CN114513578A - 外呼方法、装置、计算机设备及存储介质 - Google Patents
外呼方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114513578A CN114513578A CN202210139066.3A CN202210139066A CN114513578A CN 114513578 A CN114513578 A CN 114513578A CN 202210139066 A CN202210139066 A CN 202210139066A CN 114513578 A CN114513578 A CN 114513578A
- Authority
- CN
- China
- Prior art keywords
- outbound
- preset
- attribute feature
- attribute
- target user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000035945 sensitivity Effects 0.000 claims abstract description 9
- 238000003066 decision tree Methods 0.000 claims description 96
- 230000006870 function Effects 0.000 claims description 34
- 238000002372 labelling Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/42136—Administration or customisation of services
- H04M3/42153—Administration or customisation of services by subscriber
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2291—User-Defined Types; Storage management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,公开了一种外呼方法、装置、计算机设备及存储介质,所述方法包括:获取目标用户在上一预设周期的属性特征集合,将属性特征集合输入预设的数据标注模型中进行标签标识,得到标识后的属性特征集合,作为预测数据,预设的数据标注模型为条件随机场模型,将预测数据输入到预训练的极端梯度提升模型进行分数预测,得到目标用户的好感度分值,根据好感度分值和预设的分值等级区间,确定目标用户的好感度层级,当在下一预设周期,对目标用户进行外呼时,根据好感度层级和预设的外呼策略数据库,确定目标外呼策略,并根据目标外呼策略对目标用户执行外呼,提高外呼智能性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种外呼方法、装置、计算机设备及存储介质。
背景技术
随着社会科学技术的发展,人工智能逐渐进入我们的生活,电销行业也与人工智能相结合实现自动语音外呼的功能,因其快捷、方便、高效的特征,且具有省时、省力、低成本等天然的优点,很多企业用户都建立起自己的智能语音外呼平台,用于扩大和维护客户。
现有的智能语音外呼平台通常采用统一的管控策略对客户进行外呼管控,如根据外呼频次进行管控,没有考虑客户群体的差异性,且在实际应用中,同一业务线存在不同的场景,如金融业务、保险业务等都包括电话营销、市场调查等场景,导致同一业务线在不同场景对同一客户进行多次外呼,智能性较低,不利于扩大和维护客户。
发明内容
本发明实施例提供一种外呼方法、装置、计算机设备和存储介质,以提高外呼智能性。
为了解决上述技术问题,本申请实施例提供一种外呼方法,包括:
获取目标用户在上一预设周期的属性特征集合;
将所述属性特征集合输入预设的数据标注模型中进行标签标识,得到标识后的属性特征集合,作为预测数据,所述预设的数据标注模型为条件随机场模型;
将所述预测数据输入到预训练的极端梯度提升模型进行分数预测,得到所述目标用户的好感度分值;
根据所述好感度分值和预设的分值等级区间,确定所述目标用户的好感度层级;
当在下一预设周期,对所述目标用户进行外呼时,根据所述好感度层级和预设的外呼策略数据库,确定目标外呼策略,并根据所述目标外呼策略对所述目标用户执行外呼。
为了解决上述技术问题,本申请实施例还提供一种外呼装置,包括:
属性特征获取模块,用于获取目标用户在上一预设周期的属性特征集合;
属性特征输入模块,用于将所述属性特征集合输入预设的数据标注模型中进行标签标识,得到标识后的属性特征集合,作为预测数据,所述预设的数据标注模型为条件随机场模型;
分数预测模块,用于将所述预测数据输入到预训练的极端梯度提升模型进行分数预测,得到所述目标用户的好感度分值;
好感度层级确定模块,用于根据所述好感度分值和预设的分值等级区间,确定所述目标用户的好感度层级;
外呼模块,用于当在下一预设周期,对所述目标用户进行外呼时,根据所述好感度层级和预设的外呼策略数据库,确定目标外呼策略,并根据所述目标外呼策略对所述目标用户执行外呼。
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,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述外呼方法的步骤。
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,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述外呼方法的步骤。
本发明实施例提供的外呼方法、装置、计算机设备及存储介质,通过获取目标用户在上一预设周期的属性特征集合,将属性特征集合输入预设的数据标注模型中进行标签标识,得到标识后的属性特征集合,作为预测数据,预设的数据标注模型为条件随机场模型,将预测数据输入到预训练的极端梯度提升模型进行分数预测,得到目标用户的好感度分值,根据好感度分值和预设的分值等级区间,确定目标用户的好感度层级,当在下一预设周期,对目标用户进行外呼时,根据好感度层级和预设的外呼策略数据库,确定目标外呼策略,并根据目标外呼策略对目标用户执行外呼,本发明通过获取目标用户的在上一预设周期的属性特征集合,并采用预设的数据标注模型对属性特征集合进行标签标识,得到预测数据,通过预测数据和预训练的极端梯度提升模型预测目标用户的好感度分值,提高对目标用户的好感度分值进行预测的准确度,由此,可根据目标用户的好感度分值准确的确定目标的好感度层级,从而根据好感度层级对目标用户执行对应的目标外呼策略,提高外呼智能性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,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***架构图;
图2是本申请的外呼方法的一个实施例的流程图;
图3是根据本申请的外呼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。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,如图1所示,***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 PictureExperts Group 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外呼方法由服务器执行,相应地,外呼装置设置于服务器中。
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,本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用***。
请参阅图2,图2示出本发明实施例提供的一种外呼方法,以该方法应用在图1中的服务端为例进行说明,详述如下:
S201:获取目标用户在上一预设周期的属性特征集合。
具体的,目标用户为外呼对象,上一预设周期为以年、月或天等为时间单位的时间周期,如30天的时间周期,属性特征集合包括但不限于外呼结果、外呼时间、外呼时长、用户基本属性、业务场景、消费平台、消费产品和外呼次数,其中,用户基本属性包括目标用户的性别、职业、年龄等。
S202:将属性特征集合输入预设的数据标注模型中进行标签标识,得到标识后的属性特征集合,作为预测数据,预设的数据标注模型为条件随机场模型。
具体的,标识后的属性特征集合为携带标签的属性特征构成的集合,预设的数据标注模型通过获取样本数据,将该样本数据按预设的规则(该预设规则可根据实际需要进行设定)划分为训练集和验证集,其中,验证集为进行人工标注的样本数据,将训练集和验证集输入到原始的条件随机场模型进行训练,直至原始的条件随机场模型收敛为止,得到数据标注模型。
S203:将预测数据输入到预训练的极端梯度提升模型进行分数预测,得到目标用户的好感度分值。
具体的,极端梯度提升模型是一种树模型,可以执行多分类任务,其主要通过采用树进行迭代,得到k棵决策树,其中,每次迭代就会添加一棵新的树,即对上一次预测的残差进行拟合,将属性特征集合中的每个属性特征表征到每棵树对应的叶子节点,将叶子节点对应的分数相加,得到目标用户的好感度分值。
S204:根据好感度分值和预设的分值等级区间,确定目标用户的好感度层级。
具体的,预设的分值等级区间可以包括若干个等级区间,其中,每个等级区间对应一个分值范围,根据好感度分值对应的分值范围,确定目标用户的好感度层级,例如,预设的等级区间包括A级、B级、C级和D级,其中,A级对应的分值范围是大于等于90,B级对应的分值范围是大于75且小于90,C级对应的分值范围是小于等于75且大于等于60,D级对应的分值范围是小于60,若好感度分值为96,则该目标用户对应的好感度层级为A级。
S205:当在下一预设周期,对目标用户进行外呼时,根据好感度层级和预设的外呼策略数据库,确定目标外呼策略,并根据目标外呼策略对目标用户执行外呼。
具体的,预设的外呼策略数据库包括好感度层级、预设的外呼策略以及好感度层级和预设的外呼策略之间的关联映射关系,其中,预设的外呼策略可以包括但不限于外呼时间信息(即向目标用户进行外呼的时间)、外呼间隔时间、外呼次数、产品推荐信息、业务场景等等,其通过对历史数据进行分析得到,此处不做具体限定,通过获取预设的的外呼策略数据库中的关联映射关系,根据好感度层级和关联映射关系,确定目标外呼策略,根据目标外呼策略对目标用户执行外呼。
在本实施例中,获取目标用户在上一预设周期的属性特征集合,将属性特征集合输入预设的数据标注模型中进行标签标识,得到标识后的属性特征集合,作为预测数据,预设的数据标注模型为条件随机场模型,将预测数据输入到预训练的极端梯度提升模型进行分数预测,得到目标用户的好感度分值,根据好感度分值和预设的分值等级区间,确定目标用户的好感度层级,当在下一预设周期,对目标用户进行外呼时,根据好感度层级和预设的外呼策略数据库,确定目标外呼策略,并根据目标外呼策略对目标用户执行外呼,本发明通过目标用户的好感度分值确定目标的好感度层级,并根据好感度层级对目标用户执行对应的目标外呼策略,提高外呼智能性。
在本实施例的一些可选的实现方式中,步骤S202中,预设的数据标注模型包括多个分类器和预设的标签集合,将属性特征集合输入预设的数据标注模型中进行标签标识,得到标识后的属性特征集合,作为预测数据包括如下步骤S2020至步骤S2022:
步骤S2020:基于分类器,对属性特征集合中的属性特征进行分类,确定每个属性特征的类别。
具体的,分类器为支持向量机,支持向量机是一类按监督学***面,在本实施例中,通过多个支持向量机,实现对属性特征集合中的属性特征进行分类,得到每个属性特征的类别。
步骤S2021:根据类别,确定属性特征的标签。
具体的,将类别作为属性特征的标签,示例性的,假设,属性特征为外呼结果,则其类别为外呼成功,则将外呼成功作为该外呼结果的标签,属性特征为外呼次数,其类别为10次以下,则将10次以下作为该外呼次数的标签。
步骤S2022:采用标签对属性特征进行标识,得到标识后的属性特征集合,作为预测数据。
在本实施例中,通过对属性特征进行标签标识,提高对属性特征的精确度,有利于更精确的确定目标用户的好感度层级。
在本实施例的一些可选的实现方式中,在步骤S203中,将预测数据输入到预训练的极端梯度提升模型进行分数预测,得到目标用户的好感度分值包括如下步骤S2030至S2032:
步骤S2030:将预测数据输入到预训练的极端梯度提升模型,对预测数据进行训练,得到n棵决策树。
具体的,极端梯度提升模型是一种树模型,可以执行多分类任务,其主要通过采用树进行n次迭代,得到n棵决策树,其中,每次迭代就会添加一棵新的树。
步骤S2031:基于预设的抽取规则对n棵决策树进行抽取,得到每棵决策树的叶子节点对应的决策属性特征信息,其中,决策属性特征信息包括决策属性特征的类别概率和决策属性特征的权重。
具体的,预设的抽取规则为将决策树中根节点到每个叶子节点对应的路径特征划分方式为规则进行决策属性特征信息的抽取,其中决策属性特征为决策树中的每个***属性节点,将每个***属性节点***时的改进性能度量的量作为权重,越靠近根节点的***属性节点的权重越大,类别概率为每次属性节点***后得到的下一节点的***属性节点的概率。
步骤S2032:对权重和类别概率进行加权求和,得到目标用户的好感度分值。
具体的,根据公式(1)计算得到目标用户的好感度分值L:
式中,L为好感度分值,k为第k个决策属性特征,ωi为第i个决策属性特征的权重,pi为第i个决策属性特征的类别概率。
在本实施例中,通过预训练的极端梯度提升模型对预测数据进行训练,得到决策树,从决策树中进行决策属性特征的类别概率和决策属性特征的权重抽取并进行加权求和,通过组合特征确定目标用户的好感度分值,提高对目标用户进行好感度层级预测的准确度,进而提高外呼智能性。
在本实施例的一些可选的实现方式中,在步骤S2030中,将预测数据输入到预训练的极端梯度提升模型,对预测数据进行训练,得到n棵决策树包括如下步骤S20301至步骤S20304:
步骤S20301:基于分类回归树算法和预测数据,生成初始决策树,并将初始决策树作为当前决策树。
具体的,分类回归树(Classification And Regression Tree,CART)算法又称为最小二乘回归树,CART算法考虑到每个节点都有成为叶子节点的可能,对每个节点都分配类别。分配类别的方法可以用当前节点中出现最多的类别,也可以参考当前节点的分类错误或者其他更复杂的方法,是采用一种基于二分递归分割的方式,该算法总是将当前样本集分割为两个子样本集,使得生成的决策树的每个叶子结点都只有两个分枝。因此CART算法生成的决策树是结构简洁的二叉树,CART算法适用于样本特征的取值为是或非的场景。
其中,分类回归树的每一个节点都会得一个类别概率,以基本属性特征中的年龄为例,该类别概率等于属于这个节点的所有人年龄的平均值。在分枝时穷举每一个特征对应的数字化变量值找最好的分割点,但衡量最好的标准不再是最大熵,而是最小化平方误差作为切分误差,也就是被预测出错的人数越多,错的越离谱,切分误差就越大,通过最小化平方误差作为切分误差能够找到最可靠的分枝依据。若最终叶子节点上人的年龄不唯一,则以该节点上所有人的平均年龄做为该叶子节点的类别概率。
步骤S20302:基于预测数据,计算当前决策树的残差向量,并根据残差向量拟合新的决策树。
具体的,在梯度提升决策树算法中,采用梯度提升的作法来构造弱分类器,在每次迭代的时候,通过使用损失函数来计算当前决策树中属性特征在每个分类特征上的损失值,进而将该损失值作为下一棵树的类别概率来拟合生成新的决策树,该损失值即为残差向量的绝对值。
其中,损失函数包括但不限于:01损失函数(01Loss Function)、平方损失函数(Quadratic Loss Function)、绝对值损失函数(Absolute Loss Function)和对数损失函数(Logarithmic Loss Function)等。
优选的,本发明采用的损失函数为对数损失函数,该损失函数采用了极大似然估计的方法。
步骤S20303:计算新的决策树和初始决策树的总数量,得到决策树的总数量。
步骤S20304:若决策树的总数量低于预设阈值n,则将新的决策树作为当前决策树,返回“基于预测数据,计算当前决策树的残差向量,并根据残差向量拟合新的决策树”的步骤继续执行,直至决策树的总数量达到预设阈值n,停止拟合新的决策树,得到n棵决策树。
本实施例中,通过CART算法生成原始决策树,将原始决策树放入决策树模型中,并将该原始决策树作为当前决策树,进而计算当前决策树的残差向量,根据当前决策树的残差向量拟合新的决策树,并将该新的决策树放入决策树模型中,如此循环拟合新的决策树,直到决策树模型中决策树的总数达到预设阈值,则停止拟合新的决策树,整个过程采用梯度提升决策树算法,使得每一棵新的决策树都是对当前决策树的拟合,逐步减少了决策树模型的误差,有利于提升了类别概率的准确度,进而有利于准确判断目标用户的好感度层级,提高外呼智能性。
在本实施例的一些可选的实现方式中,在步骤S20302中,预测数据为标识后的属性特征结合,标识后的属性特征集合包括至少一个携带标签的属性特征;基于预测数据,计算当前决策树的残差向量包括:
计算携带标签的属性特征的对数损失函数。
具体的,按照公式(2)计算对数损失函数:
式中,为预测数据中的属性特征x在第v个叶子节点上的对数损失函数,pv(x)为预设数据中的属性特征x在第v个叶子节点上的类别概率,Fv(x)为预测数据中的属性特征x在第v个叶子节点上的估计值,Fl(x)预测数据中的属性特征x在第l个叶子节点上的估计值,l,v∈[1,H],H为预测数据中属性特征的个数,yv为预测数据在第v个节点上属性特征的标签,当属性特征x的标签属于第v个叶子节点的类别时,yv=1,否则yv=0。
预测数据中的属性特征x在在任一叶子节点上的估计值为对该属性特征x进行分类后的叶子节点的平均值,每个分类特征均被分成两类,若属性特征x没有被分在该类别上,则该类别的分类标识记为0,针对预测数据中的每一个属性特征,通过使用对数损失函数计算该数字化样本在每个叶子节点上的损失情况,预设数据中的属性特征x在第v个叶子节点上预测正确的类别概率,这个概率越大,样本和目标值越接近,损失越小。
对对数损失函数进行一阶求导,得到对数损失函数的负梯度,将负梯度作为当前决策树的残差向量。
具体的,对对数损失函数进行一阶求导得到该对数损失函数的负梯度,即通过找出使得对数损失函数最小的值,使得对数损失函数最小,即尽可以的减少损失,使得预测数据中的属性特征x类别描述正确的概率最大,将此时求导得到的对数损失函数的负梯度作为当前决策树的残差向量,来对新的决策树进行拟合。
在本实施例中,通过计算预设数据中的属性特征在叶子节点的类别概率,并获取该类别概率的对数损失函数的极值来使得该类别概率最大,将该极值作为残差向量来拟合新的决策树,使得每次进行新的决策树拟合,都对当前决策树进行补充和完善,提升了预测数据中属性特征的分类特征预测的准确率,有利于提高对目标用户的好感度层级进行预测的准确度,进而提高外呼智能性。
在本实施例的一些可选的实现方式中,步骤S205中,预设的外呼策略数据库包括预设的外呼策略集合、预设的外呼策略集合中预设的外呼策略与好感度层级的关联映射关系,根据好感度层级和预设的外呼策略数据库,确定目标外呼策略包括:
根据好感度层级,从预设的外呼策略数据库中获取与好感度层级关联的目标关联映射关系。
具体的,针对预设的外呼策略数据库,提供一系列查询的关键词,该关键词即为目标用户的好感度层级,根据好感度层级到数据库查询语言SQL的关联映射,得到目标关联映射关系。
根据目标关联映射关系,确定预设的外呼策略集合中的目标外呼策略。
具体的,根据目标关联映射关系,链接到预设的外呼策略集合中的目标外呼策略。
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。
图3示出与上述实施例外呼方法一一对应的外呼装置的原理框图。如图3所示,该外呼装置包括属性特征获取模块30、属性特征输入模块31、分数预测模块32、好感度层级确定模块33和外呼模块34。各功能模块详细说明如下:
属性特征获取模块30,用于获取目标用户在上一预设周期的属性特征集合;
属性特征输入模块31,用于将属性特征集合输入预设的数据标注模型中进行标签标识,得到标识后的属性特征集合,作为预测数据,预设的数据标注模型为条件随机场模型。
分数预测模块32,用于将预测数据输入到预训练的极端梯度提升模型进行分数预测,得到目标用户的好感度分值。
好感度层级确定模块33,用于根据好感度分值和预设的分值等级区间,确定目标用户的好感度层级。
外呼模块34,用于当在下一预设周期,对目标用户进行外呼时,根据好感度层级和预设的外呼策略数据库,确定目标外呼策略,并根据目标外呼策略对目标用户执行外呼。
进一步的,预设的数据标注模型包括多个分类器和预设的标签集合,属性特征输入模块31包括:
属性特征分类模块,基于分类器,对属性特征集合中的属性特征进行分类,确定每个属性特征的类别;
标签确定模块,用于根据类别,确定属性特征的标签;
标识模块,用于采用标签对属性特征进行标识,得到标识后的属性特征集合,作为预测数据。
进一步的,分数预测模块32包括:
预测数据输入模块,用于将预测数据输入到预训练的极端梯度提升模型,对预测数据进行训练,得到n棵决策树。
特征信息抽取模块,用于基于预设的抽取规则对n棵决策树进行抽取,得到每棵决策树的叶子节点对应的决策属性特征信息,其中,决策属性特征信息包括决策属性特征的类别概率和决策属性特征的权重。
加权求和模块,用于对权重和类别概率进行加权求和,得到目标用户的好感度分值。
进一步的,预测数据输入模块包括:
初始决策树生成模块,用于基于分类回归树算法和预测数据,生成初始决策树,并将初始决策树作为当前决策树。
残差向量计算模块,用于基于预测数据,计算当前决策树的残差向量,并根据残差向量拟合新的决策树。
数量计算模块,用于计算新的决策树和初始决策树的总数量,得到决策树的总数量。
判断模块,用于若决策树的总数量低于预设阈值n,则将新的决策树作为当前决策树,返回“基于预测数据,计算当前决策树的残差向量,并根据残差向量拟合新的决策树”的步骤继续执行,直至决策树的总数量达到预设阈值n,停止拟合新的决策树,得到n棵决策树。
进一步的,预测数据为标识后的属性特征结合,标识后的属性特征集合包括至少一个携带标签的属性特征;残差向量计算模块包括:
损失函数计算模块,用于计算携带标签的属性特征的对数损失函数。
求导模块,用于对对数损失函数进行一阶求导,得到对数损失函数的负梯度,将负梯度作为当前决策树的残差向量。
进一步的,预设的外呼策略数据库包括预设的外呼策略集合、预设的外呼策略集合中预设的外呼策略与好感度层级的关联映射关系,外呼模块34包括:
映射关系获取模块,用于根据好感度层级,从预设的外呼策略数据库中获取与好感度层级关联的目标关联映射关系。
目标外呼策略确定模块,用于根据目标关联映射关系,确定预设的外呼策略集合中的目标外呼策略。
关于外呼装置的具体限定可以参见上文中对于外呼方法的限定,在此不再赘述。上述外呼装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
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***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连接存储器41、处理器42、网络接口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(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,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D界面显示存储器等)、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(Flash Card)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***和各类应用软件,例如电子文件的控制的程序代码等。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中存储的程序代码或者处理数据,例如运行电子文件的控制的程序代码。
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。
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界面显示程序,所述界面显示程序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外呼方法的步骤。
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)
1.一种外呼方法,其特征在于,所述外呼方法包括:
获取目标用户在上一预设周期的属性特征集合;
将所述属性特征集合输入预设的数据标注模型中进行标签标识,得到标识后的属性特征集合,作为预测数据,所述预设的数据标注模型为条件随机场模型;
将所述预测数据输入到预训练的极端梯度提升模型进行分数预测,得到所述目标用户的好感度分值;
根据所述好感度分值和预设的分值等级区间,确定所述目标用户的好感度层级;
当在下一预设周期,对所述目标用户进行外呼时,根据所述好感度层级和预设的外呼策略数据库,确定目标外呼策略,并根据所述目标外呼策略对所述目标用户执行外呼。
2.如权利要求1所述的外呼方法,其特征在于,所述预设的数据标注模型包括多个分类器和预设的标签集合,所述将所述属性特征集合输入预设的数据标注模型中进行标签标识,得到标识后的属性特征集合,作为预测数据包括:
基于所述分类器,对所述属性特征集合中的属性特征进行分类,确定每个所述属性特征的类别;
根据所述类别,确定所述属性特征的标签;
采用所述标签对所述属性特征进行标识,得到标识后的属性特征集合,作为预测数据。
3.如权利要求1所述的外呼方法,其特征在于,所述将所述预测数据输入到预训练的极端梯度提升模型进行分数预测,得到所述目标用户的好感度分值包括:
将所述预测数据输入到预训练的极端梯度提升模型,对所述预测数据进行训练,得到n棵决策树;
基于预设的抽取规则对n棵所述决策树进行抽取,得到每棵所述决策树的叶子节点对应的决策属性特征信息,其中,所述决策属性特征信息包括决策属性特征的类别概率和决策属性特征的权重;
对所述权重和所述类别概率进行加权求和,得到所述目标用户的好感度分值。
4.如权利要求3所述的外呼方法,其特征在于,所述将所述预测数据输入到预训练的极端梯度提升模型,对所述属性特征集合进行训练,得到n棵决策树包括:
基于分类回归树算法和所述预测数据,生成初始决策树,并将所述初始决策树作为当前决策树;
基于所述预测数据,计算所述当前决策树的残差向量,并根据所述残差向量拟合新的决策树;
计算所述新的决策树和所述初始决策树的总数量,得到决策树的总数量;
若所述决策树的总数量低于预设阈值n,则将所述新的决策树作为所述当前决策树,返回所述基于所述预测数据,计算所述当前决策树的残差向量,并根据所述残差向量拟合新的决策树的步骤继续执行,直至所述决策树的总数量达到预设阈值n,停止拟合所述新的决策树,得到n棵决策树。
5.如权利要求4所述的外呼方法,其特征在于,所述预测数据为标识后的属性特征结合,所述标识后的属性特征集合包括至少一个携带标签的属性特征;所述基于所述预测数据,计算所述当前决策树的残差向量包括:
计算所述携带标签的属性特征在第k个分类特征上的概率的对数损失函数;
对所述对数损失函数进行一阶求导,得到所述对数损失函数的负梯度,将所述负梯度作为所述当前决策树的残差向量。
6.如权利要求1所述的外呼方法,其特征在于,所述预设的外呼策略数据库包括预设的外呼策略集合、预设的外呼策略集合中预设的外呼策略与好感度层级的关联映射关系,所述根据所述好感度层级和预设的外呼策略数据库,确定目标外呼策略包括:
根据所述好感度层级,从所述预设的外呼策略数据库中获取与所述好感度层级关联的目标关联映射关系;
根据所述目标关联映射关系,确定所述预设的外呼策略集合中的目标外呼策略。
7.一种外呼装置,其特征在于,所述外呼装置包括:
属性特征获取模块,用于获取目标用户在上一预设周期的属性特征集合;
属性特征输入模块,用于将所述属性特征集合输入预设的数据标注模型中进行标签标识,得到标识后的属性特征集合,作为预测数据,所述预设的数据标注模型为条件随机场模型;
分数预测模块,用于将所述预测数据输入到预训练的极端梯度提升模型进行分数预测,得到所述目标用户的好感度分值;
好感度层级确定模块,用于根据所述好感度分值和预设的分值等级区间,确定所述目标用户的好感度层级;
外呼模块,用于当在下一预设周期,对所述目标用户进行外呼时,根据所述好感度层级和预设的外呼策略数据库,确定目标外呼策略,并根据所述目标外呼策略对所述目标用户执行外呼。
8.如权利要求7所述的外呼装置,其特征在于,所述属性特征输入模块包括:
属性特征分类模块,基于所述分类器,对所述属性特征集合中的属性特征进行分类,确定每个所述属性特征的类别;
标签确定模块,用于根据所述类别,确定所述属性特征的标签;
标识模块,用于采用所述标签对所述属性特征进行标识,得到标识后的属性特征集合,作为预测数据。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的外呼方法。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的外呼方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210139066.3A CN114513578A (zh) | 2022-02-15 | 2022-02-15 | 外呼方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210139066.3A CN114513578A (zh) | 2022-02-15 | 2022-02-15 | 外呼方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114513578A true CN114513578A (zh) | 2022-05-17 |
Family
ID=81552374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210139066.3A Pending CN114513578A (zh) | 2022-02-15 | 2022-02-15 | 外呼方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114513578A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559221A (zh) * | 2018-11-20 | 2019-04-02 | 中国银行股份有限公司 | 基于用户数据的催收方法、装置和存储介质 |
WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN110782318A (zh) * | 2019-10-21 | 2020-02-11 | 五竹科技(天津)有限公司 | 基于音频交互的营销方法、装置以及存储介质 |
CN111353765A (zh) * | 2020-03-31 | 2020-06-30 | 中国工商银行股份有限公司 | 基于数据挖掘的外呼方法及装置 |
CN111444944A (zh) * | 2020-03-16 | 2020-07-24 | 中国平安人寿保险股份有限公司 | 基于决策树的信息筛选方法、装置、设备和存储介质 |
CN112328909A (zh) * | 2020-11-17 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 信息推荐方法、装置、计算机设备及介质 |
CN113438374A (zh) * | 2021-07-27 | 2021-09-24 | 中国平安人寿保险股份有限公司 | 智能外呼处理方法、装置、设备及存储介质 |
CN113850669A (zh) * | 2021-09-29 | 2021-12-28 | 平安科技(深圳)有限公司 | 用户分群方法、装置、计算机设备及计算机可读存储介质 |
-
2022
- 2022-02-15 CN CN202210139066.3A patent/CN114513578A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN109559221A (zh) * | 2018-11-20 | 2019-04-02 | 中国银行股份有限公司 | 基于用户数据的催收方法、装置和存储介质 |
CN110782318A (zh) * | 2019-10-21 | 2020-02-11 | 五竹科技(天津)有限公司 | 基于音频交互的营销方法、装置以及存储介质 |
CN111444944A (zh) * | 2020-03-16 | 2020-07-24 | 中国平安人寿保险股份有限公司 | 基于决策树的信息筛选方法、装置、设备和存储介质 |
CN111353765A (zh) * | 2020-03-31 | 2020-06-30 | 中国工商银行股份有限公司 | 基于数据挖掘的外呼方法及装置 |
CN112328909A (zh) * | 2020-11-17 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 信息推荐方法、装置、计算机设备及介质 |
CN113438374A (zh) * | 2021-07-27 | 2021-09-24 | 中国平安人寿保险股份有限公司 | 智能外呼处理方法、装置、设备及存储介质 |
CN113850669A (zh) * | 2021-09-29 | 2021-12-28 | 平安科技(深圳)有限公司 | 用户分群方法、装置、计算机设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347835B (zh) | 文本聚类方法、电子装置及存储介质 | |
CN107844634A (zh) | 多元通用模型平台建模方法、电子设备及计算机可读存储介质 | |
CN114780727A (zh) | 基于强化学习的文本分类方法、装置、计算机设备及介质 | |
CN112328909B (zh) | 信息推荐方法、装置、计算机设备及介质 | |
CN112632278A (zh) | 一种基于多标签分类的标注方法、装置、设备及存储介质 | |
CN112528029A (zh) | 文本分类模型处理方法、装置、计算机设备及存储介质 | |
CN114780746A (zh) | 基于知识图谱的文档检索方法及其相关设备 | |
CN115730597A (zh) | 多级语义意图识别方法及其相关设备 | |
CN114817478A (zh) | 基于文本的问答方法、装置、计算机设备及存储介质 | |
CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN113051911B (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
CN115146653B (zh) | 对话剧本构建方法、装置、设备及存储介质 | |
CN114548114B (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN112364649B (zh) | 命名实体的识别方法、装置、计算机设备及存储介质 | |
CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN114912958A (zh) | 坐席外呼方法、装置、计算机设备及存储介质 | |
CN113469237A (zh) | 用户意图识别方法、装置、电子设备及存储介质 | |
CN114528378A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN114513578A (zh) | 外呼方法、装置、计算机设备及存储介质 | |
CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 | |
CN113743721A (zh) | 营销策略生成方法、装置、计算机设备及存储介质 | |
CN112149389A (zh) | 简历信息结构化处理方法、装置、计算机设备和存储介质 | |
CN112084408A (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN113792342B (zh) | 一种脱敏数据还原的方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |