CN113822029A - 客服辅助方法、装置和系统 - Google Patents

Abstract

本发明的一个方面涉及客服辅助方法、装置和系统。具体公开了一种客服辅助方法，包括：将客服与用户的当前通话内容转写为文本；基于所述文本识别业务类型，并获取与业务类型对应的工单，所述工单包括多个工单项；以及基于所述文本识别与所述工单项对应的实体内容，并根据识别的实体内容填写对应的工单项，其中，以上步骤是在客服与用户的通话过程中实时进行的。

Description

客服辅助方法、装置和系统

技术领域

本发明涉及智能决策的技术领域，更具体地涉及利用智能决策来辅助客服处理业务的技术领域。

背景技术

目前，服务热线在例如政务热线、公司客服热线等场景得到了越来越广泛的应用。用户可以拨打服务热线进行业务办理、事务投诉、事务进度咨询等操作。

用户在与后台人工客服进行沟通的过程中，客服需要填报事项工单。传统的工单填写是完全人工进行的。通常，客服在与用户交流的过程中根据用户的说话内容凭经验识别业务类型，从工单库中选择与业务类型对应的工单，并手动将信息输入对应的工单项。客服在与用户交流的过程中完成这些操作是困难的。在实际操作中，这种工单填写方式效率低下且易出错。

在谈话结束之后填写工单也有很多问题。尽管为了提高服务质量，通话会被录音，但客服在结束上一通话后要立即接听下一用户的来电，因此并没有时间回顾录音并填写工单。

除了工单的手动选择和填写存在困难以外，现有客服系统还存在其它问题：首先，客服在与用户的通话过程中需要对用户的问题提供专业回答，这对客服专业性要求较高，提高了实现成本。其次，现有客服系统通常都是在客服与用户的通话结束后才对服务质量进行评估,但通话结束后的评估无法即时改善客服的服务质量，因此作用有限。

由于客户服务热线的应用越来越广泛，如何提高客服的工单填写效率、提高客户回答问题的知识水平以及即时提高客服的服务质量是有重要的研究价值和应用潜力的。

发明内容

为了解决上面的一个或多个技术问题，本发明提出了一种基于事项内容的决策推荐方法。具体而言，本发明提出了一种在客户服务过程中实时辅助客服进行工单填写、业务问题回答以及改进服务质量的方法、装置和系统。

根据本发明一个方面，提供了一种客服辅助方法，包括：将客服与用户的当前通话内容转写为文本；基于所述文本识别业务类型，并获取与业务类型对应的工单，所述工单包括多个工单项；以及基于所述文本识别与所述工单项对应的实体内容，并根据识别的实体内容填写对应的工单项，其中，以上步骤是在客服与用户的通话过程中实时进行的。

根据本发明另一方面，提供了一种客服辅助装置，包括：语音转写模块，被配置为将客服与用户的当前通话内容转写为文本；以及业务分析模块，被配置为：基于所述文本识别业务类型，并获得与业务类型对应的工单，所述工单包括多个工单项；以及基于所述文本识别与所述工单项对应的实体内容，并根据识别的实体内容填写对应的工单项，其中，语音转写模块和业务分析模块的操作是在客服与用户的通话过程中实时进行的。

根据本发明又一方面，提供了一种客服辅助系统，包括上述客服辅助装置；以及客服终端装置，用于基于从语音转写模块和业务分析模块发送的数据进行显示。

附图说明

参照附图，根据下面的详细描述，可以更清楚地理解本公开，其中：

图1示出了根据本发明的一个实施例的客服辅助系统的方框图；

图2示出了根据本发明的一个实施例的客服辅助方法的流程图；以及

图3示出了根据本发明的另一个实施例的客服辅助方法的流程图。

具体实施方式

现在将参照附图来详细描述本公开的各种示例性实施例。除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

图1示出了根据本发明的一个实施例的客服辅助系统的方框图。如图1所示，客服辅助系统1包括客服终端装置200和客服辅助装置100。客服辅助系统1也称为客服助手系统或客服服务器。客服终端装置200可以为显示装置或具有显示功能的任何其它终端装置等。客服辅助装置100包括语音转写模块110和业务分析模块120。根据一种实施方式，客服辅助装置还可以包括存储中间处理结果和各种数据库的存储装置。在另一种实施方式中，中间处理结果和各种数据库也可以被远程地存储。

下面参照附图1描述上述各模块的功能。

语音转写模块110用于将客服与用户的当前通话内容实时转写为文本。

语音转写模块110通过声学模型、词库、识别匹配算法等技术手段，将语音中的词汇发音转换成对应的文本信息。语音转写主要做两部分的工作，分别是语音流的抓取和语音转文本的处理。

语音流的抓取可以使用任何适当的方法进行。在一个优选的实施例中，在客服与用户通话时，语音转写模块的客户端会对客服机器的网卡进行抓包，从中提取客服和用户的通话录音流，并通过局域网发送TCP报文，语音转写模块的服务端接收到请求后，通过内置转写引擎将语音转写成文字。

然后，语音转写模块110对抓取的语音数据进行转写。在一个优选的实施例中，当语音转写模块获取了当前语音数据后，首先对当前语音数据的语音信号进行分析和处理，除去冗余信息，例如语气词。然后提取影响语音识别的关键信息和表达语言含义的特征信息，紧扣特征信息，用最小单元识别字词。接着按照不同语言的各自语法，依照先后次序识别字词，把前后意思当作辅助识别条件进行分析和识别。最后按照语义分析，给关键信息划分段落，取出所识别出的字词并连接起来，同时根据语句意思调整句子构成，合成与当前语音数据对应的当前通话文本。之后，语音转写模块将当前通话文本发送给客服终端装置200和业务分析模块120。

语音转写模块的操作与通话是实时进行的。语音转写模块在客服或用户通话的过程中按照语音片段(例如，从几秒至几十秒)来抓取语音流，并实时地将这段语音流转写成文字，然后抓取下一段语音。在一个实施例中，被转写的文本可实时显示在客服终端装置200上，以实现文本同屏。

在转写的文本被发送至业务分析模块120之后，业务分析模块120对其进行语义分析，即对文本的词义和/或句义进行分析。

通过语义分析，业务分析模块120可实现多种功能。具体而言，业务分析模块120被配置为对工单进行自动选择和填写。此外，在一个优选的实施例中，业务分析模块120还可以具备以下功能中的一种或两种：针对用户的问题为客服提供专业知识以及基于通话中的敏感词提醒客服注意服务质量。下面，针对业务分析模块120的以上各项功能进行描述。

1、工单的自动选择和填写功能。

业务分析模块120被配置为基于由当前通话内容转写的文本识别业务类型，并获得与业务类型对应的工单，所述工单包括多个工单项。

工单是指用于记录用户的来电意图和具体事项内容的表单。在通话过程中，客服需要填写工单以便在通话结束之后将工单归档或转送给相关部门以解决用户的问题。由于用户的来电意图多种多样，工单的类型也非常多。以市政服务热线为例，用户来电的意图包括但不限于：反映乱摆摊的现象、举报工地噪声、报告基础设施的故障或损坏，等等。这些示例意图分别对应于不同类型的工单。具体而言，针对反映乱摆摊现象的通话，客服应当填写命名为“游商”的工单；针对举报施工噪声的通话，客服应当填写命名为“扰民”的工单；而针对报告基础设施的故障或损坏的通话，客服应当填写命名为“报修”的工单。以上仅是示例，本文的工单不限于特定行业或场景，而是意在涵盖所有记录来电意图和具体业务内容的表单。

在一个实施例中，业务分析模块120通过对文本中用户语句的句义和/或词义进行分析来识别业务类型。

在进一步的实施例中，业务分析模块120根据通话内容提取文本特征，并转换成语义向量；以及将语义向量输入业务类型识别模型122并得到对应的业务类型。在优选的实施例中，业务类型识别模型122可以为卷积神经网络。在业务类型识别模型121为卷积神经网络的示例中，事先需要使用大量数据对卷积神经网络进行训练。这些数据可以得自以往的通话记录、客服经验等。

在更进一步的实施例中，业务分析模块120对当前通话文本进行分词处理，之后得到与当前通话文本对应的关键词集合。然后将关键词集合转化为对应词向量后合成当前语义向量。这些处理优选地使用部署在其中的自然语言处理(NLP)引擎121来实现。

在识别业务类型并获得特定工单之后，业务分析模块120还被配置为基于当前通话文本识别与所述工单项对应的实体内容，并根据识别的实体内容填写对应的工单项。工单项是指工单上需要填写的各个项目。例如，“游商”工单可包括以下一个或多个工单项：“商贩姓名”、“货品名称”、“货品数量”、“出摊地点”和“出摊时间”等。

在一个实施例中，实体内容是通过识别工单项对应的特征语，在用户语句中检测这些特征语，并获取特征语之后的文本来获得的。

2、针对用户的问题为客服提供专业知识的功能。

在一个实施例中，业务分析模块120能够基于识别的业务类型检索数据库中与业务类型相关的知识点数据，并将检索到的知识点数据实时显示给客服。该功能并不是必须的，而是可以根据需要进行选择。

3、基于通话中的敏感词提醒客服注意服务质量的功能

在一个实施例中，业务分析模块120还被配置用于实时检测文本中的敏感词，并基于所述敏感词向客服提供对应的提示，其中敏感词是表示用户对客服的服务是否满意的词。例如，敏感词可包括不文明用语。当在用户的语句中检测到这样的敏感词时，可判断用户对服务不满意，从而为客服提供提示。提示可包括在客服终端装置200上显示提示语。当客服收到这样的提示之后，可以即时改善服务态度，避免用户进一步抱怨。

客服终端装置200被配置用于基于从语音转写模块110和业务分析模块120发送的数据或由客服输入的数据，处理和显示客服与客服装置的交互界面。交互界面上例如可显示语音转写模块转写的文本、工单、与工单类型相关的知识点数据和向客服提供的提示等。将转写的文本实时显示在客服终端装置200上可以便于客服查看和回顾，从而实现了文本同屏的功能。文本同屏直观地展示了客服与用户的对话内容，易于对话的回溯，便于客服对用户语义的理解。

应当理解，上述各个模块仅是根据其所实现的具体功能所划分的逻辑模块，而不是用于限制具体的实现方式。在实际实现时，上述各个模块可被实现为独立的物理实体，或者也可由单个实体(例如，处理器(CPU或DSP等)、集成电路等)来实现。

下面参照图2来描述根据本发明的一个实施例的客服辅助方法200。该方法用于自动识别和填写工单。

在客服与用户通话的过程中，首先，在步骤201中，使用语音转写模块110将客服与用户的当前通话内容转写为文本。该步骤可以使用现有技术中的语音转写技术进行。

在优选的实施例中，在转写的过程中语音转写模块能够对语音进行角色识别，并按照说话人是客服还是用户对文本进行排版，从而可以区分哪些文本是用户的回答。角色识别可以利用声纹识别来进行。因为随后的语义处理通常仅针对用户的回答进行，所以在转写的同时进行角色分离有助于准确的定位语义处理的目标语句，提高处理效率。

转写的文本被发送至业务分析模块120以供进一步处理。

在步骤202中，业务分析模块120基于所述文本识别业务类型，并获取与业务类型对应的工单，所述工单包括多个工单项。

在一个实施例中，通过对用户语句的句义和/或词义进行分析来识别业务类型。在进一步的实施例中，对句义和/或词义进行分析包括：从文本中的用户语句提取文本特征并转换成语义向量；以及将语义向量输入业务类型识别模型并得到对应的业务类型。

在进一步的实施例中，提取文本特征并转换成语义向量包括：对文本中的用户语句进行分词处理，并得到与用户语句对应的关键词集合；以及将关键词集合转化为对应的词向量，并将词向量合成语义向量。

例如，当业务分析模块120接收到当前通话文本后，将其发送至业务分析模块中部署的NLP引擎121。NLP引擎121首先去除当前通话文本中的冗余词(例如，重复出现的词、语气词等)，然后进行分词处理，得到与当前通话文本对应的关键词集合。由于之前已经进行了角色识别，因此可以容易地得出那些语句是用户回答的语句。

接着，业务分析模块120使用业务类型识别模型122基于关键词集合识别业务类型。NLP引擎121将当前通话文本对应的关键词集合转化为对应的词向量，然后合成当前语义向量，并将当前语义向量输入至业务类型识别模型122，得到当前通话文本对应的业务类型作为输出结果。如上文所述，业务类型识别模型可以是预先训练的卷积神经网络。

以举报游商的业务类型为例，从用户回答的语句中可得到包括“摆摊”、“乱”等的关键词集合，NLP引擎121将该关键词集合转化为语义向量，输入业务类型识别模型，即可识别出业务类型为举报非法摆摊，并获取工单“游商”。

客服在与用户通话的过程中通常遵循特定的格式。例如，客服接通电话后首先会询问“请问有什么能帮助您？”，这时，用户会回答来电的意图。因此，在一个实施例中，业务分析模块120仅针对用户的第一段回答进行业务类型的识别。如果用户的第一段回答中识别的关键词集合无法得到匹配的业务类型，那么继续检测用户的第二段回答，直到检测到能够得到匹配的业务类型的语句为止。

确定具体工单之后，可以在客服终端装置200的交互界面上显示该工单。

接下来，在步骤203中，基于当前的通话文本识别与工单项对应的实体内容，并根据识别的实体内容填写对应的工单项。在一个实施例中，识别实体内容包括：识别工单项的特征语；以及在用户的语句中检测所述特征语，并获取所述特征语之后的文本。

在一个实施例中，特征语是该工单项对应的实体内容的导语。在用户的对答中，实体内容往往跟在特征语之后。例如，工单项“姓名”的特征语可以包括：“我的名字是”、“我叫”、“可以叫我”等。

以“姓名”工单项为例，在获得工单之后，客服针对工单的第一项“姓名”进行提问，并且用户回答“我叫王明”。随后，业务分析模块120在用户回答的“我叫王明”的语句中检测上面示例的特征语，并检测到特征语“我叫”。然后，业务分析模块120获取特征语“我叫”之后的文本“王明”，并将其作为实体内容填写在“姓名”工单项中。

优选地，可以获取特征语后一定范围的文本作为实体内容。文本的范围可以取决于工单项。例如，对于“姓名”工单项，可以获取特征语之后2-3个汉字的范围内的文本。而对于“年龄”工单项，可以获取特征语之后一或两位数字的文本。

假设工单中顺序第二的工单项为“年龄”。在填写完姓名之后，业务分析模块120将与针对“姓名”类似的方式，在用户的下一段回答中识别与“年龄”对应的实体内容，并进行填写，直到所有工单项都填写完毕。

如果在当前的语句中没有识别出与预期要询问的工单项对应的实体内容，则继续检测用户的下一语句，直到检测到与当前工单项对应的实体内容为止。

在一个实施例中，如果客服发现业务分析模块的识别内容有误，也可以对工单进行手动填写。当业务分析模块检测到工单中某一项被手动填写时，其自动跳过该工单项，继续针对下一工单项检测用户的下一语句。

优选地，业务分析模块使用实体识别模型LSTM-CRF和实体关系抽取句法分析器来提取与工单项对应的实体内容。这只是一个示例，也可以使用其它模型和分析器。

上面描述的步骤201、202、203都是在通话期间实时进行的。也就是说，以上步骤都是随着客服和用户之间通话的推进，针对用户当前的回答进行的。

下面参照图3来描述根据本发明的另一个实施例的客服辅助方法300。该方法不仅能够自动识别和填写工单，还能够实现为客服提供专业知识和基于通话中的敏感词提醒客服注意服务质量的功能。

首先，在步骤301中，语音转写模块110对当前通话内容进行转写，并将文本发送至业务分析模块120。该步骤和方法200中的步骤201一致，此处不再详细说明。

在步骤302中，业务分析模块120通过NLP引擎对文本进行关键词提取，并得到关键词集合。

接着，业务分析模块120在步骤320中判断当前通话内容所处的阶段。如果此时尚未获得工单，则步骤前进至321。在一个实施例中，如果判断当前通话内容为用户的初始回答，则前进至步骤321，如果当前通话内容不是用户的初始回答，而是之后的一段或多段回答，则前进至步骤331。这是因为客服在接通电话之后会立即询问用户来电事项，因此用户通常在第一段回答中就会表明来电的意图。

在步骤321中，业务分析模块120将关键词集合转化为对应的词向量，然后合成当前语义向量，以作为业务类型识别模型的输入，并得到业务类型作为输出结果。业务类型识别模型可以是预先训练的卷积神经网络。然后，在步骤323中，业务分析模块120根据识别得到的业务类型在数据库中检索出与该业务类型对应的工单W，并将其显示在客服终端装置200上。

步骤321和323与上文中关于图2的步骤202描述的过程类似，在此不作进一步描述。

当在步骤321中得到业务类型之后，方法还可以前进至步骤322。在步骤322中，业务分析模块120根据识别得到的业务类型在存储装置中存储的数据库中检索系统知识库，以获取与业务类型对应的知识点数据，并通过局域网发送TCP信息将知识点数据发送至客服终端装置200以进行显示。客服可参考显示的知识点对用户提出的咨询问题提供更准确的回答。可以事先建立存储各业务类型的知识点数据的数据库，并将知识点数据库存储在存储装置中或远端。这使得客服无需具备大量专业知识即可回答用户的问题，降低了人工成本。

步骤322既可以与步骤323并行进行，也可以在步骤323之前或之后进行。此外，步骤322为可选步骤，当用户来电的意图并非咨询时，也可以不进行该步骤。

如果在步骤320中确定当前已获得工单W，则前进至步骤331。在步骤331中，业务分析模块识别工单W中的工单项Wi(i＝1,2，3,……N，N为工单W中工单项的总数)对应的特征语。之后，在步骤332中，业务分析模块120识别关键词集合中与特征语一致的关键词，提取该关键词之后一定范围的文本，并将该文本填写在对应的工单项中。

步骤331和332与上文中关于图2的步骤203描述的过程类似，在此不作进一步描述。

在步骤333，判断是否i＝N。如果i＝N，则表明所有工单项都已填写，此时可以结束整个流程。填写完的工单经客服核对无误即可发送至工单数据库进行存储或转给相关部门处理。如果判断为否，则表明有工单项尚未填写，那么在步骤334，i＝i+1，继续按顺序对下一个工单项进行实体内容识别，直到填写完所有工单项。

在步骤302之后，过程还可以前进至步骤311。在步骤311中，业务分析模块120将在步骤302中得到的关键词集合中的每一关键词与预先存储的敏感词集合进行比对。在312中，如果判断关键词集合中有关键词与敏感词集合中的敏感词相同，则对客服进行实时提醒。敏感词是表示用户对客服的服务是否满意的词。例如，敏感词可包括不文明用语。当在用户的语句中检测到这样的敏感词时，可判断用户对服务不满意，从而为客服提供提示。提示可包括在客服终端装置上显示提示语，例如“存在XXX敏感词汇，请注意沟通内容”。当客服收到这样的提示之后，可以立即改善服务质量，避免用户进一步抱怨。

步骤311和312可以与步骤320并行进行。然后，这只是一个示例，步骤311和312也可以在流程中任何其它适当之处进行。

以上关于图2和图3所描述的各步骤仅是示例性的，只要能够实现各步骤的功能，也可以按照与所示出的顺序不同的顺序来进行。

根据详细的说明书，本发明的许多特征和优点是显而易见的，因此，所附权利要求书旨在涵盖落入本发明的真实精神和范围内的本发明的所有这些特征和优点。此外，由于本领域技术人员将容易想到许多修改和变型，因此不希望将本发明限制于所图示和描述的确切构造和操作，并且相应地，可以采用落入本发明的范围内的所有合适的修改和等效物。

Claims (17)

1.一种客服辅助方法，包括：

将客服与用户的当前通话内容转写为文本；

基于所述文本识别业务类型，并获取与业务类型对应的工单，所述工单包括多个工单项；以及

基于所述文本识别与所述工单项对应的实体内容，并根据识别的实体内容填写对应的工单项，

其中，以上步骤是在客服与用户的通话过程中实时进行的。

2.如权利要求1所述的方法，其中，识别业务类型包括：对文本中的用户语句的句义和/或词义进行分析并识别业务类型。

3.如权利要求2所述的方法，其中，对句义和/或词义进行分析包括：

从文本中的用户语句提取文本特征并转换成语义向量；以及

将语义向量输入业务类型识别模型并得到对应的业务类型。

4.如权利要求3所述的方法，其中提取文本特征并转换成语义向量包括：

对文本中的用户语句进行分词处理，并得到与用户语句对应的关键词集合；以及

将关键词集合转化为对应的词向量，并将词向量合成语义向量。

5.如权利要求1所述的方法，其中，识别实体内容包括：

识别所述工单项的特征语；以及

在文本中的用户语句中检测所述特征语，并获取所述特征语之后的文本。

6.如权利要求1所述的方法，还包括：在通话期间所述文本被实时地显示给客服以供查看和回顾。

7.如权利要求1所述的方法，还包括：基于识别的业务类型检索数据库中与所述业务类型相关的知识点数据，并将检索到的知识点数据实时显示给客服。

8.如权利要求1所述的方法，还包括：实时检测文本中的敏感词，并基于所述敏感词向客服提供对应的提示，其中敏感词是表示用户对客服的服务是否满意的词。

9.一种客服辅助装置，包括：

语音转写模块，被配置为将客服与用户的当前通话内容转写为文本；以及

业务分析模块，被配置为：

基于所述文本识别业务类型，并获得与业务类型对应的工单，所述工单包括多个工单项；以及

基于所述文本识别与所述工单项对应的实体内容，并根据识别的实体内容填写对应的工单项，

其中，语音转写模块和业务分析模块的操作是在客服与用户的通话过程中实时进行的。

10.如权利要求9所述的装置，其中，识别业务类型包括：对文本中的用户语句的句义和/或词义进行分析并识别业务类型。

11.如权利要求10所述的装置，其中，对句义和/或词义进行分析包括：

从文本中的用户语句提取文本特征并转换成语义向量；以及

将语义向量输入业务类型识别模型并得到对应的业务类型。

12.如权利要求11所述的装置，其中提取文本特征并转换成语义向量包括：

对文本中的用户语句进行分词处理，并得到与用户语句对应的关键词集合；以及

将关键词集合转化为对应的词向量，并将词向量合成语义向量。

13.如权利要求9所述的装置，其中，识别实体内容包括：

识别一个或多个所述工单项的特征语；以及

在文本中的用户语句中检测所述特征语，并获取所述特征语之后的文本。

14.如权利要求9所述的装置，其中，在通话过程期间所述文本被实时地被显示给客服以供查看和回顾。

15.如权利要求9所述的装置，其中所述业务分析模块还被配置为：基于识别的业务类型检索数据库中与所述业务类型相关的知识点数据，并将检索到的知识点数据实时显示给客服。

16.如权利要求9所述的装置，其中所述业务分析模块还被配置为：检测文本中的敏感词，并基于所述敏感词向客服提供对应的提示，其中敏感词是表示用户对客服的服务是否满意的词。

17.一种客服辅助系统，包括:

如权利要求9-16中任一项所述的客服辅助装置；以及

客服终端装置，用于基于从语音转写模块和业务分析模块发送的数据进行显示。

Images