CN111696533B - 网点机器人自调节方法及装置 - Google Patents

Abstract

本发明提供一种网点机器人自调节方法及装置，其中方法应用于网点机器人，所述方法包括：确定业务办理操作的初始业务参数集；在业务操作过程中录取用户语音并提取用户语音特征；输入所述用户语音特征至理解程度识别模型，获得所述理解程度识别模型输出的、适用于用户的当前等级；利用所述当前等级执行业务办理操作。本发明在业务办理过程中基于用户理解程度来确定当前等级，以便网点机器人利用当前等级来执行业务办理操作，从而提升业务办理操作的灵活性。

Description

网点机器人自调节方法及装置

技术领域

本申请涉及通信技术领域，尤其涉及网点机器人自调节方法及装置。

背景技术

现在银行非常关注科技的力量，很多银行网点已经部署有网点机器人，网点机器人可以协助客户解答问题、办理业务，从而提升用户体验。

但是，现在网点机器人业务处理过程是固定不变的，例如输出语速一致、业务展现方式一致等。因此业务处理过程较为机械化。

发明内容

鉴于此，本申请提供网点机器人自调节方法、装置及系统，可以根据用户理解程度来灵活调节业务处理过程，提升灵活性。

为了实现上述目的，本发明提供了以下技术特征：

一种网点机器人自调节方法，应用于网点机器人，所述方法包括：

确定业务办理操作的初始业务参数集；

在业务操作过程中录取用户语音并提取用户语音特征；

输入所述用户语音特征至理解程度识别模型，获得所述理解程度识别模型输出的、适用于用户的当前等级；

利用所述当前等级执行业务办理操作。

可选的，所述确定业务办理操作的初始业务参数集包括：

通过排队设备获取处于等待状态的用户数量；

预估与所述用户数量对应的业务办理时间总和；

输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型，获得业务调节模型输出的初始业务参数集。

可选的，所述预估与所述用户数量对应的业务办理时间总和包括：

从银行服务器提取处于等待状态的各个用户的基本数据，从排队设备获取所需办理的业务标识；

分别输入各个用户的基本数据和所需办理的业务标识至业务时间预估模型，并获得所述业务时间预估模型输出的各个用户对应的业务办理时间；

对各个用户对应的业务办理时间执行加和操作获得业务办理时间总和。

可选的，所述初始业务参数集包括：

语速、语调和业务模式。

可选的，在所述利用所述当前等级执行业务办理操作之后，还包括：

构建并保存用户的用户标识和所述当前等级的对应关系。

一种网点机器人自调节装置，应用于网点机器人，所述装置包括：

确定单元，用于确定业务办理操作的初始业务参数集；

提取单元，用于在业务操作过程中录取用户语音并提取用户语音特征；

计算单元，用于输入所述用户语音特征至理解程度识别模型，获得所述理解程度识别模型输出的、适用于用户的当前等级；

执行单元，用于利用所述当前等级执行业务办理操作。

可选的，所述确定单元包括：

获取单元，用于通过排队设备获取处于等待状态的用户数量；

预估单元，用于预估与所述用户数量对应的业务办理时间总和；

获得单元，用于输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型，获得业务调节模型输出的初始业务参数集。

可选的，所述预估单元具体包括：从银行服务器提取处于等待状态的各个用户的基本数据，从排队设备获取所需办理的业务标识；分别输入各个用户的基本数据和所需办理的业务标识至业务时间预估模型，并获得所述业务时间预估模型输出的各个用户对应的业务办理时间；对各个用户对应的业务办理时间执行加和操作获得业务办理时间总和。

可选的，所述初始业务参数集包括：

语速、语调和业务模式。

可选的，在所述执行单元之后，还包括：

构建单元，用于构建并保存用户的用户标识和所述当前等级的对应关系。

通过以上技术手段，可以实现以下有益效果：

本发明可以首先确定业务办理操作的初始业务参数集，在业务操作过程中录取用户语音并提取用户语音特征；输入所述用户语音特征至理解程度识别模型，获得所述理解程度识别模型输出的、适用于用户的当前等级，最后利用当前等级执行业务办理操作。

本发明在业务办理过程中基于用户理解程度来确定当前等级，以便网点机器人利用当前等级来执行业务办理操作，从而提升业务办理操作的灵活性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例公开的一种网点机器人自调节系统的结构示意图；

图2为本申请实施例公开的一种业务调节模型训练方法的流程图；

图3为本申请实施例公开的一种业务时间预估模型的训练方法的流程图；

图4为本申请实施例公开的一种理解程度识别模型的训练方法的流程图；

图5为本申请实施例公开的一种网点机器人自调节方法的流程图；

图6为本申请实施例公开的一种网点机器人自调节方法中确定业务办理操作的初始业务参数集的流程图；

图7为本申请实施例公开的一种网点机器人自调节装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本发明提供一种网点机器人自调节系统，参见图1包括：

网点机器人100、排队设备200和银行服务器300。

根据本申请提供的实施例，本发明提供一种业务调节模型训练方法。参见图2，包括以下步骤：

步骤S201：获取训练样本集。

一个训练样本包括用户数量、业务办理时间总和以及业务参数集，业务参数集包括：语速、语调和业务模式。

可以理解的是，在用户数量较少业务办理时间总和较小的情况下，语速可以为正常语速、业务模式为丰富模式。在丰富模式下可以提供较为详尽的业务介绍和业务提醒，以及，在业务办理结束时可以提供理财产品推荐和介绍，以便可以为银行带来最大收益。

可以理解的是，在用户数量适中业务办理时间总和适中的情况下，语速可以为正常语速、业务模式为正常模式。正常模式下可以提供正常情况的业务介绍和业务提醒，业务办理结束之后即可。

可以理解的是，在用户数量较多业务办理时间总和较多的情况下，语速可以为加快语速、业务模式为精简模式。精简模式下可以提供比正常情况更加精简化的业务介绍和业务提醒，以便客户简单方便了解业务核心内容，业务办理结束即可。

步骤S202：利用所述训练样本集训练神经网络模型。

利用训练样本集来训练神经网络模型，并在训练过程使得神经网络模型学习到用户数量和业务办理时间总和，与，业务参数集的对应关系。

步骤S203：在训练结束后获得训练好的业务调节模型。

业务调节模型以用户数量和业务办理时间总和为输入，以与用户数量和业务办理时间总和对应的业务参数集为输出。

根据本申请提供的实施例，本发明提供一种业务时间预估模型的训练方法。参见图3，包括以下步骤：

步骤S301：获取训练样本集。

一个训练样本包括一个用户的基本数据，以及，某一业务标识对应的业务办理时间。用户的基本数据可以包括用户年龄、学历等基本数据。业务标识对应的业务办理时间为预先计算得到的与用户具有类似基本数据下办理相同业务标识的平均的业务办理时间。

步骤S302：利用所述训练样本集训练神经网络模型。

利用训练样本集来训练神经网络模型，并在训练过程使得神经网络模型学习到用户基本数据和业务标识，与，业务办理时间的对应关系。

步骤S303：在训练结束后获得训练好的业务时间预估模型。

业务时间预估模型以用户基本数据和业务标识为输入，以业务办理时间为输出。

参见图4，本发明提供一种理解程度识别模型的训练方法。参见图4，包括以下步骤：

步骤S401：获取训练样本集。

本实施例中设置理解程度的等级集合C，C＝(Y1,Y2,Y3,Y4,Y5,Y6)，等级集合C包括六个等级。

获取多个用户语音特征，以及，分别确定每个用户语音特征对应六个等级P(Y1|x)，P(Y2|x)，P(Y3|x)，P(Y4|x)，P(Y5|x)，P(Y6|x)即新的客户语音特征值条件下是客户理解等级的概率。

一个用户语音特征和对应的六个等级概率P(Y1|x)，P(Y2|x)，P(Y3|x)，P(Y4|x)，P(Y5|x)，P(Y6|x)为一个训练样本。

步骤S402：利用所述训练样本集训练神经网络模型。

利用训练样本集来训练神经网络模型，使得神经网络模型学习到用户语音特征和等级概率的对应关系。

步骤S403：在训练结束后获得训练好的理解程度识别模型。

在达到训练结束条件后，获得训练好的理解程度识别模型。理解程度识别模型可以以用户语音特征为输出，以各个等级概率为输出。

参见图5，本发明提供一种网点机器人自调节方法，包括以下步骤：

步骤S501：确定业务办理操作的初始业务参数集。

参见图6，所述确定业务办理操作的初始业务参数集具体包括：

步骤S601：通过排队设备获取处于等待状态的用户数量。

用户进入银行网点后，可以通过排队设备来刷银行卡或存折来排队，网点机器人通过排队设备可以获得当前处于等待状态的用户数量，并且，还可以获取处于等待状态的各个用户标识和所需办理的业务标识。

步骤S602：预估与所述用户数量对应的业务办理时间总和。

网点机器人可以根据银行网点中多个用户对应的历史业务办理时间，来确定一个用户的平均业务办理时间。用户数量与平均业务办理时间的乘积，可以作为与所述用户数量对应的业务办理时间总和。

步骤S603：输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型，获得业务调节模型输出的初始业务参数集。

为了便于网点机器人可以根据实际情况来调整业务处理操作，可以输入用户数量和业务办理时间总和至预先训练好的业务调节模型，业务调节模型可以基于用户数量和业务办理时间总和进行计算，从而输出初始业务参数集。所述初始业务参数集包括：语速、语调和业务模式。

接步骤S501进入步骤S502：在业务操作过程中录取用户语音并提取用户语音特征。

用户语音特征包括：用户语音、语调以及语气词等属性。设x＝{A1,A2...Am}为一个用户语音特性，A为x某个特征属性，包括语音、语调、语气词等。

步骤S503：输入所述用户语音特征至理解程度识别模型，获得所述理解程度识别模型输出的、适用于用户的当前等级。

将用户语音特征输入至等级评定模块得到客户的理解度等级，等级评定方法如下：预先设定有表示理解程度高低的等级集合C，C＝(Y1,Y2,Y3,Y4,Y5,Y6)，等级集合C包括六个等级。

输入用户语音特征至预先训练好的理解程度识别模型，理解程度识别模型输出适用于用户的当前等级。

步骤S504：利用所述当前等级执行业务办理操作。

在获得当前等级之后，可以基于当前等级来执行业务处理操作。也即按所述当前等级与用户交互业务处理操作，按所述当前等级对应的语速和业务模式来与用户执行交互处理操作。

业务模式可以为丰富模式。在丰富模式下可以提供较为详尽的业务介绍和业务提醒，以及，在业务办理结束时可以提供理财产品推荐和介绍，以便可以为银行带来最大收益。

业务模式可以为正常模式。正常模式下可以提供正常情况的业务介绍和业务提醒，业务办理结束之后即可。

业务模式可以为精简模式。精简模式下可以提供比正常情况更加精简化的业务介绍和业务提醒，以便客户简单方便了解业务核心内容，业务办理结束即可。

步骤S505：构建并保存用户的用户标识和所述当前等级的对应关系。

在确定用户的当前等级后，可以保存用户标识和所述当前等级的对应关系，以便下次网点机器人识别该用户再次来办理业务时，可以直接基于对应关系提取与用户标识对应的当前等级，并利用所述当前等级执行业务办理操作。

通过以上技术手段，可以实现以下有益效果：

本发明可以首先确定业务办理操作的初始业务参数集，在业务操作过程中录取用户语音并提取用户语音特征；输入所述用户语音特征至理解程度识别模型，获得所述理解程度识别模型输出的、适用于用户的当前等级，最后利用当前等级执行业务办理操作。

本发明在业务办理过程中基于用户理解程度来确定当前等级，以便网点机器人利用当前等级来执行业务办理操作，从而提升业务办理操作的灵活性。

参见图7，本发明还提供了一种网点机器人自调节装置，应用于网点机器人，所述装置包括：

确定单元71，用于确定业务办理操作的初始业务参数集；

提取单元72，用于在业务操作过程中录取用户语音并提取用户语音特征；

计算单元73，用于输入所述用户语音特征至理解程度识别模型，获得所述理解程度识别模型输出的、适用于用户的当前等级；

执行单元74，用于利用所述当前等级执行业务办理操作。

其中所述确定单元71包括：

获取单元，用于通过排队设备获取处于等待状态的用户数量；

预估单元，用于预估与所述用户数量对应的业务办理时间总和；

获得单元，用于输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型，获得业务调节模型输出的初始业务参数集。

其中所述预估单元具体包括：从银行服务器提取处于等待状态的各个用户的基本数据，从排队设备获取所需办理的业务标识；分别输入各个用户的基本数据和所需办理的业务标识至业务时间预估模型，并获得所述业务时间预估模型输出的各个用户对应的业务办理时间；对各个用户对应的业务办理时间执行加和操作获得业务办理时间总和。

其中所述初始业务参数集包括：语速、语调和业务模式。

在所述执行单元74之后，还包括：

构建单元75，用于构建并保存用户的用户标识和所述当前等级的对应关系。

关于网点机器人自调节装置的具体实现可以参见图5所示的实施例，在此不再赘述。

本实施例方法所述的功能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，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种网点机器人自调节方法，其特征在于，应用于网点机器人，所述方法包括：

通过排队设备获取处于等待状态的用户数量；

预估与所述用户数量对应的业务办理时间总和；

输入所述用户数量和所述业务办理时间总和至预先训练好的业务调节模型，获得所述业务调节模型输出的初始业务参数集；所述初始业务参数集包括：语速、语调和业务模式；

在业务操作过程中录取用户语音并提取用户语音特征；

输入所述用户语音特征至理解程度识别模型，获得所述理解程度识别模型输出的、适用于用户的当前等级；

利用所述当前等级执行业务办理操作。

2.如权利要求1所述的方法，其特征在于，所述预估与所述用户数量对应的业务办理时间总和包括：

从银行服务器提取处于等待状态的各个用户的基本数据，从所述排队设备获取所需办理的业务标识；

分别输入所述各个用户的基本数据和所述所需办理的业务标识至业务时间预估模型，并获得所述业务时间预估模型输出的各个用户对应的业务办理时间；

对所述各个用户对应的业务办理时间执行加和操作获得所述业务办理时间总和。

3.如权利要求1所述的方法，其特征在于，在所述利用所述当前等级执行业务办理操作之后，还包括：

构建并保存用户的用户标识和所述当前等级的对应关系。

4.一种网点机器人自调节装置，其特征在于，应用于网点机器人，所述装置包括：

确定单元，包括：获取单元、预估单元和获得单元；

所述获取单元，用于通过排队设备获取处于等待状态的用户数量；

所述预估单元，用于预估与所述用户数量对应的业务办理时间总和；

所述获得单元，用于输入所述用户数量和所述业务办理时间总和至预先训练好的业务调节模型，获得所述业务调节模型输出的初始业务参数集；所述初始业务参数集包括：语速、语调和业务模式；

提取单元，用于在业务操作过程中录取用户语音并提取用户语音特征；

计算单元，用于输入所述用户语音特征至理解程度识别模型，获得所述理解程度识别模型输出的、适用于用户的当前等级；

执行单元，用于利用所述当前等级执行业务办理操作。

5.如权利要求4所述的装置，其特征在于，所述预估单元具体包括：从银行服务器提取处于等待状态的各个用户的基本数据，从所述排队设备获取所需办理的业务标识；分别输入所述各个用户的基本数据和所述所需办理的业务标识至业务时间预估模型，并获得所述业务时间预估模型输出的各个用户对应的业务办理时间；对所述各个用户对应的业务办理时间执行加和操作获得所述业务办理时间总和。

6.如权利要求4所述的装置，其特征在于，在所述执行单元之后，还包括：

构建单元，用于构建并保存用户的用户标识和所述当前等级的对应关系。

Images