本發明涉及電子郵件投遞，特別涉及一種營銷電子郵件投遞系統及方法。

背景技術：

1、隨著數字化轉型趨勢的加快，銀行、保險、證券等金融機構和組織越來越傾向于嘗試采用多樣化的消息觸達方式來向客戶及時告知信息，進行業務營銷等活動。電子郵件作為一種人們日常生活和工作中不可或缺的消息觸達渠道，經常被銀行用于向客戶發送信用卡對賬單、線上營銷活動、機構公告等通知，為客戶推送他們感興趣的內容和信息。

2、目前，銀行業中現有的電子郵件投遞方法存在一些缺點。首先，缺少個性化的郵件內容，即大部分郵件內容由機構內部人工撰寫制定，無法適應快速變化的市場環境和定制化的客戶需求。而客戶一旦對郵件內容不感興趣，機構發件人郵箱容易被客戶拉黑，導致后續無法再向相關客戶投遞郵件。其次，投遞策略和郵件處理模式單一固定，投遞的郵件容易觸發郵件服務運營商的安全或風控策略，導致向客戶投遞的郵件短時間內被大量攔截或發送失敗。同時，郵件附件格式多、郵件內容缺少規則化的校驗，部分郵件特征容易被檢測為垃圾郵件，存在合規風險。

3、因此，有必要提供一種營銷電子郵件投遞系統及方法，以提高電子郵件投遞成功率和營銷活動業務轉化率，改善電子郵件營銷效果和電子郵件服務客戶體驗。

技術實現思路

1、本發明的目的在于提供一種營銷電子郵件投遞系統及方法，以提高電子郵件投遞成功率和營銷活動業務轉化率，改善電子郵件營銷效果和電子郵件服務客戶體驗。

2、為了解決現有技術中存在的問題，本發明提供了一種營銷電子郵件投遞系統，包括：

3、郵件內容生成模塊，配置為從數據庫中加載郵件模版和prompt提示詞對應內容作為自然語言大模型輸入，并根據郵件模版變量所處位置的上下文和prompt提示詞對應內容進行語義拼接，自然語言大模型輸出相應的文本內容，生成的文本內容填充郵件模版中的占位符和變量；

4、郵件投遞模塊，包括多模態處理層、分詞層、嵌入層、roberta預訓練模型以及優化單元，roberta預訓練模型由多層的雙向transformer編碼器組成，roberta預訓練模型采用sigmoid函數作為輸出層神經元的激活函數進行二分類預測，將輸出向量映射至[0,1]范圍內；所述優化單元配置為通過二元交叉熵函數作為loss損失函數對roberta預訓練模型進行優化，loss損失函數如下：其中，n是transformer編碼器的層數，i為transformer編碼器的任一層，y是二元標簽值0或1，p(y)指的是屬于y標簽的概率；

5、郵件預測模塊，配置為通過集成學習的方式綜合多個大模型的輸出，多個大模型中包含roberta預訓練模型，將各大模型的輸出進行加權平均，得到郵件預測得分，依據預測得分對當前郵件做出投遞或取消投遞的決策。

6、可選的，在所述營銷電子郵件投遞系統中，郵件內容生成模塊還配置為進行內容審核以及規則審核。

7、可選的，在所述營銷電子郵件投遞系統中，

8、多模態處理層配置為將郵件標題、郵件正文和郵件附件構成的多模態融合輸入分為三個單獨的輸入；

9、分詞層配置為將所有內容進行拆分得到多個語言單元，并處理多個語言單元和多種特殊字符，將原始郵件所有內容轉換為向量序列；

10、嵌入層配置為將向量序列映射為固定維度的稠密向量，嵌入層輸出的稠密向量經過位置編碼后將作為transformer編碼器的輸入；

11、roberta預訓練模型的transformer編碼器配置為采用多頭注意力機制對輸入內容進行提取；在融合上下文語義后進行殘差連接，保留輸入的基礎特征；將殘差連接的結果進行歸一化處理，確保roberta預訓練模型訓練過程中的穩定性和收斂速度；歸一化處理后的輸入內容輸入至前饋神經網絡；通過二次的歸一化將前饋神經網絡處理后的輸出結果映射為標準正態分布；

12、roberta預訓練模型的transformer解碼器配置為將transformer編碼器輸出的復雜語義特征轉化為可解釋的概率分布，所述transformer解碼器包括三層不同的線性變換以及sigmoid激活函數。

13、可選的，在所述營銷電子郵件投遞系統中，

14、郵件預測模塊預測時，從數據庫中查詢待預測郵件模版id，并得到此郵件模版id下關聯的可檢測大模型列表和相應prompt提示詞，將prompt提示詞與待檢測郵件內容作為各大模型的輸入，各大模型進行預測。

15、可選的，在所述營銷電子郵件投遞系統中，所述投遞系統還包括采集分析模塊，配置為根據收到的發送結果和郵件服務中間件打印的日志信息進行采集，并與每一封嘗試投遞的郵件的投遞明細數據相關聯，進而推算每一封嘗試投遞的郵件的投遞結果，依據推算的投遞結果和補發規則集合進行補發。

16、可選的，在所述營銷電子郵件投遞系統中，根據推算的投遞結果，并通過對比新舊prompt提示詞，優化郵件模版的配置界面。

17、可選的，在所述營銷電子郵件投遞系統中，所述投遞系統還包括客戶反饋模塊，配置為在郵件底部提供清晰的退訂鏈接，并通過問卷和反饋表單的形式定期收集用戶反饋。

18、本發明還提供了一種營銷電子郵件投遞方法，采用所述的投遞系統，所述方法包括以下步驟：

19、s1：從數據庫中加載郵件模版和prompt提示詞對應內容作為自然語言大模型輸入，并根據郵件模版變量所處位置的上下文和prompt提示詞對應內容進行語義拼接，自然語言大模型輸出相應的文本內容，生成的文本內容填充郵件模版中的占位符和變量；

20、s21：將郵件標題、郵件正文和郵件附件構成的多模態融合輸入分為三個單獨的輸入；

21、s22：將所有內容進行拆分得到多個語言單元，并處理多個語言單元和多種特殊字符，將原始郵件所有內容轉換為向量序列；

22、s23：將向量序列映射為固定維度的稠密向量，嵌入層輸出的稠密向量經過位置編碼后將作為transformer編碼器的輸入；

23、s24：roberta預訓練模型的transformer編碼器采用多頭注意力機制對輸入內容進行提取；在融合上下文語義后進行殘差連接，保留輸入的基礎特征；將殘差連接的結果進行歸一化處理，確保roberta預訓練模型訓練過程中的穩定性和收斂速度；歸一化處理后的輸入內容輸入至前饋神經網絡；通過二次的歸一化將前饋神經網絡處理后的輸出結果映射為標準正態分布；

24、s25：roberta預訓練模型的transformer解碼器將transformer編碼器輸出的復雜語義特征轉化為可解釋的概率分布，所述transformer解碼器包括三層不同的線性變換以及sigmoid激活函數，采用sigmoid函數作為輸出層神經元的激活函數進行二分類預測，將輸出向量映射至[0,1]范圍內；

25、s26：通過二元交叉熵函數作為loss損失函數對roberta預訓練模型進行優化，loss損失函數如下：其中，n是transformer編碼器的層數，i為transformer編碼器的任一層，y是二元標簽值0或1，p(y)指的是屬于y標簽的概率；

26、s3：通過集成學習的方式綜合多個大模型的輸出，多個大模型中包含roberta預訓練模型，將各大模型的輸出進行加權平均，得到郵件預測得分，依據預測得分對當前郵件做出投遞或取消投遞的決策。

27、可選的，在所述營銷電子郵件投遞方法中，還包括以下步驟：

28、s4：根據收到的發送結果和郵件服務中間件打印的日志信息進行采集，并與每一封嘗試投遞的郵件的投遞明細數據相關聯，進而推算每一封嘗試投遞的郵件的投遞結果，依據推算的投遞結果和補發規則集合進行補發。

29、可選的，在所述營銷電子郵件投遞方法中，還包括以下步驟：

30、s5：在郵件底部提供清晰的退訂鏈接，并通過問卷和反饋表單的形式定期收集用戶反饋。

31、與現有技術相比，本發明具有以下優點：

32、（1）通過郵件內容生成模塊實現了個性化的電子郵件內容生成及多模態的郵件內容檢測，降低了郵件模版內容手工撰寫、郵件內容人工審核的成本。

33、（2）采用郵件投遞模塊和郵件預測模塊在投遞前先對郵件內容要素進行預測，依據預測得分對當前郵件做出投遞或取消投遞的決策，從而提高郵件投遞整體發送成功率。

34、（3）通過采集分析模塊收集不同的互聯網電子郵件運營商郵件回執得到投遞結果，對發送成功率較低、被大量攔截的郵件生成郵件特征進行分析，實現了對郵件內容和投遞成功率的持續優化和對本地垃圾郵件特征庫的有效補充；

35、將郵件投遞策略與投遞情況關聯，對投遞策略進行動態配置和持續優化，避免單一策略導致觸發郵件服務商的攔截策略從而發送失敗，提升了整體投遞成功率。

36、（4）通過客戶反饋模塊優化了郵件投遞后的客戶行為處理模式，提供了明確的退訂流程和問卷調查管理過程，降低了客戶意見調查成本、郵件客戶拉黑率和整體客戶投訴率，提升了客戶體驗。

37、（5）降低了相關組織和機構在向客戶投遞電子郵件的開發和管理成本，優化了電子郵件投遞策略和客戶反饋處理模式，提高了電子郵件投遞成功率和營銷活動業務轉化率，改善了電子郵件營銷效果和電子郵件服務客戶體驗。

38、（6）呈現了郵件發送結果統計報表和投遞明細查詢，優化了業務營銷效果和系統運維能力。