CN117290597A - 基于人工智能的信息推送方法、装置、设备及存储介质 - Google Patents

Abstract

本申请属于人工智能领域与金融科技领域，涉及一种基于人工智能的信息推送方法，包括：接收目标坐席在作业过程中触发的与目标客户对应的信息查询请求；获取与作业过程对应的作业特征信息；通过信息预测模型生成作业特征信息对应于各种分类标签信息的预测概率值；基于各预测概率值，从分类标签信息中确定符合目标分类标签信息；获取与目标分类标签信息对应的目标查询信息；将目标查询信息推送至目标坐席。本申请还提供一种基于人工智能的信息推送装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，目标查询信息可存储于区块链中。本申请可应用于金融领域的信息查询场景，通过本申请可以有效提高目标坐席获取重要的客户信息的处理效率。

Description

基于人工智能的信息推送方法、装置、设备及存储介质

技术领域

本申请涉及人工智能开发技术领域与金融科技领域，尤其涉及基于人工智能的信息推送方法、装置、计算机设备及存储介质。

背景技术

在金融保险公司中通过会设置有坐席岗位以进行与客户之间的业务交流。目前坐席作业时，例如进行车险作业或非车险作业的过程中，所有的客户信息都是按照系统功能设计进行划分的，没有从作业的流程角度进行针对设计，使得在不同的接触客户阶段所展示的客户信息都是相同的具有客户的全部信息的信息。

由于坐席作业中存在着许多的步骤流程，且不同的步骤中支撑作业所需的客户信息是不同。使得在坐席作业过程中，需要坐席从预先整合的单个页面中展示的所有客户信息中进行人工点击以查找出当前作业所需的有效信息。然而，由于客户信息的数据量较大，往往涉及到上百个字段信息，则现有的坐席所采用的对客户信息进行人工点击进行信息查阅的方式需要花费较多时间，信息查阅的处理效率低下，进而导致坐席的工作效率较低。

发明内容

本申请实施例的目的在于提出一种基于人工智能的信息推送方法、装置、计算机设备及存储介质，以解决现有的坐席所采用的对客户信息进行人工点击进行信息查阅的方式需要花费较多时间，信息查阅的处理效率低下，进而导致坐席的工作效率较低的技术问题。

为了解决上述技术问题，本申请实施例提供一种基于人工智能的信息推送方法，采用了如下所述的技术方案：

判断是否接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求；

若是，基于预设的信息类型，获取与所述作业过程对应的作业特征信息；

将所述作业特征信息输入至预先训练好的信息预测模型内，通过所述信息预测模型对所述作业特征信息进行预测处理，生成所述作业特征信息对应于各种分类标签信息的预测概率值；

基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息；

获取与所述目标分类标签信息对应的所述目标客户的目标查询信息；

将所述目标查询信息推送至所述目标坐席的工作界面。

进一步的，所述基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息的步骤，具体包括：

获取预设的概率阈值；

将各所述预测概率值分别与所述概率阈值进行比较，从所有所述概率阈值中筛选出大于所述概率阈值的指定概率阈值；

从所有所述分类标签信息中筛选出与所述指定概率阈值对应的指定分类标签信息；

将所述指定分类标签信息作为所述目标分类标签信息。

进一步的，所述将所述目标查询信息推送至所述目标坐席的工作界面的步骤，具体包括：

获取与各所述目标分类标签信息分别对应的目标概率值；

基于所述目标概率值生成各所述目标查询信息的信息优先级；

获取预设的展示页面；

基于各所述目标查询信息的信息优先级，在所述展示页面中确定出各所述目标查询信息的展示位置；

基于各所述目标查询信息的展示位置，将各所述目标查询信息对应填充至所述展示页面内，得到目标展示页面；

将所述目标展示页面推送至所述目标坐席的工作界面。

进一步的，在所述将所述作业特征信息输入至预先训练好的信息预测模型内，通过所述信息预测模型对所述作业特征信息进行预测处理，生成所述作业特征信息对应于各种分类标签信息的预测概率值的步骤之前，还包括：

获取预先采集的历史作业特征信息；

对所述历史作业特征信息进行预处理，得到对应的样本数据；

将所述样本数据划分为训练集与测试集；

基于XGBoost算法构建对应的多个第一初始模型；

使用所述训练集分别对各所述第一初始模型进行训练处理，得到训练后的多个第二初始模型；

使用各所述第二初始模型分别对所述测试集进行预测处理，得到各所述第二初始模型输出的预测结果；

基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型筛选，从所有所述第二初始模型中确定出所述信息预测模型。

进一步的，所述对所述历史作业特征信息进行预处理，得到对应的样本数据的步骤，具体包括：

对所述历史作业特征信息进行数据清洗处理，得到对应的第一作业特征信息；

对所述第一作业特征信息进行格式转换处理，得到对应的第二作业特征信息；

将所述第二作业特征信息作为所述样本数据。

进一步的，所述基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型筛选，从所有所述第二初始模型中确定出所述信息预测模型的步骤，具体包括：

基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型评估，得到各所述第二初始模型的处理效果值；

对所有所述处理效果值进行数值分析，从所有所述第二初始模型筛选出处理效果值最高的第三初始模型；

将所述第三初始模型作为所述信息预测模型。

进一步的，在所述基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型筛选，从所有所述第二初始模型中确定出所述信息预测模型的步骤之后，还包括：

对所述信息预测模型进行发布处理；

在完成对于所述信息预测模型的发布处理后，对所述信息预测模型进行存储处理；

获取所有所述第二初始模型中除所述信息预测模型之外的第四初始模型；

对所述第四初始模型进行删除处理。

为了解决上述技术问题，本申请实施例还提供一种基于人工智能的信息推送装置，采用了如下所述的技术方案：

判断模块，用于判断是否接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求；

第一获取模块，用于若是，基于预设的信息类型，获取与所述作业过程对应的作业特征信息；

预测模块，用于将所述作业特征信息输入至预先训练好的信息预测模型内，通过所述信息预测模型对所述作业特征信息进行预测处理，生成所述作业特征信息对应于各种分类标签信息的预测概率值；

第一确定模块，用于基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息；

第二获取模块，用于获取与所述目标分类标签信息对应的所述目标客户的目标查询信息；

推送模块，用于将所述目标查询信息推送至所述目标坐席的工作界面。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

判断是否接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求；

若是，基于预设的信息类型，获取与所述作业过程对应的作业特征信息；

将所述作业特征信息输入至预先训练好的信息预测模型内，通过所述信息预测模型对所述作业特征信息进行预测处理，生成所述作业特征信息对应于各种分类标签信息的预测概率值；

基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息；

获取与所述目标分类标签信息对应的所述目标客户的目标查询信息；

将所述目标查询信息推送至所述目标坐席的工作界面。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

判断是否接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求；

若是，基于预设的信息类型，获取与所述作业过程对应的作业特征信息；

将所述作业特征信息输入至预先训练好的信息预测模型内，通过所述信息预测模型对所述作业特征信息进行预测处理，生成所述作业特征信息对应于各种分类标签信息的预测概率值；

基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息；

获取与所述目标分类标签信息对应的所述目标客户的目标查询信息；

将所述目标查询信息推送至所述目标坐席的工作界面。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例首先判断是否接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求；若是，基于预设的信息类型，获取与所述作业过程对应的作业特征信息；之后将所述作业特征信息输入至预先训练好的信息预测模型内，通过所述信息预测模型对所述作业特征信息进行预测处理，生成所述作业特征信息对应于各种分类标签信息的预测概率值；后续基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息；进一步获取与所述目标分类标签信息对应的所述目标客户的目标查询信息；最后将所述目标查询信息推送至所述目标坐席的工作界面。本申请实施例当接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求，会自动获取与所述作业过程对应的作业特征信息，然后基于预先训练好的信息预测模型对作业特征信息进行预测处理，生成作业特征信息对应于各种分类标签信息的预测概率值，并基于得到的预测概率值确定出符合重要性条件的目标分类标签信息，进而获取与所述目标分类标签信息对应的所述目标客户的目标查询信息，最后将所述目标查询信息推送至所述目标坐席的工作界面以满足了目标坐席的信息查阅诉求。通过信息预测模型的使用可以准确地预测出与目标客户对应的目标查询信息，保证了生成的目标查询信息的准确度，并且可以有效减少目标坐席翻找查询信息所需的花费时间，提高目标坐席获取有效的客户信息的处理效率，有利于提高目标坐席的工作效率，以及提高目标坐席的使用体验。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2根据本申请的基于人工智能的信息推送方法的一个实施例的流程图；

图3是根据本申请的基于人工智能的信息推送装置的一个实施例的结构示意图；

图4是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。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104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，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExpertsGroup Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于人工智能的信息推送方法一般由服务器/终端设备执行，相应地，基于人工智能的信息推送装置一般设置于服务器/终端设备中。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)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、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

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基于人工智能的信息推送方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的基于人工智能的信息推送方法能够应用于任意一种需要进行客户信息查询的场景中，则该基于人工智能的信息推送方法能够应用于这些场景的产品中，例如，金融保险领域中的坐席作业过程中的客户信息查询。所述的基于人工智能的信息推送方法，包括以下步骤：

步骤S201，判断是否接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求。

在本实施例中，基于人工智能的信息推送方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取信息查询请求。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。示例性的，在金融保险的保险作业的业务场景下，上述作业过程可包括车险作业过程、寿险作业过程、意外险作业过程，等等。上述信息查询请求为目标坐席在作业过程中触发的用于获取对应当前的客户接触阶段所需要的目标客户的客户信息的请求。

步骤S202，若是，基于预设的信息类型，获取与所述作业过程对应的作业特征信息。

在本实施例中，上述信息类型具体可包括坐席作业模式、坐席操作、坐席经验、坐席画像、客户画像、接触阶段信息等信息。对应的，上述与所述作业过程对应的作业特征信息至少包括坐席当前的作业模式、坐席当前的操作信息、坐席的经验、作业当前的流程步骤、坐席画像、客户画像、接触阶段信息等。

步骤S203，将所述作业特征信息输入至预先训练好的信息预测模型内，通过所述信息预测模型对所述作业特征信息进行预测处理，生成所述作业特征信息对应于各种分类标签信息的预测概率值。

在本实施例中，上述信息预测模型为基于预先采集的历史作业特征信息对基于XGBoost算法构建的初始模型进行训练与筛选生成的。信息预测模型的具体生成过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

步骤S204，基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息。

在本实施例中，上述基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

步骤S205，获取与所述目标分类标签信息对应的所述目标客户的目标查询信息。

在本实施例中，坐席作业包括多个业务步骤流程，且不同的业务步骤流程中支撑作业所需的客户信息是不相同，并会预先对所有客户的客户信息进行存储。客户信息具体可包括客户基本信息、客户画像信息、车辆信息、历史接触信息、历史报价信息、历史投保信息等信息。可通过对上述客户信息进行查询，以从该客户信息中查询出与所述目标分类标签信息对应的所述目标客户的指定客户信息，以得到上述目标查询信息。

步骤S206，将所述目标查询信息推送至所述目标坐席的工作界面。

在本实施例中，上述将所述目标查询信息推送至所述目标坐席的工作界面的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

本申请首先判断是否接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求；若是，基于预设的信息类型，获取与所述作业过程对应的作业特征信息；之后将所述作业特征信息输入至预先训练好的信息预测模型内，通过所述信息预测模型对所述作业特征信息进行预测处理，生成所述作业特征信息对应于各种分类标签信息的预测概率值；后续基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息；进一步获取与所述目标分类标签信息对应的所述目标客户的目标查询信息；最后将所述目标查询信息推送至所述目标坐席的工作界面。本申请当接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求，会自动获取与所述作业过程对应的作业特征信息，然后基于预先训练好的信息预测模型对作业特征信息进行预测处理，生成作业特征信息对应于各种分类标签信息的预测概率值，并基于得到的预测概率值确定出符合重要性条件的目标分类标签信息，进而获取与所述目标分类标签信息对应的所述目标客户的目标查询信息，最后将所述目标查询信息推送至所述目标坐席的工作界面以满足了目标坐席的信息查阅诉求。通过信息预测模型的使用可以准确地预测出与目标客户对应的目标查询信息，保证了生成的目标查询信息的准确度，并且可以有效减少目标坐席翻找查询信息所需的花费时间，提高目标坐席获取有效的客户信息的处理效率，有利于提高目标坐席的工作效率，以及提高目标坐席的使用体验。

在一些可选的实现方式中，步骤S204包括以下步骤：

获取预设的概率阈值。

在本实施例中，对于上述概率阈值的取值不做具体限定，可根据实际的使用需求进行设置。

将各所述预测概率值分别与所述概率阈值进行比较，从所有所述概率阈值中筛选出大于所述概率阈值的指定概率阈值。

在本实施例中，可通过将各所述预测概率值分别与所述概率阈值进行数值比较，以从所有所述概率阈值中筛选出大于所述概率阈值的概率阈值，从而得到上述指定概率阈值。

从所有所述分类标签信息中筛选出与所述指定概率阈值对应的指定分类标签信息。

在本实施例中，通过从所有所述分类标签信息中筛选出与所述指定概率阈值对应的分类标签信息，以得到上述指定分类标签信息。

将所述指定分类标签信息作为所述目标分类标签信息。

本申请通过获取预设的概率阈值；然后将各所述预测概率值分别与所述概率阈值进行比较，从所有所述概率阈值中筛选出大于所述概率阈值的指定概率阈值；之后从所有所述分类标签信息中筛选出与所述指定概率阈值对应的指定分类标签信息；后续将所述指定分类标签信息作为所述目标分类标签信息。本申请通过从所有所述分类标签信息中筛选出概率阈值大于所述概率阈值的指定概率阈值所对应的指定分类标签信息，并作为最终的符合重要性条件的目标分类标签信息，由于目标分类标签信息为具有较高的预测概率值所对应的分类标签信息，保证了生成的目标分类标签信息的准确度。

在本实施例的一些可选的实现方式中，步骤S206包括以下步骤：

获取与各所述目标分类标签信息分别对应的目标概率值。

在本实施例中，可通过从信息预测模型输出的所述作业特征信息对应于各种分类标签信息的预测概率值中，提取出与各所述目标分类标签信息分别对应的目标概率值。

基于所述目标概率值生成各所述目标查询信息的信息优先级。

在本实施例中，分类标签信息的概率值越大，则表示该分类标签信息对应的查询信息的重要性越高，从而该分类标签信息对应的信息优先级越高。

获取预设的展示页面。

在本实施例中，上述展示页面为预先构建的用于向坐席进行信息推送的页面。

基于各所述目标查询信息的信息优先级，在所述展示页面中确定出各所述目标查询信息的展示位置。

在本实施例中，可根据实际的信息展示需求，预先在展示页面中设置有用于展示不同的信息优先级的查询信息。且信息优先级越高的查询信息，则该查询信息在展示页面中华的展示位置越靠前。

基于各所述目标查询信息的展示位置，将各所述目标查询信息对应填充至所述展示页面内，得到目标展示页面。

在本实施例中，可通过将各所述目标查询信息对应填充至所述展示页面内一一对应的展示位置内，以得到上述目标展示页面。

将所述目标展示页面推送至所述目标坐席的工作界面。

在本实施例中，可通过获取目标坐席的工作终端的通讯信息，进而通过该通讯信息，将目标展示页面推送至目标坐席的工作界面。

本申请通过获取与各所述目标分类标签信息分别对应的目标概率值；然后基于所述目标概率值生成各所述目标查询信息的信息优先级；之后获取预设的展示页面；后续基于各所述目标查询信息的信息优先级，在所述展示页面中确定出各所述目标查询信息的展示位置；进一步基于各所述目标查询信息的展示位置，将各所述目标查询信息对应填充至所述展示页面内，得到目标展示页面；最后将所述目标展示页面推送至所述目标坐席的工作界面。本申请通过根据与各所述目标分类标签信息分别对应的目标概率值，来生成各所述目标查询信息的信息优先级，并根据信息优先级在预设的展示页面中确定出各所述目标查询信息的展示位置，进而将各所述目标查询信息对应填充至所述展示页面内，并将得到的目标展示页面推送至所述目标坐席的工作界面，以完成对于目标坐席的目标查询信息的推送，实现了将获得的目标查询信息按照信息优先级，使用目标展示页面有序地在目标坐席的工作界面中进行展示，满足了目标坐席的信息查阅诉求，可以有效减少目标坐席翻找信息的所需的花费时间，提高目标坐席获取有效的客户信息的效率，有利于提高目标坐席的工作效率，以及提高目标坐席的使用体验。

在一些可选的实现方式中，在步骤S203之前，上述电子设备还可以执行以下步骤：

获取预先采集的历史作业特征信息。

在本实施例中，上述为预先采集的预设时间段内的坐席与客户在进行业务沟通中产生的或使用的历史作业特征信息。上述历史作业特征信息至少包括坐席的作业模式、坐席的操作信息、坐席的经验、作业流程步骤、坐席画像、客户画像、接触阶段信息、客户信息等。其中，对于上述预设时间段的取值不做具体限定，可根据实际的使用需求进行设置，例如可设为距离当前时间的前半年内。另外，上述历史作业特征信息中的坐席的作业模式、坐席的经验、接触阶段信息等坐席信息可以通过预先构建的埋点系统对坐席所有操作(例如坐席查看的功能、复制的数据)进行埋点并对收集到的埋点数据进行数据分析后生成的。

对所述历史作业特征信息进行预处理，得到对应的样本数据。

在本实施例中，上述对所述历史作业特征信息进行预处理，得到对应的样本数据的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

将所述样本数据划分为训练集与测试集。

在本实施例中，可按照预设的划分比例，将所述样本数据进行随机划分以得到对应的训练集与测试集。其中，对于划分比例的取值不做具体限定，可根据实际的使用需求进行设置，例如可设为7:3。

基于XGBoost算法构建对应的多个第一初始模型。

在本实施例中，上述第一初始模型是以XGBoost算法为基础构建得到的模型。XGBoost(Extreme Gradient Boosting),即一种高效的梯度提升决策树算法。他在原有的GBDT基础上进行了改进，使得模型效果得到大大提升。作为一种前向加法模型，他的核心是采用集成思想——Boosting思想，将多个弱学习器通过一定的方法整合为一个强学习器。即用多棵树共同决策，并且用每棵树的结果都是目标值与之前所有树的预测结果之差并将所有的结果累加即得到最终的结果，以此达到整个模型效果的提升。XGBoost是由多棵CART(Classification And Regression Tree)，即分类回归树组成，因此他可以处理分类回归等问题。其中，对于上述第一初始模型的数量不做具体限定，可根据实际的使用需求进行设置。

使用所述训练集分别对各所述第一初始模型进行训练处理，得到训练后的多个第二初始模型。

在本实施例中，通过使用训练集对第一初始模型进行训练处理，以使第一初始模型学习训练集中包含的特征信息与预设的分类标签信息之间的关联关系，进而训练出用于在坐席进行作业过程中预测坐席在当前的作业阶段所需要的各种客户信息的重要性的第二初始模型。其中，对于第一初始模型的具体训练过程，可参照现有的XGBoost的训练手段，在此不做过多阐述。

使用各所述第二初始模型分别对所述测试集进行预测处理，得到各所述第二初始模型输出的预测结果。

在本实施例中，可通过将所述测试集分别输入至各所述第二初始模型内，以得到各所述第二初始模型输出的预测结果。

基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型筛选，从所有所述第二初始模型中确定出所述信息预测模型。

在本实施例中，上述基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型筛选，从所有所述第二初始模型中确定出所述信息预测模型的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

本申请通过获取预先采集的历史作业特征信息；然后对所述历史作业特征信息进行预处理，得到对应的样本数据；并将所述样本数据划分为训练集与测试集；之后基于XGBoost算法构建对应的多个第一初始模型；后续使用所述训练集分别对各所述第一初始模型进行训练处理，得到训练后的多个第二初始模型；进一步使用各所述第二初始模型分别对所述测试集进行预测处理，得到各所述第二初始模型输出的预测结果；最后基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型筛选，从所有所述第二初始模型中确定出所述信息预测模型。本申请通过将预先采集的历史作业特征信息作为样本数据，进而使用样本数据中的训练集对基于XGBoost算法构建的第一初始模型进行训练得到第二初始模型，并使用样本数据中的测试集对第二初始模型进行筛选处理以确定出最终的信息预测模型，有效地保证了生成的信息预测模型的准确度，有利于后续使用该信息预测模型能够准确地对所述作业特征信息进行预测处理，以生成作业特征信息对应于各种分类标签信息的预测概率值，保证了生成的预测信息的准确度。

在一些可选的实现方式中，所述对所述历史作业特征信息进行预处理，得到对应的样本数据，包括以下步骤：

对所述历史作业特征信息进行数据清洗处理，得到对应的第一作业特征信息。

在本实施例中，上述数据清洗处理是指对历史作业特征信息中存在信息丢失的数据或者异常数据进行数据清洗，从而得到上述第一作业特征信息。

对所述第一作业特征信息进行格式转换处理，得到对应的第二作业特征信息。

在本实施例中，可通过使用数据转换工具对第一文本进行格式转换处理，以得到符合模型可处理的数据格式的数据，即上述二作业特征信息。

将所述第二作业特征信息作为所述样本数据。

本申请通过对所述历史作业特征信息进行数据清洗处理，得到对应的第一作业特征信息；然后对所述第一作业特征信息进行格式转换处理，得到对应的第二作业特征信息；后续将所述第二作业特征信息作为所述样本数据。本申请通过对获得的历史作业特征信息进行数据清洗处理与格式转换处理，从而可以快速得到具有符合模型可读入处理的数据格式的样本数据，有效保证了后续通过使用样本数据训练得到信息预测模型的模型训练过程的顺利进行。

在本实施例的一些可选的实现方式中，所述基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型筛选，从所有所述第二初始模型中确定出所述信息预测模型，包括以下步骤：

基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型评估，得到各所述第二初始模型的处理效果值。

在本实施例中，上述处理效果值可包括召回率、准确率、F1值中的任意一种评估值。

对所有所述处理效果值进行数值分析，从所有所述第二初始模型筛选出处理效果值最高的第三初始模型。

在本实施例中，处理效果值最高的第三初始模型，是指所有第二初始模型中具有最优的预测效果的模型。

将所述第三初始模型作为所述信息预测模型。

本申请通过基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型评估，得到各所述第二初始模型的处理效果值；然后对所有所述处理效果值进行数值分析，从所有所述第二初始模型筛选出处理效果值最高的第三初始模型；后续将所述第三初始模型作为所述信息预测模型。本申请通过基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型评估，得到各所述第二初始模型的处理效果值，进而将从所有所述第二初始模型中筛选出的处理效果值最高的第三初始模型作为最终的信息预测模型，由于该第三初始模型为所有第二初始模型中具有最优的预测效果的模型，有效地保证了生成的信息预测模型的准确度，有利于后续使用该信息预测模型能够准确地对所述作业特征信息进行预测处理，以生成作业特征信息对应于各种分类标签信息的预测概率值，保证了生成的预测信息的准确度。

在本实施例的一些可选的实现方式中，在所述基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型筛选，从所有所述第二初始模型中确定出所述信息预测模型的步骤之后，上述电子设备还可以执行以下步骤：

对所述信息预测模型进行发布处理。

在本实施例中，在从所有第二初始模型中确定出信息预测模型后，还会进一步地对该信息预测模型进行发布处理，并对外提供API接口，以便后续可以基于该API接口来进行对于API接口的调用。

在完成对于所述信息预测模型的发布处理后，对所述信息预测模型进行存储处理。

在本实施例中，对于信息预测模型的存储方式不做具体限定，可根据实际的使用需求进行设置，例如可采用区块链存储、数据库存储、云端存储等存储方式。

获取所有所述第二初始模型中除所述信息预测模型之外的第四初始模型。

在本实施例中，上述四初始模型是指所有所述第二初始模型中除所述信息预测模型之外的其他的所有模型。

对所述第四初始模型进行删除处理。

在本实施例中，通过对所述第四初始模型进行删除处理，可以有效降低电子设备的存储空间。

本申请通过对所述信息预测模型进行发布处理；在完成对于所述信息预测模型的发布处理后，对所述信息预测模型进行存储处理；之后获取所有所述第二初始模型中除所述信息预测模型之外的第四初始模型；后续对所述第四初始模型进行删除处理。本申请在从所有所述第二初始模型中确定出所述信息预测模型后，还会智能地对所述信息预测模型进行发布处理，以便后续可以顺利完成对于信息预测模型的调用。并会对该信息预测模型进行存储处理，以确保信息预测模型的安全性。另外，还会进一步对所有所述第二初始模型中除所述信息预测模型之外的第四初始模型进行删除处理，以将无效的模型进行剔除，有效地提高了模型存储的智能性，有利于降低电子设备的存储空间，避免对电子设备的正常运作造成影响。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

需要强调的是，为进一步保证上述目标查询信息的私密和安全性，上述目标查询信息还可以存储于一区块链的节点中。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)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、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的信息推送装置的一个实施例，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3所示，本实施例所述的基于人工智能的信息推送装置300包括：加载模块301、调用模块302、收集模块303、生成模块304以及处理模块305。其中：

判断模块301，用于判断是否接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求；

第一获取模块302，用于若是，基于预设的信息类型，获取与所述作业过程对应的作业特征信息；

预测模块303，用于将所述作业特征信息输入至预先训练好的信息预测模型内，通过所述信息预测模型对所述作业特征信息进行预测处理，生成所述作业特征信息对应于各种分类标签信息的预测概率值；

第一确定模块304，用于基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息；

第二获取模块305，用于获取与所述目标分类标签信息对应的所述目标客户的目标查询信息；

推送模块306，用于将所述目标查询信息推送至所述目标坐席的工作界面。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推送方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，第一确定模块304包括：

第一获取子模块，用于获取预设的概率阈值；

第一筛选子模块，用于将各所述预测概率值分别与所述概率阈值进行比较，从所有所述概率阈值中筛选出大于所述概率阈值的指定概率阈值；

第二筛选子模块，用于从所有所述分类标签信息中筛选出与所述指定概率阈值对应的指定分类标签信息；

确定子模块，用于将所述指定分类标签信息作为所述目标分类标签信息。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推送方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中,推送模块306包括：

第一获取子模块，用于获取与各所述目标分类标签信息分别对应的目标概率值；

基于所述目标概率值生成各所述目标查询信息的信息优先级；

获取预设的展示页面；

基于各所述目标查询信息的信息优先级，在所述展示页面中确定出各所述目标查询信息的展示位置；

基于各所述目标查询信息的展示位置，将各所述目标查询信息对应填充至所述展示页面内，得到目标展示页面；

将所述目标展示页面推送至所述目标坐席的工作界面。

本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推送方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，基于人工智能的信息推送装置还包括：

第三获取模块，用于获取预先采集的历史作业特征信息；

预处理模块，用于对所述历史作业特征信息进行预处理，得到对应的样本数据；

划分模块，用于将所述样本数据划分为训练集与测试集；

构建模块，用于基于XGBoost算法构建对应的多个第一初始模型；

训练模块，用于使用所述训练集分别对各所述第一初始模型进行训练处理，得到训练后的多个第二初始模型；

处理模块，用于使用各所述第二初始模型分别对所述测试集进行预测处理，得到各所述第二初始模型输出的预测结果；

第二确定模块，用于基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型筛选，从所有所述第二初始模型中确定出所述信息预测模型。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推送方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，预处理模块包括：

第一处理子模块，用于对所述历史作业特征信息进行数据清洗处理，得到对应的第一作业特征信息；

第二处理子模块，用于对所述第一作业特征信息进行格式转换处理，得到对应的第二作业特征信息；

第一确定子模块，用于将所述第二作业特征信息作为所述样本数据。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推送方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，第二确定模块包括：

评估子模块，用于基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型评估，得到各所述第二初始模型的处理效果值；

分析子模块，用于对所有所述处理效果值进行数值分析，从所有所述第二初始模型筛选出处理效果值最高的第三初始模型；

第二确定子模块，用于将所述第三初始模型作为所述信息预测模型。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推送方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，基于人工智能的信息推送装置还包括：

发布模块，用于对所述信息预测模型进行发布处理；

存储模块，用于在完成对于所述信息预测模型的发布处理后，对所述信息预测模型进行存储处理；

第四获取模块，用于获取所有所述第二初始模型中除所述信息预测模型之外的第四初始模型；

删除模块，用于对所述第四初始模型进行删除处理。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推送方法的步骤一一对应，在此不再赘述。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的信息推送方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的信息推送方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例中，当接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求，会自动获取与作业过程对应的作业特征信息，然后基于预先训练好的信息预测模型对作业特征信息进行预测处理，生成作业特征信息对应于各种分类标签信息的预测概率值，并基于得到的预测概率值确定出符合重要性条件的目标分类标签信息，进而获取与目标分类标签信息对应的目标客户的目标查询信息，最后将目标查询信息推送至目标坐席的工作界面以满足了目标坐席的信息查阅诉求。通过信息预测模型的使用可以准确地预测出与目标客户对应的目标查询信息，保证了生成的目标查询信息的准确度，并且可以有效减少目标坐席翻找查询信息所需的花费时间，提高目标坐席获取有效的客户信息的处理效率，有利于提高目标坐席的工作效率，以及提高目标坐席的使用体验。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的信息推送方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例中，当接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求，会自动获取与作业过程对应的作业特征信息，然后基于预先训练好的信息预测模型对作业特征信息进行预测处理，生成作业特征信息对应于各种分类标签信息的预测概率值，并基于得到的预测概率值确定出符合重要性条件的目标分类标签信息，进而获取与目标分类标签信息对应的目标客户的目标查询信息，最后将目标查询信息推送至目标坐席的工作界面以满足了目标坐席的信息查阅诉求。通过信息预测模型的使用可以准确地预测出与目标客户对应的目标查询信息，保证了生成的目标查询信息的准确度，并且可以有效减少目标坐席翻找查询信息所需的花费时间，提高目标坐席获取有效的客户信息的处理效率，有利于提高目标坐席的工作效率，以及提高目标坐席的使用体验。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于人工智能的信息推送方法，其特征在于，包括下述步骤：

判断是否接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求；

若是，基于预设的信息类型，获取与所述作业过程对应的作业特征信息；

将所述作业特征信息输入至预先训练好的信息预测模型内，通过所述信息预测模型对所述作业特征信息进行预测处理，生成所述作业特征信息对应于各种分类标签信息的预测概率值；

基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息；

获取与所述目标分类标签信息对应的所述目标客户的目标查询信息；

将所述目标查询信息推送至所述目标坐席的工作界面。

2.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，所述基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息的步骤，具体包括：

获取预设的概率阈值；

将各所述预测概率值分别与所述概率阈值进行比较，从所有所述概率阈值中筛选出大于所述概率阈值的指定概率阈值；

从所有所述分类标签信息中筛选出与所述指定概率阈值对应的指定分类标签信息；

将所述指定分类标签信息作为所述目标分类标签信息。

3.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，所述将所述目标查询信息推送至所述目标坐席的工作界面的步骤，具体包括：

获取与各所述目标分类标签信息分别对应的目标概率值；

基于所述目标概率值生成各所述目标查询信息的信息优先级；

获取预设的展示页面；

基于各所述目标查询信息的信息优先级，在所述展示页面中确定出各所述目标查询信息的展示位置；

基于各所述目标查询信息的展示位置，将各所述目标查询信息对应填充至所述展示页面内，得到目标展示页面；

将所述目标展示页面推送至所述目标坐席的工作界面。

4.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，在所述将所述作业特征信息输入至预先训练好的信息预测模型内，通过所述信息预测模型对所述作业特征信息进行预测处理，生成所述作业特征信息对应于各种分类标签信息的预测概率值的步骤之前，还包括：

获取预先采集的历史作业特征信息；

对所述历史作业特征信息进行预处理，得到对应的样本数据；

将所述样本数据划分为训练集与测试集；

基于XGBoost算法构建对应的多个第一初始模型；

使用所述训练集分别对各所述第一初始模型进行训练处理，得到训练后的多个第二初始模型；

使用各所述第二初始模型分别对所述测试集进行预测处理，得到各所述第二初始模型输出的预测结果；

基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型筛选，从所有所述第二初始模型中确定出所述信息预测模型。

5.根据权利要求4所述的基于人工智能的信息推送方法，其特征在于，所述对所述历史作业特征信息进行预处理，得到对应的样本数据的步骤，具体包括：

对所述历史作业特征信息进行数据清洗处理，得到对应的第一作业特征信息；

对所述第一作业特征信息进行格式转换处理，得到对应的第二作业特征信息；

将所述第二作业特征信息作为所述样本数据。

6.根据权利要求4所述的基于人工智能的信息推送方法，其特征在于，所述基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型筛选，从所有所述第二初始模型中确定出所述信息预测模型的步骤，具体包括：

基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型评估，得到各所述第二初始模型的处理效果值；

对所有所述处理效果值进行数值分析，从所有所述第二初始模型筛选出处理效果值最高的第三初始模型；

将所述第三初始模型作为所述信息预测模型。

7.根据权利要求4所述的基于人工智能的信息推送方法，其特征在于，在所述基于各所述第二初始模型输出的预测结果对各所述第二初始模型进行模型筛选，从所有所述第二初始模型中确定出所述信息预测模型的步骤之后，还包括：

对所述信息预测模型进行发布处理；

在完成对于所述信息预测模型的发布处理后，对所述信息预测模型进行存储处理；

获取所有所述第二初始模型中除所述信息预测模型之外的第四初始模型；

对所述第四初始模型进行删除处理。

8.一种基于人工智能的信息推送装置，其特征在于，包括：

判断模块，用于判断是否接收到目标坐席在作业过程中触发的与目标客户对应的信息查询请求；

第一获取模块，用于若是，基于预设的信息类型，获取与所述作业过程对应的作业特征信息；

预测模块，用于将所述作业特征信息输入至预先训练好的信息预测模型内，通过所述信息预测模型对所述作业特征信息进行预测处理，生成所述作业特征信息对应于各种分类标签信息的预测概率值；

第一确定模块，用于基于各所述预测概率值，从所有所述分类标签信息中确定出符合预设的重要性条件的目标分类标签信息；

第二获取模块，用于获取与所述目标分类标签信息对应的所述目标客户的目标查询信息；

推送模块，用于将所述目标查询信息推送至所述目标坐席的工作界面。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的信息推送方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的信息推送方法的步骤。