号码的评估方法及装置

摘要

本公开是关于号码的评估方法及装置。该方法包括：获取待呼叫号码的各个呼叫参数信息；呼叫参数信息包括：呼叫参数类型和与呼叫参数类型对应的参数值；然后根据各个呼叫参数类型对应的各个参数值和预设推荐表获取待呼叫号码的各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数；最后，根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取待呼叫号码的实时总呼叫推荐值，其中，可以利用多种呼叫参数类型的数据源，从多维度对待呼叫号码进行分析，而不是依赖单一数据源，这样就可以根据企业不同业务需求，给出不同推荐值，帮助企业减少对用户的打扰行为。

说明书

技术领域

本公开涉及通信技术领域，尤其涉及号码的评估方法及装置。

背景技术

当前一些号码服务商企业利用已知的(被运营商下发治理过的)投诉人号码作为外呼前的黑名单使用，这些投诉人号码他们外呼前均过滤掉不去拨打。该举措较为落后且数据反馈不够实时，也会对营业正常业务开展造成损失，急需有一套事前的、实时的、覆盖范围广、数据精准的算法产品解决当前的号码外呼问题。

发明内容

为克服相关技术中存在的问题，本公开实施例提供号码的评估方法及装置。所述技术方案如下：

根据本公开实施例的第一方面，提供

获取待呼叫号码的各个呼叫参数信息；所述呼叫参数信息包括：呼叫参数类型和与所述呼叫参数类型对应的数值；

根据各个所述呼叫参数类型对应的各个参数值和预设推荐表获取所述待呼叫号码的各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数；所述预设推荐表中包括：各个所述呼叫参数类型对应的各个参数值、各个所述呼叫参数类型对应的各个参数值的理论推荐值和各个所述呼叫参数类型对应的各个参数值的权重值系数的对应关系；

根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值。

本公开的实施例提供的技术方案可以包括以下有益效果：本公开中，会获取待呼叫号码的各个呼叫参数信息；呼叫参数信息包括：呼叫参数类型和与呼叫参数类型对应的参数值；然后根据各个呼叫参数类型对应的各个参数值和预设推荐表获取待呼叫号码的各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数；最后，根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取待呼叫号码的实时总呼叫推荐值，其中，可以利用多种呼叫参数类型的数据源，从多维度对待呼叫号码进行分析，而不是依赖单一数据源，这样就可以根据企业不同业务需求，给出不同推荐值，帮助企业减少对用户的打扰行为。

在一个实施例中，所述获取待呼叫号码的各个呼叫参数信息之前，所述方法还包括：

获取各个样本号码对应的呼叫参数信息；

根据所述各个样本号码对应的呼叫参数信息训练支持向量机模型，获取各个所述呼叫参数类型对应的总推荐值；

获取各个所述呼叫参数类型对应的权重值系数；

至少根据所述各个所述呼叫参数类型对应的总推荐值和各个所述呼叫参数类型对应的权重值系数获取所述预设推荐表。

在一个实施例中，所述至少根据所述各个所述呼叫参数类型对应的总推荐值和各个所述呼叫参数类型对应的权重值系数获取所述预设推荐表，包括：

将各个所述呼叫参数类型对应的所有参数值划分为多个理论区间，每个所述理论区间包括多个所述呼叫参数类型对应的参数值；

根据所述呼叫参数类型对应的总推荐值、所述呼叫参数类型对应的总理论区间数和所述呼叫参数类型的参数值所在的理论区间数获取所述呼叫参数类型的参数值对应的理论推荐值；

将各个所述呼叫参数类型对应的所述所有参数值划分为多个降权区间，每个所述降权区间包括多个所述呼叫参数类型对应的参数值；

根据第一预设规则和所述呼叫参数类型的参数值所在的降权区间数获取所述呼叫参数类型的参数值对应的权重值系数。

在一个实施例中，所述根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值，包括：

获取总理论推荐值；所述总理论推荐值为各个呼叫参数类型对应的理论推荐值之和；

获取总权重值系数；所述总权重值系数为各个呼叫参数类型对应权重值系数的乘积；

获取所述总理论推荐值与所述总权重值系数的乘积为所述实时总呼叫推荐值。

在一个实施例中，所述呼叫参数类型包括：业务类型、企业拨打营销电话的密度、被呼叫用户的所在地域投诉情况、被叫用户是否本身带有负面标记、被叫用户生产服务标记、被叫用户是否属于靓号，以及靓号的程度、被叫用户的号码活跃度、被叫用户与企业业务行业联系程度、被叫用户与企业业务本身联系程度、被叫用户与企业业务地理关系、被叫用户对陌生号码敏感程度、企业自身黑名单库、被叫用户与投诉机构是否有联系、谢绝来电登记情况。

在一个实施例中，在所述呼叫参数类型为企业自身黑名单库、被叫用户与投诉机构是否有联系和dnc登记情况；

所述根据所述呼叫参数类型对应的总推荐值、所述呼叫参数类型对应的总理论区间数和所述呼叫参数类型的参数值所在的理论区间数获取所述呼叫参数类型的参数值对应的理论推荐值，包括：

若号码在所述企业自身黑名单库中，或，所述号码与投诉机构有联系，或，所述号码在谢绝来电有登记，则对应的理论区间为第一区间；

若号码未在所述企业自身黑名单库中，或，所述号码与投诉机构没有联系，或，所述号码在谢绝来电没有登记，则对应的理论区间为第二区间；

其中，所述第一区间对应的理论推荐值为0，所述第二区间对应的理论推荐值为所述呼叫参数类型对应的总推荐值；

所述根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值，包括：

若所述企业自身黑名单库、所述被叫用户与投诉机构是否有联系或所述 dnc登记情况对应的所述理论推荐值为0，则所述待呼叫号码的实时总呼叫推荐值为0。

根据本公开实施例的第二方面，提供一种号码的评估装置，包括：

第一获取模块，用于获取待呼叫号码的各个呼叫参数信息；所述呼叫参数信息包括：呼叫参数类型和与所述呼叫参数类型对应的数值；

第二获取模块，用于根据各个所述呼叫参数类型对应的各个参数值和预设推荐表获取所述待呼叫号码的各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数；所述预设推荐表中包括：各个所述呼叫参数类型对应的各个参数值、各个所述呼叫参数类型对应的各个参数值的理论推荐值和各个所述呼叫参数类型对应的各个参数值的权重值系数的对应关系；

第三获取模块，用于根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值。

在一个实施例中，所述装置还包括：

第三获取模块，用于在第一获取模块获取待呼叫号码的各个呼叫参数信息之前，获取各个样本号码对应的呼叫参数信息；

第四获取模块，用于根据所述各个样本号码对应的呼叫参数信息训练支持向量机模型，获取各个所述呼叫参数类型对应的总推荐值；

第五获取模块，用于获取各个所述呼叫参数类型对应的权重值系数；

第六获取模块，用于至少根据所述各个所述呼叫参数类型对应的总推荐值和各个所述呼叫参数类型对应的权重值系数获取所述预设推荐表。

在一个实施例中，所述第六获取模块，包括：

第一划分子模块，用于将各个所述呼叫参数类型对应的所有参数值划分为多个理论区间，每个所述理论区间包括多个所述呼叫参数类型对应的参数值；

第一获取子模块，用于根据所述呼叫参数类型对应的总推荐值、所述呼叫参数类型对应的总理论区间数和所述呼叫参数类型的参数值所在的理论区间数获取所述呼叫参数类型的参数值对应的理论推荐值；

第二划分子模块，用于将各个所述呼叫参数类型对应的所述所有参数值划分为多个降权区间，每个所述降权区间包括多个所述呼叫参数类型对应的参数值；

第二获取子模块，用于根据第一预设规则和所述呼叫参数类型的参数值所在的降权区间数获取所述呼叫参数类型的参数值对应的权重值系数。

在一个实施例中，所述第三获取模块包括：

第四获取子模块，用于获取总理论推荐值；所述总理论推荐值为各个呼叫参数类型对应的理论推荐值之和；

第五获取子模块，用于获取总权重值系数；所述总权重值系数为各个呼叫参数类型对应权重值系数的乘积；

第六获取子模块，用于获取所述总理论推荐值与所述总权重值系数的乘积为所述实时总呼叫推荐值。

在一个实施例中，所述呼叫参数类型包括：业务类型、企业拨打营销电话的密度、被呼叫用户的所在地域投诉情况、被叫用户是否本身带有负面标记、被叫用户生产服务标记、被叫用户是否属于靓号，以及靓号的程度、被叫用户的号码活跃度、被叫用户与企业业务行业联系程度、被叫用户与企业业务本身联系程度、被叫用户与企业业务地理关系、被叫用户对陌生号码敏感程度、企业自身黑名单库、被叫用户与投诉机构是否有联系、谢绝来电登记情况。

在一个实施例中，在所述呼叫参数类型为企业自身黑名单库、被叫用户与投诉机构是否有联系和dnc登记情况；

所述第一获取子模块，包括：

第一确定子单元，用于若号码在所述企业自身黑名单库中，或，所述号码与投诉机构有联系，或，所述号码在谢绝来电有登记，则对应的理论区间为第一区间；

第二确定子单元，用于若号码未在所述企业自身黑名单库中，或，所述号码与投诉机构没有联系，或，所述号码在谢绝来电没有登记，则对应的理论区间为第二区间；

其中，所述第一区间对应的理论推荐值为0，所述第二区间对应的理论推荐值为所述呼叫参数类型对应的总推荐值；

所述第三获取模块，包括：

确定子模块，用于若所述企业自身黑名单库、所述被叫用户与投诉机构是否有联系或所述dnc登记情况对应的所述理论推荐值为0，则所述待呼叫号码的实时总呼叫推荐值为0。

根据本公开实施例的第三方面，提供一种号码的评估装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取待呼叫号码的各个呼叫参数信息；所述呼叫参数信息包括：呼叫参数类型和与所述呼叫参数类型对应的数值；

根据各个所述呼叫参数类型对应的各个参数值和预设推荐表获取所述待呼叫号码的各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数；所述预设推荐表中包括：各个所述呼叫参数类型对应的各个参数值、各个所述呼叫参数类型对应的各个参数值的理论推荐值和各个所述呼叫参数类型对应的各个参数值的权重值系数的对应关系；

根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项所述方法的步骤。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的号码的评估方法的流程图。

图2是根据一示例性实施例示出的号码的评估方法的流程图。

图3是根据一示例性实施例一示出的号码的评估方法的流程图。

图4是根据一示例性实施例示出的一种号码的评估装置的框图。

图5是根据一示例性实施例示出的一种用于号码的评估装置80的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

随着近年来骚扰电话对人们正常生活造成的影响加重，监管部门不断加大对骚扰电话的治理力度，同时社会企业也对自有业务在外呼前的技术能力防控或运营策略加强改善。

电话邦自2012年成立之初便深耕通信行业，致力于整治骚扰、诈骗电话，具有丰富的通信数据处理经验及领先技术，基于目前通信行业现状，电话邦联合呼叫中心、外呼企业、互联网安全软件企业、移动智能终端等行业企业，联合倡议成立“智能防骚扰服务平台”(以下简称“平台”)，在个人用户权益保护和营销企业合法推广服务间寻求平衡，并为企业提供一种合理的通讯解决方案。

智能防骚扰服务平台，可以通过大数据算法分析及数据挖掘，预测企业即将外呼的用户号码风险指数，减少无意向、高敏感、疑似失效等用户号码的拨打，提升企业号码运营的效率。

当前一些号码服务商企业利用已知的(被运营商下发治理过的)投诉人号码作为外呼前的黑名单使用，这些投诉人号码他们外呼前均过滤掉不去拨打。该举措较为落后且数据反馈不够实时，也会对营业正常业务开展造成损失，急需有一套事前的、实时的、覆盖范围广、数据精准的算法产品解决当前的号码外呼问题。

首先介绍本公开中的名词：

号码：电话号码；

号段：手机号码或者固定电话号码，去掉最后两位；

号码归属地：号码的固定的区域分布，这个区域就是号码归属地；

生活标记：标记类型为快递送餐、出租车司机中的一种；

负面标记：标记类型为中介、推销、骚扰电话、招聘猎头、疑似诈骗中的；

拨打密度：在给定的时间段内，通话量除时间；

靓号：又称“吉祥号码”，泛指阿拉伯数字组成的连续相同的易于记忆的号码；

靓号程度：易于记忆的程度；

号码活跃度：在给定的时间段内的通话量；

降权：最后推荐值会乘以一个小于1大于0的百分值；

加权：最后推荐值会乘以一个大于1的百分值；

平方：是一种运算，比如，a的平方表示a×a，简写成a2；

正态分布：又名高斯分布(英语：Gaussian distribution)、正规分布，是一个非常常见的连续机率分布。

支持向量机(Support Vector Machine,SVM)：是一类按监督学习 (supervisedlearning)方式对数据进行二元分类的广义线性分类器(generalized linearclassifier)，其决策边界是对学习样本求解的最大边距超平面 (maximum-marginhyperplane)；

投诉机构：投诉处理机构；

dnc登记：谢绝来电登记。

图1是根据一示例性实施例示出的号码的评估方法的流程图，如图1所示，该方法包括以下步骤S101-S103：

在步骤S101中，获取待呼叫号码的各个呼叫参数信息；呼叫参数信息包括：呼叫参数类型和与呼叫参数类型对应的参数值；

示例的，呼叫参数类型包括：业务类型、企业拨打营销电话的时间、被呼叫用户的所在地域投诉情况、被叫用户是否本身带有负面标记、被叫用户生产服务标记、被叫用户是否属于靓号，以及靓号的程度、被叫用户的号码活跃度、被叫用户与企业业务行业联系程度、被叫用户与企业业务本身联系程度、被叫用户与企业业务地理关系、被叫用户对陌生号码敏感程度、企业自身黑名单库、被叫用户与投诉机构是否有联系、dnc登记情况。

在步骤S102中，根据待呼叫号码的各个呼叫参数类型对应的各个参数值和预设推荐表获取待呼叫号码的各个呼叫参数类型对应的理论推荐值和权重值系数；预设推荐表中包括：各个呼叫参数类型对应的各个参数值、各个呼叫参数类型对应的各个参数值的理论推荐值和各个呼叫参数类型对应的各个参数值的权重值系数的对应关系；

在步骤S103中，根据待呼叫号码的各个呼叫参数类型对应的理论推荐值和权重值系数获取待呼叫号码的实时总呼叫推荐值。

在一个实施例中，如图2所示，上述步骤S103包括以下子步骤 1031-1033：

在步骤S1031中，获取总理论推荐值；总理论推荐值为各个呼叫参数类型对应的理论推荐值之和；

在步骤S1023中，获取总权重值系数；总权重值系数为各个呼叫参数类型对应权重值系数的乘积；

在步骤S1033中，获取总理论推荐值与所述总权重值系数的乘积为实时总呼叫推荐值。

本公开中，会获取待呼叫号码的各个呼叫参数信息；呼叫参数信息包括：呼叫参数类型和与呼叫参数类型对应的参数值；然后根据各个呼叫参数类型对应的各个参数值和预设推荐表获取待呼叫号码的各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数；最后，根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取待呼叫号码的实时总呼叫推荐值，其中，可以利用多种呼叫参数类型的数据源，从多维度对待呼叫号码进行分析，而不是依赖单一数据源，这样就可以根据企业不同业务需求，给出不同推荐值，帮助企业减少对用户的打扰行为。

在一种可实现方式中，如图3所示，在步骤S101之前，上述方法还包括以下步骤104-107：

在步骤S104中，获取各个样本号码对应的呼叫参数信息；

在步骤S105中，根据各个样本号码对应的呼叫参数信息训练支持向量机模型，获取各个呼叫参数类型对应的总推荐值；

本公开中，用上述各呼叫参数类型为特征，运用机器学习中的支持向量机模型训练样本数据，最后获得的模型权重系数即为我们各维度推荐值比值；然后基于给出的预设总推荐值便可以得到各个所述呼叫参数类型对应的总推荐值。

例如：得到的各个所述呼叫参数类型对应的推荐值比值如表1所示：

表1各个所述呼叫参数类型对应的推荐值比值

例如：预设总推荐值为860分，则得到的各个所述呼叫参数类型对应的总推荐值如表2所示：

表2各个所述呼叫参数类型对应的总推荐值

在步骤S106中，根据各个样本号码对应的呼叫参数信息获取各个呼叫参数类型对应的权重值系数；

具体的，步骤S106包括以下子步骤A1-A2：

A1，将各个呼叫参数类型对应的所有参数值划分为多个降权区间，每个降权区间包括多个呼叫参数类型对应的参数值；

A2，根据第一预设规则和呼叫参数类型的参数值所在的降权区间数获取呼叫参数类型的参数值对应的权重值系数。

以呼叫参数类型为企业拨打营销电话的密度为例进行说明，如表3所示，将企业拨打营销电话的密度对应的所有参数值划分为5个降权区间，第一预设规则为：权重值系数＝1–10％*降权区间*2，那么，如表3所示，呼叫参数类型的参数值为0和1时对应的降权区间为0，对应的降权系数为100％，依次类推。

表3企业拨打营销电话的密度的权重值系数表

在步骤S107中，至少根据各个呼叫参数类型对应的总推荐值和各个呼叫参数类型的参数值对应的权重值系数获取预设推荐表。

在一个实施例中，上述步骤S107包括以下子步骤B1-B2：

B1，将各个呼叫参数类型对应的所有参数值划分为多个理论区间，每个理论区间包括多个呼叫参数类型对应的参数值；

B2，根据呼叫参数类型对应的总推荐值、呼叫参数类型对应的总理论区间数和呼叫参数类型的参数值所在的理论区间数获取呼叫参数类型的参数值对应的理论推荐值。

以呼叫参数类型为被呼叫用户的所在地域投诉情况为例进行说明，如表 4所示，被呼叫用户的所在地域投诉情况的总推荐值为60；根据公式：理论推荐值＝总推荐值–(总推荐值/总理论区间数)*当前参数值所在的理论区间数，那么，如表4所示，如果此区域在统计的时间段内，比如一周，如果用户所在区域投诉记录为8，则理论区间落在3区间，理论推荐值为24.。

表4被呼叫用户的所在地域投诉情况的理论推荐值表

在一个实施例中，在所述呼叫参数类型为企业自身黑名单库、被叫用户与投诉机构是否有联系和dnc登记情况；

所述根据所述呼叫参数类型对应的总推荐值、所述呼叫参数类型对应的总理论区间数和所述呼叫参数类型的参数值所在的理论区间数获取所述呼叫参数类型的参数值对应的理论推荐值，包括：

若号码在所述企业自身黑名单库中，或，所述号码与投诉机构有联系，或，所述号码在dnc有登记，则对应的理论区间为第一区间；

若号码未在所述企业自身黑名单库中，或，所述号码与投诉机构没有联系，或，所述号码在dnc没有登记，则对应的理论区间为第二区间；

其中，所述第一区间对应的理论推荐值为0，所述第二区间对应的理论推荐值为所述呼叫参数类型对应的总推荐值；

所述根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值，包括：

若所述企业自身黑名单库、所述被叫用户与投诉机构是否有联系或所述 dnc登记情况对应的所述理论推荐值为0，则所述待呼叫号码的实时总呼叫推荐值为0。

以下通过各个呼叫参数类型具体分析：

1、业务类型

说明：本公开中把业务类型分为1:通知回访,2:债务催收,3:语音验证码,4: 金融类,5:房产类,6:保险类,7:证券类,8:教育培训类,9:理财贷款类,10:招聘类,11:股票类,12:卫生保健类,13:旅游类,14:网购类,15:食药类这15个分类，然后根据与金钱的直接关联程度，与金钱直接程度越深的，推荐值越低，此呼叫参数类型目前总推荐值为55；

举例：如果客户是通知回访的话，会给出55的理论推荐值，如果是股票类的话，会给出5.5的理论推荐值。

具体分值规则如表5所示：

表5

值得注意的是，业务类型对应的权重值系数为1。

2、企业拨打营销电话的密度

说明：特定时间内(一周)，同类业务企业拨打同一用户的次数越高，推荐值越低，并且此呼叫参数类型是降权呼叫参数类型，一旦触发，最后整体分值降权，单位时间内(3小时)，最大拨打次数越多，越降权，降权系数(权重值系数)＝1–10％*降权区间*2，此呼叫参数类型目前总推荐值为90；

举例：统计时间内，比如一周，此类企业所有的营销号码，拨打次数是 4，则落在理论区间3上，对应的理论推荐值为36，如果单位时间内，最大拨打次数是3，则降权区间是2，权重值系数为60％，如果最后计算出总的推荐值是500的话，则最终推荐值为500*60％＝300。

具体分值规则如表6和表7所示：

表6

降权系数规则如表7所示：

表7

3、被呼叫用户的所在地域投诉情况

说明：根据被叫用户的号段，统计用户所在区域的投诉情况，如果投诉越多，则越不推荐，此呼叫参数类型目前总推荐值为60。

举例：如果此区域在统计的时间段内，比如一周，如果用户所在区域投诉记录为8，则落在理论区间3，理论推荐值为24。

具体分值规则如表8所示：

表8

值得注意的是，被呼叫用户的所在地域投诉情况对应的权重值系数为1。

4、被叫用户是否本身带有负面标记

说明：统计用户的负面标记情况，如果标记情况越严重，越不推荐，并且此呼叫参数类型是降权呼叫参数类型，一旦触发，最后整体分值降权，降权系数(权重值系数)＝区间*3％，此呼叫参数类型总推荐值为20。

举例：如果此区域在统计的时间段内，比如3个月，用户负面标记数为 5，则落在理论区间2上，理论推荐值为12，整体分值降权2*3％＝6％，如果最后计算出的分钟是500的话，经过降权调整则为500*(1–6％)＝470。

具体分值规则如表9所示：

表9

5、被叫用户生产服务标记

说明：统计用户的生产服务标记情况，如果与企业业务越相关，则越不推荐，此呼叫参数类型目前总推荐值为5。

举例：如果此区域在统计的时间段内，比如3个月，用户生产服务标记数为5，则落在理论区间2上，理论推荐值为3。

具体分值规则如表10所示：

表10

值得注意的是，被叫用户生产服务标对应的权重值系数为1。

6、被叫用户是否属于靓号，以及靓号的程度

说明：确定用户是否是靓号，以及靓号程度，是靓号，靓号程度越深，越不推荐，并且此呼叫参数类型是降权呼叫参数类型，一旦触发，最后整体分值降权，降权系数(权重值系数)＝区间*15％，此呼叫参数类型目前总推荐值为80。

举例：如果用户的靓号程度为3，则落在理论区间3上，理论推荐值为 40，整体推荐值降权3*15％＝45％，如果最后计算出的推荐值是500的话，经过降权调整则为500*(1–45％)＝275。

具体分值规则如表11所示：

表11

靓号程度规则如表12所示：

表12

7、被叫用户的号码活跃度

说明：计算用户活跃情况在整体用户中的正态分布的位置，越趋向两边的，则越不推荐，此呼叫参数类型目前总推荐值为30。

举例：如果此区域在统计的时间段内，比如1周，用户偏离中心数为5，则落在理论区间3上，理论推荐值为15。

具体分值规则如表13所示：

表13

值得注意的是，被叫用户的号码活跃度对应的权重值系数为1。

8、被叫用户与企业业务行业联系程度

说明：确定用户与企业业务行业的联系程度，联系程度越低，联系时间越久远的，越不推荐，并且此呼叫参数类型是降权呼叫参数类型，一段触发，最后整体分值降权，降权系数(权重值系数)＝(区间最大值–区间)*8％，此呼叫参数类型目前总推荐值为75。

举例：如果用户行业联系程度为3，则落在理论区间2上，理论推荐值为25，整体分值降权(6–2)*8％＝32％，如果最后计算出的分值是500的话，经过降权调整则为500*(1-32％)＝320。

具体分值规则如表14所示：

表14

9、被叫用户与企业业务本身联系程度

说明：确定用户与企业业务本身的联系程度，联系程度越低，联系时间越久远的，越不推荐，但是如果上一呼叫参数类型(被叫用户与企业业务行业联系程度)的推荐值越高的情况下，则越推荐，加权系数(权重值系数) ＝(1+(被叫用户与企业业务行业联系程度)区间*15％*(区间最大值-区间)) 平方根，推荐值＝原推荐值*推荐系数，此呼叫参数类型目前总推荐值为90。

举例：如果用户与企业业务联系程度为3，则落在理论区间2上，理论推荐值为30，而上一呼叫参数类型(被叫用户与企业业务行业联系程度)区间是4，则加权系数为1+4*15％*(6-2)的平方根＝1.84，如果最后计算出的总的推荐值为500的话，则最终推荐值为500*1.84＝920。

具体分值规则如表15所示：

表15

10、被叫用户与企业业务地理关系

说明：确定用户与企业的地理关系，如果企业业务是生活类的，则地理关系越远越不推荐，并且此呼叫参数类型是降权呼叫参数类型，一段触发，最后整体分值降权，降权系数(权重值系数)＝区间*1％，此呼叫参数类型目前总推荐值为10。

举例：，如果用户地理联系程度为3，则落在理论区间2上，理论推荐值为6分，整体分值降权2*1％＝2％，如果最后计算出的分值是500的话，经过降权调整则为500*(1–2％)＝490。

具体分值规则如表16所示：

表16

11、被叫用户对陌生号码敏感程度

说明：确定用户对陌生号码的敏感程度，认为联系圈越宅的用户越敏感，如果用户越敏感，则越不推荐，并且此呼叫参数类型是降权呼叫参数类型，一旦触发，最后整体分值降权，降权系数(权重值系数)＝1-区间*2％，此呼叫参数类型总推荐值为45。

举例：如果用户敏感程度为3，则落在理论区间2上，理论推荐值为30，整体分值降权2*2％＝4％，如果最后计算出的分值是500的话，经过降权调整则为500*(1–4％)＝480。

具体分值规则如表17所示：

表17

12、企业自身黑名单库

说明：确定用户是否在企业的黑名单库里，一旦确定，则不推荐，并且此呼叫参数类型是否决呼叫参数类型，一旦触发，最后整体分值归0，此呼叫参数类型目前总推荐值为100。

举例：如果用户不在库里，则推荐值为100，如果用户在库里，则整体推荐值归0，如果最后计算出的推荐值是500的话，但此呼叫参数类型得分为0，则整体否决，推荐值归0。

具体分值规则如表18所示：

表18

13、被叫用户与投诉机构联系程度

说明：确定用户在一段时间内与投诉机构是否有联系，一旦确定，则不推荐，并且此呼叫参数类型是否决呼叫参数类型，一旦触发，最后整体分值归0，此呼叫参数类型目前总推荐值为100。

举例：如果用户与投诉机构发生了联系，则推荐值归0，如果最后计算出的推荐值是500的话，但此呼叫参数类型推荐值为0，则整体否决，推荐值归0。

具体分值规则如表19所示：

表19

14、dnc登记情况

说明：确定用户在一段时间内在dnc是否有登记，一旦确定，则不推荐，并且此呼叫参数类型是否决呼叫参数类型，一旦触发，最后整体分值归0，此呼叫参数类型目前总推荐值为100。

举例：如果用户在dnc有登记，则推荐值为0，如果最后计算出的推荐值是500的话，但此呼叫参数类型值为0，则整体否决，推荐值归0。

具体分值规则如表20所示：

表20

结合上述各实施例，如表可21得到各呼叫参数类型在最终获取的实时总呼叫推荐值中的作用：

表21

以下通过具体实施例详细介绍本公开中的方法。

1、各参数类型总推荐值训练：

用上述表21为特征，运用机器学习中的支持向量机模型训练实际数据，最后获得的模型权重系数即为我们各参数类型推荐值比值。

目前各参数类型的总推荐值如表22所示：

表22

2.各参数类型权重值调整：

虽然训练出了各参数类型的总推荐值，但是本着最大程度的减少打扰用户的原则，以及以人为本的原则，通过实际观察与验算，对各个维度人工做出如表23所示的权重调节：

表23

假设某个用户，公司业务类型为房产类，企业拨打营销电话的时间区间值为2，最大拨打次数为1，被呼叫用户的所在地域投诉情况为3，被叫用户是否本身带有负面标记为1，被叫用户生产服务标记为0，被叫用户是靓号的程度为1，被叫用户的号码活跃度偏离中心值为1，被叫用户与企业业务行业联系程度3，被叫用户与企业业务本身联系程度1，被叫用户与企业业务地理关系为3，被叫用户对陌生号码敏感程度为1，企业自身黑名单库没有他，被叫用户与投诉机构联系程度为0，dnc登记情况没有；则各项分值计算如下面列表24所示：

表24

计算出最后的总推荐值为：

(44+64+36+16+5+66.67+25+25+15+6+37.5+100+100+100) *80％*97％*85％*64％*158％*97％*98％＝408.43。

本公开的算法可以应用于智能防骚扰服务平台，该算法基于用户对营销电话的接听意愿，利用AI+大数据分析技术对不同外呼场景进行深层挖掘与学习，对企业即将外呼的用户号码进行预先智能筛选并拦截，帮助企业积极响应相关部门的号召，严格规范外呼行为，有效减少骚扰、净化用户的通话环境。

通过上述各实施例可知，本公开中计算出各呼叫参数类型对应的理论推荐值，最后进行总体的权重调整，给出最终的总呼叫推荐值，从而使得企业根据该总呼叫推荐值，结合自身业务，可以减少对用户的骚扰行为。

本公开有以下有益效果：

1、利用多种数据源，多维度的分析，多重交叉验证，不依赖单一数据源，根据企业不同业务需求，给出不同推荐值，帮助企业减少对用户的打扰行为。

2、各推荐值依赖大数据分析和机器学习模型训练，不断改进。

3、从用户的角度出发，本着最大程度尊重用户的角度，在机器学习的基础上，引入人工校正，加入权重系数的调整，特别是否决维度，最大程度保护用户免受打扰。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图4是根据一示例性实施例示出的一种号码的评估装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示，该号码的评估装置包括：

第一获取模块11，用于获取待呼叫号码的各个呼叫参数信息；所述呼叫参数信息包括：呼叫参数类型和与所述呼叫参数类型对应的数值；

第二获取模块12，用于根据各个所述呼叫参数类型对应的各个参数值和预设推荐表获取所述待呼叫号码的各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数；所述预设推荐表中包括：各个所述呼叫参数类型对应的各个参数值、各个所述呼叫参数类型对应的各个参数值的理论推荐值和各个所述呼叫参数类型对应的各个参数值的权重值系数的对应关系；

第三获取模块13，用于根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值。

在一个实施例中，所述装置还包括：

第三获取模块，用于在第一获取模块11获取待呼叫号码的各个呼叫参数信息之前，获取各个样本号码对应的呼叫参数信息；

第四获取模块，用于根据所述各个样本号码对应的呼叫参数信息训练支持向量机模型，获取各个所述呼叫参数类型对应的总推荐值；

第五获取模块，用于获取各个所述呼叫参数类型对应的权重值系数；

第六获取模块，用于至少根据所述各个所述呼叫参数类型对应的总推荐值和各个所述呼叫参数类型对应的权重值系数获取所述预设推荐表。

在一个实施例中，所述第六获取模块，包括：

第一划分子模块，用于将各个所述呼叫参数类型对应的所有参数值划分为多个理论区间，每个所述理论区间包括多个所述呼叫参数类型对应的参数值；

第一获取子模块，用于根据所述呼叫参数类型对应的总推荐值、所述呼叫参数类型对应的总理论区间数和所述呼叫参数类型的参数值所在的理论区间数获取所述呼叫参数类型的参数值对应的理论推荐值；

第二划分子模块，用于将各个所述呼叫参数类型对应的所述所有参数值划分为多个降权区间，每个所述降权区间包括多个所述呼叫参数类型对应的参数值；

第二获取子模块，用于根据第一预设规则和所述呼叫参数类型的参数值所在的降权区间数获取所述呼叫参数类型的参数值对应的权重值系数。

在一个实施例中，所述第三获取模块13包括：

第四获取子模块，用于获取总理论推荐值；所述总理论推荐值为各个呼叫参数类型对应的理论推荐值之和；

第五获取子模块，用于获取总权重值系数；所述总权重值系数为各个呼叫参数类型对应权重值系数的乘积；

第六获取子模块，用于获取所述总理论推荐值与所述总权重值系数的乘积为所述实时总呼叫推荐值。

在一个实施例中，所述呼叫参数类型包括：业务类型、企业拨打营销电话的密度、被呼叫用户的所在地域投诉情况、被叫用户是否本身带有负面标记、被叫用户生产服务标记、被叫用户是否属于靓号，以及靓号的程度、被叫用户的号码活跃度、被叫用户与企业业务行业联系程度、被叫用户与企业业务本身联系程度、被叫用户与企业业务地理关系、被叫用户对陌生号码敏感程度、企业自身黑名单库、被叫用户与投诉机构是否有联系、谢绝来电登记情况。

在一个实施例中，在所述呼叫参数类型为企业自身黑名单库、被叫用户与投诉机构是否有联系和dnc登记情况；

所述第一获取子模块，包括：

第一确定子单元，用于若号码在所述企业自身黑名单库中，或，所述号码与投诉机构有联系，或，所述号码在谢绝来电有登记，则对应的理论区间为第一区间；

第二确定子单元，用于若号码未在所述企业自身黑名单库中，或，所述号码与投诉机构没有联系，或，所述号码在谢绝来电没有登记，则对应的理论区间为第二区间；

其中，所述第一区间对应的理论推荐值为0，所述第二区间对应的理论推荐值为所述呼叫参数类型对应的总推荐值；

所述第三获取模块13包括：

确定子模块，用于若所述企业自身黑名单库、所述被叫用户与投诉机构是否有联系或所述dnc登记情况对应的所述理论推荐值为0，则所述待呼叫号码的实时总呼叫推荐值为0。

根据本公开实施例的第三方面，提供一种号码的评估装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，处理器被配置为：

获取待呼叫号码的各个呼叫参数信息；所述呼叫参数信息包括：呼叫参数类型和与所述呼叫参数类型对应的数值；

根据各个所述呼叫参数类型对应的各个参数值和预设推荐表获取所述待呼叫号码的各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数；所述预设推荐表中包括：各个所述呼叫参数类型对应的各个参数值、各个所述呼叫参数类型对应的各个参数值的理论推荐值和各个所述呼叫参数类型对应的各个参数值的权重值系数的对应关系；

根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值。

上述处理器还可被配置为：

在一个实施例中，所述获取待呼叫号码的各个呼叫参数信息之前，所述方法还包括：

获取各个样本号码对应的呼叫参数信息；

根据所述各个样本号码对应的呼叫参数信息训练支持向量机模型，获取各个所述呼叫参数类型对应的总推荐值；

获取各个所述呼叫参数类型对应的权重值系数；

至少根据所述各个所述呼叫参数类型对应的总推荐值和各个所述呼叫参数类型对应的权重值系数获取所述预设推荐表。

在一个实施例中，所述至少根据所述各个所述呼叫参数类型对应的总推荐值和各个所述呼叫参数类型对应的权重值系数获取所述预设推荐表，包括：

将各个所述呼叫参数类型对应的所有参数值划分为多个理论区间，每个所述理论区间包括多个所述呼叫参数类型对应的参数值；

根据所述呼叫参数类型对应的总推荐值、所述呼叫参数类型对应的总理论区间数和所述呼叫参数类型的参数值所在的理论区间数获取所述呼叫参数类型的参数值对应的理论推荐值；

将各个所述呼叫参数类型对应的所述所有参数值划分为多个降权区间，每个所述降权区间包括多个所述呼叫参数类型对应的参数值；

根据第一预设规则和所述呼叫参数类型的参数值所在的降权区间数获取所述呼叫参数类型的参数值对应的权重值系数。

在一个实施例中，所述根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值，包括：

获取总理论推荐值；所述总理论推荐值为各个呼叫参数类型对应的理论推荐值之和；

获取总权重值系数；所述总权重值系数为各个呼叫参数类型对应权重值系数的乘积；

获取所述总理论推荐值与所述总权重值系数的乘积为所述实时总呼叫推荐值。

在一个实施例中，所述呼叫参数类型包括：业务类型、企业拨打营销电话的密度、被呼叫用户的所在地域投诉情况、被叫用户是否本身带有负面标记、被叫用户生产服务标记、被叫用户是否属于靓号，以及靓号的程度、被叫用户的号码活跃度、被叫用户与企业业务行业联系程度、被叫用户与企业业务本身联系程度、被叫用户与企业业务地理关系、被叫用户对陌生号码敏感程度、企业自身黑名单库、被叫用户与投诉机构是否有联系、谢绝来电登记情况。

在一个实施例中，在所述呼叫参数类型为企业自身黑名单库、被叫用户与投诉机构是否有联系和dnc登记情况；

所述根据所述呼叫参数类型对应的总推荐值、所述呼叫参数类型对应的总理论区间数和所述呼叫参数类型的参数值所在的理论区间数获取所述呼叫参数类型的参数值对应的理论推荐值，包括：

若号码在所述企业自身黑名单库中，或，所述号码与投诉机构有联系，或，所述号码在谢绝来电有登记，则对应的理论区间为第一区间；

若号码未在所述企业自身黑名单库中，或，所述号码与投诉机构没有联系，或，所述号码在谢绝来电没有登记，则对应的理论区间为第二区间；

其中，所述第一区间对应的理论推荐值为0，所述第二区间对应的理论推荐值为所述呼叫参数类型对应的总推荐值；

所述根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值，包括：

若所述企业自身黑名单库、所述被叫用户与投诉机构是否有联系或所述 dnc登记情况对应的所述理论推荐值为0，则所述待呼叫号码的实时总呼叫推荐值为0。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图5是根据一示例性实施例示出的一种用于号码的评估装置80的框图，该装置适用于终端设备。例如，装置80可以是计算机等。

装置80可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置80的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808 和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置80的操作。这些数据的示例包括用于在装置80上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器 (SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置80的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置80生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置80和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置80处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置80处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置80提供各个方面的状态评估。例如，传感器组件814可以检测到装置80的打开/关闭状态，组件的相对定位，例如所述组件为装置80的显示器和小键盘，传感器组件814 还可以检测装置80或装置80一个组件的位置改变，用户与装置80接触的存在或不存在，装置80方位或加速/减速和装置80的温度变化。传感器组件 814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置80和其他设备之间有线或无线方式的通信。装置80可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC 模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB) 技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置80可以被一个或多个应用专用集成电路 (ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子组件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置80的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由装置80 的处理器执行时，使得装置80能够执行上述的号码的评估方法，所述方法包括：

获取待呼叫号码的各个呼叫参数信息；所述呼叫参数信息包括：呼叫参数类型和与所述呼叫参数类型对应的数值；

根据各个所述呼叫参数类型对应的各个参数值和预设推荐表获取所述待呼叫号码的各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数；所述预设推荐表中包括：各个所述呼叫参数类型对应的各个参数值、各个所述呼叫参数类型对应的各个参数值的理论推荐值和各个所述呼叫参数类型对应的各个参数值的权重值系数的对应关系；

根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值。

上述处理器还可被配置为：

在一个实施例中，所述获取待呼叫号码的各个呼叫参数信息之前，所述方法还包括：

获取各个样本号码对应的呼叫参数信息；

根据所述各个样本号码对应的呼叫参数信息训练支持向量机模型，获取各个所述呼叫参数类型对应的总推荐值；

获取各个所述呼叫参数类型对应的权重值系数；

至少根据所述各个所述呼叫参数类型对应的总推荐值和各个所述呼叫参数类型对应的权重值系数获取所述预设推荐表。

在一个实施例中，所述至少根据所述各个所述呼叫参数类型对应的总推荐值和各个所述呼叫参数类型对应的权重值系数获取所述预设推荐表，包括：

将各个所述呼叫参数类型对应的所有参数值划分为多个理论区间，每个所述理论区间包括多个所述呼叫参数类型对应的参数值；

根据所述呼叫参数类型对应的总推荐值、所述呼叫参数类型对应的总理论区间数和所述呼叫参数类型的参数值所在的理论区间数获取所述呼叫参数类型的参数值对应的理论推荐值；

将各个所述呼叫参数类型对应的所述所有参数值划分为多个降权区间，每个所述降权区间包括多个所述呼叫参数类型对应的参数值；

根据第一预设规则和所述呼叫参数类型的参数值所在的降权区间数获取所述呼叫参数类型的参数值对应的权重值系数。

在一个实施例中，所述根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值，包括：

获取总理论推荐值；所述总理论推荐值为各个呼叫参数类型对应的理论推荐值之和；

获取总权重值系数；所述总权重值系数为各个呼叫参数类型对应权重值系数的乘积；

获取所述总理论推荐值与所述总权重值系数的乘积为所述实时总呼叫推荐值。

在一个实施例中，所述呼叫参数类型包括：业务类型、企业拨打营销电话的密度、被呼叫用户的所在地域投诉情况、被叫用户是否本身带有负面标记、被叫用户生产服务标记、被叫用户是否属于靓号，以及靓号的程度、被叫用户的号码活跃度、被叫用户与企业业务行业联系程度、被叫用户与企业业务本身联系程度、被叫用户与企业业务地理关系、被叫用户对陌生号码敏感程度、企业自身黑名单库、被叫用户与投诉机构是否有联系、谢绝来电登记情况。

在一个实施例中，在所述呼叫参数类型为企业自身黑名单库、被叫用户与投诉机构是否有联系和dnc登记情况；

所述根据所述呼叫参数类型对应的总推荐值、所述呼叫参数类型对应的总理论区间数和所述呼叫参数类型的参数值所在的理论区间数获取所述呼叫参数类型的参数值对应的理论推荐值，包括：

若号码在所述企业自身黑名单库中，或，所述号码与投诉机构有联系，或，所述号码在谢绝来电有登记，则对应的理论区间为第一区间；

若号码未在所述企业自身黑名单库中，或，所述号码与投诉机构没有联系，或，所述号码在谢绝来电没有登记，则对应的理论区间为第二区间；

其中，所述第一区间对应的理论推荐值为0，所述第二区间对应的理论推荐值为所述呼叫参数类型对应的总推荐值；

所述根据各个呼叫参数类型对应的理论推荐值和各个呼叫参数类型对应的权重值系数获取所述待呼叫号码的实时总呼叫推荐值，包括：

若所述企业自身黑名单库、所述被叫用户与投诉机构是否有联系或所述dnc登记情况对应的所述理论推荐值为0，则所述待呼叫号码的实时总呼叫推荐值为0。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。