本申請涉及互聯(lián)網(wǎng)領域，尤其涉及一種問題預測方法及預測系統(tǒng)。

背景技術：

近些年，隨著科技的發(fā)展，人們的日常生活中越來越頻繁地通過網(wǎng)絡進行各項活動，例如進行購物、預約掛號、查詢信息、支付、收款等。

然而由于網(wǎng)絡故障、產(chǎn)品缺陷、用戶對產(chǎn)品不熟悉等原因，實際的操作中經(jīng)常會出現(xiàn)各種問題。

例如，現(xiàn)如今各網(wǎng)站均需要設置系統(tǒng)，解決用戶提出的各種問題?，F(xiàn)有各網(wǎng)站的客服系統(tǒng)通常具有如下的操作流程：

1，用戶通過客戶端或者網(wǎng)頁訪問客服頁面；

2，網(wǎng)站為用戶分配客服人員；

3，客服人員為用戶解決問題。

在上述流程中，步驟2中的客服人員通常是隨機分配的。但是由于不同用戶可能遇到的問題千差萬別，隨機分配的客服人員可能沒有足夠的知識儲備解決用戶的問題而無法有效地提供解決方法，或者在轉(zhuǎn)給其他客服人員的過程中耽誤用戶的時間，造成用戶訪問客服頁面時的體驗差、導致用戶滿意度下降。

鑒于此，不少網(wǎng)站嘗試通過分類的方式解決用戶的問題。舉例來說，在一些網(wǎng)站，當用戶訪問客服頁面時，該客服頁面的對話框自動顯示問題分類內(nèi)容，例如“請選擇您遇到的問題的類別：1，支付問題；2，密碼問題；3，人工服務”，用戶選擇對應的問題類別之后，客服頁面轉(zhuǎn)至對應的客服人員處，由該問題類別下相對專業(yè)的客服人員解決用戶的問題。

再例如，在另一些場景中，例如游戲問答的場景中，用戶同樣需要在對話框中輸入問題或者由用戶自己選擇問題的類別，再由系統(tǒng)或者人工進行解答。

然而，在上述場景中，這類分類的方式實質(zhì)上均是由用戶自行分類，用 戶需要花費時間去理解和選擇對應的問題類別，在選擇對應類別之后很可能還需要用戶選擇該問題類別下的二級問題類別；同時用戶未必能夠理解和正確選擇問題類別，不僅導致解決問題的時效性下降，而且不能保證準確性。

技術實現(xiàn)要素：

鑒于上述問題，提出了本申請實施例以便提供一種克服上述問題或者至少部分地解決上述問題的問題預測方法及預測系統(tǒng)。

為解決上述問題，本申請一實施例公開一種問題預測方法，包括：

接收用戶端發(fā)出的請求，并獲取所述用戶端的用戶行為軌跡，所述用戶行為軌跡包括指定時間內(nèi)所述用戶端與所述服務器之間的至少一個rpc調(diào)用信息和所述用戶端訪問所述服務器的至少一個url二者中至少其中之一；

從所述用戶行為軌跡中提取模型輸入數(shù)據(jù)；

將所述模型輸入數(shù)據(jù)輸入問題分類模型，預測問題。

本申請另一實施例提出一種問題預測系統(tǒng)，包括：

獲取模塊，用于接收用戶端發(fā)出的請求，并獲取所述用戶端的用戶行為軌跡，所述用戶行為軌跡包括指定時間內(nèi)所述用戶端與所述服務器之間的至少一個rpc調(diào)用信息和所述用戶端訪問所述服務器的至少一個url二者中至少其中之一；

提取模塊，用于從所述用戶行為軌跡中提取模型輸入數(shù)據(jù)；

問題預測模塊，用于將所述模型輸入數(shù)據(jù)輸入問題分類模型，預測問題。

相比于現(xiàn)有技術，本申請實施例提出的問題預測方法和預測系統(tǒng)至少具有以下優(yōu)點：

1.本申請實施例提出的方案中，利用問題分類模型預測用戶端可能提出的問題，相比于現(xiàn)有的依靠人工或者用戶自助分類的方式，節(jié)省了時間，減少人力成本，提高了用戶體驗；

2.本申請實施例提出的方案中，通過從用戶行為軌跡中提取模型輸入數(shù)據(jù)，所述用戶行為軌跡包括指定時間內(nèi)所述用戶端與所述服務器之間的至少一個rpc調(diào)用信息，和/或所述用戶端訪問所述服務器的至少一個url，將 所述模型輸入數(shù)據(jù)輸入問題分類模型，利用問題分類模型預測用戶端可能提出的問題，相比于現(xiàn)有的依靠人工或者用戶自助分類的方式，節(jié)省了時間，提高了準確性；同時用于預測問題的模型輸入數(shù)據(jù)是從用戶行為軌跡中提取得到，用戶行為軌跡可以從服務器中實時提取，基本無延時，進一步節(jié)省了預測問題的時間并提高了準確性。

附圖說明

圖1所示為本申請第一實施例的問題預測方法的流程圖。

圖2所示為本申請第二實施例的問題預測方法的流程圖。

圖3所示為本申請第三實施例的問題預測系統(tǒng)的方框圖。

圖4所示為本申請第四實施例的問題預測系統(tǒng)的方框圖。

具體實施方式

下面將結(jié)合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基于本申請中的實施例，本領域普通技術人員所獲得的所有其他實施例，都屬于本申請保護的范圍。

本申請的核心思想之一在于，提出一種問題預測方法，在該方法中，首先，接收用戶端發(fā)出的請求，并獲取所述用戶端的用戶行為軌跡，所述用戶行為軌跡包括指定時間內(nèi)所述用戶端與所述服務器之間的至少一個rpc(remoteprocedurecall)調(diào)用信息，和/或所述用戶端訪問所述服務器的至少一個url；其次，從所述用戶行為軌跡中提取模型輸入數(shù)據(jù)；再次，將所述模型輸入數(shù)據(jù)輸入問題分類模型，預測問題。舉例來說，當用戶端發(fā)生轉(zhuǎn)賬失敗時，用戶行為軌跡即記錄了包含轉(zhuǎn)賬失敗信息的rpc調(diào)用信息或轉(zhuǎn)賬失敗網(wǎng)頁頁面的url。當用戶端訪問頁面時，服務器接收到用戶端發(fā)出的請求，便從服務器或者特定的存儲區(qū)域中獲取上述用戶行為軌跡，并從上述用戶行為軌跡中提取包含轉(zhuǎn)賬失敗信息的模型輸入數(shù)據(jù)，將此模型輸入數(shù)據(jù)輸入問題分類模型，預測問題。

第一實施例

本申請第一實施例提出一種問題預測方法，如圖1所示為本申請第一實施例的問題預測方法的流程圖，該方法應用于服務器端。如圖1所示，該方法包括如下步驟：

s101，接收用戶端發(fā)出的請求，并獲取所述用戶端的用戶行為軌跡，所述用戶行為軌跡包括指定時間內(nèi)所述用戶端與所述服務器之間的至少一個rpc調(diào)用信息，和/或所述用戶端訪問所述服務器的至少一個url；

在這一步驟中，舉例來說，用戶撥通電話，或者用戶打開手機app進行自助問題查詢時，被視為用戶發(fā)出請求。服務器端接收到用戶端發(fā)出的這一請求后，可以從服務器中或者特定的存儲區(qū)域中獲取對應于所述用戶端的用戶行為軌跡。

上述的用戶行為軌跡可以為用戶在使用產(chǎn)品的過程中，與產(chǎn)品交互操作所構成的時間序列。舉例來說，該時間序列可以記錄用戶在12:00時打開轉(zhuǎn)賬頁面、12:01輸入轉(zhuǎn)賬信息和密碼、12:02訪問頁面時接收到“當前頁面不存在”的信息等。

在這一步驟中，服務器可以檢測服務器的指定存儲區(qū)域中是否存儲有用戶行為軌跡，也可以單獨設置行為軌跡服務器，用于隨時記錄最近一個時間段內(nèi)的用戶行為軌跡。當一個用戶端發(fā)出請求時，可以從上述的行為軌跡服務器中實時調(diào)取最近的用戶行為軌跡。

具體地，用戶行為軌跡包括指定時間內(nèi)所述用戶端與所述服務器之間的至少一個rpc調(diào)用信息；和/或所述用戶端訪問所述服務器的至少一個url。

舉例來說，可以包括用戶端與服務器間的rpc交互信息、用戶端訪問服務器的url(統(tǒng)一資源定位符)等。上述的rpc為遠程過程調(diào)用協(xié)議，是一種通過網(wǎng)絡從遠程計算機程序上請求服務。由于rpc交互信息為本領域技術人員所熟知，在此不再贅述。

當用戶使用移動終端，例如手機、平板電腦等裝置時，上述的用戶行為軌跡可以為用戶端的應用程序(app)與所述服務器之間的rpc調(diào)用信息；當用戶端使用筆記本電腦、臺式機等其他裝置通過網(wǎng)頁訪問服務器時，上述 的用戶行為軌跡可以為用戶端訪問服務器時的網(wǎng)頁url。

例如，當用戶通過客戶端訪問服務器，或者通過網(wǎng)頁端登陸特定url進行轉(zhuǎn)賬，但是客戶端或者網(wǎng)頁端顯示轉(zhuǎn)賬失敗，上述的用戶行為軌跡即可以是包含轉(zhuǎn)賬失敗信息的客戶端與服務器的rpc調(diào)用信息或者網(wǎng)頁的url。

由于行為軌跡服務器只記錄用戶與服務器的原始操作(例如上述的rpc和url)，采集迅速，不需整理，可以保證取得最近的用戶行為軌跡，在實際使用中，例如可以獲取30秒之前的用戶行為軌跡。相應地，預設時間段例如可以設置為從指定時間點到接收到用戶端發(fā)出的請求之間的時間段，或者從指定時間點到接收到用戶端發(fā)出的請求之前30秒之間的時間段，例如可以為從接收到用戶端發(fā)出的請求之前的一段時間內(nèi)所生成的用戶行為軌跡。在這一步驟中，優(yōu)選地，上述的指定時間例如可以為12小時至72小時，即，可以是半天之內(nèi)的用戶行為軌跡，或者是一天、兩天、三天之內(nèi)的用戶行為軌跡。選用12小時至內(nèi)的用戶行為軌跡到72小時之內(nèi)的用戶行為軌跡，至少更加精確地得知使用者最近的操作，然而，本發(fā)明并不特別限制該指定時間的范圍。

此外，在一些實施例中，用戶一直用移動終端例如手機登陸該用戶端，則所獲取的用戶行為軌跡僅包括用戶端與服務器之間的rpc調(diào)用信息；如果用戶一直通過網(wǎng)頁訪問服務器，則所獲取的用戶行為軌跡僅包括網(wǎng)頁url；如果用戶在移動端訪問與網(wǎng)頁訪問之間切換，則用戶行為軌跡既包括上述rpc調(diào)用信息，又包括網(wǎng)頁url。

s102，從所述用戶行為軌跡中提取模型輸入數(shù)據(jù)；

在這一步驟中，可以從步驟s101中獲取的用戶端與服務器之間的rpc調(diào)用信息和/或網(wǎng)頁url中提取模型輸入數(shù)據(jù)，以進行后續(xù)的預測。從用戶行為軌跡中提取模型輸入數(shù)據(jù)的方法有多種，在此并不贅述。

s103，將所述模型輸入數(shù)據(jù)輸入問題分類模型，預測問題。

在這一步驟中，當獲取到模型輸入數(shù)據(jù)之后，可以將這些模型輸入數(shù)據(jù)作為特征，輸入問題分類模型。問題分類模型可以是通過訓練生成的神經(jīng)網(wǎng)絡模型，用于預測用戶端的問題。問題分類模型例如為線上部署的神經(jīng)網(wǎng)絡 分類模型，用于預測用戶的問題。上述問題例如可以為客服問題。

舉例來說，當用戶通過客戶端訪問服務器，或者通過網(wǎng)頁端登陸特定url進行轉(zhuǎn)賬，由于網(wǎng)絡系統(tǒng)不穩(wěn)定，客戶端或者網(wǎng)頁端顯示用戶端轉(zhuǎn)賬失敗；在此過程中，包含轉(zhuǎn)賬失敗信息的客戶端與服務器的rpc調(diào)用信息或者網(wǎng)頁的url被記錄在服務器或者特定的存儲區(qū)域中；當服務器接收到用戶端發(fā)出的請求后，服務器獲取對應于該用戶端的用戶行為軌跡，之后，從上述用戶行為軌跡中提取模型輸入數(shù)據(jù)，并將這些模型輸入數(shù)據(jù)發(fā)送給問題分類模型，利用這一問題分類模型預測到用戶端所遇到的問題是“轉(zhuǎn)賬失敗”。問題分類模型輸出這一問題，以便進行后續(xù)操作。

在一優(yōu)選實施例中，步驟s102即從所述用戶行為軌跡中提取所述用戶端與所述服務器的用戶行為軌跡的步驟可以包括如下子步驟：

s102a，設置特征向量，所述特征向量包括多個元素，所述元素對應相應的行為，每一個行為是一個rpc調(diào)用信息或一個url；

在這一子步驟中，舉例來說，設置特征向量可以為初始化該特征向量；例如可以設置包括n個元素的特征向量a(a1,a2,a3,……an),每一個元素對應相應的行為，該行為可以是存儲在數(shù)據(jù)庫中的客戶端與服務器的交互操作，即rpc調(diào)用信息或url，例如a1對應“服務器返回轉(zhuǎn)賬失敗頁面”，a2對應“服務器返回密碼輸入次數(shù)過多頁面”，a3對應“服務器返回賬戶名不存在頁面”，an對應“服務器無法接收到用戶發(fā)出的信息”。初始狀態(tài)下，每個元素的值可以設置為第三數(shù)值，例如0，則該特征向量為a(0,0,0，….0)。

s102b，比較所述用戶行為軌跡中包含的模型輸入數(shù)據(jù)與所述特征向量對應的行為，當確定所述用戶行為軌跡中包含一個或多個所述行為，將所述特征向量中對應所述行為的元素的數(shù)值修改為指定的第一數(shù)值，所述特征向量中未修改為指定的第一數(shù)值的元素的數(shù)值設置為指定的第二數(shù)值；

在這一子步驟中，舉例來說，用戶行為軌跡中包括“服務器返回轉(zhuǎn)賬失敗頁面”和“服務器返回賬戶名不存在頁面”，通過比較，可以確定用戶行為軌跡中包含的上述模型輸入數(shù)據(jù)與特征向量中的元素a1和a3所對應的行為相同，則此時將特征向量為a(0,0,0，….0)的a1和a3的數(shù)值修改為指定 的第一數(shù)值，例如1，則修改后的特征向量為a(1,0,1，….0)。所述特征向量中未修改為指定的第一數(shù)值的元素的數(shù)值設置為指定的第二數(shù)值，例如0。在這里指定的第二數(shù)值與設置特征向量時初始的第三數(shù)值相同，在實際操作中二者可以是不同的，例如初始的第三數(shù)值可以為1和0之外的其他數(shù)值等，在此不再贅述。

優(yōu)選地，在s102b之后，可以執(zhí)行上述步驟s103a：將修改后的特征向量作為模型輸入數(shù)據(jù)，輸入問題分類模型，預測問題。

步驟s103a與上述步驟s103相同或者相似，例如上述的a(1,0,1，….0)，該修改后的特征向量能夠表征用戶行為軌跡中包括哪些模型輸入數(shù)據(jù)。例如，上述修改后的特征向量a中，數(shù)值為1的元素a1和a3對應的行為被輸入問題分類模型，預測問題。

綜上所述，在本申請第一實施例提出的問題預測方法中，通過從用戶行為軌跡中提取模型輸入數(shù)據(jù)，所述用戶行為軌跡包括指定時間內(nèi)所述用戶端與所述服務器之間的至少一個rpc調(diào)用信息，和/或所述用戶端訪問所述服務器的至少一個url，將所述模型輸入數(shù)據(jù)輸入問題分類模型，利用問題分類模型預測用戶端可能提出的問題，相比于現(xiàn)有的依靠人工或者用戶自助分類的方式，節(jié)省了時間，提高了準確性；同時用于預測問題的模型輸入數(shù)據(jù)是從用戶行為軌跡中提取得到，用戶行為軌跡可以從服務器中實時提取，基本無延時，進一步節(jié)省了預測問題的時間并提高了準確性。

第二實施例

本申請第二實施例提出一種問題預測方法，如圖2所示為本申請第二實施例的問題預測方法的流程圖，該方法應用于服務器端，用于訓練神經(jīng)網(wǎng)絡模型并預測問題。如圖2所示，該方法首先在步驟s201至步驟s202中對神經(jīng)網(wǎng)絡模型進行訓練，其次在步驟s203至s205中對問題進行預測。在訓練中，需要獲取多個樣本作為訓練數(shù)據(jù)，每一個樣本包括標注部分和特征部分，所述標注部分包括該次訪問中提出的問題，所述特征部分包括一次訪問中從用戶行為軌跡中提取出的模型輸入數(shù)據(jù)。

具體來說，該方法包括如下步驟：

s201，獲得訓練數(shù)據(jù)，所述訓練數(shù)據(jù)包括多個樣本，所述樣本包括特征部分和標注部分，所述特征部分包括一次用戶訪問中從用戶行為軌跡中提取出的模型輸入數(shù)據(jù)，所述標注部分包括該次用戶訪問中提出的問題；

在這一步驟中，可以通過從服務器或者指定的存儲區(qū)域獲取訓練數(shù)據(jù)，該訓練數(shù)據(jù)可以是過去一個月內(nèi)的用戶端訪問的樣本，該樣本包括特征部分和標注部分，所述特征部分包括一次用戶訪問中從用戶行為軌跡中提取出的模型輸入數(shù)據(jù)，而標注部分包括該次訪問中提出的問題，例如某一次通過客戶端訪問客服頁面、游戲問答頁面等網(wǎng)頁時用戶提出的問題。因此，每一個樣本所包括的內(nèi)容為某次用戶訪問時從用戶軌跡中提取出的模型輸入數(shù)據(jù)，以及該次用戶訪問中用戶提出的問題。這兩者共同組成一個樣本。

s202，將所述訓練數(shù)據(jù)發(fā)送至神經(jīng)網(wǎng)絡模型，訓練所述神經(jīng)網(wǎng)絡模型作為所述問題分類模型。

神經(jīng)網(wǎng)絡模型是指一種模擬大腦結(jié)構，使用神經(jīng)元以及它們之間的連接構造的機器學習模型，主要用于分類任務。舉例來說，神經(jīng)網(wǎng)絡模型訓練可以接收足夠多的訓練數(shù)據(jù)的樣本，以這些樣本為依據(jù)，預測問題。例如，當神經(jīng)網(wǎng)絡模型中接收的訓練數(shù)據(jù)的樣本中已存在“服務器返回轉(zhuǎn)賬失敗信息”對應的問題為“為什么會轉(zhuǎn)賬失敗”，當再次接收到用戶端發(fā)來的用戶行為軌跡中包含“服務器返回轉(zhuǎn)賬失敗信息”這一模型輸入數(shù)據(jù)時，神經(jīng)網(wǎng)絡模型可以自動預測用戶端的問題為“為什么會轉(zhuǎn)賬失敗”，并進行后續(xù)處理。

神經(jīng)網(wǎng)絡模型訓練算法可以采用隨機梯度下降法(sgd)，每個樣本都會沿著當前損失函數(shù)的梯度反方向，來對當前模型參數(shù)進行微小修改，從而使得模型參數(shù)最終達到最優(yōu)。通過以上的訓練數(shù)據(jù)和訓練算法，可以訓練神經(jīng)網(wǎng)絡模型作為用于預測問題的問題分類模型。

s203，接收用戶端發(fā)出的請求，并獲取所述用戶端的用戶行為軌跡，所述用戶行為軌跡包括指定時間內(nèi)所述用戶端與所述服務器之間的至少一個rpc調(diào)用信息和所述用戶端訪問所述服務器的至少一個url二者至少其中之一；

在這一步驟中，舉例來說，用戶撥通電話，或者用戶打開手機app進行自助問題查詢時，被視為用戶發(fā)出請求。服務器端接收到用戶端發(fā)出的這一請求后，可以從服務器中或者特定的存儲區(qū)域中獲取對應于所述用戶端的用戶行為軌跡。

s204，從所述用戶行為軌跡中提取模型輸入數(shù)據(jù)；

在這一步驟中，可以從步驟s101中獲取的用戶端與服務器之間的rpc調(diào)用信息和/或網(wǎng)頁url中提取模型輸入數(shù)據(jù)，以進行后續(xù)的預測。

s205，將所述模型輸入數(shù)據(jù)輸入問題分類模型，預測問題；

在這一步驟中，當獲取到模型輸入數(shù)據(jù)之后，可以將這些模型輸入數(shù)據(jù)作為特征，輸入問題分類模型。問題分類模型可以是通過訓練生成的神經(jīng)網(wǎng)絡模型，用于預測用戶端的問題。問題分類模型例如為線上部署的神經(jīng)網(wǎng)絡分類模型，用于預測用戶的問題。

上述三個步驟s203至s205可以與步驟s101至s103相同或相似，在此不再贅述。

在上述兩個實施例中，當完成利用所述問題分類模型預測問題的步驟之后，所述方法還可以包括：

s206，在用戶端展現(xiàn)所預測的問題和解決方案；和/或

s207，為客服人員展現(xiàn)所預測的問題。

舉例來說，當問題分類模型預測出的問題為“轉(zhuǎn)賬失敗”，則服務器可以將上述“轉(zhuǎn)賬失敗”的問題類型發(fā)送至客戶端或者使用者打開的網(wǎng)頁，以在用戶端展現(xiàn)所預測的問題和解決方案。

在另一種情況下，當預測出問題之后，可以發(fā)送給客服人員解決該問題。例如可以在客服人員使用的界面中為客服人員顯示展現(xiàn)所預測的問題，便于人員快速和準確地定位問題。

綜上所述，在本申請第二實施例提出的問題預測方法中，利用問題分類模型預測用戶端可能提出的問題，相比于現(xiàn)有的依靠人工或者用戶自助分類的方式，節(jié)省了時間，提高了準確性；同時用于預測問題的模型輸入數(shù)據(jù)是從用戶行為軌跡中提取得到，用戶行為軌跡可以從服務器中實時提取，基本 無延時，進一步節(jié)省了預測問題的時間并提高了準確性；同時，神經(jīng)網(wǎng)絡模型也是通過從用戶行為軌跡中提取的模型輸入數(shù)據(jù)訓練得出，利用模型輸入數(shù)據(jù)作為特征能夠訓練得出更準確可靠的神經(jīng)網(wǎng)絡模型，進一步提高了預測問題的準確性。

第三實施例

本申請第三實施例提出一種問題預測系統(tǒng)，如圖3所示為本申請第三實施例的問題預測系統(tǒng)的方框圖。如圖3所示，該系統(tǒng)300包括：

獲取模塊301，用于接收用戶端發(fā)出的請求，并獲取所述用戶端的用戶行為軌跡，所述用戶行為軌跡包括指定時間內(nèi)所述用戶端與所述服務器之間的至少一個rpc調(diào)用信息和所述用戶端訪問所述服務器的至少一個url二者至少其中之一；

提取模塊302，用于從所述用戶行為軌跡中提取模型輸入數(shù)據(jù)；

問題預測模塊303，用于將所述模型輸入數(shù)據(jù)輸入問題分類模型，預測問題。

在一實施例中，所述提取模塊302包括：

特征向量設置子模塊，用于設置特征向量，所述特征向量包括多個元素，所述元素對應相應的行為，每一個行為是一個rpc調(diào)用信息或一個url；

特征向量修改子模塊，用于比較所述用戶行為軌跡中包含的模型輸入數(shù)據(jù)與所述特征向量對應的行為，當確定所述用戶行為軌跡中包含一個或多個所述特征向量對應的行為，將所述特征向量對應的元素的數(shù)值修改為指定的第一數(shù)值，所述特征向量中未修改為指定的第一數(shù)值的元素的數(shù)值設置為指定的第二數(shù)值；

所述問題預測模塊303用于：

將修改后的所述特征向量作為模型輸入數(shù)據(jù)，輸入問題分類模型，預測問題。

本申請第三實施例公開的問題預測系統(tǒng)中，利用問題分類模型預測用戶端可能提出的問題，相比于現(xiàn)有的依靠人工或者用戶自助分類的方式，節(jié)省 了時間，提高了準確性；同時用于預測問題的模型輸入數(shù)據(jù)是從用戶行為軌跡中提取得到，用戶行為軌跡可以從服務器中實時提取，基本無延時，進一步節(jié)省了預測問題的時間并提高了準確性。

第四實施例

本申請第四實施例提出一種問題預測系統(tǒng)，如圖4所示為本申請第四實施例的問題預測系統(tǒng)的方框圖。如圖4所示，該系統(tǒng)400包括：

訓練數(shù)據(jù)獲取模塊401，用于獲得訓練數(shù)據(jù)，所述訓練數(shù)據(jù)包括多個樣本，所述樣本包括特征部分和標注部分，所述特征部分包括一次訪問中從用戶行為軌跡中提取出的模型輸入數(shù)據(jù)，所述標注部分包括該次訪問中提出的問題；

發(fā)送模塊402，用于將所述訓練數(shù)據(jù)發(fā)送至神經(jīng)網(wǎng)絡模型，訓練所述神經(jīng)網(wǎng)絡模型作為所述問題分類模型；具體地，發(fā)送模塊可以用于將每一個樣本中的模型輸入數(shù)據(jù)和對應的問題發(fā)送至神經(jīng)網(wǎng)絡模型。

獲取模塊403，用于接收用戶端發(fā)出的請求，并獲取所述用戶端的用戶行為軌跡，所述用戶行為軌跡包括指定時間內(nèi)所述用戶端與所述服務器之間的至少一個rpc調(diào)用信息和所述用戶端訪問所述服務器的至少一個url二者中至少其中之一；

提取模塊404，用于從所述用戶行為軌跡中提取模型輸入數(shù)據(jù)；

問題預測模塊405，用于將所述模型輸入數(shù)據(jù)輸入問題分類模型，預測問題。

在一優(yōu)選實施例中，如果所述問題為客服問題，則所述系統(tǒng)還包括下述模塊至少其中之一：

客戶端顯示模塊406，用于在用戶端顯示所預測的問題和解決方案；

客服端顯示模塊407，用于為客服人員展現(xiàn)所預測的問題。

本申請第四實施例提出的問題預測系統(tǒng)中，利用問題分類模型預測用戶端可能提出的問題，相比于現(xiàn)有的依靠人工或者用戶自助分類的方式，節(jié)省了時間，提高了準確性；同時用于預測問題的模型輸入數(shù)據(jù)是從用戶行為軌 跡中提取得到，用戶行為軌跡可以從服務器中實時提取，基本無延時，進一步節(jié)省了預測問題的時間并提高了準確性；同時，神經(jīng)網(wǎng)絡模型也是通過從用戶行為軌跡中提取的模型輸入數(shù)據(jù)訓練得出，利用從用戶行為軌跡提取出的模型輸入數(shù)據(jù)作為特征能夠訓練得出更準確可靠的神經(jīng)網(wǎng)絡模型，進一步提高了預測問題的準確性。

對于裝置實施例而言，由于其與方法實施例基本相似，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。

本說明書中的各個實施例均采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。

本領域內(nèi)的技術人員應明白，本申請實施例的實施例可提供為方法、裝置、或計算機程序產(chǎn)品。因此，本申請實施例可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本申請實施例可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產(chǎn)品的形式。

在一個典型的配置中，所述計算機設備包括一個或多個處理器(cpu)、輸入/輸出接口、網(wǎng)絡接口和內(nèi)存。內(nèi)存可能包括計算機可讀介質(zhì)中的非永久性存儲器，隨機存取存儲器(ram)和/或非易失性內(nèi)存等形式，如只讀存儲器(rom)或閃存(flashram)。內(nèi)存是計算機可讀介質(zhì)的示例。計算機可讀介質(zhì)包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現(xiàn)信號存儲。信號可以是計算機可讀指令、數(shù)據(jù)結(jié)構、程序的模塊或其他數(shù)據(jù)。計算機的存儲介質(zhì)的例子包括，但不限于相變內(nèi)存(pram)、靜態(tài)隨機存取存儲器(sram)、動態(tài)隨機存取存儲器(dram)、其他類型的隨機存取存儲器(ram)、只讀存儲器(rom)、電可擦除可編程只讀存儲器(eeprom)、快閃記憶體或其他內(nèi)存技術、只讀光盤只讀存儲器(cd-rom)、數(shù)字多功能光盤(dvd)或其他光學存儲、磁盒式磁帶，磁帶磁磁盤存儲或其他磁性存儲設備或任何其他非傳輸介 質(zhì)，可用于存儲可以被計算設備訪問的信號。按照本文中的界定，計算機可讀介質(zhì)不包括非持續(xù)性的電腦可讀媒體(transitorymedia)，如調(diào)制的數(shù)據(jù)信號和載波。

本申請實施例是參照根據(jù)本申請實施例的方法、終端設備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理終端設備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理終端設備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導計算機或其他可編程數(shù)據(jù)處理終端設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理終端設備上，使得在計算機或其他可編程終端設備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程終端設備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

盡管已描述了本申請實施例的優(yōu)選實施例，但本領域內(nèi)的技術人員一旦得知了基本創(chuàng)造性概念，則可對這些實施例做出另外的變更和修改。所以，所附權利要求意欲解釋為包括優(yōu)選實施例以及落入本申請實施例范圍的所有變更和修改。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得 包括一系列要素的過程、方法、物品或者終端設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者終端設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者終端設備中還存在另外的相同要素。

以上對本申請所提供的一種問題預測方法和預測系統(tǒng)，進行了詳細介紹，本文中應用了具體個例對本申請的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本申請的方法及其核心思想；同時，對于本領域的一般技術人員，依據(jù)本申請的思想，在具體實施方式及應用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應理解為對本申請的限制。