请求分发方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及请求分发方法和装置。

背景技术：

随着信息技术的发展，互联网的应用得到了广泛的普及。用户可以足不出户的通过诸如各种信息咨询类网站例如疾病信息资讯、物品信息资讯等进行信息资讯。

通常，用户在某一网站进行信息资讯时，信息咨询系统会安排该网站的客服对咨询问题进行解答。相关技术中，当用户需要进行信息资讯时，信息咨询系统会按照轮询分配的方式建立用户与客服之间的联系。

技术实现要素：

本申请实施例提出了请求分发方法和装置。

第一方面，本申请实施例提供了一种请求分发方法，包括：响应于接收到信息咨询请求，确定与信息咨询请求匹配的客服终端编号集合；基于预先确定的空闲分值，从客服终端编号集合中选择出其中一个客服终端编号，将信息咨询请求分发至所选择出的客服终端编号对应的客服终端，其中，空闲分值是通过将客服终端记录的工作状态信息输入至预先训练的空闲状态预测模型，而得到的模型输出，模型输出用于表征客服终端的状态为空闲状态的概率。

在一些实施例中，空闲状态预测模型是基于训练样本，对深度神经网络和分类模型进行训练得到的。

在一些实施例中，空闲状态预测模型通过如下步骤训练得到：获取训练样本集，训练样本集包括样本工作状态信息和样本工作状态信息的标注结果，标注结果用于指示样本工作状态信息对应的工作状态是否为空闲状态；基于训练样本集中的训练样本，执行如下训练步骤：将该训练样本中的样本工作状态信息输入至待训练的空闲状态预测子模型，得到第一样本特征值；将所得到的第一样本特征值和样本工作状态信息输入至待训练的分类模型，得到样本预测结果，样本预测结果用于指示与样本工作状态信息对应的工作状态是否为空闲状态的指示结果和为空闲状态的概率；确定预设损失函数的损失值是否达到预设目标值，其中，预设损失函数用于指示所得到的样本预测结果集合中与样本工作状态信息对应的指示结果和标注结果之间的误差；响应于确定预设损失函数的损失值达到预设目标值，确定空闲状态预测模型训练完成；响应于确定预设损失函数的损失值未达到预设目标值，调整空闲状态预测子模型和/或分类模型的参数，继续执行训练步骤。

在一些实施例中，空闲状态预测子模型是通过广义线性模型和深度神经网络联合训练得到的；以及将该训练样本中的样本工作状态信息输入至待训练的空闲状态预测子模型，得到第一样本子特征值，包括：将该训练样本中的样本工作状态信息分别输入至待训练的广义线性模型和深度神经网络，分别得到第一样本子特征值和第二样本子特征值；将所得到的第一样本子特征值和第二样本子特征值输入至全连接层，得到第一样本特征值。

在一些实施例中，方法还包括：响应于接收到客服终端发送的已更新工作状态信息的指令，更新发送指令的客服终端的空闲分值。

第二方面，本申请实施例提供了一种请求分发装置，装置包括：确定单元，被配置成响应于接收到信息咨询请求，确定与信息咨询请求匹配的客服终端编号集合；分配单元，被配置成基于预先确定的空闲分值，从客服终端编号集合中选择出其中一个客服终端编号，将信息咨询请求分发至所选择出的客服终端编号对应的客服终端，其中，空闲分值是通过将客服终端记录的工作状态信息输入至预先训练的空闲状态预测模型，而得到的模型输出，模型输出用于表征客服终端的状态为空闲状态的概率。

在一些实施例中，空闲状态预测模型是基于训练样本，对深度神经网络和分类模型进行训练得到的。

在一些实施例中，空闲状态预测模型通过如下步骤训练得到：获取训练样本集，训练样本集包括样本工作状态信息和样本工作状态信息的标注结果，标注结果用于指示样本工作状态信息对应的工作状态是否为空闲状态；基于训练样本集中的训练样本，执行如下训练步骤：将该训练样本中的样本工作状态信息输入至待训练的空闲状态预测子模型，得到第一样本特征值；将所得到的第一样本特征值和样本工作状态信息输入至待训练的分类模型，得到样本预测结果，样本预测结果用于指示与样本工作状态信息对应的工作状态是否为空闲状态的指示结果和为空闲状态的概率；确定预设损失函数的损失值是否达到预设目标值，其中，预设损失函数用于指示所得到的样本预测结果集合中与样本工作状态信息对应的指示结果和标注结果之间的误差；响应于确定预设损失函数的损失值达到预设目标值，确定空闲状态预测模型训练完成；响应于确定预设损失函数的损失值未达到预设目标值，调整空闲状态预测子模型和/或分类模型的参数，继续执行训练步骤。

在一些实施例中，空闲状态预测子模型是通过广义线性模型和深度神经网络联合训练得到的；以及将该训练样本中的样本工作状态信息输入至待训练的空闲状态预测子模型，得到第一样本子特征值，包括：将该训练样本中的样本工作状态信息分别输入至待训练的广义线性模型和深度神经网络，分别得到第一样本子特征值和第二样本子特征值；将所得到的第一样本子特征值和第二样本子特征值输入至全连接层，得到第一样本特征值。

在一些实施例中，装置还包括：更新单元，被配置成响应于接收到客服终端发送的已更新工作状态信息的指令，更新发送指令的客服终端的空闲分值。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任意实施例的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任意实施例的方法。

本申请实施例提供的请求分发方法和装置，通过将客服终端记录的工作状态信息输入至预先训练的空闲状态预测模型，得到用于表征客服终端的状态为空闲状态的概率后，将该概率作为空闲分值，然后在接收到信息咨询请求后，可以从与信息咨询请求匹配的客服终端编号集合中选择出其中一个客服终端编号，将信息咨询请求分发至所选择出的客服终端编号对应的客服终端，从而可以对客服终端的空闲状态更加准确的预测，进而可以为用户提供高效的咨询，提高用户体验。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的请求分发方法的一个实施例的流程图；

图3是根据本申请的请求分发方法的一个应用场景的示意图；

图4示出了空闲状态预测模型的训练方法的一种可选的实现方式的流程图；

图5是根据本申请的请求分发装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的请求分发方法或请求分发装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104、106，服务器105和客服终端107。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质，网络106用以在服务器105和客服终端107之间提供通信链路介质。网络104、106可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如信息咨询类应用、购物类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏且支持数据输入的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如基于终端设备101、102、103发送的信息咨询请求，从客服终端107中基于客服终端编号选择出其中一个客服终端建立终端设备101、102、103与客服之间的连接的请求分发服务器。服务器105在接收到信息咨询请求后，基于预先确定的空闲分值，从客服终端编号集合中选择出其中一个客服终端编号，将信息咨询请求分发给选择出的客服终端编号对应的客服终端以对用户咨询的信息进行处理。

客服终端107可以实现呈多个客服终端组成的客服终端集群。服务器105可以从客服终端107中选择出其中一个客服终端与终端设备101、102、103之间建立连接。客服终端107可以为实体终端，也可以为虚拟终端。当客服终端107为实体终端时，可以是具有显示屏且支持数据输入的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机等等。用于处理信息咨询请求的用户可以通过客服终端107对终端设备101、102、103发送的信息咨询请求进行处理。当客服终端107为虚拟终端时，该虚拟终端可以为虚拟客服，其通常为设置于服务器105中的人工智能模块，也可以为独立与服务器105设置的人工智能模块。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的请求分发方法一般由服务器105执行，相应地，请求分发装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的请求分发方法的一个实施例的流程200。请求分发方法，包括以下步骤：

步骤201，响应于接收到信息咨询请求，确定与信息咨询请求匹配的客服终端编号集合。

在本实施例中，请求分发方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接的方式接收终端发送的信息咨询请求。通常，用户所使用的终端设备上可以安装有用于发送信息咨询请求的应用或网站。例如健康咨询类应用、物品咨询类应用、购物类应用等。用于对上述终端设备上安装的应用进行支持的服务器可以接收该信息咨询请求。其中，该信息咨询请求中可以包括所请求咨询的信息。当终端接收到信息咨询请求后，可以确定出与所请求咨询的信息对应的信息类别。作为示例，当上述信息咨询请求为物品咨询类请求时，信息类别可以包括但不限于：物品属性类别、物品使用类别、物品售后类别。当上述信息咨询请求为健康咨询请求时，信息类别可以包括但不限于：病情问诊类别、药物使用类别等。

作为示例，当用户通过客服终端安装的购物类应用发送信息咨询请求时，该所请求咨询的信息对应的信息类别可以包括物品信息咨询类别、售后信息咨询类别。

在本实施例中，上述执行主体中可以预先设置有多个客服终端编号集合，每一个客服终端编号集合与一种信息类型相匹配。也即是说，同一客服终端编号集合中，客服终端编号对应的客服终端可以处理相同信息类型的咨询信息；不同的客服终端编号集合中的客服终端编号对应的客服终端可以处理不同信息类型的咨询信息。上述执行主体在接收到信息咨询请求后，可以基于所请求咨询的信息，首先确定出与信息咨询请求对应的信息类型，然后确定出与信息咨询请求匹配的客服终端编号集合。具体的，上述执行主体中可以预先存储有与各信息类型对应的关键词。用户通过终端发送所请求咨询的信息时，上述执行主体可以对用户发送的信息进行关键词进行提取，将所提取的关键词与各信息类型对应的关键词进行匹配，确定所提取的关键词所属的信息类型。从而确定出所请求咨询的信息对应的信息类型，进而确定出与信息咨询请求匹配的客服终端编号集合。上述执行主体所支持的客户端应用中可以设置有多个咨询通道，每一个咨询通道用于咨询其中一种信息类型的信息。当用户利用终端设备选择与某一信息类型对应的咨询通道发送信息咨询请求时，上述执行主体可以通过确定用户所选择的咨询通道来确定所请求咨询的信息对应的信息类型。进而确定出与信息咨询请求匹配的客服终端编号集合。

作为示例，用户通过客户端应用选择售后通道发送信息咨询请求。上述执行主体可以在接收到该咨询请求后，通过用户所选择的咨询通道确定出所请求咨询的信息对应的信息类型，然后可以确定出用于处理售后咨询的客服终端对应的客服终端编号集合。

步骤202，基于预先确定的空闲分值，从客服终端编号集合中选择出其中一个客服终端编号，将信息咨询请求分发至所选择出的客服终端编号对应的客服终端。

在本实施例中，上述执行主体在步骤201中确定出与信息咨询请求匹配的客服终端编号集合后，可以基于预先确定的空闲分值，从客服终端编号集合中选择出其中一个客服终端编号，从而将信息咨询请求分发至所选择出的客服终端编号对应的客服终端。具体的，上述执行主体可以建立发送信息咨询请求的客户端与所选择出的客服终端编号对应的客服终端之间的连接。在这里，上述执行主体可以轮询与步骤201中所确定的客服终端编号集合中的客服终端编号对应的空闲分值，从而选择出空闲分值最高的客服终端编号对应的客服终端以处理咨询信息。

在本实施例中，空闲分值是通过将客服终端记录的工作状态信息输入至预先训练的空闲状态预测模型，而得到的模型输出。其中，该模型输出用于表征客服终端的状态为空闲状态的概率。空闲分值越高，表征客服终端的状态为空闲状态的概率越大。该空闲分值可以为具体分数，也可以为文字描述(例如高、中、低)。上述工作状态信息具体可以包括但不限于：首次消息回复时长、平均消息回复时长、与同一用户进行对话的平均会话时长、在预设时间段内平均消息数(例如5分钟内的平均消息数)、当前正在连接的用户的数目、预设时间段内处理完成的信息咨询请求的数目(例如一小时内处理完成10信息咨询请求的数目)、工作状态(例如上线状态、下线状态)。上述工作状态信息中的每一个信息均可以代表一个特征。空闲状态预测模型可以对工作状态信息所包含的各种信息特征进行分析，从而根据分析结果得到表征客服终端的状态为空闲状态的概率。作为示例，当空闲分值最高为10分时，客服终端的工作状态在预设时间段内由下线更改为上线，其所连接的客户端为2个，客服人员的工作年限为2年，可以确定客服终端记录的工作状态信息对应的空闲分值为8。当客服终端的工作状态在预设时间段内由上线更改为下线，可以确定客服终端的工作状态信息对应的空闲分值为0。客服终端的工作状态在预设时间段内由下线更改为上线，其所连接的发送信息咨询请求的客户端为6个，可以确定客服终端的工作状态信息对应的空闲分值为3。

在本实施例中，上述空闲状态预测模型可以为用于表征工作状态信息与空闲分值的对应关系表。上述执行主体可以将客服终端编号集合中的客服终端编号对应的客服终端记录的工作状态信息分别与该对应关系表中的工作状态信息进行比较，确定对应关系表中，与各客服终端编号对应的客服终端记录的工作状态信息相同的工作状态信息。然后从所确定的对应关系表中选择出空闲分值最高的工作状态信息对应的客服终端，从而将信息咨询请求分发至所选择出的客服终端编号对应的客服终端。

在本实施例的一些可选的实现方式中，上述执行主体在响应于接收到客服终端发送的已更新工作状态信息的指令，更新发送所述指令的客服终端的空闲分值。

具体的，在上述执行主体将信息咨询请求分发至所选择出的客服终端编号对应的客服终端后，所选择出的客服终端编号对应的客服终端可以更新所记录的工作状态信息。例如，可以更新当前正在连接的用户的数目、可以更新预设时间段内处理完成的信息咨询请求的数目。然后，向上述执行主体发送已更新工作状态信息的指令。上述执行主体在响应于接收到客服终端发送的已更新工作状态信息的指令后，可以更新发送上述指令的客服终端对应的空闲分值。在这里，上述执行主体可以在接收到已更新工作状态信息的指令后，可以从客服终端获取该工作状态信息，然后将工作状态信息输入至上述空闲状态预测模型，得到用于表征客服终端的状态为空闲状态的概率。该表征客服终端的状态为空闲状态的概率即为上述发送指令的客服终端对应的空闲分值。

在发送信息咨询请求的终端与客服终端之间的连接断开后，客服终端可以更新所记录的工作状态信息。然后，向上述执行主体发送已更新工作状态信息的指令。上述执行主体在响应于接收到客服终端发送的已更新工作状态信息的指令后，可以更新发送上述指令的客服终端对应的空闲分值。

当客服终端的客服状态由上线状态修改为下线状态或者由下线状态修改为上线状态时，客服终端可以更新所记录的工作状态信息。然后，向上述执行主体发送已更新工作状态信息的指令。上述执行主体在响应于接收到客服终端发送的已更新工作状态信息的指令后，可以更新发送上述指令的客服终端对应的空闲分值。

客服终端在更新工作状态信息后向上述执行主体发送已更新工作状态信息的指令，上述执行主体在接收到指令后更新发送指令的客服终端对应的空闲分值，可以实时更新客服终端编号集合中的客服终端编号对应的空闲分值，从而可以准确的选择出相对空闲的客服终端，提高用户的信息咨询效率。

在本实施例的一些可选的实现方式中，上述空闲状态预测模型可以包括深度神经网络(dnn)和分类模型。也即是说，上述空闲状态预测模型是基于训练样本，对深度神经网络和分类模型进行训练得到的。分类模型可以为逻辑回归模型，可以为softmax分类模型。

具体的，对于客服终端编号集合中的每一个客服终端编号，上述执行主体可以将该客服终端编号对应的客服终端记录的工作状态信息输入至深度神经网络，得到第一特征值。接着，将所得到的第一特征值输入至分类模型，得到空闲分值。

继续参考图3，图3是根据本实施例的请求分发方法的应用场景的一个示意图。在图3的应用场景中，服务器302预先可以利用空闲状态预测模型，对信息类型为售前信息咨询的客服终端编号k1、k2、k3、k4…对应的客服终端的工作状态信息进行预测，得到与客服终端编号k1、k2、k3、k4…对应的空闲分值分别为2、6、4、1；对信息类型为售后信息咨询的客服终端编号k1、k2、k3、k4…对应的客服终端的工作状态信息进行预测，得到与客服终端编号k1、k2、k3、k4…对应的空闲状态分值分别为1、2、3、4。

用户通过计算机301向服务器302发送了信息咨询请求，该信息咨询请求中包括咨询a物品的用途的信息。服务器302在接收到信息咨询请求后，可以根据信息咨询请求所包括的请求咨询的信息，确定出用户所请求咨询的信息的信息类型为售前信息。从而确定出的客服终端编号集合为与售前信息咨询对应的客服终端编号集合。然后，服务器302可以从客服终端编号集合中选择出客服终端编号k2，将信息咨询请求发送至所选择出的客服终端编号k2对应的客服终端。

本申请实施例提供的请求分发方法，通过将客服终端记录的工作状态信息输入至预先训练的空闲状态预测模型，得到用于表征客服终端的状态为空闲状态的概率后，将该概率作为空闲分值，然后在接收到信息咨询请求后，可以从与信息咨询请求匹配的客服终端编号集合中选择出其中一个客服终端编号，将信息咨询请求分发至所选择出的客服终端编号对应的客服终端，从而可以对客服终端的空闲状态更加准确的预测，进而可以为用户提供高效的咨询，提高用户体验。

在上述实施例的一些可选的实现方式中，上述空闲状态预测模型可以是基于样本集合训练得出的。图4示出了该空闲状态预测模型的训练方法的一种可选的实现方式的流程400。该流程400包括以下步骤：

步骤401，获取训练样本集合。

该训练样本集包括样本工作状态信息和样本工作状态信息的标注结果。该标注结果用于指示样本工作状态信息对应的工作状态是否为空闲状态。作为示例，样本工作状态信息中，客服终端的工作状态在预设时间段内由下线更改为上线，其所连接的客户端为2个，客服人人员的工作年限为2年，可以确定用于指示样本工作状态信息对应的工作状态为空闲状态。样本工作状态信息中，客服终端的工作状态在预设时间段内由上线更改为下线，可以确定用于指示样本工作状态信息对应的工作状态为非空闲状态。样本工作状态信息中，客服终端的工作状态在预设时间段内由下线更改为上线，其所连接的发送信息咨询请求的客户端为6个，可以确定用于指示样本工作状态信息对应的工作状态为非空闲状态。

步骤402，基于训练样本集中的每一个训练样本，执行如下训练步骤：

首先，在步骤4021中，将该训练样本中的样本工作状态信息输入至待训练的空闲状态预测子模型，得到第一样本特征值。在这里，该空闲状态预测子模型可以为深度神经网络(dnn)。

在一些可选的实现方式中，上述空闲状态预测子模型可以是通过广义线性模型和深度神经网络联合训练得到，也即是对也即是wide&deep网络进行训练得到的。

具体的，上述执行主体可以将样本工作状态信息输入至待训练的广义线性模型，得到第一样本子特征值。该广义线性模型例如可以为逻辑回归模型、泊松回归模型等。该广义线性模型可以用于学习样本工作状态信息所包括的各种特征之间的特征关系。从而可以提高空闲状态预测模型的记忆能力。将样本工作状态信息输入至待训练的深度神经网络，得到第二样本特征值。深度神经网络可以用于深度学习工作信息的各特征，从而可以提高空闲状态预测模型的范化能力。最后，可以利用全连接层对第一子样本特征值和第二子样本特征值进行融合，得到第一样本特征值。

接着，在步骤4022中，将所得到的第一样本特征值和该训练样本中的样本工作状态信息输入至待训练的分类模型，得到样本预测结果。

在这里，上述执行主体可以将步骤4021中所得到的第一样本特征值和该训练样本工作状态信息一起输入至待训练的分类模型。这样一来，可以使得分类模型学习到更多的样本工作状态信息特征，提高分类模型的输出结果。该分类模型例如可以为逻辑回归模型，可以为softmax分类模型。上述执行主体可以得到从待训练的分类模型中输出的样本预测结果。该样本预测结果用于指示与工作信息对应的工作状态是否为空闲状态的指示结果和为空闲状态的概率。

上述执行主体可以得到样本预测结果集合。然后，在步骤4023中，上述执行中途可以确定预设损失函数的损失值是否达到预设阈值。

在这里，该预设损失函数例如可以为交叉熵损失函数、平方损失函数等。该预设损失函数用于指示所得到的样本预测结果集合中与各样本工作状态信息对应的指示结果和标注结果之间的误差。当预设损失函数的值不再减小时，可以确定预设损失函数的损失值达到预设目标值。

在步骤4024中，响应于确定预设损失函数的损失值达到预设目标值，确定空闲状态预测模型训练完成。

在步骤403中，响应于确定预设损失函数的损失值未达到预设目标值，调整空闲状态预测子模型和/或分类模型的参数，继续执行步骤402所示的训练步骤。

具体的，当空闲状态预测子模型由深度神经网络训练得到时，可以调整深度神经网络的参数。例如可以调整深度神经网络的每一层网络的权重等。当空闲状态预测子模型由wide&deep网络进行训练得到时，可以调整逻辑回归模型中的回归参数，调整深度神经网络的参数。

当上述分类模型为逻辑回归模型时，可以调整用于生成分类模型的逻辑回归模型的回归参数。

基于图4提供的空闲状态预测模型的训练步骤得到的空闲状态预测模型，通过对空闲状态预测子模型和分类模型进行联合训练，可以使得空闲状态预测子模型和分类模型均可以学习到更多的特征，从而可以更准确的对客服的空闲状态进行预测。

进一步参考图5，作为对上述图2所示方法的实现，本申请提供了一种请求分发装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的请求分发装置500包括：确定单元501和分配单元502。其中确定单元501，被配置成响应于接收到信息咨询请求，确定与信息咨询请求匹配的客服终端编号集合；分配单元502，被配置成基于预先确定的空闲分值，从客服终端编号集合中选择出其中一个客服终端编号，将信息咨询请求分发至所选择出的客服终端编号对应的客服终端，其中，空闲分值是通过将客服终端记录的工作状态信息输入至预先训练的空闲状态预测模型，而得到的模型输出，模型输出用于表征客服终端的状态为空闲状态的概率。

在本实施例中，请求分发装置500中：确定单元501和分配单元502的具体处理及其带来的有益效果可参看图2对应实施例中的步骤201和步骤202的实现方式的相关描述，在此不再赘述。

在本实施例的一些可选的实现方式中，空闲状态预测模型是基于训练样本，对深度神经网络和分类模型进行训练得到的。

在本实施例的一些可选的实现方式中，空闲状态预测模型通过如下步骤训练得到：获取训练样本集，训练样本集包括样本工作状态信息和样本工作状态信息的标注结果，标注结果用于指示样本工作状态信息对应的工作状态是否为空闲状态；基于训练样本集中的训练样本，执行如下训练步骤：将该训练样本中的样本工作状态信息输入至待训练的空闲状态预测子模型，得到第一样本特征值；将所得到的第一样本特征值和样本工作状态信息输入至待训练的分类模型，得到样本预测结果，样本预测结果用于指示与样本工作状态信息对应的工作状态是否为空闲状态的指示结果和为空闲状态的概率；确定预设损失函数的损失值是否达到预设目标值，其中，预设损失函数用于指示所得到的样本预测结果集合中与样本工作状态信息对应的指示结果和标注结果之间的误差；响应于确定预设损失函数的损失值达到预设目标值，确定空闲状态预测模型训练完成；响应于确定预设损失函数的损失值未达到预设目标值，调整空闲状态预测子模型和/或分类模型的参数，继续执行训练步骤。

在本实施例的一些可选的实现方式中，空闲状态预测子模型是通过广义线性模型和深度神经网络联合训练得到的；以及将该训练样本中的样本工作状态信息输入至待训练的空闲状态预测子模型，得到第一样本子特征值，包括：将该训练样本中的样本工作状态信息分别输入至待训练的广义线性模型和深度神经网络，分别得到第一样本子特征值和第二样本子特征值；将所得到的第一样本子特征值和第二样本子特征值输入至全连接层，得到第一样本特征值。

在本实施例的一些可选的实现方式中，请求分发装置500还包括：更新单元(未示出)，被配置成响应于接收到客服终端发送的已更新工作状态信息的指令，更新发送指令的客服终端的空闲分值。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，该程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括确定单元和分配单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，确定单元还可以被描述为“响应于接收到信息咨询请求，确定与信息咨询请求匹配的客服终端编号集合的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于接收到信息咨询请求，确定与信息咨询请求匹配的客服终端编号集合；基于预先确定的空闲分值，从客服终端编号集合中选择出其中一个客服终端编号，将信息咨询请求分发至所选择出的客服终端编号对应的客服终端，其中，空闲分值是通过将客服终端记录的工作状态信息输入至预先训练的空闲状态预测模型，而得到的模型输出，模型输出用于表征客服终端的状态为空闲状态的概率。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。