[发明专利]智能外呼时段预测方法、装置、计算机设备及存储介质

权利要求书

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连接，获得第一维数的高维度向量并传递到第一全连接层；

通过第一全连接层对所述高维度向量进行交互，获得第二维数的第一低维度向量并传递到第二全连接层，所述第二全连接层对所述第一低维度向量进行交互，获得第三维数的第二低维度向量并传递到输出层；

通过输出层对所述第二低维度向量进行计算，获得所述待呼时段接通概率。

6.如权利要求1所述的智能外呼时段预测方法，其特征在于，所述根据所述待呼时段接通概率进行智能外呼，包括：

获取多个时段的待呼时段接通概率；

根据所述待呼时段接通概率对所述多个时段进行排序；

将所述待呼时段接通概率最高的时段确定为预测时段；

在所述预测时段进行智能外呼。