CN109801105A - 基于人工智能的服务评分方法、装置、设备及存储介质 - Google Patents
基于人工智能的服务评分方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109801105A CN109801105A CN201910043292.XA CN201910043292A CN109801105A CN 109801105 A CN109801105 A CN 109801105A CN 201910043292 A CN201910043292 A CN 201910043292A CN 109801105 A CN109801105 A CN 109801105A
- Authority
- CN
- China
- Prior art keywords
- banquet
- result
- attending
- recognition result
- customer anger
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 235000021167 banquet Nutrition 0.000 claims abstract description 160
- 230000036651 mood Effects 0.000 claims abstract description 71
- 230000008451 emotion Effects 0.000 claims abstract description 68
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 17
- 230000001815 facial effect Effects 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims 2
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000002996 emotional effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 206010027951 Mood swings Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于人工智能的服务评分方法、装置、设备及存储介质,该的方法包括:获取客户终端发送的第一视频流和坐席终端发送的坐席语音信息;将所述第一视频流输入到预先配置好的情绪识别模型中进行情绪分析,获取第一视频流对应的客户情绪识别结果;采用第一预设评分规则对所述客户情绪识别结果进行评分,获取第一评分结果;采用第二预设评分规则对所述坐席语音信息进行评分,获取第二评分结果;采用加权计算公式对所述第一评分结果和所述第二评分结果进行计算,获取目标评分结果,该服务评分方法无需依赖客户手动评价,有效提高服务评分的获取效率和评分结果的准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的服务评分方法、装置、设备及存储介质。
背景技术
为了提升对客户的服务能力,充分满足客户的不同要求,当前各个大型企业都建立了相应的坐席中心,客户只需要通过坐席中心即可了解并办理相应的业务,无需去柜台办理业务。在坐席中心的坐席人员是连接公司与客户之间的重要纽带。坐席人员的服务质量很大程度上会影响客户对公司的满意度。当前服务质量评估过程中,需要客户在服务完成后手动对坐席人员的服务质量进行评价,以使公司根据客户反馈的评价对坐席人员的工作质量进行评分,这种手动评分的方式较繁琐,且仅依赖于客户的主观评价,使得评分结果的准确性不高。
发明内容
本发明实施例提供一种基于人工智能的服务评分方法、装置、设备及存储介质,以解决目前服务评分需依赖于客户手动评分导致效率低且准确率不高问题。
一种基于人工智能的服务评分,包括:
获取客户终端发送的第一视频流和坐席终端发送的坐席语音信息;
将所述第一视频流输入到预先配置好的情绪识别模型中进行情绪分析,获取第一视频流对应的客户情绪识别结果;
采用第一预设评分规则对所述客户情绪识别结果进行评分,获取第一评分结果;
采用第二预设评分规则对所述坐席语音信息进行评分,获取第二评分结果;
采用加权计算公式对所述第一评分结果和所述第二评分结果进行计算,获取目标评分结果;所述加权计算公式为其中,pi表示所述第一评分结果或所述第二评分结果,wi表示所述第一评分结果或所述第二评分结果对应的评分权重,n表示计算维度,i表示所述第一评分结果或所述第二评分结果对应的标识。
一种基于人工智能的服务评分装置,包括:
信息获取模块,用于获取客户终端发送的第一视频流和坐席终端发送的坐席语音信息;
客户情绪识别结果获取模块,用于将所述第一视频流输入到预先配置好的情绪识别模型中进行情绪分析,获取第一视频流对应的客户情绪识别结果;
第一评分结果获取模块,用于采用第一预设评分规则对所述客户情绪识别结果进行评分,获取第一评分结果;
第二评分结果获取模块,用于采用第二预设评分规则对所述坐席语音信息进行评分,获取第二评分结果;
目标评分结果获取模块,用于采用加权计算公式对所述第一评分结果和所述第二评分结果进行计算,获取目标评分结果;所述加权计算公式为其中,pi表示所述第一评分结果或所述第二评分结果,wi表示所述第一评分结果或所述第二评分结果对应的评分权重,n表示计算维度,i表示所述第一评分结果或所述第二评分结果对应的标识。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于人工智能的服务评分方法。
一种非易失性存储介质,所述非易失性存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于人工智能的服务评分方法。
上述基于人工智能的服务评分方法、装置、计算机设备及存储介质中,通过采用预先配置好的情绪识别模型对客户终端发送的第一视频流中的客户情绪进行识别,以获取客户情绪识别结果,以便根据客户情绪识别结果按照第一预设评分规则对客服服务质量进行智能评分,获取第一评分结果,无需客户手动评分,且可有效避免客户手动评分较客观的问题,并且可通过检测客户情绪,能够知晓客服是否可以处理异常情况,再通过对坐席语音信息是否符合标准进行分析评价,获取第二评分结果,以便从坐席专业角度,评判坐席的服务质量。最后,通过对第一评分结果和第二评分结果进行综合评价,获取目标评分结果,极大提高目标评分结果的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于人工智能的服务评分方法的一应用环境示意图;
图2是本发明一实施例中基于人工智能的服务评分方法的一流程图;
图3是图2中步骤S20的一具体流程图;
图4是图2中步骤S30的一具体流程图;
图5是图2中步骤S40的一具体流程图;
图6是图5中步骤S41的一具体流程图;
图7是本发明一实施例中基于人工智能的服务评分方法的一流程图;
图8是本发明一实施例中基于人工智能的服务评分装置的一示意图;
图9是本发明一实施例中计算机设备的一示意图。
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作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。
本发明实施例提供的基于人工智能的服务评分方法可应用在一在银行、证券、保险等金融机构或者其他机构配置的计算机设备上,用于智能分析坐席服务质量,无需客户手动评分且可有效解决部分客户恶意评分导致评分结果可靠性较低的问题。该基于人工智能的服务评分方法可应用在如图1的应用环境中,其中,计算机设备通过网络与服务器进行通信。计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。本实施例中,计算机设备即客户终端和坐席终端。服务器可以用独立的服务器来实现。
在一实施例中,如图2所示,提供一种基于人工智能的服务评分方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S10:获取客户终端发送的第一视频流和坐席终端发送的坐席语音信息。
其中,客户可在银行、证券、保险等金融机构或者其他机构提供的服务系统中,选择所需办理的业务(如,银行开卡服务)进行远程办理,并从在线空闲状态的候选坐席中选择所需坐席进行业务办理,当与所需坐席建立网络连接时,自动提示客户和坐席分别打开客户终端和坐席终端的摄像头,在接收到坐席终端和客户终端反馈的摄像头开启结果后,实时采集客户终端发送的第一视频流和坐席终端发送的第二视频流,以便进行远程视频服务,同时采集坐席终端发送的坐席语音信息。第一视频流是客户终端对应的摄像头所采集到的视频流。该坐席终端是与坐席相对应的终端,即用于使坐席实现人机交互的终端。客户终端时与客户相对应的终端,即用于使客户实现人机交互的终端。坐席语音信息是与坐席终端对应的前端录制设备(如麦克风)实时采集的语音信息。
S20:将第一视频流输入到预先配置好的情绪识别模型中进行情绪分析,获取第一视频流对应的客户情绪识别结果。
其中,第一视频流包括N个携带时间标签的视频帧图像。情绪识别模型是预先配置好的用于针对视频流中客户的微表情进行情绪分析的识别模型。客户情绪识别结果是用于反映客户对坐席服务的满意程度,具体为0-1之间的实数。具体地,将采集到第一视频流中的视频帧图像按照时间标签的顺序输入到到预先配置好的情绪识别模型中进行情绪分析,以获取与每一视频帧图像相对应的客户情绪识别结果,以通过对第一视频流中客户的情绪分析,反映当前客户对坐席服务的满意程度。
在一实施例中,如图3所示,步骤S20中,即将第一视频流输入到预先配置好的情绪识别模型中进行情绪分析,获取第一视频流对应的客户情绪识别结果,具体包括如下步骤:
S21:采用预设截取规则对第一视频流进行截取,获取第一视频流对应的第一目标视频图像。
其中,预设截取规则是指按照预设时间段(如1s)对视频流进行截取。具体地,按照预设截取规则(如每1s截取一次目标视频图像)对第一视频流进行截取,获取第一视频流对应的第一目标视频图像。例如,视频开始录制时,按照每隔1s截取一次视频帧图像的预设截取规则截取实时录制的第一视频流,以获取第一目标视频图像,通过按照时间间隔截取第一目标视频图像,以降低服务器性能消耗。
S22:对第一目标视频图像进行人脸检测,获取第一目标视频图像对应的第一待识别人脸图像。
其中,第一目标视频图像中,需有人脸存在,且人脸在屏幕中的大小最小需达到80*80像素,获取到人脸后,将其归一化到256*256像素,统一每一帧图像的像素,以进行后续的识别。具体地,将第一目标视频图像输入到人脸检测模型中,检测第一目标视频图像中是否包含人脸,进而提取包含有人脸的目标视频图像第一即待识别人脸图像。
具体地,对第一目标视频图像进行人脸检测的步骤如下:采用预先训练好的人脸检测模型检测第一目标视频图像是否有人脸存在,若包含人脸,则将该第一目标视频图像作为第一待识别人脸图像。其中,人脸检测模型包括但不限于采用CascadeCNN网络进行训练进行检测。CascadeCNN(人脸检测)是对经典的Violajones方法的深度卷积网络实现,是一种检测速度较快的人脸检测方法。Violajones是一种人脸检测框架。本案中,采用CascadeCNN方法对标注好人脸位置的图片(即训练样本)进行训练,以获取人脸检测模型,提高了人脸检测模型的识别效率。可理解地,若第一目标视频图像中没有包含人脸,则再次截取第一视频流中的视频帧图像作为第一目标视频图像,无需等待间隔时间截取,直到截取到包含人脸的第一目标视频图像,将其确定为第一待识别人脸图像,以排除不包含人脸的干扰,提高后续情绪模型识别的准确率,之后,则需继续等待间隔时间再次截取第一目标视频图像,直到监控视频录制结束,以降低服务器性能消耗。
S23:将第一待识别人脸图像输入到预先配置好的情绪识别模型中进行情绪分析,获取第一待识别人脸图像对应的客户情绪识别结果。
其中,情绪识别模型是预先训练好的用于进行情绪识别的模型。该情绪识别模型是采用包括但不限于CNN-LSTM网络对标注好情绪的人脸图片进行训练所得到的识别模型。具体地,将获取到的第一待识别人脸图像输入到预先创建好的情绪识别模型中进行检测,输出与第一待识别人脸图像对应的客户情绪识别结果,以通过情绪识别模型对第一视频流中客户的情绪进行分析,反映当前客户对坐席服务的满意程度,实现自动对坐席服务评分的目的,有效解决当前服务评价仅仅只靠客户手动评价,导致评分结果获取效率低且不够客观的问题。
本实施例中,通过采用预设截取规则截取第一视频流,即通过按照时间间隔截取第一目标视频图像,无需持续截取第一目标视频图像,以降低服务器性能消耗。对第一目标视频图像进行人脸检测,获取第一目标视频图像对应的第一待识别人脸图像,以排除不包含人脸的第一目标视频图像的干扰。最后,将第一待识别人脸图像输入到预先配置好的情绪识别模型中进行情绪分析,获取第一待识别人脸图像对应的客户情绪识别结果,实现自动对坐席服务评分的目的,有效解决当前服务评价仅仅只靠客户手动评价,导致评分结果获取效率低且不够客观的问题。
S30:采用第一预设评分规则对客户情绪识别结果进行评分,获取第一评分结果。
其中,第一预设评分规则是预先设定用于根据客户情绪识别结果对坐席服务质量进行评分的规则。第一评分结果是指根据客户情绪进行评分的结果。具体地,通过采用第一预设评分规则对客户情绪识别结果进行评分,获取第一评分结果,以便直观反映出当前客户对坐席服务的满意程度。
在一实施例中,客户情绪识别结果对应一时间标签。如图4所示,步骤S30中,即采用第一预设评分规则对客户情绪识别结果进行评分,获取第一评分结果,具体包括如下步骤:
S31:获取预设评分表,预设评分表包括初始服务分值、加分项和负分项。
其中,预设评分表是预先设置的用于根据客户情绪识别结果进行评分的对照表。该预设评分表包括初始服务分值、加分项和负分项。加分项是指预设评分表中预设的针对客户情绪由负面情绪转变为正面情绪的情况对坐席服务进行加分的加分分值,该加分项具体为正数,例如+10。负分项指预设评分表中预设的针对客户情绪由正面情绪转变为负面情绪的情况对坐席服务进行扣分的负分分值,也即扣分分值,该负分项具体为负数,例如-10。本案实施例中的正面情绪包括但不限于高兴、喜悦以及平静等。负面情绪包括但不限于愤怒、悲伤和恐惧等。
本实施例中,加分项的相反数可与负分项相同,如加分项为+10,则负分项为-10;或者加分项为+5,则负分项为-5,以保证坐席在负分的同时可通过加分将服务分值持平,例如当客户情绪由正面情绪转为负面情绪时,则按照负分项在初始服务分值的基础上进行扣分(如-5),但在之后由于坐席及时处理异常情况使得客户情绪由负面情绪转为正面情绪,则在扣分后的基础上以负分的相反数进行加分,将负分抵消掉,以保持分值的稳定,增强评分的公平性。初始服务分值是服务器预先为每一坐席设定的初始分值。可理解地,客户满意程度包含四种类型,分别是优秀、满意、不满意和非常不满意。本实施例中初始服务分值一般不低于满意类型对应的分值范围的下限,例如满意类型对应的分值范围为[60-79),则初始服务分值不低于60分。
S32:若时间标签为当前时刻的客户情绪识别结果为负面情绪,检测时间标签为上一时刻的客户情绪识别结果,若上一时刻的客户情绪识别结果为正面情绪,则将负分项加入待计算数组中,并生成第一提示信息,将第一提示信息发送给坐席终端;若上一时刻的客户情绪识别结果为负面情绪,继续检测时间标签为下一时刻的客户情绪识别结果,若下一时刻的客户情绪识别结果为正面情绪,则将加分项加入待计算数组中。
其中,第一提示信息是用于提示客户情绪异常,以提醒坐席及时安抚客户情绪的提示信息。由于是实时采集第一视频流,故时间标签包括三种类型,即当前时刻、上一时刻和下一时刻。需要说明的是,服务器会默认客户在进行远程业务办理时其情绪为正面情绪。具体地,服务器在接收视频流中的视频帧图像时,对时间标签为当前时刻接收的视频帧图像对应的客户情绪识别结果进行判断,若时间标签为当前时刻的客户情绪识别结果为负面情绪,则检测时间标签为上一时刻的客户情绪识别结果,若上一时刻的客户情绪识别结果为正面情绪,证明客户当前时刻的情绪波动为从正面情绪转变为负面情绪,证明客户当前对坐席的服务满意程度降低,认为坐席服务质量较差,导致客户情绪变化,则将负分项加入待计算数组中,以便加快后续调用待计算数组中的数据进行计算的计算速度。该待计算数组是用于存放加分项和负分项的数组。可理解地,在检测到当前客户情绪转变为负面情绪时,还会生成第一提示信息,并将第一提示信息发送给坐席终端,以便坐席及时了解客户情绪变化,采取相应措施安抚客户情绪。
具体地,当检测当前时刻的客户情绪识别结果为负面情绪时,若上一时刻的客户情绪识别结果为负面情绪,检测时间标签为上一时刻的客户情绪识别结果,若上一时刻的客户情绪识别结果为负面情绪,则继续检测检测时间标签为下一时刻的客户情绪识别结果,若下一时刻的客户情绪识别结果为正面情绪,证明坐席已积极安抚客户情绪,使客户当前情绪处于正常状态,认为坐席能够处理异常情况,则将加分项加入待计算数组中,以加快后续调用待计算数组中的数据进行计算的计算速度。
S33:若时间标签为当前时刻的客户情绪识别结果为正面情绪,检测时间标签为上一时刻的客户情绪识别结果,若上一时刻的客户情绪识别结果为负面情绪,则将加分项加入待计算数组中;若上一时刻的客户情绪识别结果为正面情绪,则继续检测时间标签为下一时刻的客户情绪识别结果,若下一时刻的客户情绪识别结果为负面情绪,则将负分项加入待计算数组中,并生成第一提示信息,将第一提示信息发送给坐席终端。
具体地,若时间标签为当前时刻的客户情绪识别结果为正面情绪,则认为客户情绪处于正常状态,未出现情绪异常的情况,不加分也不扣分,检测时间标签为上一时刻的客户情绪识别结果,若上一时刻的客户情绪识别结果为负面情绪,则证明坐席已积极安抚客户情绪,使客户当前情绪从负面情绪转变为正面情绪,认为坐席能够较好的处理异常情况,则将加分项加入待计算数组中;若上一时刻的客户情绪识别结果为正面情绪,则说明客户当前情绪未出现异常,则继续检测时间标签为下一时刻的客户情绪识别结果,若下一时刻的客户情绪识别结果为负面情绪,则证明客户当前时刻的情绪出现异常,即为从正面情绪转变为负面情绪,说明客户当前对坐席的服务满意程度降低,认为坐席服务质量较差,导致客户情绪变化,则将负分项加入待计算数组中。若下一时刻的客户情绪识别结果为正面情绪,则则认为客户情绪处于正常状态,未出现情绪异常的情况,不加分也不扣分。
需说明,坐席语音信息对应时间标签。进一步地,若当前时刻客户情绪出现变化(如正面情绪-负面情绪或者负面情绪-正面情绪)时,收集上一时刻的坐席语音信息,并按照情绪转变类型(包括正面-负面或负面转-正面)将坐席语音信息关联存储在数据库中,后续可将数据库中情绪转变类型相同的所有的上一时刻至当前时刻的坐席语音信息或当前时刻至下一时刻的语音信息,并采用NLP(Natural Language Processing,自然语言处理)技术进行语义分析,分析导致客户情绪变化的坐席语音信息,以便后续进行客服话术的优化。例如,若情绪转变类型为负面情绪-正面情绪,即当前时刻的客户情绪识别结果为正面情绪,上一时刻的客户情绪识别结果为负面情绪,则采用NLP技术分析所有该转变类型对应的上一时刻至当前时刻的坐席语音信息进行统计,以以获取坐席哪一话术使客户情绪正常,以便优化坐席话术,并可辅助其他坐席在遇到客户情绪异常时能够妥善处理,有利于企业发展。
S34:基于初始服务分值和待计算数组,获取第一评分结果。
具体地,服务器按照待计算数组中存储的数据的顺序,循环读取待计算数组中的数据与初始服务分值进行累加运算,以获取第一评分结果。例如,待计算数组为[+5,-5],初始服务分值为80,则服务器按照数组中数据存储顺序先读取数据+5与80相加,得到累加结果为85,再读取数据-5与85相加,得到第一评分结果为80。
本实施例中,通过分析时间标签为当前时刻、上一时刻和下一时刻的客户情绪识别结果,以便根据客户的情绪变化确定确定加分项或扣分项,最后,根据初始服务分值、加分项和扣分项进行运算,获取第一评分结果,以实现智能服务评分的目的,无需客户手动评分,且可有效避免客户手动评分较客观的问题。
S40:采用第二预设评分规则对坐席语音信息进行评分,获取第二评分结果。
其中,第二预设评分规则基于坐席语音信息对坐席服务质量进行评分的评分规则。第二评分结果是指根据坐席语音信息进行评分的结果。具体地,通过采用第二预设评分规则对坐席语音信息进行评分,获取第二评分结果,以判断坐席在为客户进行视频服务过程中的话术是否符合标准,以从专业角度对坐席服务质量进行评分。
S50:采用加权计算公式对第一评分结果和第二评分结果进行计算,获取目标评分结果;加权计算公式为其中,pi表示第一评分结果或第二评分结果,wi表示第一评分结果或第二评分结果对应的评分权重,n表示计算维度,i表示第一评分结果或第二评分结果对应的标识。
其中,目标评分结果是根据客户情绪和坐席语音信息综合评价所得到的结果。具体地,第一评分结果和第二评分结果对应的评分权重是根据实际需要针对不同坐席设置的评分权重。例如,对于职业等级较高的资深坐席,由于其等级较高则默认在服务过程中基本不会出现话术不合格的情况,因此对于客户的满意程度较看重,则将第一评分结果对应的评分权重会设置较高,第二评分结果对应的评分权重设置相对较低。而对于职业等级较低的新手坐席,由于其专业水平较低,因此会更加看重其话术是否符合标准,则可将第二评分结果对应的评分权重设置较高,而第一评分加过对应的评分权重设置较低,通过加权运算进行计算,获取目标评分结果。通过对不同职业等级的坐席设置相应的评分权重,以达到根据不同坐席设置相应的评分权重,使评分结果更加可靠。
采用加权运算公式对第一评分结果和第二评分结果进行计算,获取目标评分结果。其中,pi表示第一评分结果或第二评分结果,wi表示第一评分结果或第二评分结果对应的评分权重,n表示计算维度,i表示第一评分结果或第二评分结果对应的标识。
本实施例中,通过采用预先配置好的情绪识别模型对客户终端发送的第一视频流中的客户情绪进行识别,以获取客户情绪识别结果,以便根据客户情绪识别结果按照第一预设评分规则对客服服务质量进行智能评分,获取第一评分结果,无需客户手动评分,且可有效避免客户手动评分较客观的问题,并且可通过检测客户情绪,能够知晓客服是否可以处理异常情况,再通过对坐席语音信息是否符合标准进行分析评价,获取第二评分结果,以便从坐席专业角度,评判坐席的服务质量。最后,通过对第一评分结果和第二评分结果进行综合评价,获取目标评分结果,极大提高目标评分结果的准确性和客观性。
在一实施例中,如图5所示,步骤S40中,即采用第二预设评分规则对坐席语音信息进行评分,获取第二评分结果,具体包括如下步骤:
S41:将坐席语音信息输入到预先配置好的语音识别模型中进行识别,获取识别文本。
其中,语音识别模型会预先创建好的用于对坐席语音信息进行识别的模型。
在一实施例中,如图6所示,步骤S41中,即将坐席语音信息输入到预先配置好的语音识别模型中进行识别,获取识别文本,具体包括如下步骤:
S411:对坐席语音信息进行降噪,获取目标语音信息。
具体地,由于由前端设备采集到坐席语音信息一般都带有噪声,包括背景环境中的噪声以及前端设备录音过程中产生的噪声。这些携带噪声的坐席语音信息在进行语音识别时,会影响语音识别的准确性,因此,需要对坐席语音信息进行降噪处理,以从该语音信号中尽可能提取到更纯净的坐席语音信息,使语音识别更加准确。其中,对坐席语音信息进行降噪的方法包括但不限于采用谱减法、EEMD分解算法和SVD奇异值算法等。
S412:对目标语音信息进行特征提取,获取目标语音特征。
本实施例中,目标语音特征包括但不限于采用滤波器特征。滤波器(Filter-ank,简称Fank)特征是语音识别过程中常用的语音特征。由于现有技术中常用的梅尔特征在进行模型识别过程中会对信息进行降维处理,导致部分信息的丢失,为避免上述问题出现,本实施例中采用滤波器特征代替常用的梅尔特征。
S413:将目标语音特征输入到预先配置好的语音识别模型中进行识别,获取识别文本。
可理解,语音识别模型包括预先训练好的声学模型和语言模型。其中,声学模型是用来获取目标语音特征对应的音素序列。音素是由语音中最小的单位,可理解为汉字里面的拼音。例如:汉语音节ā(啊)只有一个音素,ài(爱)有两个音素,dāi(呆)有三个音素等。声学模型的训练方法包括但不限于采用GMM-HMM(混合高斯模型)进行训练。语言模型是用于将音素序列转换为自然语言文本的模型。具体地,服务器将目标语音特征输入到预先训练好的声学模型中进行识别,获取目标语音特征对应的音素序列,然后将获取的音素序列输入到预先训练好的语言模型中进行转换,获取对应的识别文本。
本实施例中,通过对坐席语音信息进行降噪,以获取较纯净的目标语音信息,以排除噪音干扰,再将目标语音信息进行特征提取,获取目标语音特征即滤波器特征,降低信息丢失的概率,极大提高采用语音识别模型对目标语音特征进行识别的识别准确率。
S42:基于预先创建的敏感词库,采用多模式匹配算法对识别文本进行敏感词分析,获取目标敏感词。
其中,敏感词库是预先基于不合格话术(如快点、马上)所创建的词库。本案中,本案中,多模式匹配算法包括但不限于采用AC(Aho-Corasick)自动机。其中,AC(Aho-Corasick)自动机是一种字典匹配算法,它用于在输入文本中查找字典中的字符串,该算法应用有限自动机巧妙地将字符比较转化为了状态转移,时间复杂度是线性的,算法效率快。
S43:基于目标敏感词,采用第二预设评分规则对坐席语音信息进行评分,获取第二评分结果。
具体地,系统会预先对敏感词库中的敏感词对应的严重程度进行分类,如可将敏感词库中的敏感词分为严重、一般和轻微三个等级,每一等级设定一扣分项,以获取服务评分对照表。扣分项是指针对坐席语音信息中的敏感词对坐席服务进行扣分的分值,该扣分项具体为负数,如-10。基于目标敏感词,按照第二预设评分规则对所述坐席服务质量进行评分,即按照目标敏感词在服务评分对照表中的严重等级和对应的扣分项,在初始服务分值的基础上进行扣分,以获取第二评分结果。例如,若目标敏感词在服务评分对照表中的严重等级为一般,而该严重等级对应的扣分分值为-10,则将该坐席对应的初始分值(如75分)与扣分项相加,以得到第二评分结果即65分。通过对坐席在给客户提供视频服务时所录制的话术(即坐席语音信息)进行检测,以判定坐席在服务过程中是否出现不合格话术,以从坐席当前话术是否标准的角度衡量坐席服务质量。
本实施例中,通过采用敏感词过滤算法检测坐席语音信息是否包含不标准话术即目标敏感词,以便根据目标敏感词和服务评分对照表对坐席语音信息进行评分,获取第二评分结果,以从坐席当前话术(即坐席语音信息)是否符合企业话术标准的角度衡量坐席服务质量。
在一实施例中,如图7所示,步骤S10之后,该基于人工智能的服务评分方法还包括如下步骤:
S111:获取坐席终端发送的第二视频流,将第二视频流输入到预设配置好的情绪识别模型进行情绪分析,获取第二视频流对应的坐席情绪识别结果。
其中,第二视频流是坐席对应的坐席终端的摄像头所采集到的视频流。坐席情绪识别结果是用于反映坐席当前的情绪状态的概率值,具体为0-1之间的实数。具体地,将第二视频流输入到预设配置好的情绪识别模型进行情绪分析,获取第二视频流对应的坐席情绪识别结果的过程与步骤S20保持一致,为避免重复,此处不再赘述。
S112:若坐席情绪识别结果为负面情绪,则生成第二提示信息,将第二提示信息发送给坐席终端。
其中,第二提示信息是在识别到坐席情绪异常时,提醒坐席当前情绪状态异常需保持冷静的提示信息。具体地,若第二情绪识别结果为负面情绪,证明坐席当前情绪状态异常,则生成第二提示信息,并将第二提示信息发送给坐席终端,以便坐席在出现异常情绪时,能够及时提醒坐席调整情绪,防止出现服务偏差导致客户流失,不利于企业发展的问题。
本实施例中,通过同步分析坐席情绪的变化,以便生成第二提示信息,及时提醒坐席调整情绪,防止出现服务偏差导致客户流失的问题,有利于企业发展。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种基于人工智能的服务评分装置,该基于人工智能的服务评分装置与上述实施例中基于人工智能的服务评分方法一一对应。如图X所示,该基于人工智能的服务评分装置包括信息获取模块10、客户情绪识别结果获取模块20、第一评分结果获取模块30、第二评分结果获取模块40和目标评分结果获取模块50。各功能模块详细说明如下:
信息获取模块10,用于获取客户终端发送的第一视频流和坐席终端发送的坐席语音信息。
客户情绪识别结果获取模块20,用于将第一视频流输入到预先配置好的情绪识别模型中进行情绪分析,获取第一视频流对应的客户情绪识别结果。
第一评分结果获取模块30,用于采用第一预设评分规则对客户情绪识别结果进行评分,获取第一评分结果。
第二评分结果获取模块40,用于采用第二预设评分规则对坐席语音信息进行评分,获取第二评分结果。
目标评分结果获取模块50,用于采用加权计算公式对第一评分结果和第二评分结果进行计算,获取目标评分结果;加权计算公式为其中,pi表示第一评分结果或第二评分结果,wi表示第一评分结果或第二评分结果对应的评分权重,n表示计算维度,i表示第一评分结果或第二评分结果对应的标识。
具体地,客户情绪识别结果获取模块包括第一目标视频图像获取单元、第一待识别人脸图像获取单元和客户情绪识别结果获取单元。
第一目标视频图像获取单元,用于采用预设截取规则对第一视频流进行截取,获取第一视频流对应的第一目标视频图像。
第一待识别人脸图像获取单元,用于对第一目标视频图像进行人脸检测,获取第一目标视频图像对应的第一待识别人脸图像。
客户情绪识别结果获取单元,用于将第一待识别人脸图像输入到预先配置好的情绪识别模型中进行情绪分析,获取第一待识别人脸图像对应的客户情绪识别结果。
具体地,第一评分结果获取模块30包括预设评分表获取单元31、第一处理单元32、第二处理单元33和第一评分结果获取单元34。
预设评分表获取单元31,用于获取预设评分表,预设评分表包括初始服务分值、加分项和负分项。
第一处理单元32,用于若时间标签为当前时刻的客户情绪识别结果为负面情绪,检测时间标签为上一时刻的客户情绪识别结果,若上一时刻的客户情绪识别结果为正面情绪,则将负分项加入待计算数组中,并生成第一提示信息,将第一提示信息发送给坐席终端;若上一时刻的客户情绪识别结果为负面情绪,继续检测时间标签为下一时刻的客户情绪识别结果,若下一时刻的客户情绪识别结果为正面情绪,则将加分项加入待计算数组中。
第二处理单元33,用于若时间标签为当前时刻的客户情绪识别结果为正面情绪,检测时间标签为上一时刻的客户情绪识别结果,若上一时刻的客户情绪识别结果为负面情绪,则将加分项加入待计算数组中;若上一时刻的客户情绪识别结果为正面情绪,则继续检测时间标签为下一时刻的客户情绪识别结果,若下一时刻的客户情绪识别结果为负面情绪,则将负分项加入待计算数组中,并生成第一提示信息,将第一提示信息发送给坐席终端。
第一评分结果获取单元34,用于基于初始服务分值和待计算数组,获取第一评分结果。
具体地,第二评分结果获取模块包括识别文本获取单元、目标敏感词获取单元和第二评分结果获取单元。
识别文本获取单元,用于将坐席语音信息输入到预先配置好的语音识别模型中进行识别,获取识别文本。
目标敏感词获取单元,用于基于预先创建的敏感词库,采用多模式匹配算法对识别文本进行敏感词分析,获取目标敏感词。
第二评分结果获取单元,用于基于目标敏感词,采用第二预设评分规则对坐席语音信息进行评分,获取第二评分结果。
具体地,识别文本获取单元包括目标语音信息获取子单元、目标语音特征获取子单元和识别文本获取子单元。
目标语音信息获取子单元,用于对坐席语音信息进行降噪,获取目标语音信息。
目标语音特征获取子单元,用于对目标语音信息进行特征提取,获取目标语音特征。
识别文本获取子单元,用于将目标语音特征输入到预先配置好的语音识别模型中进行识别,获取识别文本。
具体地,该基于人工智能的服务评分装置还包括坐席情绪识别结果获取单元和第二提示信息发送单元。
坐席情绪识别结果获取单元,用于获取坐席终端发送的第二视频流,将第二视频流输入到预设配置好的情绪识别模型进行情绪分析,获取第二视频流对应的坐席情绪识别结果。
第二提示信息发送单元,用于若坐席情绪识别结果为负面情绪,则生成第二提示信息,将第二提示信息发送给坐席终端。
关于基于人工智能的服务评分装置的具体限定可以参见上文中对于基于人工智能的服务评分方法的限定,在此不再赘述。上述基于人工智能的服务评分装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9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,该计算机设备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。该内存储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执行基于人工智能的服务评分方法过程中生成或获取的数据,如目标评分结果。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基于人工智能的服务评分方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中的基于人工智能的服务评分方法的步骤,例如图2所示的步骤S10-S50,或者图3至图7中所示的步骤。或者,处理器执行计算机程序时实现基于人工智能的服务评分装置这一实施例中的各模块/单元的功能,例如图8所示的各模块/单元的功能,为避免重复,这里不再赘述。
在一实施例中,提供一非易失性存储介质,该非易失性存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中基于人工智能的服务评分方法的步骤,例如图2所示的步骤S10-S50,或者图3至图7中所示的步骤,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现上述基于人工智能的服务评分装置这一实施例中的各模块/单元的功能,例如图8所示的各模块/单元的功能,为避免重复,这里不再赘述。
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,本申请所提供的各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)、双数据率SDRAM(DDRSDRAM)、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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的服务评分方法,其特征在于,包括:
获取客户终端发送的第一视频流和坐席终端发送的坐席语音信息;
将所述第一视频流输入到预先配置好的情绪识别模型中进行情绪分析,获取第一视频流对应的客户情绪识别结果;
采用第一预设评分规则对所述客户情绪识别结果进行评分,获取第一评分结果;
采用第二预设评分规则对所述坐席语音信息进行评分,获取第二评分结果;
采用加权计算公式对所述第一评分结果和所述第二评分结果进行计算,获取目标评分结果;所述加权计算公式为其中,pi表示所述第一评分结果或所述第二评分结果,wi表示所述第一评分结果或所述第二评分结果对应的评分权重,n表示计算维度,i表示所述第一评分结果或所述第二评分结果对应的标识。
2.如权利要求1所述基于人工智能的服务评分方法,其特征在于,所述将所述第一视频流输入到预先配置好的情绪识别模型中进行情绪分析,获取第一视频流对应的客户情绪识别结果,包括:
采用预设截取规则对所述第一视频流进行截取,获取所述第一视频流对应的第一目标视频图像;
对所述第一目标视频图像进行人脸检测,获取所述第一目标视频图像对应的第一待识别人脸图像;
将所述第一待识别人脸图像输入到预先配置好的情绪识别模型中进行情绪分析,获取所述第一待识别人脸图像对应的客户情绪识别结果。
3.如权利要求1所述基于人工智能的服务评分方法,其特征在于,所述客户情绪识别结果对应一时间标签;
所述采用第一预设评分规则对所述客户情绪识别结果进行评分,获取第一评分结果,包括:
获取预设评分表,所述预设评分表包括初始服务分值、加分项和负分项;
若所述时间标签为当前时刻的客户情绪识别结果为负面情绪,检测时间标签为上一时刻的客户情绪识别结果,若所述上一时刻的客户情绪识别结果为正面情绪,则将所述负分项加入待计算数组中,并生成第一提示信息,将所述第一提示信息发送给所述坐席终端;若所述上一时刻的客户情绪识别结果为负面情绪,继续检测所述时间标签为下一时刻的客户情绪识别结果,若所述下一时刻的客户情绪识别结果为正面情绪,则将所述加分项加入所述待计算数组中;
若所述时间标签为当前时刻的客户情绪识别结果为正面情绪,检测所述时间标签为上一时刻的客户情绪识别结果,若所述上一时刻的客户情绪识别结果为负面情绪,则将所述加分项加入所述待计算数组中;若所述上一时刻的客户情绪识别结果为正面情绪,则继续检测所述时间标签为下一时刻的客户情绪识别结果,若所述下一时刻的客户情绪识别结果为负面情绪,则将所述负分项加入所述待计算数组中,并生成第一提示信息,将所述第一提示信息发送给所述坐席终端;
基于所述初始服务分值和所述待计算数组,获取所述第一评分结果。
4.如权利要求1所述基于人工智能的服务评分方法,其特征在于,所述采用第二预设评分规则对所述坐席语音信息进行评分,获取第二评分结果,包括:
将所述坐席语音信息输入到预先配置好的语音识别模型中进行识别,获取识别文本;
基于预先创建的敏感词库,采用多模式匹配算法对所述识别文本进行敏感词分析,获取目标敏感词;
基于所述目标敏感词,采用第二预设评分规则对所述坐席语音信息进行评分,获取第二评分结果。
5.如权利要求4所述基于人工智能的服务评分方法,其特征在于,所述将所述坐席语音信息输入到预先配置好的语音识别模型中进行识别,获取识别文本,包括:
对所述坐席语音信息进行降噪,获取目标语音信息;
对所述目标语音信息进行特征提取,获取目标语音特征;
将所述目标语音特征输入到预先配置好的语音识别模型中进行识别,获取所述识别文本。
6.如权利要求1所述基于人工智能的服务评分方法,所述在获取客户终端发送的第一视频流和坐席终端发送的坐席语音信息之后,所述基于人工智能的服务评分方法还包括:
获取所述坐席终端发送的第二视频流,将所述第二视频流输入到预设配置好的情绪识别模型进行情绪分析,获取所述第二视频流对应的坐席情绪识别结果;
若所述坐席情绪识别结果为负面情绪,则生成第二提示信息,将所述第二提示信息发送给所述坐席终端。
7.一种基于人工智能的服务评分装置,其特征在于,包括:
信息获取模块,用于获取客户终端发送的第一视频流和坐席终端发送的坐席语音信息;
客户情绪识别结果获取模块,用于将所述第一视频流输入到预先配置好的情绪识别模型中进行情绪分析,获取第一视频流对应的客户情绪识别结果;
第一评分结果获取模块,用于采用第一预设评分规则对所述客户情绪识别结果进行评分,获取第一评分结果;
第二评分结果获取模块,用于采用第二预设评分规则对所述坐席语音信息进行评分,获取第二评分结果;
目标评分结果获取模块,用于采用加权计算公式对所述第一评分结果和所述第二评分结果进行计算,获取目标评分结果;所述加权计算公式为其中,pi表示所述第一评分结果或所述第二评分结果,wi表示所述第一评分结果或所述第二评分结果对应的评分权重,n表示计算维度,i表示所述第一评分结果或所述第二评分结果对应的标识。
8.如权利要求7所述的基于人工智能的服务评分装置,其特征在于,所述第一评分结果获取模块包括:
预设评分表获取单元,用于获取预设评分表,所述预设评分表包括初始服务分值、加分项和负分项;
第一处理单元,用于若所述时间标签为当前时刻的客户情绪识别结果为负面情绪,检测时间标签为上一时刻的客户情绪识别结果,若所述上一时刻的客户情绪识别结果为正面情绪,则将所述负分项加入待计算数组中,并生成第一提示信息,将所述第一提示信息发送给所述坐席终端;若所述上一时刻的客户情绪识别结果为负面情绪,继续检测所述时间标签为下一时刻的客户情绪识别结果,若所述下一时刻的客户情绪识别结果为正面情绪,则将所述加分项加入所述待计算数组中;
第二处理单元,用于若所述时间标签为当前时刻的客户情绪识别结果为正面情绪,检测所述时间标签为上一时刻的客户情绪识别结果,若所述上一时刻的客户情绪识别结果为负面情绪,则将所述加分项加入所述待计算数组中;若所述上一时刻的客户情绪识别结果为正面情绪,则继续检测所述时间标签为下一时刻的客户情绪识别结果,若所述下一时刻的客户情绪识别结果为负面情绪,则将所述负分项加入所述待计算数组中,并生成第一提示信息,将所述第一提示信息发送给所述坐席终端;
第一评分结果获取单元,用于基于所述初始服务分值和所述待计算数组,获取所述第一评分结果。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于人工智能的服务评分方法。
10.一种非易失性存储介质,所述非易失性存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于人工智能的服务评分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043292.XA CN109801105A (zh) | 2019-01-17 | 2019-01-17 | 基于人工智能的服务评分方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043292.XA CN109801105A (zh) | 2019-01-17 | 2019-01-17 | 基于人工智能的服务评分方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109801105A true CN109801105A (zh) | 2019-05-24 |
Family
ID=66559482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910043292.XA Pending CN109801105A (zh) | 2019-01-17 | 2019-01-17 | 基于人工智能的服务评分方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109801105A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110587621A (zh) * | 2019-08-30 | 2019-12-20 | 深圳智慧林网络科技有限公司 | 机器人、基于机器人的病人看护方法和可读存储介质 |
CN111080109A (zh) * | 2019-12-06 | 2020-04-28 | 中信银行股份有限公司 | 客服服务质量评价方法、装置及电子设备 |
CN111128189A (zh) * | 2019-12-30 | 2020-05-08 | 秒针信息技术有限公司 | 警示信息的提示方法和装置 |
CN111179929A (zh) * | 2019-12-31 | 2020-05-19 | 中国银行股份有限公司 | 一种语音处理方法及装置 |
CN111489736A (zh) * | 2020-04-10 | 2020-08-04 | 复旦大学 | 座席话术自动评分装置及方法 |
CN111814649A (zh) * | 2020-06-30 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的客服表情演练方法及相关设备 |
CN111932056A (zh) * | 2020-06-19 | 2020-11-13 | 北京文思海辉金信软件有限公司 | 客服质量评分方法、装置、计算机设备和存储介质 |
CN112116165A (zh) * | 2020-09-28 | 2020-12-22 | 中国银行股份有限公司 | 一种业务绩效确定方法和装置 |
CN112307855A (zh) * | 2019-08-07 | 2021-02-02 | 北京字节跳动网络技术有限公司 | 一种用户状态检测方法、装置、电子设备及存储介质 |
CN112308591A (zh) * | 2019-08-02 | 2021-02-02 | 中国移动通信有限公司研究院 | 用户评价方法、装置、设备及计算机可读存储介质 |
CN112329586A (zh) * | 2020-10-30 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 基于情绪识别的客户回访方法、装置及计算机设备 |
CN112509713A (zh) * | 2021-02-04 | 2021-03-16 | 阿里健康科技(杭州)有限公司 | 网络交互、问诊交互及服务确定方法、装置、存储介质 |
CN113157371A (zh) * | 2021-04-26 | 2021-07-23 | 平安科技(深圳)有限公司 | 人工客服切换方法、装置、存储介质和计算机设备 |
CN113822484A (zh) * | 2021-09-27 | 2021-12-21 | 中国银行股份有限公司 | 服务质量评价方法及装置、存储介质及电子设备 |
CN115083439A (zh) * | 2022-06-10 | 2022-09-20 | 北京中电慧声科技有限公司 | 车辆鸣笛声识别方法、系统、终端及存储介质 |
CN116139404A (zh) * | 2023-04-23 | 2023-05-23 | 苏州维伟思医疗科技有限公司 | 一种基于情绪识别的wcd控制方法及相关装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110307257A1 (en) * | 2010-06-10 | 2011-12-15 | Nice Systems Ltd. | Methods and apparatus for real-time interaction analysis in call centers |
US20150195406A1 (en) * | 2014-01-08 | 2015-07-09 | Callminer, Inc. | Real-time conversational analytics facility |
CN105049249A (zh) * | 2015-07-09 | 2015-11-11 | 中山大学 | 一种远程可视会话服务的评分方法及系统 |
CN107154257A (zh) * | 2017-04-18 | 2017-09-12 | 苏州工业职业技术学院 | 基于客户语音情感的客服服务质量评价方法及系统 |
CN108427916A (zh) * | 2018-02-11 | 2018-08-21 | 上海复旦通讯股份有限公司 | 一种用于客服坐席情绪的监控系统及监控方法 |
CN109087670A (zh) * | 2018-08-30 | 2018-12-25 | 西安闻泰电子科技有限公司 | 情绪分析方法、系统、服务器及存储介质 |
CN109101933A (zh) * | 2018-08-21 | 2018-12-28 | 重庆乐教科技有限公司 | 一种基于人工智能的情绪行为可视化分析方法 |
-
2019
- 2019-01-17 CN CN201910043292.XA patent/CN109801105A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110307257A1 (en) * | 2010-06-10 | 2011-12-15 | Nice Systems Ltd. | Methods and apparatus for real-time interaction analysis in call centers |
US20150195406A1 (en) * | 2014-01-08 | 2015-07-09 | Callminer, Inc. | Real-time conversational analytics facility |
CN105049249A (zh) * | 2015-07-09 | 2015-11-11 | 中山大学 | 一种远程可视会话服务的评分方法及系统 |
CN107154257A (zh) * | 2017-04-18 | 2017-09-12 | 苏州工业职业技术学院 | 基于客户语音情感的客服服务质量评价方法及系统 |
CN108427916A (zh) * | 2018-02-11 | 2018-08-21 | 上海复旦通讯股份有限公司 | 一种用于客服坐席情绪的监控系统及监控方法 |
CN109101933A (zh) * | 2018-08-21 | 2018-12-28 | 重庆乐教科技有限公司 | 一种基于人工智能的情绪行为可视化分析方法 |
CN109087670A (zh) * | 2018-08-30 | 2018-12-25 | 西安闻泰电子科技有限公司 | 情绪分析方法、系统、服务器及存储介质 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308591A (zh) * | 2019-08-02 | 2021-02-02 | 中国移动通信有限公司研究院 | 用户评价方法、装置、设备及计算机可读存储介质 |
CN112307855A (zh) * | 2019-08-07 | 2021-02-02 | 北京字节跳动网络技术有限公司 | 一种用户状态检测方法、装置、电子设备及存储介质 |
CN110587621A (zh) * | 2019-08-30 | 2019-12-20 | 深圳智慧林网络科技有限公司 | 机器人、基于机器人的病人看护方法和可读存储介质 |
CN110587621B (zh) * | 2019-08-30 | 2023-06-06 | 深圳智慧林网络科技有限公司 | 机器人、基于机器人的病人看护方法和可读存储介质 |
CN111080109A (zh) * | 2019-12-06 | 2020-04-28 | 中信银行股份有限公司 | 客服服务质量评价方法、装置及电子设备 |
CN111080109B (zh) * | 2019-12-06 | 2023-05-05 | 中信银行股份有限公司 | 客服服务质量评价方法、装置及电子设备 |
CN111128189A (zh) * | 2019-12-30 | 2020-05-08 | 秒针信息技术有限公司 | 警示信息的提示方法和装置 |
CN111179929B (zh) * | 2019-12-31 | 2022-11-25 | 中国银行股份有限公司 | 一种语音处理方法及装置 |
CN111179929A (zh) * | 2019-12-31 | 2020-05-19 | 中国银行股份有限公司 | 一种语音处理方法及装置 |
CN111489736A (zh) * | 2020-04-10 | 2020-08-04 | 复旦大学 | 座席话术自动评分装置及方法 |
CN111489736B (zh) * | 2020-04-10 | 2023-06-23 | 复旦大学 | 座席话术自动评分装置及方法 |
CN111932056A (zh) * | 2020-06-19 | 2020-11-13 | 北京文思海辉金信软件有限公司 | 客服质量评分方法、装置、计算机设备和存储介质 |
CN111814649A (zh) * | 2020-06-30 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的客服表情演练方法及相关设备 |
CN112116165A (zh) * | 2020-09-28 | 2020-12-22 | 中国银行股份有限公司 | 一种业务绩效确定方法和装置 |
CN112329586A (zh) * | 2020-10-30 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 基于情绪识别的客户回访方法、装置及计算机设备 |
CN112509713A (zh) * | 2021-02-04 | 2021-03-16 | 阿里健康科技(杭州)有限公司 | 网络交互、问诊交互及服务确定方法、装置、存储介质 |
CN113157371A (zh) * | 2021-04-26 | 2021-07-23 | 平安科技(深圳)有限公司 | 人工客服切换方法、装置、存储介质和计算机设备 |
CN113822484A (zh) * | 2021-09-27 | 2021-12-21 | 中国银行股份有限公司 | 服务质量评价方法及装置、存储介质及电子设备 |
CN115083439A (zh) * | 2022-06-10 | 2022-09-20 | 北京中电慧声科技有限公司 | 车辆鸣笛声识别方法、系统、终端及存储介质 |
CN116139404A (zh) * | 2023-04-23 | 2023-05-23 | 苏州维伟思医疗科技有限公司 | 一种基于情绪识别的wcd控制方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109801105A (zh) | 基于人工智能的服务评分方法、装置、设备及存储介质 | |
Zadeh et al. | Multimodal language analysis in the wild: Cmu-mosei dataset and interpretable dynamic fusion graph | |
WO2020140665A1 (zh) | 双录视频质量检测方法、装置、计算机设备和存储介质 | |
CN109767787B (zh) | 情绪识别方法、设备及可读存储介质 | |
CN109151218A (zh) | 通话语音质检方法、装置、计算机设备及存储介质 | |
CN109783642A (zh) | 多人会议场景的结构化内容处理方法、装置、设备及介质 | |
WO2020147395A1 (zh) | 基于情感的文本分类处理方法、装置和计算机设备 | |
US10764431B1 (en) | Method for conversion and classification of data based on context | |
CN109660744A (zh) | 基于大数据的智能双录方法、设备、存储介质及装置 | |
US20230177835A1 (en) | Relationship modeling and key feature detection based on video data | |
US11950020B2 (en) | Methods and apparatus for displaying, compressing and/or indexing information relating to a meeting | |
Baur et al. | eXplainable cooperative machine learning with NOVA | |
CN109461073A (zh) | 智能识别的风险管理方法、装置、计算机设备及存储介质 | |
CN110458008A (zh) | 视频处理方法、装置、计算机设备和存储介质 | |
CN110177182A (zh) | 敏感数据处理方法、装置、计算机设备及存储介质 | |
CN109299094A (zh) | 数据表处理方法、装置、计算机设备和存储介质 | |
CN106611447A (zh) | 一种考勤方法和装置 | |
Haider et al. | Attitude recognition using multi-resolution cochleagram features | |
CN110890088A (zh) | 语音信息反馈方法、装置、计算机设备和存储介质 | |
WO2018028164A1 (zh) | 一种文本信息的提取方法、装置和移动终端 | |
CN114138960A (zh) | 用户意图识别方法、装置、设备及介质 | |
CN109800703A (zh) | 基于微表情的风险审核方法、装置、计算机设备及存储介质 | |
CN116883888A (zh) | 基于多模态特征融合的银行柜面服务问题溯源系统及方法 | |
Mircoli et al. | Automatic Emotional Text Annotation Using Facial Expression Analysis. | |
CN109389493A (zh) | 基于语音识别的自定义测试题目录入方法、系统及设备 |
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 |