ET-USB：基于 Transformer 的序列行为建模用于 inbound 客户服务
机器学习
2020-05-28 v3
摘要
具有注意力机制的深度学习模型在许多任务上取得了卓越成果，包括语言任务和推荐系统。以往研究侧重于电话客服人员的分配，而我们聚焦于客户服务的来话预测。分析用户历史行为的常见方法是随时间提取各类聚合特征，但该方法可能无法捕捉用户的行为序列。因此，我们提出了一种新方法 ET-USB，它融合了用户的序列与非序列特征；我们应用强大的 Transformer 编码器（一种自注意力网络模型）来捕获用户行为序列背后的信息。ET-USB 在国泰金融控股的多种业务场景中有所帮助。我们进行了实验以测试所提网络结构处理多维度行为数据的能力；结果表明 ET-USB 的效果优于其他深度学习模型。
引用
@article{arxiv.1912.10852,
title = {ET-USB: Transformer-Based Sequential Behavior Modeling for Inbound Customer Service},
author = {Ta-Chun Su and Guan-Ying Chen},
journal= {arXiv preprint arXiv:1912.10852},
year = {2020}
}