CN107293309B - 一种基于客户情绪分析提升舆情监控效率的方法 - Google Patents

Abstract

本发明公开一种基于客户情绪分析提升舆情监控效率的方法，涉及计算机通信技术领域，包括如下步骤：S1：获取可用的客户语音；S2：读取客户语音，对客户语音提取情感特征参数，并将情感特征参数量化为数值；S3：将情感特征参数与提前设定的情感特征参数阈值进行比较，对情感特征参数的数值超过阈值的客户进行语义的进一步分析，识别潜在舆情；S4：将分析结果记入数据库。本发明解决了现有客户舆情监控效率低下，导致客户语音抓取不全面，无法正在准确判断客户舆情的问题。

Description

一种基于客户情绪分析提升舆情监控效率的方法

技术领域

本发明涉及通信技术领域，尤其涉及一种基于客户情绪分析提升舆情监控效率的方法。

背景技术

智能语音分析系统将发挥语音分析的指南针作用，通过对投诉客户的来电原因分析、重复来电分析、通话时长分析、满意度分析，及时把握客户需求热点变化趋势，发现服务过程存在问题或服务风险，迅速采取有效应对措施，为推动服务和营销提升提供有力支撑。对客户语音中潜在的舆情监控是为了让我们了解到当前客户的关注热点以及热点业务的访问趋势变化，以便及时了解异常，并对发生异常的原因进行分析，提出制止或解决的办法。但是，现有的客户舆情监控都是通过完全人工的来电原因分析、重复来电分析、满意度分析来实现的，这样不仅效率低下，并且容易导致客户语音抓取不全面，无法真正准确地判断客户舆情。

发明内容

本发明的目的在于：为解决现有客户舆情监控效率低下，导致客户语音抓取不全面，无法正在准确判断客户舆情的问题，本发明提供一种基于客户情绪分析提升舆情监控效率的方法，该方法通过分析客户在于人工坐席通话的过程中对客户情绪的分析，发现潜在的舆情，并将潜在舆情记录到数据库中，此数据库对人工舆情监控进行了补充，把舆情搜集工作从繁重枯燥的人工劳动中解脱出来，能够主动发现舆情，引导舆情监控工作者完成日常舆情监测。

本发明的技术方案如下：

一种基于客户情绪分析提升舆情监控效率的方法，包括如下步骤：

S1：获取可用的客户语音；

S2：读取客户语音，对客户语音提取情感特征参数，并将情感特征参数量化为数值；

S3：将情感特征参数与提前设定的情感特征参数阈值进行比较，对情感特征参数的数值超过阈值的客户进行语义的进一步分析，识别潜在舆情；

S4：将分析结果记入数据库。

具体地，所述的S1中，具体包含如下步骤：

S11：批量选择通话，采用筛选器对语音数据库中的语音进行筛选，筛选器中设有多种筛选模型，筛选模型包括无声电话模型，通话时长模型，坐席工号模型；首先通过无声电话模型进行一级筛选，同时，将此类通话剔除；采用通话时长模型或坐席工号模型对剩下的通话进行二级筛选，从筛选剩下的通话中筛选到符合条件的客户与客服通话过程中的原始语音后，对原始语音进行场景分割，得到客户语音和坐席语音；

S12：提取客户语音，并对客户语音去除噪声和干扰后，进行放大处理得到可用的客户语音。

具体地，所述的S2中，具体包含如下步骤：

S21：将客户语音按照间隔时长进行分段处理，测定每一段客户语音的情感特征参数，其中，情感特征参数包括基频、共振峰、短时能量、时长和语速,将每一段的通话信号中的基频、共振峰、短时能量、时长和语速量化为具体数值；

S22：将S21中测定的情感特征参数与提前设定的情感特征参数阈值进行对比，情感特征参数阈值的设定S1之前、S2之前或S3之前。

具体地，所述的S2中，具体包含如下步骤：

S31：将S22中测得的情感特征参数和提前设定的情感特征参数域值进行比较，筛选出情感特征参数超过阈值的客户语音标记为情绪异常语音，再计算超过的数值，超过阈值越多，异常等级越高，并将客户语音进行异常等级标记，将情感特征参数未超过阈值的客户语音舍去。

S32：将情感特征参数超过阈值的客户语音进行关键词识别，提取出关键词，将关键词与提前建立的敏感词库进行比对，挑选出与关键词最为接近的敏感词汇，挑选出的敏感词汇为1个或多个。

优选地，S32中对情感特征参数超过阈值的客户语音进行关键词识采用两阶段系统，在客户语音的预处理阶段采用零语言模型输出为拼音图，拼音图由利用拼音文法的Token Passing算法生成；检索阶段在拼音图上查找拼音匹配结果，利用拼音文法模型计算拼音串的置信概率完成关键词的筛选与提取。

进一步地，述情感特征参数阈值根据客服的性别的不同而不同。

具体地，S4中，将关键词检索结果和计入数据库中，根据客户语音的情绪异常等级对每一位客户语音进行分类统计。

进一步地，S32中，所述敏感词汇库根据固定周期更新，固定周期包括一天、一周、一个月、一季度、半年、一年。

采用上述方案后，本发明的有益效果在于：

(1)该方法通过分析客户在于人工坐席通话的过程中对客户情绪的分析，发现潜在的舆情，并将潜在舆情记录到数据库中，此数据库对人工舆情监控进行了补充，把舆情搜集工作从繁重枯燥的人工劳动中解脱出来，能够主动发现舆情，引导舆情监控工作者完成日常舆情监测。

(2)在获取可用的客户语音之前对批量的客户语音进行的筛选，剔除掉了无用的通话，在覆盖范围广的前提下又减小了工作量。

(3)情绪分析对于舆情而言具有很强的指示作用，将它运用到语音舆情监控中，通过客户情绪分析来再将通话进行深一步的筛选，对舆情前期的判断比较准确，并且，根据情绪参数超过提前设定的阈值的多少来判定情绪的等级，并根据情绪等级来对客户进行分类，方便后续监控。

具体实施方式

本说明书中公开的所有特征，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

下面对本发明作详细说明。

一种基于客户情绪分析提升舆情监控效率的方法，包括如下步骤：

S1：获取可用的客户语音；

S11：批量选择通话，采用筛选器对语音数据库中的语音进行筛选，筛选器中设有多种筛选模型，筛选模型包括无声电话模型，通话时长模型，坐席工号模型；首先通过无声电话模型进行一级筛选，同时，将此类通话剔除；采用通话时长模型或坐席工号模型对剩下的通话进行二级筛选，从筛选剩下的通话中筛选到符合条件的客户与客服通话过程中的原始语音后，对原始语音进行场景分割，得到客户语音和坐席语音；

S12：提取客户语音，并对客户语音去除噪声和干扰后，进行放大处理得到可用的客户语音。

S2：读取客户语音，对客户语音提取情感特征参数，并将情感特征参数量化为数值；S21：将客户语音按照间隔时长进行分段处理，测定每一段客户语音的情感特征参数，其中，情感特征参数包括基频、共振峰、短时能量、时长和语速,将每一段的通话信号中的基频、共振峰、短时能量、时长和语速量化为具体数值；

S22：将S31中测定的情感特征参数与提前设定的情感特征参数阈值进行对比，情感特征参数阈值的设定S1之前、S2之前或S3之前且情感特征参数阈值根据客服的性别的不同而不同。

S3：将情感特征参数与提前设定的情感特征参数阈值进行比较，对情感特征参数的数值超过阈值的客户进行语义的进一步分析，识别潜在舆情；S33：将S22中测得的情感特征参数和提前设定的情感特征参数域值进行比较，筛选出情感特征参数超过阈值的客户语音标记为情绪异常语音，再计算超过的数值，超过阈值越多，异常等级越高，并将客户语音进行异常等级标记，将情感特征参数未超过阈值的客户语音舍去；

S34：将情感特征参数超过阈值的客户语音进行关键词识别，提取出关键词，将关键词与提前建立的敏感词库进行比对，挑选出与关键词最为接近的敏感词汇，挑选出的敏感词汇为1个或多个，所述敏感词汇库根据固定周期更新，固定周期包括一天、一周、一个月、一季度、半年、一年。。对情感特征参数超过阈值的客户语音进行关键词识采用两阶段系统，在客户语音的预处理阶段采用零语言模型输出为拼音图，拼音图由利用拼音文法的Token Passing算法生成；检索阶段在拼音图上查找拼音匹配结果，利用拼音文法模型计算拼音串的置信概率完成关键词的筛选与提取。

S4：将关键词检索结果和计入数据库中，根据客户语音的情绪异常等级对客户语音进行分类。

本发明不局限于上述具体实施例，应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。总之，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (5)

1.一种基于客户情绪分析提升舆情监控效率的方法，其特征在于，包括如下步骤，

S1：获取可用的客户语音；

S2：读取客户语音，对客户语音提取情感特征参数，并将情感特征参数量化为数值；

S3：将情感特征参数与提前设定的情感特征参数阈值进行比较，情感特征参数阈值的设定在S1之前、S2之前或 S3之前;对情感特征参数的数值超过阈值的客户进行语义的进一步分析，识别潜在舆情；

S4：将分析结果记入数据库;

所述的 S1 中，具体包含如下步骤：

S11：批量选择通话，采用筛选器对语音数据库中的语音进行筛选，筛选器中设有多种筛选模型，筛选模型包括无声电话模型、通话时长模型和坐席工号模型；首先通过无声电话模型进行一级筛选，同时，将此类通话剔除；采用通话时长模型或坐席工号模型对剩下的通话进行二级筛选，从筛选剩下的通话中筛选到符合条件的客户与客服通话过程中的原始语音后，对原始语音进行场景分割，得到客户语音和坐席语音；

S12：提取客户语音，并对客户语音去除噪声和干扰后，进行放大处理得到可用的客户语音;

所述的 S2 中，具体包含如下步骤：

S21：将客户语音按照间隔时长进行分段处理，测定每一段客户语音的情感特征参数，其中，情感特征参数包括基频、共振峰、短时能量、时长和语速,将每一段的通话信号中的基频、共振峰、短时能量、时长和语速量化为具体数值；

所述的 S3 中，具体包含如下步骤：

S31：将 S21中测得的情感特征参数和提前设定的情感特征参数阈值进行比较，筛选出情感特征参数超过阈值的客户语音标记为情绪异常语音，再计算超过

的数值，超过阈值越多，异常等级越高，并将客户语音进行异常等级标记，将情感特征参数未超过阈值的客户语音舍去；

S32：将情感特征参数超过阈值的客户语音进行关键词识别，提取出关键词， 将关键词与提前建立的敏感词库进行比对，挑选出与关键词最为接近的敏感词汇， 挑选出的敏感词汇为 1个或多个。

2.根据权利要求 1 所述的一种基于客户情绪分析提升舆情监控效率的方法， 其特征在于，S32 中对情感特征参数超过阈值的客户语音进行关键词识采用两阶段系统，在客户语音的预处理阶段采用零语言模型输出为拼音图，拼音图由利用拼音文法的 TokenPassing 算法生成；检索阶段在拼音图上查找拼音匹配结果，利用拼音文法模型计算拼音串的置信概率完成关键词的筛选与提取。

3.根据权利要求 1 所述的一种基于客户情绪分析提升舆情监控效率的方法，其特征在于，所述情感特征参数阈值根据客户的性别的不同而不同。

4.根据权利要求 1 所述的一种基于客户情绪分析提升舆情监控效率的方法，其特征在于，S4 中，将关键词检索结果计入数据库中，根据客户语音的情绪异常等级对每一位客户语音进行分类统计。

5.根据权利要求 1 所述的一种基于客户情绪分析提升舆情监控效率的方法，其特征在于，S32 中，所述敏感词库根据固定周期更新，固定周期包括一天、一周、一个月、一季度、半年或一年。