CN117834780B - 一种智能外呼客户意图预测分析*** - Google Patents
一种智能外呼客户意图预测分析*** Download PDFInfo
- Publication number
- CN117834780B CN117834780B CN202410248851.1A CN202410248851A CN117834780B CN 117834780 B CN117834780 B CN 117834780B CN 202410248851 A CN202410248851 A CN 202410248851A CN 117834780 B CN117834780 B CN 117834780B
- Authority
- CN
- China
- Prior art keywords
- outbound
- module
- customer
- client
- analysis
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 88
- 230000008451 emotion Effects 0.000 claims abstract description 72
- 230000006399 behavior Effects 0.000 claims abstract description 57
- 230000001149 cognitive effect Effects 0.000 claims abstract description 37
- 230000006978 adaptation Effects 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 31
- 230000003993 interaction Effects 0.000 claims description 30
- 230000007704 transition Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 26
- 238000003066 decision tree Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 12
- 230000003542 behavioural effect Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 7
- 238000013515 script Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000035484 reaction time Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- IZMVGEWQSBMVIU-UHFFFAOYSA-N 2-(2-azaniumyl-1-hydroxycyclobutyl)acetate Chemical compound NC1CCC1(O)CC(O)=O IZMVGEWQSBMVIU-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- H04M3/487—Arrangements for providing information services, e.g. recorded voice services or time announcements
- H04M3/493—Interactive information services, e.g. directory enquiries ; Arrangements therefor, e.g. interactive voice response [IVR] systems or voice portals
- H04M3/4936—Speech interaction details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1822—Parsing for meaning understanding
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及智能外呼技术领域,具体涉及一种智能外呼客户意图预测分析***,包括客户语音输入模块用于接收客户的语音信号;语音转文本模块将接收到的语音信号转换为文本信息;文本情感分析模块对转换得到的文本进行情感倾向分析;意图识别模块根据文本信息和情感分析结果,结合预设的意图识别模型,预测客户的意图;数据库模块存储历史外呼数据、客户反馈信息及意图识别模型;外呼策略生成模块生成针对性的外呼策略;外呼执行模块自动执行外呼任务;认知行为分析与适应模块使用认知建模技术识别客户行为模式,预测未来行为和反应,本发明,显著提升了对客户意图的预测准确性,***能够深入理解客户的需求和情绪状态,使外呼任务更加精准和有效。
Description
技术领域
本发明涉及智能外呼技术领域,尤其涉及一种智能外呼客户意图预测分析***。
背景技术
随着信息技术的迅猛发展,智能外呼***已成为客户关系管理领域的关键工具之一,尤其在客户服务、市场调研和产品推广等领域发挥着日益重要的作用。传统的外呼***主要依赖预设的脚本和操作员的主观经验进行客户沟通,这种方式在处理复杂的客户需求和意图时显得力不从心,往往无法准确理解客户的真实意图,导致外呼效率低下和客户满意度不高。
此外,随着市场竞争的加剧和客户需求的多样化,单一的沟通策略已经难以满足个性化服务的需求。客户交互数据中蕴含着丰富的情绪和行为信息,如何从这些信息中准确抽取客户的意图并制定相应的外呼策略,成为提高外呼成功率和客户满意度的关键。
此时,急需一种能够自动化、智能化地处理客户数据,准确预测客户意图,并据此生成个性化外呼策略的***。这种***应能够整合语音识别、自然语言处理、情感分析等多种先进技术,以实现对客户意图的深入理解和精准预测,从而显著提高外呼任务的执行效率和成功率,满足现代客户服务领域对智能化、个性化服务的迫切需求。
发明内容
基于上述目的,本发明提供了一种智能外呼客户意图预测分析***。
一种智能外呼客户意图预测分析***,包括客户语音输入模块、语音转文本模块、文本情感分析模块、意图识别模块、数据库模块、外呼策略生成模块、外呼执行模块以及认知行为分析与适应模块,其中;
客户语音输入模块用于接收客户的语音信号;
语音转文本模块将接收到的语音信号转换为文本信息;
文本情感分析模块对转换得到的文本进行情感倾向分析,判断客户的情绪状态;
意图识别模块根据文本信息和情感分析结果,结合预设的意图识别模型,预测客户的意图;
数据库模块存储历史外呼数据、客户反馈信息及意图识别模型;
外呼策略生成模块根据意图识别结果和数据库中的历史数据,生成针对性的外呼策略;
外呼执行模块根据生成的外呼策略,自动执行外呼任务,与客户进行交互;
认知行为分析与适应模块负责收集和分析客户在过去和当前交互中的行为数据,使用认知建模技术识别客户行为模式,预测未来行为和反应。
进一步的,所述文本情感分析模块具体包括:
通过预处理步骤清洗和标准化文本数据,包括去除停用词、纠正拼写、词性标注和词干提取,随后利用嵌入技术将文本转换为向量形式,以便机器学习模型处理;
采用Transformer模型,对文本数据中的情感倾向进行建模和分析。
进一步的,所述Transformer模型具体包括:
自注意力机制:目的是对输入序列中的每个词元计算其对序列中所有词元的注意力权重,给定一个序列的表示X1,X2,...,Xn,对于序列中的每个词元Xi,自注意力机制将其映射到查询向量Q、键向量K和值向量V,通过线性变换得到:
Q=XWQ,K=XWK,V=XWV,其中,WQ、WK、WV是可学习的参数矩阵;
计算注意力权重并应用到值向量上,计算方法如下:
其中,dk是键向量的维度,除法操作用于缩放点积的大小,防止梯度消失或***;
多头注意力:Transformer通过多头注意力机制提升模型性能,将自注意力过程并行地进行多次,每次使用不同的参数矩阵WQ、WK、WV:
MultiHead(Q,K,V)=Concat(head1,...,headh)WO,其中,每个头headi是一个自注意力层,WO是另一个可学习的参数矩阵,用于合并不同头的输出;
位置前馈网络:Transformer模型中的每个编码器和解码器层还包含一个位置前馈网络,对每个位置的词元独立应用相同的全连接层:
FFN(x)=max(0,xW1+b1)W2+b2,其中,W1、W2、b1和b2是可学习的参数,max(0,x)是ReLU激活函数。
进一步的,所述意图识别模块采用多项式朴素贝叶斯模型,具体包括:
接收来自文本情感分析模块的情感分析结果,包括情感倾向(如正面、负面)、情感强度和情感表达以及直接从客户语音输入模块转换得到的文本信息;
在训练多项式朴素贝叶斯模型时,确保模型能够处理扩展后的多维特征向量,使用包含文本信息和情感分析结果的扩展特征向量以及对应的意图标签来训练多项式朴素贝叶斯模型;
进行意图识别与分类,综合考虑文本的词频信息和情感特征,计算给定扩展特征向量下每个意图类别的后验概率,选择具有最高后验概率的类别作为预测意图。
进一步的,所述多项式朴素贝叶斯模型具体如下:
基于贝叶斯定理,设每个特征之间相互独立,给定一个特征向量X=(x1,x2,...,xn)和一个目标类别Ck,贝叶斯定理表示为:
其中,P(Ck|X)是给定特征向量X下类别Ck的后验概率,P(X|Ck)是类别Ck下特征向量X出现的概率,根据朴素贝叶斯假设,分解为各特征在该类别下的条件概率的乘积:
P(x1|Ck)×P(x2|Ck)×...×P(xn|Ck),P(Ck)是类别Ck的先验概率,即在所有数据中,类别Ck出现的概率,P(X)是特征向量X出现的概率,作为归一化因子,确保后验概率的总和为1。
进一步的,所述后验概率计算为:在意图识别中,计算给定特征向量(即文本特征和情感分析结果)下每个意图的后验概率,由于P(X)对于所有的意图类别是常数,简化后验概率的计算为:
P(Ck|X)∝P(X|Ck)·P(Ck);
进一步简化为:P(Ck|X)∝P(x1|Ck)×P(x2|Ck)×...×P(xn|Ck)×P(Ck)。
进一步的,所述数据库模块具体包括:
历史外呼数据存储:包括客户的联系信息、外呼时间、外呼时长、外呼脚本内容以及客户的响应,通过一个结构化的格式存储,每一次外呼尝试都被记录为表中的一行,包含所有相关的细节字段;
客户反馈信息存储:除了基本的外呼数据,数据库模块还收集和存储客户的直接反馈信息,包括客户在外呼结束后通过不同渠道提供的评价、建议和投诉,客户反馈信息以文本形式存储,并与相应的外呼记录相关联,以便进行后续的分析和意图识别模型的训练;
意图识别模型数据存储:数据库模块还包括存储意图识别模型的结构和参数,结构和参数包括模型训练所使用的特征数据、模型参数和模型性能指标。
进一步的,所述外呼策略生成模版具体包括:
意图识别结果应用:接收意图识别模块提供的客户意图分析结果,包括意图类别(请求帮助、投诉、感兴趣的产品/服务等)和意图强度,作为确定外呼策略的输入;
历史数据分析:外呼策略生成模块通过查询数据库模块中存储的历史外呼数据和客户反馈信息,分析客户或客户群体的历史交互模式、反馈趋势和外呼结果;
策略定制与优化:基于意图识别结果和历史数据分析,设计个性化外呼策略,包括选择最合适的外呼时机、决定使用的外呼脚本和交谈策略以及设置客户问题和异议的应对方案。
进一步的,所述认知行为分析与适应模块具体包括:
数据收集:认知行为分析与适应模块设计为捕获和记录客户在每次交互中的行为数据,包括客户的查询内容、选择的服务选项、响应时间、使用的语言和表达的情绪;
行为模式分析:采用认知建模技术来分析收集的行为数据,认知建模旨在通过模拟人类思维过程和行为模式来理解客户的决策过程,包括构建决策树、状态转换图来解释客户行为;
未来行为预测:基于认知模型分析的结果,认知行为分析与适应模块预测客户在特定情境下采取的行为和反应。
进一步的,所述决策树基于树形结构,其中,每个内部节点代表一个属性上的测试,每个分支代表测试的结果,树的叶节点代表类别或决策结果,在认知行为分析与适应模块中,决策树用来模拟客户做出决策的过程,具体包括:
收集和整理客户交互数据,包括客户提出的问题、选择的服务选项、反应时间;
基于收集的数据,选择用于预测客户意图的特征;
构建决策树:使用算法C4.5根据训练数据构建决策树,C4.5算法使用信息增益比来选择特征,信息增益比计算为:
其中,Gain(S,A)是特征A对数据集S的信息增益,SplitInfo(S,A)是使用特征A***数据集S的***信息;
模型应用:使用构建好的决策树模型来预测新客户交互的可能结果,即客户的意图;
所述状态转换图用来表示客户交互过程中的不同状态和转换,具体包括:
定义状态:确定客户交互过程中的关键状态,包括查询产品信息、请求支持、提供反馈;
定义转换:基于客户的行为确定状态之间的转换条件;
构建状态转换图:绘制状态转换图,表示客户交互过程中的所有状态以及它们之间的转换路径;
模型应用:利用状态转换图来分析客户的行为模式,预测客户在特定状态下采取的行动,以及行动导致的状态转换。
本发明的有益效果:
本发明,通过综合应用语音识别、文本情感分析、意图识别以及认知行为分析等先进技术,显著提升了对客户意图的预测准确性,***能够深入理解客户的需求和情绪状态,从而使外呼任务更加精准和有效,大幅提高客户满意度。
本发明,该***的数据库模块能够高效地存储和管理历史外呼数据、客户反馈以及意图识别模型等信息,为外呼策略生成模块提供了丰富的数据支持,这种数据驱动的方法使得外呼策略更加科学和个性化,有助于实现资源的最优配置和外呼效率的最大化。
本发明,通过引入认知行为分析与适应模块(CBAA模块),***不仅能够基于过去和当前的交互数据分析客户行为模式,还能预测未来的行为和反应,为制定动态适应的外呼策略提供了可能。这种动态适应能力确保了***能够随着客户行为的变化而不断优化,保持长期的服务效果和客户满意度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术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,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为本发明实施例的分析***功能模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1所示,一种智能外呼客户意图预测分析***,包括客户语音输入模块、语音转文本模块、文本情感分析模块、意图识别模块、数据库模块、外呼策略生成模块、外呼执行模块以及认知行为分析与适应模块,其中;
客户语音输入模块用于接收客户的语音信号;
语音转文本模块将接收到的语音信号转换为文本信息;
文本情感分析模块对转换得到的文本进行情感倾向分析,判断客户的情绪状态;
意图识别模块根据文本信息和情感分析结果,结合预设的意图识别模型,预测客户的意图;
数据库模块存储历史外呼数据、客户反馈信息及意图识别模型;
外呼策略生成模块根据意图识别结果和数据库中的历史数据,生成针对性的外呼策略;
外呼执行模块根据生成的外呼策略,自动执行外呼任务,与客户进行交互;
认知行为分析与适应模块负责收集和分析客户在过去和当前交互中的行为数据,使用认知建模技术识别客户行为模式,预测未来行为和反应,该模块能够根据客户的认知模式和行为历史调整外呼策略,实现更高水平的个性化交互。
文本情感分析模块具体包括:
通过预处理步骤清洗和标准化文本数据,包括去除停用词、纠正拼写、词性标注和词干提取,随后利用嵌入技术将文本转换为向量形式,以便机器学习模型处理;
采用Transformer模型,对文本数据中的情感倾向进行建模和分析。
Transformer模型具体包括:
自注意力机制:目的是对输入序列中的每个词元计算其对序列中所有词元的注意力权重,给定一个序列的表示X1,X2,...,Xn,对于序列中的每个词元Xi,自注意力机制将其映射到查询向量Q、键向量K和值向量V,通过线性变换得到:
Q=XWQ,K=XWK,V=XWV,其中,WQ、WK、WV是可学习的参数矩阵;
计算注意力权重并应用到值向量上,计算方法如下:
其中,dk是键向量的维度,除法操作用于缩放点积的大小,防止梯度消失或***;
多头注意力:Transformer通过多头注意力机制提升模型性能,将自注意力过程并行地进行多次,每次使用不同的参数矩阵WQ、WK、WV:
MultiHead(Q,K,V)=Concat(head1,...,headh)WO,其中,每个头headi是一个自注意力层,WO是另一个可学习的参数矩阵,用于合并不同头的输出;
位置前馈网络:Transformer模型中的每个编码器和解码器层还包含一个位置前馈网络,对每个位置的词元独立应用相同的全连接层:
FFN(x)=max(0,xW1+b1)W2+b2,其中,W1、W2、b1和b2是可学习的参数,max(0,x)是ReLU激活函数。
在本发明的文本情感分析模块中,将上述Transformer模型的组件应用于本发明的文本情感分析模块中,模型首先通过自注意力机制确定文本中每个词的重要性,然后通过多头注意力机制从不同角度分析文本的情感,最后通过位置前馈网络进一步提炼每个词的情感表示。这一连串的过程使得模型能够准确地识别出客户的情绪状态,无论是明显的情感表达还是隐含在复杂语境中的细微情感倾向。
通过这种方式,Transformer模型能够准确地判断客户的情绪状态,为意图识别模块和认知行为分析与适应模块提供了强有力的支持,从而使智能外呼***能够更加精准地预测客户意图并制定个性化的外呼策略,提高客户满意度和外呼效果。
意图识别模块采用多项式朴素贝叶斯模型,具体包括:
接收来自文本情感分析模块的情感分析结果,包括情感倾向(如正面、负面)、情感强度和情感表达以及直接从客户语音输入模块转换得到的文本信息;可以为每个文本添加两个额外的特征:一个表示情感极性(例如,正面=1,负面=-1,中性=0),另一个表示情感强度(连续值,范围从0到1),在词袋模型的基础上,通过拼接情感特征来扩展特征向量。这样,每个文本的特征向量不仅包含词频信息,还包含情感极性和情感强度信息;
在训练多项式朴素贝叶斯模型时,确保模型能够处理扩展后的多维特征向量,使用包含文本信息和情感分析结果的扩展特征向量以及对应的意图标签来训练多项式朴素贝叶斯模型;
进行意图识别与分类,综合考虑文本的词频信息和情感特征,计算给定扩展特征向量下每个意图类别的后验概率,选择具有最高后验概率的类别作为预测意图。
多项式朴素贝叶斯模型具体如下:
基于贝叶斯定理,设每个特征之间相互独立,给定一个特征向量X=(x1,x2,...,xn)和一个目标类别Ck,贝叶斯定理表示为:
其中,P(Ck|X)是给定特征向量X下类别Ck的后验概率,P(X|Ck)是类别Ck下特征向量X出现的概率,根据朴素贝叶斯假设,分解为各特征在该类别下的条件概率的乘积:
P(x1|Ck)×P(x2|Ck)×...×P(xn|Ck),P(Ck)是类别Ck的先验概率,即在所有数据中,类别Ck出现的概率,P(X)是特征向量X出现的概率,作为归一化因子,确保后验概率的总和为1。
后验概率计算为:在意图识别中,计算给定特征向量(即文本特征和情感分析结果)下每个意图的后验概率,由于P(X)对于所有的意图类别是常数,简化后验概率的计算为:
P(Ck|X)∝P(X|Ck)·P(Ck);
进一步简化为:P(Ck|X)∝P(x1|Ck)×P(x2|Ck)×...×P(xn|Ck)×P(Ck);
在智能外呼***中,X包含了从客户对话中提取的文本特征(如关键词出现频率)和情感分析结果(如情感极性和强度),每个xi代表一个特征,可以是一个词的TFIDF值、情感极性或情感强度等,对于每个可能的客户意图Ck(如请求帮助、提出投诉等),计算其后验概率P(Ck|X),然后选择具有最高后验概率的意图作为预测结果。
数据库模块具体包括:
历史外呼数据存储:包括客户的联系信息、外呼时间、外呼时长、外呼脚本内容以及客户的响应,通过一个结构化的格式存储,每一次外呼尝试都被记录为表中的一行,包含所有相关的细节字段;
客户反馈信息存储:除了基本的外呼数据,数据库模块还收集和存储客户的直接反馈信息,包括客户在外呼结束后通过不同渠道提供的评价、建议和投诉,客户反馈信息以文本形式存储,并与相应的外呼记录相关联,以便进行后续的分析和意图识别模型的训练;
意图识别模型数据存储:数据库模块还包括存储意图识别模型的结构和参数,结构和参数包括模型训练所使用的特征数据、模型参数和模型性能指标。
外呼策略生成模版具体包括:
意图识别结果应用:接收意图识别模块提供的客户意图分析结果,包括意图类别(请求帮助、投诉、感兴趣的产品/服务等)和意图强度,作为确定外呼策略的输入;
历史数据分析:外呼策略生成模块通过查询数据库模块中存储的历史外呼数据和客户反馈信息,分析客户或客户群体的历史交互模式、反馈趋势和外呼结果;
策略定制与优化:基于意图识别结果和历史数据分析,设计个性化外呼策略,包括选择最合适的外呼时机、决定使用的外呼脚本和交谈策略以及设置客户问题和异议的应对方案。
认知行为分析与适应模块具体包括:
数据收集:认知行为分析与适应模块设计为捕获和记录客户在每次交互中的行为数据,包括客户的查询内容、选择的服务选项、响应时间、使用的语言和表达的情绪,这些数据不仅来源于当前的交互实例,还包括客户过去的交互历史,从而为深入分析提供丰富的上下文信息;
行为模式分析:采用认知建模技术来分析收集的行为数据,认知建模旨在通过模拟人类思维过程和行为模式来理解客户的决策过程,包括构建决策树、状态转换图来解释客户行为;
未来行为预测:基于认知模型分析的结果,认知行为分析与适应模块预测客户在特定情境下采取的行为和反应,这些预测帮助外呼策略生成模块制定更加个性化和有效的沟通策略,以提高客户满意度和外呼成功率。
决策树基于树形结构,其中,每个内部节点代表一个属性上的测试,每个分支代表测试的结果,树的叶节点代表类别或决策结果,在认知行为分析与适应模块中,决策树用来模拟客户做出决策的过程,具体包括:
收集和整理客户交互数据,包括客户提出的问题、选择的服务选项、反应时间;
基于收集的数据,选择用于预测客户意图的特征;
构建决策树:使用算法C4.5根据训练数据构建决策树,C4.5算法使用信息增益比来选择特征,信息增益比计算为:
其中,Gain(S,A)是特征A对数据集S的信息增益,SplitInfo(S,A)是使用特征A***数据集S的***信息;
模型应用:使用构建好的决策树模型来预测新客户交互的可能结果,即客户的意图;
状态转换图用来表示客户交互过程中的不同状态和转换,具体包括:
定义状态:确定客户交互过程中的关键状态,包括查询产品信息、请求支持、提供反馈;
定义转换:基于客户的行为确定状态之间的转换条件,查询产品信息到请求支持的转换可能基于客户提出了具体的支持请求;
构建状态转换图:绘制状态转换图,表示客户交互过程中的所有状态以及它们之间的转换路径;
模型应用:利用状态转换图来分析客户的行为模式,预测客户在特定状态下采取的行动,以及行动导致的状态转换;
在智能外呼客户意图预测分析***中,认知行为分析与适应模块通过决策树可以深入理解客户在特定情境下做出特定决策的概率,从而预测客户的意图,状态转换图进一步增强了***对客户交互过程的理解,使***能够识别客户行为的模式,并预测客户的下一步行动。
这种结合了决策树和状态转换图的方法不仅提高了意图识别的准确性,还使外呼策略生成模块能够根据客户的具体情境和行为模式制定更加个性化和有效的沟通策略,最终提高了客户满意度和外呼成功率。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种智能外呼客户意图预测分析***,其特征在于,包括客户语音输入模块、语音转文本模块、文本情感分析模块、意图识别模块、数据库模块、外呼策略生成模块、外呼执行模块以及认知行为分析与适应模块,其中;
客户语音输入模块用于接收客户的语音信号;
语音转文本模块将接收到的语音信号转换为文本信息;
文本情感分析模块对转换得到的文本进行情感倾向分析,判断客户的情绪状态;
意图识别模块根据文本信息和情感分析结果,结合预设的意图识别模型,预测客户的意图,所述意图识别模块采用多项式朴素贝叶斯模型,具体包括:
接收来自文本情感分析模块的情感分析结果,包括情感倾向、情感强度和情感表达以及直接从客户语音输入模块转换得到的文本信息;
在训练多项式朴素贝叶斯模型时,确保模型能够处理扩展后的多维特征向量,使用包含文本信息和情感分析结果的扩展特征向量以及对应的意图标签来训练多项式朴素贝叶斯模型;
进行意图识别与分类,综合考虑文本的词频信息和情感特征,计算给定扩展特征向量下每个意图类别的后验概率,选择具有最高后验概率的类别作为预测意图;
所述多项式朴素贝叶斯模型具体如下:
基于贝叶斯定理,设每个特征之间相互独立,给定一个特征向量X=(x1x2…xn)和一个目标类别Ck,贝叶斯定理表示为:
其中,P(Ck|X)是给定特征向量X下类别Ck的后验概率,P(X|Ck)是类别Ck下特征向量X出现的概率,根据朴素贝叶斯假设,分解为各特征在该类别下的条件概率的乘积:
P(x1|Ck)×P(x2|Ck)×…×P(xn|Ck),P(Ck)是类别Ck的先验概率,即在所有数据中,类别Ck出现的概率,P(X)是特征向量X出现的概率,作为归一化因子,确保后验概率的总和为1;
所述后验概率计算为:在意图识别中,计算给定特征向量下每个意图的后验概率,由于P(X)对于所有的意图类别是常数,简化后验概率的计算为:
P(Ck|X)∝P(X|Ck)·P(Ck);
进一步简化为:P(Ck|X)∝P(x1|Ck)×P(x2|Ck)×…×P(xn|Ck)×P(Ck);
数据库模块存储历史外呼数据、客户反馈信息及意图识别模型;
外呼策略生成模块根据意图识别结果和数据库中的历史数据,生成针对性的外呼策略;
外呼执行模块根据生成的外呼策略,自动执行外呼任务,与客户进行交互;
认知行为分析与适应模块负责收集和分析客户在过去和当前交互中的行为数据,使用认知建模技术识别客户行为模式,预测未来行为和反应。
2.根据权利要求1所述的一种智能外呼客户意图预测分析***,其特征在于,所述文本情感分析模块具体包括:
通过预处理步骤清洗和标准化文本数据,包括去除停用词、纠正拼写、词性标注和词干提取,随后利用嵌入技术将文本转换为向量形式,以便机器学习模型处理;
采用Transformer模型,对文本数据中的情感倾向进行建模和分析。
3.根据权利要求2所述的一种智能外呼客户意图预测分析***,其特征在于,所述Transformer模型具体包括:
自注意力机制:目的是对输入序列中的每个词元计算其对序列中所有词元的注意力权重,给定一个序列的表示X1,X2,…,Xn,对于序列中的每个词元Xi,自注意力机制将其映射到查询向量Q、键向量K和值向量V,通过线性变换得到:
Q=XWQ,K=XWK,V=XWV,其中,WQ、WK、WV是可学习的参数矩阵;
计算注意力权重并应用到值向量上,计算方法如下:
其中,dk是键向量的维度,除法操作用于缩放点积的大小,防止梯度消失或***;
多头注意力:Transformer通过多头注意力机制提升模型性能,将自注意力过程并行地进行多次,每次使用不同的参数矩阵WQ、WK、WV:
MultiHead(Q,K,V)=Concat(head1,...,headh)WO,其中,每个头headi是一个自注意力层,WO是另一个可学习的参数矩阵,用于合并不同头的输出;
位置前馈网络:Transformer模型中的每个编码器和解码器层还包含一个位置前馈网络,对每个位置的词元独立应用相同的全连接层:
FFN(x)=max(0,xW1+b1)W2+b2,其中,W1、W2、b1和b2是可学习的参数,max(0,x)是ReLU激活函数。
4.根据权利要求3所述的一种智能外呼客户意图预测分析***,其特征在于,所述数据库模块具体包括:
历史外呼数据存储:包括客户的联系信息、外呼时间、外呼时长、外呼脚本内容以及客户的响应,通过一个结构化的格式存储,每一次外呼尝试都被记录为表中的一行,包含所有相关的细节字段;
客户反馈信息存储:除了基本的外呼数据,数据库模块还收集和存储客户的直接反馈信息,包括客户在外呼结束后通过不同渠道提供的评价、建议和投诉,客户反馈信息以文本形式存储,并与相应的外呼记录相关联,以便进行后续的分析和意图识别模型的训练;
意图识别模型数据存储:数据库模块还包括存储意图识别模型的结构和参数,结构和参数包括模型训练所使用的特征数据、模型参数和模型性能指标。
5.根据权利要求4所述的一种智能外呼客户意图预测分析***,其特征在于,所述外呼策略生成模版具体包括:
意图识别结果应用:接收意图识别模块提供的客户意图分析结果,包括意图类别和意图强度,作为确定外呼策略的输入;
历史数据分析:外呼策略生成模块通过查询数据库模块中存储的历史外呼数据和客户反馈信息,分析客户或客户群体的历史交互模式、反馈趋势和外呼结果;
策略定制与优化:基于意图识别结果和历史数据分析,设计个性化外呼策略,包括选择最合适的外呼时机、决定使用的外呼脚本和交谈策略以及设置客户问题和异议的应对方案。
6.根据权利要求1所述的一种智能外呼客户意图预测分析***,其特征在于,所述认知行为分析与适应模块具体包括:
数据收集:认知行为分析与适应模块设计为捕获和记录客户在每次交互中的行为数据,包括客户的查询内容、选择的服务选项、响应时间、使用的语言和表达的情绪;
行为模式分析:采用认知建模技术来分析收集的行为数据,认知建模旨在通过模拟人类思维过程和行为模式来理解客户的决策过程,包括构建决策树、状态转换图来解释客户行为;
未来行为预测:基于认知模型分析的结果,认知行为分析与适应模块预测客户在特定情境下采取的行为和反应。
7.根据权利要求6所述的一种智能外呼客户意图预测分析***,其特征在于,所述决策树基于树形结构,其中,每个内部节点代表一个属性上的测试,每个分支代表测试的结果,树的叶节点代表类别或决策结果,在认知行为分析与适应模块中,决策树用来模拟客户做出决策的过程,具体包括:
收集和整理客户交互数据,包括客户提出的问题、选择的服务选项、反应时间;
基于收集的数据,选择用于预测客户意图的特征;
构建决策树:使用算法C4.5根据训练数据构建决策树,C4.5算法使用信息增益比来选择特征,信息增益比计算为:
其中,Gain(S,A)是特征A对数据集S的信息增益,SplitInfo(S,A)是使用特征A***数据集S的***信息;
模型应用:使用构建好的决策树模型来预测新客户交互的可能结果,即客户的意图;
所述状态转换图用来表示客户交互过程中的不同状态和转换,具体包括:
定义状态:确定客户交互过程中的关键状态,包括查询产品信息、请求支持、提供反馈;
定义转换:基于客户的行为确定状态之间的转换条件;
构建状态转换图:绘制状态转换图,表示客户交互过程中的所有状态以及它们之间的转换路径;
模型应用:利用状态转换图来分析客户的行为模式,预测客户在特定状态下采取的行动,以及行动导致的状态转换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410248851.1A CN117834780B (zh) | 2024-03-05 | 2024-03-05 | 一种智能外呼客户意图预测分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410248851.1A CN117834780B (zh) | 2024-03-05 | 2024-03-05 | 一种智能外呼客户意图预测分析*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117834780A CN117834780A (zh) | 2024-04-05 |
CN117834780B true CN117834780B (zh) | 2024-05-14 |
Family
ID=90515789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410248851.1A Active CN117834780B (zh) | 2024-03-05 | 2024-03-05 | 一种智能外呼客户意图预测分析*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117834780B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197742A (zh) * | 2017-12-29 | 2018-06-22 | 平安健康保险股份有限公司 | 用户的续保行为预测方法、***及计算机可读存储介质 |
KR101932707B1 (ko) * | 2017-09-08 | 2018-12-26 | 중앙대학교 산학협력단 | 선플 자동화 기능을 갖는 선플 봇 장치 및 방법 |
CN110909529A (zh) * | 2019-11-27 | 2020-03-24 | 国网能源研究院有限公司 | 一种公司形象提升***的用户情感分析和预判*** |
CN113656551A (zh) * | 2021-08-19 | 2021-11-16 | 中国银行股份有限公司 | 一种外呼智能打断方法及装置、存储介质及电子设备 |
CN115858744A (zh) * | 2022-11-09 | 2023-03-28 | 深圳市思为软件技术有限公司 | 一种基于ai的外呼方法、装置和存储介质 |
CN116246632A (zh) * | 2023-01-31 | 2023-06-09 | 中国工商银行股份有限公司 | 外呼话术指导方法及装置 |
CN116542256A (zh) * | 2023-07-05 | 2023-08-04 | 广东数业智能科技有限公司 | 一种融合对话上下文信息的自然语言理解方法与装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063427A (zh) * | 2014-06-06 | 2014-09-24 | 北京搜狗科技发展有限公司 | 一种基于语义理解的表情输入方法和装置 |
-
2024
- 2024-03-05 CN CN202410248851.1A patent/CN117834780B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101932707B1 (ko) * | 2017-09-08 | 2018-12-26 | 중앙대학교 산학협력단 | 선플 자동화 기능을 갖는 선플 봇 장치 및 방법 |
CN108197742A (zh) * | 2017-12-29 | 2018-06-22 | 平安健康保险股份有限公司 | 用户的续保行为预测方法、***及计算机可读存储介质 |
CN110909529A (zh) * | 2019-11-27 | 2020-03-24 | 国网能源研究院有限公司 | 一种公司形象提升***的用户情感分析和预判*** |
CN113656551A (zh) * | 2021-08-19 | 2021-11-16 | 中国银行股份有限公司 | 一种外呼智能打断方法及装置、存储介质及电子设备 |
CN115858744A (zh) * | 2022-11-09 | 2023-03-28 | 深圳市思为软件技术有限公司 | 一种基于ai的外呼方法、装置和存储介质 |
CN116246632A (zh) * | 2023-01-31 | 2023-06-09 | 中国工商银行股份有限公司 | 外呼话术指导方法及装置 |
CN116542256A (zh) * | 2023-07-05 | 2023-08-04 | 广东数业智能科技有限公司 | 一种融合对话上下文信息的自然语言理解方法与装置 |
Non-Patent Citations (3)
Title |
---|
Implementation of The Naïve Bayes Algorithm with Feature Selection using Genetic Algorithm for Sentiment Review Analysis of Fashion Online Companies;Siti Ernawati,Eka Rini Yulia,etc.;《2018 6th International Conference on Cyber and IT Service Management (CITSM)》;20190328;全文 * |
基于深度学习的问答***设计;潘明;《CNKI-硕士论文》;20210615;正文第27,33,40页 * |
情绪识别技术在电力智能客服***中的应用研究;张晓慧;孙德艳;马永波;王明珠;曹璐;李承桓;;电子器件;20201020(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117834780A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5671333A (en) | Training apparatus and method | |
CN110032630A (zh) | 话术推荐设备、方法及模型训练设备 | |
WO2020028760A1 (en) | System and method for neural network orchestration | |
Audhkhasi et al. | A globally-variant locally-constant model for fusion of labels from multiple diverse experts without using reference labels | |
Ashraf et al. | A globally regularized joint neural architecture for music classification | |
KR100436678B1 (ko) | 엔드-유저 트랜잭션을 인식하기 위한 방법 및 시스템 | |
CN117435716B (zh) | 电网人机交互终端的数据处理方法及*** | |
US20230237276A1 (en) | System and Method for Incremental Estimation of Interlocutor Intents and Goals in Turn-Based Electronic Conversational Flow | |
CN111930912A (zh) | 对话管理方法及***、设备和存储介质 | |
Sridhar et al. | Unsupervised personalization of an emotion recognition system: The unique properties of the externalization of valence in speech | |
CN117912710A (zh) | 青少年心理健康数据分析预警*** | |
CN117608650B (zh) | 业务流程图生成方法、处理设备及存储介质 | |
JP6924975B2 (ja) | 音解析装置及びその処理方法、プログラム | |
CN116820711B (zh) | 任务驱动的自治代理方法 | |
CN117834780B (zh) | 一种智能外呼客户意图预测分析*** | |
CN117171403A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
Prudêncio et al. | Selective generation of training examples in active meta-learning | |
Manousaki et al. | Vlmah: Visual-linguistic modeling of action history for effective action anticipation | |
CN114490974A (zh) | 信息自动回复方法、装置、***、电子设备及可读介质 | |
Tariq et al. | Time efficient end-state prediction through hybrid trace decomposition using process mining | |
Ali et al. | Meta-Analysis of Deep Learning Approaches for Machine Learning Chatbots | |
CN115640323B (zh) | 一种基于转移概率的情绪预测方法 | |
CN117056519B (zh) | 面向跨领域的立法意见综合报告自动生成方法 | |
US20240256636A1 (en) | Artificial intelligence system for media item classification using transfer learning and active learning | |
CN117473070B (zh) | 智能机器人的多渠道应用方法、智能机器人和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |