CN109587360B - 电子装置、应对话术推荐方法和计算机可读存储介质 - Google Patents

Abstract

本发明涉及语义识别技术，揭露了一种应对话术推荐方法，该方法包括：在接收到客户进线后，实时获取进线客户与坐席的语音流；提取出语音流中的第一语音片段的第一音频特征向量，其中，第一语音片段对应语音流中的客户输入的语音段；将第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出第一音频特征向量对应的第一语音内容和第一情绪分类；将识别出的第一语音内容和第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将推荐的应对话术实时发送至坐席的终端。本发明还揭露了一种电子装置和计算机可读存储介质。本发明技术方案有效的改善了坐席不知如何应对客户的情况，减少了客户投诉和客户流失。

Description

电子装置、应对话术推荐方法和计算机可读存储介质

技术领域

本发明涉及电话中心客服系统领域，特别涉及一种电子装置、应对话术推荐方法和计算机可读存储介质。

背景技术

目前，电话中心客服系统在分配坐席为进线客户服务后，坐席在为客户服务的过程中，部分客户可能会因自身情绪问题而与坐席产生冲突，这种情形下，很多经验不足的坐席不知如何有效应对客户，造成客户投诉或客户流失等后果。

发明内容

本发明的主要目的是提供一种电子装置、应对话术推荐方法和计算机可读存储介质，旨在帮助坐席应对客户，改善客户投诉和客户流失的情况。

为实现上述目的，本发明提出的电子装置，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的应对话术推荐程序，所述应对话术推荐程序被所述处理器执行时实现如下步骤：

A1、在接收到客户进线后，实时获取所述进线客户与坐席的语音流；

B1、对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段；

C1、将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类；

D1、将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。

优选地，在所述步骤A1之后，所述应对话术推荐程序被所述处理器执行时，还实现如下步骤：

E1、对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段；

F1、将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类；

G1、若所述第二情绪分类为预设的异常情绪分类，则向所述坐席的终端发送预设的第一提醒信息。

优选地，所述预设的语音情绪分析模型还识别出所述第二音频特征向量对应的第二语音内容，在所述步骤F1之后，所述应对话术推荐程序被所述处理器执行时，还实现如下步骤：

在所述第二情绪分类为预设的异常情绪分类时，分析所述第二语音内容中是否包含预设的敏感词；

若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数小于等于第一阈值，则向所述坐席的终端发送预设的第二提醒信息；

若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数大于第一阈值，则向所述坐席的上级管理终端发送预设的第三提醒信息。

优选地，所述应对话术推荐模型的训练过程包括：

S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段；

S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本；

S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百；

S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；

S5、若所述预测准确率大于预设阈值，则模型训练结束；

S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。

本发明还提出一种应对话术推荐方法，包括以下步骤：

A2、在接收到客户进线后，实时获取所述进线客户与坐席的语音流；

B2、对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段；

C2、将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和所述第一情绪分类；

D2、将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。

优选地，在所述步骤A2之后，所述应对话术推荐方法还包括：

E2、对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段；

F2、将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类；

G2、若所述第二情绪分类为预设的异常情绪分类，则向所述坐席的终端发送预设的第一提醒信息。

优选地，所述预设的语音情绪分析模型还识别出所述第二音频特征向量对应的第二语音内容，在所述步骤F2之后，所述应对话术推荐方法还包括：

在所述第二情绪分类为预设的异常情绪分类时，分析所述第二语音内容中是否包含预设的敏感词；

若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数小于等于第一阈值，则向所述坐席的终端发送预设的第二提醒信息；

若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数大于第一阈值，则向所述坐席的上级管理终端发送预设的第三提醒信息。

优选地，所述应对话术推荐模型的训练过程包括：

S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段；

S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本；

S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百；

S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；

S5、若所述预测准确率大于预设阈值，则模型训练结束；

S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。

本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有应对话术推荐程序，所述应对话术推荐程序可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：

在接收到客户进线后，实时获取所述进线客户与坐席的语音流；

对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段；

将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类；

将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。

优选地，在实时获取所述进线客户与坐席的语音流之后，所述应对话术推荐程序被所述处理器执行时，还实现如下步骤：

对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段；

将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类；

若所述第二情绪分类为预设的异常情绪分类，则向所述坐席的终端发送预设的第一提醒信息。

本发明技术方案，通过在客户进线后与坐席通话时，实时获取进线客户与坐席的语音流，从获取的语音流中提取出客户输入的语音段对应的第一音频特征向量，将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析识别，识别出第一音频特征向量对应的第一语音内容和第一情绪分类，最终利用预先训练好的应对话术模型对识别出的第一语音内容和第一情绪分类进行分析，得出推荐的应对话术实时发送给所述坐席的终端，以供坐席参考，帮助坐席应对客户；如此，有效的改善了客户因自身情绪问题而与坐席产生冲突时，坐席不知如何应对客户的情况，减少了客户投诉和客户流失。

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示出的结构获得其他的附图。

图1为本发明应对话术推荐方法一实施例的流程示意图；

图2为本发明应对话术推荐方法二实施例的流程示意图；

图3为本发明应对话术推荐方法三实施例的流程示意图；

图4为本发明应对话术推荐程序较佳实施例的运行环境示意图；

图5为本发明应对话术推荐程序一实施例的程序模块图；

图6为本发明应对话术推荐程序二实施例的程序模块图；

图7为本发明应对话术推荐程序三实施例的程序模块图。

本发明目的的实现、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

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明提出一种应对话术推荐方法，主要应用于电话中心客服系统中。

如图1所示，图1为本发明应对话术推荐方法一实施例的流程示意图。

本实施例中，该应对话术推荐方法包括：

步骤S10，在接收到客户进线后，实时获取所述进线客户与坐席的语音流。

当有客户进线并与坐席接通后，电话中心客服系统通过电话语音平台实时获取所述进线客户与坐席的语音流(即客户与坐席的交互音频流)。

步骤S20，对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段。

电话中心客服系统对当前获取的语音流进行特征提取，提取出该语音流中的客户输入的语音段对应的第一音频特征向量。所述第一音频特征向量可以为包括以下几种音频特征中的一种或多种：能量特征、发音帧数特征、基音频率特征、共振峰特征、谐波噪声比特征以及梅尔倒谱系数特征。

步骤S30，将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类。

电话中心客服系统中具有预设的语音情绪分析模型，在从当前获取的语音流中提取出第一音频特征向量后，电话中心客服系统将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析识别，以识别出所述第一音频特征向量所对应的第一语音内容(即获取的语音流中客户输入的语音段所对应的文字内容)和第一情绪分类(即客户的情绪分类)。本实施例中，所述预设的语音情绪分析模型优选采用包括DNN-HMM声学模型、n-gram语言模型和wfst加权图的情绪分析模型，第一音频特征向量优选梅尔倒谱系数特征向量；当然，所述预设的语音情绪分析模型也可以是其它情绪分析模型。所述第一情绪分类包括：满意类、平静类、烦躁类以及生气类，等。

步骤S40，将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。

电话中心客服系统中还具有预先训练好的应对话术推荐模型，在通过预设的语音情绪分析模型识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类时，将识别出的第一语音内容和第一情绪分类输入该应对话术推荐模型中分析，得出推荐的应对话术，并实时将该推荐的应对话术发送至所述坐席的终端进行展示，以供坐席参考，帮助坐席应对客户。

本实施例技术方案，通过在客户进线后与坐席通话时，实时获取进线客户与坐席的语音流，从获取的语音流中提取出客户输入的语音段对应的第一音频特征向量，将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析识别，识别出第一音频特征向量对应的第一语音内容和第一情绪分类，最终利用预先训练好的应对话术模型对识别出的第一语音内容和第一情绪分类进行分析，得出推荐的应对话术实时发送给所述坐席的终端，以供坐席参考，帮助坐席应对客户；如此，有效的改善了客户因自身情绪问题而与坐席产生冲突时，坐席不知如何应对客户的情况，减少了客户投诉和客户流失。

如图2所示，图2为本发明应对话术推荐方法二实施例的流程示意图。

本实施例中，所述应对话术推荐方法在所述步骤S10之后，还包括：

步骤S50，对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段。

电话中心客服系统对当前获取的语音流进行特征提取，提取出该语音流中的坐席输入的语音段对应的第二音频特征向量。所述第二音频特征向量可以包括以下几种音频特征中的一种或多种：能量特征、发音帧数特征、基音频率特征、共振峰特征、谐波噪声比特征以及梅尔倒谱系数特征。

步骤S60，将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类。

在从当前获取的语音流中提取出第二音频特征向量后，电话中心客服系统将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析识别，以识别出所述第一音频特征向量所对应的第二情绪分类(即坐席的情绪分类)。所述第二情绪分类包括：满意类、平静类、烦躁类以及生气类，等。

步骤S70，若所述第二情绪分类为预设的异常情绪分类，则向所述坐席的终端发送预设的第一提醒信息。

当发现坐席的情绪分类(即第二情绪分类)为异常情绪分类(例如，烦躁类、生气类，等情绪不积极的情绪分类)时，电话中心客服系统则会向坐席的终端发送预设的第一提醒信息，以提醒坐席注意情绪，及时调整好服务态度。所述第一提醒信息例如为：“检测到你的服务态度消极，请注意调整服务态度”，等等。

本实施例通过实时识别坐席的情绪分类，侦测坐席的情绪变化，在坐席情绪发生异常(即变差)时，实时提醒坐席注意调整情绪和状态，从而更好的保证坐席对客户的服务质量，提升客户的满意度。

如图3所示，图3为本发明应对话术推荐方法三实施例的流程示意图。

本实施例的应对话术推荐方法，在所述步骤S60中，所述预设的语音情绪分析模型还识别出所述第二音频特征向量对应的第二语音内容(即获取的语音流中坐席输入的语音段所对应的文字内容)；所述应对话术推荐方法在所述步骤S60之后，还包括：

步骤S01，在所述第二情绪分类为预设的异常情绪分类时，分析所述第二语音内容中是否包含预设的敏感词。

电话中心客服系统中设置了敏感词库(敏感词库中包括很多敏感词)，当识别出的第二情绪分类(即坐席的情绪分类)位预设的异常情绪分类时，电话中心客服系统根据敏感词库，分析第二语音内容(即获取的语音流中坐席输入的语音段所对应的文字内容)中是否包含预设的敏感词(例如，不礼貌、不文明的词汇)。

步骤S02，若包含预设的敏感词，则分析所述第二语音内容中出现预设的敏感词的次数否大于第一阈值；

若确定所述第二语音内容中包含预设的敏感词，则说明当前坐席的言辞使用不当，此时进一步通过分析所述第二语音内容中出现预设的敏感词的次数来判断坐席言辞使用不当的严重程度，根据严重程度进行相应的处理。具体为将出现预设的敏感词的次数与第一阈值(例如3次)比较。

步骤S03，若所述第二语音内容中出现预设的敏感词的次数小于等于所述第一阈值，则向所述坐席的终端发送预设的第二提醒信息。

当确定第二语音内容中出现预设的敏感词的次数小于等于所述第一阈值时，电话中心客服系统判定为所述坐席的言辞使用不当的情况不是特别严重，此时则向所述坐席的终端发送预设的第二提醒信息，以提醒坐席注意言辞，不要使用敏感词。同时，电话中心客服系统还可将坐席的第二语音内容中出现的预设的敏感词发送到坐席的终端突出显示。所述第二提醒消息例如为：“请注意言辞谨慎，禁止使用敏感词”，等。

步骤S04，若所述第二语音内容中出现预设的敏感词的次数大于所述第一阈值，则向所述坐席的上级管理终端发送预设的第三提醒信息。

当确定第二语音内容中出现预设的敏感词的次数大于所述第一阈值时，电话中心客服系统判定为所述坐席的言辞使用不当的情况非常严重，有可能是出现坐席与客户争吵等异常情况，此时电话中心客服系统则向所述坐席的上级管理终端(上级管理人员的终端)发送预设的第三提醒信息，以提醒该坐席的上级领导或管理人员特别注意该坐席的通话情况。同时，电话中心客服系统也可以将该坐席与客户的通话语音实时转接到所述坐席的上级管理终端，让上级领导或管理人员直接监听到该次通话语音过程，以在坐席与客户发生争吵时及时处理。所述第三提醒消息例如为：“该坐席言辞出现严重问题，请及时处理”，等。

本实施例中，所述应对话术推荐模型的训练过程包括：

S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段。

电话中心客服系统会对每一次客户进线的通话进行录音并保存到通话录音数据库中，每则录音数据通常都标记有客户针对坐席提供的通话服务所反馈的满意度的服务标签。先从通话录音数据库中获取预设数量(例如10000个)的录音数据，这些录音数据均是服务标签为满意的录音数据；对获取的每一则录音数据进行音频特征向量提取，得到每一则录音数据中的第一语音片段(客户输入的语音段)对应的第一音频特征向量和第二语音片段(坐席输入的语音段)对应的第二音频特征向量。所述音频特征向量可以为包括以下几种音频特征中的一种或多种：能量特征、发音帧数特征、基音频率特征、共振峰特征、谐波噪声比特征以及梅尔倒谱系数特征。

S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本。

然后，采用预设的语音情绪分析模型对每一则录音数据对应的第一音频特征向量和第二音频特征向量进行分析识别，识别得到每一个第一音频特征向量对应的第一语音内容和第一情绪分类，以及识别得到每一个第二音频特征向量对应的第二语音内容；，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容构成一个样本，这样就得到了预设数量的样本。所述预设的语音情绪分析模型优选采用包括DNN-HMM声学模型、n-gram语言模型和wfst加权图的情绪分析模型，第一音频特征向量和第二音频特征向量优选为梅尔倒谱系数特征向量；当然，所述预设的语音情绪分析模型也可以是其它情绪分析模型。所述第一情绪分类包括：满意类、平静类、烦躁类以及生气类，等。

S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百。

从得到的预设数量的样本的第一百分比(例如70％)的样本作为训练集，第二百分比(例如25％～30％)的样本作为验证集。

S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；

利用训练集的样本对预设的应对话术推荐模型进行训练，训练结束后，再利用验证集中的样本对训练完成的应对话术推荐模型进行验证，检验应对话术推荐模型的训练效果。本实施例中，采用以下标准来检验应对话术推荐模型的准确率：应对话术推荐模型针对验证集中的一个样本预测得到的应对话术后，若该应对话术的内容中超过N％(例如95％)的内容与该样本的第二语音内容相同，则判定为预测准确。

S5、若所述预测准确率大于预设阈值，则模型训练结束。

系统中预先设置了预测准确率的预设阈值(例如97％)，用于对所述应对话术推荐模型的训练效果进行检验，若预测准确率大于所述预设阈值，那么说明所述应对话术推荐模型的训练达到了预设标准，此时则结束模型训练。

S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。

若是预测准确率小于或等于所述预设阈值，那么说明所述应对话术推荐模型的训练还没有达到了预设标准，可能是训练集的样本数量不够或验证集的样本数量不够，所以，在这种情况时，则增大所述预设数量(即增大了样本数量，例如，每次增加固定数量或每次增加随机数量)，然后在这基础上，重新执行上述步骤S1-S4，如此循环执行，直至达到了步骤S5的要求，则结束模型训练。

此外，本发明还提出一种应对话术推荐程序。

请参阅图4，是本发明应对话术推荐程序10较佳实施例的运行环境示意图。

在本实施例中，应对话术推荐程序10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图4仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

存储器11在一些实施例中可以是电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。存储器11在另一些实施例中也可以是电子装置1的外部存储设备，例如电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括电子装置1的内部存储单元也包括外部存储设备。存储器11用于存储安装于电子装置1的应用软件及各类数据，例如应对话术推荐程序10的程序代码等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。

处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行应对话术推荐程序10等。

显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。电子装置1的部件11-13通过程序总线相互通信。

请参阅图5，是本发明应对话术推荐程序10一实施例的程序模块图。在本实施例中，应对话术推荐程序10可以被分割成一个或多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本发明。例如，在图5中，应对话术推荐程序10可以被分割成实时获取模块101、第一提取模块102、第一识别模块103及推荐模块104。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述应对话术推荐程序10在电子装置1中的执行过程，其中：

实时获取模块101，用于在接收到客户进线后，实时获取所述进线客户与坐席的语音流。

当有客户进线并与坐席接通后，电话中心客服系统通过电话语音平台实时获取所述进线客户与坐席的语音流(即客户与坐席的交互音频流)。

第一提取模块102，用于对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段。

电话中心客服系统对当前获取的语音流进行特征提取，提取出该语音流中的客户输入的语音段对应的第一音频特征向量。所述第一音频特征向量可以为包括以下几种音频特征中的一种或多种：能量特征、发音帧数特征、基音频率特征、共振峰特征、谐波噪声比特征以及梅尔倒谱系数特征。

第一识别模块103，用于将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类。

电话中心客服系统中具有预设的语音情绪分析模型，在从当前获取的语音流中提取出第一音频特征向量后，电话中心客服系统将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析识别，以识别出所述第一音频特征向量所对应的第一语音内容(即获取的语音流中客户输入的语音段所对应的文字内容)和第一情绪分类(即客户的情绪分类)。本实施例中，所述预设的语音情绪分析模型优选采用包括DNN-HMM声学模型、n-gram语言模型和wfst加权图的情绪分析模型，第一音频特征向量优选梅尔倒谱系数特征向量；当然，所述预设的语音情绪分析模型也可以是其它情绪分析模型。所述第一情绪分类包括：满意类、平静类、烦躁类以及生气类，等。

推荐模块104，用于将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。

电话中心客服系统中还具有预先训练好的应对话术推荐模型，在通过预设的语音情绪分析模型识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类时，将识别出的第一语音内容和第一情绪分类输入该应对话术推荐模型中分析，得出推荐的应对话术，并实时将该推荐的应对话术发送至所述坐席的终端进行展示，以供坐席参考，帮助坐席应对客户。

本实施例技术方案，通过在客户进线后与坐席通话时，实时获取进线客户与坐席的语音流，从获取的语音流中提取出客户输入的语音段对应的第一音频特征向量，将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析识别，识别出第一音频特征向量对应的第一语音内容和第一情绪分类，最终利用预先训练好的应对话术模型对识别出的第一语音内容和第一情绪分类进行分析，得出推荐的应对话术实时发送给所述坐席的终端，以供坐席参考，帮助坐席应对客户；如此，有效的改善了客户因自身情绪问题而与坐席产生冲突时，坐席不知如何应对客户的情况，减少了客户投诉和客户流失。

本实施例中，所述应对话术推荐模型的训练方法参照上述应对话术推荐方法的实施例中的描述，在此不赘述。

参照图6，本实施例中，所述应对话术推荐程序还包括第二提取模块105、第二识别模块106和提醒模块107。

第二提取模块105，用于对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段。

电话中心客服系统对当前获取的语音流进行特征提取，提取出该语音流中的坐席输入的语音段对应的第二音频特征向量。所述第二音频特征向量可以包括以下几种音频特征中的一种或多种：能量特征、发音帧数特征、基音频率特征、共振峰特征、谐波噪声比特征以及梅尔倒谱系数特征。

第二识别模块106，用于将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类。

在从当前获取的语音流中提取出第二音频特征向量后，电话中心客服系统将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析识别，以识别出所述第一音频特征向量所对应的第二情绪分类(即坐席的情绪分类)。所述第二情绪分类包括：满意类、平静类、烦躁类以及生气类，等。

提醒模块107，用于在所述第二情绪分类为预设的异常情绪分类时，向所述坐席的终端发送预设的第一提醒信息。

当发现坐席的情绪分类(即第二情绪分类)为异常情绪分类(例如，烦躁类、生气类，等情绪不积极的情绪分类)时，电话中心客服系统则会向坐席的终端发送预设的第一提醒信息，以提醒坐席注意情绪，及时调整好服务态度。所述第一提醒信息例如为：“检测到你的服务态度消极，请注意调整服务态度”，等等。

本实施例通过实时识别坐席的情绪分类，侦测坐席的情绪变化，在坐席情绪发生异常(即变差)时，实时提醒坐席注意调整情绪和状态，从而更好的保证坐席对客户的服务质量，提升客户的满意度。

参照图7，本实施例中，第二识别模块106还用于将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二语音内容(即获取的语音流中坐席输入的语音段所对应的文字内容)；所述应对话术推荐程序还包括第一分析模块108和第二分析模块109。其中，

第一分析模块108，用于在确定所述第二情绪分类为预设的异常情绪分类时，分析所述第二语音内容中是否包含预设的敏感词。

电话中心客服系统中设置了敏感词库(敏感词库中包括很多敏感词)，当识别出的第二情绪分类(即坐席的情绪分类)位预设的异常情绪分类时，电话中心客服系统根据敏感词库，分析第二语音内容(即获取的语音流中坐席输入的语音段所对应的文字内容)中是否包含预设的敏感词(例如，不礼貌、不文明的词汇)。

第二分析模块109，用于在确定所述第二语音内容中包含预设的敏感词时，分析所述第二语音内容中出现预设的敏感词的次数否大于第一阈值；

若确定所述第二语音内容中包含预设的敏感词，则说明当前坐席的言辞使用不当，此时进一步通过分析所述第二语音内容中出现预设的敏感词的次数来判断坐席言辞使用不当的严重程度，根据严重程度进行相应的处理。具体为将出现预设的敏感词的次数与第一阈值(例如3次)比较。

所述提醒模块107还用于在确定所述第二语音内容中出现预设的敏感词的次数小于等于所述第一阈值时，向所述坐席的终端发送预设的第二提醒信息。

当确定第二语音内容中出现预设的敏感词的次数小于等于所述第一阈值时，电话中心客服系统判定为所述坐席的言辞使用不当的情况不是特别严重，此时则向所述坐席的终端发送预设的第二提醒信息，以提醒坐席注意言辞，不要使用敏感词。同时，电话中心客服系统还可将坐席的第二语音内容中出现的预设的敏感词发送到坐席的终端突出显示。所述第二提醒消息例如为：“请注意言辞谨慎，禁止使用敏感词”，等。

所述提醒模块107还用于在确定所述第二语音内容中出现预设的敏感词的次数大于所述第一阈值时，向所述坐席的上级管理终端发送预设的第三提醒信息。

当确定第二语音内容中出现预设的敏感词的次数大于所述第一阈值时，电话中心客服系统判定为所述坐席的言辞使用不当的情况非常严重，有可能是出现坐席与客户争吵等异常情况，此时电话中心客服系统则向所述坐席的上级管理终端(上级管理人员的终端)发送预设的第三提醒信息，以提醒该坐席的上级领导或管理人员特别注意该坐席的通话情况。同时，电话中心客服系统也可以将该坐席与客户的通话语音实时转接到所述坐席的上级管理终端，让上级领导或管理人员直接监听到该次通话语音过程，以在坐席与客户发生争吵时及时处理。所述第三提醒消息例如为：“该坐席言辞出现严重问题，请及时处理”，等。

进一步地，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有应对话术推荐程序，所述应对话术推荐程序可被至少一个处理器执行，以使所述至少一个处理器执行上述任一实施例中的应对话术推荐方法。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (5)

1.一种电子装置，其特征在于，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的应对话术推荐程序，所述应对话术推荐程序被所述处理器执行时实现如下步骤：

A1、在接收到客户进线后，实时获取所述进线客户与坐席的语音流；

B1、对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段；

C1、将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，所述预设的语音情绪分析模型包括DNN-HMM声学模型、n-gram语言模型和wfst加权图的情绪分析模型；

D1、将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端；

在所述A1之后，所述应对话术推荐程序被所述处理器执行时，还实现如下步骤：

E1、对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段；

F1、将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类；

G1、若所述第二情绪分类为预设的异常情绪分类，则向所述坐席的终端发送预设的第一提醒信息；

所述预设的语音情绪分析模型还识别出所述第二音频特征向量对应的第二语音内容，在所述F1之后，所述应对话术推荐程序被所述处理器执行时，还实现如下步骤：

在所述第二情绪分类为预设的异常情绪分类时，分析所述第二语音内容中是否包含预设的敏感词；

若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数小于等于第一阈值，则向所述坐席的终端发送预设的第二提醒信息；

若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数大于第一阈值，则向所述坐席的上级管理终端发送预设的第三提醒信息。

2.如权利要求1所述的电子装置，其特征在于，所述应对话术推荐模型的训练过程包括：

S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段；

S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本；

S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百；

S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；

S5、若预测准确率大于预设阈值，则模型训练结束；

S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。

3.一种应对话术推荐方法，其特征在于，包括以下步骤：

A2、在接收到客户进线后，实时获取所述进线客户与坐席的语音流；

B2、对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段；

C2、将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，所述预设的语音情绪分析模型包括DNN-HMM声学模型、n-gram语言模型和wfst加权图的情绪分析模型；

D2、将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端；

在所述A2之后，所述应对话术推荐方法还包括：

E2、对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段；

F2、将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类；

G2、若所述第二情绪分类为预设的异常情绪分类，则向所述坐席的终端发送预设的第一提醒信息；

所述预设的语音情绪分析模型还识别出所述第二音频特征向量对应的第二语音内容，在所述F2之后，所述应对话术推荐方法还包括：

在所述第二情绪分类为预设的异常情绪分类时，分析所述第二语音内容中是否包含预设的敏感词；

若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数小于等于第一阈值，则向所述坐席的终端发送预设的第二提醒信息；

若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数大于第一阈值，则向所述坐席的上级管理终端发送预设的第三提醒信息。

4.如权利要求3所述的应对话术推荐方法，其特征在于，所述应对话术推荐模型的训练过程包括：

S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段；

S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本；

S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百；

S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；

S5、若预测准确率大于预设阈值，则模型训练结束；

S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。

5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有应对话术推荐程序，所述应对话术推荐程序可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：

在接收到客户进线后，实时获取所述进线客户与坐席的语音流；

对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段；

将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类；

将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端；

在所述实时获取所述进线客户与坐席的语音流之后，所述应对话术推荐程序被所述处理器执行时还实现如下步骤：

对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段；

将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类；

若所述第二情绪分类为预设的异常情绪分类，则向所述坐席的终端发送预设的第一提醒信息；

所述预设的语音情绪分析模型还识别出所述第二音频特征向量对应的第二语音内容，在所述识别出所述第二音频特征向量对应的第二情绪分类之后，所述应对话术推荐程序被所述处理器执行时还实现如下步骤：

在所述第二情绪分类为预设的异常情绪分类时，分析所述第二语音内容中是否包含预设的敏感词；

若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数小于等于第一阈值，则向所述坐席的终端发送预设的第二提醒信息；

若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数大于第一阈值，则向所述坐席的上级管理终端发送预设的第三提醒信息。

Images