呼入场景下的客户行为预测方法及装置制造方法及图纸

本发明专利技术提供一种呼入场景下的客户行为预测方法及装置，属于人工智能技术领域。该方法包括：从目标客户呼叫请求中提取目标客户呼入信息；根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为以推送对应的语音问题供客户选择；创建目标客户呼入预测规则包括：根据各目标客户呼入信息构建各目标客户特征数据后输入基于客户行为预测网络模型架构创建的客户行为预测网络模型中得到各目标客户预测行为，根据各目标客户呼入信息与各目标客户预测行为的对应关系创建目标客户呼入预测规则；客户行为预测网络模型架构通过客户特征搜索数据构建。本发明专利技术可以有效进行客户行为预测，精准定位客户诉求，降低客户呼入场景中人工客服的压力。场景中人工客服的压力。场景中人工客服的压力。

【技术实现步骤摘要】
呼入场景下的客户行为预测方法及装置


[0001]本专利技术涉及人工智能
，具体地，涉及一种呼入场景下的客户行为预测方法及装置。

技术介绍

[0002]目前业界智能技术发展迅速，人工智能和语音识别的识别能力几乎接近真人场景，语音合成和视频合成技术更是高拟人化，全球各大互联网企业均已步入智能化时代，通过建设全渠道、全媒体、全流程智能服务平台实现智能化转型。另一方面，传统机器学习领域对于新场景开拓需要专业的机器学专家花费大量的精力进行算法和模型的构建和选择，对于非领域专业的其他从业人员设立了较高的门槛。
[0003]随着机器学习领域发展到新的阶段，NAS(Neural Architecture Search)技术出现，模型构建等重要步骤变得自动化，使得机器学习模型不需要过多的专业人员干预即可应用。NAS是机器学习领域深度神经网络技术一种自动化建模方法，AI一边学习了解大量的用户问题，一边学习记录用户行为轨迹及画像特征，再把两者结合建立搜索匹配模型，模型整体架构确认后，基于客户数据完成整体模型的训练。
[0004]呼入场景中“未答先知”功能实现的核心功能点在于准确预测当前通话中客户的行为信息。然而目前的呼入场景领域中往往采用传统规则匹配方法，尚未对客户特征进行有效建模，对用户特征判别单一，客户行为预测精度低，无法有效地进行客户行为筛选，无法精准定位客户诉求，导致客户呼入场景中转人工的数量激增，呼入人工客服压力较大。

技术实现思路

[0005]本专利技术实施例的主要目的在于提供一种呼入场景下的客户行为预测方法及装置，以有效进行客户行为预测，精准定位客户诉求，大幅提升智能问答效率，降低客户呼入场景中人工客服的压力。
[0006]为了实现上述目的，本专利技术实施例提供一种呼入场景下的客户行为预测方法，包括：
[0007]获取目标客户呼叫请求，从目标客户呼叫请求中提取目标客户呼入信息；
[0008]根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为，根据目标客户预测行为推送对应的语音问题供客户选择；其中，创建目标客户呼入预测规则的步骤包括：根据各目标客户呼入信息构建各目标客户特征数据，将各目标客户特征数据输入基于客户特征模型数据和客户行为预测网络模型架构创建的客户行为预测网络模型中，得到各目标客户预测行为，根据各目标客户呼入信息与各目标客户预测行为的对应关系创建目标客户呼入预测规则；客户行为预测网络模型架构通过客户特征训练搜索数据和客户特征验证搜索数据构建。
[0009]本专利技术实施例还提供一种呼入场景下的客户行为预测装置，包括：
[0010]目标客户呼入信息提取模块，用于信息获取目标客户呼叫请求，从目标客户呼叫
请求中提取目标客户呼入信息；
[0011]预测行为确定模块，用于根据目标客户呼入预测规则确定所述目标客户呼入信息对应的目标客户预测行为，根据目标客户预测行为推送对应的语音问题供客户选择；其中，创建目标客户呼入预测规则的步骤包括：根据各目标客户呼入信息构建各目标客户特征数据，将各目标客户特征数据输入基于客户特征模型数据和客户行为预测网络模型架构创建的客户行为预测网络模型中，得到各目标客户预测行为，根据各目标客户呼入信息与各目标客户预测行为的对应关系创建目标客户呼入预测规则；客户行为预测网络模型架构通过客户特征训练搜索数据和客户特征验证搜索数据构建。
[0012]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的呼入场景下的客户行为预测方法的步骤。
[0013]本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述的呼入场景下的客户行为预测方法的步骤。
[0014]本专利技术实施例的呼入场景下的客户行为预测方法及装置从目标客户呼叫请求中提取目标客户呼入信息，根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为以推送对应的语音问题供客户选择，可以有效进行客户行为预测，精准定位客户诉求，大幅提升智能问答效率，降低客户呼入场景中人工客服的压力。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
[0016]图1是本专利技术实施例中呼入场景下的客户行为预测方法的流程图；
[0017]图2是本专利技术实施例中构建客户行为预测网络模型架构的流程图；
[0018]图3是本专利技术另一实施例中构建客户行为预测网络模型架构的流程图；
[0019]图4是本专利技术实施例中初始单元的结构示意图；
[0020]图5是本专利技术实施例中各结构参数下初始单元的结构示意图；
[0021]图6是本专利技术实施例中经过多次迭代后各结构参数下单元的结构示意图；
[0022]图7是本专利技术实施例中目标结构参数下单元的结构示意图；
[0023]图8是本专利技术实施例中创建客户行为预测网络模型的流程图；
[0024]图9是本专利技术实施例中呼入场景下的客户行为预测装置的结构框图；
[0025]图10是本专利技术实施例中计算机设备的结构框图。
具体实施方式
[0026]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，所描述的实施例仅仅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做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。
[0027]本领域技术人员知道，本专利技术的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
[0028]鉴于现有技术的客户行为预测精度低，无法有效地进行客户行为筛选，无法精准定位客户诉求，导致客户呼入场景中转人工的数量激增，呼入人工客服压力较大，本专利技术实施例提供一种呼入场景下的客户行为预测方法，基于呼入场景中客户基本信息和呼入信息两大维度进行特征选择，同时使用NAS技术选择自动化模型，并对自动搜索出的模型进行训练，最终利用训练后的模型在将要进入呼入场景中的客户群里进行快速的特征筛选，从而有效地进行客户行为预测，精准定位客户诉求，通过主动提问大幅提升智能问答效率，降低客户呼入场景中转人工的数量和呼入人工客服压力。以下结合附图对本专利技术进行详细说明。
[0029]图1是本专利技术实施例中呼入场景下的客户行为预测方法的流程图。如图1所示，呼入场景下的客户行为预测方法包括：
[0030]S101：获取目标客户呼叫请求，从目标客户呼叫请求中提取目标客户呼入信息。
[0031]S102：根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种呼入场景下的客户行为预测方法，其特征在于，包括：获取目标客户呼叫请求，从所述目标客户呼叫请求中提取目标客户呼入信息；根据目标客户呼入预测规则确定所述目标客户呼入信息对应的目标客户预测行为，根据所述目标客户预测行为推送对应的语音问题供客户选择；其中，创建目标客户呼入预测规则的步骤包括：根据各目标客户呼入信息构建各目标客户特征数据，将各目标客户特征数据输入基于客户特征模型数据和客户行为预测网络模型架构创建的客户行为预测网络模型中，得到各目标客户预测行为，根据各目标客户呼入信息与各目标客户预测行为的对应关系创建目标客户呼入预测规则；所述客户行为预测网络模型架构通过客户特征训练搜索数据和客户特征验证搜索数据构建。2.根据权利要求1所述的呼入场景下的客户行为预测方法，其特征在于，构建客户行为预测网络模型架构包括：执行如下迭代处理：根据所述客户特征训练搜索数据、所述客户特征训练搜索数据对应的客户行为实际搜索数据、各结构参数和各结构参数对应的权重确定训练损失函数；根据所述客户特征验证搜索数据、所述客户特征验证搜索数据对应的客户行为实际搜索数据、各结构参数和各结构参数对应的权重确定验证损失函数；当当前迭代次数达到预设结构迭代次数时，确定各结构参数中的最大值为目标结构参数，根据目标结构参数和对应的权重构建客户行为预测网络模型架构，否则根据所述训练损失函数更新各结构参数对应的权重，根据所述验证损失函数和更新后的权重更新各结构参数，继续执行所述迭代处理。3.根据权利要求2所述的呼入场景下的客户行为预测方法，其特征在于：根据所述客户特征训练搜索数据、所述客户特征训练搜索数据对应的客户行为实际搜索数据、各结构参数和各结构参数对应的权重确定训练损失函数包括：根据所述客户特征训练搜索数据、各结构参数和各结构参数对应的权重确定客户行为训练搜索数据；根据所述客户行为训练搜索数据和对应的客户行为实际搜索数据确定训练损失函数；根据所述客户特征验证搜索数据、所述客户特征验证搜索数据对应的客户行为实际搜索数据、各结构参数和各结构参数对应的权重确定验证损失函数包括：根据所述客户特征验证搜索数据、各结构参数和各结构参数对应的权重确定客户行为验证搜索数据；根据所述客户行为验证搜索数据和对应的客户行为实际搜索数据确定验证损失函数。4.根据权利要求2所述的呼入场景下的客户行为预测方法，其特征在于，创建客户行为预测网络模型包括：执行如下迭代处理：根据所述客户特征模型数据、所述目标结构参数和对应的权重确定客户行为模型数据；根据所述客户行为模型数据和对应的客户行为实际数据确定模型损失函数；当当前迭代次数达到预设模型迭代次数时，根据目标结构参数和对应的权重构建客户行为预测网络模型，否则根据所述模型损失函数更新所述目标结构参数对应的权重，继续
执行所述迭代处理。5.一种呼入场景下的客户行为预测装置，其特征在于，包括：目标客户呼入信息提取模块，用于信...

【专利技术属性】
技术研发人员：牟树根，刘宏浩，高宝印，刘莎，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：