一种多行为时序特征的来电咨询意图的预测方法与流程

1.本发明涉及的是通讯支付技术领域，具体涉及一种多行为时序特征的来电咨询意图的预测方法。


背景技术：

2.目前互联网行业客服系统服务用户群体较为庞大，人工客服在面对不同用户表达方式时，较难真实了解用户咨询意图，从而导致问题解决效率偏低。在语音系统中，对于客服行业预测用户来电咨询的业务类别，存在两个问题：
3.(1)传统方法采用对用户历史时间内最临近的行为特征作为依据，再使用预测算法实现类别的划分，缺少对历史时间中多行为多类别因素的分析，导致预测结果存在偏差，无法准确分析用户来电咨询意图，影响客服通话过程的服务质量，服务质量不佳。
4.(2)缺少实时更新多行为权重信息能力，导致预测结果不符合当下实际需求。
5.为了解决上述问题，开发一种多行为时序特征的来电咨询意图的预测方法尤为必要。


技术实现要素：

6.针对现有技术上存在的不足，本发明目的是在于提供一种多行为时序特征的来电咨询意图的预测方法，实现对历史用户多种多类别行为特征进行计算，提供对行为类别信息的划分能力，从而提升对用户诉求预测的准确率，提高客服人员的工作效率并维护用户感知，便于精准服务用户，易于推广使用。
7.为了实现上述目的，本发明是通过如下的技术方案来实现：一种多行为时序特征的来电咨询意图的预测方法，其步骤为：
8.(1)提取历史用户行为的时间特征信息，并对该特征信息进行清洗与预处理，保证数据的有效性；
9.(2)针对步骤(1)提取到相应特征信息，通过schedule定时计算不同业务类别下所有行为特征项影响因子占比r(x)；
10.(3)针对时间序列内用户多行为多类别信息，得出对应用户咨询问题类别的特征权重计算方法；
11.(4)通过步骤(3)计算出历史时间段内多类别行为特征，并将相同业务类别下不同行为累加求和，得出不同业务类别下多行为特征表示矩阵；
12.(5)动态更新用户咨询预测模型方法：将历史多种行为特征表示矩阵使用xgboost算法实现对历史特征业务类别的划分，通过动态触发schedule实现预测模型权重定期训练，实现用户历史行为信息预测来电询问的业务类别。
13.作为优选，所述的步骤(2)统计历史时间内用户行为类别与咨询问题类别相同的数据个数k，所有用户历史行为特征个数s，历史不同业务类别下行为特征影响因子r(x)，其中r(x)＝k/s，通过schedule定时计算影响因子。
14.作为优选，所述的步骤(3)的具体步骤为：
15.①
通过步骤(1)提取到的时间序列特征数据，将其对应的行为业务类别进行标注。
16.②
对历史时间段内的多行为特征进行统计分析，提取多行为时间序列特征拟合正态分布曲线的特征数据。
17.③
基于正态分布计算的多行为时间序列特征计算方法：
18.a.正态分布方差项计算方法：以每天为行为的时间周期划分，挑选历史连续时间段内每天业务行为预测准确率p(x，t)，多行为时间序列的正态方差项计算公式具体如下：
[0019][0020]
式(1)中n为历史时间段的天数，x表示某业务类别的历史行为，t表示某时间点，p(x，t)为历史某一行为某天预测正确的概率，是历史时间段内某一行为预测正确概率的均值。
[0021]
b.正态分布期望差项计算方法：根据提取到的时间序列特征数据，通过时间序列权重计算函数，得出特征对应业务类别的权重信息；其中基于时间序列行为正态分布期望差计算公式如下：
[0022][0023]
式(2)中t(n)为当前时间的时间戳，t(x，t)表示x业务类别的历史时间节点，t(x，t)公式是计算x业务类别的历史行为时间节点距离当前时间有z个周期。
[0024]
c.基于正态分布计算多行为时间序列特征加权计算公式如下：
[0025][0026]
式(3)中v(x，t)是基于正态分布计算公式得出，其中k为缩放因子调节，用于调整计算结果范围，δ(x，t)为正态分布方差项，t2(x，t)为正态分布期望差项。
[0027]
本发明的有益效果：实现对历史用户多种多类别行为特征进行计算，提供对行为类别信息的划分能力，对用户诉求识别的准确率明显提高，实现用户诉求能被快速、准确的预测，降低语音通话时长、提升了用户诉求识别能力及用户良好感知，进一步提升语音预测能力与业务支撑，保证用户的诉求的准确接收并处理，提高客服人员的工作效率并维护用户感知，达到高效服务的快速处理，便于精准服务用户，应用前景广阔。
附图说明
[0028]
下面结合附图和具体实施方式来详细说明本发明；
[0029]
图1为本发明的多行为时序预测方法流程图；
[0030]
图2为实施例1的行为特征影响因子占比图；
[0031]
图3为实施例1引入历史多行为来电意图预测交互时序图。
具体实施方式
[0032]
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合
具体实施方式，进一步阐述本发明。
[0033]
参照图1-3，本具体实施方式采用以下技术方案：一种多行为时序特征的来电咨询意图的预测方法，其步骤为：
[0034]
(1)提取历史用户行为的时间特征信息，并对该特征信息进行清洗与预处理，保证数据的有效性；
[0035]
(2)针对步骤(1)提取到相应特征信息，统计历史时间内用户行为类别与咨询问题类别相同的数据个数k，所有用户历史行为特征个数s，通过schedule定时计算不同业务类别下所有行为特征项影响因子占比r(x)，其中r(x)＝k/s。
[0036]
(3)针对时间序列内用户多行为多类别信息，得出对应用户咨询问题类别的特征权重计算方法。具体地：
[0037]
①
通过步骤(1)提取到的时间序列特征数据，将其对应的行为业务类别进行标注。
[0038]
②
对历史时间段内的多行为特征进行统计分析，提取多行为时间序列特征拟合正态分布曲线的特征数据。
[0039]
③
基于正态分布计算的多行为时间序列特征计算方法：
[0040]
a.正态分布方差项计算方法：以每天为行为的时间周期划分，挑选历史连续时间段内每天业务行为预测准确率p(x，t)，多行为时间序列的正态方差项计算公式具体如下：
[0041][0042]
式(1)中n为历史时间段的天数，x表示某业务类别的历史行为，t表示某时间点，p(x，t)为历史某一行为某天预测正确的概率，p是历史时间段内某一行为预测正确概率的均值。
[0043]
b.正态分布期望差项计算方法：根据提取到的时间序列特征数据，通过时间序列权重计算函数，得出特征对应业务类别的权重信息；其中基于时间序列行为正态分布期望差计算公式如下：
[0044][0045]
式(2)中t(n)为当前时间的时间戳，t(x，t)表示x业务类别的历史时间节点，t(x，t)公式是计算x业务类别的历史行为时间节点距离当前时间有z个周期。
[0046]
c.基于正态分布计算多行为时间序列特征加权计算公式如下：
[0047][0048]
式(3)中v(x，t)是基于正态分布计算公式得出，其中k为缩放因子调节，用于调整计算结果范围，δ(x，t)为正态分布方差项，t2(x，t)为正态分布期望差项。
[0049]
(4)通过步骤(3)计算出历史时间段内多类别行为特征，并将相同业务类别下不同行为累加求和，得出不同业务类别下多行为特征表示矩阵；
[0050]
(5)动态更新用户咨询预测模型方法：将历史多种行为特征表示矩阵使用xgboost算法实现对历史特征业务类别的划分，通过动态触发schedule实现预测模型权重定期训练，实现用户历史行为信息预测来电询问的业务类别。
[0051]
本具体实施方式能够对历史时间段内的多个用户行为特征进行计算，通过计算基础特征权重信息，并挖掘多行为时序特征，得出历史用户行为对应的业务类别的特征信息，加强了对用户历史行为信息的分析能力，将以上特征经过分类模型来预测用户来电可能咨询问题，从而提前预测用户来电咨询的意图，提升预测结果的准确率，提升客服人员的工作效率，从而快速、精准的预测用户诉求，给予用户更加良好的服务感知。
[0052]
本具体实施方式针对通讯支付类行业领域中，将用户多种历史行为以及数理统计分析的方法计算相关时间、行为与业务类别对应的权重信息，通过时间序列多行为特征提取方法实现多关联特征的提取，并通过xgboost算法实现预测用户可能咨询的业务问题的能力。其技术优势在于：
[0053]
(1)实现动态计算历史不同行为类别对于用户来电意图的影响因子占比，便于分析用户行为预测结果的影响因素，更精确地定向服务于用户，提升客服对用户诉求识别的准确率，保证用户的诉求的准确接收并处理，达到客户问题的快速筛选。
[0054]
(2)实现对于用户历史多行为多类别的时序特征进行特征表示，通过定时任务配合xgboost算法实现动态预测用户来电意图模型，将用户历史多行为特征作为依据，提升预测用户意图的准确率，实现用户诉求能被快速、准确地预测，从而降低通话时长、提升用户诉求识别能力及理解效率，进一步维护用户更良好的感知，进一步提升语音预测能力与业务支撑。
[0055]
本具体实施方式实现定时更新的多行为特征对于用户来电意图的影响因子占比计算，构建基于动态规划的多行为加权时序特征计算公式，通过定时方法配合xgboost分类算法实现对用户来电咨询业务类别的预测，实现模型权重的动态训练，提升意图预测的准确率，从而提升客服行业的问题解决率。该方法不仅保证语音领域的通话时长降低且能够快速、准确地预测用户问题，从而提升语音通话质量，同时在语音接入前，将用户可能咨询的问题通过预测反馈至前端页面供客服参考，从而提升用户诉求识别能力及用户侧良好感知，进一步提升问题解决率与业务支撑，而且还能节省人力，减少重复进线用户，降低客诉量，给予好的用户体验，提升边际效益，具有广阔的市场应用前景。
[0056]
实施例1：一种多行为时序特征的来电咨询意图的预测方法，具体交互过程时序图如图3，用户来电首先由智能ivr技术与用户进行智能交互，收集ivr技术收集到的用户问题信息，并在数据库中查询用户历史行为信息；用户与智能ivr交互结束后转接人工坐席服务，来电意图预测模型根据多种行为的权重特征，计算多行为特征表示矩阵，通过xgboost预测用户来电意图信息，将预测到的用户来点意图反馈给人工坐席。具体地，其步骤为：
[0057]
(1)用户拨通客服电话，系统根据用户手机号码通过大数据技术筛选多表历史数据信息，将用户历史行为的时间序列特征数据进行提取，并对特征进行清洗与预处理，从而保证数据的有效性。其中行为特征主要包括：历史用户订单信息、历史app页面点击信息、用户历史来电信息、历史在线客服历史咨询信息和历史ivr咨询信息。
[0058]
(2)统计历史时间内用户行为类别与咨询问题类别相同的数据个数k，所有用户历史行为特征个数s，历史不同业务类别下行为特征影响因子r(x)，其中r(x)＝k/s，通过schedule定时计算影响因子，具体行为特征影响因子占比如图2。
[0059]
(3)针对时间序列内用户行为，得出对应用户咨询问题类别的特征权重计算方法，具体步骤如下：
[0060]
①
通过步骤(1)提取到的时间序列特征数据，将其对应的行为业务类别进行标注。例如：订单行为对应的业务类别特征与行为：[(x1，x2，
……
，x6)，’2021-10-1’]。
[0061]
②
对历史时间段内的多行为特征进行统计分析，提取多行为时间序列特征拟合正态分布曲线的特征数据。
[0062]
③
针对多行为时间序列的正态方差计算方法：
[0063]
a.多行为时间序列的正态方差项计算公式具体如下：
[0064][0065]
b.基于时间序列行为正态分布期望差计算公式如下：
[0066][0067]
c.基于正态分布计算多行为时间序列特征加权计算公式如下：
[0068][0069]
针对多行为时序特征计算结果分析，设定k的值为0.5，放大特征的影响因素。
[0070]
(4)通过步骤(3)计算出历史时间段内多类别行为特征，并将相同业务类别下不同行为累加求和，得出不同业务类别下多行为特征表示矩阵。
[0071]
(5)动态更新用户咨询预测模型方法：将历史多种行为特征表示矩阵通过xgboost算法实现对历史特征业务类别的划分，通过动态触发schedule实现预测模型权重定期训练与不同行为特征影响因子更新，实现用户历史行为信息预测来电询问的业务类别。
[0072]
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。