CN111597818B - 呼叫质检方法、装置、计算机设备和计算机可读存储介质 - Google Patents
呼叫质检方法、装置、计算机设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111597818B CN111597818B CN202010275381.XA CN202010275381A CN111597818B CN 111597818 B CN111597818 B CN 111597818B CN 202010275381 A CN202010275381 A CN 202010275381A CN 111597818 B CN111597818 B CN 111597818B
- Authority
- CN
- China
- Prior art keywords
- voice data
- call
- call voice
- semantic
- quality inspection
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012216 screening Methods 0.000 claims abstract description 61
- 230000008451 emotion Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012372 quality testing Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006854 communication Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06Q30/01—Customer relationship services
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/5175—Call or contact centers supervision arrangements
Abstract
本申请涉及一种呼叫质检方法、装置、计算机设备和计算机可读存储介质。所述呼叫质检方法包括:获取已外呼的多个外呼号码分别对应的通话语音数据;对各所述通话语音数据进行语义分析,得到各所述通话语音数据的语义标签;根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。采用本方法能够提升呼叫质检的质检效率以及质检准确性。
Description
技术领域
本发明涉及智能语音服务技术领域,特别是涉及一种呼叫质检方法、装置、计算机设备和计算机可读存储介质。
背景技术
呼叫中心作为企业和用户终端之间的隐形服务窗口,在产品宣传、产品销售和售后管理等方面起着越来越重要的作用。随着人工智能技术的快速发展,逐渐出现了采用外呼机器人来替代人工对用户终端进行外呼,并得到相应的会话结论。
以金融科技领域为例,金融机构的呼叫中心通过外呼机器人对用户终端进行催收或者业务推销后,对于外呼机器人已完成外呼的外呼号码,一般会由人工对这些外呼号码的通话语音数据进行全量质检或者随机抽样质检,以此来检查每通会话过程是否沟通流畅、外呼机器人对用户的意图是否能准确理解并作出合适回复、外呼机器人输出的会话结论是否准确,等等。
但是,上述由人工进行全量质检或者随机抽样质检的质检方法,存在人力成本大、质检效率低以及质检准确性低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升呼叫质检的质检效率以及质检准确性的呼叫质检方法、装置、计算机设备和计算机可读存储介质。
第一方面,本申请实施例提供了一种呼叫质检方法,所述方法包括:
获取已外呼的多个外呼号码分别对应的通话语音数据;
对各所述通话语音数据进行语义分析,得到各所述通话语音数据的语义标签;
根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
在其中一个实施例中,所述对各所述通话语音数据进行语义分析,得到各所述通话语音数据的语义标签,包括:
将各所述通话语音数据分别转换为对应的通话文本数据;
将各所述通话文本数据输入至语义识别模型中,得到各所述通话语音数据分别对应的语义标签。
在其中一个实施例中,所述根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据,包括:
将各所述通话语音数据的所述语义标签分别与预设的质检标签进行匹配;
将各所述通话语音数据中,匹配成功的语义标签对应的通话语音数据确定为所述待质检通话语音数据。
在其中一个实施例中,所述将各所述通话语音数据的所述语义标签分别与预设的质检标签进行匹配,包括:
若各所述通话语音数据中的目标通话语音数据包括多个语义标签,则将所述目标通话语音数据的所述多个语义标签分别与对应的质检标签进行匹配;
对应地,所述将各所述通话语音数据中,匹配成功的语义标签对应的通话语音数据确定为所述待质检通话语音数据,包括:
若所述多个语义标签中至少存在一个匹配成功的语义标签,则将各所述通话语音数据中的所述目标通话语音数据确定为所述待质检通话语音数据。
在其中一个实施例中,所述语义标签包括意向标签,和/或,情绪标签。
在其中一个实施例中,所述根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选之前,还包括:
获取各所述通话语音数据对应的通话时长;
检测各所述通话语音数据的通话时长是否大于预设阈值;
若各所述通话语音数据的通话时长均大于所述预设阈值,则执行所述根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选的步骤。
在其中一个实施例中,所述方法还包括:
若各所述通话语音数据的通话时长中,存在不大于所述预设阈值的目标通话时长,则从各所述通话语音数据中剔除所述目标通话时长对应的通话语音数据,得到多个剔除后的通话语音数据;
根据所述多个剔除后的通话语音数据分别对应的语义标签,对各所述剔除后的通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
在其中一个实施例中,所述获取已外呼的多个外呼号码分别对应的通话语音数据之前,还包括:
在各所述外呼号码的外呼过程中,保存各所述外呼号码的通话信息;所述通话信息至少包括各所述外呼号码分别对应的通话语音数据。
第二方面,本申请实施例提供一种呼叫质检装置,所述装置包括:
第一获取模块,用于获取已外呼的多个外呼号码分别对应的通话语音数据;
语义分析模块,用于对各所述通话语音数据进行语义分析,得到各所述通话语音数据的语义标签;
筛选模块,用于根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如上述第一方面的方法的步骤。
第四方面,本申请实施例提供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如上述第一方面的方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括:
通过获取已外呼的多个外呼号码分别对应的通话语音数据;对各所述通话语音数据进行语义分析,得到各所述通话语音数据的语义标签;根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据;由此,根据各通话语音数据的语义标签对各通话语音数据进行筛选,将筛选得到的通话语音数据确定为待质检通话语音数据,对筛选得到的通话语音数据进行质检,可以提升呼叫质检的质检准确性和质检效率,避免了传统技术中,由人工对所有外呼号码的通话语音数据进行随机抽样质检或全量质检导致的质检准确性低、质检效率低的问题。
附图说明
图1为一个实施例提供的呼叫质检方法的应用环境图;
图2为一个实施例提供的呼叫质检方法的流程示意图;
图3为另一个实施例提供的呼叫质检方法的流程示意图;
图4为另一个实施例提供的呼叫质检方法的流程示意图;
图5为另一个实施例提供的呼叫质检方法的流程示意图;
图6为另一个实施例提供的呼叫质检方法的流程示意图;
图7为另一个实施例提供的呼叫质检方法的流程示意图;
图8为另一个实施例提供的呼叫质检方法的流程示意图;
图9为另一个实施例提供的呼叫质检方法的流程示意图;
图10为一个实施例提供的呼叫质检装置的结构框图;
图11为一个实施例提供的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。
本申请实施例提供的呼叫质检方法、装置、计算机设备和计算机可读存储介质,旨在解决传统技术中,由人工对所有外呼号码的通话语音数据进行随机抽样质检或全量质检导致的质检准确性低、质检效率低的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体地实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
本申请实施例提供的呼叫质检方法,可以应用于如图1所示的应用环境中,具体是应用在如图1所示的服务器101中。其中,服务器101通过网络与终端102进行通信。服务器101可以对多个终端102外呼,并在外呼后,服务器101获取已外呼的多个外呼号码分别对应的通话语音数据;服务器101对各通话语音数据进行语义分析,得到各通话语音数据的语义标签;服务器101根据各通话语音数据的语义标签,对各通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。其中,终端102可以但不限于是各种个人计算机、智能手机和便携式可穿戴设备,服务器101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。
需要说明的是,本申请实施例提供的呼叫质检方法,其执行主体可以是呼叫质检装置,该呼叫质检装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部,计算机设备可以是服务器。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。
请参考图2,其示出了本申请实施例提供的一种呼叫质检方法的流程示意图。本实施例涉及的是对多个外呼号码分别对应的通话语音数据进行筛选,以确定待质检通话语音数据的具体实现过程。如图2所示,本实施例呼叫质检方法可以包括以下步骤:
步骤S100,获取已外呼的多个外呼号码分别对应的通话语音数据。
本实施例中,外呼号码的通话语音数据,可以是计算机设备在外呼号码的呼叫过程中获取的通话录音。作为一种实施方式,计算机设备可以基于实际的业务需求,对需要外呼的多个外呼号码进行呼叫,并在呼叫过程中获取多个外呼号码分别对应的通话语音数据。
在其它实施例中,也可以由其它外呼设备对多个外呼号码进行呼叫,并由该外呼设备在呼叫过程中保存每个外呼号码的通话语音数据;计算机设备从该外呼设备中获取已外呼的多个外呼号码分别对应的通话语音数据。
在其它实施例中,已外呼的多个外呼号码分别对应的通话语音数据也可以是由人工导入计算机设备的,在此不做具体限制。
步骤S200,对各通话语音数据进行语义分析,得到各通话语音数据的语义标签。
计算机设备对多个外呼号码分别对应的通话语音数据进行语义分析,得到各通话语音数据的语义标签。
本实施例中,作为一种实施方式,计算机设备可以采用语义识别模型,对每个外呼号码的通话语音数据进行语义分析,通过语义识别模型输出每个外呼号码的通话语音数据对应的语义标签。由于各通话语音数据实际包含的内容不同,本实施例语义标签可以包括意向标签和情绪标签,在其它实施例中,语义标签也可以包括意向标签或情绪标签,在此不做具体限制。
在其它实施例中,作为一种实施方式,计算机设备对各通话语音数据进行语义分析,还可以通过识别各通话语音数据中的关键字,例如,若识别到通话语音数据中包括“不确定”、“再看看”、“再说”等模糊意向的关键字时,则得到该通话语音数据的意向标签为“模糊客户意向”;若识别到通话语音数据中包括“我很不满意”、“我很生气”等强烈不满情绪的关键字时,则得到该通话语音数据的情绪标签为“强烈不满情绪”,等等。由此,计算机设备得到各通话语音数据的语义标签。
需要说明的是,语义标签的类别或关键字在实际实施时,均可根据需求自行设置,在此不做具体限制。
步骤S300,根据各通话语音数据的语义标签,对各通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
计算机设备根据各通话语音数据的语义标签,对各通话语音数据进行筛选。具体地,计算机设备按照质检需求,在各通话语音数据中,根据语义标签筛选符合质检需求的通话语音数据。例如,通话语音数据中具有模糊意向的客户一般为潜在购买客户,对此类通话语音数据进行人工质检可能获取到潜在的业务机会;对具有强烈不满反馈的通话语音数据,需要通过人工质检确认其不满原因,从而进一步帮助客户解决问题,消除潜在的投诉风险;因此,基于该质检需求,计算机设备从各通话语音数据中,筛选意向标签为“模糊客户意向”、情绪标签为“强烈不满情绪”的语义标签对应的通话语音数据,将筛选得到的通话语音数据确定为待质检通话语音数据。
可以理解的是,在实际实施时,计算机设备可以根据不同的质检需求,筛选包括不同的语义标签的通话语音数据,作为待质检通话语音数据。
本实施例通过获取已外呼的多个外呼号码分别对应的通话语音数据;对各通话语音数据进行语义分析,得到各通话语音数据的语义标签;根据各通话语音数据的语义标签,对各通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据;由此,根据各通话语音数据的语义标签对各通话语音数据进行筛选,将筛选得到的通话语音数据确定为待质检通话语音数据,对筛选得到的通话语音数据进行质检,可以提升呼叫质检的质检准确性和质检效率,避免了传统技术中,由人工对所有外呼号码的通话语音数据进行随机抽样质检或全量质检导致的质检准确性低、质检效率低的问题。
图3为另一个实施例提供的呼叫质检方法的流程示意图。在上述图2所示实施例的基础上,如图3所示,本实施例中,步骤S200包括步骤S210和步骤S220,具体地:
步骤S210,将各通话语音数据分别转换为对应的通话文本数据。
本实施例中,计算机设备具体采用语义识别模型,对各通话语音数据进行语义分析,得到各通话语音数据的语义标签。
计算机设备将各通话语音数据分别转换为对应的通话文本数据,本实施例中,作为一种实施方式,计算机设备可以采用ASR(Automatic Speech Recognition,自动语音识别)技术,将各通话语音数据分别转换为对应的通话文本数据。
步骤S220,将各通话文本数据输入至语义识别模型中,得到各通话语音数据分别对应的语义标签。
本实施例中,语义识别模型可以是计算机设备结合实际的应用场景预先训练得到的。
具体地,在语义识别模型的训练过程中,计算机设备首先获取多个样本通话文本数据,样本通话文本数据可以是计算机设备从实际的应用场景中获取的,也可以是获取的与实际的应用场景类似的数据。计算机设备对获取的多个样本通话文本数据分别添加对应的设定语义标签,例如,根据样本通话文本数据的内容,添加意向标签“模糊客户意向”、“高客户意向”、“低客户意向”、添加情绪标签“强烈不满情绪”、“满意情绪”等设定语义标签;计算机设备然后将添加了设定语义标签的多个样本通话文本数据作为训练数据,训练初始语言模型,训练后得到语义识别模型。
本实施例中,初始语言模型可以是Transformer模型、BERT模型等NLP(NaturalLanguage Processing,自然语言处理)模型,在此不做具体限制。
计算机设备将各通话文本数据输入至训练的语义识别模型中,得到各通话语音数据分别对应的语义标签。例如,通话文本数据包括“这个业务我很感兴趣啊,请问如何购买呢?”,则通过语义识别模型得到该通话文本数据的意向标签为“高客户意向”;例如,通话文本数据包括“你们的解决方式我很不满意,我要求更合理的赔偿!”,则通过语义识别模型得到该通话文本数据的情绪标签为“强烈不满情绪”,等等。由此,得到各通话语音数据分别对应的语义标签。
本实施例通过语义识别模型对各通话语音数据进行语义分析,得到各通话语音数据的语义标签,由此,提升了计算机设备对各通话语音数据进行语义分析的处理速度及各语义标签的获取准确性,适用于通话语音数据量大小不同的各种应用场景。
图4为另一个实施例提供的呼叫质检方法的流程示意图。在上述图2所示实施例的基础上,如图4所示,本实施例中,步骤S300包括步骤S310和步骤S320,具体地:
步骤S310,将各通话语音数据的语义标签分别与预设的质检标签进行匹配。
本实施例中,计算机设备根据各通话语音数据的语义标签,对各通话语音数据进行筛选,具体是将各通话语音数据的语义标签分别与预设的质检标签进行匹配。
质检标签可以是根据实际的质检需求设置的,例如,若需要对通话语音数据中具有模糊意向的客户进行质检,则设置质检标签为“模糊客户意向”的意向标签;若需要对通话语音数据中具有强烈不满情绪的客户进行质检,则设置质检标签为“强烈不满情绪”的情绪标签,等等。
计算机设备将各通话语音数据的语义标签分别与预设的质检标签进行匹配。
步骤S320,将各通话语音数据中,匹配成功的语义标签对应的通话语音数据确定为待质检通话语音数据。
计算机设备将各通话语音数据中,与质检标签匹配成功的语义标签所对应的通话语音数据,确定为待质检通话语音数据,即待质检通话语音数据均包括与质检标签相同的语义标签。
本实施例通过将各通话语音数据的语义标签分别与预设的质检标签进行匹配,将各通话语音数据中,匹配成功的语义标签对应的通话语音数据确定为待质检通话语音数据;由此,根据实际的质检需求,预设质检标签,在实际实施时,计算机设备只需从各通话语音数据中,匹配与质检标签相同的语义标签所对应的通话语音数据,即可得到待质检通话语音数据,提升了计算机设备从各通话语音数据中确定待质检通话语音数据的速度;将符合业务设定规则的风险通话语音数据过滤出来,质检人员只需对过滤出来的待质检通话语音数据进行人工质检,从而大大降低了人力投入成本,提高质检效率。
图5为另一个实施例提供的呼叫质检方法的流程示意图。在上述图4所示实施例的基础上,如图5所示,本实施例中,步骤S310包括步骤S311,具体地:
步骤S311,若各通话语音数据中的目标通话语音数据包括多个语义标签,则将目标通话语音数据的多个语义标签分别与对应的质检标签进行匹配。
可以理解的是,计算机设备对一个外呼号码的通话语音数据进行语义分析,有可能得到多个语义标签。例如,各通话语音数据中的目标通话语音数据可能既包括意向标签“低客户意向”,又包括情绪标签“强烈不满情绪”。
基于实际的质检需求,质检标签中意向标签为“模糊客户意向”、情绪标签为“强烈不满情绪”。计算机设备将目标通话语音数据的多个语义标签分别与对应的质检标签进行匹配。
对应地,本实施例中,步骤S320包括步骤S321:
步骤S321,若多个语义标签中至少存在一个匹配成功的语义标签,则将各通话语音数据中的目标通话语音数据确定为待质检通话语音数据。
继续上述举例,虽然目标通话语音数据包括的意向标签为“低客户意向”,与质检标签中的意向标签“模糊客户意向”不匹配,但是目标通话语音数据包括的情绪标签“强烈不满情绪”与质检标签中的情绪标签匹配,因此,将该目标通话语音数据确定为待质检通话语音数据。
由此,在一个外呼号码的通话语音数据包括多个语义标签的情况下,若多个语义标签中至少存在一个与质检标签匹配成功的语义标签,则将该通话语音数据确定为待质检通话语音数据。
可以理解的是,若一个外呼号码的通话语音数据仅包括一个语义标签,且该一个语义标签与质检标签匹配成功,则将该通话语音数据确定为待质检通话语音数据;相反的,若该一个语义标签与质检标签匹配失败,则该通话语音数据不能作为待质检通话语音数据。
本实施例通过若各通话语音数据中的目标通话语音数据包括多个语义标签,则将目标通话语音数据的多个语义标签分别与对应的质检标签进行匹配;若多个语义标签中至少存在一个匹配成功的语义标签,则将各通话语音数据中的目标通话语音数据确定为待质检通话语音数据;由此,对于通话语音数据包括多个语义标签的情况给出了一种实施方式,提升了本实施例呼叫质检方法的应用范围,且可以避免漏检,提升了呼叫质检的准确性。
图6为另一个实施例提供的呼叫质检方法的流程示意图。在上述图2所示实施例的基础上,如图6所示,本实施例呼叫质检方法还包括步骤S410和步骤S420,具体地:
步骤S410,获取各通话语音数据对应的通话时长。
本实施例中,作为一种实施方式,计算机设备获取已外呼的多个外呼号码分别对应的通话语音数据时,可以一并获取各通话语音数据对应的通话时长。
步骤S420,检测各通话语音数据的通话时长是否大于预设阈值。
计算机设备检测各通话语音数据的通话时长是否大于预设阈值,本实施例中,预设阈值可以自行设置,例如设置为10秒。
通话时长低于预设阈值,如10秒,一般是客服和客户未达成有效沟通,仅在开场白阶段就被客户拒绝或挂断,此类通话语音数据不存在较大的质检价值,对其质检会造成质检资源的浪费。
对应地,本实施例中,步骤S300具体包括步骤S330:
步骤S330,若各通话语音数据的通话时长均大于预设阈值,则根据各通话语音数据的语义标签,对各通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
计算机设备若检测到各通话语音数据的通话时长均大于预设阈值,则根据各通话语音数据的语义标签,对各通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据,由此,避免了不必要的质检工作,节约了质检资源,提升了质检准确性。
图7为另一个实施例提供的呼叫质检方法的流程示意图。在上述图6所示实施例的基础上,本实施例呼叫质检方法还包括步骤S340和步骤S350,具体地:
步骤S340,若各通话语音数据的通话时长中,存在不大于预设阈值的目标通话时长,则从各通话语音数据中剔除目标通话时长对应的通话语音数据,得到多个剔除后的通话语音数据。
本实施例中,计算机设备获取各通话语音数据对应的通话时长,检测各通话语音数据的通话时长是否大于预设阈值,若各通话语音数据的通话时长中,存在不大于预设阈值的目标通话时长,为了避免对不大于预设阈值的目标通话时长对应的通话语音数据进行质检,造成的质检资源浪费及质检准确性低的问题,计算机设备从各通话语音数据中剔除目标通话时长对应的通话语音数据,得到多个剔除后的通话语音数据。可以理解的是,多个剔除后的通话语音数据的通话时长均大于该预设阈值。
步骤S350,根据多个剔除后的通话语音数据分别对应的语义标签,对各剔除后的通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
计算机设备然后根据多个剔除后的通话语音数据分别对应的语义标签,对各剔除后的通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据,由此,避免了对通话时长不大于预设阈值的通话语音数据进行质检,造成的质检资源浪费及质检准确性低的问题,本实施例降低了质检资源浪费,提升了质检准确性。
图8为另一个实施例提供的呼叫质检方法的流程示意图。在上述图2所示实施例的基础上,如图8所示,本实施例呼叫质检方法还包括步骤S500:
步骤S500,在各外呼号码的外呼过程中,保存各外呼号码的通话信息。
通话信息至少包括各外呼号码分别对应的通话语音数据。
本实施例中,具体地,计算机设备可以基于实际的业务需求,对需要外呼的多个外呼号码进行呼叫,并在各外呼号码的外呼过程中,保存各外呼号码的通话信息,通话信息至少包括各外呼号码分别对应的通话语音数据,还可以包括通话时长等信息。
计算机设备获取已外呼的多个外呼号码分别对应的通话语音数据后,对各通话语音数据进行语义分析,得到各通话语音数据的语义标签,根据各通话语音数据的语义标签,对各通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据,由此,质检人员只需对待质检通话语音数据进行人工质检,从而大大降低了人力投入成本,提高质检效率。
图9为另一个实施例提供的呼叫质检方法。如图9所示,本实施例呼叫质检方法包括:
步骤S500,在各外呼号码的外呼过程中,保存各外呼号码的通话信息。
通话信息至少包括各外呼号码分别对应的通话语音数据。
本实施例中,具体地,计算机设备可以基于实际的业务需求,对需要外呼的多个外呼号码进行呼叫,并在各外呼号码的外呼过程中,保存各外呼号码的通话信息,通话信息至少包括各外呼号码分别对应的通话语音数据,还可以包括通话时长等信息。
步骤S100,获取已外呼的多个外呼号码分别对应的通话语音数据。
计算机设备从各外呼号码的通话信息中获取已外呼的多个外呼号码分别对应的通话语音数据。
步骤S210,将各通话语音数据分别转换为对应的通话文本数据。
计算机设备将各通话语音数据分别转换为对应的通话文本数据,本实施例中,作为一种实施方式,计算机设备可以采用ASR(Automatic Speech Recognition,自动语音识别)技术,将各通话语音数据分别转换为对应的通话文本数据。
步骤S220,将各通话文本数据输入至语义识别模型中,得到各通话语音数据分别对应的语义标签。
本实施例中,语义识别模型可以是计算机设备结合实际的应用场景预先训练得到的。
具体地,在语义识别模型的训练过程中,计算机设备首先获取多个样本通话文本数据,样本通话文本数据可以是计算机设备从实际的应用场景中获取的,也可以是获取的与实际的应用场景类似的数据。计算机设备对获取的多个样本通话文本数据分别添加对应的设定语义标签,例如,根据样本通话文本数据的内容,添加意向标签“模糊客户意向”、“高客户意向”、“低客户意向”、添加情绪标签“强烈不满情绪”、“满意情绪”等设定语义标签;计算机设备然后将添加了设定语义标签的多个样本通话文本数据作为训练数据,训练初始语言模型,训练后得到语义识别模型。
本实施例中,初始语言模型可以是Transformer模型、BERT模型等NLP(NaturalLanguage Processing,自然语言处理)模型,在此不做具体限制。
计算机设备将各通话文本数据输入至训练的语义识别模型中,得到各通话语音数据分别对应的语义标签。例如,通话文本数据包括“这个业务我很感兴趣啊,请问如何购买呢?”,则通过语义识别模型得到该通话文本数据的意向标签为“高客户意向”;例如,通话文本数据包括“你们的解决方式我很不满意,我要求更合理的赔偿!”,则通过语义识别模型得到该通话文本数据的情绪标签为“强烈不满情绪”,等等。由此,得到各通话语音数据分别对应的语义标签。
步骤S410,获取各通话语音数据对应的通话时长。
计算机设备从各外呼号码的通话信息中获取各通话语音数据对应的通话时长。
步骤S420,检测各通话语音数据的通话时长是否大于预设阈值。
计算机设备检测各通话语音数据的通话时长是否大于预设阈值,本实施例中,预设阈值可以自行设置,例如设置为10秒。
通话时长低于预设阈值,如10秒,一般是客服和客户未达成有效沟通,仅在开场白阶段就被客户拒绝或挂断,此类通话语音数据不存在较大的质检价值,对其质检会造成质检资源的浪费。
步骤S330,若各通话语音数据的通话时长均大于预设阈值,则根据各通话语音数据的语义标签,对各通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
计算机设备若检测到各通话语音数据的通话时长均大于预设阈值,则根据各通话语音数据的语义标签,对各通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
步骤S340,若各通话语音数据的通话时长中,存在不大于预设阈值的目标通话时长,则从各通话语音数据中剔除目标通话时长对应的通话语音数据,得到多个剔除后的通话语音数据。
本实施例中,若各通话语音数据的通话时长中,存在不大于预设阈值的目标通话时长,为了避免对不大于预设阈值的目标通话时长对应的通话语音数据进行质检,造成的质检资源浪费及质检准确性低的问题,计算机设备从各通话语音数据中剔除目标通话时长对应的通话语音数据,得到多个剔除后的通话语音数据。可以理解的是,多个剔除后的通话语音数据的通话时长均大于该预设阈值。
步骤S350,根据多个剔除后的通话语音数据分别对应的语义标签,对各剔除后的通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
计算机设备根据多个剔除后的通话语音数据分别对应的语义标签,对各剔除后的通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
由此,对筛选得到的通话语音数据,即待质检通话语音数据进行人工质检,可以提升呼叫质检的质检准确性和质检效率,避免了传统技术中,由人工对所有外呼号码的通话语音数据进行随机抽样质检或全量质检导致的质检准确性低、质检效率低的问题。
应该理解的是,虽然上述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,上述流程图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10所示,提供了一种呼叫质检装置,包括:
第一获取模块10,用于获取已外呼的多个外呼号码分别对应的通话语音数据;
语义分析模块20,用于对各所述通话语音数据进行语义分析,得到各所述通话语音数据的语义标签;
筛选模块30,用于根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
可选地,所述语义分析模块20,包括:
转换子模块,用于将各所述通话语音数据分别转换为对应的通话文本数据;
分析子模块,用于将各所述通话文本数据输入至语义识别模型中,得到各所述通话语音数据分别对应的语义标签。
可选地,所述筛选模块30,包括:
匹配子模块,用于将各所述通话语音数据的所述语义标签分别与预设的质检标签进行匹配;
第一确定子模块,用于将各所述通话语音数据中,匹配成功的语义标签对应的通话语音数据确定为所述待质检通话语音数据。
可选地,所述匹配子模块,包括:
匹配单元,用于若各所述通话语音数据中的目标通话语音数据包括多个语义标签,则将所述目标通话语音数据的所述多个语义标签分别与对应的质检标签进行匹配;
对应地,所述确定子模块,包括:
确定单元,用于若所述多个语义标签中至少存在一个匹配成功的语义标签,则将各所述通话语音数据中的所述目标通话语音数据确定为所述待质检通话语音数据。
可选地,所述语义标签包括意向标签,和/或,情绪标签。
可选地,所述装置还包括:
第二获取模块,用于获取各所述通话语音数据对应的通话时长;
检测模块,用于检测各所述通话语音数据的通话时长是否大于预设阈值;
所述筛选模块30,还用于若各所述通话语音数据的通话时长均大于所述预设阈值,则根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
可选地,所述筛选模块30还包括:
剔除子模块,用于若各所述通话语音数据的通话时长中,存在不大于所述预设阈值的目标通话时长,则从各所述通话语音数据中剔除所述目标通话时长对应的通话语音数据,得到多个剔除后的通话语音数据;
第二确定子模块,用于根据所述多个剔除后的通话语音数据分别对应的语义标签,对各所述剔除后的通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
可选地,所述装置还包括:
保存模块,用于在各所述外呼号码的外呼过程中,保存各所述外呼号码的通话信息;所述通话信息至少包括各所述外呼号码分别对应的通话语音数据。
本实施例提供的呼叫质检装置,可以执行上述呼叫质检方法实施例,其实现原理和技术效果类似,在此不再赘述。关于呼叫质检装置的具体限定可以参见上文中对于呼叫质检方法的限定,在此不再赘述。上述呼叫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,还提供了一种如图11所示的计算机设备,该计算机设备可以是服务器。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外呼数据。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呼叫质检方法。
本领域技术人员可以理解,图11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,具体地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:
获取已外呼的多个外呼号码分别对应的通话语音数据;
对各所述通话语音数据进行语义分析,得到各所述通话语音数据的语义标签;
根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
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,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(Ramb微秒)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。
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:
获获取已外呼的多个外呼号码分别对应的通话语音数据;
对各所述通话语音数据进行语义分析,得到各所述通话语音数据的语义标签;
根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
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。
以上实施例仅表达了本发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种呼叫质检方法,其特征在于,用于外呼机器人,所述方法包括:
获取已外呼的多个外呼号码分别对应的通话语音数据;
对各所述通话语音数据进行语义分析,得到各所述通话语音数据的语义标签;所述语义标签包括意向标签和情绪标签;其中,对各所述通话语音数据进行语义分析的过程中,识别各通话语音数据中的关键字,若所述通话语音数据中包括模糊意向的关键字,则确定所述通话语音数据的所述意向标签为模糊客户意向,若所述通话语音数据中包括强烈不满情绪的关键字,则确定所述情绪标签为强烈不满情绪;
根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据,所述待质检通话语音数据的意向标签为模糊客户意向或所述待质检通话语音数据的情绪标签为强烈不满情绪。
2.根据权利要求1所述的方法,其特征在于,所述对各所述通话语音数据进行语义分析,得到各所述通话语音数据的语义标签,包括:
将各所述通话语音数据分别转换为对应的通话文本数据;
将各所述通话文本数据输入至语义识别模型中,得到各所述通话语音数据分别对应的语义标签。
3.根据权利要求1所述的方法,其特征在于,所述根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据,包括:
将各所述通话语音数据的所述语义标签分别与预设的质检标签进行匹配;
将各所述通话语音数据中,匹配成功的语义标签对应的通话语音数据确定为所述待质检通话语音数据。
4.根据权利要求3所述的方法,其特征在于,所述将各所述通话语音数据的所述语义标签分别与预设的质检标签进行匹配,包括:
若各所述通话语音数据中的目标通话语音数据包括多个语义标签,则将所述目标通话语音数据的所述多个语义标签分别与对应的质检标签进行匹配;
对应地,所述将各所述通话语音数据中,匹配成功的语义标签对应的通话语音数据确定为所述待质检通话语音数据,包括:
若所述多个语义标签中至少存在一个匹配成功的语义标签,则将各所述通话语音数据中的所述目标通话语音数据确定为所述待质检通话语音数据。
5.根据权利要求1所述的方法,其特征在于,所述根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选之前,还包括:
获取各所述通话语音数据对应的通话时长;
检测各所述通话语音数据的通话时长是否大于预设阈值;
若各所述通话语音数据的通话时长均大于所述预设阈值,则执行所述根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选的步骤。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
若各所述通话语音数据的通话时长中,存在不大于所述预设阈值的目标通话时长,则从各所述通话语音数据中剔除所述目标通话时长对应的通话语音数据,得到多个剔除后的通话语音数据;
根据所述多个剔除后的通话语音数据分别对应的语义标签,对各所述剔除后的通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据。
7.根据权利要求1所述的方法,其特征在于,所述获取已外呼的多个外呼号码分别对应的通话语音数据之前,还包括:
在各所述外呼号码的外呼过程中,保存各所述外呼号码的通话信息;所述通话信息至少包括各所述外呼号码分别对应的通话语音数据。
8.一种呼叫质检装置,其特征在于,设置于外呼机器人,所述装置包括:
第一获取模块,用于获取已外呼的多个外呼号码分别对应的通话语音数据;
语义分析模块,用于对各所述通话语音数据进行语义分析,得到各所述通话语音数据的语义标签;所述语义标签包括意向标签和情绪标签;其中,对各所述通话语音数据进行语义分析的过程中,识别各通话语音数据中的关键字,若所述通话语音数据中包括模糊意向的关键字,则确定所述通话语音数据的所述意向标签为模糊客户意向,若所述通话语音数据中包括强烈不满情绪的关键字,则确定所述情绪标签为强烈不满情绪;
筛选模块,用于根据各所述通话语音数据的所述语义标签,对各所述通话语音数据进行筛选,并将筛选得到的通话语音数据确定为待质检通话语音数据,所述待质检通话语音数据的意向标签为模糊客户意向或所述待质检通话语音数据的情绪标签为强烈不满情绪。
9.一种计算机设备,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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010275381.XA CN111597818B (zh) | 2020-04-09 | 2020-04-09 | 呼叫质检方法、装置、计算机设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010275381.XA CN111597818B (zh) | 2020-04-09 | 2020-04-09 | 呼叫质检方法、装置、计算机设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597818A CN111597818A (zh) | 2020-08-28 |
CN111597818B true CN111597818B (zh) | 2023-10-24 |
Family
ID=72183473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010275381.XA Active CN111597818B (zh) | 2020-04-09 | 2020-04-09 | 呼叫质检方法、装置、计算机设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597818B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488750A (zh) * | 2020-11-27 | 2021-03-12 | 上海容大数字技术有限公司 | 一种保险场景智能推荐续保系统 |
CN112422749A (zh) * | 2020-12-08 | 2021-02-26 | 浙江百应科技有限公司 | 一种基于智能对话分析的防骚扰外呼的方法 |
CN113645357B (zh) * | 2021-08-06 | 2024-02-20 | 深圳追一科技有限公司 | 通话质检方法、装置、计算机设备和计算机可读存储介质 |
CN114023355B (zh) * | 2021-10-19 | 2023-07-25 | 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及系统 |
CN115514849B (zh) * | 2022-11-17 | 2023-03-10 | 零犀(北京)科技有限公司 | 一种基于整体语义分析的质检方法、装置、系统及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104301554A (zh) * | 2013-07-18 | 2015-01-21 | 中兴通讯股份有限公司 | 一种对客服人员的服务质量进行质检的装置及方法 |
CN105933144A (zh) * | 2016-04-13 | 2016-09-07 | 江西掌中无限网络科技股份有限公司 | 自动智能质检回访录音的方法及系统 |
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 |
CN110472224A (zh) * | 2019-06-24 | 2019-11-19 | 深圳追一科技有限公司 | 服务质量的检测方法、装置、计算机设备和存储介质 |
CN110472041A (zh) * | 2019-07-01 | 2019-11-19 | 浙江工业大学 | 一种面向客服在线质检的文本分类方法 |
CN110839112A (zh) * | 2019-11-18 | 2020-02-25 | 广东电网有限责任公司佛山供电局 | 一种问题语音的检测方法和装置 |
CN110942229A (zh) * | 2019-10-24 | 2020-03-31 | 北京九狐时代智能科技有限公司 | 一种服务质量评价方法、装置、电子设备及存储介质 |
-
2020
- 2020-04-09 CN CN202010275381.XA patent/CN111597818B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104301554A (zh) * | 2013-07-18 | 2015-01-21 | 中兴通讯股份有限公司 | 一种对客服人员的服务质量进行质检的装置及方法 |
CN105933144A (zh) * | 2016-04-13 | 2016-09-07 | 江西掌中无限网络科技股份有限公司 | 自动智能质检回访录音的方法及系统 |
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 |
CN110472224A (zh) * | 2019-06-24 | 2019-11-19 | 深圳追一科技有限公司 | 服务质量的检测方法、装置、计算机设备和存储介质 |
CN110472041A (zh) * | 2019-07-01 | 2019-11-19 | 浙江工业大学 | 一种面向客服在线质检的文本分类方法 |
CN110942229A (zh) * | 2019-10-24 | 2020-03-31 | 北京九狐时代智能科技有限公司 | 一种服务质量评价方法、装置、电子设备及存储介质 |
CN110839112A (zh) * | 2019-11-18 | 2020-02-25 | 广东电网有限责任公司佛山供电局 | 一种问题语音的检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111597818A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597818B (zh) | 呼叫质检方法、装置、计算机设备和计算机可读存储介质 | |
CN110472224B (zh) | 服务质量的检测方法、装置、计算机设备和存储介质 | |
CN111182162B (zh) | 基于人工智能的电话质检方法、装置、设备和存储介质 | |
CN109543925B (zh) | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 | |
CN110688454A (zh) | 咨询对话处理的方法、装置、设备及存储介质 | |
CN109087667B (zh) | 语音流利度识别方法、装置、计算机设备及可读存储介质 | |
CN110598008B (zh) | 录制数据的数据质检方法及装置、存储介质 | |
CN109766474A (zh) | 审讯信息审核方法、装置、计算机设备和存储介质 | |
CN112116168B (zh) | 一种用户行为的预测方法、装置及电子设备 | |
CN112509561A (zh) | 情绪识别方法、装置、设备及计算机可读存储介质 | |
CN112364622A (zh) | 对话文本分析方法、装置、电子装置及存储介质 | |
CA3182191A1 (en) | Voice quality inspection method and device, computer equipment and storage medium | |
CN110276405B (zh) | 用于输出信息的方法和装置 | |
CN110556098B (zh) | 语音识别结果测试方法、装置、计算机设备和介质 | |
CN116150339A (zh) | 对话方法、装置、设备及存储介质 | |
CN113840040B (zh) | 一种人机协作的外呼方法、装置、设备及存储介质 | |
CN113297365B (zh) | 一种用户意向判定方法、装置、设备及存储介质 | |
CN112434953A (zh) | 一种基于计算机数据处理的客服人员考核方法和装置 | |
CN111599382B (zh) | 语音分析方法、装置、计算机设备和存储介质 | |
CN111309882B (zh) | 用于实现智能客服问答的方法和装置 | |
CN110580899A (zh) | 语音识别方法及装置、存储介质、计算设备 | |
CN111565254B (zh) | 通话数据质检方法、装置、计算机设备和存储介质 | |
CN113657773A (zh) | 话术质检方法、装置、电子设备及存储介质 | |
CN114356982A (zh) | 营销合规性检查方法、装置、计算机设备及存储介质 | |
CN113572900A (zh) | 外呼测试方法、装置、计算机设备和计算机可读存储介质 |
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 |