CN109740155A - 一种客服系统人工智能质检规则自我归纳模型的方法及系统 - Google Patents

Abstract

本发明公开了一种客服系统人工智能质检规则自我归纳模型的方法及系统，接收用户的质检规则建模请求，根据质检规则建模请求建立请求生成质检规则建立的标准作业流，根据质检规则模型建立作业流生成客服系统深度学习人工智能质检规则自我归纳模型建立请求所对应的深度学习人工智能模型选用规则及方法，通过专用深度学习算法和数据训练的积累，能够获取通话双方的语义特征数据及业务流程特征数据。该客服系统人工智能质检规则自我归纳模型的方法及系统，能够通过通话语音转写数据的导入，首先依托系统成单率、工单规范度、用户满意度等客观评价数据进行标注，然后由深度学习进行通话内容的聚类和分类进行模型归纳，从而生成质检规则。

Description

一种客服系统人工智能质检规则自我归纳模型的方法及系统

技术领域

本发明涉及一种客服系统深度学习人工智能质检规则自我归纳模型技术领域，属于语音识别和语义分析结合应用的人工智能领域，适用于金融、保险、制造业、政务服务、运营商业务、零售服务、电商服务、交通服务等具有客户服务需求并且对服务质量有规范化要求的客户服务中心业务，具体为一种客服系统人工智能质检规则自我归纳模型的方法及系统。

背景技术

随着技术与经济常态化的发展，国民生活水平的提升，数字化变革是一个必然的趋势，客户体验成为了维护客户忠诚度的重要指标。很多大型外包客服、外包呼叫中心服务提供商都在积极的布局，以便应对客户不断提升的要求，从而能够及时，高效，并且节省成本的情况下更好地为用户服务，提升效率的同时，提升客户端满意度。

但是对于众多客户服务场景，目前的全量智能质检业务的规则设定大部分都是由业务人员进行手工设定，存在规则僵化、效率低下和效果不佳的问题，与实际的业务需求存在脱离。因此如何有效结合深度学习技术与人工规则设定的优势，借助深度学习的手段，通过大量的训练数据，自动归纳提取出质检规则，从而达到提高管理精细度，提升人力培训效果，从而持续提升客户的满意度，是呼叫中心技术变革的一大方向。

目前，市面上已经存在基于语音识别技术、语义分析技术的人工智能客服系统，但是现有的人工智能客服系统所提供主要是基于客户与应用之间的智能交互服务，没有提供提升话务员服务水平、业务受理水平的智能应用，在一定程度上极大的浪费了现有的人工智能客服系统的效率，同时增大了一定的人工智能客服的成本。

本发明正是为了解决以上问题而提出有效解决方案的一种客服系统深度学习人工智能质检规则自我归纳模型。

在中国发明专利申请公开说明书CN200910188574.5中公开的一种客服系统向用户提供信息的方法和客服系统，该客服系统向用户提供信息的方法和客服系统，虽然，用户和客服系统业务交互时，让用户在网页上进行操作，提高了客服系统向用户提供的信息的准确度，但是，该客服系统向用户提供信息的方法和客服系统，没有提供提升话务员服务水平、业务受理水平的智能应用，在一定程度上极大的浪费了现有的客服系统的效率，同时增大了一定的客服的成本。

在中国发明专利申请公开说明书CN200710088832.3中公开的基于即时通讯的客服系统及基于即时通讯的客服方法，该基于即时通讯的客服系统及基于即时通讯的客服方法，虽然，本发明中每个客服终端同一时间可以服务多个用户。并且，由于IM可以承载多媒体消息，因此本发明能够提供多媒体的客服，满足用户在这方面的需要，提高了用户体验，另外，现在网络已经非常普及，而且费用也低于电话，从而降低了用户的使用费用，另一方面，IM消息主要基于文本，可以直接将这些文本信息保存，或者用于数据分析，使用起来比电话客服系统方便，但是，基于即时通讯的客服系统及基于即时通讯的客服方法，没有提供提升话务员服务水平、业务受理水平的智能应用，在一定程度上极大的浪费了现有的客服系统的效率，同时增大了一定的客服的成本。

在中国发明专利申请公开说明书CN201410095253.1中公开的客服设置装置及方法，以及对应之客服系统及方法，该客服设置装置及方法，以及对应之客服系统及方法，虽然，可以向客户提供对客服系统自主设置的功能，从而使得客户可以自行开发和维护客服系统，相对于现有的必须由开发方来开发维护客服系统的方式，本发明可以缩短客服系统的开发和维护时间，节约了成本。并且对于本发明而言，语义开发方只需提供语义存储单元，藉于语义开发方经过长时间的积累，可以覆盖绝大多数行业的需求，因此对任意企业的需求可以快速低成本上线，将开发客服系统的价格成本降到行业中小型企业可以接受的水平，但是，该客服设置装置及方法，以及对应之客服系统及方法，没有提供提升话务员服务水平、业务受理水平的智能应用，在一定程度上手工设定，存在规则僵化、效率低下和效果不佳。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种客服系统人工智能质检规则自我归纳模型的方法及系统，具备可以使得现有的客服系统能够快速的实现通过深度学习进行人工智能质检规则自我归纳模型，并能够自我优化，使得呼叫中心能够快速构建质检规则，提升整体服务能力、构建良好的培训机制和提升用户体验等优点，解决了上述背景技术中的问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：一种客服系统人工智能质检规则自我归纳模型的方法及系统，接收用户的质检规则建模请求，根据所述质检规则建模请求建立请求生成质检规则建立的标准作业流，根据所述质检规则模型建立作业流生成所述客服系统深度学习人工智能质检规则自我归纳模型建立请求所对应的深度学习人工智能模型选用规则及方法，通过专用深度学习算法和数据训练的积累，能够获取通话双方的语义特征数据及业务流程特征数据，能够按照意图和场景进行分类，按照关键特征值进行工作流程的特征提取和规则分类，并根据终端用户的系统成单率、工单规范度和用户满意度，自动归纳提取出有效的质检规则，所生效的质检规则，可以随着训练数据的持续投入进行优化，实现自我优化和成长。

优选的，根据所述客服系统深度学习人工智能质检规则自我归纳模型建立请求所对应的深度学习人工智能模型选用规则及方法进行深度学习人工智能模型设定，包括对需求的模型需求建立相关的标准流程并进行流程设定编排，生成可并行处理的多个深度学习并模型训练的作业流，并行化执行每个模型训练作业流，展现实际运行结果，能够对所述多个结果进行相互作用，进行相应干涉处理，最终生成所述智能质检模型建立请求通过深度学习能够自动学习出来的智能质检规则模型。

优选的，根据所述客服系统深度学习人工智能质检规则自我归纳模型建立请求所对应的客服系统深度学习人工智能质检规则自我归纳模型设定至少包括以下两项：训练数据和深度学习模型，与之对应的是根据所述客服系统深度学习人工智能质检规则自我归纳模型建立请求，生成质检规则模型的建立作业流具体为：根据所述的训练数据和所述的深度学习模型生成所述质检规则模型作业流。

优选的，所述深度学习模型包括但不限于：深度人工神经网络模型、随机森林模型、支持向量机模型、长短期记忆模型或生成对抗网络模型。

优选的，包括对所述客服系统深度学习人工智能质检规则自我归纳模型进行性能评价并反馈分析结果。

优选的，包括客户端，用于接收用户的人工质检规则智能建模归纳的用户请求，根据所述客服系统深度学习人工智能质检规则自我归纳模型建立请求生成模型建立作业流，应用服务器，用于根据所述模型建立作业流生成所述客服系统深度学习人工智能质检规则自我归纳模型所对应的智能质检自我归纳模型。

优选的，所述应用服务器包括任务解析模块、聚类/分类模块、质检特征模块、计算服务器集群和合并模块。

优选的，所述客户端包括数据处理组件、模型匹配组件和性能组件。

优选的，所述客服系统深度学习人工智能质检规则自我归纳模型提供的方法支持云端调用或本地化部署调用，所述客服系统深度学习人工智能质检规则自我归纳模型支持独立化部署，与现有的客服系统无需紧密耦合，可以分开运行，互不干扰。

(三)有益效果

与现有技术相比，本发明提供了一种客服系统人工智能质检规则自我归纳模型的方法及系统，具备以下有益效果：

该客服系统人工智能质检规则自我归纳模型的方法及系统，能够通过通话语音转写数据的导入，首先依托系统成单率、工单规范度、用户满意度等客观评价数据进行标注，然后由深度学习进行通话内容的聚类和分类进行模型归纳，从而生成质检规则。

附图说明

图1为本发明提出的一种客服系统人工智能质检规则自我归纳模型的方法及系统流程示意图。

图中：101-通话内容文本等原始数据、102-提取意图特征分析、103-质检特征提取、104-规则合并算法、105-质检规则应用、106-规则优化持续学习。

具体实施方式

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。

请参阅图1，一种客服系统人工智能质检规则自我归纳模型的方法及系统，接收用户的质检规则建模请求，根据所述质检规则建模请求建立请求生成质检规则建立的标准作业流，根据所述质检规则模型建立作业流生成所述客服系统深度学习人工智能质检规则自我归纳模型建立请求所对应的深度学习人工智能模型选用规则及方法，根据所述客服系统深度学习人工智能质检规则自我归纳模型建立请求所对应的深度学习人工智能模型选用规则及方法进行深度学习人工智能模型设定，包括对需求的模型需求建立相关的标准流程并进行流程设定编排，生成可并行处理的多个深度学习并模型训练的作业流，并行化执行每个模型训练作业流，展现实际运行结果，能够对所述多个结果进行相互作用，进行相应干涉处理，最终生成所述智能质检模型建立请求通过深度学习能够自动学习出来的智能质检规则模型，根据所述客服系统深度学习人工智能质检规则自我归纳模型建立请求所对应的客服系统深度学习人工智能质检规则自我归纳模型设定至少包括以下两项：训练数据和深度学习模型，与之对应的是根据所述客服系统深度学习人工智能质检规则自我归纳模型建立请求，生成质检规则模型的建立作业流具体为：根据所述的训练数据和所述的深度学习模型生成所述质检规则模型作业流，所述深度学习模型包括但不限于：深度人工神经网络模型、随机森林模型、支持向量机模型、长短期记忆模型或生成对抗网络模型，包括对所述客服系统深度学习人工智能质检规则自我归纳模型进行性能评价并反馈分析结果，包括客户端，用于接收用户的人工质检规则智能建模归纳的用户请求，根据所述客服系统深度学习人工智能质检规则自我归纳模型建立请求生成模型建立作业流，所述客户端包括数据处理组件、模型匹配组件和性能组件，应用服务器，用于根据所述模型建立作业流生成所述客服系统深度学习人工智能质检规则自我归纳模型所对应的智能质检自我归纳模型，客户端数据处理组件，用于读取用户选择的训练数据模型匹配组件，用于接收用户选择的深度学习模型、干涉模型、共性模型，各种模型的权重及衡量比例，性能组件，用户获取所述客服系统深度学习人工智能质检规则自我归纳模型的分析结果，所述应用服务器包括任务解析模块、聚类/分类模块、质检特征模块、计算服务器集群和合并模块，任务解析模块，用于对所述模型建立作业流进行编排，生成多个并行化训练的模型处理解析作业流，聚类/分类模块，用于对所述人工智能质检规则自我归纳模型输入的训练数据流进行语义理解、服务内容拆分和意图聚类，对作用域进行内容分类并归纳，形成内容解构和特征拆分，质检特征模块，用于对上述已经完成内容解构和特征拆分的结果数据进行质检特征提取，将单个的特征过程通过深度学习进行有效性判定，计算服务器集群，用于并行化执行每个所述自我归纳模型的解析作业流，并反馈并行化结果，合并模块，能够对所述多个结果进行相互作用，进行相应干涉处理，通过多组训练数据的干涉共性分析确定是否在所述客服系统人工智能质检规则自我归纳模型中生效并启用，最终生成请求所对应的人工智能质检归纳模型，通过专用深度学习算法和数据训练的积累，能够获取通话双方的语义特征数据及业务流程特征数据，能够按照意图和场景进行分类，按照关键特征值进行工作流程的特征提取和规则分类，并根据终端用户的系统成单率、工单规范度和用户满意度，自动归纳提取出有效的质检规则，所生效的质检规则，可以随着训练数据的持续投入进行优化，实现自我优化和成长，所述客服系统深度学习人工智能质检规则自我归纳模型提供的方法支持云端调用或本地化部署调用，所述客服系统深度学习人工智能质检规则自我归纳模型支持独立化部署，与现有的客服系统无需紧密耦合，可以分开运行，互不干扰。

该文中出现的电器元件均与外界的主控器及220V市电电连接，并且主控器可为计算机等起到控制的常规已知设备。

在使用时，该客服系统人工智能质检规则自我归纳模型的方法及系统包括以下步骤。

步骤101：通话内容文本等原始数据，通过语音识别引擎，将通话内容转换成文本内容，通过专用软件及算法调用接口获取语音转文本内容，以及通话双方的用户信息及电话号码信息等原始数据。原始数据可以存在在大数据平台，或者超大型的数据库中，数据以呼叫流水号callid作为唯一标识号。

步骤102：提取意图特征分析，通过意图特征分析模块，并通过专用软件及算法对文本内容进行语义分析，依托深度学习人工智能模型算法，进行聚类/分类模块，用于对所述人工智能质检规则自我归纳模型输入的训练数据流进行语义理解、服务内容拆分，在明确的来电意图下，对作用域进行内容分类并归纳，形成内容解构和特征拆分。通过算法分析提取合适收敛方式，作为质检衡量依据评分规则。

步骤103：质检特征提取，对上述已经完成内容解构和特征拆分的结果数据进行质检特征提取，将单个的特征过程通过深度学习进行有效性判定。

步骤104：规则合并算法，能够对质检提取的多个结果进行相互作用，进行相应干涉处理，通过多组训练数据的干涉共性分析确定是否在所述客服系统人工智能质检规则自我归纳模型中生效并启用，最终生成请求所对应的人工智能质检归纳模型。

步骤105：质检规则应用，实际投入质检工作，通过人工复检对规则质量进行指导性打分，从而实现对于规则的适用性调整。

步骤106：规则优化持续学习，通过所生成质检规则在系统中的实际应用场景，结合人工复检的结果进行干预，并且根据持续导入的训练数据进行所生成智能质检规则的持续深度学习优化。

综上所述，该客服系统人工智能质检规则自我归纳模型的方法及系统，能够通过通话语音转写数据的导入，首先依托系统成单率、工单规范度、用户满意度等客观评价数据进行标注，然后由深度学习进行通话内容的聚类和分类进行模型归纳，从而生成质检规则。

需要说明的是，在本文中，诸如第一和第二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。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种客服系统人工智能质检规则自我归纳模型的方法及系统，其特征在于：接收用户的质检规则建模请求，根据所述质检规则建模请求建立请求生成质检规则建立的标准作业流，根据所述质检规则模型建立作业流生成所述客服系统深度学习人工智能质检规则自我归纳模型建立请求所对应的深度学习人工智能模型选用规则及方法，通过专用深度学习算法和数据训练的积累，能够获取通话双方的语义特征数据及业务流程特征数据，能够按照意图和场景进行分类，按照关键特征值进行工作流程的特征提取和规则分类，并根据终端用户的系统成单率、工单规范度和用户满意度，自动归纳提取出有效的质检规则，所生效的质检规则，可以随着训练数据的持续投入进行优化，实现自我优化和成长。

2.根据权利要求1所述的一种客服系统人工智能质检规则自我归纳模型的方法及系统，其特征在于：根据所述客服系统深度学习人工智能质检规则自我归纳模型建立请求所对应的深度学习人工智能模型选用规则及方法进行深度学习人工智能模型设定，包括对需求的模型需求建立相关的标准流程并进行流程设定编排，生成可并行处理的多个深度学习并模型训练的作业流，并行化执行每个模型训练作业流，展现实际运行结果，能够对所述多个结果进行相互作用，进行相应干涉处理，最终生成所述智能质检模型建立请求通过深度学习能够自动学习出来的智能质检规则模型。

3.根据权利要求1所述的一种客服系统人工智能质检规则自我归纳模型的方法及系统，其特征在于：根据所述客服系统深度学习人工智能质检规则自我归纳模型建立请求所对应的客服系统深度学习人工智能质检规则自我归纳模型设定至少包括以下两项：训练数据和深度学习模型，与之对应的是根据所述客服系统深度学习人工智能质检规则自我归纳模型建立请求，生成质检规则模型的建立作业流具体为：根据所述的训练数据和所述的深度学习模型生成所述质检规则模型作业流。

4.根据权利要求3所述的一种客服系统人工智能质检规则自我归纳模型的方法及系统，其特征在于：所述深度学习模型包括但不限于：深度人工神经网络模型、随机森林模型、支持向量机模型、长短期记忆模型或生成对抗网络模型。

5.根据权利要求1所述的一种客服系统人工智能质检规则自我归纳模型的方法及系统，其特征在于：包括对所述客服系统深度学习人工智能质检规则自我归纳模型进行性能评价并反馈分析结果。

6.根据权利要求1所述的一种客服系统人工智能质检规则自我归纳模型的方法及系统，其特征在于：包括客户端，用于接收用户的人工质检规则智能建模归纳的用户请求，根据所述客服系统深度学习人工智能质检规则自我归纳模型建立请求生成模型建立作业流，应用服务器，用于根据所述模型建立作业流生成所述客服系统深度学习人工智能质检规则自我归纳模型所对应的智能质检自我归纳模型。

7.根据权利要求6所述的一种客服系统人工智能质检规则自我归纳模型的方法及系统，其特征在于：所述应用服务器包括任务解析模块、聚类/分类模块、质检特征模块、计算服务器集群和合并模块。

8.根据权利要求6所述的一种客服系统人工智能质检规则自我归纳模型的方法及系统，其特征在于：所述客户端包括数据处理组件、模型匹配组件和性能组件。

9.根据权利要求1所述的一种客服系统人工智能质检规则自我归纳模型的方法及系统，其特征在于：所述客服系统深度学习人工智能质检规则自我归纳模型提供的方法支持云端调用或本地化部署调用，所述客服系统深度学习人工智能质检规则自我归纳模型支持独立化部署，与现有的客服系统无需紧密耦合，可以分开运行，互不干扰。