基于分層的排序機(jī)器學(xué)習(xí)模型的制作方法
【技術(shù)領(lǐng)域】
[0001] 本文中所討論的實(shí)施方式涉及基于分層的排序（HBS)機(jī)器學(xué)習(xí)模型。
【背景技術(shù)】
[0002] 機(jī)器學(xué)習(xí)是一種形式的人工智能，其用于使計(jì)算機(jī)能夠基于經(jīng)驗(yàn)數(shù)據(jù)來(lái)逐漸形成 行為。機(jī)器學(xué)習(xí)可以利用訓(xùn)練示例以捕獲這些示例的未知的隱含的概率分布的感興趣的特 征。訓(xùn)練數(shù)據(jù)可以被視為示出了所觀測(cè)變量之間的關(guān)系的示例。機(jī)器學(xué)習(xí)研宄的主要焦點(diǎn) 在于：自動(dòng)學(xué)習(xí)以識(shí)別復(fù)雜的模式并且基于數(shù)據(jù)做出智能的決策。
[0003] 機(jī)器學(xué)習(xí)的一個(gè)主要困難在于下述事實(shí)：給定所有可能的輸入，所有可能的行為 的集合太大，以致于不能被訓(xùn)練數(shù)據(jù)的集合所覆蓋。因此，機(jī)器學(xué)習(xí)模型必須從訓(xùn)練數(shù)據(jù)中 進(jìn)行歸納，以便能夠在新的案例中產(chǎn)生有用的輸出。
[0004] 機(jī)器學(xué)習(xí)的一個(gè)示例為傳統(tǒng)的結(jié)構(gòu)化預(yù)測(cè)（SP)。傳統(tǒng)的SP是一種針對(duì)依賴性輸 出的單模型方法。利用SP，一旦指定輸入特征向量X，則可以完全地指定單個(gè)正確的輸出向 量z。因此，給定輸入特征向量X，輸出向量z完全以輸入特征向量X為條件，并且輸出向量 zbpZy…）的不同輸出分量有條件地彼此獨(dú)立。因此，給定X的概率等于給定X和 冗2的z i的概率，或者p (z i I X) = Pb11 X，Z2)。然而，傳統(tǒng)的SP不能處理不同輸出分量之間的 相互依賴關(guān)系。另外，傳統(tǒng)的SP不能處理針對(duì)給定輸入具有多個(gè)正確的輸出決策的問(wèn)題。
[0005] 本文中要求保護(hù)的主題不限于解決任何缺點(diǎn)或者僅在例如上述那些的環(huán)境中操 作的實(shí)施方式。而是，該背景僅被提供用于示出其中可以實(shí)踐本文中所描述的一些實(shí)施方 式的一個(gè)示例技術(shù)。

【發(fā)明內(nèi)容】

[0006] 總體上，本文中所描述的示例實(shí)施方式涉及采用基于分層的排序（HBS)機(jī)器學(xué)習(xí) 模型來(lái)預(yù)測(cè)多輸出依賴性（MOD)輸出決策的多個(gè)相互依賴的輸出分量的方法。本文中所公 開(kāi)的示例方法可以用于解決MOD問(wèn)題。
[0007] 在一個(gè)示例實(shí)施方式中，一種方法包括：采用機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)MOD輸出決策 的多個(gè)相互依賴的輸出分量。
[0008] 在另一示例實(shí)施方式中，一種方法包括：采用機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)多輸出依賴性 (MOD)輸出決策的多個(gè)相互依賴的不同類型的輸出分量。在該示例中，所述采用包括：使用 輸入來(lái)預(yù)測(cè)所述輸出分量中的第一輸出分量；以及使用與在預(yù)測(cè)所述輸出分量中的所述第 一輸出分量時(shí)所使用的相同的輸入并且使用所述輸出分量中的所述第一輸出分量來(lái)預(yù)測(cè) 所述輸出分量中的第二輸出分量。在該不例中，所述方法可以產(chǎn)生多個(gè)正確的MOD輸出決 策，并且所述多個(gè)正確的MOD輸出決策中的每一個(gè)可以具有基本上相似的輸出值。
[0009] 在另一示例實(shí)施方式中，一種采用HBS機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)MOD輸出決策的多個(gè) 相互依賴的輸出分量的方法包括：確定針對(duì)MOD輸出決策的多個(gè)相互依賴的輸出分量的次 序。所述方法還可以包括：按照所選擇的次序來(lái)順序地訓(xùn)練針對(duì)每個(gè)分量的分類器，以基于 輸入并且基于任何之前的所預(yù)測(cè)的分量來(lái)預(yù)測(cè)所述分量。
[0010] 在另一示例實(shí)施方式中，一種采用HBS機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)MOD輸出決策的多個(gè) 相互依賴的輸出分量的方法包括：選擇針對(duì)MOD輸出決策的多個(gè)相互依賴的不同類型的輸 出分量的次序；以及按照所選擇的次序來(lái)順序地訓(xùn)練針對(duì)所述輸出分量中的每個(gè)輸出分量 的分類器，以使用與在訓(xùn)練一個(gè)或更多個(gè)其他分類器中的所有分類器時(shí)所使用的相同的輸 入并且使用任何之前的所預(yù)測(cè)的輸出分量來(lái)預(yù)測(cè)所述輸出分量。在該示例中，每個(gè)分類器 可以包括多層感知（MLP)神經(jīng)網(wǎng)絡(luò)、另外的多層神經(jīng)網(wǎng)絡(luò)、決策樹(shù)或者支持向量機(jī)。
[0011] 而且，在以上示例中，所述輸入可以包括具有兩個(gè)或更多個(gè)特征的輸入特征向量。 所述輸入特征向量可以包括關(guān)于潛在客戶的恒定特征以及與代理者與潛在客戶之間的交 互有關(guān)的交互特征，所述輸入特征向量中的特征包括以下各項(xiàng)中的一項(xiàng)或更多項(xiàng)：潛在客 戶源；潛在客戶的頭銜；潛在客戶的行業(yè)；潛在客戶所在州；潛在客戶的創(chuàng)建日期；潛在客 戶的公司規(guī)模；潛在客戶的狀態(tài)；之前的撥號(hào)次數(shù)；之前的電子郵件數(shù)目；之前的動(dòng)作；自 上次動(dòng)作之后的小時(shí)數(shù)；響應(yīng)代理者的頭銜；響應(yīng)方法；響應(yīng)消息類型；響應(yīng)定時(shí)；代理者 或潛在客戶的人口統(tǒng)計(jì)簡(jiǎn)檔；代理者或潛在客戶的組織簡(jiǎn)檔；代理者或潛在客戶的心理簡(jiǎn) 檔；代理者或潛在客戶的社交網(wǎng)絡(luò)簡(jiǎn)檔；代理者或潛在客戶的地理簡(jiǎn)檔；響應(yīng)頻率；響應(yīng)持 續(xù)性；以及關(guān)于當(dāng)前事件的數(shù)據(jù)。MOD輸出決策可以為潛在客戶響應(yīng)管理（LRM)MOD輸出決 策，并且所述分量包括以下各項(xiàng)中的一項(xiàng)或更多項(xiàng)：響應(yīng)代理者的頭銜；響應(yīng)方法；響應(yīng)消 息類型；響應(yīng)定時(shí)；代理者或潛在客戶的人口統(tǒng)計(jì)簡(jiǎn)檔；代理者或潛在客戶的組織簡(jiǎn)檔；潛 在客戶聯(lián)系人頭銜；代理者或潛在客戶的心理簡(jiǎn)檔；代理者或潛在客戶的社交網(wǎng)絡(luò)簡(jiǎn)檔； 代理者或潛在客戶的地理簡(jiǎn)檔；響應(yīng)頻率；以及響應(yīng)持續(xù)性。
[0012] 在另一示例實(shí)施方式中，一種采用HBS機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)MOD輸出決策的多個(gè) 相互依賴的輸出分量的方法可以包括：選擇針對(duì)MOD輸出決策的多個(gè)相互依賴的輸出分量 的次序。所述方法還可以包括：按照所選擇的次序、基于輸入來(lái)訓(xùn)練第一分類器以預(yù)測(cè)第一 分量。所述方法還可以包括：按照所選擇的次序、基于所述輸入并且基于所預(yù)測(cè)的第一分量 來(lái)訓(xùn)練第二分類器以預(yù)測(cè)第二分量。
[0013] 在另一示例實(shí)施方式中，一種采用HBS機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)MOD輸出決策的多個(gè) 相互依賴的輸出分量的方法可以包括：選擇針對(duì)MOD輸出決策的多個(gè)相互依賴的輸出分量 的次序。所述方法還可以包括：按照所選擇的次序、基于輸入來(lái)訓(xùn)練第一分類器以預(yù)測(cè)第一 分量。所述方法還可以包括：按照所選擇的次序、基于所述輸入并且基于所預(yù)測(cè)的第一分量 來(lái)訓(xùn)練第二分類器以預(yù)測(cè)第二分量。
[0014] 在另一示例實(shí)施方式中，一種采用HBS機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)MOD輸出決策的多個(gè) 相互依賴的輸出分量的方法可以包括：選擇針對(duì)MOD輸出決策的多個(gè)相互依賴的不同類型 的輸出分量的次序；按照所選擇的次序、使用輸入來(lái)訓(xùn)練第一分類器以預(yù)測(cè)第一分量；以 及按照所選擇的次序、使用與在訓(xùn)練所述第一分類器時(shí)所使用的相同的輸入并且使用所預(yù) 測(cè)的第一分量來(lái)訓(xùn)練第二分類器以預(yù)測(cè)第二分量。
[0015] 而且，在以上示例中，所述方法還可以包括：按照所選擇的次序、使用與在訓(xùn)練其 他分類器中的所有分類器時(shí)所使用的相同的輸入并且使用之前的所預(yù)測(cè)的輸出分量來(lái)訓(xùn) 練一個(gè)或更多個(gè)另外的分類器以預(yù)測(cè)一個(gè)或更多個(gè)另外的分量。
[0016] 另外，在以上示例中，所述分量可以包括以下各項(xiàng)中的一項(xiàng)或更多項(xiàng)：響應(yīng)代理者 的頭銜；響應(yīng)方法；響應(yīng)消息類型；響應(yīng)定時(shí)；代理者或潛在客戶的人口統(tǒng)計(jì)簡(jiǎn)檔；代理者 或潛在客戶的組織簡(jiǎn)檔；潛在客戶聯(lián)系人頭銜；代理者或潛在客戶的心理簡(jiǎn)檔；代理者或 潛在客戶的社交網(wǎng)絡(luò)簡(jiǎn)檔；代理者或潛在客戶的地理簡(jiǎn)檔；響應(yīng)頻率；以及響應(yīng)持續(xù)性。而 且，MOD輸出決策可以涉及體育、人質(zhì)談判、零售、網(wǎng)上購(gòu)物系統(tǒng)、網(wǎng)絡(luò)內(nèi)容管理系統(tǒng)、客戶服 務(wù)、合同談判或危機(jī)管理或者其一定組合。
[0017] 要理解的是，如所要求保護(hù)的，前述的總體描述以及以下的詳細(xì)描述二者均為示 例性和說(shuō)明性的而非限制本發(fā)明。
【附圖說(shuō)明】
[0018] 將通過(guò)使用附圖來(lái)更加明確且詳細(xì)地描述和說(shuō)明示例實(shí)施方式，在附圖中：
[0019] 圖1是示出包括示例聯(lián)系服務(wù)器的示例潛在客戶響應(yīng)管理（LRM)系統(tǒng)的示意性框 圖；
[0020] 圖2是示出圖1的示例聯(lián)系服務(wù)器的另外的細(xì)節(jié)的示意性框圖；
[0021] 圖3A是示出示例的基于分層的排序（HBS)機(jī)器學(xué)習(xí)模型的示意性流程圖；
[0022] 圖3B是示出示例輸入特征向量的文本圖；
[0023] 圖3C是示出用于基于圖3B的示例輸入特征向量來(lái)預(yù)測(cè)第一相互依賴的輸出分量 的第一示例多層感知（MLP)神經(jīng)網(wǎng)絡(luò)的示意性流程圖；
[0024] 圖3D是示出用于基于圖3B的示例輸入特征向量并且基于圖3C的所預(yù)測(cè)的第一 相互依賴的輸出分量來(lái)預(yù)測(cè)第二相互依賴的輸出分量的第二示例MLP神經(jīng)網(wǎng)絡(luò)的示意性 流程圖；
[0025] 圖4是采用HBS機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)多輸出依賴性（MOD)輸出決策的多個(gè)相互依 賴的輸出分量的示例方法的示意性流程圖；
[0026] 圖5是多個(gè)正確的MOD輸出決策的示意性流程圖；
[0027] 圖6示出了示例客戶關(guān)系管理（CRM)系統(tǒng)的用戶界面的示例計(jì)算機(jī)屏幕圖像；
[0028] 圖7示出了示例LRM系統(tǒng)的用戶界面的示例計(jì)算