CN110472224A - 服务质量的检测方法、装置、计算机设备和存储介质 - Google Patents
服务质量的检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110472224A CN110472224A CN201910549980.3A CN201910549980A CN110472224A CN 110472224 A CN110472224 A CN 110472224A CN 201910549980 A CN201910549980 A CN 201910549980A CN 110472224 A CN110472224 A CN 110472224A
- Authority
- CN
- China
- Prior art keywords
- label
- text data
- role
- data
- text
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 230000036651 mood Effects 0.000 claims abstract description 150
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000013139 quantization Methods 0.000 claims abstract description 41
- 238000006243 chemical reaction Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 20
- 241001269238 Data Species 0.000 claims abstract description 18
- 230000008451 emotion Effects 0.000 claims description 53
- 238000013136 deep learning model Methods 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000007935 neutral effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012372 quality testing Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
Abstract
本申请涉及一种服务质量的检测方法、装置、计算机设备和存储介质。所述方法包括:获取服务过程中的语音数据;对所述语音数据进行文本转化处理,得到多个携带角色标签的文本数据;根据各所述文本数据和预先训练的识别模型,得到各所述文本数据的目标语义标签和第一情绪标签;根据各所述文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测。采用本发明实施例中的检测方式,量化检测结果更加准确,并且不需要添加大量的关键词,因此,可以降低检测系统的维护成本,提高维护人员的使用体验。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种服务质量的检测方法、装置、计算机设备和存储介质。
背景技术
客服人员是企业经营过程中不可或缺的岗位,客服人员的服务对提升企业服务质量、维护企业形象十分重要。因此,对客服人员的服务质量进行检测,并根据检测结果采取相应措施,对企业来说是非常重要的工作。
目前,对客服人员的服务质量进行检测,通常是检测客服人员的话语中有没有违规词来对客服人员的服务质量进行打分。
但是,检测违规词的方式一般需要添加许多关键词,为检测系统的维护造成了很大负担。
发明内容
基于此,有必要针对上述技术问题,提供一种无需添加很多关键词、能够降低维护成本的服务质量的检测方法、装置、计算机设备和存储介质。
第一方面,本发明实施例提供了一种服务质量的检测方法,方法包括:
获取服务过程中的语音数据;
对语音数据进行文本转化处理,得到多个携带角色标签的文本数据;
根据各文本数据和预先训练的识别模型,得到各文本数据的目标语义标签和第一情绪标签;
根据各文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测。
在其中一个实施例中,上述识别模型包括语义识别模型和情绪识别模型,上述根据各文本数据和预先训练的识别模型,得到各文本数据的目标语义标签和第一情绪标签,包括:
分别将各文本数据输入到语义识别模型中,得到各文本数据的目标语义标签;以及
分别将各文本数据输入到情绪识别模型中,得到各文本数据的第一情绪标签。
在其中一个实施例中,上述分别将各文本数据输入到语义识别模型中,得到各文本数据的目标语义标签,包括:
对各文本数据进行分词处理,得到多个词语向量;
将多个词语向量输入到语义识别模型中,得到各词语向量对应的语义标签和各语义标签的置信度;
将置信度最高的语义标签确定为文本数据的目标语义标签。
在其中一个实施例中,上述对语音数据进行文本转化处理,得到多个携带角色标签的文本数据,包括:
对语音数据进行分句处理,得到多个子语音数据;
分别确定各子语音数据对应的话者;
分别对各子语音数据进行文本转换处理,得到各子语音数据对应的文本数据;
分别对各文本数据进行角色识别,并将各文本数据对应的话者替换为对应的角色标签;其中角色标签包括服务角色标签和被服务角色标签。
在其中一个实施例中,上述对语音数据进行分句处理,得到多个子语音数据,包括:
对语音数据进行语音端点检测;
根据检测出的语音端点对语音数据进行分句处理,得到多个子语音数据。
在其中一个实施例中,上述分别确定各子语音数据对应的话者,包括:
根据各子语音数据的声音特性确定各子语音数据对应的话者;其中声音特性包括频率、音色中的至少一种。
在其中一个实施例中,上述对各文本数据进行角色识别,将各文本数据对应的话者替换为对应的角色,包括:
判断文本数据中是否包含预设词语;
若文本数据中包含预设词语,则将文本数据对应的话者替换为服务角色标签;否则,将文本数据对应的话者替换为被服务角色标签。
在其中一个实施例中,上述根据各文本数据对应的角色、目标语义标签和第一情绪标签,对服务质量进行量化检测,包括:
获取角色标签中服务角色标签对应的文本数据的目标语义标签和第一情绪标签;
若角色标签中服务角色标签对应的文本数据的目标语义标签为恶意语义标签,和/或,角色标签中服务角色标签对应的文本数据的第一情绪标签为负面情绪标签,则对服务质量进行减分处理。
在其中一个实施例中,上述在对语音数据进行文本转化处理,得到多个携带角色标签的文本数据之后,该方法还包括:
对语音数据进行情绪识别,得到各文本数据的第二情绪标签;
根据各文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测,包括:
根据各文本数据对应的角色标签、目标语义标签、第一情绪标签和第二情绪标签,对服务质量进行量化检测。
在其中一个实施例中,上述在分别将各文本数据输入到预先训练的语义识别模型中之前,该方法还包括:
获取多个样本文本数据;
分别对各样本文本数据添加样本语义标签;
将多个样本文本数据作为深度学习模型的输入,将各样本文本数据的样本语义标签作为深度学习模型的输出,对深度学习模型进行训练,得到语义识别模型。
在其中一个实施例中,上述在分别将各文本数据输入到预先训练的情绪识别模型中之前,该方法还包括:
获取多个样本文本数据;
对各样本文本数据添加样本情绪标签;
将多个样本文本数据作为深度学习模型的输入,将各样本文本数据的样本情绪标签作为深度学习模型的输出,对深度学习模型进行训练,得到情绪识别模型。
第二方面,本发明实施例提供了一种服务质量的检测装置,包括:
语音数据获取模块,用于获取服务过程中的语音数据;
文本转化模块,用于对语音数据进行文本转化处理,得到多个携带角色标签的文本数据;
标签获得模块,用于根据各文本数据和预先训练的识别模型,得到各文本数据的目标语义标签和第一情绪标签;
量化检测模块,用于根据各文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测。
在其中一个实施例中,识别模型包括语义识别模型和情绪识别模型,标签获得模块包括:
目标语义标签获得子模块,用于分别将各文本数据输入到语义识别模型中,得到各文本数据的目标语义标签;以及
第一情绪标签获得子模块,用于分别将各文本数据输入到情绪识别模型中,得到各文本数据的第一情绪标签。
在其中一个实施例中,目标语义标签获得子模块包括:
词语向量获得单元,用于对各文本数据进行分词处理,得到多个词语向量;
语义标签和置信度获得单元,用于将多个词语向量输入到语义识别模型中,得到各词语向量对应的语义标签和各语义标签的置信度;
目标语义标签获得单元,用于将置信度最高的语义标签确定为文本数据的目标语义标签。
在其中一个实施例中,文本转化模块包括:
子语音数据获得子模块,用于对语音数据进行分句处理,得到多个子语音数据;
话者确定子模块,用于分别确定各子语音数据对应的话者;
文本数据获得子模块,用于分别对各子语音数据进行文本转换处理,得到各子语音数据对应的文本数据;
角色标签替换子模块,用于分别对各文本数据进行角色识别,并将各文本数据对应的话者替换为对应的角色标签;其中角色标签包括服务角色标签和被服务角色标签。
在其中一个实施例中,子语音数据获得子模块包括:
语音端点检测单元,用于对语音数据进行语音端点检测;
子语音数据获得单元,用于根据检测出的语音端点对语音数据进行分句处理,得到多个子语音数据。
在其中一个实施例中,话者确定子模块,具体用于根据各子语音数据的声音特性确定各子语音数据对应的话者;其中声音特性包括频率、音色中的至少一种。
在其中一个实施例中,角色标签替换子模块包括:
判断单元,用于判断文本数据中是否包含预设词语;
角色标签替换单元,用于若文本数据中包含预设词语,则将文本数据对应的话者替换为服务角色标签;否则,将文本数据对应的话者替换为被服务角色标签。
在其中一个实施例中,量化检测模块包括:
语义和情绪标签获得子模块,用于获取角色标签中服务角色标签对应的文本数据的目标语义标签和第一情绪标签;
量化检测子模块,用于若角色标签中服务角色标签对应的文本数据的目标语义标签为恶意语义标签,和/或,角色标签中服务角色标签对应的文本数据的第一情绪标签为负面情绪标签,则对服务质量进行减分处理。
在其中一个实施例中,装置还包括:
第二情绪标签获得模块,用于对语音数据进行情绪识别,得到各文本数据的第二情绪标签;
量化检测模块,具体用于根据各文本数据对应的角色标签、目标语义标签、第一情绪标签和第二情绪标签,对服务质量进行量化检测。
在其中一个实施例中,装置还包括:
第一样本文本数据模块,用于获取多个样本文本数据;
样本语义标签添加模块,用于分别对各样本文本数据添加样本语义标签;
语义识别模型训练模块,用于将多个样本文本数据作为深度学习模型的输入,将各样本文本数据的样本语义标签作为深度学习模型的输出,对深度学习模型进行训练,得到语义识别模型。
在其中一个实施例中,装置还包括:
第一样本文本数据模块,用于获取多个样本文本数据;
样本情绪标签添加模块,用于对各样本文本数据添加样本情绪标签;
情绪识别模型训练模块,用于将多个样本文本数据作为深度学习模型的输入,将各样本文本数据的样本情绪标签作为深度学习模型的输出,对深度学习模型进行训练,得到情绪识别模型。
第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行所述计算机程序时实现如上述方法的步骤。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述方法的步骤。
上述服务质量的检测方法、装置、计算机设备和存储介质中,获取服务过程中的语音数据;对语音数据进行文本转化处理,得到多个携带角色标签的文本数据;根据各文本数据和预先训练的识别模型,得到各文本数据的目标语义标签和第一情绪标签;根据各文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测。通过本发明实施例,将客服与客户对话的语音数据转换为文本数据,然后识别出文本数据的语义和情绪,再根据文本数据的语义和情绪对客服的服务质量进行量化检测。与现有技术中关键词匹配的方式相比,本发明实施例中的检测方式更加准确,并且不需要添加大量的关键词,因此,可以降低检测系统的维护成本,提高维护人员的使用体验。
附图说明
图1为一个实施例中服务质量的检测方法的应用环境图;
图2为一个实施例中服务质量的检测方法的流程示意图;
图3为一个实施例中得到各文本数据的目标语义标签和第一情绪标签步骤的流程示意图;
图4为一个实施例中得到多个携带角色标签的文本数据步骤的流程示意图;
图5为一个实施例中对服务质量进行量化检测步骤的流程示意图;
图6为一个实施例中服务质量的检测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的服务质量的检测方法,可以应用于图1所示的应用环境中。其中,终端获取服务过程中的语音数据,并对服务质量进行量化检测。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑。
在一个实施例中,如图2所示,提供了一种服务质量的检测方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤101,获取服务过程中的语音数据。
本实施例中,在服务过程中,终端获取服务人员和被服务人员的语音数据。例如,客服与客户通话,在客户咨询理财产品的过程中,客服对理财产品进行介绍,在这个服务过程中,终端采集客服与客户沟通的语音数据。
步骤102,对语音数据进行文本转化处理,得到多个携带角色标签的文本数据。
本实施例中,获取到语音数据后,可以通过自动语音识别(Automatic SpeechRecognition,ASR)技术将语音数据转换为文本数据,在转换时可以得到多个文本数据,然后区分各文本数据对应的角色,从而得到多个携带角色标签的文本数据。
可选地,角色标签包括服务角色标签和被服务角色标签。例如,得到五个文本数据,其中文本数据1、文本数据2、文本数据5均携带服务角色标签,文本数据3、文本数据4均携带被服务角色标签。
步骤103,根据各文本数据和预先训练的识别模型,得到各文本数据的目标语义标签和第一情绪标签。
本实施例中,预先训练识别模块,在得到多个携带角色标签的文本数据之后,采用识别模型对各文本数据进行识别,得到各文本数据的目标语义标签和第一情绪标签。其中,语义标签可以包括开头语、寒暄等,情绪标签可以包括中性情绪标签、正面情绪标签、负面情绪标签等。本发明实施例对语义标签和情绪标签不作详细限定,可以根据实际情况进行设置。
例如,采用识别模型对文本数据1进行识别,得到文本数据1的目标语义标签是开头语,第一情绪标签是中性情绪标签。然后,采用识别模型对文本数据2进行识别,得到文本数据2的目标语义标签是寒暄,第一情绪标签是正面情绪标签。以此类推,得到各文本数据的目标语义标签和第一情绪标签。
步骤104,根据各文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测。
本实施例中,在得到各文本数据对应的角色标签、目标语义标签和第一情绪标签后,可以先确定服务角色标签对应的文本数据,然后根据服务角色标签对应的文本数据的目标语义标签和第一情绪标签对服务质量进行量化检测。
例如,先确定客服对应的文本数据为文本数据1、文本数据2和文本数据5,根据文本数据1的目标语义标签为开头语,第一情绪标签为中性情绪标签得到文本数据1的服务质量量化值,然后以此类推得到文本数据2和文本数据5的服务质量量化值,最后统计文本数据1、文本数据2、文本数据5的服务质量量化值,得到该客服的服务质量检测结果。
如果服务质量的量化值较低,可以再确定被服务角色标签对应的文本数据,根据被服务角色标签对应的文本数据的目标语义标签和第一情绪标签,调整服务质量检测结果。
例如,被服务角色标签对应文本数据3、文本数据4,其中,文本数据4的第一情绪标签为负面情绪标签,从而确定是因为客户的态度问题导致客服的服务质量量化值较低,然后根据具体情况调整服务质量检测结果。本发明实施例对此不作详细限定,可以根据实际情况进行设置。
上述服务质量的检测方法中,获取服务过程中的语音数据;对语音数据进行文本转化处理,得到多个携带角色标签的文本数据;根据各文本数据和预先训练的识别模型,得到各文本数据的目标语义标签和第一情绪标签;根据各文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测。通过本发明实施例,将客服与客户对话的语音数据转换为文本数据,然后识别出文本数据的语义和情绪,再根据文本数据的语义和情绪对客服的服务质量进行量化检测。与现有技术中关键词匹配的方式相比,本发明实施例中的检测方式更加准确,并且不需要添加大量的关键词,因此,可以降低检测系统的维护成本,提高维护人员的使用体验。
在另一个实施例中,如图3所示,本实施例涉及的是得到各文本数据的目标语义标签和第一情绪标签的一种可选的过程。在上述图2所示实施例的基础上,识别模型包括语义识别模型和情绪识别模型,上述步骤103具体可以包括以下步骤:
步骤201,分别将各文本数据输入到语义识别模型中,得到各文本数据的目标语义标签。
本实施例中,在确定各文本数据的目标语义标签之前,预先训练语义识别模型。具体地,获取多个样本文本数据;分别对各样本文本数据添加样本语义标签;将多个样本文本数据作为深度学习模型的输入,将各样本文本数据的样本语义标签作为深度学习模型的输出,对深度学习模型进行训练,得到语义识别模型。
例如,获取到“你好”、“早上好”、“下午好”等样本文本数据,分别对各样本文本数据添加样本语义标签“开头语”,然后将这些样本文本数据输入至深度学习模型中,在深度学习模型输出的语义标签与样本语义标签一致时,训练结束得到语义识别模型。
然后,在确定各文本数据的目标语义标签时,对各文本数据进行分词处理,得到多个词语向量;将多个词语向量输入到语义识别模型中,得到各词语向量对应的语义标签和各语义标签的置信度;将置信度最高的语义标签确定为文本数据的目标语义标签。
例如,文本数据1为“早上好,这里是XXX”,先对文本数据1进行分词处理,得到多个词语向量,如“早上好”、“XXX”。然后,将这些词语向量输入到语义识别模型中,得到“早上好”对应的语义标签为开头语,语义标签的置信度为0.98,以及“XXX”对应的语义标签为介绍,语义标签的置信度为0.87。可见,“早上好”的语义标签的置信度最高,则将文本数据1的目标语义标签确定为开头语。以此类推,确定文本数据2、文本数据3、文本数据4、文本数据5的目标语义标签。
步骤202,分别将各文本数据输入到情绪识别模型中,得到各文本数据的第一情绪标签。
本实施例中,在确定各文本数据的第一情绪标签之前,预先训练情绪识别模型。具体地,在分别将各文本数据输入到情绪识别模型中之前,对各样本文本数据添加样本情绪标签;将多个样本文本数据作为深度学习模型的输入,将各样本文本数据的样本情绪标签作为深度学习模型的输出,对深度学习模型进行训练,得到情绪识别模型。
例如,获取到“你好”、“早上好”、“下午好”等样本文本数据,先分别对各样本文本数据添加中性情绪标签,然后将这些样本文本数据输入至深度学习模型中,在深度学习模型输出的情绪标签与样本情绪标签一致时,训练结束得到情绪识别模型。
接着,在确定各文本数据的第一情绪标签时,将各文本数据输入到情绪识别模型中,即可得到各文本数据的第一情绪标签。例如,将文本数据1“早上好,这里是XXX”输入到情绪识别模型中,得到文本数据1的第一情绪标签为中性情绪标签。
本发明实施例对步骤201和步骤202的顺序不作详细限定,可以根据实际情况进行设置。
上述得到各文本数据的目标语义标签和第一情绪标签的步骤中,分别将各文本数据输入到语义识别模型中,得到各文本数据的目标语义标签;分别将各文本数据输入到情绪识别模型中,得到各文本数据的第一情绪标签。通过本发明实施例,采用语义识别模型识别文本数据的语义,采用情绪识别模型识别文本数据的情绪,从而根据文本数据的语义和情绪对服务质量进行量化检测。与现有技术中关键词匹配的方式相比,本发明实施例中采用语义识别模型和情绪识别模型的检测方式更加准确,并且不需要添加大量的关键词,因此,可以降低检测系统的维护成本,提高维护人员的使用体验。
在另一个实施例中,如图4所示,本实施例涉及的是得到多个携带角色标签的文本数据的一种可选的过程。在上述图2所示实施例的基础上,上述步骤102具体可以包括以下步骤:
步骤301,对语音数据进行分句处理,得到多个子语音数据。
本实施例中,获取到服务过程中的语音数据后,将语音数据分成多个语句,得到多个子语音数据。具体地,对语音数据进行语音端点检测;根据检测出的语音端点对语音数据进行分句处理,得到多个子语音数据。
例如,采用语音活动检测(Voice Activity Detection,VAD)技术对语音数据进行语音端点检测,然后根据检测到的语音端点对语音数据进行分句处理,得到5个子语音数据,包括子语音数据1、子语音数据2、子语音数据3、子语音数据4、子语音数据5。
步骤302,分别确定各子语音数据对应的话者。
本实施例中,确定各个子语音数据对应的是第一位话者还是第二位话者。具体地,根据各子语音数据的声音特性确定各子语音数据对应的话者;其中声音特性包括频率、音色中的至少一种。
例如,根据客服和客户的声音音色不同,将子语音数据1、子语音数据2、子语音数据5确定为第一位话者,将子语音数据3、子语音数据4确定为第二位话者。也可以根据客服和客户的声音频率不同,将子语音数据1、子语音数据2、子语音数据5确定为第一位话者,将子语音数据3、子语音数据4确定为第二位话者。
步骤303,分别对各子语音数据进行文本转换处理,得到各子语音数据对应的文本数据。
本实施例中,得到多个子语音数据之后,将各个子语音数据转换为对应的文本数据。例如。将子语音数据1转换为文本数据1,将子语音数据2转换为文本数据2,将子语音数据3转换为文本数据3,将子语音数据4转换为文本数据4,将子语音数据5转换为文本数据5。其中,文本转换处理可以采用ASR技术。并且,可以集成多个提供商提供的ASR模块,在进行文本转换处理时,采用不同的ASR模块进行文本转换,对比不同的ASR模块的转换效果。
步骤304,分别对各文本数据进行角色识别,并将各文本数据对应的话者替换为对应的角色标签。
本实施例中,得到多个文本数据后,分别对各文本数据进行角色识别,然后根据识别结果,将对应的话者替换为对应的角色标签。例如,将第一位话者替换为服务角色标签,将第二位话者替换为被服务角色标签。
在实际操作中,对文本数据进行角色识别,将对应的话者替换为对应的角色标签的步骤具体可以包括:判断文本数据中是否包含预设词语;若文本数据中包含预设词语,则将文本数据对应的话者替换为服务角色标签;否则,将文本数据对应的话者替换为被服务角色标签。
例如,预设词语可以包括“早上好”、“为您服务”等,文本数据1“早上好,这里是XXX”包含预设词语“早上好”,则将文本数据1对应的第一位话者替换为服务角色标签。而文本数据3未包含预设词语,则将文本数据3对应的第二位话者替换为被服务角色标签。
上述得到多个携带角色标签的文本数据的步骤中,对语音数据进行分句处理,得到多个子语音数据;分别确定各子语音数据对应的话者;分别对各子语音数据进行文本转换处理,得到各子语音数据对应的文本数据;分别对各文本数据进行角色识别,并将各文本数据对应的话者替换为对应的角色标签。通过本发明实施例,对语音数据进行文本转换得到多个文本数据,由于各文本数据携带角色标签,可以在后续对服务质量进行量化检测时,根据角色标签区分客服的文本数据和客户的文本数据,从而可以针对客服的文本数据对服务质量进行量化检测,减少了量化检测的数据量,提高了检测效率。
在另一个实施例中,如图5所示,本实施例涉及的是对服务质量进行量化检测的一种可选的过程。在上述图2所示实施例的基础上,上述步骤104具体可以包括以下步骤:
步骤401,获取角色标签中服务角色标签对应的文本数据的目标语义标签和第一情绪标签。
本实施例中,在将语音数据转换为多个携带角色标签的文本数据,以及得到各文本数据的目标语义标签和第一情绪标签之后,确定服务角色标签的文本数据,获取服务角色标签的文本数据对应的目标语义标签和第一情绪标签。
例如,确定服务角色标签的文本数据为文本数据1,则获取文本数据1对应的目标语义标签和第一情绪标签,获取到的目标语义标签为开头语,第一情绪标签为中性情绪标签。
步骤402,若角色标签中服务角色标签对应的文本数据的目标语义标签为恶意语义标签,和/或,角色标签中服务角色标签对应的文本数据的第一情绪标签为负面情绪标签,则对服务质量进行减分处理。
本实施例中,如果服务角色标签对应的文本数据的目标语义标签为恶意语义标签,则对服务质量进行减分处理。例如,服务角色标签对应的文本数据为文本数据5,获取文本数据5的目标语义标签为恶意语义标签,则对服务质量进行减分处理。
如果服务角色标签对应的文本数据的第一情绪标签为负面情绪标签,则对服务质量进行减分处理。例如,服务角色标签对应的文本数据为文本数据5,获取文本数据5的第一情绪标签为负面情绪标签,则对服务质量进行减分处理。
上述根据恶意语义标签和负面情绪标签对服务质量进行减分的方式,可以实现单一,也可以组合实现,减少的分数根据实际情况进行设置,本发明对此不作详细限定。
在其中一个实施例中,对语音数据进行情绪识别,得到各文本数据的第二情绪标签;根据各文本数据对应的角色标签、目标语义标签、第一情绪标签和第二情绪标签,对服务质量进行量化检测。
本实施例中,在将语音数据转换为文本数据时,先将语音数据分为多个子语音数据,然后对各子语音数据进行情绪识别,得到各子语音数据的第二情绪标签,在将各子语音数据转换为对应的各文本数据后,将各文本数据与各子语音数据的第二情绪标签对应,则得到各文本数据的第二情绪标签。在对服务质量进行量化检测时,可以根据各文本数据对应的角色标签、目标语义标签、第一情绪标签和第二情绪标签,对服务质量进行量化检测。
在实际操作中,如果文本数据对应的第一情绪标签为负面情绪标签,可以参考第二情绪标签是否为负面情绪标签确定是否进行减分处理。当第二情绪标签为负面情绪标签时,对服务质量进行减分处理;当第二情绪标签为正面情绪标签或中性情绪标签时,不对服务质量进行减分处理。或者,当第一情绪标签和第二情绪标签中有一个是负面情绪标签时,对服务质量进行减分处理。本发明实施例对此不作详细限定,可以根据实际情况进行设置。
上述对服务质量进行量化检测的步骤中,获取角色标签中服务角色标签对应的文本数据的目标语义标签和第一情绪标签;若角色标签中服务角色标签对应的文本数据的目标语义标签为恶意语义标签,和/或,角色标签中服务角色标签对应的文本数据的第一情绪标签为负面情绪标签,则对服务质量进行减分处理。通过本发明实施例,根据服务角色标签对应的文本数据的目标语义标签、第一情绪标签进行服务质量的量化检测,综合考虑多种影响因素,使量化检测结果更加准确。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种服务质量的检测装置,包括:
语音数据获取模块501,用于获取服务过程中的语音数据;
文本转化模块502,用于对语音数据进行文本转化处理,得到多个携带角色标签的文本数据;
标签获得模块503,用于根据各文本数据和预先训练的识别模型,得到各文本数据的目标语义标签和第一情绪标签;
量化检测模块504,用于根据各文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测。
在其中一个实施例中,识别模型包括语义识别模型和情绪识别模型,标签获得模块包括:
目标语义标签获得子模块,用于分别将各文本数据输入到语义识别模型中,得到各文本数据的目标语义标签;以及
第一情绪标签获得子模块,用于分别将各文本数据输入到情绪识别模型中,得到各文本数据的第一情绪标签。
在其中一个实施例中,目标语义标签获得子模块包括:
词语向量获得单元,用于对各文本数据进行分词处理,得到多个词语向量;
语义标签和置信度获得单元,用于将多个词语向量输入到语义识别模型中,得到各词语向量对应的语义标签和各语义标签的置信度;
目标语义标签获得单元,用于将置信度最高的语义标签确定为文本数据的目标语义标签。
在其中一个实施例中,文本转化模块包括:
子语音数据获得子模块,用于对语音数据进行分句处理,得到多个子语音数据;
话者确定子模块,用于分别确定各子语音数据对应的话者;
文本数据获得子模块,用于分别对各子语音数据进行文本转换处理,得到各子语音数据对应的文本数据;
角色标签替换子模块,用于分别对各文本数据进行角色识别,并将各文本数据对应的话者替换为对应的角色标签;其中角色标签包括服务角色标签和被服务角色标签。
在其中一个实施例中,子语音数据获得子模块包括:
语音端点检测单元,用于对语音数据进行语音端点检测;
子语音数据获得单元,用于根据检测出的语音端点对语音数据进行分句处理,得到多个子语音数据。
在其中一个实施例中,话者确定子模块,具体用于根据各子语音数据的声音特性确定各子语音数据对应的话者;其中声音特性包括频率、音色中的至少一种。
在其中一个实施例中,角色标签替换子模块包括:
判断单元,用于判断文本数据中是否包含预设词语;
角色标签替换单元,用于若文本数据中包含预设词语,则将文本数据对应的话者替换为服务角色标签;否则,将文本数据对应的话者替换为被服务角色标签。
在其中一个实施例中,量化检测模块包括:
语义和情绪标签获得子模块,用于获取角色标签中服务角色标签对应的文本数据的目标语义标签和第一情绪标签;
量化检测子模块,用于若角色标签中服务角色标签对应的文本数据的目标语义标签为恶意语义标签,和/或,角色标签中服务角色标签对应的文本数据的第一情绪标签为负面情绪标签,则对服务质量进行减分处理。
在其中一个实施例中,装置还包括:
第二情绪标签获得模块,用于对语音数据进行情绪识别,得到各文本数据的第二情绪标签;
量化检测模块,具体用于根据各文本数据对应的角色标签、目标语义标签、第一情绪标签和第二情绪标签,对服务质量进行量化检测。
在其中一个实施例中,装置还包括:
第一样本文本数据模块,用于获取多个样本文本数据;
样本语义标签添加模块,用于分别对各样本文本数据添加样本语义标签;
语义识别模型训练模块,用于将多个样本文本数据作为深度学习模型的输入,将各样本文本数据的样本语义标签作为深度学习模型的输出,对深度学习模型进行训练,得到语义识别模型。
在其中一个实施例中,装置还包括:
第一样本文本数据模块,用于获取多个样本文本数据;
样本情绪标签添加模块,用于对各样本文本数据添加样本情绪标签;
情绪识别模型训练模块,用于将多个样本文本数据作为深度学习模型的输入,将各样本文本数据的样本情绪标签作为深度学习模型的输出,对深度学习模型进行训练,得到情绪识别模型。
关于服务质量的检测装置的具体限定可以参见上文中对于服务质量的检测方法的限定,在此不再赘述。上述服务质量的检测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终端,其内部结构图可以如图7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、显示屏和输入装置。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和计算机程序。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服务质量的检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取服务过程中的语音数据;
对语音数据进行文本转化处理,得到多个携带角色标签的文本数据;
根据各文本数据和预先训练的识别模型,得到各文本数据的目标语义标签和第一情绪标签;
根据各文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测。
在一个实施例中,上述识别模型包括语义识别模型和情绪识别模型,处理器执行计算机程序时还实现以下步骤:
分别将各文本数据输入到语义识别模型中,得到各文本数据的目标语义标签;以及
分别将各文本数据输入到情绪识别模型中,得到各文本数据的第一情绪标签。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对各文本数据进行分词处理,得到多个词语向量;
将多个词语向量输入到语义识别模型中,得到各词语向量对应的语义标签和各语义标签的置信度;
将置信度最高的语义标签确定为文本数据的目标语义标签。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对语音数据进行分句处理,得到多个子语音数据;
分别确定各子语音数据对应的话者;
分别对各子语音数据进行文本转换处理,得到各子语音数据对应的文本数据;
分别对各文本数据进行角色识别,并将各文本数据对应的话者替换为对应的角色标签;其中角色标签包括服务角色标签和被服务角色标签。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对语音数据进行语音端点检测;
根据检测出的语音端点对语音数据进行分句处理,得到多个子语音数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据各子语音数据的声音特性确定各子语音数据对应的话者;其中声音特性包括频率、音色中的至少一种。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
判断文本数据中是否包含预设词语;
若文本数据中包含预设词语,则将文本数据对应的话者替换为服务角色标签;否则,将文本数据对应的话者替换为被服务角色标签。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取角色标签中服务角色标签对应的文本数据的目标语义标签和第一情绪标签;
若角色标签中服务角色标签对应的文本数据的目标语义标签为恶意语义标签,和/或,角色标签中服务角色标签对应的文本数据的第一情绪标签为负面情绪标签,则对服务质量进行减分处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对语音数据进行情绪识别,得到各文本数据的第二情绪标签;
根据各文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测,包括:
根据各文本数据对应的角色标签、目标语义标签、第一情绪标签和第二情绪标签,对服务质量进行量化检测。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取多个样本文本数据;
分别对各样本文本数据添加样本语义标签;
将多个样本文本数据作为深度学习模型的输入,将各样本文本数据的样本语义标签作为深度学习模型的输出,对深度学习模型进行训练,得到语义识别模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取多个样本文本数据;
对各样本文本数据添加样本情绪标签;
将多个样本文本数据作为深度学习模型的输入,将各样本文本数据的样本情绪标签作为深度学习模型的输出,对深度学习模型进行训练,得到情绪识别模型。
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以下步骤:
获取服务过程中的语音数据;
对语音数据进行文本转化处理,得到多个携带角色标签的文本数据;
根据各文本数据和预先训练的识别模型,得到各文本数据的目标语义标签和第一情绪标签;
根据各文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测。
在一个实施例中,上述识别模型包括语义识别模型和情绪识别模型,计算机程序被处理器执行时还实现以下步骤:
分别将各文本数据输入到语义识别模型中,得到各文本数据的目标语义标签;以及
分别将各文本数据输入到情绪识别模型中,得到各文本数据的第一情绪标签。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对各文本数据进行分词处理,得到多个词语向量;
将多个词语向量输入到语义识别模型中,得到各词语向量对应的语义标签和各语义标签的置信度;
将置信度最高的语义标签确定为文本数据的目标语义标签。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对语音数据进行分句处理,得到多个子语音数据;
分别确定各子语音数据对应的话者;
分别对各子语音数据进行文本转换处理,得到各子语音数据对应的文本数据;
分别对各文本数据进行角色识别,并将各文本数据对应的话者替换为对应的角色标签;其中角色标签包括服务角色标签和被服务角色标签。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对语音数据进行语音端点检测;
根据检测出的语音端点对语音数据进行分句处理,得到多个子语音数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各子语音数据的声音特性确定各子语音数据对应的话者;其中声音特性包括频率、音色中的至少一种。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
判断文本数据中是否包含预设词语;
若文本数据中包含预设词语,则将文本数据对应的话者替换为服务角色标签;否则,将文本数据对应的话者替换为被服务角色标签。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取角色标签中服务角色标签对应的文本数据的目标语义标签和第一情绪标签;
若角色标签中服务角色标签对应的文本数据的目标语义标签为恶意语义标签,和/或,角色标签中服务角色标签对应的文本数据的第一情绪标签为负面情绪标签,则对服务质量进行减分处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对语音数据进行情绪识别,得到各文本数据的第二情绪标签;
根据各文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测,包括:
根据各文本数据对应的角色标签、目标语义标签、第一情绪标签和第二情绪标签,对服务质量进行量化检测。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个样本文本数据;
分别对各样本文本数据添加样本语义标签;
将多个样本文本数据作为深度学习模型的输入,将各样本文本数据的样本语义标签作为深度学习模型的输出,对深度学习模型进行训练,得到语义识别模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个样本文本数据;
对各样本文本数据添加样本情绪标签;
将多个样本文本数据作为深度学习模型的输入,将各样本文本数据的样本情绪标签作为深度学习模型的输出,对深度学习模型进行训练,得到情绪识别模型。
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。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种服务质量的检测方法,其特征在于,所述方法包括:
获取服务过程中的语音数据;
对所述语音数据进行文本转化处理,得到多个携带角色标签的文本数据;
根据各所述文本数据和预先训练的识别模型,得到各所述文本数据的目标语义标签和第一情绪标签;
根据各所述文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测。
2.根据权利要求1所述的方法,其特征在于,所述识别模型包括语义识别模型和情绪识别模型,所述根据各所述文本数据和预先训练的识别模型,得到各所述文本数据的目标语义标签和第一情绪标签,包括:
分别将各所述文本数据输入到所述语义识别模型中,得到各所述文本数据的目标语义标签;以及
分别将各所述文本数据输入到所述情绪识别模型中,得到各所述文本数据的第一情绪标签。
3.根据权利要求2所述的方法,其特征在于,所述分别将各所述文本数据输入到所述语义识别模型中,得到各所述文本数据的目标语义标签,包括:
对各所述文本数据进行分词处理,得到多个词语向量;
将所述多个词语向量输入到所述语义识别模型中,得到各所述词语向量对应的语义标签和各语义标签的置信度;
将置信度最高的语义标签确定为所述文本数据的目标语义标签。
4.根据权利要求1所述的方法,其特征在于,所述对所述语音数据进行文本转化处理,得到多个携带角色标签的文本数据,包括:
对所述语音数据进行分句处理,得到多个子语音数据;
分别确定各所述子语音数据对应的话者;
分别对各所述子语音数据进行文本转换处理,得到各所述子语音数据对应的文本数据;
分别对各所述文本数据进行角色识别,并将各所述文本数据对应的话者替换为对应的角色标签;其中所述角色标签包括服务角色标签和被服务角色标签。
5.根据权利要求4所述的方法,其特征在于,所述对所述语音数据进行分句处理,得到多个子语音数据,包括:
对所述语音数据进行语音端点检测;
根据检测出的语音端点对所述语音数据进行分句处理,得到所述多个子语音数据。
6.根据权利要求4所述的方法,其特征在于,所述分别确定各所述子语音数据对应的话者,包括:
根据各所述子语音数据的声音特性确定各所述子语音数据对应的话者;其中所述声音特性包括频率、音色中的至少一种。
7.根据权利要求4所述的方法,其特征在于,所述对各所述文本数据进行角色识别,将各所述文本数据对应的话者替换为对应的角色,包括:
判断所述文本数据中是否包含预设词语;
若所述文本数据中包含所述预设词语,则将所述文本数据对应的话者替换为所述服务角色标签;否则,将所述文本数据对应的话者替换为所述被服务角色标签。
8.根据权利要求1所述的方法,其特征在于,所述根据各所述文本数据对应的角色、目标语义标签和第一情绪标签,对服务质量进行量化检测,包括:
获取所述角色标签中服务角色标签对应的文本数据的目标语义标签和第一情绪标签;
若所述角色标签中服务角色标签对应的文本数据的目标语义标签为恶意语义标签,和/或,所述角色标签中服务角色标签对应的文本数据的第一情绪标签为负面情绪标签,则对所述服务质量进行减分处理。
9.根据权利要求1所述的方法,其特征在于,在所述对所述语音数据进行文本转化处理,得到多个携带角色标签的文本数据之后,所述方法还包括:
对所述语音数据进行情绪识别,得到各所述文本数据的第二情绪标签;
所述根据各所述文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测,包括:
根据各所述文本数据对应的角色标签、目标语义标签、第一情绪标签和第二情绪标签,对服务质量进行量化检测。
10.根据权利要求2所述的方法,其特征在于,在所述分别将各所述文本数据输入到预先训练的语义识别模型中之前,所述方法还包括:
获取多个样本文本数据;
分别对各所述样本文本数据添加样本语义标签;
将所述多个样本文本数据作为深度学习模型的输入,将各所述样本文本数据的样本语义标签作为所述深度学习模型的输出,对所述深度学习模型进行训练,得到所述语义识别模型。
11.根据权利要求2所述的方法,其特征在于,在所述分别将各所述文本数据输入到预先训练的情绪识别模型中之前,所述方法还包括:
获取多个样本文本数据;
对各所述样本文本数据添加样本情绪标签;
将所述多个样本文本数据作为深度学习模型的输入,将各所述样本文本数据的样本情绪标签作为所述深度学习模型的输出,对所述深度学习模型进行训练,得到所述情绪识别模型。
12.一种服务质量的检测装置,其特征在于,所述装置包括:
语音数据获取模块,用于获取服务过程中的语音数据;
文本转化模块,用于对所述语音数据进行文本转化处理,得到多个携带角色标签的文本数据;
标签获得模块,用于根据各所述文本数据和预先训练的识别模型,得到各所述文本数据的目标语义标签和第一情绪标签;
量化检测模块,用于根据各所述文本数据对应的角色标签、目标语义标签和第一情绪标签,对服务质量进行量化检测。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910549980.3A CN110472224B (zh) | 2019-06-24 | 2019-06-24 | 服务质量的检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910549980.3A CN110472224B (zh) | 2019-06-24 | 2019-06-24 | 服务质量的检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472224A true CN110472224A (zh) | 2019-11-19 |
CN110472224B CN110472224B (zh) | 2023-07-07 |
Family
ID=68507005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910549980.3A Active CN110472224B (zh) | 2019-06-24 | 2019-06-24 | 服务质量的检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472224B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111128241A (zh) * | 2019-12-30 | 2020-05-08 | 上海浩琨信息科技有限公司 | 语音通话的智能质检方法及系统 |
CN111597818A (zh) * | 2020-04-09 | 2020-08-28 | 深圳追一科技有限公司 | 呼叫质检方法、装置、计算机设备和计算机可读存储介质 |
CN111651497A (zh) * | 2020-04-30 | 2020-09-11 | 北京大米科技有限公司 | 用户标签挖掘方法、装置、存储介质及电子设备 |
CN111883115A (zh) * | 2020-06-17 | 2020-11-03 | 马上消费金融股份有限公司 | 语音流程质检的方法及装置 |
CN112333340A (zh) * | 2021-01-04 | 2021-02-05 | 零犀(北京)科技有限公司 | 一种自动电话外呼的方法、装置、存储介质、电子设备 |
CN112509575A (zh) * | 2020-11-26 | 2021-03-16 | 上海济邦投资咨询有限公司 | 一种基于大数据的财务咨询智能引导系统 |
CN112612894A (zh) * | 2020-12-29 | 2021-04-06 | 平安科技(深圳)有限公司 | 意图识别模型的训练方法、装置、计算机设备和存储介质 |
CN112860868A (zh) * | 2021-03-09 | 2021-05-28 | 上海华客信息科技有限公司 | 客服电话分析方法、系统、设备及存储介质 |
CN113990356A (zh) * | 2020-07-13 | 2022-01-28 | Tcl科技集团股份有限公司 | 一种图书生成方法、图书生成设备及存储介质 |
CN114023355A (zh) * | 2021-10-19 | 2022-02-08 | 上海清赟医药科技有限公司 | 基于人工智能的坐席外呼质检方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683672A (zh) * | 2016-12-21 | 2017-05-17 | 竹间智能科技(上海)有限公司 | 一种基于情感和语义的智能对话方法及系统 |
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 |
CN107452405A (zh) * | 2017-08-16 | 2017-12-08 | 北京易真学思教育科技有限公司 | 一种根据语音内容进行数据评价的方法及装置 |
CN108417205A (zh) * | 2018-01-19 | 2018-08-17 | 苏州思必驰信息科技有限公司 | 语义理解训练方法和系统 |
CN109767791A (zh) * | 2019-03-21 | 2019-05-17 | 中国—东盟信息港股份有限公司 | 一种针对呼叫中心通话的语音情绪识别及应用系统 |
-
2019
- 2019-06-24 CN CN201910549980.3A patent/CN110472224B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683672A (zh) * | 2016-12-21 | 2017-05-17 | 竹间智能科技(上海)有限公司 | 一种基于情感和语义的智能对话方法及系统 |
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 |
CN107452405A (zh) * | 2017-08-16 | 2017-12-08 | 北京易真学思教育科技有限公司 | 一种根据语音内容进行数据评价的方法及装置 |
CN108417205A (zh) * | 2018-01-19 | 2018-08-17 | 苏州思必驰信息科技有限公司 | 语义理解训练方法和系统 |
CN109767791A (zh) * | 2019-03-21 | 2019-05-17 | 中国—东盟信息港股份有限公司 | 一种针对呼叫中心通话的语音情绪识别及应用系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111128241A (zh) * | 2019-12-30 | 2020-05-08 | 上海浩琨信息科技有限公司 | 语音通话的智能质检方法及系统 |
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 |
CN111597818A (zh) * | 2020-04-09 | 2020-08-28 | 深圳追一科技有限公司 | 呼叫质检方法、装置、计算机设备和计算机可读存储介质 |
CN111597818B (zh) * | 2020-04-09 | 2023-10-24 | 深圳追一科技有限公司 | 呼叫质检方法、装置、计算机设备和计算机可读存储介质 |
CN111651497A (zh) * | 2020-04-30 | 2020-09-11 | 北京大米科技有限公司 | 用户标签挖掘方法、装置、存储介质及电子设备 |
CN111651497B (zh) * | 2020-04-30 | 2023-11-14 | 北京大米科技有限公司 | 用户标签挖掘方法、装置、存储介质及电子设备 |
CN111883115A (zh) * | 2020-06-17 | 2020-11-03 | 马上消费金融股份有限公司 | 语音流程质检的方法及装置 |
CN113990356A (zh) * | 2020-07-13 | 2022-01-28 | Tcl科技集团股份有限公司 | 一种图书生成方法、图书生成设备及存储介质 |
CN113990356B (zh) * | 2020-07-13 | 2023-05-16 | Tcl科技集团股份有限公司 | 一种图书生成方法、图书生成设备及存储介质 |
CN112509575A (zh) * | 2020-11-26 | 2021-03-16 | 上海济邦投资咨询有限公司 | 一种基于大数据的财务咨询智能引导系统 |
CN112612894A (zh) * | 2020-12-29 | 2021-04-06 | 平安科技(深圳)有限公司 | 意图识别模型的训练方法、装置、计算机设备和存储介质 |
CN112333340B (zh) * | 2021-01-04 | 2021-04-30 | 零犀(北京)科技有限公司 | 一种自动电话外呼的方法、装置、存储介质、电子设备 |
CN112333340A (zh) * | 2021-01-04 | 2021-02-05 | 零犀(北京)科技有限公司 | 一种自动电话外呼的方法、装置、存储介质、电子设备 |
CN112860868A (zh) * | 2021-03-09 | 2021-05-28 | 上海华客信息科技有限公司 | 客服电话分析方法、系统、设备及存储介质 |
CN114023355A (zh) * | 2021-10-19 | 2022-02-08 | 上海清赟医药科技有限公司 | 基于人工智能的坐席外呼质检方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110472224B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472224A (zh) | 服务质量的检测方法、装置、计算机设备和存储介质 | |
CN109543030B (zh) | 客服机器人会话文本分类方法及装置、设备、存储介质 | |
CN111428021B (zh) | 基于机器学习的文本处理方法、装置、计算机设备及介质 | |
CN109587360B (zh) | 电子装置、应对话术推荐方法和计算机可读存储介质 | |
CN110162633B (zh) | 语音数据意图确定方法、装置、计算机设备和存储介质 | |
CN110444198B (zh) | 检索方法、装置、计算机设备和存储介质 | |
CN110704633A (zh) | 命名实体识别方法、装置、计算机设备及存储介质 | |
CN108549637A (zh) | 基于拼音的语义识别方法、装置以及人机对话系统 | |
CN111062217B (zh) | 语言信息的处理方法、装置、存储介质及电子设备 | |
WO2022142041A1 (zh) | 意图识别模型的训练方法、装置、计算机设备和存储介质 | |
CN110298682A (zh) | 基于用户信息分析的智能决策方法、装置、设备及介质 | |
US20230080671A1 (en) | User intention recognition method and apparatus based on statement context relationship prediction | |
CN108682420A (zh) | 一种音视频通话方言识别方法及终端设备 | |
CN110532522A (zh) | 音频标注的检错方法、装置、计算机设备和存储介质 | |
CN110890088B (zh) | 语音信息反馈方法、装置、计算机设备和存储介质 | |
CN115599901B (zh) | 基于语义提示的机器问答方法、装置、设备及存储介质 | |
CN112084317B (zh) | 预训练语言模型的方法和装置 | |
CN110177182A (zh) | 敏感数据处理方法、装置、计算机设备及存储介质 | |
CN109215638A (zh) | 一种语音学习方法、装置、语音设备及存储介质 | |
CN110119353A (zh) | 测试数据生成方法、装置以及控制器和介质 | |
CN115392264A (zh) | 一种基于rasa的任务型智能多轮对话方法及相关设备 | |
CN112395887A (zh) | 对话应答方法、装置、计算机设备和存储介质 | |
CN113571096B (zh) | 语音情绪分类模型训练方法、装置、计算机设备及介质 | |
CN108536656B (zh) | 基于wfst的文本正则化方法及系统 | |
CN113158690A (zh) | 对话机器人的测试方法和装置 |
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 |