CN110288192A - 基于多个质检模型的质检方法、装置、设备及存储介质 - Google Patents

基于多个质检模型的质检方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110288192A
CN110288192A CN201910432734.XA CN201910432734A CN110288192A CN 110288192 A CN110288192 A CN 110288192A CN 201910432734 A CN201910432734 A CN 201910432734A CN 110288192 A CN110288192 A CN 110288192A
Authority
CN
China
Prior art keywords
banquet
rules
regulations
violations
violation
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
Application number
CN201910432734.XA
Other languages
English (en)
Inventor
韩磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910432734.XA priority Critical patent/CN110288192A/zh
Publication of CN110288192A publication Critical patent/CN110288192A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多个质检模型的质检方法、装置、设备及存储介质。所述方法包括：获取预先训练的两个以上的质检模型；获取坐席的会话信息，并根据坐席的会话信息生成第一目标文本；将第一目标文本分别输入两个以上的质检模型，并获取两个以上的质检模型输出的两个以上的检测结果；判断违规的所述检测结果的数量是否大于或等于第一预设数量阈值；若违规的所述检测结果的数量大于或等于第一预设数量阈值，则确定会话信息对应的坐席存在违规现象，记录并提示坐席的违规内容以及发生违规现象的时间点，且在预设数据库中更新坐席发生违规现象的次数。本发明提供基于多个质检模型的质检方法，可以提高质检的工作效率。

Description

基于多个质检模型的质检方法、装置、设备及存储介质
技术领域
本发明涉及数据处理领域，尤其涉及一种基于多个质检模型的质检方法、装置、设备及存储介质。
背景技术
目前企业坐席通过企业电话、某种客户端或网页上与客户进行沟通会话，且部分企业坐席可能会发生违规的现象，从而对公司的声誉以及经济效益带来一定的负面影响。此时，公司监管坐席与客户的会话消息就非常重要，但对于大企业来说，每天企业坐席与客户进行沟通会话产生的会话消息庞大，质检员如果实时或者在会话结束后，逐一去检查企业坐席与客户的会话消息，会提高人力成本且保证不了质检的工作效率和坐席的工作态度。因此，寻找一种能够减少对公司带来声誉的负面影响以及经济效益的消极影响、减少人力成本、提高质检的工作效率和提高坐席的工作态度的质检技术方案成为本领域技术人员亟需解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种基于多个质检模型的质检方法、装置、设备及存储介质，用于提高质检的工作效率。
一种基于多个质检模型的质检方法，包括：
获取预先训练的两个以上的质检模型，每一个所述质检模型均通过不同算法训练完成；
获取坐席的会话信息，并根据所述坐席的会话信息生成第一目标文本；
将所述第一目标文本分别输入两个以上的所述质检模型，并获取两个以上的所述质检模型输出的两个以上的检测结果，所述检测结果为违规或不违规；
判断违规的所述检测结果的数量是否大于或等于第一预设数量阈值；
若所述违规的所述检测结果的数量大于或等于所述第一预设数量阈值，则确定与所述会话信息对应的坐席存在违规现象，记录并提示所述坐席的违规内容以及发生违规现象的时间点，且在所述预设数据库中更新坐席发生违规现象的次数。
一种基于多个质检模型的质检装置，包括：
质检模型获取模块，用于获取预先训练的两个以上的质检模型，每一个所述质检模型均通过不同算法训练完成；
第一目标文本生成模块，用于获取坐席的会话信息，并根据所述坐席的会话信息生成第一目标文本；
检测结果获取模块，用于将所述第一目标文本分别输入两个以上的所述质检模型，并获取两个以上的所述质检模型输出的两个以上的检测结果，所述检测结果为违规或不违规；
判断模板，用于判断违规的所述检测结果的数量是否大于或等于第一预设数量阈值；
确定模块，用于若所述违规的所述检测结果的数量大于或等于所述第一预设数量阈值，则确定与所述会话信息对应的坐席存在违规现象，记录并提示所述坐席的违规内容以及发生违规现象的时间点，且在所述预设数据库中更新坐席发生违规现象的次数。
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多个质检模型的质检方法。
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多个质检模型的质检方法。上述基于多个质检模型的质检方法、装置、设备及存储介质，首先获取预先训练的两个以上的质检模型，每一个所述质检模型均通过不同算法训练完成；接着获取坐席的会话信息，并根据所述坐席的会话信息生成第一目标文本；再接着将所述第一目标文本分别输入两个以上的所述质检模型，并获取两个以上的所述质检模型输出的两个以上的检测结果，所述检测结果为违规或不违规；然后判断违规的所述检测结果的数量是否大于或等于第一预设数量阈值；最后若所述违规的所述检测结果的数量大于或等于所述第一预设数量阈值，则确定所述会话信息对应的坐席存在违规现象，记录并提示所述坐席的违规内容以及发生违规现象的时间点，且在所述预设数据库中更新坐席发生违规现象的次数。本发明根据两个以上不同的质检模型对与会话信息对应的第一目标文本进行检测，并获取质检模型输出的检测结果，且仅有当违规的检测结果的数量达到第一预设数量阈值时，判断与会话消息对应的坐席存在违规现象，从而可以减少人工质检的成本，同时也提高了质检的工作效率。
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多个质检模型的质检方法的一应用环境示意图；
图2是本发明一实施例中基于多个质检模型的质检方法的一流程图；
图3是本发明一实施例中基于多个质检模型的质检方法步骤在一个应用环境下抽查优先级调整的流程示意图；
图4是本发明一实施例中基于多个质检模型的质检装置的结构示意图；
图5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。
本发明提供的基于多个质检模型的质检方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务器进行通信。其中，客户端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。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种基于多个质检模型的质检方法，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，获取预先训练的两个以上的质检模型，每一个所述质检模型均通过不同算法训练完成。
每一个所述质检模型都由不同算法训练完成，所述算法包括但不限于RNN(循环神经网络，Recurrent Neural Network)、CNN(卷积神经网络，Convolutional NeuralNetworks)、基于SVM(support vector machine，支持向量机)和DNN(深度神经网络，DeepNeural Networks)。所述质检模型用于对坐席与客户之间的会话信息所转换的文本信息进行检测，以获取检测结果，该检测结果可以表明坐席在该会话过程中是否违规。
进一步地，所述步骤S10之前还需要对所述质检模型进行训练，若所述质检模型为DNN模型，此时，所述步骤S10之前，还包括如下步骤：
获取文本信息样本，并提取所述文本信息样本的文本特征向量。
其中，所述文本信息样本可以是预先存储在预设数据库中的多个(比如三万个)会话消息生成的文本信息，且每一个文本信息样本对应于一个检测结果。
通过包含初始参数的质检模型对所述文本特征向量进行检测，并获取检测之后得到的检测结果与所述文本信息样本对应的检测结果之间的整体偏差程度。
可以理解的是，所述质检模型(这里是由初始化深度神经网络模型获取到)包括各层之间各个神经元连接的权值和偏置(初始参数包括权值和偏置)，这些权值和偏置决定了所述质检模型的性质及检测效果。所述初始参数可根据需求设置，比如，质检模型中的权值和偏置的初始值可以设置为较小的值，如设置在区间[-0.3，0.3]之间，或者直接采用经验值设置初始的权值和偏置。具有合理的初始参数的质检模型可以使质检模型在初期有较灵活的调整能力，可以在质检模型训练过程中对模型进行有效的调整，使得训练出的质检模型检测效果较好。
判断所述整体偏差度是否大于预设的偏差值。
可以理解的是，所述偏差值(停止迭代阈值)可以根据需求或者经验进行设定。
若所述整体偏差度大于所述偏差值，则将所述质检模型的初始参数调整为修正后参数，并通过具有所述修正后参数的所述质检模型对所述文本特征向量进行检测，并获取本次检测之后得到的检测结果与所述文本信息样本对应的检测结果之间的整体偏差程度，判断该整体偏差度是否大于预设的偏差值，直至所述整体偏差度小于或等于所述偏差值。
可以理解的是，将文本特征向量分组输入到深度神经网络模型中，根据前向传播算法获取深度神经网络模型的输出值，文本特征向量的第i组样本在深度神经网络模型的当前层的输出值用公式表示为ai,l＝σ(Wlai,l-1+bl)，其中，a为输出值，i表示输入的文本特征向量的第i组样本，l为深度神经网络模型的当前层，σ为激活函数，W为权值，l-1为深度神经网络模型的当前层的上一层，b为偏置。
具体地，有DNN(初始化深度神经网络模型)模型的总层数为L，DNN模型中连接各个神经元的权值W,偏置b和输入值向量xi，输出层的输出值ai,L(i表示输入的文本特征向量的第i组样本)，则a1＝xi(第一层的输出为在输入层输入的文本特征向量，即输入值向量xi)，根据前向传播算法可知输出ai,l＝σ(Wlai,l-1+bl)，其中，l表示深度神经网络模型的当前层，σ为激活函数，这里具体采用的激活函数可以是sigmoid或者tanh激活函数。根据上述计算ai,l的公式按层数逐层进行前向传播，获取DNN模型中网络最终的输出值ai,L(即深度神经网络模型的输出值)，有了输出值ai,L即可以根据输出值ai,L对DNN模型中的网络参数(连接各个神经元的权值W,偏置b)进行调整，以获取拥有优异评估文本信息样本是否违规的质检模型。
基于深度神经网络模型的输出值进行误差反传，更新深度神经网络模型各层的权值和偏置，获取质检模型，其中，更新权值的计算公式为l为所述质检模型的当前层，W为权值，Wl为当前层的权值，Wl′为更新后的当前层的权值，α为迭代步长，m为输入的样本总数，δi,l为当前层的灵敏度；δi,l＝(Wl+1)Tδi,l+1*σ'(zi,l)，zi,l＝Wlai,l-1+bl，ai,l-1为上一层的输出，T表示矩阵转置运算，σ'为激活函数的导函数，*表示两个矩阵对应元素相乘的运算(Hadamard积)，更新偏置的计算公式为l为所述质检模型的当前层，bl为当前层的偏置，bl′为更新后当前层的偏置，α为迭代步长，m为输入的样本总数，δi,l为当前层的灵敏度。
具体地，更新DNN模型各层的权值W和偏置b采用的是后向传播算法，根据后向传播算法求误差函数的极小值，以优化更新DNN模型各层的权值W和偏置b，获取质检模型。具体地，设置模型训练的迭代步长为α，最大迭代次数MAX与停止迭代阈值∈。在后向传播算法中，灵敏度δi,l是每次更新参数都会出现的公共因子，因此可以借助灵敏度δi,l计算误差，以更新DNN模型中的网络参数。已知a1＝xi(第一层的输出为在输入层输入的文本特征向量，即输入值向量xi)，则先求出输出层的灵敏度δi,L，δi,L＝(ai,L-yi)*σ'(zL)，zi,l＝Wlai,l-1+bl，其中i表示输入的文本特征向量的第i组样本，y为标签值(即用来与输出值ai,L相比较的值)。再根据δi,L求出深度神经网络模型的第l层的灵敏度δi,l，根据后向传播算法可以计算得出深度神经网络模型的第l层的灵敏度δi,l＝(Wl+1)Tδi,l+1*σ'(zi,l)，得到深度神经网络模型的第l层的灵敏度δi,l后，即可更新DNN模型各层的权值W和偏置b，更新后的权值为更新后的偏置为其中，α为模型训练的迭代步长，m为输入的文本特征向量的样本总数，T表示矩阵转置运算。当所有W和b的变化值都小于停止迭代阈值∈时，即可停止训练。通过文本特征向量在DNN模型中的输出值和预先设置好的标签值之间产生的误差，实现DNN模型各层的权值W和偏置b的更新，使得最终获取的质检模型能够根据文本特征向量进行文本信息样本是否违规的检测。
若所述整体偏差度小于或等于所述偏差值，则提示所述质检模型的训练完成。
在该步骤中，所述质检模型训练完成。确定出来的所述质检模型经过了大量的样本训练，且其整体偏差度保持在一个较小的范围(小于或等于偏差值)内，使用该质检模型对所述文本信息样本进行检测，即可得到所述文本信息样本为违规或不违规。
进一步地，所述步骤S10之前还需要对所述质检模型进行训练，若所述质检模型为基于支持向量机的质检模型，基于支持向量机的质检模型是采用支持向量机模型对训练文本数据进行训练，以获取质检模型。其中，支持向量机(support vector machine，即SVM)是通过支持向量运算的分类器，支持向量机可实现线性分类和非线性分类。支持向量机的质检模型计算复杂度较小，可根据少数支持向量决定最终结果，在训练过程中有助于抓住关键样本，剔除冗余样本，具有较好的鲁棒性。此时，基于支持向量机的质检模型训练过程如下：
SVM训练是为了在某个超平面上将不同类别的文本特征分开，本实施例中，根据文本特征(各个发生违规现象对应的词，如各种脏话词语)将超平面分割为多维超平面(根据文本特征的数量决定，即多少个文本特征就有多少维超平面)，在多维超平面中寻找将文本特征中寻找分割开的分割线，获取分割线的表达式即可完成SVM的训练。具体地，通过输入训练文本数据，对训练文本数据进行文本特征提取，得到文本特征对应的最优求解空间，该空间即为对应的违规或不违规的表达空间，完成对输入训练文本数据的检测。
S20，获取坐席的会话信息，并根据所述坐席的会话信息生成第一目标文本。
可以理解的时，所述坐席的会话信息包括但不限于坐席与客户通话时的语音数据、坐席输出的文本信息和带有文本信息的图片，且根据上述会话信息均可生成所述第一目标文本。其中，所述坐席与客户通话时的语音数据可以通过语音识别进行识别，并获取该语音数据转化的文本信息之后，将所述坐席输出的文本信息记录为第一目标文本，所述坐席输出的带有文本信息的图片可以通过图像识别进行识别，并获取该图片中的文本信息之后，将识别后的文本信息记录为第一目标文本。
进一步，所述获取坐席的会话信息，具体包括：
根据预设的抽查优先级选取所述坐席，并获取所述坐席的第一身份信息，所述抽查优先级根据预设数据库中坐席发生违规现象的严重等级和/或坐席的从业时长设定。
在此步骤中，所述违规现象是指所述坐席违反公司规定的会话过程中的员工条约(比如发生辱骂客户、与客户发生争吵等违规内容)，每一个违规现象对应于至少一个违规内容，每一个违规内容对应于一个严重等级；所述预设的抽查优先级是根据预设数据库中坐席发生违规现象的严重等级和/或坐席的从业时长设定。其中，当所述坐席发生违规现象的严重等级越高时，其坐席的抽查优先级就越高；当所述坐席的从业时长越短时，其坐席的抽查优先级就越高；当所述坐席发生违规现象的严重等级越高且所述坐席的从业时长越短时，其坐席的抽查优先级就更高。此时，在得到各个坐席的抽查优先级的高低，就可以优先选取一个抽查优先级最高的坐席，并在所述预设数据库中获取所述坐席对应的第一身份信息。
需要说明的是，在一应用场景中，若先根据所述坐席发生违规现象的严重等级选取一个抽查优先级最高的坐席，直到所述预设数据库中发生过违规现象的坐席已全部被选取完毕时，可以根据所述坐席的从业时长选取一个抽查优先级最高的坐席。在一应用场景中，也可以只根据所述坐席发生违规现象的严重等级选取一个抽查优先级最高的坐席直到所述预设数据库中发生过违规现象的坐席已全部被选取完毕时。在一应用场景中，也可以只根据所述坐席的从业时长选取一个抽查优先级最高的坐席。在一应用场景中，也可以根据其他情况选取除坐席发生违规现象的严重等级和/或坐席的从业时长以外情况的坐席。
根据所述第一身份信息获取所述坐席的会话信息。
在此步骤中，可以理解的是，所述坐席的会话信息是存储在所述预设数据中的会话信息存储区域。此时，当获取到所述坐席的第一身份信息时，就可以根据所述第一身份信息去调取所述坐席的会话信息。
进一步地，所述根据所述会话信息生成第一目标文本，包括：
获取所述坐席的会话信息中的所述坐席的语音数据，并通过语音识别模型识别所述语音数据之后，获取所述语音识别模型输出的第一目标文本。
可以理解的是，所述语音识别模型是可以识别所述坐席的全部语音数据，将所述语音数据转换输出为文本信息，并将所述文本信息记录为所述第一目标文本。
在另一实施例中，所述根据所述会话信息生成第一目标文本，包括：
获取所述坐席在客户端录入的文本信息，并将所述文本信息记录为第一目标文本。
可以理解的是，服务器可以获取所述坐席的身份信息，查找所述坐席在客户端上或者网页上录入的与所述身份信息相关的文本信息，并将所述文本信息记录为第一目标文本。
在另一实施例中，所述根据所述会话信息生成第一目标文本，包括：
获取所述坐席在客户端录入的图片，并通过图像识别模型提取所述图片中的文本信息之后，将所述文字记录为第一目标文本。
可以理解的是，所述图像识别模型是可以识别并提取所述图片中的文本信息(比如所述图片中的文字或/和对所述图片中的图形进行识别之后得出的与所述图形对应的文字含义)，并将所述图片中提取的文本信息记录为所述第一目标文本。
S30，将所述第一目标文本分别输入两个以上的所述质检模型，并获取两个以上的所述质检模型输出的两个以上的检测结果，所述检测结果为违规或不违规。
可以理解的是，当所述第一目标文本输入到一个所述质检模型时(即先提取所述第一目标文本的文本特征向量，并将所述文本特征向量输入到所述质检模型或提取所述第一目标文本的文本特征)，就可以得到一个所述检测结果，当所述第一目标文本输入到多个所述质检模型时，就可以得到多个所述检测结果。各个所述质检模型输出的检测结果可能存在一定的差异，当大多数(比如，第一预设数量阈值和第二预设数量阈值)所述质检模型输出的检测结果为一致时，可能说明所述检测结果是基于准确的结果。当大多数质检模型输出的检测结果为不一致时，可能说明所述检测结果是非准确的结果，也可能说明所述质检模型算法训练过程不够准确。
在本实施例中，将所述文本特征向量输入到两个以上的所述质检模型，比如，所述文本特征向量输入到所述DNN模型中的输入层，通过隐藏层对所述文本特征向量进行识别处理，再通过输出层输出所述检测结果，所述DNN模型已被训练完成(根据偏差更新个层的权值和偏置)，具备检测所述第一目标文本是否存在违规或不违规的能力；同时，采用支持向量机的质检模型对所述第一目标文本对应的所述文本特征进行识别，获取所述检测结果。
S40，判断违规的所述检测结果的数量是否大于或等于第一预设数量阈值。
可以理解的是，当确定所述检测结果为违规的数量为0个时，返回至步骤S20继续获取坐席的会话信息。当确定所述检测结果为违规的数量为1个以上时，才进行下一步步骤S50中判断所述检测结果为违规的数量是否大于或等于第一预设数量阈值。当所述检测结果为违规的数量大于或等于第一预设数量阈值时，可以说明所述会话信息对应的坐席存在违规现象，当所述检测结果为违规的数量小于第一预设数量阈值时，可以说明所述会话信息对应的坐席未存在违规现象。
S50，若所述违规的所述检测结果的数量大于或等于所述第一预设数量阈值，则确定与所述会话信息对应的坐席存在违规现象，记录并提示所述坐席的违规内容以及发生违规现象的时间点，且在所述预设数据库中更新坐席发生违规现象的次数。
可以理解的是，当所述检测结果为违规的数量大于或等于第一预设数量阈值时，可以说明所述会话信息对应的坐席存在违规现象。此时，可以提示并记录所述坐席发生了违规现象和违规内容以及发生违规现象的时间点且在所述预设数据库中更新坐席发生违规现象的次数(该次数是指此前该坐席与其他客户在会话过程中发生违规现象的次数，一次会话最多产生一次违规现象)。
进一步地，如图3所示，所述步骤S50之后，还包括：
S60，根据所述坐席的违规内容获取所述坐席发生违规现象的严重等级。
可以理解的是，所述违规内容包括辱骂客户、与客户发生争吵、对客户进行威胁或其他违反员工条约的违规内容，且所述违规内容已经被设定好对应于所述坐席的发生违规现象的不同的严重等级。比如，可以设定严重等级为1-10级(已可以根据需求设定为1-3级等，其严重等级的级别的具体数量和每个级别对应的严重程度均可以根据需求设定)，若坐席辱骂客户时，则服务器获取到对应的严重等级为严重程度较高的8-10级中的一个级别。当坐席只是与客户发生一些小的争吵，则服务器获取到对应的严重等级为严重程度较低的2-3级中的一个级别。
S70，根据所述坐席发生违规现象的时间点、所述违规的所述检测结果的数量和发生违规现象的次数中的一种或多种，对所述坐席发生违规现象的严重等级进行调整。
可以理解的是，在根据所述违规内容获取严重等级之后，可以继续根据所述坐席发生违规现象的时间点、所述违规的所述检测结果的数量和发生违规现象的次数中的一种或多种来调整所述坐席发生违规现象的严重等级。可理解地，在本发明中，可以根据上述所述坐席发生违规现象的时间点、所述违规的所述检测结果的数量和发生违规现象的次数中的一种对严重等级进行调整，亦可以根据其中的任意两种到三种对其进行调整。
S80，根据所述坐席发生违规现象的严重等级调整所述预设的抽查优先级。
可以理解的是，所述预设的抽查优先级可以由预设数据库中坐席发生违规现象的严重等级设定。当所述坐席发生违规现象的严重等级发生变动时，可以调整所述预设的抽查优先级。
在一实施例中，所述根据所述坐席发生违规现象的时间点，对所述坐席发生违规现象的严重等级进行调整，包括：
获取预先训练的两个以上的识别模型，每一个所述识别模型均通过不同算法训练完成。
每一个所述识别模型都由不同算法训练完成(参照所述质检模型的训练过程)，包括但不限于RNN(循环神经网络，Recurrent Neural Network)、CNN(卷积神经网络，Convolutional Neural Networks)、基于SVM(support vector machine，支持向量机)和DNN(深度神经网络，Deep Neural Networks)。所述识别模型用于对客户与坐席之间的会话信息所转换的文本信息进行识别，以获取识别结果，该识别结果可以表明客户在该会话过程中是否出现无礼。
获取客户的会话信息，并根据所述客户的会话信息生成第二目标文本。
可以理解的时，所述客户的会话信息包括但不限于客户与坐席通话时的语音数据、客户输出的文本信息和带有文字的图片，且都可生成所述第二目标文本(也即文本信息)。
将所述第二目标文本提取文本特征向量后，分别将所述文本特征向量输入两个以上的所述识别模型，并获取两个以上的所述识别模型分别输出的识别结果，所述识别结果为有礼或无礼。
可以理解的是，当所述第二目标文本提取所述第二目标文本的文本特征向量，并将所述文本特征向量分别输入所述识别模型或从所述第二目标文本提取文本特征分别输入所述识别模型，就可以得到一个所述识别结果，当所述第二目标文本输入到多个所述识别模型时，就可以得到多个所述识别结果。各个所述识别模型输出的识别结果可能存在一定的差异，此时，可以在后续步骤中首先确定每一个所述识别模型的所述识别结果是否为无礼，进而获取各所述识别模型输出的无礼的所述识别结果的数量，并判断无礼的所述识别结果的数量是否大于或等于第二预设数量阈值，在其大于第二预设数量阈值时，认为所述会话信息对应的客户存在无礼现象，否则，说明所述会话信息对应的客户未存在无礼现象。
确定所述识别结果为无礼的数量，并判断所述识别结果为无礼的数量是否大于或等于第二预设数量阈值。
可以理解的是，当确定所述识别结果为无礼的数量为0个时，无需进行下一步骤。确定所述识别结果为无礼的数量为1个以上时，才进行下一步步骤判断所述识别结果为无礼的数量是否大于或等于第二预设数量阈值。当所述识别结果为无礼的数量大于或等于第二预设数量阈值时，可以说明所述会话信息对应的客户存在无礼现象，当所述识别结果为无礼的数量小于第二预设数量阈值时，可以说明所述会话信息对应的客户未存在无礼现象。
若所述识别结果为无礼的数量大于或等于所述第二预设数量阈值，则确定所述会话信息对应的客户存在无礼现象，记录所述客户的无礼内容以及发生无礼现象的时间点。
可以理解的是，当所述识别结果为无礼的数量大于或等于第二预设数量阈值时，可以说明所述会话信息对应的客户存在无礼现象。此时，可以将所述识别模型识别到无礼的所述第二目标文本或/和该第二目标文本对应的无礼项目(每一个客户的无礼现象均对应于至少一个无礼项目，该无礼项目可以根据所述第二目标文本进行识别，比如，所述无礼项目可以为谩骂坐席人员等)记录为所述客户的无礼内容以及发生无礼现象的时间点。
判断所述坐席发生违规现象的时间点是否在所述客户发生无礼现象的时间点之前。
可以理解的是，当所述坐席发生违规现象的时间点在所述客户发生无礼现象的时间点之前时，可以说明所述坐席不遵守员工条约(先对所述客户发生违规的现象)且所述坐席先挑衅客户，其违规过程性质恶劣，因此需要在原有违规现象的严重等级的基础上，继续调高其严重等级，比如，可以将其违规现象的严重等级由6级调高至7级；当所述客户发生违规现象的时间点在所述坐席发生无礼现象的时间点之前时，可以说明时所述客户先发生无礼现象，此时代表本次违规可能为客户先挑衅坐席，此时可以适当调低本次违规现象的严重等级，比如，将违规现象的严重等级由3级降为2级；当原有违规现象的严重等级已为最高等级时，无需在原有违规现象的严重等级的基础上，继续调高其严重等级，比如，最高严重等级为10级，原有违规现象的严重等级也为10级，无需继续调高；当原有违规现象的严重等级已为最低等级时，无需在原有违规现象的严重等级的基础上，适当调低其严重等级，无需适当调低。
若所述坐席发生违规现象的时间点在所述客户发生无礼现象的时间点之前，则将所述坐席发生违规现象的严重等级调高。
可以理解的是，当所述坐席发生违规现象的时间点在所述客户发生无礼现象的时间点之前，可以说明所述坐席不遵守员工条约(先对所述客户发生违规的现象)且所述坐席先挑衅客户。此时，可以将所述坐席发生违规现象的严重等级继续调高。
若所述坐席发生违规现象的时间点在所述客户发生无礼现象的时间点之后，则将所述坐席发生违规现象的严重等级调低。
可以理解的是，当所述坐席发生违规现象的时间点在所述客户发生无礼现象的时间点之后，可以说明虽然所述坐席不遵守员工条约(与所述客户发生违规的现象)但所述客户先发生无礼现象，因此，相比坐席先对所述客户发生违规的现象之下，其严重等级相对较低。此时，可以将所述坐席发生违规现象的严重等级适当调低。
在另一实施例中，根据所述坐席所述违规的所述检测结果的数量，对所述坐席发生违规现象的严重等级进行调整，包括：
判断所述违规的所述检测结果的数量是否大于或等于第三预设数量阈值。
可以理解的是，当所述违规的所述检测结果的数量大于或等于所述第三预设数量阈值时，可以说明所述坐席在同一次会话过程中屡次发生违规现象，其违规性质恶劣，因此可以继续调高其严重等级；当所述违规的所述检测结果的数量小于所述第三预设数量阈值时，可以说明所述坐席在同一次会话过程中发生违规现象次数很少(有可能所述客户不小心发生违规现象)，此时可以对所述坐席进行酌情考虑(处于一个可接受的次数)，适当调低本次违规现象的严重等级。
若所述违规的所述检测结果的数量大于或等于所述第三预设数量阈值，则将所述坐席发生违规现象的严重等级调高。
可以理解的是，当所述违规的所述检测结果的数量大于或等于所述第三预设数量阈值时，可以说明所述坐席在同一次会话过程中屡次发生违规现象。此时，将所述坐席发生违规现象的严重等级继续调高。
若所述违规的所述检测结果的数量小于所述第三预设数量阈值，则将所述坐席发生违规现象的严重等级调低。
可以理解的是，当所述违规的所述检测结果的数量小于所述第三预设数量阈值时，可以说明所述坐席在同一次会话过程中极少发生违规现象(有可能所述客户不小心发生违规现象)。此时，将所述坐席发生违规现象的严重等级适当调低。
在另一实施例中，根据所述坐席发生违规现象的次数，对所述坐席发生违规现象的严重等级进行调整，包括：
获取所述预设数据库中所述坐席发生违规现象的次数。
可以理解的是，所述坐席发生违规现象的次数是指所述坐席曾经(可以为一段时间内，也可以为所述坐席从入职到现在)发生过违规现象(违反员工条约)的总次数；由于在所述预设数据库中更新坐席发生违规现象的次数，所述预设数据库中记录了所述坐席从前到现在发生违规现象的次数。
判断所述坐席发生违规现象的次数是否大于或等于第四预设数量阈值。
可以理解的是，当所述坐席发生违规现象的次数大于或等于所述第四预设数量阈值时，可以说明所述坐席在此前与客户的沟通过程中也屡次发生违规现象，其违规性质恶劣，因此可以继续调高其严重等级；当所述坐席发生违规现象的次数小于所述第四预设数量阈值时，可以说明所述坐席在此前与客户的沟通过程中很少发生违规现象(有可能所述客户不小心发生违规现象)，此时可以对所述坐席进行酌情考虑(处于一个可接受的次数)，适当调低本次违规现象的严重等级。
若所述坐席发生违规现象的次数大于或等于所述第四预设数量阈值，则将所述坐席发生违规现象的严重等级调高。
可以理解的是，当所述坐席发生违规现象的次数大于或等于所述第四预设数量阈值时，可以说明所述坐席在此前与客户的沟通过程中也屡次发生违规现象。此时，可以将所述坐席发生违规现象的严重等级继续调高。
若所述坐席发生违规现象的次数小于所述第四预设数量阈值，则将所述坐席发生违规现象的严重等级调低。
可以理解的是，当所述坐席发生违规现象的次数小于所述第四预设数量阈值时，可以说明所述坐席发生违规现象的严重等级为较低。可以说明所述坐席在此前与客户的沟通过程中也极少发生违规现象(有可能所述客户不小心发生违规现象)。此时，将所述坐席发生违规现象的严重等级适当调低。
需要说明的是，在本发明中，可以根据上述所述坐席发生违规现象的时间点、所述违规的所述检测结果的数量和发生违规现象的次数中的一种对严重等级进行调整，亦可以根据其中的任意两种到三种对其进行调整。比如，在一个应用场景下，可以根据所述坐席发生违规现象的时间点且所述坐席所述违规的所述检测结果的数量，对所述坐席发生违规现象的严重等级进行调整。在另一个应用场景下，可以根据所述坐席发生违规现象的时间点且所述坐席发生违规现象的次数，对所述坐席发生违规现象的严重等级进行调整。在另一个应用场景下，可以根据所述坐席所述违规的所述检测结果的数量且所述坐席发生违规现象的次数，对所述坐席发生违规现象的严重等级进行调整。在另一个应用场景下，可以根据所述坐席发生违规现象的时间点、所述违规的所述检测结果的数量和发生违规现象的次数，对所述坐席发生违规现象的严重等级进行调整。
综上所述，上述提供了一种基于多个质检模型的质检方法，首先获取预先训练的两个以上的质检模型，每一个所述质检模型均通过不同算法训练完成；接着获取坐席的会话信息，并根据所述坐席的会话信息生成第一目标文本；再接着将所述第一目标文本分别输入两个以上的所述质检模型，并获取两个以上的所述质检模型输出的两个以上的检测结果，所述检测结果为违规或不违规；然后判断违规的所述检测结果的数量是否大于或等于第一预设数量阈值；最后若所述违规的所述检测结果的数量大于或等于所述第一预设数量阈值，则确定所述会话信息对应的坐席存在违规现象，记录并提示所述坐席的违规内容以及发生违规现象的时间点，且在所述预设数据库中更新坐席发生违规现象的次数。本发明根据两个以上不同的质检模型对与会话信息对应的第一目标文本进行检测，并获取质检模型输出的检测结果，且仅有当违规的检测结果的数量达到第一预设数量阈值时，判断与会话消息对应的坐席存在违规现象，从而可以减少人工质检的成本，同时也提高了质检的工作效率。
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，提供一种基于多个质检模型的质检装置，该基于多个质检模型的质检装置与上述实施例中基于多个质检模型的质检方法一一对应。如图4所示，该基于多个质检模型的质检装置包括质检模型获取模块11、第一目标文本生成模块12、检测结果获取模块13判断模板14、和确定模块15。
各功能模块详细说明如下：
质检模型获取模块11，用于获取预先训练的两个以上的质检模型，每一个所述质检模型均通过不同算法训练完成；
第一目标文本生成模块12，用于获取坐席的会话信息，并根据所述坐席的会话信息生成第一目标文本；
检测结果获取模块13，用于将所述第一目标文本分别输入两个以上的所述质检模型，并获取两个以上的所述质检模型输出的两个以上的检测结果，所述检测结果为违规或不违规；
判断模板14，用于判断违规的所述检测结果的数量是否大于或等于第一预设数量阈值；
确定模块15，用于若所述违规的所述检测结果的数量大于或等于所述第一预设数量阈值，则确定与所述会话信息对应的坐席存在违规现象，记录并提示所述坐席的违规内容以及发生违规现象的时间点，且在所述预设数据库中更新坐席发生违规现象的次数。
进一步地，所述第一目标文本生成模块包括：
第一身份信息获取子模块，用于根据预设的抽查优先级选取所述坐席，并获取所述坐席的第一身份信息，所述抽查优先级根据预设数据库中坐席发生违规现象的严重等级和/或坐席的从业时长设定；
会话消息获取子模块，用于根据所述第一身份信息获取所述坐席的会话信息。
进一步地，所述第一目标文本生成模块包括：
语音数据获取子模块，用于获取所述坐席的会话信息中的所述坐席的语音数据，并通过语音识别模型识别所述语音数据之后，获取所述语音识别模型输出的第一目标文本。
文本信息获取子模块，用于获取所述坐席在客户端录入的文本信息，并将所述文本信息记录为第一目标文本。
图片获取子模块，用于获取所述坐席在客户端录入的图片，并通过图像识别模型提取所述图片中的文本信息之后，将所述文字记录为第一目标文本。
进一步地，所述基于多个质检模型的质检装置还包括：
严重等级获取模块，用于根据所述坐席的违规内容获取所述坐席发生违规现象的严重等级；
严重等级调整模块，用于根据所述坐席发生违规现象的时间点、所述违规的所述检测结果的数量和发生违规现象的次数中的一种或多种，对所述坐席发生违规现象的严重等级进行调整；
抽查优先级调整模块，用于根据所述坐席发生违规现象的严重等级调整所述预设的抽查优先级。
进一步地，所述严重等级调整模块包括：
识别模型获取子模块，用于获取预先训练的两个以上的识别模型，每一个所述识别模型均通过不同算法训练完成；
第二目标文本获取子模块，用于获取客户的会话信息，并根据所述客户的会话信息生成第二目标文本；
识别结果获取子模块，用于将所述第二目标文本提取文本特征向量后，分别将所述文本特征向量输入两个以上的所述识别模型，并获取两个以上的所述识别模型分别输出的识别结果，所述识别结果为有礼或无礼；
第一确定子模块，用于确定所述识别结果为无礼的数量，并判断所述识别结果为无礼的数量是否大于或等于第二预设数量阈值；
第二确定子模块，用于若所述识别结果为无礼的数量大于或等于所述第二预设数量阈值，则确定所述会话信息对应的客户存在无礼现象，记录所述客户的无礼内容以及发生无礼现象的时间点；
第一判断子模块，用于判断所述坐席发生违规现象的时间点是否在所述客户发生无礼现象的时间点之前；
第一调高子模块，用于若所述坐席发生违规现象的时间点在所述客户发生无礼现象的时间点之前，则将所述坐席发生违规现象的严重等级调高；
第一调低子模块，用于若所述坐席发生违规现象的时间点在所述客户发生无礼现象的时间点之后，则将所述坐席发生违规现象的严重等级调低。
进一步地，所述严重等级调整模块包括：
第一目标文本数量获取子模块，用于获取所述会话信息对应的坐席所述违规的所述检测结果的数量；
第二判断子模块，用于判断所述违规的所述检测结果的数量是否大于或等于第三预设数量阈值；
第二调高子模块，用于若所述违规的所述检测结果的数量大于或等于所述第三预设数量阈值，则将所述坐席发生违规现象的严重等级调高；
第二调低子模块，用于若所述违规的所述检测结果的数量小于所述第三预设数量阈值，则将所述坐席发生违规现象的严重等级调低。
进一步地，所述严重等级调整模块包括：
次数获取子模块，用于获取所述预设数据库中所述坐席发生违规现象的次数；
第三判断子模块，用于判断所述坐席发生违规现象的次数是否大于或等于第四预设数量阈值；
第三调高子模块，用于若所述坐席发生违规现象的次数大于或等于所述第四预设数量阈值，则将所述坐席发生违规现象的严重等级调高；
第三调低子模块，用于若所述坐席发生违规现象的次数小于所述第四预设数量阈值，则将所述坐席发生违规现象的严重等级调低。
关于基于多个质检模型的质检装置的具体限定可以参见上文中对于基于多个质检模型的质检方法的限定，在此不再赘述。上述基于多个质检模型的质检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5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基于多个质检模型的质检方法中涉及到的数据。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基于多个质检模型的质检方法。
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基于多个质检模型的质检方法的步骤，例如图2所示的步骤S10至步骤S50。或者，处理器执行计算机程序时实现上述实施例中基于多个质检模型的质检装置的各模块/单元的功能，例如图4所示模块11至模块15的功能。为避免重复，这里不再赘述。
在一个实施例中，提供了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上述实施例中基于多个质检模型的质检方法的步骤，例如图2所示的步骤S10至步骤S50。或者，计算机程序被处理器执行时实现上述实施例中基于多个质检模型的质检装置的各模块/单元的功能，例如图4所示模块11至模块15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，本发明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)

1.一种基于多个质检模型的质检方法，其特征在于，包括：
获取预先训练的两个以上的质检模型，每一个所述质检模型均通过不同算法训练完成；
获取坐席的会话信息，并根据所述坐席的会话信息生成第一目标文本；
将所述第一目标文本分别输入两个以上的所述质检模型，并获取两个以上的所述质检模型输出的两个以上的检测结果，所述检测结果为违规或不违规；
判断违规的所述检测结果的数量是否大于或等于第一预设数量阈值；
若所述违规的所述检测结果的数量大于或等于所述第一预设数量阈值，则确定与所述会话信息对应的坐席存在违规现象，记录并提示所述坐席的违规内容以及发生违规现象的时间点，且在所述预设数据库中更新坐席发生违规现象的次数。
2.根据权利要求1所述的基于多个质检模型的质检方法，其特征在于，所述获取坐席的会话信息，包括：
根据预设的抽查优先级选取所述坐席，并获取所述坐席的第一身份信息，所述抽查优先级根据预设数据库中坐席发生违规现象的严重等级和/或坐席的从业时长设定；
根据所述第一身份信息获取所述坐席的会话信息。
3.根据权利要求1所述的基于多个质检模型的质检方法，其特征在于，所述根据所述会话信息生成第一目标文本，包括：
获取所述坐席的会话信息中的所述坐席的语音数据，并通过语音识别模型识别所述语音数据之后，获取所述语音识别模型输出的第一目标文本；或
获取所述坐席在客户端录入的文本信息，并将所述文本信息记录为第一目标文本；或
获取所述坐席在客户端录入的图片，并通过图像识别模型提取所述图片中的文本信息之后，将所述文字记录为第一目标文本。
4.根据权利要求1所述的基于多个质检模型的质检方法，其特征在于，所述若所述违规的所述检测结果的数量大于或等于所述第一预设数量阈值，则确定与所述会话信息对应的坐席存在违规现象，记录并提示所述坐席的违规内容以及发生违规现象的时间点，且在所述预设数据库中更新坐席发生违规现象的次数之后，还包括：
根据所述坐席的违规内容获取所述坐席发生违规现象的严重等级；
根据所述坐席发生违规现象的时间点、所述违规的所述检测结果的数量和发生违规现象的次数中的一种或多种，对所述坐席发生违规现象的严重等级进行调整；
根据所述坐席发生违规现象的严重等级调整所述预设的抽查优先级。
5.根据权利要求4所述的基于多个质检模型的质检方法，其特征在于，所述根据所述坐席发生违规现象的时间点、所述违规的所述检测结果的数量和发生违规现象的次数中的一种或多种，对所述坐席发生违规现象的严重等级进行调整，包括：
获取预先训练的两个以上的识别模型，每一个所述识别模型均通过不同算法训练完成；
获取客户的会话信息，并根据所述客户的会话信息生成第二目标文本；
将所述第二目标文本提取文本特征向量后，分别将所述文本特征向量输入两个以上的所述识别模型，并获取两个以上的所述识别模型分别输出的识别结果，所述识别结果为有礼或无礼；
确定所述识别结果为无礼的数量，并判断所述识别结果为无礼的数量是否大于或等于第二预设数量阈值；
若所述识别结果为无礼的数量大于或等于所述第二预设数量阈值，则确定所述会话信息对应的客户存在无礼现象，记录所述客户的无礼内容以及发生无礼现象的时间点；
判断所述坐席发生违规现象的时间点是否在所述客户发生无礼现象的时间点之前；
若所述坐席发生违规现象的时间点在所述客户发生无礼现象的时间点之前，则将所述坐席发生违规现象的严重等级调高；
若所述坐席发生违规现象的时间点在所述客户发生无礼现象的时间点之后，则将所述坐席发生违规现象的严重等级调低。
6.根据权利要求4所述的基于多个质检模型的质检方法，其特征在于，所述根据所述坐席发生违规现象的时间点、所述违规的所述检测结果的数量和发生违规现象的次数中的一种或多种，对所述坐席发生违规现象的严重等级进行调整，包括：
判断所述违规的所述检测结果的数量是否大于或等于第三预设数量阈值；
若所述违规的所述检测结果的数量大于或等于所述第三预设数量阈值，则将所述坐席发生违规现象的严重等级调高；
若所述违规的所述检测结果的数量小于所述第三预设数量阈值，则将所述坐席发生违规现象的严重等级调低。
7.根据权利要求4所述的基于多个质检模型的质检方法，其特征在于，所述根据所述坐席发生违规现象的时间点、所述违规的所述检测结果的数量和发生违规现象的次数中的一种或多种，对所述坐席发生违规现象的严重等级进行调整，包括：
获取所述预设数据库中所述坐席发生违规现象的次数；
判断所述坐席发生违规现象的次数是否大于或等于第四预设数量阈值；
若所述坐席发生违规现象的次数大于或等于所述第四预设数量阈值，则将所述坐席发生违规现象的严重等级调高；
若所述坐席发生违规现象的次数小于所述第四预设数量阈值，则将所述坐席发生违规现象的严重等级调低。
8.一种基于多个质检模型的质检装置，其特征在于，包括：
质检模型获取模块，用于获取预先训练的两个以上的质检模型，每一个所述质检模型均通过不同算法训练完成；
第一目标文本生成模块，用于获取坐席的会话信息，并根据所述坐席的会话信息生成第一目标文本；
检测结果获取模块，用于将所述第一目标文本分别输入两个以上的所述质检模型，并获取两个以上的所述质检模型输出的两个以上的检测结果，所述检测结果为违规或不违规；
判断模板，用于判断所述违规的所述检测结果的数量是否大于或等于第一预设数量阈值；
确定模块，用于若所述违规的所述检测结果的数量大于或等于所述第一预设数量阈值，则确定与所述会话信息对应的坐席存在违规现象，记录并提示所述坐席的违规内容以及发生违规现象的时间点，且在所述预设数据库中更新坐席发生违规现象的次数。
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7中任一项所述基于多个质检模型的质检方法。
10.一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7中任一项所述基于多个质检模型的质检方法。
CN201910432734.XA 2019-05-23 2019-05-23 基于多个质检模型的质检方法、装置、设备及存储介质 Pending CN110288192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910432734.XA CN110288192A (zh) 2019-05-23 2019-05-23 基于多个质检模型的质检方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910432734.XA CN110288192A (zh) 2019-05-23 2019-05-23 基于多个质检模型的质检方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN110288192A true CN110288192A (zh) 2019-09-27

Family

ID=68002398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910432734.XA Pending CN110288192A (zh) 2019-05-23 2019-05-23 基于多个质检模型的质检方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110288192A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210842A (zh) * 2019-12-27 2020-05-29 中移（杭州）信息技术有限公司 语音质检方法、装置、终端及计算机可读存储介质
CN112668857A (zh) * 2020-12-23 2021-04-16 深圳壹账通智能科技有限公司 分阶段质检的数据分类方法、装置、设备及存储介质
CN113674797A (zh) * 2020-05-15 2021-11-19 复旦大学 基于蛋白质组的数据检测系统、方法、设备及存储介质
CN114155859A (zh) * 2020-08-18 2022-03-08 马上消费金融股份有限公司 检测模型训练方法、语音对话检测方法及相关设备
WO2022116438A1 (zh) * 2020-12-01 2022-06-09 平安科技（深圳）有限公司 客服违规质检方法、装置、计算机设备及存储介质
WO2023173554A1 (zh) * 2022-03-15 2023-09-21 平安科技（深圳）有限公司 坐席违规话术识别方法、装置、电子设备、存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105187674A (zh) * 2015-08-14 2015-12-23 上海银天下科技有限公司 服务录音的合规检查方法及装置
CN105991849A (zh) * 2015-02-13 2016-10-05 华为技术有限公司 一种坐席服务方法、装置及系统
CN107204195A (zh) * 2017-05-19 2017-09-26 四川新网银行股份有限公司 一种基于情绪分析的智能质检方法
CN109151218A (zh) * 2018-08-21 2019-01-04 平安科技（深圳）有限公司 通话语音质检方法、装置、计算机设备及存储介质
CN109448730A (zh) * 2018-11-27 2019-03-08 广州广电运通金融电子股份有限公司 一种自动语音质检方法、系统、装置及存储介质
CN109740760A (zh) * 2018-12-25 2019-05-10 平安科技（深圳）有限公司 文本质检自动化训练方法、电子装置及计算机设备
CN109740759A (zh) * 2018-12-13 2019-05-10 平安科技（深圳）有限公司 学习模型优化与选择方法、电子装置及计算机设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105991849A (zh) * 2015-02-13 2016-10-05 华为技术有限公司 一种坐席服务方法、装置及系统
CN105187674A (zh) * 2015-08-14 2015-12-23 上海银天下科技有限公司 服务录音的合规检查方法及装置
CN107204195A (zh) * 2017-05-19 2017-09-26 四川新网银行股份有限公司 一种基于情绪分析的智能质检方法
CN109151218A (zh) * 2018-08-21 2019-01-04 平安科技（深圳）有限公司 通话语音质检方法、装置、计算机设备及存储介质
CN109448730A (zh) * 2018-11-27 2019-03-08 广州广电运通金融电子股份有限公司 一种自动语音质检方法、系统、装置及存储介质
CN109740759A (zh) * 2018-12-13 2019-05-10 平安科技（深圳）有限公司 学习模型优化与选择方法、电子装置及计算机设备
CN109740760A (zh) * 2018-12-25 2019-05-10 平安科技（深圳）有限公司 文本质检自动化训练方法、电子装置及计算机设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210842A (zh) * 2019-12-27 2020-05-29 中移（杭州）信息技术有限公司 语音质检方法、装置、终端及计算机可读存储介质
CN113674797A (zh) * 2020-05-15 2021-11-19 复旦大学 基于蛋白质组的数据检测系统、方法、设备及存储介质
CN113674797B (zh) * 2020-05-15 2024-05-14 复旦大学 基于蛋白质组的数据检测系统、方法、设备及存储介质
CN114155859A (zh) * 2020-08-18 2022-03-08 马上消费金融股份有限公司 检测模型训练方法、语音对话检测方法及相关设备
CN114155859B (zh) * 2020-08-18 2023-08-08 马上消费金融股份有限公司 检测模型训练方法、语音对话检测方法及相关设备
WO2022116438A1 (zh) * 2020-12-01 2022-06-09 平安科技（深圳）有限公司 客服违规质检方法、装置、计算机设备及存储介质
CN112668857A (zh) * 2020-12-23 2021-04-16 深圳壹账通智能科技有限公司 分阶段质检的数据分类方法、装置、设备及存储介质
WO2023173554A1 (zh) * 2022-03-15 2023-09-21 平安科技（深圳）有限公司 坐席违规话术识别方法、装置、电子设备、存储介质

Similar Documents

Publication Publication Date Title
CN110288192A (zh) 基于多个质检模型的质检方法、装置、设备及存储介质
TWI788529B (zh) 基於ｌｓｔｍ模型的信用風險預測方法及裝置
WO2020232877A1 (zh) 一种问题答案选取方法、装置、计算机设备及存储介质
CN111368937B (zh) 图像分类方法、装置、及其训练方法、装置、设备、介质
CN106022317A (zh) 人脸识别方法及装置
CN112464865A (zh) 一种基于像素和几何混合特征的人脸表情识别方法
CN107862602A (zh) 一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统
CN108665005A (zh) 一种利用dcgan提高基于cnn图像识别性能的方法
CN109711356B (zh) 一种表情识别方法和系统
CN113704082A (zh) 模型评测方法、装置、电子设备及存储介质
WO2021042842A1 (zh) 基于ai面试系统的面试方法、装置和计算机设备
CN109614627A (zh) 一种文本标点预测方法、装置、计算机设备及存储介质
CN111914553B (zh) 一种基于机器学习的金融信息负面主体判定的方法
CN108632137A (zh) 应答模型训练方法、智能聊天方法、装置、设备及介质
CN110222733A (zh) 一种高精度的多阶神经网络分类方法及系统
CN114170657A (zh) 融合注意力机制与高阶特征表示的面部情感识别方法
CN113806564B (zh) 多模态信息性推文检测方法及系统
CN111222583A (zh) 一种基于对抗训练与关键路径提取的图像隐写分析方法
CN113409157B (zh) 一种跨社交网络用户对齐方法以及装置
CN110414586A (zh) 基于深度学习的防伪标签验伪方法、装置、设备及介质
Mallet et al. Hybrid Deepfake Detection Utilizing MLP and LSTM
CN111353728A (zh) 一种风险分析方法和系统
Reddy et al. Effect of image colourspace on performance of convolution neural networks
CN116246140A (zh) 融合Res-50与CBAM的地震断层自动识别方法
CN113723593B (zh) 一种基于神经网络的切负荷预测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190927