CN110347863B - 话术推荐方法和装置及存储介质 - Google Patents
话术推荐方法和装置及存储介质 Download PDFInfo
- Publication number
- CN110347863B CN110347863B CN201910578729.XA CN201910578729A CN110347863B CN 110347863 B CN110347863 B CN 110347863B CN 201910578729 A CN201910578729 A CN 201910578729A CN 110347863 B CN110347863 B CN 110347863B
- Authority
- CN
- China
- Prior art keywords
- conversation
- quality inspection
- target
- speech
- session
- 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.)
- Active
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
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Electrically Operated Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种话术推荐方法和装置及存储介质。其中,该方法包括:获取第一会话中的音频流数据,其中,音频流数据中携带有第一用户终端向第二用户终端发送的请求音频;将请求音频实时转换成会话文本;调用目标话术库,查找与会话文本相匹配的目标话术集,其中,目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,话术学习模型利用话术质检引擎输出的质检结果进行机器学习;向第二用户终端推荐目标话术集,以使第二用户终端从目标话术集中确定出用于通过第一会话推送给第一用户终端的目标话术。本发明解决了相关技术提供的话术推荐方法存在准确性较低的技术问题。
Description
技术领域
本发明涉及呼叫中心通信领域,具体而言,涉及一种话术推荐方法和装置及存储介质。
背景技术
如今,为了方便同时处理大量用户的各种需求,由一批服务人员(即客服人员)组成,利用计算机电话集成技术(Computer Telephony Integration,简称CTI)建立的呼叫中心(Call Center)应运而生。
通常情况下,用户是在出现问题的时候才会通过呼叫中心咨询客服人员,而用户在咨询不同问题时的情绪状态、通话状态往往是不同的。但目前针对上述情形,客服人员通常是采用统一的标准话术来进行答复。也就是说,在相关技术中并未提供一种针对不同用户的话术推荐方法,以保证话术推荐的准确性。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种话术推荐方法和装置及存储介质,以至少解决相关技术提供的话术推荐方法存在准确性较低的技术问题。
根据本发明实施例的一个方面,提供了一种话术推荐方法,包括:获取第一会话中的音频流数据,其中,上述音频流数据中携带有第一用户终端向第二用户终端发送的请求音频;将上述请求音频实时转换成会话文本;调用目标话术库,查找与上述会话文本相匹配的目标话术集,其中,上述目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,上述话术学习模型利用话术质检引擎输出的质检结果进行机器学习;向上述第二用户终端推荐上述目标话术集,以使上述第二用户终端从上述目标话术集中确定出用于通过上述第一会话推送给上述第一用户终端的目标话术。
根据本发明实施例的另一方面,还提供了一种话术推荐装置,包括:第一获取单元,用于获取第一会话中的音频流数据,其中,上述音频流数据中携带有第一用户终端向第二用户终端发送的请求音频;转换单元,用于将上述请求音频实时转换成会话文本;查找单元,用于调用目标话术库,查找与上述会话文本相匹配的目标话术集,其中,上述目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,上述话术学习模型利用话术质检引擎输出的质检结果进行机器学习;推荐单元,用于向上述第二用户终端推荐上述目标话术集,以使上述第二用户终端从上述目标话术集中确定出用于通过上述第一会话推送给上述第一用户终端的目标话术。
根据本发明实施例的又一方面,还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述话术推荐方法。
在本发明实施例中,在获取第一会话中的音频流数据之后,将音频流数据中携带的第一用户终端向第二用户终端发送的请求音频实时转换成会话文本,并调用目标话术库来查找与上述会话文本相配的目标话术集,其中,该目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,话术学习模型利用话术质检引擎输出的质检结果进行机器学习。然后将上述目标话术集推荐给上述第二用户终端,以使第二用户终端从上述目标话术集中确定出用于通过第一会话推送给第一用户终端的目标话术,从而实现从根据质检结果进行机器学习得到的话术学习模型,获取所要推荐的目标话术集,以使得所推荐的话术与使用用户终端的用户的匹配度更高,进而达到提高话术推荐的准确性。解决了相关技术提供的话术推荐方法存在准确性较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的话术推荐方法的网络环境的示意图;
图2是根据本发明实施例的一种可选的话术推荐方法的流程图;
图3是根据本发明实施例的另一种可选的话术推荐方法的流程图;
图4是根据本发明实施例的又一种可选的话术推荐方法的流程图;
图5是根据本发明实施例的一种可选的话术推荐方法的界面配置示意图;
图6是根据本发明实施例的另一种可选的话术推荐方法的界面配置示意图;
图7是根据本发明实施例的又一种可选的话术推荐方法的界面配置示意图;
图8是根据本发明实施例的一种可选的话术推荐方法的时序图;
图9是根据本发明实施例的又一种可选的话术推荐方法的时序图;
图10是根据本发明实施例的另一种可选的话术推荐方法的时序图;
图11是根据本发明实施例的又一种可选的话术推荐方法的时序图;
图12是根据本发明实施例的一种可选的话术推荐装置的结构示意图;
图13是根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种话术推荐方法,可选地,作为一种可选的实施方式,上述话术推荐方法可以但不限于应用于如图1所示的网络环境中的话术推荐系统中。该话术推荐系统包括:用户设备102、网络110、服务器112及用户设备118。假设用户设备102中安装有运行话术质检引擎的客户端,该用户设备102中包括人机交互屏幕104,处理器106及存储器108。人机交互屏幕104用于通过与上述客户端对应的人机交互接口,获取对话术进行质检的质检条件,处理器104用于根据该质检条件对从呼叫中心获取到的会话文本进行质检,得到质检结果。存储器106用于存储上述质检结果。用户设备118中安装有用于实现话术推荐的客户端,该用户设备118中包括人机交互屏幕120,处理器122及存储器124。人机交互屏幕120用于呈现服务器110确定出的所要推荐的目标话术集,处理器122用于获取对目标话术集执行操作所确定出目标话术;存储器124用于存储上述目标话术集和确定出的目标话术。
如步骤S102,用户设备102通过人机交互屏幕104获取为话术配置的质检条件。在处理器106根据上述质检条件对话术进行质检后,得到质检结果,如步骤S104,通过网络110将该质检结果发送给服务器112,其中,服务器112中包括数据库114及处理引擎116。进一步,服务器112将执行步骤S106-S108:通过处理引擎116利用上述从话术质检引擎获取到的质检结果进行机器学习,以训练话术学习模型,然后将话术学习模型输出的的话术存储到目标话术库中。
进一步,服务器112执行步骤S110-S114,在服务器112获取到第一会话中的音频流数据的情况下,将该音频流数据中的请求音频实时转换成会话文本,并调用目标话术库,查找与上述会话文本相匹配的目标话术集。然后,如步骤S116,将上述目标话术集发送至用户设备118。
在用户设备118中通过人机交互屏幕120呈现上述目标话术集,并获取对该目标话术集执行选择操作所确定出的目标话术,然后通过第一会话发送该目标话术。例如,假设音频流数据中携带有用户终端UE-1向用户终端UE-2发送的请求音频,则用户设备118为用户终端UE-2,用于呈现服务器112所推荐的目标话术集,包括:话术1、话术2和话术3,在用户设备118中确定出话术1为目标话术的情况下,则将该话术1发送给上述用户终端UE-1。
可选地,上述用户设备102和用户设备118可以但不限于为手机、平板电脑、笔记本电脑、PC机等计算机设备,上述网络110可以包括但不限于无线网络或有线网络。其中,该无线网络包括:蓝牙、WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于:广域网、城域网、局域网。上述服务器可以包括但不限于任何具有较大计算能力的硬件设备。
需要说明的是,在获取第一会话中的音频流数据之后,将音频流数据中携带的第一用户终端向第二用户终端发送的请求音频实时转换成会话文本,并调用目标话术库来查找与上述会话文本相匹配的目标话术集,其中,该目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,话术学习模型利用话术质检引擎输出的质检结果进行机器学习。然后将上述目标话术集推荐给上述第二用户终端,以使第二用户终端从上述目标话术集中确定出用于通过第一会话推送给第一用户终端的目标话术,从而实现从根据质检结果进行机器学习得到的话术学习模型中,获取所要推荐的目标话术集,以使得所推荐的话术与使用用户终端的用户的匹配度更高,更加贴合用户需求,进而达到提高话术推荐的准确性。
可选地,作为一种可选的实施方式,如图2所示,上述话术推荐方法包括:
S202,获取第一会话中的音频流数据,其中,音频流数据中携带有第一用户终端向第二用户终端发送的请求音频;
S204,将请求音频实时转换成会话文本;
S206,调用目标话术库,查找与会话文本相匹配的目标话术集,其中,目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,话术学习模型利用话术质检引擎输出的质检结果进行机器学习;
S208,向第二用户终端推荐目标话术集,以使第二用户终端从目标话术集中确定出用于通过第一会话推送给第一用户终端的目标话术。
可选地,在本实施例中,上述话术推荐方法可以但不限于应用于云呼叫中心平台提供的客服接待通信过程中,其中,上述客服接待通信过程可以包括但不限于:业务咨询客服接待通信过程、售后服务客服接待通信过程、故障报修客服接待通信过程等需要客服人员参与答复的接待通信过程中。可选地,在本实施例中,上述话术质检引擎可以但不限于用于根据配置的质检条件对获取到的离线的历史会话文本进行质检,并将得到的质检结果输入话术学习模型进行机器学习。这里话术学习模型可以但不限于用于对经过质检的话术以及所在业务领域的业务数据进行机器学习,以获取不同用户在不同咨询状态下对不同话术的评价结果,从而确定与不同咨询状态下的用户相适配的目标话术集,以推荐给客服人员,使得客服人员从该目标话术集中确定出用于答复用户的目标话术。其中,上述咨询状态可以包括但不限于以下至少之一:用户在请求音频中的语速状态、用户在请求音频中的情绪状态等。上述仅是一种示例,本实施例中对此不作任何限定。
例如,以故障报修客服接待通信过程为例,如图3所示,通过本实施例中提供的话术推荐方法,云呼叫中心可以获取到第一用户终端302与第二用户终端304之间的音频流数据,对该音频流数据中携带的第一用户终端302向第二用户终端304发送的请求音频执行实时在线自动语音识别(Automatic Speech Recognition,简称ASR),得到与该请求音频对应的会话文本(如该会话文本指示咨询用户所提出的故障类型及故障位置),在线神经语言程序(Neuro-Linguistic Progamming,简称NLP)服务器306将调用目标话术库308,查找与上述会话文本相匹配的目标话术集。其中,目标话术库308中的话术为话术学习模型310利用话术质检引擎312输出的质检结果进行机器学习后输出的话术。在线NLP服务器306查找出目标话术集之后,将把该目标话术集推荐给第二用户终端304,以使使用第二用户终端304的客服人员可以从目标话术集中确定出与使用第一用户终端302的咨询用户当时的咨询状态相适配的目标话术,从而实现为咨询用户提供更加准确的话术。上述仅是一种示例,本实施例中对此不作任何限定。
需要说明的是,在本实施例中,在获取第一会话中的音频流数据之后,将音频流数据中携带的第一用户终端向第二用户终端发送的请求音频实时转换成会话文本,并调用目标话术库来查找与上述会话文本相匹配的目标话术集,其中,该目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,话术学习模型利用话术质检引擎输出的质检结果进行机器学习。然后将上述目标话术集推荐给上述第二用户终端,以使第二用户终端从上述目标话术集中确定出用于通过第一会话推送给第一用户终端的目标话术,从而实现从根据质检结果进行机器学习得到的话术学习模型中,获取所要推荐的目标话术集,以使得所推荐的话术与使用用户终端的用户的匹配度更高,更加贴合用户需求,进而达到提高话术推荐的准确性。
可选地,在本实施例中,在获取第一会话中的音频流数据之前,还可以但不限于获取历史用户会话文本,并将历史会话文本输入话术质检引擎进行质检,得到历史质检结果,利用该历史质检结果对初始话术学习模型进行训练,得到话术学习模型。其中,上述话术质检引擎用于根据质检条件对上述历史用户会话文本进行话术质检,其中,上述质检条件可以包括但不限于:质检规则集、语义标签、语言算法、文本算法和场景模板、评分模板等匹配条件。也就是说,利用上述质检条件进行质检后,得到的质检结果将可以反映与不同用户的需求对应的话术,利用该质检结果对话术学习模型进行干预训练,使得话术学习模型在机器学习过程中,可以对不同咨询状态的用户进行针对性区分,使得输出到目标话术库中的话术集可以覆盖不同用户需求,从而便于在进行话术推荐的过程中,为不同客服准确地提供目标话术集,进而保证为咨询用户提供准确的目标话术。
例如,如图4所示,将获取到的历史用户会话文本输入话术质检引擎312,通过质检规则集、语义标签、语言算法、文本算法和场景模板、评分模板等匹配条件进行质检,得到历史质检结果,并将该历史质检结果输入话术学习模型310中进行机器学习,然后,将话术学习模型310学习输出的结果输入到目标话术库308中进行保存,以便于用于后续的话术推荐过程。这里仅是一种可选的示例,本实施例中对此不作任何限定。
此外,在本实施例中,在配置界面可以但不限于为上述话术质检引擎预先配置初始质检条件,如图5所示是质检规则的配置页面,主要用于新建质检规则,配置质检条件和条件之间的逻辑关系;配置完成质检规则后,配置评分标准。如图6所示为具体的评分标准的配置页面,主要用于新建评分标准,如相应质检规则的对应的得分标准和得分值。如图7所示为自动化质检的配置界面,用于角色识别,以辅助识别多方通话时,各个会话中的人物角色,如客服角色(使用第二用户终端的角色)和客户角色(使用第一用户终端的角色)。
需要说明的是,在本实施例中,话术学习模型的学习结果还将输入话术质检引擎,以便于对上述话术质检引擎中的质检条件进行进一步优化调整,得到更新后的质检条件。从而使得话术质检引擎可以使用优化后的质检条件继续进行后续的质检过程,达到对话术质检引擎进行实时动态地调整的目的,确保话术质检引擎的质检效果。
可选地,在本实施例中,调用目标话术库,查找与会话文本相匹配的目标话术集可以包括但不限于:在目标话术库中查找与会话文本相匹配的候选话术集,该候选话术集中的话术与会话文本之间的关联度大于第一阈值,然后从候选话术集中确定出与使用第一用户终端的用户的用户画像特征相匹配的目标话术集。
具体结合图8所示示例进行说明:
在获取到第一会话之前的历史会话对应的相关历史请求音频之后,通过离线ASR将其转换成历史用户会话文本,然后将该历史用户会话文本输入话术质检引擎312,对其进行语义、语言、文本和场景等质检条件的匹配分析,并根据质检规则集和上述匹配分析的结果,对各个话术内容进行评分计算,得到历史质检结果。其中,在本示例中,可以但不限于通过配置界面对上述话术质检引擎312中的质检条件进行初始化配置。
进一步,话术学习模型310在获取上述话术质检引擎输出的质检结果及外部的业务数据之后,会对上述内容进行机器学习。例如,对上述内容进行数据处理、利用语义算法和/或语音算法进行模型训练,以得到机器学习的结果。该结果将会被输入目标话术库308中进行存储,以便于后续查找所要推荐的目标话术集。此外,还会被输入上述话术质检引擎312中,以实现对质检条件的优化调整。
具体结合图9所示步骤1至步骤19进行说明:
假设操作配置人员使用配置账号B在云呼叫中心902中配置话术质检引擎312中初始质检条件(如初始化质检模板)。其中,话术质检引擎312获取对历史请求音频进行离线ASR处理后的历史用户会话文本进行质检,得到质检的打分结果,进一步利用该打分结果来干预话术学习模型的机器学习过程,以得到质检结果,并将该质检结果及从外部业务数据系统904中获取的目标业务数据,输入话术学习模型310进行机器学习;进一步,获取学习的结果来调整优化话术质检引擎的质检条件(如质检规则)。此外,还可以将学习的结果保存,以积累接待过程中的问题,以及依赖业务反馈的每次会话的转化数据,建立目标话术库。
然后,在下一次进行呼入或者呼出的客服接待时,则可以通过实时在线ASR技术对请求音频进行转换,在把请求音频转换会话文本后,在之前建立的目标话术库中,查找匹配相应的话术,对匹配到的目标话术集进行推荐,以形成一个完成的业务接待处理闭环。从而提升客服接待的质量和会话转化率。
通过本申请提供的实施例,在获取第一会话中的音频流数据之后,将音频流数据中携带的第一用户终端向第二用户终端发送的请求音频实时转换成会话文本,并调用目标话术库来查找与上述会话文本相配的目标话术集,其中,该目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,话术学习模型利用话术质检引擎输出的质检结果进行机器学习。然后将上述目标话术集推荐给上述第二用户终端,以使第二用户终端从上述目标话术集中确定出用于通过第一会话推送给第一用户终端的目标话术,从而实现从根据质检结果进行机器学习得到的话术学习模型,获取所要推荐的目标话术集,以使得所推荐的话术与使用用户终端的用户的匹配度更高,进而达到提高话术推荐的准确性。
作为一种可选的方案,调用目标话术库,查找与会话文本相匹配的目标话术集包括:
S1,在目标话术库中查找与会话文本相匹配的候选话术集,其中,候选话术集中的话术与会话文本之间的关联度大于第一阈值;
S2,从候选话术集中确定出与第一用户画像特征相匹配的目标话术集,其中,第一用户画像特征是根据第一用户终端发送的请求音频确定得出的。
可选地,在本实施例中,步骤S2,从候选话术集中确定出与第一用户画像特征相匹配的目标话术集包括:
S21,依次获取候选话术集中的话术与第一用户画像特征之间的匹配度;
S22,对匹配度进行排序,得到话术序列;
S23,从话术序列中确定得出目标话术集。
需要说明的是,在本实施例中,上述候选话术集中的话术与会话文本之间的关联度大于第一阈值。其中,上述关联度用于指示话术与会话文本之间内容的关联度。也就是说,在会话文本为请求问题A时,候选话术集中的话术将包括用于针对问题A给出的答复话术a。进一步,候选话术集中的话术可以包括但不限于针对相同的请求问题,所提供的针对不同用户的不同的答复话术。也就是说,可以结合当前用户的用户画像特征,从上述候选话术集中确定出将要推荐的目标话术集。
可选地,在本实施例中,上述话术质检引擎所配置的质检条件可以但不限于对请求音频进行以下至少一种分析:话术分析、语速分析、情绪分析等,以实现全维度、高精准度的质检分析。
例如,当第一用户终端(请求用户)与第二用户终端(客服)发生实时会话时,将该会话中的音频流数据实时输入在线ASR中,进行实时转换,以得到与第一用户终端的请求音频对应的会话文本。将该会话文本传入在线NLP服务器。在线NLP服务器将会调用目标话术库,查找与上述会话文本对应的目标话术集。其中,上述推荐给第二用户终端的目标话术集将对上述第一用户终端的请求进行应答处理,如针对请求音频对应的会话文本中提出的问题,给出与第一用户终端(请求用户)的用户画像特征相匹配的目标话术(如建议话术或处理方案对应的话术等)。如图10-11所示为上述推荐过程的时序图,其中图10为第二用户终端(客服)呼叫第一用户终端(C用户)场景下的话术推荐时序图,图11为第一用户终端(C用户)呼入场景下的话术推荐时序图。
进一步,在本实施例中,可以但不限于向第二用户终端(客服)推荐目标话术集中的全部话术或部分话术,其中,该部分话术可以但不限于是按优先级对排序后的话术序列给出靠前的n个话术,其中,n<N,N为目标话术集中全部话术的数量。
通过本申请提供的实施例,利用话术质检引擎对历史会话文本进行质检,得到质检结果,并利用该质检结果干预话术学习模型的机器学习过程,以使得话术学习模型可以学习到针对不同用户的答复话术,并将该结果存入目标话术库,以使得目标话术库中存储的话术可以针对性地推荐给不同需求的第二用户终端,进而推送给第一用户终端,以提高话术推荐的准确性。
作为一种可选的方案,在获取第一会话中的音频流数据之前,还包括:
S1,获取在第一会话之前产生的历史用户会话文本;
S2,将历史用户会话文本输入话术质检引擎,得到历史质检结果;
S3,利用历史质检结果对初始话术学习模型进行训练,得到话术学习模型。
可选地,在本实施例中,在获取在第一会话之前产生的历史用户会话文本之前,还包括:获取在配置界面中为话术质检引擎配置的质检条件;可选地,在本实施例中,在利用历史质检结果对初始话术学习模型进行训练,得到话术学习模型之后,还包括:根据话术学习模型输出的话术,调整话术质检引擎的质检条件,得到调整后的质检条件,以使话术质检引擎按照调整后的质检条件进行质检。
可选地,在本实施例中,步骤S2,将历史用户会话文本输入话术质检引擎,得到历史质检结果包括:
S21,对历史质检结果中的每个对象质检结果执行以下操作:
S21-1,获取与对象质检结果对应的对象会话文本,及与对象会话文本相匹配的对象请求音频;
S21-2,根据对象会话文本及对象请求音频,提取使用第一用户终端的用户的话术特征、语速特征及情绪特征;
S21-3,对话术特征、语速特征及情绪特征进行质检,得到对象质检结果。
例如,如图4所示,将获取到的历史用户会话文本输入话术质检引擎312,通过质检规则集、语义标签、语言算法、文本算法和场景模板、评分模板等匹配条件进行质检,得到历史质检结果,并将该历史质检结果输入话术学习模型310中进行机器学习,然后,将话术学习模型310学习输出的结果输入到目标话术库308中进行保存,以便于用于后续的话术推荐过程。
通过本申请提供的实施例,将获取到的历史会话文本输入话术质检引擎得到质检结果,利用该质检结果来干预话术学习模型的机器学习过程,以使得话术学习模型学习到针对不同咨询状态的用户所要提供的话术,从而保证所要推荐的目标话术集的准确性。
作为一种可选的方案,利用历史质检结果对初始话术学习模型进行训练,得到话术学习模型包括:
S1,对历史质检结果中的每个对象质检结果执行以下操作:
S11,获取与对象质检结果对应的对象会话文本关联的目标业务数据;
S12,将对象质检结果,与对象会话文本匹配的对象请求音频及目标业务数据输入初始话术学习模型进行训练,以得到话术学习模型,其中,对象请求音频用于确定对象用户画像特征。
例如,如图8所示示例,话术学习模型310在获取上述话术质检引擎输出的质检结果(如当前对象的对象质检结果)、请求音频(如当前对象的对象请求音频)及外部的目标业务数据之后,可以对上述内容进行机器学习。例如,对上述内容进行数据处理、利用语义算法和/或语音算法进行模型训练,以得到机器学习的结果。该结果将会被输入目标话术库308中进行存储,以便于后续查找所要推荐的目标话术集。此外,还会被输入上述话术质检引擎312中,以实现对质检条件的优化调整。
通过本申请提供的实施例,将对象质检结果,与对象会话文本匹配的对象请求音频及目标业务数据输入初始话术学习模型进行训练,以使得话术学习模型可以通过机器学习,得到与不同用户相适配的答复话术,并将该答复话术输出存储到目标话术库中,以便于后续向客服人员精准地推荐对应的目标话术集,从而使得客服人员可以准确快速地从目标话术集中查找用于答复咨询用户的目标话术,以提升话术推送效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述话术推荐方法的话术推荐装置。如图12所示,该装置包括:
1)第一获取单元1202,用于获取第一会话中的音频流数据,其中,音频流数据中携带有第一用户终端向第二用户终端发送的请求音频;
2)转换单元1204,用于将请求音频实时转换成会话文本;
3)查找单元1206,用于调用目标话术库,查找与会话文本相匹配的目标话术集,其中,目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,话术学习模型利用话术质检引擎输出的质检结果进行机器学习;
4)推荐单元1208,用于向第二用户终端推荐目标话术集,以使第二用户终端从目标话术集中确定出用于通过第一会话推送给第一用户终端的目标话术。
可选地,在本实施例中,上述话术推荐方法可以但不限于应用于云呼叫中心平台提供的客服接待通信过程中,其中,上述客服接待通信过程可以包括但不限于:业务咨询客服接待通信过程、售后服务客服接待通信过程、故障报修客服接待通信过程等需要客服人员参与答复的接待通信过程中。可选地,在本实施例中,上述话术质检引擎可以但不限于用于根据配置的质检条件对获取到的离线的历史会话文本进行质检,并将得到的质检结果输入话术学习模型进行机器学习。这里话术学习模型可以但不限于用于对经过质检的话术以及所在业务领域的业务数据进行机器学习,以获取不同用户在不同咨询状态下对不同话术的评价结果,从而确定与不同咨询状态下的用户相适配的目标话术集,以推荐给客服人员,使得客服人员从该目标话术集中确定出用于答复用户的目标话术。其中,上述咨询状态可以包括但不限于以下至少之一:用户在请求音频中的语速状态、用户在请求音频中的情绪状态等。上述仅是一种示例,本实施例中对此不作任何限定。
例如,以故障报修客服接待通信过程为例,如图3所示,通过本实施例中提供的话术推荐方法,云呼叫中心可以获取到第一用户终端302与第二用户终端304之间的音频流数据,对该音频流数据中携带的第一用户终端302向第二用户终端304发送的请求音频执行实时在线自动语音识别(Automatic Speech Recognition,简称ASR),得到与该请求音频对应的会话文本(如该会话文本指示咨询用户所提出的故障类型及故障位置),在线神经语言程序(Neuro-Linguistic Progamming,简称NLP)服务器306将调用目标话术库308,查找与上述会话文本相匹配的目标话术集。其中,目标话术库308中的话术为话术学习模型310利用话术质检引擎312输出的质检结果进行机器学习后输出的话术。在线NLP服务器306查找出目标话术集之后,将把该目标话术集推荐给第二用户终端304,以使使用第二用户终端304的客服人员可以从目标话术集中确定出与使用第一用户终端302的咨询用户当时的咨询状态相适配的目标话术,从而实现为咨询用户提供更加准确的话术。上述仅是一种示例,本实施例中对此不作任何限定。
需要说明的是,在本实施例中,在获取第一会话中的音频流数据之后,将音频流数据中携带的第一用户终端向第二用户终端发送的请求音频实时转换成会话文本,并调用目标话术库来查找与上述会话文本相匹配的目标话术集,其中,该目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,话术学习模型利用话术质检引擎输出的质检结果进行机器学习。然后将上述目标话术集推荐给上述第二用户终端,以使第二用户终端从上述目标话术集中确定出用于通过第一会话推送给第一用户终端的目标话术,从而实现从根据质检结果进行机器学习得到的话术学习模型中,获取所要推荐的目标话术集,以使得所推荐的话术与使用用户终端的用户的匹配度更高,更加贴合用户需求,进而达到提高话术推荐的准确性。
作为一种可选的方案,查找单元包括:
1)查找模块,用于在目标话术库中查找与会话文本相匹配的候选话术集,其中,候选话术集中的话术与会话文本之间的关联度大于第一阈值;
2)确定模块,用于从候选话术集中确定出与第一用户画像特征相匹配的目标话术集,其中,第一用户画像特征是根据第一用户终端发送的请求音频确定得出的。
可选地,在本实施例中,确定模块包括:
(1)获取子模块,用于依次获取候选话术集中的话术与第一用户画像特征之间的匹配度;
(2)排序子模块,用于对匹配度进行排序,得到话术序列;
(3)确定子模块,用于从话术序列中确定得出目标话术集。
作为一种可选的方案,上述装置还包括:
1)第二获取单元,用于在获取第一会话中的音频流数据之前,获取在第一会话之前产生的历史用户会话文本;
2)输入单元,用于将历史用户会话文本输入话术质检引擎,得到历史质检结果;
3)训练单元,用于利用历史质检结果对初始话术学习模型进行训练,得到话术学习模型。
作为一种可选的方案,第三获取单元,用于在获取在第一会话之前产生的历史用户会话文本之前,获取在配置界面中为话术质检引擎配置的质检条件;调整单元,用于在利用历史质检结果对初始话术学习模型进行训练,得到话术学习模型之后,根据话术学习模型输出的话术,调整话术质检引擎的质检条件,得到调整后的质检条件,以使话术质检引擎按照调整后的质检条件进行质检。
作为一种可选的方案,训练单元包括:
1)处理模块,用于对历史质检结果中的每个对象质检结果执行以下操作:
S1,获取与对象质检结果对应的对象会话文本关联的目标业务数据;
S2,将对象质检结果,与对象会话文本匹配的对象请求音频及目标业务数据输入初始话术学习模型进行训练,以得到话术学习模型,其中,对象请求音频用于确定对象用户画像特征。
作为一种可选的方案,输入单元包括:
1)质检模块,用于对历史质检结果中的每个对象质检结果执行以下操作:
S1,获取与对象质检结果对应的对象会话文本,及与对象会话文本相匹配的对象请求音频;
S2,根据对象会话文本及对象请求音频,提取使用第一用户终端的用户的话术特征、语速特征及情绪特征;
S3,对话术特征、语速特征及情绪特征进行质检,得到对象质检结果。
根据本发明实施例的又一个方面,还提供了一种用于实施上述话术推荐方法的电子装置,如图13所示,该电子装置包括存储器1302和处理器1304,该存储器1302中存储有计算机程序,该处理器1304被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取第一会话中的音频流数据,其中,音频流数据中携带有第一用户终端向第二用户终端发送的请求音频;
S2,将请求音频实时转换成会话文本;
S3,调用目标话术库,查找与会话文本相匹配的目标话术集,其中,目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,话术学习模型利用话术质检引擎输出的质检结果进行机器学习;
S4,向第二用户终端推荐目标话术集,以使第二用户终端从目标话术集中确定出用于通过第一会话推送给第一用户终端的目标话术。
可选地,本领域普通技术人员可以理解,图13所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图13其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图13中所示更多或者更少的组件(如网络接口等),或者具有与图13所示不同的配置。
其中,存储器1302可用于存储软件程序以及模块,如本发明实施例中的话术推荐方法和装置对应的程序指令/模块,处理器1304通过运行存储在存储器1302内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的话术推荐方法。存储器1302可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1302可进一步包括相对于处理器1304远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器1302具体可以但不限于用于会话文本、目标话术集等信息。作为一种示例,如图13所示,上述存储器1302中可以但不限于包括上述话术推荐装置中的第一获取单元1202、转换单元1204、查找单元1206及推荐单元1208。此外,还可以包括但不限于上述话术推荐装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置1306用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1306包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1306为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子装置还包括:显示器1308,用于显示上述目标话术集;和连接总线1310,用于连接上述电子装置中的各个模块部件。
根据本发明的实施例的又一方面,还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取第一会话中的音频流数据,其中,音频流数据中携带有第一用户终端向第二用户终端发送的请求音频;
S2,将请求音频实时转换成会话文本;
S3,调用目标话术库,查找与会话文本相匹配的目标话术集,其中,目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,话术学习模型利用话术质检引擎输出的质检结果进行机器学习;
S4,向第二用户终端推荐目标话术集,以使第二用户终端从目标话术集中确定出用于通过第一会话推送给第一用户终端的目标话术。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种话术推荐方法,其特征在于,包括:
获取第一会话中的音频流数据,其中,所述音频流数据中携带有第一用户终端向第二用户终端发送的请求音频;
将所述请求音频实时转换成会话文本;
调用目标话术库,查找与所述会话文本相匹配的目标话术集,其中,所述目标话术集包括对应不同咨询状态的多个话术,所述目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,所述话术学习模型利用话术质检引擎按照配置的质检条件对历史会话文本进行质检所输出的质检结果进行机器学习,所述质检条件根据所述话术学习模型输出的话术进行调整;
向所述第二用户终端推荐所述目标话术集,以使所述第二用户终端从所述目标话术集中确定出用于通过所述第一会话推送给所述第一用户终端的、对应第一用户咨询状态的目标话术。
2.根据权利要求1所述的方法,其特征在于,所述调用目标话术库,查找与所述会话文本相匹配的目标话术集包括:
在所述目标话术库中查找与所述会话文本相匹配的候选话术集,其中,所述候选话术集中的话术与所述会话文本之间的关联度大于第一阈值;
从所述候选话术集中确定出与第一用户画像特征相匹配的所述目标话术集,其中,所述第一用户画像特征是根据所述第一用户终端发送的所述请求音频确定得出的。
3.根据权利要求2所述的方法,其特征在于,所述从所述候选话术集中确定出与第一用户画像特征相匹配的所述目标话术集包括:
依次获取所述候选话术集中的话术与所述第一用户画像特征之间的匹配度;
对所述匹配度进行排序,得到话术序列;
从所述话术序列中确定得出所述目标话术集。
4.根据权利要求1所述的方法,其特征在于,在所述获取第一会话中的音频流数据之前,还包括:
获取在所述第一会话之前产生的历史用户会话文本;
将所述历史用户会话文本输入所述话术质检引擎,得到历史质检结果;
利用历史质检结果对初始话术学习模型进行训练,得到所述话术学习模型。
5.根据权利要求4所述的方法,其特征在于,
在所述获取在所述第一会话之前产生的历史用户会话文本之前,还包括:获取在配置界面中为所述话术质检引擎配置的所述质检条件;
在所述利用历史质检结果对初始话术学习模型进行训练,得到所述话术学习模型之后,还包括:根据所述话术学习模型输出的话术,调整所述话术质检引擎的所述质检条件,得到调整后的所述质检条件,以使所述话术质检引擎按照调整后的所述质检条件进行质检。
6.根据权利要求4所述的方法,其特征在于,所述利用历史质检结果对初始话术学习模型进行训练,得到所述话术学习模型包括:
对所述历史质检结果中的每个对象质检结果执行以下操作:
获取与所述对象质检结果对应的对象会话文本关联的目标业务数据;
将所述对象质检结果,与所述对象会话文本匹配的对象请求音频及所述目标业务数据输入所述初始话术学习模型进行训练,以得到所述话术学习模型,其中,所述对象请求音频用于确定对象用户画像特征。
7.根据权利要求4所述的方法,其特征在于,所述将所述历史用户会话文本输入所述话术质检引擎,得到历史质检结果包括:
对所述历史质检结果中的每个对象质检结果执行以下操作:
获取与所述对象质检结果对应的对象会话文本,及与所述对象会话文本相匹配的对象请求音频;
根据所述对象会话文本及所述对象请求音频,提取使用所述第一用户终端的用户的话术特征、语速特征及情绪特征;
对所述话术特征、所述语速特征及所述情绪特征进行质检,得到对象质检结果。
8.一种话术推荐装置,其特征在于,包括:
第一获取单元,用于获取第一会话中的音频流数据,其中,所述音频流数据中携带有第一用户终端向第二用户终端发送的请求音频;
转换单元,用于将所述请求音频实时转换成会话文本;
查找单元,用于调用目标话术库,查找与所述会话文本相匹配的目标话术集,其中,所述目标话术集包括对应不同咨询状态的多个话术,所述目标话术库中存储的用于推荐的话术为话术学习模型输出的话术,所述话术学习模型利用话术质检引擎按照配置的质检条件对历史会话文本进行质检所输出的质检结果进行机器学习,所述质检条件根据所述话术学习模型输出的话术进行调整;
推荐单元,用于向所述第二用户终端推荐所述目标话术集,以使所述第二用户终端从所述目标话术集中确定出用于通过所述第一会话推送给所述第一用户终端的、对应第一用户咨询状态的目标话术。
9.根据权利要求8所述的装置,其特征在于,所述查找单元包括:
查找模块,用于在所述目标话术库中查找与所述会话文本相匹配的候选话术集,其中,所述候选话术集中的话术与所述会话文本之间的关联度大于第一阈值;
确定模块,用于从所述候选话术集中确定出与第一用户画像特征相匹配的所述目标话术集,其中,所述第一用户画像特征是根据所述第一用户终端发送的所述请求音频确定得出的。
10.根据权利要求9所述的装置,其特征在于,所述确定模块包括:
获取子模块,用于依次获取所述候选话术集中的话术与所述第一用户画像特征之间的匹配度;
排序子模块,用于对所述匹配度进行排序,得到话术序列;
确定子模块,用于从所述话术序列中确定得出所述目标话术集。
11.根据权利要求8所述的装置,其特征在于,还包括:
第二获取单元,用于在所述获取第一会话中的音频流数据之前,获取在所述第一会话之前产生的历史用户会话文本;
输入单元,用于将所述历史用户会话文本输入所述话术质检引擎,得到历史质检结果;
训练单元,用于利用历史质检结果对初始话术学习模型进行训练,得到所述话术学习模型。
12.根据权利要求11所述的装置,其特征在于,
第三获取单元,用于在所述获取在所述第一会话之前产生的历史用户会话文本之前,获取在配置界面中为所述话术质检引擎配置的所述质检条件;
调整单元,用于在所述利用历史质检结果对初始话术学习模型进行训练,得到所述话术学习模型之后,根据所述话术学习模型输出的话术,调整所述话术质检引擎的所述质检条件,得到调整后的所述质检条件,以使所述话术质检引擎按照调整后的所述质检条件进行质检。
13.根据权利要求11所述的装置,其特征在于,所述训练单元包括:
处理模块,用于对所述历史质检结果中的每个对象质检结果执行以下操作:
获取与所述对象质检结果对应的对象会话文本关联的目标业务数据;
将所述对象质检结果,与所述对象会话文本匹配的对象请求音频及所述目标业务数据输入所述初始话术学习模型进行训练,以得到所述话术学习模型,其中,所述对象请求音频用于确定对象用户画像特征。
14.根据权利要求11所述的装置,其特征在于,所述输入单元包括:
质检模块,用于对所述历史质检结果中的每个对象质检结果执行以下操作:
获取与所述对象质检结果对应的对象会话文本,及与所述对象会话文本相匹配的对象请求音频;
根据所述对象会话文本及所述对象请求音频,提取使用所述第一用户终端的用户的话术特征、语速特征及情绪特征;
对所述话术特征、所述语速特征及所述情绪特征进行质检,得到对象质检结果。
15.一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910578729.XA CN110347863B (zh) | 2019-06-28 | 2019-06-28 | 话术推荐方法和装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910578729.XA CN110347863B (zh) | 2019-06-28 | 2019-06-28 | 话术推荐方法和装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110347863A CN110347863A (zh) | 2019-10-18 |
CN110347863B true CN110347863B (zh) | 2023-09-22 |
Family
ID=68177435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910578729.XA Active CN110347863B (zh) | 2019-06-28 | 2019-06-28 | 话术推荐方法和装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110347863B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909162B (zh) * | 2019-11-15 | 2020-10-27 | 龙马智芯(珠海横琴)科技有限公司 | 文本质检的方法、存储介质及电子设备 |
CN111241357B (zh) * | 2020-01-14 | 2024-09-03 | 中国平安人寿保险股份有限公司 | 对话训练方法、装置、系统及存储介质 |
CN113313507A (zh) * | 2020-02-27 | 2021-08-27 | 北京有限元科技有限公司 | 提高话术营销精度的方法、装置以及存储介质 |
CN113392951A (zh) * | 2020-03-12 | 2021-09-14 | 北京有限元科技有限公司 | 话术预测的方法、装置以及存储介质 |
CN111881254B (zh) * | 2020-06-10 | 2024-08-09 | 百度在线网络技术(北京)有限公司 | 话术生成方法、装置、电子设备及存储介质 |
CN111710338B (zh) * | 2020-06-28 | 2023-07-25 | 度小满科技(北京)有限公司 | 一种话术播放方法及装置 |
CN112420038A (zh) * | 2020-10-28 | 2021-02-26 | 深圳创维-Rgb电子有限公司 | 一种自适应场景判断的智能语音播报方法、装置 |
CN112346567B (zh) * | 2020-11-03 | 2022-12-06 | 平安科技(深圳)有限公司 | 基于ai的虚拟交互模型生成方法、装置及计算机设备 |
CN112860876A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 会话辅助处理方法和装置 |
CN113515642A (zh) * | 2021-05-17 | 2021-10-19 | 中国工商银行股份有限公司 | 电话营销关键断点确定方法及装置 |
CN113327593B (zh) * | 2021-05-25 | 2024-04-30 | 上海明略人工智能(集团)有限公司 | 用于语料获取的装置及方法、电子设备、可读存储介质 |
CN113420140B (zh) * | 2021-08-24 | 2021-12-28 | 北京明略软件系统有限公司 | 用户情绪的预测方法、装置、电子设备和可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000073958A2 (en) * | 1999-05-27 | 2000-12-07 | Accenture Llp | Methods, concepts and technology for dynamic comparison of product features and customer profile |
CN109033257A (zh) * | 2018-07-06 | 2018-12-18 | 中国平安人寿保险股份有限公司 | 话术推荐方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10360908B2 (en) * | 2017-04-19 | 2019-07-23 | International Business Machines Corporation | Recommending a dialog act using model-based textual analysis |
-
2019
- 2019-06-28 CN CN201910578729.XA patent/CN110347863B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000073958A2 (en) * | 1999-05-27 | 2000-12-07 | Accenture Llp | Methods, concepts and technology for dynamic comparison of product features and customer profile |
CN109033257A (zh) * | 2018-07-06 | 2018-12-18 | 中国平安人寿保险股份有限公司 | 话术推荐方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110347863A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347863B (zh) | 话术推荐方法和装置及存储介质 | |
CN110096191B (zh) | 一种人机对话方法、装置及电子设备 | |
US9990923B2 (en) | Automated software execution using intelligent speech recognition | |
US10057419B2 (en) | Intelligent call screening | |
CN106202301B (zh) | 一种基于深度学习的智能应答系统 | |
CN111932144B (zh) | 一种客服坐席分配方法、装置、服务器及存储介质 | |
CN109961780A (zh) | 一种人机交互方法、装置、服务器和存储介质 | |
US20190065498A1 (en) | System and method for rich conversation in artificial intelligence | |
CN111914179B (zh) | 基于语义的模糊搜索方法和装置、存储介质及电子设备 | |
US11264012B2 (en) | Network topology determination and configuration from aggregated sentiment indicators | |
CN110265013A (zh) | 语音的识别方法及装置、计算机设备、存储介质 | |
US9720982B2 (en) | Method and apparatus for natural language search for variables | |
CN105206273B (zh) | 语音传输控制方法及系统 | |
CN113840040A (zh) | 一种人机协作的外呼方法、装置、设备及存储介质 | |
CN106356056B (zh) | 语音识别方法和装置 | |
CN110047486A (zh) | 语音控制方法、装置、服务器、系统及存储介质 | |
EP4093005A1 (en) | System method and apparatus for combining words and behaviors | |
CN111553171B (zh) | 语料处理方法、装置及存储介质 | |
CN115460323A (zh) | 一种智能外呼转人工的方法、装置、设备和存储介质 | |
CN114202363A (zh) | 基于人工智能的话术调用方法、装置、计算机设备及介质 | |
CN112632241A (zh) | 智能会话的方法、装置、设备和计算机可读介质 | |
CN114077656A (zh) | 确定最优话术序列的方法、装置及存储介质 | |
CN114221920B (zh) | 基于人工智能的自动接触方法、装置、计算机设备及介质 | |
US12063193B2 (en) | Transfer of AI-powered conversational messaging within a mobile application | |
CN113782022B (zh) | 基于意图识别模型的通信方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |