WO2018086489A1 - 来电处理方法、装置及终端 - Google Patents

来电处理方法、装置及终端 Download PDF

Info

Publication number
WO2018086489A1
WO2018086489A1 PCT/CN2017/109418 CN2017109418W WO2018086489A1 WO 2018086489 A1 WO2018086489 A1 WO 2018086489A1 CN 2017109418 W CN2017109418 W CN 2017109418W WO 2018086489 A1 WO2018086489 A1 WO 2018086489A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
information
menu
menu item
probability
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.)
Ceased
Application number
PCT/CN2017/109418
Other languages
English (en)
French (fr)
Inventor
王占东
周韫文
任望
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.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Publication of WO2018086489A1 publication Critical patent/WO2018086489A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

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
    • H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
    • H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
    • H04M3/5166—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing in combination with interactive voice response systems or voice portals, e.g. as front-ends
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M19/00—Current supply arrangements for telephone systems
    • H04M19/02—Current supply arrangements for telephone systems providing ringing current or supervisory tones, e.g. dialling tone or busy tone
    • H04M19/04—Current supply arrangements for telephone systems providing ringing current or supervisory tones, e.g. dialling tone or busy tone the ringing-current being generated at the substations
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Definitions

  • the present application relates to the field of computer technologies, and in particular, to an incoming call processing method, apparatus, and terminal.
  • IVR InteractiveVoiceResponse
  • IVR voice menu in the IVR system serves as the portal of the call center.
  • the IVR voice menu includes at least one level of menu, and each level of the menu includes at least one menu item.
  • the response operation is performed under the prompt of the IVR voice menu, and the complexity of the IVR voice menu increases the operation amount and operation time of the response operation of the customer in response to the IVR voice menu, so that the customer stays in the IVR system for a long time. , will increase the customer service fee (CES, Customer Effort Score) and call center operating costs.
  • CES Customer Effort Score
  • a call processing method including the following steps:
  • the feature information is information related to a menu item of the IVR voice menu in the historical information of the user;
  • the corresponding level of menu is a first level menu of the IVR voice menu
  • the feature information includes at least one of the following information:
  • the event category to which the event in which the user calls the call is;
  • the IVR voice menu is pushed to the user
  • the user's response to the menu item of the IVR voice menu is recorded.
  • the determining, according to the calculated probability prediction value, whether to skip a menu of a corresponding level in the IVR voice menu, and jumping the incoming call to a service link indicated by the corresponding menu item including:
  • the obtained probability prediction value is greater than the preset probability threshold, skip the menu of the corresponding level in the IVR voice menu, and jump the incoming call to: the menu item associated with the acquired feature information The business link indicated;
  • the incoming call is redirected to: a service link indicated by the menu item that the user responds to the operation;
  • the user's response to the menu item of the IVR voice menu is recorded.
  • the generating step of the preset probability prediction model comprises:
  • the argument function corresponding to the preset function is trained based on the number of information and the probability of operation as the default function and the dependent variable, respectively, and based on the amount of information and the operational probability of each menu item for each training user.
  • the calculating a probability prediction value of the menu item corresponding to the acquired feature information according to the preset probability prediction model includes:
  • the generating step of the preset probability prediction model further includes:
  • historical information of some users different from the training sample is selected from the historical information of all users as an updated training sample
  • the number of information and the probability of operation are respectively the independent variables and dependent variables of the preset function, and the model corresponding to the preset function is retrained based on the amount of information and the operational probability of each menu item for each training user. function.
  • an incoming call processing apparatus including:
  • a probability prediction module configured to calculate a probability prediction value of the menu item associated with the acquired feature information according to the preset probability prediction model
  • the corresponding level of menu is a first level menu of the IVR voice menu
  • the feature information includes at least one of the following information:
  • the event category to which the event in which the user calls the call is;
  • the feature acquisition module includes:
  • An information determining module configured to acquire at least one feature information of the user according to the incoming call when the incoming call of the user is not received for the first time;
  • the device also includes:
  • a first jump module configured to: according to the user's response operation to the menu item of the IVR voice menu, jump the incoming call to: a service link indicated by a menu item that the user responds to;
  • a prediction value comparison module configured to compare a magnitude relationship between the calculated probability prediction value and a preset probability threshold
  • a menu skip module configured to skip the menu of the corresponding level in the IVR voice menu, and jump the call to the menu associated with the acquired feature information, where the obtained probability prediction value is greater than a preset probability threshold The business link indicated by the item;
  • a second menu module configured to: when the obtained probability prediction value is not greater than a preset probability threshold, push the IVR voice menu to the user;
  • a training sample update module configured to: after the preset time period, select historical information of some users different from the training sample from the historical information of all users as the updated training sample;
  • FIG. 3 is a hardware structural diagram of a terminal where the call processing device of the present application is located;
  • the system may include at least one of a first incoming terminal 111 and a second incoming terminal 112, a call center system 120, and a first service terminal 131.
  • the second service terminal 132 to the Nth service terminal 13N, N are integers greater than or equal to 2.
  • the association relationship may include at least one of the following: a correspondence between a response operation of the user for a menu item and the menu item; a service link to which the incoming call is redirected and a menu item indicating the service link.
  • Correspondence relationship between the business link corresponding to the historical operation information in the client and the menu item indicating the service link; the historical operation recorded by the server The correspondence between the business link corresponding to the information and the menu item indicating the business link.
  • the response operation information of the user to the menu item of the IVR voice menu may include a user's touch on the corresponding button, a menu selection voice input by the user, and the like.
  • the event category to which the event inquired by the user's incoming call belongs can be determined according to the preset event classification structure.
  • the IVR voice menu shown in FIG. 1 can be used, for example, the question asked by the user of the ant jinfu service call.
  • Classification, the problem of consultation is divided into unpaid questions, password problems, etc.
  • the problem of payment failure in the user consultation service is the category of payment problems, and the problem of the user consulting the Alipay payment password is the password problem category.
  • Step 202 Calculate a probability prediction value of the menu item associated with the acquired feature information according to the preset probability prediction model.
  • the menu items of the IVR voice menu may be classified into at least two types of menus, and then associated with each type of menu item.
  • the amount of information of the feature information is an independent variable
  • the probability of each type of menu item is The dependent variable is calculated by the probability calculation formula: the probability of the menu item associated with each of the obtained feature information.
  • the variable parameters of each dependent variable can be set according to the actual application, or can be obtained through training of the user's historical information stored in the call center system.
  • the menu item in the first level menu can be divided into one category by the “payment of Alipay business”, and the remaining menu items in the first level menu are divided into another category;
  • the probability of the menu item "Please pay 1 for Alipay business” is a dependent variable.
  • the total probability of all remaining menu items is a dependent variable.
  • the amount of information of the feature information associated with the menu item "Acceler Service by 1" is an independent variable.
  • the sum of the information quantity of the feature information associated with all the remaining menu items is another independent variable, which constitutes a two-class probability prediction model.
  • the argument function corresponding to the preset function is trained based on the number of information and the probability of operation as the default function and the dependent variable, respectively, and based on the amount of information and the operational probability of each menu item for each training user.
  • the history information of the user only includes the response operation to the menu item of the IVR voice menu when the user calls the call.
  • the total number of operations of the training user to respond to a menu item may be obtained from the history information of each training user as the number of information. Get the operation of each training user to respond to a menu item.
  • probabilistic From the historical information of each training user, the total number of calls of all incoming calls can be obtained first, and then the total number of operations of the training user to respond to a menu item is obtained, and the total number of operations and the total number of calls are finally obtained. The ratio of the number of times is taken as the probability of operation.
  • the amount of information corresponding to each menu item of each verification user is input into the trained model function, and the operation probability of each menu corresponding to each verification user is calculated.
  • the accuracy rate of the operation probability of each menu item corresponding to each verification user is obtained.
  • the model function is a probability prediction function of the preset probability prediction model.
  • the preset probability model can be updated in real time by the following operations:
  • the number of information and the probability of operation are respectively the independent variables and dependent variables of the preset function, and the model corresponding to the preset function is retrained based on the amount of information and the operational probability of each menu item for each training user. function.
  • the probability prediction value of the menu item associated with each acquired feature information can be quickly and accurately calculated.
  • the IVR voice menu is pushed to the user.
  • the incoming call is redirected to: a service link indicated by the menu item that the user responds to the operation.
  • the history information of the first incoming call user can be obtained, so that when the user calls the call again, the selected menu item is predicted according to the historical information.
  • the preset probability threshold may be set according to actual needs, for example, setting the preset probability threshold to be 95%.
  • the number of times of the user's incoming call and the response operation of the menu item each time the user calls the data may be recorded, and then the user's incoming call meets the preset number of times, for example, 5 times.
  • the feature information of the user can be obtained according to the incoming call of the user, and the probability prediction value of the menu item associated with the acquired feature information is calculated according to the preset probability prediction model.
  • the incoming call jump module 430 can include (not specifically shown in FIG. 4):
  • model generation module may further include (not specifically shown in FIG. 4):
  • an update parameter obtaining module configured to acquire, from the historical information of each training user included in the updated training sample, the amount of information of the feature information associated with each menu item, and each training user responds to each menu item
  • the operational probability of the operation constitutes the amount of information and operational probability of each menu item for each training user.

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本申请公开了一种来电处理方法、装置及终端，所述方法包括：接收到用户的来电呼叫后，根据所述来电呼叫获取该用户的至少一种特征信息，所述特征信息为该用户的历史信息中，与IVR语音菜单的菜单项关联的信息；根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值；根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。实施本申请，能有效减少用户对IVR语音菜单的响应操作，快速将用户的来电呼叫跳转到对应菜单项所指示的业务环节，以降低客户费力度和呼叫中心的运行成本。

Description

来电处理方法、装置及终端 技术领域
本申请涉及计算机技术领域，尤其涉及来电处理方法、装置及终端。
背景技术
IVR(InteractiveVoiceResponse，互动式语音应答)系统是语音增值业务系统的重要组成部分，很多企业的呼叫中心通过IVR系统来提供用户服务，IVR系统内的IVR语音菜单作为呼叫中心的门户，通常情况下，IVR语音菜单包括至少一个级别的菜单，每个级别的菜单包括至少一项菜单项，通过播放各级别菜单的菜单项，可以提示来电客户对菜单项进行响应操作，然后根据用户的每一次响应操作，确定用户选择哪个菜单项，然后跳转到相应环节，实现对来电客户的导航。
对于拥有呼叫中心的企业，随着企业业务的增长和细化，业务部门对IVR系统的功能需求急剧增加，相应的，为了满足业务部门的需求，将来电客户导航到相应业务端，IVR语音菜单的结构也越来越庞大和复杂。
客户来电后，在IVR语音菜单的提示下进行响应操作，而IVR语音菜单的复杂化，增加了客户响应IVR语音菜单进行响应操作的操作量和操作时长，致使客户停留在IVR系统的时间过长，会增加来电客户的客户费力度(CES，Customer Effort Score)和呼叫中心的运行成本。
发明内容
有鉴于此，本申请提供来电处理方法、装置及终端，以解决现有IVR系统会增加来电客户的客户费力度和呼叫中心运行成本的问题。
具体地，本申请是通过如下技术方案实现的：
根据本申请实施例的第一方面，提供一种来电处理方法，包括以下步骤：
接收到用户的来电呼叫后，根据所述来电呼叫获取该用户的至少一种特征信息，所述特征信息为该用户的历史信息中，与IVR语音菜单的菜单项关联的信息；
根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值；
根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。
在一个实施例中，所述相应级别的菜单为所述IVR语音菜单的第一级菜单，所述特征信息包括以下信息中的至少一种：
用户对IVR语音菜单的菜单项的响应操作信息；
用户来电呼叫所咨询的事件所属的事件类目；
发起所述来电呼叫的终端内对应应用的历史信息。
在一个实施例中，接收到用户的来电呼叫后，所述方法还包括以下步骤：
判断是否首次接收到该用户的来电呼叫；
如果不是首次接收到该用户的来电呼叫，根据所述来电呼叫获取该用户的至少一种特征信息；
如果是首次接收到该用户的来电呼叫，向该用户推送所述IVR语音菜单；
根据该用户对所述IVR语音菜单的菜单项的响应操作，将所述来电呼叫跳转到：该用户所响应操作的菜单项所指示的业务环节；
记录该用户对所述IVR语音菜单的菜单项的响应操作。
在一个实施例中，所述根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节，包括：
比较计算所得的概率预测值与预设概率阈值的大小关系；
如果所得的概率预测值大于预设概率阈值，跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到：所获取的特征信息所关联的菜单项 所指示的业务环节；
如果所得的概率预测值不大于预设概率阈值，向该用户推送所述IVR语音菜单；
根据该用户对所述IVR语音菜单的菜单项的响应操作，将所述来电呼叫跳转到：该用户所响应操作的菜单项所指示的业务环节；
记录该用户对所述IVR语音菜单的菜单项的响应操作。
在一个实施例中，所述预设的概率预测模型的生成步骤包括：
从全部用户的历史信息中，选取部分用户的历史信息做为训练样本；
从所述训练样本所含的每个训练用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个训练用户对每项菜单项进行响应操作的操作概率，构成每个训练用户对应每项菜单项的信息数量和操作概率；
分别以信息数量和操作概率为预设函数的自变量和因变量，并基于每个训练用户对应每项菜单项的信息数量和操作概率，训练出与所述预设函数对应的模型函数。
在一个实施例中，所述预设的概率预测模型的生成步骤还包括：
从全部用户的历史信息中选取除所述训练样本外的，部分用户的历史信息做为验证样本；
从所述验证样本所含的每个验证用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个验证用户对每项菜单项进行响应操作的操作概率，构成每个验证用户对应每项菜单项的信息数量和操作概率；
将每个验证用户对应每项菜单项的信息数量输入训练出的模型函数，计算出每个验证用户对应每项菜单的操作概率；
通过比较计算出的操作概率和获取的操作概率，获得每个验证用户对应各项菜单项的操作概率的准确率；
如果准确率高于预设准确阈值的用户的数目，高于预设覆盖阈值，则确定所述模型函数为所述预设的概率预测模型的概率预测函数。
在一个实施例中，所述根据预设的概率预测模型，计算所获取的特征信息对应的菜单项的概率预测值，包括：
基于所获取的特征信息，计算与每项菜单项关联的特征信息的信息数量；
将与每项菜单项关联的特征信息的信息数量输入所述概率预测函数，计算出该项菜单项的概率预测值。
在一个实施例中，所述预设的概率预测模型的生成步骤还包括：
在预设时段后，从全部用户的历史信息中选取不同于所述训练样本的，部分用户的历史信息做为更新的训练样本；
从更新的训练样本所含的每个训练用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个训练用户对每项菜单项进行响应操作的操作概率，构成每个训练用户对应每项菜单项的信息数量和操作概率；
分别以信息数量和操作概率为所述预设函数的自变量和因变量，并基于每个训练用户对应每项菜单项的信息数量和操作概率，重新训练出与所述预设函数对应的模型函数。
根据本申请实施例的第二方面，提供一种来电处理装置，包括：
特征获取模块，用于在接收到用户的来电呼叫后，根据所述来电呼叫获取该用户的至少一种特征信息，所述特征信息为该用户的历史信息中，与IVR语音菜单的菜单项关联的信息；
概率预测模块，用于根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值；
来电跳转模块，用于根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。
在一个实施例中，所所述相应级别的菜单为所述IVR语音菜单的第一级菜单，所述特征信息包括以下信息中的至少一种：
用户对IVR语音菜单的菜单项的响应操作信息；
用户来电呼叫所咨询的事件所属的事件类目；
发起所述来电呼叫的终端内对应应用的历史信息。
在一个实施例中，所述特征获取模块包括：
呼叫判断模块，用于在接收到用户的来电呼叫后，判断是否首次接收到该用户的来电呼叫；
信息确定模块，用于在不是首次接收到该用户的来电呼叫时，根据所述来电呼叫获取该用户的至少一种特征信息；
所述装置还包括：
第一菜单模块，用于在首次接收到该用户的来电呼叫时，向该用户推送所述IVR语音菜单；
第一跳转模块，用于根据该用户对所述IVR语音菜单的菜单项的响应操作，将所述来电呼叫跳转到：该用户所响应操作的菜单项所指示的业务环节；
第一记录模块，用于记录该用户对所述IVR语音菜单的菜单项的响应操作。
在一个实施例中，所述来电跳转模块包括：
预测值比较模块，用于比较计算所得的概率预测值与预设概率阈值的大小关系；
菜单跳过模块，用于在所得的概率预测值大于预设概率阈值，跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到：所获取的特征信息所关联的菜单项所指示的业务环节；
所述装置还包括：
第二菜单模块，用于在所得的概率预测值不大于预设概率阈值时，向该用户推送所述IVR语音菜单；
第二跳转模块，用于根据该用户对所述IVR语音菜单的菜单项的响应操作，将所述来电呼叫跳转到：该用户所响应操作的菜单项所指示的业务环节；
第二记录模块，用于记录该用户对所述IVR语音菜单的菜单项的响应操 作。
在一个实施例中，所述装置还包括模型生成模块，所述模型生成模块包括：
训练样本选取模块，用于从全部用户的历史信息中，选取部分用户的历史信息做为训练样本；
训练参数获取模块，用于从所述训练样本所含的每个训练用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个训练用户对每项菜单项进行响应操作的操作概率，构成每个训练用户对应每项菜单项的信息数量和操作概率；
模型训练模块，用于分别以信息数量和操作概率为预设函数的自变量和因变量，并基于每个训练用户对应每项菜单项的信息数量和操作概率，训练出与所述预设函数对应的模型函数。
在一个实施例中，所述模型生成还包括：
验证样本选取模块，用于从全部用户的历史信息中选取除所述训练样本外的，部分用户的历史信息做为验证样本；
样本参数获取模块，用于从所述验证样本所含的每个验证用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个验证用户对每项菜单项进行响应操作的操作概率，构成每个验证用户对应每项菜单项的信息数量和操作概率；
模型函数验证模块，用于将每个验证用户对应每项菜单项的信息数量输入训练出的模型函数，计算出每个验证用户对应每项菜单的操作概率；
准确率获取模块，用于通过比较计算出的操作概率和获取的操作概率，获得每个验证用户对应各项菜单项的操作概率的准确率；
模型函数确定模块，用于如果准确率高于预设准确阈值的用户的数目，高于预设覆盖阈值，则确定所述模型函数为所述预设的概率预测模型的概率预测函数。
在一个实施例中，所述概率预测模块包括：
基于所获取的特征信息，计算与每项菜单项关联的特征信息的信息数量；
将与每项菜单项关联的特征信息的信息数量输入所述概率预测函数，计算出该项菜单项的概率预测值。
在一个实施例中，所述模型生成模块还包括：
训练样本更新模块，用于在预设时段后，从全部用户的历史信息中选取不同于所述训练样本的，部分用户的历史信息做为更新的训练样本；
更新参数获取模块，用于从更新的训练样本所含的每个训练用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个训练用户对每项菜单项进行响应操作的操作概率，构成每个训练用户对应每项菜单项的信息数量和操作概率；
模型函数更新模块，用于分别以信息数量和操作概率为所述预设函数的自变量和因变量，并基于每个训练用户对应每项菜单项的信息数量和操作概率，重新训练出与所述预设函数对应的模型函数。
根据本申请实施例的第三方面，提供一种终端，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为：
接收到用户的来电呼叫后，根据所述来电呼叫获取该用户的至少一种特征信息，所述特征信息为该用户的历史信息中，与IVR语音菜单的菜单项关联的信息；
根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值；
根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。
应用本申请实施例，接收到用户的来电呼叫后，根据所述来电呼叫获取 该用户的至少一种特征信息；再根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值；最终根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。因此，可以根据来电用户的历史信息，预测出来电用户会选择的菜单项，然后跳转到预测出的菜单项所指示的业务环节，能有效减少来电用户对IVR语音菜单的响应操作，快速将来电用户的来电呼叫跳转到对应菜单项所指示的业务环节，以降低客户费力度和呼叫中心的运行成本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请实施例实现来电处理的一个系统结构意图；
图2是本申请来电处理方法的一个实施例流程图；
图3是本申请来电处理装置所在终端的一种硬件结构图；
图4是本申请来电处理装置的一个实施例框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本 申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参见图1，是本申请实施例实现来电处理的一个系统结构意图，该系统可以包括第一来电终端111和第二来电终端112中的至少一项、呼叫中心系统120、以及第一业务终端131、第二业务终端132至第N业务终端13N，N为大于或等于2的整数。
第一来电终端111，是用户A基于账户A登录客户端A的设备，采用网络电话(基于互联网协议的语音电话)的通话方式，本实施例仅以手机为例进行示例说明，实际应用中第一来电终端111还可以是平板电脑(Pad，portable android device)、个人计算机(PC，Personal Computer)等智能终端。该终端的用户A基于客户端A的通话功能，可以通过互联网，向呼叫中心系统120发起携带有账户A的来电呼叫，这里提到的客户端A可以包括来往、钉钉等社交通信软件对应的客户端。
第二来电终端112，可以是有线电话终端、无绳电话终端、小灵通、智能手机等通话终端，采用手持电话的通话方式。该终端的用户B基于该终端的通话功能，可以通过移动运营商提供的电话网，拨打热线电话(如95188等)，向呼叫中心系统120发起携带有第二来电终端112的电话号码的来电呼叫，该电话号码可以是常见的固定电话号码、移动运营商提供的电话号码、移动运营商的短号、集群网服务提供的短号或虚拟运营商提供的虚拟临时号码等。
呼叫中心系统120，可以是一台服务器，或者由多台服务器组成的服务器集群，或者是基于云计算而搭建的云计算服务中心，或者是利用智能化网络技术建立虚拟呼叫中心，能够存储用户的历史信息、IVR语音菜单、以及所述历史信息中的特征信息与所述IVR语音菜单的菜单项之间的关联关系。这里提到历史信息可以包括用户来电呼叫时对IVR语音菜单的菜单项的响应操作(或选择的业务环节，选择该业务环节表示已对指示该业务环节的菜单项进行了响应操作)；可以包括发起来电呼的终端内安装的客户端记录的：用户的历史操作信息，例如：用户查询的业务信息、用户发送的业务请求等；还可以包括与所述客户端对应的服务端所记录的：与用户关联的历史操作信息，例如：向该用户推送的业务信息、接收的该用户的业务请求等。
而所述IVR语音菜单包括至少一个级别的菜单，每个级别的菜单包括至少一项菜单项，通过播放各级别菜单的菜单项，可以提示来电客户对菜单项进行响应操作，然后根据用户的每一次响应操作，确定用户选择哪个菜单项，然后跳转到相应业务环节，该业务环节可以是用户选择的菜单项所对应的由第一业务终端131至第N业务终端13N中任一终端提供的业务服务，也可以是用户选择的菜单项所对应的下一级别菜单的菜单服务，具体的菜单级别和菜单项由呼叫中心系统120所关联的热线类型或所服务的行业类型决定。
在某些场景，呼叫中心系统120与蚂蚁金服的服务热线关联，其存储的IVR语音菜单如图1所示，第一级菜单包括支付宝业务请按1、网商业务请按2、花呗业务请按3以及指示其他业务环节的菜单项，第二至第M级菜单分别与支付宝业务、网商业务、花呗业务以及其他业务关联，M为大于或等于2的正整数，可根据具体业务范围设置，此处不再赘述。
而所述关联关系可以包括以下至少一项关系：用户对某项菜单项的响应操作与该项菜单项之间的对应关系；来电呼叫跳转到的业务环节与指示该业务环节的菜单项之间的对应关系；客户端内的历史操作信息所对应的业务环节，与指示该业务环节的菜单项之间的对应关系；服务端所记录的历史操作 信息所对应的业务环节，与指示该业务环节的菜单项之间的对应关系。
实际应用中，呼叫中心120接收到第一来电终端111或第二来电终端112的来电呼叫后，根据所述来电呼叫获取该用户的至少一种特征信息；再根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值(所述概率预测值可以用于表征用户对该菜单项进行响应操作的概率)；最终根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。例如，特征信息为用户对图1中菜单项“支付宝业务请按1”的响应操作(对按键1的触发)，计算得到菜单项“支付宝业务请按1”的概率预测值95％，，表示用户对菜单项“支付宝业务请按1”进行响应操作的概率为95％，确定跳过所述IVR语音菜单中第一级菜单，将所述来电呼叫跳转到对应菜单项菜单项“支付宝业务请按1”所指示的业务环节。
第一业务终端131、第二业务终端132至第N业务终端13N，可以在用户的来电呼叫跳转到对应菜单项所指示的业务环节后，向用户提供对应菜单项所指示的业务环节的服务，服务可以由业务员A、业务员B至业务员N操作完成。例如：菜单项为支付宝业务请按1、网商业务请按2、花呗业务请按3以及指示其他业务环节的菜单项时，第一业务终端131、第二业务终端132至第N业务终端13N可以向来电用户提供以下服务：
接收支付宝用户投诉、帮助支付宝用户查询交易信息、帮助网商用户查询存款或贷款信息、帮助花呗用户查询授信额度等等。
下面将结合附图1对本申请实施例进行详细描述。
参见图2，图2是本申请来电处理方法的一个实施例流程图，该来电处理方法可以包括以下步骤201-203：
步骤201：接收到用户的来电呼叫后，根据所述来电呼叫获取该用户的至少一种特征信息，所述特征信息为该用户的历史信息中，与IVR语音菜单的菜单项关联的信息。
本申请实施例的来电呼叫方法，可应用于图1所示的呼叫中心系统，接收到来单呼叫后，可以通过所述来电呼叫所携带的用户的用户信息，查询与该用户信息对应存储的特征信息；还可以通过所述来电呼叫所携带的用户的用户信息，从该用户的历史信息中查询该用户的特征信息。这里提到的用户信息可以包括但不限于：用户名称、一个或多个电话号码(当智能终端可以提供多个SIM卡功能时，或者提供虚拟SIM卡功能时，用户信息可以包含多个电话号码)、传真号码、社交通讯账号(如钉钉账号、来往账号等)等等。呼叫中心系统可以记录各用户的用户信息、各用户信息对应的特征信息间、各用户的历史信息、以及各用户的特征信息与各菜单项的关联关系。
要确定用户的特征信息，前提是该用户为老用户，在本次呼叫之前已对当前呼叫中心进行过呼叫，而对于首次呼叫当前呼叫中心的用户，无法确定其特征信息，为了区别处理新老用户的来电呼叫，在接收到来电呼叫，本实施例的来电处理方法可以包括以下操作：判断是否首次接收到该用户的来电呼叫；如果不是首次接收到该用户的来电呼叫，根据所述来电呼叫获取该用户的至少一种特征信息；如果是首次接收到该用户的来电呼叫，向该用户推送所述IVR语音菜单；根据该用户对所述IVR语音菜单的菜单项的响应操作，将所述来电呼叫跳转到：该用户所响应操作的菜单项所指示的业务环节；记录该用户对所述IVR语音菜单的菜单项的响应操作。这里提到的响应操作可以包括用户对相应按键的触击、以及用户输入的菜单选择语音等等。
本申请实施例，通过区分新老用户的来电呼叫，可以针对新老用户的来电呼叫，快速实时的进行适应不同用户的来电处理，在降低客户费力度和呼叫中心的运行成本前提下，满足不同用户的来电需求。
对于老用户，其特征信息可以通过记录其历史来电信息、查询发起其来电呼叫的终端(如图1中的第一来电终端111或第二来电终端112)内的历史信息、或者查询接收其来电呼叫的终端(如图1中呼叫中心系统120对应的终端)内的历史信息获取，例如以下信息中的至少一种：用户对IVR语音菜单的菜单 项的响应操作信息；用户来电呼叫所咨询的事件所属的事件类目；发起所述来电呼叫的终端内对应应用的历史信息。
其中，用户对IVR语音菜单的菜单项的响应操作信息可以包括用户对相应按键的触击、以及用户输入的菜单选择语音等等。
用户来电呼叫所咨询的事件所属的事件类目，可以根据预先设置的事件分类结构确定，例如：可以针对图1所示的IVR语音菜单，如对蚂蚁金服的用户来电呼叫所咨询的问题进行分类，将咨询的问题划分未支付问题、密码问题等，用户咨询花呗业务中支付失败的问题即属于支付问题类目，用户咨询支付宝支付密码锁定的问题即属于密码问题类目。
发起所述来电呼叫的终端内对应应用的历史信息，可以包括发起来电呼的终端内安装的客户端记录的：用户的历史操作信息，例如用户查询的业务信息、用户发送的业务请求等。所述对应应用可以是与呼叫的热线关联的应用。
步骤202：根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值。
本申请实施例中，所述预设的概率预测模型用于预测：用户在本次来电呼叫时，选择所获取的特征信息所关联的菜单项的概率。相应的，所述概率预测值可以用于表征用户对该菜单项进行响应操作的概率。如果获取的特征信息为一项，则仅预测该项特征信息所关联的菜单项的概率，如果获取的特征信息为至少两项，则分别预测每一项特征信息所关联的菜单项的概率。单项特征信息可以只关联一项菜单项，也可以关联一组菜单项，该组菜单项由IVR语音菜单的各级菜单组成，用于指示某一业务环节，为该业务环节的导航路径。
实际应用中，为了预测来电用户所选择的特征信息所关联的菜单项的概率，可以预先对所述IVR语音菜单的菜单项分类，分为至少两类菜单，再将与每类菜单项关联的特征信息的信息数量为自变量，以每类菜单项的概率为 因变量，通过概率计算公式计算：所得的每项特征信息所关联的菜单项的概率。而每项因变量的变量参数可以根据实际应用设定，也可以通过呼叫中心系统存储的用户的历史信息进行训练获得。
对应所述IVR语音菜单的菜单项分类所得的分类数目，概率预测模型可以为二分类的概率预测模型或多分类的概率预测模型。可以根据实际需要进行菜单分类，可以将指示同一业务环节的不同级别的菜单分为同一类，使得整个IVR语音菜单分划为至少两类，或者仅对同一级别的菜单进行分类，将同一级别的菜单划分为至少两类。以图1所示的IVR菜单为例，可将第一级菜单内的菜单项“支付宝业务请按1”划分为一类，第一级菜单内的剩余菜单项划分为另一类；相应的，菜单项“支付宝业务请按1”的概率为一个因变量，剩余所有菜单项的总概率为一个因变量，与菜单项“支付宝业务请按1”关联的特征信息的信息数量为一个自变量，与剩余所有菜单项关联的特征信息的信息数量的总和为另一个自变量，构成一个二分类的概率预测模型。
在一个例子中，为了确定因变量的变量参数的具体数值，可以通过以下操作确定并生成所述预设的概率预测模型：
从全部用户的历史信息中，选取部分用户的历史信息做为训练样本。
从所述训练样本所含的每个训练用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个训练用户对每项菜单项进行响应操作的操作概率，构成每个训练用户对应每项菜单项的信息数量和操作概率。
分别以信息数量和操作概率为预设函数的自变量和因变量，并基于每个训练用户对应每项菜单项的信息数量和操作概率，训练出与所述预设函数对应的模型函数。
其中，如果用户的历史信息仅包括用户来电呼叫时对IVR语音菜单的菜单项的响应操作。获取与某项菜单项关联的特征信息的信息数量时，可以从每个训练用户的历史信息中，获取训练用户对某项菜单项进行响应操作的操作总次数作为信息数量。获取每个训练用户对某项菜单项进行响应操作的操 作概率时：可以从每个训练用户的历史信息中，先获取所有来电呼叫的呼叫总次数，再获取训练用户对某项菜单项进行响应操作的操作总次数，最终获取操作总次数与呼叫总次数的比值做为操作概率。
训练与所述预设函数对应的模型函数时，可通过数据拟合的方式获得，而预设函数可以根据每个训练用户对应每项菜单项的信息数量和操作概率，在坐标空间内的分布图的线形确定，例如：分布图的线形为直线，则预设函数为含有至少两个自变量的线性函数。
本例子仅以部分用户的历史信息做为训练样本，可以预留对预设的概率模型进行验证和持续训练的数据源，保证当前模型的准确率的同时，可在模型效果随着时间衰减后，及时更新模型。在某些场景，训练样本可以包括90％的用户的历史信息。
在另一个例子中，为了验证训练所得模型的准确率，可以通过以下操作对模型进行验证：
从全部用户的历史信息中选取除所述训练样本外的，部分用户的历史信息做为验证样本。
从所述验证样本所含的每个验证用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个验证用户对每项菜单项进行响应操作的操作概率，构成每个验证用户对应每项菜单项的信息数量和操作概率。
将每个验证用户对应每项菜单项的信息数量输入训练出的模型函数，计算出每个验证用户对应每项菜单的操作概率。
通过比较计算出的操作概率和获取的操作概率，获得每个验证用户对应各项菜单项的操作概率的准确率。
如果准确率高于预设准确阈值的用户的数目，高于预设覆盖阈值，则确定所述模型函数为所述预设的概率预测模型的概率预测函数。
其中，如果用户的历史信息仅包括用户来电呼叫时对IVR语音菜单的菜单项的响应操作。获取与某项菜单项关联的特征信息的信息数量时，可以从 每个验证用户的历史信息中，获取验证用户对某项菜单项进行响应操作的操作总次数作为信息数量。获取每个验证用户对某项菜单项进行响应操作的操作概率时：可以从每个验证用户的历史信息中，先获取所有来电呼叫的呼叫总次数，再获取验证用户对某项菜单项进行响应操作的操作总次数，最终获取操作总次数与呼叫总次数的比值做为操作概率。
本例子中，比较计算出的操作概率和获取的操作概率时，可以比较两者的差值或比值，差值为0或比值为1，则准确，否则不准确。每个用户的准确率，可以是计算所得的操作概率准确的呼叫次数与总呼叫次数的比值。而预设准确阈值可以根据实际需要设定，在某些场景中，验证样本可以包括10％的用户的历史信息，预设准确率阈值是可以是95％，预设覆盖率阈值可以是18％。
在另一个例子中，为了保证概率模型的准确率，可以通过以下操作实时更新预设的概率模型：
在预设时段后，从全部用户的历史信息中选取不同于所述训练样本的，部分用户的历史信息做为更新的训练样本。
从更新的训练样本所含的每个训练用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个训练用户对每项菜单项进行响应操作的操作概率，构成每个训练用户对应每项菜单项的信息数量和操作概率。
分别以信息数量和操作概率为所述预设函数的自变量和因变量，并基于每个训练用户对应每项菜单项的信息数量和操作概率，重新训练出与所述预设函数对应的模型函数。
本例子中，可以从验证样本中选取部分用户的历史信息为更新的训练样本；或者从验证样本中选取部分用户的历史信息添加到原训练样本，构成更新的训练样本。
对应于上述模型的训练过程，在一个可选实现方式中，可以通过以下操作根据预设的概率预测模型，计算所获取的特征信息对应的菜单项的概率预 测值：
基于所获取的特征信息，计算与每项菜单项关联的特征信息的信息数量。
将与每项菜单项关联的特征信息的信息数量输入所述概率预测函数，计算出该项菜单项的概率预测值。
本实现方式，可以快速准确地计算所获取的每项特征信息所关联的菜单项的概率预测值。
步骤203：根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。
本申请实施例中，可以通过比较计算所得的概率预测值与预设概率阈值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。所述业务环节可以包括问题识别环节、渠道识别环节、咨询解答环节等等。
某些场景中，所述特征信息可以是该用户的历史信息中，与IVR语音菜单中第一级菜单的菜单项关联的信息，所述相应级别的菜单可以是所述第一级菜单。
在一个例子中，所述根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节，包括：
比较计算所得的概率预测值与预设概率阈值的大小关系。
如果所得的概率预测值大于预设概率阈值，跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到：所获取的特征信息所关联的菜单项所指示的业务环节。
如果所得的概率预测值不大于预设概率阈值，向该用户推送所述IVR语音菜单。
根据该用户对所述IVR语音菜单的菜单项的响应操作，将所述来电呼叫跳转到：该用户所响应操作的菜单项所指示的业务环节。
记录该用户对所述IVR语音菜单的菜单项的响应操作。
本例子中，通过记录用户对所述IVR语音菜单的菜单项的响应操作，可获得首次来电用户的历史信息，便于该用户再次来电呼叫时，根据其历史信息，预测其选择的菜单项。所述预设概率阈值可以根据实际需要设定，例如设定所述预设概率阈值为95％。
跳过所述IVR语音菜单中相应级别的菜单时，确定跳过计算所得的概率预测值大于所述概率阈值的一项菜单项所在级别、以及在该项菜单项之前播放的级别的菜单，然后将所述来电呼叫跳转到该项菜单项所指示的业务环节。如果计算所得的概率预测值大于预设概率阈值的菜单项，为IVR语音菜单项中最后一个级别的菜单，则跳过整个IVR语音菜单。
在其他例子中，可以通过比较计算所得的各项预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。例如：跳过预测值最大的一项菜单项所在级别、以及在该项菜单项之前播放的级别的菜单。然后将所述来电呼叫跳转到该项菜单项所指示的业务环节。
本申请的其他实施例中，在用户来电呼叫，可以记录用户来电呼叫的次数和用户每次来电数据时对菜单项的响应操作，然后设定在用户来电满足预设次数，如5次后，才可以根据该用户的来电呼叫，获取该用户的特征信息，再根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值。
由上述实施例可知，本申请在接收到用户的来电呼叫后，根据所述来电呼叫获取该用户的至少一种特征信息；再根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值；最终根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。因此，可以根据来电用户的历史信息，预测出来电用户会选择的菜单项，然后跳转到预测出的菜单项所指示的业务 环节，能有效减少来电用户对IVR语音菜单的响应操作，快速将来电用户的来电呼叫跳转到对应菜单项所指示的业务环节，以降低客户费力度和呼叫中心的运行成本。
本申请实施例的来电处理方法可以应用于电商、银行、快递、航空、电信等各行业的热线服务中，根据这些行业的来电用户的历史信息，预测出来电用户会选择的菜单项，然后跳转到预测出的菜单项所指示的业务环节，能有效减少这些行业的来电用户对IVR语音菜单的响应操作，快速将来电用户的来电呼叫跳转到对应菜单项所指示的业务环节，以降低客户费力度和呼叫中心的运行成本，提高用户对这些行业的用户体验。
与前述来电处理方法的实施例相对应，本申请还提供了来电处理装置的实施例。
本申请来电处理装置的实施例可以应用在终端上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在终端的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本申请来电处理装置所在终端的一种硬件结构图，除了图3所示的处理器310、网络接口320、内存330、以及非易失性存储器340之外，实施例中装置所在的终端通常根据该终端的实际功能，还可以包括其他硬件，对此不再赘述。
上述处理器310被配置为：接收到用户的来电呼叫后，根据所述来电呼叫获取该用户的至少一种特征信息，所述特征信息为该用户的历史信息中，与IVR语音菜单的菜单项关联的信息；根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值；根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。
参见图4，图4是本申请来电处理装置的一个实施例框图，该装置可包 括：特征获取模块410、概率预测模块420和来电跳转模块430。
其中，特征获取模块410，用于在接收到用户的来电呼叫后，根据所述来电呼叫获取该用户的至少一种特征信息，所述特征信息为该用户的历史信息中，与IVR语音菜单的菜单项关联的信息。
概率预测模块420，用于根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值。
来电跳转模块430，用于根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。
在一个可选实现方式中，特征获取模块410可以包括(图4中未具体示出)：
呼叫判断模块，用于在接收到用户的来电呼叫后，判断是否首次接收到该用户的来电呼叫。
信息确定模块，用于在不是首次接收到该用户的来电呼叫时，根据所述来电呼叫获取该用户的至少一种特征信息。
进一步地，本申请实施例的来电处理装置还可以包括(图4中未具体示出)：
第一菜单模块，用于在首次接收到该用户的来电呼叫时，向该用户推送所述IVR语音菜单。
第一跳转模块，用于根据该用户对所述IVR语音菜单的菜单项的响应操作，将所述来电呼叫跳转到：该用户所响应操作的菜单项所指示的业务环节。
第一记录模块，用于记录该用户对所述IVR语音菜单的菜单项的响应操作。
在另一个可选实现方式中，来电跳转模块430可以包括(图4中未具体示出)：
预测值比较模块，用于比较计算所得的概率预测值与预设概率阈值的大 小关系。
菜单跳过模块，用于在所得的概率预测值大于预设概率阈值，跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到：所获取的特征信息所关联的菜单项所指示的业务环节。
进一步地，本申请实施例的来电处理装置还可以包括(图4中未具体示出)：
第二菜单模块，用于在所得的概率预测值不大于预设概率阈值时，向该用户推送所述IVR语音菜单。
第二跳转模块，用于根据该用户对所述IVR语音菜单的菜单项的响应操作，将所述来电呼叫跳转到：该用户所响应操作的菜单项所指示的业务环节。
第二记录模块，用于记录该用户对所述IVR语音菜单的菜单项的响应操作。
在另一个可选实现方式中，本申请实施例的来电处理装置还可以包括(图4中未具体示出)模型生成模块，所述模型生成模块可以包括：
训练样本选取模块，用于从全部用户的历史信息中，选取部分用户的历史信息做为训练样本。
训练参数获取模块，用于从所述训练样本所含的每个训练用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个训练用户对每项菜单项进行响应操作的操作概率，构成每个训练用户对应每项菜单项的信息数量和操作概率。
模型训练模块，用于分别以信息数量和操作概率为预设函数的自变量和因变量，并基于每个训练用户对应每项菜单项的信息数量和操作概率，训练出与所述预设函数对应的模型函数。
在另一个可选实现方式中，所述模型生成模块还可以包括(图4中未具体示出)：
验证样本选取模块，用于从全部用户的历史信息中选取除所述训练样本 外的，部分用户的历史信息做为验证样本。
样本参数获取模块，用于从所述验证样本所含的每个验证用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个验证用户对每项菜单项进行响应操作的操作概率，构成每个验证用户对应每项菜单项的信息数量和操作概率。
模型函数验证模块，用于将每个验证用户对应每项菜单项的信息数量输入训练出的模型函数，计算出每个验证用户对应每项菜单的操作概率。
准确率获取模块，用于通过比较计算出的操作概率和获取的操作概率，获得每个验证用户对应各项菜单项的操作概率的准确率。
模型函数确定模块，用于如果准确率高于预设准确阈值的用户的数目，高于预设覆盖阈值，则确定所述模型函数为所述预设的概率预测模型的概率预测函数。
在另一个可选实现方式中，概率预测模块420可以包括(图4中未具体示出)：
基于所获取的特征信息，计算与每项菜单项关联的特征信息的信息数量。
将与每项菜单项关联的特征信息的信息数量输入所述概率预测函数，计算出该项菜单项的概率预测值。
在另一个可选实现方式中，所述模型生成模块还可以包括(图4中未具体示出)：
训练样本更新模块，用于在预设时段后，从全部用户的历史信息中选取不同于所述训练样本的，部分用户的历史信息做为更新的训练样本。
更新参数获取模块，用于从更新的训练样本所含的每个训练用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个训练用户对每项菜单项进行响应操作的操作概率，构成每个训练用户对应每项菜单项的信息数量和操作概率。
模型函数更新模块，用于分别以信息数量和操作概率为所述预设函数的 自变量和因变量，并基于每个训练用户对应每项菜单项的信息数量和操作概率，重新训练出与所述预设函数对应的模型函数。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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申请方案的目的。
本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (17)

  1. 一种来电处理方法，其特征在于，包括以下步骤：
    接收到用户的来电呼叫后，根据所述来电呼叫获取该用户的至少一种特征信息，所述特征信息为该用户的历史信息中，与IVR语音菜单的菜单项关联的信息；
    根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值；
    根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。
  2. 根据权利要求1所述的方法，其特征在于，所述相应级别的菜单为所述IVR语音菜单的第一级菜单，所述特征信息包括以下信息中的至少一种：
    用户对IVR语音菜单的菜单项的响应操作信息；
    用户来电呼叫所咨询的事件所属的事件类目；
    发起所述来电呼叫的终端内对应应用的历史信息。
  3. 根据权利要求1所述的方法，其特征在于，接收到用户的来电呼叫后，所述方法还包括以下步骤：
    判断是否首次接收到该用户的来电呼叫；
    如果不是首次接收到该用户的来电呼叫，根据所述来电呼叫获取该用户的至少一种特征信息；
    如果是首次接收到该用户的来电呼叫，向该用户推送所述IVR语音菜单；
    根据该用户对所述IVR语音菜单的菜单项的响应操作，将所述来电呼叫跳转到：该用户所响应操作的菜单项所指示的业务环节；
    记录该用户对所述IVR语音菜单的菜单项的响应操作。
  4. 根据权利要求1所述的方法，其特征在于，所述根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节，包括：
    比较计算所得的概率预测值与预设概率阈值的大小关系；
    如果所得的概率预测值大于预设概率阈值，跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到：所获取的特征信息所关联的菜单项所指示的业务环节；
    如果所得的概率预测值不大于预设概率阈值，向该用户推送所述IVR语音菜单；
    根据该用户对所述IVR语音菜单的菜单项的响应操作，将所述来电呼叫跳转到：该用户所响应操作的菜单项所指示的业务环节；
    记录该用户对所述IVR语音菜单的菜单项的响应操作。
  5. 根据权利要求1至4中任一项所述的方法，其特征在于，所述预设的概率预测模型的生成步骤包括：
    从全部用户的历史信息中，选取部分用户的历史信息做为训练样本；
    从所述训练样本所含的每个训练用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个训练用户对每项菜单项进行响应操作的操作概率，构成每个训练用户对应每项菜单项的信息数量和操作概率；
    分别以信息数量和操作概率为预设函数的自变量和因变量，并基于每个训练用户对应每项菜单项的信息数量和操作概率，训练出与所述预设函数对应的模型函数。
  6. 根据权利要求5所述的方法，其特征在于，所述预设的概率预测模型的生成步骤还包括：
    从全部用户的历史信息中选取除所述训练样本外的，部分用户的历史信息做为验证样本；
    从所述验证样本所含的每个验证用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个验证用户对每项菜单项进行响应操作的操作概率，构成每个验证用户对应每项菜单项的信息数量和操作概率；
    将每个验证用户对应每项菜单项的信息数量输入训练出的模型函数，计算出每个验证用户对应每项菜单的操作概率；
    通过比较计算出的操作概率和获取的操作概率，获得每个验证用户对应各项菜单项的操作概率的准确率；
    如果准确率高于预设准确阈值的用户的数目，高于预设覆盖阈值，则确定所述模型函数为所述预设的概率预测模型的概率预测函数。
  7. 根据权利要求6所述的方法，其特征在于，所述根据预设的概率预测模型，计算所获取的特征信息对应的菜单项的概率预测值，包括：
    基于所获取的特征信息，计算与每项菜单项关联的特征信息的信息数量；
    将与每项菜单项关联的特征信息的信息数量输入所述概率预测函数，计算出该项菜单项的概率预测值。
  8. 根据权利要求5所述的方法，其特征在于，所述预设的概率预测模型的生成步骤还包括：
    在预设时段后，从全部用户的历史信息中选取不同于所述训练样本的，部分用户的历史信息做为更新的训练样本；
    从更新的训练样本所含的每个训练用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个训练用户对每项菜单项进行响应操作的操作概率，构成每个训练用户对应每项菜单项的信息数量和操作概率；
    分别以信息数量和操作概率为所述预设函数的自变量和因变量，并基于每个训练用户对应每项菜单项的信息数量和操作概率，重新训练出与所述预设函数对应的模型函数。
  9. 一种来电处理装置，其特征在于，包括：
    特征获取模块，用于在接收到用户的来电呼叫后，根据所述来电呼叫获取该用户的至少一种特征信息，所述特征信息为该用户的历史信息中，与IVR语音菜单的菜单项关联的信息；
    概率预测模块，用于根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值；
    来电跳转模块，用于根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务 环节。
  10. 根据权利要求9所述的装置，其特征在于，所述相应级别的菜单为所述IVR语音菜单的第一级菜单，所述特征信息包括以下信息中的至少一种：
    用户对IVR语音菜单的菜单项的响应操作信息；
    用户来电呼叫所咨询的事件所属的事件类目；
    发起所述来电呼叫的终端内对应应用的历史信息。
  11. 根据权利要求9所述的装置，其特征在于，所述特征获取模块包括：
    呼叫判断模块，用于在接收到用户的来电呼叫后，判断是否首次接收到该用户的来电呼叫；
    信息确定模块，用于在不是首次接收到该用户的来电呼叫时，根据所述来电呼叫获取该用户的至少一种特征信息；
    所述装置还包括：
    第一菜单模块，用于在首次接收到该用户的来电呼叫时，向该用户推送所述IVR语音菜单；
    第一跳转模块，用于根据该用户对所述IVR语音菜单的菜单项的响应操作，将所述来电呼叫跳转到：该用户所响应操作的菜单项所指示的业务环节；
    第一记录模块，用于记录该用户对所述IVR语音菜单的菜单项的响应操作。
  12. 根据权利要求9所述的装置，其特征在于，所述来电跳转模块包括：
    预测值比较模块，用于比较计算所得的概率预测值与预设概率阈值的大小关系；
    菜单跳过模块，用于在所得的概率预测值大于预设概率阈值，跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到：所获取的特征信息所关联的菜单项所指示的业务环节；
    所述装置还包括：
    第二菜单模块，用于在所得的概率预测值不大于预设概率阈值时，向该用户推送所述IVR语音菜单；
    第二跳转模块，用于根据该用户对所述IVR语音菜单的菜单项的响应操作， 将所述来电呼叫跳转到：该用户所响应操作的菜单项所指示的业务环节；
    第二记录模块，用于记录该用户对所述IVR语音菜单的菜单项的响应操作。
  13. 根据权利要求9至12中任一项所述的装置，其特征在于，所述装置还包括模型生成模块，所述模型生成模块包括：
    训练样本选取模块，用于从全部用户的历史信息中，选取部分用户的历史信息做为训练样本；
    训练参数获取模块，用于从所述训练样本所含的每个训练用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个训练用户对每项菜单项进行响应操作的操作概率，构成每个训练用户对应每项菜单项的信息数量和操作概率；
    模型训练模块，用于分别以信息数量和操作概率为预设函数的自变量和因变量，并基于每个训练用户对应每项菜单项的信息数量和操作概率，训练出与所述预设函数对应的模型函数。
  14. 根据权利要求13所述的装置，其特征在于，所述模型生成还包括：
    验证样本选取模块，用于从全部用户的历史信息中选取除所述训练样本外的，部分用户的历史信息做为验证样本；
    样本参数获取模块，用于从所述验证样本所含的每个验证用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个验证用户对每项菜单项进行响应操作的操作概率，构成每个验证用户对应每项菜单项的信息数量和操作概率；
    模型函数验证模块，用于将每个验证用户对应每项菜单项的信息数量输入训练出的模型函数，计算出每个验证用户对应每项菜单的操作概率；
    准确率获取模块，用于通过比较计算出的操作概率和获取的操作概率，获得每个验证用户对应各项菜单项的操作概率的准确率；
    模型函数确定模块，用于如果准确率高于预设准确阈值的用户的数目，高于预设覆盖阈值，则确定所述模型函数为所述预设的概率预测模型的概率预测函数。
  15. 根据权利要求14所述的装置，其特征在于，所述概率预测模块包括：
    基于所获取的特征信息，计算与每项菜单项关联的特征信息的信息数量；
    将与每项菜单项关联的特征信息的信息数量输入所述概率预测函数，计算出该项菜单项的概率预测值。
  16. 根据权利要求13所述的装置，其特征在于，所述模型生成模块还包括：
    训练样本更新模块，用于在预设时段后，从全部用户的历史信息中选取不同于所述训练样本的，部分用户的历史信息做为更新的训练样本；
    更新参数获取模块，用于从更新的训练样本所含的每个训练用户的历史信息中，获取与每项菜单项关联的特征信息的信息数量，以及每个训练用户对每项菜单项进行响应操作的操作概率，构成每个训练用户对应每项菜单项的信息数量和操作概率；
    模型函数更新模块，用于分别以信息数量和操作概率为所述预设函数的自变量和因变量，并基于每个训练用户对应每项菜单项的信息数量和操作概率，重新训练出与所述预设函数对应的模型函数。
  17. 一种终端，其特征在于，包括：
    处理器；
    用于存储所述处理器可执行指令的存储器；
    其中，所述处理器被配置为：
    接收到用户的来电呼叫后，根据所述来电呼叫获取该用户的至少一种特征信息，所述特征信息为该用户的历史信息中，与IVR语音菜单的菜单项关联的信息；
    根据预设的概率预测模型，计算所获取的特征信息所关联的菜单项的概率预测值；
    根据计算所得的概率预测值，确定是否跳过所述IVR语音菜单中相应级别的菜单，将所述来电呼叫跳转到对应菜单项所指示的业务环节。
PCT/CN2017/109418 2016-11-14 2017-11-03 来电处理方法、装置及终端 Ceased WO2018086489A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201611009522.3A CN106993104B (zh) 2016-11-14 2016-11-14 来电处理方法、装置及终端
CN201611009522.3 2016-11-14

Publications (1)

Publication Number Publication Date
WO2018086489A1 true WO2018086489A1 (zh) 2018-05-17

Family

ID=59414095

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/109418 Ceased WO2018086489A1 (zh) 2016-11-14 2017-11-03 来电处理方法、装置及终端

Country Status (3)

Country Link
CN (1) CN106993104B (zh)
TW (1) TWI736673B (zh)
WO (1) WO2018086489A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111435381A (zh) * 2019-01-10 2020-07-21 北京京东尚科信息技术有限公司 请求分发方法和装置
CN113988397A (zh) * 2021-10-22 2022-01-28 中国平安财产保险股份有限公司 基于人工神经网络的电联时段的规划方法、装置及设备
CN116346989A (zh) * 2023-04-04 2023-06-27 上海申雪供应链管理有限公司 一种快递热线呼叫方法、装置、设备和介质
US20240146841A1 (en) * 2021-01-07 2024-05-02 Home Depot Product Authority, Llc Systems and methods for interactive voice response auto-scaling

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106993104B (zh) * 2016-11-14 2020-06-09 阿里巴巴集团控股有限公司 来电处理方法、装置及终端
CN107544827A (zh) * 2017-08-23 2018-01-05 金蝶软件（中国）有限公司 一种功能调用的方法及相关装置
CN109428977A (zh) * 2017-08-29 2019-03-05 百度在线网络技术（北京）有限公司 互动式语音应答交互方法和装置
CN107704946B (zh) * 2017-08-29 2019-05-10 平安科技（深圳）有限公司 电子装置、语音导航需求预测方法和存储介质
CN107798341A (zh) * 2017-09-30 2018-03-13 平安科技（深圳）有限公司 用户意图预测方法、电子设备及计算机可读存储介质
CN107705191B (zh) * 2017-10-25 2021-03-26 携程计算机技术（上海）有限公司 Ota平台的订单争取方法及系统
CN107888786A (zh) * 2017-11-22 2018-04-06 程桂平 一种智能匹配接线员的方法及计算机系统
WO2020005302A1 (en) * 2018-06-29 2020-01-02 Google Llc Graphical user interface for a voice response system
CN109086429B (zh) * 2018-08-10 2021-04-13 上海华客信息科技有限公司 Ivr语音导航的方法、系统、设备及存储介质
CN109274843B (zh) * 2018-09-19 2021-06-11 平安科技（深圳）有限公司 按键预测方法、装置及计算机可读存储介质
CN111343348A (zh) * 2018-12-19 2020-06-26 中兴通讯股份有限公司 互动式语音应答菜单的应用方法、系统、装置及存储介质
CN110322899B (zh) * 2019-06-18 2023-09-22 平安银行股份有限公司 用户智能分类方法、服务器及存储介质
CN110233944B (zh) * 2019-06-21 2020-12-18 携程旅游信息技术（上海）有限公司 交互式语音应答的方法、系统、电子设备和介质
CN110597433A (zh) * 2019-07-18 2019-12-20 浙江工业大学 一种智能化快捷菜单的生成方法
US10771628B1 (en) * 2020-03-06 2020-09-08 Caastle, Inc. Systems and methods for forecasting inbound telecommunications associated with an electronic transactions subscription platform
CN114118502B (zh) * 2020-08-26 2025-08-08 顺丰科技有限公司 客户来电预测方法、装置、计算机设备和存储介质
CN115604398A (zh) * 2022-10-12 2023-01-13 迪爱斯信息技术股份有限公司（Cn） 一种ivr服务节点跳转方法及系统
CN116095240B (zh) * 2023-01-19 2025-12-12 中国光大银行股份有限公司 语音互动路径的预测方法和装置及存储介质
CN116668590B (zh) * 2023-05-30 2025-03-04 中电金信软件有限公司 业务处理方法和装置
CN116723272A (zh) * 2023-06-13 2023-09-08 中国银行股份有限公司 语音信息推送方法、装置、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7065188B1 (en) * 1999-10-19 2006-06-20 International Business Machines Corporation System and method for personalizing dialogue menu for an interactive voice response system
US7260537B2 (en) * 2003-03-25 2007-08-21 International Business Machines Corporation Disambiguating results within a speech based IVR session
CN101094271A (zh) * 2007-07-20 2007-12-26 华为技术有限公司 自动语音应答系统菜单的生成方法及装置
CN101778180A (zh) * 2010-01-22 2010-07-14 同济大学 一种互动式语音应答系统业务节点动态调整控制方法
CN104010097A (zh) * 2014-06-17 2014-08-27 携程计算机技术（上海）有限公司 基于传统pstn电话的多媒体通讯系统及方法
CN104375847A (zh) * 2013-08-14 2015-02-25 华为技术有限公司 识别业务类型的方法及装置
CN105208231A (zh) * 2014-06-11 2015-12-30 阿里巴巴集团控股有限公司 一种基于ivr的语音播报方法及相关系统
CN105450876A (zh) * 2014-06-11 2016-03-30 阿里巴巴集团控股有限公司 一种语音播报方法及相关系统
CN106993104A (zh) * 2016-11-14 2017-07-28 阿里巴巴集团控股有限公司 来电处理方法、装置及终端
CN107071193A (zh) * 2016-11-28 2017-08-18 阿里巴巴集团控股有限公司 互动应答系统接入用户的方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7065188B1 (en) * 1999-10-19 2006-06-20 International Business Machines Corporation System and method for personalizing dialogue menu for an interactive voice response system
US7260537B2 (en) * 2003-03-25 2007-08-21 International Business Machines Corporation Disambiguating results within a speech based IVR session
CN101094271A (zh) * 2007-07-20 2007-12-26 华为技术有限公司 自动语音应答系统菜单的生成方法及装置
CN101778180A (zh) * 2010-01-22 2010-07-14 同济大学 一种互动式语音应答系统业务节点动态调整控制方法
CN104375847A (zh) * 2013-08-14 2015-02-25 华为技术有限公司 识别业务类型的方法及装置
CN105208231A (zh) * 2014-06-11 2015-12-30 阿里巴巴集团控股有限公司 一种基于ivr的语音播报方法及相关系统
CN105450876A (zh) * 2014-06-11 2016-03-30 阿里巴巴集团控股有限公司 一种语音播报方法及相关系统
CN104010097A (zh) * 2014-06-17 2014-08-27 携程计算机技术（上海）有限公司 基于传统pstn电话的多媒体通讯系统及方法
CN106993104A (zh) * 2016-11-14 2017-07-28 阿里巴巴集团控股有限公司 来电处理方法、装置及终端
CN107071193A (zh) * 2016-11-28 2017-08-18 阿里巴巴集团控股有限公司 互动应答系统接入用户的方法和装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111435381A (zh) * 2019-01-10 2020-07-21 北京京东尚科信息技术有限公司 请求分发方法和装置
US20240146841A1 (en) * 2021-01-07 2024-05-02 Home Depot Product Authority, Llc Systems and methods for interactive voice response auto-scaling
US12445555B2 (en) * 2021-01-07 2025-10-14 Home Depot Product Authority, Llc Systems and methods for interactive voice response auto-scaling
CN113988397A (zh) * 2021-10-22 2022-01-28 中国平安财产保险股份有限公司 基于人工神经网络的电联时段的规划方法、装置及设备
CN113988397B (zh) * 2021-10-22 2024-05-28 中国平安财产保险股份有限公司 基于人工神经网络的电联时段的规划方法、装置及设备
CN116346989A (zh) * 2023-04-04 2023-06-27 上海申雪供应链管理有限公司 一种快递热线呼叫方法、装置、设备和介质

Also Published As

Publication number Publication date
TWI736673B (zh) 2021-08-21
CN106993104B (zh) 2020-06-09
CN106993104A (zh) 2017-07-28
TW201818734A (zh) 2018-05-16

Similar Documents

Publication Publication Date Title
CN106993104B (zh) 来电处理方法、装置及终端
US10554817B1 (en) Automation of contact workflow and automated service agents in contact center system
US11704496B2 (en) Analysis of a topic in a communication relative to a characteristic of the communication
US10410633B2 (en) System and method for customer interaction management
US10382626B2 (en) Routing user communications to agents
US20260039614A1 (en) System and method for proactive intervention to reduce high cost channel usage
US9485359B2 (en) Recording user communications
US10027803B2 (en) Enhanced automated attendant system
US9742913B2 (en) Recording user communications
US11232508B2 (en) Quote-to-cash intelligent software agent
US9972024B2 (en) Customer insight hub for multi-channel customer engagement solutions
US20170024680A1 (en) Multi-dimensional approach to agent assignment
CN113379229B (zh) 一种资源调度方法和装置
US11743288B2 (en) System and method for generating and implementing a real-time multi-factor authentication policy across multiple channels
US11575788B2 (en) Interactive voice response using intent prediction and, for example a 5G capable device
EP3246857A1 (en) Computer-implemented system and method for facilitating interactions via automatic agent responses
CN106817296B (zh) 信息推荐的测试方法、装置以及电子设备
CN111488539B (zh) 页面调整方法及装置
US9729718B2 (en) Dynamic agent workflow based on contact center load
US9832316B1 (en) Customer service model-based call routing and/or scheduling system and method
US20230396709A1 (en) System and method for mobile device active callback prioritization with predictive outcome scoring
CN103685776A (zh) 一种呼叫处理方法及设备
CN112188014A (zh) 信息处理方法及设备
CN110581771B (zh) 利用网络消息服务以处理费用拆分的方法、计算装置可读存储介质以及计算装置
WO2023017532A1 (en) A system and method for user ranking and adaptations thereof for voice based interactions

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17868816

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17868816

Country of ref document: EP

Kind code of ref document: A1