[發明專利]投訴預警模型的訓練方法、裝置、計算機設備及存儲介質

有效

• 申請號: 202110565748.6
• 申請日: 2021-05-24
• 公開（公告）號: CN113269247B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: 陳雪嬌
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F18/2431
• 分類號: G06F18/2431;G06F18/214;G06Q30/016
• 代理公司: 深圳市明日今典知識產權代理事務所(普通合伙) 44343
• 代理人: 王杰輝;曹勇

1.一種投訴預警模型的訓練方法，其特征在于，包括：

獲取多個歷史客服工單，其中，所述歷史客服工單包括工單類型和至少一種交互特征；所述工單類型包括投訴工單和非投訴工單；所述交互特征表征為客服與客戶進行交互產生的特征；

利用SMOTE算法對所述工單類型為所述投訴工單的歷史客服工單進行采樣，生成多個模擬工單，并根據所有所述歷史客服工單和所述模擬工單，生成樣本集合；

利用最近鄰規則算法對所述樣本集合進行數據過濾；

將過濾后的所述樣本集合輸入到隨機森林模型中進行訓練，以得到所述樣本集合中的每種所述交互特征關聯的所述工單類型的分類概率，以及每種所述交互特征對應的信息增益；

對所有所述交互特征對應的信息增益進行調和平均運算，得到基準參數；

將所述信息增益大于或等于所述基準參數的所述交互特征，作為關鍵特征；

根據每種所述關鍵特征關聯的所有所述工單類型的分類概率，確定每種所述關鍵特征所屬的工單類型，并建立每種所述關鍵特征與每種所述關鍵特征所屬的工單類型之間的對應關系；

根據所述對應關系更新所述隨機森林模型，得到投訴預警模型。

2.如權利要求1所述的投訴預警模型的訓練方法，其特征在于，所述根據每種所述關鍵特征關聯的所有所述工單類型的分類概率，確定每種所述關鍵特征所屬的工單類型的步驟包括：

從每種所述關鍵特征關聯的所有所述工單類型的分類概率中，確定所述分類概率最大的所述工單類型；

將每種所述關鍵特征關聯的所述分類概率最大的所述工單類型，作為每種所述關鍵特征所屬的工單類型。

3.如權利要求1所述的投訴預警模型的訓練方法，其特征在于，所述獲取多個歷史客服工單的步驟之后，包括：

確定所述工單類型為所述非投訴工單的歷史客服工單對應的第一數量，以及所述工單類型為所述投訴工單的歷史客服工單對應的第二數量；

檢測所述第一數量與所述第二數量之間的差值是否大于預設值；

若是，執行所述利用SMOTE算法對所述工單類型為所述投訴工單的歷史客服工單進行采樣，生成多個模擬工單的步驟；

若否，將所有所述歷史客服工單作為樣本集合，并執行所述利用最近鄰規則算法對所述樣本集合進行數據過濾的步驟。

4.如權利要求1所述的投訴預警模型的訓練方法，其特征在于，所述根據所述對應關系更新所述隨機森林模型，得到投訴預警模型的步驟之前，還包括：

遍歷所述隨機森林模型的誤差比率，獲取滿足預設條件的所述誤差比率；

根據獲取得到的所述誤差比率，確定所述隨機森林模型的決策樹的最大特征數。

5.如權利要求1-4中任一項所述的投訴預警模型的訓練方法，其特征在于，所述根據所述對應關系更新所述隨機森林模型，得到投訴預警模型的步驟之后，還包括：

接收到目標客服工單時，將所述目標客服工單輸入到所述投訴預警模型中進行分析，以預測所述目標客服工單的工單類型；

確定與所述目標客服工單的工單類型對應的預設操作，并執行所述預設操作；

接收到所述預設操作的確認響應時，根據所述目標客服工單和所述目標客服工單對應的工單類型，生成訓練樣本；

利用所述訓練樣本更新所述投訴預警模型。

6.如權利要求5所述的投訴預警模型的訓練方法，其特征在于，所述確定與所述目標客服工單的工單類型對應的預設操作的步驟包括：

檢測到所述目標客服工單的工單類型為所述投訴工單時，根據所述目標客服工單中與所述投訴工單相關的關鍵特征，獲取與所述投訴工單對應的預設操作。

7.如權利要求1-4中任一項所述的投訴預警模型的訓練方法，其特征在于，所述根據所述對應關系更新所述隨機森林模型，得到投訴預警模型的步驟之后，還包括：

將所述投訴預警模型存儲至區塊鏈網絡。