CN113422876B - 基于ai的电力客服中心辅助管理方法、系统及介质 - Google Patents
基于ai的电力客服中心辅助管理方法、系统及介质 Download PDFInfo
- Publication number
- CN113422876B CN113422876B CN202110700908.3A CN202110700908A CN113422876B CN 113422876 B CN113422876 B CN 113422876B CN 202110700908 A CN202110700908 A CN 202110700908A CN 113422876 B CN113422876 B CN 113422876B
- Authority
- CN
- China
- Prior art keywords
- client
- customer service
- satisfaction
- customer
- response mechanism
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 34
- 230000006854 communication Effects 0.000 claims abstract description 84
- 230000007246 mechanism Effects 0.000 claims abstract description 83
- 230000004044 response Effects 0.000 claims abstract description 83
- 238000004891 communication Methods 0.000 claims abstract description 81
- 230000008451 emotion Effects 0.000 claims abstract description 58
- 238000013139 quantization Methods 0.000 claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 46
- 238000013519 translation Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims description 34
- 230000008909 emotion recognition Effects 0.000 claims description 33
- 230000001360 synchronised effect Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
-
- 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
- G10L15/26—Speech to text systems
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- 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
-
- 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
-
- 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
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
- H04M3/5232—Call distribution algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Business, Economics & Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Child & Adolescent Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开的一种基于AI的电力客服中心辅助管理方法、系统及介质,其中方法包括:获取客户来访缘由与来访次数,以分配给对应的客服专员;获取客户音频,基于AI识别客户情绪变化得到目标量化值;基于不同的所述目标量化值设置动态响应机制进行结果匹配;基于所述客户音频进行转译,基于转译内容获取客户满意度。本发明可以自动识别客户来访原因,并根据具体原因类型分配到对应的客服进行解答,以取得专问专答的效果,提升工作效率;同时本发明还可以在沟通过程中通过AI自动识别客户情绪变化,并根据不同情绪推出不同的解决办法;另外,本发明还可以对通话内容进行转译,并根据转译的内容获取客户满意度,简易化、智能化沟通流程,增强客户体验。
Description
技术领域
本发明涉及电力客服数据管理技术领域,更具体的,涉及一种基于AI的电力客服中心辅助管理方法、系统及介质。
背景技术
电力工业是关系国计民生的重要基础产业和公用事业,电力既是生活资料也是生产资料。安全、稳定和充足的电力供应,是国民经济健康稳定持续快速发展的重要前提条件。
1978年之前,我国发电设备只能生产12.5万千瓦和20万千瓦等级及以下的机组,输变电设备只能生产220千伏及以下的装置。而如今,随着电力工业的技术装备水平不断提高,我国成批量生产的、60万千瓦和90万千瓦机组已成为国内的主力机型,踏入新世纪一来,电力产业结构的调整、清洁能源占比的大幅增长,促进产业智能化、标准化正在成为电力行业类的新方向。
不仅发电产业结构需要调整,其配套的基础设施与基础业务也要逐步跟进,智能化变电站正在逐步代替传统变电站,而其中,电力行业的客服是个老生常谈的话题,如何有效提升客服人员的工作效率并且保证工作成果正成为研究方向。
发明内容
鉴于上述问题,本发明的目的是提供一种基于AI的电力客服中心辅助管理方法、系统及介质,能够借助AI识别出客户情绪变化,方便客服人员根据不同情况进行沟通交流,提升工作效率,同时可以对沟通内容进行自动转译,代替传统手工记录,保证了记录内容的完整度与准确性。
本发明第一方面提供了一种基于AI的电力客服中心辅助管理方法,包括以下步骤:
获取客户来访缘由与来访次数,以分配给对应的客服专员;
获取客户音频,基于AI识别客户情绪变化得到目标量化值;
基于不同的所述目标量化值设置动态响应机制进行结果匹配;
基于所述客户音频进行转译,基于转译内容获取客户满意度。
本方案中,所述获取客户来访缘由与来访次数,以分配给对应的客服专员,具体为:
获取所述客户来访缘由,基于所述来访缘由分配给对应类型的客服组;
获取所述客户来访次数,其中,
若所述来访次数低于或者等于预设次数阈值,则分配给所述客服组的任一组员进行沟通;
若所述来访次数高于所述预设次数阈值,则分配给所述客服组的组长进行沟通。
本方案中,所述获取客户音频,基于AI识别客户情绪变化得到目标量化值,具体为:
基于AI构建情绪识别神经网络模型,并进行训练;
将所述客户音频带入训练好的情绪识别神经网络模型中,得到情绪变化曲线;
计算所述情绪变化曲线在单位时间范围内的倾斜角作为所述目标量化值。
本方案中,所述情绪识别神经网络模型训练方法为:
收集所述客户音频的客户音调与语速;
对所述客户音频的客户音调与语速进行特征提取,得到目标特征帧;
将得到的所述目标特征帧进行自动化筛选,去除误差大的所述目标特征帧;
将筛选后的所述目标特征帧进行光滑处理得到目标频谱;
将经过光滑处理得到的所述目标频谱作为所述情绪识别神经网络模型的输入,进行情绪识别神经网络的训练。
本方案中,所述基于不同的所述目标量化值设置动态响应机制进行结果匹配,具体为:
所述动态响应机制包括三层响应机制,分别为第一响应机制、第二响应机制以及第三响应机制,其中,
比较连续三个所述单位时间范围内的倾斜角大小;
若三个所述单位时间范围内的倾斜角呈现递增状态,则触发所述第一响应机制,由当前通话客服人员及其上级领导进行双人同步沟通;
若三个所述单位时间范围内的倾斜角呈现波浪状态,则触发所述第二响应机制,由所述当前通话客服人员及其同级同事进行双人同步沟通;
若三个所述单位时间范围内的倾斜角呈现下降或者持平状态,则触发所述第三响应机制,由所述当前通话客服人员继续单人沟通。
本方案中,所述基于所述客户音频进行转译,基于转译内容获取客户满意度,具体为:
基于预设的转译算法对所述客户音频进行转译得到所述转译内容;
基于所述转译内容识别满意词因子,并提取其次数值;
根据所述满意词次数值获取所述客户满意度,其中,
若所述满意词次数值位于第一满意阈值范围内,则表明所述客户满意度为非常满意;
若所述满意词次数值位于第二满意阈值范围内,则表明所述客户满意度为一般满意;
若所述满意词次数值位于第三满意阈值范围内,则表明所述客户满意度为不满意。
本发明第二方面还提供一种基于AI的电力客服中心辅助管理系统,包括存储器和处理器,所述存储器中包括基于AI的电力客服中心辅助管理方法程序,所述基于AI的电力客服中心辅助管理方法程序被所述处理器执行时实现如下步骤:
获取客户来访缘由与来访次数,以分配给对应的客服专员;
获取客户音频,基于AI识别客户情绪变化得到目标量化值;
基于不同的所述目标量化值设置动态响应机制进行结果匹配;
基于所述客户音频进行转译,基于转译内容获取客户满意度。
本方案中,所述获取客户来访缘由与来访次数,以分配给对应的客服专员,具体为:
获取所述客户来访缘由,基于所述来访缘由分配给对应类型的客服组;
获取所述客户来访次数,其中,
若所述来访次数低于或者等于预设次数阈值,则分配给所述客服组的任一组员进行沟通;
若所述来访次数高于所述预设次数阈值,则分配给所述客服组的组长进行沟通。
所述获取客户音频,基于AI识别客户情绪变化得到目标量化值,具体为:
基于AI构建情绪识别神经网络模型,并进行训练;
将所述客户音频带入训练好的情绪识别神经网络模型中,得到情绪变化曲线;
计算所述情绪变化曲线在单位时间范围内的倾斜角作为所述目标量化值。
本方案中,所述情绪识别神经网络模型训练方法为:
收集所述客户音频的客户音调与语速;
对所述客户音频的客户音调与语速进行特征提取,得到目标特征帧;
将得到的所述目标特征帧进行自动化筛选,去除误差大的所述目标特征帧;
将筛选后的所述目标特征帧进行光滑处理得到目标频谱;
将经过光滑处理得到的所述目标频谱作为所述情绪识别神经网络模型的输入,进行情绪识别神经网络的训练。
本方案中,所述基于不同的所述目标量化值设置动态响应机制进行结果匹配,具体为:
所述动态响应机制包括三层响应机制,分别为第一响应机制、第二响应机制以及第三响应机制,其中,
比较连续三个所述单位时间范围内的倾斜角大小;
若三个所述单位时间范围内的倾斜角呈现递增状态,则触发所述第一响应机制,由当前通话客服人员及其上级领导进行双人同步沟通;
若三个所述单位时间范围内的倾斜角呈现波浪状态,则触发所述第二响应机制,由所述当前通话客服人员及其同级同事进行双人同步沟通;
若三个所述单位时间范围内的倾斜角呈现下降或者持平状态,则触发所述第三响应机制,由所述当前通话客服人员继续单人沟通。
本方案中,所述基于所述客户音频进行转译,基于转译内容获取客户满意度,具体为:
基于预设的转译算法对所述客户音频进行转译得到所述转译内容;
基于所述转译内容识别满意词因子,并提取其次数值;
根据所述满意词次数值获取所述客户满意度,其中,
若所述满意词次数值位于第一满意阈值范围内,则表明所述客户满意度为非常满意;
若所述满意词次数值位于第二满意阈值范围内,则表明所述客户满意度为一般满意;
若所述满意词次数值位于第三满意阈值范围内,则表明所述客户满意度为不满意。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于AI的电力客服中心辅助管理方法程序,所述基于AI的电力客服中心辅助管理方法程序被处理器执行时,实现如上述任一项所述的一种基于AI的电力客服中心辅助管理方法的步骤。
本发明公开的一种基于AI的电力客服中心辅助管理方法、系统及介质,可以自动识别客户来访原因,并根据具体原因类型分配到对应的客服进行解答,以取得专问专答的效果,提升工作效率;同时本发明还可以在沟通过程中通过AI自动识别客户情绪变化,并根据不同情绪推出不同的解决办法;另外,本发明还可以对通话内容进行转译,并根据转译的内容获取客户满意度,简易化、智能化沟通流程,增强客户体验。
附图说明
图1示出了本申请一种基于AI的电力客服中心辅助管理方法的流程图;
图2示出了本申请一种基于AI的电力客服中心辅助管理方法于一实施例中的倾斜角变化曲线示意图;
图3示出了本发明一种基于AI的电力客服中心辅助管理系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种基于AI的电力客服中心辅助管理方法的流程图。
如图1所示,本申请公开了一种基于AI的电力客服中心辅助管理方法,包括以下步骤:
S102,获取客户来访缘由与来访次数,以分配给对应的客服专员;
S104,获取客户音频,基于AI识别客户情绪变化得到目标量化值;
S106,基于不同的所述目标量化值设置动态响应机制进行结果匹配;
S108,基于所述客户音频进行转译,基于转译内容获取客户满意度。
需要说明的是,每个客服高峰期每天要应对成百人的电话咨询,通过对所述客服专员进行分类以匹配不同客户的问题要求,可以从基础业务上进行规范化,有序化,以有效提升工作效率;另外,通过AI获得客户的情绪变化值,能够有效提醒疲劳的客服人员对应的解决办法,避免一些偏激的客户矛盾升级,降低工作量,设置所述动态响应机制以匹配不同情绪的客户;此外,还通过转译将通话内容进行记录,减少客服人员的手动记录的工作量,并且可以完整保存通话内容,做到有据可查,避免被篡改。
根据本发明实施例,所述获取客户来访缘由与来访次数,以分配给对应的客服专员,具体为:
获取所述客户来访缘由,基于所述来访缘由分配给对应类型的客服组;
获取所述客户来访次数,其中,
若所述来访次数低于或者等于预设次数阈值,则分配给所述客服组的任一组员进行沟通;
若所述来访次数高于所述预设次数阈值,则分配给所述客服组的组长进行沟通。
需要说明的是,根据客户的不同需求分配不同的客服去处理,是容易想到的,但是采集客户来访次数,通过对所述来访次数的大小来优先选择客服是有创新性的,其中,假设所述预设次数阈值为“5”次,若所述来访次数低于或者等于“5”,则分配给所述客服组的任一组员进行沟通;若所述来访次数高于“5”,则表明所述客户来访次数过多,问题随着也增多,为了进一步有效解决客户问题,并且可以保证沟通质量,则分配给所述客服组中有经验的组长进行沟通。
根据本发明实施例,所述获取客户音频,基于AI识别客户情绪变化得到目标量化值,具体为:
基于AI构建情绪识别神经网络模型,并进行训练;
将所述客户音频带入训练好的情绪识别神经网络模型中,得到情绪变化曲线;
计算所述情绪变化曲线在单位时间范围内的倾斜角作为所述目标量化值。
需要说明的是,由于情绪的表达都是瞬时间,如何得到情绪变化,可以通过识别用户的音调、语速以及内容上的一些特征词来获取情绪变化,例如音调的突然增高或者降低代表客户的情绪具有波动,基于AI构建所述情绪识别神经网络模型,将所述客户音频作为输入值带入模型中,可以得到以时间为横轴,以反响程度为纵轴的所述情绪变化曲线,通过计算所述情绪变化曲线在单位时间范围内的倾斜角得到所述目标量化值。
根据本发明实施例,所述情绪识别神经网络模型训练方法为:
收集所述客户音频的客户音调与语速;
对所述客户音频的客户音调与语速进行特征提取,得到目标特征帧;
将得到的所述目标特征帧进行自动化筛选,去除误差大的所述目标特征帧;
将筛选后的所述目标特征帧进行光滑处理得到目标频谱;
将经过光滑处理得到的所述目标频谱作为所述情绪识别神经网络模型的输入,进行情绪识别神经网络的训练。
需要说明的是,所述情绪识别神经网络模型需要大量的历史数据进行训练,数据量越大,则结果越准确,将客户音频的客户音调与语速进行特征提取,得到目标特征帧,并去除明显误差的所述目标特征帧,将筛选后的特征帧光滑处理得到目标频谱作为模型输入进行训练,进而得到所述情绪变化曲线。
根据本发明实施例,所述基于不同的所述目标量化值设置动态响应机制进行结果匹配,具体为:
所述动态响应机制包括三层响应机制,分别为第一响应机制、第二响应机制以及第三响应机制,其中,
比较连续三个所述单位时间范围内的倾斜角大小;
若三个所述单位时间范围内的倾斜角呈现递增状态,则触发所述第一响应机制,由当前通话客服人员及其上级领导进行双人同步沟通;
若三个所述单位时间范围内的倾斜角呈现波浪状态,则触发所述第二响应机制,由所述当前通话客服人员及其同级同事进行双人同步沟通;
若三个所述单位时间范围内的倾斜角呈现下降或者持平状态,则触发所述第三响应机制,由所述当前通话客服人员继续单人沟通。
需要说明的是,如图2所示,为倾斜角的变化曲线,其中,横轴为时间t,纵横为倾斜角变化趋势δ,其中,若三个所述倾斜角呈现递增状态,则触发所述第一响应机制,由当前通话客服人员及其上级领导进行双人同步沟通,保证沟通平缓有序进行;若三个所述倾斜角呈现波浪状态,则触发所述第二响应机制,由所述当前通话客服人员及其同级同事进行双人同步沟通,通过增加客服人员针对性解决客户问题,防止事态矛盾激化;若三个所述倾斜角呈现下降或者持平状态,则触发所述第三响应机制,由所述当前通话客服人员继续单人沟通,以锻炼客服人员的心里承受能力。
根据本发明实施例,所述基于所述客户音频进行转译,基于转译内容获取客户满意度,具体为:
基于预设的转译算法对所述客户音频进行转译得到所述转译内容;
基于所述转译内容识别满意词因子,并提取其次数值;
根据所述满意词次数值获取所述客户满意度,其中,
若所述满意词次数值位于第一满意阈值范围内,则表明所述客户满意度为非常满意;
若所述满意词次数值位于第二满意阈值范围内,则表明所述客户满意度为一般满意;
若所述满意词次数值位于第三满意阈值范围内,则表明所述客户满意度为不满意。
需要说明的是,获取到所述转译内容后,对文本内容进行关键词识别,其中,例如“好”、“很好”、“谢谢”以及“非常满意”这类关键词,并计数得到所述满意词次数值,并判断其所处阈值位置,具体地,公式如下:
其中,表示所述关键词的总量,表示第段音频中的所述关键词的数量值,表示所述第一满意阈值范围,可以设定为(5,8),表示所述第二满意阈值范围,可以设定为(2,4),表示所述第三满意阈值范围,可以设定为(0,1)。
值得一提的是,本发明还包括识别不同客户转译内容的相同电力问题,具体为:
获取所述转译内容,识别相同问题的特征词;
判决多个所述相同问题的故障发生位置,其中,
若位置相同,则设定问题优先级为I级;否则,不做处理。
需要说明的是,当某个地区或者位置,出现断电或者供电不足时,在那个区域内的用户均会通过拨打客服电话进行反应,当识别到相同问题的位置为相同时,表明该位置的电力故障问题严重,需要优先处理,将所述问题优先级设定为I级,并第一时间派发所述问题及对应信息给到维修人员进行优先维修。
根据本发明实施例,还包括:
建立所述客户的通话历史数据库;
所述通话历史数据库包括所述客户历史通话的动态响应机制结果和客户满意度;
根据所述客户此处来访缘由与所述客户通话历史数据库的动态响应机制结果和客户满意度进行加权,得到客户目标来访缘由;
将获取的加权后所述客户目标来访缘由与客服组进行阈值对比;
选择最接近所述客户阈值的预设阈值范围客服作为此次所述客户的目标服务客服。
需要说明的是,根据所述客户历史通话记录的动态响应机制结果和客户满意度建立客户通话历史数据库,将客户通话历史数据库与客户此次通话缘由进行加权获得目标来访缘由,进而选择符合客户此次沟通意愿的合适客服,通过结合客户通话历史数据库进行加权计算可有效获得客户通话性格、意图和可能的态度,以便预判并选择可获得有效沟通的客服进行最大程度的有效沟通,提高客户满意度;
加权后的客户目标来访缘由的计算公式如下:
根据本发明实施例,还包括:
根据所述客户音频带入情绪识别神经网络模型中得到情绪变化目标量化值;
根据获得的所述客户目标量化值在所述神经网络模型中查询与所述目标量化值预设阈值范围最接近的多个目标量化值样本生成目标量化值样本集;
在获得所述目标量化值样本集中查询目标量化值样本后续情绪变化曲线最大有效下降的样本作为对象样本;
根据查询到的所述对象样本对应的客服作为所述客户的对象客服。
需要说明的是,根据所述客户此次通话的音频在情绪神经网络模型中得到情绪变化目标量化值,根据目标量化值在神经网络模型中查询与其预设阈值范围最接近的目标量化值样本形成目标量化值样本集,根据目标量化值样本集中的多个样本的后续情绪变化曲线下降最多的样本作为选定的对象样本,将选定的对象样本对应的客服作为所述客户此次通话的对象客服,可通过对客户从样本集中进行有针对性的筛选以获得最近似的样本和最有效的客服,提高客服和客户的沟通效果和效率。
根据本发明实施例,还包括:
根据所述客户音频和客户来访缘由在客户通话历史数据库中查询与所述客户最接近的多个客户样本作为客户样本集;
根据所述客户音频动态响应机制层级结果在所述客户样本集中进行阈值对比,查询预设阈值小于所述客户的多个客户样本作为初始客户样本集;
根据查询的所述初始客户样本集中的客户样本与所述客户样本满意度进行加权计算;
根据所述加权后的初始客户样本集中的客户样本进行预设阈值对比,对比获得最小阈值客户样本作为目标客户样本;
根据所述目标客户样本对应的客服选择为所述客户的客服。
需要说明的是,根据所述客户音频和来访缘由在客户通话历史数据库中查询与其最接近的客户样本作为客户样本集,根据客户音频动态响应机制层级结果在客户样本集中进行阈值对比找到预设阈值小于的客户样本作为初始客户样本集,再对初始客户样本集中的客户样本与其对应的满意度进行加权计算,并将加权后的客户样本进行预设阈值对比获得最小阈值的客户样本作为目标客户样本,再将目标客户样本对应的客服选定为所述客户的客服,通过客户与数据库中历史样本的音频、来访缘由以及动态响应机制层级结果进行对比筛选逐步缩小样本范围,再通过样本满意度的加权计算以及阈值对比寻找到最佳样本,将选定样本的客服作为客户的推荐客服,可通过逐渐缩小筛选范围最终获得最适合的客服。
图3示出了本发明一种基于AI的电力客服中心辅助管理系统的框图。
如图3所示,本发明公开了一种基于AI的电力客服中心辅助管理系统,包括存储器和处理器,所述存储器中包括基于AI的电力客服中心辅助管理方法程序,所述基于AI的电力客服中心辅助管理方法程序被所述处理器执行时实现如下步骤:
获取客户来访缘由与来访次数,以分配给对应的客服专员;
获取客户音频,基于AI识别客户情绪变化得到目标量化值;
基于不同的所述目标量化值设置动态响应机制进行结果匹配;
基于所述客户音频进行转译,基于转译内容获取客户满意度。
需要说明的是,每个客服高峰期每天要应对成百人的电话咨询,通过对所述客服专员进行分类以匹配不同客户的问题要求,可以从基础业务上进行规范化,有序化,以有效提升工作效率;另外,通过AI获得客户的情绪变化值,能够有效提醒疲劳的客服人员对应的解决办法,避免一些偏激的客户矛盾升级,降低工作量,设置所述动态响应机制以匹配不同情绪的客户;此外,还通过转译将通话内容进行记录,减少客服人员的手动记录的工作量,并且可以完整保存通话内容,做到有据可查,避免被篡改。
根据本发明实施例,所述获取客户来访缘由与来访次数,以分配给对应的客服专员,具体为:
获取所述客户来访缘由,基于所述来访缘由分配给对应类型的客服组;
获取所述客户来访次数,其中,
若所述来访次数低于或者等于预设次数阈值,则分配给所述客服组的任一组员进行沟通;
若所述来访次数高于所述预设次数阈值,则分配给所述客服组的组长进行沟通。
需要说明的是,根据客户的不同需求分配不同的客服去处理,是容易想到的,但是采集客户来访次数,通过对所述来访次数的大小来优先选择客服是有创新性的,其中,假设所述预设次数阈值为“5”次,若所述来访次数低于或者等于“5”,则分配给所述客服组的任一组员进行沟通;若所述来访次数高于“5”,则表明所述客户来访次数过多,问题随着也增多,为了进一步有效解决客户问题,并且可以保证沟通质量,则分配给所述客服组中有经验的组长进行沟通。
根据本发明实施例,所述获取客户音频,基于AI识别客户情绪变化得到目标量化值,具体为:
基于AI构建情绪识别神经网络模型,并进行训练;
将所述客户音频带入训练好的情绪识别神经网络模型中,得到情绪变化曲线;
计算所述情绪变化曲线在单位时间范围内的倾斜角作为所述目标量化值。
需要说明的是,由于情绪的表达都是瞬时间,如何得到情绪变化,可以通过识别用户的音调、语速以及内容上的一些特征词来获取情绪变化,例如音调的突然增高或者降低代表客户的情绪具有波动,基于AI构建所述情绪识别神经网络模型,将所述客户音频作为输入值带入模型中,可以得到以时间为横轴,以反响程度为纵轴的所述情绪变化曲线,通过计算所述情绪变化曲线在单位时间范围内的倾斜角得到所述目标量化值。
根据本发明实施例,所述情绪识别神经网络模型训练方法为:
收集所述客户音频的客户音调与语速;
对所述客户音频的客户音调与语速进行特征提取,得到目标特征帧;
将得到的所述目标特征帧进行自动化筛选,去除误差大的所述目标特征帧;
将筛选后的所述目标特征帧进行光滑处理得到目标频谱;
将经过光滑处理得到的所述目标频谱作为所述情绪识别神经网络模型的输入,进行情绪识别神经网络的训练。
需要说明的是,所述情绪识别神经网络模型需要大量的历史数据进行训练,数据量越大,则结果越准确,将客户音频的客户音调与语速进行特征提取,得到目标特征帧,并去除明显误差的所述目标特征帧,将筛选后的特征帧光滑处理得到目标频谱作为模型输入进行训练,进而得到所述情绪变化曲线。
根据本发明实施例,所述基于不同的所述目标量化值设置动态响应机制进行结果匹配,具体为:
所述动态响应机制包括三层响应机制,分别为第一响应机制、第二响应机制以及第三响应机制,其中,
比较连续三个所述单位时间范围内的倾斜角大小;
若三个所述单位时间范围内的倾斜角呈现递增状态,则触发所述第一响应机制,由当前通话客服人员及其上级领导进行双人同步沟通;
若三个所述单位时间范围内的倾斜角呈现波浪状态,则触发所述第二响应机制,由所述当前通话客服人员及其同级同事进行双人同步沟通;
若三个所述单位时间范围内的倾斜角呈现下降或者持平状态,则触发所述第三响应机制,由所述当前通话客服人员继续单人沟通。
需要说明的是,如图2所示,为倾斜角的变化曲线,其中,横轴为时间t,纵横为倾斜角变化趋势δ,其中,若三个所述倾斜角呈现递增状态,则触发所述第一响应机制,由当前通话客服人员及其上级领导进行双人同步沟通,保证沟通平缓有序进行;若三个所述倾斜角呈现波浪状态,则触发所述第二响应机制,由所述当前通话客服人员及其同级同事进行双人同步沟通,通过增加客服人员针对性解决客户问题,防止事态矛盾激化;若三个所述倾斜角呈现下降或者持平状态,则触发所述第三响应机制,由所述当前通话客服人员继续单人沟通,以锻炼客服人员的心里承受能力。
根据本发明实施例,所述基于所述客户音频进行转译,基于转译内容获取客户满意度,具体为:
基于预设的转译算法对所述客户音频进行转译得到所述转译内容;
基于所述转译内容识别满意词因子,并提取其次数值;
根据所述满意词次数值获取所述客户满意度,其中,
若所述满意词次数值位于第一满意阈值范围内,则表明所述客户满意度为非常满意;
若所述满意词次数值位于第二满意阈值范围内,则表明所述客户满意度为一般满意;
若所述满意词次数值位于第三满意阈值范围内,则表明所述客户满意度为不满意。
需要说明的是,获取到所述转译内容后,对文本内容进行关键词识别,其中,例如“好”、“很好”、“谢谢”以及“非常满意”这类关键词,并计数得到所述满意词次数值,并判断其所处阈值位置,具体地,公式如下:
其中,表示所述关键词的总量,表示第段音频中的所述关键词的数量值,表示所述第一满意阈值范围,可以设定为(5,8),表示所述第二满意阈值范围,可以设定为(2,4),表示所述第三满意阈值范围,可以设定为(0,1)。
值得一提的是,本发明还包括识别不同客户转译内容的相同电力问题,具体为:
获取所述转译内容,识别相同问题的特征词;
判决多个所述相同问题的故障发生位置,其中,
若位置相同,则设定问题优先级为Ⅰ级;否则,不做处理。
需要说明的是,当某个地区或者位置,出现断电或者供电不足时,在那个区域内的用户均会通过拨打客服电话进行反应,当识别到相同问题的位置为相同时,表明该位置的电力故障问题严重,需要优先处理,将所述问题优先级设定为Ⅰ级,并第一时间派发所述问题及对应信息给到维修人员进行优先维修。
根据本发明实施例,还包括:
建立所述客户的通话历史数据库;
所述通话历史数据库包括所述客户历史通话的动态响应机制结果和客户满意度;
根据所述客户此处来访缘由与所述客户通话历史数据库的动态响应机制结果和客户满意度进行加权,得到客户目标来访缘由;
将获取的加权后所述客户目标来访缘由与客服组进行阈值对比;
选择最接近所述客户阈值的预设阈值范围客服作为此次所述客户的目标服务客服。
需要说明的是,根据所述客户历史通话记录的动态响应机制结果和客户满意度建立客户通话历史数据库,将客户通话历史数据库与客户此次通话缘由进行加权获得目标来访缘由,进而选择符合客户此次沟通意愿的合适客服,通过结合客户通话历史数据库进行加权计算可有效获得客户通话性格、意图和可能的态度,以便预判并选择可获得有效沟通的客服进行最大程度的有效沟通,提高客户满意度;
加权后的客户目标来访缘由的计算公式如下:
根据本发明实施例,还包括:
根据所述客户音频带入情绪识别神经网络模型中得到情绪变化目标量化值;
根据获得的所述客户目标量化值在所述神经网络模型中查询与所述目标量化值预设阈值范围最接近的多个目标量化值样本生成目标量化值样本集;
在获得所述目标量化值样本集中查询目标量化值样本后续情绪变化曲线最大有效下降的样本作为对象样本;
根据查询到的所述对象样本对应的客服作为所述客户的对象客服。
需要说明的是,根据所述客户此次通话的音频在情绪神经网络模型中得到情绪变化目标量化值,根据目标量化值在神经网络模型中查询与其预设阈值范围最接近的目标量化值样本形成目标量化值样本集,根据目标量化值样本集中的多个样本的后续情绪变化曲线下降最多的样本作为选定的对象样本,将选定的对象样本对应的客服作为所述客户此次通话的对象客服,可通过对客户从样本集中进行有针对性的筛选以获得最近似的样本和最有效的客服,提高客服和客户的沟通效果和效率。
根据本发明实施例,还包括:
根据所述客户音频和客户来访缘由在客户通话历史数据库中查询与所述客户最接近的多个客户样本作为客户样本集;
根据所述客户音频动态响应机制层级结果在所述客户样本集中进行阈值对比,查询预设阈值小于所述客户的多个客户样本作为初始客户样本集;
根据查询的所述初始客户样本集中的客户样本与所述客户样本满意度进行加权计算;
根据所述加权后的初始客户样本集中的客户样本进行预设阈值对比,对比获得最小阈值客户样本作为目标客户样本;
根据所述目标客户样本对应的客服选择为所述客户的客服。
需要说明的是,根据所述客户音频和来访缘由在客户通话历史数据库中查询与其最接近的客户样本作为客户样本集,根据客户音频动态响应机制层级结果在客户样本集中进行阈值对比找到预设阈值小于的客户样本作为初始客户样本集,再对初始客户样本集中的客户样本与其对应的满意度进行加权计算,并将加权后的客户样本进行预设阈值对比获得最小阈值的客户样本作为目标客户样本,再将目标客户样本对应的客服选定为所述客户的客服,通过客户与数据库中历史样本的音频、来访缘由以及动态响应机制层级结果进行对比筛选逐步缩小样本范围,再通过样本满意度的加权计算以及阈值对比寻找到最佳样本,将选定样本的客服作为客户的推荐客服,可通过逐渐缩小筛选范围最终获得最适合的客服。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于AI的电力客服中心辅助管理方法程序,所述基于AI的电力客服中心辅助管理方法程序被处理器执行时,实现如上述任一项所述的一种基于AI的电力客服中心辅助管理方法的步骤。
本发明公开的一种基于AI的电力客服中心辅助管理方法、系统及介质,可以自动识别客户来访原因,并根据具体原因类型分配到对应的客服进行解答,以取得专问专答的效果,提升工作效率;同时本发明还可以在沟通过程中通过AI自动识别客户情绪变化,并根据不同情绪推出不同的解决办法;另外,本发明还可以对通话内容进行转译,并根据转译的内容获取客户满意度,简易化、智能化沟通流程,增强客户体验。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元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,也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,本发明实施例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中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (8)
1.一种基于AI的电力客服中心辅助管理方法,其特征在于,包括以下步骤:
获取客户来访缘由与来访次数,以分配给对应的客服专员;
获取客户音频,基于AI识别客户情绪变化得到目标量化值;
基于不同的所述目标量化值设置动态响应机制进行结果匹配;
基于所述客户音频进行转译,基于转译内容获取客户满意度;
所述获取客户音频,基于AI识别客户情绪变化得到目标量化值,具体为:
基于AI构建情绪识别神经网络模型,并进行训练;
将所述客户音频带入训练好的情绪识别神经网络模型中,得到情绪变化曲线;
计算所述情绪变化曲线在单位时间范围内的倾斜角作为所述目标量化值;
基于不同的所述目标量化值设置动态响应机制进行结果匹配,具体为:
所述动态响应机制包括三层响应机制,分别为第一响应机制、第二响应机制以及第三响应机制,其中,
比较连续三个所述单位时间范围内的倾斜角大小;
若三个所述单位时间范围内的倾斜角呈现递增状态,则触发所述第一响应机制,由当前通话客服人员及其上级领导进行双人同步沟通;
若三个所述单位时间范围内的倾斜角呈现波浪状态,则触发所述第二响应机制,由所述当前通话客服人员及其同级同事进行双人同步沟通;
若三个所述单位时间范围内的倾斜角呈现下降或者持平状态,则触发所述第三响应机制,由所述当前通话客服人员继续单人沟通。
2.根据权利要求1所述的一种基于AI的电力客服中心辅助管理方法,其特征在于,所述获取客户来访缘由与来访次数,以分配给对应的客服专员,具体为:
获取所述客户来访缘由,基于所述来访缘由分配给对应类型的客服组;
获取客户来访次数,其中,
若所述来访次数低于或者等于预设次数阈值,则分配给所述客服组的任一组员进行沟通;
若所述来访次数高于所述预设次数阈值,则分配给所述客服组的组长进行沟通。
3.根据权利要求1所述的一种基于AI的电力客服中心辅助管理方法,其特征在于,所述情绪识别神经网络模型训练方法为:
收集所述客户音频的客户音调与语速;
对所述客户音频的客户音调与语速进行特征提取,得到目标特征帧;
将得到的所述目标特征帧进行自动化筛选,去除误差大的所述目标特征帧;
将筛选后的所述目标特征帧进行光滑处理得到目标频谱;
将经过光滑处理得到的所述目标频谱作为所述情绪识别神经网络模型的输入,进行情绪识别神经网络的训练。
4.根据权利要求1所述的一种基于AI的电力客服中心辅助管理方法,其特征在于,所述基于所述客户音频进行转译,基于转译内容获取客户满意度,具体为:
基于预设的转译算法对所述客户音频进行转译得到所述转译内容;
基于所述转译内容识别满意词因子,并提取其次数值;
根据满意词次数值获取所述客户满意度,其中,
若所述满意词次数值位于第一满意阈值范围内,则表明所述客户满意度为非常满意;
若所述满意词次数值位于第二满意阈值范围内,则表明所述客户满意度为一般满意;
若所述满意词次数值位于第三满意阈值范围内,则表明所述客户满意度为不满意。
5.一种基于AI的电力客服中心辅助管理系统,其特征在于,包括存储器和处理器,所述存储器中包括基于AI的电力客服中心辅助管理方法程序,所述基于AI的电力客服中心辅助管理方法程序被所述处理器执行时实现如下步骤:
获取客户来访缘由与来访次数,以分配给对应的客服专员;
获取客户音频,基于AI识别客户情绪变化得到目标量化值;
基于不同的所述目标量化值设置动态响应机制进行结果匹配;
基于所述客户音频进行转译,基于转译内容获取客户满意度;
所述获取客户音频,基于AI识别客户情绪变化得到目标量化值,具体为:
基于AI构建情绪识别神经网络模型,并进行训练;
将所述客户音频带入训练好的情绪识别神经网络模型中,得到情绪变化曲线;
计算所述情绪变化曲线在单位时间范围内的倾斜角作为所述目标量化值;
基于不同的所述目标量化值设置动态响应机制进行结果匹配,具体为:
所述动态响应机制包括三层响应机制,分别为第一响应机制、第二响应机制以及第三响应机制,其中,
比较连续三个所述单位时间范围内的倾斜角大小;
若三个所述单位时间范围内的倾斜角呈现递增状态,则触发所述第一响应机制,由当前通话客服人员及其上级领导进行双人同步沟通;
若三个所述单位时间范围内的倾斜角呈现波浪状态,则触发所述第二响应机制,由所述当前通话客服人员及其同级同事进行双人同步沟通;
若三个所述单位时间范围内的倾斜角呈现下降或者持平状态,则触发所述第三响应机制,由所述当前通话客服人员继续单人沟通。
6.根据权利要求5所述的一种基于AI的电力客服中心辅助管理系统,其特征在于,所述获取客户来访缘由与来访次数,以分配给对应的客服专员,具体为:
获取所述客户来访缘由,基于所述来访缘由分配给对应类型的客服组;
获取客户来访次数,其中,
若所述来访次数低于或者等于预设次数阈值,则分配给所述客服组的任一组员进行沟通;
若所述来访次数高于所述预设次数阈值,则分配给所述客服组的组长进行沟通。
7.根据权利要求5所述的一种基于AI的电力客服中心辅助管理系统,其特征在于,所述基于所述客户音频进行转译,基于转译内容获取客户满意度,具体为:
基于预设的转译算法对所述客户音频进行转译得到所述转译内容;
基于所述转译内容识别满意词因子,并提取其次数值;
根据满意词次数值获取所述客户满意度,其中,
若所述满意词次数值位于第一满意阈值范围内,则表明所述客户满意度为非常满意;
若所述满意词次数值位于第二满意阈值范围内,则表明所述客户满意度为一般满意;
若所述满意词次数值位于第三满意阈值范围内,则表明所述客户满意度为不满意。
8.一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中包括一种基于AI的电力客服中心辅助管理方法程序,所述基于AI的电力客服中心辅助管理方法程序被处理器执行时,实现如权利要求1至4中任一项所述的一种基于AI的电力客服中心辅助管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700908.3A CN113422876B (zh) | 2021-06-24 | 2021-06-24 | 基于ai的电力客服中心辅助管理方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700908.3A CN113422876B (zh) | 2021-06-24 | 2021-06-24 | 基于ai的电力客服中心辅助管理方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113422876A CN113422876A (zh) | 2021-09-21 |
CN113422876B true CN113422876B (zh) | 2022-05-10 |
Family
ID=77716481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110700908.3A Active CN113422876B (zh) | 2021-06-24 | 2021-06-24 | 基于ai的电力客服中心辅助管理方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113422876B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113555011B (zh) * | 2021-07-07 | 2022-05-27 | 广西电网有限责任公司 | 电力行业客服中心语音转译建模方法、系统及介质 |
CN114186828B (zh) * | 2021-12-02 | 2024-08-27 | 广西电网有限责任公司 | 一种电力客服通话时长和话后时长的监控方法及系统 |
WO2024043604A1 (ko) * | 2022-08-22 | 2024-02-29 | 삼성전자 주식회사 | 신경망을 통해 이미지를 처리하는 방법 및 그 전자 장치 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3302454A1 (en) * | 2015-05-26 | 2018-04-11 | Technophage, Investigação E Desenvolvimento Em Biotecnologia, SA | Compositions for use in treating parkinson's disease and related disorders |
CN108174046A (zh) * | 2017-11-10 | 2018-06-15 | 大连金慧融智科技股份有限公司 | 一种用于呼叫中心的人员监控系统及方法 |
CN109243491A (zh) * | 2018-10-11 | 2019-01-18 | 平安科技(深圳)有限公司 | 在频谱上对语音进行情绪识别的方法、系统及存储介质 |
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 |
CN109815494A (zh) * | 2019-01-16 | 2019-05-28 | 中民乡邻投资控股有限公司 | 一种基于客户情绪的问答服务方法 |
CN109949830A (zh) * | 2019-03-12 | 2019-06-28 | 中国联合网络通信集团有限公司 | 用户意图识别方法及设备 |
CN110379441A (zh) * | 2019-07-01 | 2019-10-25 | 特斯联(北京)科技有限公司 | 一种基于对抗型人工智能网络的语音服务方法与系统 |
CN110738984A (zh) * | 2019-05-13 | 2020-01-31 | 苏州闪驰数控系统集成有限公司 | 人工智能cnn、lstm神经网络语音识别系统 |
CN111049999A (zh) * | 2018-10-11 | 2020-04-21 | 上海智臻智能网络科技股份有限公司 | 语音客服质检系统及客服质检设备 |
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 |
CN111651609A (zh) * | 2020-04-24 | 2020-09-11 | 中国电力科学研究院有限公司 | 一种融合知识图谱和情感监督的多轮对话方法及系统 |
CN111681681A (zh) * | 2020-05-22 | 2020-09-18 | 深圳壹账通智能科技有限公司 | 语音情绪识别方法、装置、电子设备及存储介质 |
CN112185385A (zh) * | 2020-09-30 | 2021-01-05 | 深圳供电局有限公司 | 一种用于供电领域的智能客户处理方法及系统 |
CN112837693A (zh) * | 2021-01-29 | 2021-05-25 | 上海钧正网络科技有限公司 | 一种用户体验倾向识别方法、装置、设备和可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9047871B2 (en) * | 2012-12-12 | 2015-06-02 | At&T Intellectual Property I, L.P. | Real—time emotion tracking system |
-
2021
- 2021-06-24 CN CN202110700908.3A patent/CN113422876B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3302454A1 (en) * | 2015-05-26 | 2018-04-11 | Technophage, Investigação E Desenvolvimento Em Biotecnologia, SA | Compositions for use in treating parkinson's disease and related disorders |
CN108174046A (zh) * | 2017-11-10 | 2018-06-15 | 大连金慧融智科技股份有限公司 | 一种用于呼叫中心的人员监控系统及方法 |
CN111049999A (zh) * | 2018-10-11 | 2020-04-21 | 上海智臻智能网络科技股份有限公司 | 语音客服质检系统及客服质检设备 |
CN109243491A (zh) * | 2018-10-11 | 2019-01-18 | 平安科技(深圳)有限公司 | 在频谱上对语音进行情绪识别的方法、系统及存储介质 |
CN109815494A (zh) * | 2019-01-16 | 2019-05-28 | 中民乡邻投资控股有限公司 | 一种基于客户情绪的问答服务方法 |
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 |
CN109949830A (zh) * | 2019-03-12 | 2019-06-28 | 中国联合网络通信集团有限公司 | 用户意图识别方法及设备 |
CN110738984A (zh) * | 2019-05-13 | 2020-01-31 | 苏州闪驰数控系统集成有限公司 | 人工智能cnn、lstm神经网络语音识别系统 |
CN110379441A (zh) * | 2019-07-01 | 2019-10-25 | 特斯联(北京)科技有限公司 | 一种基于对抗型人工智能网络的语音服务方法与系统 |
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 |
CN111651609A (zh) * | 2020-04-24 | 2020-09-11 | 中国电力科学研究院有限公司 | 一种融合知识图谱和情感监督的多轮对话方法及系统 |
CN111681681A (zh) * | 2020-05-22 | 2020-09-18 | 深圳壹账通智能科技有限公司 | 语音情绪识别方法、装置、电子设备及存储介质 |
CN112185385A (zh) * | 2020-09-30 | 2021-01-05 | 深圳供电局有限公司 | 一种用于供电领域的智能客户处理方法及系统 |
CN112837693A (zh) * | 2021-01-29 | 2021-05-25 | 上海钧正网络科技有限公司 | 一种用户体验倾向识别方法、装置、设备和可读存储介质 |
Non-Patent Citations (1)
Title |
---|
情绪建模与情感虚拟人研究;赵积春等;《计算机工程》;20070131(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113422876A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113422876B (zh) | 基于ai的电力客服中心辅助管理方法、系统及介质 | |
US11004013B2 (en) | Training of chatbots from corpus of human-to-human chats | |
JP6792089B2 (ja) | 声紋認識方法、装置、端末機器および記憶媒体 | |
CN107886949A (zh) | 一种内容推荐方法及装置 | |
WO2019037391A1 (zh) | 客户购买意向的预测方法、装置、电子设备及介质 | |
CN107240033B (zh) | 一种电力识别模型的构建方法及系统 | |
CN107784033B (zh) | 一种基于会话进行推荐的方法和装置 | |
CN113051362B (zh) | 数据的查询方法、装置和服务器 | |
CN110445939B (zh) | 容量资源的预测方法及装置 | |
CN113129927A (zh) | 语音情绪识别方法、装置、设备及存储介质 | |
CN109934301A (zh) | 一种电力负荷聚类分析方法、装置和设备 | |
CN115408553A (zh) | 一种用于优化生成呼叫中心服务的系统 | |
CN114722191A (zh) | 一种基于语义理解处理的通话自动聚类方法及系统 | |
CN117238322B (zh) | 一种基于智能感知的自适应语音调控方法及系统 | |
CN114202203A (zh) | 投诉工单处理方法、装置、存储介质及电子设备 | |
CN117056591B (zh) | 基于动态预测的电力缴费渠道智能推荐方法及系统 | |
CN113111157A (zh) | 问答处理方法、装置、计算机设备和存储介质 | |
CN109871526A (zh) | 一种股票行业的语义识别方法及系统装置 | |
CN114023309A (zh) | 语音识别系统、相关方法、装置及设备 | |
CN110795559A (zh) | 用于客服问答的数据处理方法及装置 | |
CN113555011B (zh) | 电力行业客服中心语音转译建模方法、系统及介质 | |
CN112307157B (zh) | 申诉意见挖掘方法和装置 | |
CN117411970B (zh) | 一种基于声音处理的人机耦合客服控制方法及系统 | |
CN117972069B (zh) | 一种基于人工智能进行主动对话及知识库向量搜索的方法 | |
CN113345419B (zh) | 基于方言口音的语音转译方法、系统和可读存储介质 |
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 |