一种节点可复用的智能外呼方法及系统

摘要

本发明涉及数据处理技术领域，具体涉及一种节点可复用的智能外呼方法及系统。该方法获取用户填报信息的词频向量和问题节点推进曲线，构建用户诉求行为包；基于用户诉求行为包对用户分类得到多个用户群体；获取两组用户群体之间问题节点的消耗时间的同一性，筛选出复用问题节点；基于复用节点获取每个用户的头部推进曲线；基于任意用户，计算头部推进曲线用户群体内用户的头部推进曲线对应的亲缘性得到各用户的排队因子；基于排队因子，对用户进行外呼排序。本发明通过分析用户的词频向量和按键反应情况对用户进行分得到用户的排队因子，对用户进行外呼排序，实现智能化分配人工坐席节约坐席资源避免浪费用户时间的目的。

权利要求

1.一种节点可复用的智能外呼方法，其特征在于，该方法包括以下步骤：获取用户填报信息的词频向量；对用户接通语音后听到每个问题节点的按键行为进行分析，记录问题层级和反应时间得到问题节点推进曲线；基于所述词频向量和所述问题节点推进曲线，构建用户诉求行为包；

基于所述用户诉求行为包的相似程度，对多个用户分类，得到多个用户群体；

对于任意组用户群体，基于用户群体中各问题节点的消耗时间得到各问题节点的耗时一致性；获取任意两组用户群体的对应问题层级的问题节点的耗时一致性的相似度作为同一性，选取各用户群体中最小同一性对应的问题节点作为复用问题节点；

获取每个用户达到复用问题节点前的所有问题节点所对应的问题节点推进曲线作为头部推进曲线；基于任意用户，计算头部推进曲线与所述用户群体内用户的头部推进曲线对应的亲缘性，所述亲缘性作为排队因子；基于所述排队因子，对用户进行外呼排序；

其中，所述问题节点推进曲线是根据用户的问题层级‑反应时间的变化得到的，以1s为量化时间，对用户当前所处问题节点进行记录；

其中，计算头部推进曲线与所述用户群体内用户的头部推进曲线对应的亲缘性的方法为：计算同一用户群体内任意两用户的初始亲缘性；

所述初始亲缘性的计算公式为：

其中， 为用户p和另一用户q对应的初始亲缘性； 为第p个用户对应的头部推进曲线； 为第q个用户对应的头部推进曲线；

计算用户和对应的用户群体中其他用户之间的初始亲缘性均值的倒数，将所述倒数作为用户的亲缘性。

2.根据权利要求1所述的一种节点可复用的智能外呼方法，其特征在于，所述获取用户填报信息的词频向量，包括：利用CountVectorizer函数，对用户填报信息计算得到词频向量。

3.根据权利要求1所述的一种节点可复用的智能外呼方法，其特征在于，所述基于所述用户诉求行为包的相似程度，对多个用户分类，包括：计算各用户对应的用户诉求行为包的空间距离，基于所述空间距离，对多个用户进行分类；

所述空间距离的计算公式为：

其中， 用户p和另一用户q之间的用户诉求行为包的空间距离； 为第p个用户对应的问题节点推进曲线； 为第q个用户对应的问题节点推进曲线； 为第p个用户对应的词频向量； 为第q个用户对应的词频向量； 为第p个用户的反应时长； 为第q个用户的反应时长； 为问题节点推进曲线 和问题节点推进曲线 的协方差；

为问题节点推进曲线 和问题节点推进曲线 的标准差。

4.根据权利要求1所述的一种节点可复用的智能外呼方法，其特征在于，所述基于用户群体中各问题节点的消耗时间得到各问题节点的耗时一致性，包括：基于各问题节点，获取对应的每个用户的耗时时间集合；计算各问题节点的所述耗时时间集合的标准差，所述标准差加一作为耗时指标，所述耗时指标的倒数为问题节点的耗时一致性。

5.根据权利要求1所述的一种节点可复用的智能外呼方法，其特征在于，所述获取任意两组用户群体的对应问题层级的问题节点的耗时一致性的相似度作为同一性，包括：将耗时一致性从大到小进行排序，选取Top‑K个耗时一致性；基于Top‑K个耗时一致性，计算不同用户群体之间耗时一致性的相似度作为同一性；

所述同一性的计算公式为：

其中， 为不同用户群体中Top‑K个不同问题节点中第k个问题节点的同一性；N为除当前用户所属用户群体外其他用户群体的数量；x为问题节点的索引编号；

为当前用户所属用户群体内第x个问题节点的耗时一致性； 为除当前用户所属用户群体内第x个问题节点的耗时一致性；abs（）为绝对值函数。

6.一种节点可复用的智能外呼系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1 5任意一项所述方法的步骤。

~

说明书

一种节点可复用的智能外呼方法及系统

技术领域

[0001] 本发明涉及数据处理技术领域，具体涉及一种节点可复用的智能外呼方法及系统。

背景技术

[0002] 预约呼出型外呼已经成为灵活的提高服务质量和客户体验的技术，例如技术支持、申诉回访等，预约呼出要求客户事先有一定程度的参与，通过问卷等信息填报形式形成外呼工单，然后分配人工座席向客户通信。预约呼出型可以基于客户自定义所需的服务以及送达时间更加精准、人性化地满足客户诉求。

[0003] 由于预约呼出型面向的群体体量大、类型多、个性化服务内容较为细分，因此如何有效地分配机器人节点，避免浪费用户时间，同时节约有限的坐席资源，提高用户的沟通效率是当下需要优化的问题。

发明内容

[0004] 为了解决上述技术问题，本发明的目的在于提供一种节点可复用的智能外呼方法及系统，所采用的技术方案具体如下：

[0005] 第一方面，本发明一个实施例提供了一种节点可复用的智能外呼方法，该方法包括以下步骤：

[0006] 获取用户填报信息的词频向量；对用户接通语音后听到每个问题节点的按键行为进行分析，记录问题层级和反应时间得到问题节点推进曲线；基于所述词频向量和所述问题节点推进曲线，构建用户诉求行为包；

[0007] 基于所述用户诉求行为包的相似程度，对多个用户分类，得到多个用户群体；

[0008] 对于任意组用户群体，基于用户群体中各问题节点的消耗时间得到各问题节点的耗时一致性；获取任意两组用户群体的对应问题层级的问题节点的耗时一致性的相似度作为同一性，选取各用户群体中最小同一性对应的问题节点作为复用问题节点；

[0009] 获取每个用户达到复用问题节点前的所有问题节点所对应的问题节点推进曲线作为头部推进曲线；基于任意用户，计算头部推进曲线与所述用户群体内用户的头部推进曲线对应的亲缘性，所述亲缘性作为排队因子；基于所述排队因子，对用户进行外呼排序。

[0010] 优选的，所述获取用户填报信息的词频向量，包括：

[0011] 利用CountVectorizer函数，对用户填报信息计算得到词频向量。

[0012] 优选的，所述基于所述用户诉求行为包的相似程度，对多个用户分类，包括：

[0013] 计算各用户对应的用户诉求行为包的空间距离，基于所述空间距离，对多个用户进行分类；

[0014] 所述空间距离的计算公式为：

[0015]

[0016] 其中， 用户p和另一用户q之间的用户诉求行为包的空间距离； 为第p个用户对应的问题节点推进曲线； 为第q个用户对应的问题节点推进曲线；为第p个用户对应的词频向量； 为第q个用户对应的词频向量； 为第p个用户的反应时长；为第q个用户的反应时长； 为问题节点推进曲线 和问题节点推进曲线 的协方差；为问题节点推进曲线 和问题节点推进曲线 的标准差。

[0017] 优选的，所述基于用户群体中各问题节点的消耗时间得到各问题节点的耗时一致性，包括：

[0018] 基于各问题节点，获取对应的每个用户的耗时时间集合；计算各问题节点的所述耗时时间集合的标准差，所述标准差加一作为耗时指标，所述耗时指标的倒数为问题节点的耗时一致性。

[0019] 优选的，所述获取任意两组用户群体的对应问题层级的问题节点的耗时一致性的相似度作为同一性，包括：

[0020] 将耗时一致性从大到小进行排序，选取Top‑K个耗时一致性；基于Top‑K个耗时一致性，计算不同用户群体之间耗时一致性的相似度作为同一性；

[0021] 所述同一性的计算公式为：

[0022]

[0023] 其中， 为不同用户群体中Top‑K个不同问题节点中第k个问题节点的同一性；N为除当前用户所属用户群体外其他用户群体的数量；x为问题节点的索引编号；为当前用户所属用户群体内第x个问题节点的耗时一致性； 为除当前用户所属用户群体内第x个问题节点的耗时一致性；abs（）为绝对值函数。

[0024] 优选的，基于所述计算头部推进曲线与所述用户群体内用户的头部推进曲线对应的亲缘性，包括：

[0025] 计算同一用户群体内任意两用户的初始亲缘性；

[0026] 所述初始亲缘性的计算公式为：

[0027]

[0028] 其中， 为用户p和另一用户q对应的初始亲缘性； 为第p个用户对应的头部推进曲线； 为第q个用户对应的头部推进曲线；

[0029] 计算用户和对应的用户群体中其他用户之间的初始亲缘性均值的倒数，将所述倒数作为用户的亲缘性。

[0030] 第二方面，本发明一个实施例提供了一种节点可复用的智能外呼系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种节点可复用的智能外呼方法。

[0031] 本发明实施例至少具有如下有益效果：

[0032] 本发明实施例利用数据处理技术，该方法利用数据处理技术，该方法获取用户填报信息的词频向量；对用户接通语音后听到每个问题节点的按键行为进行分析，记录问题层级和反应时间得到问题节点推进曲线；基于词频向量和问题节点推进曲线，构建用户诉求行为包；基于用户诉求行为包的相似程度，对多个用户分类，得到多个用户群体；对于任意组用户群体，基于用户群体中各问题节点的消耗时间得到各问题节点的耗时一致性；获取任意两组用户群体的对应问题层级的问题节点的耗时一致性的相似度作为同一性，选取各用户群体中最小同一性对应的问题作为复用问题节点；获取每个用户达到复用问题节点前的所有问题节点所对应的问题节点推进曲线作为头部推进曲线；基于任意用户，计算头部推进曲线与用户群体内用户的头部推进曲线对应的亲缘性，将亲缘性作为排队因子；基于排队因子，对用户进行外呼排序。本发明通过对用户的词频向量和按键反应情况对用户进行分析得到用户的排队因子，基于排队因子对用户进行外呼排序，实现智能化分配人工坐席节约坐席资源避免浪费用户时间的目的。

附图说明

[0033] 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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。

[0034] 图1为本发明一个实施例所提供的一种节点可复用的智能外呼方法的方法流程图。

具体实施方式

[0035] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种节点可复用的智能外呼方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

[0036] 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发明的技术领域的技术人员通常理解的含义相同。

[0037] 本发明实施例提供了一种节点可复用的智能外呼方法及系统的具体实施方法，该方法适用于智能外呼排队场景。该场景下外呼预约用户需要先进行问卷填报，进而预约外呼系统的呼出时间，接通语音后用户可根据语音提示进行按键操作。为了解决坐席资源浪费且用户沟通效率不高的问题，本发明通过对用户的词频向量和按键反应情况对用户进行分析得到用户的排队因子，基于排队因子对用户进行外呼排序，实现智能化分配人工坐席节约坐席资源避免浪费用户时间的目的。

[0038] 下面结合附图具体的说明本发明所提供的一种节点可复用的智能外呼方法及系统的具体方案。

[0039] 请参阅图1，其示出了本发明一个实施例提供的一种节点可复用的智能外呼方法的步骤流程图，该方法包括以下步骤：

[0040] 步骤S100，获取用户填报信息的词频向量；对用户接通语音后听到每个问题节点的按键行为进行分析，记录问题层级和反应时间得到问题节点推进曲线；基于词频向量和问题节点推进曲线，构建用户诉求行为包。

[0041] 外呼的业务内容是多样的，用户基于问卷填报等文字形式选择好问题大类，预约好外呼系统的呼出时间，在填报信息的特征以及在外呼后经由各机器人问题节点的行为能够反应一个用户的用户诉求特点。

[0042] 分析用户填报信息的语义特征，获取用户填报的词频向量，并基于外呼后用户接通语音后听到每个问题的按键行为进行分析，也即基于外呼后语音提示的按键行为分析通过节点的行为，构建用户诉求行为包。需要说明的是，每个问题，也即每个语音提示作为一个问题节点。

[0043] 具体的：对于一个用户从收到外呼到经历各机器人提问问题节点最终达到人工服务的所有记录，进行如下分析：

[0044] 步骤一，首先分析填报信息的语义特征，获取用户填报的词频向量。

[0045] 对于一般的填报信息，主要内容是简明扼要的，一般包含问题症状、问题关键词等。

[0046] 首先基于自系统运营至今的所有填报信息，对其进行基于词袋模型的文本词频统计，词袋模型统计词频后，会得到该外呼业务所能够见到的填报信息的词的词频，实施者只需要对常见词汇和领域中因措辞而重复出现的无意义词汇进行排除。目前有较多的领域常用词词库，实施者可以较为灵活地选择排除词汇。

[0047] 对于一个填报信息文本，词袋模型在分词之后，通过统计每个词在文本中出现的频次，就可以得到该文本基于词的特征，即一种词向量。

[0048] 进一步的，使用CountVectorizer函数，对填报信息计算得到词频向量F。

[0049] 步骤二，对用户接通语音后听到每个问题的按键行为进行分析，记录问题层级和反应时间得到问题节点推进曲线

[0050] 分析用户在各问题节点的按键行为，由于按键选择行为是二叉或多叉树的自根节点向最终问题逻辑的末端节点逐级进行的。需要说明的是，对于没有走到转人工的用户按键操作，不再进行记录和分析。故无论何种问题节点，每一级的问题节点都是逐级加深的，且最终到达人工客服。因此基于用户对系统提问的语音播报、反应、思考、行动所叠加的时间进行统计，最终得到用户的按键行为特征：

[0051] 首先，以一个问题节点为例，用户在听到语音播报后会有如下反应：

[0052] （1）问题已知、答案已知，在语音播报开始的瞬间选择编号。

[0053] （2）问题未知、答案已知，在语音播报达到关键词或者问句时进行选择，提前打断语音播报，进入下一问题。

[0054] （3）问题未知、答案未知的其它情况，在长于语音播报时间后进行选择。

[0055] 由于问题深度是随着时间推移而加深的，因此用户在一段问题节点的按键事件反应情况上能够体现该用户的行为特征。基于此，对用户的问题层级‑反应时间的变化进行记录，得到问题节点推进曲线。

[0056] 其中，问题节点推进曲线的生成方式为：以1s为量化时间，对用户当前所处问题节点进行记录。

[0057] 如一个着急的、可能已经能够预测接下来该如何避免在机器人上浪费过多时间的用户，在电话接通的若干秒内的情况可能如为：，其中，各数字代表当前采样时客户所处于的问题层级。其中0为转人工，该序列中每个问题层级的持续时间即为当前问题节点用户的反应时间。可以得知该用户反应时间较短，几乎是以预判问题和按键编号为主进行选择的。

[0058] 由于每个问题节点的信息量不同，用户的反应时间也不同，但能够得到如下指标：

[0059] 属于机器人节点的交互时间的反应时长 ，以及该时间段内相对的各问题节点推进曲线 。

[0060] 对问题节点推进曲线进行最近邻重采样，将曲线时间缩放至预设量化时长，从而归一化各个问题节点的反应时长代表的特征。更新重采样后的问题节点推进曲线作为问题节点推进曲线。本发明实施例中预设量化时长为40，在其他实施例中实施者可根据实际情况调整该取值。

[0061] 基于问题节点推进曲线可以表示一个用户在处于机器人节点时将问题节点推进至结束的时间消耗特征，进而能够基于推进曲线特征和时长的不同来分离按键行为不同的用户。

[0062] 步骤三，基于词频向量和问题节点推进曲线，构建用户诉求行为包 ，其中，F为词频向量，S为问题节点推进曲线。也可以说基于语义特征和按键行为特征构建用户诉求行为包。

[0063] 用户不同的诉求、对诉求的理解程度和用户的着急程度，均可基于得到的用户诉求行为包加以区分。

[0064] 步骤S200，基于用户诉求行为包的相似程度，对多个用户分类，得到多个用户群体。

[0065] 对不同用户的诉求进行无监督分类，自动确定用户诉求相似的用户群体，[0066] 基于用户诉求行为包的改进的DBSCAN聚类算法，结合行为的时域特征和文本信息特征对用户的用户群体进行分类，可以在无监督的情况下为所有用户群体构建抽象的群体类型，实现基于用户诉求行为包的相似程度，对多个用户分类，得到多个用户群体。

[0067] 基于填报信息的语义特征来约束不同的用户诉求中问题节点推进曲线的相似与否，可以不针对问题节点本身来分析用户的行为，避免问题语义的歧义，同时避免访问实施外呼系统的用户的问题库内容。设计 作为聚类时的空间距离。

[0068] 任意用户p和另一用户q之间的用户诉求行为包的空间距离的计算公式为：

[0069]

[0070] 其中， 为第p个用户对应的问题节点推进曲线； 为第q个用户对应的问题节点推进曲线； 为第p个用户对应的词频向量； 为第q个用户对应的词频向量；为第p个用户的反应时长； 为第q个用户的反应时长； 为问题节点推进曲线 和问题节点推进曲线 的协方差； 问题节点推进曲线 和问题节点推进曲线 为标准差。

[0071] 其中，空间距离公式中 是行为特征的决定系数，值域为[0,1]，若用户行为和语义相似程度不高时，该系数趋于1，以扩大反应时间之间的差异，进一步区分用户的。

[0072] 对于时长归一化后的问题节点推进曲线 ，若节点之间的推进速度是相似的，且时长相似，则无论诉求如何，其行为上形似。

[0073] 对于时长不相似但推进速度相似的，则很有可能对应的问题不同，因为只有听到关键问题词汇后，用户对问题节点的问题含义才能确定，若整体发生较大的偏移，如10s，则认为用户面对的问题不同。

[0074] 对于时长相似但决定系数较高的，意味着问题节点推进曲线的相关性较弱，且词向量相似性较弱。直接被时长差异放大：

[0075] 此时若时长相似，则为偶发情况，在后续的分析中依旧被赋予较低的排队因子。

[0076] 对于时长十分不相似的，则直接被作为异常点处理。即便形成了一个类型，但后期亲缘性较弱，依然无法得到较高的排队因子。

[0077] 通过得到了基于诉求和按键行为，对多个用户分类，得到多个用户群体的用户群体类别。

[0078] 步骤S300，对于任意组用户群体，基于用户群体中各问题节点的消耗时间得到各问题节点的耗时一致性；获取任意两组用户群体的对应问题层级的问题节点的耗时一致性的相似度作为同一性，选取各用户群体中最小同一性对应的问题节点作为复用问题节点。

[0079] 计算问题节点对于用户群体的有效性及语义适用性，基于用户群体下适用性较低的问题节点作为复用问题节点。也即将每个问题作为一个节点，根据问题节点对用户群体的有效性和适用性，选取复用节点。具体的：

[0080] 由于一些问题可能导致某用户群体对其关注度较低，或者该问题对于该群体来说选择上过于无用甚至多余，为了发现此种问题节点，对该问题节点的语义适用性进行计算：

[0081] 首先确定一组用户群体，对该用户群体进行各问题的问题语音播放进度的均一性进行计算：

[0082] 为每个用户问题节点所消耗时间构建特征向量J，该特征向量为问题节点的消耗时间构成的特征向量。

[0083] 即使问题节点推进曲线的相关性能够极强约束该类型群体内的问题时一致的，但由于一个群体中会有个别案例出现问题和其余用户不统一、问题数量不同的现象，因此基于用户群体内最大的问题深度。计算群体内特征向量J，并构造新的m维假设空间，从而分析每个问题的行为一致性：分析每个问题节点的耗时分布。

[0084] 对于每个问题节点，可以得到每个用户的耗时时间集合 ，其中i为第i个节点，进而计算每个节点的耗时一致性。

[0085] 计算各耗时时间集合的标准差，该标准差加一作为耗时指标；该耗时指标的倒数为问题节点的耗时一致性。

[0086] 该第i个问题节点的耗时一致性Ri的计算公式为：

[0087]

[0088] 其中，为第i个问题节点的耗时时间集合的标准差。

[0089] 将耗时将耗时一致性从大到小进行排序，得到耗时一致性序列，选取Top‑K个耗时一致性；基于Top‑K个耗时一致性，计算不同用户群体之间耗时一致性的相似度作为同一性。也即计算Top‑K个耗时一致性高的问题，与其余用户群体的问题节点的耗时一致性进行同一性比较。需要说明的是，实施者可以根据问题节点的情况适当屏蔽问题，例如第一个问题。其中，Top‑K的作用是提取耗时一致性较大的问题进行分析。

[0090] 各问题节点得到问题的索引编号IDX，其中问题的索引编号为Top‑K在耗时一致性序列中的次序。

[0091] 基于Top‑K个问题的耗时一致性 ，查询另一用户群体对应的耗时一致性:。

[0092] 计算不同用户群体中Top‑K个不同问题节点中第k个问题节点的同一性：

[0093]

[0094] 其中，N为除当前用户所属用户群体外其他用户群体的数量；x为问题的索引编号；为当前用户所属用户群体内第x个问题节点的耗时一致性； 为除当前用
户所属用户群体内第x个问题节点的耗时一致性；abs（）为绝对值函数。选取各用户群体中最小群体同一性对应的问题节点作为复用问题节点，也即复用节点。

[0095] 当群体同一性较高时，由于每个问题节点是经过精心设计的，可以有较大概率确定该问题节点在整个外呼询问节点中较为重要，反之认为该群体对此问题为无关紧要。

[0096] 步骤S400，获取每个用户达到复用问题节点前的所有问题节点所对应的问题节点推进曲线作为头部推进曲线；基于任意用户，计算头部推进曲线与用户群体内用户的头部推进曲线对应的亲缘性，亲缘性作为排队因子；基于排队因子，对用户进行外呼排序。

[0097] 基于复用节点触发预排队机制，在用户进行拨号操作时实时分配最切近的用户群体，基于不断拨号回答问题的情况，动态分配当前的排队因子Q。

[0098] 基于该用户群体的行为记录，将该复用节点临时视为最终问题层级，对该群体进行问题节点推进曲线的二次计算，得到每个用户到达复用问题节点前的所有问题节点所对应的问题节点推进曲线作为头部推进曲线。

[0099] 进一步的，根据头部推进曲线的相似度获取用户的排队因子。

[0100] 当用户遇到复用节点时，计算对应的头部推进曲线与所属用户群体的亲缘性：这里给出联合距离计算方法，假设用户已经进入到第n个节点，则有该用户到达第n个节点之前的头部推进曲线 。

[0101] 任意用户p和另一用户q对应的初始亲缘性 的计算公式为：

[0102]

[0103] 其中， 为第p个用户对应的头部推进曲线； 为第q个用户对应的头部推进曲线。

[0104] 计算用户和对应的用户群体中其他用户之间的初始亲缘性均值的倒数，将该倒数作为亲缘性。也即有该用户有K个近邻的初始亲缘性：

[0105] 亲缘性的计算公式 为：

[0106]

[0107] 其中，K为当前用户所属的用户群体内的用户数量； 为用户所属的用户群体内所有用户样本；为用户p和另一用户q对应的初始亲缘性。

[0108] 系统此时基于所有已得到的用户群体所对应的到达第n个节点前的历史记录的问题节点推进曲线，截取该机制可以提前构建缓存，以加快计算。

[0109] 将该亲缘性作为排队因子。基于该排队因子，将用户进行外呼排序，也即对用户进行加队、呼叫、或者切换至另一用户群体。

[0110] 当排队因子小于预设排队阈值时，用户基于该复用节点继续回到后续问题节点，同时可能被切换至另一个用户群体。

[0111] 当排队因子大于等于预设排队阈值时，则基于当前在线等待用户，基于排队因子重排排名，即施行动态加队机制，若队列较短，则有大概率在用户继续回答问题时直接被指派到人工客服，从而提高体验。

[0112] 当排队因子持续小于预设排队阈值时，对用户直接分配人工客服。

[0113] 即实现了当用户尚未走到最终的人工通道时，系统对用户动态分配一个排队因子。

[0114] 基于上述机制，用户在收到外呼电话时，系统能够基于用户的按键行为和外呼发起前的文本特征将用户与系统当前聚类的群体结果相比对，并基于最相似的群体进行分析。

[0115] 当用户按下按键时，问题节点进入下一级，之前的问题节点推进曲线作为头部推进曲线：

[0116] 更新用户最相似的群组，若用户已经到达复用节点，则基于当前的排队因子尝试加队，若无人接听，则在用户继续操作时等待接听；若用户尚未到达复用节点，则无需加队。

[0117] 用户排队因子较低的原因主要受以下影响：用户对选项的了解程度，了解程度高的，很有可能经常需要与客服进行沟通，本发明能通过排队因子极大缩短等待时间；用户对问题了解较少的，意味着可能不属于任何一类，也不是因为频繁沟通而对问题节点已知的，即可能面对是一个未听过的，可能有帮助的问题选项，因此即便通过了该群组的复用节点，在没有进入最后一个人工选项时，依然排队靠后。

[0118] 综上所述，本发明实施例利用数据处理技术，该方法获取用户填报信息的词频向量；对用户接通语音后听到每个问题节点的按键行为进行分析，记录问题层级和反应时间得到问题节点推进曲线；基于词频向量和问题节点推进曲线，构建用户诉求行为包；基于用户诉求行为包的相似程度，对多个用户分类，得到多个用户群体；对于任意组用户群体，基于用户群体中各问题节点的消耗时间得到各问题的耗时一致性；获取任意两组用户群体的对应问题层级的问题节点的耗时一致性的相似度作为同一性，选取各用户群体中最小同一性对应的问题节点作为复用问题节点；获取每个用户达到复用问题节点前的所有问题节点所对应的问题节点推进曲线作为头部推进曲线；基于任意用户，计算头部推进曲线与用户群体内用户的头部推进曲线对应的亲缘性，将亲缘性作为排队因子；基于排队因子，对用户进行外呼排序。本发明通过对用户的词频向量和按键反应情况对用户进行分析得到用户的排队因子，基于排队因子对用户进行外呼排序，实现智能化分配人工坐席节约坐席资源避免浪费用户时间的目的。

[0119] 本发明实施例还提出了一种节点可复用的智能外呼系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。由于一种节点可复用的智能外呼方法在上述给出了详细描述，不再赘述。

[0120] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0121] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。