CN112434953A - 一种基于计算机数据处理的客服人员考核方法和装置 - Google Patents
一种基于计算机数据处理的客服人员考核方法和装置 Download PDFInfo
- Publication number
- CN112434953A CN112434953A CN202011357046.0A CN202011357046A CN112434953A CN 112434953 A CN112434953 A CN 112434953A CN 202011357046 A CN202011357046 A CN 202011357046A CN 112434953 A CN112434953 A CN 112434953A
- Authority
- CN
- China
- Prior art keywords
- text
- emotion
- customer service
- category
- change process
- 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.)
- Withdrawn
Links
Images
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
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
Abstract
本发明涉及一种基于计算机数据处理的客服人员考核方法和装置,获取客服人员的第一语音信号集以及客户的第二语音信号集,然后分别进行语音识别,得到第一目标文本数据和第二目标文本数据,将第一目标文本数据和第二目标文本数据输入至目标文本分类模型中,得到对应的情绪类别,然后获取客服人员的第一情绪变化过程以及客户的第二情绪变化过程,最后对第一情绪变化过程和第二情绪变化过程进行融合,获取客服人员的考核结果。本发明提供的基于计算机数据处理的客服人员考核方法能够对客服人员的服务质量和服务水平进行有效可靠地考核,进而后续可以根据考核结果对客服人员进行相应的培训和处理,以提升服务质量和服务水平。
Description
技术领域
本发明涉及一种基于计算机数据处理的客服人员考核方法和装置。
背景技术
目前,为了提高企业的服务水平和服务质量,企业中均设置有电话客服人员,通过电话与客户进行相关的沟通,比如:产品使用之前的教学、产品使用过程中产生的问题、产品使用之后的感受等等。因此,电话客服人员代表着企业的整体形象,相应地,为了提升电话客服人员的服务水平和服务质量,需要定期对电话客服人员进行考核。
发明内容
为了解决上述技术问题,本发明提供一种基于计算机数据处理的客服人员考核方法和装置。
为了解决上述问题,本发明采用以下技术方案:
一种基于计算机数据处理的客服人员考核方法,包括:
获取客服人员的第一语音信号集,以及与所述客服人员进行电话沟通的客户的第二语音信号集,所述第一语音信号集包括某次电话沟通过程中客服人员所说的至少两段第一语音信号,所述第二语音信号集包括所述某次电话沟通过程中客户所说的至少两段第二语音信号;
对各所述第一语音信号进行语音识别,得到第一目标文本数据,对各所述第二语音信号进行语音识别,得到第二目标文本数据;
将各所述第一目标文本数据和各所述第二目标文本数据输入至预设的目标文本分类模型中,获取各所述第一目标文本数据的第一类别,所述第一类别为正面情绪类别或者负面情绪类别,以及各所述第二目标文本数据的第二类别,所述第二类别为正面情绪类别或者负面情绪类别;
根据各所述第一目标文本数据的第一类别,获取客服人员的第一情绪变化过程,根据各所述第二目标文本数据的第二类别,获取客户的第二情绪变化过程;
对所述第一情绪变化过程和第二情绪变化过程进行融合,获取客服人员的考核结果。
进一步地,所述目标文本分类模型的获取过程包括:
获取第一文本样本集和第二文本样本集,其中,所述第一文本样本集包括至少两个第一文本样本和至少两个第二文本样本,所述第一文本样本由正面情绪文本数据以及对应的正面情绪类别标签构成,所述第二文本样本由负面情绪以及对应的负面情绪类别标签构成,所述第二文本样本集包括至少两个第三文本样本,所述第三文本样本为文本数据;
根据所述第一文本样本集和第二文本样本集以及至少两个增强训练样本对初始文本分类模型和初始文本增强模型进行交替迭代训练,得到目标文本分类模型;其中,所述增强训练样本的个数与第二文本样本集中的第三文本样本的个数相同,而且,在某一次交替迭代训练过程中所用到的增强训练样本是根据上一次交替迭代得到的文本增强模型对所述第二文本样本集进行文本增强处理而得到的。
进一步地,所述交替迭代训练的次数为至少两次,且每次交替迭代训练过程包括至少两次子迭代过程;
所述根据所述第一文本样本集和第二文本样本集以及至少两个增强训练样本对初始文本分类模型和初始文本增强模型进行交替迭代训练,得到目标文本分类模型具体为:
对于每次交替迭代训练中的某一次子迭代过程,从第一文本样本集中抽取部分第一文本样本和第二文本样本,从第二文本样本集中抽取部分第三文本样本,根据上一次子迭代得到的文本增强模型对抽取的第三文本样本进行处理,获得与抽取的第三文本样本对应的增强训练样本;接着,将得到的增强训练样本、抽取的第一文本样本和第二文本样本以及抽取的第三文本样本作为输入,对上一次子迭代得到的文本分类模型和上一次子迭代得到的文本增强模型进行训练,得到该次子迭代得到的文本分类模型和该次子迭代得到的文本增强模型;然后,重新返回执行上述抽取文本样本以及后续步骤,直至所述第一文本样本集和第二文本样本集均迭代一次后,获得当前交替迭代训练后的文本分类模型。
进一步地,所述根据各所述第一目标文本数据的第一类别,获取客服人员的第一情绪变化过程,根据各所述第二目标文本数据的第二类别,获取客户的第二情绪变化过程具体为:
根据各所述第一目标文本数据的第一类别,以及各第一类别的时间先后顺序,获取客服人员的第一情绪变化过程;
根据各所述第二目标文本数据的第二类别,以及各第二类别的时间先后顺序,获取客户的第二情绪变化过程。
进一步地,所述对所述第一情绪变化过程和第二情绪变化过程进行融合,获取客服人员的考核结果具体为:
若所述第一情绪变化过程始终为负面情绪,且所述第二情绪变化过程始终为负面情绪或者由正面情绪变成负面情绪,则客服人员的考核结果为严重不合格;
若所述第一情绪变化过程始终为正面情绪,且所述第二情绪变化过程始终为负面情绪或者由正面情绪变成负面情绪,则客服人员的考核结果为不合格;
若所述第一情绪变化过程始终为正面情绪,且所述第二情绪变化过程始终为正面情绪或者由负面情绪变成正面情绪,则客服人员的考核结果为合格。
一种基于计算机数据处理的客服人员考核装置,包括存储器和处理器,以及存储在所述存储器上并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如上述的基于计算机数据处理的客服人员考核方法。
本发明的有益效果为:获取客服人员和客户的语音信号,客服人员和客户的语音信号是同一电话沟通过程中的语音信号,这样能够根据语音交互实现客服人员的可靠准确考核,然后对客服人员的第一语音信号以及客户的第二语音信号进行语音识别,得到对应的文本数据,将得到的各文本数据输入至目标文本分类模型中,得到各文本数据所对应的类别,类别为正面情绪类别或者负面情绪类别,即获取各文本数据是正面情绪文本还是负面情绪文本,然后根据各文本数据的类别,分别对应获取到客服人员的情绪变化过程,以及客户的情绪变化过程,最后融合客服人员的情绪变化过程和客户的情绪变化过程,得到客服人员的考核结果。因此,本发明提供的客服人员考核方法通过对同一电话沟通过程中的客服人员的语音信号和客户的语音信号进行计算机数据处理,最终得到客服人员的情绪变化过程和客户的情绪变化过程,进而得到客服人员的考核结果,能够对客服人员的服务质量和服务水平进行有效可靠地考核,进而后续可以根据考核结果对客服人员进行相应的培训和处理,以提升服务质量和服务水平。
附图说明
图1是基于计算机数据处理的客服人员考核方法的流程图。
具体实施方式
本实施例提供一种基于计算机数据处理的客服人员考核方法,该客服人员考核方法的硬件执行主体可以为智能移动终端、笔记本电脑、台式电脑、服务器等等。该客服人员考核方法所适用的应用场景不做限定,可以应用于企业、工厂以及相关服务部门,对相关的电话客服人员进行考核。
如图1所示,该客服人员考核方法包括以下实现步骤:
步骤S1:获取客服人员的第一语音信号集,以及与所述客服人员进行电话沟通的客户的第二语音信号集,所述第一语音信号集包括某次电话沟通过程中客服人员所说的至少两段第一语音信号,所述第二语音信号集包括所述某次电话沟通过程中客户所说的至少两段第二语音信号:
客服人员在与客户进行电话沟通时,电话沟通内容可以由专门的存储设备进行存储。
那么,对于某次电话沟通过程,就可以在存储设备中调取客服人员的第一语音信号集,以及与客服人员进行电话沟通的客户的第二语音信号集。由于客服人员需要解决客户提出的疑问、不解或者投诉等,因此,客服人员与客户之间通常需要多次语音问答过程,那么,第一语音信号集包括该次电话沟通过程中客服人员所说的至少两段第一语音信号,第二语音信号集包括该次电话沟通过程中客户所说的至少两段第二语音信号。比如:客服人员先说A,接着客户说B,然后客服人员说C,接着客户说D,然后客服人员说E,最后客户说F,那么,第一语音信号集包括A、C和E,第二语音信号集包括B、D和F。
应当理解,可以事先对电话沟通内容进行预处理,以分离客服人员的语音信号和客户的语音信号。
步骤S2:对各所述第一语音信号进行语音识别,得到第一目标文本数据,对各所述第二语音信号进行语音识别,得到第二目标文本数据:
对各第一语音信号进行语音识别,得到与各第一语音信号相对应的第一目标文本数据,对各第二语音信号进行语音识别,得到与各第二语音信号相对应的第二目标文本数据。应当理解,语音识别所用到的语音识别算法可以采用已有语音识别算法,不再赘述。
步骤S3:将各所述第一目标文本数据和各所述第二目标文本数据输入至预设的目标文本分类模型中,获取各所述第一目标文本数据的第一类别,所述第一类别为正面情绪类别或者负面情绪类别,以及各所述第二目标文本数据的第二类别,所述第二类别为正面情绪类别或者负面情绪类别:
得到各第一目标文本数据和各第二目标文本数据之后,将各第一目标文本数据和各第二目标文本数据输入到预设的目标文本分类模型中,获取各第一目标文本数据的第一类别,第一类别为正面情绪类别或者负面情绪类别,以及各第二目标文本数据的第二类别,第二类别为正面情绪类别或者负面情绪类别。也就是说,对各第一目标文本数据和各第二目标文本数据进行分析处理,确定各第一目标文本数据和各第二目标文本数据对应的情绪是正面情绪还是负面情绪。
目标文本分类模型可以是事先构建好的,拿过来直接使用。作为一个具体实施方式,以下给出目标文本分类模型的获取过程:
步骤S31:获取第一文本样本集和第二文本样本集,其中,第一文本样本集包括至少两个第一文本样本和至少两个第二文本样本,第一文本样本由正面情绪文本数据以及对应的正面情绪类别标签构成,第二文本样本由负面情绪以及对应的负面情绪类别标签构成,第二文本样本集包括至少两个第三文本样本,所述第三文本样本为文本数据:
获取第一文本样本集和第二文本样本集。其中,第一文本样本集包括至少两个第一文本样本和至少两个第二文本样本,第一文本样本由正面情绪文本数据以及对应的正面情绪类别标签构成,第二文本样本由负面情绪以及对应的负面情绪类别标签构成。也就是说,第一文本样本集中的各第一文本样本和第二文本样本均包括文本数据以及对应的情绪类别标签,即第一文本样本和第二文本样本均为有标签的样本。第一文本样本和第二文本样本的个数由实际需要进行设置。
第二文本样本集包括至少两个第三文本样本,第三文本样本的个数由实际需要进行设置。第三文本样本为文本数据,即第三文本样本只是文本数据,不包含情绪类别标签,即第三文本样本为无标签的样本。设置第二文本样本集,即设置没有情绪类别标签的文本样本是因为在实际情况中有明确情绪类别标签的文本数据有限,那么,设置多个没有明确情绪类别标签的文本样本。
步骤S32:根据所述第一文本样本集和第二文本样本集以及至少两个增强训练样本对初始文本分类模型和初始文本增强模型进行交替迭代训练,得到目标文本分类模型;其中,所述增强训练样本的个数与第二文本样本集中的第三文本样本的个数相同,而且,在某一次交替迭代训练过程中所用到的增强训练样本是根据上一次交替迭代得到的文本增强模型对所述第二文本样本集进行文本增强处理而得到的:
初始文本分类模型是事先设置好的文本分类模型,用于将输入的文本数据进行情绪分类,得到输入的文本数据的情绪类别。初始文本增强模型作为一个样本生成器,初始文本增强模型可以对没有类别标签的文本数据扩充数据/修改数据获得类似于真实数据的增强样本。应当理解,初始文本分类模型和初始文本增强模块均可以是开源的语言模型。
本实施例中,初始文本增强模型的输出为初始文本分类模型的输入,训练后的文本增强模型的输出与训练后的文本分类模型的输入相匹配,使得训练后的文本分类模型的对没有明确情绪类别标签的文本样本的分类效果更好。本实施例中,对初始文本分类模型和初始文本增强模型进行交替迭代训练可以是指,在一次迭代训练过程中,依次对当前的文本分类模型模型参数和当前的文本增强模型的模型参数进行更新,具体地:先保持当前的文本增强模型的参数不变,更新当前的文本分类模型的参数,获得更新后的文本分类模型,接着保持更新后的文本分类模型的参数不变,更新当前的文本增强模型的参数,获得更新后的文本增强模型,然后下一次迭代训练过程,其中,利用上一次迭代训练过程更新后的文本分类模型和更新后的文本增强模型进行迭代训练。至此类推,重复上述迭代训练过程,从而实现了文本分类模型和文本增强模型的交替迭代训练。
作为一个具体实施方式:在第1次交替迭代训练中,根据初始文本增强模型对第二文本样本集进行文本增强处理生成与第三文本样本的个数相同的增强训练样本,然后,根据第一文本样本集和第二文本样本集以及本次迭代训练过程得到的增强训练样本,对初始文本分类模型和初始文本增强模型进行一次交替迭代训练,获得第1次交替迭代得到的文本分类模型以及第1次交替迭代得到的文本增强模型;在第2次交替迭代训练中,根据第1次交替迭代得到的文本增强模型对第二文本样本集进行文本增强处理生成与第三文本样本的个数相同的增强训练样本,然后,根据第一文本样本集和第二文本样本集以及本次迭代训练过程得到的增强训练样本,对第1次交替迭代得到的文本分类模型以及第1次交替迭代得到的文本增强模型进行一次交替迭代训练,获得第2次交替迭代得到的文本分类模型以及第2次交替迭代得到的文本增强模型;……,在第i次交替迭代训练过程中,根据第i-1次交替迭代得到的文本增强模型对第二文本样本集进行文本增强处理生成与第三文本样本的个数相同的增强训练样本,然后,根据第一文本样本集和第二文本样本集以及本次迭代训练过程得到的增强训练样本,对第i-1次交替迭代得到的文本分类模型以及第i-1次交替迭代得到的文本增强模型进行一次交替迭代训练,获得第i次交替迭代得到的文本分类模型以及第i次交替迭代得到的文本增强模型。以此类推,执行上述交替迭代训练过程,直至满足交替迭代训练结束条件(比如交替迭代训练的次数达到预设次数),获得目标文本分类模型。那么,交替迭代训练后生成的目标文本分类模型为:最后一次交替训练后的文本分类模型。
进一步地,本实施例中,交替迭代训练的次数为至少两次,且每次交替迭代训练过程包括至少两次子迭代过程。应当理解,每次交替迭代训练的处理过程相同,而且,每次子迭代过程的处理过程也相同。
那么,整个交替迭代训练具体为:
对于每次交替迭代训练中的某一次子迭代过程,从第一文本样本集中抽取部分第一文本样本和第二文本样本,从第二文本样本集中抽取部分第三文本样本,应当理解,从第一文本样本集中抽取到的第一文本样本和第二文本样本的个数,以及从第二文本样本集中抽取到的第三文本样本的个数,均由实际需要进行确定。而且,每次抽取文本样本时,抽取到的文本样本的个数可以相同,也可以不同。
根据上一次子迭代得到的文本增强模型对抽取的第三文本样本进行处理,获得与抽取的第三文本样本对应的增强训练样本(应当理解,得到的增强训练样本与抽取到的第三文本样本的个数相同);接着,将得到的增强训练样本、抽取的第一文本样本和第二文本样本以及抽取到的第三文本样本作为输入,对上一次子迭代得到的文本分类模型和上一次子迭代得到的文本增强模型进行训练,得到该次子迭代得到的文本分类模型和该次子迭代得到的文本增强模型;然后,重新返回执行上述抽取文本样本以及后续步骤,直至第一文本样本集和第二文本样本集均迭代一次后,获得当前交替迭代训练后的文本分类模型。即在某一次子迭代得到的文本分类模型和文本增强模型后,判断第一文本样本集和第二文本样本集是否均迭代一次,若是,则将该次子迭代得到的文本分类模型和文本增强模型确定为本次交替迭代训练得到的文本分类模型和文本增强模型,若不是,则进行下一次的子迭代过程。
应当理解,某一次的子迭代过程与某一次的迭代过程原理上是相同的,不同点在于文本样本的选取不同,一个选择全部,一个抽取部分。将每次交替迭代训练过程划分为多个子迭代过程,化整为零,能够降低计算量,进而提升训练效率以及可靠性。
上述目标文本分类模型的获取过程能够增强目标文本分类模型的分类性能,提升情绪类别获取的准确性和可靠性。作为其他的实施方式,目标文本分类模型还可以为:目标文本分类模型包括至少两个关键词,以及各关键词所对应的情绪类别,那么,将各第一目标文本数据和各第二目标文本数据输入到目标文本分类模型中,通过关键词比对,得到各第一目标文本数据和各第二目标文本数据的情绪类别。
步骤S4:根据各所述第一目标文本数据的第一类别,获取客服人员的第一情绪变化过程,根据各所述第二目标文本数据的第二类别,获取客户的第二情绪变化过程:
客服人员的每一个第一语音信号均有对应的时刻,那么,各第一语音信号具有时间先后顺序,相应地,各第一目标文本数据的第一类别也具有时间先后顺序。而且,各第二语音信号具有时间先后顺序,相应地,各第二目标文本数据的第二类别也具有时间先后顺序。
那么,根据各第一目标文本数据的第一类别,以及各第一类别的时间先后顺序,获取客服人员的第一情绪变化过程,比如:若第一目标文本数据有三个,按照时间先后顺序,对应的第一类别分别是正面情绪、负面情绪和负面情绪,那么,第一情绪变化过程为由正面情绪变为负面情绪;若对应的第一类别分别是负面情绪、负面情绪和负面情绪,那么,第一情绪变化过程始终为负面情绪。
根据各第二目标文本数据的第二类别,以及各第二类别的时间先后顺序,获取客户的第二情绪变化过程,比如:若第二目标文本数据有三个,按照时间先后顺序,对应的第一类别分别是负面情绪、正面情绪和正面情绪,那么,第二情绪变化过程为由负面情绪变为正面情绪;若对应的第二类别分别是正面情绪、正面情绪和正面情绪,那么,第二情绪变化过程始终为正面情绪。
步骤S5:对所述第一情绪变化过程和第二情绪变化过程进行融合,获取客服人员的考核结果:
得到第一情绪变化过程和第二情绪变化过程之后,对第一情绪变化过程和第二情绪变化过程进行融合,获取客服人员的考核结果。
具体地:若第一情绪变化过程始终为负面情绪,且第二情绪变化过程始终为负面情绪或者由正面情绪变成负面情绪,表示该次电话沟通过程中,客服人员的情绪始终为负面情绪,并且客户的情绪由正面情绪变成负面情绪,或者客户的情绪也始终为负面情绪。因此,这种情况是指:客服人员无法控制自己的情绪,且将负面情绪带给客户,客服人员的服务能力非常差,则客服人员的考核结果为严重不合格。
若第一情绪变化过程始终为正面情绪,且第二情绪变化过程始终为负面情绪或者由正面情绪变成负面情绪,表示该次电话沟通过程中,客服人员的情绪虽然始终为正面情绪,但是,客户的情绪始终没有变为正面情绪,表示虽然客服人员的情绪比较正常,但是,客服人员无法解决客户的需求,且无法使客户的情绪恢复正常,客服人员的服务能力比较差,则客服人员的考核结果为不合格。
若第一情绪变化过程始终为正面情绪,且第二情绪变化过程始终为正面情绪或者由负面情绪变成正面情绪,表示该次电话沟通过程中,客服人员的情绪始终保持为正面情绪,且能够使得客户也始终保持为正面情绪,或者客户虽然刚开始是负面情绪,但是经过客服人员的沟通之后,也变成了正面情绪,表示客服人员能够解决客户的需求,且能够使客户的情绪恢复正常,客服人员的服务能力比较强,则客服人员的考核结果为合格。
应当理解,除了上述三种具体实施方式之外,当第一情绪变化过程和第二情绪变化过程与上述情况不同时,客服人员的考核结果也可能会不同。
本实施例中,还可以根据客服人员的考核结果,对不合格的客服人员进行后续相关的培训,以提升客户满意度。
本实施例还提供一种基于计算机数据处理的客服人员考核装置,包括存储器和处理器,以及存储在存储器上并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文中的基于计算机数据处理的客服人员考核方法。因此,该基于计算机数据处理的客服人员考核装置是一个软件装置,其本质仍旧是基于计算机数据处理的客服人员考核方法,由于该基于计算机数据处理的客服人员考核方法在上文已给出了详细说明,不再赘述。
上述实施例仅以一种具体的实施方式说明本发明的技术方案,任何对本发明进行的等同替换及不脱离本发明精神和范围的修改或局部替换,其均应涵盖在本发明权利要求保护的范围之内。
Claims (6)
1.一种基于计算机数据处理的客服人员考核方法,其特征在于,包括:
获取客服人员的第一语音信号集,以及与所述客服人员进行电话沟通的客户的第二语音信号集,所述第一语音信号集包括某次电话沟通过程中客服人员所说的至少两段第一语音信号,所述第二语音信号集包括所述某次电话沟通过程中客户所说的至少两段第二语音信号;
对各所述第一语音信号进行语音识别,得到第一目标文本数据,对各所述第二语音信号进行语音识别,得到第二目标文本数据;
将各所述第一目标文本数据和各所述第二目标文本数据输入至预设的目标文本分类模型中,获取各所述第一目标文本数据的第一类别,所述第一类别为正面情绪类别或者负面情绪类别,以及各所述第二目标文本数据的第二类别,所述第二类别为正面情绪类别或者负面情绪类别;
根据各所述第一目标文本数据的第一类别,获取客服人员的第一情绪变化过程,根据各所述第二目标文本数据的第二类别,获取客户的第二情绪变化过程;
对所述第一情绪变化过程和第二情绪变化过程进行融合,获取客服人员的考核结果。
2.根据权利要求1所述的基于计算机数据处理的客服人员考核方法,其特征在于,所述目标文本分类模型的获取过程包括:
获取第一文本样本集和第二文本样本集,其中,所述第一文本样本集包括至少两个第一文本样本和至少两个第二文本样本,所述第一文本样本由正面情绪文本数据以及对应的正面情绪类别标签构成,所述第二文本样本由负面情绪以及对应的负面情绪类别标签构成,所述第二文本样本集包括至少两个第三文本样本,所述第三文本样本为文本数据;
根据所述第一文本样本集和第二文本样本集以及至少两个增强训练样本对初始文本分类模型和初始文本增强模型进行交替迭代训练,得到目标文本分类模型;其中,所述增强训练样本的个数与第二文本样本集中的第三文本样本的个数相同,而且,在某一次交替迭代训练过程中所用到的增强训练样本是根据上一次交替迭代得到的文本增强模型对所述第二文本样本集进行文本增强处理而得到的。
3.根据权利要求2所述的基于计算机数据处理的客服人员考核方法,其特征在于,所述交替迭代训练的次数为至少两次,且每次交替迭代训练过程包括至少两次子迭代过程;
所述根据所述第一文本样本集和第二文本样本集以及至少两个增强训练样本对初始文本分类模型和初始文本增强模型进行交替迭代训练,得到目标文本分类模型具体为:
对于每次交替迭代训练中的某一次子迭代过程,从第一文本样本集中抽取部分第一文本样本和第二文本样本,从第二文本样本集中抽取部分第三文本样本,根据上一次子迭代得到的文本增强模型对抽取的第三文本样本进行处理,获得与抽取的第三文本样本对应的增强训练样本;接着,将得到的增强训练样本、抽取的第一文本样本和第二文本样本以及抽取的第三文本样本作为输入,对上一次子迭代得到的文本分类模型和上一次子迭代得到的文本增强模型进行训练,得到该次子迭代得到的文本分类模型和该次子迭代得到的文本增强模型;然后,重新返回执行上述抽取文本样本以及后续步骤,直至所述第一文本样本集和第二文本样本集均迭代一次后,获得当前交替迭代训练后的文本分类模型。
4.根据权利要求1所述的基于计算机数据处理的客服人员考核方法,其特征在于,所述根据各所述第一目标文本数据的第一类别,获取客服人员的第一情绪变化过程,根据各所述第二目标文本数据的第二类别,获取客户的第二情绪变化过程具体为:
根据各所述第一目标文本数据的第一类别,以及各第一类别的时间先后顺序,获取客服人员的第一情绪变化过程;
根据各所述第二目标文本数据的第二类别,以及各第二类别的时间先后顺序,获取客户的第二情绪变化过程。
5.根据权利要求1所述的基于计算机数据处理的客服人员考核方法,其特征在于,所述对所述第一情绪变化过程和第二情绪变化过程进行融合,获取客服人员的考核结果具体为:
若所述第一情绪变化过程始终为负面情绪,且所述第二情绪变化过程始终为负面情绪或者由正面情绪变成负面情绪,则客服人员的考核结果为严重不合格;
若所述第一情绪变化过程始终为正面情绪,且所述第二情绪变化过程始终为负面情绪或者由正面情绪变成负面情绪,则客服人员的考核结果为不合格;
若所述第一情绪变化过程始终为正面情绪,且所述第二情绪变化过程始终为正面情绪或者由负面情绪变成正面情绪,则客服人员的考核结果为合格。
6.一种基于计算机数据处理的客服人员考核装置,包括存储器和处理器,以及存储在所述存储器上并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1-5任一项所述的基于计算机数据处理的客服人员考核方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357046.0A CN112434953A (zh) | 2020-11-27 | 2020-11-27 | 一种基于计算机数据处理的客服人员考核方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357046.0A CN112434953A (zh) | 2020-11-27 | 2020-11-27 | 一种基于计算机数据处理的客服人员考核方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112434953A true CN112434953A (zh) | 2021-03-02 |
Family
ID=74698303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011357046.0A Withdrawn CN112434953A (zh) | 2020-11-27 | 2020-11-27 | 一种基于计算机数据处理的客服人员考核方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434953A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113220849A (zh) * | 2021-04-06 | 2021-08-06 | 青岛日日顺乐信云科技有限公司 | 一种客服人员情绪疏导方案查找方法、电子设备及存储介质 |
CN113450793A (zh) * | 2021-06-25 | 2021-09-28 | 平安科技(深圳)有限公司 | 用户情绪分析方法、装置、计算机可读存储介质及服务器 |
-
2020
- 2020-11-27 CN CN202011357046.0A patent/CN112434953A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113220849A (zh) * | 2021-04-06 | 2021-08-06 | 青岛日日顺乐信云科技有限公司 | 一种客服人员情绪疏导方案查找方法、电子设备及存储介质 |
CN113450793A (zh) * | 2021-06-25 | 2021-09-28 | 平安科技(深圳)有限公司 | 用户情绪分析方法、装置、计算机可读存储介质及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10771627B2 (en) | Personalized support routing based on paralinguistic information | |
US8750489B2 (en) | System and method for automatic call segmentation at call center | |
CN109299320B (zh) | 一种信息交互方法、装置、计算机设备和存储介质 | |
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 | |
CN111145733B (zh) | 语音识别方法、装置、计算机设备和计算机可读存储介质 | |
EP3940693A1 (en) | Voice interaction-based information verification method and apparatus, and device and computer storage medium | |
KR102100214B1 (ko) | 음성 인식 기반의 세일즈 대화 분석 방법 및 장치 | |
CN108228567B (zh) | 用于提取组织机构的简称的方法和装置 | |
CN111223476B (zh) | 语音特征向量的提取方法、装置、计算机设备和存储介质 | |
CN112232276B (zh) | 一种基于语音识别和图像识别的情绪检测方法和装置 | |
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 | |
US20220027768A1 (en) | Natural Language Enrichment Using Action Explanations | |
CN110598008A (zh) | 录制数据的数据质检方法及装置、存储介质 | |
CN109408175B (zh) | 通用高性能深度学习计算引擎中的实时交互方法及系统 | |
CN111368066B (zh) | 获取对话摘要的方法、装置和计算机可读存储介质 | |
CN110991183A (zh) | 问题的谓词确定方法、装置、设备及存储介质 | |
CN113889092A (zh) | 语音识别结果的后处理模型的训练方法、处理方法及装置 | |
KR20220042103A (ko) | 하이브리드 지능형 고객 상담장치 및 방법 | |
CN115248843A (zh) | 辅助生成笔录的方法、装置和笔录生成系统 | |
CN114240250A (zh) | 一种职业评测的智能管理方法及系统 | |
CN112632241A (zh) | 智能会话的方法、装置、设备和计算机可读介质 | |
CN112131378A (zh) | 用于识别民生问题类别的方法、装置及电子设备 | |
CN112002346A (zh) | 基于语音的性别年龄识别方法、装置、设备和存储介质 | |
CN114971704A (zh) | 一种满意度评价方法及装置、存储介质及电子设备 | |
CN116821345A (zh) | 客服会话异常检测方法、系统、电子设备和存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210302 |