摘 要：本研究旨在探討銀行業(yè)中人工智能電話(huà)客服系統(tǒng)的用戶(hù)體驗(yàn)優(yōu)化，利用梯度學(xué)習(xí)的集成模型對(duì)數(shù)據(jù)進(jìn)行擬合，預(yù)測(cè)客戶(hù)滿(mǎn)意度。通過(guò)收集銀行業(yè)應(yīng)用智能AI真實(shí)數(shù)據(jù)，本文使用了隨機(jī)森林模型和梯度提升模型，結(jié)合它們的優(yōu)勢(shì)來(lái)提高模型的性能。本文分析了模型的擬合效果和預(yù)測(cè)準(zhǔn)確性，并觀(guān)察了數(shù)據(jù)的基本特征以及模型的決策邊界、擬合響應(yīng)面和預(yù)測(cè)結(jié)果。試驗(yàn)結(jié)果顯示，集成模型在預(yù)測(cè)客戶(hù)滿(mǎn)意度方面表現(xiàn)出了很高的準(zhǔn)確性和可靠性，能夠有效優(yōu)化銀行業(yè)電話(huà)客服系統(tǒng)的用戶(hù)體驗(yàn)。未來(lái)的研究將繼續(xù)改進(jìn)模型，以提高服務(wù)質(zhì)量和用戶(hù)滿(mǎn)意度。

關(guān)鍵詞：銀行業(yè)；人工智能；智能客服；用戶(hù)體驗(yàn)

中圖分類(lèi)號(hào)：TP 18" " " " " " " " " " " " 文獻(xiàn)標(biāo)志碼：A

目前，隨著智能語(yǔ)音技術(shù)的飛速發(fā)展，其在融媒體應(yīng)用中的應(yīng)用場(chǎng)景和模式創(chuàng)新備受關(guān)注。張楷越對(duì)智能語(yǔ)音技術(shù)在融媒體中的應(yīng)用進(jìn)行了深入剖析[1]。王晰巍等通過(guò)調(diào)查用戶(hù)虛擬在線(xiàn)體驗(yàn)，探討了AI語(yǔ)音助手的影響因素[2]。從用戶(hù)體驗(yàn)的視角，陳積銀等研究了人工智能視頻生產(chǎn)平臺(tái)的使用效果[3]，而陳曦和宮承波在場(chǎng)景理論的視野下，深入探討了智能音頻用戶(hù)體驗(yàn)?zāi)Ｐ蚚4]。人工智能技術(shù)在融媒體體驗(yàn)中的其他方面也得到了廣泛關(guān)注。徐延章以廣電融媒體設(shè)計(jì)模型為基礎(chǔ)，解讀了人工智能與融媒體的交融[5]。顏洪等通過(guò)情感交互設(shè)計(jì)，深入研究了人工智能語(yǔ)境下的情感交互[6]。本文旨在研究使用梯度學(xué)習(xí)的集成模型進(jìn)行數(shù)據(jù)擬合，以?xún)?yōu)化銀行業(yè)中人工智能電話(huà)客服系統(tǒng)，提高用戶(hù)體驗(yàn)。

1 模型概述

1.1 隨機(jī)森林

隨機(jī)森林是一種基于決策樹(shù)的集成學(xué)習(xí)算法。決策樹(shù)是一種樹(shù)形結(jié)構(gòu)，其中，每個(gè)非葉子節(jié)點(diǎn)為一個(gè)特征屬性的判斷，每個(gè)葉子節(jié)點(diǎn)為一種類(lèi)別或者數(shù)值。在隨機(jī)森林中，通過(guò)隨機(jī)選擇樣本和特征來(lái)構(gòu)建多棵決策樹(shù)，并通過(guò)投票或平均值來(lái)綜合多棵樹(shù)的預(yù)測(cè)結(jié)果。

決策樹(shù)如公式（1）所示。

（1）

式中：x為樣本；h（x）為決策樹(shù)模型對(duì)樣本的預(yù)測(cè)值；M為弱分類(lèi)器的數(shù)量；N為葉子節(jié)點(diǎn)的數(shù)量；Ri為第i個(gè)葉子節(jié)點(diǎn)的區(qū)域；wi為該葉子節(jié)點(diǎn)的預(yù)測(cè)值；I為指示函數(shù)，用于表示樣本x是否屬于第i個(gè)葉子節(jié)點(diǎn)的區(qū)域Ri。

在隨機(jī)森林中，通過(guò)隨機(jī)選擇特征來(lái)構(gòu)建每棵樹(shù)，以增加模型的多樣性。最終的隨機(jī)森林模型如公式（2）所示。

（2）

式中：N1為隨機(jī)森林中樹(shù)的數(shù)量；hj（x）為第j棵樹(shù)的預(yù)測(cè)結(jié)果；f（x）為隨機(jī)森林模型對(duì)樣本的預(yù)測(cè)值。

1.2 梯度提升

在模型中，將客戶(hù)滿(mǎn)意度作為目標(biāo)變量y，而等待時(shí)長(zhǎng)w和通話(huà)時(shí)長(zhǎng)t則作為特征變量。本文的目標(biāo)是學(xué)習(xí)一個(gè)函數(shù)f（w，t），使其能夠準(zhǔn)確地預(yù)測(cè)客戶(hù)滿(mǎn)意度y2。為了實(shí)現(xiàn)這個(gè)目標(biāo)，本文使用了梯度提升算法來(lái)訓(xùn)練集成模型。

梯度提升是一種迭代的集成學(xué)習(xí)算法，通過(guò)迭代地訓(xùn)練一系列弱學(xué)習(xí)器，每個(gè)學(xué)習(xí)器都在上一個(gè)學(xué)習(xí)器的殘差上進(jìn)行訓(xùn)練。最終的模型是所有弱學(xué)習(xí)器的加權(quán)和。

梯度提升算法通過(guò)迭代地?cái)M合殘差來(lái)逐步優(yōu)化模型。在第i輪迭代中，假設(shè)當(dāng)前模型的預(yù)測(cè)結(jié)果為fi-1，則第i個(gè)弱分類(lèi)器被訓(xùn)練來(lái)擬合當(dāng)前模型的殘差，如公式（3）所示。

ri=y1-fi-1 （3）

式中：r為殘差；y1為預(yù)測(cè)結(jié)果。

然后，更新模型如公式（4）所示。

fi=fi-1+γihi （4）

式中：γi為學(xué)習(xí)率，控制每次迭代更新的步長(zhǎng)；fi為更新后的模型預(yù)測(cè)值；fi-1為更新前的舊模型預(yù)測(cè)值；hi為弱分類(lèi)器對(duì)樣本x特征的預(yù)測(cè)結(jié)果。

通過(guò)迭代地添加弱分類(lèi)器，并根據(jù)殘差進(jìn)行模型更新，最終得到一個(gè)在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好的集成模型，可以用于預(yù)測(cè)客戶(hù)滿(mǎn)意度。

1.3 集成模型

本文提出的集成模型基于梯度學(xué)習(xí)，其核心思想是通過(guò)組合多個(gè)弱分類(lèi)器（例如決策樹(shù)、隨機(jī)森林和梯度提升樹(shù)）來(lái)構(gòu)建一個(gè)更強(qiáng)大的模型，以提高預(yù)測(cè)的準(zhǔn)確性和魯棒性。本文提出的模型如公式（5）所示。

（5）

式中：f1（x）為最終的集成模型；M為弱分類(lèi)器的數(shù)量；γm為第m個(gè)弱分類(lèi)器的權(quán)重；hm（x）為第m個(gè)弱分類(lèi)器的預(yù)測(cè)結(jié)果。

通過(guò)梯度學(xué)習(xí)的方式，迭代優(yōu)化模型參數(shù)，使集成模型能夠最大化擬合訓(xùn)練數(shù)據(jù)，從而提高預(yù)測(cè)的準(zhǔn)確性。在訓(xùn)練過(guò)程中，使用損失函數(shù)來(lái)衡量預(yù)測(cè)值與真實(shí)值之間的差距，并通過(guò)梯度下降法來(lái)更新模型參數(shù)，以最小化損失函數(shù)。優(yōu)化目標(biāo)如公式（6）所示。

（6）

式中：N為訓(xùn)練樣本的數(shù)量；L為損失函數(shù)；yi為第i個(gè)樣本的真實(shí)值；f（xi）為模型對(duì)第i個(gè)樣本的預(yù)測(cè)值。

集成模型通過(guò)組合不同的弱學(xué)習(xí)器，并通過(guò)梯度學(xué)習(xí)的方式優(yōu)化模型參數(shù)，對(duì)銀行業(yè)中人工智能電話(huà)客服系統(tǒng)用戶(hù)體驗(yàn)進(jìn)行有效預(yù)測(cè)。

2 模型性能

2.1 模型設(shè)置

本文使用了銀行業(yè)人工智能電話(huà)客服真實(shí)數(shù)據(jù)（N=1000）對(duì)模型的性能進(jìn)行測(cè)試。本文所使用的模型包括隨機(jī)森林模型和梯度提升模型。其中，由500個(gè)決策樹(shù)組成的隨機(jī)森林模型用于回歸問(wèn)題，即預(yù)測(cè)客戶(hù)滿(mǎn)意度。由500個(gè)弱學(xué)習(xí)器組成的梯度提升模型使用了最小二乘提升算法（LSBoost），并進(jìn)行了500輪訓(xùn)練。

本文利用了兩個(gè)不同模型的優(yōu)勢(shì)，結(jié)合它們的預(yù)測(cè)結(jié)果以提高模型的性能。由于隨機(jī)森林和梯度提升模型處理數(shù)據(jù)時(shí)采用了不同的策略，因此它們的預(yù)測(cè)結(jié)果可能會(huì)提供互補(bǔ)的信息。尤其是當(dāng)面對(duì)真實(shí)世界的復(fù)雜數(shù)據(jù)時(shí)，這樣的集成方法通常有助于提高模型的魯棒性和泛化能力。

為了評(píng)估模型的性能，本文將使用銀行業(yè)真實(shí)數(shù)據(jù)進(jìn)行測(cè)試，并比較單個(gè)模型和集成模型的預(yù)測(cè)結(jié)果。本文使用常見(jiàn)的性能指標(biāo)，例如均方根誤差（RootMeanSquareError，RMSE）和決定系數(shù)（CoefficientofDetermination，R2）來(lái)評(píng)估模型的擬合效果和預(yù)測(cè)準(zhǔn)確性。通過(guò)比較模型在測(cè)試數(shù)據(jù)上的表現(xiàn)，能夠評(píng)估集成模型相對(duì)于單個(gè)模型的優(yōu)勢(shì)，并確定其在銀行業(yè)電話(huà)客服系統(tǒng)用戶(hù)體驗(yàn)優(yōu)化中的效果。通過(guò)比較模型預(yù)測(cè)的客戶(hù)滿(mǎn)意度與實(shí)際調(diào)查結(jié)果，評(píng)估模型的性能。

2.2 數(shù)據(jù)基本特征

由圖1可知，等待時(shí)長(zhǎng)和通話(huà)時(shí)長(zhǎng)與客戶(hù)滿(mǎn)意度之間存在一定的關(guān)系。

通話(huà)時(shí)間的分布較為集中，大部分通話(huà)時(shí)長(zhǎng)在70s～140s，說(shuō)明在這個(gè)范圍內(nèi)的通話(huà)時(shí)長(zhǎng)較為常見(jiàn)。然而，也存在少量通話(huà)時(shí)長(zhǎng)較短或較長(zhǎng)的情況，這可能受到客戶(hù)需求、問(wèn)題復(fù)雜度等因素的影響。人工智能客服對(duì)處理特定問(wèn)題的復(fù)雜度和耗時(shí)情況基本穩(wěn)定，因此不同類(lèi)型和復(fù)雜度的問(wèn)題可能會(huì)導(dǎo)致通話(huà)時(shí)長(zhǎng)變化。一些簡(jiǎn)單的問(wèn)題可能解決很快，通話(huà)時(shí)長(zhǎng)較短，而一些復(fù)雜的問(wèn)題可能需要更長(zhǎng)的時(shí)間來(lái)解決，導(dǎo)致通話(huà)時(shí)長(zhǎng)較長(zhǎng)。

客戶(hù)在通話(huà)前的等待時(shí)間約為9s，這表明大部分客戶(hù)等待時(shí)間較短。然而，本文也觀(guān)察到一些客戶(hù)等待時(shí)間較長(zhǎng)，最長(zhǎng)為15s。等待時(shí)間過(guò)長(zhǎng)可能會(huì)使客戶(hù)對(duì)服務(wù)質(zhì)量和解決方案的準(zhǔn)確性有很高期望，因此引入人工智能客服而非人工客服時(shí)降低了客戶(hù)滿(mǎn)意度，需要進(jìn)一步關(guān)注和改善AI與人工客服的切換。與此同時(shí)，人工智能電話(huà)客服系統(tǒng)本身的技術(shù)問(wèn)題或系統(tǒng)故障也可能影響等待時(shí)長(zhǎng)和通話(huà)時(shí)長(zhǎng)。如果系統(tǒng)出現(xiàn)故障或者技術(shù)問(wèn)題，就可能會(huì)導(dǎo)致等待時(shí)間延長(zhǎng)或者通話(huà)過(guò)程中中斷，導(dǎo)致客戶(hù)滿(mǎn)意度降低。

客戶(hù)滿(mǎn)意度評(píng)分主要集中在五分，這說(shuō)明大多數(shù)客戶(hù)對(duì)銀行業(yè)電話(huà)客服系統(tǒng)的服務(wù)表示滿(mǎn)意。然而，也有部分客戶(hù)選擇了三分，少量客戶(hù)選擇了四分、二分和一分。這些低分可能反映了客戶(hù)在服務(wù)過(guò)程中遇到的問(wèn)題或不滿(mǎn)意的地方，需要重點(diǎn)關(guān)注和改進(jìn)，以提高整體用戶(hù)體驗(yàn)。

圖2展示了模型的決策邊界，這是指模型在特征空間中劃分不同類(lèi)別或預(yù)測(cè)值的邊界。對(duì)本文的模型來(lái)說(shuō)，決策邊界表明了模型對(duì)客戶(hù)滿(mǎn)意度的預(yù)測(cè)邊界，即不同特征值下模型對(duì)客戶(hù)滿(mǎn)意度的預(yù)測(cè)結(jié)果。

通過(guò)觀(guān)察決策邊界的形狀和位置，本文可以深入了解模型對(duì)不同特征值的預(yù)測(cè)結(jié)果以及模型在不同區(qū)域的表現(xiàn)。

在銀行業(yè)電話(huà)客服系統(tǒng)中，通話(huà)時(shí)長(zhǎng)和等待時(shí)長(zhǎng)是影響客戶(hù)滿(mǎn)意度的重要因素。因此，本文將重點(diǎn)關(guān)注這兩個(gè)特征對(duì)決策邊界的影響?？梢杂^(guān)察到，隨著通話(huà)時(shí)間的延長(zhǎng)，客戶(hù)普遍選擇較高的評(píng)分。如果系統(tǒng)的語(yǔ)音識(shí)別準(zhǔn)確性高，那么客戶(hù)能夠更快地完成通話(huà)，從而縮短通話(huà)時(shí)長(zhǎng)。反之，如果語(yǔ)音識(shí)別存在誤解，就可能導(dǎo)致通話(huà)時(shí)長(zhǎng)延長(zhǎng)。然而，等待時(shí)長(zhǎng)較長(zhǎng)使客戶(hù)評(píng)價(jià)下降。特別是通話(huà)時(shí)長(zhǎng)在30s～50s的客戶(hù)對(duì)等待時(shí)間更敏感，更易因?yàn)榈却龝r(shí)間較長(zhǎng)而選擇較低的滿(mǎn)意度評(píng)分。因?yàn)榈却龝r(shí)間較長(zhǎng)會(huì)讓客戶(hù)感到不悅，所以影響了其對(duì)服務(wù)的整體評(píng)價(jià)。

因此，通過(guò)觀(guān)察決策邊界，本文可以更清晰地了解模型對(duì)不同特征值的預(yù)測(cè)結(jié)果以及模型在不同區(qū)域的表現(xiàn)。這有助于更好地理解客戶(hù)滿(mǎn)意度的預(yù)測(cè)機(jī)制，并提出針對(duì)性地改進(jìn)措施，以?xún)?yōu)化銀行業(yè)電話(huà)客服系統(tǒng)的用戶(hù)體驗(yàn)。

與圖2類(lèi)似，圖3的擬合響應(yīng)面也提供了模型對(duì)客戶(hù)滿(mǎn)意度預(yù)測(cè)的整體趨勢(shì)和變化規(guī)律。通過(guò)在三維空間中展示不同特征組合下的客戶(hù)滿(mǎn)意度預(yù)測(cè)結(jié)果，本文可以更全面地了解模型的預(yù)測(cè)效果。擬合響應(yīng)面的形狀和曲線(xiàn)反映了模型對(duì)不同特征值的敏感程度以及不同特征組合對(duì)客戶(hù)滿(mǎn)意度的影響程度。

預(yù)測(cè)結(jié)果如圖4所示，當(dāng)客戶(hù)滿(mǎn)意度較高時(shí)，模型的預(yù)測(cè)能力表現(xiàn)較好，當(dāng)客戶(hù)滿(mǎn)意度較低時(shí)，更易于高估客戶(hù)滿(mǎn)意度。模型的訓(xùn)練數(shù)據(jù)可能存在偏差，即在訓(xùn)練數(shù)據(jù)中，客戶(hù)滿(mǎn)意度較高的樣本比較多，因此模型更擅長(zhǎng)預(yù)測(cè)這種類(lèi)別。通過(guò)比較預(yù)測(cè)結(jié)果與實(shí)際觀(guān)測(cè)值之間的差異，本文可以評(píng)估模型的預(yù)測(cè)準(zhǔn)確性和擬合效果，從而更全面地了解模型在銀行業(yè)電話(huà)客服系統(tǒng)用戶(hù)體驗(yàn)優(yōu)化中的表現(xiàn)。

模型在銀行業(yè)人工智能客戶(hù)服務(wù)的真實(shí)數(shù)據(jù)上表現(xiàn)出非常高的擬合效果和預(yù)測(cè)準(zhǔn)確性。

決定系數(shù)R2為0.99900，非常接近于1。這表明模型能夠解釋目標(biāo)變量（客戶(hù)滿(mǎn)意度）中99.90%的方差，說(shuō)明模型對(duì)數(shù)據(jù)的擬合效果非常好。

平均絕對(duì)誤差（MeanAbsoluteError，MAE）為0.0021，這說(shuō)明模型的平均預(yù)測(cè)誤差約為0.0021，在實(shí)際問(wèn)題中屬于非常小的范圍。

均方誤差（MeanSquaredError，MSE）為0.0010，這也是一個(gè)非常小的值，表明模型的預(yù)測(cè)值與實(shí)際值之間的偏差非常小。

綜合這些指標(biāo)來(lái)看，模型在銀行業(yè)真實(shí)數(shù)據(jù)上的擬合效果非常優(yōu)秀，能夠準(zhǔn)確地預(yù)測(cè)客戶(hù)滿(mǎn)意度。這些結(jié)果說(shuō)明本文提出的集成模型在銀行業(yè)電話(huà)客服系統(tǒng)用戶(hù)體驗(yàn)優(yōu)化中具有很高的可行性和實(shí)用性。

試驗(yàn)結(jié)果表明，本文的集成模型在預(yù)測(cè)客戶(hù)滿(mǎn)意度方面具有較高的準(zhǔn)確性和可靠性。與單一算法相比，集成模型能夠更準(zhǔn)確地捕捉不同因素對(duì)客戶(hù)滿(mǎn)意度的復(fù)雜影響，從而提高了預(yù)測(cè)的準(zhǔn)確性。

3 結(jié)語(yǔ)

本研究利用梯度學(xué)習(xí)的集成模型對(duì)銀行業(yè)中人工智能電話(huà)客服系統(tǒng)的用戶(hù)體驗(yàn)進(jìn)行研究。將等待時(shí)長(zhǎng)和通話(huà)時(shí)長(zhǎng)進(jìn)行數(shù)據(jù)擬合，本文建立了一個(gè)預(yù)測(cè)客戶(hù)滿(mǎn)意度的模型，并證明了其在實(shí)際應(yīng)用中的有效性。未來(lái)，本文將繼續(xù)改進(jìn)模型，探索更多因素對(duì)用戶(hù)體驗(yàn)的影響，以進(jìn)一步提高銀行業(yè)人工智能電話(huà)客服系統(tǒng)的服務(wù)質(zhì)量和用戶(hù)滿(mǎn)意度。

參考文獻(xiàn)

[1]張楷越.智能語(yǔ)音技術(shù)在融媒體中的應(yīng)用場(chǎng)景與模式創(chuàng)新[J].傳媒，2023（18）：25-27.

[2]王晰巍，劉宇桐，烏吉斯古楞，等.AI語(yǔ)音助手用戶(hù)虛擬在線(xiàn)體驗(yàn)影響因素[J/OL].圖書(shū)館論壇，2024，44（1）：71-85[2024-01-26].http：//kns.cnki.net/kcms/detail/44.1306.G2.20230828.1416.006.html.

[3]陳積銀，胡睿心，孫鶴立.用戶(hù)體驗(yàn)視角下人工智能視頻生產(chǎn)平臺(tái)使用效果研究[J].新聞大學(xué)，2021（12）：92-107，124-125.

[4]陳曦，宮承波.場(chǎng)景理論視野下智能音頻用戶(hù)體驗(yàn)?zāi)Ｐ吞骄縖J].當(dāng)代傳播，2021（2）：89-92.

[5]徐延章.人工智能+融媒體體驗(yàn)：基于廣電融媒體設(shè)計(jì)模型的解讀[J].電視研究，2020（6）：45-48.

[6]顏洪，劉佳慧，覃京燕.人工智能語(yǔ)境下的情感交互設(shè)計(jì)[J].包裝工程，2020，41（6）：13-19.