CN113822484A - 服务质量评价方法及装置、存储介质及电子设备 - Google Patents
服务质量评价方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113822484A CN113822484A CN202111134373.4A CN202111134373A CN113822484A CN 113822484 A CN113822484 A CN 113822484A CN 202111134373 A CN202111134373 A CN 202111134373A CN 113822484 A CN113822484 A CN 113822484A
- Authority
- CN
- China
- Prior art keywords
- emotion
- service
- score
- customer
- voice
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 144
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 68
- 230000008451 emotion Effects 0.000 claims abstract description 176
- 230000008569 process Effects 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims description 51
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 16
- 230000002996 emotional effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请提供了一种服务质量评价方法及装置、存储介质及电子设备,可应用于金融领域或其他领域。该方法包括:当接收到对客服的服务过程进行质量评价的请求时,确定客服的服务过程对应的客户评分和服务音频;将服务音频输入已建立的情感效价预测模型,经情感效价预测模型处理后,获得该服务音频对应的情感效价度;确定情感效价度对应的语音情感评分;基于客户评分和语音情感评分确定综合评分,并将该综合评分作为客服的服务过程对应的质量评价分数。应用本申请的方法,可结合服务过程对应的服务音频所呈现的情感效价度,确定最终的服务质量评价分数,可提高服务质量评价的准确性。
Description
技术领域
本发明涉及信息技术领域,特别是涉及一种服务质量评价方法及装置、存储介质及电子设备。
背景技术
在各类提供服务的企业机构的运营过程中,客服电话是面向用户提供服务的重要渠道之一。为了保障用户获得良好的服务,对于客服人员服务的服务质量进行监督是企业机构的重要工作之一。常规的监督方式为基于服务质量评价进行监督管理。
目前,通常是在用户与客服人员的通话结束后,提示用户对客服人员本次服务的服务质量进行评分,以用户的评分作为服务质量的评价标准。
而在实际的服务过程中,用户对于服务质量评价的主观性较为强烈,用户可能会携带无关服务的情绪应对服务评分,例如用户不愿意参与评分,故不评分或随意进行打分。基于现有的服务质量评价方式,客服人员的服务质量评价仅依赖于用户选择评分的主观性评价,使得服务质量评价的准确性较低,不利于服务质量的监督管理。
发明内容
有鉴于此,本发明实施例提供了一种服务质量评价方法,以解决服务质量评价的准确性较低,不利于服务质量的监督管理的问题。
本发明实施例还提供了一种服务质量评价装置,用以保证上述方法实际中的实现及应用。
为实现上述目的,本发明实施例提供如下技术方案:
一种服务质量评价方法,包括:
当接收到对客服的服务过程进行质量评价的请求时,确定所述客服的服务过程对应的客户评分和服务音频;
将所述服务音频输入已建立的情感效价预测模型,经所述情感效价预测模型处理后,获得所述服务音频对应的情感效价度;
确定所述情感效价度对应的语音情感评分;
基于所述客户评分和所述语音情感评分确定综合评分,并将所述综合评分作为所述客服的服务过程对应的质量评价分数。
上述的方法,可选的,所述情感效价预测模型的建立过程,包括:
基于已构建的情感语音数据库,确定训练样本集;
基于所述训练样本集对预构建的深度神经网络模型进行训练,并将训练完成的深度神经网络模型作为所述情感效价预测模型。
上述的方法,可选的,所述基于已构建的情感语音数据库,确定训练样本集,包括:
从所述情感语音数据库中获取多个语音数据;
构建每个所述语音数据对应的训练样本,每个所述语音数据对应的训练样本中的输入参数为该语音数据中的语音音频,输出参数为该语音数据中与所述语音音频对应的情感效价度;
由各个所述语音数据对应的训练样本组成所述训练样本集。
上述的方法,可选的,所述预构建的深度神经网络模型的输出层的激活函数为Sigmoid函数。
上述的方法,可选的,所述确定所述情感效价度对应的语音情感评分,包括:
确定所述客户评分对应的评分区间;
将所述情感效价度转换为与所述评分区间相对应的分数数值,并将转换得到的分数数值作为所述情感效价度对应的语音情感评分。
上述的方法,可选的,所述基于所述客户评分和所述语音情感评分确定综合评分,包括:
基于预设的客户评价权重和预设的语音评价权重,对所述客户评分和所述语音情感评分进行加权求和计算,并将计算结果作为所述综合评分。
一种服务质量评价装置,包括:
第一确定单元,用于当接收到对客服的服务过程进行质量评价的请求时,确定所述客服的服务过程对应的客户评分和服务音频;
预测单元,用于将所述服务音频输入已建立的情感效价预测模型,经所述情感效价预测模型处理后,获得所述服务音频对应的情感效价度;
第二确定单元,用于确定所述情感效价度对应的语音情感评分;
第三确定单元,用于基于所述客户评分和所述语音情感评分确定综合评分,并将所述综合评分作为所述客服的服务过程对应的质量评价分数。
上述的装置,可选的,还包括:
第四确定单元,用于基于已构建的情感语音数据库,确定训练样本集;
训练单元,用于基于所述训练样本集对预构建的深度神经网络模型进行训练,并将训练完成的深度神经网络模型作为所述情感效价预测模型。
一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如上述的服务质量评价方法。
一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如上述的服务质量评价方法。
基于上述本发明实施例提供的一种服务质量评价方法,当接收到对客服的服务过程进行质量评价的请求时,确定所述客服的服务过程对应的客户评分和服务音频;将所述服务音频输入已建立的情感效价预测模型,经所述情感效价预测模型处理后,获得所述服务音频对应的情感效价度;确定所述情感效价度对应的语音情感评分;基于所述客户评分和所述语音情感评分确定综合评分,并将所述综合评分作为所述客服的服务过程对应的质量评价分数。应用本发明实施例提供的方法,可结合服务音频对应的情感效价度,获得语音情感评分,以客户评分和语音情感评分综合确定服务质量评价分数,参考了服务过程中所呈现的情绪正向程度,而不仅以客户评分作为评价标准,有利于提高服务质量评价的准确性,进一步有利于服务质量的监督管理。
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的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种服务质量评价方法的方法流程图;
图2为本发明实施例提供的一种服务质量评价方法的又一方法流程图;
图3为本发明实施例提供的一种服务质量评价装置的结构示意图;
图4为本发明实施例提供的一种服务质量评价装置的又一结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
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,所描述的实施例仅仅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做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。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知,目前对于电话客服人员的服务质量评价,仅以通话结束后,客户参与服务质量评价活动所给出的评分作为评价标准。而有些客户主观上并不愿意参与服务质量评价的活动,可能会不参与打分,或者随意打分,导致服务质量评价结果真实性较低。故基于现有的服务质量评价方法,服务质量评价的准确性较低。
因此,本发明实施例提供了一种服务质量评价方法及装置、存储介质及电子设备,可以结合服务过程中录制的语音确定对应的语音情感评分,结合语音情感评分和客户评分综合确定服务质量评分,可提高服务质量评价的准确性。
需要说明的是,本发明提供的服务质量评价方法及装置、存储介质及电子设备,可用于金融领域或其他领域,例如,可用于金融领域中的客服服务应用场景。其他领域为除金融领域之外的任意领域,例如,通信服务领域。上述仅为示例,并不对本发明提供的服务质量评价方法及装置、存储介质及电子设备的应用领域进行限定。
本发明实施例提供了一种服务质量评价方法,所述方法可应用于银行的服务质量评价系统,其执行主体可以为系统的服务器,所述方法的方法流程图如图1所示,包括:
S101:当接收到对客服的服务过程进行质量评价的请求时,确定所述客服的服务过程对应的客户评分和服务音频;
本发明实施例提供的方法中,可在客服提供的服务过程结束后,触发该客服的服务过程对应的质量评价过程,向服务器发送该客服对应的质量评价请求。
当服务器接收到对应的质量评价请求时,可获取在客服的服务过程结束后,客户参与质量评价活动所给出的客户评分。客户参与的质量评价活动的评分机制可以是十分制或百分制,也可以是星级评分,分数越高或星级越高表征服务质量越好。需要说明的是,评分机制可根据实际需求设置,采用不同的评分机制不影响本发明实施例提供的方法实现功能。
本发明实施例提供的方法中,客服为客户提供的是电话服务,在服务过程中,系统会自动对双方的通话进行录音,获取服务过程中录制的音频作为该客服的服务过程对应的服务音频。
S102:将所述服务音频输入已建立的情感效价预测模型,经所述情感效价预测模型处理后,获得所述服务音频对应的情感效价度;
本发明实施例提供的方法中,将该客服的服务过程对应的服务音频输入预先建立的情感效价预测模型,经所述情感效价预测模型处理后,从所述情感效价预测模型的输出层获取输出参数,将该输出参数作为该服务音频对应的情感效价度。情感效价也称情绪效价,指的是用于描述正向或负向的情绪状态的指标,情感效价度是表征主体的情感正负面程度的参数。本发明实施例提供的方法中,通过情感效价预测模型,预测输入该模型的音频所呈现出的发音主体的情感正向或负向的程度。例如,情感效价度的数值范围在某一范围内,表征主体的情感为愉悦的、正向的,而数值范围在另一范围内,表征主体的情感为沮丧的、负面的。
S103:确定所述情感效价度对应的语音情感评分;
本发明实施例提供的方法中,可基于服务音频所对应的情感效价度进行评分,情感效价度所表征的情绪越正面,即发音主体的情绪更愉悦,则对应的语音情感评分越高,若情感效价度所表征的情绪越负面,即发音主体的情绪较为沮丧,则对应的语音情感评分较低。
S104:基于所述客户评分和所述语音情感评分确定综合评分,并将所述综合评分作为所述客服的服务过程对应的质量评价分数。
本发明实施例提供的方法中,可结合客户评分和语音情感评分,计算得到综合评分,将综合评分作为最终的质量评价分数。
基于本发明实施例提供的方法,当接收到对客服的服务过程进行质量评价的请求时,可确定该服务过程对应的客户评分和服务音频。将该服务音频输入已建立的情感效价预测模型,经情感效价预测模型处理后,获得该服务音频对应的情感效价度。确定所述情感效价度对应的语音情感评分,并基于客户评分和语音情感评分确定综合评分,将综合评分作为该服务过程对应的质量评价分数。应用本发明实施例提供的方法,可结合服务音频对应的情感效价度,也就是客服和客户在服务过程中所呈现的情绪的正向程度或负向程度,获得语音情感评分,以客户评分和语音情感评分综合确定服务质量评价分数,参考了服务过程中所呈现的积极或消极的情绪状态,而不仅以客户评分作为评价标准,使得服务质量评价的结果更加客观、真实,有利于提高服务质量评价的准确性,进一步有利于服务质量的监督管理。
为了更好地说明本发明实施例提供的方法,在图1所示方法的基础上,结合图2所示方法流程图,本发明实施例提供了又一种服务质量评价方法,本发明实施例提供的方法中,步骤S102中所提及的情感效价预测模型的建立过程,包括:
S201:基于已构建的情感语音数据库,确定训练样本集;
本发明实施例提供的方法中,可基于已构建的情感语音数据库中的语料,确定情感效价预测模型的训练样本集。所述已构建的情感语音数据库可以采用现有的汉语情感语音数据库,目前已有多个研究机构构建了汉语情感语音数据库,在此不作具体说明。需要说明的是,可根据实际需求选择现有的汉语情感语音数据库,也可以自行预先构建汉语情感语音数据库,不影响本发明实施例提供的方法实现功能。
S202:基于所述训练样本集对预构建的深度神经网络模型进行训练,并将训练完成的深度神经网络模型作为所述情感效价预测模型。
本发明实施例提供的方法中,可预先构建一个深度神经网络(Deep NeuralNetworks,DNN),DNN模型为回归模型,其损失函数可以为均方误差(Mean SquaredError,MSE)函数。可基于训练样本集中的各个训练样本对所述DNN模型进行训练,调整该DNN模型的各个模型参数,当该DNN模型的输出误差低于预设阈值时,完成该DNN模型的训练过程,完成训练后的DNN模型的模型参数固定不变。将训练完成的DNN模型作为情感效价预测模型。
基于本发明实施例提供的方法,可基于DNN模型建立情感效价预测模型,模型结果较为简单,可降低模型构建的难度,提高数据处理效率。
进一步的,在上述实施例提供的方法的基础上,本发明实施例提供的方法中,步骤S201中所提及的基于已构建的情感语音数据库,确定训练样本集的过程,包括:
从所述情感语音数据库中获取多个语音数据;
本发明实施例提供的方法中,情感语音数据库中包含多个预先录制的语音音频,和每个语音音频对应的情感效价度。
构建每个所述语音数据对应的训练样本,每个所述语音数据对应的训练样本中的输入参数为该语音数据中的语音音频,输出参数为该语音数据中与所述语音音频对应的情感效价度;
本发明实施例提供的方法中,可将每个语音数据中的语音音频和该语音音频对应的情感效价度,作为一个训练样本。每个训练样本中的输入样本为语音音频,其输出样本为该语音音频对应的情感效价度。
由各个所述语音数据对应的训练样本组成所述训练样本集。
本发明实施例提供的方法中,将各个已构建的训练样本组成训练样本集。也就是训练样本集中包含各个所述语音数据对应的训练样本。
进一步的,在上述实施例提供的方法的基础上,本发明实施例提供了又一种服务质量评价方法,本发明实施例提供的方法中,步骤S202中所提及的预构建的深度神经网络模型的输出层的激活函数为Sigmoid函数。
本发明实施例提供的方法中,深度神经网络的输出层的激活函数采用的是Sigmoid函数,Sigmoid函数是一类现有的神经网络的激活函数,取值范围为(0,1),它可以将一个实数映射到(0,1)的区间,可以使得深度神经网络的输出值归一化至(0,1)的区间。
基于本发明实施例提供的方法,可使得情感效价预测模型的输出值归一化,有利于后续的数据处理,可进一步提高处理效率。
为了更好地说明本发明实施例提供的方法,本发明实施例提供了另一种服务质量评价方法,在图1所示方法的基础上,本发明实施例提供的方法中,步骤S103中所提及的确定所述情感效价度对应的语音情感评分的过程,包括:
确定所述客户评分对应的评分区间;
本发明实施例提供的方法中,可获取预先设置的客户评分区间,也就是客户所参与的服务质量评分活动中的评分规则所提供的评分区间,将其作为所述客户评分对应的评分区间。例如评分规则为十分制,则其评分区间为[0,10]。
将所述情感效价度转换为与所述评分区间相对应的分数数值,并将转换得到的分数数值作为所述情感效价度对应的语音情感评分。
本发明实施例提供的方法中,可预先设置情感效价度的转换规则,基于其转换规则,将情感效价度转换为与所述评分区间相对应的分数数值,例如情感效价度的取值范围为(0,1),而评分区间为[0,10],以情感效价度乘以评分区间的满分分值进行转换,若情感效价度为0.5,则其对应的语音情感评分为5分。
需要说明的是,本发明实施例提供的具体参数和转换规则仅为更好地说明本发明的方法所提供的一个具体实施例,在具体实现过程中,可根据情感效价度的取值范围所对应的情感状态和具体的评分区间,设置对应的转换规则进行数值转换,不影响本发明实施例提供的方法实现功能。
基于本发明实施例提供的方法,可将情感效价度转换为与客户评分的评分区间相对应的数值,以转换得到的数值作为语音情感评分,可统一客户评分与语音情感评分的取值范围,有利于计算综合评分,进一步提高数据处理效率。
进一步的,本发明实施例提供了又一种服务质量评价方法,在图1所示方法的基础上,本发明实施例提供的方法中,步骤S104中所提及的基于所述客户评分和所述语音情感评分确定综合评分的过程,包括:
基于预设的客户评价权重和预设的语音评价权重,对所述客户评分和所述语音情感评分进行加权求和计算,并将计算结果作为所述综合评分。
本发明实施例提供的方法中,可以根据评分需求,预先设置客户评价权重和语音评价权重,客户评价权重为客户评分对应的权重,而语音评价权重为语音情感评分对应的权重。基于预先设置的两个权重,对当前服务过程对应的客户评分和语音情感评分进行加权求和,将计算结果作为综合评分。例如客户评价权重为A1,语音评价权重为A2,客户评分为B1,语音情感评分为B2,综合评分则为(A1*B1+A2*B2)。
基于本发明实施例提供的方法,可通过对客户评分和语音情感评分进行加权求和,得到综合评分。可根据实际需求调整两类评分的计算权重,有利于提高服务质量评价的灵活性,有利于进一步提高服务质量评价的准确性。
与图1所示的一种服务质量评价方法相对应的,本发明实施例还提供了一种服务质量评价装置,用于对图1中所示方法的具体实现,其结构示意图如图3所示,包括:
第一确定单元301,用于当接收到对客服的服务过程进行质量评价的请求时,确定所述客服的服务过程对应的客户评分和服务音频;
预测单元302,用于将所述服务音频输入已建立的情感效价预测模型,经所述情感效价预测模型处理后,获得所述服务音频对应的情感效价度;
第二确定单元303,用于确定所述情感效价度对应的语音情感评分;
第三确定单元304,用于基于所述客户评分和所述语音情感评分确定综合评分,并将所述综合评分作为所述客服的服务过程对应的质量评价分数。
基于本发明实施例提供的装置,当接收到对客服的服务过程进行质量评价的请求时,可确定该服务过程对应的客户评分和服务音频。将该服务音频输入已建立的情感效价预测模型,经情感效价预测模型处理后,获得该服务音频对应的情感效价度。确定所述情感效价度对应的语音情感评分,并基于客户评分和语音情感评分确定综合评分,将综合评分作为该服务过程对应的质量评价分数。应用本发明实施例提供的装置,可结合服务音频对应的情感效价度,也就是客服和客户在服务过程中所呈现的情绪的正向程度或负向程度,获得语音情感评分,以客户评分和语音情感评分综合确定服务质量评价分数,参考了服务过程中所呈现的积极或消极的情绪状态,而不仅以客户评分作为评价标准,使得服务质量评价的结果更加客观、真实,有利于提高服务质量评价的准确性,进一步有利于服务质量的监督管理。
进一步的,本发明实施例提供了又一种服务质量评价装置,其结构示意图如图4所示,在图3所示装置的基础上,本发明实施例提供的装置中,还包括:
第四确定单元305,用于基于已构建的情感语音数据库,确定训练样本集;
训练单元306,用于基于所述训练样本集对预构建的深度神经网络模型进行训练,并将训练完成的深度神经网络模型作为所述情感效价预测模型。
在上述实施例提供的装置的基础上,本发明实施例提供的装置中,所述第四确定单元305,包括:
获取子单元,用于从所述情感语音数据库中获取多个语音数据;
构建子单元,用于构建每个所述语音数据对应的训练样本,每个所述语音数据对应的训练样本中的输入参数为该语音数据中的语音音频,输出参数为该语音数据中与所述语音音频对应的情感效价度;由各个所述语音数据对应的训练样本组成所述训练样本集。
在上述实施例提供的装置的基础上,本发明实施例提供的装置中,所述预构建的深度神经网络模型的输出层的激活函数为Sigmoid函数。
在上述实施例提供的装置的基础上,本发明实施例提供的装置中,所述第二确定单元303,包括:
确定子单元,用于确定所述客户评分对应的评分区间;
转换子单元,用于将所述情感效价度转换为与所述评分区间相对应的分数数值,并将转换得到的分数数值作为所述情感效价度对应的语音情感评分。
在上述实施例提供的装置的基础上,本发明实施例提供的装置中,所述第三确定单元304,包括:
计算子单元,用于基于预设的客户评价权重和预设的语音评价权重,对所述客户评分和所述语音情感评分进行加权求和计算,并将计算结果作为所述综合评分。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如上述的服务质量评价方法。
本发明实施例还提供了一种电子设备,其结构示意图如图5所示,具体包括存储器401,以及一个或者一个以上的指令402,其中一个或者一个以上指令402存储于存储器401中,且经配置以由一个或者一个以上处理器403执行所述一个或者一个以上指令402进行以下操作:
当接收到对客服的服务过程进行质量评价的请求时,确定所述客服的服务过程对应的客户评分和服务音频;
将所述服务音频输入已建立的情感效价预测模型,经所述情感效价预测模型处理后,获得所述服务音频对应的情感效价度;
确定所述情感效价度对应的语音情感评分;
基于所述客户评分和所述语音情感评分确定综合评分,并将所述综合评分作为所述客服的服务过程对应的质量评价分数。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种服务质量评价方法,其特征在于,包括:
当接收到对客服的服务过程进行质量评价的请求时,确定所述客服的服务过程对应的客户评分和服务音频;
将所述服务音频输入已建立的情感效价预测模型,经所述情感效价预测模型处理后,获得所述服务音频对应的情感效价度;
确定所述情感效价度对应的语音情感评分;
基于所述客户评分和所述语音情感评分确定综合评分,并将所述综合评分作为所述客服的服务过程对应的质量评价分数。
2.根据权利要求1所述的方法,其特征在于,所述情感效价预测模型的建立过程,包括:
基于已构建的情感语音数据库,确定训练样本集;
基于所述训练样本集对预构建的深度神经网络模型进行训练,并将训练完成的深度神经网络模型作为所述情感效价预测模型。
3.根据权利要求2所述的方法,其特征在于,所述基于已构建的情感语音数据库,确定训练样本集,包括:
从所述情感语音数据库中获取多个语音数据;
构建每个所述语音数据对应的训练样本,每个所述语音数据对应的训练样本中的输入参数为该语音数据中的语音音频,输出参数为该语音数据中与所述语音音频对应的情感效价度;
由各个所述语音数据对应的训练样本组成所述训练样本集。
4.根据权利要求2所述的方法,其特征在于,所述预构建的深度神经网络模型的输出层的激活函数为Sigmoid函数。
5.根据权利要求1所述的方法,其特征在于,所述确定所述情感效价度对应的语音情感评分,包括:
确定所述客户评分对应的评分区间;
将所述情感效价度转换为与所述评分区间相对应的分数数值,并将转换得到的分数数值作为所述情感效价度对应的语音情感评分。
6.根据权利要求1所述的方法,其特征在于,所述基于所述客户评分和所述语音情感评分确定综合评分,包括:
基于预设的客户评价权重和预设的语音评价权重,对所述客户评分和所述语音情感评分进行加权求和计算,并将计算结果作为所述综合评分。
7.一种服务质量评价装置,其特征在于,包括:
第一确定单元,用于当接收到对客服的服务过程进行质量评价的请求时,确定所述客服的服务过程对应的客户评分和服务音频;
预测单元,用于将所述服务音频输入已建立的情感效价预测模型,经所述情感效价预测模型处理后,获得所述服务音频对应的情感效价度;
第二确定单元,用于确定所述情感效价度对应的语音情感评分;
第三确定单元,用于基于所述客户评分和所述语音情感评分确定综合评分,并将所述综合评分作为所述客服的服务过程对应的质量评价分数。
8.根据权利要求7所述的装置,其特征在于,还包括:
第四确定单元,用于基于已构建的情感语音数据库,确定训练样本集;
训练单元,用于基于所述训练样本集对预构建的深度神经网络模型进行训练,并将训练完成的深度神经网络模型作为所述情感效价预测模型。
9.一种存储介质,其特征在于,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如权利要求1~6任意一项所述的服务质量评价方法。
10.一种电子设备,其特征在于,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如权利要求1~6任意一项所述的服务质量评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111134373.4A CN113822484A (zh) | 2021-09-27 | 2021-09-27 | 服务质量评价方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111134373.4A CN113822484A (zh) | 2021-09-27 | 2021-09-27 | 服务质量评价方法及装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822484A true CN113822484A (zh) | 2021-12-21 |
Family
ID=78915708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111134373.4A Pending CN113822484A (zh) | 2021-09-27 | 2021-09-27 | 服务质量评价方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822484A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649242A (zh) * | 2023-12-14 | 2024-03-05 | 联通(江苏)产业互联网有限公司 | 一种基于nlp模型的质检服务智能监管系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170154293A1 (en) * | 2014-06-16 | 2017-06-01 | Panasonic Intellectual Property Management Co., Ltd. | Customer service appraisal device, customer service appraisal system, and customer service appraisal method |
CN107885726A (zh) * | 2017-11-06 | 2018-04-06 | 广州杰赛科技股份有限公司 | 客服质量评价方法和装置 |
CN109376982A (zh) * | 2018-09-03 | 2019-02-22 | 中国平安人寿保险股份有限公司 | 一种目标员工的选取方法及设备 |
CN109801105A (zh) * | 2019-01-17 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于人工智能的服务评分方法、装置、设备及存储介质 |
CN111080109A (zh) * | 2019-12-06 | 2020-04-28 | 中信银行股份有限公司 | 客服服务质量评价方法、装置及电子设备 |
CN111523932A (zh) * | 2020-04-21 | 2020-08-11 | 南京领行科技股份有限公司 | 一种网约车服务的评分方法、装置、系统及存储介质 |
-
2021
- 2021-09-27 CN CN202111134373.4A patent/CN113822484A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170154293A1 (en) * | 2014-06-16 | 2017-06-01 | Panasonic Intellectual Property Management Co., Ltd. | Customer service appraisal device, customer service appraisal system, and customer service appraisal method |
CN107885726A (zh) * | 2017-11-06 | 2018-04-06 | 广州杰赛科技股份有限公司 | 客服质量评价方法和装置 |
CN109376982A (zh) * | 2018-09-03 | 2019-02-22 | 中国平安人寿保险股份有限公司 | 一种目标员工的选取方法及设备 |
CN109801105A (zh) * | 2019-01-17 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于人工智能的服务评分方法、装置、设备及存储介质 |
CN111080109A (zh) * | 2019-12-06 | 2020-04-28 | 中信银行股份有限公司 | 客服服务质量评价方法、装置及电子设备 |
CN111523932A (zh) * | 2020-04-21 | 2020-08-11 | 南京领行科技股份有限公司 | 一种网约车服务的评分方法、装置、系统及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649242A (zh) * | 2023-12-14 | 2024-03-05 | 联通(江苏)产业互联网有限公司 | 一种基于nlp模型的质检服务智能监管系统及方法 |
CN117649242B (zh) * | 2023-12-14 | 2024-05-28 | 联通(江苏)产业互联网有限公司 | 一种基于nlp模型的质检服务智能监管系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10848621B1 (en) | Learning based metric determination for service sessions | |
US10289967B2 (en) | Customer-based interaction outcome prediction methods and system | |
US10171659B2 (en) | Customer portal of an intelligent automated agent for a contact center | |
AU2014233357B2 (en) | Intelligent automated agent for a contact center | |
US11272057B1 (en) | Learning based metric determination for service sessions | |
US10958458B2 (en) | Cognitive meeting proxy | |
WO2019099938A1 (en) | Systems and methods for communication routing | |
CN107818798A (zh) | 客服服务质量评价方法、装置、设备及存储介质 | |
CN107886949A (zh) | 一种内容推荐方法及装置 | |
CN110138982A (zh) | 基于人工智能的服务实现 | |
CN110392168A (zh) | 呼叫处理方法、装置、服务器、存储介质和系统 | |
CN110633912A (zh) | 监测服务人员服务质量的方法及系统 | |
CN106133825A (zh) | 自动语音识别系统中的广义短语 | |
US20140362984A1 (en) | Systems and methods for analyzing coaching comments | |
CN110610705A (zh) | 一种基于人工智能的语音交互提示器 | |
CN113822484A (zh) | 服务质量评价方法及装置、存储介质及电子设备 | |
US20230206160A1 (en) | Systems and methods for rapport determination | |
EP4020468A1 (en) | System, method and apparatus for conversational guidance | |
CN105404618B (zh) | 一种对话文本数据处理方法和装置 | |
CN113240200A (zh) | 一种线上客服调度方法及装置 | |
Bang et al. | UX Design and Evaluation on Conversational Bot Supporting Multi-Turn and Multi-Domain Dialogues | |
US20230370546A1 (en) | Systems and Methods for the Asynchronous Detection of On Hold Time in Multi-Channel Calls | |
US20220375468A1 (en) | System method and apparatus for combining words and behaviors | |
CN116580529A (zh) | 一种状态提醒方法及装置 | |
CN117119105A (zh) | 一种智能客服系统 |
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 |