[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

说明书

本申请公开了一种机器人催收获取客户意向标签的多标签分类方法、装置、设备及介质。该方法包括：基于催收语音数据，并利用自动语音识别技术将催收语音数据转化为文本信息，以得到目标文本数据；对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，并将拼接后特征向量输入至预先训练得到的DPCNN模型，以预测出催收语音数据对应的客户意向标签。通过从字、词和句三个角度提取句子信息，并利用DPCNN网络结构多尺度多位置进行深度特征提取，提高了客户意向多标签分类的准确性。

技术领域

本发明涉及自然语言处理领域，特别涉及一种机器人催收获取客户意向标签的多标签分类方法、装置、设备及介质。

背景技术

当前，信用卡不良率持续上升，如果贷前风控和贷中跟踪都失效的话，贷后催收就成为最后一道关卡。通常在催收业务可分为人工催收和机器人催收两种方式，人工催收准确率高但也存在着催收效率低，同时不同的催收业务员的素质和态度也需要专门的培训，所以人工催收存在着效率低成本高的缺陷。机器人催收完全按照预定的催收语料模版进行催收工作，且不存在催收态度问题。但是机器人催收同样面临一个问题，对于客户的口音、方言、口语化等话语，机器人可能存在不能正确理解客户意图的问题。

现有技术中，机器人催收通常利用基于RNN、Bi-LSTM或Seq2Seq等结构的时序循环网络，以及TextCNN卷积网络，但时序循环网络当前时刻的结果依赖于上一时刻的结果，无法进行并行化计算，无法解决长句子中存在梯度消失的问题，且TextCNN卷积网络对于复杂句子难以学习到关键信息，且无法实现关键信息的顺序问题，降低了针对客户意向的多标签分类的准确性。

发明内容

有鉴于此，本发明的目的在于提供一种机器人催收获取客户意向标签的多标签分类方法、装置、设备及介质，能够提高客户意向标签分类的准确性。其具体方案如下：

第一方面，本申请公开了一种机器人催收获取客户意向标签的多标签分类方法，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。

可选的，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。

可选的，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。

可选的，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：