CN106844750A - 一种基于客服机器人中情感安抚的人机交互方法及系统 - Google Patents

Abstract

本发明涉及一种基于客服机器人中情感安抚的人机交互方法及系统，本发明的方法为客服机器人增加“情感安抚”功能，采用情感分类模型识别出用户的情感状态，然后基于情感状态应用情感安抚模型和策略，优化客服体验；其中，情感分类模型和情感安抚模型可根据客服日志数据和人工标注数据采用机器学习算法训练获得。在客服机器人服务的过程中，也可以逐渐补充上述数据，逐步迭代优化效果。本发明提升用户客服体验，可针对用户情感状态的不同进行人性化安抚；提高客服精确性，避免因不理解用户情感表述引起的误解；可与企业用户策略结合，合理利用价值赠送挽回因产品缺陷引起的影响。

Description

一种基于客服机器人中情感安抚的人机交互方法及系统

技术领域

本发明涉及一种客服机器人的人机交互方法和系统，具体涉及一种基于客服机器人中情感安抚的人机交互方法及系统。

背景技术

客服是企业获得用户反馈意见、解决用户产品疑问的一个主要途径。传统的客服业务主要由专业的人工客服人员来处理，使得企业在客服方面的投入会随着客服业务量的增加而高速线性增长，成为不可忽视的支出。针对这一问题，目前比较先进的方案是引入客服机器人，其做法首先是对用户高频、意图明确的热门问题进行分析，抽象成若干类标准问句(Frequently Asked Questions，简称FAQ)，对每一类FAQ由专业的业务人员配置好标准答案，然后针对未来用户的问题，采用技术手段分析该问题是否规约到任何一个已有FAQ，若成功则将预先配置好的答案返回给用户，达到高效地解决用户疑问的效果。客服机器人的引入可以显著降低人工客服量，节约大量客服成本。客服机器人的一般的工作方式如图1(a)、(b)所示。

为实现上述功能，目前的客服机器人主要采用如图2所示的技术方案。

在客服机器人上线前，首先需要与业务方沟通，获取高频、语义明确的标准问题，形成FAQ知识库，然后以人工标注的方式，对每一个FAQ补充人工标注数据，再基于标注数据训练排序模型和置信度模型。完成上述准备工作后，客服机器人便具备了上线的条件。在线上服务阶段，每当收到用户的问题query，会使用排序模型对候选的FAQ进行排序，判断query与每个FAQ的相关性，然后再根据置信度模型判断排在第一位的答案的置信度。如果置信度足够高则直接把Top-1FAQ对应的答案返回给用户；否则就推荐Top-N条最可能FAQ供用户点击选择(其中N是参数，由业务方设置，默认为3)，以上便完成了客服机器人对用户query作答的过程。此外，在客服机器人运转的过程中会积累用户query日志和用户点击日志，分别可用于挖掘新FAQ补充知识库和补充标注数据修正排序模型和置信度模型的精度。

上述客服机器人方案已经被验证可用于高效解决一部分高频的用户问题。然而，在客服这个场景下，用户在反馈问题的同时往往夹杂着非常复杂的情感因素，包含了用户对企业产品某些功能的喜爱或不满，往往需要客服人员结合企业的政策进行“情感安抚”。目前的客服机器人对这些情感是无法感知的，它只会就事论事地提取用户关键问题的语义，然后机械地给出在模型层面上最匹配的答案，不可避免得会让很多用户觉得自己不被重视，在损伤用户体验方面存在很大的风险。这种“情感安抚”功能的缺失，极大地限制了客服机器人的应用前景，不突破将永远无法实现采用机器人代替专业客服人员这一最终的目标。

由于客服中的很多用户问题都夹杂着非常复杂的情感，目前的客服机器人尚无法精确识别和处理这些情感，导致难以达到理想的效果。目前主流客服机器人面对情感问题的表现如图3(a)、(b)所示。

由于缺乏对用户情感的精确感知与处理，目前的客服机器人在面对包含复杂情感的用户问题时，处理的方式一般可以归纳为以下三种：(1)无法理解用户情感表述，并且情感表述对理解用户问题语义存在干扰，造成问题语义理解不准；(2)无法理解用户情感表述，对包含情感表述的问题给出默认统一回答或直接转人工客服处理；(3)无法理解用户情感表述，但可以忽略这些无法理解的表述，只保留与问题高度相关的表述进行语义理解和处理。从以上三种常见的处理方式可以看出，目前的客服机器人都无法理解用户情感表述，再处理这些情感相关的表述时，最好的情况是可以在不影响问题语义理解的条件下忽略这些情感表述，最差的情况下不仅无法处理情感表述，还会对问题语义理解造成误解。在情感理解和处理方面功能的确实，使得目前的客服机器人与人工客服的情感处理水平相比还存在巨大差距。

发明内容

针对现有技术中的不足，本发明的目的是提供一种基于客服机器人中情感安抚的人机交互方法及系统，在客服机器人中引入“情感安抚”功能的方案，这种“情感安抚”功能一方面有助于理解用户问题中的情感元素，提高语义理解的精度，另一方面还能够结合企业的政策对用户的情感诉求进行有效安抚。

本发明的目的是采用下述技术方案实现的：

本发明提供一种基于客服机器人中情感安抚的人机交互方法，其改进之处在于，所述方法包括下述步骤：

(1)构建情感分类模型；

(2)对情感安抚的级别分类；

(3)构建情感安抚模型；

(4)对情感标注数据和情感安抚模型进行训练。

进一步地，所述步骤(1)中，所述情感分类模型根据人工标注数据采用机器学习算法训练获得；所述情感分类模型包括情感状态，所述情感状态包括五级分类，即满意、一般、微词(介于一般和不满之间的隐含批评和不满的话语)、不满和愤怒。

进一步地，所述步骤(2)中，所述情感安抚包括轻度语言安抚、重度语言安抚和语言与价值赠送安抚三类；所述轻度语言安抚和重度语言安抚采用语言安抚来安慰用户；所述语言与价值赠送安抚根据企业运营策略，在运用语言安抚的同时，向用户赠送有价值的物质产品。

进一步地，所述轻度语言安抚、重度语言安抚和语言与价值赠送安抚均由情感安抚模型控制，所述轻度语言安抚针对有微词情感状态的客户进行安抚，所述重度语言安抚针对有不满情感状态的客户进行安抚，所述语言与价值赠送安抚针对有愤怒情感状态的客户进行安抚。

进一步地，所述步骤(3)中，情感安抚模型由企业用户策略和语言安抚模型组成；企业用户策略根据企业应用场景制定；语言安抚模型通过提取人工客服日志获取数据，训练情感安抚语言获得。

进一步地，生成所述语言安抚模型包括下述步骤：

1)提取人工客服日志获取数据；

2)提取用户提问和情感分类模型的人工标注数据；

3)根据人工客服日志数据和人工标注数据通过序列到序列的机器算法训练得到语言安抚模型。

进一步地，所述步骤2)中，人工客服日志数据由下述方式获得：①用户提问的人工标注数据与常见的问题项目与对应问题的解答知识库通过训练生成排序模型；②排序模型与人工标注数据训练得到置信度模型；③判断通过置信度模型是否是直接回答，若是，则给出排在第一位的解答方式来回答；否则，推荐排在第N位的解答问题方式；④通过排在第一位的解答方式来回答和推荐排在第N位的解答问题方式生成人工客服日志数据。

进一步地，所述步骤3)中，机器算法训练得到语言安抚模型的步骤如下：

3.1)对人工客服日志数据和人工标注数据进行数据挖掘，形成格式为<query,response>这种序列到序列的配对；

3.2)利用分词工具，对<query,response>格式的数据进行分词，形成分词后的样本<<q_seg_1,q_seg_2,…,q_seg_m>,<r_seg_1,r_seg_2,…,r_seg_n>>；

3.3)利用word2vec工具，以步骤(3.2)中得到的样本为输入，得到每一个词q_seg_i和r_seg_j的向量化表示(100维浮点数)，样本转化为格式<<q_vec_1,q_vec_2,…,q_vec_m>,<r_vec_1,r_vec_2,…,r_vec_n>>；

3.4)将步骤(3.3)中得到的向量化样本，输入到序列到序列的循环神经网络RNN进行训练，算法收敛后得到所需模型。

进一步地，人工客服包括即时通讯渠道的客服方式，电话客服和视频客服形式；所述电话客服采用加入电话按键行为方式实现，所述视频客服采用加入可视界面上的按钮，或通过语音识别技术和手势识别技术，得到用户交互反馈，优化客服效果。

本发明还提供一种基于客服机器人中情感安抚的人机交互系统，其改进之处在于，所述系统包括：

情感分类模型构建模块：用于构建情感分类模型；

分类模块：用于对情感安抚的级别分类；

情感安抚模型构建模块：用于构建情感安抚模型；

训练模块：用于对情感标注数据和情感安抚模型进行训练。

与最接近的现有技术相比，本发明提供的技术方案达到的有益效果是：

(1)提升用户客服体验，可针对用户情感状态的不同进行人性化安抚；

(2)提高客服精确性，避免因不理解用户情感表述引起的误解；

(3)可与企业用户策略结合，合理利用价值赠送挽回因产品缺陷引起的影响。

(4)本方案为了方便理解，采用即时通讯渠道的机器人客服，但是并不限制这种方案应用于电话客服、视频客服等其他渠道形式。只要加入电话按键行为、加入可视界面上的按钮，或者通过语音识别、手势识别等技术，一样可以加入情感安抚功能。

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一些实施例，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，还可以根据这些附图获得其他的附图。

图1是客服机器人的一般的工作方式；(a)为微信工作方式，(b)为京东客户工作方式；

图2是客服机器人的工作流程图；

图3是主流客服机器人面对情感问题的表现的示意图；

图4是本发明提供的情感分类模型的示意图；

图5是本发明提供的情感安抚模型的示意图；

图6是本发明提供的语言安抚模型训练过程的示意图；

图7是本发明提供的基于客服机器人中情感安抚的人机交互方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

第一优选技术方案

本发明提出一种新的在客服机器人中引入“情感安抚”功能的方案，这种“情感安抚”功能一方面有助于理解用户问题中的情感元素，提高语义理解的精度，另一方面还能够结合企业的政策对用户的情感诉求进行有效安抚。

本发明提供一种基于客服机器人中情感安抚的人机交互方法，其流程如图7所示，包括下述步骤：

(1)构建情感分类模型；

优选的，本发明提出，在收到用户问题表述时，增加一个情感分类模块，用于识别用户的情感状态。一般用户的情感状态可分为“满意”、“一般”和“不满意”三种状态，由于客服业务需要重点关注“不满意”这个状态，而且最好能够体现“不满意”的程度，本方案设计了情感状态的五级分类，即“满意”、“一般”、“微词”、“不满”和“愤怒”，相当于把“不满意”又细化出三种不同级别的状态，有利于对用户情感的精确感知。其中情感分类模型也是人工标注数据训练获得。本发明方案不限于情感状态的分级细化程度，可根据具体需求设计更粗粒度或者更细粒度的情感状态划分方式。情感分类模型的示意图如图4所示。

(2)对情感安抚的级别分类；

本发明提出，可根据企业政策的不同，将情感安抚的级别划分为三种类型，即“轻度语言安抚”、“重度语言安抚”和“语言与价值赠送安抚”，其中前两种主要采用包含安抚用于的表述来安慰用户，第三种是根据企业运营策略，在运用语言安抚的同时，向用户赠送有价值的优惠券等产品。上述三种安抚类型统一由情感安抚模型控制。

(3)构建情感安抚模型；本发明方案不限于情感安抚模型的分级细化程度，可根据企业具体的需求和用户策略设计更粗粒度或者更细粒度的情感安抚级别划分方式。

机器算法训练得到语言安抚模型的步骤如下：

3.1)对人工客服日志数据和人工标注数据进行数据挖掘，形成格式为<query,response>这种序列到序列的配对；

3.2)利用分词工具，对<query,response>格式的数据进行分词，形成分词后的样本<<q_seg_1,q_seg_2,…,q_seg_m>,<r_seg_1,r_seg_2,…,r_seg_n>>；

3.3)利用word2vec工具，以步骤(3.2)中得到的样本为输入，得到每一个词q_seg_i和r_seg_j的向量化表示(100维浮点数)，样本转化为格式<<q_vec_1,q_vec_2,…,q_vec_m>,<r_vec_1,r_vec_2,…,r_vec_n>>；

3.4)将步骤(3.3)中得到的向量化样本，输入到序列到序列的循环神经网络RNN进行训练，算法收敛后得到所需模型。

情感安抚模型的示意图如图5所示，图5中的情感安抚模型由企业用户策略和语言安抚模型两部分组成：企业用户策略根据具体企业应用场景由人工制定；语言安抚模型是通过提取人工客服日志获取数据，训练安抚语言生成模型而获得。语言安抚模型训练过程如图6所示。

(4)对情感标注数据和情感安抚模型进行训练。

本发明的主要思想，是为客服机器人增加“情感安抚”功能，采用情感分类模型识别出用户的情感状态，然后基于情感状态应用情感安抚模型和策略，优化客服体验。

其中，情感分类模型和情感安抚模型可根据客服日志数据和人工标注数据采用机器学习算法训练获得。在客服机器人服务的过程中，也可以逐渐补充上述数据，逐步迭代优化效果。

本方案为了方便理解，采用即时通讯渠道的机器人客服，但是并不限制这种方案应用于电话客服、视频客服等其他渠道形式。只要加入电话按键行为、加入可视界面上的按钮，或者通过语音识别、手势识别等技术，一样可以加入情感安抚功能。

第二优选技术方案

基于同样的发明构思，本发明还提供一种基于客服机器人中情感安抚的人机交互系统，其改进之处在于，所述系统包括：

情感分类模型构建模块：用于构建情感分类模型；

分类模块：用于对情感安抚的级别分类；

情感安抚模型构建模块：用于构建情感安抚模型；

训练模块：用于对情感标注数据和情感安抚模型进行训练。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于客服机器人中情感安抚的人机交互方法，其特征在于，所述方法包括下述步骤：

(1)构建情感分类模型；

(2)对情感安抚的级别分类；

(3)构建情感安抚模型；

(4)对情感标注数据和情感安抚模型进行训练。

2.如权利要求1所述的人机交互方法，其特征在于，所述步骤(1)中，所述情感分类模型根据人工标注数据采用机器学习算法训练获得；所述情感分类模型包括情感状态，所述情感状态包括五级分类，即满意、一般、微词、不满和愤怒。

3.如权利要求1所述的人机交互方法，其特征在于，所述步骤(2)中，所述情感安抚包括轻度语言安抚、重度语言安抚和语言与价值赠送安抚三类；所述轻度语言安抚和重度语言安抚采用语言安抚来安慰用户；所述语言与价值赠送安抚根据企业运营策略，在运用语言安抚的同时，向用户赠送有价值的物质产品。

4.如权利要求3所述的人机交互方法，其特征在于，所述轻度语言安抚、重度语言安抚和语言与价值赠送安抚均由情感安抚模型控制，所述轻度语言安抚针对有微词情感状态的客户进行安抚，所述重度语言安抚针对有不满情感状态的客户进行安抚，所述语言与价值赠送安抚针对有愤怒情感状态的客户进行安抚。

5.如权利要求4所述的人机交互方法，其特征在于，所述步骤(3)中，情感安抚模型由企业用户策略和语言安抚模型组成；企业用户策略根据企业应用场景制定；语言安抚模型通过提取人工客服日志获取数据，训练情感安抚语言获得。

6.如权利要求5所述的人机交互方法，其特征在于，生成所述语言安抚模型包括下述步骤：

(1)提取人工客服日志获取数据；

(2)提取用户提问和情感分类模型的人工标注数据；

(3)根据人工客服日志数据和人工标注数据通过序列到序列的机器算法训练得到语言安抚模型。

7.如权利要求6所述的人机交互方法，其特征在于，所述步骤2)中，人工客服日志数据由下述方式获得：①用户提问的人工标注数据与常见的问题项目与对应问题的解答知识库通过训练生成排序模型；②排序模型与人工标注数据训练得到置信度模型；③判断通过置信度模型是否是直接回答，若是，则给出排在第一位的解答方式来回答；否则，推荐排在第N位的解答问题方式；④通过排在第一位的解答方式来回答和推荐排在第N位的解答问题方式生成人工客服日志数据。

8.如权利要求6所述的人机交互方法，其特征在于，所述步骤3)中，机器算法训练得到语言安抚模型的步骤如下：

(3.1)对人工客服日志数据和人工标注数据进行数据挖掘，形成格式为<query,response>这种序列到序列的配对；

(3.2)利用分词工具，对<query,response>格式的数据进行分词，形成分词后的样本<<q_seg_1,q_seg_2,…,q_seg_m>,<r_seg_1,r_seg_2,…,r_seg_n>>；

(3.3)利用word2vec工具，以步骤(3.2)中得到的样本为输入，得到每一个词q_seg_i和r_seg_j的向量化表示(100维浮点数)，样本转化为格式<<q_vec_1,q_vec_2,…,q_vec_m>,<r_vec_1,r_vec_2,…,r_vec_n>>；

(3.4)将步骤(3.3)中得到的向量化样本，输入到序列到序列的循环神经网络RNN进行训练，算法收敛后得到所需模型。

9.如权利要求7所述的人机交互方法，其特征在于，人工客服包括即时通讯渠道的客服方式，电话客服和视频客服形式；所述电话客服采用加入电话按键行为方式实现，所述视频客服采用加入可视界面上的按钮，或通过语音识别技术和手势识别技术，得到用户交互反馈，优化客服效果。

10.一种基于客服机器人中情感安抚的人机交互系统，其特征在于，所述系统包括：

情感分类模型构建模块：用于构建情感分类模型；

分类模块：用于对情感安抚的级别分类；

情感安抚模型构建模块：用于构建情感安抚模型；

训练模块：用于对情感标注数据和情感安抚模型进行训练。