CN113438374A - 智能外呼处理方法、装置、设备及存储介质 - Google Patents
智能外呼处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113438374A CN113438374A CN202110847410.XA CN202110847410A CN113438374A CN 113438374 A CN113438374 A CN 113438374A CN 202110847410 A CN202110847410 A CN 202110847410A CN 113438374 A CN113438374 A CN 113438374A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- voice
- preset
- request
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 92
- 230000008451 emotion Effects 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 42
- 230000015654 memory Effects 0.000 claims description 23
- 230000036651 mood Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 230000002996 emotional effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 7
- 238000013475 authorization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000007795 chemical reaction product Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000009125 negative feedback regulation Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/487—Arrangements for providing information services, e.g. recorded voice services or time announcements
- H04M3/493—Interactive information services, e.g. directory enquiries ; Arrangements therefor, e.g. interactive voice response [IVR] systems or voice portals
- H04M3/4936—Speech interaction details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3343—Query execution using phonetics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
- G06F16/337—Profile generation, learning or modification
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2242/00—Special services or facilities
- H04M2242/18—Automated outdialling systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能,提供一种智能外呼处理方法、装置、设备及存储介质。该方法能够根据请求对象的对象特征从预设对象库中确定相似对象,根据相似对象获取初始用户及用户信息,根据用户信息从初始用户中筛选出意向用户,采集意向用户基于相似对象的反馈接听语音,根据反馈接听语音的语义信息及反馈接听语音的语气信息生成接听情绪度,从用户信息中提取意向用户的用户信息作为画像信息,将画像信息及接听情绪度输入至外呼处理模型中,得到目标用户及呼叫时段,根据呼叫时段执行对目标用户的终端设备的处理。本发明能够提高外呼准确率及外呼效率。此外,本发明还涉及区块链技术,所述呼叫时段可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种智能外呼处理方法、装置、设备及存储介质。
背景技术
目前,为了提高外呼效率,通常控制外呼机器人在预设时间内直接对所有用户的终端设备进行呼叫。然而,由于这种方式是直接对所有用户的终端设备进行呼叫的,因此无法准确的确定出需要外呼的用户,进而导致外呼准确率低下,同时,由于这种方式是直接在预设时间内进行呼叫终端设备,因此无法根据用户的特性准确的确定出该用户的呼叫时间,导致外呼效率较低。
发明内容
鉴于以上内容,有必要提供一种智能外呼处理方法、装置、设备及存储介质,能够提高外呼准确率及外呼效率。
一方面,本发明提出一种智能外呼处理方法,所述智能外呼处理方法包括:
当接收到外呼请求时,根据所述外呼请求确定请求对象;
根据所述请求对象的对象特征从预设对象库中确定所述请求对象的相似对象,并根据所述相似对象获取所述请求对象的初始用户及所述初始用户的用户信息;
根据所述用户信息从所述初始用户中筛选出所述请求对象的意向用户;
采集所述意向用户基于所述相似对象的反馈接听语音;
根据所述反馈接听语音的语义信息及语气信息生成所述意向用户的接听情绪度;
从所述初始用户所对应的所述用户信息中提取所述意向用户的用户信息作为画像信息,并将所述画像信息及所述接听情绪度输入至预先训练好的外呼处理模型中,得到目标用户及所述目标用户的呼叫时段;
根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理。
根据本发明优选实施例,所述根据所述请求对象的对象特征从预设对象库中确定所述请求对象的相似对象包括:
根据所述请求对象获取所述对象特征,并获取所述预设对象库中预设对象的预设特征;
将所述对象特征划分为数值型特征及文字型特征;
计算所述数值型特征与所述预设特征的距离差值,并计算所述文字型特征与所述预设特征的特征相似度;
根据所述距离差值及所述特征相似度生成所述请求对象与每个预设对象的对象相似度;
将所述对象相似度大于预设相似度的产品确定为相似对象。
根据本发明优选实施例,所述根据所述用户信息从所述初始用户中筛选出所述请求对象的意向用户包括:
所述用户信息包括与基础特征标签对应的基础信息、与社会特征标签对应的社会信息及与消费特征标签对应的消费信息;
将所述用户信息输入至预先训练好的分值生成模型中,得到所述初始用户在所述基础特征标签上的第一分值、所述初始用户在所述社会特征标签上的第二分值及所述初始用户在所述社会特征标签上的第三分值;
根据所述对象特征确定所述请求对象的对象类别;
根据所述对象类别获取所述请求对象在预设标签上的标签权值,所述预设标签包括所述基础特征标签、所述社会特征标签及所述消费特征标签;
根据所述标签权值对所述第一分值、所述第二分值及所述第三分值进行加权和运算,得到意向分数;
将所述意向分数大于预设分数的初始用户确定为所述意向用户。
根据本发明优选实施例,所述根据所述反馈接听语音的语义信息及语气信息生成所述意向用户的接听情绪度包括:
确定所述反馈接听语音的语音时长,并获取初始解析模型;
根据所述语音时长对所述初始解析模型进行裁剪处理,得到语义解析模型;
将所述反馈接听语音转换为文本信息,并基于所述语义解析模型提取所述文本信息中的语义作为所述语义信息;
将所述反馈接听语音输入至预先训练好的语气预测模型中,得到所述反馈接听语音的语气信息;
获取所述语义信息所对应的第一情感类型,并获取所述语气信息所对应的第二情感类型;
若所述第一情感类型与所述第二情感类型相同,将所述第一情感类型或者所述第二情感类型对应的情绪值确定为所述接听情绪度。
根据本发明优选实施例,在将所述反馈接听语音输入至预先训练好的语气预测模型中,得到所述反馈接听语音的语气信息之前,所述方法还包括:
获取训练语音样本,所述训练语音样本中包括样本语音及样本语气信息;
确定所述样本语音的音素总量,并确定所述样本语音的样本时长;
根据所述音素总量及所述样本时长确定所述样本语音的语速信息;
控制模数转换器对所述样本语音进行转换,得到样本曲线,并根据所述样本曲线上的信号幅度确定所述样本语音的语调信息;
以所述语速信息及所述语调信息作为预设学习器的输入信息,所述样本语气信息作为所述预设学习器中输出信息的基准信息调整所述预设学习器中的参数,直至所述预设学习器收敛,得到所述语气预测模型。
根据本发明优选实施例,所述根据所述语音时长对所述初始解析模型进行裁剪处理,得到语义解析模型包括:
从所述初始解析模型中获取所有卷积层;
基于灰色关联分析算法对每个卷积层中的卷积核进行重要度的量化处理,得到每个卷积层的重要度;
根据所述重要度从小至大的顺序对所述所有卷积层进行排序,得到队列层;
从卷积层数映射曲线中获取与所述语音时长对应的目标数量;
从所述队列层中提取前N个卷积层作为目标卷积层,N为所述所有卷积层的总量与所述目标数量的差值;
从所述初始解决模型中删除所述目标卷积层,得到所述语义解析模型。
根据本发明优选实施例,所述根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理包括:
获取所述外呼请求中所有处于所述呼叫时段的处理用户,并计算所述用户的用户数量;
计算所述呼叫时段的时间长度,并计算所述时间长度与所述语音时长的比值,得到所述呼叫时间的呼叫数量;
若所述用户数量大于所述呼叫数量,从所述外呼处理模型中获取每个处理用户及所述目标用户的接听概率;
根据所述接听概率从大至小的顺序对所述处理用户及所述目标用户进行排序,得到用户队列;
若所述目标用户处于所述队列中的前N位,N为所述呼叫数量,执行对所述终端设备进行呼叫处理。
另一方面,本发明还提出一种智能外呼处理装置,所述智能外呼处理装置包括:
确定单元,用于当接收到外呼请求时,根据所述外呼请求确定请求对象;
获取单元,用于根据所述请求对象的对象特征从预设对象库中确定所述请求对象的相似对象,并根据所述相似对象获取所述请求对象的初始用户及所述初始用户的用户信息;
筛选单元,用于根据所述用户信息从所述初始用户中筛选出所述请求对象的意向用户;
采集单元,用于采集所述意向用户基于所述相似对象的反馈接听语音;
生成单元,用于根据所述反馈接听语音的语义信息及语气信息生成所述意向用户的接听情绪度;
输入单元,用于从所述初始用户所对应的所述用户信息中提取所述意向用户的用户信息作为画像信息,并将所述画像信息及所述接听情绪度输入至预先训练好的外呼处理模型中,得到目标用户及所述目标用户的呼叫时段;
执行单元,用于根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述智能外呼处理方法。
另一方面,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述智能外呼处理方法。
由以上技术方案可以看出,本发明通过所述初始用户的用户信息能够准确的筛选出所述请求对象的意向用户,进而通过所述意向用户的反馈接听语音确定所述目标用户,由于无需对除所述意向用户外的其他初始用户进行分析,因此,能够提高所述目标用户的确定效率,同时,还能够避免因其他初始用户对所述相似对象及所述请求对象的意向不同而产生的干扰信息对确定所述目标用户的影响,从而提高所述目标用户的确定准确性,从而提高外呼准确性,进一步地,本发明通过所述外呼处理模型能够准确的确定出所述目标客户的呼叫时段,以提高所述外呼请求的接通率,从而提高呼叫效率。
附图说明
图1是本发明智能外呼处理方法的较佳实施例的流程图。
图2是本发明智能外呼处理装置的较佳实施例的功能模块图。
图3是本发明实现智能外呼处理方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明智能外呼处理方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述智能外呼处理方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,当接收到外呼请求时,根据所述外呼请求确定请求对象。
在本发明的至少一个实施例中,所述外呼请求可以由外呼机器人触发,所述外呼请求携带的信息包括,但不限于:报文信息等。
所述请求对象是指所述外呼请求中需要进行推销的产品,例如,所述请求对象可以是任意保险产品。
在本发明的至少一个实施例中,所述电子设备根据所述外呼请求确定请求对象包括:
解析所述外呼请求的报文,得到所述报文携带的报文信息;
从所述报文信息中获取指示产品的信息作为对象编号;
将与所述对象编号对应的产品确定为所述请求对象。
其中,所述报文信息包括,但不限于:指示产品的标签、所述对象编号、指示客户的标签、客户识别码等。
通过上述实施方式,能够快速获取到所述对象编号,从而能够快速确定出所述请求对象,同时,通过对象编号与产品的映射关系,能够准确的确定出所述请求对象。
S11,根据所述请求对象的对象特征从预设对象库中确定所述请求对象的相似对象,并根据所述相似对象获取所述请求对象的初始用户及所述初始用户的用户信息。
在本发明的至少一个实施例中,所述对象特征是指能够表征出所述请求对象的特征,例如,A产品的对象特征可以是保费额度。
所述预设对象库中存储有多个已进行在线销售的对象。
所述相似对象中可以包括有多个对象,所述相似对象是指对象相似度大于预设相似度的预设对象。
所述初始用户是指所述请求对象的相似对象的历史购买客户。
所述用户信息是指所述初始用户的画像信息,例如,所述用户信息包括用户年龄、用户收入水平等。
在本发明的至少一个实施例中,所述电子设备根据所述请求对象的对象特征从预设对象库中确定所述请求对象的相似对象包括:
根据所述请求对象获取所述对象特征,并获取所述预设对象库中预设对象的预设特征;
将所述对象特征划分为数值型特征及文字型特征;
计算所述数值型特征与所述预设特征的距离差值,并计算所述文字型特征与所述预设特征的特征相似度;
根据所述距离差值及所述特征相似度生成所述请求对象与每个预设对象的对象相似度;
将所述对象相似度大于预设相似度的产品确定为相似对象。
其中,所述数值型特征是指与数值对应的对象特征,所述文字型特征是指与非数值对应的对象特征。
所述预设相似度可以根据对所述初始用户的用户量进行设置。
通过所述数值型特征与所述预设特征的距离差值,以及所述文字型特征与所述预设特征的特征相似度能够准确的确定出所述请求对象的相似对象。
在本发明的至少一个实施例中,所述电子设备根据所述相似对象获取所述请求对象的初始用户及所述初始用户的用户信息包括:
获取所述相似对象中的所有用户作为所述初始用户;
根据所述初始用户及预设标签生成信息请求,并发送所述生成信息请求至预设系统,所述预设标签包括基础特征标签、社会特征标签、消费特征标签;
当接收到所述预设系统基于所述信息请求的授权结果时,从所述信息请求中提取查询语句,并在所述预设系统中运行所述查询语句,得到所述用户信息。
其中,所述基础特征标签包括性别、年龄、地域、教育水平、职业等。
所述社会特征标签包括婚姻状况、家庭状况等。
所述消费特征标签包括收入状况、购买力水平等。
所述预设系统中存储有所述预设对象中所有客户的相关信息。
所述授权结果是指允许所述电子设备获取所述初始用户的所述用户信息,换句话说,允许所述电子设备在所述预设系统中运行所述查询语句。
所述查询语句用于查询所述初始用户在所述预设标签上的相关信息。
通过所述相似对象能够准确的获取到所述初始用户,进而根据所述授权结果能够合法的获取到所述用户信息。
S12,根据所述用户信息从所述初始用户中筛选出所述请求对象的意向用户。
在本发明的至少一个实施例中,所述意向用户是指有意向购买所述请求对象的初始用户。
在本发明的至少一个实施例中,所述电子设备根据所述用户信息从所述初始用户中筛选出所述请求对象的意向用户包括:
所述用户信息包括与所述基础特征标签对应的基础信息、与所述社会特征标签对应的社会信息及与所述消费特征标签对应的消费信息;
将所述用户信息输入至预先训练好的分值生成模型中,得到所述初始用户在所述基础特征标签上的第一分值、所述初始用户在所述社会特征标签上的第二分值及所述初始用户在所述社会特征标签上的第三分值;
根据所述对象特征确定所述请求对象的对象类别;
根据所述对象类别获取所述请求对象在所述预设标签上的标签权值;
根据所述标签权值对所述第一分值、所述第二分值及所述第三分值进行加权和运算,得到意向分数;
将所述意向分数大于预设分数的初始用户确定为所述意向用户。
其中,所述对象类别是指所述请求对象的类型,例如,所述对象类别可以是高端产品。
所述意向分数是指所述初始用户对所述请求对象的购买意愿。
所述预设分数是根据所述请求对象的销售需求设置的。
通过所述对象特征能够准确的确定出所述请求对象在所述预设标签上的标签权值,进而根据所述用户信息及所述标签权值能够准确的量化出所述初始用户对所述请求对象的意向分数,从而能够准确的确定出所述意向用户。
S13,采集所述意向用户基于所述相似对象的反馈接听语音。
在本发明的至少一个实施例中,所述反馈接听语音是指所述意向用户针对所述相似对象的呼叫电话所反馈生成的语音。
在本发明的至少一个实施例中,所述采集所述意向用户基于所述相似对象的反馈接听语音包括:
根据所述意向用户的用户识别码从日志库中提取目标日志;
从所述目标日志中获取语音路径,并从所述语音路径中获取所述反馈接听语音。
其中,所述用户识别码是指能够唯一识别出用户的编码信息。
所述日志库中存储有多个外呼日志及每个外呼日志的呼叫用户。
通过所述用户识别码能够准确的从所述日志库中获取到所述目标日志,从而根据所述目标日志能够准确的获取到所述反馈接听语音。
S14,根据所述反馈接听语音的语义信息及语气信息生成所述意向用户的接听情绪度。
在本发明的至少一个实施例中,所述语义信息是指所述反馈接听语音所表征出的语义。
所述语气信息包括所述反馈接听语音的语调信息及语速信息。
所述接听情绪度是指所述意向用户接听电话的情绪量化值。
在本发明的至少一个实施例中,所述根据所述反馈接听语音的语义信息及语气信息生成所述意向用户的接听情绪度包括:
确定所述反馈接听语音的语音时长,并获取初始解析模型;
根据所述语音时长对所述初始解析模型进行裁剪处理,得到语义解析模型;
将所述反馈接听语音转换为文本信息,并基于所述语义解析模型提取所述文本信息中的语义作为所述语义信息;
将所述反馈接听语音输入至预先训练好的语气预测模型中,得到所述反馈接听语音的语气信息;
获取所述语义信息所对应的第一情感类型,并获取所述语气信息所对应的第二情感类型;
若所述第一情感类型与所述第二情感类型相同,将所述第一情感类型或者所述第二情感类型对应的情绪值确定为所述接听情绪度。
其中,所述初始解析模型是根据神经网络构建得到的,所述初始解析模型用于对文本进行语义分析。
所述第一情感类型及所述第二情感类型可以包括:积极、消极、中性等。
通过所述语音时长对所述初始解析模型进行裁剪,能够确保所述语义解析模型对所述文本信息的解析效率,以及确保解析准确率,从而能够准确的确定出所述语音信息,通过所述语气预测模型对所述反馈接听语音进行分析,能够准确的确定出所述反馈接听语音的语气信息,进而根据所述第一情感类型及所述第二情感类型能够从多维度上确定出所述接听情绪度,提高所述接听情绪度的准确性。
具体地,所述电子设备根据所述语音时长对所述初始解析模型进行裁剪处理,得到语义解析模型包括:
从所述初始解析模型中获取所有卷积层;
基于灰色关联分析算法对每个卷积层中的卷积核进行重要度的量化处理,得到每个卷积层的重要度;
根据所述重要度从小至大的顺序对所述所有卷积层进行排序,得到队列层;
从卷积层数映射曲线中获取与所述语音时长对应的目标数量;
从所述队列层中提取前N个卷积层作为目标卷积层,N为所述所有卷积层的总量与所述目标数量的差值;
从所述初始解决模型中删除所述目标卷积层,得到所述语义解析模型。
其中,所述卷积层数映射曲线是根据时长与卷积层数量的映射关系构建生成的。
所述目标数量是指所述语义解析模型中的卷积层的数量。
通过上述实施方式,能够在确保所述语义解析模型的解析精度的前提下,实现对所述初始解析模型的裁剪,提高所述文本信息的语义解析效率。
在本发明的至少一个实施例中,在将所述反馈接听语音输入至预先训练好的语气预测模型中,得到所述反馈接听语音的语气信息之前,所述方法还包括:
获取训练语音样本,所述训练语音样本中包括样本语音及样本语气信息;
确定所述样本语音的音素总量,并确定所述样本语音的样本时长;
根据所述音素总量及所述样本时长确定所述样本语音的语速信息;
控制模数转换器对所述样本语音进行转换,得到样本曲线,并根据所述样本曲线上的信号幅度确定所述样本语音的语调信息;
以所述语速信息及所述语调信息作为预设学习器的输入信息,所述样本语气信息作为所述预设学习器中输出信息的基准信息调整所述预设学习器中的参数,直至所述预设学习器收敛,得到所述语气预测模型。
通过所述语速信息及所述语调信息同时对所述预设学习器中的参数进行调整,能够提高所述语气预测模型的预测准确性。
S15,从所述初始用户所对应的所述用户信息中提取所述意向用户的用户信息作为画像信息,并将所述画像信息及所述接听情绪度输入至预先训练好的外呼处理模型中,得到目标用户及所述目标用户的呼叫时段。
在本发明的至少一个实施例中,所述外呼处理模型能够确定出所述请求对象的呼叫用户,以及能够确定出所述目标用户在配置时段中接听概率最高的时段。
所述目标用户是指所述请求对象的呼叫用户,所述呼叫时段是指所述目标用户在配置时段中接听概率最高的时段。其中,所述配置时段是指预先设定好的时间段。所述配置时段是根据需求设定的,例如,所述配置时段包括,但不限于:9:00-10:00等。
需要强调的是,为进一步保证上述呼叫时段的私密和安全性,上述呼叫时段还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述电子设备将所述画像信息及所述接听情绪度输入至预先训练好的外呼处理模型中,得到目标用户及所述目标用户的呼叫时段包括:
获取所述外呼处理模型的第一网络层及第二网络层,所述第一网络层中包括第一处理层、第二处理层及决策层,所述第二网络层中存储有多个配置时段;
基于所述第一处理层分析所述画像信息,得到目标分值;
根据所述第二处理层获取与所述信息分值对应的情绪阈值,所述情绪阈值是根据信息分值为所述目标分值的历史用户的接听结果及接听情感值训练生成的;
基于所述决策层将所述接听情绪度大于或者等于所述情绪阈值的意向用户确定为所述目标用户;
基于所述第二网络层分析所述目标用户的画像信息及所述目标用户的接听情绪度,得到所述呼叫时段。
S16,根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理。
在本发明的至少一个实施例中,所述电子设备根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理包括:
获取所述外呼请求中所有处于所述呼叫时段的处理用户,并计算所述用户的用户数量;
计算所述呼叫时段的时间长度,并计算所述时间长度与所述语音时长的比值,得到所述呼叫时间的呼叫数量;
若所述用户数量大于所述呼叫数量,从所述外呼处理模型中获取每个处理用户及所述目标用户的接听概率;
根据所述接听概率从大至小的顺序对所述处理用户及所述目标用户进行排序,得到用户队列;
若所述目标用户处于所述队列中的前N位,N为所述呼叫数量,执行对所述终端设备进行呼叫处理。
通过上述实施方式,能够动态对所述处理用户的终端进行处理,使得在所述呼叫时段中能够呼叫接听概率较高的处理用户,能够充分提升接听率,从而提高呼叫效率。
在本发明的至少一个实施例中,在根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理后,所述方法还包括:
获取所述终端设备的呼叫结果;
若所述呼叫结果为未接通,根据所述画像信息及所述呼叫结果对所述外呼处理模型进行自适应调整,得到具有自适应能力的模型。
通过上述实施方式,使所述外呼处理模型能够根据所述呼叫结果进行相应的负反馈调节,提高所述外呼处理模型的处理准确性。
由以上技术方案可以看出,本发明通过所述初始用户的用户信息能够准确的筛选出所述请求对象的意向用户,进而通过所述意向用户的反馈接听语音确定所述目标用户,由于无需对除所述意向用户外的其他初始用户进行分析,因此,能够提高所述目标用户的确定效率,同时,还能够避免因其他初始用户对所述相似对象及所述请求对象的意向不同而产生的干扰信息对确定所述目标用户的影响,从而提高所述目标用户的确定准确性,从而提高外呼准确性,进一步地,本发明通过所述外呼处理模型能够准确的确定出所述目标客户的呼叫时段,以提高所述外呼请求的接通率,从而提高呼叫效率。
如图2所示,是本发明智能外呼处理装置的较佳实施例的功能模块图。所述智能外呼处理装置11包括确定单元110、获取单元111、筛选单元112、采集单元113、生成单元114、输入单元115、执行单元116及调整单元117。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到外呼请求时,确定单元110根据所述外呼请求确定请求对象。
在本发明的至少一个实施例中,所述外呼请求可以由外呼机器人触发,所述外呼请求携带的信息包括,但不限于:报文信息等。
所述请求对象是指所述外呼请求中需要进行推销的产品,例如,所述请求对象可以是任意保险产品。
在本发明的至少一个实施例中,所述确定单元110根据所述外呼请求确定请求对象包括:
解析所述外呼请求的报文,得到所述报文携带的报文信息;
从所述报文信息中获取指示产品的信息作为对象编号;
将与所述对象编号对应的产品确定为所述请求对象。
其中,所述报文信息包括,但不限于:指示产品的标签、所述对象编号、指示客户的标签、客户识别码等。
通过上述实施方式,能够快速获取到所述对象编号,从而能够快速确定出所述请求对象,同时,通过对象编号与产品的映射关系,能够准确的确定出所述请求对象。
获取单元111根据所述请求对象的对象特征从预设对象库中确定所述请求对象的相似对象,并根据所述相似对象获取所述请求对象的初始用户及所述初始用户的用户信息。
在本发明的至少一个实施例中,所述对象特征是指能够表征出所述请求对象的特征,例如,A产品的对象特征可以是保费额度。
所述预设对象库中存储有多个已进行在线销售的对象。
所述相似对象中可以包括有多个对象,所述相似对象是指对象相似度大于预设相似度的预设对象。
所述初始用户是指所述请求对象的相似对象的历史购买客户。
所述用户信息是指所述初始用户的画像信息,例如,所述用户信息包括用户年龄、用户收入水平等。
在本发明的至少一个实施例中,所述获取单元111根据所述请求对象的对象特征从预设对象库中确定所述请求对象的相似对象包括:
根据所述请求对象获取所述对象特征,并获取所述预设对象库中预设对象的预设特征;
将所述对象特征划分为数值型特征及文字型特征;
计算所述数值型特征与所述预设特征的距离差值,并计算所述文字型特征与所述预设特征的特征相似度;
根据所述距离差值及所述特征相似度生成所述请求对象与每个预设对象的对象相似度;
将所述对象相似度大于预设相似度的产品确定为相似对象。
其中,所述数值型特征是指与数值对应的对象特征,所述文字型特征是指与非数值对应的对象特征。
所述预设相似度可以根据对所述初始用户的用户量进行设置。
通过所述数值型特征与所述预设特征的距离差值,以及所述文字型特征与所述预设特征的特征相似度能够准确的确定出所述请求对象的相似对象。
在本发明的至少一个实施例中,所述获取单元111根据所述相似对象获取所述请求对象的初始用户及所述初始用户的用户信息包括:
获取所述相似对象中的所有用户作为所述初始用户;
根据所述初始用户及预设标签生成信息请求,并发送所述生成信息请求至预设系统,所述预设标签包括基础特征标签、社会特征标签、消费特征标签;
当接收到所述预设系统基于所述信息请求的授权结果时,从所述信息请求中提取查询语句,并在所述预设系统中运行所述查询语句,得到所述用户信息。
其中,所述基础特征标签包括性别、年龄、地域、教育水平、职业等。
所述社会特征标签包括婚姻状况、家庭状况等。
所述消费特征标签包括收入状况、购买力水平等。
所述预设系统中存储有所述预设对象中所有客户的相关信息。
所述授权结果是指允许所述电子设备获取所述初始用户的所述用户信息,换句话说,允许所述电子设备在所述预设系统中运行所述查询语句。
所述查询语句用于查询所述初始用户在所述预设标签上的相关信息。
通过所述相似对象能够准确的获取到所述初始用户,进而根据所述授权结果能够合法的获取到所述用户信息。
筛选单元112根据所述用户信息从所述初始用户中筛选出所述请求对象的意向用户。
在本发明的至少一个实施例中,所述意向用户是指有意向购买所述请求对象的初始用户。
在本发明的至少一个实施例中,所述筛选单元112根据所述用户信息从所述初始用户中筛选出所述请求对象的意向用户包括:
所述用户信息包括与所述基础特征标签对应的基础信息、与所述社会特征标签对应的社会信息及与所述消费特征标签对应的消费信息;
将所述用户信息输入至预先训练好的分值生成模型中,得到所述初始用户在所述基础特征标签上的第一分值、所述初始用户在所述社会特征标签上的第二分值及所述初始用户在所述社会特征标签上的第三分值;
根据所述对象特征确定所述请求对象的对象类别;
根据所述对象类别获取所述请求对象在所述预设标签上的标签权值;
根据所述标签权值对所述第一分值、所述第二分值及所述第三分值进行加权和运算,得到意向分数;
将所述意向分数大于预设分数的初始用户确定为所述意向用户。
其中,所述对象类别是指所述请求对象的类型,例如,所述对象类别可以是高端产品。
所述意向分数是指所述初始用户对所述请求对象的购买意愿。
所述预设分数是根据所述请求对象的销售需求设置的。
通过所述对象特征能够准确的确定出所述请求对象在所述预设标签上的标签权值,进而根据所述用户信息及所述标签权值能够准确的量化出所述初始用户对所述请求对象的意向分数,从而能够准确的确定出所述意向用户。
采集单元113采集所述意向用户基于所述相似对象的反馈接听语音。
在本发明的至少一个实施例中,所述反馈接听语音是指所述意向用户针对所述相似对象的呼叫电话所反馈生成的语音。
在本发明的至少一个实施例中,所述采集单元113采集所述意向用户基于所述相似对象的反馈接听语音包括:
根据所述意向用户的用户识别码从日志库中提取目标日志;
从所述目标日志中获取语音路径,并从所述语音路径中获取所述反馈接听语音。
其中,所述用户识别码是指能够唯一识别出用户的编码信息。
所述日志库中存储有多个外呼日志及每个外呼日志的呼叫用户。
通过所述用户识别码能够准确的从所述日志库中获取到所述目标日志,从而根据所述目标日志能够准确的获取到所述反馈接听语音。
生成单元114根据所述反馈接听语音的语义信息及语气信息生成所述意向用户的接听情绪度。
在本发明的至少一个实施例中,所述语义信息是指所述反馈接听语音所表征出的语义。
所述语气信息包括所述反馈接听语音的语调信息及语速信息。
所述接听情绪度是指所述意向用户接听电话的情绪量化值。
在本发明的至少一个实施例中,所述生成单元114根据所述反馈接听语音的语义信息及语气信息生成所述意向用户的接听情绪度包括:
确定所述反馈接听语音的语音时长,并获取初始解析模型;
根据所述语音时长对所述初始解析模型进行裁剪处理,得到语义解析模型;
将所述反馈接听语音转换为文本信息,并基于所述语义解析模型提取所述文本信息中的语义作为所述语义信息;
将所述反馈接听语音输入至预先训练好的语气预测模型中,得到所述反馈接听语音的语气信息;
获取所述语义信息所对应的第一情感类型,并获取所述语气信息所对应的第二情感类型;
若所述第一情感类型与所述第二情感类型相同,将所述第一情感类型或者所述第二情感类型对应的情绪值确定为所述接听情绪度。
其中,所述初始解析模型是根据神经网络构建得到的,所述初始解析模型用于对文本进行语义分析。
所述第一情感类型及所述第二情感类型可以包括:积极、消极、中性等。
通过所述语音时长对所述初始解析模型进行裁剪,能够确保所述语义解析模型对所述文本信息的解析效率,以及确保解析准确率,从而能够准确的确定出所述语音信息,通过所述语气预测模型对所述反馈接听语音进行分析,能够准确的确定出所述反馈接听语音的语气信息,进而根据所述第一情感类型及所述第二情感类型能够从多维度上确定出所述接听情绪度,提高所述接听情绪度的准确性。
具体地,所述生成单元114根据所述语音时长对所述初始解析模型进行裁剪处理,得到语义解析模型包括:
从所述初始解析模型中获取所有卷积层;
基于灰色关联分析算法对每个卷积层中的卷积核进行重要度的量化处理,得到每个卷积层的重要度;
根据所述重要度从小至大的顺序对所述所有卷积层进行排序,得到队列层;
从卷积层数映射曲线中获取与所述语音时长对应的目标数量;
从所述队列层中提取前N个卷积层作为目标卷积层,N为所述所有卷积层的总量与所述目标数量的差值;
从所述初始解决模型中删除所述目标卷积层,得到所述语义解析模型。
其中,所述卷积层数映射曲线是根据时长与卷积层数量的映射关系构建生成的。
所述目标数量是指所述语义解析模型中的卷积层的数量。
通过上述实施方式,能够在确保所述语义解析模型的解析精度的前提下,实现对所述初始解析模型的裁剪,提高所述文本信息的语义解析效率。
在本发明的至少一个实施例中,在将所述反馈接听语音输入至预先训练好的语气预测模型中,得到所述反馈接听语音的语气信息之前,所述获取单元111获取训练语音样本,所述训练语音样本中包括样本语音及样本语气信息;
所述确定单元110确定所述样本语音的音素总量,并确定所述样本语音的样本时长;
所述确定单元110根据所述音素总量及所述样本时长确定所述样本语音的语速信息;
所述确定单元110控制模数转换器对所述样本语音进行转换,得到样本曲线,并根据所述样本曲线上的信号幅度确定所述样本语音的语调信息;
调整单元117以所述语速信息及所述语调信息作为预设学习器的输入信息,所述样本语气信息作为所述预设学习器中输出信息的基准信息调整所述预设学习器中的参数,直至所述预设学习器收敛,得到所述语气预测模型。
通过所述语速信息及所述语调信息同时对所述预设学习器中的参数进行调整,能够提高所述语气预测模型的预测准确性。
输入单元115从所述初始用户所对应的所述用户信息中提取所述意向用户的用户信息作为画像信息,并将所述画像信息及所述接听情绪度输入至预先训练好的外呼处理模型中,得到目标用户及所述目标用户的呼叫时段。
在本发明的至少一个实施例中,所述外呼处理模型能够确定出所述请求对象的呼叫用户,以及能够确定出所述目标用户在配置时段中接听概率最高的时段。
所述目标用户是指所述请求对象的呼叫用户,所述呼叫时段是指所述目标用户在配置时段中接听概率最高的时段。其中,所述配置时段是指预先设定好的时间段。所述配置时段是根据需求设定的,例如,所述配置时段包括,但不限于:9:00-10:00等。
需要强调的是,为进一步保证上述呼叫时段的私密和安全性,上述呼叫时段还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述输入单元115将所述画像信息及所述接听情绪度输入至预先训练好的外呼处理模型中,得到目标用户及所述目标用户的呼叫时段包括:
获取所述外呼处理模型的第一网络层及第二网络层,所述第一网络层中包括第一处理层、第二处理层及决策层,所述第二网络层中存储有多个配置时段;
基于所述第一处理层分析所述画像信息,得到目标分值;
根据所述第二处理层获取与所述信息分值对应的情绪阈值,所述情绪阈值是根据信息分值为所述目标分值的历史用户的接听结果及接听情感值训练生成的;
基于所述决策层将所述接听情绪度大于或者等于所述情绪阈值的意向用户确定为所述目标用户;
基于所述第二网络层分析所述目标用户的画像信息及所述目标用户的接听情绪度,得到所述呼叫时段。
执行单元116根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理。
在本发明的至少一个实施例中,所述执行单元116根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理包括:
获取所述外呼请求中所有处于所述呼叫时段的处理用户,并计算所述用户的用户数量;
计算所述呼叫时段的时间长度,并计算所述时间长度与所述语音时长的比值,得到所述呼叫时间的呼叫数量;
若所述用户数量大于所述呼叫数量,从所述外呼处理模型中获取每个处理用户及所述目标用户的接听概率;
根据所述接听概率从大至小的顺序对所述处理用户及所述目标用户进行排序,得到用户队列;
若所述目标用户处于所述队列中的前N位,N为所述呼叫数量,执行对所述终端设备进行呼叫处理。
通过上述实施方式,能够动态对所述处理用户的终端进行处理,使得在所述呼叫时段中能够呼叫接听概率较高的处理用户,能够充分提升接听率,从而提高呼叫效率。
在本发明的至少一个实施例中,在根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理后,所述获取单元111获取所述终端设备的呼叫结果;
若所述呼叫结果为未接通,所述调整单元117根据所述画像信息及所述呼叫结果对所述外呼处理模型进行自适应调整,得到具有自适应能力的模型。
通过上述实施方式,使所述外呼处理模型能够根据所述呼叫结果进行相应的负反馈调节,提高所述外呼处理模型的处理准确性。
由以上技术方案可以看出,本发明通过所述初始用户的用户信息能够准确的筛选出所述请求对象的意向用户,进而通过所述意向用户的反馈接听语音确定所述目标用户,由于无需对除所述意向用户外的其他初始用户进行分析,因此,能够提高所述目标用户的确定效率,同时,还能够避免因其他初始用户对所述相似对象及所述请求对象的意向不同而产生的干扰信息对确定所述目标用户的影响,从而提高所述目标用户的确定准确性,从而提高外呼准确性,进一步地,本发明通过所述外呼处理模型能够准确的确定出所述目标客户的呼叫时段,以提高所述外呼请求的接通率,从而提高呼叫效率。
如图3所示,是本发明实现智能外呼处理方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如智能外呼处理程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成确定单元110、获取单元111、筛选单元112、采集单元113、生成单元114、输入单元115、执行单元116及调整单元117。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种智能外呼处理方法,所述处理器13可执行所述计算机可读指令从而实现:
当接收到外呼请求时,根据所述外呼请求确定请求对象;
根据所述请求对象的对象特征从预设对象库中确定所述请求对象的相似对象,并根据所述相似对象获取所述请求对象的初始用户及所述初始用户的用户信息;
根据所述用户信息从所述初始用户中筛选出所述请求对象的意向用户;
采集所述意向用户基于所述相似对象的反馈接听语音;
根据所述反馈接听语音的语义信息及语气信息生成所述意向用户的接听情绪度;
从所述初始用户所对应的所述用户信息中提取所述意向用户的用户信息作为画像信息,并将所述画像信息及所述接听情绪度输入至预先训练好的外呼处理模型中,得到目标用户及所述目标用户的呼叫时段;
根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
当接收到外呼请求时,根据所述外呼请求确定请求对象;
根据所述请求对象的对象特征从预设对象库中确定所述请求对象的相似对象,并根据所述相似对象获取所述请求对象的初始用户及所述初始用户的用户信息;
根据所述用户信息从所述初始用户中筛选出所述请求对象的意向用户;
采集所述意向用户基于所述相似对象的反馈接听语音;
根据所述反馈接听语音的语义信息及语气信息生成所述意向用户的接听情绪度;
从所述初始用户所述对应的所述用户信息中提取所述意向用户的用户信息作为画像信息,并将所述画像信息及所述接听情绪度输入至预先训练好的外呼处理模型中,得到目标用户及所述目标用户的呼叫时段;
根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种智能外呼处理方法,其特征在于,所述智能外呼处理方法包括:
当接收到外呼请求时,根据所述外呼请求确定请求对象;
根据所述请求对象的对象特征从预设对象库中确定所述请求对象的相似对象,并根据所述相似对象获取所述请求对象的初始用户及所述初始用户的用户信息;
根据所述用户信息从所述初始用户中筛选出所述请求对象的意向用户;
采集所述意向用户基于所述相似对象的反馈接听语音;
根据所述反馈接听语音的语义信息及语气信息生成所述意向用户的接听情绪度;
从所述初始用户所对应的所述用户信息中提取所述意向用户的用户信息作为画像信息,并将所述画像信息及所述接听情绪度输入至预先训练好的外呼处理模型中,得到目标用户及所述目标用户的呼叫时段;
根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理。
2.如权利要求1所述的智能外呼处理方法,其特征在于,所述根据所述请求对象的对象特征从预设对象库中确定所述请求对象的相似对象包括:
根据所述请求对象获取所述对象特征,并获取所述预设对象库中预设对象的预设特征;
将所述对象特征划分为数值型特征及文字型特征;
计算所述数值型特征与所述预设特征的距离差值,并计算所述文字型特征与所述预设特征的特征相似度;
根据所述距离差值及所述特征相似度生成所述请求对象与每个预设对象的对象相似度;
将所述对象相似度大于预设相似度的产品确定为相似对象。
3.如权利要求1所述的智能外呼处理方法,其特征在于,所述根据所述用户信息从所述初始用户中筛选出所述请求对象的意向用户包括:
所述用户信息包括与基础特征标签对应的基础信息、与社会特征标签对应的社会信息及与消费特征标签对应的消费信息;
将所述用户信息输入至预先训练好的分值生成模型中,得到所述初始用户在所述基础特征标签上的第一分值、所述初始用户在所述社会特征标签上的第二分值及所述初始用户在所述社会特征标签上的第三分值;
根据所述对象特征确定所述请求对象的对象类别;
根据所述对象类别获取所述请求对象在预设标签上的标签权值,所述预设标签包括所述基础特征标签、所述社会特征标签及所述消费特征标签;
根据所述标签权值对所述第一分值、所述第二分值及所述第三分值进行加权和运算,得到意向分数;
将所述意向分数大于预设分数的初始用户确定为所述意向用户。
4.如权利要求1所述的智能外呼处理方法,其特征在于,所述根据所述反馈接听语音的语义信息及语气信息生成所述意向用户的接听情绪度包括:
确定所述反馈接听语音的语音时长,并获取初始解析模型;
根据所述语音时长对所述初始解析模型进行裁剪处理,得到语义解析模型;
将所述反馈接听语音转换为文本信息,并基于所述语义解析模型提取所述文本信息中的语义作为所述语义信息;
将所述反馈接听语音输入至预先训练好的语气预测模型中,得到所述反馈接听语音的语气信息;
获取所述语义信息所对应的第一情感类型,并获取所述语气信息所对应的第二情感类型;
若所述第一情感类型与所述第二情感类型相同,将所述第一情感类型或者所述第二情感类型对应的情绪值确定为所述接听情绪度。
5.如权利要求4所述的智能外呼处理方法,其特征在于,在将所述反馈接听语音输入至预先训练好的语气预测模型中,得到所述反馈接听语音的语气信息之前,所述方法还包括:
获取训练语音样本,所述训练语音样本中包括样本语音及样本语气信息;
确定所述样本语音的音素总量,并确定所述样本语音的样本时长;
根据所述音素总量及所述样本时长确定所述样本语音的语速信息;
控制模数转换器对所述样本语音进行转换,得到样本曲线,并根据所述样本曲线上的信号幅度确定所述样本语音的语调信息;
以所述语速信息及所述语调信息作为预设学习器的输入信息,所述样本语气信息作为所述预设学习器中输出信息的基准信息调整所述预设学习器中的参数,直至所述预设学习器收敛,得到所述语气预测模型。
6.如权利要求4所述的智能外呼处理方法,其特征在于,所述根据所述语音时长对所述初始解析模型进行裁剪处理,得到语义解析模型包括:
从所述初始解析模型中获取所有卷积层;
基于灰色关联分析算法对每个卷积层中的卷积核进行重要度的量化处理,得到每个卷积层的重要度;
根据所述重要度从小至大的顺序对所述所有卷积层进行排序,得到队列层;
从卷积层数映射曲线中获取与所述语音时长对应的目标数量;
从所述队列层中提取前N个卷积层作为目标卷积层,N为所述所有卷积层的总量与所述目标数量的差值;
从所述初始解决模型中删除所述目标卷积层,得到所述语义解析模型。
7.如权利要求6所述的智能外呼处理方法,其特征在于,所述根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理包括:
获取所述外呼请求中所有处于所述呼叫时段的处理用户,并计算所述用户的用户数量;
计算所述呼叫时段的时间长度,并计算所述时间长度与所述语音时长的比值,得到所述呼叫时间的呼叫数量;
若所述用户数量大于所述呼叫数量,从所述外呼处理模型中获取每个处理用户及所述目标用户的接听概率;
根据所述接听概率从大至小的顺序对所述处理用户及所述目标用户进行排序,得到用户队列;
若所述目标用户处于所述队列中的前N位,N为所述呼叫数量,执行对所述终端设备进行呼叫处理。
8.一种智能外呼处理装置,其特征在于,所述智能外呼处理装置包括:
确定单元,用于当接收到外呼请求时,根据所述外呼请求确定请求对象;
获取单元,用于根据所述请求对象的对象特征从预设对象库中确定所述请求对象的相似对象,并根据所述相似对象获取所述请求对象的初始用户及所述初始用户的用户信息;
筛选单元,用于根据所述用户信息从所述初始用户中筛选出所述请求对象的意向用户;
采集单元,用于采集所述意向用户基于所述相似对象的反馈接听语音;
生成单元,用于根据所述反馈接听语音的语义信息语气信息生成所述意向用户的接听情绪度;
输入单元,用于从所述初始用户所对应的所述用户信息中提取所述意向用户的用户信息作为画像信息,并将所述画像信息及所述接听情绪度输入至预先训练好的外呼处理模型中,得到目标用户及所述目标用户的呼叫时段;
执行单元,用于根据所述呼叫时段执行对所述目标用户的终端设备的呼叫处理。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的智能外呼处理方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的智能外呼处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110847410.XA CN113438374B (zh) | 2021-07-27 | 2021-07-27 | 智能外呼处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110847410.XA CN113438374B (zh) | 2021-07-27 | 2021-07-27 | 智能外呼处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113438374A true CN113438374A (zh) | 2021-09-24 |
CN113438374B CN113438374B (zh) | 2022-10-11 |
Family
ID=77761802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110847410.XA Active CN113438374B (zh) | 2021-07-27 | 2021-07-27 | 智能外呼处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113438374B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114513578A (zh) * | 2022-02-15 | 2022-05-17 | 平安科技(深圳)有限公司 | 外呼方法、装置、计算机设备及存储介质 |
CN115914468A (zh) * | 2023-03-09 | 2023-04-04 | 成都秦川物联网科技股份有限公司 | 智慧燃气呼叫中心的反馈管理方法、物联网系统及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110321A (zh) * | 2019-03-19 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 基于语音数据的产品推荐方法、装置、设备及存储介质 |
CN110866791A (zh) * | 2019-11-25 | 2020-03-06 | 恩亿科(北京)数据科技有限公司 | 一种商品推送方法、装置、存储介质及电子设备 |
CN113065892A (zh) * | 2021-03-22 | 2021-07-02 | 北京顶象技术有限公司 | 一种信息推送方法、装置、设备及存储介质 |
CN114037545A (zh) * | 2021-11-16 | 2022-02-11 | 平安普惠企业管理有限公司 | 客户推荐方法、装置、设备及存储介质 |
-
2021
- 2021-07-27 CN CN202110847410.XA patent/CN113438374B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110321A (zh) * | 2019-03-19 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 基于语音数据的产品推荐方法、装置、设备及存储介质 |
CN110866791A (zh) * | 2019-11-25 | 2020-03-06 | 恩亿科(北京)数据科技有限公司 | 一种商品推送方法、装置、存储介质及电子设备 |
CN113065892A (zh) * | 2021-03-22 | 2021-07-02 | 北京顶象技术有限公司 | 一种信息推送方法、装置、设备及存储介质 |
CN114037545A (zh) * | 2021-11-16 | 2022-02-11 | 平安普惠企业管理有限公司 | 客户推荐方法、装置、设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114513578A (zh) * | 2022-02-15 | 2022-05-17 | 平安科技(深圳)有限公司 | 外呼方法、装置、计算机设备及存储介质 |
CN115914468A (zh) * | 2023-03-09 | 2023-04-04 | 成都秦川物联网科技股份有限公司 | 智慧燃气呼叫中心的反馈管理方法、物联网系统及介质 |
US11870937B2 (en) | 2023-03-09 | 2024-01-09 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods for smart gas call center feedback management and Internet of things (IoT) systems thereof |
Also Published As
Publication number | Publication date |
---|---|
CN113438374B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11425064B2 (en) | Customized message suggestion with user embedding vectors | |
WO2022095380A1 (zh) | 基于ai的虚拟交互模型生成方法、装置、计算机设备及存储介质 | |
CN113438374B (zh) | 智能外呼处理方法、装置、设备及存储介质 | |
CN111694940A (zh) | 一种用户报告的生成方法及终端设备 | |
CN106682387A (zh) | 用于输出信息的方法和装置 | |
WO2022095376A1 (zh) | 方面级别情感分类方法、装置、设备及可读存储介质 | |
CN113435196B (zh) | 意图识别方法、装置、设备及存储介质 | |
US11275994B2 (en) | Unstructured key definitions for optimal performance | |
CN113470684A (zh) | 音频降噪方法、装置、设备及存储介质 | |
US10674952B1 (en) | Detection and management of memory impairment | |
CN117520503A (zh) | 基于llm模型的金融客服对话生成方法、装置、设备及介质 | |
CN109344232B (zh) | 一种舆情信息检索方法及终端设备 | |
CN114860742A (zh) | 基于人工智能的ai客服交互方法、装置、设备及介质 | |
WO2019237354A1 (en) | Method and apparatus for computerized matching based on emotional profile | |
CN116629423A (zh) | 用户行为预测方法、装置、设备及存储介质 | |
US11704585B2 (en) | System and method to determine outcome probability of an event based on videos | |
CN115618415A (zh) | 敏感数据识别方法、装置、电子设备和存储介质 | |
CN112786041B (zh) | 语音处理方法及相关设备 | |
US20210050118A1 (en) | Systems And Methods For Facilitating Expert Communications | |
US11397857B2 (en) | Methods and systems for managing chatbots with respect to rare entities | |
CN113035240A (zh) | 语音播报方法、装置、设备及存储介质 | |
CN111968632A (zh) | 通话语音获取方法、装置、计算机设备和存储介质 | |
CN111310460A (zh) | 语句的调整方法及装置 | |
CN108806716A (zh) | 用于基于情感框架的计算机化匹配的方法与装置 | |
CN113421575B (zh) | 声纹识别方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |