后，访问cschannel(统一portal页面，即提供给用户的在线问答页面)提交提问请求：“支付密码忘记了怎么办？”，服务器在接收到该提问请求后，会调用机器人平台csrobot的统一会话模型，并通过文本语义分析alita，确定该提问请求与服务器中各预设的问题类目的关联度。示范性地，判定该提问请求与A类目的关联度为50％、与B类目的关联度为30％、与C类目的关联度为70％等。

S12：查询各预设类目信息对应的各资源组的当前信息和历史信息。

服务器对于各预设类目信息分别对应配置有相应的资源组，不同的资源组中配置有相应数量的客服资源数据，而在后台，每个客服资源数据都对应有人工客服。所述的资源组相当于服务器中具有相同“标签”的客服资源数据的集合，对客服资源数据的调配过程也即相当于改变该客服资源数据的“标签”的过程。

在本实施例中，针对各资源组的当前信息：首先查询各资源组的当前数据量和当前资源量，再将各资源组的当前数据量与当前资源量的比值，确定为各资源组的当前信息。各资源组的当前数据量和当前资源量可以例如通过服务器调用云客服系统clive进行查询。

继续沿用上例，在服务器中，假设A、B、C类目分别对应A’、B’、C’资源组，在当前时刻，排队等待分配至A’、B’、C’资源组的用户请求数量也即A’、B’、C’资源组各自的当前数据量，A’、B’、C’资源组各自包括的客服资源数据的量也即A’、B’、C’资源组各自的当前资源量。显而易见，各资源组的当前信息反映了各资源组当前对客服资源的需求程度。

类似地，针对各资源组的历史信息：首先查询各资源组在预设历史长度内，与当前数据对应单位时刻时的历史数据量和历史资源量，再将各资源组的历史数据量和历史资源量的比值，确定为各资源组的历史信息。各资源组的历史数据量和历史资源量都存储于服务器之中。

在查询预设历史长度内对应单位时刻的历史数据量和历史资源量时，可以设定多种的查询方式。例如，每个月的月初是用户缴纳话费的高峰期，则在月初时，会以月为单位，查询预设历史长度内每个月月初时对应单位时刻的历史数据量和历史资源量；如此，保证查询到的各资源组的历史信息更加具有参考价值。

S13：根据该数据与各预设类目信息的关联度、以及各资源组的当前信息和历史信息，对各资源组进行资源配置。

参图2，介绍步骤S13中对各资源组进行资源配置的具体步骤，包括：

S131：根据该数据与各预设类目信息的关联度和第一预设权重，获得各资源组的第一参考值。

当前的数据与各预设类目信息的关联度，一定程度上反映了各资源组在未来时刻数据量的趋势。

S132：根据各资源组的当前信息和第二预设权重，获得各资源组的第二参考值。

S133：根据各资源组的历史信息和第三预设权重，获得各资源组的第三参考值。

S134：基于获得的各资源组的第一、第二和第三参考值，对各资源组进行 资源配置；其中，第一、第二和第三预设权重之和为1。

在本实施例中，资源组中需要配置的资源量受当前数据与各预设类目信息的关联度、以及各资源组的当前信息和历史信息三个因素的影响。而根据各自影响力的不同，服务器分别为其配置各自的权重。各资源组配置的资源量与各资源组的第一、第二和第三参考值正相关，也即，与当前数据越相关的资源组越倾向于配置更多的资源；资源组的当前数据量和资源量的比值越大，则越倾向于配置更多的资源；资源组的历史数据量和资源量的比值越大，则越倾向于配置更多的资源。

具体地，例如服务器中包括有算法平台Agap，Agap中预设有与各资源组的第一、第二和第三参考值相关的模型公式，例如w＝x1+x2+x3，其中x1、x2、x3分别为第一、第二和第三参考值。根据计算所得的w值，与Agap中预设的资源配置表进行比对，并根据w值落入的资源配置表中的具体区间，确定各资源组的资源配置方案。

图3为本申请又一实施例提供的资源配置的过程，具体包括以下步骤：

S21：确定服务器当前接收的数据与各预设类目信息的关联度。

S22：查询各预设类目信息对应的各资源组的当前信息和历史信息。

本实施例中的步骤S21和步骤S22与上一实施例中的步骤S11和步骤S12类似，故在此不作赘述，上一实施例中针对步骤S11和步骤S12的说明可以以全部引入的方式应用到本实施例中。

S23：预估该数据下一单位时刻各资源组的数据量。

参图4，介绍步骤S23中预估各资源组数据量的具体步骤，包括：

S231：查询该数据之前时刻各资源组的数据量。

S232：根据该数据之前时刻各资源组的数据量建立各资源组的预测模型。

S233：根据各资源组的预测模型预估该数据下一单位时刻各资源组的数据量。

具体地，例如Agap中还预配置有预测模型公式y＝ax²+bx+c，其中x为时 间(单位为s)，y为资源组的数据量。查询该数据之前3s各资源组的数据量，并代入该预测模型公式，可以计算出该预测模型公式中a、b、c的值，进而建立各资源组数据量的预测模型。进而，通过代入下一单位时刻的时间值，可以预估出下一单位时刻时各资源组的数据量。

参图5，为了使得该预测模型公式可以在不同情况下精准地预估各资源组的数据量，需要适时地对该预测模型进行调整。具体地：

S301：在该数据下一单位时刻，查询当前各资源组的数据量。

S302：将该当前的数据量与根据各资源组的预测模型预估的当前的数据量进行比对。

S303：判断各资源组的比对结果是否大于预设阈值。

S304：针对各资源组中比对结果大于预设阈值的部分资源组，则在该数据下一单位时刻继续根据该部分资源组的预测模型预估该部分资源组的数据量。

在当前数据下一单位时刻，出现比对结果大于预设阈值的情况，则表明此时发生了数据量突变。例如，当某个银行的支付出现问题时，服务器接收到的关于资金支付的用户提问请求会发生突增。但这时，服务器并不能确定此时的数据量突增是否具有实际意义，也即此时的数据量突增也可能是由其它偶然的因素所导致，而针对偶然因素所导致的数据量突增，则显然不能采用该数据量构建预测模型。

由于上述的原因，在计算出比对结果大于预设阈值的下一单位时刻，该部分资源组仍然采用之前建立的预测模型进行数据量的预测。当然，需要理解的是，在不同的实施例中，可以根据不同的情况确定不同的时延，在计算出比对结果大于预设阈值后的该时延内，都采用之前建立的预测模型进行数据量的预估。

S305：针对各资源组中比对结果不大于预设阈值的部分资源组，则在该数据下一单位时刻对该部分资源组重新建立预测模型。

步骤S305的目的是根据实际查询到的资源组的数据量，实时地微调预测 模型(即微调预测模型公式y＝ax²+bx+c中a、b、c的值)，提高预测模型对各资源组数据量预估的精准度。

参图6，而为了应对不是由偶尔因素而导致的数据量突变，本实施例还包括：

S401：在该数据之后N个单位时刻内，查询各资源组的数据量，其中所述N为预设数量。

这里的N个单位时刻也即上文中所述的“时延”，其具体值可以根据需求进行配置。

S402：将查询到的各资源组的数据量与根据各资源组的预测模型预估的数据量进行比对。

S403：针对各资源组中比对结果在N个单位时刻内都大于预设阈值的部分资源组，则根据N个单位时刻内该部分资源组的数据量，对该部分资源组重新建立预测模型。

如果在N个单位时刻内，某些资源组的比对结果都大于预设阈值，则可以确定此时这些资源组的数据量突变不是由偶然因素导致。因此，需要根据这段数据量发生突变的N个单位时刻内的数据量，对这些资源组重新建立预测模型。

还是以某个银行的支付出现问题为例，假设服务器中与“资金支付”类目信息对应的为资源组A，则通过服务器中的监视器monitor会监视到资源组A在接下来的时间内数据量会发生突增。而在服务器确定资源组A的数据量突增不是由偶然因素导致后，会根据数据量突后3s的数据，重新确定Agap的预测模型公式y＝ax²+bx+c中a、b、c的值，进而重新建立预测模型。相应地，当该银行的支付问题被修复后，资源组A的数据量会相应发生回落，基于相同的原理，预测模型公式y＝ax²+bx+c中a、b、c的值也会被重新确定，从而保证对各个时刻资源组数据量预估的准确性。

S24：根据该数据与各预设类目信息的关联度、各资源组的当前信息和历 史信息，以及预估的各资源组的数据量对各资源组进行资源配置。

参图7，介绍步骤S24中对各资源组进行资源配置的具体步骤，包括：

S241：根据该数据与各预设类目信息的关联度和第一预设权重，获得各资源组的第一参考值。

S242：根据各资源组的当前信息和第二预设权重，获得各资源组的第二参考值。

S243：根据各资源组的历史信息和第三预设权重，获得各资源组的第三参考值。

S244：根据预估的各资源组的数据量和第四预设权重，获得各资源组的第四参考值。

S245：基于获得的各资源组的第一、第二、第三和第四参考值，对各资源组进行资源配置；其中，第一、第二、第三和第四预设权重之和为1。

与上一实施例不同的是，在本实施例中，资源组中需要配置的资源量受当前数据与各预设类目信息的关联度、各资源组的当前信息和历史信息、以及各资源组的预估数据量四个因素的影响。而根据各自影响力的不同，服务器分别为其配置各自的权重。各资源组配置的资源量与各资源组的第一、第二、第三和第四参考值正相关，也即，与当前数据越相关的资源组越倾向于配置更多的资源；资源组的当前数据量和资源量的比值越大，则越倾向于配置更多的资源；资源组的历史数据量和资源量的比值越大，则越倾向于配置更多的资源；预估资源组在下一单位时刻时的数据量越大，则越倾向于配置更多的资源。

具体地，例如服务器中的Agap中预设有与各资源组的第一、第二、第三和第四参考值相关的模型公式，例如w＝x1+x2+x3+x4，其中x1、x2、x3、x4分别为第一、第二、第三和第四参考值。根据计算所得的w值，与Agap中预设的资源配置表进行比对，并根据w值落入的资源配置表中的具体区间，确定各资源组的资源配置方案。

在上述的实施例中，针对服务器当前接收的数据，还会根据其与各预设类 目信息的关联度、各预设类目信息对应的各资源组的当前信息和历史信息，将该数据分流到最佳的资源组中进行排队。总体上，该数据分流的原则是：倾向于分流至关联度更高的类目信息对应的资源组、倾向于分流至当前数据量和当前资源量比值较小的资源组、倾向于分流至历史数据量和历史资源量比值较小的资源组，而服务器的Agap中针对上述三者也分别配置有相应的权重，以综合影响该数据的分流结果。

图9为本申请实施例提供的资源配置的装置的模块示意图，具体包括：

数据分析模块51，用于确定服务器当前接收的数据与各预设类目信息的关联度；

查询模块52，用于查询所述各预设类目信息对应的各资源组的当前信息和历史信息；

配置模块53，用于根据所述数据与各预设类目信息的关联度、以及所述各资源组的当前信息和历史信息，对所述各资源组进行资源配置。

在本实施例中，所述配置模块53具体用于，根据所述数据与各预设类目信息的关联度和第一预设权重，获得所述各资源组的第一参考值；根据所述各资源组的当前信息和第二预设权重，获得所述各资源组的第二参考值；根据所述各资源组的历史信息和第三预设权重，获得所述各资源组的第三参考值；基于获得的所述各资源组的第一、第二和第三参考值，对所述各资源组进行资源配置；其中，所述第一、第二和第三预设权重之和为1。

在本实施例中，所述各资源组配置的资源量与所述各资源组的第一、第二和第三参考值正相关。

图10为本申请又一实施例提供的资源配置的装置的模块示意图，具体包括：

数据分析模块61，用于确定服务器当前接收的数据与各预设类目信息的关联度；

查询模块62，用于查询与所述各预设类目信息对应的各资源组的当前信 息和历史信息；

预测模块63，用于预估所述数据下一单位时刻各资源组的数据量；

配置模块65，用于根据所述数据与各预设类目信息的关联度、所述各资源组的当前信息和历史信息，以及所述预估的各资源组的数据量对所述各资源组进行资源配置。

在本实施例中，所述配置模块65具体用于，根据所述数据与各预设类目信息的关联度和第一预设权重，获得所述各资源组的第一参考值；根据所述各资源组的当前信息和第二预设权重，获得所述各资源组的第二参考值；根据所述各资源组的历史信息和第三预设权重，获得所述各资源组的第三参考值；根据所述预估的各资源组的数据量和第四预设权重，获得所述各资源组的第四参考值；基于获得的所述各资源组的第一、第二、第三和第四参考值，对所述各资源组进行资源配置；其中，所述第一、第二、第三和第四预设权重之和为1。

在本实施例中，所述各资源组配置的资源量与所述各资源组的第一、第二、第三和第四参考值正相关。

在本实施例中，所述查询模块62还用于查询所述数据之前时刻各资源组的数据量；

所述预测模块63具体用于，根据所述数据之前时刻各资源组的数据量建立所述各资源组的预测模型；根据所述各资源组的预测模型预估所述数据下一单位时刻各资源组的数据量。

在本实施例中，所述查询模块62还用于，在所述数据下一单位时刻，查询当前所述各资源组的数据量；

所述装置还包括比对模块64，用于将所述当前的数据量与根据所述各资源组的预测模型预估的当前的数据量进行比对；

所述预测模块63还用于，针对所述各资源组中比对结果大于预设阈值的部分资源组，则在所述数据下一单位时刻继续根据该部分资源组的预测模型预估该部分资源组的数据量；针对所述各资源组中比对结果不大于预设阈值的部 分资源组，则在所述数据下一单位时刻对该部分资源组重新建立预测模型。

在本实施例中，所述查询模块62还用于，在所述数据之后N个单位时刻内，查询所述各资源组的数据量，其中所述N为预设数量；

所述比对模块64还用于，将查询到的所述各资源组的数据量与根据所述各资源组的预测模型预估的数据量进行比对；

所述预测模块63还用于，针对所述各资源组中比对结果在所述N个单位时刻内都大于预设阈值的部分资源组，则根据所述N个单位时刻内该部分资源组的数据量，对该部分资源组重新建立预测模型。

在本实施例中，所述查询模块62具体用于，查询所述各资源组的当前数据量和当前资源量；将所述各资源组的当前数据量与当前资源量的比值，确定为所述各资源组的当前信息。

在本实施例中，所述查询模块62具体用于，查询所述各资源组在预设历史长度内，与所述数据对应单位时刻时的历史数据量和历史资源量；将所述各资源组的历史数据量与历史资源量的比值，确定为所述各资源组的历史信息。

本申请实施例提供了资源配置的方法及装置，该方法根据服务器当前接收的数据与各预设类目信息的关联度、各预设类目信息对应的各资源组的当前信息和历史信息对各资源组进行资源配置，而无需通过人工干预配置，且各资源组的资源配置量根据上述数据的变化而动态调整，提高了人工客服资源的利用率，减轻了服务器的负担。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算 设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。