CN109190652A - 坐席分类管理方法、装置、计算机设备和存储介质 - Google Patents
坐席分类管理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109190652A CN109190652A CN201810738729.7A CN201810738729A CN109190652A CN 109190652 A CN109190652 A CN 109190652A CN 201810738729 A CN201810738729 A CN 201810738729A CN 109190652 A CN109190652 A CN 109190652A
- Authority
- CN
- China
- Prior art keywords
- banquet
- art
- attended
- attending
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000021167 banquet Nutrition 0.000 title claims abstract description 281
- 238000007726 management method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000010354 integration Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 230000002996 emotional effect Effects 0.000 claims description 79
- 230000036651 mood Effects 0.000 claims description 41
- 230000008451 emotion Effects 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 239000012141 concentrate Substances 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims 1
- 230000004069 differentiation Effects 0.000 abstract description 8
- 230000014759 maintenance of location Effects 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 235000012054 meals Nutrition 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本申请揭示了一种坐席分类管理方法、装置、计算机设备和存储介质，其中方法包括：获取坐席与用户的通话信息，并将通话信息转换成文本信息；将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类，所述分类模型是基于已知的样本数据输入到预设的神经网络模型中训练而得，所述样本数据包括多个文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签；根据坐席分类结果，推荐对应的管理建议。本申请中，抓取坐席的通话信息并将其转换成文本，之后输入到预设的分类模型中学习，对所述坐席进行分类，以得到坐席关于性格、能力的不同分类，进而可以动态评估人才，为坐席的后续培养提供差异化的管理建议，助力坐席快速成长，提升留存率。
Description
技术领域
本申请涉及到计算机领域，特别是涉及到坐席分类管理方法、装置、计算机设备和存储介质。
背景技术
在已有的数据挖掘模型当中，大部分画像都是基于对用户的画像，而在少量的已有的基于坐席的画像当中，也都是基于坐席的简历进行。基于简历等信息对坐席画像，不能真实有效地反映坐席的性格等，无法对坐席进行有效的分类，从而无法进行针对性的培训等。
发明内容
本申请的主要目的为提供一种坐席分类管理方法、装置、计算机设备和存储介质，旨在解决无法对坐席有效分类，从而无法进行有效培训管理的问题。
为了实现上述发明目的，本申请提出一种坐席分类管理方法，包括：
获取坐席与用户的通话信息，并将通话信息转换成文本信息；
将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类，其中，所述分类模型是基于已知的样本数据输入到预设的神经网络模型中训练而得，所述样本数据包括多个文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签；
根据坐席分类结果，推荐对应的管理建议。
进一步地，上述将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类的步骤之后，还包括：
采集用户的语音信息，并将所述语音信息解析成语义信息和声音信息；
将所述语义信息和声音信息输入到预设的情绪识别模型中运算，得到所述用户的第一情绪状态；其中，所述情绪识别模型是基于相互关联的语义信息样本、声音信息样本和情绪样本训练得到的模型；
在预设的话术数据库中查找与所述第一情绪状态对应的话术；
将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席。
进一步地，所述将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席的步骤之后，包括：
在指定时间长度内采集同一所述坐席对应的各所述用户出现负向情绪状态的第一次数，以及用户被坐席说服消除负面情绪的第二次数；
根据所述第二次数比上第一次数的比值，在预设的说服应变力表中，查找所述坐席的说服应变能力值。
进一步地，所述根据所述第二次数比上第一次数的比值，在预设的说服应变力表中，查找所述坐席的说服应变能力值的步骤之前，包括：
判断所述第一次数是否大于预设值；
若否，则直接判定所述坐席为预设的说服应变能力值。
进一步地，所述在预设的话术数据库中查找与所述第一情绪状态对应的话术的步骤，包括：
在所述话术数据库中查找与所述语义信息对应的多条话术，形成第一话术集；
在所述第一话术集中查找与所述用户的第一情绪状态对应的话术。
进一步地，所述在预设的话术数据库中查找与所述第一情绪状态对应的话术的步骤，包括：
在所述话术数据库中查找与所述第一情绪状态对应的多条话术，形成第二话术集；
在所述第二话术集中查找与所述语义信息对应的所述话术。
进一步地，所述将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席的步骤之后，包括：
判断所述坐席是否表述完成所述话术；
如果是，则获取所述用户的反馈语音信息，并根据所述反馈语音信息判断所述用户的第二情绪状态；
比较所述第二情绪状态和第一情绪状态，以判断所述用户的情绪是否正向变化。
本申请还提供一种坐席分类管理装置，包括：
获取单元，用于获取坐席与用户的通话信息，并将通话信息转换成文本信息；
分类单元，用于将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类，其中，所述分类模型是基于已知的样本数据输入到预设的神经网络模型中训练而得，所述样本数据包括多个文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签；
推荐单元，用于根据坐席分类结果，推荐对应的管理建议。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的坐席分类管理方法、装置、计算机设备和存储介质，抓取坐席的通话信息并将其转换成文本，之后输入到预设的分类模型中学习，对所述坐席进行分类，以得到坐席关于性格、能力的不同分类，进而可以动态评估人才，为坐席的后续培养提供差异化的管理建议，因材施教，助力坐席快速成长，提升留存率，还可以为坐席提供适当的话术，降低坐席与用户沟通的压力。
附图说明
图1为本申请一实施例的坐席分类管理方法的流程示意图；
图2为本申请一实施例的坐席分类管理装置的结构示意框图；
图3为本申请一实施例的坐席分类管理装置的结构示意框图；
图4为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提出一种坐席分类管理方法，包括步骤：
S1、获取坐席与用户的通话信息，并将通话信息转换成文本信息；
S2、将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类，其中，所述分类模型是基于已知的样本数据输入到预设的神经网络模型中训练而得，所述样本数据包括多个文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签；
S3、根据坐席分类结果，推荐对应的管理建议。
如上述步骤S1所述，上述通话信息包括有反应通话含义的语义信息，而文本信息则是根据语义信息转换而成。将语义信息转换成文本信息是一种成熟的技术，在此不在赘述。
如上述步骤S2所述，上述分类模型一般为CNN(卷积神经网络)模型，其优点是：共享卷积核，对高维数据处理无压力，而且无需手动选取特征，特征分类效果好。本实施例中，会先将文本信息进行向量化，得到对应文本信息的向量化矩阵，然后通过分类模型对向量化矩阵进行特征分类处理。上述分类模型是通过训练集训练初始的CNN模型而得，其训练过程包括：将指定数量的样本数据作为训练集输入到初始的CNN模型中进行监督训练，其中，样本数据包括各种文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签等，当训练结束后，会得到一个输入文本信息输出坐席分类结果的结果分类模型；然后再使用指定数量的样本数据作为测试集对所述结果分类模型进行验证，同样的，测试集中的样本数据同样是各种文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签等，分别输入文本信息对应的向量矩阵到结果分类模型中，如果输出的结果与该文本信息对应的坐席分类标签一致率大于预设的阈值，则说明结果分类模型验证通过，可以作为分类模型使用。上述坐席分类包括多种，比如乐群性类别、孤独性类别、强抗压性类别、低抗压性类别、强应变力类别、低应变力类别等。在一个具体实施例中，当通话信息转换成很长的文本信息时，通过NLP(神经语言程序学，Neuro-Linguistic Programming)技术对多段文本信息进行学习，以对很长的文本信息进行分段，分别对每一个段文本信息进行分类处理，使坐席得到多个坐席分类标签，比如坐席同时具有乐群性类别标签和强抗压性类别标签等。当一个坐席出现多个相互矛盾的类别标签时，选择出现频率较高的类别标签作为该坐席的一个类别标签，删除另一个类别标签；或者，保留相互矛盾的类别标签，表示该坐席属于在两个相互矛盾的类别标签的中间派等，具体地，多段文本信息中，反应出坐席具有乐群性，同时也有孤独性，那么说明该坐席属于乐群性的孤独性的中间派。
如上述步骤S3所述，上述管理建议包括对应上述坐席的培训课程建议、差异化管理建议、话术选择建议等，以提高坐席的综合能力，进而提高坐席的留存率。上述话术选择建议，是指根据坐席的类别标签，推荐适合的话术，比如，坐席是乐群性的，则选择积极向上的话术给坐席，以便于发挥坐席的性格特点，提高坐席的表述清晰度；又比如，坐席是孤独性的，则选择比较中性的话术给坐席，以防止推荐其积极灵动的话术，导致坐席无法适应而使用较为怪异的语调等进行表述，降低用户的体验。上述培训课程建议，主要是为了因材施教，比如，坐席为乐群性的，则推荐其公关、团建、组织等工作时需要相对配合的培训课程，以发挥其乐群性的特点，同样，如果坐席为孤独性的，则推荐其财务、记录等相对独立的工作的培训可能，以使坐席找到适合其本身工作的发展方向。上述差异化管理建议，即为预先设定有针对不同分类结果的管理方法，当确定坐席的分类结果后，直接使用对应的管理方法，管理效率更高。
在一个实施例中，上述将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类的步骤S2之后，还包括：
S201、采集用户的语音信息，并将所述语音信息解析成语义信息和声音信息；
S202、将所述语义信息和声音信息输入到预设的情绪识别模型中运算，得到所述用户的第一情绪状态；其中，所述情绪识别模型是基于相互关联的语义信息样本、声音信息样本和情绪样本训练得到的模型；
S203、在预设的话术数据库中查找与所述第一情绪状态对应的话术；
S204、将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席。
如上述步骤S201所述，上述语音信息是指用户与客服人员进行电话等语音交互设备进行语音交互时发出的语音信息。本实施例中，采集用户的语音信息的方法包括两种，第一种是一直开启用户线路的录音功能，无论用户使用的终端是否发出声音，都会进行录音，比如，当用户说完一段话后，停止说话并收听客服人员的话语，此时上述终端并没有上传用户的语音，但是同样处于录音状态；另一种是对用户使用的终端上传的声音进行识别，比如，判断上述终端上传的声音分贝是否大于预设值，如果大于所述预设值才会认为用户在发出有效的声音，从而记录当前的语音信息等。上述语义信息是指反映用户所说话语要表达的意思信息，一般通过语音识别技术将上述语音信息转换成文本信息，然后通过文本信息解读出上述语义信息。上述声音信息一般包括声音的频率、幅度、以及频率和幅度的变化等信息。
如上述步骤S202所述，上述相互关联的语义信息样本、声音信息样本和情绪样本是指相互对应的样本数据，比如，语义信息样本为“为什么不可以”，其对应的声音信息样本为“声音频率为100-150Hz之间变化，幅度在150-200分贝之间变化”，对应的情绪样本为“负向二级”等。将已知的大量的样本数据输入到预设的神经网络中进行训练，既可以得到对应的模型，因为训练模型是公知的训练方法，在此不在赘述。本实施例中，上述情绪识别模型是基于Bi-LSTM模型训练而得。上述情绪识别模型是指输入语义信息和声音信息后，输出对应的情绪的模型。在一个实施例中，上述情绪识别模型输出的第一情绪状态是一组向量，或者是对应该组向量对应的情绪等级。情绪等级可以包括多种，如正向一级、正向二级和正向三级，正向等级越高，表示用户的情绪越加的好，以及负向一级、负向二级、负向三级，负向等级越高，表示用户的情绪越加的坏。
如上述步骤S203所述，上述话术数据库中预设有多种话术，每一种情绪状态关联有至少一条话术。当获知到用户的第一情状态后，就可以根据情绪状态查找到对应的话术。上述话术数据库中的话术是通过经验总结而来的，比如，当用户出现极端的负向三级情绪时，通过什么样的话术可以有效平复用户的情绪，是客服人员以及心理学家等总结而来的。
如上述步骤S204所述，当查找到与第一情绪状态对应的话术后，既可以推荐给客服人员，以便于客服人员根据推荐的话术与用户进行对话。方便客服人员快速、有效地缓解用户的负面情绪，提高客服人员与用户的通话质量，提高用户的客服咨询体验，同时可以减少客服人员担心激怒用户、加深用户负面情绪的心理负担，同时降低用户对客服人员的投诉率等。进一步地，不同类别的坐席的性格不同，其对相同的话术的表达效果各不相同，本申请会提前将不同的话术设置对应坐席类别的标签，当根据用户情绪推荐话术时，将查找的话术在进行分类，挑选出对应坐席类别的话术，以提高坐席与用户之间的沟通效率。
在一个实施例中，上述将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席的步骤S204之后，包括：
S205、在指定时间长度内采集同一所述坐席对应的各所述用户出现负向情绪状态的第一次数，以及用户被坐席说服消除负面情绪的第二次数；
S206、根据所述第二次数比上第一次数的比值，在预设的说服应变力表中，查找所述坐席的说服应变能力值。
如上述步骤S205和S206所述，上述说服应变力表是一个比值与说服应变能力值一一映射的电子表格，说服应变能力值越高，说明坐席的应变能力和说服能力越强。本实施例中，上述第一次数通常会大于等于第二次数，当第二次数比上第一次数的比值为1，则说明坐席的说服能力和应变能力值非常高，其在说服应变力表中对应的说服应变能力值为满值，如果第二次数比上第一次数的比值为0，则说明坐席的说服能力和应变能力值非常低，一次也没有消除掉用户的负面情绪，其在说服应变力表中对应的说服应变能力值为零。在一个具体实施例中，第一次数和第二次数的确定方法包括：当用户出现负面情绪的时候，会在第一次数上加一，获取此次通话结束前用户的语音信息，并根据所述语音信息分析用户的负面情绪是否消除，若消除，则无论是坐席说服的，还是因为其它原因消除的，都会在第二次数上加一，即认为是坐席说服了用户，使其消除负面情绪。在另一个具体实施例中，当用户出现负面情绪的时候，会在第一次数上加一，此时记录坐席根据推荐话术回复用户的过程，当坐席使用推荐话术，或通过语音转文本的方式获取到其文本信息，进入判断坐席说的话术是否为推荐话术，如果是，则获取用户的语音信息，判断用户的情绪状态，此过程持续到通话结束，如果用户的情绪状态在持续正向变化，则在本次通话结束后，在第二次数上加一等。
在一个实施例中，上述根据所述第二次数比上第一次数的比值，在预设的说服应变力表中，查找所述坐席的说服应变能力值的步骤S206之前，包括：
S206A、判断所述第一次数是否大于预设值；
S206B、若否，则直接判定所述坐席为预设的说服应变能力值。
如上述步骤S206A和S206B所述，如果上述第一次数很小，比如在一个月内只有1次，那么其并不具有统计的效果，又因为第一次数很小，说明该坐席在与用户交互过程中，基本没有激怒用户，从而可以直接判定出该坐席的应变力和说服力都很强，上述预设的说服应变能力值是一个较高的值，比如为说服应变力表中的满值，或者比满值略低一点的值。
在一个实施例中，上述在预设的话术数据库中查找与所述第一情绪状态对应的话术的步骤S203，包括：
S2031、在所述话术数据库中查找与所述语义信息对应的多条话术，形成第一话术集；
S2032、在所述第一话术集中查找与所述用户的第一情绪状态对应的话术。如上述步骤S2031和S2032所述，与所述语义信息对应的多条话术是指，语义信息与话术内容的语义的连接符合如人们正常语音交互的习惯，比如A问：“B，你吃饭了么”，B可以有多种回答方式，包括B1“还没呢，一会吃”、B2“吃了”、B3“吃的重庆小面”等，这样A的语义与B的回答是相互对应的，符合人们正常的交互习惯，如果B4为“我要去北京”，则与前面的A问：“B，你吃饭了么”的相关性较低，不符合人们的正常交流习惯，因此，上述B1、B2、B3属于A问对应的话术，B4则不属于A问对应的话术。本实施例中，先将查找与所述语义信息对应的多条话术，形成第一话术集，然后再在第一话术集中查找对应第一情绪状态的话术，可以快速地查找到与当前通话情形对应的话术。在一具体实施中，在话术数据库中与所述语义信息查找与所述语义信息对应的多条话术，形成第一话术集的方法包括：通过关键词查找与语义信息对应的话术，即将语义信息中的关键词，与话术数据库中的话术的关键词进行匹配，将匹配度达到指定要求的对应的的话术归集到上述第一话术集中，比如，语义信息中存在五个关键词，这五个关键词分别与话术中的各关键词进行比较，如果话术中存在五个相同的关键词，则认为匹配度达到100％，如果只有4个完全相同的，则可以认为匹配度达到80％以上，在匹配度计算的时候，还可以先将关键词进行向量化，然后通过欧式距离等相似度计算方法计算向量之间的相似度，如果相似度大于预设值，则也可以认为语义信息与话术的匹配度达到预设的要求。
在另一实施例中，上述在预设的话术数据库中查找与所述第一情绪状态对应的话术的步骤S203，包括：
S2033、在所述话术数据库中查找与所述第一情绪状态对应的多条话术，形成第二话术集；
S2034、在所述第二话术集中查找与所述语义信息对应的所述话术。
如上述步骤S2033和S2034所述，即为将上述步骤S2031和S2032的顺序颠倒进行，先在话术数据库中产找与所述用户的第一情绪状态对应的多条话术，形成第二话术集；然后，根据所述语义信息在第二话术集中查找与所述语义信息对应的话术。同样可以快速地查找到与当前通话情形对应的话术。
在一个实施例中，上述将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席的步骤S204之后，包括：
S207、判断所述坐席是否表述完成所述话术；
S208、如果是，则获取所述用户的反馈语音信息，并根据所述反馈语音信息判断所述用户的第二情绪状态；
S209、比较所述第二情绪状态和第一情绪状态，以判断所述用户的情绪是否正向变化。
如上述步骤S207至S209所述，即为判断客服按照规定的话术与用户沟通后，用户的情绪是否会发生正向变化，该正向变化即为用户的情绪状态向好的方向变化，比如由负向三级变为负向二级，说明用户的情绪发生好转等。本实施例中，第二情绪状态的判断过程与上述判断第一情绪状态的过程相同，在此不在赘述。本实施例中，判断所述客服是否表述完成所述话术的方法包括，将客服的语音信号转换成文本，然后将文本与话术文本进行比较，如果相似度大于指定值，则说明用户已经完成推荐话术的表述。通过判断用户的情绪是否好转，可以帮助客服进行后续的沟通，比如，如果判定所述用户的情绪为正向变化则继续进行话术推荐。如果判定所述用户的情绪为负向变化，则停止向所述客服人员推荐话术，此时客服人员可以选择随机应变，处理的效果可能会更好，以防止进一步地激怒用户。
本申请实施例的坐席分类管理方法，抓取坐席的通话信息并将其转换成文本，之后输入到预设的分类模型中学习，对所述坐席进行分类，以得到坐席关于性格、能力的不同分类，进而可以动态评估人才，为坐席的后续培养提供差异化的管理建议，因材施教，助力坐席快速成长，提升留存率，还可以为坐席提供适当的话术，降低坐席与用户沟通的压力。
参照图2，本申请实施例还提供一种坐席分类管理装置，包括步骤：
获取单元10，用于获取坐席与用户的通话信息，并将通话信息转换成文本信息；
分类单元20，用于将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类，其中，所述分类模型是基于已知的样本数据输入到预设的神经网络模型中训练而得，所述样本数据包括多个文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签；
推荐单元30，用于根据坐席分类结果，推荐对应的管理建议。
在上述获取单元10中，上述通话信息包括有反应通话含义的语义信息，而文本信息则是根据语义信息转换而成。将语义信息转换成文本信息是一种成熟的技术，在此不在赘述。
在上述分类单元20中，上述分类模型一般为CNN(卷积神经网络)模型，其优点是：共享卷积核，对高维数据处理无压力，而且无需手动选取特征，特征分类效果好。本实施例中，会先将文本信息进行向量化，得到对应文本信息的向量化矩阵，然后通过分类模型对向量化矩阵进行特征分类处理。上述分类模型是通过训练集训练初始的CNN模型而得，其训练过程包括：将指定数量的样本数据作为训练集输入到初始的CNN模型中进行监督训练，其中，样本数据包括各种文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签等，当训练结束后，会得到一个输入文本信息输出坐席分类结果的结果分类模型；然后再使用指定数量的样本数据作为测试集对所述结果分类模型进行验证，同样的，测试集中的样本数据同样是各种文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签等，分别输入文本信息对应的向量矩阵到结果分类模型中，如果输出的结果与该文本信息对应的坐席分类标签一致率大于预设的阈值，则说明结果分类模型验证通过，可以作为分类模型使用。上述坐席分类包括多种，比如乐群性类别、孤独性类别、强抗压性类别、低抗压性类别、强应变力类别、低应变力类别等。在一个具体实施例中，当通话信息转换成很长的文本信息时，通过NLP(神经语言程序学，Neuro-Linguistic Programming)技术对多段文本信息进行学习，以对很长的文本信息进行分段，分别对每一个段文本信息进行分类处理，使坐席得到多个坐席分类标签，比如坐席同时具有乐群性类别标签和强抗压性类别标签等。当一个坐席出现多个相互矛盾的类别标签时，选择出现频率较高的类别标签作为该坐席的一个类别标签，删除另一个类别标签；或者，保留相互矛盾的类别标签，表示该坐席属于在两个相互矛盾的类别标签的中间派等，具体地，多段文本信息中，反应出坐席具有乐群性，同时也有孤独性，那么说明该坐席属于乐群性的孤独性的中间派。
在上述推荐单元30中，上述管理建议包括对应上述坐席的培训课程建议、差异化管理建议、话术选择建议等，以提高坐席的综合能力，进而提高坐席的留存率。上述话术选择建议，是指根据坐席的类别标签，推荐适合的话术，比如，坐席是乐群性的，则选择积极向上的话术给坐席，以便于发挥坐席的性格特点，提高坐席的表述清晰度；又比如，坐席是孤独性的，则选择比较中性的话术给坐席，以防止推荐其积极灵动的话术，导致坐席无法适应而使用较为怪异的语调等进行表述，降低用户的体验。上述培训课程建议，主要是为了因材施教，比如，坐席为乐群性的，则推荐其公关、团建、组织等工作时需要相对配合的培训课程，以发挥其乐群性的特点，同样，如果坐席为孤独性的，则推荐其财务、记录等相对独立的工作的培训可能，以使坐席找到适合其本身工作的发展方向。上述差异化管理建议，即为预先设定有针对不同分类结果的管理方法，当确定坐席的分类结果后，直接使用对应的管理方法，管理效率更高。
参照图3，在一个实施例中，上述坐席分类管理装置还包括：
采集解析单元201，用于采集用户的语音信息，并将所述语音信息解析成语义信息和声音信息；
运算单元202，用于将所述语义信息和声音信息输入到预设的情绪识别模型中运算，得到所述用户的第一情绪状态；其中，所述情绪识别模型是基于相互关联的语义信息样本、声音信息样本和情绪样本训练得到的模型；
查找单元203，用于在预设的话术数据库中查找与所述第一情绪状态对应的话术；
话术分类单元204，用于将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席。
在上述采集解析单元201中，上述语音信息是指用户与客服人员进行电话等语音交互设备进行语音交互时发出的语音信息。本实施例中，采集用户的语音信息的方法包括两种，第一种是一直开启用户线路的录音功能，无论用户使用的终端是否发出声音，都会进行录音，比如，当用户说完一段话后，停止说话并收听客服人员的话语，此时上述终端并没有上传用户的语音，但是同样处于录音状态；另一种是对用户使用的终端上传的声音进行识别，比如，判断上述终端上传的声音分贝是否大于预设值，如果大于所述预设值才会认为用户在发出有效的声音，从而记录当前的语音信息等。上述语义信息是指反映用户所说话语要表达的意思信息，一般通过语音识别技术将上述语音信息转换成文本信息，然后通过文本信息解读出上述语义信息。上述声音信息一般包括声音的频率、幅度、以及频率和幅度的变化等信息。
在上述运算单元202中，上述相互关联的语义信息样本、声音信息样本和情绪样本是指相互对应的样本数据，比如，语义信息样本为“为什么不可以”，其对应的声音信息样本为“声音频率为100-150Hz之间变化，幅度在150-200分贝之间变化”，对应的情绪样本为“负向二级”等。将已知的大量的样本数据输入到预设的神经网络中进行训练，既可以得到对应的模型，因为训练模型是公知的训练方法，在此不在赘述。本实施例中，上述情绪识别模型是基于Bi-LSTM模型训练而得。上述情绪识别模型是指输入语义信息和声音信息后，输出对应的情绪的模型。在一个实施例中，上述情绪识别模型输出的第一情绪状态是一组向量，或者是对应该组向量对应的情绪等级。情绪等级可以包括多种，如正向一级、正向二级和正向三级，正向等级越高，表示用户的情绪越加的好，以及负向一级、负向二级、负向三级，负向等级越高，表示用户的情绪越加的坏。
在上述查找单元203中，上述话术数据库中预设有多种话术，每一种情绪状态关联有至少一条话术。当获知到用户的第一情状态后，就可以根据情绪状态查找到对应的话术。上述话术数据库中的话术是通过经验总结而来的，比如，当用户出现极端的负向三级情绪时，通过什么样的话术可以有效平复用户的情绪，是客服人员以及心理学家等总结而来的。
在上述话术分类单元204中，当查找到与第一情绪状态对应的话术后，既可以推荐给客服人员，以便于客服人员根据推荐的话术与用户进行对话。方便客服人员快速、有效地缓解用户的负面情绪，提高客服人员与用户的通话质量，提高用户的客服咨询体验，同时可以减少客服人员担心激怒用户、加深用户负面情绪的心理负担，同时降低用户对客服人员的投诉率等。进一步地，不同类别的坐席的性格不同，其对相同的话术的表达效果各不相同，本申请会提前将不同的话术设置对应坐席类别的标签，当根据用户情绪推荐话术时，将查找的话术在进行分类，挑选出对应坐席类别的话术，以提高坐席与用户之间的沟通效率。
在一个实施例中，上述坐席分类管理装置，还包括：
记录单元，用于在指定时间长度内采集同一所述坐席对应的各所述用户出现负向情绪状态的第一次数，以及用户被坐席说服消除负面情绪的第二次数；
比较查找单元，用于根据所述第二次数比上第一次数的比值，在预设的说服应变力表中，查找所述坐席的说服应变能力值。
在上述记录单元和比较查找单元中，上述说服应变力表是一个比值与说服应变能力值一一映射的电子表格，说服应变能力值越高，说明坐席的应变能力和说服能力越强。本实施例中，上述第一次数通常会大于等于第二次数，当第二次数比上第一次数的比值为1，则说明坐席的说服能力和应变能力值非常高，其在说服应变力表中对应的说服应变能力值为满值，如果第二次数比上第一次数的比值为0，则说明坐席的说服能力和应变能力值非常低，一次也没有消除掉用户的负面情绪，其在说服应变力表中对应的说服应变能力值为零。在一个具体实施例中，第一次数和第二次数的确定方法包括：当用户出现负面情绪的时候，会在第一次数上加一，获取此次通话结束前用户的语音信息，并根据所述语音信息分析用户的负面情绪是否消除，若消除，则无论是坐席说服的，还是因为其它原因消除的，都会在第二次数上加一，即认为是坐席说服了用户，使其消除负面情绪。在另一个具体实施例中，当用户出现负面情绪的时候，会在第一次数上加一，此时记录坐席根据推荐话术回复用户的过程，当坐席使用推荐话术，或通过语音转文本的方式获取到其文本信息，进入判断坐席说的话术是否为推荐话术，如果是，则获取用户的语音信息，判断用户的情绪状态，此过程持续到通话结束，如果用户的情绪状态在持续正向变化，则在本次通话结束后，在第二次数上加一等。
在一个实施例中，上述坐席分类管理装置，还包括：
判断单元，用于判断所述第一次数是否大于预设值；
判定单元，用于若所述第一次数不大于预设值，则直接判定所述坐席为预设的说服应变能力值。
在上述判断单元和判定单元中，如果上述第一次数很小，比如在一个月内只有1次，那么其并不具有统计的效果，又因为第一次数很小，说明该坐席在与用户交互过程中，基本没有激怒用户，从而可以直接判定出该坐席的应变力和说服力都很强，上述预设的说服应变能力值是一个较高的值，比如为说服应变力表中的满值，或者比满值略低一点的值。
在一个实施例中，上述查找单元203，包括：
第一查找模块，用于在所述话术数据库中查找与所述语义信息对应的多条话术，形成第一话术集；
第二查找模块，用于在所述第一话术集中查找与所述用户的第一情绪状态对应的话术。
在上述第一查找模块和第二查找模块中，与所述语义信息对应的多条话术是指，语义信息与话术内容的语义的连接符合如人们正常语音交互的习惯，比如A问：“B，你吃饭了么”，B可以有多种回答方式，包括B1“还没呢，一会吃”、B2“吃了”、B3“吃的重庆小面”等，这样A的语义与B的回答是相互对应的，符合人们正常的交互习惯，如果B4为“我要去北京”，则与前面的A问：“B，你吃饭了么”的相关性较低，不符合人们的正常交流习惯，因此，上述B1、B2、B3属于A问对应的话术，B4则不属于A问对应的话术。本实施例中，先将查找与所述语义信息对应的多条话术，形成第一话术集，然后再在第一话术集中查找对应第一情绪状态的话术，可以快速地查找到与当前通话情形对应的话术。在一具体实施中，在话术数据库中与所述语义信息查找与所述语义信息对应的多条话术，形成第一话术集的方法包括：通过关键词查找与语义信息对应的话术，即将语义信息中的关键词，与话术数据库中的话术的关键词进行匹配，将匹配度达到指定要求的对应的的话术归集到上述第一话术集中，比如，语义信息中存在五个关键词，这五个关键词分别与话术中的各关键词进行比较，如果话术中存在五个相同的关键词，则认为匹配度达到100％，如果只有4个完全相同的，则可以认为匹配度达到80％以上，在匹配度计算的时候，还可以先将关键词进行向量化，然后通过欧式距离等相似度计算方法计算向量之间的相似度，如果相似度大于预设值，则也可以认为语义信息与话术的匹配度达到预设的要求。
在另一实施例中，上述查找单元203，包括：
第三查找模块，用于在所述话术数据库中查找与所述第一情绪状态对应的多条话术，形成第二话术集；
第四查找模块，用于在所述第二话术集中查找与所述语义信息对应的所述话术。
在述第三查找模块和第四查找模块的所执行的顺序，与上述第一查找模块和第二查找模块的执行顺序相反，先在话术数据库中产找与所述用户的第一情绪状态对应的多条话术，形成第二话术集；然后，根据所述语义信息在第二话术集中查找与所述语义信息对应的话术。同样可以快速地查找到与当前通话情形对应的话术。
在一个实施例中，上述坐席分类管理装置，还包括：
第一判断单元，用于判断所述坐席是否表述完成所述话术；
第二判断单元，用于如果所述坐席表述完成所述话术，则获取所述用户的反馈语音信息，并根据所述反馈语音信息判断所述用户的第二情绪状态；
第三判断单元，用于比较所述第二情绪状态和第一情绪状态，以判断所述用户的情绪是否正向变化。
在上述第一判断单元、第二判断单元和第三判断单元中，即为判断客服按照规定的话术与用户沟通后，用户的情绪是否会发生正向变化，该正向变化即为用户的情绪状态向好的方向变化，比如由负向三级变为负向二级，说明用户的情绪发生好转等。本实施例中，第二情绪状态的判断过程与上述判断第一情绪状态的过程相同，在此不在赘述。本实施例中，判断所述客服是否表述完成所述话术的方法包括，将客服的语音信号转换成文本，然后将文本与话术文本进行比较，如果相似度大于指定值，则说明用户已经完成推荐话术的表述。通过判断用户的情绪是否好转，可以帮助客服进行后续的沟通，比如，如果判定所述用户的情绪为正向变化则继续进行话术推荐。如果判定所述用户的情绪为负向变化，则停止向所述客服人员推荐话术，此时客服人员可以选择随机应变，处理的效果可能会更好，以防止进一步地激怒用户。
本申请实施例的坐席分类管理装置，抓取坐席的通话信息并将其转换成文本，之后输入到预设的分类模型中学习，对所述坐席进行分类，以得到坐席关于性格、能力的不同分类，进而可以动态评估人才，为坐席的后续培养提供差异化的管理建议，因材施教，助力坐席快速成长，提升留存率，还可以为坐席提供适当的话术，降低坐席与用户沟通的压力。
参照图4，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储分类模型、情绪识别模型、话术数据库等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种坐席分类管理方法。
上述处理器执行的坐席分类管理方法，包括：获取坐席与用户的通话信息，并将通话信息转换成文本信息；将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类，其中，所述分类模型是基于已知的样本数据输入到预设的神经网络模型中训练而得，所述样本数据包括多个文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签；根据坐席分类结果，推荐对应的管理建议。
在一个实施例中，上述将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类的步骤之后，还包括：采集用户的语音信息，并将所述语音信息解析成语义信息和声音信息；将所述语义信息和声音信息输入到预设的情绪识别模型中运算，得到所述用户的第一情绪状态；其中，所述情绪识别模型是基于相互关联的语义信息样本、声音信息样本和情绪样本训练得到的模型；在预设的话术数据库中查找与所述第一情绪状态对应的话术；将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席。
在一个实施例中，上述将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席的步骤之后，包括：在指定时间长度内采集同一所述坐席对应的各所述用户出现负向情绪状态的第一次数，以及用户被坐席说服消除负面情绪的第二次数；根据所述第二次数比上第一次数的比值，在预设的说服应变力表中，查找所述坐席的说服应变能力值。
在另一个实施例中，上述根据所述第二次数比上第一次数的比值，在预设的说服应变力表中，查找所述坐席的说服应变能力值的步骤之前，包括：判断所述第一次数是否大于预设值；若否，则直接判定所述坐席为预设的说服应变能力值。
在一个实施例中，上述在预设的话术数据库中查找与所述第一情绪状态对应的话术的步骤，包括：在所述话术数据库中查找与所述语义信息对应的多条话术，形成第一话术集；在所述第一话术集中查找与所述用户的第一情绪状态对应的话术。
在另一个实施例中，上述在预设的话术数据库中查找与所述第一情绪状态对应的话术的步骤，包括：在所述话术数据库中查找与所述第一情绪状态对应的多条话术，形成第二话术集；在所述第二话术集中查找与所述语义信息对应的所述话术。
在一个实施例中，上述将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席的步骤之后，包括：判断所述坐席是否表述完成所述话术；如果是，则获取所述用户的反馈语音信息，并根据所述反馈语音信息判断所述用户的第二情绪状态；比较所述第二情绪状态和第一情绪状态，以判断所述用户的情绪是否正向变化。
本发明实施例的坐席分类管理方法，抓取坐席的通话信息并将其转换成文本，之后输入到预设的分类模型中学习，对所述坐席进行分类，以得到坐席关于性格、能力的不同分类，进而可以动态评估人才，为坐席的后续培养提供差异化的管理建议，因材施教，助力坐席快速成长，提升留存率，还可以为坐席提供适当的话术，降低坐席与用户沟通的压力。
本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现坐席分类管理方法，包括：获取坐席与用户的通话信息，并将通话信息转换成文本信息；将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类，其中，所述分类模型是基于已知的样本数据输入到预设的神经网络模型中训练而得，所述样本数据包括多个文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签；根据坐席分类结果，推荐对应的管理建议。
上述执行的坐席分类管理方法，抓取坐席的通话信息并将其转换成文本，之后输入到预设的分类模型中学习，对所述坐席进行分类，以得到坐席关于性格、能力的不同分类，进而可以动态评估人才，为坐席的后续培养提供差异化的管理建议，因材施教，助力坐席快速成长，提升留存率，还可以为坐席提供适当的话术，降低坐席与用户沟通的压力。
在一个实施例中，上述处理器将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类的步骤之后，还包括：采集用户的语音信息，并将所述语音信息解析成语义信息和声音信息；将所述语义信息和声音信息输入到预设的情绪识别模型中运算，得到所述用户的第一情绪状态；其中，所述情绪识别模型是基于相互关联的语义信息样本、声音信息样本和情绪样本训练得到的模型；在预设的话术数据库中查找与所述第一情绪状态对应的话术；将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席。
在一个实施例中，上述处理器将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席的步骤之后，包括：在指定时间长度内采集同一所述坐席对应的各所述用户出现负向情绪状态的第一次数，以及用户被坐席说服消除负面情绪的第二次数；根据所述第二次数比上第一次数的比值，在预设的说服应变力表中，查找所述坐席的说服应变能力值。
在另一个实施例中，上述处理器根据所述第二次数比上第一次数的比值，在预设的说服应变力表中，查找所述坐席的说服应变能力值的步骤之前，包括：判断所述第一次数是否大于预设值；若否，则直接判定所述坐席为预设的说服应变能力值。
在一个实施例中，上述处理器在预设的话术数据库中查找与所述第一情绪状态对应的话术的步骤，包括：在所述话术数据库中查找与所述语义信息对应的多条话术，形成第一话术集；在所述第一话术集中查找与所述用户的第一情绪状态对应的话术。
在一个实施例中，上述处理器在预设的话术数据库中查找与所述第一情绪状态对应的话术的步骤，包括：在所述话术数据库中查找与所述第一情绪状态对应的多条话术，形成第二话术集；在所述第二话术集中查找与所述语义信息对应的所述话术。
在一个实施例中，上述处理器将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席的步骤之后，包括：
判断所述坐席是否表述完成所述话术；如果是，则获取所述用户的反馈语音信息，并根据所述反馈语音信息判断所述用户的第二情绪状态；比较所述第二情绪状态和第一情绪状态，以判断所述用户的情绪是否正向变化。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种坐席分类管理方法，其特征在于，包括：
获取坐席与用户的通话信息，并将通话信息转换成文本信息；
将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类，其中，所述分类模型是基于已知的样本数据输入到预设的神经网络模型中训练而得，所述样本数据包括多个文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签；
根据坐席分类结果，推荐对应的管理建议。
2.根据权利要求1所述的坐席分类管理方法，其特征在于，所述将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类的步骤之后，还包括：
采集用户的语音信息，并将所述语音信息解析成语义信息和声音信息；
将所述语义信息和声音信息输入到预设的情绪识别模型中运算，得到所述用户的第一情绪状态；其中，所述情绪识别模型是基于相互关联的语义信息样本、声音信息样本和情绪样本训练得到的模型；
在预设的话术数据库中查找与所述第一情绪状态对应的话术；
将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席。
3.根据权利要求2所述的坐席分类管理方法，其特征在于，所述将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席的步骤之后，包括：
在指定时间长度内采集同一所述坐席对应的各所述用户出现负向情绪状态的第一次数，以及用户被坐席说服消除负面情绪的第二次数；
根据所述第二次数比上第一次数的比值，在预设的说服应变力表中，查找所述坐席的说服应变能力值。
4.根据权利要求3所述的坐席分类管理方法，其特征在于，所述根据所述第二次数比上第一次数的比值，在预设的说服应变力表中，查找所述坐席的说服应变能力值的步骤之前，包括：
判断所述第一次数是否大于预设值；
若否，则直接判定所述坐席为预设的说服应变能力值。
5.根据权利要求2所述的坐席分类管理方法，其特征在于，所述在预设的话术数据库中查找与所述第一情绪状态对应的话术的步骤，包括：
在所述话术数据库中查找与所述语义信息对应的多条话术，形成第一话术集；
在所述第一话术集中查找与所述用户的第一情绪状态对应的话术。
6.根据权利要求2所述的坐席分类管理方法，其特征在于，所述在预设的话术数据库中查找与所述第一情绪状态对应的话术的步骤，包括：
在所述话术数据库中查找与所述第一情绪状态对应的多条话术，形成第二话术集；
在所述第二话术集中查找与所述语义信息对应的所述话术。
7.根据权利要求2所述的坐席分类管理方法，其特征在于，所述将查找到的所述话术根据所述坐席的类别进行分类，将对应所述坐席的类别的话术推荐给所述坐席的步骤之后，包括：
判断所述坐席是否表述完成所述话术；
如果是，则获取所述用户的反馈语音信息，并根据所述反馈语音信息判断所述用户的第二情绪状态；
比较所述第二情绪状态和第一情绪状态，以判断所述用户的情绪是否正向变化。
8.一种坐席分类管理装置，其特征在于，包括：
获取单元，用于获取坐席与用户的通话信息，并将通话信息转换成文本信息；
分类单元，用于将所文本信息输入到预设的分类模型中学习，以对所述坐席进行分类，其中，所述分类模型是基于已知的样本数据输入到预设的神经网络模型中训练而得，所述样本数据包括多个文本信息对应的向量矩阵，以及与文本信息关联的坐席分类标签；
推荐单元，用于根据坐席分类结果，推荐对应的管理建议。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810738729.7A CN109190652A (zh) | 2018-07-06 | 2018-07-06 | 坐席分类管理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810738729.7A CN109190652A (zh) | 2018-07-06 | 2018-07-06 | 坐席分类管理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109190652A true CN109190652A (zh) | 2019-01-11 |
Family
ID=64936293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810738729.7A Pending CN109190652A (zh) | 2018-07-06 | 2018-07-06 | 坐席分类管理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190652A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800309A (zh) * | 2019-01-24 | 2019-05-24 | 华中师范大学 | 课堂话语类型分类方法及装置 |
| CN109933658A (zh) * | 2019-03-21 | 2019-06-25 | 中国联合网络通信集团有限公司 | 客服通话分析方法及装置 |
| CN110414866A (zh) * | 2019-08-07 | 2019-11-05 | 云南电网有限责任公司信息中心 | 基于决策树算法的坐席能力评估方法和装置 |
| CN110472017A (zh) * | 2019-08-21 | 2019-11-19 | 佰聆数据股份有限公司 | 一种话术分析和话题点识别匹配的方法及系统 |
| CN110766271A (zh) * | 2019-09-10 | 2020-02-07 | 中国平安财产保险股份有限公司 | 基于深度学习的客服坐席配置方法、装置及计算机设备 |
| CN110853606A (zh) * | 2019-11-26 | 2020-02-28 | Oppo广东移动通信有限公司 | 一种音效配置方法、装置及计算机可读存储介质 |
| CN111143529A (zh) * | 2019-12-24 | 2020-05-12 | 北京赤金智娱科技有限公司 | 一种与对话机器人进行对话的方法与设备 |
| CN111241357A (zh) * | 2020-01-14 | 2020-06-05 | 中国平安人寿保险股份有限公司 | 对话训练方法、装置、系统及存储介质 |
| CN111831524A (zh) * | 2020-06-24 | 2020-10-27 | 平安普惠企业管理有限公司 | 终端操作的辅助方法、装置、计算机设备和存储介质 |
| CN112885337A (zh) * | 2021-01-29 | 2021-06-01 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN113705186A (zh) * | 2021-07-22 | 2021-11-26 | 上海原圈网络科技有限公司 | 一种留言语义分析下的自动回复方法和装置 |
| CN113239154B (zh) * | 2021-06-01 | 2023-08-01 | 平安科技（深圳）有限公司 | 坐席话术的质检方法、装置、计算机设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103634472A (zh) * | 2013-12-06 | 2014-03-12 | 惠州Tcl移动通信有限公司 | 根据通话语音判断用户心情及性格的方法、系统及手机 |
| CN106372604A (zh) * | 2016-08-31 | 2017-02-01 | 北京光年无限科技有限公司 | 智能机器人检测负面情绪的方法及系统 |
| CN106557576A (zh) * | 2016-11-24 | 2017-04-05 | 百度在线网络技术（北京）有限公司 | 基于人工智能的提示信息推荐方法以及装置 |
| CN106777257A (zh) * | 2016-12-28 | 2017-05-31 | 厦门快商通科技股份有限公司 | 基于话术的智能对话模型的构建系统及方法 |
| CN107293310A (zh) * | 2017-06-28 | 2017-10-24 | 上海航动科技有限公司 | 一种用户情绪分析方法及系统 |
| CN107341145A (zh) * | 2017-06-21 | 2017-11-10 | 华中科技大学 | 一种基于深度学习的用户情感分析方法 |
| CN107423351A (zh) * | 2017-05-24 | 2017-12-01 | 维沃移动通信有限公司 | 一种信息处理方法及电子设备 |
| CN107944008A (zh) * | 2017-12-08 | 2018-04-20 | 神思电子技术股份有限公司 | 一种针对自然语言进行情绪识别的方法 |
-
2018
- 2018-07-06 CN CN201810738729.7A patent/CN109190652A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103634472A (zh) * | 2013-12-06 | 2014-03-12 | 惠州Tcl移动通信有限公司 | 根据通话语音判断用户心情及性格的方法、系统及手机 |
| CN106372604A (zh) * | 2016-08-31 | 2017-02-01 | 北京光年无限科技有限公司 | 智能机器人检测负面情绪的方法及系统 |
| CN106557576A (zh) * | 2016-11-24 | 2017-04-05 | 百度在线网络技术（北京）有限公司 | 基于人工智能的提示信息推荐方法以及装置 |
| CN106777257A (zh) * | 2016-12-28 | 2017-05-31 | 厦门快商通科技股份有限公司 | 基于话术的智能对话模型的构建系统及方法 |
| CN107423351A (zh) * | 2017-05-24 | 2017-12-01 | 维沃移动通信有限公司 | 一种信息处理方法及电子设备 |
| CN107341145A (zh) * | 2017-06-21 | 2017-11-10 | 华中科技大学 | 一种基于深度学习的用户情感分析方法 |
| CN107293310A (zh) * | 2017-06-28 | 2017-10-24 | 上海航动科技有限公司 | 一种用户情绪分析方法及系统 |
| CN107944008A (zh) * | 2017-12-08 | 2018-04-20 | 神思电子技术股份有限公司 | 一种针对自然语言进行情绪识别的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴瀚文;: "新时代电力企业智能客服应用研究与展望", no. 18, pages 67 - 68 * |
| 韦康博: "《人工智能 比你想象的更具颠覆性的智能革命》", 30 September 2016, 北京：现代出版社, pages: 213 - 216 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800309A (zh) * | 2019-01-24 | 2019-05-24 | 华中师范大学 | 课堂话语类型分类方法及装置 |
| CN109933658B (zh) * | 2019-03-21 | 2021-05-11 | 中国联合网络通信集团有限公司 | 客服通话分析方法及装置 |
| CN109933658A (zh) * | 2019-03-21 | 2019-06-25 | 中国联合网络通信集团有限公司 | 客服通话分析方法及装置 |
| CN110414866A (zh) * | 2019-08-07 | 2019-11-05 | 云南电网有限责任公司信息中心 | 基于决策树算法的坐席能力评估方法和装置 |
| CN110472017A (zh) * | 2019-08-21 | 2019-11-19 | 佰聆数据股份有限公司 | 一种话术分析和话题点识别匹配的方法及系统 |
| CN110766271A (zh) * | 2019-09-10 | 2020-02-07 | 中国平安财产保险股份有限公司 | 基于深度学习的客服坐席配置方法、装置及计算机设备 |
| CN110853606A (zh) * | 2019-11-26 | 2020-02-28 | Oppo广东移动通信有限公司 | 一种音效配置方法、装置及计算机可读存储介质 |
| CN111143529A (zh) * | 2019-12-24 | 2020-05-12 | 北京赤金智娱科技有限公司 | 一种与对话机器人进行对话的方法与设备 |
| CN111241357A (zh) * | 2020-01-14 | 2020-06-05 | 中国平安人寿保险股份有限公司 | 对话训练方法、装置、系统及存储介质 |
| CN111241357B (zh) * | 2020-01-14 | 2024-09-03 | 中国平安人寿保险股份有限公司 | 对话训练方法、装置、系统及存储介质 |
| CN111831524A (zh) * | 2020-06-24 | 2020-10-27 | 平安普惠企业管理有限公司 | 终端操作的辅助方法、装置、计算机设备和存储介质 |
| CN112885337A (zh) * | 2021-01-29 | 2021-06-01 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN113239154B (zh) * | 2021-06-01 | 2023-08-01 | 平安科技（深圳）有限公司 | 坐席话术的质检方法、装置、计算机设备及存储介质 |
| CN113705186A (zh) * | 2021-07-22 | 2021-11-26 | 上海原圈网络科技有限公司 | 一种留言语义分析下的自动回复方法和装置 |
| CN113705186B (zh) * | 2021-07-22 | 2023-12-22 | 上海原圈网络科技有限公司 | 一种留言语义分析下的自动回复方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190652A (zh) | 坐席分类管理方法、装置、计算机设备和存储介质 | |
| CN109033257A (zh) | 话术推荐方法、装置、计算机设备和存储介质 | |
| CN110675288B (zh) | 智能辅助审判方法、装置、计算机设备及存储介质 | |
| CN109918650B (zh) | 自动生成采访稿的采访智能机器人装置及智能采访方法 | |
| CN109446331B (zh) | 一种文本情绪分类模型建立方法及文本情绪分类方法 | |
| CN110263144A (zh) | 一种答案获取方法及装置 | |
| CN101599071B (zh) | 对话文本主题的自动提取方法 | |
| CN111708869B (zh) | 人机对话的处理方法及装置 | |
| CN108052605A (zh) | 一种基于客户特征库的智能问答系统 | |
| CN104598445A (zh) | 自动问答系统和方法 | |
| US11816609B2 (en) | Intelligent task completion detection at a computing device | |
| CN112364234B (zh) | 一种在线讨论的自动分组系统 | |
| WO2012011092A1 (en) | System, method and device for intelligent textual conversation system | |
| CN113094578A (zh) | 基于深度学习的内容推荐方法、装置、设备及存储介质 | |
| CN116049360A (zh) | 基于客户画像的智能语音对话场景话术干预方法及系统 | |
| CN106815321A (zh) | 基于智能聊天机器人的聊天方法及装置 | |
| CN106649410B (zh) | 一种获取聊天回复内容的方法及装置 | |
| CN116414961A (zh) | 基于军事领域知识图谱的问答方法和系统 | |
| CN106776557B (zh) | 情感机器人的情感状态记忆识别方法及装置 | |
| CN113627194B (zh) | 信息抽取方法及装置、通信消息分类方法及装置 | |
| CN114416969A (zh) | 一种基于背景增强的lstm-cnn在线评论情感分类方法及系统 | |
| CN114818740B (zh) | 一种基于领域知识图谱的人机协同方法及系统 | |
| CN111859955A (zh) | 一种基于深度学习的舆情数据分析模型 | |
| Breuing et al. | LET’S TALK TOPICALLY WITH ARTIFICIAL AGENTS!-Providing Agents with Humanlike Topic Awareness in Everyday Dialog Situations | |
| CN114756646A (zh) | 一种对话方法、对话装置及智能设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
| RJ01 | Rejection of invention patent application after publication |