服务热线播报方法、装置、计算机设备和存储介质与流程

本发明涉及到预测模型技术领域，特别是涉及到一种服务热线播报方法、装置、计算机设备和存储介质。

背景技术：

大部分公司为了方便客户，或者为了提供更好的服务，如通信公司、保险公司通常会在公司内设有服务热线系统，客户可通过拨打服务热线以获得相应服务；现有的服务热线一般是设定固定的菜单进行播报，让用户在菜单中进行选择业务，然后跳转至下一细分的业务，或者通过采集用户购买过的产品，进而推荐对应这个产品的系列菜单，但是，这样会存在用户听到的并不是自己想要的菜单，或者听到太多菜单，使得用户难以在短时间内找到自己想要办理的业务，造成用户体验不好的现象。

技术实现要素：

本发明的主要目的为提供一种的提高用户体验的服务热线播报方法、装置、计算机设备和存储介质。

本发明提出一种服务热线播报方法，包括：依据用户通过电话进入服务热线的进线号码获取第一用户信息，所述第一用户信息包括用户的属性信息、用户购买过的产品信息以及用户通过电话进线后的历史行为轨迹信息；

将所述第一用户信息输入一级预测模型中进行计算，得到用户意图办理的业务类别中每一项业务的第一概率值，所述一级预测模型基于梯度提升决策树以及逻辑回归算法对指定样本集进行训练得到；

按照所述第一概率值的降序将对应所述第一概率值的每一项业务依次进行播报。

进一步地，所述依据用户通过电话进入服务热线的进线号码获取第一用户信息的步骤，包括：

获取用户通过电话进入服务热线的进线号码；

根据所述进线号码调用信息库中的对应所述进线号码的所述第一用户信息。

进一步地，所述按照所述第一概率值的降序将对应所述第一概率值的每一项业务依次进行播报的步骤之后，包括：

获取用户输入的业务；

依据所述业务的类别调用对应的二级预测模型；

将所述第一用户信息输入所述二级预测模型中计算，得到所述业务的每一项下属业务的第二概率值；

按照所述第二概率值的降序将对应所述第二概率值的每一项下属业务依次进行播报。

进一步地，所述按照所述第一概率值的降序将对应所述第一概率值的每一项业务依次进行播报的步骤之后，包括：

记录所述进线号码对应的进线信息，所述进线信息为根据用户进线后输入信息得到的用户资料信息；

将所述进线信息添加至所述第一用户信息以形成第二用户信息，

将所述第二用户信息训练所述一级预测模型以形成新的一级预测模型，并将所述第二用户信息存储于所述信息库。

进一步地，所述获取用户的进线号码的步骤之后，包括：

判断所述进线号码与所述信息库存储的用户号码是否匹配；

若否，则根据预设时期内的进线历史记录信息调用热点业务，所述热点业务为在依据办理次数的降序进行排序的业务中，预设的靠前名次内的业务；

将所述热点业务进行播报。

进一步地，所述根据预设时期内的进线历史记录信息调用热点业务的步骤之前，包括：

获取预设时期内的进线历史记录信息；

根据所述进线历史记录信息分析用户办理每一项业务的次数；

将所述业务按次数的降序依次排序；

将所述排序中预设名次内的所述业务标记成所述热点业务。

进一步地，所述将所述热点业务进行播报的步骤之后，包括：

记录所述进线号码的初次进线信息，所述初次进线信息为根据用户第一次进线后输入信息得到的用户资料信息；

将所述初次进线信息作为样本训练所述一级预测模型，得到所述进线号码初次进线后的新的一级预测模型，将所述初次进线信息存储于所述信息库。

本发明还提供一种服务热线播报装置，包括：

获取单元，用于依据用户通过电话进入服务热线的进线号码获取第一用户信息，所述第一用户信息包括用户的属性信息、用户购买过的产品信息以及用户通过电话进线后的历史行为轨迹信息；

计算单元，用于将所述第一用户信息输入一级预测模型中进行计算，得到用户意图办理的业务类别中每一项业务的第一概率值，所述一级预测模型基于梯度提升决策树以及逻辑回归算法对指定样本集进行训练得到；

播报单元，用于按照所述第一概率值的降序将对应所述第一概率值的每一项业务依次进行播报。

本发明还提供一种计算机设备，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方法的步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明的有益效果为：通过预测模型可以有效预测用户电话进线的业务需求，让用户既能听到自己需要办理的业务，又能有效缩短用户找到服务菜单的时长，提高用户体验。

附图说明

图1为本发明一实施例中服务热线播报方法的步骤示意图；

图2为本发明一实施例中服务热线播报装置的结构示意框图；

图3为本发明一实施例的计算机设备的结构示意框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，本实施例中的服务热线播报方法，包括：

步骤s1：依据用户通过电话进入服务热线的进线号码获取第一用户信息，所述第一用户信息包括用户的属性信息、用户购买过的产品信息以及用户通过电话进线后的历史行为轨迹信息；

步骤s2：将所述第一用户信息输入一级预测模型中进行计算，得到用户意图办理的业务类别中每一项业务的第一概率值，所述一级预测模型基于梯度提升决策树以及逻辑回归算法对指定样本集进行训练得到；

步骤s3：按照所述第一概率值的降序将对应所述第一概率值的每一项业务依次进行播报。

在步骤s1中，在对服务热线进行预测之前，需要获取预测对象的信息，即需要获取上述第一用户信息，该第一用户信息可依据用户通过电话进入服务热线的进线号码获取，上述第一用户信息包括但不限于：用户的属性信息、用户购买过产品信息以及用户通过电话进线后的历史行为轨迹信息。其中用户的属性信息包括但不限于：姓名、性别、年龄、地址、职业等，用户的购买产品信息包括但不限于：曾经办理过的业务以及购买过的产品，如购买过车险、寿险、办理过信用卡、银行卡等等，历史行为轨迹信息包括但不限于：用户通过电话进线而进行过行为轨迹，如通过电话进行激活过信用卡、咨询过车险购买、查询银行卡余额等等。

在一个实施例中，上述步骤s1，包括：

步骤s10：获取用户通过电话进入服务热线的进线号码；

步骤s11：根据所述进线号码调用信息库中的对应所述进线号码的所述第一用户信息。

当用户想要办理某个公司的某项业务时，为了节省时间精力，希望直接通过电话热线完成，那么用户会打电话进该公司的服务热线进行办理，本实施例中提供的服务热线播报方法可以通过上述电话服务热线系统实现，当用户打电话进线时，系统能够获取该用户的进线号码，一般来说，该用户在进线之前已经在该公司办理过业务，而办理业务时会留下用户资料，即用户的资料已经被存储于信息库中，可以理解的是，用户可能不止一次打过电话进线，故而存储于信息库中的第一用户信息包括有上述用户的属性信息、用户的购买产品信息以及用户的历史行为轨迹信息等。

在步骤s11中，上述信息库中存储有采用该电话服务热线系统的公司的所有客户的信息，这些客户信息包括上述的第一用户信息，当用户电话进线，系统可以根据该进线号码调用信息库中对应上述进线号码的第一用户信息，具体的说，将进线号码与信息库中存储的号码进行对比，查找出与进线号码匹配的号码，其中信息库中存储的每个号码均对应一个用户的第一用户信息，当查找到与进线号码匹配的号码时，即是找到对应的用户的第一用户信息，这时调用该用户的第一用户信息即可。

上述步骤s2，从信息库中调出对应上述进线号码的第一用户信息后，将这些用户信息输入一级预测模型中进行计算，从而得到用户意图办理的业务类别中每一项业务的第一概率值，上述业务为公司提供给客户办理的业务，包括多种不同的业务类别，如保险公司可以为客户提供业务类别有：产险、寿险、银行、信用卡、证券等，系统可以对上述每一项业务进行播报，以供用户进行选择。

其中，上述一级预测模型是由基于梯度提升决策树gbdt(gradientboostdecisiontree)以逻辑回归lr算法对指定样本进集行训练得到，其中，gbdt用来做特征组合，lr用来做一级预测模型训练，上述一级预测模型是这两种算法融合训练得出。具体的说，上述gbdt可以用来做分类、回归，如可以用来预测天气、预测购买意图等等，是一种集成学习方法，通过迭代生成多棵树，每次迭代都在减少残差的梯度方向新建一棵决策树，所有树的结论累加起来为最终答案。为了提高一级预测模型稳定性，防止过拟合，上述指定样本集包括适量样本，如几万或几十万个样本，每个样本为一个用户的用户信息，用户信息中的用户属性信息、用户的购买产品信息以及用户历史行为轨迹信息可以形成数千维用户特征，如“上次进线间隔天数”、“上述进线间隔次数”、“上次进线语音意图”、“最近一个月意图分数”、“是否为产险用户”、“是否要寿险用户”、“是否要信用卡用户”等，上述决策树中，每个叶子节点的输出为0或1，即每个用户特征的取值为0或1，在训练模型时，可以调节决策树的深度和棵数，然后建立多棵决策树，最终输出各棵树叶子节点的组合，然后将上述组合取值采用逻辑回归算法进行训练，上述逻辑回归算法可先用y＝f(x)表示自变量x与因变量y的关系，本实施例中，自变量x为上述用户特征，因变量y为预测结果，即用户意图办理的业务，最后通过预测结果y的概率值的逻辑回归方程，从而计算出用户意图办理的每一项业务的第一概率值。

上述步骤s3，通过一级预测模型计算得到用户意图办理的每一项业务的第一概率值之后，依据这些第一概率值，将上述对应这些第一概率值的业务按第一概率值的降序进行排序，即将业务按照第一概率值从大至小的排序方式进行排序，这样第一概率值大的的业务优先排在前面，然后对用户进行语音播报，以便节省用户的时间，使其加快选择，提升体验效果。

在一个具体实施例中，如平安集团的95511服务热线，当用户打该电话号码进线，系统会获取到该用户的进线号码，然后根据该进线号码在信息库中找出对应该进线号码的用户信息，当查找到对应的用户信息时，将该用户信息调出，输入到一级预测模型进行计算，得到用户意图办理的每一项业务的第一概率值，如寿险的第一概率值为0.3，证券的第一概率值为0.6、信用卡的第一概率值为0.2，这时按概率值由大至小排序：证券、寿险、信用卡，然后系统会将上述业务依次对用户进行语音播报，让用户进行选择。

在一个实施例中，上述步骤s3之后，包括：

步骤s4：获取用户输入的业务；

步骤s5：依据所述业务的类别调用对应的二级预测模型；

步骤s6：将所述第一用户信息输入所述二级预测模型中计算，得到所述业务的每一项下属选项的第二概率值；

步骤s7：按照所述第二概率值的降序将对应所述第二概率值的每一项下属业务依次进行播报。

本实施例中，由于采用上述电话服务热线系统的公司可能具有多个业务类别产品，如保险公司有产险、寿险、银行、信用卡、证券等业务类别，每个业务具有多个可办理的下属业务，如产险业务的可办理下属业务包括有产险报案、产险购买、产险定损等，信用卡业务的可办理下属业务包括有信用卡设定查询密码、信用卡激活、查询信用卡可用额度等等。故而在步骤s4中，对上述业务进行语音播报之后，用户会输入自己意图要办理的业务，这时系统会获取用户输入的业务，步骤s5中，在获得用户输入的业务之后，会依据该业务的类别调用对应二级预测模型，然后将用户信息输入二级预测模型中进行计算，得到上述业务的每一项下属业务的第二概率值，其中每一类别的业务均分别对应一个二级预测模型，本实施例中的下属业务即为属于上述业务范围内的业务，这时依据第二概率值将下属业务按照按照第二概率值的降序进行排序，即将下属业务按照对应的第二概率值由大至小依次排序，然后依次对已排序的下属业务进行播报。

其中上述二级预测模型为针对单个业务而训练，用于训练该二级预测模型的数据为用户信息中的用户属性以及用户办理过该业务的历史行为轨迹，采用算法以及训练过程与上述一级预测模型一致，同样为梯度提升决策树gbdt以及逻辑回归算法lr，这里不再赘述。

当然，由于业务的下属分级不确定，下属可能只分一级也有可能分多个级，如二级之后下属再分三级，或再分四级，对应的，可预设三级预测模型、四级预测模型，本方案并不限制下属分级的级数，每一级均可按照上述方法步骤进行预测用户意图，从而提高用户体验。

在另一个实施例中，上述步骤s3之后，包括：

步骤s4’：记录所述进线号码对应的用户的进线信息，所述进线信息为根据用户进线后输入信息得到的用户资料信息；

步骤s5’：将所述进线信息添加至所述第一用户信息以形成第二用户信息；

步骤s6’：将所述第二用户信息训练所述一级预测模型以形成新的一级预测模型，并将所述第二用户信息存储于所述信息库。

本实施例中，在步骤s3之后，即在系统将上述业务进行语音播报之后，用户会选出自己意图办理的业务，那么在完结这次进线之后，该用户就会产生新的历史行为轨迹，并通过这些历史行为轨迹可以有效地获得用户的意图，这些都可以作为下次用户再进线而进行预测的基础，所以在步骤s4’中，系统记录进线号码对应的用户的进线信息，上述进线信息即为用户这次进线的历史行为轨迹，如该次用户进线办理产险报案或对信用卡进行激活等等。在步骤s5’中，系统通过记录获取到上述进行信息之后，会将这些进行信息添加至之前的第一用户信息中，从而形成新的第二用户信息，并存储于信息库中以便下次进线调用，同时会将这些第二用户信息进行训练一级预测模型，从而形成新的一级预测模型，使得一级预测模型随时处于最新播报状态。

在一个实施例中，上述步骤s10之后，包括：

步骤s12：判断所述进线号码与所述信息库存储的用户号码是否匹配；

步骤s13：若否，则根据预设时期内的进线历史记录信息调用热点业务，所述热点业务为在依据办理次数的降序进行排序的业务中，预设的靠前名次内的业务；

步骤s14：将所述热点系列业务项进行播报。

本实施例中，由于进线号码的用户并不一定已经办理过上述业务或进线咨询过，故而并没有留下历史行为轨迹信息，对于这样的用户，可以推荐当前的热点业务，即比较多人办理或咨询的业务，上述热点业务为在依据办理次数的降序进行排序的业务中，预设的靠前名次内的业务。对于上述这样的用户，信息库中并没有存储有关信息，且训练一级预测模型的用户信息中也没有该用户的信息，所以在步骤s10之后，先判断进线号码与信息库存储的用户号码是否匹配，如果不匹配，则说明该进线号码的用户是第一次进线，这时，可以根据预设时期内的进线历史记录信息调用热点业务，本实施例中，上述预设时期可以自定义设置，如15天或一个月等，举例地，若判定进线号码是第一次进线，这时可以在数据库中调用一个月内的热点业务，然后将这些热点业务进行播报。

具体的说，上述根据预设时期内的进线历史记录信息调用热点业务的步骤之前，包括：

步骤s01：获取预设时期内的进线历史记录信息；

步骤s02：根据所述进线历史记录信息分析用户办理每一项业务的次数；

步骤s03：将所述业务按次数的降序依次排序；

步骤s04：将所述排序中预设名次内的所述业务标记成所述热点业务。

可以理解的是，所有的进线行为都会有记录，这些记录存储于数据库中，在这些记录中可以查看进线用户曾经办理过哪些业务，从数据库中获取这些进线历史记录信息，然后从中分析得到办理每个业务的次数，其中，可将业务按次数的降序依次排序，然后将在该排序中，预设名次内的业务标记为热点业务，如将按次数的降序依次排序的前八名内的业务设置为热点业务，若获取的是预设时期内的进线历史记录，则得到的是该预设时期内的热点业务。

进一步地，上述s14之后，包括：

步骤s15：记录所述进线号码的初次进线信息，所述初次进线信息为根据用户第一次进线后输入信息得到的用户资料信息；

步骤s16：将所述初次进线信息作为样本训练所述一级预测模型，得到所述进线号码初次进线后的新的一级预测模型，将所述初次进线信息存储于所述信息库。

在将上述热点业务进行播报之后，将该次用户进线的初次进线信息记录下来，即将该次进线号码对应用户的历史行为信息记录下来，然后将这些初次进线信息作为样本训练上述一级预测模型、二级预测模型等，从而得到对应的该进线号码初次进线的新的一级预测模型、新的二级预测模型；当该次进线的用户再次进线时，上述新的一级预测模型、新的二级预测模型即可用于预测该用户意图，同时，将上述初次进线信息存储于上述信息库，方便调用。

参照图2，本实施例中服务热线播报装置，包括：

获取信息单元100，用于依据用户通过电话进入服务热线的进线号码获取第一用户信息，所述第一用户信息包括用户的属性信息、用户购买过的产品信息以及用户通过电话进线后的历史行为轨迹信息；

第一计算单元200，用于将所述第一用户信息输入一级预测模型中进行计算，得到用户意图办理的业务类别中每一项业务的第一概率值，所述一级预测模型基于梯度提升决策树以及逻辑回归算法对指定样本集进行训练得到；

第一播报单元300，用于按照所述第一概率值的降序将对应所述第一概率值的每一项业务依次进行播报。

在获取信息单元100中，在对服务热线进行预测之前，需要获取预测对象的信息，即需要获取上述第一用户信息，该第一用户信息可依据用户通过电话进入服务热线的进线号码获取，上述第一用户信息包括但不限于：用户的属性信息、用户的购买产品信息以及用户的历史行为轨迹信息。其中用户的属性信息包括但不限于：姓名、性别、年龄、地址、职业等，用户的购买产品信息包括但不限于：曾经办理过的业务以及购买过的产品，如购买过车险、寿险、办理过信用卡、银行卡等等，历史行为轨迹信息包括但不限于：用户通过电话进线而进行过行为轨迹，如通过电话进行激活过信用卡、咨询过车险购买、查询银行卡余额等等。

在一个实施例中，上述获取信息单元100，包括：

获取模块，用于获取用户通过电话进入服务热线的进线号码；

调用模块，用于根据所述进线号码调用信息库中的对应所述进线号码的所述第一用户信息。

当用户想要办理某个公司的某项业务时，为了节省时间精力，希望直接通过电话热线完成，那么用户会打电话进该公司的服务热线进行办理，本实施例中提供的服务热线播报方法可以通过上述电话服务热线系统实现，当用户打电话进线时，系统能够获取该用户的进线号码，一般来说，该用户在进线之前已经在该公司办理过业务，而办理业务时会留下用户资料，即用户的资料已经被存储于信息库中，可以理解的是，用户可能不止一次打过电话进线，故而存储于信息库中的第一用户信息包括有上述用户的属性信息、用户的购买产品信息以及用户的历史行为轨迹信息等。

在调用模块中，上述信息库中存储有采用该电话服务热线系统的公司的所有客户的信息，这些客户信息包括上述的第一用户信息，当用户电话进线，系统可以根据该进线号码调用信息库中对应上述进线号码的第一用户信息，具体的说，将进线号码与信息库中存储的号码进行对比，查找出与进线号码匹配的号码，其中信息库中存储的每个号码均对应一个用户的第一用户信息，当查找到与进线号码匹配的号码时，即是找到对应的用户的第一用户信息，这时调用该用户的第一用户信息即可。

如上述计算概率单元200所述，从信息库中调出对应上述进线号码的第一用户信息后，将这些用户信息输入一级预测模型中进行计算，从而得到用户意图办理的业务类别中每一项业务的第一概率值，上述业务为公司提供给客户办理的业务，包括多种不同的业务类别，如保险公司可以为客户提供业务类别有：产险、寿险、银行、信用卡、证券等，系统可以对上述每一项业务进行播报，以供用户进行选择。

其中，上述一级预测模型是由基于梯度提升决策树gbdt(gradientboostdecisiontree)以逻辑回归lr算法对指定样本进集行训练得到，其中，gbdt用来做特征组合，lr用来做一级预测模型训练，上述一级预测模型是这两种算法融合训练得出。具体的说，上述gbdt可以用来做分类、回归，如可以用来预测天气、预测购买意图等等，是一种集成学习方法，通过迭代生成多棵树，每次迭代都在减少残差的梯度方向新建一棵决策树，所有树的结论累加起来为最终答案。为了提高一级预测模型稳定性，防止过拟合，上述指定样本集包括适量样本，如几万或几十万个样本，每个样本为一个用户的用户信息，用户信息中的用户属性信息、用户的购买产品信息以及用户历史行为轨迹信息可以形成数千维用户特征，如“上次进线间隔天数”、“上述进线间隔次数”、“上次进线语音意图”、“最近一个月意图分数”、“是否为产险用户”、“是否要寿险用户”、“是否要信用卡用户”等，上述决策树中，每个叶子节点的输出为0或1，即每个用户特征的取值为0或1，在训练模型时，可以调节决策树的深度和棵数，然后建立多棵决策树，最终输出各棵树叶子节点的组合，然后将上述组合取值采用逻辑回归算法进行训练，上述逻辑回归算法可先用y＝f(x)表示自变量x与因变量y的关系，本实施例中，自变量x为上述用户特征，因变量y为预测结果，即用户意图办理的业务，最后通过预测结果y的概率值的逻辑回归方程，从而计算出用户意图办理的每一项业务的第一概率值。

如上述第一播报单元300所述，通过一级预测模型计算得到用户意图办理的每一项业务的第一概率值之后，依据这些第一概率值，将上述对应这些第一概率值的业务按第一概率值的降序进行排序，即将业务按照第一概率值从大至小的排序方式进行排序，这样第一概率值大的的业务优先排在前面，然后对用户进行语音播报，以便节省用户的时间，使其加快选择，提升体验效果。

在一个具体实施例中，如平安集团的95511服务热线，当用户打该电话号码进线，系统会获取到该用户的进线号码，然后根据该进线号码在信息库中找出对应该进线号码的用户信息，当查找到对应的用户信息时，将该用户信息调出，输入到一级预测模型进行计算，得到用户意图办理的每一项业务的第一概率值，如寿险的第一概率值为0.3，证券的第一概率值为0.6、信用卡的第一概率值为0.2，这时按概率值由大至小排序：证券、寿险、信用卡，然后系统会将上述业务依次对用户进行语音播报，让用户进行选择。

在一个实施例中，上述服务热线播报装置，还包括：

获取业务单元，用于获取用户输入的业务；

调用模型单元，用于依据所述业务的类别调用对应的二级预测模型；

第二计算单元，用于将所述第一用户信息输入所述二级预测模型中计算，得到所述业务的每一项下属选项的第二概率值；

第二播报单元，用于按照所述第二概率值的降序将对应所述第二概率值的每一项下属业务依次进行播报。

本实施例中，由于采用上述电话服务热线系统的公司可能具有多个业务类别产品，如保险公司有产险、寿险、银行、信用卡、证券等业务类别，每个业务具有多个可办理的下属业务，如产险业务的可办理下属业务包括有产险报案、产险购买、产险定损等，信用卡业务的可办理下属业务包括有信用卡设定查询密码、信用卡激活、查询信用卡可用额度等等。故而在步骤s4中，对上述业务进行语音播报之后，用户会输入自己意图要办理的业务，这时系统会获取用户输入的业务，调用模型单元中，在获得用户输入的业务之后，会依据该业务的类别调用对应二级预测模型，然后将用户信息输入二级预测模型中进行计算，得到上述业务的每一项下属业务的第二概率值，其中每一类别的业务均分别对应一个二级预测模型，本实施例中的下属业务即为属于上述业务范围内的业务，这时依据第二概率值将下属业务按照按照第二概率值的降序进行排序，即将下属业务按照对应的第二概率值由大至小依次排序，然后依次对已排序的下属业务进行播报。

其中上述二级预测模型为针对单个业务而训练，用于训练该二级预测模型的数据为用户信息中的用户属性以及用户办理过该业务的历史行为轨迹，采用算法以及训练过程与上述一级预测模型一致，同样为梯度提升决策树gbdt以及逻辑回归算法lr，这里不再赘述。

当然，由于业务的下属分级不确定，下属可能只分一级也有可能分多个级，如二级之后下属再分三级，或再分四级，对应的，可预设三级预测模型、四级预测模型，本方案并不限制下属分级的级数，每一级均可按照上述方法步骤进行预测用户意图，从而提高用户体验。

在另一个实施例中，上述服务热线播报装置，还包括：

第一记录单元，用于记录所述进线号码对应的用户的进线信息，所述进线信息为根据用户进线后输入信息得到的用户资料信息；

第一添加单元，用于将所述进线信息添加至所述第一用户信息以形成第二用户信息；

第一训练单元，用于将所述第二用户信息训练所述一级预测模型以形成新的一级预测模型，并将所述第二用户信息存储于所述信息库。

本实施例中，在系统将上述业务进行语音播报之后，用户会选出自己意图办理的业务，那么在完结这次进线之后，该用户就会产生新的历史行为轨迹，并通过这些历史行为轨迹可以有效地获得用户的意图，这些都可以作为下次用户再进线而进行预测的基础，所以在第一记录单元中，系统记录进线号码对应的用户的进线信息，上述进线信息即为用户这次进线的历史行为轨迹，如该次用户进线办理产险报案或对信用卡进行激活等等。如上述第一添加单元所述，系统通过记录获取到上述进行信息之后，会将这些进行信息添加至之前的第一用户信息中，从而形成新的第二用户信息，并存储于信息库中以便下次进线调用，同时会将这些第二用户信息进行训练一级预测模型，从而形成新的一级预测模型，使得一级预测模型随时处于最新播报状态。

在一个实施例中，上述服务热线播报装置，还包括：

判断号码单元，用于判断所述进线号码与所述信息库存储的用户号码是否匹配；

调用业务单元，用于所述进线号码与所述信息库存储的用户号码不匹配时，根据预设时期内的进线历史记录信息调用热点业务，所述热点业务为在依据办理次数的降序进行排序的业务中，预设的靠前名次内的业务；

第三播报单元，用于将所述热点系列业务项进行播报。

本实施例中，由于进线号码的用户并不一定已经办理过上述业务或进线咨询过，故而并没有留下历史行为轨迹信息，对于这样的用户，可以推荐当前热点的业务，即比较多人办理或咨询的业务，上述热点业务为在依据办理次数的降序进行排序的业务中，预设的靠前名次内的业务。对于上述这样的用户，信息库中并没有存储有关信息，且训练一级预测模型的用户信息中也没有该用户的信息，故而先判断进线号码与信息库存储的用户号码是否匹配，如果不匹配，则说明该进线号码的用户是第一次进线，这时，可以根据预设时期内的进线历史记录信息调用热点业务，本实施例中，上述预设时期可以自定义设置，如15天或一个月等，举例地，若判定进线号码是第一次进线，这时可以在数据库中调用一个月内的热点业务，然后将这些热点业务进行播报。

具体的说，上述服务热线播报装置，还包括：

获取记录单元，用于获取预设时期内的进线历史记录信息；

分析次数单元，用于根据所述进线历史记录信息分析用户办理每一项业务的次数；

业务排序单元，用于将所述业务按次数的降序依次排序；

标记业务单元，用于将所述排序中预设名次内的所述业务标记成所述热点业务。

可以理解的是，所有的进线行为都会有记录，这些记录存储于数据库中，在这些记录中可以查看进线用户曾经办理过哪些业务，从数据库中获取这些进线历史记录信息，然后从中分析得到办理每个业务的次数，其中，可将业务按次数的降序依次排序，然后将在该排序中，预设名次内的业务标记为热点业务，如将按次数的降序依次排序的前八名内的业务设置为热点业务，若获取的是预设时期内的进线历史记录，则得到的是该预设时期内的热点业务。

进一步地，上述服务热线播报装置，还包括：

第二记录单元，用于记录所述进线号码的初次进线信息，所述初次进线信息为根据用户第一次进线后输入信息得到的用户资料信息；

第二训练单元，用于将所述初次进线信息作为样本训练所述一级预测模型，得到所述进线号码初次进线后的新的一级预测模型，将所述初次进线信息存储于所述信息库。

在将上述热点业务进行播报之后，将该次用户进线的初次进线信息记录下来，即将该次进线号码对应用户的历史行为信息记录下来，然后将这些初次进线信息作为样本训练上述一级预测模型、二级预测模型等，从而得到对应的该进线号码初次进线的新的一级预测模型、新的二级预测模型；当该次进线的用户再次进线时，上述新的一级预测模型、新的二级预测模型即可用于预测该用户意图，同时，将上述初次进线信息存储于上述信息库，方便调用。

参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储服务热线播报方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种服务热线播报方法。

上述处理器执行上述服务热线播报方法的步骤：依据用户通过电话进入服务热线的进线号码获取第一用户信息，所述第一用户信息包括用户的属性信息、用户购买过的产品信息以及用户通过电话进线后的历史行为轨迹信息；将所述第一用户信息输入一级预测模型中进行计算，得到用户意图办理的业务类别中每一项业务的第一概率值，所述一级预测模型基于梯度提升决策树以及逻辑回归算法对指定样本集进行训练得到；按照所述第一概率值的降序将对应所述第一概率值的每一项业务依次进行播报。

上述计算机设备，所述依据用户通过电话进入服务热线的进线号码获取第一用户信息的步骤，包括：获取用户通过电话进入服务热线的进线号码；根据所述进线号码调用信息库中的对应所述进线号码的所述第一用户信息。

在一个实施例中，上述将所述系列菜单进行播报的步骤之后，包括：获取用户输入的业务；依据所述业务的类别调用对应的二级预测模型；将所述第一用户信息输入所述二级预测模型中计算，得到所述业务的每一项下属业务的第二概率值；按照所述第二概率值的降序将对应所述第二概率值的每一项下属业务依次进行播报。

在一个实施例中，上述记录所述进线号码对应的进线信息，所述进线信息为根据用户进线后输入信息得到的用户资料信息；将所述进线信息添加至所述第一用户信息以形成第二用户信息，将所述第二用户信息训练所述一级预测模型以形成新的一级预测模型，并将所述第二用户信息存储于所述信息库。

在一个实施例中，上述获取用户通过电话进入服务热线的进线号码的步骤之后，包括：判断所述进线号码与所述信息库存储的用户号码是否匹配；若否，则根据预设时期内的进线历史记录信息调用热点业务，所述热点业务为在依据办理次数的降序进行排序的业务中，预设的靠前名次内的业务；将所述热点业务进行播报。

在一个实施例中，上述根据预设时期内的进线历史记录信息调用热点业务的步骤之前，包括：获取预设时期内的进线历史记录信息；根据所述进线历史记录信息分析用户办理每一项业务的次数；将所述业务按次数的降序依次排序；将所述排序中预设名次内的所述业务标记成所述热点业务。

在一个实施例中，上述将所述热点系列业务项进行播报的步骤之后，包括：记录所述进线号码的初次进线信息，所述初次进线信息为根据用户第一次进线后输入信息得到的用户资料信息；将所述初次进线信息作为样本训练所述一级预测模型，得到所述进线号码初次进线后的新的一级预测模型，将所述初次进线信息存储于所述信息库。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。

本发明一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一种服务热线播报方法，具体为：依据用户通过电话进入服务热线的进线号码获取第一用户信息，所述第一用户信息包括用户的属性信息、用户购买过的产品信息以及用户通过电话进线后的历史行为轨迹信息；将所述第一用户信息输入一级预测模型中进行计算，得到用户意图办理的业务类别中每一项业务的第一概率值，所述一级预测模型基于梯度提升决策树以及逻辑回归算法对指定样本集进行训练得到；按照所述第一概率值的降序将对应所述第一概率值的每一项业务依次进行播报。

上述计算机可读存储介质，所述依据用户通过电话进入服务热线的进线号码获取第一用户信息的步骤，包括：获取用户通过电话进入服务热线的进线号码；根据所述进线号码调用信息库中的对应所述进线号码的所述第一用户信息。

在一个实施例中，上述将所述系列菜单进行播报的步骤之后，包括：获取用户输入的业务；依据所述业务的类别调用对应的二级预测模型；将所述第一用户信息输入所述二级预测模型中计算，得到所述业务的每一项下属业务的第二概率值；按照所述第二概率值的降序将对应所述第二概率值的每一项下属业务依次进行播报。

在一个实施例中，上述记录所述进线号码对应的进线信息，所述进线信息为根据用户进线后输入信息得到的用户资料信息；将所述进线信息添加至所述第一用户信息以形成第二用户信息，将所述第二用户信息训练所述一级预测模型以形成新的一级预测模型，并将所述第二用户信息存储于所述信息库。

在一个实施例中，上述获取用户通过电话进入服务热线的进线号码的步骤之后，包括：判断所述进线号码与所述信息库存储的用户号码是否匹配；若否，则根据预设时期内的进线历史记录信息调用热点业务，所述热点业务为在依据办理次数的降序进行排序的业务中，预设的靠前名次内的业务；将所述热点业务进行播报。

在一个实施例中，上述根据预设时期内的进线历史记录信息调用热点业务的步骤之前，包括：获取预设时期内的进线历史记录信息；根据所述进线历史记录信息分析用户办理每一项业务的次数；将所述业务按次数的降序依次排序；将所述排序中预设名次内的所述业务标记成所述热点业务。

在一个实施例中，上述将所述热点系列业务项进行播报的步骤之后，包括：记录所述进线号码的初次进线信息，所述初次进线信息为根据用户第一次进线后输入信息得到的用户资料信息；将所述初次进线信息作为样本训练所述一级预测模型，得到所述进线号码初次进线后的新的一级预测模型，将所述初次进线信息存储于所述信息库。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram一多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。