呼入场景下的客户行为预测方法及装置

摘要

本发明提供一种呼入场景下的客户行为预测方法及装置，属于人工智能技术领域。该方法包括：从目标客户呼叫请求中提取目标客户呼入信息；根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为以推送对应的语音问题供客户选择；创建目标客户呼入预测规则包括：根据各目标客户呼入信息构建各目标客户特征数据后输入基于客户行为预测网络模型架构创建的客户行为预测网络模型中得到各目标客户预测行为，根据各目标客户呼入信息与各目标客户预测行为的对应关系创建目标客户呼入预测规则；客户行为预测网络模型架构通过客户特征搜索数据构建。本发明可以有效进行客户行为预测，精准定位客户诉求，降低客户呼入场景中人工客服的压力。

说明书

技术领域

本发明涉及人工智能技术领域，具体地，涉及一种呼入场景下的客户行为预测方法及装置。

背景技术

目前业界智能技术发展迅速，人工智能和语音识别的识别能力几乎接近真人场景，语音合成和视频合成技术更是高拟人化，全球各大互联网企业均已步入智能化时代，通过建设全渠道、全媒体、全流程智能服务平台实现智能化转型。另一方面，传统机器学习领域对于新场景开拓需要专业的机器学专家花费大量的精力进行算法和模型的构建和选择，对于非领域专业的其他从业人员设立了较高的门槛。

随着机器学习领域发展到新的阶段，NAS(Neural Architecture Search)技术出现，模型构建等重要步骤变得自动化，使得机器学习模型不需要过多的专业人员干预即可应用。NAS是机器学习领域深度神经网络技术一种自动化建模方法，AI一边学习了解大量的用户问题，一边学习记录用户行为轨迹及画像特征，再把两者结合建立搜索匹配模型，模型整体架构确认后，基于客户数据完成整体模型的训练。

呼入场景中“未答先知”功能实现的核心功能点在于准确预测当前通话中客户的行为信息。然而目前的呼入场景领域中往往采用传统规则匹配方法，尚未对客户特征进行有效建模，对用户特征判别单一，客户行为预测精度低，无法有效地进行客户行为筛选，无法精准定位客户诉求，导致客户呼入场景中转人工的数量激增，呼入人工客服压力较大。

发明内容

本发明实施例的主要目的在于提供一种呼入场景下的客户行为预测方法及装置，以有效进行客户行为预测，精准定位客户诉求，大幅提升智能问答效率，降低客户呼入场景中人工客服的压力。

为了实现上述目的，本发明实施例提供一种呼入场景下的客户行为预测方法，包括：

获取目标客户呼叫请求，从目标客户呼叫请求中提取目标客户呼入信息；

根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为，根据目标客户预测行为推送对应的语音问题供客户选择；其中，创建目标客户呼入预测规则的步骤包括：根据各目标客户呼入信息构建各目标客户特征数据，将各目标客户特征数据输入基于客户特征模型数据和客户行为预测网络模型架构创建的客户行为预测网络模型中，得到各目标客户预测行为，根据各目标客户呼入信息与各目标客户预测行为的对应关系创建目标客户呼入预测规则；客户行为预测网络模型架构通过客户特征训练搜索数据和客户特征验证搜索数据构建。

本发明实施例还提供一种呼入场景下的客户行为预测装置，包括：

目标客户呼入信息提取模块，用于信息获取目标客户呼叫请求，从目标客户呼叫请求中提取目标客户呼入信息；

预测行为确定模块，用于根据目标客户呼入预测规则确定所述目标客户呼入信息对应的目标客户预测行为，根据目标客户预测行为推送对应的语音问题供客户选择；其中，创建目标客户呼入预测规则的步骤包括：根据各目标客户呼入信息构建各目标客户特征数据，将各目标客户特征数据输入基于客户特征模型数据和客户行为预测网络模型架构创建的客户行为预测网络模型中，得到各目标客户预测行为，根据各目标客户呼入信息与各目标客户预测行为的对应关系创建目标客户呼入预测规则；客户行为预测网络模型架构通过客户特征训练搜索数据和客户特征验证搜索数据构建。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的呼入场景下的客户行为预测方法的步骤。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述的呼入场景下的客户行为预测方法的步骤。

本发明实施例的呼入场景下的客户行为预测方法及装置从目标客户呼叫请求中提取目标客户呼入信息，根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为以推送对应的语音问题供客户选择，可以有效进行客户行为预测，精准定位客户诉求，大幅提升智能问答效率，降低客户呼入场景中人工客服的压力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例中呼入场景下的客户行为预测方法的流程图；

图2是本发明实施例中构建客户行为预测网络模型架构的流程图；

图3是本发明另一实施例中构建客户行为预测网络模型架构的流程图；

图4是本发明实施例中初始单元的结构示意图；

图5是本发明实施例中各结构参数下初始单元的结构示意图；

图6是本发明实施例中经过多次迭代后各结构参数下单元的结构示意图；

图7是本发明实施例中目标结构参数下单元的结构示意图；

图8是本发明实施例中创建客户行为预测网络模型的流程图；

图9是本发明实施例中呼入场景下的客户行为预测装置的结构框图；

图10是本发明实施例中计算机设备的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

鉴于现有技术的客户行为预测精度低，无法有效地进行客户行为筛选，无法精准定位客户诉求，导致客户呼入场景中转人工的数量激增，呼入人工客服压力较大，本发明实施例提供一种呼入场景下的客户行为预测方法，基于呼入场景中客户基本信息和呼入信息两大维度进行特征选择，同时使用NAS技术选择自动化模型，并对自动搜索出的模型进行训练，最终利用训练后的模型在将要进入呼入场景中的客户群里进行快速的特征筛选，从而有效地进行客户行为预测，精准定位客户诉求，通过主动提问大幅提升智能问答效率，降低客户呼入场景中转人工的数量和呼入人工客服压力。以下结合附图对本发明进行详细说明。

图1是本发明实施例中呼入场景下的客户行为预测方法的流程图。如图1所示，呼入场景下的客户行为预测方法包括：

S101：获取目标客户呼叫请求，从目标客户呼叫请求中提取目标客户呼入信息。

S102：根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为，根据目标客户预测行为推送对应的语音问题供客户选择。

本发明实施例中的目标客户呼入预测规则在收到呼入请求前已经预先创建，包括各目标客户呼入信息和对应的目标客户预测行为。例如，当客户预测行为为信用卡业务时，在客户呼入时自动推送多个和信用卡业务相关的语音问题供客户选择，后期可根据客户选择的语音问题进行自动回复，可以降低客户呼入场景中转人工的数量和呼入人工客服压力。

其中，创建目标客户呼入预测规则的步骤包括：根据各目标客户呼入信息构建各目标客户特征数据，将各目标客户特征数据输入基于客户特征模型数据和客户行为预测网络模型架构创建的客户行为预测网络模型中，得到各目标客户预测行为，根据各目标客户呼入信息与各目标客户预测行为的对应关系创建目标客户呼入预测规则；客户行为预测网络模型架构通过客户特征训练搜索数据和客户特征验证搜索数据构建。

图1所示的呼入场景下的客户行为预测方法的执行主体可以为计算机。由图1所示的流程可知，本发明实施例的呼入场景下的客户行为预测方法从目标客户呼叫请求中提取目标客户呼入信息，根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为以推送对应的语音问题供客户选择，可以有效进行客户行为预测，精准定位客户诉求，大幅提升智能问答效率，降低客户呼入场景中人工客服的压力。

图2是本发明实施例中构建客户行为预测网络模型架构的流程图。图3是本发明另一实施例中构建客户行为预测网络模型架构的流程图。如图2-图3所示，构建客户行为预测网络模型架构包括：

执行如下迭代处理：

S201：根据客户特征训练搜索数据、客户特征训练搜索数据对应的客户行为实际搜索数据、各结构参数和各结构参数对应的权重确定训练损失函数。

一实施例中，S201包括：根据客户特征训练搜索数据、各结构参数和各结构参数对应的权重确定客户行为训练搜索数据；根据客户行为训练搜索数据和对应的客户行为实际搜索数据确定训练损失函数。

S202：根据客户特征验证搜索数据、客户特征验证搜索数据对应的客户行为实际搜索数据、各结构参数和各结构参数对应的权重确定验证损失函数。

一实施例中，S202包括：根据客户特征验证搜索数据、各结构参数和各结构参数对应的权重确定客户行为验证搜索数据；根据客户行为验证搜索数据和对应的客户行为实际搜索数据确定验证损失函数。

在执行S201和S202之前，还包括：

1、基于智能服务平台呼入场景中客户信息、通话明细和结果反馈等多种数据抽取有效特征数据，从客户基本数据和呼入数据两大维度进行特征选择，从客户基本数据中抽取客户性别、客户年龄、所在地区、教育程度、单位性质、婚姻状况、职业、行政级别、年收入、是否财富卡用户、是否金卡用户等作为客户特征数据；从呼入数据中抽取产品类型、咨询类型、通话时长、呼入时间、交互轮次、当日呼入次数、是否转人工等作为客户特征数据。

2、采用One-Hot Binary(独热二进制)的编码方式去处理客户特征数据。例如针对三个域的数据X＝[Date＝Wednesday,Gender＝Male,TaskType＝Financial]，Date(日期)有7个取值，可以把它编译为7维的二进制向量，其中只有Wednesday是1，其他都是0，因为它只有一个特征值；Gender(性别)有两维，其中一维是1；一共10种TaskType(任务来源)，选取理财产品(Financial)的取值是1，其他是0。则经过转换后的X为：

X＝[0,0,1,0,0,0,0|0,1|0,0,1,0,..0]。

最终所有的客户特征数据进行One-Hot Binary的编码会得到一个高维稀疏向量。将全天00:00-24:00时间以一小时为维度进行分割，所有客户特征数据按时间维度进行区分，从而建立二维特征矩阵X作为模型的输入。其中，客户特征数据用于构建客户行为预测网络模型架构和客户行为预测网络模型，目标客户特征数据用于输入已创建的客户行为预测网络模型中以预测全部目标客户对应的目标客户预测行为，因此客户特征数据所在的时间段早于目标客户特征数据，且客户特征数据的数量小于目标客户特征数据的数量。

3、将客户特征数据划分为用于构建客户行为预测网络模型架构的客户特征训练搜索数据和客户特征验证搜索数据以及用于创建客户行为预测网络模型的客户特征训练模型数据、客户特征验证模型数据和客户特征测试模型数据。其中，15％的客户特征数据为客户特征训练搜索数据，5％的客户特征数据为客户特征验证搜索数据，60％的客户特征数据为客户特征训练模型数据，10％的客户特征数据为客户特征验证模型数据，10％的客户特征数据为客户特征测试模型数据。

以S201为例，可以通过如下步骤确定客户行为训练搜索数据：

1、定义一个cell单元，可看成有向无环图，里面有N个节点，节点之间的边代表可能的操作(如：3×3的卷积)，初始化时节点之间的操作未知。

图4是本发明实施例中初始单元的结构示意图。图5是本发明实施例中各结构参数下初始单元的结构示意图。图6是本发明实施例中经过多次迭代后各结构参数下单元的结构示意图。图7是本发明实施例中目标结构参数下单元的结构示意图。如图4-图7所示，一个单元是一个由N个节点组成的有向无环图(有序的序列)。每一个(第i个)节点x

2、如图5所示，把离散搜索空间连续化，每个边为所有子操作的softmax权值叠加。单元的输出是通过对所有的上级节点合并得到的。每一个上级节点可以通过如下方式进行计算：

其中，x

假设O为候选操作的集合，每一个操作符代表函数o(*)作用于x

其中，

具体实施时，可以用L

其中，

S203：判断当前迭代次数是否达到预设结构迭代次数。

S204：当当前迭代次数达到预设结构迭代次数时，确定各结构参数中的最大值为目标结构参数，根据目标结构参数和对应的权重构建客户行为预测网络模型架构。

其中，预设结构迭代次数为100次。本发明基于随机种子随机进行4次训练，每次训练基于客户特征训练搜索数据和客户特征验证搜索数据迭代100次，从4次搜索训练中选择表现最优异的模块结构(单元)为最终模块结构。

具体实施时，可以通过如下公式确定目标结构参数：

如图6所示，各节点之间的多条边分别对应多个结构参数，线条的粗细代表结构参数的大小。图7仅保留最粗的线条，相当于确定各结构参数中的最大值为目标结构参数。

根据目标结构参数和对应的权重构建客户行为预测网络模型架构包括：根据目标结构参数和对应的权重构建目标单元，将多个单元按照预先设定的网络层数(layers)堆叠，形成最终的客户行为预测网络模型架构。

具体实施时，可以针对不同规模的数据和特征维度自适应快速自动搜索定制不同规模的模型。自动化网络结构搜索的最终目的是先训练出来一个cell(小模块，目标单元)，然后把cell相连构成一个大网络，而超参数layers(网络层数，网络模块数)可以控制有多少个cell相连，例如layers＝20，表示有20个cell前后相连，每个cell(模块)中存在网络通道(channel)数目以控制搜索模型的大小。

根据客户特征训练搜索数据和客户特征验证搜索数据的基础数据规模，可以通过网络模块数以及每个网络模块的网络通道数目控制客户行为预测网络模型架构的规模大小。对于数据较大场景，可以放大网络模块数和网络通道数目自动搜索出相对较大规模的模型以提升模型精度。与此相反，对于数据较小的场景，可以减少网络模块数和网络通道数目以提高模型自动化搜索的速度，最终搜索出与数据规模匹配的客户行为预测网络模型架构。

以layers＝20，网络通道数目为36的网络架构规模为例，网络训练需要基于客户特征训练搜索数据和客户特征验证搜索数据进行600次迭代，初始的输入数据批数(batchsize)为96。

S205：当当前迭代次数未达到预设结构迭代次数时，根据训练损失函数更新各结构参数对应的权重，根据验证损失函数和更新后的权重更新各结构参数，继续执行迭代处理。

具体实施时，可以通过联合双向优化更新子操作混合概率上的边对应的结构参数和权重，将结构参数

例如，在第k次迭代中，先给定当前结构(第k次迭代中的结构参数)

其中，ξ为该梯度下降的学习率，w

通过

其中，

本发明构建客户行为预测网络模型架构的流程并非在候选结构的离散集合中进行搜索，而是将搜索空间近似变化到连续空间，从而可以通过梯度下降的方式，进行连续空间的迭代训练优化，可以有效地缩短自动化网络搜索的时间，并节省大量的硬件资源。

图8是本发明实施例中创建客户行为预测网络模型的流程图。如图8所示，创建客户行为预测网络模型包括：

执行如下迭代处理：

S301：根据客户特征模型数据、目标结构参数和对应的权重确定客户行为模型数据。

其中，创建客户行为预测网络模型步骤中的客户特征模型数据为客户特征训练模型数据。

S302：根据客户行为模型数据和对应的客户行为实际数据确定模型损失函数。

S303：判断当前迭代次数是否达到预设模型迭代次数。

S304：当当前迭代次数达到预设模型迭代次数时，根据目标结构参数和对应的权重构建客户行为预测网络模型。

S305：当当前迭代次数未达到预设模型迭代次数时，根据模型损失函数更新目标结构参数对应的权重，继续执行迭代处理。

创建客户行为预测网络模型之后，还可以通过客户特征验证模型数据对客户行为预测网络模型进行验证，通过客户特征测试模型数据对客户行为预测网络模型进行测试。客户特征验证模型数据可以避免网络训练过程中的过拟合现象。如果客户特征训练模型数据的准确性提高了，但客户特征验证模型数据的准确性却保持不变或降低，则说明神经网络过拟合，应该停止训练。客户特征测试模型数据用于测试最终的户行为预测网络模型以确认网络的实际预测能力，可以对呼入场景下客户行为的命中成功率进行预测。

本发明实施例的具体流程如下：

1、根据客户特征训练搜索数据、各结构参数和各结构参数对应的权重确定客户行为训练搜索数据；根据客户行为训练搜索数据和对应的客户行为实际搜索数据确定训练损失函数。

2、根据客户特征验证搜索数据、各结构参数和各结构参数对应的权重确定客户行为验证搜索数据；根据客户行为验证搜索数据和对应的客户行为实际搜索数据确定验证损失函数。

3、当当前迭代次数达到预设结构迭代次数时，确定各结构参数中的最大值为目标结构参数，根据目标结构参数和对应的权重构建客户行为预测网络模型架构，否则根据训练损失函数更新各结构参数对应的权重，根据验证损失函数和更新后的权重更新各结构参数，返回步骤1。

4、根据客户特征模型数据、目标结构参数和对应的权重确定客户行为模型数据。

5、根据客户行为模型数据和对应的客户行为实际数据确定模型损失函数。

6、当当前迭代次数达到预设模型迭代次数时，根据目标结构参数和对应的权重构建客户行为预测网络模型，否则根据模型损失函数更新目标结构参数对应的权重，返回步骤4。

7、根据各目标客户呼入信息构建各目标客户特征数据，将各目标客户特征数据输入客户行为预测网络模型中，得到各目标客户预测行为。

8、根据各目标客户呼入信息与各目标客户预测行为的对应关系创建目标客户呼入预测规则。

9、获取目标客户呼叫请求，从目标客户呼叫请求中提取目标客户呼入信息。

10、根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为，根据目标客户预测行为推送对应的语音问题供客户选择。

综上，为解决呼入场景中的客户行为预测精度低，无法有效地进行客户特征筛选，无法精准定位客户诉求导致的客户呼入场景中转人工的数量激增，呼入人工客服压力较大的问题，本发明提供一种基呼入场景下的客户行为预测方法，基于智能服务平台呼入场景中客户信息、通话明细和结果反馈等多种数据抽取有效特征数据，抽取有效特征信息并建立相关训练数据集，验证数据集以及测试数据集以进行自动化模型选择，训练和预测。总结来说，本发明具有以下三个优点：

1、可以根据训练数据和验证数据自动搜索建立模型，节省人工建立模型的时间和精力。

2、针对不同规模的数据和特征维度，可以自适应快速自动搜索定制不同规模的模型。

3、通过模型训练及优化，可以在呼入场景中的客户群里进行快速的行为预测，从而有效地进行客户特征筛选，精准定位客户诉求，继而通过主动提问大幅提升智能问答效率，降低客户呼入场景中转人工的数量和呼入人工客服压力。

基于同一发明构思，本发明实施例还提供了一种呼入场景下的客户行为预测装置，由于该装置解决问题的原理与呼入场景下的客户行为预测方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。

图9是本发明实施例中呼入场景下的客户行为预测装置的结构框图。如图9所示，呼入场景下的客户行为预测装置包括：

目标客户呼入信息提取模块，用于信息获取目标客户呼叫请求，从目标客户呼叫请求中提取目标客户呼入信息；

预测行为确定模块，用于根据目标客户呼入预测规则确定所述目标客户呼入信息对应的目标客户预测行为，根据目标客户预测行为推送对应的语音问题供客户选择；其中，创建目标客户呼入预测规则的步骤包括：根据各目标客户呼入信息构建各目标客户特征数据，将各目标客户特征数据输入基于客户特征模型数据和客户行为预测网络模型架构创建的客户行为预测网络模型中，得到各目标客户预测行为，根据各目标客户呼入信息与各目标客户预测行为的对应关系创建目标客户呼入预测规则；客户行为预测网络模型架构通过客户特征训练搜索数据和客户特征验证搜索数据构建。

在其中一种实施例中，还包括网络模型架构构建模块，用于执行如下迭代处理：

根据客户特征训练搜索数据、客户特征训练搜索数据对应的客户行为实际搜索数据、各结构参数和各结构参数对应的权重确定训练损失函数；

根据客户特征验证搜索数据、客户特征验证搜索数据对应的客户行为实际搜索数据、各结构参数和各结构参数对应的权重确定验证损失函数；

当当前迭代次数达到预设结构迭代次数时，确定各结构参数中的最大值为目标结构参数，根据目标结构参数和对应的权重构建客户行为预测网络模型架构，否则根据训练损失函数更新各结构参数对应的权重，根据验证损失函数和更新后的权重更新各结构参数，继续执行迭代处理。

在其中一种实施例中，网络模型架构构建模块具体用于：

根据客户特征训练搜索数据、各结构参数和各结构参数对应的权重确定客户行为训练搜索数据；

根据客户行为训练搜索数据和对应的客户行为实际搜索数据确定训练损失函数；

根据客户特征验证搜索数据、各结构参数和各结构参数对应的权重确定客户行为验证搜索数据；

根据客户行为验证搜索数据和对应的客户行为实际搜索数据确定验证损失函数。

在其中一种实施例中，还包括网络模型创建模块，用于执行如下迭代处理：

根据客户特征模型数据、目标结构参数和对应的权重确定客户行为模型数据；

根据客户行为模型数据和对应的客户行为实际数据确定模型损失函数；

当当前迭代次数达到预设模型迭代次数时，根据目标结构参数和对应的权重构建客户行为预测网络模型，否则根据模型损失函数更新目标结构参数对应的权重，继续执行迭代处理。

综上，本发明实施例的呼入场景下的客户行为预测装置从目标客户呼叫请求中提取目标客户呼入信息，根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为以推送对应的语音问题供客户选择，可以有效进行客户行为预测，精准定位客户诉求，大幅提升智能问答效率，降低客户呼入场景中人工客服的压力。

本发明实施例还提供能够实现上述实施例中的呼入场景下的客户行为预测方法中全部步骤的一种计算机设备的具体实施方式。图10是本发明实施例中计算机设备的结构框图，参见图10，所述计算机设备具体包括如下内容：

处理器(processor)1001和存储器(memory)1002。

所述处理器1001用于调用所述存储器1002中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的呼入场景下的客户行为预测方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

获取目标客户呼叫请求，从目标客户呼叫请求中提取目标客户呼入信息；

根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为，根据目标客户预测行为推送对应的语音问题供客户选择；其中，创建目标客户呼入预测规则的步骤包括：根据各目标客户呼入信息构建各目标客户特征数据，将各目标客户特征数据输入基于客户特征模型数据和客户行为预测网络模型架构创建的客户行为预测网络模型中，得到各目标客户预测行为，根据各目标客户呼入信息与各目标客户预测行为的对应关系创建目标客户呼入预测规则；客户行为预测网络模型架构通过客户特征训练搜索数据和客户特征验证搜索数据构建。

综上，本发明实施例的计算机设备从目标客户呼叫请求中提取目标客户呼入信息，根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为以推送对应的语音问题供客户选择，可以有效进行客户行为预测，精准定位客户诉求，大幅提升智能问答效率，降低客户呼入场景中人工客服的压力。

本发明实施例还提供能够实现上述实施例中的呼入场景下的客户行为预测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的呼入场景下的客户行为预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

获取目标客户呼叫请求，从目标客户呼叫请求中提取目标客户呼入信息；

根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为，根据目标客户预测行为推送对应的语音问题供客户选择；其中，创建目标客户呼入预测规则的步骤包括：根据各目标客户呼入信息构建各目标客户特征数据，将各目标客户特征数据输入基于客户特征模型数据和客户行为预测网络模型架构创建的客户行为预测网络模型中，得到各目标客户预测行为，根据各目标客户呼入信息与各目标客户预测行为的对应关系创建目标客户呼入预测规则；客户行为预测网络模型架构通过客户特征训练搜索数据和客户特征验证搜索数据构建。

综上，本发明实施例的计算机可读存储介质从目标客户呼叫请求中提取目标客户呼入信息，根据目标客户呼入预测规则确定目标客户呼入信息对应的目标客户预测行为以推送对应的语音问题供客户选择，可以有效进行客户行为预测，精准定位客户诉求，大幅提升智能问答效率，降低客户呼入场景中人工客服的压力。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明实施例中所描述的各种说明性的逻辑块，或单元，或装置都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。