CN112468659A - 应用于电话客服的质量评价方法、装置、设备及存储介质 - Google Patents
应用于电话客服的质量评价方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112468659A CN112468659A CN202011314184.0A CN202011314184A CN112468659A CN 112468659 A CN112468659 A CN 112468659A CN 202011314184 A CN202011314184 A CN 202011314184A CN 112468659 A CN112468659 A CN 112468659A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- semantic
- customer service
- expression
- question
- 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
- 238000000034 method Methods 0.000 title claims abstract description 143
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 142
- 230000008569 process Effects 0.000 claims abstract description 82
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims description 75
- 239000013604 expression vector Substances 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008451 emotion Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 230000005484 gravity Effects 0.000 description 12
- 238000012512 characterization method Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2227—Quality of service monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- 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
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Signal Processing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例属于人工智能中的语义解析技术领域,本申请还适用于智慧政务领域中,从而推动智慧城市的建设,本申请涉及一种应用于电话客服的质量评价方法、装置、计算机设备及存储介质,本申请还涉及区块链技术,用户的问答音频数据可存储于区块链中。本申请提供的应用于电话客服的质量评价方法通过采集客服人员的电话服务内容,并分别从“话术流程”以及“用语评价”两个方向对该客服人员的电话服务操作进行综合评价,从而脱离传统依赖客户对象主观评价的弊端,客观的从服务过程本身进行评价,有效提高客服评价的参考价值,同时,有效促进客服人员不断提升自身的服务质量。
Description
技术领域
本申请涉及人工智能中的语义解析技术领域,尤其涉及一种应用于电话客服的质量评价方法、装置、计算机设备及存储介质。
背景技术
近年来,随着经济的飞速发展,各行各业特别是服务业的竞争日益激烈,提高客服人员的服务质量成为了行业竞争的焦点,为了提高客服人员服务的质量,提升顾客服务满意度,越来越多的企业开始对客服人员采用服务评价系统进行服务质量的评价。
现有一种电话客服质量评价方法,即电话客服人员在结束电话服务后,会征求服务对象对该次电话服务进行主观评价,例如:“回复1、2、3分别表示非常满意、满意、不满意”或“回复1-10任一数值表示满意程度(分数越高表示越满意)”等,从而对电话客服人员的服务质量进行评价的目的。
然而,传统的电话客服质量评价方法普遍不智能,由于服务质量的评价完全依赖于服务对象的主观意念,参考价值较低,从而导致传统的电话客服质量评价数据准确性较低。
发明内容
本申请实施例的目的在于提出一种应用于电话客服的质量评价方法、装置、计算机设备及存储介质,以解决传统的电话客服质量评价数据缺准确性较低的问题。
为了解决上述技术问题,本申请实施例提供一种应用于电话客服的质量评价方法,采用了如下所述的技术方案:
接收音频采集设备发送的问答音频数据;
对所述问答音频数据进行语音识别操作,得到问答文本信息;
读取本地数据库,在所述本地数据库中获取标准话术流程以及用语评价规则;
基于所述标准话术流程对所述问答文本信息进行流程评价操作,得到流程话术评分;
基于所述用语评价规则对所述问答文本信息进行用语评价操作,得到规范用语评分;
基于所述流程话术评分以及所述规范用语评分对所述客服人员进行综合计算操作,得到综合评价数据。
为了解决上述技术问题,本申请实施例还提供一种应用于电话客服的质量评价装置,采用了如下所述的技术方案:
音频记录模块,用于接收音频采集设备发送的问答音频数据;
语音识别模块,用于对所述问答音频数据进行语音识别操作,得到问答文本信息;
参考数据获取模块,用于读取本地数据库,在所述本地数据库中获取标准话术流程以及用语评价规则;
流程评价模块,用于基于所述标准话术流程对所述问答文本信息进行流程评价操作,得到流程话术评分;
用语评价模块,用于基于所述用语评价规则对所述问答文本信息进行用语评价操作,得到规范用语评分;
综合计算模块,用于基于所述流程话术评分以及所述规范用语评分对所述客服人员进行综合计算操作,得到综合评价数据。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上所述的应用于电话客服的质量评价方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的应用于电话客服的质量评价方法的步骤。
与现有技术相比,本申请实施例提供的应用于电话客服的质量评价方法、装置、计算机设备及存储介质主要有以下有益效果:
本申请提供的应用于电话客服的质量评价方法,当客服人员进行电话服务操作时,采集所述电话服务操作的问答音频数据;对所述问答音频数据进行语音识别操作,得到问答文本信息;读取本地数据库,在所述本地数据库中获取标准话术流程以及用语评价规则;基于所述标准话术流程对所述问答文本信息进行流程评价操作,得到流程话术评分;基于所述用语评价规则对所述问答文本信息进行用语评价操作,得到规范用语评分;基于所述流程话术评分以及所述规范用语评分对所述客服人员进行综合计算操作,得到综合评价数据。通过采集客服人员的电话服务内容,并分别从“话术流程”以及“用语评价”两个方向对该客服人员的电话服务操作进行综合评价,从而脱离传统依赖客户对象主观评价的弊端,客观的从服务过程本身进行评价,有效提高客服评价的参考价值,同时,有效促进客服人员不断提升自身的服务质量。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图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是本申请实施例一提供的应用于电话客服的质量评价方法的实现流程图;
图2是本申请实施例一提供的获取规范用语评分的实现流程图;
图3是本申请实施例一提供的获取语义分析模型的实现流程图;
图4是本申请实施例一提供的第一特征表示向量获取方法的实现流程图;
图5是本申请实施例一提供的第二特征表示向量获取方法的实现流程图;
图6是本申请实施例一提供的范用语评分获取方法的实现流程图;
图7是本申请实施例二提供的应用于电话客服的质量评价装置的结构示意图;
图8是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一
如图1所示,示出了根据本申请实施例一提供的应用于电话客服的质量评价方法的实现流程图,为了便于说明,仅示出与本申请相关的部分。
在步骤S101中,当客服人员进行电话服务操作时,记录电话服务操作的问答音频数据。
在本申请实施例中,客服人员指的是通过电话的方式直接服务于客户的人员。
在本申请实施例中,电话服务操作指的是电话客服人员采用计算机加工、处理、存储各类信息,通过话音为用户提供信息服务的电话业务。
在本申请实施例中,问答音频数据指的是将电话通话过程的音频信号转换成波形信号的波形文件。
在本申请实施例中,问答音频数据可通过计算机中的数字音频接口将话筒、电话机或其他设备采集到的音频信号导入到计算机中进行录制得到。
在步骤S102中,对问答音频数据进行语音识别操作,得到问答文本信息。
在本申请实施例中,语音识别操作主要用于将上述采集到的问答音频数据转换成文本数据,具体的,该语音识别操作可以通过模式匹配法实现,在训练阶段,用户将词汇表中的每一词依次说一遍,并且将其特征矢量作为模板存入模板库,在识别阶段,将输入语音的特征矢量依次与模板库中的每个模板进行相似度比较,将相似度最高者作为识别结果输出。
在本申请实施例中,问答文本信息可以针对客服人员以及用户的波形特征对语音识别到的问答文本信息进行区分,并通过“一问一答”的形式展示该文本内容信息,从而获得客服人员的问答文本信息和用户的问答文本信息。
在步骤S103中,读取本地数据库,在本地数据库中获取标准话术流程以及用语评价规则。
在本申请实施例中,本地数据库是指驻留于运行客户应用程序的机器的数据库。本地数据库提供最快的响应时间。因为在客户(应用程序)和服务器之间没有网络转输。该本地数据库预先存储有为用户提供信息服务的电话业务的标准话术流程方式以及包含有规范用语/非规范用语的用语评价规则。
在本申请实施例中,标准话术流程主要作为判断客服人员在提供信息服务的话术内容是否符合标准规范的参考,该标准规范具体包括话术内容以及话术前后流程两个部分。
在本申请实施例中,用语评价规则主要作为判断客服人员在提供信息服务的过程中是否积极采用规范用语的参考,该用语评价规则具体包括规范用语和非规范用语,其中,规范用语包括:“您”“您好”“抱歉”“帮助”“好的”“女士”“先生”“请”“不好意思”“不客气”“应该的”“谢谢”,生成一个该客服的用语统计清单,将正面高频词汇出现的频率进行统计记录;非规范用语包括:“不知道”“不清楚”“没办法”“好吧”等。
在步骤S104中,基于标准话术流程对问答文本信息进行流程评价操作,得到流程话术评分。
在本申请实施例中,在为用户提供信息服务的电话业务过程中,由于用户提出的会话问题存在不确定因素,因此,客服人员的电话服务操作无法根据固定的流程进行会话问答,然而,针对用户提出的会话问题进行答复时,存在一定的话术流程,以达到更加方便用户理解答复内容的效果,因此,需要根据话术流程对客服人员的会话内容进行流程评价操作。
在本申请实施例中,流程评价操作主要是在上述标准话术流程中根据用户提出的会话问题,获取与该会话问题相对应的标准话术流程内容,再与问答文本信息中客服人员答复的文本内容进行比较,从而获得标准话术流程与服务答复内容的相似度。
在本申请实施例中,流程话术评分指的是上述标准话术流程与服务答复内容的相似度。
在步骤S105中,基于用语评价规则对问答文本信息进行用语评价操作,得到规范用语评分。
在本申请实施例中,用语评价操作主要用于统计客服人员在进行电话业务的过程中所使用到的规范用语词汇或者非规范用语词汇,并以此作为该规范用语评分。
在步骤S106中,基于流程话术评分以及规范用语评分对客服人员进行综合计算操作,得到综合评价数据。
在本申请实施例中,由于在评价提供信息服务的电话业务的过程中,话术流程和规范用语所占用的比重是不一样的,用户可以根据具体情况分别预设两者的比重值,作为示例,该比重值可以分别为:6/10和4/10,应当理解,此处对话术流程和规范用语的比重值举例仅为方便理解,不用于限定本申请。
在本申请实施例中,综合计算操作主要是基于话术流程和规范用语所占用的比重计算各自的分数,最后相加得到该综合评价数据,该综合评价数据P表示为:
在本申请实施例中,提供了应用于电话客服的质量评价方法,当客服人员进行电话服务操作时,采集电话服务操作的问答音频数据;对问答音频数据进行语音识别操作,得到问答文本信息;读取本地数据库,在本地数据库中获取标准话术流程以及用语评价规则;基于标准话术流程对问答文本信息进行流程评价操作,得到流程话术评分;基于用语评价规则对问答文本信息进行用语评价操作,得到规范用语评分;基于流程话术评分以及规范用语评分对客服人员进行综合计算操作,得到综合评价数据。通过采集客服人员的电话服务内容,并分别从“话术流程”以及“用语评价”两个方向对该客服人员的电话服务操作进行综合评价,从而脱离传统依赖客户对象主观评价的弊端,客观的从服务过程本身进行评价,有效提高客服评价的参考价值,同时,有效促进客服人员不断提升自身的服务质量。
继续参阅图2,示出了本申请实施例一提供的获取规范用语评分的实现流程图,为了便于说明,仅示出与本申请相关的部分。
在本申请实施例一的一些可选的实现方式中,在步骤S105之前,上述方法还包括:步骤S201、步骤S202、步骤S203以及步骤S204;上述步骤S105具体包括:步骤S205。
在步骤S201中,判断问答文本信息的客服会话内容中是否存在与歧义用语词汇相一致的歧义词汇。
在本申请实施例中,歧义用语词汇指的是存在两种可能性的词汇,作为示例,例如“抱歉”,当客户对客服人员的服务产生不满时,“抱歉”则属于非规范性词汇,但是,当作为缓解客户的误解时,“抱歉”则属于规范性词汇,从而导致部分词汇存在两种可能性的现象,应当理解,此处对歧义用语词汇的解释仅为方便理解,不用于先当本申请。
在本申请实施例中,客服会话内容指的是上述问答文本信息中客服人员的问答文本信息部分。
在本申请实施例中,可以通过遍历问答文本信息中的客服会话内容是否出现用语评价规则中的歧义用语词汇来判断是否存在歧义词汇。
在步骤S202中,若不存在歧义词汇,则执行基于用语评价规则对问答文本信息进行用语评价操作,得到规范用语评分的操作。
在本申请实施例中,若不存在歧义词汇,则说明通过用语评价规则对问答文本信息进行用语评价操作不会出现误判的现象。
在步骤S203中,若存在歧义词汇,则获取与歧义词汇上下文相关联的关联文本信息。
在本申请实施例中,关联文本信息主要用于获知该“歧义词汇”的真实词义,避免出现误判现象,该关联文本信息的获取方式可以是以出现“歧义词汇”的位置开始,由上一轮用户会话内容、本轮客服会话内容以及下轮用户会话内容组成。
在步骤S204中,将关联文本信息输入至语义分析模型进行词义识别操作,得到歧义词汇的真实词义信息。
在本申请实施例中,语义分析模型为预先训练好的深度识别网络模型,该语义分析模型可以通过分析关联文本内容获知目标词汇的真实含义。
在本申请实施例中,真实词义信息指的是该语义分析模型基于关联文本信息预测歧义词汇的真实词义,以避免出现误判的情况。
在步骤S205中,基于真实词义信息对歧义词汇进行用语评价操作,得到规范用语评分。
在本申请实施例中,由于部分词汇存在两种可能性,作为示例,例如“抱歉”,当客户对客服人员的服务产生不满时,“抱歉”则属于非规范性词汇,但是,当作为缓解客户的误解时,“抱歉”则属于规范性词汇,从而导致部分词汇存在两种可能性的现象。本申请提供的技术方案通过结合该产生歧义的词汇的上下文内容进行语义分析,获知该词汇的实际含义,再进行客观的规范用语评价操作,从而有效避免出现误判的情况,进而有效提高规范用语评分的参考价值。
继续参阅图3,示出了本申请实施例一提供的获取语义分析模型的实现流程图,为了便于说明,仅示出与本申请相关的部分。
在本申请实施例一的一些可选的实现方式中,在上述步骤S205之前,上述方法还包括:步骤S301、步骤S302、步骤S303以及步骤S304。
在步骤S301中,在本地数据库中获取样本文本,并确定样本文本中包含的每个分词。
在本申请实施例中,可以先从上述本地数据库中获取多个文本,确定由获取的多个文本所构成的训练集,则,针对训练集中的每个文本,可将该文本作为样本文本。
在本申请实施例中,确定该样本文本中包含的分词时,可先对该样本文本进行分词处理,以得到该样本文本中包含的每个分词。在对样本文本进行分词处理时,可采用任何分词方法,当然,也可将该样本文本中的每个字符都作为一个分词进行处理,应当理解,此处对分词处理的举例仅为方便理解,不用于限定本申请。
在步骤S302中,基于待训练的语义分析模型确定每个分词对应的词向量。
在本申请实施例中,语义分析模型可至少包括四层,分别是:语义表征层、属性表征层、属性相关性表示层、分类层。
在本申请实施例中,语义表征层中至少包括用于输出双向语义表示向量的子模型,如BERT(Bidirectional Encoder Representations from Transformers)模型等。可将每个分词输入语义分析模型中的语义表征层,得到语义表征层输出的每个分词分别对应的双向语义表示向量,作为每个分词对应的词向量。应当理解,用于输出双向语义表示向量的模型除了上述的BERT模型以外,还包括其他模型,此处对用于输出双向语义表示向量的模型的举例仅为方便理解,不用于限定本申请。
在步骤S303中,在本地数据库中获取语义属性,根据待训练的语义分析模型中包含语义属性对应的注意力矩阵,以及每个分词对应的词向量,确定样本文本涉及语义属性的第一特征表示向量。
在本申请实施例中,可将每个分词对应的词向量输入语义分析模型中的属性表征层,通过属性表征层中包含的该语义属性对应的注意力矩阵,对每个分词对应的词向量进行注意力加权,根据注意力加权后的每个分词对应的词向量,确定样本文本涉及该语义属性的第一特征表示向量。
在步骤S304中,根据待训练的语义分析模型中包含的用于表示不同语义属性之间的相关性的自注意力矩阵,以及第一特征表示向量,确定样本文本涉及语义属性的第二特征表示向量。
在本申请实施例中,可将样本文本涉及每个语义属性的第一特征表示向量输入语音分析模型中的属性相关性表示层,通过属性相关性表示层中包含的上述自注意力矩阵,对样本文本涉及每个语义属性的第一特征表示向量进行自注意力加权,根据自注意力加权后的各第一特征表示向量,确定样本文本涉及每个语义属性的第二特征表示向量。
在步骤S305中,根据待训练的语义分析模型以及第二特征表示向量,确定待训练的语义训练模型输出的分类结果,分类结果包括样本文本所属的语义属性以及样本文本所属的语义属性对应的情感极性。
在本申请实施例中,分类层至少包括隐层、全连接层和softmax层。
在本申请实施例中,可将样本文本涉及每个语义属性的第二特征表示向量依次输入分类层中的隐层、全连接层和softmax层,根据每个第二特征表示向量以及分类层的隐层、全连接层和softmax层中包含的与每个语义属性对应的分类参数,对样本文本进行分类,得到分类层输出的分类结果。
在本申请实施例中,的分类结果至少包括样本文本所属的语义属性以及样本文本在其所属的语义属性上对应的情感极性。
在本申请实施例中,该情感极性可以采用数值进行量化,例如,数值越接近于1,则表示情感极性越倾向于正面,数值越接近于-1,则表示情感极性越倾向于负面,数值接近于0,则表示情感极性倾向于中性。
在步骤S306中,根据分类结果和样本文本预设的标注,对语义分析模型中的模型参数进行调整,得到语义分析模型。
在本申请实施例中,需要调整的模型参数至少包括上述的分类参数,还可包括上述的注意力矩阵和自注意力矩阵。可采用传统的训练方法对语义分析模型中的模型参数进行调整。即,直接根据步骤S108得到的分类结果和针对样本文本预设的标注,确定分类结果对应的损失(以下将其称之为第一损失),并以该第一损失最小化为训练目标对语义分析模型中的模型参数进行调整,以完成对语义分析模型的训练。
在本申请实施例中,由于上述语义分析模型中已经加入了用于表示不同语义属性之间相关性的自注意力矩阵,因此,采用上述传统的训练方法训练得到的语义分析模型可更加准确的对待分析文本的语义进行分析。
在本申请实施例一的一些可选的实现方式中,上述步骤S302具体包括下述步骤:
将每个分词输入至语义分析模型的语义表征层,得到语义表征层输出的每个分词分别对应的双向语义表示向量,作为每个分词对应的词向量。
在本申请实施例中,语义表征层至少包括用于输出双向语义表示向量的子模型,该子模型包括BERT模型。
继续参阅图4,示出了本申请实施例一提供的第一特征表示向量获取方法的实现流程图,为了便于说明,仅示出与本申请相关的部分。
在本申请实施例一的一些可选的实现方式中,上述步骤S302具体包括:步骤S401、步骤S402以及步骤S403。
在步骤S401中,将每个分词对应的词向量输入至语义分析模型中的属性表征层。
在本申请实施例中,在本申请实施例中,属性表征层中至少包含每个语义属性各自对应的注意力矩阵。
在步骤S402中,通过属性表征层中包含的语义属性对应的注意力矩阵,对每个分词对应的词向量进行注意力加权,得到加权词向量。
在本申请实施例中,可将每个分词对应的词向量输入语义分析模型中的属性表征层,通过属性表征层中包含的该语义属性对应的注意力矩阵,对每个分词对应的词向量进行注意力加权,根据注意力加权后的每个分词对应的词向量,确定样本文本涉及该语义属性的第一特征表示向量。
在步骤S403中,基于加权词向量确定样本文本涉及语义属性的第一特征表示向量。
在本申请实施例中,上述的第一特征表示向量可以表征该样本文本涉及该语义属性的概率以及在该语义属性上的情感极性。
继续参阅图5,示出了本申请实施例一提供的第二特征表示向量获取方法的实现流程图,为了便于说明,仅示出与本申请相关的部分。
在本申请实施例一的一些可选的实现方式中,在上述步骤S304中,具体包括:步骤S501、步骤S502以及步骤S503。
在步骤S501中,将第一特征表示向量输入至语义分析模型中的属性相关性表示层。
在本申请实施例中,语义分析模型中的属性相关性表示层中至少包含自注意力矩阵,该自注意力矩阵用于表示不同语义属性之间的相关性,该自注意力矩阵的形式可以为:矩阵中的元素Rij表示第i个语义属性与第j个语义属性的相关性,相关性越强,Rij的值越大,反之越小。
在步骤S502中,通过属性相关性表示层中包含的用于表示不同语义属性之间的相关性的自注意力矩阵,对样本文本涉及每个语义属性的第一特征表示向量进行自注意力加权,得到加权特征表示向量。
在步骤S503中,基于加权特征表示向量确定样本文本涉及每个语义属性的第二特征表示向量。
在本申请实施例中,第二特征表示向量同样可以表征该样本文本涉及每个语义属性的概率以及在该语义属性上的情感极性,但与第一特征表示向量不同的是,第一特征表示向量是采用各自独立的每个语义属性对应的注意力矩阵对词向量加权得到的,因此,其表征的样本文本涉及每个语义属性的概率以及在该语义属性上的情感极性并未考虑不同语义属性之间的相关性。而第二特征表示向量是采用用于表示不同语义属性之间相关性的自注意力矩阵对第一特征表示向量加权得到的,相当于由自注意力矩阵引入了不同语义属性之间相关性的因素,因此,其表征的样本文本涉及每个语义属性的概率以及在该语义属性上的情感极性考虑了不同语义属性之间的相关性。
继续参阅图6,示出了本申请实施例一提供的范用语评分获取方法的实现流程图,为了便于说明,仅示出与本申请相关的部分。
在本申请实施例一的一些可选的实现方式中,在上述步骤S105之前,上述方法还包括:步骤S601、步骤S602、步骤S603以及步骤S604;上述步骤S105具体包括:步骤S605。
在步骤S601中,对问答文本信息的客服会话内容进行拆分操作,得到各轮会话内容。
在本申请实施例中,拆分操作指的是以每轮回话为基准,将客服人员的问答文本信息拆分成各轮的回话内容。
在步骤S602中,判断各轮会话内容中是否存在重复规范词汇。
在本申请实施例中,重复规范词汇指的是在同一轮回话内容出现的重复性规范用语。
在步骤S603中,若不存在重复规范词汇,则执行基于用语评价规则对问答文本信息进行用语评价操作,得到规范用语评分的操作。
在本申请实施例中,若不存在重复规范词汇,则说明客服人员没有故意重复某些规范性词汇以提高评分的情况。
在步骤S604中,若存在重复规范词汇,则删除重复出现的规范词汇,得到简化文本信息。
在本申请实施例中,重复出现的规范词汇指的是在重复规范词汇中,除开首次出现的该规范词汇所剩下的所有规范词汇即为该重复出现的规范词汇。
在本申请实施例中,通过过滤每次回话中出现的频繁词汇,从而有效避免出现个别客服人员为了提高自身规范用语评分而故意重复某些规范性词汇的情况,进而有效提高规范用语评分的参考价值。
在步骤S605中,基于用语评价规则对简化文本信息进行用语评价操作,得到规范用语评分。
在本申请实施例中,由于会存在个别客服人员为了提高自身规范用语评分而故意重复某些规范性词汇的情况,本申请提供的技术方案通过对每次客服人员的回话内容进行过滤操作,过滤每次回话中出现的频繁词汇,从而有效避免出现个别客服人员为了提高自身规范用语评分而故意重复某些规范性词汇的情况,进而有效提高规范用语评分的参考价值。
综上,本申请提供的应用于电话客服的质量评价方法,当客服人员进行电话服务操作时,采集电话服务操作的问答音频数据;对问答音频数据进行语音识别操作,得到问答文本信息;读取本地数据库,在本地数据库中获取标准话术流程以及用语评价规则;基于标准话术流程对问答文本信息进行流程评价操作,得到流程话术评分;基于用语评价规则对问答文本信息进行用语评价操作,得到规范用语评分;基于流程话术评分以及规范用语评分对客服人员进行综合计算操作,得到综合评价数据。通过采集客服人员的电话服务内容,并分别从“话术流程”以及“用语评价”两个方向对该客服人员的电话服务操作进行综合评价,从而脱离传统依赖客户对象主观评价的弊端,客观的从服务过程本身进行评价,有效提高客服评价的参考价值,同时,有效促进客服人员不断提升自身的服务质量。同时,通过结合该产生歧义的词汇的上下文内容进行语义分析,获知该词汇的实际含义,再进行客观的规范用语评价操作,从而有效避免出现误判的情况,进而有效提高规范用语评分的参考价值;通过对每次客服人员的回话内容进行过滤操作,过滤每次回话中出现的频繁词汇,从而有效避免出现个别客服人员为了提高自身规范用语评分而故意重复某些规范性词汇的情况,进而有效提高规范用语评分的参考价值。
需要强调的是,为进一步保证上述问答音频数据信息的私密和安全性,上述问答音频数据信息还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他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。
实施例二
进一步参考图7,作为对上述图1所示方法的实现,本申请提供了一种应用于电话客服的质量评价装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的应用于电话客服的质量评价装置100包括:音频记录模块110、语音识别模块120、参考数据获取模块130、流程评价模块140、用语评价模块150以及综合计算模块160。其中:
音频记录模块110,用于当客服人员进行电话服务操作时,记录电话服务操作的问答音频数据;
语音识别模块120,用于对问答音频数据进行语音识别操作,得到问答文本信息;
参考数据获取模块130,用于读取本地数据库,在本地数据库中获取标准话术流程以及用语评价规则;
流程评价模块140,用于基于标准话术流程对问答文本信息进行流程评价操作,得到流程话术评分;
用语评价模块150,用于基于用语评价规则对问答文本信息进行用语评价操作,得到规范用语评分;
综合计算模块160,用于基于流程话术评分以及规范用语评分对客服人员进行综合计算操作,得到综合评价数据。
在本申请实施例中,客服人员指的是通过电话的方式直接服务于客户的人员。
在本申请实施例中,电话服务操作指的是电话客服人员采用计算机加工、处理、存储各类信息,通过话音为用户提供信息服务的电话业务。
在本申请实施例中,问答音频数据指的是将电话通话过程的音频信号转换成波形信号的波形文件。
在本申请实施例中,问答音频数据可通过计算机中的数字音频接口将话筒、电话机或其他设备采集到的音频信号导入到计算机中进行录制得到。
在本申请实施例中,语音识别操作主要用于将上述采集到的问答音频数据转换成文本数据,具体的,该语音识别操作可以通过模式匹配法实现,在训练阶段,用户将词汇表中的每一词依次说一遍,并且将其特征矢量作为模板存入模板库,在识别阶段,将输入语音的特征矢量依次与模板库中的每个模板进行相似度比较,将相似度最高者作为识别结果输出。
在本申请实施例中,问答文本信息可以针对客服人员以及用户的波形特征对语音识别到的问答文本信息进行区分,并通过“一问一答”的形式展示该文本内容信息,从而获得客服人员的问答文本信息和用户的问答文本信息。
在本申请实施例中,本地数据库是指驻留于运行客户应用程序的机器的数据库。本地数据库提供最快的响应时间。因为在客户(应用程序)和服务器之间没有网络转输。该本地数据库预先存储有为用户提供信息服务的电话业务的标准话术流程方式以及包含有规范用语/非规范用语的用语评价规则。
在本申请实施例中,标准话术流程主要作为判断客服人员在提供信息服务的话术内容是否符合标准规范的参考,该标准规范具体包括话术内容以及话术前后流程两个部分。
在本申请实施例中,用语评价规则主要作为判断客服人员在提供信息服务的过程中是否积极采用规范用语的参考,该用语评价规则具体包括规范用语和非规范用语,其中,规范用语包括:“您”“您好”“抱歉”“帮助”“好的”“女士”“先生”“请”“不好意思”“不客气”“应该的”“谢谢”,生成一个该客服的用语统计清单,将正面高频词汇出现的频率进行统计记录;非规范用语包括:“不知道”“不清楚”“没办法”“好吧”等。
在本申请实施例中,在为用户提供信息服务的电话业务过程中,由于用户提出的会话问题存在不确定因素,因此,客服人员的电话服务操作无法根据固定的流程进行会话问答,然而,针对用户提出的会话问题进行答复时,存在一定的话术流程,以达到更加方便用户理解答复内容的效果,因此,需要根据话术流程对客服人员的会话内容进行流程评价操作。
在本申请实施例中,流程评价操作主要是在上述标准话术流程中根据用户提出的会话问题,获取与该会话问题相对应的标准话术流程内容,再与问答文本信息中客服人员答复的文本内容进行比较,从而获得标准话术流程与服务答复内容的相似度。
在本申请实施例中,流程话术评分指的是上述标准话术流程与服务答复内容的相似度。
在本申请实施例中,用语评价操作主要用于统计客服人员在进行电话业务的过程中所使用到的规范用语词汇或者非规范用语词汇,并以此作为该规范用语评分。
在本申请实施例中,由于在评价提供信息服务的电话业务的过程中,话术流程和规范用语所占用的比重是不一样的,用户可以根据具体情况分别预设两者的比重值,作为示例,该比重值可以分别为:6/10和4/10,应当理解,此处对话术流程和规范用语的比重值举例仅为方便理解,不用于限定本申请。
在本申请实施例中,综合计算操作主要是基于话术流程和规范用语所占用的比重计算各自的分数,最后相加得到该综合评价数据,该综合评价数据P表示为:
在本申请实施例中,提供了应用于电话客服的质量评价装置,通过采集客服人员的电话服务内容,并分别从“话术流程”以及“用语评价”两个方向对该客服人员的电话服务操作进行综合评价,从而脱离传统依赖客户对象主观评价的弊端,客观的从服务过程本身进行评价,有效提高客服评价的参考价值,同时,有效促进客服人员不断提升自身的服务质量。
在本申请实施例二的一些可选的实现方式中,上述应用于电话客服的质量评价装置100还包括:歧义词汇判断模块、歧义否认模块、歧义确认模块以及真实词义获取模块;上述用语评价模块150包括:用语评价子模块。其中:
歧义词汇判断模块,用于判断问答文本信息的客服会话内容中是否存在与歧义用语词汇相一致的歧义词汇;
歧义否认模块,用于若不存在歧义词汇,则执行基于用语评价规则对问答文本信息进行用语评价操作,得到规范用语评分的操作;
歧义确认模块,用于若存在歧义词汇,则获取与歧义词汇上下文相关联的关联文本信息;
真实词义获取模块,用于将关联文本信息输入至语义分析模型进行词义识别操作,得到歧义词汇的真实词义信息;
用语评价子模块,用于基于真实词义信息对歧义词汇进行用语评价操作,得到规范用语评分。
在本申请实施例二的一些可选的实现方式中,上述应用于电话客服的质量评价装置100还包括:分词确定模块、词向量确定模块、第一特征表示向量确定模块、第二特征表示向量确定模块、分类结果确定模块以及模型获取模块。其中:
分词确定模块,用于在本地数据库中获取样本文本,并确定样本文本中包含的每个分词;
词向量确定模块,用于基于待训练的语义分析模型确定每个分词对应的词向量;
第一特征表示向量确定模块,用于在本地数据库中获取语义属性,根据待训练的语义分析模型中包含语义属性对应的注意力矩阵,以及每个分词对应的词向量,确定样本文本涉及语义属性的第一特征表示向量;
第二特征表示向量确定模块,用于根据待训练的语义分析模型中包含的用于表示不同语义属性之间的相关性的自注意力矩阵,以及第一特征表示向量,确定样本文本涉及语义属性的第二特征表示向量;
分类结果确定模块,用于根据待训练的语义分析模型以及第二特征表示向量,确定待训练的语义训练模型输出的分类结果,分类结果包括样本文本所属的语义属性以及样本文本所属的语义属性对应的情感极性;
模型获取模块,用于根据分类结果和样本文本预设的标注,对语义分析模型中的模型参数进行调整,得到语义分析模型。
在本申请实施例二的一些可选的实现方式中,上述词向量确定模块具体包括:语义表征子模块。其中:
语义表征子模块,用于将每个分词输入至语义分析模型的语义表征层,得到语义表征层输出的每个分词分别对应的双向语义表示向量,作为每个分词对应的词向量。
在本申请实施例二的一些可选的实现方式中,上述第一特征表示向量确定模块具体包括:属性表征子模块、注意力加权子模块以及第一特征表示向量确定子模块。其中:
属性表征子模块,用于将每个分词对应的词向量输入至语义分析模型中的属性表征层;
注意力加权子模块,用于通过属性表征层中包含的语义属性对应的注意力矩阵,对每个分词对应的词向量进行注意力加权,得到加权词向量;
第一特征表示向量确定子模块,用于基于加权词向量确定样本文本涉及语义属性的第一特征表示向量。
在本申请实施例二的一些可选的实现方式中,上述第二特征表示向量确定模块具体包括:属性相关性表示子模块、自注意力加权子模块以及第二特征表示向量确定子模块。其中:
属性相关性表示子模块,用于将第一特征表示向量输入至语义分析模型中的属性相关性表示层;
自注意力加权子模块,用于通过属性相关性表示层中包含的用于表示不同语义属性之间的相关性的自注意力矩阵,对样本文本涉及每个语义属性的第一特征表示向量进行自注意力加权,得到加权特征表示向量;
第二特征表示向量确定子模块,用于基于加权特征表示向量确定样本文本涉及每个语义属性的第二特征表示向量。
在本申请实施例二的一些可选的实现方式中,上述应用于电话客服的质量评价装置100还包括:重复词汇判断模块、重复词汇否认模块以及重复词汇确认模块;上述用语评价模块150具体包括:用语评价子模块。其中:
拆分操作模块,用于对问答文本信息的客服会话内容进行拆分操作,得到各轮会话内容;
重复词汇判断模块,用于判断各轮会话内容中是否存在重复规范词汇;
重复词汇否认模块,用于若不存在重复规范词汇,则执行基于用语评价规则对问答文本信息进行用语评价操作,得到规范用语评分的操作;
重复词汇确认模块,用于若存在重复规范词汇,则删除重复出现的规范词汇,得到简化文本信息;
用语评价子模块,用于基于用语评价规则对简化文本信息进行用语评价操作,得到规范用语评分。
综上,本申请提供的应用于电话客服的质量评价装置,通过采集客服人员的电话服务内容,并分别从“话术流程”以及“用语评价”两个方向对该客服人员的电话服务操作进行综合评价,从而脱离传统依赖客户对象主观评价的弊端,客观的从服务过程本身进行评价,有效提高客服评价的参考价值,同时,有效促进客服人员不断提升自身的服务质量。同时,通过结合该产生歧义的词汇的上下文内容进行语义分析,获知该词汇的实际含义,再进行客观的规范用语评价操作,从而有效避免出现误判的情况,进而有效提高规范用语评分的参考价值;通过对每次客服人员的回话内容进行过滤操作,过滤每次回话中出现的频繁词汇,从而有效避免出现个别客服人员为了提高自身规范用语评分而故意重复某些规范性词汇的情况,进而有效提高规范用语评分的参考价值。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图8,图8为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器210、处理器220、网络接口230。需要指出的是,图中仅示出了具有组件210-230的计算机设备200,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器210至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器210可以是所述计算机设备200的内部存储单元,例如该计算机设备200的硬盘或内存。在另一些实施例中,所述存储器210也可以是所述计算机设备200的外部存储设备,例如该计算机设备200上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器210还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中,所述存储器210通常用于存储安装于所述计算机设备200的操作系统和各类应用软件,例如应用于电话客服的质量评价方法的计算机可读指令等。此外,所述存储器210还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器220在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器220通常用于控制所述计算机设备200的总体操作。本实施例中,所述处理器220用于运行所述存储器210中存储的计算机可读指令或者处理数据,例如运行所述应用于电话客服的质量评价方法的计算机可读指令。
所述网络接口230可包括无线网络接口或有线网络接口,该网络接口230通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
本申请提供的应用于电话客服的质量评价方法通过采集客服人员的电话服务内容,并分别从“话术流程”以及“用语评价”两个方向对该客服人员的电话服务操作进行综合评价,从而脱离传统依赖客户对象主观评价的弊端,客观的从服务过程本身进行评价,有效提高客服评价的参考价值,同时,有效促进客服人员不断提升自身的服务质量。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的应用于电话客服的质量评价方法的步骤。
本申请提供的应用于电话客服的质量评价方法通过采集客服人员的电话服务内容,并分别从“话术流程”以及“用语评价”两个方向对该客服人员的电话服务操作进行综合评价,从而脱离传统依赖客户对象主观评价的弊端,客观的从服务过程本身进行评价,有效提高客服评价的参考价值,同时,有效促进客服人员不断提升自身的服务质量。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种应用于电话客服的质量评价方法,其特征在于,包括下述步骤:
接收音频采集设备发送的问答音频数据;
对所述问答音频数据进行语音识别操作,得到问答文本信息;
读取本地数据库,在所述本地数据库中获取标准话术流程以及用语评价规则;
基于所述标准话术流程对所述问答文本信息进行流程评价操作,得到流程话术评分;
基于所述用语评价规则对所述问答文本信息进行用语评价操作,得到规范用语评分;
基于所述流程话术评分以及所述规范用语评分对所述客服人员进行综合计算操作,得到综合评价数据。
2.根据权利要求1所述的应用于电话客服的质量评价方法,其特征在于,用语评价规则中包括歧义用语词汇,在所述基于所述用语评价规则对所述问答文本信息进行用语评价操作,得到规范用语评分的步骤之前,还包括:
判断所述问答文本信息的客服会话内容中是否存在与所述歧义用语词汇相一致的歧义词汇;
若不存在所述歧义词汇,则执行所述基于所述用语评价规则对所述问答文本信息进行用语评价操作,得到规范用语评分的操作;
若存在所述歧义词汇,则获取与所述歧义词汇上下文相关联的关联文本信息;
将所述关联文本信息输入至语义分析模型进行词义识别操作,得到所述歧义词汇的真实词义信息;
所述基于所述用语评价规则对所述问答文本信息进行用语评价操作,得到规范用语评分的步骤,具体包括:
基于所述真实词义信息对所述歧义词汇进行所述用语评价操作,得到所述规范用语评分。
3.根据权利要求2所述的应用于电话客服的质量评价方法,其特征在于,在所述将所述关联文本信息输入至语义分析模型进行词义识别操作,得到所述歧义词汇的真实词义信息的步骤之前,还包括:
在所述本地数据库中获取样本文本,并确定所述样本文本中包含的每个分词;
基于待训练的语义分析模型确定所述每个分词对应的词向量;
在所述本地数据库中获取语义属性,根据所述待训练的语义分析模型中包含所述语义属性对应的注意力矩阵,以及所述每个分词对应的词向量,确定所述样本文本涉及所述语义属性的第一特征表示向量;
根据所述待训练的语义分析模型中包含的用于表示不同语义属性之间的相关性的自注意力矩阵,以及所述第一特征表示向量,确定所述样本文本涉及所述语义属性的第二特征表示向量;
根据所述待训练的语义分析模型以及所述第二特征表示向量,确定所述待训练的语义训练模型输出的分类结果,所述分类结果包括所述样本文本所属的语义属性以及所述样本文本所属的语义属性对应的情感极性;
根据所述分类结果和所述样本文本预设的标注,对所述语义分析模型中的模型参数进行调整,得到所述语义分析模型。
4.根据权利要求3所述的应用于电话客服的质量评价方法,其特征在于,所述基于待训练的语义分析模型确定所述每个分词对应的词向量的步骤,具体包括:
将所述每个分词输入至所述语义分析模型的语义表征层,得到所述语义表征层输出的所述每个分词分别对应的双向语义表示向量,作为所述每个分词对应的词向量。
5.根据权利要求3所述的应用于电话客服的质量评价方法,其特征在于,所述在所述本地数据库中获取语义属性,根据所述待训练的语义分析模型中包含所述语义属性对应的注意力矩阵,以及所述每个分词对应的词向量,确定所述样本文本涉及所述语义属性的第一特征表示向量的步骤,具体包括:
将所述每个分词对应的词向量输入至所述语义分析模型中的属性表征层;
通过所述属性表征层中包含的所述语义属性对应的注意力矩阵,对所述每个分词对应的词向量进行注意力加权,得到加权词向量;
基于所述加权词向量确定所述样本文本涉及所述语义属性的所述第一特征表示向量。
6.根据权利要求3所述的应用于电话客服的质量评价方法,其特征在于,所述根据所述待训练的语义分析模型中包含的用于表示不同语义属性之间的相关性的自注意力矩阵,以及所述第一特征表示向量,确定所述样本文本涉及所述语义属性的第二特征表示向量的步骤,具体包括:
将所述第一特征表示向量输入至所述语义分析模型中的属性相关性表示层;
通过所述属性相关性表示层中包含的用于表示不同语义属性之间的相关性的自注意力矩阵,对所述样本文本涉及每个语义属性的第一特征表示向量进行自注意力加权,得到加权特征表示向量;
基于所述加权特征表示向量确定所述样本文本涉及每个语义属性的第二特征表示向量。
7.根据权利要求1所述的应用于电话客服的质量评价方法,其特征在于,在所述基于所述用语评价规则对所述问答文本信息进行用语评价操作,得到规范用语评分的步骤之前,还包括:
对所述问答文本信息的客服会话内容进行拆分操作,得到各轮会话内容;
判断所述各轮会话内容中是否存在重复规范词汇;
若不存在所述重复规范词汇,则执行所述基于所述用语评价规则对所述问答文本信息进行用语评价操作,得到规范用语评分的操作;
若存在所述重复规范词汇,则删除重复出现的规范词汇,得到简化文本信息;
所述基于所述用语评价规则对所述问答文本信息进行用语评价操作,得到规范用语评分的步骤,具体包括:
基于所述用语评价规则对所述简化文本信息进行所述用语评价操作,得到所述规范用语评分。
8.一种应用于电话客服的质量评价装置,其特征在于,包括:
音频记录模块,用于接收音频采集设备发送的问答音频数据;
语音识别模块,用于对所述问答音频数据进行语音识别操作,得到问答文本信息;
参考数据获取模块,用于读取本地数据库,在所述本地数据库中获取标准话术流程以及用语评价规则;
流程评价模块,用于基于所述标准话术流程对所述问答文本信息进行流程评价操作,得到流程话术评分;
用语评价模块,用于基于所述用语评价规则对所述问答文本信息进行用语评价操作,得到规范用语评分;
综合计算模块,用于基于所述流程话术评分以及所述规范用语评分对所述客服人员进行综合计算操作,得到综合评价数据。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的应用于电话客服的质量评价方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的应用于电话客服的质量评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011314184.0A CN112468659B (zh) | 2020-11-20 | 2020-11-20 | 应用于电话客服的质量评价方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011314184.0A CN112468659B (zh) | 2020-11-20 | 2020-11-20 | 应用于电话客服的质量评价方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112468659A true CN112468659A (zh) | 2021-03-09 |
CN112468659B CN112468659B (zh) | 2022-10-25 |
Family
ID=74799016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011314184.0A Active CN112468659B (zh) | 2020-11-20 | 2020-11-20 | 应用于电话客服的质量评价方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112468659B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112992150A (zh) * | 2021-03-10 | 2021-06-18 | 中国工商银行股份有限公司 | 话术模板使用效果评价方法及装置 |
CN114722839A (zh) * | 2022-06-01 | 2022-07-08 | 阿里巴巴达摩院(杭州)科技有限公司 | 人机协同对话交互系统及方法 |
CN115063016A (zh) * | 2022-07-04 | 2022-09-16 | 武汉云之端广告传媒有限公司 | 一种基于智慧办公的数据分析方法、系统及存储介质 |
CN115273854A (zh) * | 2022-07-27 | 2022-11-01 | 上海数策软件股份有限公司 | 一种服务质量确定方法、装置、电子设备及存储介质 |
CN117594038A (zh) * | 2024-01-19 | 2024-02-23 | 壹药网科技(上海)股份有限公司 | 语音服务改进方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015007107A1 (zh) * | 2013-07-18 | 2015-01-22 | 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 |
CN109410986A (zh) * | 2018-11-21 | 2019-03-01 | 咪咕数字传媒有限公司 | 一种情绪识别方法、装置及存储介质 |
CN111048115A (zh) * | 2019-12-13 | 2020-04-21 | 集奥聚合(北京)人工智能科技有限公司 | 语音识别方法及装置 |
-
2020
- 2020-11-20 CN CN202011314184.0A patent/CN112468659B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015007107A1 (zh) * | 2013-07-18 | 2015-01-22 | 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 |
CN109410986A (zh) * | 2018-11-21 | 2019-03-01 | 咪咕数字传媒有限公司 | 一种情绪识别方法、装置及存储介质 |
CN111048115A (zh) * | 2019-12-13 | 2020-04-21 | 集奥聚合(北京)人工智能科技有限公司 | 语音识别方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112992150A (zh) * | 2021-03-10 | 2021-06-18 | 中国工商银行股份有限公司 | 话术模板使用效果评价方法及装置 |
CN112992150B (zh) * | 2021-03-10 | 2022-06-21 | 中国工商银行股份有限公司 | 话术模板使用效果评价方法及装置 |
CN114722839A (zh) * | 2022-06-01 | 2022-07-08 | 阿里巴巴达摩院(杭州)科技有限公司 | 人机协同对话交互系统及方法 |
CN115063016A (zh) * | 2022-07-04 | 2022-09-16 | 武汉云之端广告传媒有限公司 | 一种基于智慧办公的数据分析方法、系统及存储介质 |
CN115273854A (zh) * | 2022-07-27 | 2022-11-01 | 上海数策软件股份有限公司 | 一种服务质量确定方法、装置、电子设备及存储介质 |
CN117594038A (zh) * | 2024-01-19 | 2024-02-23 | 壹药网科技(上海)股份有限公司 | 语音服务改进方法及系统 |
CN117594038B (zh) * | 2024-01-19 | 2024-04-02 | 壹药网科技(上海)股份有限公司 | 语音服务改进方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112468659B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112468659B (zh) | 应用于电话客服的质量评价方法、装置、设备及存储介质 | |
CN110096570B (zh) | 一种应用于智能客服机器人的意图识别方法及装置 | |
CN110147726B (zh) | 业务质检方法和装置、存储介质及电子装置 | |
CN110457432B (zh) | 面试评分方法、装置、设备及存储介质 | |
CN109767787B (zh) | 情绪识别方法、设备及可读存储介质 | |
CN112270196B (zh) | 实体关系的识别方法、装置及电子设备 | |
CN110347787B (zh) | 一种基于ai辅助面试场景的面试方法、装置及终端设备 | |
CN113094578B (zh) | 基于深度学习的内容推荐方法、装置、设备及存储介质 | |
CN112671985A (zh) | 基于深度学习的坐席质检方法、装置、设备及存储介质 | |
CN112307164A (zh) | 信息推荐方法、装置、计算机设备和存储介质 | |
CN112632248A (zh) | 问答方法、装置、计算机设备和存储介质 | |
CN113314150A (zh) | 基于语音数据的情绪识别方法、装置及存储介质 | |
CN113988061A (zh) | 基于深度学习的敏感词检测方法、装置、设备及存储介质 | |
CN113486664A (zh) | 文本数据可视化分析方法、装置、设备及存储介质 | |
CN113990352A (zh) | 用户情绪识别与预测方法、装置、设备及存储介质 | |
CN113807103A (zh) | 基于人工智能的招聘方法、装置、设备及存储介质 | |
CN113822040A (zh) | 一种主观题阅卷评分方法、装置、计算机设备及存储介质 | |
CN111159360B (zh) | 获得讯询问话题分类模型、讯询问话题分类的方法和装置 | |
CN114218356A (zh) | 基于人工智能的语义识别方法、装置、设备及存储介质 | |
CN114822557A (zh) | 课堂中不同声音的区分方法、装置、设备以及存储介质 | |
CN114333844A (zh) | 声纹识别方法、装置、介质及设备 | |
CN112562736A (zh) | 一种语音数据集质量评估方法和装置 | |
CN113515642A (zh) | 电话营销关键断点确定方法及装置 | |
CN113035230A (zh) | 认证模型的训练方法、装置及电子设备 | |
CN113505293A (zh) | 信息推送方法、装置、电子设备及存储介质 |
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 |