CN109816106A - 一种基于语音识别和自然语言处理技术进行呼叫中心客服业务知识类应答质量评估系统 - Google Patents

Abstract

本发明涉及一种基于语音识别和自然语言处理技术进行呼叫中心客服业务知识类应答质量评估系统，包含语音采集模块、语音转换模块、综合评分模块；通过引入主动学习技术来提高语音分析的效率和准确率；引入无监督深度学习技术来省去人工参与，不依赖于专家经验，使模型不断得到优化，随着使用而不断提升系统准确率；在语义层面以及知识点和意图检测的关键信息对层面评估应答质量使得评分结果更具可靠性；具有广阔的市场前景和应用价值。

Description

一种基于语音识别和自然语言处理技术进行呼叫中心客服业 务知识类应答质量评估系统

技术领域

本发明涉及知识类应答质量评估领域，为一种基于语音识别和自然语言处理技术进行呼叫中心客服业务知识类应答质量评估系统。

背景技术

通过计算机软件分析呼叫中心场景下客户服务代表和客户的对话录音，发现客服回答用户问题过程中回答质量较低、离公司标准知识库要求差距较大的案例，用于辅助考核客户服务代表的表现。现有呼叫中心自动质检产品主要基于：语音识别和在识别文字上通过人工编制的基于文字匹配 、正则表达式等方式。虽然能解决比较浅层次的质检项目，但是在检查客服业务知识类应答是否准确合理等稍复杂的质检项目上完全无法实施。

发明内容

有鉴于此，本发明提供了一种基于语音识别和自然语言处理技术进行呼叫中心客服业务知识类应答质量评估系统，其特征在于，包括语音采集模块、语音转换模块、综合评分模块；

（1）语音采集模块包括语音接收器、语音识别器、通信接口电路及其他辅助电路、嵌入式微处理系统及嵌入式控制软件；语音识别器通过通信接口电路和语音转换模块以及综合评分模块相连接；对语音识别器进行无监督深度学习训练：第一步，采用无标定数据分层训练各层参数，先用无标定数据训练第一层，训练时先学习第一层的参数，由于模型容量能力的限制以及稀疏性约束，使得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到第N-1层后，将N-1层的输出作为第N层的输入，训练第N层，由此分别得到各层的参数；第二步，通过带标签的数据去训练，误差自顶向下传输，对网络进行微调；基于第一步得到的各层参数进一步调优整个多层模型的参数；

（2）语音转换模块用包括语音转换中心和非瞬时性存储器；语音转换中心接收基站从串口传输的语音数据包；语音数据包用于存储语音数据的详细记录，数据存储包生成时，语音信息随电信号信息流通在语音采集模块、通讯模块和综合评分模块构成的链条上；语音信息数据储存包需要读取，具体实现的方法是，定义一个循环队列结构数据，长度大于电子信号或短消息的长度，然后根据通信协议盘点包头和包尾，分离出整个数据包，获取语音信息，对被数据包解码，进而进行判断；将根据通讯协议分离出具体的有用信息，并将完整信息内容转化为字符串格式，将条信息记录在非瞬时性存储器中，以便以后数据回放，而后再将这些信息传送至语音转换中心显示，语音转换中心根据信息内容显示语音电子信号；如果条信息包括正确答案关键词及其近义词，则根据通信协议解析出条信息中的正确答案关键词及其近义词部分；当传输语音的电子信号时，语音转换中心首先查找非瞬时性存储器中是否已经有语音的电子信号，如果有，则标记语音电子信号；语音转换中心的办公人员，通过非瞬时性存储器的数据以短消息形式发送出，语音转换中心通过服务器接收此短消息，并加以处理提交给非瞬时性存储器，然后向发送者回复收到以及数掘是否正确；如果发送者待一段时问后，没有收到语音转换中心的回复，或者被告知数据有误，就重复发送或者重新发送；其次，语音转换中心的办公人员如需知道某个业务目前的处理状态，就向服务器发送一条查询短消息指令，服务器在接受到此查询指令后进行处理，然后将处理结果发送给请求语音转换中心的办公人员；办公人员通过安装在其PC机上的客户软件，在查询某个业务的处理状态时，服务器收到此指令后，将目前的处理状态及时反馈给请求者，或者将刚刚操作完的业务状态直接写入数掘库中；服务器非瞬时性存储器中提取的短消息或者接收的短消息存储到非瞬时性存储器中并加以处理；

（3）综合评分模块在语义层面以及知识点和意图检测的关键信息对层面评估应答质量；具体步骤如下：

1)建模并在语义层面评估应答质量：

a. 在客服场景百万句量级语料上，通过无监督学习方式训练获取领域特定的单词和句子的向量化表示，提取词、句层面特征，将语音数据向量化；先将语音数据集中不重复的单词提取出来，得到词汇表，然后通过无监督深度学习技术，自动训练得到单词、句子的向量化表示；在计算词汇表的时候，排除那些出现次数太少的单词；在此基础上形成针对领域特定语义的句子相似度匹配算法模型；

b. 基于给定呼叫中心已有的业务知识类标准知识库内容中问题和答案句子对，自动在百万句量级对话中匹配出超过给定阈值的相似的问题和答案句子对的集合；

c. 结合呼叫中心人工质检专员在历史上问题和答案的评分，在评分数据不足时补充人工的标注，对每个问题形成大量的匹配答案集合及历史评分集合；

d. 构造深度学习模型利用所述标注数据训练得到模拟历史上问答对和评分的模型；

2)建模并在知识点和意图检测的关键信息对层面评估应答质量;

a. 在客服场景百万句量级语料上，通过有监督学习方式训练获取特定领域的命名实体识别和意图检测算法模型；

b. 对标准的知识库内容，通过基于深度学习的命名实体识别和意图检测算法，提取问题和答案中的关键信息对；

c. 对实际的客服应答中，采用与对标准的知识库内容相同的方式提取问题和答案中的关键信息对；

d. 对照检测到的客户问题意图、知识点以及客服回答中的知识点，结合业务需求制定评分标准并计算得分；

本发明的有益成果为：本发明提供了一种基于语音识别和自然语言处理技术进行呼叫中心客服业务知识类应答质量评估系统，通过引入主动学习技术来提高语音分析的效率和准确率；引入无监督深度学习技术来省去人工参与，不依赖于专家经验，使模型不断得到优化，随着使用而不断提升系统准确率；在语义层面以及知识点和意图检测的关键信息对层面评估应答质量使得评分结果更具可靠性；具有广阔的市场前景和应用价值。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。具体方法如下：

实施例1：一种基于语音识别和自然语言处理技术进行呼叫中心客服业务知识类应答质量评估系统，其特征在于，包括语音采集模块、语音转换模块、综合评分模块；

（1）语音采集模块包括语音接收器、语音识别器、通信接口电路及其他辅助电路、嵌入式微处理系统及嵌入式控制软件；语音识别器通过通信接口电路和语音转换模块以及综合评分模块相连接；对语音识别器进行无监督深度学习训练：第一步，采用无标定数据分层训练各层参数，先用无标定数据训练第一层，训练时先学习第一层的参数，由于模型容量能力的限制以及稀疏性约束，使得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到第N-1层后，将N-1层的输出作为第N层的输入，训练第N层，由此分别得到各层的参数；第二步，通过带标签的数据去训练，误差自顶向下传输，对网络进行微调；基于第一步得到的各层参数进一步调优整个多层模型的参数；

（2）语音转换模块用包括语音转换中心和非瞬时性存储器；语音转换中心接收基站从串口传输的语音数据包；语音数据包用于存储语音数据的详细记录，数据存储包生成时，语音信息随电信号信息流通在语音采集模块、通讯模块和综合评分模块构成的链条上；语音信息数据储存包需要读取，具体实现的方法是，定义一个循环队列结构数据，长度大于电子信号或短消息的长度，然后根据通信协议盘点包头和包尾，分离出整个数据包，获取语音信息，对被数据包解码，进而进行判断；将根据通讯协议分离出具体的有用信息，并将完整信息内容转化为字符串格式，将条信息记录在非瞬时性存储器中，以便以后数据回放，而后再将这些信息传送至语音转换中心显示，语音转换中心根据信息内容显示语音电子信号；如果条信息包括正确答案关键词及其近义词，则根据通信协议解析出条信息中的正确答案关键词及其近义词部分；当传输语音的电子信号时，语音转换中心首先查找非瞬时性存储器中是否已经有语音的电子信号，如果有，则标记语音电子信号；语音转换中心的办公人员，通过非瞬时性存储器的数据以短消息形式发送出，语音转换中心通过服务器接收此短消息，并加以处理提交给非瞬时性存储器，然后向发送者回复收到以及数掘是否正确；如果发送者待一段时问后，没有收到语音转换中心的回复，或者被告知数据有误，就重复发送或者重新发送；其次，语音转换中心的办公人员如需知道某个业务目前的处理状态，就向服务器发送一条查询短消息指令，服务器在接受到此查询指令后进行处理，然后将处理结果发送给请求语音转换中心的办公人员；办公人员通过安装在其PC机上的客户软件，在查询某个业务的处理状态时，服务器收到此指令后，将目前的处理状态及时反馈给请求者，或者将刚刚操作完的业务状态直接写入数掘库中；服务器非瞬时性存储器中提取的短消息或者接收的短消息存储到非瞬时性存储器中并加以处理；

（3）综合评分模块在语义层面以及知识点和意图检测的关键信息对层面评估应答质量；具体步骤如下：

1)建模并在语义层面评估应答质量：

a. 在客服场景百万句量级语料上，通过无监督学习方式训练获取领域特定的单词和句子的向量化表示，提取词、句层面特征，将语音数据向量化；先将语音数据集中不重复的单词提取出来，得到词汇表，然后通过无监督深度学习技术，自动训练得到单词、句子的向量化表示；在计算词汇表的时候，排除那些出现次数太少的单词；在此基础上形成针对领域特定语义的句子相似度匹配算法模型；

b. 基于给定呼叫中心已有的业务知识类标准知识库内容中问题和答案句子对，自动在百万句量级对话中匹配出超过给定阈值的相似的问题和答案句子对的集合；

c. 结合呼叫中心人工质检专员在历史上问题和答案的评分，在评分数据不足时补充人工的标注，对每个问题形成大量的匹配答案集合及历史评分集合；

d. 构造深度学习模型利用所述标注数据训练得到模拟历史上问答对和评分的模型；

2)建模并在知识点和意图检测的关键信息对层面评估应答质量;

a. 在客服场景百万句量级语料上，通过有监督学习方式训练获取特定领域的命名实体识别和意图检测算法模型；

b. 对标准的知识库内容，通过基于深度学习的命名实体识别和意图检测算法，提取问题和答案中的关键信息对；

c. 对实际的客服应答中，采用与对标准的知识库内容相同的方式提取问题和答案中的关键信息对；

d. 对照检测到的客户问题意图、知识点以及客服回答中的知识点，结合业务需求制定评分标准并计算得分。

Claims (1)

1.一种基于语音识别和自然语言处理技术进行呼叫中心客服业务知识类应答质量评估系统，其特征在于，包括语音采集模块、语音转换模块、综合评分模块；

所述语音采集模块包括语音接收器、语音识别器、通信接口电路及其他辅助电路、嵌入式微处理系统及嵌入式控制软件；语音识别器通过通信接口电路和语音转换模块以及综合评分模块相连接；对所述语音识别器进行无监督深度学习训练：第一步，采用无标定数据分层训练各层参数，先用无标定数据训练第一层，训练时先学习第一层的参数，由于模型容量能力的限制以及稀疏性约束，使得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到第N-1层后，将N-1层的输出作为第N层的输入，训练第N层，由此分别得到各层的参数；第二步，通过带标签的数据去训练，误差自顶向下传输，对网络进行微调；基于第一步得到的各层参数进一步调优整个多层模型的参数；

所述语音转换模块用包括语音转换中心和非瞬时性存储器；所述语音转换中心接收基站从串口传输的语音数据包；所述语音数据包用于存储语音数据的详细记录，所述数据存储包生成时，所述语音信息随电信号信息流通在所述语音采集模块、所述通讯模块和所述综合评分模块构成的链条上；所述语音信息数据储存包需要读取，具体实现的方法是，定义一个循环队列结构数据，长度大于电子信号或短消息的长度，然后根据通信协议盘点包头和包尾，分离出整个数据包，获取所述语音信息，对被所述数据包解码，进而进行判断；将根据通讯协议分离出具体的有用信息，并将完整信息内容转化为字符串格式，将所述信息记录在非瞬时性存储器中，以便以后数据回放，而后再将这些信息传送至所述语音转换中心显示，所述语音转换中心根据信息内容显示语音电子信号；如果所述信息包括正确答案关键词及其近义词，则根据通信协议解析出所述信息中的所述正确答案关键词及其近义词部分；当传输语音的电子信号时，语音转换中心首先查找非瞬时性存储器中是否已经有所述语音的电子信号，如果有，则标记所述语音电子信号；语音转换中心的办公人员，通过非瞬时性存储器的数据以短消息形式发送出，语音转换中心通过服务器接收此短消息，并加以处理提交给所述非瞬时性存储器，然后向发送者回复收到以及数掘是否正确；如果发送者待一段时问后，没有收到语音转换中心的回复，或者被告知数据有误，就重复发送或者重新发送；其次，所述语音转换中心的办公人员如需知道某个业务目前的处理状态，就向服务器发送一条查询短消息指令，服务器在接受到此查询指令后进行处理，然后将处理结果发送给请求所述语音转换中心的办公人员；所述办公人员通过安装在其PC机上的客户软件，在查询某个业务的处理状态时，服务器收到此指令后，将目前的处理状态及时反馈给请求者，或者将刚刚操作完的业务状态直接写入所述数掘库中；服务器所述非瞬时性存储器中提取的短消息或者接收的短消息存储到所述非瞬时性存储器中并加以处理；

所述综合评分模块在语义层面以及知识点和意图检测的关键信息对层面评估应答质量；具体步骤如下：

1)建模并在语义层面评估应答质量：

a. 在客服场景百万句量级语料上，通过无监督学习方式训练获取领域特定的单词和句子的向量化表示，提取词、句层面特征，将语音数据向量化；先将语音数据集中不重复的单词提取出来，得到词汇表，然后通过无监督深度学习技术，自动训练得到单词、句子的向量化表示；在计算词汇表的时候，排除那些出现次数太少的单词；在此基础上形成针对领域特定语义的句子相似度匹配算法模型；

b. 基于给定呼叫中心已有的业务知识类标准知识库内容中问题和答案句子对，自动在百万句量级对话中匹配出超过给定阈值的相似的问题和答案句子对的集合；

c. 结合呼叫中心人工质检专员在历史上问题和答案的评分，在评分数据不足时补充人工的标注，对每个问题形成大量的匹配答案集合及历史评分集合；

d. 构造深度学习模型，利用所述标注数据训练得到模拟历史上问答对和评分的模型；

2)建模并在知识点和意图检测的关键信息对层面评估应答质量;

a. 在客服场景百万句量级语料上，通过有监督学习方式训练获取特定领域的命名实体识别和意图检测算法模型；

b. 对标准的知识库内容，通过基于深度学习的命名实体识别和意图检测算法，提取问题和答案中的关键信息对；

c. 对实际的客服应答中，采用与对标准的知识库内容相同的方式提取问题和答案中的关键信息对；

d. 对照检测到的客户问题意图、知识点以及客服回答中的知识点，结合业务需求制定评分标准并计算得分。