智能外呼时段预测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术涉及机器学习技术领域，公开了一种智能外呼时段预测方法、装置、计算机设备及存储介质，其方法通过获取预设时间周期的多条外呼通话记录，对外呼通话记录进行标注以获得包含多个样本的样本库；获取与样本对应的用户特征、上下文特征和时段特征并进行数据处理，获得用户特征向量、上下文特征向量和时段特征向量；将获得的特征向量输入深度神经网络进行训练并经过损失函数优化，获得时段预测模型；获取待呼用户特征向量、待呼上下文特征向量和待呼时段特征向量并输入时段预测模型进行预测，获得待呼时段接通概率；根据待呼时段接通概率进行智能外呼。本发明专利技术的智能外呼时段预测方法能够实现外呼时段个性化，时段分配更均匀，保证整体接通率。证整体接通率。证整体接通率。

【技术实现步骤摘要】
智能外呼时段预测方法、装置、计算机设备及存储介质


[0001]本专利技术涉及机器学习
，尤其涉及一种智能外呼时段预测方法、装置、计算机设备及存储介质。

技术介绍

[0002]智能外呼是通过智能外呼机器人替代人工坐席完成电话呼叫和语音沟通的一种人工智能形式，智能外呼综合利用自动语音识别技术和自然语言理解技术，可以自动触发呼叫并实现自然语言交互应答。智能外呼全程无需人工参与，可降低人工成本，目前已被广泛应用于金融、保险、教育、互联网等多个行业，完成智能营销、智能催收、智能问卷和智能回访的业务。
[0003]智能外呼普遍存在外呼接通率低的问题。现有的解决办法是根据已有的外呼接通历史计算每个时段的历史接通率，再按照历史接通率对外呼时段进行排序，排序靠前的标记为易接通时段，使重要的业务电话在易接通时段进行外呼以保证接通率。然而对于外呼用户来说每个人的易接通时段不尽相同，统一采用历史接通率较高的时段作为所有人的易接通时段，无法做到个体水平的因人而异，不能保证智能外呼的整体最优接通率。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种智能外呼时段预测方法、装置、计算机设备及存储介质，以解决现有智能外呼时用户的易接通时段因人而异而影响整体最优接通率的问题。
[0005]一种智能外呼时段预测方法，包括：
[0006]获取预设时间周期的外呼数据，所述外呼数据包括多条外呼通话记录，对所述外呼通话记录进行标注，以获得包含多个样本的样本库，所述样本为包含标注信息的外呼通话记录；<br/>[0007]获取与所述样本对应的用户特征、上下文特征和时段特征，对所述用户特征、所述上下文特征和所述时段特征进行数据处理，获得用户特征向量、上下文特征向量和时段特征向量；
[0008]将所述用户特征向量、所述上下文特征向量和所述时段特征向量配置为深度神经网络的输入数据；根据所述深度神经网络的输出数据和所述标注信息配置损失函数；经迭代训练，在所述损失函数的损失值小于预设阈值时，将训练后的所述深度神经网络确定为时段预测模型；
[0009]获取待呼用户特征向量、待呼上下文特征向量和待呼时段特征向量，将所述待呼用户特征向量、所述待呼上下文特征向量和所述待呼时段特征向量输入所述时段预测模型进行预测，获得待呼时段接通概率；
[0010]根据所述待呼时段接通概率进行智能外呼。
[0011]一种智能外呼时段预测装置，包括：
[0012]样本标注模块，用于获取预设时间周期的外呼数据，所述外呼数据包括多条外呼通话记录，对所述外呼通话记录进行标注，以获得包含多个样本的样本库，所述样本为包含标注信息的外呼通话记录；
[0013]特征处理模块，用于获取与所述样本对应的用户特征、上下文特征和时段特征，对所述用户特征、所述上下文特征和所述时段特征进行数据处理，获得用户特征向量、上下文特征向量和时段特征向量；
[0014]模型构建模块，用于将所述用户特征向量、所述上下文特征向量和所述时段特征向量配置为深度神经网络的输入数据；根据所述深度神经网络的输出数据和所述标注信息配置损失函数；经迭代训练，在所述损失函数的损失值小于预设阈值时，将训练后的所述深度神经网络确定为时段预测模型；
[0015]时段预测模块，用于获取待呼用户特征向量、待呼上下文特征向量和待呼时段特征向量，将所述待呼用户特征向量、所述待呼上下文特征向量和所述待呼时段特征向量输入所述时段预测模型进行预测，获得待呼时段接通概率；
[0016]智能外呼模块，用于根据所述待呼时段接通概率进行智能外呼。
[0017]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可读指令，所述处理器执行所述计算机可读指令时实现上述智能外呼时段预测方法。
[0018]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被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述智能外呼时段预测方法。
[0019]上述智能外呼时段预测方法、装置、计算机设备及存储介质，通过获取预设时间周期的多条外呼通话记录，对外呼通话记录进行标注以获得包含多个样本的样本库；获取与样本对应的用户特征、上下文特征和时段特征并进行数据处理，获得用户特征向量、上下文特征向量和时段特征向量；将用户特征向量、上下文特征向量和时段特征向量配置为深度神经网络的输入数据；根据深度神经网络的输出数据和标注信息配置损失函数；经迭代训练，在损失函数的损失值小于预设阈值时，将训练后的深度神经网络确定为时段预测模型；获取待呼用户特征向量、待呼上下文特征向量和待呼时段特征向量并输入时段预测模型进行预测，获得待呼时段接通概率；根据待呼时段接通概率进行智能外呼。本专利技术的预测模型在设计时充分考虑到每个外呼用户的不同特征，将每个特征数据处理为特征向量，泛化到历史外呼数据中未出现的特征组合，再通过多层全连接层进行交互，最后输出层对预测每个时段能够接通的概率进行最优时段外呼。本专利技术的智能外呼时段预测方法相比于传统的基于历史统计外呼方法，能够实现用户外呼时段个性化，时段分配更均匀，并且整个模型的训练以接通率为优化目标，保证了整体最优接通率。
附图说明
[0020]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术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专利技术的一些实施例，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。
[0021]图1是本专利技术一实施例中智能外呼时段预测方法的一流程示意图；
[0022]图2是本专利技术一实施例中智能外呼时段预测方法中步骤S30的一流程示意图；
[0023]图3是本专利技术一实施例中智能外呼时段预测装置的一结构示意图；
[0024]图4是本专利技术一实施例中计算机设备的一示意图。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0026]在一实施例中，如图1所示，提供一种智能外呼时段预测方法，包括如下步骤S10
‑
S50：
[0027]S10、获取预设时间周期的外呼数据，所述外呼数据包括多条外呼通话记录，对所述外呼通话记录进行标注，以获得包含多个样本的样本库，所述样本为包含标注信息的外呼通话记录。
[0028]可理解地，智能外呼机器人在历史时间周期内进行的每一次外呼操作都会形成外呼通话记录，外呼通话记录包括用户联系方式、用户性别、用户职业、外呼当天天气、外呼通话时段、外呼当天是否为节假日和外呼接通状态等信息，外呼通话记录信息储存为外呼数据。预设时间周期是根据需要从历史时间周期内选取的一段时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能外呼时段预测方法，其特征在于，包括：获取预设时间周期的外呼数据，所述外呼数据包括多条外呼通话记录，对所述外呼通话记录进行标注，以获得包含多个样本的样本库，所述样本为包含标注信息的外呼通话记录；获取与所述样本对应的用户特征、上下文特征和时段特征，对所述用户特征、所述上下文特征和所述时段特征进行数据处理，获得用户特征向量、上下文特征向量和时段特征向量；将所述用户特征向量、所述上下文特征向量和所述时段特征向量配置为深度神经网络的输入数据；根据所述深度神经网络的输出数据和所述标注信息配置损失函数；经迭代训练，在所述损失函数的损失值小于预设阈值时，将训练后的所述深度神经网络确定为时段预测模型；获取待呼用户特征向量、待呼上下文特征向量和待呼时段特征向量，将所述待呼用户特征向量、所述待呼上下文特征向量和所述待呼时段特征向量输入所述时段预测模型进行预测，获得待呼时段接通概率；根据所述待呼时段接通概率进行智能外呼。2.如权利要求1所述的智能外呼时段预测方法，其特征在于，所述对所述外呼通话记录进行标注，以获得包含多个样本的样本库，包括：获取所述外呼通话记录的接通状态；根据所述接通状态对所述外呼通话记录进行标注，将接通状态为已接通的外呼通话记录添加第一标注，生成正样本；将接通状态为未接通的外呼通话记录添加第二标注，生成负样本；合并所述正样本和所述负样本，获得所述样本库。3.如权利要求1所述的智能外呼时段预测方法，其特征在于，所述对所述用户特征、所述上下文特征和所述时段特征进行数据处理，获得用户特征向量、上下文特征向量和时段特征向量，包括：分别对获取到的所述用户特征、所述上下文特征和所述时段特征进行等频离散化，获得相应的用户特征离散值、上下文特征离散值和时段特征离散值；分别对所述用户特征离散值、所述上下文特征离散值和所述时段特征离散值进行向量化，获得相应的所述用户特征向量、所述上下文特征向量和所述时段特征向量。4.如权利要求1所述的智能外呼时段预测方法，其特征在于，所述损失函数包括：logloss＝
‑
[ylogP+(1
‑
y)log(1
‑
P)]其中，logloss表示损失值，y表示样本的标注信息，P表示接通概率。5.如权利要求1所述的智能外呼时段预测方法，其特征在于，所述将所述待呼用户特征向量、所述待呼上下文特征向量和所述待呼时段特征向量输入所述时段预测模型进行预测，获得待呼时段接通概率，包括：通过输入层将所述待呼用户特征向量、所述待呼上下文特征向量和所述待呼时段特征向量传递到隐藏层；通过隐藏层对所述待呼用户特征向量、所述待呼上下文特征向量和所述待呼时段特征向量进行...

【专利技术属性】
技术研发人员：张炜，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：