一种基于分层建模与双模联动的保险外呼优化系统及方法与流程
本发明涉及外呼数据处理与机器学习建模,尤其涉及一种基于分层建模与双模联动的保险外呼优化系统及方法。
背景技术:
1、在外呼业务数据处理系统中,电话接通率是制约坐席效能、外呼服务器资源利用率与业务转化效率的关键指标。当前业内主流优化方案围绕客户名单筛选与拨打时机推荐展开,但两类技术均存在明显短板。
2、在名单筛选方面,人工规则筛选依赖固定阈值,特征维度有限,缺乏数据自适应能力,误筛与漏筛比例居高不下。统一机器学习模型对全部客户采用相同训练框架,未区分历史通话记录的丰富程度差异,面对无历史数据的新客户以及长期未接通的沉睡客户时无法差异化处理,冷启动场景下接通潜力预测精度大幅下滑。名单筛选模块独立部署,输出结果无法与拨打时段推荐模块形成联动。
3、在拨打时机推荐方面,传统择时方案依据全客群统计结果输出固定拨打窗口,无法针对单个客户的作息规律进行个性化适配。部分个性化方案仅使用客户基础信息与历史拨打统计特征,未充分挖掘通话语音转写文本中隐含的作息偏好信息,时段推荐偏差较大。现有择时模块仅完成单次时段计算,缺少模型监控与自动迭代更新机制,随着客户行为随时间发生漂移,预测精度不断衰减。
4、综合来看,现有技术存在多项核心空白。现有方案未建立支持跨层知识迁移的分层建模架构,高数据量客户模型积累的先验知识无法向冷启动客户模型迁移,导致冷启动场景预测能力不足。通话文本的时序特征提取停留在正则关键词匹配层面,未构建多粒度语义编码,无法捕捉客户隐性作息偏好的深层语义信息。客群级与个体级概率融合方式较为粗糙,缺少基于数据充分性的自适应校准融合机制。过滤阈值设定依赖人工经验,缺少多目标约束下的自动寻优方法,难以兼顾过滤效率与误筛风险。模型漂移检测手段单一,仅依赖单一指标阈值,无法区分特征分布漂移、预测分布漂移与性能漂移的不同成因及响应策略。
5、因此,亟需提供一种技术方案解决上述问题。
技术实现思路
1、为解决上述技术问题,本发明提供了一种基于分层建模与双模联动的保险外呼优化系统及方法。
2、第一方面,本发明提供一种基于分层建模与双模联动的保险外呼优化系统,该系统的技术方案如下:
3、数据预处理与特征构建模块,用于接入多源业务数据并按时间顺序划分为训练集、验证集和测试集,根据所述多源业务数据构建结构化特征,根据通话文本构建多粒度时序语义编码特征,并将所述结构化特征与所述多粒度时序语义编码特征共同作为全维度特征;
4、名单筛选模块,用于根据历史拨打数据将保险客户划分为多个数据层级,利用所述训练集、所述验证集和所述测试集分别对各数据层级对应的接通概率预测模型进行训练、验证和测试,并将高数据量层级的模型知识向低数据量层级的模型迁移,输出各保险客户的接通概率,以及根据所述接通概率从各保险客户中筛除低潜力保险客户,得到待推荐保险客户;
5、时段推荐与校验模块,用于将所述待推荐保险客户聚类为多个客群,并通过时段预测模型预测各客群的全时段接通概率,根据各待推荐保险客户的个体历史时段记录和所述多粒度时序语义编码特征对所述全时段接通概率进行修正,生成候选时段,并对所述候选时段进行合规过滤,输出推荐时段;
6、监控迭代模块,用于对所述全维度特征的分布变化、各保险客户的接通概率的分布偏移以及模型性能评价指标进行级联检测,并根据检测结果触发所述接通概率预测模型与所述时段预测模型的更新。
7、本发明的一种基于分层建模与双模联动的保险外呼优化系统的有益效果如下:
8、本发明的系统通过构建支持跨层知识迁移的分层建模架构,将高数据量层级模型积累的先验知识向低数据量层级迁移,并融合结构化特征与基于通话文本构建的多粒度时序语义编码特征形成全维度特征,结合名单筛选与时段推荐的双模联动流程,解决了传统方案中冷启动场景预测能力不足、通话文本深层语义信息挖掘不充分、名单筛选与时段推荐相互割裂、过滤阈值依赖人工经验以及模型漂移检测手段单一等问题,提升了冷启动客户与沉睡客户的接通概率预测精度以及个性化时段推荐的准确性,降低了误筛漏筛比例与模型性能衰减风险,实现了外呼服务器资源利用率与业务转化效率的同步改善。
9、在上述方案的基础上,本发明的一种基于分层建模与双模联动的保险外呼优化系统还可以做如下改进。
10、在一种可选的方式中,所述多粒度时序语义编码特征为包含短语级时间实体抽取、tf-idf加权时序偏好向量和时序共现模式编码的三层递进式时序特征。
11、采用上述可选方式的有益效果为:进一步在通话文本中构建短语级时间实体抽取、tf-idf加权时序偏好向量和时序共现模式编码组成的三层递进式时序特征,使隐含的作息偏好信息被逐层细化提取,为时段推荐提供丰富的时间维度语义支撑。
12、在一种可选的方式中,所述数据预处理与特征构建模块具体用于:
13、通过时间命名实体识别模型从所述通话文本中抽取时间表达短语,得到所述短语级时间实体抽取;
14、将所述短语级时间实体抽取按保险客户维度聚合后采用tf-idf算法进行加权处理,得到所述tf-idf加权时序偏好向量;
15、提取所述短语级时间实体抽取中各时间表达短语的二元共现组合模式,得到所述时序共现模式编码。
16、采用上述可选方式的有益效果为:进一步通过时间命名实体识别模型从通话文本中抽取时间表达短语,再按保险客户维度聚合后采用tf-idf算法加权处理,并提取二元共现组合模式,形成从局部短语到全局偏好再到关联规律的递进式语义刻画路径。
17、在一种可选的方式中,所述多个数据层级包括具有第一预设时段及以上拨打历史且至少一次接通记录的第一数据集、具有第二预设时段拨打历史记录的第二数据集、无历史拨打记录的第三数据集,以及具有第二预设时段及以上拨打历史且无接通记录的第四数据集,所述第一预设时段大于所述第二预设时段;所述名单筛选模块将所述第四数据集对应的保险客户直接判定为低潜力保险客户。
18、采用上述可选方式的有益效果为:进一步将保险客户按历史拨打记录丰富程度划分为四个数据层级,并对长期无接通记录的客户直接判定为低潜力,减少高置信度无效客户的模型计算开销,使分层建模策略更贴合实际业务场景。
19、在一种可选的方式中,所述名单筛选模块具体用于:
20、以所述第一数据集对应的接通概率预测模型作为教师模型,以所述第三数据集对应的接通概率预测模型作为学生模型,将所述教师模型学习到的前k个特征重要性排序作为所述学生模型的特征选择先验约束,并将所述教师模型在所述第三数据集样本上的概率输出作为软标签,与真实标签进行加权联合优化,完成所述第一数据集对应的接通概率预测模型的模型知识向所述第三数据集对应的接通概率预测模型的迁移。
21、采用上述可选方式的有益效果为:进一步以第一数据集的接通概率预测模型为教师模型、第三数据集的接通概率预测模型为学生模型,将特征重要性排序作为先验约束并将概率输出作为软标签进行加权联合优化,使冷启动客户在样本不足时获得较准确的接通概率估计。
22、在一种可选的方式中,所述时段推荐与校验模块具体用于:
23、将所述各客群的全时段接通概率作为先验分布,将所述个体历史时段记录和所述多粒度时序语义编码特征构建的个体时段接通概率作为后验分布,通过贝叶斯框架对所述先验分布和所述后验分布进行校准融合,融合权重由个体历史时段接通样本量的信息熵确定,融合后的概率经保序回归校准,得到修正后的各时段接通概率,并依据所述修正后的各时段接通概率生成所述候选时段,对所述候选时段进行合规过滤后输出所述推荐时段。
24、采用上述可选方式的有益效果为:进一步通过贝叶斯框架将客群全时段接通概率先验与个体时段接通概率后验进行融合,并依据个体历史时段样本量的信息熵自适应调整权重,再经保序回归校准生成候选时段,使时段推荐兼顾群体规律与个体作息偏好。
25、在一种可选的方式中,所述监控迭代模块具体用于:
26、采用群体稳定性指数检测所述全维度特征的分布变化,采用ks检验检测各保险客户的接通概率的分布偏移,并监测所述模型性能评价指标的变化,按照特征漂移检测、预测漂移检测、性能漂移检测的顺序进行因果级联触发,并在所述全维度特征的分布变化触发预警时执行特征重构,在所述分布偏移触发预警时执行概率重校准,在所述模型性能评价指标低于预设阈值时触发所述接通概率预测模型与所述时段预测模型的更新。
27、采用上述可选方式的有益效果为:进一步通过群体稳定性指数检测全维度特征的分布变化,通过ks检验检测接通概率的分布偏移,并按特征漂移、预测漂移、性能漂移的顺序进行因果级联触发,分别执行特征重构、概率重校准或模型更新,使模型衰减获得针对性响应。
28、在一种可选的方式中,所述名单筛选模块具体用于:
29、根据多目标约束帕累托最优策略动态确定筛除所述低潜力保险客户所依据的接通概率阈值,所述多目标约束包括最大化低效客户过滤率和最小化高潜力客户误筛率。
30、采用上述可选方式的有益效果为:进一步通过多目标约束帕累托最优策略在满足最大化低效客户过滤率与最小化高潜力客户误筛率之间寻找平衡,动态确定接通概率阈值,使名单筛选摆脱固定阈值依赖,在过滤效率与误筛风险之间取得均衡。
31、在一种可选的方式中,所述数据预处理与特征构建模块、所述名单筛选模块和所述时段推荐与校验模块采用t+1离线批量调度机制,每日自动拉取最新保险客户名单执行全流程计算,并输出包含保险客户id、接通概率和推荐时段的标准结果文件。
32、采用上述可选方式的有益效果为:进一步通过t+1离线批量调度机制每日自动拉取最新保险客户名单并执行全流程计算,输出包含保险客户标识、接通概率与推荐时段的标准结果文件,使外呼优化结果保持时效性,并便于下游业务系统直接对接使用。
33、第二方面,本发明提供一种基于分层建模与双模联动的保险外呼优化方法,采用本发明提供的基于分层建模与双模联动的保险外呼优化系统,该方法的技术方案如下:
34、接入多源业务数据并按时间顺序划分为训练集、验证集和测试集,根据所述多源业务数据构建结构化特征,根据通话文本构建多粒度时序语义编码特征,并将所述结构化特征与所述多粒度时序语义编码特征共同作为全维度特征;
35、根据历史拨打数据将保险客户划分为多个数据层级,利用所述训练集、所述验证集和所述测试集分别对各数据层级对应的接通概率预测模型进行训练、验证和测试,并将高数据量层级的模型知识向低数据量层级的模型迁移,输出各保险客户的接通概率,以及根据所述接通概率从各保险客户中筛除低潜力保险客户,得到待推荐保险客户;
36、将所述待推荐保险客户聚类为多个客群,并通过时段预测模型预测各客群的全时段接通概率,根据各待推荐保险客户的个体历史时段记录和所述多粒度时序语义编码特征对所述全时段接通概率进行修正,生成候选时段,并对所述候选时段进行合规过滤,输出推荐时段;
37、对所述全维度特征的分布变化、各保险客户的接通概率的分布偏移以及模型性能评价指标进行级联检测,并根据检测结果触发所述接通概率预测模型与所述时段预测模型的更新。
38、本发明的一种基于分层建模与双模联动的保险外呼优化方法的有益效果如下:
39、本发明的方法通过构建支持跨层知识迁移的分层建模架构,将高数据量层级模型积累的先验知识向低数据量层级迁移,并融合结构化特征与基于通话文本构建的多粒度时序语义编码特征形成全维度特征,结合名单筛选与时段推荐的双模联动流程,解决了传统方案中冷启动场景预测能力不足、通话文本深层语义信息挖掘不充分、名单筛选与时段推荐相互割裂、过滤阈值依赖人工经验以及模型漂移检测手段单一等问题,提升了冷启动客户与沉睡客户的接通概率预测精度以及个性化时段推荐的准确性,降低了误筛漏筛比例与模型性能衰减风险,实现了外呼服务器资源利用率与业务转化效率的同步改善。
40、第三方面,本发明的一种电子设备的技术方案如下:
41、包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,所述处理器执行所述程序时实现如本发明的基于分层建模与双模联动的保险外呼优化方法的步骤。
42、第四方面,本发明提供的一种计算机可读存储介质的技术方案如下:
43、计算机可读存储介质中存储有指令,当计算机可读存储介质读取所述指令时,使所述计算机可读存储介质执行如本发明的基于分层建模与双模联动的保险外呼优化方法的步骤。
44、上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com