CN112820323A - 基于客户语音进行响应队列优先级调整方法及系统 - Google Patents
基于客户语音进行响应队列优先级调整方法及系统 Download PDFInfo
- Publication number
- CN112820323A CN112820323A CN202011602230.7A CN202011602230A CN112820323A CN 112820323 A CN112820323 A CN 112820323A CN 202011602230 A CN202011602230 A CN 202011602230A CN 112820323 A CN112820323 A CN 112820323A
- Authority
- CN
- China
- Prior art keywords
- client
- priority
- voice
- level
- customer
- 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
- 230000004044 response Effects 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000008451 emotion Effects 0.000 claims abstract description 91
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012913 prioritisation Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 4
- 206010001497 Agitation Diseases 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 230000002996 emotional effect Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 6
- 238000009432 framing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010028813 Nausea Diseases 0.000 description 1
- 206010067171 Regurgitation Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000001260 vocal cord Anatomy 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- G10L15/08—Speech classification or search
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请提供了一种基于客户语音进行响应队列优先级调整方法、系统及存储介质,根据客户登录信息,识别客户的客户层级,得到客户层级;识别客户的语音信息,得到客户的语音情绪分级;根据客户的语音信息,识别客户的语音亢奋度,得到客户的亢奋度预测值;根据客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到客户的响应优先级。本申请解决了现有的客户响应队列优先级考虑因素不全面,不能更好的处理客户反馈意见以及不能保证客户满意度的问题。
Description
技术领域
本申请属于智能语音技术领域,具体地,涉及一种基于客户语音进行响应队列优先级调整方法及系统。
背景技术
随着银行之间的竞争越来越激烈,为了提升银行网点服务,提升客户满意度,银行网点都想快速获取客户的反馈意见,因此大多银行网点均设置有客户语音吐槽平台,通过快速收集和归整客户声音,然后根据客户语音吐槽设置响应优先级进行客户依次响应和维护,进而迭代优化网点服务及网点营销的管理。比如,银行在网点部署小程序吐槽的二维码,每天可以收到客户大量的语音吐槽,因此需要网点人员根据响应队列的优先级,依次及时安抚客户,快速的响应客户,进而提高客户的满意度,防止重要客户的流失。
然而,目前银行网点的客户语音吐槽响应,普遍常规的方法是按照客户吐槽的时间顺序依次响应;或者,普遍常规的方法是根据业务类型的紧急程度调整响应优先级;再或者根据银行网点客户语音吐槽,进行人工判断出客户情绪亢奋度,需要人工听完语音,通过人工判断客户语音内容是否包含情绪关键词,才能识别并调整客户响应优先级;且,目前的银行网点客户语音吐槽响应优先级,没有按照客户重要度层级判断是否需要调整响应队列优先级。
因此,亟需一种新的基于客户语音进行响应队列优先级调整方法,以更佳的客户响应顺序安抚客户,保证客户的满意度,防止重要客户的流失。
发明内容
本发明提出了一种基于客户语音进行响应队列优先级调整方法及系统,旨在解决现有的客户响应队列优先级考虑因素不全面,不能更好的处理客户反馈意见以及不能保证客户满意度的问题。
根据本申请实施例的第一个方面,提供了一种基于客户语音进行响应队列优先级调整方法,具体包括以下步骤:
根据客户登录信息,识别客户的客户层级,得到客户层级;
识别客户的语音信息,得到客户的语音情绪分级;
根据客户的语音信息,识别客户的语音亢奋度,得到客户的亢奋度预测值;
根据客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到客户的响应优先级。
在本申请一些实施方式中,识别客户的语音信息,得到客户的语音情绪分级,具体包括:
根据客户的语音信息,进行语音转文字识别,得到文字识别数据;
根据文字识别数据,进行关键字检索,得到语音情绪分级。
在本申请一些实施方式中,根据客户的语音信息,识别客户的语音亢奋度,得到客户的亢奋度预测值,具体包括:
根据客户的语音信息,得到客户的语谱图;
根据客户的语谱图进行特征提取,并进行亢奋度类别打标签后,得到训练数集;
通过训练数集训练亢奋度预测神经网络,得到训练后的亢奋度预测模型;
输入待测的客户语音信息,至训练后的亢奋度预测模型,得到客户的亢奋度预测值。
在本申请一些实施方式中,语音亢奋度识别模型的具体训练过程为:
将客户原始的语音信息,转换为语谱图,提取语谱图特征;
将提取的特征及对应的亢奋度类别标签,输入深度神经网络模型进行训练,得到训练好的语音亢奋度识别模型;
输入的待测的客户语音信息至语音亢奋度识别模型进行预测,得到客户语音信息的亢奋度预测的概率值。
在本申请一些实施方式中,提取语谱图特征,具体使用残差卷积神经网络提取输入特征,特征提取公式具体为:
y=F(x,Wi)+Wsx;
其中,x表示卷积层的输入,Ws表示线性映射的权值;
其中,F(x,Wi)是卷积核函数,表示卷积层中用于学习非线性映射的权值。
在本申请一些实施方式中,根据客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到客户的响应优先级,具体包括:
预先设置客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表;
根据客户的客户层级、语音情绪分级以及亢奋度预测值,查找相应的客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表,得到客户的客户层级优先级分值、语音情绪优先级分值以及亢奋度优先级分值;
将客户的客户层级优先级分值、语音情绪优先级分值以及亢奋度优先级分值,进行累加,得到客户的优先级总分值,确定客户的响应优先级。
在本申请一些实施方式中,得到客户的优先级总分值,确定客户的响应优先级之后,还包括:
根据所有客户的优先级总分值,将所有客户进行响应队列排序;
根据排序结果,得到响应队列优先级。
根据本申请实施例的第二个方面,提供了一种基于客户语音进行响应队列优先级调整系统,具体包括:
客户层级模块:用于根据客户登录信息,识别客户的客户层级,得到客户层级;
语音情绪分级模块:用于识别客户的语音信息,得到客户的语音情绪分级;
亢奋度预测模块:用于根据客户的语音信息,识别客户的语音亢奋度,得到客户的亢奋度预测值;
响应优先级模块:用于根据客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到客户的响应优先级。
根据本申请实施例的第三个方面,提供了一种基于客户语音进行响应队列优先级调整设备,包括:
存储器:用于存储可执行指令;以及
处理器:用于与存储器连接以执行可执行指令从而完成基于客户语音进行响应队列优先级调整方法。
根据本申请实施例的第四个方面,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以实现基于客户语音进行响应队列优先级调整方法。
采用本申请实施例中的基于客户语音进行响应队列优先级调整方法、系统及存储介质,根据客户登录信息,识别客户的客户层级,得到客户层级;识别客户的语音信息,得到客户的语音情绪分级;根据客户的语音信息,识别客户的语音亢奋度,得到客户的亢奋度预测值;根据客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到客户的响应优先级。本申请可以实时识别客户语音的情绪亢奋度、语音检索客户情绪关键字,并同时考虑到客户层级等多个调整因素,进而动态调整客户吐槽响应队列的优先级,可以快速高效精准的响应客户吐槽,提升客户服务和客户的满意度,降低客户投诉风险。解决了现有的客户响应队列优先级考虑因素不全面,不能更好的处理客户反馈意见以及不能保证客户满意度的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1中示出了根据本申请实施例的一种基于客户语音进行响应队列优先级调整方法的步骤流程图;
图2中示出了根据本申请实施例的一种基于客户语音进行响应队列优先级调整方法的流程示意图;
图3中示出了根据本申请实施例的基于客户语音进行响应队列优先级调整系统的结构示意图;
图4中示出了根据本申请实施例的基于客户语音进行响应队列优先级调整设备的结构示意图。
具体实施方式
在实现本申请的过程中,发明人发现目前银行网点的客户语音吐槽响应,普遍常规的方法是按照客户吐槽的时间顺序依次响应;或者,普遍常规的方法是根据业务类型的紧急程度调整响应优先级;再或者根据银行网点客户语音吐槽,进行人工判断出客户情绪亢奋度。但这些方法均没有按照客户重要度层级判断是否需要调整响应队列优先级,考虑因素不全面,不能更好的处理客户反馈意见以及不能保证客户回复满意度。
基于此,本申请的基于客户语音进行响应队列优先级调整方法、系统及存储介质,根据客户登录信息,识别客户的客户层级,得到客户层级;识别客户的语音信息,得到客户的语音情绪分级;根据客户的语音信息,识别客户的语音亢奋度,得到客户的亢奋度预测值;根据客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到客户的响应优先级。
本申请可以实时识别客户语音的情绪亢奋度、语音检索客户情绪关键字,并同时考虑到客户层级等多个调整因素,进而动态调整客户吐槽响应队列的优先级,可以快速高效精准的响应客户吐槽,提升客户服务和客户的满意度,降低客户投诉风险。解决了现有的客户响应队列优先级考虑因素不全面,不能更好的处理客户反馈意见以及不能保证客户满意度的问题。
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1
图1中示出了根据本申请实施例的基于客户语音进行响应队列优先级调整方法的步骤流程图。
如图1所示,本申请的基于客户语音进行响应队列优先级调整方法,具体包括以下步骤:
S101:根据客户登录信息,识别客户的客户层级,得到客户层级。
具体的,根据客户登录信息,识别客户的客户层级,得到客户层级,具体包括:根据客户登录信息,匹配客户数据库,得到客户的客户层级。
客户首先进行程序登陆,可以通过二维码扫描、下载手机app或者智能终端登陆平台。
然后录入客户信息进行登陆,客户登陆信息可以是手机号码、身份证号码或者会员卡号等,登陆信息包含客户的身份识别信息。
然后,根据客户的身份信息查找客户数据库,在客户数据库中包括客户层级信息,然后进行客户层级识别,得到改客户的客户层级。
以银行行业为例,银行客户的客户层级可以包括:私行财客,准财客,富裕,大众以及小额等层级。
S102:识别客户的语音信息,得到客户的语音情绪分级。
具体的,步骤S102中根据客户的语音信息,进行语音识别,得到文字识别数据;然后根据文字识别数据,进行关键字检索,得到语音情绪分级。
S102具体的包括以下步骤:
S21:根据客户的语音信息,进行语音转文字识别,得到文字识别数据。
本实施例中的语音转文字技术采用的是ASR技术。
其中,ASR(Automatic SpeechRecognition,自动语音识别技术)是一种将人的语音转换为文本的技术。语音识别技术是信息技术中人机交互的关键技术,目前已经在呼叫中心、电信增值业务、企业信息化系统中有着广泛的应用。随着语音识别在语音搜索、语音控制等全新应用领域的深入应用,语音识别技术被业界权威人士誉为有可能引发人机界面领域革命的关键技术。近年来,语音识别技术取得了足够的进步,本发明优选采用了当前最为先进的DNN(深层神经网络)技术,为构建高价值自助语音服务提供强大、稳定、易用的核心动力引擎。
具体的,首选需要对原始语音进行预加重、分帧和加窗处理,获取标准语音。
获取标准语音的过程如下:
首先,采用预加重处理的公式对原始语音进行预加重处理,以消除说话人的声带和嘴唇对说话人语音的影响,提高说话人语音的高频分辨率。
其中,预加重处理的公式(1)为:
S′n=Sn-a*Sn-1; 公式(1)
其中,S′n为预加重处理后的n时刻的语音信号幅度,Sn为n时刻的语音信号幅度,Sn-1为n-1时刻的语音信号幅度,a为预加重系数。
然后,对预加重处理后的原始语音进行分帧处理,在分帧时,每一帧语音的起始点和末尾点都会出现不连续的地方,分帧越多,与原始语音的误差也就越大。
最后,为了保持每一帧语音的频率特性,还需要进行加窗处理。
加窗处理的公式(2)为:
S″n=Wn*S′n; 公式(2)
其中,Wn为n时刻的汉明窗,N为汉明窗窗长,S″n为n时刻加窗后时域上的信号幅度。
通过以上步骤对原始语音进行预处理,获取标准语音,为后续对标准语音进行端点检测处理提供有效的数据来源。
S22:根据文字识别数据,进行关键字检索,得到语音情绪。
例如语音情绪包括抱怨、愤怒、厌恶或者着急等等,而每一种语音情绪会通过各种各样的词汇进行对应表达。
因此,首先建立关键字与语音情绪对应库;
然后根据文字识别数据,识别情绪库中的关键字;
最后,得到关键字对应的语音情绪。
例如:
抱怨情绪对应的关键字包括:不行、不好、太差、垃圾、什么服务、再也不、投诉、难用等等。
愤怒情绪对应的关键字包括:想死、热死、好臭、好烂、特烂等等字语。
厌恶情绪对应的关键字包括:恶心、想吐、反胃、很乱、素质差等等字语。
着急情绪对应的关键字包括:马上、立刻、还差、快点、着急以及急死等等字语。
S103:根据客户的语音信息,识别客户的语音亢奋度,得到客户的亢奋度预测值。
具体包括以下步骤:
首先,根据客户的语音信息,得到客户的语谱图;
其次,根据客户的语谱图进行特征提取,并进行亢奋度类别打标签后,得到训练数集;
然后,通过训练数集训练亢奋度预测神经网络,得到训练后的亢奋度预测模型;
最后,输入待测的客户语音信息,至训练后的亢奋度预测模型,得到客户的亢奋度预测值。
步骤S103中,需要通过语音亢奋度识别模型进行语音亢奋度识别,语音亢奋度识别模型的具体训练过程为:
S31:将客户原始的语音信息,转换为语谱图,进行语谱图特征提取,相比于其他特征提取算法,语谱图包含了更多的语音原始信息包括时间、频率、振幅等信息。
具体的,使用残差卷积神经网络提取输入特征的基本结构,
特征提取公式(3)具体为:
y=F(x,Wi)+Wsx; 公式(3)
其中,x定义了卷积层的输入,Ws表示线性映射的权值,仅当输入x经过卷积操作后,数据维度发生了变化,因此无法使用对位相加的操作,需要对x进行维度映射。
其中,F(x,Wi)是卷积核函数,表示卷积层中用于学习非线性映射的权值。
S32:训练与测试模型,使用匹配的输入数据及对应的亢奋度类别标签,训练深度神经网络模型;训练好的的模型对输入的待测的客户语音信息进行预测,得到亢奋度预测的概率值。
具体的包括以下步骤:
构建数据集:对每组语音的数据进行S31处理操作后得到网络的最终输入,同时数值化亢奋度类别,给出对应的编码,同时划分测试集,训练集数据;
初始化网络权值:根据S32的深度残差神经网络的基本结构,具体化设计网络的整体结构,同时初始化网络的全部可训练权值。
训练网络:定义目标损失函数,采用反向传播算法对网络的各权值梯度进行计算,从而更新网络权值;
测试网络:采用训练完毕的网络权值与定义好的网络结构,将未训练的测试数据输入网络,根据网络最后的输出结果,预测输入数据中的亢奋度。
S104:根据客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到客户的响应优先级。
其中,响应优先级算法包括客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表;客户层级优先级分值表包括与客户层级对应的客户层级优先级分值,语音情绪优先级分值表包括与语音情绪分级对应的语音情绪优先级分值,亢奋度优先级分值表包括与亢奋度预测值对应的亢奋度优先级分值。
具体的,步骤S104具体包括:
预先设置客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表;
根据客户的客户层级、语音情绪分级以及亢奋度预测值,查找相应的客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表,得到客户的客户层级优先级分值、语音情绪优先级分值以及亢奋度优先级分值;
将客户的客户层级优先级分值、语音情绪优先级分值以及亢奋度优先级分值,进行累加,得到客户的优先级总分值,确定客户的响应优先级。
在本申请一些实施方式中,得到客户的优先级总分值,确定客户的响应优先级之后,还包括:
根据所有客户的优先级总分值,将所有客户进行响应队列排序;
根据排序结果,得到响应队列优先级。
本申请实施例以银行行业为例进行具体展开说明。
首先,如表1所示,建立客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表。
表1客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表
然后,根据步骤S101得到的客户层级,对应表1的客户层级优先级分值表,得到该客户的客户层级分值;根据步骤S102的客户的语音情绪,对应查找表1中的语音情绪优先级分值表,得到该客户的情绪分值;根据步骤S103的亢奋度预测值,对照查找表1中的亢奋度优先级分值表,得到该客户的亢奋度分值。
最后,将以上客户层级分值、情绪分值以及亢奋度分值相加得到该客户的响应优先级,分值越高优先级越高,最后基于优先级将客户进行排序,依次响应处理。
最后,以银行为例,应用本申请的方案进行客户优先级分析如表2所示。
表2客户优先级分析表
根据表2可知,案例客户语音吐槽响应队列优先级调整结果:客户B>客户A>客户C。
图2中示出了根据本申请实施例的一种基于客户语音进行响应队列优先级调整方法的流程示意图。
进一步说明的,如图2所示,本申请应用时具体包括以下流程:
1)客户通过扫码登录认证,进入客户语音吐槽平台,平台获取包括手机号等客户登录信息,客户进行语音吐槽,并语音保存。
2)然后,根据客户登录信息,进行客户层级识别,得到客户层级;根据客户的语音信息,进行语音转文字识别,得到文字识别数据;根据文字识别数据,进行关键字检索,得到语音情绪分级;根据客户的语音信息,进行语音亢奋度识别,得到客户的亢奋度预测值;
3)最后,根据客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级调整算法,调整队列优先级,得到客户的响应队列优先级。
采用本申请实施例中的基于客户语音进行响应队列优先级调整方法,根据客户登录信息,识别客户的客户层级,得到客户层级;识别客户的语音信息,得到客户的语音情绪分级;根据客户的语音信息,识别客户的语音亢奋度,得到客户的亢奋度预测值;根据客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到客户的响应优先级。
本申请可以实时识别客户语音的情绪亢奋度、语音检索客户情绪关键字,并同时考虑到客户层级等多个调整因素,进而动态调整客户吐槽响应队列的优先级,可以快速高效精准的响应客户吐槽,提升客户服务和客户的满意度,降低客户投诉风险。解决了现有的客户响应队列优先级考虑因素不全面,不能更好的处理客户反馈意见以及不能保证客户满意度的问题。
实施例2
本实施例2的基于客户语音进行响应队列优先级调整方法,在实施例1基础上,在客户录入登陆信息后,增加了需要根据客户登录信息,进行语音身份验证。
具体的,
首先,构建安全身份库,安全身份库包括用户注册时预留的音频数据。
然后,客户登录时需要录入语音信息,处理后得到待验证语音音频;
最后,将两段音频数据进行语音验证,具体过程包括:
对待验证音频以及当前用户输入的语音音频分别进行特征提取,获得各自对应的音频向量;
利用余弦相似度公式求取两个音频向量的相似度,记为第一相似度;
判断所述第一相似度是否高于第一预设阈值,若高于,则判定当前用户为安全身份,否则执行下一步;
构建基于深度学习的声音相似度计算模型;具体过程包括:
从注册库中提取用户A的语音音频,对该音频进行特征提取,获得对应的音频向量,记为音频特征a;
对验证库中每一个用户的语音音频进行特征提取,获得对应的音频向量,分别记为音频特征b1,b2,....,bn,构成音频特征集B;n为验证库中语音音频的数目。
从音频特征集B中随机抽取若干音频特征,每个音频特征分别与音频特征a构成一个样本,形成训练样本集;
将训练样本集输入LSTM神经网络进行训练,生成声音相似度计算模型;将当前用户输入的语音音频的音频向量,以及音频特征集B中该用户对应的音频特征输入至声音相似度计算模型,输出两者的相似度,记为第二相似度;
判断第二相似度是否高于第二预设阈值,若高于,则判定当前用户为安全身份,否则判定当前用户为不安全身份。
这里优选地,第一预设阈值、第二预设阈值分别设为80%、50%。
实施例3
本实施例提供了一种基于客户语音进行响应队列优先级调整系统,对于本实施例的基于客户语音进行响应队列优先级调整系统中未披露的细节,请参照其它实施例中的基于客户语音进行响应队列优先级调整方法的实施内容。
图3中示出了根据本申请实施例的基于客户语音进行响应队列优先级调整系统的结构示意图。
如图3所示,本申请的基于客户语音进行响应队列优先级调整系统,包括客户层级模块10、语音情绪分级模块20、亢奋度预测模块30以及响应优先级模块40。
具体的,
客户层级模块10:用于根据客户登录信息,识别客户的客户层级,得到客户层级。
具体的,根据客户登录信息,识别客户的客户层级,得到客户层级,具体包括:根据客户登录信息,匹配客户数据库,得到客户的客户层级。
客户首先进行程序登陆,可以通过二维码扫描、下载手机app或者智能终端登陆平台。
然后录入客户信息进行登陆,客户登陆信息可以是手机号码、身份证号码或者会员卡号等,登陆信息包含客户的身份识别信息。
然后,根据客户的身份信息查找客户数据库,在客户数据库中包括客户层级信息,然后进行客户层级识别,得到改客户的客户层级。
以银行行业为例,银行客户的客户层级可以包括:私行财客,准财客,富裕,大众以及小额等层级。
语音情绪分级模块20:用于识别客户的语音信息,得到客户的语音情绪分级。
具体的包括以下步骤:
S21:根据客户的语音信息,进行语音转文字识别,得到文字识别数据。
本实施例中的语音转文字技术采用的是ASR技术。
其中,ASR(Automatic SpeechRecognition,自动语音识别技术)是一种将人的语音转换为文本的技术。语音识别技术是信息技术中人机交互的关键技术,目前已经在呼叫中心、电信增值业务、企业信息化系统中有着广泛的应用。随着语音识别在语音搜索、语音控制等全新应用领域的深入应用,语音识别技术被业界权威人士誉为有可能引发人机界面领域革命的关键技术。近年来,语音识别技术取得了足够的进步,本发明优选采用了当前最为先进的DNN(深层神经网络)技术,为构建高价值自助语音服务提供强大、稳定、易用的核心动力引擎。
具体的,首选需要对原始语音进行预加重、分帧和加窗处理,获取标准语音。
S22:根据文字识别数据,进行关键字检索,得到语音情绪。
例如语音情绪包括抱怨、愤怒、厌恶或者着急等等,而每一种语音情绪会通过各种各样的词汇进行对应表达。
因此,首先建立关键字与语音情绪对应库;
然后根据文字识别数据,识别情绪库中的关键字;
最后,得到关键字对应的语音情绪。
亢奋度预测模块30:用于根据客户的语音信息,识别客户的语音亢奋度,得到客户的亢奋度预测值。
具体包括以下步骤:
首先,根据客户的语音信息,得到客户的语谱图;
其次,根据客户的语谱图进行特征提取,并进行亢奋度类别打标签后,得到训练数集;
然后,通过训练数集训练亢奋度预测神经网络,得到训练后的亢奋度预测模型;
最后,输入待测的客户语音信息,至训练后的亢奋度预测模型,得到客户的亢奋度预测值。
响应优先级模块40:用于根据客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到客户的响应优先级。
其中,响应优先级算法包括客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表;客户层级优先级分值表包括与客户层级对应的客户层级优先级分值,语音情绪优先级分值表包括与语音情绪分级对应的语音情绪优先级分值,亢奋度优先级分值表包括与亢奋度预测值对应的亢奋度优先级分值。
具体的,响应优先级模块40具体用于:
预先设置客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表;
根据客户的客户层级、语音情绪分级以及亢奋度预测值,查找相应的客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表,得到客户的客户层级优先级分值、语音情绪优先级分值以及亢奋度优先级分值;
将客户的客户层级优先级分值、语音情绪优先级分值以及亢奋度优先级分值,进行累加,得到客户的优先级总分值,确定客户的响应优先级。
在本申请一些实施方式中,得到客户的优先级总分值,确定客户的响应优先级之后,还包括:
根据所有客户的优先级总分值,将所有客户进行响应队列排序;
根据排序结果,得到响应队列优先级。
采用本申请实施例中的基于客户语音进行响应队列优先级调整系统,客户层级模块10根据客户登录信息,识别客户的客户层级,得到客户层级;语音情绪分级模块20识别客户的语音信息,得到客户的语音情绪分级;亢奋度预测模块30根据客户的语音信息,识别客户的语音亢奋度,得到客户的亢奋度预测值;响应优先级模块40根据客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到客户的响应优先级。
本申请可以实时识别客户语音的情绪亢奋度、语音检索客户情绪关键字,并同时考虑到客户层级等多个调整因素,进而动态调整客户吐槽响应队列的优先级,可以快速高效精准的响应客户吐槽,提升客户服务和客户的满意度,降低客户投诉风险。解决了现有的客户响应队列优先级考虑因素不全面,不能更好的处理客户反馈意见以及不能保证客户满意度的问题。
实施例4
本实施例提供了一种基于客户语音进行响应队列优先级调整设备,对于本实施例的基于客户语音进行响应队列优先级调整设备中未披露的细节,请参照其它实施例中的基于客户语音进行响应队列优先级调整方法或系统具体的实施内容。
图4中示出了根据本申请实施例的基于客户语音进行响应队列优先级调整设备400的结构示意图。
如图4所示,响应队列优先级调整设备400,包括:
存储器402:用于存储可执行指令;以及
处理器401:用于与存储器402连接以执行可执行指令从而完成基于模板生成PDF的电子签章方法。
本领域技术人员可以理解,所述示意图4仅仅是响应队列优先级调整设备400的示例,并不构成对响应队列优先级调整设备400的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如响应队列优先级调整设备400还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器401也可以是任何常规的处理器等,处理器401是响应队列优先级调整设备400的控制中心,利用各种接口和线路连接整个响应队列优先级调整设备400的各个部分。
存储器402可用于存储所述计算机可读指令,处理器401通过运行或执行存储在存储器402内的计算机可读指令或模块,以及调用存储在存储器402内的数据,实现响应队列优先级调整设备400的各种功能。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据响应队列优先级调整设备400计算机设备30的使用所创建的数据等。此外,存储器402可以包括硬盘、内存、插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)或其他非易失性/易失性存储器件。
所述响应队列优先级调整设备400集成的模块如果以软件功能模块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机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
实施例5阿
本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;计算机程序被处理器执行以实现其他实施例中的基于客户语音进行响应队列优先级调整方法。
采用本申请实施例中的响应队列优先级调整设备及存储介质,根据客户登录信息,识别客户的客户层级,得到客户层级;识别客户的语音信息,得到客户的语音情绪分级;根据客户的语音信息,识别客户的语音亢奋度,得到客户的亢奋度预测值;根据客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到客户的响应优先级。
本申请可以实时识别客户语音的情绪亢奋度、语音检索客户情绪关键字,并同时考虑到客户层级等多个调整因素,进而动态调整客户吐槽响应队列的优先级,可以快速高效精准的响应客户吐槽,提升客户服务和客户的满意度,降低客户投诉风险。解决了现有的客户响应队列优先级考虑因素不全面,不能更好的处理客户反馈意见以及不能保证客户满意度的问题。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于客户语音进行响应队列优先级调整方法,其特征在于,具体包括以下步骤:
根据客户登录信息,识别所述客户的客户层级,得到客户层级;
识别客户的语音信息,得到所述客户的语音情绪分级;
根据客户的语音信息,识别所述客户的语音亢奋度,得到所述客户的亢奋度预测值;
根据所述客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到所述客户的响应优先级。
2.根据权利要求1所述的基于客户语音进行响应队列优先级调整方法,其特征在于,所述识别客户的语音信息,得到所述客户的语音情绪分级,具体包括:
根据客户的语音信息,进行语音转文字识别,得到文字识别数据;
根据所述文字识别数据,进行关键字检索,得到语音情绪分级。
3.根据权利要求1所述的基于客户语音进行响应队列优先级调整方法,其特征在于,所述根据客户的语音信息,识别所述客户的语音亢奋度,得到所述客户的亢奋度预测值,具体包括:
根据客户的语音信息,得到客户的语谱图;
根据所述客户的语谱图进行特征提取,并进行亢奋度类别打标签后,得到训练数集;
通过所述训练数集训练亢奋度预测神经网络,得到训练后的亢奋度预测模型;
输入待测的客户语音信息,至所述训练后的亢奋度预测模型,得到所述客户的亢奋度预测值。
4.根据权利要求1所述的基于客户语音进行响应队列优先级调整方法,其特征在于,所述语音亢奋度识别模型的具体训练过程为:
将客户原始的语音信息,转换为语谱图,提取语谱图特征;
将所述提取的特征及对应的亢奋度类别标签,输入深度神经网络模型进行训练,得到训练好的语音亢奋度识别模型;
输入的待测的客户语音信息至所述语音亢奋度识别模型进行预测,得到所述客户语音信息的亢奋度预测的概率值。
5.根据权利要求4所述的基于客户语音进行响应队列优先级调整方法,其特征在于,所述提取语谱图特征,具体使用残差卷积神经网络提取输入特征,特征提取公式具体为:
y=F(x,Wi)+Wsx;
其中,x表示卷积层的输入,Ws表示线性映射的权值;
其中,F(x,Wi)是卷积核函数,表示卷积层中用于学习非线性映射的权值。
6.根据权利要求1所述的基于客户语音进行响应队列优先级调整方法,其特征在于,所述根据所述客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到所述客户的响应优先级,具体包括:
预先设置客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表;
根据所述客户的客户层级、语音情绪分级以及亢奋度预测值,查找相应的客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表,得到所述客户的客户层级优先级分值、语音情绪优先级分值以及亢奋度优先级分值;
将所述客户的客户层级优先级分值、语音情绪优先级分值以及亢奋度优先级分值,进行累加,得到所述客户的优先级总分值,确定所述客户的响应优先级。
7.根据权利要求6所述的基于客户语音进行响应队列优先级调整方法,其特征在于,所述得到所述客户的优先级总分值,确定所述客户的响应优先级之后,还包括:
根据所有客户的优先级总分值,将所有客户进行响应队列排序;
根据所述排序结果,得到响应队列优先级。
8.一种基于客户语音进行响应队列优先级调整系统,其特征在于,具体包括:
客户层级模块:用于根据客户登录信息,识别所述客户的客户层级,得到客户层级;
语音情绪分级模块:用于识别客户的语音信息,得到所述客户的语音情绪分级;
亢奋度预测模块:用于根据客户的语音信息,识别所述客户的语音亢奋度,得到所述客户的亢奋度预测值;
响应优先级模块:用于根据所述客户层级、语音情绪分级以及亢奋度预测值,通过响应优先级算法,得到所述客户的响应优先级。
9.一种基于客户语音进行响应队列优先级调整设备,其特征在于,包括:
存储器:用于存储可执行指令;以及
处理器:用于与所述存储器连接以执行所述可执行指令从而完成权利要求1-7中任一项所述的基于客户语音进行响应队列优先级调整方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序;计算机程序被处理器执行以实现如权利要求1-7任一项所述的基于客户语音进行响应队列优先级调整方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011602230.7A CN112820323B (zh) | 2020-12-29 | 2020-12-29 | 基于客户语音进行响应队列优先级调整方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011602230.7A CN112820323B (zh) | 2020-12-29 | 2020-12-29 | 基于客户语音进行响应队列优先级调整方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112820323A true CN112820323A (zh) | 2021-05-18 |
CN112820323B CN112820323B (zh) | 2023-06-16 |
Family
ID=75855359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011602230.7A Active CN112820323B (zh) | 2020-12-29 | 2020-12-29 | 基于客户语音进行响应队列优先级调整方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112820323B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170346947A1 (en) * | 2014-12-09 | 2017-11-30 | Qing Ling | Method and apparatus for processing voice information |
CN108702523A (zh) * | 2017-12-29 | 2018-10-23 | 深圳和而泰数据资源与云技术有限公司 | 一种用户情绪显示方法、系统及用户情绪显示设备 |
US20190158366A1 (en) * | 2017-11-17 | 2019-05-23 | International Business Machines Corporation | Cognitive analysis based prioritization for support tickets |
CN109859772A (zh) * | 2019-03-22 | 2019-06-07 | 平安科技(深圳)有限公司 | 情绪识别方法、装置及计算机可读存储介质 |
CN111179929A (zh) * | 2019-12-31 | 2020-05-19 | 中国银行股份有限公司 | 一种语音处理方法及装置 |
-
2020
- 2020-12-29 CN CN202011602230.7A patent/CN112820323B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170346947A1 (en) * | 2014-12-09 | 2017-11-30 | Qing Ling | Method and apparatus for processing voice information |
US20190158366A1 (en) * | 2017-11-17 | 2019-05-23 | International Business Machines Corporation | Cognitive analysis based prioritization for support tickets |
CN108702523A (zh) * | 2017-12-29 | 2018-10-23 | 深圳和而泰数据资源与云技术有限公司 | 一种用户情绪显示方法、系统及用户情绪显示设备 |
CN109859772A (zh) * | 2019-03-22 | 2019-06-07 | 平安科技(深圳)有限公司 | 情绪识别方法、装置及计算机可读存储介质 |
CN111179929A (zh) * | 2019-12-31 | 2020-05-19 | 中国银行股份有限公司 | 一种语音处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112820323B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147726B (zh) | 业务质检方法和装置、存储介质及电子装置 | |
CN107492379B (zh) | 一种声纹创建与注册方法及装置 | |
CN109658923B (zh) | 基于人工智能的语音质检方法、设备、存储介质及装置 | |
CN107481720B (zh) | 一种显式声纹识别方法及装置 | |
CN111916111B (zh) | 带情感的智能语音外呼方法及装置、服务器、存储介质 | |
CN112530408A (zh) | 用于识别语音的方法、装置、电子设备和介质 | |
CN104903954A (zh) | 使用基于人工神经网络的亚语音单位区分的说话人验证及识别 | |
WO2021047319A1 (zh) | 基于语音的个人信用评估方法、装置、终端及存储介质 | |
CN111932296B (zh) | 一种产品推荐方法及装置、服务器、存储介质 | |
CN113239147A (zh) | 基于图神经网络的智能会话方法、系统及介质 | |
CN110704618B (zh) | 确定对话数据对应的标准问题的方法及装置 | |
CN113223560A (zh) | 情绪识别方法、装置、设备及存储介质 | |
CN109448732B (zh) | 一种数字串语音处理方法及装置 | |
CN111462761A (zh) | 声纹数据生成方法、装置、计算机装置及存储介质 | |
CN114627856A (zh) | 语音识别方法、装置、存储介质及电子设备 | |
US10872615B1 (en) | ASR-enhanced speech compression/archiving | |
US20190074004A1 (en) | Information processing device, information processing method, and non-transitory computer readable storage medium | |
CN116049411B (zh) | 一种信息匹配方法、装置、设备和可读存储介质 | |
Mandalapu et al. | Multilingual voice impersonation dataset and evaluation | |
CN114726635B (zh) | 权限验证方法、装置、电子设备及介质 | |
JP6220733B2 (ja) | 音声分類装置、音声分類方法、プログラム | |
CN115242927A (zh) | 客服对象分配方法、装置、计算机设备及存储介质 | |
CN116166771A (zh) | 一种基于行为文本处理的语音服务内容识别方法 | |
US11398239B1 (en) | ASR-enhanced speech compression | |
CN112820323A (zh) | 基于客户语音进行响应队列优先级调整方法及系统 |
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 |