成单意向预测方法、装置，及电子设备与流程

本技术涉及计算机，特别是涉及成单意向预测方法、装置，及电子设备及计算机可读存储介质。

背景技术：

1、客户的成单率是业务系统的重要指标，而客户的成单意愿对成单率有很大影响。对客户的成单意向进行分析，可以为业务系统提供业务改进的有效数据支撑。因此，对客户的成单意愿进行分析，是业务系统改进的需求。现有技术中，通常采用客户成单预测模型对客户的成单意愿进行分析。客户成单预测模型一般基于客户个人信息作为数据集，并将已成单客户标注为正样本，未成单客户标注为负样本，进行训练。现有技术中的这种成单意愿预测方法仅基于客户基础信息，对客户将来行为进行预测，忽略了客户行为与意图的持续变化性与不确定性，因此导致预测的准确率不高。

技术实现思路

1、本技术实施例提供一种成单意向预测方法、装置，及电子设备，可以提升对用户的成单意愿预测的准确率。

2、第一方面，本技术实施例公开了一种成单意向预测方法，包括：

3、获取目标用户的用户语音、用户基础信息，以及，预设的成单意向关键词语音；

4、获取所述用户语音的第一语音特征，以及，所述成单意向关键词语音的第二语音特征；

5、根据所述第一语音特征和所述第二语音特征，获取用于指示用户成单倾向的语音得分；

6、根据所述用户基础信息，获取用于指示用户成单倾向的信息得分；

7、根据所述语音得分和所述信息得分，预测所述目标用户的成单意向。

8、可选的，所述根据所述第一语音特征和所述第二语音特征，获取用于指示用户成单倾向的语音得分，包括：

9、将所述第一语音特征输入至预先训练的特征提取网络，通过所述特征提取网络对所述第一语音特征进行特征编码，得到第一语音向量；

10、分别将所述第二语音特征输入至所述特征提取网络，通过所述特征提取网络对所述第二语音特征进行特征编码，得到相应的第二语音向量；

11、计算所述第一语音向量与每个所述第二语音向量的相似度；

12、根据每个所述第二语音向量对应的成单意向关键词的预设权重，以及，所述相似度，计算用于指示用户成单倾向的语音得分。

13、可选的，所述特征提取网络包括依次连接的：卷积模块、k层深度可分离卷积块和平均池化层，

14、通过所述特征提取网络对目标语音特征进行特征编码，得到语音向量，包括：

15、通过所述卷积模块对目标语音特征进行卷积运算，得到第一特征图；

16、通过所述k层深度可分离卷积块对所述第一特征图在深度方向逐层进行深度特征提取，得到第二特征图，其中，每一层所述深度特征提取包括：对当前层的输入特征图执行逐通道卷积，得到通道特征图；对所述通道特征图进行逐点卷积，得到第二特征图；

17、通过所述平均池化层对所述第二特征图进行特征映射，得到语音向量，其中，k为大于3的整数。

18、可选的，所述根据每个所述第二语音向量对应的成单意向关键词的预设权重，以及，所述相似度，计算用于指示用户成单倾向的语音得分，包括：

19、根据所述第一语音向量与每个所述第二语音向量的所述相似度，得到相似度矩阵；

20、根据每个所述第二语音向量对应的成单意向关键词的预设权重，得到权重矩阵；

21、将所述相似度矩阵与所述权重矩阵相乘得到的矩阵乘积，作为用于指示用户成单倾向的语音得分。

22、可选的，所述根据所述用户基础信息，获取用于指示用户成单倾向的信息得分，包括：

23、以所述用户基础信息作为预先训练的神经网络模型的输入，通过所述神经网络模型对所述输入进行特征映射，得到用于指示用户成单倾向的信息得分；其中，所述神经网络模型是根据样本用户的所述用户基础信息和成单记录状态训练得到的。

24、可选的，所述根据所述语音得分和所述信息得分，预测所述目标用户的成单意向，包括：

25、基于预设得分权重对所述语音得分和所述信息得分进行加权求和运算，得到成单意向得分；

26、根据所述成单意向得分与预设成单意向得分阈值的比较结果，预测所述目标用户的成单意向。

27、可选的，所述根据所述成单意向得分与预设成单意向得分阈值的比较结果，预测所述目标用户的成单意向，包括：

28、在所述成单意向得分小于或等于第一预设成单意向得分阈值的情况下，预测所述目标用户匹配低成单意向；

29、在所述成单意向得分大于所述第一预设成单意向得分阈值且小于或等于第二预设成单意向得分阈值的情况下，预测所述目标用户匹配中等成单意向；

30、在所述成单意向得分大于所述第二预设成单意向得分阈值的情况下，预测所述目标用户匹配高成单意向；

31、其中，所述第一预设成单意向得分阈值小于第二预设成单意向得分阈值。

32、第二方面，本技术实施例公开了一种成单意向预测装置，包括：

33、用户信息和关键词信息获取模块，用于获取目标用户的用户语音、用户基础信息，以及，预设的成单意向关键词语音；

34、语音特征获取模块，用于获取所述用户语音的第一语音特征，以及，所述成单意向关键词语音的第二语音特征；

35、语音得分获取模块，用于根据所述第一语音特征和所述第二语音特征，获取用于指示用户成单倾向的语音得分；

36、信息得分获取模块，用于根据所述用户基础信息，获取用于指示用户成单倾向的信息得分；

37、预测模块，用于根据所述语音得分和所述信息得分，预测所述目标用户的成单意向。

38、可选的，所述语音得分获取模块，进一步用于：

39、将所述第一语音特征输入至预先训练的特征提取网络，通过所述特征提取网络对所述第一语音特征进行特征编码，得到第一语音向量；

40、分别将所述第二语音特征输入至所述特征提取网络，通过所述特征提取网络对所述第二语音特征进行特征编码，得到相应的第二语音向量；

41、计算所述第一语音向量与每个所述第二语音向量的相似度；

42、根据每个所述第二语音向量对应的成单意向关键词的预设权重，以及，所述相似度，计算用于指示用户成单倾向的语音得分。

43、可选的，所述特征提取网络包括依次连接的：卷积模块、k层深度可分离卷积块和平均池化层，

44、通过所述特征提取网络对目标语音特征进行特征编码，得到语音向量，包括：

45、通过所述卷积模块对目标语音特征进行卷积运算，得到第一特征图；

46、通过所述k层深度可分离卷积块对所述第一特征图在深度方向逐层进行深度特征提取，得到第二特征图，其中，每一层所述深度特征提取包括：对当前层的输入特征图执行逐通道卷积，得到通道特征图；对所述通道特征图进行逐点卷积，得到第二特征图；

47、通过所述平均池化层对所述第二特征图进行特征映射，得到语音向量，其中，k为大于3的整数。

48、可选的，所述根据每个所述第二语音向量对应的成单意向关键词的预设权重，以及，所述相似度，计算用于指示用户成单倾向的语音得分，包括：

49、根据所述第一语音向量与每个所述第二语音向量的所述相似度，得到相似度矩阵；

50、根据每个所述第二语音向量对应的成单意向关键词的预设权重，得到权重矩阵；

51、将所述相似度矩阵与所述权重矩阵相乘得到的矩阵乘积，作为用于指示用户成单倾向的语音得分。

52、可选的，所述信息得分获取模块，进一步用于：

53、以所述用户基础信息作为预先训练的神经网络模型的输入，通过所述神经网络模型对所述输入进行特征映射，得到用于指示用户成单倾向的信息得分；其中，所述神经网络模型是根据样本用户的所述用户基础信息和成单记录状态训练得到的。

54、可选的，所述预测模块，进一步用于：

55、基于预设得分权重对所述语音得分和所述信息得分进行加权求和运算，得到成单意向得分；

56、根据所述成单意向得分与预设成单意向得分阈值的比较结果，预测所述目标用户的成单意向。

57、可选的，所述根据所述成单意向得分与预设成单意向得分阈值的比较结果，预测所述目标用户的成单意向，包括：

58、在所述成单意向得分小于或等于第一预设成单意向得分阈值的情况下，预测所述目标用户匹配低成单意向；

59、在所述成单意向得分大于所述第一预设成单意向得分阈值且小于或等于第二预设成单意向得分阈值的情况下，预测所述目标用户匹配中等成单意向；

60、在所述成单意向得分大于所述第二预设成单意向得分阈值的情况下，预测所述目标用户匹配高成单意向；

61、其中，所述第一预设成单意向得分阈值小于第二预设成单意向得分阈值。

62、第三方面，本技术实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本技术实施例所述的成单意向预测方法。

63、第四方面，本技术实施例公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本技术实施例公开的成单意向预测方法的步骤。

64、本技术实施例公开的成单意向预测方法，通过获取目标用户的用户语音、用户基础信息，以及，预设的成单意向关键词语音；获取所述用户语音的第一语音特征，以及，所述成单意向关键词语音的第二语音特征；根据所述第一语音特征和所述第二语音特征，获取用于指示用户成单倾向的语音得分；根据所述用户基础信息，获取用于指示用户成单倾向的信息得分；根据所述语音得分和所述信息得分，预测所述目标用户的成单意向，可以提升目标用户成单意向的预测准确率。

65、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。