CN115455984A - 一种任务型客服服务升级方法及装置 - Google Patents

一种任务型客服服务升级方法及装置 Download PDF

Info

Publication number
CN115455984A
CN115455984A CN202211110203.7A CN202211110203A CN115455984A CN 115455984 A CN115455984 A CN 115455984A CN 202211110203 A CN202211110203 A CN 202211110203A CN 115455984 A CN115455984 A CN 115455984A
Authority
CN
China
Prior art keywords
conversation
user
satisfaction
index
round
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
CN202211110203.7A
Other languages
English (en)
Inventor
王红熳
马思野
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202211110203.7A priority Critical patent/CN115455984A/zh
Publication of CN115455984A publication Critical patent/CN115455984A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种任务型客服服务升级方法及装置，所述方法从用户与客服的对话中分析用户情绪、客服与用户对话完成度以及用户满意度，从而计算得到情感数值、任务型对话完成度数值以及用户满意度数值，并将三个数值联合计算得到服务升级主指数，当服务升级主指数达到系统设定值时升级客服服务。本发明能够综合用户情绪、对话完成度以及用户满意度来判断对话过程是否需要进行客服服务升级，提高了客服服务升级的及时性和准确性。

Description

一种任务型客服服务升级方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种任务型客服服务升级方法及装置。
背景技术
任务型对话主要指机器人为满足用户需求而产生的多轮对话，机器人通过理解、澄清等方式确定用户意图，继而通过答复、调用API等方式满足用户需求。然而对于用户的一些需求，机器客服无法满足时就需要升级客服服务。传统的任务型客服服务升级方法一般分为三种：用户主动申请进行服务升级、客服无法回答客户问题时进行服务升级、用户重复提问相同问题和用户提出机器客服未知问题等情况出现次数达到设定值时进行服务升级。然而，机器客服在与用户的对话过程中不能根据不同的对话场景满足用户的需求，同时机器客服不能识别用户情绪，因此传统的任务型客服服务升级方法会导致客服服务升级不及时，降低用户服务体验。
发明内容
鉴于此，本发明实施例提供了一种任务型客服服务升级方法及装置，以解决现有技术中任务型客服服务升级不及时的问题。
本发明的一个方面提供了一种任务型客服服务升级方法，该方法包括以下步骤：
对用户输入的第1～n轮次的对话，分别获取每一轮对话含有表情符号的第一文本信息，将所述第一文本信息输入预训练的词嵌入模型得到相应的第一词向量和第一表情向量；将每一轮对话的所述第一词向量和所述第一表情向量逐一输入预训练的情感分析模型，分别输出第1～n轮次对话的情感倾向度数值数组并计算初级情感参数，并累加所述初级情感参数得到第n轮对话的情感数值；
对用户输入的第1～n轮次的对话，分别获取仅含有文字的第二文本信息，将所述第二文本信息输入所述词嵌入模型得到第二词向量，将每一轮对话的所述第二词向量逐一输入预训练的自然语言理解模型，分别输出第1～n轮次对话的用户意图以及子目标对应的槽值信息的数量，根据每个轮次所述用户意图和所述槽值信息的数量计算相应轮次的初级任务对话完成度参数，并累加得到第n轮对话的任务型对话完成度数值；
对用户输入的第1～n轮次的对话，获取多个用户情绪影响因素的对用户满意度的满意度调整比例，判断每一轮对话中所述用户情绪影响因素的达成情况，并根据相应的满意度调整比例逐轮调节满意度初始值得到第1～n轮次对话的初级用户满意度参数，并累加得到第n轮对话的用户满意度数值；
根据第n轮和第n-1轮对话的情感数值计算第n轮对话的情感数值指数，根据第n轮和第n-1轮对话的任务型对话完成度数值计算第n轮对话的任务型对话完成度指数，根据第n轮和第n-1轮对话的用户满意度数值计算第n轮对话的用户满意度指数；
获取服务升级主指数常数并结合第n轮对话的所述情感数值指数、所述任务型对话完成度指数和所述用户满意度指数做加权求和得到服务升级主指数；
当所述服务升级主指数达到设定标准时发起客服服务升级。
在一些实施例中，所述词嵌入模型为BERT-base-Chinese模型，所述BERT-base-Chinese模型采用包含表情符号的文本进行参数微调。
在一些实施例中，所述情感分析模型的预训练步骤包括：
获取多个包含表情符号的文本样本；
将每个文本样本输入所述BERT-base-Chinese模型得到相应的样本词向量和样本表情向量，对每个文本样本添加情感标注作为标签，构成第一训练样本集；所述情感标注至少包括：积极、中立和消极；
获取Self-Explain NLP初始模型，采用所述第一训练样本集对所述Self-ExplainNLP初始模型进行训练得到情感分析模型。
在一些实施例中，将每一轮对话的所述第一词向量和所述第一表情向量逐一输入预训练的情感分析模型，分别输出第1～n轮次对话的情感倾向度数值数组并计算初级情感参数，包括：
将每一轮对话的所述第一词向量和所述第一表情向量逐一输入预训练的情感分析模型，输出关于积极、中立和消极三类情感标注的情感倾向度数值数组[positive_value,neutra_value,negative_value]，positive_value表示情感为积极的概率，neutra_value表示情感为中立的概率，negative_value表示情感为消极的概率；
所述初级情感参数的计算式为：
emotional_value＝max(positive_value,neutra_value,negative_value)×(1-max_index)；
其中，emotional_value表示所述初级情感参数，max_index表示情感最大值的下标，积极情感下标为0，中立情感下标为1，消极情感下标为2。
在一些实施例中，所述自然语言理解模型的预训练步骤包括：
获取第二训练样本集，所述第二训练样本集包含多个样本，每个样本中包含标记有槽值信息和意图信息标签的文本；
获取BiLSTM-CRF初始模型，采用所述第二训练样本集对所述BiLSTM-CRF初始模型进行训练得到所述自然语言理解模型。
在一些实施例中，根据已获得的用户意图、用户本轮对话意图以及所述槽值信息的数量计算相应轮次的初级任务对话完成度参数，包括：
如果所述已获得的用户意图system intent和所述用户本轮对话意图intent都为空值，则
task_completion＝0；
如果所述用户本轮对话意图intent不为空值，则
Figure BDA0003843762620000031
如果所述用户本轮对话意图intent为空值而所述已获得的用户意图system_intent不为空值，则
Figure BDA0003843762620000032
其中，task_completion表示所述初级任务对话完成度参数，sum_slot_num表示意图需要的总槽值数，curr_slot_num表示本轮表示本轮获取到的可填充的槽值数，fill_slot_num表示意图已经填充的槽值数。
在一些实施例中，获取多个用户情绪影响因素的对用户满意度的满意度调整比例，判断每一轮对话中所述用户情绪影响因素的达成情况，并根据相应的满意度调整比例逐轮调节满意度初始值得到第1～n轮次对话的初级用户满意度参数，包括：
对话轮次影响满意度的对话轮次系数、获取客服对用户意图识别度影响满意度的意图系数、子目标达成数量影响满意度的子目标达成系数、无效对话影响满意度的无效对话系数、用户重复提出相同问题次数影响满意度的重复提问系数、客服未知问题出现次数影响满意度的未知问题系数；
获取第n轮对话的初始用户满意度；
计算由于对话轮次增加影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction×(1-round_factor)；
其中，user_satisfaction表示所述用户满意度，round_factor为对话轮次系数；
在第1～n轮次的对话有用户意图且客服在第n轮识别出该用户意图时，计算由于重复问题出现影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction×(1-repetition_factor)；
其中，user_satisfaction表示所述用户满意度，repetition_factor表示所述重复提问系数；
在第1～n轮次的对话不存在用户意图且客服在第n轮未识别出用户意图时，计算客服未知问题出现次数影响满意度后的满意度更新值并结束满意度调整过程，计算式为：
user_satisfaction＝user_satisfaction×(1-unknown_factor)；
其中，user_satisfaction表示所述用户满意度，unknown_factor表示所述未知问题系数；
在第1～n轮次的对话不存在用户意图但客服在第n轮识别出用户意图时，计算用户意图识别度影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction×(1+intent_factor×intent_acc)；
其中，user_satisfaction表示所述用户满意度，intent_factor表示所述意图系数，intent_acc表示意图识别准确率；
客服在第n轮识别出子目标时，计算子目标达成数量影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction(1+subgoal_factor×m)；
其中，user_satisfaction表示所述用户满意度，subgoal_factor表示所述子目标达成系数，m表示子目标达成数量；
客服在第n轮识未别出子目标时，计算无效对话影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction×(1-invalid_factor)；
其中，user_satisfaction表示所述用户满意度，invalid_factor表示所述无效对话系数；
在一些实施例中，获取第n轮对话的初始用户满意度，包括：
若第n轮对话为客服与用户的第一次对话，则将用户初始满意度设为50；若第n轮对话不是客服与用户的第一次对话，则将第n-1轮对话结束时用户的满意度设为本轮对话的初始满意度。
在一些实施例中，根据第n轮和第n-1轮对话的情感数值计算第n轮对话的情感数值指数，根据第n轮和第n-1轮对话的任务型对话完成度数值计算第n轮对话的任务型对话完成度指数，根据第n轮和第n-1轮对话的用户满意度数值计算第n轮对话的用户满意度指数，包括：
根据第n轮和第n-1轮对话的情感数值计算第n轮对话的情感数值指数，计算式为：
Figure BDA0003843762620000051
其中，emotional_index表示所述情感数值指数，emotional_valuen表示第n轮的情感数值，emotional_valuen-1表示第n-1轮的情感数值；
根据第n轮和第n-1轮对话的任务型对话完成度数值计算第n轮对话的任务型对话完成度指数，计算式为：
Figure BDA0003843762620000052
其中，task_completion_index表示所述任务型对话完成度指数，task_completionn表示第n轮的任务型对话完成度数值，task_completionn-1表示第n-1轮的任务型对话完成度数值，n表示对话轮次；
根据第n轮和第n-1轮对话的用户满意度数值计算第n轮对话的用户满意度指数，计算式为：
Figure BDA0003843762620000053
其中，completion_index表示所述用户满意度指数，satisfactionn表示第n轮的用户满意度数值，satisfactionn-1表示第n-1轮的用户满意度数值，n表示对话轮次；
在一些实施例中，获取服务升级主指数常数并结合第n轮对话的所述情感数值指数、所述任务型对话完成度指数和所述用户满意度指数做加权求和得到服务升级主指数，包括：
获取所述服务升级主指数常数、第n轮对话的所述情感数值指数、所述任务型对话完成度指数和所述用户满意度指数，以及获取情感数值指数系数、任务型对话完成度指数系数和用户满意度指数系数；
所述服务升级主指数的计算式为：
main_service_value＝main_service_constant+emotional_factor×emotiaonal_index+task_completion_factor×task_completion_index+satisfaction_factor×usatisfaction_index；
其中，main_service_constant表示所述服务升级主指数常数，emotional_factor表示所述情感数值指数系数，emotiaonal_index表示所述情感数值指数，task_completion_factor表示所述任务型对话完成度指数系数，task_completion_index表示所述任务型对话完成度指数，satisfaction_factor表示所述用户满意度指数系数，satisfaction_index表示所述用户满意度指数。
本发明的另一方面提供了一种任务型客服服务升级装置，该装置包括：
情感数值计算模块，用于执行如下步骤：对用户输入的第1～n轮次的对话，分别获取每一轮对话含有表情符号的第一文本信息，将所述第一文本信息输入预训练的词嵌入模型得到相应的第一词向量和第一表情向量；将每一轮对话的所述第一词向量和所述第一表情向量逐一输入预训练的情感分析模型，分别输出第1～n轮次对话的情感倾向度数值数组并计算初级情感参数，并累加所述初级情感参数得到第n轮对话的情感数值；
任务型对话模块，所述任务型对话模块包括任务型对话完成度计算模块和用户满意度计算模块，其中：
所述任务型对话完成度计算模块，用于执行如下步骤：对用户输入的第1～n轮次的对话，分别获取仅含有文字的第二文本信息，将所述第二文本信息输入所述词嵌入模型得到第二词向量，将每一轮对话的所述第二词向量逐一输入预训练的自然语言理解模型，分别输出第1～n轮次对话的用户整体意图以及子目标对应的槽值信息的数量，根据每个轮次所述用户整体意图和所述槽值信息的数量计算相应轮次的初级任务对话完成度参数，并累加得到第n轮对话的任务型对话完成度数值；
所述用户满意度计算模块，用于执行如下步骤：根据第n轮和第n-1轮对话的情感数值计算第n轮对话的情感数值指数，根据第n轮和第n-1轮对话的任务型对话完成度数值计算第n轮对话的任务型对话完成度指数，根据第n轮和第n-1轮对话的用户满意度数值计算第n轮对话的用户满意度指数；
服务升级指数计算模块，用于执行如下步骤：获取服务升级主指数常数并结合第n轮对话的所述情感数值指数、所述任务型对话完成度指数和所述用户满意度指数做加权求和得到服务升级主指数；
服务升级执行模块，用于当所述服务升级主指数达到设定标准时发起客服服务升级。
另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述方法的步骤。
本发明的有益效果至少是：
本发明所述一种任务型客服服务升级方法及装置，基于预训练的词嵌入模型、情感分析模型、自然语言理解模型以及满意度更新步骤将对话中用户的情感态度、用户与客服对话的完成度以及用户对客服服务的满意度量化为情感数值、任务型对话完成度数值和用户满意度数值三个指标，并根据三个指标联合计算得到服务升级主指数。根据服务升级主指数判断服务升级时机，综合情感态度、对话完成度以及满意度三个方面，提高了客服服务升级时的准确性。
进一步地，在情感数值计算过程中加入了对用户输入文本中表情符号的分析，通过对文字和表情符号同时进行语义提取，提高了情感分析时的准确性。
进一步地，计算用户与客服每一轮对话中的初级情感参数、初级用户满意度参数以及初级对话完成度参数，通过逐轮累加的形式计算得到情感数值、用户满意度数值、对话完成度数值，深入感知用户状态，并逐轮判断当前对话是否需要升级客服服务，提高了客服服务升级时的准确性。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。附图中的部件不是成比例绘制的，而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分，附图中对应部分可能被放大，即，相对于依据本发明实际制造的示例性装置中的其它部件可能变得更大。在附图中：
图1为本发明一实施例所述任务型客服服务升级指数计算方法示意图。
图2为本发明一实施例所述用户满意度计算流程图。
图3为本发明一实施例所述任务型客服服务升级装置结构示意图。
图4为本发明一实施例所述BERT-base-Chinese模型结构示意图。
图5为本发明一实施例所述Self-ExplainNLP模型结构示意图。
图6为本发明一实施例所述情感数值计算方法示意图。
图7为本发明一实施例所述BiLSTM-CRF初始模型结构示意图。
图8为本发明一实施例所述任务型对话完成度数值计算方法示意图。
图9为本发明一实施例所述情感数值计算模块结构示意图。
图10为本发明一实施例所述情感分析模型训练模块结构示意图。
图11为本发明一实施例所述情感分析模型识别模块结构示意图。
图12为本发明一实施例所述任务型对话模块结构示意图。
图13为本发明一实施例所述自然语言理解模型训练模块结构示意图。
图14为本发明一实施例所述自然语言理解模型调用模块结构示意图。
图15为本发明一实施例所述对话状态追踪模块结构示意图。
图16为本发明一实施例所述对话策略选择模块结构示意图。
图17为本发明一实施例所述自然语言生成模块结构示意图。
图18为本发明一实施例所述任务型对话完成度计算模块结构示意图。
图19为本发明一实施例所述用户满意度计算模块示意图。
图20为本发明一实施例所述服务升级指数计算模块结构示意图。
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白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
随着人工智能的快速发展，自然语言处理技术不断的进步，智能客服对话系统逐渐成为自然语言处理领域的焦点，它本质是任务型对话系统，旨在帮助用户回答问题，提高回答效率。智能客服相对于人工客服有很多优势。智能客服响应速度以毫秒计算，能够及时回答客服问题，并且没有服务人数的限制，解决了人工客服服务效率低、等待时间过长等问题；智能客服只需要服务器和维护人员，不需要大量的客服坐席人员，极大的降低了企业成本；智能客服可以随时为客户服务，没有人工客服只能在工作时间为客户服务的限制。
同时，智能客服相对于人工客服也有许多不足之处，智能客服虽然能够识别用户意图，解决简单的问题，但是面对复杂的问题时通常无法很好地解决。智能客服无法灵活地根据用户差异化的诉求提供相应的解决方案；智能客服不能准确识别用户的情绪，无法像人工客服一样灵敏感知用户情绪，同时智能客服无法根据当前用户语气、回复内容等来判断用户诉求，及时给予用户安抚和精准的解决方案。因此现有的技术在进行客服服务升级时没有考虑不同对话场景出现时对用户情绪的叠加影响，没有深入的感知用户当前的情绪状态，导致客服服务升级不及时。
为了解决这个问题，本发明的一个方面提供了一种任务型客服服务升级方法，如图1所示，该方法包括步骤S101～S106：
S101：对用户输入的第1～n轮次的对话，分别获取每一轮对话含有表情符号的第一文本信息，将第一文本信息输入预训练的词嵌入模型得到相应的第一词向量和第一表情向量；将每一轮对话的第一词向量和第一表情向量逐一输入预训练的情感分析模型，分别输出第1～n轮次对话的情感倾向度数值数组并计算初级情感参数，并累加初级情感参数得到第n轮对话的情感数值。
S102：对用户输入的第1～n轮次的对话，分别获取仅含有文字的第二文本信息，将第二文本信息输入词嵌入模型得到第二词向量，将每一轮对话的第二词向量逐一输入预训练的自然语言理解模型，分别输出第1～n轮次对话的用户整体意图以及子目标对应的槽值信息的数量，根据每个轮次用户整体意图和槽值信息的数量计算相应轮次的初级任务对话完成度参数，并累加得到第n轮对话的任务型对话完成度数值。
S103：对用户输入的第1～n轮次的对话，获取多个用户情绪影响因素对用户满意度的满意度调整比例，判断每一轮对话中用户情绪影响因素的达成情况，并根据相应的满意度调整比例逐轮调节满意度初始值得到第1～n轮次对话的初级用户满意度参数，并累加得到第n轮对话的用户满意度数值。
S104：根据第n轮和第n-1轮对话的情感数值计算第n轮对话的情感数值指数，根据第n轮和第n-1轮对话的任务型对话完成度数值计算第n轮对话的任务型对话完成度指数，根据第n轮和第n-1轮对话的用户满意度数值计算第n轮对话的用户满意度指数。
S105：获取服务升级主指数常数并结合第n轮对话的情感数值指数、任务型对话完成度指数和用户满意度指数做加权求和得到服务升级主指数。
S106：当服务升级主指数达到设定标准时发起客服服务升级。
在步骤S101中，获取每一轮对话含有表情符号的第一文本信息，将文本中的表情符号转化为对应的语义信息，将含有语义信息的文本输入词嵌入模型得到第一词向量和第一表情向量。
在本实施例中，如图4所示，词嵌入模型为BERT-base-Chinese模型，BERT-base-Chinese模型采用包含表情符号的文本进行参数微调。BERT-base-Chinese，其结构为L＝12，H＝768，A＝12，其中L表示的是transformer的层数，H表示输出的维度，A表示多头注意力机制的个数。
其中，对BERT-base-Chinese模型参数进行微调，设定batch size(一次训练所抓取的数据样本数量)为16，epochs(一个完整的数据集通过了神经网络一次并且返回了一次)4，学习速率为2e-5。将标记文本根据BERT-base-Chinese模型进行调整，在每条评论前增加“[CLS]”(用于下游的分类任务)标签。将处理好的评论文本送入微调的BERT-base-Chinese模型进行训练，得到词向量和表情向量。
在本实施例中，情感分析模型的预训练步骤包括S1011～S1013：
S1011：获取多个包含表情符号的文本样本。
S1012：将每个文本样本输入所述BERT-base-Chinese模型得到相应的样本词向量和样本表情向量，对每个文本样本添加情感标注作为标签，构成第一训练样本集；情感标注至少包括：积极、中立和消极。
S1013：获取Self-Explain NLP初始模型，采用第一训练样本集对所述Self-Explain NLP初始模型进行训练得到情感分析模型。
在步骤S1011中，将获取的多个包含表情符号的文本样本进行预处理，包括将文本中的表情符号转化成对应的语义信息，删去文本中链接、非中文字符等无关信息。
在步骤S1012中，对每个文本样本添加情感标注作为标签，情感标注为人工对样本集中的文本进行的情感倾向标注，情感标注包括“积极”、“中立”、“消极”三种情感倾向，并将样本集以3：7的比例分为测试样本集和训练样本集。
在步骤S1013中，采用交叉熵损失函数对Self-Explain NLP初始模型进行参数迭代，得到最优的情感分析模型。
进一步地，如图5所示，Self-ExplainNLP模型由六层组成，第一层是输入层，输入层由输入序列中的词向量W[xi:]和表情向量E[yj:]组成；第二层是中间层，中间层由多头自注意力机制、层归一化和残差连接组成，多头自注意力机制使模型可以从不同角度理解输入向量，层归一化用来提高模型的训练速度和精度，使模型更加稳健，残差连接防止向量矩阵退化；第三层是收集层，使用全连接的方式对处理后的单词向量和表情向量进行拼接，充分利用单词-单词、单词-表情、表情-表情的共现关系。模型中用h(i,j)表示单词-单词、单词-表情的共现关系，e(i,j)表示表情-表情的共现关系，h(i,j)和e(i,j)的获取方式相同，其具体公式定义为：
h(i,j)＝F(hi,hj)；
Figure BDA0003843762620000111
W＝[W1,W2,W3,W4]；
其中i∈[1,N]，j∈[i,N]，Wi∈RD×D。
第四层是连接层，此层将收集层生成的共现向量h(i,j)和e(i,j)进行拼接，生成特征向量；第五层是解释层，解释层用来获取特征向量的加权平均数H。
其具体公式定义为：
Figure BDA0003843762620000112
α(i,j)＝softmax(o(i,j))；
Figure BDA0003843762620000113
第六层是输出层，输出层使用softmax对加权H进行归一化，得到一个长度为3的一维数即关于积极、中立和消极三类情感标注的情感倾向度数值数组，其数组中最大值所在的索引即为模型预测的结果。
在本实施例中，将每一轮对话的第一词向量和第一表情向量逐一输入预训练的情感分析模型，分别输出第1～n轮次对话的情感倾向度数值数组并计算初级情感参数，包括：
将每一轮对话的所述第一词向量和所述第一表情向量逐一输入预训练的情感分析模型，输出关于积极、中立和消极三类情感标注的情感倾向度数值数组[positive_value,neutra_value,negative_value]，positive_value表示情感为积极的概率，neutra_value表示情感为中立的概率，negative_value表示情感为消极的概率；
所述初级情感参数的计算式为：
emotional_value＝max(positive_value,neutra_value,negative_value)×(1-max_index)；
其中，emotional_value表示初级情感参数，max_index表示情感最大值的下标，积极情感下标为0，中立情感下标为1，消极情感下标为2。
在另一些实施例中，如图6所示，情感数值计算方法主要包括：
采集包含表情符号的文本信息，并对其进行数据处理和情感标注，生成训练数据集测试数据集；本实施例，采集微博评论数据，删除其中不含有Emoji表情符号的文本，并清除文本中如链接、非中文字符等无关信息，将文本中的Emoji表情转为相应的语义表示，得到包含Emoji表情的文本数据集，将Emoji表情符号转换为对应的语义信息，再单独提取出Emoji语义文本用于接下来在模型中增加Emoji表情的权重。
采用语言预训练模型BERT对文本进行语言预训练，增强词向量的语义表示，得到词向量和表情向量；
用词向量和表情向量训练Emoji Self-ExplainNLP模型，得到最优的Emoji Self-Explain模型；
将用户文本输入到最优的Emoji Self-ExplainNLP模型中，根据情感分析结果计算情感数值。
在步骤S102中，词嵌入模型为BERT-base-Chinese模型，BERT-base-Chinese模型采用仅含文字的文本进行参数微调。然后将仅含有文字的第二文本信息输入到BERT-base-Chinese模型中得到第二词向量，将每一轮对话的第二词向量逐一输入预训练的自然语言理解模型，分别输出第1～n轮次对话的用户意图以及用户意图对应的槽值信息的数量。
其中，自然语言理解模型的预训练包括步骤S1021～S1022：
S1021：获取第二训练样本集，第二训练样本集包含多个样本，每个样本中包含标记有槽值信息和意图信息标签的文本。
S1022：获取BiLSTM-CRF初始模型，采用第二训练样本集对所述BiLSTM-CRF初始模型进行训练得到所述自然语言理解模型。
在步骤S1021中，槽值信息为客服完成用户意图的进度。
在步骤S1022中，采用二元交叉熵损失函数对BiLSTM-CRF初始模型进行参数迭代，得到最优的自然语言理解模型。
在本实施例中，如图7所示，BiLSTM-CRF初始模型由三层组成：第一层是字符表示层，它负责将中文句子中的字符和单词映射到低维向量中，作为BiLSTM层的输入；第二层是BiLSTM层，它是一个双向的长短期记忆网络。它可以根据单词或字符的上下文模拟单词之间的依赖性，并获得每个单词的隐藏表示；最后一层是CRF输出层，它以隐藏层的表示顺序为输入，输出每个字符的预测标签，并学习相应的约束规则。
在本实施例中，根据已获得的用户意图、用户本轮对话意图以及所述槽值信息的数量计算相应轮次的初级任务对话完成度参数，包括：
如果已获得的用户意图system intent和用户本轮对话意图intent都为空值，则
task_completion＝0；
如果用户本轮对话意图intent不为空值，则
Figure BDA0003843762620000131
如果用户本轮对话意图intent为空值而已获得的用户意图system_intent不为空值，则
Figure BDA0003843762620000132
其中，task_completion表示初级任务对话完成度参数，sum_slot_num表示意图需要的总槽值数，curr_slot_num表示本轮表示本轮获取到的可填充的槽值数，fill_slot_num表示意图已经填充的槽值数。
在另一些实施例中，如图8所示，任务型对话完成度数值计算方法主要包括：
根据任务需要，构造相应的数据集，使用语言预训练模型BERT对文本进行语言预训练，得到词向量。
用词向量训练自然语言理解模型，得到最优的自然语言理解模型。
将用户文本输入到模型中，得到意图信息和槽值信息，并根据意图信息、槽值信息和当前对话状态计算任务型对话完成度。
在步骤S103中，用户情绪影响因素包括：对话轮次、客服对用户意图的识别度、子目标达成数量、无效对话出现次数、用户重复提出相同问题的次数以及出现客服未知问题。
在本实施例中，如图2所示，获取多个用户情绪影响因素的对用户满意度的满意度调整比例，判断每一轮对话中所述用户情绪影响因素的达成情况，并根据相应的满意度调整比例逐轮调节满意度初始值得到第1～n轮次对话的初级用户满意度参数，包括：
对话轮次影响满意度的对话轮次系数、获取客服对用户意图识别度影响满意度的意图系数、子目标达成数量影响满意度的子目标达成系数、无效对话影响满意度的无效对话系数、用户重复提出相同问题次数影响满意度的重复提问系数、客服未知问题出现次数影响满意度的未知问题系数。
获取第n轮对话的初始用户满意度。
计算由于对话轮次增加影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction×(1-round_factor)；
其中，user_satisfaction表示用户满意度，round_factor为对话轮次系数。
进一步地，用户满意度随着对话轮次的增加而小幅度降低，但是对话轮次的增加不会是用户情满意度降低到触发服务升级机制的阈值。
在第1～n轮次的对话有用户意图且客服在第n轮识别出该用户意图时，计算由于重复问题出现影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction×(1-repetition_factor)；
其中，user_satisfaction表示用户满意度，repetition_factor表示重复提问系数。
进一步地，用户重复提问相同问题说明客服给出的答案没有满足用户的需要，这种现象会极大降低用户满意度，用户重复提问的判断依据是判断当轮对话和上一轮对话中识别出用户的意图是否相同，若意图相同则为重复问题，若意图不相同则不为重复问题。
在第1～n轮次的对话不存在用户意图且客服在第n轮未识别出用户意图时，计算客服未知问题出现次数影响满意度后的满意度更新值并结束满意度调整过程，计算式为：
user_satisfaction＝user_satisfaction×(1-unknown_factor)；
其中，user_satisfaction表示用户满意度，unknown_factor表示未知问题系数。
进一步地，未知问题即客服无法回答的问题，此种情况会将用户满意度降到最低值，使服务升级指数能够达到设定的阈值，从而触发客服服务升级。
在第1～n轮次的对话不存在用户意图但客服在第n轮识别出用户意图时，计算用户意图识别度影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction×(1+intent_factor×intent_acc)；
其中，user_satisfaction表示用户满意度，intent_factor表示意图系数，intent_acc表示意图识别准确率。
进一步地，意图识别度分为两个区间即可信区间、常规区间，可信区间增加用户满意度，常规区间对用户满意度无影响。在对话状态中获取识别到的意图及其准确率，如果准确率(intent_acc)大于0.8(即在可信区间)，则用户满意度上升，否则对用户情绪数值无影响。
客服在第n轮识别出子目标时，计算子目标达成数量影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction(1+subgoal_factor×m)；
其中，user_satisfaction表示用户满意度，subgoal_factor表示子目标达成系数，m表示子目标达成数量。
进一步地，用户的意图往往是包含多个子目标的，这些子目标以槽位的方式体现出来。通过自然语言理解模型识别用户本轮对话信息中的实体后，判断此实体类型是否能够填充到槽位中，如果能则说明完成了一个子目标，用户满意度值上升。
客服在第n轮识未别出子目标时，计算无效对话影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction×(1-invalid_factor)；
其中，user_satisfaction表示用户满意度，invalid_factor表示无效对话系数。
进一步地，如果有意图信息但是本轮无槽值信息则说明本轮对话无效，用户满意度下降。
在一些实施例中，获取第n轮对话的初始用户满意度，包括：
若第n轮对话为客服与用户的第一次对话，则将用户初始满意度设为50；若第n轮对话不是客服与用户的第一次对话，则将第n-1轮对话结束时用户的满意度设为本轮对话的初始满意度。
在步骤S104中，根据第n轮和第n-1轮对话的情感数值计算第n轮对话的情感数值指数，根据第n轮和第n-1轮对话的任务型对话完成度数值计算第n轮对话的任务型对话完成度指数，根据第n轮和第n-1轮对话的用户满意度数值计算第n轮对话的用户满意度指数，包括：
根据第n轮和第n-1轮对话的情感数值计算第n轮对话的情感数值指数，计算式为：
Figure BDA0003843762620000151
其中，emotional_index表示情感数值指数，emotional_valuen表示第n轮的情感数值，emotional_valuen-1表示第n-1轮的情感数值。
根据第n轮和第n-1轮对话的任务型对话完成度数值计算第n轮对话的任务型对话完成度指数，计算式为：
Figure BDA0003843762620000161
其中，task_completion_index表示任务型对话完成度指数，task_completionn表示第n轮的任务型对话完成度数值，task_completionn-1表示第n-1轮的任务型对话完成度数值，n表示对话轮次。
根据第n轮和第n-1轮对话的用户满意度数值计算第n轮对话的用户满意度指数，计算式为：
Figure BDA0003843762620000162
其中，satisfaction_index表示用户满意度指数，satisfactionn表示第n轮的用户满意度数值，satisfactionn-1表示第n-1轮的用户满意度数值，n表示对话轮次。
在一些实施例中，根据计算得到的情感数值指数完善客服的回复内容，当情感数值指数高时，表示用户情绪积极，则在客服回复中嵌入积极情感词；情感数值指数低时，表示用户情绪消极，则在客服回复中嵌入歉意类情感词。根据计算得到的任务型对话完成度指数，管理人员定期排查对话历史中连续出现多轮任务型对话完成度指数值为零场景的原因，适当调整客服的对话策略，进而加快任务型对话的完成速度。根据计算得到的用户满意度指数，判断用户对客服服务的满意程度，当用户满意度指数低时可能是对话策略或者自然语言理解模型出现偏差，管理人员需根据对话历史记录定期排查用户满意度指数低的场景，分析造成用户满意度低的原因，针对性的进行修改调整，进而在以后的对话过程中提高用户满意度。
在步骤S105中，采用多元线性回归模型对用户评分、情感数值、任务型对话完成度数值以及用户满意度数值进行分析，得到残差平方和最小的参数，参数包括：服务升级主指数常数、情感数值指数系数、任务型对话完成度指数系数和所述用户满意度指数系数。
在一些实施例中，获取服务升级主指数常数并结合第n轮对话的所述情感数值指数、任务型对话完成度指数和用户满意度指数做加权求和得到服务升级主指数，包括：
获取服务升级主指数常数、第n轮对话的情感数值指数、任务型对话完成度指数和用户满意度指数，以及获取情感数值指数系数、任务型对话完成度指数系数和用户满意度指数系数。
服务升级主指数的计算式为：
main_service_value＝main_service_constant+emotional_factor×emotiaonal_index+task_completion_factor×task_completion_index+satisfaction_factor×usatisfaction_index；
其中，main_service_constant表示服务升级主指数常数，emotional_factor表示情感数值指数系数，emotiaonal_index表示情感数值指数，task_completion_factor表示任务型对话完成度指数系数，task_completion_index表示任务型对话完成度指数，satisfaction_factor表示用户满意度指数系数，satisfaction_index表示用户满意度指数。
在步骤S106中，根据计算得到的服务升级主指数判断是否进行客服服务升级，服务升级主指数越高，表明用户对客服的服务越不满意，当计算得到的服务升级主指数达到系统设定的阈值则进行客服服务升级。
另一方面本发明提供了一种任务型客服服务升级装置，如图3所示，该装置包括：
情感数值计算模块，用于执行如下步骤：对用户输入的第1～n轮次的对话，分别获取每一轮对话含有表情符号的第一文本信息，将第一文本信息输入预训练的词嵌入模型得到相应的第一词向量和第一表情向量；将每一轮对话的第一词向量和第一表情向量逐一输入预训练的情感分析模型，分别输出第1～n轮次对话的情感倾向度数值数组并计算初级情感参数，并累加初级情感参数得到第n轮对话的情感数值。
在一些实施例中，如图9所示，情感数值计算模块主要由情感分析模型训练模块和情感分析模型识别模块组成。情感分析是指通过文本来挖掘人们对于产品、服务、组织、个人、事件等的观点、情感倾向、态度等。其中，如图10所示，情感分析模型训练模块包括：词嵌入模型预训练单元、情感分析模型训练单元和情感分析模型保存单元。词嵌入模型预训练单元使用的BERT模型为从网络中下载开源的BERT-base-Chinese模型，该单元主要负责将自然语言理解数据集输入BERT模型得到增强的特征向量，并将增加的特征向量送入情感分析模型训练单元。情感分析模型训练单元负责使用特征向量训练Self-ExplainNLP模型，评估训练结果，得到效果最好的情感分析模型。情感分析模型保存单元负责将训练好的情感分析模型以文件形式存储下来。
如图11所示，情感分析模型识别模块由：输入数据处理单元、情感分析模型加载单元、情感分析模型运行单元、情感数值计算单元和情感数值输送单元组成。输入数据处理单元负责将用户输入内容转化为特征向量。情感分析模型加载单元负责加载训练好的情感分析模型。情感分析模型运行单元负责接收特征向量，输出情感分析模型运行得到情感分析结果。情感数值计算单元负责使用情感数值计算方法根据情感分析结果计算情感数值。情感数值输送单元负责将情感数值输送至服务升级指数计算模块。
任务型对话模块，任务型对话模块包括任务型对话完成度计算模块和用户满意度计算模块。
在一些实施例中，如图12所示，任务型对话模块主要由：自然语言理解模型训练块、自然语言理解模型调用模块、对话状态追踪模块、对话策略选择模块以及自然语言生成模块组成。
其中，自然语言理解模型训练模块：负责词嵌入模型和自然语言理解模型BiLSTM-CRF的训练和评估。如图13所示，该模块主要由词嵌入模型预训练单元、自然语言理解训练单元、自然语言理解模型BiLSTM-CRF保存单元组成。词嵌入预训练单元使用的BERT模型为从网络中下载开源的BERT-base-Chinese模型。该单元主要负责将自然语言理解数据集输入词嵌入模型得到增强的特征向量，并将增加的特征向量送入自然语言理解模型训练单元。自然语言理解模型训练单元：使用词嵌入模型输出的特征向量训练BiLSTM-CRF模型，评估训练结果，得到效果最好的自然语言理解模型。自然语言理解模型保存单元将训练好的自然语言理解模型以文件形式存储下来。
自然语言理解模型调用模块：将用户输入文本输入自然语言理解模型，得到用户的意图信息和槽值信息。进一步地，自然语言理解模型调用模块包括意图识别和槽填充两项基本任务，通过意图识别理解自然语言文本的整体意图，通过语义标注和词序列映射完成槽位信息填充。如图14所示，该模块主要由输入数据处理单元、自然语言理解模型加载单元、自然语言理解模型运行单元、意图信息和槽值信息输送单元组成。输入数据处理单元负责用词嵌入模型将用户输入内容转化为特征向量。自然语言理解模型加载单元从本地加载训练好的自然语言理解模型。自然语言理解模型运行单元接收词嵌入模型输出得到的特征向量并输入自然语言理解模型，得到的意图信息(包括用户意图及意图识别的准确率)和槽值信息。任务型客服完成一个对话任务往往需要很多信息，这些信息被称为槽信息。当自然语言理解模型分析用户输入得到的槽值信息满足当前意图需要，即为达成了子目标，当意图需要的所有槽值信息都得到填充时，就意味着此任务已经完成。
对话状态追踪模块：识别用户输入内容中的意图信息、意图准确率和槽值信息，并将上述信息传入对话追踪单元。对话状态是一种把到特定时刻位置的对话历史简化为可供系统选择下一时刻动作信息的数据结构，故对话状态追踪就是根据所有对话历史信息推断当前用户状态和用户目标。如图15所示，该模块主要由：对话状态载入单元、对话状态处理单元、对话状态输送单元组成。对话状态载入单元将上一轮对话状态载入到装置中，如果本轮是第一轮对话，此初始化对话状态并载入到装置中。对话状态处理单元将自然语言理解模型调用模块输入的槽值信息和意图信息存储到对话状态中。对话状态输送单元将处理后的对话状态输送至对话策略选择模块。其中，对话状态主要包括：对话历史、上一轮意图、槽值信息、意图信息(用户意图及准确率)、系统动作、系统回复等。
对话策略选择模块：基于当前对话状态选择系统需要采取的动作，即负责根据当前对话状态决定下一步动作，并将动作记录在对话状态中。如图15所示，该模块主要由：对话状态载入单元、对话策略选择单元以及对话状态输送单元组成。对话状态载入单元将对话状态追踪模块传入的对话状态载入到当前模块中。对话策略选择单元负责根据当前的对话状态和人工设定的规则选择装置执行的下一步动作，并将动作存储到对话状态中。
对话状态输送单元：将处理后的对话状态输送至自然语言生成模块。
自然语言生成模块：根据当前对话状态中的系统动作在模板库中选择合适的回复模板进行回复，同时将非语言格式的数据转换为人类可以理解的文字。即在用户与机器进行交互时，用户输入具体的任务，该任务由自然语言描述(通常是文本形式)。用户的输入进入自然语言理解模块首先要进行分类，包括分类到具体领域和识别出用户的真实意图，再通过语义槽填充得到标注序列，并将标注后的数据传输到对话管理模块。在对话管理模块中，对话状态追踪推断出用户当前意图和对话状态，对话策略再决定系统下一步的走向。最后通过自然语言生成模块将机器回复转换成人类可以理解的自然语言形式，再将生成的回复反馈给用户，至此就完成了用户与机器的一轮交互。如图17所示，该模块主要由：对话状态载入单元、对话模板载入单元、对话模板选择单元、自然语言生成单元以及对话状态输送单元组成。对话状态载入单元将对话策略选择模块传入的对话状态载入到当前模块中。对话模板载入单元将模板库中的对话模板载入到模块中。对话模板选择单元根据对话状态中的系统动作在对话模板中选择合适的对话模板。自然语言生成单元根据当前对话状态和选择的对话模板生成回复内容，并将回复内容(即系统回复)存储到对话状态中。对话状态输送单元将处理后的对话状态输送至服务升级指数计算模块。
任务型对话完成度计算模块，用于执行如下步骤：对用户输入的第1～n轮次的对话，分别获取仅含有文字的第二文本信息，将第二文本信息输入所述词嵌入模型得到第二词向量，将每一轮对话的所述第二词向量逐一输入预训练的自然语言理解模型，分别输出第1～n轮次对话的用户整体意图以及子目标对应的槽值信息的数量，根据每个轮次用户整体意图和槽值信息的数量计算相应轮次的初级任务对话完成度参数，并累加得到第n轮对话的任务型对话完成度数值；
进一步地，任务型对话完成度计算模块从任务型对话模块传入的对话状态中获取所需要的意图信息和槽值信息，结合任务型对话完成度计算方法计算任务型对话完成度。
如图18所示，任务型对话完成度模块主要由：对话状态处理单元、任务型对话完成度计算单元和任务型对话完成度输出单元组成。其中，对话状态处理单元将任务型对话模块传入的对话状态载入到当前模块中，并从中获取意图信息和槽值信息。任务型对话完成度计算单元根据对话状态处理单元获取的意图信息和槽值信息使用任务型对话完成度计算方法计算任务型对话完成度。任务型对话完成度输送单元将计算得到的任务型对话完成度输送至服务升级指数计算模块。
用户满意度计算模块，用于执行如下步骤：根据第n轮和第n-1轮对话的情感数值计算第n轮对话的情感数值指数，根据第n轮和第n-1轮对话的任务型对话完成度数值计算第n轮对话的任务型对话完成度指数，根据第n轮和第n-1轮对话的用户满意度数值计算第n轮对话的用户满意度指数；
进一步地，如图19所示，用户满意度计算模块主要由：对话状态处理单元、参数及比例系数载入单元、用户满意度计算单元和用户满意度输出单元组成。对话状态处理单元将任务型对话模块传入的对话状态载入到当前模块中，并从中获取用户意图、槽值、对话轮次等信息。参数及比例系数载入单元从数据库中载入用户设置的计算用户满意度所需要的各种参数和比例系数。用户满意度计算单元根据对话状态处理单元获取的意图、槽值、对话轮次等信息等参数使用用户满意度计算方法计算用户满意度。用户满意度输送单元将计算得到的用户满意度输送至服务升级指数计算模块。
服务升级指数计算模块，用于执行如下步骤：获取服务升级主指数常数并结合第n轮对话的情感数值指数、任务型对话完成度指数和用户满意度指数做加权求和得到服务升级主指数；
在一些实施例中，如图20所示，服务升级指数计算模块主要由：数据载入单元、参数载入单元、服务升级指数计算单元和服务升级指数输送单元组成。数据载入单元将情感数值计算模块、任务型对话完成度模块和用户满意度计算模块传入的信息载入模块中。参数及比例系数载入单元从数据库中载入用户设置的计算服务升级指数所需要的各种参数和比例系数。服务升级指数计算单元根据情感数值、任务型对话完成度和用户满意度等参数使用服务升级指数计算方法计算服务升级指数。服务升级指数输出模块将服务升级指数输出，作为是否进行服务升级的条件。
服务升级执行模块，用于当服务升级主指数达到设定标准时发起客服服务升级。
在本实施例中，服务升级执行模块接收服务升级指数计算模块得到的服务升级主指数，当服务升级主指数达到系统设定标准时发起客服服务升级。
另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
综上所述，本发明所述一种任务型客服服务升级方法及装置，基于预训练的词嵌入模型、情感分析模型、自然语言理解模型以及满意度更新步骤将对话中用户的情感态度、用户与客服对话的完成度以及用户对客服服务的满意度量化为情感数值、任务型对话完成度数值和用户满意度数值三个指标，并根据三个指标联合计算得到服务升级主指数。根据服务升级主指数判断服务升级时机，综合情感态度、对话完成度以及满意度三个方面，提高了客服服务升级时的准确性。
进一步地，在情感数值计算过程中加入了对用户输入文本中表情符号的分析，通过对文字和表情符号同时进行语义提取，提高了情感分析时的准确性。
进一步地，计算用户与客服每一轮对话中的初级情感参数、初级用户满意度参数以及初级对话完成度参数，通过逐轮累加的形式计算得到情感数值、用户满意度数值、对话完成度数值，深入感知用户状态，并逐轮判断当前对话是否需要升级客服服务，提高了客服服务升级时的准确性。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体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。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种任务型客服服务升级方法，其特征在于，该方法包括以下步骤：
对用户输入的第1～n轮次的对话，分别获取每一轮对话含有表情符号的第一文本信息，将所述第一文本信息输入预训练的词嵌入模型得到相应的第一词向量和第一表情向量；将每一轮对话的所述第一词向量和所述第一表情向量逐一输入预训练的情感分析模型，分别输出第1～n轮次对话的情感倾向度数值数组并计算初级情感参数，并累加所述初级情感参数得到第n轮对话的情感数值；
对用户输入的第1～n轮次的对话，分别获取仅含有文字的第二文本信息，将所述第二文本信息输入所述词嵌入模型得到第二词向量，将每一轮对话的所述第二词向量逐一输入预训练的自然语言理解模型，分别输出第1～n轮次对话的用户意图以及子目标对应的槽值信息的数量，根据每个轮次所述用户意图和所述槽值信息的数量计算相应轮次的初级任务对话完成度参数，并累加得到第n轮对话的任务型对话完成度数值；
对用户输入的第1～n轮次的对话，获取多个用户情绪影响因素的对用户满意度的满意度调整比例，判断每一轮对话中所述用户情绪影响因素的达成情况，并根据相应的满意度调整比例逐轮调节满意度初始值得到第1～n轮次对话的初级用户满意度参数，并累加得到第n轮对话的用户满意度数值；
根据第n轮和第n-1轮对话的情感数值计算第n轮对话的情感数值指数，根据第n轮和第n-1轮对话的任务型对话完成度数值计算第n轮对话的任务型对话完成度指数，根据第n轮和第n-1轮对话的用户满意度数值计算第n轮对话的用户满意度指数；
获取服务升级主指数常数并结合第n轮对话的所述情感数值指数、所述任务型对话完成度指数和所述用户满意度指数做加权求和得到服务升级主指数；
当所述服务升级主指数达到设定标准时发起客服服务升级。
2.根据权利要求1所述的任务型客服服务升级方法，其特征在于，所述词嵌入模型为BERT-base-Chinese模型，所述BERT-base-Chinese模型采用包含表情符号的文本进行参数微调。
3.根据权利要求2所述的任务型客服服务升级方法，其特征在于，所述情感分析模型的预训练步骤包括：
获取多个包含表情符号的文本样本；
将每个文本样本输入所述BERT-base-Chinese模型得到相应的样本词向量和样本表情向量，对每个文本样本添加情感标注作为标签，构成第一训练样本集；所述情感标注至少包括：积极、中立和消极；
获取Self-Explain NLP初始模型，采用所述第一训练样本集对所述Self-Explain NLP初始模型进行训练得到情感分析模型。
4.根据权利要求3所述的任务型客服服务升级方法，其特征在于，将每一轮对话的所述第一词向量和所述第一表情向量逐一输入预训练的情感分析模型，分别输出第1～n轮次对话的情感倾向度数值数组并计算初级情感参数，包括：
将每一轮对话的所述第一词向量和所述第一表情向量逐一输入预训练的情感分析模型，输出关于积极、中立和消极三类情感标注的情感倾向度数值数组[positive_value,neutra_value,negative_value]，positive_value表示情感为积极的概率，neutra_value表示情感为中立的概率，negative_value表示情感为消极的概率；
所述初级情感参数的计算式为：
emotional_value＝max(positive_value,neutra_value,negative_value)×(1-max_index)；
其中，emotional_value表示所述初级情感参数，max_index表示情感最大值的下标，积极情感下标为0，中立情感下标为1，消极情感下标为2。
5.根据权利要求2所述的任务型客服服务升级方法，其特征在于，所述自然语言理解模型的预训练步骤包括：
获取第二训练样本集，所述第二训练样本集包含多个样本，每个样本中包含标记有槽值信息和意图信息标签的文本；
获取BiLSTM-CRF初始模型，采用所述第二训练样本集对所述BiLSTM-CRF初始模型进行训练得到所述自然语言理解模型。
6.根据权利要求1所述的任务型客服服务升级方法，其特征在于，根据已获得的用户意图、用户本轮对话意图以及所述槽值信息的数量计算相应轮次的初级任务对话完成度参数，包括：
如果所述已获得的用户意图ststem intent和所述用户本轮对话意图intent都为空值，则
task_completion＝0；
如果所述用户本轮对话意图intent不为空值，则
Figure FDA0003843762610000021
如果所述用户本轮对话意图intent为空值而所述已获得的用户意图system_intent不为空值，则
Figure FDA0003843762610000031
其中，task_completion表示所述初级任务对话完成度参数，sum_slot_num表示意图需要的总槽值数，curr_slot_num表示本轮获取到的可填充的槽值数，fill_slot_num表示意图已经填充的槽值数。
7.根据权利要求1所述的任务型客服服务升级方法，其特征在于，获取多个用户情绪影响因素的对用户满意度的满意度调整比例，判断每一轮对话中所述用户情绪影响因素的达成情况，并根据相应的满意度调整比例逐轮调节满意度初始值得到第1～n轮次对话的初级用户满意度参数，包括：
对话轮次影响满意度的对话轮次系数、获取客服对用户意图识别度影响满意度的意图系数、子目标达成数量影响满意度的子目标达成系数、无效对话影响满意度的无效对话系数、用户重复提出相同问题次数影响满意度的重复提问系数、客服未知问题出现次数影响满意度的未知问题系数；
获取第n轮对话的初始用户满意度；
计算由于对话轮次增加影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction×(1-round_factor)；
其中，user_datisfaction表示所述用户满意度，round_factor为对话轮次系数；
在第1～n轮次的对话有用户意图且客服在第n轮识别出该用户意图时，计算由于重复问题出现影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction×(1-repetition_factor)；
其中，user_satisfaction表示所述用户满意度，repetition_factor表示所述重复提问系数；
在第1～n轮次的对话不存在用户意图且客服在第n轮未识别出用户意图时，计算客服未知问题出现次数影响满意度后的满意度更新值并结束满意度调整过程，计算式为：
user_satisfaction＝user_satisfaction×(1-unknown_factor)；
其中，user_satisfaction表示所述用户满意度，unknown_factor表示所述未知问题系数；
在第1～n轮次的对话不存在用户意图但客服在第n轮识别出用户意图时，计算用户意图识别度影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction×(1+intent_factor×intent_acc)；
其中，user_satisfaction表示所述用户满意度，intent_factor表示所述意图系数，intent_acc表示意图识别准确率；
客服在第n轮识别出子目标时，计算子目标达成数量影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction(1+subgoal_factor×m)；
其中，user_satisfaction表示所述用户满意度，subgoal_factor表示所述子目标达成系数，m表示子目标达成数量；
客服在第n轮识未别出子目标时，计算无效对话影响满意度后的满意度更新值，计算式为：
user_satisfaction＝user_satisfaction×(1-invalid_factor)；
其中，user_satisfaction表示所述用户满意度，invalid_factor表示所述无效对话系数。
8.根据权利要求1所述的任务型客服服务升级方法，其特征在于，获取第n轮对话的初始用户满意度，包括：
若第n轮对话为客服与用户的第一次对话，则将用户初始满意度设为50；若第n轮对话不是客服与用户的第一次对话，则将第n-1轮对话结束时用户的满意度设为本轮对话的初始满意度。
9.根据权利要求1所述的任务型客服服务升级方法，其特征在于，根据第n轮和第n-1轮对话的情感数值计算第n轮对话的情感数值指数，根据第n轮和第n-1轮对话的任务型对话完成度数值计算第n轮对话的任务型对话完成度指数，根据第n轮和第n-1轮对话的用户满意度数值计算第n轮对话的用户满意度指数，包括：
根据第n轮和第n-1轮对话的情感数值计算第n轮对话的情感数值指数，计算式为：
Figure FDA0003843762610000041
其中，emotional_index表示所述情感数值指数，emotional_valuen表示第n轮的情感数值，emotional_valuen-1表示第n-1轮的情感数值；
根据第n轮和第n-1轮对话的任务型对话完成度数值计算第n轮对话的任务型对话完成度指数，计算式为：
Figure FDA0003843762610000042
其中，task_completion_index表示所述任务型对话完成度指数，task_completionn表示第n轮的任务型对话完成度数值，task_completionn-1表示第n-1轮的任务型对话完成度数值，n表示对话轮次；
根据第n轮和第n-1轮对话的用户满意度数值计算第n轮对话的用户满意度指数，计算式为：
Figure FDA0003843762610000051
其中，satisfaction_index表示所述用户满意度指数，satisfactionn表示第n轮的用户满意度数值，satisfactionn-1表示第n-1轮的用户满意度数值，n表示对话轮次。
10.根据权利要求9所述的任务型客服服务升级方法，其特征在于，获取服务升级主指数常数并结合第n轮对话的所述情感数值指数、所述任务型对话完成度指数和所述用户满意度指数做加权求和得到服务升级主指数，包括：
获取所述服务升级主指数常数、第n轮对话的所述情感数值指数、所述任务型对话完成度指数和所述用户满意度指数，以及获取情感数值指数系数、任务型对话完成度指数系数和用户满意度指数系数；
所述服务升级主指数的计算式为：
main_service_value＝main_service_constant+emotiaonal_factor×emotiaonal_index+task_completion_factor×task_completion_index+satisfaction_factor×satisfaction_index；
其中，main_service_constant表示所述服务升级主指数常数，emotional_factor表示所述情感数值指数系数，emotiaonal_index表示所述情感数值指数，task_completion_factor表示所述任务型对话完成度指数系数，task_completion_index表示所述任务型对话完成度指数，satisfaction_factor表示所述用户满意度指数系数，satisfaction_index表示所述用户满意度指数。
11.一种任务型客服服务升级装置，其特征在于，包括：
情感数值计算模块，用于执行如下步骤：对用户输入的第1～n轮次的对话，分别获取每一轮对话含有表情符号的第一文本信息，将所述第一文本信息输入预训练的词嵌入模型得到相应的第一词向量和第一表情向量；将每一轮对话的所述第一词向量和所述第一表情向量逐一输入预训练的情感分析模型，分别输出第1～n轮次对话的情感倾向度数值数组并计算初级情感参数，并累加所述初级情感参数得到第n轮对话的情感数值；
任务型对话模块，所述任务型对话模块包括任务型对话完成度计算模块和用户满意度计算模块，其中：
所述任务型对话完成度计算模块，用于执行如下步骤：对用户输入的第1～n轮次的对话，分别获取仅含有文字的第二文本信息，将所述第二文本信息输入所述词嵌入模型得到第二词向量，将每一轮对话的所述第二词向量逐一输入预训练的自然语言理解模型，分别输出第1～n轮次对话的用户整体意图以及子目标对应的槽值信息的数量，根据每个轮次所述用户整体意图和所述槽值信息的数量计算相应轮次的初级任务对话完成度参数，并累加得到第n轮对话的任务型对话完成度数值；
所述用户满意度计算模块，用于执行如下步骤：根据第n轮和第n-1轮对话的情感数值计算第n轮对话的情感数值指数，根据第n轮和第n-1轮对话的任务型对话完成度数值计算第n轮对话的任务型对话完成度指数，根据第n轮和第n-1轮对话的用户满意度数值计算第n轮对话的用户满意度指数；
服务升级指数计算模块，用于执行如下步骤：获取服务升级主指数常数并结合第n轮对话的所述情感数值指数、所述任务型对话完成度指数和所述用户满意度指数做加权求和得到服务升级主指数；
服务升级执行模块，用于当所述服务升级主指数达到设定标准时发起客服服务升级。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至10中任一项所述方法的步骤。
CN202211110203.7A 2022-09-13 2022-09-13 一种任务型客服服务升级方法及装置 Pending CN115455984A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211110203.7A CN115455984A (zh) 2022-09-13 2022-09-13 一种任务型客服服务升级方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211110203.7A CN115455984A (zh) 2022-09-13 2022-09-13 一种任务型客服服务升级方法及装置

Publications (1)

Publication Number Publication Date
CN115455984A true CN115455984A (zh) 2022-12-09

Family

ID=84302843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211110203.7A Pending CN115455984A (zh) 2022-09-13 2022-09-13 一种任务型客服服务升级方法及装置

Country Status (1)

Country Link
CN (1) CN115455984A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228252A (zh) * 2023-02-10 2023-06-06 广东盛迪嘉电子商务股份有限公司 一种后台客服服务终端
CN117973726A (zh) * 2023-11-17 2024-05-03 华中科技大学 支持多模态信息的任务调度方法、智能服务台及介质
CN118350824A (zh) * 2024-05-13 2024-07-16 苏州灰狐网络科技有限公司 一种基于情绪能量感知的物联网信息技术客服服务系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228252A (zh) * 2023-02-10 2023-06-06 广东盛迪嘉电子商务股份有限公司 一种后台客服服务终端
CN117973726A (zh) * 2023-11-17 2024-05-03 华中科技大学 支持多模态信息的任务调度方法、智能服务台及介质
CN118350824A (zh) * 2024-05-13 2024-07-16 苏州灰狐网络科技有限公司 一种基于情绪能量感知的物联网信息技术客服服务系统

Similar Documents

Publication Publication Date Title
CN111046152B (zh) Faq问答对自动构建方法、装置、计算机设备及存储介质
CN110046221B (zh) 一种机器对话方法、装置、计算机设备及存储介质
CN110413746B (zh) 对用户问题进行意图识别的方法及装置
CN115455984A (zh) 一种任务型客服服务升级方法及装置
AU2021322785B2 (en) Communication content tailoring
CN110188331A (zh) 模型训练方法、对话系统评价方法、装置、设备及存储介质
CN111783474A (zh) 一种评论文本观点信息处理方法、装置及存储介质
CN106503236A (zh) 基于人工智能的问题分类方法以及装置
CN110727778A (zh) 一种面向税务的智能问答系统
CN113672732B (zh) 用于对业务数据进行分类的方法和设备
CN116049360A (zh) 基于客户画像的智能语音对话场景话术干预方法及系统
CN115292470B (zh) 一种用于小额贷款智能客服的语义匹配方法及系统
CN109493186A (zh) 确定推送信息的方法和装置
CN115640386A (zh) 用于基于推荐话术进行对话的方法和设备
CN115358774A (zh) 一种智慧客服机器人数据处理方法及系统
CN114610888A (zh) 一种面向开发者群体聊天的缺陷报告自动监听和合成方法
CN113111157B (zh) 问答处理方法、装置、计算机设备和存储介质
CN116468048B (zh) 一种基于大数据知识图谱的互联网电商投诉智能处理方法
CN114417045A (zh) 基于神经网络保险案件抽检方法、系统、设备及存储介质
CN117131183B (zh) 一种基于会话模拟的客服自动回复方法及系统
CN112949313A (zh) 信息处理模型训练方法、装置、设备及存储介质
CN118069811B (zh) 一种基于llm的文档知识问答方法及系统
CN118631939A (zh) 基于多模态大模型的语音客服智能质检方法及装置
CN113111652B (zh) 数据处理方法、装置及计算设备
US20240281677A1 (en) Systems and Methods for Creating an Interactive Knowledge Base Using Interactive Chat Machine Learning Models

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