本发明涉及智能外呼技术，尤其涉及基于人工智能的电力公司智能外呼方法及系统。
背景技术：
1、电力公司面临着日益增长的客户服务需求和海量的业务处理任务。传统的人工客服和外呼方式已经无法满足现代电力公司的业务需求，存在人力成本高、效率低、服务质量不稳定等问题。
2、现有技术存在以下缺陷：
3、通用性差，难以满足电力行业特定需求。现有的智能客服和外呼系统大多针对通用场景设计，难以直接应用于电力公司的业务场景。电力行业具有业务复杂、专业性强、涉及领域广泛等特点，需要专门的知识库和算法来支持。
4、个性化程度不足，用户体验有待提升。现有系统生成的外呼话术和策略大多比较刻板和千篇一律，缺乏针对不同用户特征和需求的个性化定制，导致用户体验不佳，外呼效果差。
5、语义理解能力有限，难以准确把握用户意图。电力领域涉及大量专业术语和复杂语义，现有系统的自然语言处理能力有限，难以准确理解用户询问的意图，影响服务质量。
技术实现思路
1、本发明实施例提供基于人工智能的电力公司智能外呼方法及系统，能够解决现有技术中的问题。
2、本发明实施例的第一方面，
3、提供基于人工智能的电力公司智能外呼方法，包括：
4、获取电力公司的用户数据，所述用户数据包括用户的基本信息、用电信息、交费信息、互动服务记录；利用数据挖掘技术对所述用户数据进行数据清洗、数据集成、数据变换和数据规约，生成标准化的用户特征数据集；
5、针对所述用户特征数据集，构建多模态的用户特征表示学习模型，通过图神经网络算法，构建用户-行为二部图，确定用户的行为特征表示向量并生成融合多维度信息的用户画像向量；利用知识图谱嵌入技术，将用户画像向量映射到电力领域知识图谱的语义空间，实现用户特征与电力业务知识的深度融合；
6、结合外呼业务场景，利用注意力机制和策略梯度算法，自主学习和生成面向不同用户群体的个性化外呼策略，并对所述个性化外呼策略进行仿真评估和动态优化；将所述个性化外呼策略转化为结构化的外呼任务脚本，下发至智能外呼平台，所述智能外呼平台利用领域本体和语义解析技术，构建面向电力业务的口语化对话生成模型，自动生成语义连贯、逻辑自洽的外呼话术。
7、在一种可选的实施方式中，
8、针对所述用户特征数据集，构建多模态的用户特征表示学习模型，通过图神经网络算法，构建用户-行为二部图，确定用户的行为特征表示向量并生成融合多维度信息的用户画像向量包括：
9、构建用户-行为二部图，所述用户-行为二部图包括用户节点和行为节点，用户节点与行为节点之间存在有向边；行为节点之间存在无向边，表示不同行为类别之间存在关联性；所述行为类别包括用户的缴费记录、用电负荷曲线、互动服务日志；
10、计算所述行为节点之间的关联边权重，综合考虑行为共现频次和时序模式，基于行为在用户集合中的共现频次、用户总数、行为在时间上的相似度以及平衡因子确定所述关联边权重；
11、在所述用户-行为二部图上设计多层图注意力神经网络，通过聚合邻居节点信息更新节点隐藏状态，并通过注意力机制自适应地计算不同邻居节点的重要性权重，学习所述用户节点和行为节点的高层语义表示；图注意力神经网络的每一层包括图卷积层和注意力层，图卷积层通过图卷积对节点特征进行传播，注意力层通过引入注意力权重向量，计算节点之间的注意力权重；
12、通过所述图注意力神经网络学习得到用户节点和行为节点的高层语义表示后，设计行为特征融合层，采用注意力池化机制，根据行为节点与用户的关联强度，自适应地为不同行为节点分配权重，加权融合行为节点的隐藏状态，得到用户的行为特征表示向量；
13、将所述用户行为特征表示向量与用户属性特征表示向量进行拼接融合，构建用户的多模态特征表示作为用户画像向量，其中，所述用户属性特征表示向量包括用户的静态属性信息，包括但不限于年龄、性别、地域、电力客户类型。
14、在一种可选的实施方式中，
15、利用知识图谱嵌入技术，将用户画像向量映射到电力领域知识图谱的语义空间，实现用户特征与电力业务知识的深度融合包括：
16、构建时序动态知识图谱，将连续的时间轴离散化为一系列时间片，根据数据的时间戳将实体、关系和三元组划分到对应的时间片，构建每个时间片上的静态知识子图，并在相邻时间片之间添加时序演化边，刻画实体和关系随时间的变化规律，形成完整的时序动态知识图谱；
17、在每个时间片上，使用考虑时间衰减的transe模型优化时序感知嵌入损失函数，通过最小化各个时间片上的时序感知嵌入损失函数，得到时间相关的实体嵌入表示，同时引入时序平滑正则项，考虑相邻时间片之间的平滑约束，确保实体和关系嵌入在时间维度上的连续性，通过联合优化各时间片的嵌入损失函数和时序平滑约束，得到时序知识表示，既保留了每个时间片的静态语义信息，又得到跨时间片的动态演化规律；
18、给定用户在特定时间片的多模态特征表示，通过非线性映射将其转换到知识嵌入空间，计算用户特征与各个实体嵌入之间的注意力权重，表示用户对不同实体的关注程度；
19、在时间维度上引入时序注意力机制，计算每个时间片的时序权重，动态调整不同时间片的知识权重，综合考虑实体注意力权重和时序注意力权重，对所述时序知识表示进行增强，得到用户的时序知识增强特征表示；
20、将时序知识增强特征表示与用户特征拼接，得到最终的动态用户表示，实现用户特征与电力业务知识的深度融合。
21、在一种可选的实施方式中，
22、联合优化各时间片的嵌入损失函数和时序平滑约束包括：
23、
24、其中，l表示第k个时间步的损失值，(h，r，t)∈tt表示在第t个时间步的真实三元组集合tt中的一个三元组，其中h表示头实体，r表示关系，t表示尾实体，(h′，r，t′)∈t′t表示在第t个时间步的负采样三元组集合t′t中的一个三元组，其中h′表示负采样的头实体，t′表示负采样的尾实体，y表示用于控制正、负三元组之间间隔的外边距参数，d()表示距离函数，wk表示第k个时间步的时间权重向量，[]+表示取正部分的操作，(h+r)⊙wk表示将头实体在关系r下的表示与时间权重向量进行元素级别的乘法，得到时间感知的头实体表示，t⊙wk表示将尾实体的嵌入表示与时间权重向量进行元素级别的乘法，得到时间感知的尾实体表示，(h′+r)⊙wk表示将负采样头实体在关系r下的表示与时间权重向量进行元素级别的乘法，得到时间感知的负采样头实体，t′⊙wk表示将负采样尾实体的嵌入表示与时间权重向量进行元素级别的乘法，得到时间感知的负采样尾实体；
25、
26、其中，r表示正则化项，k表示总时间步数，|ek|表示第k个时间步的实体集合ek的大小，表示第k个时间步的第i个实体的嵌入表示，表示第k个时间步的第i个关系的嵌入表示。
27、在一种可选的实施方式中，
28、结合外呼业务场景，利用注意力机制和策略梯度算法，自主学习和生成面向不同用户群体的个性化外呼策略，并对所述个性化外呼策略进行仿真评估和动态优化包括：
29、定义一组外呼策略要素，包括外呼时间、频次、话术内容，每个策略要素具有多个可选值构成其取值空间，给定用户，其个性化外呼策略定义为一组策略要素上的联合概率分布，表示在给定用户特征的情况下，采取特定策略要素组合的概率；
30、构建基于注意力机制的个性化策略生成模型，以用户特征为输入，通过注意力机制动态关联用户特征与策略要素，对于每个策略要素，使用注意力机制计算其在给定用户特征下的条件概率分布，通过注意力计分函数衡量用户特征与策略要素之间的相关性，根据用户特征的不同，动态调整各个策略要素的重要性权重，生成个性化的策略分布；
31、在模型训练阶段，采用极大似然估计的方法，最小化负对数似然损失函数，通过随机梯度下降的优化算法，学习注意力参数，使个性化策略生成模型能够根据用户特征生成符合其偏好的个性化外呼策略；
32、引入强化学习的策略梯度算法，通过仿真环境中的试错学习，定义每次外呼尝试为一个与用户交互的序列决策过程，状态为当前时刻的用户特征、历史外呼记录的信息，行动为在策略分布中采样得到的外呼策略，奖励为该次外呼的效果评估，通过与环境交互收集外呼轨迹数据；
33、根据策略梯度定理，沿梯度方向更新个性化策略生成模型的参数，最大化期望累积奖励，使用蒙特卡洛方法对状态-行动值函数进行近似估计，将估计值代入策略梯度公式，得到个性化策略生成模型的参数的更新规则，根据外呼轨迹数据，优化个性化策略生成模型。
34、在一种可选的实施方式中，
35、将所述个性化外呼策略转化为结构化的外呼任务脚本，下发至智能外呼平台，所述智能外呼平台利用领域本体和语义解析技术，构建面向电力业务的口语化对话生成模型，自动生成语义连贯、逻辑自洽的外呼话术包括：
36、将个性化外呼策略转化为结构化的任务脚本，任务脚本采用层次化的结构，包含外呼任务的目标用户、外呼时间、话术模板、业务流程的信息，其中话术模板定义了外呼话术的整体结构和插槽，业务流程定义了外呼过程中需要执行的业务流程和对应的api接口；
37、构建覆盖电力领域用电、缴费、节能多方面内容的本体知识库，本体知识库包含领域内的核心概念、属性和关系；
38、对外呼任务脚本进行语义解析，识别出脚本中的关键实体、属性和意图，并将其映射到本体知识库中的相应概念，关联相应的属性和措施；
39、利用预训练的语言模型构建口语化对话生成模型，以领域本体和语义解析结果为输入，采用基于模板的生成方式，将任务脚本中的固定话术片段作为模板骨架，利用语言模型动态填充模板中的槽位，生成语义连贯、逻辑自洽的完整外呼话术。
40、本发明实施例的第二方面，
41、提供基于人工智能的电力公司智能外呼系统，包括：
42、第一单元，用于获取电力公司的用户数据，所述用户数据包括用户的基本信息、用电信息、交费信息、互动服务记录；利用数据挖掘技术对所述用户数据进行数据清洗、数据集成、数据变换和数据规约，生成标准化的用户特征数据集；
43、第二单元，用于针对所述用户特征数据集，构建多模态的用户特征表示学习模型，通过图神经网络算法，构建用户-行为二部图，确定用户的行为特征表示向量并生成融合多维度信息的用户画像向量；利用知识图谱嵌入技术，将用户画像向量映射到电力领域知识图谱的语义空间，实现用户特征与电力业务知识的深度融合；
44、第三单元，用于结合外呼业务场景，利用注意力机制和策略梯度算法，自主学习和生成面向不同用户群体的个性化外呼策略，并对所述个性化外呼策略进行仿真评估和动态优化；将所述个性化外呼策略转化为结构化的外呼任务脚本，下发至智能外呼平台，所述智能外呼平台利用领域本体和语义解析技术，构建面向电力业务的口语化对话生成模型，自动生成语义连贯、逻辑自洽的外呼话术。
45、本发明实施例的第三方面，
46、提供一种电子设备，包括：
47、处理器；
48、用于存储处理器可执行指令的存储器；
49、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
50、本发明实施例的第四方面，
51、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
52、本文的多模态用户特征表示学习模型能够充分挖掘和融合用户在不同模态下的特征信息，从静态属性和动态行为两个角度刻画用户的特点，生成全面、精准的用户画像向量表示。
53、本文利用知识图谱嵌入技术，将用户特征映射到电力领域知识图谱的语义空间，并通过注意力机制实现用户特征与电力业务知识的深度融合。融合后的动态用户表示不仅包含了用户的静态属性和动态行为特征，还融入了电力领域的背景知识，具有更强的语义表达能力和可解释性，为后续的个性化外呼策略生成提供了更加丰富和准确的用户画像信息。
54、本文提出了一种基于强化学习的个性化外呼策略生成方法，通过注意力机制和策略梯度算法，自主学习和生成面向不同用户群体的个性化外呼策略，并通过仿真评估和动态优化，不断提高外呼策略的效果和收益。该方法充分利用了用户特征和电力业务知识，能够适应不同用户的偏好和反馈，为智能外呼系统提供了一种新的思路和实现方案。
1.基于人工智能的电力公司智能外呼方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，针对所述用户特征数据集，构建多模态的用户特征表示学习模型，通过图神经网络算法，构建用户-行为二部图，确定用户的行为特征表示向量并生成融合多维度信息的用户画像向量包括：
3.根据权利要求1所述的方法，其特征在于，利用知识图谱嵌入技术，将用户画像向量映射到电力领域知识图谱的语义空间，实现用户特征与电力业务知识的深度融合包括：
4.根据权利要求3所述的方法，其特征在于，联合优化各时间片的嵌入损失函数和时序平滑约束包括：
5.根据权利要求1所述的方法，其特征在于，结合外呼业务场景，利用注意力机制和策略梯度算法，自主学习和生成面向不同用户群体的个性化外呼策略，并对所述个性化外呼策略进行仿真评估和动态优化包括：
6.根据权利要求1所述的方法，其特征在于，将所述个性化外呼策略转化为结构化的外呼任务脚本，下发至智能外呼平台，所述智能外呼平台利用领域本体和语义解析技术，构建面向电力业务的口语化对话生成模型，自动生成语义连贯、逻辑自洽的外呼话术包括：
7.基于人工智能的电力公司智能外呼系统，用于实现前述权利要求1-6中任一项所述的方法，其特征在于，包括：
8.一种电子设备，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
