一种基于机器学习模型的外呼方法、装置、设备及介质

技术领域

本申请涉及人工智能领域，尤其涉及一种基于机器学习模型的外呼方法、装置、设备及介质。

背景技术

随着计算机技术和人工智能的快速发展，传统的人工外呼方式逐渐被智能外呼方式所取代，例如，目前，利用人工拨打电话与客户进行沟通的传统电话营销方式，逐渐变为利用智能外呼机器人与客户进行沟通。而在智能外呼机器人与客户沟通时，通常采用的预先设置好的固定剧本进行沟通，剧本的内容往往单一且较生硬，不能为客户适配较为合适的剧本。因此在智能外呼机器人外呼时，如何调配最优剧本与客户进行沟通成为了亟需解决的问题，

发明内容

本申请实施例提供了一种基于机器学习模型的外呼方法、装置、设备及介质，可以为外呼机器人提供与外呼对象较为合适的外呼剧本，以提高外呼效率。

第一方面，本申请实施例公开了一种基于机器学习模型的外呼方法，所述方法包括：

获取外呼对象对应的业务类型，并根据所述业务类型确定所述外呼对象对应的多个候选外呼剧本；

基于剧本调优模型对所述多个候选外呼剧本中的各个候选外呼剧本进行业务效果评估，得到所述各个候选外呼剧本在剧本指标下的目标指标值；

根据所述各个候选外呼剧本在剧本指标下的目标指标值，从所述多个候选外呼剧本中确定目标外呼剧本；

调用外呼机器人利用所述目标外呼剧本与所述外呼对象对应的对象终端进行外呼。

第二方面，本申请实施例公开了一种基于机器学习模型的外呼装置，所述装置包括：

获取单元，用于获取外呼对象对应的业务类型，并根据所述业务类型确定所述外呼对象对应的多个候选外呼剧本；

评估单元，用于基于剧本调优模型对所述多个候选外呼剧本中的各个候选外呼剧本进行业务效果评估，得到所述各个候选外呼剧本在剧本指标下的目标指标值；

确定单元，用于根据所述各个候选外呼剧本在剧本指标下的目标指标值，从所述多个候选外呼剧本中确定目标外呼剧本；

外呼单元，用于调用外呼机器人利用所述目标外呼剧本与所述外呼对象对应的对象终端进行外呼。

第三方面，本申请实施例公开了一种外呼设备，包括处理器、存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。

第四方面，本申请实施例公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。

本申请实施例中，外呼设备可以获取外呼对象对应的业务类型，并根据业务类型确定外呼对象对应的多个候选外呼剧本，再基于剧本调优模型对多个候选外呼剧本中的各个候选外呼剧本进行业务效果评估，以得到各个候选外呼剧本在剧本指标下的目标指标值。进一步的，可以根据各个候选外呼剧本在剧本指标下的目标指标值，从多个候选外呼剧本中确定目标外呼剧本，并调用外呼机器人利用目标外呼剧本与外呼对象对应的对象终端进行外呼。可以为外呼机器人提供与外呼对象较为合适的外呼剧本，以提高外呼效率。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种基于机器学习模型的外呼方法的流程示意图；

图2是本申请实施例提供的另一种基于机器学习模型的外呼方法的流程示意图；

图3是本申请实施例提供的一种基于机器学习模型的外呼装置的结构示意图；

图4是本申请实施例提供的一种外呼设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明：

请参阅图1，图1是本申请实施例提供的一种基于机器学习模型的外呼方法的流程示意图。本实施例中所描述的基于机器学习模型的外呼方法，应用于外呼设备，可由外呼设备执行，其中，该外呼设备可以是服务器，也可以是终端。

如图1所示，该基于机器学习模型的外呼方法包括以下步骤：

S101：获取外呼对象对应的业务类型，并根据业务类型确定外呼对象对应的多个候选外呼剧本。

其中，本申请中的对象可以指用户，因此，外呼对象可以指任意一个用户。业务类型可以是指可进行外呼处理的业务，例如催收业务、核保业务、回访业务、通知业务、问卷调查业务、营销业务等均可以进行外呼，则本申请中的业务类型可以是上述描述中的任意一种。可以理解的是，在催收、核保、回访、通知、问卷调查、营销等外呼业务中，可以利用外呼机器人与外呼对象的对象终端进行沟通，其中，在沟通的过程中的多轮对话可以按业务需求定制，在本申请中，将外呼机器人与外呼对象的外呼终端的多轮对话理解为外呼剧本。

在一种实现方式中，例如，在某一企业中，该企业涉及多个领域下的业务，例如有催收业务、贷款业务等等，而在某一特定业务下，还可以包括多个子业务，例如贷款业务，可以包括购房贷款、购车贷款、创业贷款、公积金贷款、消费贷款、经营贷款等等。为了提高外呼剧本与用户的适配性，可以在各个业务或子业务下预先设置多个外呼剧本。其中，对于每一特定业务类型，可以根据目标生成方式生成多个外呼剧本。例如，该目标生成方式可以是心理学理论方式，即可以根据心理学理论在同一业务类型下设计多个外呼剧本。例如，在产品营销场景，通常可以从“得”与“失”两个角度表达产品的好处，则可以从“得”与“失”两个角度来设计不同的外呼剧本。如针对“得”的角度，即可以设计一些得到某一产品所产生好处的多轮相关话术，并将该多轮相关话术设定为外呼剧本，如如针对“失”的角度，即可以设计一些失去某一产品所产生坏处的多轮相关话术，并将该多轮相关话术设定为外呼剧本。又或者，该目标生成方式还可以是依照不同的用户性格、或不同的年龄段、或不同的性别等等来设计同一业务类型下的多个外呼剧本。还可以包括其他目标生成方式，在本申请不做限定。

在一种实现方式中，可以将多个业务类型分别对应的外呼剧本集合进行关联存储，以便于后续可以根据外呼对象对应的业务类型，从存储中获取该业务类型对应的外呼剧本集合，而获取到的外呼剧本集合即是称之为候选外呼剧本集合。

可选的，当存在与外呼对象的外呼需求时，可以获取针对该外呼对象对应的业务类型，以根据该业务类型确定外呼对象对应的多个候选外呼剧本。例如，假设某一外呼对象对应的业务类型为催收业务，则可以获取该催收业务对应的多个外呼剧本，并将该催收业务对应的多个外呼剧本确定为目标对象对应的候选外呼剧本。又如，假设某一外呼对象对应的业务类型为问卷调查业务，则可以获取该问卷调查业务对应的多个外呼剧本，并将该问卷调查业务对应的多个外呼剧本确定为目标对象对应的候选外呼剧本。

S102：基于剧本调优模型对多个候选外呼剧本中的各个候选外呼剧本进行业务效果评估，得到各个候选外呼剧本在剧本指标下的目标指标值。

在一种实现方式中，可以将多个候选外呼剧本中的各个候选外呼剧本输入剧本调优模型，以得到各个候选外呼剧本在剧本指标下的目标指标值。其中，剧本调优模型可以是逻辑回归模型、决策树模型、随机森林模型、支持向量机等AI预测模型，在本申请中不限定具体模型。剧本指标可以包括：外呼接通率、对话轮次、用户情绪、营销转化率等等，具体的剧本指标可以根据业务需求进行设置。例如，以剧本指标为外呼接通率、对话轮次、用户情绪、营销转化率为例进行说明，则剧本指标下的目标指标值可以是：外呼接通率为90％、对话轮次为4、用户情绪为5(其中，用户情绪可以用0-10等数值表示，其中，数值越高，表明用户情绪越好；对应的，数值越低，表明用户情绪越差)、营销转化率为70％。

S103：根据各个候选外呼剧本在剧本指标下的目标指标值，从多个候选外呼剧本中确定目标外呼剧本。

在一种实现方式中，可以根据各个候选外呼剧本在剧本指标下的目标指标值，从多个候选外呼剧本中确定目标外呼剧本。其中，剧本指标的数量可以包括一个或多个，则在剧本指标下的目标指标值的数量也可以包括一个或多个。

在一种实现方式中，假设剧本指标的数量为一个，则目标指标值的数量为一个，即每个候选外呼剧本的目标指标值的数量为一个。在这种情况下，可以从各个候选外呼剧本在剧本指标下的目标指标值中确定最大的一个目标指标值，可以将该最大的一个目标指标值称之为最大目标指标值。在确定最大目标指标值之后，即可以将该最大目标指标值对应的候选外呼剧本确定为目标外呼剧本。

举例来说，假如有3个候选外呼剧本，剧本指标为外呼接通率，3个候选外呼剧本在外呼接通率下的目标指标值分别为70％(外呼剧本1)、90％(外呼剧本2)、60％(外呼剧本3)。从上述可知，外呼剧本2的外呼接通率最高，则可以将外呼剧本2确定为目标外呼剧本。

举例再说，假如有3个候选外呼剧本，剧本指标为对话轮次，3个候选外呼剧本在对话轮次下的目标指标值分别为5(外呼剧本1)、1(外呼剧本2)、3(外呼剧本3)。从上述可知，外呼剧本1的对话轮次最大，则可以将外呼剧本1确定为目标外呼剧本。

在一种实现方式中，假设剧本指标的数量为多个，则目标指标值的数量为多个，即每个候选外呼剧本的目标指标值的数量为多个。在这种情况下，可以根据每个候选外呼剧本的多个目标指标值对每个候选外呼剧本进行综合评估，以确定每个候选外呼剧本的推荐得分，以根据每个候选外呼剧本的推荐得分从多个候选外呼剧本中确定目标外呼剧本。例如，可以将从各个候选外呼剧本的推荐得分中确定最大推荐得分，并将该最大推荐得分对应的候选外呼剧本确定为目标外呼剧本。

可选的，以多个候选外呼剧本中的任一候选外呼剧本为例进行说明，确定该候选外呼剧本的推荐得分的具体实施方式可以包括：可以将该候选外呼剧本的多个目标指标值进行求和运算，并将求和运算结果作为该候选外呼剧本对应的推荐得分。可选的，在进行求和运算之前，可以检测每个目标指标值是否是预设数值范围内的数值，如果检测到任一目标指标值不在预设数值范围内，则将所述任一目标指标值转换为预设数值范围内的数值，以利用转换后的目标指标值进行后续的求和运算。其中，预设数值范围可以是指0-10，如针对目标指标值为百分比的数值，可以将百分比转换为0-10之内的数值。例如，外呼接通率为80％，则在进行求和运算之前，可以将80％转换为8。

举例来说，以一个候选外呼剧本为例进行说明，假设有4个剧本指标，该4个剧本指标下的目标指标值分别为A1、A2、A3、A4，则该候选外呼剧本的推荐得分为A1+A2+A3+A4。其中，A1、A2、A3、A4均为预设数值范围内的数值。

可选的，以多个候选外呼剧本中的任一候选外呼剧本为例进行说明，确定该候选外呼剧本的推荐得分的具体实施方式还可以包括：首先，可以获取多个剧本指标中各个剧本指标的指标权重。其中，各个剧本指标的指标权重可以预先根据业务需求设置，如果某一剧本指标较为重要，可将其对应的指标权重设为较大，各个剧本指标的指标权重的求和结果为1。而在获得各个剧本指标的指标权重之后，可以根据各个剧本指标的指标权重对候选外呼剧本对应的多个目标指标值进行加权求和，以将加权求和结果作为候选外呼剧本的推荐得分。同理，在对多个目标指标值进行加权求和之前，可以将各个目标指标值转换为预设数值范围内的数值，其具体描述可以参考上述描述，在此处不在赘述。

举例来说，以一个候选外呼剧本为例进行说明，假设有4个剧本指标，该4个剧本指标下的目标指标值分别为A1、A2、A3、A4，4个剧本指标下的权重分别为q1、q2、q3、q4，则该候选外呼剧本的推荐得分为A1*q1+A2*q2+A3*q3+A4*q4。其中，A1、A2、A3、A4均为预设数值范围内的数值。

S104：调用外呼机器人利用目标外呼剧本与外呼对象对应的对象终端进行外呼。

在一种实现方式中，在确定针对外呼对象的目标外呼剧本之后，则可以调用外呼机器人利用目标外呼剧本与外呼对象对应的对象终端进行外呼，即外呼机器人可以利用该外呼剧本与外呼对象进行多轮通话。

本申请实施例中，外呼设备可以获取外呼对象对应的业务类型，并根据业务类型确定外呼对象对应的多个候选外呼剧本，再基于剧本调优模型对多个候选外呼剧本中的各个候选外呼剧本进行业务效果评估，以得到各个候选外呼剧本在剧本指标下的目标指标值。进一步的，可以根据各个候选外呼剧本在剧本指标下的目标指标值，从多个候选外呼剧本中确定目标外呼剧本，并调用外呼机器人利用目标外呼剧本与外呼对象对应的对象终端进行外呼。可以根据人工智能模型预测生成针对特定客户最优的外呼剧本，可以有效提升外呼效果。例如，在实际应用场景中，如在产品营销中，智能外呼机器人与客户的外呼剧本的效果也可以影响到企业的业绩，若利用较优的外呼剧本，也可以可以有效提高企业业绩。

请参阅图2，图2是本申请实施例提供的另一种基于机器学习模型的外呼方法的流程示意图。本实施例中所描述的基于机器学习模型的外呼方法，应用于外呼设备，可由外呼设备执行，其中，该外呼设备可以是服务器，也可以是终端。如图2所示，该基于机器学习模型的外呼方法包括以下步骤：

S201：获取外呼对象对应的业务类型，并根据业务类型确定外呼对象对应的多个候选外呼剧本。

S202：获取第一训练剧本集。

其中，第一训练剧本集可以包括一个或多个第一训练剧本对，每个第一训练剧本对可以包括第一训练剧本和第一训练剧本的标注信息，该标注信息可以用于指示第一训练剧本在剧本指标下的训练指标值。

在一种实现方式中，可以理解的是，在某一业务类型下，不同的客户对同一外呼剧本的反馈可能存在差异。比如外呼机器人利用外呼剧本A与第一客户的对象终端的对话轮次为3，而与第二客户的对象终端的对话轮次为5。则可以考虑针对外呼机器人利用外呼剧本与各个客户进行外呼过程中所产生的外呼结果来获取第一训练剧本集。可选的，获取第一训练剧本集的具体实施方式可以包括：首选，可以获取N个第一训练剧本，并获取多个训练外呼对象标识。其中，该N个第一训练剧本可以是预设设置的，训练外呼对象标识用于唯一指示训练外呼对象。在获取到上述数据之后，可以将多个训练外呼对象标识划分为N个训练外呼对象组，每个训练外呼对象组可以包括多个训练外呼对象标识，每个训练外呼对象组的训练外呼对象标识的数量可以相同，也可以不同，且每个训练外呼对象标识被分到任意一个训练外呼对象组的概率是相同的，可以将多个训练外呼对象标识进行随机划分，以得到多个训练外呼对象组。在得到多个训练外呼对象组，再调用外呼机器人在基于第一训练剧本的基础上，与各个训练外呼对象标识对应的对象终端进行外呼，以根据外呼结果确定第一训练剧本集。例如，针对N个训练外呼对象组中的任一训练外呼对象组，可以利用训练外呼对象组对应的第一训练剧本，调用外呼机器人对训练外呼对象组中每个训练外呼对象标识对应的对象终端进行外呼。并收集每一次外呼所产生的在剧本指标下的外呼结果，例如，在剧本指标下的外呼结果可以包括外呼过程中的对话轮次，外呼过程中训练外呼对象的用户情绪，电话是否接通等等。

那么，在收集训练外呼对象组对应的第一训练剧本在剧本指标下的外呼结果之后，可以根据外呼结果确定训练外呼对象组对应的第一训练剧本在剧本指标下的训练指标值。例如，以剧本指标为外呼接通率和对话轮次为例进行说明。假设训练外呼对象组中的训练外呼对象标识的数量为M，其中，如果利用外呼机器人进行外呼时，有m个训练外呼对象标识的对象终端的电话被接通，则第一训练剧本的外呼接通率为m/M，该m/M也就是训练外呼对象组对应的第一训练剧本在剧本指标(外呼接通率)下的训练指标值；如果利用外呼机器人进行外呼时，与M个训练外呼对象标识对应的对象终端的对话轮次分别为m

在一种实现方式中，除了可以利用上述所描述的将多个训练外呼对象标识划分为N个训练外呼对象组，以利用每个训练外呼对象组的外呼结果来确定每一个第一训练剧本对应的标注信息之外，还可以直接将多个训练外呼对象标识归为一个训练外呼对象组，以采用每一个第一训练剧本与该训练外呼对象组所包括的多个训练外呼对象标识对应的对象终端进行外呼，以得到每一个第一训练剧本对应的外呼结果，从而利用该外呼结果确定每一个第一训练剧本对应的标注信息。

S203：将第一训练剧本集输入预设的机器学习模型进行训练，得到剧本调优模型。

在一种实现方式中，以第一训练剧本集中的任一第一训练剧本对为例进行说明，可以将第一训练剧本对输入预设的机器学习模型，以得到第一训练剧本对中第一训练剧本在剧本指标下的预测指标值。而在得到预测指标值之后，可以根据第一训练剧本在剧本指标下的预测指标值，和第一训练剧本在剧本指标下的训练指标值对预设的机器学习模型进行训练，以得到剧本调优模型。其中，该预设的机器学习模型可以是逻辑回归模型、决策树模型、随机森林模型、支持向量机等智能预测模型，在本申请中不限定具体模型。

在一种实现方式中，上述根据第一训练剧本在剧本指标下的预测指标值，和第一训练剧本在剧本指标下的训练指标值对预设的机器学习模型进行训练，得到剧本调优模型的具体实施步骤可以是：根据预测指标值和训练指标值计算损失函数的梯度，其中本申请对损失函数不做限定。再根据损失函数的梯度对预设的机器学习模型的模型参数进行参数更新，并检测损失函数是否满足预设收敛条件，当检测到损失函数满足预设收敛条件时，则可以停止模型参数的参数更新，从而可以得到剧本调优模型。其中，该预设收敛条件可以是指损失函数的梯度小于预先设置的一个阈值，或者是两次迭代之间的权值变化已经很小，且小于预先设置的一个阈值，或者模型的迭代次数达到了预先设置的最大迭代次数，在满足上述任一条件时，可以停止对预设的机器学习模型的训练。

在一个实施例中，剧本调优模型可以应用到多种业务类型下，以对不同业务类型下的外呼剧本进行效果评估，而要使剧本调优模型可以应用到多个业务类型下，可以利用不同业务类型下的训练剧本集对剧本调优模型进行训练，以优化剧本调优模型的模型效果，而经过多次训练后的剧本调优模型可以应用到不同的业务类型下。例如，在催收业务类型下，利用催收业务类型的训练剧本集对剧本调优模型进行训练，以得到可利用在催收业务类型的剧本调优模型。而在得到可利用在催收业务类型的剧本调优模型之后，如果需要将该剧本调优模型应用到贷款业务类型下，则可以利用贷款业务类型的训练剧本集对该剧本调优模型再次进行训练，以使得训练后的剧本调优模型可以同时应用在催收业务类型和贷款业务类型。可以看出，借助不同业务类型下的训练剧本集可进一步迭代优化剧本调优模型，从而可以提升利用剧本调优模型进行版本调配的准确性。

可选的，可以获取在第一业务类型下的训练剧本集，并利用第一业务类型下的训练剧本集对预设的机器学习模型进行第训练，得到第一剧本调优模型(也可以是上述描述的剧本调优模型)。以使该第一剧本调优模型可以应用在第一业务类型的场景下。例如，第一业务类型可以是贷款，第一业务类型还可以是贷款下的某个子类，而与该子类有关联的业务类型也可以利用该第一剧本调优模型，如该子类可以是购房贷款，该购房贷款有关联的可以有购车贷款、创业贷款等等。在得到第一剧本调优模型之后，如果需要将该第一剧本调优模型应用在第二业务类型下，则获取在第二业务类型下的训练剧本集，并利用第二业务类型下的训练剧本集对第一剧本调优模型进行训练，得到训练后的第一剧本调优模型，该训练后的第一剧本调优模型可以称之为第二剧本调优模型，以使该第二剧本调优模型可以应用于与第二业务类型的场景下，同样，该第二剧本调优模型也可以应用于与第一业务类型的场景下。如果要将第二剧本调优模型应用在更多业务类型下，还可以按照上述方法对第二剧本调优模型继续进行训练。

在一种实现方式中，考虑到剧本调优模型可以应用在多种业务类型下，且在利用业务类型下的训练剧本集进行训练后，才可以应用到对应的业务类型的场景下，则在本申请中，可以根据业务类型确定外呼对象对应的对象剧本类型，如果第一训练剧本集中的训练剧本的训练剧本类型与外呼对象对应的对象剧本类型不匹配，则可以获取与对象剧本类型关联的第二训练剧本集，以将第二训练剧本集输入预设的机器学习模型进行训练，从而得到剧本调优模型。

其中，步骤S202和步骤S203也可以在步骤S201之前执行，在本申请不做限定。

S204：将多个候选外呼剧本中的各个候选外呼剧本输入剧本调优模型，得到各个候选外呼剧本在剧本指标下的目标指标值。

S205：根据各个候选外呼剧本在剧本指标下的目标指标值，从多个候选外呼剧本中确定目标外呼剧本。

S206：调用外呼机器人利用目标外呼剧本与外呼对象对应的对象终端进行外呼。

其中，步骤S201、S204-S206的具体实施方式可以参见上述实施例步骤S101、S102-S104的具体描述，此处不再赘述。

本申请实施例中，外呼设备可以获取外呼对象对应的业务类型，并根据业务类型确定外呼对象对应的多个候选外呼剧本。然后，获取第一训练剧本集，并将第一训练剧本集输入预设的机器学习模型进行训练，以得到剧本调优模型。进一步的，可以将多个候选外呼剧本中的各个候选外呼剧本输入剧本调优模型，得到各个候选外呼剧本在剧本指标下的目标指标值，并根据各个候选外呼剧本在剧本指标下的目标指标值，从多个候选外呼剧本中确定目标外呼剧本。接着，可以调用外呼机器人利用目标外呼剧本与外呼对象对应的对象终端进行外呼。通过实施上述方法，可以借助不同业务类型下的训练剧本集迭代优化剧本调优模型，从而可以提升利用剧本调优模型进行版本调配的准确性。而通过剧本调优模型预测生成针对特定客户最优的外呼剧本，也可以有效提升外呼效果。

请参阅图3，图3是本申请实施例提供的一种基于机器学习模型的外呼装置的结构示意图。所述基于机器学习模型的外呼装置包括：

获取单元301，用于获取外呼对象对应的业务类型，并根据所述业务类型确定所述外呼对象对应的多个候选外呼剧本；

评估单元302，用于基于剧本调优模型对所述多个候选外呼剧本中的各个候选外呼剧本进行业务效果评估，得到所述各个候选外呼剧本在剧本指标下的目标指标值；

确定单元303，用于根据所述各个候选外呼剧本在剧本指标下的目标指标值，从所述多个候选外呼剧本中确定目标外呼剧本；

外呼单元304，用于调用外呼机器人利用所述目标外呼剧本与所述外呼对象对应的对象终端进行外呼。

在一种实现方式中，所述评估单元302，还用于：

获取第一训练剧本集，所述第一训练剧本集包括第一训练剧本对，所述第一训练剧本对包括第一训练剧本和所述第一训练剧本的标注信息，所述标注信息用于指示所述第一训练剧本在所述剧本指标下的训练指标值；

将所述第一训练剧本集输入预设的机器学习模型进行训练，得到所述剧本调优模型；

将所述多个候选外呼剧本中的各个候选外呼剧本输入所述剧本调优模型，得到所述各个候选外呼剧本在所述剧本指标下的目标指标值。

在一种实现方式中，所述评估单元302，具体用于：

获取N个第一训练剧本，并获取多个训练外呼对象标识；

将所述多个训练外呼对象标识划分为N个训练外呼对象组，每个训练外呼对象组包括多个训练外呼对象标识；

针对所述N个训练外呼对象组中的任一训练外呼对象组，利用所述训练外呼对象组对应的第一训练剧本，对所述训练外呼对象组中每个训练外呼对象标识对应的对象终端进行外呼；

收集所述训练外呼对象组对应的第一训练剧本在剧本指标下的外呼结果，并根据所述外呼结果确定所述训练外呼对象组对应的第一训练剧本在剧本指标下的训练指标值；

将所述训练外呼对象组对应的第一训练剧本和所述训练外呼对象组对应的第一训练剧本在剧本指标下的训练指标值，作为所述第一训练剧本集中的第一训练剧本对。

在一种实现方式中，所述评估单元302，具体用于：

针对所述第一训练剧本集中的任一第一训练剧本对，将所述第一训练剧本对输入预设的机器学习模型，得到所述第一训练剧本对中第一训练剧本在所述剧本指标下的预测指标值；

根据所述第一训练剧本在所述剧本指标下的预测指标值，和所述第一训练剧本在所述剧本指标下的训练指标值对所述预设的机器学习模型进行训练，得到所述剧本调优模型。

在一种实现方式中，所述评估单元302，还用于：

根据业务类型确定所述外呼对象对应的对象剧本类型；

若所述第一训练剧本集中的训练剧本的训练剧本类型与所述外呼对象对应的对象剧本类型不匹配，则获取与所述对象剧本类型关联的第二训练剧本集；

将所述第二训练剧本集输入所述预设的机器学习模型进行训练，得到所述剧本调优模型。

在一种实现方式中，所述剧本指标的数量为多个；所述确定单元303，具体用于：

针对所述多个候选外呼剧本中的任一候选外呼剧本，获取多个剧本指标中各个剧本指标的指标权重；

根据所述各个剧本指标的指标权重对所述候选外呼剧本对应的多个目标指标值进行加权求和，将加权求和结果作为所述候选外呼剧本的推荐得分；

从所述各个候选外呼剧本的推荐得分中确定最大推荐得分，并将所述最大推荐得分对应的候选外呼剧本确定为目标外呼剧本。

在一种实现方式中，所述剧本指标的数量为一个；所述确定单元303，具体用于：

从所述各个候选外呼剧本在剧本指标下的目标指标值中确定最大目标指标值；

将所述最大目标指标值对应的候选外呼剧本确定为目标外呼剧本。

可以理解的是，本申请实施例所描述的基于机器学习模型的外呼装置的各功能单元的功能可根据图1或者图2所述的方法实施例中的方法具体实现，其具体实现过程可以参照图1或者图2的方法实施例的相关描述，此处不再赘述。

本申请实施例中，获取单元301获取外呼对象对应的业务类型，并根据所述业务类型确定所述外呼对象对应的多个候选外呼剧本；评估单元302基于剧本调优模型对所述多个候选外呼剧本中的各个候选外呼剧本进行业务效果评估，得到所述各个候选外呼剧本在剧本指标下的目标指标值；确定单元303根据所述各个候选外呼剧本在剧本指标下的目标指标值，从所述多个候选外呼剧本中确定目标外呼剧本；外呼单元304调用外呼机器人利用所述目标外呼剧本与所述外呼对象对应的对象终端进行外呼。通过实施上述方法，可以为外呼机器人提供与外呼对象较为合适的外呼剧本，以提高外呼效率。

请参阅图4，图4是本申请实施例提供的一种外呼设备的结构示意图。该外呼设备包括：处理器401、存储器402以及网络接口403。上述处理器401、存储器402以及网络接口403之间可以交互数据。

上述处理器401可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

上述存储器402可以包括只读存储器和随机存取存储器，并向处理器401提供程序指令和数据。存储器402的一部分还可以包括随机存取存储器。其中，所述处理器401调用所述程序指令时用于执行：

获取外呼对象对应的业务类型，并根据所述业务类型确定所述外呼对象对应的多个候选外呼剧本；

基于剧本调优模型对所述多个候选外呼剧本中的各个候选外呼剧本进行业务效果评估，得到所述各个候选外呼剧本在剧本指标下的目标指标值；

根据所述各个候选外呼剧本在剧本指标下的目标指标值，从所述多个候选外呼剧本中确定目标外呼剧本；

调用外呼机器人利用所述目标外呼剧本与所述外呼对象对应的对象终端进行外呼。

在一种实现方式中，所述处理器401，还用于：

获取第一训练剧本集，所述第一训练剧本集包括第一训练剧本对，所述第一训练剧本对包括第一训练剧本和所述第一训练剧本的标注信息，所述标注信息用于指示所述第一训练剧本在所述剧本指标下的训练指标值；

将所述第一训练剧本集输入预设的机器学习模型进行训练，得到所述剧本调优模型；

将所述多个候选外呼剧本中的各个候选外呼剧本输入所述剧本调优模型，得到所述各个候选外呼剧本在所述剧本指标下的目标指标值。

在一种实现方式中，所述处理器401，具体用于：

获取N个第一训练剧本，并获取多个训练外呼对象标识；

将所述多个训练外呼对象标识划分为N个训练外呼对象组，每个训练外呼对象组包括多个训练外呼对象标识；

针对所述N个训练外呼对象组中的任一训练外呼对象组，利用所述训练外呼对象组对应的第一训练剧本，对所述训练外呼对象组中每个训练外呼对象标识对应的对象终端进行外呼；

收集所述训练外呼对象组对应的第一训练剧本在剧本指标下的外呼结果，并根据所述外呼结果确定所述训练外呼对象组对应的第一训练剧本在剧本指标下的训练指标值；

将所述训练外呼对象组对应的第一训练剧本和所述训练外呼对象组对应的第一训练剧本在剧本指标下的训练指标值，作为所述第一训练剧本集中的第一训练剧本对。

在一种实现方式中，所述处理器401，具体用于：

针对所述第一训练剧本集中的任一第一训练剧本对，将所述第一训练剧本对输入预设的机器学习模型，得到所述第一训练剧本对中第一训练剧本在所述剧本指标下的预测指标值；

根据所述第一训练剧本在所述剧本指标下的预测指标值，和所述第一训练剧本在所述剧本指标下的训练指标值对所述预设的机器学习模型进行训练，得到所述剧本调优模型。

在一种实现方式中，所述处理器401，还用于：

根据业务类型确定所述外呼对象对应的对象剧本类型；

若所述第一训练剧本集中的训练剧本的训练剧本类型与所述外呼对象对应的对象剧本类型不匹配，则获取与所述对象剧本类型关联的第二训练剧本集；

将所述第二训练剧本集输入所述预设的机器学习模型进行训练，得到所述剧本调优模型。

在一种实现方式中，所述剧本指标的数量为多个；所述处理器401，具体用于：

针对所述多个候选外呼剧本中的任一候选外呼剧本，获取多个剧本指标中各个剧本指标的指标权重；

根据所述各个剧本指标的指标权重对所述候选外呼剧本对应的多个目标指标值进行加权求和，将加权求和结果作为所述候选外呼剧本的推荐得分；

从所述各个候选外呼剧本的推荐得分中确定最大推荐得分，并将所述最大推荐得分对应的候选外呼剧本确定为目标外呼剧本。

在一种实现方式中，所述剧本指标的数量为一个；所述处理器401，具体用于：

从所述各个候选外呼剧本在剧本指标下的目标指标值中确定最大目标指标值；

将所述最大目标指标值对应的候选外呼剧本确定为目标外呼剧本。

具体实现中，本申请实施例中所描述的处理器401和存储器402可执行本申请实施例图1或者图2提供的基于机器学习模型的外呼方法中所描述的实现方式，也可执行本申请实施例图3所描述的基于机器学习模型的外呼装置的实现方式，在此不再赘述。

本申请实施例中，处理器401可以获取外呼对象对应的业务类型，并根据所述业务类型确定所述外呼对象对应的多个候选外呼剧本；基于剧本调优模型对所述多个候选外呼剧本中的各个候选外呼剧本进行业务效果评估，得到所述各个候选外呼剧本在剧本指标下的目标指标值；根据所述各个候选外呼剧本在剧本指标下的目标指标值，从所述多个候选外呼剧本中确定目标外呼剧本；调用外呼机器人利用所述目标外呼剧本与所述外呼对象对应的对象终端进行外呼。通过实施上述方法，可以为外呼机器人提供与外呼对象较为合适的外呼剧本，以提高外呼效率。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有程序指令，所述程序执行时可包括如图1或者图2对应实施例中的基于机器学习模型的外呼方法的部分或全部步骤。

需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。

需要强调的是，为进一步保证上述数据的私密和安全性，上述数据还可以存储于一区块链的节点中。其中，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

以上对本申请实施例所提供的一种基于机器学习模型的外呼方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。