CN104769575A - 多输出松弛机器学习模型 - Google Patents

多输出松弛机器学习模型 Download PDF

Info

Publication number
CN104769575A
CN104769575A CN201380054239.0A CN201380054239A CN104769575A CN 104769575 A CN104769575 A CN 104769575A CN 201380054239 A CN201380054239 A CN 201380054239A CN 104769575 A CN104769575 A CN 104769575A
Authority
CN
China
Prior art keywords
potential customers
output component
output
succedaneum
decision
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201380054239.0A
Other languages
English (en)
Inventor
托尼·拉蒙·马丁内斯
曾信川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Internal Sales Co
Xant Inc
Original Assignee
Internal Sales Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Internal Sales Co filed Critical Internal Sales Co
Publication of CN104769575A publication Critical patent/CN104769575A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • User Interface Of Digital Computer (AREA)
  • Feedback Control In General (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种多输出松弛(MOR)机器学习模型。在一个示例实施方式中，用于采用MOR机器学习模型来预测多输出依赖性(MOD)输出决策的多个相互依赖的输出分量的方法可以包括：训练针对MOD输出决策的多个相互依赖的输出分量中的每个输出分量的分类器，以基于输入并且基于其他分量中的所有分量来预测该分量。该方法还可以包括：将针对分量中的每个分量的每个可能的值初始化为预定输出值。该方法还可以包括：对分类器中的每个分类器运行松弛迭代以更新针对分量中的每个分量的每个可能的值的输出值，直到松弛状态达到平衡或者达到松弛迭代的最大次数。该方法还可以包括：从分类器中的每个分类器中检索最优分量。

Description

多输出松弛机器学习模型
技术领域
本文中所讨论的实施方式涉及多输出松弛(MOR)机器学习模型。
背景技术
机器学习是一种形式的人工智能，其用于使计算机能够基于经验数据来逐渐形成行为。机器学习可以利用训练示例以捕获这些示例的未知的隐含的概率分布的感兴趣的特征。训练数据可以被视为示出了所观测变量之间的关系的示例。机器学习研究的主要焦点在于：自动学习以识别复杂的模式并且基于数据做出智能的决策。
机器学习的一个主要困难在于下述事实：给定所有可能的输入，所有可能的行为的集合太大，以致于不能被训练数据的集合所覆盖。因此，机器学习模型必须从训练数据中进行归纳，以便能够在新的案例中产生有用的输出。
机器学习的一个示例为传统的结构化预测(SP)。传统的SP是一种针对依赖性输出的单模型方法。利用SP，一旦指定输入特征向量x，则可以完全地指定单个正确的输出向量z。因此，给定输入特征向量x，输出向量z完全以输入特征向量x为条件，并且输出向量z(z1,z2，…)的不同输出分量有条件地彼此独立。因此，给定x的z1的概率等于给定x和z2的z1的概率，或者p(z1|x)＝p(z1|x，z2)。然而，传统的SP不能处理不同输出分量之间的相互依赖关系。另外，传统的SP不能处理针对给定输入具有多个正确的输出决策的问题。
本文中要求保护的主题不限于解决任何缺点或者仅在例如上述那些的环境中操作的实施方式。而是，该背景仅被提供用于示出其中可以实践本文中所描述的一些实施方式的一个示例技术。
发明内容
总体上，本文中所描述的示例实施方式涉及一种采用多输出松弛(MOR)机器学习模型来预测多输出依赖性(MOD)输出决策的多个相互依赖的输出分量的方法。本文中所公开的示例方法可以用于解决MOD问题。
在一个示例实施方式中，一种用于采用MOR机器学习模型来预测MOD输出决策的多个相互依赖的输出分量的方法可以包括：训练针对MOD输出决策的多个相互依赖的输出分量中的每个输出分量的分类器，以基于输入并且基于其他分量中的所有分量来预测该分量。所述方法还可以包括：将针对分量中的每个分量的每个可能的值初始化为预定输出值。所述方法还可以包括：对分类器中的每个分类器运行松弛迭代以更新针对分量中的每个分量的每个可能的值的输出值，直到松弛状态达到平衡或者达到松弛迭代的最大次数。所述方法还可以包括：从分类器中的每个分类器中检索最优分量。
在以上示例中，每个分类器可以包括多层感知(MLP)神经网络、另外的多层神经网络、决策树或者支持向量机。而且，当针对当前迭代的输出分量的可能的值的输出值与针对之前迭代的输出分量的可能的值的输出值之间的差异小于或等于预定阈值时，可以达到平衡。另外，所述MOD输出决策可以为LRM MOD输出决策，并且所述输入包括输入特征向量，所述输入特征向量包括关于潜在客户的恒定特征以及与代理者与潜在客户之间的交互有关的交互特征，所述输入特征向量中的特征包括以下各项中的一项或更多项：潜在客户源；潜在客户的头衔；潜在客户的行业；潜在客户所在州；潜在客户的创建日期；潜在客户的公司规模；潜在客户的状态；之前的拨号次数；之前的电子邮件数目；之前的动作；自上次动作之后的小时数；响应代理者的头衔；响应方法；响应消息类型；响应定时；代理者或潜在客户的人口统计简档；代理者或潜在客户的组织简档；代理者或潜在客户的心理简档；代理者或潜在客户的社交网络简档；代理者或潜在客户的地理简档；响应频率；响应持续性；以及关于当前事件的数据，并且所述输出分量可以包括以下各项中的一项或更多项：响应代理者的头衔；响应方法；响应消息类型；响应定时；代理者或潜在客户的人口统计简档；代理者或潜在客户的组织简档；潜在客户联系人头衔；代理者或潜在客户的心理简档；代理者或潜在客户的社交网络简档；代理者或潜在客户的地理简档；响应频率；以及响应持续性。
而且，在以上示例中，所述MOD输出决策可以包括两个或更多个相互依赖的输出分量，所述MOD输出决策可以涉及体育、人质谈判、零售、网上购物系统、网络内容管理系统、客户服务、合同谈判或危机管理或者其一定组合，所述方法可以产生多个正确的MOD输出决策，并且所述多个正确的MOD输出决策中的每一个具有相同的输出值或者具有在预定阈值以上的输出值，可以同时地确定所述MOD输出决策中的输出分量的次序。
在另一示例实施方式中，一种采用MOR机器学习模型来预测MOD输出决策的多个相互依赖的输出分量的方法可以包括：训练第一分类器以基于输入并且基于第二分量来预测MOD输出决策的两个相互依赖的输出分量中的第一输出分量。所述方法还可以包括：训练第二分类器以基于输入并且基于所述第一分量来预测所述MOD输出决策的所述两个分量中的所述第二分量。所述方法还可以包括：将针对所述分量中的每个分量的每个可能的值初始化为预定输出值。所述方法还可以包括：对所述分类器中的每个分类器运行松弛迭代以更新针对所述分量中的每个分量的每个可能的值的输出值，直到松弛状态达到平衡或者达到松弛迭代的最大次数。所述方法还可以包括：从所述分类器中的每个分类器中检索最优分量。
在以上示例中，所述MOD输出决策可以包括LRM MOD输出决策，并且所述多个相互依赖的输出分量可以包括以下各项中的一项或更多项：响应代理者的头衔；响应方法；响应消息类型；响应定时；代理者或潜在客户的人口统计简档；代理者或潜在客户的组织简档；潜在客户联系人头衔；代理者或潜在客户的心理简档；代理者或潜在客户的社交网络简档；代理者或潜在客户的地理简档；响应频率；以及响应持续性。而且，当针对当前迭代的输出分量的可能的值的输出值与针对之前迭代的输出分量的可能的值的输出值之间的差异小于或等于预定阈值时，可以达到平衡。
另外，在以上示例中，可以训练一个或更多个另外的分类器，以基于所述输入并且基于所述第一输出分量、所述第二输出分量以及每个其他的另外的输出分量来预测所述MOD输出决策的一个或更多个另外的相互依赖的输出分量。而且，所述输入、所述第二输出分量以及每个另外的输出分量可以用于预测所述第一输出分量。另外，所述输入、所述第一输出分量以及每个另外的输出分量可以用于预测所述第二输出分量。
在另一示例实施方式中，一种采用MOR机器学习模型来预测潜在客户响应管理(LRM)MOD输出决策的多个相互依赖的输出分量的方法可以包括：训练第一分类器以基于输入并且基于第二分量来预测LRMMOD输出决策的两个相互依赖的输出分量中的第一输出分量。所述方法还可以包括：训练第二分类器以基于所述输入并且基于所述第一分量来预测所述LRM MOD输出决策的所述两个分量中的所述第二分量。所述方法还可以包括：将针对所述分量中的每个分量的每个可能的值初始化为预定输出值。所述方法还可以包括：对所述分类器中的每个分类器运行松弛迭代以更新针对所述分量中的每个分量的每个可能的值的输出值，直到松弛状态达到平衡或者达到松弛迭代的最大次数。所述方法还可以包括：从所述分类器中的每个分类器中检索最优分量。
要理解的是，如所要求保护的，前述的总体描述以及以下的详细描述二者均为示例性和说明性的而非限制本发明。
附图说明
将通过使用附图来更加明确且详细地描述和说明示例实施方式，在附图中：
图1是示出包括示例联系服务器的示例潜在客户响应管理(LRM)系统的示意性框图；
图2是示出图1的示例联系服务器的另外的细节的示意性框图；
图3A是示出示例多输出松弛(MOR)机器学习模型的示意性流程图；
图3B是示出示例输入特征向量的文本图；
图3C是示出用于预测第一相互依赖的输出分量的第一示例多层感知(MLP)神经网络的示意性流程图；
图3D是示出用于预测第二相互依赖的输出分量的第二示例MLP神经网络的示意性流程图；
图4是采用MOR机器学习模型来预测多输出依赖性(MOD)输出决策的多个相互依赖的输出分量的示例方法的示意性流程图；
图5是多个正确的MOD输出决策的示意性流程图；
图6示出了示例客户关系管理(CRM)系统的用户界面的示例计算机屏幕图像；
图7示出了示例LRM系统的用户界面的示例计算机屏幕图像；
图8A示出了在代理者已经选择潜在客户之前的示例潜在客户顾问显示的示例计算机屏幕图像；以及
图8B示出了在代理者已经选择潜在客户之后的图8A的示例潜在客户顾问显示的示例计算机屏幕图像。
具体实施方式
本文中所描述的一些实施方式包括采用多输出松弛(MOR)机器学习模型来预测多输出依赖性(MOD)输出决策的多个相互依赖的输出分量的方法。本文中所公开的示例方法可以用于解决MOD问题。
如本文中所使用的，术语“多输出依赖性”或“MOD”指代包括相互依赖的多个输出分量的输出决策或者具有这样的输出决策的问题，所述相互依赖在于每个分量不仅取决于输入而且取决于其他分量。一些示例MOD问题包括但不限于：1)给定当前股票市场条件，要购买以平衡共有基金的股票的组合；2)给定对方团队的当前阵容，要加入运动队的阵容的队员的组合；以及3)给定当前天气条件，要穿戴的衬衫、裤子、腰带和鞋的组合。在这些示例中的每个示例中，输出决策的每个分量取决于输入(当前股票市场条件、对方团队阵容或当前天气条件)和其他分量(所购买的其他股票、所加入的其他队员或所选择的其他衣物)二者。MOD问题的其他示例可以涉及人质谈判、零售、网上购物系统、网络内容管理系统、客户服务、合同谈判或危机管理或者需要具有多个相互依赖的输出分量的输出决策的任何其他情况。
另一示例MOD问题为潜在客户响应管理(LRM)。LRM是一个以使联系率或资格鉴定率最优化的方式来响应潜在客户的过程。潜在客户可以来自各种源，包括但不限于网络表单、推荐以及从潜在客户卖方所购买的列表。当潜在客户进入组织时，如何响应该潜在客户的输出决策可以包括多个相互依赖的分量，例如但不限于：谁应当响应该潜在客户；应当采用何种方法来响应该潜在客户；应当将何种内容包括在响应消息中；以及何时应当发生响应。这些输出决策的分量中的每个分量取决于输入(潜在客户信息)和其他分量二者。例如，响应的定时可以取决于被选择来响应的人的可用性。另外，消息的内容可以取决于响应的方法(例如，由于电子邮件消息的长度不限于如文本消息的长度)。虽然通常在LRM的上下文中来说明本文中所公开的示例方法，但是要理解的是，本文中所公开的示例方法可以用于解决任何MOD问题。
将参照附图来说明示例实施方式。
图1是示出示例LRM系统100的示意性框图。如所示的，示例LRM系统100包括各种部件，例如公用交换电话网络(PSTN)110、用户通信和/或计算设备112、将PSTN 100连接至互联网130的TDM网关120、远程代理者站121、工作站128、呼叫中心140、将局域网160连接至互联网130的互联网网关150、网络服务器170、联系服务器200、潜在客户数据服务器190、本地代理者工作站192以及控制工作站194。示例LRM系统100的各种部件可操作地互联，来以使联系率或资格鉴定率最优化的方式协同地改进响应潜在客户的过程。
如图1中所公开的，远程代理者站121包括无线电话122、有线电话124、无线计算设备126以及工作站128。在某些实施方式中，无线电话122或有线电话124可以为互联网协议语音(VoIP)电话。在一些实施方式中，无线计算设备126或工作站128可以配备有软件电话。远程代理者站121使得代理者能够以类似于被定位在本地代理者工作站192处并且直接地连接至局域网160的代理者的方式来从远程位置响应潜在客户。
在一个示例实施方式中，局域网160驻留在呼叫中心140内，呼叫中心140使用VoIP和其他发送消息服务来联系连接至PSTN 110和/或互联网130的用户。呼叫中心140中的各种服务器协作地起作用以：获取潜在客户；存储潜在客户信息；分析潜在客户信息以决定如何最佳地响应每个潜在客户；经由代理者终端——例如本地代理者工作站192和远程代理者站121——向代理者分配潜在客户；便于经由例如PSTN 110或互联网130来在代理者与潜在客户之间进行通信；跟踪所尝试并且成功的代理者与潜在客户的交互；以及存储所更新的潜在客户信息。网络服务器170可以经由浏览器可显示网页来向用户提供一个或更多个网络表单172。可以经由配备有浏览器的各种用户通信和/或计算设备112来向用户显示网络表单，所述用户通信和/或计算设备包括电话、智能电话、平板计算机、膝上型计算机、桌上型计算机、媒体播放器等。网络表单172可以向用户提示联系数据，例如名称、头衔、行业、公司信息、地址、电话号码、传真号码、电子邮件地址、即时发送消息地址、推荐信息、可用性信息以及感兴趣的信息。网络服务器170可以响应于用户提交网络表单来接收与用户相关联的潜在客户信息，并且向例如联系服务器200和潜在客户数据服务器190提供潜在客户信息。
联系服务器200和潜在客户数据服务器190可以接收潜在客户信息并且检索与相关联的用户相关联的另外的数据，例如网络分析数据、反向查找数据、信用检查数据、网站数据、网站排名信息、不呼叫注册数据、来自客户关系管理(CRM)数据库的数据以及背景检查信息。潜在客户数据服务器190可以将所收集的数据存储在潜在客户简档(未示出)中并且使用户与LRM方案(未示出)相关联。
联系服务器200可以根据相关联的LRM方案来联系潜在客户并且向代理者递送潜在客户信息，以使得代理者能够以使联系率或资格鉴定率最优化的方式来响应潜在客户。这样的联系或资格鉴定的特定目的可以包括例如：建立与潜在客户的关系；感谢潜在客户对产品的兴趣；回答来自潜在客户的问题；向潜在客户告知产品或服务供应；销售产品或服务；调查潜在用户的需求和偏好；以及向潜在客户提供支持。联系服务器200可以使用例如下述的各种递送服务来向代理者递送信息：例如电子邮件服务、即时发送消息服务、短消息服务、高级发送消息服务、文本发送消息服务、基于电话的文本转语音服务以及多媒体递送服务。远程代理者站121或本地代理者站192可以向代理者呈现潜在客户信息并且使得代理者能够通过与潜在客户通信来响应潜在客户。
图2是示出图1的示例联系服务器200的另外的细节的示意性框图。如图2中所公开的，联系服务器200包括联系管理器210、拨号模块220、发送消息模块230、PBX模块240以及终端硬件250。在所描绘的实施方式中，联系管理器包括MOR机器学习模块212、LRM方案选择模块214、代理者选择模块216以及潜在客户数据服务器访问模块218。虽然被示出为在联系服务器200内，但是所描绘的模块也可以部分地或整体地驻留在其他服务器例如网络服务器170和潜在客户数据服务器190上。联系服务器200使得代理者能够结合LRM方案来与潜在客户通信。
联系管理器210在需要时建立与潜在客户和代理者的联系并且管理联系会话。联系管理器210可以经由拨号模块220和/或发送消息模块230来对联系进行初始化。
根据本文中所公开的示例方法，MOR机器学习模块212采用MOR机器学习模型来预测MOD输出决策的多个相互依赖的输出分量。在至少一些示例实施方式中，MOR机器学习模块212利用潜在客户数据服务器访问模块218来访问并且分析存储在图1的潜在客户数据服务器190上的潜在客户信息。一旦针对特定潜在客户预测一个或更多个响应决策，则可以将一个或更多个响应决策传送至LRM方案选择模块214。
LRM方案选择模块214呈现和/或选择针对特定潜在客户和/或供应的一个或更多个LRM方案。类似地，代理者选择模块216选择在每个LRM方案中指定的代理者、代理者类别或代理者技能集。
潜在客户数据服务器访问模块218使得联系管理器210能够访问对于联系潜在客户而言有用的潜在客户信息。在一个实施方式中，潜在客户数据服务器访问模块218使得联系管理器210能够访问潜在客户数据服务器190。
拨号模块220建立电话呼叫，包括VoIP电话呼叫和PSTN呼叫。在一个实施方式中，拨号模块220接收唯一的呼叫标识符，建立电话呼叫并且向联系管理器210通知该呼叫已经被建立。拨号模块220的各种实施方式合并了各种辅助功能，例如从数据库中检索电话号码、将电话号码与所限制的呼叫列表进行比较、转移呼叫、进行会议呼叫、监视呼叫、播放所记录的消息、检测答录机、记录语音消息以及提供交互式话音响应(IVR)能力。在一些实例中，拨号模块220引导PBX模块240执行辅助功能。
发送消息模块230向代理者和潜在客户发送消息并且接收至代理者和客户的消息。为了发送和接收消息，发送消息模块230可以利用一个或更多个递送或发送消息服务，例如电子邮件服务、即时发送消息服务、短消息服务、文本消息服务以及高级发送消息服务。
PBX模块240将专用电话网络连接至PSTN 110。联系管理器210或拨号模块220可以引导PBX模块240将专用电话网络上的线路与PSTN110或互联网130上的号码相连接。在一些实施方式中，PBX模块240提供由拨号模块220调用的辅助功能中的一些辅助功能。
终端硬件250将来自本地网络的呼叫路由至PSTN 110。在一个实施方式中，终端硬件250对接至常规的电话终端。在一些实施方式和实例中，终端硬件250提供由拨号模块220调用的辅助功能中的一些辅助功能。
已经关于图1和图2描述了特定环境(LRM系统)和特定应用(LRM)，要理解的是，该特定环境和应用仅为其中可以采用示例实施方式的无数环境和应用中的一者。并非意在将示例实施方式的范围限于任何特定环境或应用。
图3A是示出示例MOR机器学习模型300的示意性流程图。模型300被配置成在顺序决策做出时被采用以预测多个相互依赖的输出分量，即MOD输出决策z中的z1、z2、z3和z4。虽然输出决策z包括四(4)个分量，但是要理解的是，可以结合具有两(2)个或更多个相互依赖的分量的任何输出决策来采用MOR机器学习模型。可以基于所记录的历史数据来训练模型300，以便其可以做出最优(或接近最优)的决策，特别是在决策由需要同时确定的许多变量组成时。
虽然可以在任何数目的应用中采用模型300以产生MOD输出决策，但是在图3A中采用模型300来产生LRM MOD输出决策。特别地，采用模型300以针对给定潜在客户来决定按照使潜在客户的联系或资格鉴定最优化的顺序接下来应当执行何种响应。
例如，可以采用模型300以基于输入x来产生LRM MOD输出决策z＝(z1，z2，z3，z4)，其中，z1，z2，z3和z4为输出决策z的四个分量。在该示例中，z1＝响应代理者的头衔，z2＝响应方法，z3＝响应消息类型，并且z4＝响应定时。输入x可以为包括关于特定潜在客户的信息的输入特征向量。
要理解的是，响应代理者的头衔、响应方法、响应消息类型以及响应定时这些分量仅为LRM MOD输出决策的示例分量。其他示例分量可以包括但不限于：代理者或潜在客户的人口统计简档；代理者或潜在客户的组织简档(即，可以包括代理者与潜在客户之间的过去的交互的代理者或潜在客户的生活中的事件的简档)；潜在客户联系人头衔(即，潜在客户组织内的特定联系人的头衔)；代理者或潜在客户的心理简档(即，代理者或潜在客户的心理特征的简档)；代理者或潜在客户的社交网络简档(即，在线社交网络例如或或者离线社交网络例如Entrepreneurs市民俱乐部、联谊会或团体中的代理者与潜在客户的接近度)；代理者或潜在客户的地理简档(即，定义代理者或潜在客户的当前和/或过去位置的城市、州或其他地理指定)；响应频率(即，代理者多久联系潜在客户一次)；以及响应持续性(即，代理者在联系潜在客户时持续多久)。
图3B是示出示例输入特征向量x的文本图。图3B的示例输入特征向量x包括关于特定潜在客户的信息。特别地，示例输入特征向量x包括关于潜在客户的恒定特征——例如潜在客户的头衔和潜在客户的行业——以及与代理者与潜在客户之间的交互有关的交互特征——例如之前的拨号次数和之前的动作。可以由图3A的模型300将通过示例输入特征向量x提供的潜在客户信息用作输入，以便确定应当执行使对潜在客户的联系或资格鉴定最优化的哪个下一个顺序响应。
要理解的是，潜在客户源、潜在客户的头衔、潜在客户的行业、潜在客户所在州、潜在客户的创建日期、潜在客户的公司规模、潜在客户的状态、之前的拨号次数、之前的电子邮件数目、之前的动作以及自上次动作之后的小时数这些输入特征仅为至LRM MOD输出决策的示例输入特征。其他示例输入特征可以包括但不限于响应代理者的头衔、响应方法、响应消息类型、响应定时、代理者或潜在客户的人口统计简档、代理者或潜在客户的组织简档、代理者或潜在客户的心理简档、代理者或潜在客户的社交网络简档、代理者或潜在客户的地理简档、响应频率；以及响应持续性。另外地，输入特征可以包括关于当前事件例如与政治、经济、自然现象、社会和文化有关的当前事件的数据。还要理解的是，在将特定输入特征用作至特定LRM MOD输出决策的输入的情况下，特定输入特征将不被包括在特定LRM MOD输出决策的输出分量当中。
如在图3A中所公开的，分量z1、z2、z3和z4之间存在相互依赖性。例如，对分量z2的决策(响应方法)可以对针对分量z4的决策(响应定时)具有影响。例如，如果z2＝拨号，则代理者可能需要考虑潜在客户何时可以在电话上讲话(例如，通常在潜在客户所属的时区的工作时间期间)。如果z2＝电子邮件，则代理者可以在任何时间发送电子邮件。
因而，在图3A的示例应用中，并且其他MOD输出决策通常就是这样，z的分量取决于输入x和z的其他分量二者。因而，在该示例中，给定x的z1的概率不一定等于给定x和z2的z1的概率，或者p(z1|x)≠p(z1|x，z2)。换言之，在不考虑x和z的其他分量的值的情况下不能决定z的特定分量应当取何值。
图3A的模型300采用基分类器。特别地，并且如在图3A中所公开的，模型300将多层感知(“MLP”)神经网络MLP1、MLP2、MLP3和MLP4用作基分类器。然而，要理解的是，模型300替选地可以采用其他类型的基分类器，包括但不限于其他多层神经网络、决策树以及支持向量机。
图3C是示出用于基于图3B的输入特征向量x并且基于图3D中的所预测的第二相互依赖的输出分量z2以及所预测的第三相互依赖的输出分量z3和第四相互依赖的输出分量z4来预测第一相互依赖的输出分量z1的MLP神经网络MLP1的示意性流程图。在图3C中，由MLP神经网络MLP1的输入层接收输入特征向量x以及输入分量z2、z3和z4，并且然后由隐蔽层和输出层对其进行处理以预测z1∈{z11，z12，z13}。
图3D是示出用于基于图3B的输入特征向量x并且基于图3C的所预测的第一相互依赖的输出分量z1以及所预测的第三相互依赖的输出分量z3和第四相互依赖的输出分量z4来预测第二相互依赖的输出分量z2的MLP神经网络MLP2的示意性流程图。在图3D中，由MLP神经网络MLP2的输入层接收输入特征向量x和输入分量z1、z3和z4，并且然后由隐蔽层和输出层对其进行处理以预测z2∈{z21，z22，z23}。如图3A中所公开的，MLP3和MLP4以与MLP1和MLP2相似的方式起作用。
图4是采用MOR机器学习模型来预测MOD输出决策的多个相互依赖的输出分量的示例方法400的示意性流程图。在至少一些实施方式中，可以通过图2的联系服务器200的联系管理器210的MOR机器学习模块212来实现方法400。例如，如方法400的块402、404、406、408、410和412中的一个或更多个块所表示的，MOR机器学习模块212可以被配置成执行计算机指令，以执行采用图3A的MOR机器学习模型300来预测LRM MOD输出决策z的多个相互依赖的输出分量z1、z2、z3和z4的操作。虽然被示出为离散的块，但是取决于期望的实现，可以将各种块划分成另外的块、合并成较少的块或去除。现在将参照图1至图4来讨论方法400。
方法400可以在块402处开始，在块402中，训练针对输出决策的多个相互依赖的输出分量中的每个输出分量的分类器以基于输入并且基于其他分量中的所有分量来预测该分量。例如，MOR机器学习模块212可以训练MLP神经网络MLP1、MLP2、MLP3和MLP4以基于图3B的输入特征向量x并且基于所预测的其他分量中的所有分量来预测分量z1、z2、z3和z4中的每个分量。在图3A中所公开的示例实施方式中，z1＝响应代理者的头衔，z2＝响应方法，z3＝响应消息类型，z4＝响应定时。因此，根据(x，z2，z3，z4；z1)来训练MLP1以将x、z2、z3和z4用作输入来预测响应代理者的头衔z1，；根据(x，z1，z3，z4；z2)来训练MLP2以将x、z1、z3和z4用作输入来预测响应方法z2；根据(x，z1，z2，z4；z3)来训练MLP3以将x、z1、z2和z4用作输入来预测响应消息类型z3；根据(x，z1，z2，z3；z4)来训练MLP4以将x、z1、z2和z3用作输入来预测响应定时z4。
要理解的是，由于可以同时地确定使用MOR机器学习模型产生的输出决策中的分量的次序，所以本文中的针对分量的下标1、2、3和4的使用以及本文中的术语例如“第一分量”和“第二分量”的使用不表示或暗示次序，而是在本文中简单地用于便于区分分量。
在块404处，将针对每个输出分量的每个可能的值初始化为预定输出值。例如，MOR机器学习模块212可以将针对输出分量z1、z2、z3和z4中的每个输出分量的每个可能的值初始化为相同输出值1/N，其中，N为针对输出分量的可能的值的数目，从而针对输出分量的可能的值的初始输出值的总和等于1。替选地，MOR机器学习模块212可以将针对输出分量z1、z2、z3和z4中的每个输出分量的每个可能的值初始化为另外的预定输出值，该预定输出值包括但不限于基于资源可用性、基于基线或基于先验概率的输出值。
在该示例中，假定分量z1、z2、z3和z4中的每个分量具有如下的三(3)个可能的值：z1∈{z11，z12，z13}＝{销售副总裁、销售经理、销售代表}；z2∈{z21，z22，z23}＝{呼叫、电子邮件、传真}；z3∈{z31，z32，z33}＝{MT1，MT2，MT3}；以及z4∈{z41，z42，z43}＝{短、中等、长}。在该示例中，针对MLP1、MLP2、MLP3和MLP4，存在总共十二(12)个可能的输入值zij；其中，i∈{1，2，3，4}，并且j∈{1，2，3}。针对MLP神经网络MLP1的输入为(x，z2，z3，z4)。存在针对分量z2，z3和z4的总共九(9)个可能的值，即针对z2的三(3)个可能的值z21，z22，z23，针对z3的三(3)个可能的值z31，z32，z33，以及针对z4的三(3)个可能的值z41，z42，z43。
由于N＝3，所以可以将针对MLP神经网络MLP1的输入分量的九(9)个可能的值中的每个值的输出值初始化为1/3，即可以将a(z21)、a(z22)、a(z23)、a(z31)、a(z32)、a(z33)、a(z41)、a(z42)和a(z43)均初始化为1/3，其中，“a(zij)”为表示输出值的变量，i∈{1，2，3，4}，并且j∈{1，2，3}。以类似的方式，还可以将针对MLP神经网络MLP2、MLP3和MLP4中的每一个的输入分量的九(9)个可能的值中的每个值的输出值初始化为1/3。例如，其中，z2∈{z21，z22，z23}＝{呼叫、电子邮件、传真}，a(z21)为可能的值中的一者的变量，即“呼叫”，并且可以将a(z21)在迭代次数t＝1处初始化为a(z21)(t)＝0.33。
替选地，还可以将针对MLP神经网络MLP1、MLP2、MLP3和MLP4中的每一个的输入分量的十二(12)个可能的值中的每个值的输出值初始化为另外的相同的输出值，例如小于1/3的输出值，或者初始化为例如基于例如资源可用性、基于基线或基于先验概率的不相同的输出值。
在块406处，对每个分类器运行松弛迭代以更新针对每个输出分量的每个可能的值的输出值。例如，MOR机器学习模块212可以对MLP神经网络MLP1、MLP2、MLP3和MLP4中的每一个运行松弛迭代，以更新针对输出分量z1、z2、z3和z4中的每个输出分量的每个可能的值的输出值。在该示例中，对MLP神经网络MLP1运行松弛迭代将生成直接从MLP1中检索的三(3)个输出值，即p(z11)、p(z12)、p(z13)。类似地，对MLP神经网络MLP2、MLP3和MLP4运行松弛迭代将生成总共九(9)个输出值，即p(z21)、p(z22)、p(z23)、p(z31)、p(z32)、p(z33)、p(z41)、p(z42)和p(z43)。这些十二(12)个输出值p(zij)(i∈{1，2，3，4}，并且j∈{1，2，3})可以被视为针对十二(12)个输出值a(zij)的初始估算值并且将被用作用于在下一松弛迭代即迭代次数t+1中、使用公式a(zij)(t+1)＝a(zij)(t)+R·(p(zij)(t)-a(zij)(t))来更新输出值a(zij)的学习目标，其将在下面更详细地描述。例如，在迭代次数t＝1的情况下，通过对MLP2运行松弛迭代来更新a(z21)(t)以产生z21的输出值p(z21)(t)＝0.47。在该示例中，a(z21)(t)为迭代次数t处的MLP2的输出值并且在下一迭代即迭代次数t+1中将其用作MLP1、MLP3和MLP4的输入。在该示例中，p(z21)(t)为在迭代次数t处直接从MLP2中检索的输出值并且将其用作更新a(z21)(t+1)的目标。
在决策块408处，确定松弛状态是否已经达到平衡。如果松弛状态已经达到平衡，(在决策块408处为“是”)，则方法400进行至块412。如果松弛状态尚未达到平衡(在决策块408处为“否”)，则方法400进行至决策块410。
例如，MOR机器学习模块212可以确定松弛状态是否已经达到平衡。可以根据以下两个公式来确定是否已经达到平衡。首先，如下应用松弛率以更新针对输出分量z1、z2、z3和z4中的每个输出分量的每个可能的值的输出值：a(zij)(t+1)＝a(zij)(t)+R·(p(zij)(t)-a(zij)(t))；其中，R为松弛率；t为迭代次数；i∈{1，2，3，4}，并且j∈{1，2，3}。其次，一旦以下等式为真，则可以认为松弛已经达到平衡：|a(zij)(t+1)-a(zij)(t)|≤T；其中，T为阈值。
例如，在迭代次数t＝1并且R＝0.1的情况下，使用来自上述的z21的a(z21)(t)和p(z21)(t)的示例值，即a(z21)(1)＝0.33并且p(z21)(1)＝0.47，首先将公式a(zij)(t+1)＝a(zij)(t)+R·(p(zij)(t)-a(zij)(t))处理如下：a(z21)(2)＝0.33+0.1·(0.47-0.33)＝0.344。其次，在T＝0.01的情况下，将公式|a(zij)(t+1)-a(zij)(t)|处理如下：|0.344–0.33|＝0.014。由于0.014大于0.01，所以语句|a(zij)(t+1)-a(zij)(t)|≤T为假，并且认为松弛尚未达到平衡。
在决策块410处，确定是否已经达到松弛迭代的最大次数。如果已经达到松弛迭代的最大次数(在决策块410处为“是”)，则方法400进行至块412。如果尚未达到松弛迭代的最大次数(在决策块410处为“否”)，则方法400返回至块406以进行另外的松弛迭代。
例如，MOR机器学习模块212可以确认是否已经达到松弛迭代的最大次数。在该示例中，一旦以下等式为假，则可以认为已经达到松弛迭代的最大次数：t≤M；其中，t为迭代次数，并且M为松弛迭代的最大次数。
例如，在迭代次数t＝1并且M＝100的情况下，由于1小于100，所以语句t≤M为真，并且认为尚未达到松弛迭代的最大次数。因而，方法400可以返回至块406以进行另外的松弛迭代，在另外的松弛迭代中将迭代次数t＝2以及a(z21)(2)＝0.344用作MLP1、MLP3和MLP4的输入。类似地，MLP2接收来自从MLP1、MLP3和MLP4中所检索的相应的a(z21)(2)的值的输入。根据这些输入，MLP2生成输出值p(z21)(2)。然后可以使用公式a(z21)(3)＝a(z21)(2)+R·(p(z21)(2)-a(z21)(2))、根据(z21)(2)和输出值p(z21)(2)来计算p(z21)(3)的值。在该示例中，迭代次数t＝2处，还将迭代次数t＝2处的合适的分类器的输出p(z21)(2)和a(z21)(2)用作公式a(zij)(3)＝a(zij)(2)+R·(p(zij)(2)-a(zij)(2))的输入来更新其他的十一(11)个a(z21)(3)。
在块412处，从每个分类器中检索最优的输出分量。例如，MOR机器学习模块212可以分别从MLP神经网络MLP1、MLP2、MLP3和MLP4中检索针对分量z1、z2、z3和z4中的每个分量的最优输出分量。
要理解的是，以上所示的示例仅为采用MOR机器学习模型来预测MOD输出决策的多个相互依赖的输出分量的一个示例，并且方法400不限于该示例的特定应用或在该示例中所解决的LRM MOD问题。
图5是多个正确的MOD输出决策的示意性流程图500。如图500中所公开的，MOR机器学习模型300可以针对给定输入特征向量x来生成多个正确的输出决策502和504。虽然在典型决策做出过程中，通常假定给定固定的输入存在唯一的正确决策，但是针对LRM MOD决策，可以存在多个正确的决策，其全部可以产生相似的有利结果。可以基于可用资源在多个正确决策当中选择决策。例如，如果具有响应代理者的头衔z1＝“销售经理”的特定响应代理者在特定时间不可用，则可以做出具有响应代理者的头衔z1＝“销售代表”的另外的正确决策。在同时认为多个输出决策正确的情况下，术语“正确”可以指代每个具有基本上相似的输出值的多个输出决策。例如，图5的输出决策502和504中的每一个可以具有相同或基本上相似的输出值，这表示执行任一输出决策将产生相似的有利结果。另外地或替选地，术语“正确的”可以指代每个具有在预测阈值以上的输出值的多个输出决策。取决于应用，可以将阈值确定为相对高或相对低。虽然在图5中公开了仅两个正确的输出决策，但是要理解的是，MOR机器学习模型300可以生成多于两个正确的输出决策。
已经关于图3A至图5描述了采用MOR机器学习模型来预测MOD输出决策的多个相互依赖的输出分量的示例方法，将关于图6至图8B来描述使得代理者能够访问并且实现所产生的输出决策的示例系统和用户界面。要理解的是，这些特定系统和用户界面仅为其中可以采用示例实施方式的无数系统和用户界面中的一些。并非意在将示例实施方式的范围限于任何特定系统或用户界面。
图6示出了示例客户关系管理(CRM)系统的用户界面600的示例计算机屏幕图像。用户界面600包括使代理者能够管理客户关系并且特别地管理由CRM系统提供的潜在客户的各种控件。可以由网络服务器170在例如图1的工作站128上或在本地代理工作站192上向代理者呈现用户界面600。代理者可以使用用户界面600来响应之前已经存储在图1的潜在客户数据服务器190上的潜在客户。特别地，如下面结合图8A和图8B所讨论的，潜在客户顾问显示800可以使代理者能够以使联系率或资格鉴定率最优化的方式来响应潜在客户。
图7示出了示例LRM系统例如图1中的LRM系统的用户界面700的示例计算机屏幕图像。如图6的用户界面600，用户界面700包括使代理者能够响应潜在客户的各种控件。可以以与用户界面600相似的方式向代理者呈现用户界面700。用户界面还包括潜在客户顾问显示800。
图8A示出了在代理者已经选择潜在客户之前的示例潜在客户顾问显示800的示例计算机屏幕图像，图8B示出了在代理者已经选择潜在客户之后的示例潜在客户顾问显示800的示例计算机屏幕图像。如图8A中所公开的，潜在客户顾问显示800列出了五个潜在客户。每个潜在客户包括名称802、成功可能性计量表804以及成功可能性类别指示符806。如图8A中所公开的，由最高的成功可能性至最低的成功可能性列出了潜在客户。在由代理者进行查询时，通过将例如鼠标移至潜在客户，如图8A中所示，潜在客户可以展开为潜在客户“Mark Littlefield”。在展开时，潜在客户可以向代理者呈现另外的选项，例如确认按钮808、删除按钮810和“更多信息”链接812。
在代理者选择“更多信息”链接812时，通过利用例如鼠标指针点击“更多信息”链接812，如图8B中所公开的，可以向代理者呈现弹出式显示814。弹出式显示814可以向代理者呈现与潜在客户相关联的LRM方案。可以通过本文中所公开的示例方法来生成该LRM方案，并且该LRM方案可以反映具有最高或最高之一的潜在客户的输出值的输出决策。如图8B中所公开的，针对名称为“Mark Littlefield”的潜在客户的LRM方案可以包括：雇佣销售经理来以短的时间帧发送具有消息类型MT1的电子邮件，其与图5的输出决策502相对应。然后代理者可以仅点击弹出式显示814来使潜在客户顾问显示800自动地生成将由销售经理立即发送至潜在客户的具有消息类型MT1的电子邮件。替选地，代理者可以手动地改写响应方案并且手动地执行不同的响应。
因而，本文中所公开的实施方式包括采用MOR机器学习模型来预测MOD输出决策的多个相互依赖的输出分量的方法。本文中所公开的示例方法使得能够基于输入并且基于其他分量中的所有分量来预测每个输出分量。因而，本文中所公开的示例方法可以用于解决MOD问题，例如LRM问题。
如下面更详细地讨论的，本文中所描述的实施方式可以包括：使用包括各种计算机硬件或软件模块的专用或通用计算机。
可以使用用于携载或者具有存储在其上的计算机可执行指令或数据结构的计算机可读介质来实现本文中所描述的实施方式。这样的计算机可读介质可以为通用或专用计算机可以访问的任何可用介质。通过非限制性示例，这样的计算机可读介质可以包括非暂态计算机可读存储介质——包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储装置、磁盘存储装置或其他磁性存储设备，或者可以包括可以用于携载或存储计算机可执行指令或数据结构形式的期望的程序代码并且可以由通用计算机或专用计算机访问的任何其他存储介质。以上的组合也可以包括在计算机可读介质的范围内。
计算机可执行指令包括例如使通用计算机、专用计算机或专用处理设备执行一定功能或功能组的指令和数据。虽然已经以特定于结构性特征和/或方法动作的语言描述了本主题，但是要理解的是，在所附权利要求中限定的主题不一定限于上述特定特征或动作。而是，将上述特定特征和动作公开为实现权利要求的示例形式。
如本文中所使用的，术语“模块”可以指代在计算系统上执行的软件对象或例程。可以将本文中所描述的不同模块实现为在计算系统上执行的对象或过程(例如，作为独立的线程)。虽然优选地以软件来实现本文中所描述的系统和方法，但是以硬件或者软件和硬件的组合的实现也是可以的并且被设想。
本文中所阐述的所有示例和条件性语言意在用于帮助读者理解示例实施方式以及理解由发明人提出以深化现有技术的概念的示范目的，并且其应当被解释为对于这样的特定地阐述的示例和条件没有限制。

Claims (22)

1.一种用于采用多输出松弛(MOR)机器学习模型以使用输入来预测多输出依赖性(MOD)输出决策的多个相互依赖的输出分量的方法，每个输出分量具有多个可能的值，所述方法包括：
训练针对MOD输出决策的多个相互依赖的输出分量中的每个输出分量的分类器，以基于所述输入并且基于其他输出分量中的所有输出分量来预测所述输出分量；
将针对所述输出分量中的每个输出分量的所述可能的值中的每个值初始化为预定输出值；
对所述分类器中的每个分类器运行松弛迭代以更新针对所述输出分量中的每个输出分量的每个可能的值的输出值，直到松弛状态达到平衡或者达到松弛迭代的最大次数；以及
从所述分类器中的每个分类器中检索最优输出分量。
2.根据权利要求1所述的方法，其中，每个分类器包括多层感知(MLP)神经网、另外的多层神经网络、决策树或者支持向量机。
3.根据权利要求1所述的方法，其中，当针对当前迭代的输出分量的可能的值的输出值与针对之前迭代的输出分量的可能的值的输出值之间的差异小于或等于预定阈值时，达到平衡。
4.根据权利要求1所述的方法，其中：
所述MOD输出决策为LRM MOD输出决策；
所述输入包括输入特征向量，所述输入特征向量包括关于潜在客户的恒定特征以及与代理者与潜在客户之间的交互有关的交互特征，所述输入特征向量中的特征包括以下各项中的一项或更多项：潜在客户源；潜在客户的头衔；潜在客户的行业；潜在客户所在州；潜在客户的创建日期；潜在客户的公司规模；潜在客户的状态；之前的拨号次数；之前的电子邮件数目；之前的动作；自上次动作之后的小时数；响应代理者的头衔；响应方法；响应消息类型；响应定时；代理者或潜在客户的人口统计简档；代理者或潜在客户的组织简档；代理者或潜在客户的心理简档；代理者或潜在客户的社交网络简档；代理者或潜在客户的地理简档；响应频率；响应持续性；以及关于当前事件的数据；以及
所述输出分量包括以下各项中的一项或更多项：响应代理者的头衔；响应方法；响应消息类型；响应定时；代理者或潜在客户的人口统计简档；代理者或潜在客户的组织简档；潜在客户联系人头衔；代理者或潜在客户的心理简档；代理者或潜在客户的社交网络简档；代理者或潜在客户的地理简档；响应频率；以及响应持续性。
5.根据权利要求1所述的方法，其中，所述MOD输出决策包括两个或更多个相互依赖的输出分量。
6.根据权利要求1所述的方法，其中，所述MOD输出决策涉及体育、人质谈判、零售、网上购物系统、网络内容管理系统、客户服务、合同谈判或危机管理或者其一定组合。
7.根据权利要求1所述的方法，其中，所述方法产生多个正确的MOD输出决策，并且所述多个正确的MOD输出决策中的每一个具有相同的输出值或者具有在预定阈值以上的输出值。
8.根据权利要求1所述的方法，其中，同时地确定所述MOD输出决策中的输出分量的次序。
9.一种非暂态计算机可读介质，存储有使处理器执行根据权利要求1所述的方法的程序。
10.一种采用多输出松弛(MOR)机器学习模型来预测多输出依赖性(MOD)输出决策的多个相互依赖的输出分量的方法，每个输出分量具有多个可能的值，所述方法包括：
训练第一分类器以基于输入并且基于第二输出分量来预测MOD输出决策的两个相互依赖的输出分量中的第一输出分量；
训练第二分类器以基于所述输入并且基于所述第一输出分量来预测所述MOD输出决策的所述两个输出分量中的所述第二输出分量；
将针对所述输出分量中的每个输出分量的所述可能的值中的每个值初始化为预定输出值；
对所述分类器中的每个分类器运行松弛迭代以更新针对所述输出分量中的每个输出分量的每个可能的值的输出值，直到松弛状态达到平衡或者达到松弛迭代的最大次数；以及
从所述分类器中的每个分类器中检索最优输出分量。
11.根据权利要求10所述的方法，其中，所述第一分类器和所述第二分类器均包括多层感知(MLP)神经网络、另外的多层神经网络、决策树或者支持向量机。
12.根据权利要求10所述的方法，其中，所述输入包括输入特征向量，所述输入特征向量包括关于潜在客户的恒定特征以及与代理者与潜在客户之间的交互有关的交互特征，所述输入特征向量中的特征包括以下各项中的一项或更多项：潜在客户源；潜在客户的头衔；潜在客户的行业；潜在客户所在州；潜在客户的创建日期；潜在客户的公司规模；潜在客户的状态；之前的拨号次数；之前的电子邮件数目；之前的动作；自上次动作之后的小时数；响应代理者的头衔；响应方法；响应消息类型；响应定时；代理者或潜在客户的人口统计简档；代理者或潜在客户的组织简档；代理者或潜在客户的心理简档；代理者或潜在客户的社交网络简档；代理者或潜在客户的地理简档；响应频率；响应持续性；以及关于当前事件的数据。
13.根据权利要求12所述的方法，其中，所述MOD输出决策包括LRM MOD输出决策，并且所述多个相互依赖的输出分量包括以下各项中的一项或更多项：响应代理者的头衔；响应方法；响应消息类型；响应定时；代理者或潜在客户的人口统计简档；代理者或潜在客户的组织简档；潜在客户联系人头衔；代理者或潜在客户的心理简档；代理者或潜在客户的社交网络简档；代理者或潜在客户的地理简档；响应频率；以及响应持续性。
14.根据权利要求10所述的方法，其中，当针对当前迭代的输出分量的可能的值的输出值与针对之前迭代的输出分量的可能的值的输出值之间的差异小于或等于预定阈值时，达到平衡。
15.根据权利要求10所述的方法，其中，训练一个或更多个另外的分类器，以基于所述输入并且基于所述第一输出分量、所述第二输出分量以及每个其他的另外的输出分量来预测所述MOD输出决策的一个或更多个另外的相互依赖的输出分量；
所述输入、所述第二输出分量以及每个另外的输出分量用于预测所述第一输出分量；以及
所述输入、所述第一输出分量以及每个另外的输出分量用于预测所述第二输出分量。
16.一种非暂态计算机可读介质，存储有使处理器执行根据权利要求10所述的方法的程序。
17.一种采用多输出松弛(MOR)机器学习模型来预测潜在客户响应管理(LRM)多输出依赖性(MOD)输出决策的多个相互依赖的输出分量的方法，每个输出分量具有多个可能的值，所述方法包括：
训练第一分类器以基于输入并且基于第二输出分量来预测LRMMOD输出决策的两个相互依赖的输出分量中的第一输出分量；
训练第二分类器以基于所述输入并且基于所述第一输出分量来预测所述LRM MOD输出决策的所述两个输出分量中的所述第二输出分量；
将针对所述输出分量中的每个输出分量的所述可能的值中的每个值初始化为预定输出值；
对所述分类器中的每个分类器运行松弛迭代以更新针对所述输出分量中的每个输出分量的每个可能的值的输出值，直到松弛状态达到平衡或者达到松弛迭代的最大次数；以及
从所述分类器中的每个分类器中检索最优输出分量。
18.根据权利要求17所述的方法，其中，所述第一分类器和所述第二分类器均包括多层感知(MLP)神经网络、另外的多层神经网络、决策树或者支持向量机。
19.根据权利要求17所述的方法，其中，所述输出分量包括以下各项中的一项或更多项：响应代理者的头衔；响应方法；响应消息类型；响应定时；代理者或潜在客户的人口统计简档；代理者或潜在客户的组织简档；潜在客户联系人头衔；代理者或潜在客户的心理简档；代理者或潜在客户的社交网络简档；代理者或潜在客户的地理简档；响应频率；以及响应持续性。
20.根据权利要求17所述的方法，其中，当针对当前迭代的输出分量的可能的值的输出值与针对之前迭代的输出分量的可能的值的输出值之间的差异小于或等于预定阈值时，达到平衡。
21.根据权利要求17所述的方法，其中，训练一个或更多个另外的分类器，以基于所述输入并且基于所述第一输出分量、所述第二输出分量以及每个其他的另外的输出分量来预测所述LRM MOD输出决策的一个或更多个另外的相互依赖的输出分量；
所述输入、所述第二输出分量以及每个另外的输出分量用于预测所述第一输出分量；以及
所述输入、所述第一输出分量以及每个另外的输出分量用于预测所述第二输出分量。
22.一种非暂态计算机可读介质，存储有使处理器执行根据权利要求17所述的方法的程序。
CN201380054239.0A 2012-08-20 2013-08-20 多输出松弛机器学习模型 Pending CN104769575A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/590,028 US8352389B1 (en) 2012-08-20 2012-08-20 Multiple output relaxation machine learning model
US13/590,028 2012-08-20
PCT/US2013/055859 WO2014031685A2 (en) 2012-08-20 2013-08-20 Multiple output relaxation machine learning model

Publications (1)

Publication Number Publication Date
CN104769575A true CN104769575A (zh) 2015-07-08

Family

ID=47427980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380054239.0A Pending CN104769575A (zh) 2012-08-20 2013-08-20 多输出松弛机器学习模型

Country Status (7)

Country Link
US (2) US8352389B1 (zh)
EP (1) EP2885719A2 (zh)
JP (1) JP5819572B1 (zh)
CN (1) CN104769575A (zh)
AU (1) AU2013305924B2 (zh)
CA (1) CA2882701A1 (zh)
WO (1) WO2014031685A2 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9015093B1 (en) 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US8775341B1 (en) 2010-10-26 2014-07-08 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US9137370B2 (en) 2011-05-09 2015-09-15 Insidesales.com Call center input/output agent utilization arbitration system
US8788439B2 (en) 2012-12-21 2014-07-22 InsideSales.com, Inc. Instance weighted learning machine learning model
US9460401B2 (en) 2012-08-20 2016-10-04 InsideSales.com, Inc. Using machine learning to predict behavior based on local conditions
US9454732B1 (en) * 2012-11-21 2016-09-27 Amazon Technologies, Inc. Adaptive machine learning platform
US9904725B1 (en) 2014-12-29 2018-02-27 Velocify, Inc. Computer system for generation, storage, and analysis of connection data and utilization of connection data in scoring and distribution systems
US10067990B1 (en) * 2016-03-03 2018-09-04 Amdocs Development Limited System, method, and computer program for identifying significant attributes of records
US10353888B1 (en) 2016-03-03 2019-07-16 Amdocs Development Limited Event processing system, method, and computer program
US10140345B1 (en) 2016-03-03 2018-11-27 Amdocs Development Limited System, method, and computer program for identifying significant records
CN107820619B (zh) * 2017-09-21 2019-12-10 达闼科技（北京）有限公司 一种分级交互决策方法、交互终端以及云端服务器

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110119213A1 (en) * 1999-10-27 2011-05-19 Health Discovery Corporation Support vector machine - recursive feature elimination (svm-rfe)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5408588A (en) * 1991-06-06 1995-04-18 Ulug; Mehmet E. Artificial neural network method and architecture
US20030140023A1 (en) * 2002-01-18 2003-07-24 Bruce Ferguson System and method for pre-processing input data to a non-linear model for use in electronic commerce
US7152051B1 (en) 2002-09-30 2006-12-19 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
WO2008033439A2 (en) * 2006-09-13 2008-03-20 Aurilab, Llc Robust pattern recognition system and method using socratic agents
US7958068B2 (en) * 2007-12-12 2011-06-07 International Business Machines Corporation Method and apparatus for model-shared subspace boosting for multi-label classification
US8182346B2 (en) * 2007-12-26 2012-05-22 Scientific Games Holdings Limited System and method for collecting and using player information
US8781989B2 (en) 2008-01-14 2014-07-15 Aptima, Inc. Method and system to predict a data value
US8412525B2 (en) * 2009-04-30 2013-04-02 Microsoft Corporation Noise robust speech classifier ensemble
US8700551B2 (en) * 2009-08-10 2014-04-15 Venture Lending & Leasing Vi, Inc. Systems and methods for identifying provider noncustomers as likely acquisition targets
US8458074B2 (en) * 2010-04-30 2013-06-04 Corelogic Solutions, Llc. Data analytics models for loan treatment

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110119213A1 (en) * 1999-10-27 2011-05-19 Health Discovery Corporation Support vector machine - recursive feature elimination (svm-rfe)

Also Published As

Publication number Publication date
US20150161508A1 (en) 2015-06-11
WO2014031685A3 (en) 2014-05-08
US8352389B1 (en) 2013-01-08
AU2013305924B2 (en) 2015-05-14
JP5819572B1 (ja) 2015-11-24
EP2885719A2 (en) 2015-06-24
AU2013305924A1 (en) 2015-03-12
WO2014031685A2 (en) 2014-02-27
CA2882701A1 (en) 2014-02-27
JP2015534149A (ja) 2015-11-26

Similar Documents

Publication Publication Date Title
CN104769574A (zh) 基于分层的排序机器学习模型
CN104769575A (zh) 多输出松弛机器学习模型
CN104956359A (zh) 实例加权学习机器学习模型
CA3009944C (en) Optimized routing of interactions to contact center agents based on machine learning
US9460401B2 (en) Using machine learning to predict behavior based on local conditions
US9716792B2 (en) System and method for generating a network of contact center agents and customers for optimized routing of interactions
CN110458220B (zh) 人群定向方法、装置、服务器及存储介质
JP5631326B2 (ja) コールセンターでの２ステップルーティング手続き
US10354184B1 (en) Joint modeling of user behavior
US20170111509A1 (en) Optimized routing of interactions to contact center agents based on machine learning
EP4162418A1 (en) Dynamic workflow selection using structure and context for scalable optimization
CN110720099A (zh) 基于种子监督学习提供推荐的系统和方法
Kar et al. A model for bundling mobile value added services using neural networks
CA3044972A1 (en) Messaging system and method
KR102618378B1 (ko) 인공지능 모델 기반 추천 부가서비스를 이용한 어플리케이션 관리 방법 및 장치
CN116883009A (zh) 一种业务处理方法、装置、电子设备及计算机可读介质
Rajput et al. PREDICTING CHURN IN TELECOM SECTOR USING R

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150708