[发明专利]一种机器人催收获取客户意向标签的多标签分类方法

权利要求书

1.一种机器人催收获取客户意向标签的多标签分类方法，其特征在于，包括：

基于催收语音数据，并利用自动语音识别技术将所述催收语音数据转化为文本信息，以得到目标文本数据；

对所述目标文本数据进行纠错处理得到纠错后文本数据；

通过注意力机制模块对所述纠错后文本数据从字、词、句三个维度进行特征提取，以得到对应的字特征、词特征和句子特征；

对所述字特征、词特征和句子特征进行拼接处理得到拼接后特征向量，并将所述拼接后特征向量输入至预先训练得到的DPCNN模型，以预测出所述催收语音数据对应的客户意向标签。

2.根据权利要求1所述的机器人催收获取客户意向标签的多标签分类方法，其特征在于，所述对所述目标文本数据进行纠错处理得到纠错后文本数据，包括：

基于所述目标文本数据，利用word2vec模型训练得到表征概率分布的语言模型；

通过编辑距离算法计算得到不同词语之间的距离值；

利用Adaboost算法，根据通过所述语言模型得到的语义特征以及根据所述距离值确定的权重预测正确文本，以实现对所述目标文本数据的纠错处理。

3.根据权利要求1所述的机器人催收获取客户意向标签的多标签分类方法，其特征在于，所述利用注意力机制模块对所述纠错后文本数据从字、词、句三个维度进行特征提取，以得到对应的字特征、词特征和句子特征，包括：

利用BERT词嵌入模型，从字、词、句三个维度对所述纠错后文本数据进行向量化操作，以得到字嵌入向量、词嵌入向量和句嵌入向量；

将所述字嵌入向量、词嵌入向量和句嵌入向量分别输入注意力机制模块，以得到对应的字特征、词特征和句子特征。

4.根据权利要求1至3任一项所述的机器人催收获取客户意向标签的多标签分类方法，其特征在于，所述将所述拼接后特征向量输入至预先训练得到的DPCNN模型，以预测出所述催收语音数据对应的客户意向标签，包括：

通过等长卷积对所述拼接后特征向量进行上下文信息压缩，得到目标语义信息；

基于所述目标语义信息，通过包含池化层和卷积层的循环网络单元进行深层特征提取，并根据提取的深层特征确定对应的客户意向标签。

5.一种机器人催收获取客户意向标签的多标签分类装置，其特征在于，包括：

文本数据获取模块，基于催收语音数据，并利用自动语音识别技术将所述催收语音数据转化为文本信息，以得到目标文本数据；

纠错模块，用于对所述目标文本数据进行纠错处理得到纠错后文本数据；

特征提取模块，用于通过注意力机制模块对所述纠错后文本数据从字、词、句三个维度进行特征提取，以得到对应的字特征、词特征和句子特征；

标签预测模块，用于对所述字特征、词特征和句子特征进行拼接处理得到拼接后特征向量，并将所述拼接后特征向量输入至预先训练得到的DPCNN模型，以预测出所述催收语音数据对应的客户意向标签。

6.根据权利要求5所述的机器人催收获取客户意向标签的多标签分类装置，其特征在于，所述纠错模块，包括：

语言模型生成单元，用于基于所述目标文本数据，利用word2vec模型训练得到表征概率分布的语言模型；

距离值计算单元，用于通过编辑距离算法计算得到不同词语之间的距离值；

文本预测单元，用于利用Adaboost算法，根据通过所述语言模型得到的语义特征以及根据所述距离值确定的权重预测正确文本，以实现对所述目标文本数据的纠错处理。

7.根据权利要求5所述的机器人催收获取客户意向标签的多标签分类装置，其特征在于，所述特征提取模块，包括：

向量化单元，用于利用BERT词嵌入模型，从字、词、句三个维度对所述纠错后文本数据进行向量化操作，以得到字嵌入向量、词嵌入向量和句嵌入向量；

特征获取单元，用于将所述字嵌入向量、词嵌入向量和句嵌入向量分别输入注意力机制模块，以得到对应的字特征、词特征和句子特征。