投诉行为预测方法和装置、电子设备及存储介质与流程

1.本技术涉及人工智能和金融科技技术领域，尤其涉及一种投诉行为预测方法和装置、电子设备及存储介质。


背景技术：

2.在金融产品(例如基金、保险等)售后环节，对于用户沟通客服人员以咨询各种问题的场景称为咨述场景。而在咨述场景下针对一个用户问题的沟通和跟踪为一个案件。在同一个案件下可能会存在多次沟通，如果用户对所购买的基金或保险等金融产品存在意见且对客服人员的回复不满意，则可能导致该用户对该案件的投诉升级。目前，主要通过客服人员根据沟通过程的记录和结果来对案件投诉的风险进行分析以得到投诉概率参考值，但这种分析方式得到的投诉概率参考值极为依赖客服人员的经验，且分析过程的依据单一，可靠性不高。因此，如何提高投诉概率参考值的可靠性，成为了亟待解决的技术问题。


技术实现要素：

3.本技术实施例的主要目的在于提出一种投诉行为预测方法和装置、电子设备及存储介质，旨在提高投诉概率参考值的可靠性。
4.为实现上述目的，本技术实施例的第一方面提出了一种投诉行为预测方法，所述方法包括：
5.获取目标案件数据，其中，所述目标案件数据包括目标沟通数据和目标沟通信息；所述目标案件数据通过记录目标对象关于目标案件的意见沟通过程得到；
6.对所述目标沟通数据进行内容转换，得到沟通内容信息；
7.根据预设的情绪类别对所述沟通内容信息进行情绪识别处理，得到所述情绪类别的情绪特征；
8.对所述目标沟通信息进行特征提取，得到目标沟通特征；
9.根据所述情绪特征和所述目标沟通特征构建关联特征对；
10.对所述关联特征对进行向量化处理，得到特征对向量；
11.将所述特征对向量输入至预设的行为预测模型进行投诉行为预测，得到目标行为数据；其中，所述目标行为数据用于表征所述目标对象对所述目标案件产生投诉升级行为的投诉概率参考值。
12.在一些实施例中，所述根据预设的情绪类别对所述沟通内容信息进行情绪识别处理，得到所述情绪类别的情绪特征的步骤包括：
13.对所述沟通内容信息进行关键词提取，得到关键词特征；
14.对所述关键词特征进行向量化处理，得到关键词向量；
15.对所述关键词向量进行均值计算，得到平均词向量；
16.将所述情绪类别和所述平均词向量输入至预设的情绪识别模型进行情绪识别处理，得到所述情绪类别的所述情绪特征。
17.在一些实施例中，所述情绪识别模型包括：激活层和卷积层；所述将所述情绪类别和所述平均词向量输入至预设的情绪识别模型进行情绪识别处理，得到所述情绪类别的所述情绪特征的步骤包括：
18.将所述情绪类别和所述平均词向量输入至所述激活层进行分类处理，得到对应所述情绪类别的情绪分类数据；
19.将所述情绪分类数据输入至所述卷积层进行特征提取，得到所述情绪类别的所述情绪特征。
20.在一些实施例中，在将所述情绪类别和所述平均词向量输入至预设的情绪识别模型进行情绪识别处理，得到所述情绪类别的所述情绪特征的步骤之前，所述方法还包括：
21.构建所述情绪识别模型，具体包括：
22.获取训练词特征；
23.对所述训练词特征进行向量化处理，得到训练词向量；
24.将所述情绪类别和所述训练词向量输入预设的情绪分类模型，得到对应所述情绪类别的训练分类数据；
25.根据所述训练分类数据和预设的参考分类数据进行交叉熵损失计算，得到交叉熵损失值；
26.根据所述交叉熵损失值对所述情绪分类模型进行参数调整，得到所述情绪识别模型。
27.在一些实施例中，所述目标沟通信息包括：沟通文本长度、沟通次数和沟通时长；所述目标沟通特征包括：文本长度特征、次数特征和时长特征，所述对所述目标沟通信息进行特征提取，得到目标沟通特征的步骤包括：
28.对所述沟通文本长度进行特征提取，得到所述文本长度特征；
29.对所述沟通次数进行特征提取，得到所述次数特征；
30.对所述沟通时长进行特征提取，得到所述时长特征。
31.在一些实施例中，所述将所述特征对向量输入至预设的行为预测模型进行投诉行为预测，得到目标行为数据的步骤之前，所述方法还包括：
32.构建所述行为预测模型，具体包括：
33.获取训练特征对；
34.对所述训练特征对进行归一化，得到归一化特征对；
35.对所述归一化特征对进行向量化，得到训练对向量；
36.将所述训练对向量输入预设的风险预训练模型进行投诉行为预测，得到训练行为数据；
37.根据所述训练行为数据与预设的参考行为数据进行损失计算，得到分析损失值；
38.根据所述分析损失值和预设学习率对所述风险预训练模型进行参数调整，得到所述行为预测模型。
39.在一些实施例中，所述将所述特征对向量输入至预设的行为预测模型进行投诉行为预测，得到目标行为数据的步骤之后，所述方法还包括：
40.将所述投诉概率参考值与预设概率阈值进行对比处理，得到对比结果；
41.若所述对比结果表征所述投诉概率参考值高于所述预设概率阈值，则输出案件投
诉预警信息。
42.为实现上述目的，本技术实施例的第二方面提出了一种投诉行为预测装置，所述装置包括：
43.数据获取模块，所述数据获取模块用于获取目标案件数据，其中，所述目标案件数据包括目标沟通数据和目标沟通信息；所述目标案件数据通过记录目标对象关于目标案件的意见沟通过程得到；
44.内容转换模块，所述内容转换模块用于对所述目标沟通数据进行内容转换，得到沟通内容信息；
45.情绪识别模块，所述情绪识别模块用于根据预设的情绪类别对所述沟通内容信息进行情绪识别处理，得到所述情绪类别的情绪特征；
46.特征提取模块，所述特征提取模块用于对所述目标沟通信息进行特征提取，得到目标沟通特征；
47.特征构建模块，所述特征构建模块用于根据所述情绪特征和所述目标沟通特征构建关联特征对；
48.向量处理模块，所述向量处理模块用于对所述关联特征对进行向量化处理，得到特征对向量；
49.行为预测模块，所述行为预测模块用于将所述特征对向量输入至预设的行为预测模型进行投诉行为预测，得到目标行为数据；其中，所述目标行为数据用于表征所述目标对象对所述目标案件产生投诉升级行为的投诉概率参考值。
50.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
51.为实现上述目的，本技术实施例的第四方面提出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，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
52.本技术提出的投诉行为预测方法和装置、电子设备及存储介质，通过获取目标用户与客服人员沟通过程中的沟通数据和沟通信息，根据沟通数据表征的沟通内容进行情绪识别，并对沟通信息进行特征提取，以便通过预设的行为预测模型对目标用户进行投诉行为预测得到目标行为数据，本技术的目标行为数据表征的投诉概率参考值大小不受客服人员的经验影响，具有较高的可靠性。
附图说明
53.图1是本技术实施例提供的投诉行为预测方法的流程图；
54.图2是图1中的步骤s103的流程图；
55.图3是图2中的步骤s204的流程图；
56.图4是图2所示投诉行为预测方法另一实施例的流程图；
57.图5是图1中的步骤s104的流程图；
58.图6是本技术另一实施例提供的投诉行为预测方法的流程图；
59.图7是本技术另一实施例提供的投诉行为预测方法的流程图；
60.图8是本技术实施例提供的投诉行为预测装置的结构示意图；
61.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
62.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
63.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
64.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
65.首先，对本技术中涉及的若干名词进行解析：
66.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。
67.自然语言处理(natural language processing，nlp)：nlp用计算机来处理、理解以及运用人类语言(如中文、英文等)，nlp属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，自然语言处理涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
68.语义分析(semantic parsing)：学习与理解自然语言文本所表示的语义内容的分析方法。一段文本通常由词、句子和段落来构成，根据理解对象的语言单位不同，语义分析又可进一步分解为词汇级语义分析、句子级语义分析以及篇章级语义分析。一般来说，词汇级语义分析关注的是如何获取或区别单词的语义，句子级语义分析则试图分析整个句子所表达的语义，而篇章语义分析旨在研究自然语言文本的内在结构并理解文本单元(可以是句子从句或段落)间的语义关系。简单地讲，语义分析的目标就是通过建立有效的模型和系统，实现在各个语言单位(包括词汇、句子和篇章等)的自动语义分析，从而实现理解整个文本表达的真实语义。
69.信息抽取(information extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中
抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
70.在金融产品(例如基金、保险等)售后环节，对于用户沟通客服人员以咨询各种问题的场景称为咨述场景。而在咨述场景下针对一个用户问题的沟通和跟踪为一个案件。在同一个案件下可能会存在多次沟通，如果用户对所购买的基金或保险等金融产品存在意见且对客服人员的回复不满意，则可能导致该用户对该案件的投诉升级。目前，主要通过客服人员根据沟通过程的记录和结果来对案件投诉的风险进行分析以得到投诉概率参考值，但这种分析方式得到的投诉概率参考值极为依赖客服人员的经验，且分析过程的依据单一，可靠性不高。因此，如何提高投诉概率参考值的可靠性，成为了亟待解决的技术问题。
71.基于此，本技术实施例提供了一种投诉行为预测方法和装置、电子设备及存储介质，旨在提高投诉概率参考值的可靠性。
72.本技术实施例提供的投诉行为预测方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的投诉行为预测方法。
73.本技术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。
74.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。
75.本技术实施例提供的投诉行为预测方法，涉及人工智能技术领域。本技术实施例提供的投诉行为预测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现投诉行为预测方法的应用等，但并不局限于以上形式。
76.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
77.需要说明的是，在本技术的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本技术实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
78.图1是本技术实施例提供的投诉行为预测方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s107：
79.步骤s101，获取目标案件数据，其中，目标案件数据包括目标沟通数据和目标沟通信息；目标案件数据通过记录目标对象关于目标案件的意见沟通过程得到；
80.步骤s102，对目标沟通数据进行内容转换，得到沟通内容信息；
81.步骤s103，根据预设的情绪类别对沟通内容信息进行情绪识别处理，得到情绪类别的情绪特征；
82.步骤s104，对目标沟通信息进行特征提取，得到目标沟通特征；
83.步骤s105，根据情绪特征和目标沟通特征构建关联特征对；
84.步骤s106，对关联特征对进行向量化处理，得到特征对向量；
85.步骤s107，将特征对向量输入至预设的行为预测模型进行投诉行为预测，得到目标行为数据；其中，目标行为数据用于表征目标对象对目标案件产生投诉升级行为的投诉概率参考值。
86.本技术实施例所示意的步骤s101至步骤s102，目标对象指的是目标案件所涉及的基金、保险等相关金融产品的目标用户和客服人员，意见沟通过程指的是目标用户关于目标案件与客服人员进行意见反馈与沟通的过程。通过获取目标用户与客服人员沟通过程中的语音数据和沟通信息，根据语音内容进行情绪识别，并对沟通信息进行特征提取，以便通过预设的行为预测模型对目标用户进行投诉行为预测得到目标行为数据，本技术的目标行为数据表征的投诉概率参考值大小不受客服人员的经验影响，具有较高的可靠性。
87.以保险产品为例，甲用户购买了a类家庭医疗保险，甲用户及其家属近期在y医疗项目上支出了20000元，其中甲用户自身在该医疗项目上花费了7000元，甲用户的父亲在该医疗项目上花费了13000元。甲用户第一次拨通客服电话询问y医疗项目的报销比例是多少，并在半小时后第二次拨通客服电话询问其父亲在y医疗项目上的花费是否可以报销。则目标沟通数据表征“y医疗项目的报销比例是多少”、“父亲在y医疗项目上的花费是否可以报销”的语音信息，目标沟通信息则表征沟通次数为2次。若客服人员对甲用户提出的问题的回复内容为：a类医疗保险在y医疗项目上的报销比例为50％，可报销对象为投保人及其配偶和子女，其他亲属暂不能报销，因此可以报销的金额为3500元。而甲用户在后续的沟通中表示其父亲是其直系亲属，也是家庭的一员，应当一同报销。则后续可以根据语音内容进行情绪识别，并对沟通信息进行特征提取后通过模型预测甲用户进一步投诉的概率，从而选择合适的服务策略以提升用户体验。
88.在一些实施例的步骤s101中，目标用户与客服人员沟通的方式包括电话沟通。目标沟通数据为目标用户在与客服人员沟通过程中产生的语音信息数据，目标沟通信息用于记录目标用户与克服人员的沟通情况，如沟通时间、沟通次数等。在另一些实施例中，目标
用户与客服人员沟通的方式也可以是通过软件(包括通用通讯软件以及专用的客服软件)进行线上沟通。在这种情况下，目标用户向客服人员发送的信息包括语音信息和文本信息，目标沟通数据即为目标用户在与客服人员沟通过程中产生的语音信息数据和文本信息数据的数据集合。
89.在一些实施例的步骤s102中，若目标用户与客服人员采用电话沟通的方式，则通过自然语言处理的方式对目标沟通数据进行语音内容转换，得到对应目标用户语音内容的自然语言文本信息，即为沟通内容信息；若目标用户与客服人员采用软件进行线上沟通的方式，则通过自然语言处理的方式对目标沟通数据中包含的语音信息数据进行语音内容转换，得到对应目标用户语音内容的语音文本信息。对目标沟通数据中包含的文本信息数据进行文本提取，得到沟通文本信息。将语音文本信息和沟通文本信息进行整合，从而得到沟通内容信息。需要说明的是，在本技术实施例中，沟通内容信息为纯文本信息。
90.在一些实施例的步骤s103中，预设的情绪类别包括：甲类情绪、乙类情绪、丙类情绪和丁类情绪，其中，甲类情绪表征沟通内容信息中无任何消极负面用语的文本信息内容，乙类情绪表征沟通内容信息中存在抱怨用语的文本信息内容，丙类情绪表征沟通内容信息中存在不文明用语的文本信息内容，丁类情绪表征沟通内容信息中存在明显投诉倾向用语(例如“继续投诉”)的文本信息内容。根据甲类情绪对沟通内容信息进行情绪识别处理得到甲类情绪特征；根据乙类情绪对沟通内容信息进行情绪识别处理得到乙类情绪特征；根据丙类情绪对沟通内容信息进行情绪识别处理得到丙类情绪特征；根据丁类情绪对沟通内容信息进行情绪识别处理得到丁类情绪特征。各类情绪特征表征沟通内容信息中符合各个情绪类别的内容量。在另一些实施例中，情绪类别的数量不做具体限制。
91.在一些实施例的步骤s104中，对目标沟通信息进行特征提取，获取目标用户与客服人员在沟通过程中表征行为倾向的特征。
92.在一些实施例的步骤s105中，根据情绪特征和目标沟通特征构建关联特征对，从而挖掘各个情绪类别的情绪特征、目标沟通特征中不同特征之间的潜在关联性，并且能够增加特征的数量以提高后续对目标用户的投诉行为进行预测的可靠性。示意性实施例，通过特征相乘的方式构建关联特征对，得到的关联特征对包括：[甲类情绪特征*目标沟通特征]、[乙类情绪特征*目标沟通特征]、[丙类情绪特征*目标沟通特征]、[丁类情绪特征*目标沟通特征]、[甲类情绪特征*乙类情绪特征]、[甲类情绪特征*丙类情绪特征]、[甲类情绪特征*丁类情绪特征]、[乙类情绪特征*丙类情绪特征]、[乙类情绪特征*丁类情绪特征]、[丙类情绪特征*丁类情绪特征]。在另一些实施例中，还可以将两个相同的特征相乘以构建关联特征对，从而进一步拓展特征数量。
[0093]
在一些实施例的步骤s106中，通过关联特征对构建特征对向量，以表征目标用户在沟通过程中情绪随着沟通过程的进行而发生的变化，从而提高投诉行为预测的可靠性。
[0094]
在一些实施例的步骤s107中，将特征对向量输入预设的行为预测模型，完成对目标用户的投诉行为预测，得到目标行为数据。
[0095]
在一些实施例中，请参阅图2，步骤s103包括但不限于包括步骤s201至步骤s204：
[0096]
步骤s201，对沟通内容信息进行关键词提取，得到关键词特征；
[0097]
步骤s202，对关键词特征进行向量化处理，得到关键词向量；
[0098]
步骤s203，对关键词向量进行均值计算，得到平均词向量；
[0099]
步骤s204，将情绪类别和平均词向量输入至预设的情绪识别模型进行情绪识别处理，得到情绪类别的情绪特征。
[0100]
本技术实施例的步骤s201至步骤s204，通过对沟通内容信息包含的文本进行关键词提取以得到关键词特征，对关键词特征进行向量化处理并进行均值计算，得到平均词向量，将情绪类别和平均词向量输入预设的情绪识别模型，完成情绪识别处理，从而得到对应各个情绪类别的情绪特征。无需客服人员人工进行情绪识别，提高对目标用户的投诉行为预测的效率。
[0101]
在一些实施例的步骤s201中，关键词包括对应甲类情绪的甲类关键词、对应乙类情绪的乙类关键词、对应丙类情绪的丙类关键词、对应丁类情绪的丁类关键词。全部甲类关键词、乙类关键词、丙类关键词、丁类关键词共同构成预设的关键词库。根据预设的关键词库对沟通内容信息进行关键词提取，分别得到甲类关键词特征、乙类关键词特征、丙类关键词特征、丁类关键词特征。
[0102]
在一些实施例的步骤s202中，关键词向量包括：甲类关键词向量、乙类关键词向量、丙类关键词向量、丁类关键词向量。对甲类关键词特征进行向量化处理，得到甲类关键词向量；对乙类关键词特征进行向量化处理，得到乙类关键词向量；对丙类关键词特征进行向量化处理，得到丙类关键词向量；对丁类关键词特征进行向量化处理，得到丁类关键词向量。
[0103]
在一些实施例的步骤s203中，平均词向量包括：甲类平均词向量、乙类平均词向量、丙类平均词向量、丁类平均词向量。对甲类关键词向量进行均值计算，得到甲类平均词向量；对乙类关键词向量进行均值计算，得到乙类平均词向量；对丙类关键词向量进行均值计算，得到丙类平均词向量；对丁类关键词向量进行均值计算，得到丁类平均词向量。
[0104]
在一些实施例的步骤s204中，将情绪类别和甲类平均词向量输入至预设的情绪识别模型进行情绪识别处理，得到甲类情绪特征；将情绪类别和乙类平均词向量输入至预设的情绪识别模型进行情绪识别处理，得到乙类情绪特征；将情绪类别和丙类平均词向量输入至预设的情绪识别模型进行情绪识别处理，得到丙类情绪特征；将情绪类别和丁类平均词向量输入至预设的情绪识别模型进行情绪识别处理，得到丁类情绪特征。甲类情绪特征表征沟通内容信息包含的文本中甲类关键词的数量；乙类情绪特征表征沟通内容信息包含的文本中乙类关键词的数量；丙类情绪特征表征沟通内容信息包含的文本中丙类关键词的数量；丁类情绪特征表征沟通内容信息包含的文本中丁类关键词的数量。
[0105]
在一些实施例中，请参阅图3，情绪识别模型包括：激活层和卷积层；步骤s204包括但不限于包括步骤s301至步骤s302：
[0106]
步骤s301，将情绪类别和平均词向量输入至激活层进行分类处理，得到对应情绪类别的情绪分类数据；
[0107]
步骤s302，将情绪分类数据输入至卷积层进行特征提取，得到情绪类别的情绪特征。
[0108]
本技术实施例的步骤s301至步骤s302，情绪识别模型的激活层根据情绪类别对平均词向量进行分类处理，得到对应情绪类别的情绪分类数据，并通过情绪识别模型的卷积层对情绪分类数据进行特征提取，得到各个情绪类别的情绪特征。通过情绪识别模型的激活层和卷积层完成情绪识别处理，提高情绪识别的效率。
[0109]
在一些实施例的步骤s301中，情绪分类数据包括：对应甲类情绪的第一分类数据、对应乙类情绪的第二分类数据、对应丙类情绪的第三分类数据、对应丁类情绪的第四分类数据。将情绪类别和甲类平均词向量输入至激活层进行分类处理，得到第一分类数据；将情绪类别和乙类平均词向量输入至激活层进行分类处理，得到第二分类数据；将情绪类别和丙类平均词向量输入至激活层进行分类处理，得到第三分类数据；将情绪类别和丁类平均词向量输入至激活层进行分类处理，得到第四分类数据。
[0110]
在一些实施例的步骤s302中，将第一分类数据输入至卷积层进行特征提取，得到甲类情绪特征；将第二分类数据输入至卷积层进行特征提取，得到乙类情绪特征；将第三分类数据输入至卷积层进行特征提取，得到丙类情绪特征；将第四分类数据输入至卷积层进行特征提取，得到丁类情绪特征。
[0111]
在一些实施例中，请参阅图4，在步骤s204之前，本技术实施例的投诉行为预测方法还包括：
[0112]
构建情绪识别模型，具体包括但不限于包括步骤s401至步骤s405：
[0113]
步骤s401，获取训练词特征；
[0114]
步骤s402，对训练词特征进行向量化处理，得到训练词向量；
[0115]
步骤s403，将情绪类别和训练词向量输入预设的情绪分类模型，得到对应情绪类别的训练分类数据；
[0116]
步骤s404，根据训练分类数据和预设的参考分类数据进行交叉熵损失计算，得到交叉熵损失值；
[0117]
步骤s405，根据交叉熵损失值对情绪分类模型进行参数调整，得到情绪识别模型。
[0118]
本技术实施例所示意的步骤s401至步骤s405，通过预设的训练文本进行模型训练，并根据训练得到的训练分类数据和预设的参考分类数据计算损失值，利用损失值对模型进行参数调整，以得到可以准确识别出情绪特征的情绪识别模型。
[0119]
在一些实施例的步骤s401中，选取预设关键词库中的部分或全部关键词作为训练词，构建训练词特征。即训练词同时包含甲类关键词、乙类关键词、丙类关键词、丁类关键词中的部分或全部词汇。
[0120]
在一些实施例的步骤s402中，对训练词特征进行向量化处理，以便于进行建模分析。
[0121]
在一些实施例的步骤s403中，选用全网络连接的roberta模型作为预设情绪分类模型进行训练。
[0122]
在一些实施例的步骤s404中，使用交叉熵损失函数进行损失值计算，能够更好地衡量训练分类数据和预设的参考分类数据之间的相似性，同时避免模型学习速率下降。
[0123]
在一些实施例的步骤s405中，根据计算得到的交叉熵损失值对模型参数进行调整，使模型的损失值变小至可接受的阈值范围内，得到情绪识别模型。
[0124]
在一些实施例中，参阅图5，目标沟通信息包括：沟通文本长度、沟通次数和沟通时长；目标沟通特征包括：文本长度特征、次数特征和时长特征，步骤s104包括但不限于包括步骤s501至步骤s503：
[0125]
步骤s501，对沟通文本长度进行特征提取，得到文本长度特征；
[0126]
步骤s502，对沟通次数进行特征提取，得到次数特征；
[0127]
步骤s503，对沟通时长进行特征提取，得到时长特征。
[0128]
本技术实施例的步骤s501至步骤s503，根据目标沟通信息构建文本长度特征、次数特征和时长特征，通过增加特征的种类以提高后续对目标用户的投诉行为进行预测的可靠性。在另一些实施例中，步骤s501至步骤s503的执行顺序不做具体限制。
[0129]
在一些实施例的步骤s501中，沟通文本长度是指沟通内容信息的文本长度，其表征了目标用户与克服人员在沟通过程中的意见内容量。
[0130]
在一些实施例的步骤s502中，若目标用户与客服人员采用电话沟通的方式，则通话次数即为沟通次数；若目标用户与客服人员采用软件进行线上沟通的方式，则根据预设发信时间阈值对目标用户发送的信息进行信息集合划分。发信时间间隔小于预设发信时间阈值的相邻两条信息视为目标用户在同一次沟通中发送的信息，需划分至同一信息集合；发信时间间隔大于预设发信时间阈值的相邻两条消息视为目标用户分别在两次沟通中发送的信息，需划分至两个不同的信息集合。所有信息集合的个数即为目标用户与客服人员的沟通次数。
[0131]
在一些实施例的步骤s503中，若目标用户与客服人员采用电话沟通的方式，则统计目标用户的语音时长，得到沟通时长；若目标用户与客服人员采用软件进行线上沟通的方式，则统计同一个信息集合中发送时刻最早和最晚的两个信息的时间跨度，得到沟通时长。
[0132]
示意性实施例，根据七个基础特征(甲类情绪特征、乙类情绪特征、丙类情绪特征、丁类情绪特征、文本长度特征、次数特征和时长特征)通过特征相乘的方式构建关联特征对，得到二十八个二维的关联特征对包括：[甲类情绪特征*甲类情绪特征]、[甲类情绪特征*乙类情绪特征]、[甲类情绪特征*丙类情绪特征]、[甲类情绪特征*丁类情绪特征]、[甲类情绪特征*文本长度特征]、[甲类情绪特征*次数特征]、[甲类情绪特征*时长特征]、[乙类情绪特征*乙类情绪特征]、[乙类情绪特征*丙类情绪特征]、[乙类情绪特征*丁类情绪特征]、[乙类情绪特征*文本长度特征]、[乙类情绪特征*次数特征]、[乙类情绪特征*时长特征]、[丙类情绪特征*丙类情绪特征]、[丙类情绪特征*丁类情绪特征]、[丙类情绪特征*文本长度特征]、[丙类情绪特征*次数特征]、[丙类情绪特征*时长特征]、[丁类情绪特征*丁类情绪特征]、[丁类情绪特征*文本长度特征]、[丁类情绪特征*次数特征]、[丁类情绪特征*时长特征]、[文本长度特征*文本长度特征]、[文本长度特征*次数特征]、[文本长度特征*时长特征]、[次数特征*次数特征]、[次数特征*时长特征]、[时长特征*时长特征]。将七个基础特征和二十八个二维的关联特征对向量化后输入至预设的行为预测模型进行投诉行为预测，得到目标行为数据。可以理解的是，还可以构建二维以上的关联特征对进行投诉行为预测，此处不做赘述。
[0133]
在一些实施例中，参照图6，步骤s107之前，本技术实施例的投诉行为预测方法还包括：
[0134]
构建行为预测模型，具体包括但不限于包括步骤s601至步骤s606：
[0135]
步骤s601，获取训练特征对；
[0136]
步骤s602，对训练特征对进行归一化，得到归一化特征对；
[0137]
步骤s603，对归一化特征对进行向量化，得到训练对向量；
[0138]
步骤s604，将训练对向量输入预设的风险预训练模型进行投诉行为预测，得到训
练行为数据；
[0139]
步骤s605，根据训练行为数据与预设的参考行为数据进行损失计算，得到分析损失值；
[0140]
步骤s606，根据分析损失值和预设学习率对风险预训练模型进行参数调整，得到行为预测模型。
[0141]
本技术实施例的步骤s601至步骤s606，通过预设的训练特征对进行模型训练，并根据训练得到的训练行为数据和预设的参考行为数据计算损失值，利用损失值对模型进行参数调整，以得到符合要求的行为预测模型。
[0142]
在一些实施例的步骤s601中，训练特征对为二维特征对，避免使用二维以上的特征进行模型训练增加模型复杂度，增加模型过拟合的风险。
[0143]
在一些实施例的步骤s602中，对训练特征对进行归一化以减小不同训练特征对之间的差异性。
[0144]
在一些实施例的步骤s603中，对归一化特征对进行向量化处理，以便于进行建模分析。
[0145]
在一些实施例的步骤s604中，选用lightbgm树模型作为预设的风险预训练模型，选择较高的学习率(例如0.1)进行模型训练。
[0146]
在一些实施例的步骤s605中，根据训练行为数据与预设的参考行为数据进行损失计算，衡量训练行为数据与预设的参考行为数据之间的相似性。
[0147]
在一些实施例的步骤s606中，根据分析损失值对lightbgm树模型进行决策树基本参数调整和正则化参数调整，同时下调学习率为预设学习率(例如0.05)，得到行为预测模型。
[0148]
在一些实施例中，请参阅图7，步骤s107之后，本技术实施例的投诉行为预测方法还包括但不限于包括步骤s701至步骤s702：
[0149]
步骤s701，将投诉概率参考值与预设概率阈值进行对比处理，得到对比结果；
[0150]
步骤s702，若对比结果表征投诉概率参考值高于预设概率阈值，则输出案件投诉预警信息。
[0151]
本技术实施例所示意的步骤s701至步骤s702，若目标行为数据表征的投诉概率参考值高于预设概率阈值，则说明目标用户关于目标案件产生投诉升级行为的可能性较高，此时输出投诉预警信息以提醒客服人员采取相关的措施。
[0152]
在一些实施例的步骤s701中，投诉概率参考值的范围为0至1，预设概率阈值为0.5。
[0153]
在一些实施例的步骤s702中，当投诉概率参考值大于0.5时，说明目标用户关于目标案件产生投诉升级行为的可能性较高；当投诉概率参考值小于0.5时，说明目标用户关于目标案件产生投诉升级行为的可能性较低。
[0154]
请参阅图8，本技术实施例还提供一种投诉行为预测装置，可以实现上述投诉行为预测方法，该装置包括：
[0155]
数据获取模块，用于获取目标案件数据，其中，目标案件数据包括目标沟通数据和目标沟通信息；目标案件数据通过记录目标对象关于目标案件的意见沟通过程得到；
[0156]
内容转换模块，用于对目标沟通数据进行内容转换，得到沟通内容信息；
[0157]
情绪识别模块，用于根据预设的情绪类别对沟通内容信息进行情绪识别处理，得到情绪类别的情绪特征；
[0158]
特征提取模块，用于对目标沟通信息进行特征提取，得到目标沟通特征；
[0159]
特征构建模块，用于根据情绪特征和目标沟通特征构建关联特征对；
[0160]
向量处理模块，用于对关联特征对进行向量化处理，得到特征对向量；
[0161]
行为预测模块，用于将特征对向量输入至预设的行为预测模型进行投诉行为预测，得到目标行为数据；其中，目标行为数据用于表征目标对象对目标案件产生投诉升级行为的投诉概率参考值。
[0162]
该投诉行为预测装置的具体实施方式与上述投诉行为预测方法的具体实施例基本相同，在此不再赘述。
[0163]
本技术实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述投诉行为预测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
[0164]
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0165]
处理器901，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)，或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0166]
存储器902，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本技术实施例的投诉行为预测方法；
[0167]
输入/输出接口903，用于实现信息输入及输出；
[0168]
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0169]
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
[0170]
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
[0171]
本技术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存储有计算机程序，该计算机程序被处理器执行时实现上述投诉行为预测方法。
[0172]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0173]
本技术实施例提供的投诉行为预测方法、投诉行为预测装置、电子设备及存储介质，其通过获取目标用户与客服人员沟通过程中的沟通数据和沟通信息，根据沟通数据表
征的沟通内容进行情绪识别，并对沟通信息进行特征提取，以便通过预设的行为预测模型对目标用户进行投诉行为预测得到目标行为数据，本技术的目标行为数据表征的投诉概率参考值大小不受客服人员的经验影响，具有较高的可靠性。
[0174]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0175]
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0176]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0177]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0178]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0179]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0180]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
[0181]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0182]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0183]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0184]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所做的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。

技术特征：
1.一种投诉行为预测方法，其特征在于，所述方法包括：获取目标案件数据，其中，所述目标案件数据包括目标沟通数据和目标沟通信息；所述目标案件数据通过记录目标对象关于目标案件的意见沟通过程得到；对所述目标沟通数据进行内容转换，得到沟通内容信息；根据预设的情绪类别对所述沟通内容信息进行情绪识别处理，得到所述情绪类别的情绪特征；对所述目标沟通信息进行特征提取，得到目标沟通特征；根据所述情绪特征和所述目标沟通特征构建关联特征对；对所述关联特征对进行向量化处理，得到特征对向量；将所述特征对向量输入至预设的行为预测模型进行投诉行为预测，得到目标行为数据；其中，所述目标行为数据用于表征所述目标对象对所述目标案件产生投诉升级行为的投诉概率参考值。2.根据权利要求1所述的方法，其特征在于，所述根据预设的情绪类别对所述沟通内容信息进行情绪识别处理，得到所述情绪类别的情绪特征的步骤包括：对所述沟通内容信息进行关键词提取，得到关键词特征；对所述关键词特征进行向量化处理，得到关键词向量；对所述关键词向量进行均值计算，得到平均词向量；将所述情绪类别和所述平均词向量输入至预设的情绪识别模型进行情绪识别处理，得到所述情绪类别的所述情绪特征。3.根据权利要求2所述的方法，其特征在于，所述情绪识别模型包括：激活层和卷积层；所述将所述情绪类别和所述平均词向量输入至预设的情绪识别模型进行情绪识别处理，得到所述情绪类别的所述情绪特征的步骤包括：将所述情绪类别和所述平均词向量输入至所述激活层进行分类处理，得到对应所述情绪类别的情绪分类数据；将所述情绪分类数据输入至所述卷积层进行特征提取，得到所述情绪类别的所述情绪特征。4.根据权利要求2所述的方法，其特征在于，在将所述情绪类别和所述平均词向量输入至预设的情绪识别模型进行情绪识别处理，得到所述情绪类别的所述情绪特征的步骤之前，所述方法还包括：构建所述情绪识别模型，具体包括：获取训练词特征；对所述训练词特征进行向量化处理，得到训练词向量；将所述情绪类别和所述训练词向量输入预设的情绪分类模型，得到对应所述情绪类别的训练分类数据；根据所述训练分类数据和预设的参考分类数据进行交叉熵损失计算，得到交叉熵损失值；根据所述交叉熵损失值对所述情绪分类模型进行参数调整，得到所述情绪识别模型。5.根据权利要求1所述的方法，其特征在于，所述目标沟通信息包括：沟通文本长度、沟通次数和沟通时长；所述目标沟通特征包括：文本长度特征、次数特征和时长特征，所述对
所述目标沟通信息进行特征提取，得到目标沟通特征的步骤包括：对所述沟通文本长度进行特征提取，得到所述文本长度特征；对所述沟通次数进行特征提取，得到所述次数特征；对所述沟通时长进行特征提取，得到所述时长特征。6.根据权利要求1所述的方法，其特征在于，所述将所述特征对向量输入至预设的行为预测模型进行投诉行为预测，得到目标行为数据的步骤之前，所述方法还包括：构建所述行为预测模型，具体包括：获取训练特征对；对所述训练特征对进行归一化，得到归一化特征对；对所述归一化特征对进行向量化，得到训练对向量；将所述训练对向量输入预设的风险预训练模型进行投诉行为预测，得到训练行为数据；根据所述训练行为数据与预设的参考行为数据进行损失计算，得到分析损失值；根据所述分析损失值和预设学习率对所述风险预训练模型进行参数调整，得到所述行为预测模型。7.根据权利要求1至6任一项所述的方法，其特征在于，所述将所述特征对向量输入至预设的行为预测模型进行投诉行为预测，得到目标行为数据的步骤之后，所述方法还包括：将所述投诉概率参考值与预设概率阈值进行对比处理，得到对比结果；若所述对比结果表征所述投诉概率参考值高于所述预设概率阈值，则输出案件投诉预警信息。8.一种投诉行为预测装置，其特征在于，所述装置包括：数据获取模块，所述数据获取模块用于获取目标案件数据，其中，所述目标案件数据包括目标沟通数据和目标沟通信息；所述目标案件数据通过记录目标对象关于目标案件的意见沟通过程得到；内容转换模块，所述内容转换模块用于对所述目标沟通数据进行内容转换，得到沟通内容信息；情绪识别模块，所述情绪识别模块用于根据预设的情绪类别对所述沟通内容信息进行情绪识别处理，得到所述情绪类别的情绪特征；特征提取模块，所述特征提取模块用于对所述目标沟通信息进行特征提取，得到目标沟通特征；特征构建模块，所述特征构建模块用于根据所述情绪特征和所述目标沟通特征构建关联特征对；向量处理模块，所述向量处理模块用于对所述关联特征对进行向量化处理，得到特征对向量；行为预测模块，所述行为预测模块用于将所述特征对向量输入至预设的行为预测模型进行投诉行为预测，得到目标行为数据；其中，所述目标行为数据用于表征所述目标对象对所述目标案件产生投诉升级行为的投诉概率参考值。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的投诉行为
预测方法。10.一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，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的投诉行为预测方法。

技术总结
本申请实施例提供了一种投诉行为预测方法和装置、电子设备及存储介质，属于人工智能和金融科技技术领域。该方法包括：获取目标案件数据；对目标沟通数据进行内容转换，得到沟通内容信息；根据预设的情绪类别对沟通内容信息进行情绪识别处理，得到情绪类别的情绪特征；对目标沟通信息进行特征提取，得到目标沟通特征；根据情绪特征和目标沟通特征构建关联特征对；对关联特征对进行向量化处理，得到特征对向量；将特征对向量输入至预设的行为预测模型进行投诉行为预测，得到目标行为数据。通过获取目标案件数据，以对目标用户进行投诉行为预测，不受客服人员的经验影响，具有较高的可靠性。可靠性。可靠性。


技术研发人员：欧阳升 王健宗 程宁
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.06.07
技术公布日：2023/8/28