1. 项目背景：支付行业的"精准营销之痛"

行业现状：某POS机支付公司日均外呼量20万+，人工筛选成本高达￥15/条；传统规则引擎误判率超40%（客户投诉率↑30%）；多轮对话中关键意图分散（平均6.8轮/会话）。

项目目标：(1).建立客户意向三级分类体系;(2).实现85%+准确率的实时预测;(3).支持超长对话上下文分析。

2. 标签定义

标签层级定义标准典型话术特征业务处理策略

高意向: 明确需求+询价+询问办理流程。关键词: "怎么签约？如何领取？..."

中意向: 比价阶段+模糊需求 "其他家费率多少？关键词："再考虑下；我想想；考虑一下..."。

一般意向: 直接拒绝/无需求。关键词："不需要；已有POS机"。

后续做意图识别也是基于这3个类别展开的。

3. 模型选型

3.1 TextCNN：轻量高效的文本分类基准模型

模型结构

class TextCNN(nn.Module):
    def __init__(self, vocab_size=10000, embed_dim=128, num_classes=3):
        super().__init__()
        self.embedding = nn.Embedding(vocab_size, embed_dim)  # 词嵌入层
        self.convs = nn.ModuleList([
            nn.Conv2d(1, 100, (k, embed_dim))  # 多尺度卷积核
            for k in [3,4,5]  # 3-gram/4-gram/5-gram
        ])
        self.fc = nn.Linear(300, num_classes)  # 全连接分类层

核心机制：

• 并行多尺度卷积核捕捉n-gram局部特征（如"低费率"3-gram）

• 最大池化提取显著特征

• 参数规模：约1-5M（极小）

预训练方式

静态词向量：使用领域相关语料预训练Word2Vec/GloVe

领域适配：通过微调嵌入层适应业务术语

使用场景

• 实时性要求高（<10ms/条）

• 短文本分类（<50词）

• 硬件资源有限（CPU可运行）

3.2 BERT：基于Transformer的深度语义模型

完整文章链接：从对话中读懂客户意图：POS机客户意向识别全流程实战（附完整Pytorch代码）