[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

说明书

本发明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。

技术领域

本发明涉及机器学习技术领域，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。

背景技术

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。

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。

发明内容

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。

一种智能外呼时段预测方法，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。

一种智能外呼时段预测装置，包括：

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；

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；

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；