[發(fā)明專利]投訴預(yù)警模型的訓(xùn)練方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110565748.6
• 申請(qǐng)日: 2021-05-24
• 公開(kāi)（公告）號(hào): CN113269247B
• 公開(kāi)（公告）日: 2023-09-01
• 發(fā)明（設(shè)計(jì)）人: 陳雪嬌
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06F18/2431
• 分類號(hào): G06F18/2431;G06F18/214;G06Q30/016
• 代理公司: 深圳市明日今典知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44343
• 代理人: 王杰輝;曹勇

本申請(qǐng)涉及人工智能領(lǐng)域，公開(kāi)了一種投訴預(yù)警模型的訓(xùn)練方法，包括：獲取多個(gè)歷史客服工單；生成多個(gè)模擬工單，并根據(jù)所有歷史客服工單和模擬工單，生成樣本集合；將樣本集合輸入到隨機(jī)森林模型中進(jìn)行訓(xùn)練，以得到所述樣本集合中的每種交互特征關(guān)聯(lián)的工單類型的分類概率，以及每種交互特征對(duì)應(yīng)的信息增益；對(duì)所有所述交互特征對(duì)應(yīng)的信息增益進(jìn)行調(diào)和平均運(yùn)算，得到基準(zhǔn)參數(shù)；根據(jù)基準(zhǔn)參數(shù)選擇關(guān)鍵特征；建立每種關(guān)鍵特征與其所屬的工單類型之間的對(duì)應(yīng)關(guān)系，并基于此得到投訴預(yù)警模型。本申請(qǐng)還涉及區(qū)塊鏈技術(shù)領(lǐng)域。本申請(qǐng)還公開(kāi)了一種投訴預(yù)警模型的訓(xùn)練裝置、計(jì)算機(jī)設(shè)備以及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。本申請(qǐng)?zhí)岣吡送对V預(yù)警模型預(yù)測(cè)的準(zhǔn)確率。

技術(shù)領(lǐng)域

本申請(qǐng)涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種投訴預(yù)警模型的訓(xùn)練方法、投訴預(yù)警模型的訓(xùn)練裝置、計(jì)算機(jī)設(shè)備以及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

近年來(lái)隨著人工智能技術(shù)的發(fā)展，越來(lái)越多的人工客服被AI(ArtificialIntelligence)客服所取代，這樣一來(lái)，雖然各企業(yè)在一定程度上減少了人工客服的成本，但由于技術(shù)的限制，AI客服在與客戶溝通交流上，不如人工客服靈活，這也就導(dǎo)致客戶對(duì)企業(yè)AI客服的服務(wù)行為越來(lái)越敏感，AI客服的相應(yīng)工單也越容易被客戶投訴，因此也就進(jìn)一步衍生出了針對(duì)AI客服工單的投訴預(yù)警模型。

但由于AI客服被投訴或可能被投訴的情況多種多樣，因此訓(xùn)練的投訴預(yù)警模型的復(fù)雜程度也相應(yīng)較高，也就難以訓(xùn)練得到準(zhǔn)確率高的投訴預(yù)警模型。

上述內(nèi)容僅用于輔助理解本申請(qǐng)的技術(shù)方案，并不代表承認(rèn)上述內(nèi)容是現(xiàn)有技術(shù)。

發(fā)明內(nèi)容

本申請(qǐng)的主要目的在于提供一種投訴預(yù)警模型的訓(xùn)練方法、投訴預(yù)警模型的訓(xùn)練裝置、計(jì)算機(jī)設(shè)備以及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，旨在解決如何提高投訴預(yù)警模型對(duì)客服工單進(jìn)行投訴預(yù)測(cè)的準(zhǔn)確率的問(wèn)題。

為實(shí)現(xiàn)上述目的，本申請(qǐng)?zhí)峁┮环N投訴預(yù)警模型的訓(xùn)練方法，包括以下步驟：

獲取多個(gè)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(jìn)行交互產(chǎn)生的特征；

利用SMOTE算法對(duì)所述工單類型為所述投訴工單的歷史客服工單進(jìn)行采樣，生成多個(gè)模擬工單，并根據(jù)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(guī)則算法對(duì)所述樣本集合進(jìn)行數(shù)據(jù)過(guò)濾；

將過(guò)濾后的所述樣本集合輸入到隨機(jī)森林模型中進(jìn)行訓(xùn)練，以得到所述樣本集合中的每種所述交互特征關(guān)聯(lián)的所述工單類型的分類概率，以及每種所述交互特征對(duì)應(yīng)的信息增益；

對(duì)所有所述交互特征對(duì)應(yīng)的信息增益進(jìn)行調(diào)和平均運(yùn)算，得到基準(zhǔn)參數(shù)；

將所述信息增益大于或等于所述基準(zhǔn)參數(shù)的所述交互特征，作為關(guān)鍵特征；

根據(jù)每種所述關(guān)鍵特征關(guān)聯(lián)的所有所述工單類型的分類概率，確定每種所述關(guān)鍵特征所屬的工單類型，并建立每種所述關(guān)鍵特征與每種所述關(guān)鍵特征所屬的工單類型之間的對(duì)應(yīng)關(guān)系；

根據(jù)所述對(duì)應(yīng)關(guān)系更新所述隨機(jī)森林模型，得到投訴預(yù)警模型。

進(jìn)一步地，所述根據(jù)每種所述關(guān)鍵特征關(guān)聯(lián)的所有所述工單類型的分類概率，確定每種所述關(guān)鍵特征所屬的工單類型的步驟包括：

從每種所述關(guān)鍵特征關(guān)聯(lián)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(guān)鍵特征關(guān)聯(lián)的所述分類概率最大的所述工單類型，作為每種所述關(guān)鍵特征所屬的工單類型。

進(jìn)一步地，所述獲取多個(gè)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(duì)應(yīng)的第一數(shù)量，以及所述工單類型為所述投訴工單的歷史客服工單對(duì)應(yīng)的第二數(shù)量；