CN114881348A - 智能外呼时段预测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

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。

Description

智能外呼时段预测方法、装置、计算机设备及存储介质

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；

时段预测模块，用于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；

智能外呼模块，用于根据所述待呼时段接通概率进行智能外呼。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述智能外呼时段预测方法。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述智能外呼时段预测方法。

上述智能外呼时段预测方法、装置、计算机设备及存储介质，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；将用户特征向量、上下文特征向量和时段特征向量配置为深度神经网络的输入数据；根据深度神经网络的输出数据和标注信息配置损失函数；经迭代训练，在损失函数的损失值小于预设阈值时，将训练后的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。本发明的预测模型在设计时充分考虑到每个外呼用户的不同特征，将每个特征数据处理为特征向量，泛化到历史外呼数据中未出现的特征组合，再通过多层全连接层进行交互，最后输出层对预测每个时段能够接通的概率进行最优时段外呼。本发明的智能外呼时段预测方法相比于传统的基于历史统计外呼方法，能够实现用户外呼时段个性化，时段分配更均匀，并且整个模型的训练以接通率为优化目标，保证了整体最优接通率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中智能外呼时段预测方法的一流程示意图；

图2是本发明一实施例中智能外呼时段预测方法中步骤S30的一流程示意图；

图3是本发明一实施例中智能外呼时段预测装置的一结构示意图；

图4是本发明一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在一实施例中，如图1所示，提供一种智能外呼时段预测方法，包括如下步骤S10-S50：

S10、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。

可理解地，智能外呼机器人在历史时间周期内进行的每一次外呼操作都会形成外呼通话记录，外呼通话记录包括用户联系方式、用户性别、用户职业、外呼当天天气、外呼通话时段、外呼当天是否为节假日和外呼接通状态等信息，外呼通话记录信息储存为外呼数据。预设时间周期是根据需要从历史时间周期内选取的一段时间，可以设置自当天起过去一个月、一季度或半年内的时间周期，也可以手动选取自X年X月X日到Y年Y月Y日的时间周期。预设时间周期内包含了多条外呼通话记录，对这些外呼通话记录一一标注进行正负分类，根据接通状态将外呼通话记录分别添加正样本和负样本的标注信息，外呼通话记录显示接通状态时标注信息为正样本，外呼通话记录显示未接通状态时标注信息为负样本，正样本和负样本组成样本库，样本库中的一个样本为一条包含标注信息的外呼通话记录。

S20、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。

可理解地，对于样本库中的样本包含了跟外呼通话记录相关的多方面信息，为了更精准的突出用户因人而异的特点，需要从这些信息中提取每个样本的特征。外呼通话记录中的每条联系方式对应一个用户，将与此用户本身相关的用户性别、用户年龄、用户职业、用户年收入等信息提取为用户特征；将与此次外呼通话记录相关的外呼当天天气、外呼当天所属月份、外呼当天是否周末节假日等信息提取为上下文特征；将一天划分为若干个时段，此次外呼通话记录的外呼时段提取为时段特征。智能外呼时段预测是通过深度学习模型实现的，深度学习模型的输入信息是向量形式，将用户特征、上下文特征和时段特征转换为向量时，如果特征数据之间缺少潜在的关系会出现大量的向量数据出现向量稀疏的问题，稀疏向量导致存在大量无意义的数据使模型难以有效训练。稀疏向量之间缺少潜在关系的解决方案是使用embedding，embedding就是用一个低维度的向量表示一个物体，可以是一个单词、一个商品或是事件的一个特征，将大型稀疏向量转换为保留潜在关系的低维度稠密向量，embedding向量的性质是能使向量对应的特征保留潜在的关系。因此本实施例将每个特征进行数据处理获得一个低维度稠密的embedding向量，对提取到的用户特征、上下文特征和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。

S30、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。

可理解地，进行智能外呼时段预测之前先要根据深度学习模型进行训练，构建时段预测模型。本实施例的时段预测模型采取深度学习模型，深度神经网络(Deep NeuralNetworks，DNN)是深度学习模型的基础，深度神经网络是全连接的神经元结构，并不包含卷积单元或是时间上的关联。深度神经网络是包括输入层、隐藏层、全连接层和输出层的多层神经网络，相邻层之间有连接，单向多层结构的各神经元分层排列，每个神经元只与前一层的神经元相连，接收前一层的输入并输出给下一层，各层间没有反馈。深度神经网络的输入层用于接收外部向量的输入，不进行任何计算向下一层传递向量；输入层的下一层为隐藏层，用于接收输入层的向量输入并进行连接计算，将计算后获得的高维度向量传递到下一层；隐藏层的下一层为全连接层，用于接收隐藏层的高维度向量输入并进行交互计算，将计算后获得的低维度向量传递到下一层，全连接层可以有一层，也可以有多层；深度神经网络的最后一层为输出层，用于接收全连接层的低维度向量输入并进行计算，获得输出数据。深度学习模型能更有效地学习特征之间的抽象关系，适合构建具有多维化特征的时段预测模型。在训练过程中，将用户特征向量、上下文特征向量和时段特征向量输入深度神经网络，获得输出数据(即接通概率的预测值)，通过计算输出数据与标签信息之间的损失函数，获得相应的损失值，基于损失值对深度神经网络的各个数据层的参数进行调整优化，直至损失值收敛，且小于预设阈值。在此处，预设阈值可以根据实际需要进行设置。可以将训练后的深度神经网络确定为时段预测模型。

本实施例中，如图2所示，按比例将样本库中的样本分为训练集和测试集，可根据需要选择划分比例，例如90％的样本作为训练集样本，10％的样本作为测试集样本；将训练集样本的用户特征向量、上下文特征向量和时段特征向量作为低维度embedding向量进行输入，经过输入层传递到隐藏层；隐藏层对用户特征向量、上下文特征向量和时段特征向量进行连接计算获得1024维的高维度向量并传递到第一全连接层，隐藏层的连接可以泛化到历史外呼数据中未出现的特征组合；第一全连接层对1024维的高维度向量进行交互计算，获得768维的第一低维度向量并传递到第二全连接层，第二全连接层对768维的第一低维度向量进行交互计算，获得256维的第二低维度向量并传递到输出层，全连接层实现特征之间的学习交互；输出层对256维的第二低维度向量进行计算并输出接通概率；根据所有的训练集样本对输入层、隐藏层、第一全连接层、第二全连接层和输出层进行迭代训练，在训练过程中通过损失函数对深度神经网络进行优化，直至损失函数的损失值小于预设阈值，利用测试集样本对训练后的模型的预测准确率进行评估，获得时段预测模型。

S40、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。

可理解地，通过预设时间周期中样本的用户特征向量、上下文特征向量和时段特征向量构建时段预测模型之后，将利用时段预测模型对当前待呼用户在某一时段的接通概率进行预测。通过待呼用户的联系方式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，这里的待呼时段特征向量是一天中若干个时间段的其中一个时间段对应的特征向量，当选择8:00～12:00时间段进行数据处理作为待呼时段特征向量时，将待呼用户特征向量、待呼上下文特征向量和待呼时段特征向量输入时段预测模型进行预测将获得8:00～12:00时间段对应的待呼时段接通概率。

S50、根据所述待呼时段接通概率进行智能外呼。

可理解地，通过改变待呼时段特征向量对应的待呼时段输入时段预测模型进行预测，获得待呼用户在一天中不同待呼时段的接通概率，智能外呼机器人选择最高接通概率对应的外呼时段进行智能外呼。

本实施例通过外呼历史中预设时间周期的多条外呼通话记录，根据接通状态对外呼通话记录进行正负样本标注以获得包含多个样本的样本库；考虑到用户因人而异的个性化特点，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；将用户特征向量、上下文特征向量和时段特征向量进行训练，获得时段预测模型；根据外呼历史的样本完成时段预测模型的构建之后，获取当前待呼用户的待呼用户特征向量、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；智能外呼机器人选择待呼时段接通概率最高的时段对当前待呼用户进行智能外呼。其中，时段预测模型在设计构建时充分考虑到每个外呼用户的个性化特征，将每个特征数据处理为特征向量，泛化到历史外呼数据中未出现的特征组合，再通过多层全连接层进行交互，最后输出层预测每个待呼时段的接通概率选择最优时段外呼。智能外呼机器人根据待呼用户的特征个性化选择待呼时段进行外呼，并不是统一根据每个时段的历史接通率选择用户进行外呼，在大量外呼用户的情况下对于待呼时段的分配更均匀，并且时段预测模型的训练以接通率为优化目标，保证了整体最优接通率。

在一实施例的步骤S10中，即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，具体包括如下步骤：

S101、获取所述外呼通话记录的接通状态；

S102、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；

S103、合并所述正样本和所述负样本，获得所述样本库。

可理解地，每一条外呼通话记录的接通状态分为已接通状态或未接通状态的其中一种，由于时段预测模型的训练以接通率为优化目标，因此要将外呼通话记录进行样本分类。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，将正样本和负样本进行合并获得包含所有外呼通话记录样本的样本库。

本实施例根据每一条外呼通话记录的接通状态，将每一条外呼通话记录分别标注分类为正样本或者负样本，所有样本合并组成样本库，便于对样本库的样本进行时段预测模型训练时将接通率作为优化目标。

在一实施例的步骤S20中，即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，具体包括如下步骤：

S201、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；

S202、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。

可理解地，深度学习模型很少直接将连续值作为特征输入，对于获取到样本的用户特征、上下文特征和时段特征中包括很多连续值特征，例如用户年龄、用户职业和用户年收入等，需要对这些连续值特征进行离散化。连续值特征的离散化是采取各种方法将连续的区间划分为小的区间，并将这连续的小区间与离散值关联起来，连续值特征离散化的本质是决定选择多少个分割点和确定分割点的位置。对于用户年龄来说，如果每一个年龄的数字对应一个特征数据将不利于深度学习模型的训练和快速迭代，将用户特征中的用户年龄分布划分为小于30岁对应一个特征数据0，大于30岁对应一个特征数据1时，则会减小连续值特征之间的干扰，使深度学习模型更稳定。

在实际应用时需要根据样本库的特点和学习环境选择合适的离散化方法，常用的离散化方法为等距离散化和等频离散化。等距离散化是将连续值的取值范围均匀划成n等份，每份的间距相等，例如将20～40岁的用户按照年龄分布进行划分，结果中20～30岁的用户特征为0，30～40岁的用户特征为1；等频离散化是把数据值均匀分为n等份，每份内包含的数据值个数相同，例如将20～40岁的用户按照用户人数分布进行划分，结果中20～25岁共10人的用户特征为0，25～40岁共10人的用户特征为1。等距离散化和等频离散化在大多数情况下导致不同的结果，本实施例选择将用户特征、上下文特征和时段特征进行等频离散化，等频离散化把连续值特征变换成均匀分布的数据，保证各段内特征个数相同，获得用户特征离散值、上下文特征离散值和时段特征离散值。接着为了便于稀疏性的处理，分别对用户特征离散值、上下文特征离散值和时段特征离散值进行向量化处理，基于特征之间的潜在关系生成低维度稠密的embedding向量，获得相应的用户特征向量、上下文特征向量和时段特征向量。

本实施例首先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，减小连续值特征之间的干扰，有利于深度学习模型的快速迭代和稳定；然后分别对用户特征离散值、上下文特征离散值和时段特征离散值进行向量化，获得相应的用户特征向量、上下文特征向量和时段特征向量，保留特征之间的潜在关系，有利于实现深度学习模型的快速训练。

可选的，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。

可理解地，在模型训练过程中，深度神经网络的输出层输出的预测值与实际值相比是存在误差的，输出层中计算这个误差的函数就是损失函数，损失函数可以估量深度学习模型的预测值与实际值的误差程度。损失函数分为绝对值损失函数、对数损失函数、指数损失函数等，其中对数损失函数能非常好地表征概率分布，尤其适合估量分类结果中属于每个类别的置信度。本实施例属于二分类问题，即正样本分类或负样本分类，因此选择分类交叉熵函数的对数形式作为损失函数，用来估量结果为正样本的预测概率误差。

可理解地，样本为正样本时，接通概率与1之间的差值的绝对值小于预设阈值则损失值越小，接通概率与1之间的差值的绝对值大于预设阈值则损失值越大。分类交叉熵函数中的y表示样本的标注信息，已接通状态的正样本为1，未接通状态的负样本为0，P表示预测接通的概率，1-表示预测未接通的概率。预设阈值的设置为0～1之间的值，例如设置为0.1，预设阈值越小越好。当样本为正样本时，预测接通的概率与1之间的差值的绝对值小于预设阈值，预测接通的概率越接近于1，此时预测样本为正样本的概率越高，而实际样本同样为正样本，预测值与实际值的误差越小，对数值损失也越小，即分类正确时损失越小；预测接通的概率与1之间的差值的绝对值大于预设阈值，预测接通的概率越远离于1反而接近于0，此时预测样本为正样本的概率越低，而实际样本恰恰为正样本，预测值与实际值的误差越大，损失对数值也越大，即分类错误时损失越大。由于时段预测模型的预测结果为预测接通的概率，即预测结果为正样本的概率，因此当实际样本为负样本时不考虑损失，只考虑预测结果为正样本的损失来估量分类正确或分类错误。在实际操作过程中，为了尽量避免早晚等非工作时段打扰外呼用户，对于该时段预测错误的样本在损失函数上给予较高的惩罚。本实施例对于分类正确的样本损失尽可能逼近0，对于分类错误的样本损失远大于0，即分类正确时损失越小，分类错误时损失越大，通过损失函数使模型训练过程中的损失值减小来优化时段预测模型。

在一实施例的步骤S40中，即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，具体包括如下步骤：

S401、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；

S402、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；

S403、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；

S404、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。

可理解地，经过训练优化的时段预测模型是单向多层结构，时段预测模型的第一层为输入层，输入层接收待呼用户特征向量、待呼上下文特征向量和待呼时段特征向量的输入，不进行任何计算向隐藏层传递向量；隐藏层接收输入层的向量输入并进行连接计算，获得第一维数的高维度向量后传递到第一全连接层；第一全连接层接收隐藏层的高维度向量输入并进行交互计算，获得第二维数的第一低维度向量后传递到第二全连接层，第二全连接层接收第一全连接层的第一低维度向量输入并进行交互计算，获得第三维数的第二低维度向量后传递到输出层；时段预测模型的最后一层为输出层，输出层接收第二全连接层的第二低维度向量并进行计算，将计算后的模型预测结果进行输出，获得所述待呼时段接通概率。

本实施例将待呼用户特征向量、待呼上下文特征向量和待呼时段特征向量输入到经过训练优化的时段预测模型中进行预测，获得待呼用户在待呼时段的接通概率。

在一实施例的步骤S50中，即所述根据所述待呼时段接通概率进行智能外呼，具体包括如下步骤：

S501、获取多个时段的待呼时段接通概率；

S502、根据所述待呼时段接通概率对所述多个时段进行排序；

S503、将所述待呼时段接通概率最高的时段确定为预测时段；

S504、在所述预测时段进行智能外呼。

可理解地，选择一天中若干个时段的其中一个时段作为待呼时段，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，得到在这一待呼时段外呼时待呼用户的接通概率。为了能够保证待呼用户的最优接通概率，时段预测模型在待呼用户特征向量和待呼上下文特征向量不变的情况下，改变待呼时段特征向量的输入对多个待呼时段进行预测，获得多个待呼时段的待呼时段接通概率，并根据接通概率的高低将对应的待呼时段进行排序，将接通概率最高的待呼时段作为预测时段，智能外呼机器人在预测时段对对应的待呼用户进行智能外呼。

本实施例利用时段预测模型和待呼用户的对应特征，对于每个待呼用户都进行多个待呼时段的接通概率预测，在接通概率最高的待呼时段进行外呼，实现了针对每个外呼用户的特征因人而异，实现外呼时段个性化预测，使每个用户的接通概率最高。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种智能外呼时段预测装置，该智能外呼时段预测装置与上述实施例中智能外呼时段预测方法一一对应。如图3所示，该智能外呼时段预测装置包括样本标注模块10、特征处理模块20、模型构建模块30、时段预测模块40和智能外呼模块50。各功能模块详细说明如下：

样本标注模块10，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20，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30，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；

时段预测模块40，用于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；

智能外呼模块50，用于根据所述待呼时段接通概率进行智能外呼。

可选的，样本标注模块10包括：

状态获取单元101，用于获取所述外呼通话记录的接通状态；

样本标注单元102，用于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；

样本合并单元103，用于合并所述正样本和所述负样本，获得所述样本库。

可选的，特征处理模块20包括：

特征离散化单元201，用于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；

特征向量化单元202，用于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。

可选的，时段预测模块40包括：

输入层预测单元401，用于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；

隐藏层预测单元402，用于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；

全连接层预测单元403，用于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；

输出层预测单元404，用于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。

可选的，智能外呼模块50包括：

概率获取单元501，用于获取多个时段的待呼时段接通概率；

概率排序单元502，用于根据所述待呼时段接通概率对所述多个时段进行排序；

时段确定单元503，用于将所述待呼时段接通概率最高的时段确定为预测时段；

外呼单元504，用于在所述预测时段进行智能外呼。

关于智能外呼时段预测装置的具体限定可以参见上文中对于智能外呼时段预测方法的限定，在此不再赘述。上述智能外呼时段预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储智能外呼时段预测方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种智能外呼时段预测方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现以下步骤：

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。

在一个实施例中，提供了一个或多个存储有计算机可读指令的计算机可读存储介质，本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时实现以下步骤：

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。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

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。

7.一种智能外呼时段预测装置，其特征在于，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；

时段预测模块，用于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；

智能外呼模块，用于根据所述待呼时段接通概率进行智能外呼。

8.如权利要求7所述的智能外呼时段预测装置，其特征在于，所述样本标注模块包括：

状态获取单元，用于获取所述外呼通话记录的接通状态；

样本标注单元，用于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；

样本合并单元，用于合并所述正样本和所述负样本，获得所述样本库。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述智能外呼时段预测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至6中任一项所述智能外呼时段预测方法。

Images