CN115878768A - 基于nlp的车险业务回话线索推荐方法及其相关设备 - Google Patents

基于nlp的车险业务回话线索推荐方法及其相关设备 Download PDF

Info

Publication number
CN115878768A
CN115878768A CN202211568726.6A CN202211568726A CN115878768A CN 115878768 A CN115878768 A CN 115878768A CN 202211568726 A CN202211568726 A CN 202211568726A CN 115878768 A CN115878768 A CN 115878768A
Authority
CN
China
Prior art keywords
conversation
client
intention
nlp
text data
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
CN202211568726.6A
Other languages
English (en)
Inventor
严杨扬
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.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
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 Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202211568726.6A priority Critical patent/CN115878768A/zh
Publication of CN115878768A publication Critical patent/CN115878768A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例属于金融科技技术领域，应用于金融业务中投保定价指导领域中，涉及一种基于NLP的车险业务回话线索推荐方法及其相关设备，包括识别人机对话录音；进行转文字处理，实时动态获取对话文本数据；采用NLP自然语言处理对话文本数据；获取客户意图聚类结果；识别通话客户的对话意图；根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐。本申请采用ASR+kafka+动态数据流获取框架+NLP的方式，实现了人工客服在转接被AI语音服务助手服务过的客户时，面对冗长的AI智能外呼数据记录，能快速定位通话客户的对话意图，提高人工坐席的工作效率，保证了客户的良好通话体验。

Description

基于NLP的车险业务回话线索推荐方法及其相关设备
技术领域
本申请涉及金融科技技术领域，尤其涉及一种基于NLP的车险业务回话线索推荐方法及其相关设备。
背景技术
随着人工智能及语音助手的普及与发展，越来越多的保险公司采用AI语音的方式服务用户，这种便捷的在线服务省去了大量的人力开销，与此同时，AI语音服务助手与传统的人工客服相比，更加可控且并行度更高。但目前而言，由于保险行业的“AI热潮”处于起步阶段，目前的AI助手不足以完成整个的销售流程，所以存在AI语音服务助手提前接触客户，以探求客户的投保需求，而在最后的投保步骤接着由人工客服承接的方式。
这种AI语音服务助手+人工客服双重服务的新型方式有利于节省人力开销的同时，又保证了投保步骤的稳定运行，但是人工客服在转接被AI语音服务助手服务过的客户时，面对冗长的AI智能外呼数据记录，通常很难理解及直接利用。
发明内容
本申请实施例的目的在于提出一种基于NLP的车险业务回话线索推荐方法及其相关设备，以解决现有技术中人工客服在转接被AI语音服务助手服务过的客户时，面对冗长的AI智能外呼数据记录，通常很难理解及直接利用问题。
为了解决上述技术问题，本申请实施例提供一种基于NLP的车险业务回话线索推荐方法，采用了如下所述的技术方案：
一种基于NLP的车险业务回话线索推荐方法，包括下述步骤：
根据ASR技术识别AI语音机器人与通话客户间的人机对话录音；
通过ASR识别技术，对所述人机对话录音进行转文字处理，并实时动态获取所述人机对话录音对应的对话文本数据；
采用NLP自然语言处理技术对所述对话文本数据进行量化处理，获取量化处理结果；
基于预构建的车险语义拓扑图谱对所述量化处理结果进行聚类处理，获取客户意图聚类结果；
根据所述客户意图聚类结果和预设筛选规则，识别所述通话客户的对话意图；
根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐。
进一步的，所述实时动态获取所述人机对话录音对应的对话文本数据的步骤，具体包括：
通过kafka消息中间件实时获取所述人机对话录音对应的对话文本数据；
采用Apache Spark Streaming技术提取所述kafka消息中间件内的所述对话文本数据，其中，所述Apache Spark Streaming为一种动态数据流批处理框架。
进一步的，在执行所述采用Apache Spark Streaming技术提取所述kafka消息中间件内的所述对话文本数据的步骤过程中，所述方法还包括：
根据实时提取的所述对话文本数据和预设计算规则，计算提取时批处理间隔、块间隔、滑动窗口大小和滑动间隔；
根据计算结果，判断是否需要对所述批处理间隔、块间隔、滑动窗口大小和滑动间隔进行调优处理；
若需要，则根据预设调优方案，在提取过程中对所述批处理间隔、块间隔、滑动窗口大小和滑动间隔进行并行调优。
进一步的，所述采用NLP自然语言处理技术对所述对话文本数据进行量化处理，获取量化处理结果的步骤，具体包括：
采用NLP自然语言处理技术对所述对话文本数据依次进行句法解析、词性标注和分词处理；
根据词性标注和分词处理结果，并结合预设停用词表单删除所述对话文本数据中的停用词；
将删除过所述停用词之后的分词处理结果作为所述对话文本数据对应的所述量化处理结果。
进一步的，所述基于预构建的车险语义拓扑图谱对所述量化处理结果进行聚类处理，获取客户意图聚类结果的步骤，具体包括：
根据所述车险语义拓扑图谱识别出所述量化处理结果中的关键词，其中，所述车险语义拓扑图谱中预先设置了表征车险不同维度特征的关键词，包括车险相关险种名称、险种编码、车险业务相关部门、部门编码、业务常用短语；
采用TF-IDF词频度量法对所述关键词进行词频计算，根据词频计算结果获取不同关键词分别在所述通话客户进行人机对话过程中出现的频率；
并根据所述频率对所述不同关键词进行排序处理，将排序处理结果作为聚类处理结果；
参照预设关键词与客户意图对照表单，获取所述聚类处理结果对应的客户意图聚类结果。
进一步的，所述采用TF-IDF词频度量法对所述关键词进行词频计算，根据词频计算结果获取不同关键词分别在所述通话客户进行人机对话过程中出现的频率的步骤，具体包括：
获取所述通话客户的联系方式，并根据所述通话客户的联系方式，从预设对话文本数据库中获取所述通话客户对应的历史对话文本数据，其中，所述对话文本数据库中缓存有所述通话客户每一次进行人机对话后的所述量化处理结果；
根据预设词频度量公式:TFIDFi＝Fi*DFi，获取不同关键词分别在所述通话客户进行人机对话过程中出现的频率，其中，TFi表示关键词i在当前文档中出现的频率值，IDFi表示关键词i对应的逆向文件频率。
进一步的，所述根据所述客户意图聚类结果和预设筛选规则，识别所述通话客户的对话意图的步骤，具体包括：
根据预设筛选规则，筛选出在所述通话客户进行人机对话过程中出现的频率排名前N位的关键词；
获取所述排名前N位的关键词对应的客户意图聚类结果作为所述通话客户的对话意图。
为了解决上述技术问题，本申请实施例还提供一种基于NLP的车险业务回话线索推荐装置，采用了如下所述的技术方案：
一种基于NLP的车险业务回话线索推荐装置，包括：
录音识别模块，用于根据ASR技术识别AI语音机器人与通话客户间的人机对话录音；
文本数据获取模块，用于通过ASR识别技术，对所述人机对话录音进行转文字处理，并实时动态获取所述人机对话录音对应的对话文本数据；
量化处理模块，用于采用NLP自然语言处理技术对所述对话文本数据进行量化处理，获取量化处理结果；
聚类处理模块，用于基于预构建的车险语义拓扑图谱对所述量化处理结果进行聚类处理，获取客户意图聚类结果；
对话意图识别模块，用于根据所述客户意图聚类结果和预设筛选规则，识别所述通话客户的对话意图；
回话线索推荐模块，用于根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述所述的基于NLP的车险业务回话线索推荐方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的基于NLP的车险业务回话线索推荐方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例所述基于NLP的车险业务回话线索推荐方法，通过识别人机对话录音；进行转文字处理，实时动态获取对话文本数据；采用NLP自然语言处理对话文本数据；获取客户意图聚类结果；识别通话客户的对话意图；根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐。本申请采用ASR+kafka+动态数据流获取框架+NLP的方式，实现了人工客服在转接被AI语音服务助手服务过的客户时，面对冗长的AI智能外呼数据记录，能快速定位通话客户的对话意图，提高人工坐席的工作效率，保证了客户的良好通话体验。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于NLP的车险业务回话线索推荐方法的一个实施例的流程图；
图3是图2所示步骤203的一种具体实施例的流程图；
图4是图2所示步骤204的一种具体实施例的流程图；
图5是图4所示步骤402的一种具体实施例的流程图；
图6根据本申请的基于NLP的车险业务回话线索推荐装置的一个实施例的结构示意图；
图7根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于NLP的车险业务回话线索推荐方法一般由服务器/终端设备执行，相应地，基于NLP的车险业务回话线索推荐装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于NLP的车险业务回话线索推荐方法的一个实施例的流程图。所述的基于NLP的车险业务回话线索推荐方法，包括以下步骤：
步骤201，根据ASR技术识别AI语音机器人与通话客户间的人机对话录音。
本实施例中ASR(Automatic SpeechRecognition)指自动语音识别技术，是一种将人的语音转换为文本的技术。
步骤202，通过ASR识别技术，对所述人机对话录音进行转文字处理，并实时动态获取所述人机对话录音对应的对话文本数据。
本实施例中，所述实时动态获取所述人机对话录音对应的对话文本数据的步骤，具体包括：通过kafka消息中间件实时获取所述人机对话录音对应的对话文本数据；采用Apache Spark Streaming技术提取所述kafka消息中间件内的所述对话文本数据，其中，所述Apache Spark Streaming为一种动态数据流批处理框架。
通过kafka消息中间件和Apache Spark Streaming动态数据流批处理框架的架构模式，实现对对话文本数据的实时动态获取，其中，kafka消息中间件起到对对话文本数据进行软缓存的作用，Apache Spark Streaming动态数据流批处理框架直接从kafka消息中间件获取到软缓存的对话文本数据，其中，所述软缓存指的是非数据库缓存方式，采用软缓存的方式，节省了数据库空间，避免了数据库中数据量过多。
本实施例中，在执行所述采用Apache Spark Streaming技术提取所述kafka消息中间件内的所述对话文本数据的步骤过程中，所述方法还包括：根据实时提取的所述对话文本数据和预设计算规则，计算提取时批处理间隔、块间隔、滑动窗口大小和滑动间隔；根据计算结果，判断是否需要对所述批处理间隔、块间隔、滑动窗口大小和滑动间隔进行调优处理；若需要，则根据预设调优方案，在提取过程中对所述批处理间隔、块间隔、滑动窗口大小和滑动间隔进行并行调优。
通过在使用Apache Spark Streaming动态数据流批处理框架直接从kafka消息中间件获取到软缓存的对话文本数据的过程中，结合获取到的对话文本数据，计算提取时批处理间隔、块间隔、滑动窗口大小和滑动间隔，对所述提取时批处理间隔、块间隔、滑动窗口大小和滑动间隔进行并行调优，保证了为实时获取对话文本数据动态提供合理的获取契机，避免了获取速度过慢，导致获取延迟，或者获取速度过快，导致获取堵塞，充分结合了Apache Spark Streaming动态数据流批处理框架的性能，保证了获取对话文本数据时的合理性。
步骤203，采用NLP自然语言处理技术对所述对话文本数据进行量化处理，获取量化处理结果。
继续参考图3，图3是图2所示步骤203的一种具体实施例的流程图，包括步骤：
步骤301，采用NLP自然语言处理技术对所述对话文本数据依次进行句法解析、词性标注和分词处理；
步骤302，根据词性标注和分词处理结果，并结合预设停用词表单删除所述对话文本数据中的停用词；
本实施例中，预设停用词表单中预先包含了常用的语气助词，例如“的”，常用的人称代词，如“你”、“我”、“他”、“我们”、“他们”等。
步骤303，将删除过所述停用词之后的分词处理结果作为所述对话文本数据对应的所述量化处理结果。
通过对对话文本数据依次进行句法解析、词性标注和分词处理，然后删除停用词，删除对识别对话意图无用的文本数据，保留具备对话意图的对话文本数据，一定程度上减少了对话文本数据的数据量，在后期入库保存和分析时，同时节省了保存空间和降低了分析复杂度。
步骤204，基于预构建的车险语义拓扑图谱对所述量化处理结果进行聚类处理，获取客户意图聚类结果。
继续参考图4，图4是图2所示步骤204的一种具体实施例的流程图，包括步骤：
步骤401，根据所述车险语义拓扑图谱识别出所述量化处理结果中的关键词，其中，所述车险语义拓扑图谱中预先设置了表征车险不同维度特征的关键词，包括车险相关险种名称、险种编码、车险业务相关部门、部门编码、业务常用短语；
本实施例中，所述车险语义拓扑图谱中预先设置了表征车险不同维度特征的关键词，包括车险相关险种名称、险种编码、车险业务相关部门、部门编码、业务常用短语，所述车险相关险种名称例如车险中的交强险、商业险和三者险，所述险种编码指的是程序开发人员为区别不同险种所设定的不同险种编号或险种变量名称，所述车险业务相关部门例如车险理赔部门、车险续保部门、车险销售部门等，所述部门编码指的是程序开发人员为区别不同部门所设定的不同部门编号或部门变量名称，所述业务常用短语例如理赔、投保、续保等。
步骤402，采用TF-IDF词频度量法对所述关键词进行词频计算，根据词频计算结果获取不同关键词分别在所述通话客户进行人机对话过程中出现的频率；
继续参考图5，图5是图4所示步骤402的一种具体实施例的流程图，包括步骤：
步骤501，获取所述通话客户的联系方式，并根据所述通话客户的联系方式，从预设对话文本数据库中获取所述通话客户对应的历史对话文本数据，其中，所述对话文本数据库中缓存有所述通话客户每一次进行人机对话后的所述量化处理结果；
步骤502，根据预设词频度量公式:TFIDFi＝Fi*DFi，获取不同关键词分别在所述通话客户进行人机对话过程中出现的频率，其中，TFi表示关键词i在当前文档中出现的频率值，IDFi表示关键词i对应的逆向文件频率。
本实施例中，
Figure BDA0003987139930000111
其中，ni.j表示关键词i在当前文档j中的出现次数，∑ini,j表示所有关键词出现的次数总和，/>
Figure BDA0003987139930000112
其中，|d|表示当前对话文本加上历史对话文本的文本总数量，|{:ti∈dj}表示当前对话文本和历史对话文本中包含关键词ti的文件总数，加1为了避免分母为零。
通过结合通话客户的历史对话文本数据，获取不同关键词在所有对话文本中出现的词频，从而预测通话客户本次通话的对话意图，避免了单一对话文本数据无法准确预测客户对话意图，使得预测结果更加有据可依，科学合理。
步骤403，并根据所述频率对所述不同关键词进行排序处理，将排序处理结果作为聚类处理结果；
步骤404，参照预设关键词与客户意图对照表单，获取所述聚类处理结果对应的客户意图聚类结果。
本实施例中，预先设置关键词与客户意图对照表单，其中，所述关键词与客户意图对照表单中意图类包括询问类意图、同意类意图、确认车辆信息类意图、保费信息类意图、险种相关类意图、询问到期时间类意图、支付意向类意图、询问去年信息类意图、比价类意图和询问优惠类意图，每一种意图预先设置有一个或多个对应的关键词。
通过关键词与客户意图对照表单，便于结合聚类处理结果中的关键词有效识别通话客户的对话意图。
步骤205，根据所述客户意图聚类结果和预设筛选规则，识别所述通话客户的对话意图。
本实施例中，所述根据所述客户意图聚类结果和预设筛选规则，识别所述通话客户的对话意图的步骤，具体包括：根据预设筛选规则，筛选出在所述通话客户进行人机对话过程中出现的频率排名前N位的关键词；获取所述排名前N位的关键词对应的客户意图聚类结果作为所述通话客户的对话意图。
步骤206，根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐。
本实施例中，在执行所述根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐的步骤之后，所述方法还包括：根据所述通话客户的联系方式和所述推荐的回话线索，向所述通话客户进行回话反馈。
本实施例中，所述回话文本为预先根据不同对话意图所设置的通用性话术文本，当筛选出通话客户的对话意图后选择对应的回话文本发送给转接的人工坐席，指导人工坐席开展回话，无需再进行二次询问通话客户的对话意图，节省通话时间，提高坐席工作效率。
本申请通过识别人机对话录音；进行转文字处理，实时动态获取对话文本数据；采用NLP自然语言处理对话文本数据；获取客户意图聚类结果；识别通话客户的对话意图；根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐。本申请采用ASR+kafka+动态数据流获取框架+NLP的方式，实现了人工客服在转接被AI语音服务助手服务过的客户时，面对冗长的AI智能外呼数据记录，能快速定位通话客户的对话意图，提高人工坐席的工作效率，保证了客户的良好通话体验。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中，通过AI智能语音识别和NLP自然语音处理的方式识别通话客户的对话意图；根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐，实现了人工客服在转接被AI语音服务助手服务过的客户时，面对冗长的AI智能外呼数据记录，能快速定位通话客户的对话意图，提高人工坐席的工作效率，保证了客户的良好通话体验。
进一步参考图6，作为对上述图2所示方法的实现，本申请提供了一种基于NLP的车险业务回话线索推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例所述的基于NLP的车险业务回话线索推荐装置600包括：录音识别模块601、文本数据获取模块602、量化处理模块603、聚类处理模块604、对话意图识别模块605和回话线索推荐模块606。其中：
录音识别模块601，用于根据ASR技术识别AI语音机器人与通话客户间的人机对话录音；
文本数据获取模块602，用于通过ASR识别结果，对所述人机对话录音进行转文字处理，并实时动态获取所述人机对话录音对应的对话文本数据；
量化处理模块603，用于采用NLP自然语言处理技术对所述对话文本数据进行量化处理，获取量化处理结果；
聚类处理模块604，用于基于预构建的车险语义拓扑图谱对所述量化处理结果进行聚类处理，获取客户意图聚类结果；
对话意图识别模块605，用于根据所述客户意图聚类结果和预设筛选规则，识别所述通话客户的对话意图；
回话线索推荐模块606，用于根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐。
本申请通过识别人机对话录音；进行转文字处理，实时动态获取对话文本数据；采用NLP自然语言处理对话文本数据；获取客户意图聚类结果；识别通话客户的对话意图；根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐。本申请采用ASR+kafka+动态数据流获取框架+NLP的方式，实现了人工客服在转接被AI语音服务助手服务过的客户时，面对冗长的AI智能外呼数据记录，能快速定位通话客户的对话意图，提高人工坐席的工作效率，保证了客户的良好通话体验。
在本实施例的一些具体实施方式中，所述的基于NLP的车险业务回话线索推荐装置600还包括并行调优模块，所述并行调优模块用于在文本数据获取模块602执行所述采用Apache Spark Streaming技术提取所述kafka消息中间件内的所述对话文本数据的步骤过程中，根据实时提取的所述对话文本数据和预设计算规则，计算提取时批处理间隔、块间隔、滑动窗口大小和滑动间隔；根据计算结果，判断是否需要对所述批处理间隔、块间隔、滑动窗口大小和滑动间隔进行调优处理；若需要，则根据预设调优方案，在提取过程中对所述批处理间隔、块间隔、滑动窗口大小和滑动间隔进行并行调优。
通过并行调优模块对所述提取时批处理间隔、块间隔、滑动窗口大小和滑动间隔进行并行调优，保证了为实时获取对话文本数据动态提供合理的获取契机，避免了获取速度过慢，导致获取延迟，或者获取速度过快，导致获取堵塞，充分结合了Apache SparkStreaming动态数据流批处理框架的性能，保证了获取对话文本数据时的合理性和优选性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。
所述计算机设备7包括通过系统总线相互通信连接存储器7a、处理器7b、网络接口7c。需要指出的是，图中仅示出了具有组件7a-7c的计算机设备7，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器7a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器7a可以是所述计算机设备7的内部存储单元，例如该计算机设备7的硬盘或内存。在另一些实施例中，所述存储器7a也可以是所述计算机设备7的外部存储设备，例如该计算机设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器7a还可以既包括所述计算机设备7的内部存储单元也包括其外部存储设备。本实施例中，所述存储器7a通常用于存储安装于所述计算机设备7的操作系统和各类应用软件，例如基于NLP的车险业务回话线索推荐方法的计算机可读指令等。此外，所述存储器7a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器7b在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器7b通常用于控制所述计算机设备7的总体操作。本实施例中，所述处理器7b用于运行所述存储器7a中存储的计算机可读指令或者处理数据，例如运行所述基于NLP的车险业务回话线索推荐方法的计算机可读指令。
所述网络接口7c可包括无线网络接口或有线网络接口，该网络接口7c通常用于在所述计算机设备7与其他电子设备之间建立通信连接。
本实施例提出的计算机设备，属于金融科技技术领域。本申请通过识别人机对话录音；进行转文字处理，实时动态获取对话文本数据；采用NLP自然语言处理对话文本数据；获取客户意图聚类结果；识别通话客户的对话意图；根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐。本申请采用ASR+kafka+动态数据流获取框架+NLP的方式，实现了人工客服在转接被AI语音服务助手服务过的客户时，面对冗长的AI智能外呼数据记录，能快速定位通话客户的对话意图，提高人工坐席的工作效率，保证了客户的良好通话体验。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的基于NLP的车险业务回话线索推荐方法的步骤。
本实施例提出的计算机可读存储介质，属于金融科技技术领域。本申请通过识别人机对话录音；进行转文字处理，实时动态获取对话文本数据；采用NLP自然语言处理对话文本数据；获取客户意图聚类结果；识别通话客户的对话意图；根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐。本申请采用ASR+kafka+动态数据流获取框架+NLP的方式，实现了人工客服在转接被AI语音服务助手服务过的客户时，面对冗长的AI智能外呼数据记录，能快速定位通话客户的对话意图，提高人工坐席的工作效率，保证了客户的良好通话体验。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于NLP的车险业务回话线索推荐方法，其特征在于，包括下述步骤：
根据ASR技术识别A I语音机器人与通话客户间的人机对话录音；
通过ASR识别技术，对所述人机对话录音进行转文字处理，并实时动态获取所述人机对话录音对应的对话文本数据；
采用NLP自然语言处理技术对所述对话文本数据进行量化处理，获取量化处理结果；
基于预构建的车险语义拓扑图谱对所述量化处理结果进行聚类处理，获取客户意图聚类结果；
根据所述客户意图聚类结果和预设筛选规则，识别所述通话客户的对话意图；
根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐。
2.根据权利要求1所述的基于NLP的车险业务回话线索推荐方法，其特征在于，所述实时动态获取所述人机对话录音对应的对话文本数据的步骤，具体包括：
通过kafka消息中间件实时获取所述人机对话录音对应的对话文本数据；
所述实时动态获取所述人机对话录音对应的对话文本数据的步骤之后，还包括：
采用Apache Spark Streaming技术提取所述kafka消息中间件内的所述对话文本数据，其中，所述Apache Spark Streaming为一种动态数据流批处理框架。
3.根据权利要求2所述的基于NLP的车险业务回话线索推荐方法，其特征在于，在执行所述采用Apache Spark Streaming技术提取所述kafka消息中间件内的所述对话文本数据的步骤过程中，所述方法还包括：
根据实时提取的所述对话文本数据和预设计算规则，计算提取时批处理间隔、块间隔、滑动窗口大小和滑动间隔；
根据计算结果，判断是否需要对所述批处理间隔、块间隔、滑动窗口大小和滑动间隔进行调优处理；
若需要，则根据预设调优方案，在提取过程中对所述批处理间隔、块间隔、滑动窗口大小和滑动间隔进行并行调优。
4.根据权利要求1所述的基于NLP的车险业务回话线索推荐方法，其特征在于，所述采用NLP自然语言处理技术对所述对话文本数据进行量化处理，获取量化处理结果的步骤，具体包括：
采用NLP自然语言处理技术对所述对话文本数据依次进行句法解析、词性标注和分词处理；
根据词性标注和分词处理结果，并结合预设停用词表单删除所述对话文本数据中的停用词；
将删除过所述停用词之后的分词处理结果作为所述对话文本数据对应的所述量化处理结果。
5.根据权利要求1所述的基于NLP的车险业务回话线索推荐方法，其特征在于，所述基于预构建的车险语义拓扑图谱对所述量化处理结果进行聚类处理，获取客户意图聚类结果的步骤，具体包括：
根据所述车险语义拓扑图谱识别出所述量化处理结果中的关键词，其中，所述车险语义拓扑图谱中预先设置了表征车险不同维度特征的关键词，包括车险相关险种名称、险种编码、车险业务相关部门、部门编码、业务常用短语；
采用TF-IDF词频度量法对所述关键词进行词频计算，根据词频计算结果获取不同关键词分别在所述通话客户进行人机对话过程中出现的频率；
并根据所述频率对所述不同关键词进行排序处理，将排序处理结果作为聚类处理结果；
参照预设关键词与客户意图对照表单，获取所述聚类处理结果对应的客户意图聚类结果。
6.根据权利要求5所述的基于NLP的车险业务回话线索推荐方法，其特征在于，所述采用TF-IDF词频度量法对所述关键词进行词频计算，根据词频计算结果获取不同关键词分别在所述通话客户进行人机对话过程中出现的频率的步骤，具体包括：
获取所述通话客户的联系方式，并根据所述通话客户的联系方式，从预设对话文本数据库中获取所述通话客户对应的历史对话文本数据，其中，所述对话文本数据库中缓存有所述通话客户每一次进行人机对话后的所述量化处理结果；
根据预设词频度量公式:TFIDFi＝Fi*DFi，获取不同关键词分别在所述通话客户进行人机对话过程中出现的频率，其中，TFi表示关键词i在当前文档中出现的频率值，IDFi表示关键词i对应的逆向文件频率。
7.根据权利要求6所述的基于NLP的车险业务回话线索推荐方法，其特征在于，所述根据所述客户意图聚类结果和预设筛选规则，识别所述通话客户的对话意图的步骤，具体包括：
根据预设筛选规则，筛选出在所述通话客户进行人机对话过程中出现的频率排名前N位的关键词；
获取所述排名前N位的关键词对应的客户意图聚类结果作为所述通话客户的对话意图。
8.一种基于NLP的车险业务回话线索推荐装置，其特征在于，包括：
录音识别模块，用于根据ASR技术识别AI语音机器人与通话客户间的人机对话录音；
文本数据获取模块，用于通过ASR识别技术，对所述人机对话录音进行转文字处理，并实时动态获取所述人机对话录音对应的对话文本数据；
量化处理模块，用于采用NLP自然语言处理技术对所述对话文本数据进行量化处理，获取量化处理结果；
聚类处理模块，用于基于预构建的车险语义拓扑图谱对所述量化处理结果进行聚类处理，获取客户意图聚类结果；
对话意图识别模块，用于根据所述客户意图聚类结果和预设筛选规则，识别所述通话客户的对话意图；
回话线索推荐模块，用于根据所述对话意图筛选对应的回话文本作为推荐线索分配给当前人机对话后的下一转接坐席，完成对所述转接坐席的回话线索推荐。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于NLP的车险业务回话线索推荐方法的步骤。
10.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于NLP的车险业务回话线索推荐方法的步骤。
CN202211568726.6A 2022-12-08 2022-12-08 基于nlp的车险业务回话线索推荐方法及其相关设备 Pending CN115878768A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211568726.6A CN115878768A (zh) 2022-12-08 2022-12-08 基于nlp的车险业务回话线索推荐方法及其相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211568726.6A CN115878768A (zh) 2022-12-08 2022-12-08 基于nlp的车险业务回话线索推荐方法及其相关设备

Publications (1)

Publication Number Publication Date
CN115878768A true CN115878768A (zh) 2023-03-31

Family

ID=85766479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211568726.6A Pending CN115878768A (zh) 2022-12-08 2022-12-08 基于nlp的车险业务回话线索推荐方法及其相关设备

Country Status (1)

Country Link
CN (1) CN115878768A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116226356A (zh) * 2023-05-08 2023-06-06 深圳市拓保软件有限公司 一种基于nlp的智能客服交互方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116226356A (zh) * 2023-05-08 2023-06-06 深圳市拓保软件有限公司 一种基于nlp的智能客服交互方法及系统
CN116226356B (zh) * 2023-05-08 2023-07-04 深圳市拓保软件有限公司 一种基于nlp的智能客服交互方法及系统

Similar Documents

Publication Publication Date Title
CN111368043A (zh) 基于人工智能的事件问答方法、装置、设备及存储介质
CN107153965A (zh) 一种多终端的智能客服解决方法
CN112653798A (zh) 智能客服语音应答方法、装置、计算机设备及存储介质
CN105657129A (zh) 通话信息获取方法和装置
CN112507116A (zh) 基于客户应答语料的客户画像方法及其相关设备
CN113239204A (zh) 文本分类方法及装置、电子设备、计算机可读存储介质
CN115878768A (zh) 基于nlp的车险业务回话线索推荐方法及其相关设备
CN112417875B (zh) 配置信息的更新方法、装置、计算机设备及介质
CN114880498B (zh) 事件信息展示方法及装置、设备和介质
CN109829744A (zh) 基于自然语言处理的咨询方法、装置、电子设备及介质
CN114637831A (zh) 基于语义分析的数据查询方法及其相关设备
CN114118937A (zh) 基于任务的信息推荐方法、装置、电子设备及存储介质
CN114724561A (zh) 一种语音打断方法、装置、计算机设备及存储介质
CN114330240A (zh) Pdf文档解析方法、装置、计算机设备及存储介质
CN112632241A (zh) 智能会话的方法、装置、设备和计算机可读介质
CN108920715B (zh) 客服的智能化辅助方法、装置、服务器和存储介质
CN111556096A (zh) 信息推送方法、装置、介质及电子设备
CN110992067B (zh) 消息推送方法、装置、计算机设备及存储介质
CN113505293B (zh) 信息推送方法、装置、电子设备及存储介质
CN114610845B (zh) 基于多系统的智能问答方法、装置和设备
CN110334341B (zh) 基于数据分析的语料推荐方法、装置、介质及电子设备
CN116939111A (zh) 人机客服切换方法、装置、电子设备和存储介质
CN115756639A (zh) 数据搜索方法、装置、计算机设备及存储介质
CN118042235A (zh) 一种业务信息推送方法、装置、计算机设备和存储介质
CN116932739A (zh) 基于人工智能的数据生成方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination