[发明专利]多输出松弛机器学习模型

权利要求书

1.一种用于采用多输出松弛(MOR)机器学习模型以使用输入来预测多输出依赖性(MOD)输出决策的多个相互依赖的输出分量的方法，每个输出分量具有多个可能的值，所述方法包括：

训练针对MOD输出决策的多个相互依赖的输出分量中的每个输出分量的分类器，以基于所述输入并且基于其他输出分量中的所有输出分量来预测所述输出分量；

将针对所述输出分量中的每个输出分量的所述可能的值中的每个值初始化为预定输出值；

对所述分类器中的每个分类器运行松弛迭代以更新针对所述输出分量中的每个输出分量的每个可能的值的输出值，直到松弛状态达到平衡或者达到松弛迭代的最大次数；以及

从所述分类器中的每个分类器中检索最优输出分量。

2.根据权利要求1所述的方法，其中，每个分类器包括多层感知(MLP)神经网、另外的多层神经网络、决策树或者支持向量机。

3.根据权利要求1所述的方法，其中，当针对当前迭代的输出分量的可能的值的输出值与针对之前迭代的输出分量的可能的值的输出值之间的差异小于或等于预定阈值时，达到平衡。

4.根据权利要求1所述的方法，其中：

所述MOD输出决策为LRM MOD输出决策；

所述输入包括输入特征向量，所述输入特征向量包括关于潜在客户的恒定特征以及与代理者与潜在客户之间的交互有关的交互特征，所述输入特征向量中的特征包括以下各项中的一项或更多项：潜在客户源；潜在客户的头衔；潜在客户的行业；潜在客户所在州；潜在客户的创建日期；潜在客户的公司规模；潜在客户的状态；之前的拨号次数；之前的电子邮件数目；之前的动作；自上次动作之后的小时数；响应代理者的头衔；响应方法；响应消息类型；响应定时；代理者或潜在客户的人口统计简档；代理者或潜在客户的组织简档；代理者或潜在客户的心理简档；代理者或潜在客户的社交网络简档；代理者或潜在客户的地理简档；响应频率；响应持续性；以及关于当前事件的数据；以及

所述输出分量包括以下各项中的一项或更多项：响应代理者的头衔；响应方法；响应消息类型；响应定时；代理者或潜在客户的人口统计简档；代理者或潜在客户的组织简档；潜在客户联系人头衔；代理者或潜在客户的心理简档；代理者或潜在客户的社交网络简档；代理者或潜在客户的地理简档；响应频率；以及响应持续性。

5.根据权利要求1所述的方法，其中，所述MOD输出决策包括两个或更多个相互依赖的输出分量。

6.根据权利要求1所述的方法，其中，所述MOD输出决策涉及体育、人质谈判、零售、网上购物系统、网络内容管理系统、客户服务、合同谈判或危机管理或者其一定组合。

7.根据权利要求1所述的方法，其中，所述方法产生多个正确的MOD输出决策，并且所述多个正确的MOD输出决策中的每一个具有相同的输出值或者具有在预定阈值以上的输出值。

8.根据权利要求1所述的方法，其中，同时地确定所述MOD输出决策中的输出分量的次序。

9.一种非暂态计算机可读介质，存储有使处理器执行根据权利要求1所述的方法的程序。

10.一种采用多输出松弛(MOR)机器学习模型来预测多输出依赖性(MOD)输出决策的多个相互依赖的输出分量的方法，每个输出分量具有多个可能的值，所述方法包括：

训练第一分类器以基于输入并且基于第二输出分量来预测MOD输出决策的两个相互依赖的输出分量中的第一输出分量；

训练第二分类器以基于所述输入并且基于所述第一输出分量来预测所述MOD输出决策的所述两个输出分量中的所述第二输出分量；

将针对所述输出分量中的每个输出分量的所述可能的值中的每个值初始化为预定输出值；

对所述分类器中的每个分类器运行松弛迭代以更新针对所述输出分量中的每个输出分量的每个可能的值的输出值，直到松弛状态达到平衡或者达到松弛迭代的最大次数；以及

从所述分类器中的每个分类器中检索最优输出分量。

11.根据权利要求10所述的方法，其中，所述第一分类器和所述第二分类器均包括多层感知(MLP)神经网络、另外的多层神经网络、决策树或者支持向量机。