CN105184315A - 一种质检处理方法及系统 - Google Patents

Abstract

本申请提供了一种质检处理方法和系统，所述方法和系统在进行工单抽样得到待质检的各个话务工单后，对每个话务工单所对应的录音音频数据进行语音分析，并对每个话务工单及其相对应录音的语音分析结果进行综合分析、质检，得到综合质检结果；最终，依据各话务工单对应的综合质检结果以及各话务工单的客服归属情况，获得各个话务工单所对应的各个被抽样客服的质检结果，实现了自动化的客服质检过程。从而，应用本申请可克服现有的人工质检方式所存在的人工资源占有量大、质检效率低、质检结果不够客观等问题。

Description

一种质检处理方法及系统

技术领域

本发明属于自动化信息处理技术领域，尤其涉及一种质检处理方法及系统。

背景技术

目前，国家级运营商或超大型企业的客服中心使用人工方式对客服进行质检。具体地，例如质检员采用随机抽取方式，从各类型业务的话务工单(客服话务所产生的工单，每个话务工单对应相应的话务录音)中人工抽取出不同比例的工单，通过人工检查工单、听录音的方式对抽取的工单及其对应的录音进行质检，并按照质检标准人工对每个工单进行质检评分，以及在此基础上人工进行客服评分、质检分析等。

现有的人工质检方式存在诸多问题，例如，人工资源占用量大、质检效率低、质检结果不够客观等等。因此，亟需提供一种自动化的质检处理方法。

发明内容

有鉴于此，本发明的目的在于提供一种质检处理方法及系统，旨在实现质检的自动化处理过程，以解决目前的人工质检方式所存在的各种问题。

为此，本发明公开如下技术方案：

一种质检处理方法，包括：

利用预设的质检抽样方法在待抽检的全量话务工单中进行工单抽样，得到待质检的工单样本集；其中，每一话务工单包含一个用于指示其归属客服的客服标识；

获取所述工单样本集中每个话务工单所对应的话务录音，并对所述话务录音的音频数据进行语音分析，得到所述话务录音的语音分析结果；

对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行综合分析、质检，得到每个话务工单所对应的综合质检结果；

依据各话务工单对应的综合质检结果及各话务工单的客服归属情况，获得所述工单样本集所对应的各个被抽样客服的质检结果。

上述方法，优选的，所述利用预设的质检抽样方法在待抽检的全量话务工单中进行工单抽样包括：

采集预设的客服建模数据；所述客服建模数据包括用于建模的各个客服人员的基本信息、工作能力数据以及预设历史时间段内的工作质量、工作量和质检结果数据；

对所述客服建模数据进行数据清理，得到有效的客服建模数据；

基于所述有效的客服建模数据，使用改进的C4.5决策树分类算法构建决策树分类器，所述决策树分类器用于对客服是否存在问题工单进行分类；

采集客服预测数据；所述客服预测数据包括各个待预测客服人员的基本信息、工作能力数据和本次质检时间范围内的工作质量、工作量数据；

对所述客服预测数据进行数据清理，得到有效的客服预测数据；

使用所述决策树分类器对所述客服预测数据进行分类，得到分类结果；所述分类结果包含：每个待预测客服人员存在问题工单的概率数值；

依据所述分类结果，在待抽检的全量话务工单中进行工单抽样。

上述方法，优选的，所述改进的C4.5决策树分类算法为引入误判成本和Adaboost算法对现有的C4.5决策树分类算法进行改进后所得的算法结果。

上述方法，优选的，所述对所述话务录音的音频数据进行语音分析，得到语音分析结果包括：

对所述话务录音的音频数据分别进行语音识别、时间识别、断话识别、语速识别、冷场识别、语气识别、语调识别、音量识别、情绪识别、方言使用识别和发音质量识别，得到可扩展标记语言XML文档形式的语音分析结果。

上述方法，优选的，所述对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行综合分析、质检，包括：

对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行文本分析挖掘，得到每个话务工单对应的文本挖掘结果；

基于相应的座席部门业务规范及知识库，对所述文本挖掘结果进行质检。

上述方法，优选的，所述依据各话务工单对应的综合质检结果及各话务工单的的客服归属情况，获得所述工单样本集所对应的各个被抽样客服的质检结果，包括：

依据每个话务工单对应的综合质检结果，对所述话务工单进行质检评分；

依据各话务工单的质检评分数值、各话务工单的客服归属情况，计算每个被抽样客服对应的被质检话务工单的平均质检评分数值，得到各个被抽样客服的质检评分数值；

依据各个被抽样客服对应的被质检话务工单的质检结果，对所述各个被抽样客服的差错数量、严重程度、类型进行统计分析，并将统计分析结果与历史质检结果进行对比，以发现客服存在的共性、个性问题以及问题的变化情况。

一种质检处理系统，包括：

抽样模块，用于利用预设的质检抽样方法在待抽检的全量话务工单中进行工单抽样，得到待质检的工单样本集；其中，每一话务工单包含一个用于指示其归属客服的客服标识；

语音分析模块，用于获取所述工单样本集中每个话务工单所对应的话务录音，并对所述话务录音的音频数据进行语音分析，得到所述话务录音的语音分析结果；

质检模块，用于对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行综合分析、质检，得到每个话务工单所对应的综合质检结果；

质检结果获取模块，用于依据各话务工单对应的综合质检结果及各话务工单的的客服归属情况，获得所述工单样本集所对应的各个被抽样客服的质检结果。

上述系统，优选的，所述抽样模块包括：

建模数据采集单元，用于采集预设的客服建模数据；所述客服建模数据包括用于建模的各个客服人员的基本信息、工作能力数据以及预设历史时间段内的工作质量、工作量和质检结果数据；

建模数据清理单元，用于对所述客服建模数据进行数据清理，得到有效的客服建模数据；

分类器构建单元，用于基于所述有效的客服建模数据，使用改进的C4.5算法构建决策树分类器，所述决策树分类器用于对客服是否存在问题工单进行分类；

预测数据采集单元，用于采集客服预测数据；所述客服预测数据包括各个待预测客服人员的基本信息、工作能力数据和本次质检时间范围内的工作质量、工作量数据；

预测数据清理单元，用于对所述客服预测数据进行数据清理，得到有效的客服预测数据；

分类预测单元，用于使用所述决策树分类器对所述客服预测数据进行分类，得到分类结果；所述分类结果包含：每个待预测客服人员存在问题的概率数值；

抽样单元，用于依据所述分类结果，在待抽检的全量话务工单中进行工单抽样。

上述系统，优选的，所述语音分析模块包括：

语音分析单元，用于对所述话务录音的音频数据分别进行语音识别、时间识别、断话识别、语速识别、冷场识别、语气识别、语调识别、音量识别、情绪识别、方言使用识别和发音质量识别，得到可扩展标记语言XML文档形式的语音分析结果。

上述系统，优选的，所述质检模块包括：

文本挖掘单元，用于对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行文本分析挖掘，得到每个话务工单对应的文本挖掘结果；；

质检单元，用于基于相应的座席部门业务规范及知识库，对所述文本挖掘结果进行质检。

上述系统，优选的，所述质检结果获取模块包括：

第一质检评分单元，用于依据每个话务工单对应的综合质检结果，对所述话务工单进行质检评分；

第二质检评分单元，用于依据各话务工单的质检评分数值、各话务工单的客服归属情况，计算每个被抽样客服对应的被质检话务工单的平均质检评分数值，得到各个被抽样客服的质检评分数值；

统计分析单元，用于依据各个被抽样客服对应的被质检话务工单的质检结果，对所述各个被抽样客服的差错数量、严重程度、类型进行统计分析，并将统计分析结果与历史质检结果进行对比，以发现客服存在的共性、个性问题以及问题的变化情况。

由以上方案可知，本申请提供了一种质检处理方法和系统，所述方法和系统在进行工单抽样得到待质检的各个话务工单后，对每个话务工单所对应的录音音频数据进行语音分析，并对每个话务工单及其相对应录音的语音分析结果进行综合分析、质检，得到综合质检结果；最终，依据各话务工单对应的综合质检结果以及各话务工单的客服归属情况，获得各个话务工单所对应的各个被抽样客服的质检结果，实现了自动化的客服质检过程。从而，应用本申请可克服现有的人工质检方式所存在的人工资源占有量大、质检效率低、质检结果不够客观等问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是本发明实施例一公开的质检处理方法流程图；

图2是本发明实施例一公开的改进后的C4.5算法流程图；

图3是本发明实施例一公开的基于改进后C4.5算法的质检抽样方法流程图；

图4是本发明实施例一公开的语音分析框架示意图；

图5是本发明实施例一公开的工单及语音质检示意图；

图6是本发明实施例一公开的质检处理系统的结构示意图。

具体实施方式

为了引用和清楚起见，下文中使用的技术名词、简写或缩写总结解释如下：

C4.5决策树分类算法：简称C4.5算法，决策树算法是应用最广泛的分类算法，在所有决策树分类算法中，最有影响力的是Quinlan在1986年提出的ID3算法，它采用信息增益来选择决策树节点的分裂属性；在ID3算法的基础上，Quinlan在1993年又提出了C4.5算法，它采用信息增益率来选择决策树节点的分裂属性，克服了ID3算法偏向于取多值属性为分裂属性的缺点；C4.5算法还在ID3算法的基础上增加了一系列新功能，如对连续属性的处理功能、决策树剪枝功能等；C4.5算法产生的分类规则易于理解，准确率高。

Adaboost算法：Adaboost算法可构建多个分类器并对其进行合并以提升预测准确率，训练集中的每个样本都被赋予权重，权重越高的样本对构建分类器的影响越大。初始时，样本被赋予相同的权重；构建一个分类器后，调整一次样本权重，使得被分类器错误分类的样本获得较高的权重，以便在构建下一个分类器时重点关注。

XML文件：XML是可扩展标记语言(ExtensibleMarkupLanguage，XML)的缩写，用于标记电子文件使其具有结构性的标记语言，可以用来标记数据、定义数据类型，是一种允许用户对自己的标记语言进行定义的源语言。XML提供统一的方法来描述和交换独立于应用程序或供应商的结构化数据。

AHP算法：层次分析方法(AnalyticHierarchyProcess)，简称AHP，是美国数学家T.L.SATTY教授于20世纪70年代提出的一种决策思维方法。层次分析法将定量分析与定性分析结合起来，用决策者的经验判断各衡量目标能否实现的标准之间的相对重要程度，并合理地给出每个决策方案的每个标准的权数，利用权数求出各方案的优劣次序，比较有效的应用于那些难以用定量方法解决的难题。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

国家级运营商或超大型企业客服中心的客服质检工作一般包括质检抽样，质检实施，质检评分和质检分析等环节，基于此，本申请通过提供一种质检处理方法和系统，实现了从工单抽样到语音和工单质检(客服质检具体落实在对客服话务产生的话务工单、话务录音的质检上)，再到质检评分和质检结果分析全过程的自动化、智能化处理。接下来，对本申请提出的质检处理方法和系统进行详细说明。

实施例一

本实施例一公开一种质检处理方法，参考图1，所述方法可以包括以下步骤：

S101：利用预设的质检抽样方法在待抽检的全量话务工单中进行工单抽样，得到待质检的工单样本集；其中，每一话务工单包含一个用于指示其归属客服的客服标识。

其中，所述话务工单为客服话务所产生的工单，每个话务工单对应相应的话务录音。

现有技术中，在质检抽样环节，质检部门在考虑不同业务服务风险的基础上，一般使用随机抽检方法从各业务类型全量工单中按不同比例抽取少量的工单进行质检，服务风险越大的业务抽样比例越大。这种简单的抽样策略虽然考虑了业务服务风险，但是未考虑到客服人员间的公平性，导致出现客服被抽检的工单数不均衡、部分客服只抽到极少工单甚至没有抽到工单的情况；同时，由于问题工单在全部工单中的占比往往较小，随机抽检方式易导致被抽检的工单中仅包含极小部分的问题工单，进而导致大量人力被浪费在对没有问题的工单的质检上，质检工作的效率较低且漏检率较高。

为解决随机抽检方式存在的上述问题，本申请提出一种改进的C4.5决策树分类算法(其中，C4.5决策树分类算法简称C4.5算法)，并利用改进的C4.5算法构建客服分类模型，来对本次质检时间范围内的客服是否存在问题工单进行分类，得到各个客服存在问题的概率，实现对客服存在问题的情况进行预估。在此基础上，依据预估结果并结合考虑不同业务的服务风险，从本次质检工作范围内的全量工单中有针对性地进行工单抽验，在抽样过程中，更倾向于从问题概率数值较大的客服的工单中抽取。

以下对本申请对C4.5算法作出的改进进行介绍。

C4.5算法产生的分类规则易于理解，准确率高，但C4.5算法假定数据集中各类样本均衡分布以及假定误判成本均等，且以最小化错误率为目标构建分类器，所构建的分类器在实际应用中可能存在严重问题，因为不同类别误判的影响程度差别巨大。例如，在客服是否存在问题工单的分类问题中，由于存在问题工单的客服在全部客服中的占比较小，因此该分类问题为不平衡分类问题；此外，该分类问题的误判成本不均等，在该分类问题中，把一个存在问题的客服误判为没有问题要比把一个没有问题的客服误判为有问题的后果严重得多，因为把一个存在问题的客服误判为没有问题会造成漏检，而把一个没有问题的客服误判为有问题只影响质检效率。因此使用现有的C4.5算法对客服是否存在问题工单这一分类问题进行分类建模可能存在严重问题。

为了解决现有的C4.5算法存在的上述问题，使其适用于样本分布不均衡且误判成本不均等的客服分类问题，本申请引入误判成本矩阵和Adaboost算法对C4.5算法进行改进。

首先，本申请在C4.5算法中引入了误判成本矩阵，误判成本是对某一种误判所产生后果严重性的度量，值越大表明误判的后果越严重，一个好的分类器要尽可能减少后果严重的误判，本质上讲，误判成本是构建分类器过程中所要考虑的重要因子，避免构建的分类器产生后果严重的误判。将不同的误判成本值以矩阵的形式展现出来则为误判成本矩阵，矩阵显示了预测类别与实际类别每种组合的误判成本。

在此基础上，将C4.5算法构建决策树过程中叶节点的分类标记公式和节点t的错误样本率r(t)分别修改为以下的式(1)和式(2)：

$r\left(t\right)=\frac{\left|S_{TF}\right|\×C(T,F)+\left|S_{FT}\right|}{\left|S_T\right|\×C(T,F)+\left|S_F\right|}---\left(2\right)$

式(1)和式(2)中，S_T和S_F分别为节点对应的样本集中存在以及不存在问题的样本子集；S_TF为节点对应的样本集中有问题但被误判为没问题的样本子集；S_FT为节点对应的样本集中没问题但被误判为有问题的样本子集；C(T,F)和C(F,T)分别为将存在问题的客服误判为不存在问题的误判成本、将不存在问题的客服误判为存在问题的误判成本。

其中，针对客服是否存在问题工单这一分类问题，在使用C4.5算法构建决策树过程中，每个叶节点对应的是多个客服样本，每个决策树节点都包括多个客服，通过不断的子树划分、构建过程，将节点的客服分到该节点的子节点中。C4.5决策树的构建及剪枝策略可参考现有技术的相关文档。

然后，将误判成本矩阵引入到Adaboost算法中，引入误判成本矩阵后，本申请将Adaboost算法中样本权重w_i的初始化公式及分类器C_j的样本误差权重公式θ(i,j)分别修改为以下的式(3)和式(4)：

式(3)和式(4)中，S表示全部样本，|S|表示样本数量，s_i为第i个样本，C_j表示adaboost算法构建的多个分类器中第j个分类器。

最后，将引入了误判成本矩阵的C4.5算法和引入了误判成本矩阵的Adaboost算法结合，作为本申请改进后的C4.5算法，利用Adaboost算法构建多个分类器得到组合分类器，使用组合分类器对客服是否存在问题工单进行分类。改进后的C4.5算法流程图参考图2所示，可包括以下步骤：

S201：设置误判成本和决策树数量；

S202：随机抽样生成子集；

S203：在子集上构建决策树；

S204：使用决策树对所有样本进行分类；

S205：计算分类错误率；

S206：判断分类错误率是否大于0.5，如果判断结果为是，则转至执行步骤S202；否则，如果判断结果为否，则继续执行步骤S207；

S207：计算决策树权重更新样本权重；

S208：分类器数量加1；

S209：判断当前分类器数量值是否大于设定的决策树数量值，如果判断结果为否，则转至执行步骤S202；否则，如果判断结果为是，则继续执行步骤S210；

S210：组合决策树分类器。

至此，本申请通过引入误判成本和Adaboost算法实现了对C4.5算法进行改进。接下来，基于改进的C4.5算法设计本申请在质检抽样环节所采用的质检抽样方法，参考图3，本申请的质检抽样方法具体包括以下流程：

S301：采集客服建模数据。

S302：对客服建模数据进行数据清理。

S303：使用改进的C4.5算法，基于数据清理后的客服建模数据构建决策树分类器。

S304：采集客服预测数据。

S305：对客服预测数据进行数据清理。

S306：使用构建的分类器对数据清理后的客服预测数据进行客服分类，得到每个客服人员存在问题工单的概率。

S307：利用客服存在问题的概率进行质检抽样。

具体地，所采集的客服建模数据包括客服人员(用于建模的客服人员的选定范围可自行设定)的基本信息、工作能力数据和预设历史时间段内(例如前段时间内)的工作质量、工作量和质检结果数据。

之后，对采集的客服建模数据进行数据清理，得到有效的客服建模数据，清理后的数据集包括客服工号、性别、政治面貌、户口性质、年龄、学历、工龄、平均通话时长、平均呼出时长、服务评价推送率、服务评价满意率、有效满意率、制单率、退单率、平均案头时长、故障技能等级、投诉举报技能等级、综合技能等级、接听电话量、呼出电话量、总工单数、客服类别22个字段，其中，工号作为记录ID(identity，身份标识号码)，客服类别作为模型输出，剩余20个字段作为模型数据进行分类模型训练。

接下来，利用改进的C4.5算法对数据清理后的客服建模数据进行训练，得到客服分类模型。在此基础上，利用构建的客服分类模型，再利用采集的客服预测数据，如客服人员的基本信息、工作能力数据和本次质检时间范围内的工作质量、工作量数据，对本次质检时间范围内客服是否存在问题工单进行分类，得到客服存在问题工单的概率，实现对客服是否存在问题工单进行预判。最后，根据客服存在问题工单的概率进行工单抽样，在抽样过程中，更倾向于从存在问题的概率更大的客服的工单中抽取。

S102：获取所述工单样本集中每个话务工单所对应的话务录音，并对所述话务录音的音频数据进行语音分析，得到所述话务录音的语音分析结果。

在进行质检抽样的基础上，本步骤对被抽取工单所对应的录音音频数据进行语音分析，其中，语音分析的分析内容具体包括语音识别、时间识别、断话识别、语速识别、冷场识别、语气识别、语调识别、音量识别、情绪识别、方言使用识别和发音质量识别等。

对本申请进行应用时，参考图4，可通过相应个数的语音分析线程，来分别实现语音识别、时间识别、断话识别等各个语音分析功能，具体地，可首先采用一抽样调度器基于本申请提供的上述质检抽样方法进行工单抽样，之后，将被抽取工单所对应的录音调度到各个语音分析线程进行语音分析，语音分析完成后，每个录音的语音分析结果被保存到一个XML文件中。

S103：对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行综合分析、质检，得到每个话务工单所对应的综合质检结果。

本步骤具体利用文本挖掘技术，对话务工单的工单数据，及工单所对应录音的语音分析结果进行文本分析挖掘，并在此基础上，基于相应的座席部门业务规范及知识库，对文本分析挖掘结果进行质检。

其中，如图5所示，质检内容具体包括：引导语和结束语等规范用语使用识别；不文明用语、服务忌语、口头禅识别；讽刺、嘲笑、辱骂以及推诿搪塞识别；座席业务解答与实际规定符合度评测；工单内容与录音一致性评测；客服中心座席与客户交流顺畅度评测；客服座席与客户交流内容合规性评测等，最终将工单及其相应录音的综合质检结果保存在XML文件中。

S104：依据各话务工单对应的综合质检结果及各话务工单的客服归属情况，获得所述工单样本集所对应的各个被抽样客服的质检结果。

基于上述对工单及其相应录音的综合质检结果，本步骤首先利用AHP(AnalyticHierarchyProcess，层次分析法)算法计算每个被质检工单的质检评分(其中，结合考虑工单相对应录音的质检情况)，然后通过计算每个被抽检客服所有被质检工单的评分的平均数值，得到每个被抽检客服的质检评分。

进一步地，还参考本次质检过程中的语音分析结果、文本挖掘结果以及质检结果内容，对客服人员的差错数量、严重程度、类型进行统计分析，并将统计分析结果与前期的历史质检结果进行对比，以发现客服存在的共性和个性问题以及问题的变化情况。

由以上方案可知，本申请方法在进行工单抽样得到待质检的各个话务工单后，对每个话务工单所对应的录音音频数据进行语音分析，并对每个话务工单及其相对应录音的语音分析结果进行综合分析、质检，得到综合质检结果；最终，依据各话务工单对应的综合质检结果以及各话务工单的客服归属情况，获得各个话务工单所对应的各个被抽样客服的质检结果，实现了自动化的客服质检过程。从而，应用本申请可克服现有的人工质检方式所存在的人工资源占有量大、质检效率低、质检结果不够客观等问题。

实施例二

本实施例公开一种质检处理系统，参考图6，所述系统包括抽样模块100、语音分析模块200、质检模块300和质检结果获取模块400。

抽样模块100，用于利用预设的质检抽样方法在待抽检的全量话务工单中进行工单抽样，得到待质检的工单样本集；其中，每一话务工单包含一个用于指示其归属客服的客服标识。

其中，所述抽样模块100包括建模数据采集单元、建模数据清理单元、分类器构建单元、预测数据采集单元、预测数据清理单元、分类预测单元和抽样单元。

建模数据采集单元，用于采集预设的客服建模数据；所述客服建模数据包括用于建模的各个客服人员的基本信息、工作能力数据以及预设历史时间段内的工作质量、工作量和质检结果数据；

建模数据清理单元，用于对所述客服建模数据进行数据清理，得到有效的客服建模数据；

分类器构建单元，用于基于所述有效的客服建模数据，使用改进的C4.5算法构建决策树分类器，所述决策树分类器用于对客服是否存在问题工单进行分类；

预测数据采集单元，用于采集客服预测数据；所述客服预测数据包括各个待预测客服人员的基本信息、工作能力数据和本次质检时间范围内的工作质量、工作量数据；

预测数据清理单元，用于对所述客服预测数据进行数据清理，得到有效的客服预测数据；

分类预测单元，用于使用所述决策树分类器对所述客服预测数据进行分类，得到分类结果；所述分类结果包含：每个待预测客服人员存在问题工单的概率数值；

抽样单元，用于依据所述分类结果，在待抽检的全量话务工单中进行工单抽样。

语音分析模块200，用于获取所述工单样本集中每个话务工单所对应的话务录音，并对所述话务录音的音频数据进行语音分析，得到所述话务录音的语音分析结果。

所述语音分析模块200包括语音分析单元，用于对所述话务录音的音频数据分别进行语音识别、时间识别、断话识别、语速识别、冷场识别、语气识别、语调识别、音量识别、情绪识别、方言使用识别和发音质量识别，得到可扩展标记语言XML文档形式的语音分析结果。

质检模块300，用于对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行综合分析、质检，得到每个话务工单所对应的综合质检结果。

所述质检模块300包括文本挖掘单元和质检单元。文本挖掘单元，用于对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行文本分析挖掘，得到每个话务工单对应的文本挖掘结果；质检单元，用于基于相应的座席部门业务规范及知识库，对所述文本挖掘结果进行质检。

质检结果获取模块400，用于依据各话务工单对应的综合质检结果及各话务工单的的客服归属情况，获得所述工单样本集所对应的各个被抽样客服的质检结果。

所述质检结果获取模块400包括第一质检评分单元、第二质检评分单元和统计分析单元。

第一质检评分单元，用于依据每个话务工单对应的综合质检结果，对所述话务工单进行质检评分；

第二质检评分单元，用于依据各话务工单的质检评分数值、各话务工单的客服归属情况，计算每个被抽样客服对应的被质检话务工单的平均质检评分数值，得到各个被抽样客服的质检评分数值；

统计分析单元，用于依据各个被抽样客服对应的被质检话务工单的质检结果，对所述各个被抽样客服的差错数量、严重程度、类型进行统计分析，并将统计分析结果与历史质检结果进行对比，以发现客服存在的共性、个性问题以及问题的变化情况。

对于本发明实施例二公开的质检处理系统而言，由于其与实施例一公开的质检处理方法相对应，所以描述的比较简单，相关相似之处请参见实施例一中质检处理方法部分的说明即可，此处不再详述。

综上所述，相比于现有技术，本申请具有以下优势：

1)本申请实现了从工单抽样到语音、工单质检，再到质检评分、质检结果分析全过程的自动化、智能化处理。将质检团队从听录音、评分的人工重复劳动中解脱了出来，从而可使质检团队把更多的精力投入到服务品质管理上去，比如质检消缺、员工辅导、质检申诉等，以便充分发挥质检团队的工作价值；

2)本申请解决了目前人工质检方式存在的抽样不均衡、质检效率低、质检任务繁重、质检工作不够客观等问题；

3)在技术上，本申请分别利用数据挖掘算法、语音分析技术和文本挖掘技术实现了工单抽样、语音及工单质检，降低了质检成本，提高了质检效率，提高了存在问题的工单在抽样工单中的占比，降低了主观因素对质检结果的影响。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

为了描述的方便，描述以上系统或装置时以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

最后，还需要说明的是，在本文中，诸如第一、第二、第三和第四等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (11)

1.一种质检处理方法，其特征在于，包括：

利用预设的质检抽样方法在待抽检的全量话务工单中进行工单抽样，得到待质检的工单样本集；其中，每一话务工单包含一个用于指示其归属客服的客服标识；

获取所述工单样本集中每个话务工单所对应的话务录音，并对所述话务录音的音频数据进行语音分析，得到所述话务录音的语音分析结果；

对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行综合分析、质检，得到每个话务工单所对应的综合质检结果；

依据各话务工单对应的综合质检结果及各话务工单的客服归属情况，获得所述工单样本集所对应的各个被抽样客服的质检结果。

2.根据权利要求1所述的方法，其特征在于，所述利用预设的质检抽样方法在待抽检的全量话务工单中进行工单抽样包括：

采集预设的客服建模数据；所述客服建模数据包括用于建模的各个客服人员的基本信息、工作能力数据以及预设历史时间段内的工作质量、工作量和质检结果数据；

对所述客服建模数据进行数据清理，得到有效的客服建模数据；

基于所述有效的客服建模数据，使用改进的C4.5决策树分类算法构建决策树分类器，所述决策树分类器用于对客服是否存在问题工单进行分类；

采集客服预测数据；所述客服预测数据包括各个待预测客服人员的基本信息、工作能力数据和本次质检时间范围内的工作质量、工作量数据；

对所述客服预测数据进行数据清理，得到有效的客服预测数据；

使用所述决策树分类器对所述客服预测数据进行分类，得到分类结果；所述分类结果包含：每个待预测客服人员存在问题工单的概率数值；

依据所述分类结果，在待抽检的全量话务工单中进行工单抽样。

3.根据权利要求2所述的方法，其特征在于，所述改进的C4.5决策树分类算法为引入误判成本和Adaboost算法对现有的C4.5决策树分类算法进行改进后所得的算法结果。

4.根据权利要求1所述的方法，其特征在于，所述对所述话务录音的音频数据进行语音分析，得到语音分析结果包括：

对所述话务录音的音频数据分别进行语音识别、时间识别、断话识别、语速识别、冷场识别、语气识别、语调识别、音量识别、情绪识别、方言使用识别和发音质量识别，得到可扩展标记语言XML文档形式的语音分析结果。

5.根据权利要求4所述的方法，其特征在于，所述对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行综合分析、质检，包括：

对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行文本分析挖掘，得到每个话务工单对应的文本挖掘结果；

基于相应的座席部门业务规范及知识库，对所述文本挖掘结果进行质检。

6.根据权利要求5所述的方法，其特征在于，所述依据各话务工单对应的综合质检结果及各话务工单的的客服归属情况，获得所述工单样本集所对应的各个被抽样客服的质检结果，包括：

依据每个话务工单对应的综合质检结果，对所述话务工单进行质检评分；

依据各话务工单的质检评分数值、各话务工单的客服归属情况，计算每个被抽样客服对应的被质检话务工单的平均质检评分数值，得到各个被抽样客服的质检评分数值；

依据各个被抽样客服对应的被质检话务工单的质检结果，对所述各个被抽样客服的差错数量、严重程度、类型进行统计分析，并将统计分析结果与历史质检结果进行对比，以发现客服存在的共性、个性问题以及问题的变化情况。

7.一种质检处理系统，其特征在于，包括：

抽样模块，用于利用预设的质检抽样方法在待抽检的全量话务工单中进行工单抽样，得到待质检的工单样本集；其中，每一话务工单包含一个用于指示其归属客服的客服标识；

语音分析模块，用于获取所述工单样本集中每个话务工单所对应的话务录音，并对所述话务录音的音频数据进行语音分析，得到所述话务录音的语音分析结果；

质检模块，用于对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行综合分析、质检，得到每个话务工单所对应的综合质检结果；

质检结果获取模块，用于依据各话务工单对应的综合质检结果及各话务工单的的客服归属情况，获得所述工单样本集所对应的各个被抽样客服的质检结果。

8.根据权利要求7所述的系统，其特征在于，所述抽样模块包括：

建模数据采集单元，用于采集预设的客服建模数据；所述客服建模数据包括用于建模的各个客服人员的基本信息、工作能力数据以及预设历史时间段内的工作质量、工作量和质检结果数据；

建模数据清理单元，用于对所述客服建模数据进行数据清理，得到有效的客服建模数据；

分类器构建单元，用于基于所述有效的客服建模数据，使用改进的C4.5算法构建决策树分类器，所述决策树分类器用于对客服是否存在问题工单进行分类；

预测数据采集单元，用于采集客服预测数据；所述客服预测数据包括各个待预测客服人员的基本信息、工作能力数据和本次质检时间范围内的工作质量、工作量数据；

预测数据清理单元，用于对所述客服预测数据进行数据清理，得到有效的客服预测数据；

分类预测单元，用于使用所述决策树分类器对所述客服预测数据进行分类，得到分类结果；所述分类结果包含：每个待预测客服人员存在问题的概率数值；

抽样单元，用于依据所述分类结果，在待抽检的全量话务工单中进行工单抽样。

9.根据权利要求7所述的系统，其特征在于，所述语音分析模块包括：

语音分析单元，用于对所述话务录音的音频数据分别进行语音识别、时间识别、断话识别、语速识别、冷场识别、语气识别、语调识别、音量识别、情绪识别、方言使用识别和发音质量识别，得到可扩展标记语言XML文档形式的语音分析结果。

10.根据权利要求9所述的系统，其特征在于，所述质检模块包括：

文本挖掘单元，用于对每个话务工单及所述话务工单所对应话务录音的语音分析结果进行文本分析挖掘，得到每个话务工单对应的文本挖掘结果；；

质检单元，用于基于相应的座席部门业务规范及知识库，对所述文本挖掘结果进行质检。

11.根据权利要求10所述的系统，其特征在于，所述质检结果获取模块包括：

第一质检评分单元，用于依据每个话务工单对应的综合质检结果，对所述话务工单进行质检评分；

第二质检评分单元，用于依据各话务工单的质检评分数值、各话务工单的客服归属情况，计算每个被抽样客服对应的被质检话务工单的平均质检评分数值，得到各个被抽样客服的质检评分数值；

统计分析单元，用于依据各个被抽样客服对应的被质检话务工单的质检结果，对所述各个被抽样客服的差错数量、严重程度、类型进行统计分析，并将统计分析结果与历史质检结果进行对比，以发现客服存在的共性、个性问题以及问题的变化情况。