利用图神经网络预测企业呼叫中心交互后的客户满意度
机器学习
2021-02-09 v1 计算与语言
摘要
客户满意度是建立并维持与客户长期关系的重要因素。在电话呼叫后近实时识别潜在不满意的客户，可使组织有机会采取有意义的干预措施，并促进持续的客户满意度和忠诚度。本文描述了我们在一家大型美国公司开发的、用于预测来电后客户满意度的全运行系统。该系统以通话的语音转文本转录文本作为输入，并预测客户在通话后调查中所报告的呼叫满意度（1 到 10 分制）。由于调查分数具有有序性、主观性且常常高度偏斜的性质，预测调查分数并非易事，并带来若干建模挑战。我们引入了一种图神经网络（GNN）方法，该方法通过在训练时考虑批次间的相对分数，而非仅考虑成对通话，来顾及问题的比较性质。与以往的方法（包括直接用通话数据拟合调查分数的标准回归和分类模型）相比，该方法产生了更准确的预测。我们提出的方法可轻易推广到其他客户满意度预测问题。
引用
@article{arxiv.2102.00420,
title = {Graph Neural Networks to Predict Customer Satisfaction Following Interactions with a Corporate Call Center},
author = {Teja Kanchinadam and Zihang Meng and Joseph Bockhorst and Vikas Singh and Glenn Fung},
journal= {arXiv preprint arXiv:2102.00420},
year = {2021}
}