CN113220849A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113220849A
CN113220849A CN202110369167.5A CN202110369167A CN113220849A CN 113220849 A CN113220849 A CN 113220849A CN 202110369167 A CN202110369167 A CN 202110369167A CN 113220849 A CN113220849 A CN 113220849A
Authority
CN
China
Prior art keywords
emotion
original
data
spectrum data
customer service
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.)
Pending
Application number
CN202110369167.5A
Other languages
English (en)
Inventor
李边芳
张峰
耿晓娜
王智
陈福生
邓栋
程鹏鹏
常洋
高晓磊
王庆丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Ririshun Lexin Cloud Technology Co ltd
Original Assignee
Qingdao Ririshun Lexin Cloud Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Ririshun Lexin Cloud Technology Co ltd filed Critical Qingdao Ririshun Lexin Cloud Technology Co ltd
Priority to CN202110369167.5A priority Critical patent/CN113220849A/zh
Publication of CN113220849A publication Critical patent/CN113220849A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • 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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language 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
    • G06F16/338—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales

Abstract

一种客服人员情绪疏导方案查找方法，所述方法包括步骤：获取不同情绪原始脉搏数据；对所述原始脉搏数据进行处理并得到原始频谱数据；根据所述原始频谱数据构建疏导方案知识库；对所述原始频谱数据进行增强处理并得到脉搏训练数据；对所述脉搏训练数据进行编码并输入bert神经网络变换器中训练得到情感分析模型；获取客服人员的原始客服脉搏数据；对所述原始客服脉搏数据进行处理并得到原始客服频谱数据；将所述原始客服频谱数据输入所述bert神经网络变换器中抽取特征；将所述特征输入所述情感分析模型中预测所述客服人员的情绪标签类别；根据所述情绪标签类别在所述疏导方案知识库中查找对应的疏导方案。本申请使用方便，工作效率高。

Description

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
技术领域
本发明属于客服服务技术领域，具体涉及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。
背景技术
家电行业一直都是市场需求巨大的行业，因为拥有家电的人数据量大，需要进行客服服务的人数也多，但是往往存在客服不认真服务客户的情况出现，而单凭每通录音手工逐个去检查客服服务质量的记录不仅工作量巨大，也不能未雨绸缪，在客服管理上很难有里程碑式的突破。
传统的检测客服服务质量手段往往通过客户来电的投诉或者反馈，或者通过对每通电话的抽样调查，这种方式需要花费大量的人力成本，且排查难度高，而且花费人力时间成本太大。
发明内容
为解决上述问题，本发明提供了一种客服人员情绪疏导方案查找方法，所述方法包括步骤：
获取不同情绪原始脉搏数据；
对所述原始脉搏数据进行处理并得到原始频谱数据；
根据所述原始频谱数据构建疏导方案知识库；
对所述原始频谱数据进行增强处理并得到脉搏训练数据；
对所述脉搏训练数据进行编码并输入bert神经网络变换器中训练得到情感分析模型；
获取客服人员的原始客服脉搏数据；
对所述原始客服脉搏数据进行处理并得到原始客服频谱数据；
将所述原始客服频谱数据输入所述bert神经网络变换器中抽取特征；
将所述特征输入所述情感分析模型中预测所述客服人员的情绪标签类别；
根据所述情绪标签类别在所述疏导方案知识库中查找对应的疏导方案。
优选地，所述获取不同情绪原始脉搏数据包括步骤：
采样第一情绪原始脉搏数据；
采样第二情绪原始脉搏数据；
采样第三情绪原始脉搏数据；
对所述第一情绪原始脉搏数据设置第一情绪标签；
对所述第二情绪原始脉搏数据设置第二情绪标签；
对所述第三情绪原始脉搏数据设置第三情绪标签。
优选地，所述对所述原始脉搏数据进行处理并得到原始频谱数据包括步骤：
获取第一情绪原始脉搏数据、第二情绪原始脉搏数据和第三情绪原始脉搏数据；
对所述第一情绪原始脉搏数据进行fft处理并得到第一情绪原始频谱数据；
对所述第二情绪原始脉搏数据进行fft处理并得到第二情绪原始频谱数据；
对所述第三情绪原始脉搏数据进行fft处理并得到第三情绪原始频谱数据。
优选地，所述根据所述原始频谱数据构建疏导方案知识库包括步骤：
构建空白数据库；
获取第一情绪原始频谱数据、第二情绪原始频谱数据和第三情绪原始频谱数据；
对所述第一情绪原始频谱数据构建第一疏导方案；
对所述第二情绪原始频谱数据构建第二疏导方案；
对所述第三情绪原始频谱数据构建第三疏导方案；
将所述第一疏导方案、所述第二疏导方案和所述第三疏导方案存入所述空白数据库并得到所述疏导方案知识库。
优选地，所述对所述原始频谱数据进行增强处理并得到脉搏训练数据包括步骤：
获取第一情绪原始频谱数据、第二情绪原始频谱数据和第三情绪原始频谱数据；
根据所述第一情绪原始频谱数据生成第一情绪增强频谱数据；
根据所述第二情绪原始频谱数据生成第二情绪增强频谱数据；
根据所述第三情绪原始频谱数据生成第三情绪增强频谱数据；
汇总所述第一情绪增强频谱数据、所述第二情绪增强频谱数据和所述第三情绪增强频谱数据并得到所述脉搏训练数据。
优选地，所述对所述原始频谱数据进行增强处理并得到脉搏训练数据还包括步骤：
查找第一情绪、第二情绪和第三情绪的同义词和同义句；
根据各同义词和同义句分别生成第一同义情绪增强频谱数据；
根据各同义词和同义句分别生成第二同义情绪增强频谱数据；
根据各同义词和同义句分别生成第三同义情绪增强频谱数据；
将所述第一同义情绪增强频谱数据、所述第二同义情绪增强频谱数据和所述第三同义情绪增强频谱数据分别依次与所述第一情绪增强频谱数据、所述第二情绪增强频谱数据和所述第三情绪增强频谱数据合并。
优选地，所述对所述原始客服脉搏数据进行处理并得到原始客服频谱数据包括步骤：
对所述原始客服脉搏数据进行中值滤波预处理；
对所述原始客服脉搏数据进行fft处理。
优选地，所述将所述特征输入所述情感分析模型中预测所述客服人员的情绪标签类别包括步骤：
将抽取的特征通过softmax函数进行分类；
通过分类预测本通电话中客服人员的情绪状态类别。
本发明还提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一所述客服人员情绪疏导方案查找方法。
本发明还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一所述客服人员情绪疏导方案查找方法。
本申请提供的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可以根据客服人员情绪提供相应的疏导方案，使用方便，工作效率高。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种客服人员情绪疏导方案查找方法的脉搏频谱图；
图2是本发明提供的一种客服人员情绪疏导方案查找方法的频谱字向量矩阵示意图；
图3是本发明提供的一种电子设备的结构示意图；
图4是本发明提供的一种非暂态计算机可读存储介质的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在本申请实施例中，本发明提供了一种客服人员情绪疏导方案查找方法，所述方法包括步骤：
S1：获取不同情绪原始脉搏数据；
在本申请实施例中，所述获取不同情绪原始脉搏数据包括步骤：
采样第一情绪原始脉搏数据；
采样第二情绪原始脉搏数据；
采样第三情绪原始脉搏数据；
对所述第一情绪原始脉搏数据设置第一情绪标签；
对所述第二情绪原始脉搏数据设置第二情绪标签；
对所述第三情绪原始脉搏数据设置第三情绪标签。
在本申请实施例中，可以分别采样一万份发怒情绪的原始脉搏数据、一万份愉悦情绪的原始脉搏数据和一万份平和情绪的原始脉搏数据，并分别打上情绪标签，不同的情绪标签对应不同的情绪疏导方案。
S2：对所述原始脉搏数据进行处理并得到原始频谱数据；
在本申请实施例中，所述对所述原始脉搏数据进行处理并得到原始频谱数据包括步骤：
获取第一情绪原始脉搏数据、第二情绪原始脉搏数据和第三情绪原始脉搏数据；
对所述第一情绪原始脉搏数据进行fft处理并得到第一情绪原始频谱数据；
对所述第二情绪原始脉搏数据进行fft处理并得到第二情绪原始频谱数据；
对所述第三情绪原始脉搏数据进行fft处理并得到第三情绪原始频谱数据。
在本申请实施例中，对第一情绪原始脉搏数据、第二情绪原始脉搏数据和第三情绪原始脉搏数据分别进行fft处理后可以得到第一情绪原始频谱数据、第二情绪原始频谱数据和第三情绪原始频谱数据。
S3：根据所述原始频谱数据构建疏导方案知识库；
在本申请实施例中，所述根据所述原始频谱数据构建疏导方案知识库包括步骤：
构建空白数据库；
获取第一情绪原始频谱数据、第二情绪原始频谱数据和第三情绪原始频谱数据；
对所述第一情绪原始频谱数据构建第一疏导方案；
对所述第二情绪原始频谱数据构建第二疏导方案；
对所述第三情绪原始频谱数据构建第三疏导方案；
将所述第一疏导方案、所述第二疏导方案和所述第三疏导方案存入所述空白数据库并得到所述疏导方案知识库。
在本申请实施例中，针对第一情绪原始频谱数据、第二情绪原始频谱数据和第三情绪原始频谱数据可以分别构建第一疏导方案、第二疏导方案和第三疏导方案，然后将疏导方案存储至空白数据库中供后期使用。
S4：对所述原始频谱数据进行增强处理并得到脉搏训练数据；
在本申请实施例中，所述对所述原始频谱数据进行增强处理并得到脉搏训练数据包括步骤：
获取第一情绪原始频谱数据、第二情绪原始频谱数据和第三情绪原始频谱数据；
根据所述第一情绪原始频谱数据生成第一情绪增强频谱数据；
根据所述第二情绪原始频谱数据生成第二情绪增强频谱数据；
根据所述第三情绪原始频谱数据生成第三情绪增强频谱数据；
汇总所述第一情绪增强频谱数据、所述第二情绪增强频谱数据和所述第三情绪增强频谱数据并得到所述脉搏训练数据。
在本申请实施例中，可以对原始频谱数据进行数据量增强处理，从而可以得到更多数量的增强频谱数据。
在本申请实施例中，所述对所述原始频谱数据进行增强处理并得到脉搏训练数据还包括步骤：
查找第一情绪、第二情绪和第三情绪的同义词和同义句；
根据各同义词和同义句分别生成第一同义情绪增强频谱数据；
根据各同义词和同义句分别生成第二同义情绪增强频谱数据；
根据各同义词和同义句分别生成第三同义情绪增强频谱数据；
将所述第一同义情绪增强频谱数据、所述第二同义情绪增强频谱数据和所述第三同义情绪增强频谱数据分别依次与所述第一情绪增强频谱数据、所述第二情绪增强频谱数据和所述第三情绪增强频谱数据合并。
在本申请实施例中，可以使用同义词或同义句替换原有的情绪，从而可以得到更多数量的增强频谱数据。
S5：对所述脉搏训练数据进行编码并输入bert神经网络变换器中训练得到情感分析模型；
在本申请实施例中，步骤5.1：每通电话的频谱数据中，每个峰值进行480维的字向量编码,得到最初的向量表征shape为[1,480]，其中480 维数据为32位浮点数类型；
步骤5.2：将每通电话频谱数据通过查峰值字向量表得到当前频谱数据每个峰值的字向量，所有峰值字向量组合为一个矩阵得到[128,480]，其中128表示规定一通电话峰值的上限个数，480表示峰值字向量的维度，若一通电话的脉搏数据峰值不够128个用0值填充,若多于128个则截断到第128个，同时这里创新点是，同时获取每通脉搏数据的每个峰值在位置向量表的位置id，每个位置id也同时表示为480维，一通电话的128 个id即[128,480]，以及每通脉搏数据的每个峰值属于第几区间的区间 id，每个id表示为480维，通过查区间id向量表获得，128个区间id表示[128,480](区间默认从0到100000，平均分为20个区间，id用0-19 表示)，以及每通脉搏数据的每个峰值通过查二进制向量表，找到对应的二进制数字的480维向量表示，128个二进制数即表示为[128,480].最终将四种特征矩阵一并加到一起仍得到矩阵[128,480]，目的是做进一步的特征融合，丰富特征；所述峰值字向量表是将0-100000的数字每个都用一个480维度的向量表示，即峰值字向量shape是[100000,480]；所述位置向量表是指0-100000的数字，每个数字有一个位置编码id，且每个位置 id都表示为480维度的向量，即[100000,480]；所述区间id向量表是将 10个区间的每个id随机表示为480维度向量，即[20,480]；所述二进制向量表是指将0-100000的数字转为二进制之后，用对应的二进制数加两位小数点补0，来填充480维向量即[100000,480]；
步骤5.3：128个字每个字向量都进行3次相同的线性变化得到QKV 三个完全相同的字向量，每个字的Q向量分别与128个字的K向量内积，内积后的分值越大，表示这两个字相关性越大，最终得到128字每个字在整个句子中的一个重要度相关性表征向量shape为[128,128]，即 q1,q2,q3(分别表示每个峰值的Q向量)…与K中k1,k2,k3(每个峰值的K 向量)…分别内积，得q1k1、q1k2、q1k3…q2k1、q2k2、q2k3…直到q128k128；
步骤5.4：一组QK可以提取一组每个词的重要度特征表达，多组QK 提取多组特征。通过做8组所述步骤5.3的操作，得到8个[128,128]的关系特征矩阵，即得到矩阵[8,128,128]，做8组目的是为了更加丰富的字向量之间的关系特征，可以使模型在不同的子空间学习相关性特征，过程中每个字做8次不同的线性变换，得到8组不同的QKV；所述线性变换是指公式1：
N＝WTx+b (1)
其中x表示每个480维的峰值字向量，b表示线性变换偏执参数，WT
表示线性变换字向量的不同系数，W表示矩阵，T表示矩阵转置的意思，N表示经过不同的线性变换得到的不同的QKV；
步骤5.5：将所述5.4步骤得到的8组矩阵，每组中每个字与128个字的重要度系数分别用Softmax函数进行转换，得到8组每个字与128个字的概率系数，即系数矩阵[8,128，128]，每组概率系数的意义是128个峰值字向量中每个字向量在此通电话的128个字向量中的相关度系数，即相似度系数，每组的每个字的128个相关度系数分别跟原始字向量V1-V128对应做内积得到每个字的相关度表征向量z，其中z表示为公式2：
Figure RE-GDA0003130558150000091
其中γ表示每个字的128个重要度系数，v表示原始128个字向量，以此类推，最终128个字每个字有8组表征z1-z8，从而得到每通电话脉搏特征矩阵[128,8,60]，其中128表示128个字的z，8表示每个字的z1- z8，60表示每个字中每个z用60维向量的特征表示，最后将每个字的z1- z8在最后一个维度进行拼接得到一个大矩阵，再将这个大矩阵跟初始化的矩阵相乘得到一个新的矩阵multiHead，整个过程即通过每个字的Q和K 的相似度去确定V的权重分布即scaled dot-product attention方法，其中Softmax为公式3：
Figure RE-GDA0003130558150000092
其中，j＝1,2,…,K，K代表序列长度，取值n(每段频谱图峰值的个数)；z＝WTx+b，T表示矩阵转置，W、b为Softmax的参数，x为每个480维的峰值字向量；
其中multiHead整个过程表示为公式4-6：
Figure RE-GDA0003130558150000101
其中QKV代表每个字的三个相同向量，dk表示一个常数,head表示一组attention结果。
headi＝Attention(QWi Q,KWi K,VWi V) (5)
其中Wi Q代表每个字第i组Q向量的变换系数，Wi K代表每个字第i组 K向量的变换系数，Wi V代表每个字第i组V向量的变换系数V，共得到8 组不同变换矩阵QKV。
multiHead(Q,K,V)＝Concat(h ead1,… h ead8)WO (6)
其中Concat代表拼接矩阵函数，将8组attention的结果进行拼接， WO代表拼接后的大矩阵相乘的初始化矩阵。
步骤5.6：做一层残差连接，将步骤5.5跟原始的128个字的特征矩阵[128,480]做add操作得到最终经过transformer之后的特征集。所述 add，是指将两矩阵相加，且两者的矩阵shape必须一致，故这里先将所述步骤5.5得到的矩阵[128,8，60]转为[128,480],然后在第0维度上跟所述步骤5.2的原始特征做add操作。目的在于保证原始的特征不被破坏情况下，再加上细粒度抽取的特征，以丰富特征信息；
步骤5.7：将5.6得到的残差特征进一步做layerNorm操作，即在每个字向量通道方向上做归一化操作，其中主要包括两个参数，一个是均值 u，另一个是标准差σ。u的求解公式为公式7：
Figure RE-GDA0003130558150000102
其中x表示该层神经元(即该脉搏向量矩阵)的向量表示，即每个字向量的向量表示。H表示字的个数。
σ的求解公式为公式8：
Figure RE-GDA0003130558150000103
其中表示在方差中引入一个可忽略的小值，防止除零。
最终layerNorm之后的结果为公式9:
y＝f((g/σ)(x-u)+b) (9)
其中b为训练时进行归一化的允许偏差，g表示训练时归一化的的比例参数。
步骤5.8：用18000个训练集样本，其中6000个发怒样本，6000个愉悦样本，6000个平和样本，每种样本各1000个作为测试集，共3000个。用这3000个样本进行测试验证训练过程中的模型准确率，F1值等。所述 F1值是2*(精准率*召回率)/(精准率+召回率)，所述精准率是预测为正的样本有多少是对的，所述召回率是有多少正样本被预测正确；将待训练样本集合分批次依次输入transformer神经网络模型中，将所述步骤5.7得到的最终特征输入softmax分类器中分类得到预测的标签特征矩阵Y`，根据实际标签特征矩阵Y跟预测的标签特征矩阵Y`计算交叉熵损失，得到交叉熵cross_entropy向量，将得到的交叉熵cross_entropy向量通过 reduce_sum函数求和，计算出每个样例中所有元素交叉熵的和，然后通过 reduce_mean得到一个batch上的所有样例交叉熵和的均值即loss，通过不断优化loss即优化神经网络模型,训练时，因为字向量维度比较多，字的个数也较多，会影响训练速度，所以88％的steps都用。
所述交叉熵损失是指度量两个概率分布间的差异性信息，在本发明中，用于衡量预测标签值跟实际标签值的概率分布差异，根据差异进行优化 loss。其单个样本的损失函数为公式10：
L＝-[ylogy^+(1-y)log(1-y^)] (10)
在本公式中，y为实际样本标签值，y^为预测的标签值，我们希望L 越小越好，即ylogy^+(1-y)log(1-y^)越大越好。N个样本的交叉熵总损失则表示为公式11：
Figure RE-GDA0003130558150000111
其中N表示样本总数，i表示第几个样本，y为实际样本标签值，y^ 为预测的标签值。
所述reduce_sum函数，例如矩阵 [[[1,2,3][2,3,4]],[[4,3,1],[2,7,8]]],如果计算 reduce_sum(tensor,axis＝0),则得到[[5,5,4],[4,10,12]], reduce_sum(tensor,axis＝1),则得到[[3,5,7][6,10,9]], reduce_sum(tensor,axis＝2),则得到[[6,9][8,17]]。所述的reduce_mean 函数，其核心思想是计算张量tensor沿指定的数轴上的平均值，主要用于降维或者计算tensor平均值。例如矩阵 [[[1,2,3][2,3,4]],[[4,3,1],[2,7,8]]],reduce_mean(tensor)得到3.3333,reduce_mean(tensor,0)得到[[2.5,2.5,2][2,5,6]], reduce_mean(tensor,1)得到[[1.5,2.5,3.5][3,5,4.5]], reduce_mean(tensor,2)得到[2,4.5][4,17/3]。
S6：获取客服人员的原始客服脉搏数据；
在本申请实施例中，可以获取待分析客服人员的原始客服脉搏数据。
S7：对所述原始客服脉搏数据进行处理并得到原始客服频谱数据；
在本申请实施例中，所述对所述原始客服脉搏数据进行处理并得到原始客服频谱数据包括步骤：
对所述原始客服脉搏数据进行中值滤波预处理；
对所述原始客服脉搏数据进行fft处理。
在本申请实施例中，首先脉搏采集器采集到的数据先进行滤波预处理，滤波处理采用中值滤波，进行了中值滤波预处理后的脉搏波会相对变得平缓，能抑制随机噪声，然后对经过数据预处理的脉搏波信号进行fft处理，得到频谱图数据。
S8：将所述原始客服频谱数据输入所述bert神经网络变换器中抽取特征；
在本申请实施例中，将原始客服频谱数据输入所述bert神经网络变换器中抽取特征。
S9：将所述特征输入所述情感分析模型中预测所述客服人员的情绪标签类别；
在本申请实施例中，所述将所述特征输入所述情感分析模型中预测所述客服人员的情绪标签类别包括步骤：
将抽取的特征通过softmax函数进行分类；
通过分类预测本通电话中客服人员的情绪状态类别。
在本申请实施例中，将抽取的特征通过softmax函数进行分类，是指通过分类预测本通电话客服的情绪状态类别，根据类别进行针对性情绪疏导。
S10：根据所述情绪标签类别在所述疏导方案知识库中查找对应的疏导方案。
在本申请实施例中，通过分类预测本通电话客服的情绪状态类别，通过标签类别查找知识库对应的的疏导答案。
下面参考图3，其示出了适于用来实现本公开实施例的电子设备100 的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，电子设备100可以包括处理装置(例如中央处理器、图形处理器等)101，其可以根据存储在只读存储器(ROM)102中的程序或者从存储装置108加载到随机访问存储器(RAM)103中的程序而执行各种适当的动作和处理。在RAM 103中，还存储有电子设备100操作所需的各种程序和数据。处理装置101、ROM 102以及RAM 103通过总线104彼此相连。输入/输出(I/O)接口105也连接至总线104。
通常，以下装置可以连接至I/O接口105：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置106；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置107；包括例如磁带、硬盘等的存储装置108；以及通信装置109。通信装置109可以允许电子设备100与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置109从网络上被下载和安装，或者从存储装置108被安装，或者从ROM 102被安装。在该计算机程序被处理装置101执行时，执行本公开实施例的方法中限定的上述功能。
下面参考图4，其示出了适于用来实现本公开实施例的计算机可读存储介质的结构示意图，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现如上述中任一所述的客服人员情绪疏导方案查找方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD- ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、 RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本申请提供的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可以根据客服人员情绪提供相应的疏导方案，使用方便，工作效率高。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种客服人员情绪疏导方案查找方法，其特征在于，所述方法包括步骤：
获取不同情绪原始脉搏数据；
对所述原始脉搏数据进行处理并得到原始频谱数据；
根据所述原始频谱数据构建疏导方案知识库；
对所述原始频谱数据进行增强处理并得到脉搏训练数据；
对所述脉搏训练数据进行编码并输入bert神经网络变换器中训练得到情感分析模型；
获取客服人员的原始客服脉搏数据；
对所述原始客服脉搏数据进行处理并得到原始客服频谱数据；
将所述原始客服频谱数据输入所述bert神经网络变换器中抽取特征；
将所述特征输入所述情感分析模型中预测所述客服人员的情绪标签类别；
根据所述情绪标签类别在所述疏导方案知识库中查找对应的疏导方案。
2.根据权利要求1所述的客服人员情绪疏导方案查找方法，其特征在于，所述获取不同情绪原始脉搏数据包括步骤：
采样第一情绪原始脉搏数据；
采样第二情绪原始脉搏数据；
采样第三情绪原始脉搏数据；
对所述第一情绪原始脉搏数据设置第一情绪标签；
对所述第二情绪原始脉搏数据设置第二情绪标签；
对所述第三情绪原始脉搏数据设置第三情绪标签。
3.根据权利要求1所述的客服人员情绪疏导方案查找方法，其特征在于，所述对所述原始脉搏数据进行处理并得到原始频谱数据包括步骤：
获取第一情绪原始脉搏数据、第二情绪原始脉搏数据和第三情绪原始脉搏数据；
对所述第一情绪原始脉搏数据进行fft处理并得到第一情绪原始频谱数据；
对所述第二情绪原始脉搏数据进行fft处理并得到第二情绪原始频谱数据；
对所述第三情绪原始脉搏数据进行fft处理并得到第三情绪原始频谱数据。
4.根据权利要求1所述的客服人员情绪疏导方案查找方法，其特征在于，所述根据所述原始频谱数据构建疏导方案知识库包括步骤：
构建空白数据库；
获取第一情绪原始频谱数据、第二情绪原始频谱数据和第三情绪原始频谱数据；
对所述第一情绪原始频谱数据构建第一疏导方案；
对所述第二情绪原始频谱数据构建第二疏导方案；
对所述第三情绪原始频谱数据构建第三疏导方案；
将所述第一疏导方案、所述第二疏导方案和所述第三疏导方案存入所述空白数据库并得到所述疏导方案知识库。
5.根据权利要求1所述的客服人员情绪疏导方案查找方法，其特征在于，所述对所述原始频谱数据进行增强处理并得到脉搏训练数据包括步骤：
获取第一情绪原始频谱数据、第二情绪原始频谱数据和第三情绪原始频谱数据；
根据所述第一情绪原始频谱数据生成第一情绪增强频谱数据；
根据所述第二情绪原始频谱数据生成第二情绪增强频谱数据；
根据所述第三情绪原始频谱数据生成第三情绪增强频谱数据；
汇总所述第一情绪增强频谱数据、所述第二情绪增强频谱数据和所述第三情绪增强频谱数据并得到所述脉搏训练数据。
6.根据权利要求5所述的客服人员情绪疏导方案查找方法，其特征在于，所述对所述原始频谱数据进行增强处理并得到脉搏训练数据还包括步骤：
查找第一情绪、第二情绪和第三情绪的同义词和同义句；
根据各同义词和同义句分别生成第一同义情绪增强频谱数据；
根据各同义词和同义句分别生成第二同义情绪增强频谱数据；
根据各同义词和同义句分别生成第三同义情绪增强频谱数据；
将所述第一同义情绪增强频谱数据、所述第二同义情绪增强频谱数据和所述第三同义情绪增强频谱数据分别依次与所述第一情绪增强频谱数据、所述第二情绪增强频谱数据和所述第三情绪增强频谱数据合并。
7.根据权利要求1所述的客服人员情绪疏导方案查找方法，其特征在于，所述对所述原始客服脉搏数据进行处理并得到原始客服频谱数据包括步骤：
对所述原始客服脉搏数据进行中值滤波预处理；
对所述原始客服脉搏数据进行fft处理。
8.根据权利要求1所述的客服人员情绪疏导方案查找方法，其特征在于，所述将所述特征输入所述情感分析模型中预测所述客服人员的情绪标签类别包括步骤：
将抽取的特征通过softmax函数进行分类；
通过分类预测本通电话中客服人员的情绪状态类别。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一权利要求1-8所述客服人员情绪疏导方案查找方法。
10.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一权利要求1-8所述客服人员情绪疏导方案查找方法。
CN202110369167.5A 2021-04-06 2021-04-06 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 Pending CN113220849A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110369167.5A CN113220849A (zh) 2021-04-06 2021-04-06 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110369167.5A CN113220849A (zh) 2021-04-06 2021-04-06 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

Publications (1)

Publication Number Publication Date
CN113220849A true CN113220849A (zh) 2021-08-06

Family

ID=77086457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110369167.5A Pending CN113220849A (zh) 2021-04-06 2021-04-06 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

Country Status (1)

Country Link
CN (1) CN113220849A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105105732A (zh) * 2015-08-14 2015-12-02 姚丽峰 实现脉搏心率检测以及情绪和疲劳程度监测的系统及方法
CN105975796A (zh) * 2016-05-26 2016-09-28 深圳市前海安测信息技术有限公司 心脏病患者的心理情绪缓解系统及方法
CN109155837A (zh) * 2016-03-18 2019-01-04 南澳大利亚大学 一种情绪感知的可穿戴的电话会议系统
CN109549624A (zh) * 2018-11-04 2019-04-02 南京云思创智信息科技有限公司 一种基于深度学习的实时视频情感分析方法及系统
CN109767765A (zh) * 2019-01-17 2019-05-17 平安科技（深圳）有限公司 话术匹配方法及装置、存储介质、计算机设备
KR20190128978A (ko) * 2018-05-09 2019-11-19 한국과학기술원 인간 감정 인식을 위한 딥 생리적 정서 네트워크를 이용한 인간 감정 추정 방법 및 그 시스템
CN111419250A (zh) * 2020-04-08 2020-07-17 恒爱高科(北京)科技有限公司 一种基于脉搏波的情绪识别方法
CN111523601A (zh) * 2020-04-26 2020-08-11 道和安邦（天津）安防科技有限公司 一种基于知识引导和生成对抗学习的潜在情绪识别方法
AU2020102150A4 (en) * 2020-09-05 2020-10-15 Babu, G. Venkata Suresh DR An artificial intelligence based system for emotional recognition
CN112434953A (zh) * 2020-11-27 2021-03-02 郑州苏一电子科技有限公司 一种基于计算机数据处理的客服人员考核方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105105732A (zh) * 2015-08-14 2015-12-02 姚丽峰 实现脉搏心率检测以及情绪和疲劳程度监测的系统及方法
CN109155837A (zh) * 2016-03-18 2019-01-04 南澳大利亚大学 一种情绪感知的可穿戴的电话会议系统
CN105975796A (zh) * 2016-05-26 2016-09-28 深圳市前海安测信息技术有限公司 心脏病患者的心理情绪缓解系统及方法
KR20190128978A (ko) * 2018-05-09 2019-11-19 한국과학기술원 인간 감정 인식을 위한 딥 생리적 정서 네트워크를 이용한 인간 감정 추정 방법 및 그 시스템
CN109549624A (zh) * 2018-11-04 2019-04-02 南京云思创智信息科技有限公司 一种基于深度学习的实时视频情感分析方法及系统
CN109767765A (zh) * 2019-01-17 2019-05-17 平安科技（深圳）有限公司 话术匹配方法及装置、存储介质、计算机设备
CN111419250A (zh) * 2020-04-08 2020-07-17 恒爱高科(北京)科技有限公司 一种基于脉搏波的情绪识别方法
CN111523601A (zh) * 2020-04-26 2020-08-11 道和安邦（天津）安防科技有限公司 一种基于知识引导和生成对抗学习的潜在情绪识别方法
AU2020102150A4 (en) * 2020-09-05 2020-10-15 Babu, G. Venkata Suresh DR An artificial intelligence based system for emotional recognition
CN112434953A (zh) * 2020-11-27 2021-03-02 郑州苏一电子科技有限公司 一种基于计算机数据处理的客服人员考核方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOHAMMADHOSSEIN MOGHIMI ET AL.: "Affective Recognition in Dynamic and Interactive Virtual Environments", 《IEEE TRANSACTIONS ON AFFECTIVE COMPUTING》, pages 45 - 52 *
王晗: "基于深度学习的生理情感识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 136 - 247 *

Similar Documents

Publication Publication Date Title
CN107437417B (zh) 基于循环神经网络语音识别中语音数据增强方法及装置
CN108228567B (zh) 用于提取组织机构的简称的方法和装置
CN114861889B (zh) 深度学习模型的训练方法、目标对象检测方法和装置
CN110858226A (zh) 对话管理方法和装置
CN111666416A (zh) 用于生成语义匹配模型的方法和装置
CN109858045A (zh) 机器翻译方法和装置
CN111738010A (zh) 用于生成语义匹配模型的方法和装置
CN112182175A (zh) 智能问答方法、装置、设备及可读存储介质
CN110647613A (zh) 一种课件构建方法、装置、服务器和存储介质
CN111723180A (zh) 一种面试方法和装置
CN110059172B (zh) 基于自然语言理解的推荐答案的方法和装置
CN117290477A (zh) 一种基于二次检索增强的生成式建筑知识问答方法
CN115270717A (zh) 一种立场检测方法、装置、设备及介质
CN110634050A (zh) 一种鉴别房源类型的方法、装置、电子设备及存储介质
CN116402166B (zh) 一种预测模型的训练方法、装置、电子设备及存储介质
CN111026849B (zh) 数据处理方法和装置
CN111859970A (zh) 用于处理信息的方法、装置、设备和介质
CN113111167A (zh) 基于深度学习模型的接处警文本车辆型号提取方法和装置
CN115470790A (zh) 一种识别文件中的命名实体的方法和装置
CN115934904A (zh) 文本处理方法以及装置
CN114240250A (zh) 一种职业评测的智能管理方法及系统
CN113220849A (zh) 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
CN113569741A (zh) 图像试题的答案生成方法、装置、电子设备及可读介质
CN113111169A (zh) 基于深度学习模型的接处警文本地址信息提取方法和装置
CN112131378A (zh) 用于识别民生问题类别的方法、装置及电子设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 266700, No. 88 Tonghe Road, Tonghe Street Office, Pingdu City, Qingdao City, Shandong Province (within the Youth Community Service Center)

Applicant after: Qingdao Haier Lexinyun Technology Co.,Ltd.

Address before: No. 155, Tonghe Road, Tonghe sub district office, Pingdu City, Qingdao City, Shandong Province

Applicant before: QINGDAO RIRISHUN LEXIN CLOUD TECHNOLOGY Co.,Ltd.