CN113254621A - 坐席通话提示方法、装置、计算机设备及存储介质 - Google Patents
坐席通话提示方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113254621A CN113254621A CN202110686887.4A CN202110686887A CN113254621A CN 113254621 A CN113254621 A CN 113254621A CN 202110686887 A CN202110686887 A CN 202110686887A CN 113254621 A CN113254621 A CN 113254621A
- Authority
- CN
- China
- Prior art keywords
- target
- call
- link
- text
- real
- 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 78
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 54
- 239000003795 chemical substances by application Substances 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 29
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 4
- 230000006854 communication Effects 0.000 abstract description 24
- 238000004891 communication Methods 0.000 abstract description 23
- 230000000694 effects Effects 0.000 abstract description 18
- 230000008569 process Effects 0.000 description 20
- 238000012360 testing method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/3343—Query execution using phonetics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开一种坐席通话提示方法、装置、计算机设备及存储介质。该方法包括:获取实时采集到的与目标推送产品相关联的实时通话录音;采用语音转文本工具对实时通话录音进行语音文本转换,获取原始通话文本;根据目标推送产品确定目标产品类型,获取目标专业字典和目标环节识别模型;采用目标专业字典对原始通话文本进行文本预处理,获取目标通话文本;采用目标环节识别模型对目标通话文本进行识别,获取环节识别结果;根据环节识别结果,确定并显示目标提示话术。该方法可准确识别通话环节,并显示相应的目标提示话术,以使坐席根据目标提示话术与客户进行沟通交流,提高坐席与客户进行电话沟通的通话效果,进而提高目标推送产品的推荐效果。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种坐席通话提示方法、装置、计算机设备及存储介质。
背景技术
在金融或者其他行业,坐席通过网络或者电话的方式与客户进行沟通,以向客户推荐产品。在坐席给客户推荐产品过程中,经常会出现客户拒绝或者打断产品推销的情况,影响坐席进行产品推荐的思路,使得产品介绍效果不好,从而导致产品推荐效果不好。现有技术中一般采用电话销售系统辅助坐席进行产品推荐,具体通过电话销售系统实时采集坐席与客户进行通话过程的语音数据,对语音数据进行分析,以提示坐席下一通话环节的通话话术。现有电话销售系统中,将不同通话环节的先后顺序依次进行通话话术提示,无法准确识别坐席与客户当前通话所处的当前通话环节,使得其所提示的通话话术,与坐席与客户当前通话的实际情况不符,无法有效促进坐席进行产品推荐。
发明内容
本发明实施例提供一种坐席通话提示方法、装置、计算机设备及存储介质,以解决现有电话销售系统无法准确识别当前通话环节,导致通话提示效果不佳的问题。
一种坐席通话提示方法,包括:
获取实时采集到的实时通话录音,所述实时通话录音与目标推送产品相关联;
采用语音转文本工具,对所述实时通话录音进行语音文本转换,获取所述实时通话录音对应的原始通话文本;
根据所述目标推送产品,确定目标产品类型,获取所述目标产品类型对应的目标专业字典和目标环节识别模型;
采用所述目标专业字典对所述原始通话文本进行文本预处理,获取所述原始通话文本对应的目标通话文本;
采用所述目标环节识别模型对所述目标通话文本进行识别,获取所述目标通话文本对应的环节识别结果;
根据所述目标通话文本对应的环节识别结果,确定目标提示话术,显示所述目标提示话术。
一种坐席通话提示装置,包括:
实时通话录音获取模块,用于获取实时采集到的实时通话录音,所述实时通话录音与目标推送产品相关联;
原始通话文本获取模块,用于采用语音转文本工具,对所述实时通话录音进行语音文本转换,获取所述实时通话录音对应的原始通话文本;
目标产品类型确定模块,用于根据所述目标推送产品,确定目标产品类型,获取所述目标产品类型对应的目标专业字典和目标环节识别模型;
目标通话文本获取模块,用于采用所述目标专业字典对所述原始通话文本进行文本预处理,获取所述原始通话文本对应的目标通话文本;
环节识别结果获取模块,用于采用所述目标环节识别模型对所述目标通话文本进行识别,获取所述目标通话文本对应的环节识别结果;
目标提示话术显示模块,用于根据所述目标通话文本对应的环节识别结果,确定目标提示话术,显示所述目标提示话术。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可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上述坐席通话提示方法。
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程序,所述计算机程序被处理器执行时实现上述坐席通话提示方法。
上述坐席通话提示方法、装置、计算机设备及存储介质,获取实时采集到的与目标推送产品相关联的实时通话录音,保证实时通话录音的实时性;对实时通话录音进行语音文本转换,以将语音形式的实时通话录音转换成文本形式的原始通话文本,使其可进行模型识别处理;根据目标推送产品确定目标产品类型,进而获取目标产品类型相对应的目标专业字典和目标环节识别模型,有助于保障目标专业字典和目标环节识别模型的针对性;采用目标专业字典对原始通话文本进行处理,有助于保障最终获取的目标通话文本的准确性;采用目标环节识别模型对所述目标通话文本进行识别,获取环节识别结果,由于目标环节识别模型和目标通话文本均与目标产品类型相匹配,有助于保障环节识别结果的准确性;根据环节识别结果,确定并显示目标提示话术,以使坐席根据目标提示话术与客户进行沟通交流,提高坐席与客户进行电话沟通的通话效果,进而提高目标推送产品的推荐效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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是本发明一实施例中坐席通话提示方法的一应用环境示意图;
图2是本发明一实施例中坐席通话提示方法的一流程图;
图3是本发明一实施例中坐席通话提示方法的另一流程图;
图4是本发明一实施例中坐席通话提示方法的另一流程图;
图5是本发明一实施例中坐席通话提示方法的另一流程图;
图6是本发明一实施例中坐席通话提示方法的另一流程图;
图7是本发明一实施例中坐席通话提示方法的另一流程图;
图8是本发明一实施例中坐席通话提示方法的另一流程图;
图9是本发明一实施例中坐席通话提示装置的一示意图;
图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的坐席通话提示方法,该坐席通话提示方法可应用如图1所示的应用环境中。具体地,该坐席通话提示方法应用在电话销售系统中,该电话销售系统包括如图1所示的客户端和服务器,客户端与服务器通过网络进行通信,用于实现准确识别坐席与客户进行通话的通话环节,并进行相应的通话话术提示,提高通话话术提示的有效性。其中,客户端又称为用户端,是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种坐席通话提示方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S201:获取实时采集到的实时通话录音,实时通话录音与目标推送产品相关联。
S202:采用语音转文本工具,对实时通话录音进行语音文本转换,获取实时通话录音对应的原始通话文本。
S203:根据目标推送产品,确定目标产品类型,获取目标产品类型对应的目标专业字典和目标环节识别模型。
S204:采用目标专业字典对原始通话文本进行文本预处理,获取原始通话文本对应的目标通话文本。
S205:采用目标环节识别模型对目标通话文本进行识别,获取目标通话文本对应的环节识别结果。
S206:根据目标通话文本对应的环节识别结果,确定目标提示话术,显示目标提示话术。
其中,目标推送产品坐席与客户本次通话所需推送的产品,此处的目标推送产品包括但不限于保险产品。实时通话录音是指实时采集坐席给客户电话推送目标推送产品过程中的录音,即实时采集坐席说话过程的录音。
作为一示例,步骤S201中,坐席在通过电话销售系统给客户电话推销目标推送产品时,需预先通过客户端输入目标推送产品的相关信息,以使电话销售系统将其实时采集到的实时通话录音与目标推送产品相关联,使得服务器可接收录音设备实时采集到的与目标推送产品相关的实时通话录音。
其中,语音转文本工具是用于实现语音转文本处理的工具,具体可以为ASR工具。原始通话文本是指对实时通话录音进行语音转文本处理所获取到的文本。
作为一示例,步骤S202中,服务器可以采用预先配置的语音转文本工具,对接收到的实时通话录音进行语音文本转换,可获取与实时通话录音相对应的原始通话文本。
其中,目标产品类型是指目标推送产品所属的类型。目标专业字典是基于与目标产品类型相对应的专业词汇形成的字典。配置环节识别模型是基于配置产品类型对应的训练语料进行训练,用于确定每一训练语料对应的通话录音所处通话环节的模型。
作为一示例,步骤S203中,服务器可根据目标推送产品,查询产品类型信息表,确定与目标推送产品相对应的目标产品类型;根据目标产品类型查询系统存储器,将与目标产品类型相对应的配置专业字典和配置环节识别模型,确定为目标产品类型对应的的目标专业字典和目标环节识别模型。其中,产品类型信息表是用于存储不同产品名称和对应的产品类型之间关联关系的信息表。配置专业字典是预先配置并存储在系统存储器的基于配置产品类型相对应的专业词汇形成的字典。配置环节识别模型是基于配置产品类型相对应的训练语料进行训练,用于确定每一训练语料对应的通话录音所处通话环节的模型。
本示例中,目标环节识别模型是采用与目标产品类型相对应的词向量文件和训练样本训练而成的模型,词向量文件中包含X个配置通话环节,每个配置通话环节包括Nx个配置关键词。配置通话环节是指目标产品类型对应的产品在电话推送过程所需经过的环节。该配置关键词为配置通话环节所包含的关键词。
其中,目标通话文本是指对原始通话文本进行文本预处理后的文本,目标通话文本可以为依据环节通话顺序确定的目标分词的集合。
作为一示例,步骤S204中,服务器采用目标产品类型对应的目标专业字典,对原始通话文本进行文本预处理,以实现从原始通话文本中剔除与通话环节识别无关的信息,并利用目标专业字典进行文本纠错,有助于保障最终获取到的目标通话文本的准确性,进而保障通话环节识别的准确性。
其中,环节识别结果是指根据目标通话文本,确定坐席推送目标推送产品的当前时刻所处环节的识别结果。
作为一示例,步骤S205中,服务器将目标通话文本输入到与目标产品类型相对应的目标环节识别模型进行识别,根据与目标通话文本中的目标分词,确定与目标分词相匹配的配置关键词,分别确定其属于X个配置通话环节对应的环节识别概率;再根据X个配置通话环节对应的环节识别概率,确定目标通话文本对应的环节识别结果,例如,将环节识别概率最大的配置通话环节确定为当前通话节点。可理解地,采用与目标产品类型相对应的目标环节识别模型,对目标专业字典进行文本预处理所获取的目标通话文本进行识别,由于目标环节识别模型和目标通话文本均与目标产品类型相关,使得最终确定的环节识别结果与目标产品类型相匹配,进而保障环节识别结果的准确性。
其中,目标提示话术是指根据环节识别结果确定的用于提示坐席与客户沟通的话术。
作为一示例,步骤S206中,服务器可根据目标通话文本对应的环节识别结果,确定与环节识别结果相匹配的目标提示话术,并将目标提示话术在坐席对应的客户端上显示,以使坐席可通过观看客户端上显示的目标提示话术,与客户进行沟通交流,以提高坐席与客户进行电话沟通的通话效果,进而提高目标推送产品的推荐效果。
本实施例所提供的坐席通话提示方法,获取实时采集到的与目标推送产品相关联的实时通话录音,保证实时通话录音的实时性;对实时通话录音进行语音文本转换,以将语音形式的实时通话录音转换成文本形式的原始通话文本,使其可进行模型识别处理;根据目标推送产品确定目标产品类型,进而获取目标产品类型相对应的目标专业字典和目标环节识别模型,有助于保障目标专业字典和目标环节识别模型的针对性;采用目标专业字典对原始通话文本进行处理,有助于保障最终获取的目标通话文本的准确性;采用目标环节识别模型对目标通话文本进行识别,获取环节识别结果,由于目标环节识别模型和目标通话文本均与目标产品类型相匹配,有助于保障环节识别结果的准确性;根据环节识别结果,确定并显示目标提示话术,以使坐席根据目标提示话术与客户进行沟通交流,提高坐席与客户进行电话沟通的通话效果,进而提高目标推送产品的推荐效果。
在一实施例中,如图3所示,获取实时采集到的实时通话录音,包括:
S301:获取录音设备实时采集的通话语音流。
S302:采用语音端点检测算法对通话语音流进行识别,获取通话语音流对应的断句停顿点。
S303:将相邻两个断句停顿点的通话语音流,确定为实时通话录音。
其中,通话语音流是录音设备实时采集到的坐席在给客户推荐目标推送产品过程说话的语音流。
作为一示例,步骤S301中,服务器与录音设备相连,在坐席给客户推荐目标推送产品过程中,录音设备实时采集坐席与客户通话过程中的通话语音流,并将通话语音流发送给服务器,以使服务器可获取录音设备实时采集的通话语音流。
其中,语音端点检测算法是用于实现说话语音停顿的算法,具体可以为短时过零率检测算法或者短时能量检测算法。断句停顿点是指用于反映坐席已经说完一句话的停顿点。
作为一示例,步骤S302中,服务器可采用语音端点检测算法,对通话语音流进行识别,确定通话语音流对应的检测停顿点;获取检测停顿点对应的当前停顿时长;若当前停顿时长大于断点时长阈值,则确定检测停顿点确定为通话语音流对应的断句停顿点;若当前停顿时长不大于断点时长阈值,则确定检测停顿点为通话语音流中的短暂停顿点。其中,短暂停顿点为坐席在说某一句话过程中的短暂停顿,是没有说完一句话过程中的停顿点。断点时长阈值是预先设置的用于评估停顿时长是否达到判定为断句停顿时长的阈值。可理解地,只将当前停顿时长大于断点时长阈值的检测停顿点确定为断句停顿点,以便基于断句停顿点对通话语音流进行切分,保障最终切分出的实时通话录音是基于完整的一句话进行切分,使得后续语音文本转换可基于完整语句进行转换,进而保障最终获取到的目标通话文本的准确性。
作为一示例,步骤S303中,服务器可将相邻两个断句停顿点的通话语音流,确定为实时通话录音,使得每一实时通话录音为相邻两个断句停顿点之间的一句完整语句,使得后续语音文本转换可基于完整语句进行转换,进而保障最终获取到的目标通话文本的准确性。
进一步地,步骤S303中,服务器可获取相邻两个断句停顿点之间的当前通话时长,将当前通话时长与通话时长阈值进行比较;若当前通话时长大于通话时长阈值,则将相邻两个断句停顿点的通话语音流,确定为实时通话录音。其中,当前通话时长为相邻两个断句停顿点之间的时间间隔。通话时长阈值是预先设置的用于评估通话时长是否达到可切分为实时通话录音的阈值。可理解地,只将当前通话时长大于通话时长阈值的相邻两个断句停顿点之间的通话语音流,确定为实时通话录音,可避免将通话时长较知的语句语,如“嗯”、“哦”或者其他语气词对应的通话语音流确定为实时通话录音并进行后续处理,有助于节省处理时间,提高处理效果。
作为一示例,如图4所示,步骤S204,即采用目标专业字典对原始通话文本进行文本预处理,获取原始通话文本对应的目标通话文本,包括:
S401:对原始通话文本进行分词、去标点、大小写转换和去停用词处理,获取N个原始分词。
S402:采用目标专业字典,对N个原始分词进行文本纠错,获取M个目标分词。
S403:基于M个目标分词,获取原始通话文本对应的目标通话文本。
作为一示例,步骤S401中,服务器采用常规文本预处理技术,对原始通话文本进行分词、去标点、大小写转换和去停用词处理,获取N个原始分词,N为原始分词的数量。其中,原始分词为原始通话文本进行分词、去标点、大小写转换和去停用词处理后获取的分词。
作为一示例,步骤S402中,服务器采用目标产品类型对应的目标专业字典,对N个原始分词进行文本纠错,具体可以为基于坐席的说话口音、结合上下文本含义,对N个原始分词中的明显错误和与特定时间相关的明显错误等进行纠错,获取M个目标分词,M为目标分词的数量,M≤N。
例如,在对原始通话文本进行分词、去标点、大小写转换、去停用词和其他文本预处理操作,获取N个原始分词中,包括“保险”和“金额”,而目标产品类型为保险产品类型时,“保险金额”是专指保险公司承担赔偿或者给付保险金责任的最高限额,因此,需要进行文本纠错,以将连续出现的“保险”和“金额”这两个原始分词纠正为“保险金额”这个目标分词。可理解地,采用目标专业字典对N个原始分词进行纠错,具体是结合上下文主义,采用与目标产品类型相关的专属名词,对原始分词的明显错误进行纠错,以保障目标分词的准确性,进而保障通话环节识别的准确性。
作为一示例,步骤S403中,服务器可将目标专业字典进行文本纠错后的M个目标分词,确定为原始通话文本对应的目标通话文本,保障目标通话文本中的每个分词均为采用目标专业字典进行文本纠错之后确定的目标分词,有助于保障目标通话文本的准确性,进而保障通话环节识别的准确性。
作为一示例,如图5所示,在步骤S201之前,即在获取实时采集到的实时通话录音之前,坐席通话提示方法包括:
S501:获取与配置产品类型相对应的训练语料,对训练语料进行环节标注,获取训练样本。
S502:采用Word2vec模型对训练样本进行处理,获取配置产品类型对应的词向量文件。
S503:将配置产品类型对应的词向量文件输入Fasttext网络,初始化Fasttext网络的输入层向量,获取配置产品类型对应的目标Fasttext模型。
S504:将训练样本输入配置产品类型对应的目标Fasttext模型进行模型训练,更新目标Fasttext模型的模型参数,获取配置产品类型相对应的配置环节识别模型。
其中,目标环节识别模型为与目标产品类型相匹配的配置产品类型对应的配置环节识别模型。
其中,配置产品类型是指本次模型训练对应的产品类型。训练语料是指配置产品类型对应的用于进行模型训练的语料,该训练语料是未携带环节标注的语料。例如,在配置产品类型为保险产品类型时,训练语料为保险行业的话术语料和销售日志等。训练样本是指携带配置产品类型销售对应的环节标签的训练语料。
可理解地,在执行步骤S201之前,服务器需预先训练不同配置产品类型对应的配置环节识别模型,以便后续根据不同目标推送产品对应的目标产品类型,将与目标产品类型相匹配的配置产品类型对应的配置环节识别模型,确定为目标环节识别模型,进而利用目标环节识别模型进行通话环节识别,有助于提高坐席通话过程中的通话话术提示的准确性。
其中,Word2vec是一群用来产生词向量的相关模型,具体为浅而双层的神经网络,用来训练以重新建构语言学之词文本。Word2vec网络以词表现,并且需猜测相邻位置的输入词,在Word2vec中词袋模型假设下,词的顺序是不重要的,训练完成之后,Word2vec模型可用来映射每个词到一个向量,可用来表示词对词之间的关系,该向量为神经网络之隐藏层。
作为一示例,步骤S501中,服务器需获取与配置产品类型相对应的训练语料,包括但不限于用于进行模型训练的话术语料和销售日志;然后,对所有训练语料进行环节标注,以获取训练样本,该训练样本包括训练语料及其对应的环节标签,该环节标签用于表明某一段训练语料所属的通话环节。
作为一示例,步骤502中,服务器可以采用Word2vec模型对训练样本进行处理,以获取配置产品类型相对应的词向量文件,即Embedding文件。本示例中,Word2vec模型对训练样本进行处理,以获取配置产品类型相对应的词向量文件,具体包括:(1)对训练样本进行分词、去标点、大小写转换和去停用词处理,获取训练分词。(2)采用与配置产品类型相对应的配置专业字典,对训练分词进行文本纠错,获取标准分词。(3)采用Word2vec模型对标准分词进行处理,获取配置产品类型相对应的词向量文件,即Embedding文件。可理解地,采用Word2vec模型训练一个配置产品类型相对应的词向量文件(即Embedding文件),在分词过程中采用配置专业字典进行文本纠错,避免配置产品类型对应的专业词汇被划分成两个分词,也可避免分词过程由于说话口音或者上下文主义原因导致分词错误,从而保障最终获取的配置环节识别模型进行模型识别的准确性,使得对特定产品类型的专业词汇进行准确识别。
其中,FastText模型是一个词向量与文本分类工具,主要应用在“带监督的文本分类问题”,可提供简单而高效的文本分类和表征学习的方法,性能比肩深度学习而且速度更快,输入一个词的序列(一段文本或者一句话),输出这个词序列属于不同类别的概率。其具体实现过程为:序列中的词和词组组成特征向量,特征向量通过线性变换映射到中间层,中间层再映射到标签,从而可实现预测属于不同标签的概率,一般来说,FastText在预测标签时使用非线性激活函数,但在中间层不使用非线性激活函数。
作为一示例,步骤S503中,服务器可将配置产品类型对应的词向量文件输入Fasttext网络,初始化Fasttext网络的输入层向量,获取配置产品类型对应的目标Fasttext模型。本示例中,服务器可将配置产品类型对应的词向量文件(即Embedding文件)输入到Fasttext网络,构建A*B的矩阵,初始化Fasttext网络的输入层向量,A=MAX_VOCAB_SIZE+bucket_size,即为最大数组数量;B=dim bucket_size,即为每个数组的长度大小。本示例中,采用词向量文件(即Embedding文件)初始化Fasttext网络的输入层向量时,由于词向量文件(即Embedding文件)包括X个配置通话环节,每一配置通话环节对应Nz个配置关键词,因此,目标Fasttext模型中也包含X个配置通话环节,每一配置通话环节对应Nz个配置关键词的相关信息。其中,配置关键词为预先在配置环节识别模型中定义的关键词。配置通话环节为预先在配置环节识别模型中确定的通话环节。
作为一示例,步骤S504中,每一训练样本包括训练语料及其对应的环节标签。本示例中,服务器可先将所有训练样本划分为训练集和测试集。然后,服务器可将训练集中的训练样本输入到目标Fasttext模型进行模型训练,目标Fasttext模型中的模型参数,以获取原始环节识别模型。接着,服务器采用测试集中的训练样本,对原始环节识别模型进行模型测试,获取测试准确率。此处测试准确率的获取过程包括:统计原始环节识别模型输出的环节标签与训练样本中的环节标签相同的识别准确数量;获取测试集中所有训练样本的总样本数量;将识别准确数量和总样本数量的商值,确定为测试准确率。最后,服务器在测试准确率大于准确率阈值时,将原始环节识别模型,确定为配置产品类型对应的配置环节识别模型,以保证配置环节识别模型的识别准确率。其中,准确率阈值为预先设置的用于评估原始环节识别模型是否达标的与准确率相关的阈值。
在一实施例中,如图6所示,步骤S204,即采用目标环节识别模型对目标通话文本进行识别,获取目标通话文本对应的环节识别结果,包括:
S601:采用目标环节识别模型对目标通话文本进行识别,将与目标通话文本相匹配的配置关键词,确定为目标关键词。
S602:根据X个配置通话环节对应的目标关键词和每个目标关键词对应的预设权重,获取X个配置通话环节对应的环节识别概率。
S603:根据X个配置通话环节对应的环节识别概率,确定目标通话文本对应的环节识别结果。
作为一示例,步骤S601中,服务器采用目标环节识别模型对目标通话文本进行识别,将目标通话文本中包含的目标分词,与目标环节识别模型中的所有配置关键词进行匹配,将目标分词匹配到的配置关键词,确定为目标关键词。例如,若目标产品类型为保险产品类型,而保险产品类型预先设置的配置关键词包含“保险主体”、“保险客体”、“保险标的”、“保险费率”和“保险金额”等,若目标通话文本中包含“保险金额”及其近义词,则认定其命中的“保险金额”为目标关键词。
作为一示例,步骤S602中,设目标产品类型对应的X个配置通话环节,服务器可对X个配置通话环节对应的目标关键词和每个目标关键词对应的预设权重进行加权处理,确定X个配置通话环节对应的环节识别概率,该环节识别概率可以理解为目标通话文本属于某一配置通话环节的概率。例如,对一配置通话环节中,包含NX个配置关键词,每个配置关键词对应的一预设权重,将目标通话文本命中的配置关键词确定为目标关键词,其对应的分值为1,将目标通话文本没有命中的配置关键词对应的分值确定为0,再进行加权计算,获取配置通话环节对应的环节识别概率。
作为一示例,步骤S603中,服务器将X个配置通话环节对应的环节识别概率与预设概率阈值进行比较;若有且只有一个环节识别概率大于预设概率阈值,则将环节识别概率对应的配置通话环节确定为当前通话环节,获取包含当前通话环节对应的环节识别结果;若X个环节识别概率均不大于预设概率阈值;或者至少两个环节识别概率大于预设概率阈值,均认为没有明显的当前通话环节,获取不包含当前通话环节的环节识别结果。其中,当前通话环节是指根据实时通话录音对应的当前时刻所属的通话环节。预设概率阈值是预先设置的用于评估确定当前通话环节的概率的阈值。
在一实施例中,如图7所示,步骤S206,即根据目标通话文本对应的环节识别结果,确定目标提示话术,包括:
S701:若目标通话文本对应的环节识别结果为不包含当前通话环节,则将默认提示话术,确定为目标提示话术。
S702:若目标通话文本对应的环节识别结果为包含当前通话环节,则根据目标产品类型对应的通话环节顺序、当前通话环节和历史通话环节,确定目标提示话术。
其中,默认提示话术是预先设置的用于在无法确定当前通话环节时进行提示的话术。
作为一示例,步骤S701中,服务器在目标通话文本对应的环节识别结果为不包含当前通话环节时,将默认提示话术确定为目标提示话术。例如,若目标通话文本对应的环节识别结果为不包含当前通话环节,具体为X个环节识别概率均不大于预设概率阈值的情形时,可将无明显通话环节对应的默认提示话术,确定为目标提示话术,在客户端上显示目标提示话术。又例如,若目标通话文本对应的环节识别结果为不包含当前通话环节,具体为至少两个环节识别概率大于预设概率阈值的情形时,可将环节识别概率大于预设概率阈值的至少两个配置通话环节确定为疑似通话环节,将有至少两个疑似通话环节对应的默认提示话术,确定为目标提示话术,在客户端上显示该目标提示话术,以便坐席根据至少两个疑似通话环节对应的目标提示话术,与客户进行通话。
其中,历史通话环节是指当前时刻之前的通话环节,即在采集实时通话录音之前的通话环节。
作为一示例,步骤S702中,服务器在目标通话文本对应的环节识别结果为包含当前通话环节时,可根据目标产品类型对应的X个配置通话环节对应的通话环节顺序、当前通话环节和历史通话环节,确定下一时刻需要引导坐席与客户进行沟通的引导话术,确定为目标提示话术,在客户端上显示该目标提示话术,以便坐席根据目标提示话术与客户进行通话,以提高坐席与客户进行电话沟通的通话效果,以提高目标推送产品的推荐效果。
在一实施例中,如图8所示,步骤S702,即根据目标产品类型对应的通话环节顺序、当前通话环节和历史通话环节,确定目标提示话术,包括:
S801:根据目标产品类型对应的通话环节顺序、当前通话环节和历史通话环节,确定当前通话环节是否符合通话环节顺序。
S802:若当前通话环节符合通话环节顺序,则将当前通话环节对应的引导话术,确定为目标提示话术。
S803:若当前通话环节不符合通话环节顺序,则根据通话环节顺序、当前通话环节和历史通话环节,确定目标通话环节,将目标通话环节对应的引导话术,确定为目标提示话术。
作为一示例,步骤S801中,服务器根据目标产品类型对应的通话环节顺序、当前通话环节和历史通话环节,确定当前通话环节是否符合通话环节顺序。例如,设目标产品类型对应的配置通话环节包括依据通话环节顺序排序的A、B、C、D和E这五个环节;若历史通话环节为A和B,而当前通话环节为C,则当前通话环节C符合通话环节顺序;若历史通话环节为A和B,而当前通话环节为D,由于中间缺少配置通话环节C,则当前通话环节D不符合通话环节顺序。
作为一示例,步骤S802中,服务器在当前通话环节符合通话环节顺序时,可将当前通话环节对应的引导话术,确定为目标提示话术。例如上述示例中,若历史通话环节为A和B,而当前通话环节为C,则当前通话环节C符合通话环节顺序,此时,将当前通话环节C对应的引导话术,确定为目标提示话术,实时显示目标提示话术,以引导坐席基于目标提示话术,与客户进行电话沟通,提高坐席与客户进行电话沟通的通话效果,进而提高目标推送产品的推荐效果。
其中,目标通话环节是指当前时刻以后的下一时刻应当进入的通话环节。
作为一示例,步骤S803中,服务器在当前通话环节不符合通话环节顺序时,可根据通话环节顺序、当前通话环节和历史通话环节,确定目标通话环节,具体为根据通话环节顺序、当前通话环节和历史通话环节,确定遗漏或者错乱的配置通话环节,将遗漏或者错乱的配置通话环节确定为目标通话环节;再将目标通话环节对应的引导话术,确定为目标提示话术,实时显示目标提示话术,以引导坐席基于目标提示话术,与客户就被遗漏的配置通话环节对应的内容进行电话沟通,提高坐席与客户进行电话沟通的通话效果,进而提高目标推送产品的推荐效果。例如,若违背销售环节规则做出提示引导回原环节(例如电话开始进行在线支付环节、已经开始需求分析或产品介绍时再出现开场白),此时可按正常的通话环节顺序,将正常顺序的配置通话环节为目标通话环节。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种坐席通话提示装置,该坐席通话提示装置与上述实施例中坐席通话提示方法一一对应。如图9所示,该坐席通话提示装置包括实时通话录音获取模块901、原始通话文本获取模块902、目标产品类型确定模块903、目标通话文本获取模块904、环节识别结果获取模块905和目标提示话术显示模块906。各功能模块详细说明如下:
实时通话录音获取模块901,用于获取实时采集到的实时通话录音,实时通话录音与目标推送产品相关联。
原始通话文本获取模块902,用于采用语音转文本工具,对实时通话录音进行语音文本转换,获取实时通话录音对应的原始通话文本。
目标产品类型确定模块903,用于根据目标推送产品,确定目标产品类型,获取目标产品类型对应的目标专业字典和目标环节识别模型。
目标通话文本获取模块904,用于采用目标专业字典对原始通话文本进行文本预处理,获取原始通话文本对应的目标通话文本。
环节识别结果获取模块905,用于采用目标环节识别模型对目标通话文本进行识别,获取目标通话文本对应的环节识别结果。
目标提示话术显示模块906,用于根据目标通话文本对应的环节识别结果,确定目标提示话术,显示目标提示话术。
在一实施例中,实时通话录音获取模块901,包括:
通话语音流获取单元,用于获取录音设备实时采集的通话语音流。
断句停顿点获取单元,用于采用语音端点检测算法对通话语音流进行识别,获取通话语音流对应的断句停顿点。
实时通话录音确定单元,用于将相邻两个断句停顿点的通话语音流,确定为实时通话录音。
在一实施例中,目标通话文本获取模块904,包括:
原始分词获取单元,用于对原始通话文本进行分词、去标点、大小写转换和去停用词处理,获取N个原始分词。
目标分词获取单元,用于采用目标专业字典,对N个原始分词进行文本纠错,获取M个目标分词。
目标通话文本获取单元,用于基于M个目标分词,获取原始通话文本对应的目标通话文本。
在一实施例中,坐席通话提示装置还包括:
训练样本获取单元,用于获取与配置产品类型相对应的训练语料,对训练语料进行环节标注,获取训练样本。
词向量文件获取单元,用于采用Word2vec模型对训练样本进行处理,获取配置产品类型对应的词向量文件。
目标Fasttext模型获取单元,用于将配置产品类型对应的词向量文件输入Fasttext网络,初始化Fasttext网络的输入层向量,获取配置产品类型对应的目标Fasttext模型。
配置环节识别模型获取单元,用于将训练样本输入配置产品类型对应的目标Fasttext模型进行模型训练,更新目标Fasttext模型的模型参数,获取配置产品类型相对应的配置环节识别模型。
其中,目标环节识别模型为与目标产品类型相匹配的配置产品类型对应的配置环节识别模型。
在一实施例中,环节识别结果获取模块905包括:
目标关键词获取单元,用于采用目标环节识别模型对目标通话文本进行识别,将与目标通话文本相匹配的配置关键词,确定为目标关键词。
环节识别概率获取单元,用于根据X个配置通话环节对应的目标关键词和每个目标关键词对应的预设权重,获取X个配置通话环节对应的环节识别概率。
环节识别结果获取单元,用于根据X个配置通话环节对应的环节识别概率,确定目标通话文本对应的环节识别结果。
在一实施例中,目标提示话术显示模块906包括:
第一提示话术确定单元,用于目标通话文本对应的环节识别结果为不包含当前通话环节时,将默认提示话术,确定为目标提示话术。
第二提示话术确定单元,用于在目标通话文本对应的环节识别结果为包含当前通话环节时,根据目标产品类型对应的通话环节顺序、当前通话环节和历史通话环节,确定目标提示话术。
在一实施例中,第二提示话术确定单元,包括:
通话顺序判定子单元,用于根据目标产品类型对应的通话环节顺序、当前通话环节和历史通话环节,确定当前通话环节是否符合通话环节顺序。
当前引导话术确定子单元,用于在当前通话环节符合通话环节顺序时,将当前通话环节对应的引导话术,确定为目标提示话术。
目标引导话术确定子单元,用于在当前通话环节不符合通话环节顺序时,根据通话环节顺序、当前通话环节和历史通话环节,确定目标通话环节,将目标通话环节对应的引导话术,确定为目标提示话术。
关于坐席通话提示装置的具体限定可以参见上文中对于坐席通话提示方法的限定,在此不再赘述。上述坐席通话提示装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行坐席通话提示方法过程中采用或生成的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种坐席通话提示方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可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述实施例中坐席通话提示方法,例如图2所示S201-S206,或者图3至图8中所示,为避免重复,这里不再赘述。或者,处理器执行计算机程序时实现坐席通话提示装置这一实施例中的各模块/单元的功能,例如图9所示的实时通话录音获取模块901、原始通话文本获取模块902、目标产品类型确定模块903、目标通话文本获取模块904、环节识别结果获取模块905和目标提示话术显示模块906,为避免重复,这里不再赘述。
在一实施例中,提供一计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中坐席通话提示方法,例如图2所示S201-S206,或者图3至图8中所示,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现上述坐席通话提示装置这一实施例中的各模块/单元的功能,例如图9所示的实时通话录音获取模块901、原始通话文本获取模块902、目标产品类型确定模块903、目标通话文本获取模块904、环节识别结果获取模块905和目标提示话术显示模块906,为避免重复,这里不再赘述。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种坐席通话提示方法,其特征在于,包括:
获取实时采集到的实时通话录音,所述实时通话录音与目标推送产品相关联;
采用语音转文本工具,对所述实时通话录音进行语音文本转换,获取所述实时通话录音对应的原始通话文本;
根据所述目标推送产品,确定目标产品类型,获取所述目标产品类型对应的目标专业字典和目标环节识别模型;
采用所述目标专业字典对所述原始通话文本进行文本预处理,获取所述原始通话文本对应的目标通话文本;
采用所述目标环节识别模型对所述目标通话文本进行识别,获取所述目标通话文本对应的环节识别结果;
根据所述目标通话文本对应的环节识别结果,确定目标提示话术,显示所述目标提示话术。
2.如权利要求1所述的坐席通话提示方法,其特征在于,所述获取实时采集到的实时通话录音,包括:
获取录音设备实时采集的通话语音流;
采用语音端点检测算法对所述通话语音流进行识别,获取所述通话语音流对应的断句停顿点;
将相邻两个所述断句停顿点的通话语音流,确定为实时通话录音。
3.如权利要求1所述的坐席通话提示方法,其特征在于,所述采用所述目标专业字典对所述原始通话文本进行文本预处理,获取所述原始通话文本对应的目标通话文本,包括:
对所述原始通话文本进行分词、去标点、大小写转换和去停用词处理,获取N个原始分词;
采用所述目标专业字典,对N个所述原始分词进行文本纠错,获取M个目标分词;
基于M个目标分词,获取所述原始通话文本对应的目标通话文本。
4.如权利要求1所述的坐席通话提示方法,其特征在于,在所述获取实时采集到的实时通话录音之前,所述坐席通话提示方法还包括:
获取与配置产品类型相对应的训练语料,对所述训练语料进行环节标注,获取训练样本;
采用Word2vec模型对所述训练样本进行处理,获取所述配置产品类型对应的词向量文件;
将所述配置产品类型对应的词向量文件输入Fasttext网络,初始化所述Fasttext网络的输入层向量,获取所述配置产品类型对应的目标Fasttext模型;
将所述训练样本输入所述配置产品类型对应的目标Fasttext模型进行模型训练,更新所述目标Fasttext模型的模型参数,获取所述配置产品类型相对应的配置环节识别模型;
其中,所述目标环节识别模型为与所述目标产品类型相匹配的配置产品类型对应的配置环节识别模型。
5.如权利要求1所述的坐席通话提示方法,其特征在于,所述采用所述目标环节识别模型对所述目标通话文本进行识别,获取所述目标通话文本对应的环节识别结果,包括:
采用目标环节识别模型对所述目标通话文本进行识别,将与所述目标通话文本相匹配的配置关键词,确定为目标关键词;
根据X个配置通话环节对应的目标关键词和每个所述目标关键词对应的预设权重,获取X个配置通话环节对应的环节识别概率;
根据X个所述配置通话环节对应的环节识别概率,确定所述目标通话文本对应的环节识别结果。
6.如权利要求1所述的坐席通话提示方法,其特征在于,所述根据所述目标通话文本对应的环节识别结果,确定目标提示话术,包括:
若所述目标通话文本对应的环节识别结果为不包含当前通话环节,则将默认提示话术,确定为目标提示话术;
若所述目标通话文本对应的环节识别结果为包含当前通话环节,则根据所述目标产品类型对应的通话环节顺序、当前通话环节和历史通话环节,确定目标提示话术。
7.如权利要求1所述的坐席通话提示方法,其特征在于,所述根据所述目标产品类型对应的通话环节顺序、当前通话环节和历史通话环节,确定目标提示话术,包括:
根据所述目标产品类型对应的通话环节顺序、当前通话环节和历史通话环节,确定所述当前通话环节是否符合所述通话环节顺序;
若所述当前通话环节符合所述通话环节顺序,则将所述当前通话环节对应的引导话术,确定为目标提示话术;
若所述当前通话环节不符合所述通话环节顺序,则根据所述通话环节顺序、所述当前通话环节和所述历史通话环节,确定目标通话环节,将所述目标通话环节对应的引导话术,确定为目标提示话术。
8.一种坐席通话提示装置,其特征在于,包括:
实时通话录音获取模块,用于获取实时采集到的实时通话录音,所述实时通话录音与目标推送产品相关联;
原始通话文本获取模块,用于采用语音转文本工具,对所述实时通话录音进行语音文本转换,获取所述实时通话录音对应的原始通话文本;
目标产品类型确定模块,用于根据所述目标推送产品,确定目标产品类型,获取所述目标产品类型对应的目标专业字典和目标环节识别模型;
目标通话文本获取模块,用于采用所述目标专业字典对所述原始通话文本进行文本预处理,获取所述原始通话文本对应的目标通话文本;
环节识别结果获取模块,用于采用所述目标环节识别模型对所述目标通话文本进行识别,获取所述目标通话文本对应的环节识别结果;
目标提示话术显示模块,用于根据所述目标通话文本对应的环节识别结果,确定目标提示话术,显示所述目标提示话术。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可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至7任一项所述坐席通话提示方法。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述坐席通话提示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110686887.4A CN113254621B (zh) | 2021-06-21 | 2021-06-21 | 坐席通话提示方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110686887.4A CN113254621B (zh) | 2021-06-21 | 2021-06-21 | 坐席通话提示方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113254621A true CN113254621A (zh) | 2021-08-13 |
CN113254621B CN113254621B (zh) | 2024-06-14 |
Family
ID=77189173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110686887.4A Active CN113254621B (zh) | 2021-06-21 | 2021-06-21 | 坐席通话提示方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113254621B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110270661A1 (en) * | 2008-03-17 | 2011-11-03 | Heiser Ii Russel Robert | Targeted marketing to on-hold customer |
US9961200B1 (en) * | 2017-03-28 | 2018-05-01 | Bank Of America Corporation | Derived intent collision detection for use in a multi-intent matrix |
CN109242706A (zh) * | 2018-08-20 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 辅助坐席人员沟通的方法、装置、计算机设备和存储介质 |
CN110162610A (zh) * | 2019-04-16 | 2019-08-23 | 平安科技(深圳)有限公司 | 机器人智能应答方法、装置、计算机设备及存储介质 |
CN110351443A (zh) * | 2019-06-17 | 2019-10-18 | 深圳壹账通智能科技有限公司 | 智能外呼处理方法、装置、计算机设备及存储介质 |
CN110472017A (zh) * | 2019-08-21 | 2019-11-19 | 佰聆数据股份有限公司 | 一种话术分析和话题点识别匹配的方法及系统 |
CN110704571A (zh) * | 2019-08-16 | 2020-01-17 | 平安科技(深圳)有限公司 | 庭审辅助处理方法、审判辅助处理方法、装置、设备及介质 |
-
2021
- 2021-06-21 CN CN202110686887.4A patent/CN113254621B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110270661A1 (en) * | 2008-03-17 | 2011-11-03 | Heiser Ii Russel Robert | Targeted marketing to on-hold customer |
US9961200B1 (en) * | 2017-03-28 | 2018-05-01 | Bank Of America Corporation | Derived intent collision detection for use in a multi-intent matrix |
CN109242706A (zh) * | 2018-08-20 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 辅助坐席人员沟通的方法、装置、计算机设备和存储介质 |
CN110162610A (zh) * | 2019-04-16 | 2019-08-23 | 平安科技(深圳)有限公司 | 机器人智能应答方法、装置、计算机设备及存储介质 |
CN110351443A (zh) * | 2019-06-17 | 2019-10-18 | 深圳壹账通智能科技有限公司 | 智能外呼处理方法、装置、计算机设备及存储介质 |
CN110704571A (zh) * | 2019-08-16 | 2020-01-17 | 平安科技(深圳)有限公司 | 庭审辅助处理方法、审判辅助处理方法、装置、设备及介质 |
CN110472017A (zh) * | 2019-08-21 | 2019-11-19 | 佰聆数据股份有限公司 | 一种话术分析和话题点识别匹配的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113254621B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109151218B (zh) | 通话语音质检方法、装置、计算机设备及存储介质 | |
CN110096570B (zh) | 一种应用于智能客服机器人的意图识别方法及装置 | |
CN110765244B (zh) | 获取应答话术的方法、装置、计算机设备及存储介质 | |
CN110162633B (zh) | 语音数据意图确定方法、装置、计算机设备和存储介质 | |
CN110472224B (zh) | 服务质量的检测方法、装置、计算机设备和存储介质 | |
CN108427707B (zh) | 人机问答方法、装置、计算机设备和存储介质 | |
CN109960725B (zh) | 基于情感的文本分类处理方法、装置和计算机设备 | |
CN111311327A (zh) | 基于人工智能的服务评价方法、装置、设备及存储介质 | |
CN113094578B (zh) | 基于深度学习的内容推荐方法、装置、设备及存储介质 | |
CN109087205B (zh) | 舆情指数的预测方法及装置、计算机设备和可读存储介质 | |
CN109331470B (zh) | 基于语音识别的抢答游戏处理方法、装置、设备及介质 | |
CN114120978A (zh) | 情绪识别模型训练、语音交互方法、装置、设备及介质 | |
CN111400340A (zh) | 一种自然语言处理方法、装置、计算机设备和存储介质 | |
CA3147634A1 (en) | Method and apparatus for analyzing sales conversation based on voice recognition | |
CN110717021A (zh) | 人工智能面试中获取输入文本和相关装置 | |
CN113240510A (zh) | 异常用户预测方法、装置、设备及存储介质 | |
CN111737424A (zh) | 一种问题的匹配方法、装置、设备及存储介质 | |
CN114049895B (zh) | 一种基于asr的语音质检分析方法及系统 | |
CN111859914A (zh) | 敏感信息检测方法、装置、计算机设备及存储介质 | |
Lattimer et al. | Fast and accurate factual inconsistency detection over long documents | |
CN114418320A (zh) | 客服服务质量评估方法、装置、设备、介质和程序产品 | |
CN114203200A (zh) | 一种语音质检方法、装置、计算机设备和存储介质 | |
CN117640823A (zh) | 银行客服人员服务质量评价方法、计算机设备及存储介质 | |
CN108304366B (zh) | 一种上位词检测方法及设备 | |
CN113254621B (zh) | 坐席通话提示方法、装置、计算机设备及存储介质 |
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 |