[发明专利]基于分层的排序机器学习模型

权利要求书

1.一种方法，包括：

采用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不同类型的输出分量，所述采用包括：

使用输入来预测所述输出分量中的第一输出分量；以及

使用与在预测所述输出分量中的所述第一输出分量时所使用的相同的输入并且使用所述输出分量中的所述第一输出分量来预测所述输出分量中的第二输出分量。

2.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。

3.根据权利要求2所述的方法，其中，所述多个正确的MOD输出决策中的每一个具有基本上相似的输出值。

4.一种采用基于分层的排序(HBS)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，所述方法包括：

选择针对MOD输出决策的多个相互依赖的不同类型的输出分量的次序；以及

按照所选择的次序来顺序地训练针对所述输出分量中的每个输出分量的分类器，以使用与在训练其他分类器中的所有分类器时所使用的相同的输入并且使用任何之前的所预测的输出分量来预测所述输出分量。

5.根据权利要求4所述的方法，其中，每个分类器包括多层感知(MLP)神经网络、另外的多层神经网络、决策树或者支持向量机。

6.根据权利要求4所述的方法，其中，所述输入包括具有两个或更多个特征的输入特征向量。

7.根据权利要求6所述的方法，其中，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。

8.根据权利要求7所述的方法，其中，所述MOD输出决策为潜在客户响应管理(LRM)MOD输出决策，并且所述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。

9.根据权利要求4所述的方法，其中，所述方法产生多个正确的MOD输出决策。

10.根据权利要求9所述的方法，其中，所述多个正确的MOD输出决策中的每一个具有在预定阈值以上的输出值。

11.一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4所述的方法的程序。

12.一种采用基于分层的排序(HBS)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，所述方法包括：

选择针对MOD输出决策的多个相互依赖的不同类型的输出分量的次序；

按照所选择的次序、使用输入来训练第一分类器以预测第一分量；以及

按照所选择的次序、使用与在训练所述第一分类器时所使用的相同的输入并且使用所预测的第一分量来训练第二分类器以预测第二分量。

13.根据权利要求12所述的方法，还包括：

按照所选择的次序、使用与在训练其他分类器中的所有分类器时所使用的相同的输入并且使用之前的所预测的输出分量来训练一个或更多个另外的分类器以预测一个或更多个另外的分量。

14.根据权利要求12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。