智能外呼处理方法和装置

技术领域

本公开涉及人工智能技术领域，特别是涉及一种智能外呼处理方法和装置。

背景技术

随着金融行业及其他行业的不断发展，业务产品的多元化程度越来越高。通过自动外呼或坐席人工外呼方式进行新老产品推介，是目前产品营销推广的重要手段之一。

在实现本公开技术方案过程中，发明人发现在目标市场对产品的需求分布不清晰、需求人群不确定的情况下，大范围人工外呼将极大耗费产品推介成本，降低产品推介效率。

发明内容

本公开的一个方面提供了一种智能外呼处理方法，包括：获取与M个待选用户间的交互历史数据，M为大于1的整数，其中，所述交互历史数据为向各所述待选用户推荐目标推荐产品的历史过程中生成的数据；通过对所述交互历史数据进行解析，确定与各所述待选用户关联的交互特征；根据与各所述待选用户关联的交互特征，将所述M个待选用户划分为N个用户分类，N为大于0的整数；在所述N个用户分类中确定待进行产品推荐的至少一个目标用户分类，以及确定与各所述目标用户分类关联的外呼规则；根据所述外呼规则，进行针对各所述目标用户分类中用户的外呼操作。

可选地，所述通过对所述交互历史数据进行解析，确定与各所述待选用户关联的交互特征，包括：根据所述交互历史数据进行情绪识别分析，确定各所述待选用户针对所述目标推荐产品的情感评分，以作为所述交互特征，其中，所述情感评分指示所述待选用户针对所述目标推荐产品的感兴趣程度；所述根据与各所述待选用户关联的交互特征，将所述M个待选用户划分为N个用户分类，包括：根据各所述待选用户针对所述目标推荐产品的情感评分，将所述M个待选用户划分为正向用户分类和非正向用户分类，其中，与所述正向用户分类中用户关联的所述情感评分高于预设阈值。

可选地，所述根据所述交互历史数据进行情绪识别分析，确定各所述待选用户针对所述目标推荐产品的情感评分，包括：提取所述交互历史数据中的至少一个预设情感词；根据各所述情感词以及针对各所述情感词的预设权重，计算各所述待选用户针对所述目标推荐产品的情感评分。

可选地，所述通过对所述交互历史数据进行解析，确定与各所述待选用户关联的交互特征，还包括：对与所述非正向用户分类中用户关联的交互历史数据进行基于交互时间属性的解析，得到与所述非正向用户分类中各用户关联的交互时间特征，以作为所述交互特征，其中，所述交互时间特征包括交互轮次、交互时长和交互结束节点中的至少之一；所述根据与各所述待选用户关联的交互特征，将所述M个待选用户划分为N个用户分类，还包括：根据与所述非正向用户分类中各用户关联的交互时间特征，将所述非正向用户分类划分为意向用户分类和非意向用户分类，其中，与所述意向用户分类中用户关联的交互时间特征指示所述用户具有获取产品信息的意愿，与所述非意向用户分类中用户关联的交互时间特征指示所述用户不具有获取产品信息的意愿。

可选地，所述通过对所述交互历史数据进行解析，确定与各所述待选用户关联的交互特征，还包括：根据预设的业务逻辑词汇，对与所述意向用户分类中用户关联的交互历史数据进行关键词匹配，以确定与所述意向用户分类中各用户关联的意向特征，以作为所述交互特征，其中，所述意向特征指示所述用户具有针对除所述目标推荐产品外的其他产品的购买意愿；所述根据与各所述待选用户关联的交互特征，将所述M个待选用户划分为N个用户分类，还包括：根据与所述意向用户分类中各用户关联的意向特征，将所述意向用户分类划分为至少一个特定意向用户分类。

可选地，所述在所述N个用户分类中确定待进行产品推荐的至少一个目标用户分类，以及确定与各所述目标用户分类关联的外呼规则，包括：将所述积极用户分类和所述至少一个特定意向用户分类，作为所述目标用户分类；根据与各所述目标用户分类关联的待推荐产品，确定针对各所述目标用户分类的话术语音及外呼设置，以作为所述话术规则。

可选地，在所述交互历史数据包括交互语音数据的情况下，所述通过对所述交互历史数据进行解析，确定与各所述待选用户关联的交互特征，包括：在所述交互语音数据中提取所述待选用户的用户语音数据；将所述用户语音数据转换为用户文本数据；进行针对所述用户文本数据的解析处理，得到与各所述待选用户关联的交互特征。

本公开的另一方面提供了一种智能外呼处理装置，包括：获取模块，用于获取与M个待选用户间的交互历史数据，M为大于1的整数，其中，所述交互历史数据为向各所述待选用户推荐目标推荐产品的历史过程中生成的数据；第一处理模块，用于通过对所述交互历史数据进行解析，确定与各所述待选用户关联的交互特征；第二处理模块，用于根据与各所述待选用户关联的交互特征，将所述M个待选用户划分为N个用户分类，N为大于0的整数；第三处理模块，用于在所述N个用户分类中确定待进行产品推荐的至少一个目标用户分类，以及确定与各所述目标用户分类关联的外呼规则；以及第四处理模块，用于根据所述外呼规则，进行针对各所述目标用户分类中用户的外呼操作。

可选地，所述第一处理模块包括：第一处理子模块，用于根据所述交互历史数据进行情绪识别分析，确定各所述待选用户针对所述目标推荐产品的情感评分，以作为所述交互特征，其中，所述情感评分指示所述待选用户针对所述目标推荐产品的感兴趣程度；所述第二处理模块包括：第二处理子模块，用于根据各所述待选用户针对所述目标推荐产品的情感评分，将所述M个待选用户划分为正向用户分类和非正向用户分类，其中，与所述正向用户分类中用户关联的所述情感评分高于预设阈值。

可选地，所述第一处理子模块包括：第一处理单元，用于提取所述交互历史数据中的至少一个预设情感词；第二处理单元，用于根据各所述情感词以及针对各所述情感词的预设权重，计算各所述待选用户针对所述目标推荐产品的情感评分。

可选地，所述第一处理模块还包括：第三处理子模块，用于对与所述非正向用户分类中用户关联的交互历史数据进行基于交互时间属性的解析，得到与所述非正向用户分类中各用户关联的交互时间特征，以作为所述交互特征，其中，所述交互时间特征包括交互轮次、交互时长和交互结束节点中的至少之一；所述第二处理模块还包括：第四处理子模块，用于根据与所述非正向用户分类中各用户关联的交互时间特征，将所述非正向用户分类划分为意向用户分类和非意向用户分类，其中，与所述意向用户分类中用户关联的交互时间特征指示所述用户具有获取产品信息的意愿，与所述非意向用户分类中用户关联的交互时间特征指示所述用户不具有获取产品信息的意愿。

可选地，所述第一处理模块还包括：第五处理子模块，用于根据预设的业务逻辑词汇，对与所述意向用户分类中用户关联的交互历史数据进行关键词匹配，以确定与所述意向用户分类中各用户关联的意向特征，以作为所述交互特征，其中，所述意向特征指示所述用户具有针对除所述目标推荐产品外的其他产品的购买意愿；所述第二处理模块还包括：第六处理子模块，用于根据与所述意向用户分类中各用户关联的意向特征，将所述意向用户分类划分为至少一个特定意向用户分类。

可选地，所述第三处理模块包括：第七处理子模块，用于将所述积极用户分类和所述至少一个特定意向用户分类，作为所述目标用户分类；第八处理子模块，用于根据与各所述目标用户分类关联的待推荐产品，确定针对各所述目标用户分类的话术语音及外呼设置，以作为所述话术规则。

可选地，在所述交互历史数据包括交互语音数据的情况下，所述第一处理模块用于在所述交互语音数据中提取所述待选用户的用户语音数据；将所述用户语音数据转换为用户文本数据；进行针对所述用户文本数据的解析处理，得到与各所述待选用户关联的交互特征。

本公开的另一方面提供了一种电子设备，包括一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本公开实施例的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现本公开实施例的方法。

本公开的另一方面提供了一种计算机程序产品，包括计算机可读指令，其中，所述计算机可读指令被执行时用于执行本公开实施例的智能外呼处理方法。

附图说明

为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中，

图1示意性示出了根据本公开实施例的智能外呼处理方法和装置的系统架构；

图2示意性示出了根据本公开实施例的一种智能外呼处理方法的流程图；

图3示意性示出了根据本公开实施例的另一智能外呼处理方法的流程图；

图4示意性示出了根据本公开实施例的对待选用户进行分类的示意图；

图5示意性示出了根据本公开实施例的目标用户分类的示意图；

图6示意性示出了根据本公开实施例的一种智能外呼处理装置的框图；

图7示意性示出了根据本公开实施例的电子设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性地，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、操作、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、操作、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程智能外呼处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。

本公开的实施例提供了一种智能外呼处理方法以及能够应用该方法的处理装置。该方法具体可以包括如下操作，首先，获取与M个待选用户间的交互历史数据，M为大于1的整数，其中，交互历史数据为向各待选用户推荐目标推荐产品的历史过程中生成的数据，然后通过对交互历史数据进行解析，确定与各待选用户关联的交互特征，根据与各待选用户关联的交互特征，将M个待选用户划分为N个用户分类，N为大于0的整数，最后在N个用户分类中确定待进行产品推荐的至少一个目标用户分类，确定与各目标用户分类关联的外呼规则，以及根据外呼规则，进行针对各目标用户分类中用户的外呼操作。

图1示意性示出了根据本公开实施例的智能外呼处理方法和装置的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，系统架构100包括交互设备102和处理器103，交互设备102用于与待选用户(图中示出了多个，如待选用户101A～101H)进行交互，以实现进行针对待选用户的产品信息推荐操作。处理器103用于获取通过交互设备102向M个待选用户推荐目标推荐产品的历史过程中生成的历史交互数据，以及基于历史交互数据在M个待选用户中确定待进行产品推荐的目标用户分类。

具体地，处理器103获取通过交互设备102与M个待选用户进行交互生成的交互历史数据，M为大于1的整数，其中，交互历史数据为向各待选用户推荐目标推荐产品的历史过程中生成的数据，处理器103通过对交互历史数据进行解析，确定与各待选用户关联的交互特征，以及根据与各待选用户关联的交互特征，将M个待选用户划分为N个用户分类，N为大于0的整数，最后，处理器103在N个用户分类中确定待进行产品推荐的至少一个目标用户分类，确定与各目标用户分类关联的外呼规则，以及根据外呼规则，通过交互设备102进行针对各目标用户分类中用户的外呼操作。

需要说明的是，本公开实施例的智能外呼处理方法和装置可用于金融领域，也可用于除金融领域之外的任意领域。以下将结合附图和具体实施例详细阐述本公开。

图2示意性示出了根据本公开实施例的一种智能外呼处理方法的流程图，如图2所示，方法200可以包括操作S210～S250。

在操作S210，获取与M个待选用户间的交互历史数据，M为大于1的整数，其中，交互历史数据为向各待选用户推荐目标推荐产品的历史过程中生成的数据。

在本实施例中，具体地，获取与M个待选用户间的交互历史数据，M为大于1的整数，交互历史数据具体可以是交互文本数据、交互语音数据、交互视频数据等。交互历史数据为向各待选用户推荐目标推荐产品的历史过程中生成的数据，示例性地，交互历史数据为通过自动外呼方式，向各待选用户推荐目标推荐产品的历史过程中生成的历史通话数据。

在获取的交互历史数据为交互语音数据的情况下，例如在获取的交互历史数据为历史通话数据的情况下，可以利用ASR(Automatic Speech Recognition，自动语音识别)技术对交互语音数据进行处理，实现将交互语音数据中的坐席语音数据和用户语音数据进行分离。可选地，对用户语音数据进行转文本处理，得到用户文本数据。

在获取的交互历史数据为交互文本数据的情况下，也可以在交互文本数据中分离得到用户文本数据，以实现对用户文本数据进行后续解析处理，实现在M个待选用户中确定出待进行产品推荐的目标用户分类。在获取的交互历史数据为来自待选用户的交互视频数据的情况下，将交互视频数据分离得到用户图像数据和用户语音数据，可选地，对用户语音数据进行转文本处理，得到用户文本数据。

接下来，在操作S220，通过对交互历史数据进行解析，确定与各待选用户关联的交互特征。

在本实施例中，具体地，对交互历史数据进行解析处理，得到与各待选用户关联的交互特征。可选地，对与交互历史数据对应的用户文本数据进行解析，得到例如指示待选用户的情绪类别、交互意图、性格标签、可用时间等内容的交互特征。另外，也可辅助对交互语音数据进行解析，通过解析用户语音数据中的音调、音速、音色等语音特征参数，实现根据交互语音数据进行情绪识别分析。或者，还可辅助对用户图像数据进行解析，通过解析用户图像数据识别待选用户的表情动作，基于表情动作判断待选用户的情绪类别，其中，表情动作例如可以包括嘴角上扬、嘴角下撇、蹙眉、眼角下垂、眼睛瞪圆等。

示例性地，在获取的交互历史数据为与待选用户间的历史通话数据的情况下，可以利用NLP(Natural Language Processing，自然语言处理)技术对每条通话录音对应的用户文本数据进行解析，通过对用户文本数据进行情感识别分析，确定用户针对被推荐产品的意向标识。同时，还可以对用户文本数据进行其他维度属性的分析，例如进行基于交互时间属性或交互意愿属性的分析，以此得到与各待选用户关联的多类交互特征。

接下来，在操作S230，根据与各待选用户关联的交互特征，将M个待选用户划分为N个用户分类，N为大于0的整数。

在本实施例中，具体地，根据与各待选用户关联的交互特征，将M个待选用户划分为N个用户分类，N为大于0的整数，其中，相同用户分类中的用户具有相同或相似的交互特征。交互特征的维度不同，依据交互特征划分出的用户分类也可能不同。示例性地，当交互特征指示待选用户针对不同待推荐产品的感兴趣程度时，相同用户分类中的用户针对同一待推荐产品具有相同或相似的感兴趣程度。

接下来，在操作S240，在N个用户分类中确定待进行产品推荐的至少一个目标用户分类，以及确定与各目标用户分类关联的外呼规则。

在本实施例中，具体地，在N个用户分类中，将针对待推荐产品具有较高兴趣程度的至少一个用户分类，作为待进行产品推荐的目标用户分类。虽然，获取的交互历史数据为向各待选用户推荐目标推荐产品的历史过程中生成的数据，但是，与各目标用户分类关联的待推荐产品可以是目标推荐产品，也可以是除目标推荐产品外的其他产品。

确定与各目标用户分类关联的外呼规则，示例性地，当通过自动外呼方式，进行针对各目标用户分类中用户的外呼操作时，可以根据与各目标用户分类关联的待推荐产品，确定与各目标用户分类关联的话术语音及外呼设置，以作为外呼规则。其中外呼设置例如可以包括外呼时间、外呼坐席编号、节点播报方式等内容。

接下来，在操作S250，根据外呼规则，进行针对各目标用户分类中用户的外呼操作。

在本实施例中，具体地，根据与各目标用户分类关联的外呼规则，进行针对各目标用户分类中用户的外呼操作。可选地，可以对各目标用户分类中的用户进行二次自动外呼操作，或者对各目标用户分类中的用户进行人工坐席外呼操作。除此之外，还可以通过其他交互方式，触发针对各目标用户分类中用户的交互操作，以实现向各目标用户分类中的用户推荐产品信息。

通过本公开实施例，获取与M个待选用户间的交互历史数据，M为大于1的整数，其中，交互历史数据为向各待选用户推荐目标推荐产品的历史过程中生成的数据；通过对交互历史数据进行解析，确定与各待选用户关联的交互特征；根据与各待选用户关联的交互特征，将M个待选用户划分为N个用户分类，N为大于0的整数；在N个用户分类中确定待进行产品推荐的至少一个目标用户分类，以及确定与各目标用户分类关联的外呼规则；根据外呼规则，进行针对各目标用户分类中用户的外呼操作。通过对待选用户的产品需求进行有效分类，实现在进行坐席外呼前，明确外呼人群的产品需求，这有利于改善基于外呼方式进行产品推介的推荐成功率，有利于降低产品外呼推介成本，和有利于提高产品外呼推介的智能化程度。

图3示意性示出了根据本公开实施例的另一智能外呼处理方法的流程图，如图3所示，操作S220～S230包括操作S221～S231、S222～S232和S223～S233。

在操作S221，根据交互历史数据进行情绪识别分析，确定各待选用户针对目标推荐产品的情感评分，以作为交互特征，其中，情感评分指示待选用户针对目标推荐产品的感兴趣程度。

在本实施例中，具体地，根据获取的与M个待选用户间的交互历史数据，进行针对各待选用户的情绪识别分析。可选地，提取交互历史数据中的至少一个预设情感词，根据各情感词以及针对各情感词的预设权重，计算各待选用户针对目标推荐产品的情感评分。由于交互历史数据为向各待选用户推荐目标推荐产品的历史过程中生成的数据，因此，基于交互历史数据确定出的情感评分指示待选用户针对目标推荐产品的感兴趣程度，情感评分越高，待选用户针对目标推荐产品的感兴趣程度越高。

预设情感词例如可以包括可以、好的、好呀、行、需要、高兴、开心、感谢等积极类情感词，也可以包括不可以、不好、不行、不需要、打扰、反感、讨厌、生气等消极类情感词。在确定各待选用户针对目标推荐产品的情感评分时，根据交互历史数据中出现的情感词以及针对各情感词的预设权重，评估各待选用户针对目标推荐产品的情感状态。一般来说，与积极类情感词关联的预设权重为正数，与消极类情感词关联的预设权重为负数。对于越能表征待选用户情感状态的情感词，与其关联的预设权重的绝对值越大。

可选地，也可利用神经网络模型进行基于交互历史数据的情绪识别分析，例如利用BiLSTM(Bi-directional Long Short-Term Memory)神经网络模型，从正向和反向同时对用户文本数据进行编码，捕获用户文本数据中不同词语间的上下文语境信息，得到特征向量。或者利用BiLSTM神经网络模型，从正向和反向同时对交互语音数据进行编码，捕获交互语音数据中不同音频间的上下文语境信息，得到特征向量。将特征向量输入Softmax函数进行情感状态分析，识别待选用户针对目标推荐产品的情感状态，同时还可以根据与各特征向量关联的预设权重，输出待选用户针对目标推荐产品的情感评分。

接下来，在操作S231，根据各待选用户针对目标推荐产品的情感评分，将M个待选用户划分为正向用户分类和非正向用户分类。

在本实施例中，具体地，将情感评分高于预设阈值的待选用户划分至正向用户分类，将情感评分未高于预设阈值的待选用户划分至非正向用户分类，非正向用户分类可以包括消极用户分类和模糊用户分类。交互历史数据表征正向用户分类中用户针对目标推荐产品的感兴趣程度较高，因此，可以对正向用户分类中的用户进行基于目标推荐产品的外呼推介操作。

接下来，在操作S222，对与非正向用户分类中用户关联的交互历史数据进行基于交互时间属性的解析，得到与非正向用户分类中各用户关联的交互时间特征，以作为交互特征，其中，交互时间特征包括交互轮次、交互时长和交互结束节点中的至少之一。

在本实施例中，具体地，对与非正向用户分类中用户关联的交互历史数据进行基于交互时间属性的解析，得到与非正向用户分类中各用户关联的交互时间特征，交互时间特征例如可以包括交互轮次、单次交互时长、交互结束节点、交互次数、交互总时长等子特征。交互时间特征指示用户是否具有获取产品信息的意愿，产品信息具体可以是目标推荐产品的产品信息，也可以是除目标推荐产品外的其他产品的产品信息。

接下来，在操作S232，根据与非正向用户分类中各用户关联的交互时间特征，将非正向用户分类划分为意向用户分类和非意向用户分类。

在本实施例中，具体地，交互时间特征指示用户是否具有获取产品信息的意愿，一般来说，交互时间越长、交互轮次越多、交互结束节点越推后，越能表征用户具有获取产品信息的意愿。作为一种可选方式，可以对交互时间特征中的不同子特征预设对应的权重值，根据交互时间特征中的各子特征以及根据与各子特征关联的预设权重，计算与非正向用户分类中各用户关联的交互意愿评分。交互意愿评分越高，表征用户获取产品信息的意愿程度越高。将交互意愿评分高于预设阈值的待选用户划分至意向用户分类，将交互意愿评分未高于预设阈值的待选用户划分至非意向用户分类。

接下来，在操作S223，根据预设的业务逻辑词汇，对与意向用户分类中用户关联的交互历史数据进行关键词匹配，以确定与意向用户分类中各用户关联的意向特征，以作为交互特征，其中，意向特征指示用户具有针对除目标推荐产品外的其他产品的购买意愿。

在本实施例中，具体地，根据与业务场景匹配的预设业务逻辑词汇，对与意向用户分类中用户关联的交互历史数据进行关键词匹配，确定与意向用户分类中各用户关联的意向特征。示例性地，在金融业务场景中，预设的业务逻辑词汇包括信用卡、借记卡、加油卡、贵金属等。利用NLP技术提取交互历史数据中出现的高频词汇，利用预设的业务逻辑词汇进行针对高频词汇的关键词匹配操作。当交互历史数据的高频词汇中出现某一或某几个业务逻辑词汇时，将该业务逻辑词汇作为与用户关联的意向特征。意向特征指示用户对与业务逻辑词汇对应的产品具有较高程度的购买意愿，所述产品一般为除目标推荐产品外的其他产品。

接下来，在操作S233，根据与意向用户分类中各用户关联的意向特征，将意向用户分类划分为至少一个特定意向用户分类。

在本实施例中，具体地，根据与意向用户分类中各用户关联的意向特征，具体根据意向特征所指示的待推荐产品，将意向用户分类划分为至少一个特定意向用户分类。示例性地，当与某待选用户关联的意向特征为“加油卡”时，将该待选用户划分至与“加油卡”对应的特定意向用户分类中。

在确定出至少一个特定意向用户分类后，将正向用户分类和至少一个特定意向用户分类作为待进行产品推荐的目标用户分类。根据与各目标用户分类关联的待推荐产品，确定针对各目标用户分类的外呼规则，以及根据前述外呼规则，通过自动外呼或人工坐席外呼方式，进行针对各目标用户分类中用户的外呼操作。

与正向用户分类关联的待推荐产品为目标推荐产品，向正向用户分类中的用户进行针对目标推荐产品的外呼推介。与特定意向用户分类关联的待推荐产品为对应意向特征所指示的产品，该产品一般为除目标推荐产品外的其他产品，向特定意向用户分类中的用户进行针对特定产品的外呼推介。通过对待选用户的产品需求进行有效分类，实现在进行产品外呼推介前明确外呼人群的产品需求，该种方式有利于提高产品外呼推介的推荐成功率，有利于提升产品外呼推介的推荐效率。

图4示意性示出了根据本公开实施例的对待选用户进行分类的示意图，如图4所示，通过情绪识别分析操作，将M个待选用户划分为正向用户分类和非正向用户分类，M为大于1的整数，非正向用户分类包括消极用户分类和模糊用户分类。通过交互时间属性分析操作，将非正向用户分类划分为意向用户分类和非意向用户分类。通过业务逻辑词汇匹配操作，将意向用户分类划分为至少一个特定意向用户分类。

图5示意性示出了根据本公开实施例的目标用户分类的示意图，如图5所示，目标用户分类包括正向用户分类和至少一个特定意向用户分类。与正向用户分类关联的待推荐产品为目标推荐产品，与特定意向用户分类关联的待推荐产品为对应意向特征所指示的产品。

图6示意性示出了根据本公开实施例的一种智能外呼处理装置的框图。

如图6所示，装置600包括获取模块601、第一处理模块602、第二处理模块603、第三处理模块604和第四处理模块605。

具体地，获取模块601，用于获取与M个待选用户间的交互历史数据，M为大于1的整数，其中，交互历史数据为向各待选用户推荐目标推荐产品的历史过程中生成的数据；第一处理模块602，用于通过对交互历史数据进行解析，确定与各待选用户关联的交互特征；第二处理模块603，用于根据与各待选用户关联的交互特征，将M个待选用户划分为N个用户分类，N为大于0的整数；第三处理模块604，用于在N个用户分类中确定待进行产品推荐的至少一个目标用户分类，以及确定与各目标用户分类关联的外呼规则；以及第四处理模块605，用于根据外呼规则，进行针对各目标用户分类中用户的外呼操作。

通过本公开实施例，获取与M个待选用户间的交互历史数据，M为大于1的整数，其中，交互历史数据为向各待选用户推荐目标推荐产品的历史过程中生成的数据；通过对交互历史数据进行解析，确定与各待选用户关联的交互特征；根据与各待选用户关联的交互特征，将M个待选用户划分为N个用户分类，N为大于0的整数；在N个用户分类中确定待进行产品推荐的至少一个目标用户分类，以及确定与各目标用户分类关联的外呼规则；根据外呼规则，进行针对各目标用户分类中用户的外呼操作。通过对待选用户的产品需求进行有效分类，实现在进行坐席外呼前，明确外呼人群的产品需求，这有利于改善基于外呼方式进行产品推介的推荐成功率，有利于降低产品外呼推介成本，和有利于提高产品外呼推介的智能化程度。

作为一种可行的实施例，第一处理模块包括：第一处理子模块，用于根据交互历史数据进行情绪识别分析，确定各待选用户针对目标推荐产品的情感评分，以作为交互特征，其中，情感评分指示待选用户针对目标推荐产品的感兴趣程度；第二处理模块包括：第二处理子模块，用于根据各待选用户针对目标推荐产品的情感评分，将M个待选用户划分为正向用户分类和非正向用户分类，其中，与正向用户分类中用户关联的情感评分高于预设阈值。

作为一种可行的实施例，第一处理子模块包括：第一处理单元，用于提取交互历史数据中的至少一个预设情感词；第二处理单元，用于根据各情感词以及针对各情感词的预设权重，计算各待选用户针对目标推荐产品的情感评分。

作为一种可行的实施例，第一处理模块还包括：第三处理子模块，用于对与非正向用户分类中用户关联的交互历史数据进行基于交互时间属性的解析，得到与非正向用户分类中各用户关联的交互时间特征，以作为交互特征，其中，交互时间特征包括交互轮次、交互时长和交互结束节点中的至少之一；第二处理模块还包括：第四处理子模块，用于根据与非正向用户分类中各用户关联的交互时间特征，将非正向用户分类划分为意向用户分类和非意向用户分类，其中，与意向用户分类中用户关联的交互时间特征指示用户具有获取产品信息的意愿，与非意向用户分类中用户关联的交互时间特征指示用户不具有获取产品信息的意愿。

作为一种可行的实施例，第一处理模块还包括：第五处理子模块，用于根据预设的业务逻辑词汇，对与意向用户分类中用户关联的交互历史数据进行关键词匹配，以确定与意向用户分类中各用户关联的意向特征，以作为交互特征，其中，意向特征指示用户具有针对除目标推荐产品外的其他产品的购买意愿；第二处理模块还包括：第六处理子模块，用于根据与意向用户分类中各用户关联的意向特征，将意向用户分类划分为至少一个特定意向用户分类。

作为一种可行的实施例，第三处理模块包括：第七处理子模块，用于将积极用户分类和至少一个特定意向用户分类，作为目标用户分类；第八处理子模块，用于根据与各目标用户分类关联的待推荐产品，确定针对各目标用户分类的话术语音及外呼设置，以作为话术规则。

作为一种可行的实施例，在交互历史数据包括交互语音数据的情况下，第一处理模块用于在交互语音数据中提取待选用户的用户语音数据；将用户语音数据转换为用户文本数据；进行针对用户文本数据的解析处理，得到与各待选用户关联的交互特征。

需要说明的是，在本公开实施例中，装置部分的实施方式与方法部分的实施方式相同或类似，在此不再赘述。

根据本公开的实施例的模块中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者根据本公开实施例的模块中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，获取模块601、第一处理模块602、第二处理模块603、第三处理模块604和第四处理模块605中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块601、第一处理模块602、第二处理模块603、第三处理模块604和第四处理模块605中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。获取模块601、第一处理模块602、第二处理模块603、第三处理模块604和第四处理模块605中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图7示意性示出了根据本公开实施例的电子设备的框图。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700包括处理器710、计算机可读存储介质720。该电子设备700可以执行根据本公开实施例的方法。

具体地，处理器710例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器710还可以包括用于缓存用途的板载存储器。处理器710可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理模块或者是多个处理模块。

计算机可读存储介质720，例如可以是非易失性的计算机可读存储介质，具体示例包括但不限于：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；等等。

计算机可读存储介质720可以包括计算机程序721，该计算机程序721可以包括代码/计算机可执行指令，其在由处理器710执行时使得处理器710执行根据本公开实施例的方法或其任何变形。

计算机程序721可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序721中的代码可以包括一个或多个程序模块，例如包括模块721A、模块721B、......。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器710执行时，使得处理器710可以执行根据本公开实施例的方法或其任何变形。

根据本公开的实施例，获取模块601、第一处理模块602、第二处理模块603、第三处理模块604和第四处理模块605中的至少一个可以实现为参考图7描述的计算机程序模块，其在被处理器710执行时，可以实现上面描述的相应操作。

本公开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可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。