CN116074446A - 基于隐性马尔可夫模型训练的话务调配方法及系统 - Google Patents

基于隐性马尔可夫模型训练的话务调配方法及系统 Download PDF

Info

Publication number
CN116074446A
CN116074446A CN202310302091.3A CN202310302091A CN116074446A CN 116074446 A CN116074446 A CN 116074446A CN 202310302091 A CN202310302091 A CN 202310302091A CN 116074446 A CN116074446 A CN 116074446A
Authority
CN
China
Prior art keywords
telephone traffic
voice data
voice
hidden markov
telephone
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.)
Granted
Application number
CN202310302091.3A
Other languages
English (en)
Other versions
CN116074446B (zh
Inventor
李玮
张莉
王政辉
李俊峰
丁毛毛
闫海峰
王秀春
信博翔
仲轩
王莹煜
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.)
State Grid Co ltd Customer Service Center
Beijing Kedong Electric Power Control System Co Ltd
Original Assignee
State Grid Co ltd Customer Service Center
Beijing Kedong Electric Power Control System Co 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 State Grid Co ltd Customer Service Center, Beijing Kedong Electric Power Control System Co Ltd filed Critical State Grid Co ltd Customer Service Center
Priority to CN202310302091.3A priority Critical patent/CN116074446B/zh
Publication of CN116074446A publication Critical patent/CN116074446A/zh
Application granted granted Critical
Publication of CN116074446B publication Critical patent/CN116074446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04M3/5232—Call distribution algorithms
    • 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
    • G10L15/08—Speech classification or search
    • G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
    • G10L15/142—Hidden Markov Models [HMMs]
    • G10L15/144—Training of HMMs
    • 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
    • G10L15/08—Speech classification or search
    • G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
    • G10L15/142—Hidden Markov Models [HMMs]
    • G10L15/148—Duration modelling in HMMs, e.g. semi HMM, segmental models or transition probabilities
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Marketing (AREA)
  • Business, Economics & Management (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明涉及基于隐性马尔可夫模型训练的话务调配方法及系统，其特征在于，包括以下步骤：S1：采集话务语音数据形成训练集，对每段语音数据中包含的话务影响因素进行特征提取；S2：对话务影响因素语音集建立隐性马尔可夫模型并进行训练，得到话务影响因素语音模型；S3：提取智能话务客服与电力客户的通话语音数据，将提取到的通话语音数据输入话务影响因素语音模型，并输出结果；S4：根据输出结果中包含的影响因素以及对应的工单类型，将话务工单自动分配到对应的部门进行工单处理。本发明所提供的基于隐性马尔可夫模型训练的话务调配方法及系统，能够通过智能话务客服，自动识别并分配分配话务工单，从而解决话务部门人力紧张的问题。

Description

基于隐性马尔可夫模型训练的话务调配方法及系统
技术领域
本发明涉及通信技术领域，具体涉及一种基于隐性马尔可夫模型训练的话务调配方法及系统。
背景技术
电网客户服务部门是接受电力客户的报修、咨询、投诉和意见的第一线，其主要工作就是接受电力客户的报修、咨询、投诉和意见，并将这些不同的工单转到相应的省市电力公司，并进行监督处理。然而，目前电力客户数量众多，对于话务的要求也越来越高，因此，电网人工客户服务的工作量也是越来越大。
同时，在极端天气影响的情况下，电网负荷会迅速增长，而对应的电网客户服务热线往往会迎来话务量的高峰期，现有的人工客户服务在面对增长如此迅速，数量如此庞大的话务量时，往往就没有办法做到个性化、精准化的服务，工单的分析、派发以及处理也难免会有积压，从而导致电力客户为了尽快恢复用电又反复进行电力热线的拨打，这样就会造成在电力话务量不断增大的同时，电力客户的需求无法得到快速的满足，进而又加剧了电力话务量增大的恶性循环。因此，在实际中，如何使电力话务工单得到快速调配与解决，是我们面临的一个十分重要的问题。
发明内容
本发明提供的基于隐性马尔可夫模型训练的话务调配方法及系统，能够解决上述过程中的技术问题。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供了基于隐性马尔可夫模型训练的话务调配方法，包括以下步骤：
S1：采集话务语音数据形成训练集，对每段语音数据中包含的话务影响因素进行特征提取；
S2：对话务影响因素语音集建立隐性马尔可夫模型并进行训练，得到话务影响因素语音模型；
S3：提取智能话务客服与电力客户的通话语音数据，将提取到的通话语音数据输入话务影响因素语音模型，并输出结果；
S4：根据输出结果中包含的影响因素以及对应的工单类型，将话务工单自动分配到对应的部门进行工单处理。
在一些实施例中，所述步骤S1中“对每段语音数据中包含的话务影响因素进行特征提取”包括：
S11：对语音数据进行拼音解析处理，得到初步拼音序列；
S12：利用标准普通话对初步拼音序列进行匹配修正，并提取包含有话务影响因素的语段；
S13：将所有包含话务影响因素的语段进行存储，形成话务影响因素语音集。
在一些实施例中，所述步骤S12包括：
S121：利用标准普通话对初步拼音序列进行匹配修正，并将修正后的拼音序列转写为文本内容；
S122：截取与文本内容中话务影响因素字段相对应的语音数据，并将截取到的语音数据作为包含有话务影响因素的语段。
在一些实施例中，所述步骤S2包括：
S21：将话务影响因素语音集中的话务影响因素作为状态序列，工单类型作为观测序列，建立隐性马尔可夫模型；
S22：通过计数统计，计算话务影响因素语音集中的各话务影响因素的初始状态概率分布以及工单类型的观测概率分布。
在一些实施例中，所述步骤S3包括：
S31：智能话务客服接通电力客户的通话，并采集通话语音数据；
S32：将采集到的通话语音数据输入话务影响因素语音模型；
S33：输出结果，得到当前通话语音数据所对应的话务影响因素以及话务影响因素对应的工单类型。
第二方面，本发明提供了基于隐性马尔可夫模型训练的话务调配系统，包括，
话务采集模块，用于采集话务语音数据形成训练集，对每段语音数据中包含的话务影响因素进行特征提取；
模型建立模块，用于对话务影响因素语音集建立隐性马尔可夫模型并进行训练，得到话务影响因素语音模型；
结果输出模块，用于将提取智能话务客服与电力客户的通话语音数据，将提取到的通话语音数据输入话务影响因素语音模型，并输出结果；
工单调配模块，用于根据输出结果中包含的影响因素以及对应的工单类型，将话务工单自动分配到对应的部门进行工单处理。
在一些实施例中，所述话务采集模块包括：
语音解析子模块，用于对语音数据进行拼音解析处理，得到初步拼音序列；
语音修正子模块，用于利用标准普通话对初步拼音序列进行匹配修正，并提取包含有话务影响因素的语段；
语音集生成子模块，用于将所有包含话务影响因素的语段进行存储，形成话务影响因素语音集。
在一些实施例中，所述语音修正子模块包括：
文本转换单元，用于利用标准普通话对初步拼音序列进行匹配修正，并将修正后的拼音序列转写为文本内容；
语段截取单元，用于截取与文本内容中话务影响因素字段相对应的语音数据，并将截取到的语音数据作为包含有话务影响因素的语段。
在一些实施例中，所述模型建立模块包括：
隐性马尔可夫转换子模块，将话务影响因素语音集中的话务影响因素作为状态序列，工单类型作为观测序列，建立隐性马尔可夫模型；
概率计算子模块，用于通过计数统计，计算话务影响因素语音集中的各话务影响因素的初始状态概率分布以及工单类型的观测概率分布。
在一些实施例中，所述结果输出模块包括：
智能通话子模块，用于智能话务客服接通电力客户的通话，并采集通话语音数据；
语音输入子模块，用于将采集到的通话语音数据输入话务影响因素语音模型；
结果输出子模块，用于根据输出结果，得到当前通话语音数据所对应的话务影响因素。
本申请的有益效果是：
本申请提供基于隐性马尔可夫模型训练的话务调配方法及系统，能够将历史话务语音数据形成一个训练集，同时对语音数据中的话务影响因素进行提取，并通过标准普通话的修正，从而生成一个话务影响因素的语段集合，该集合表示了语音数据与话务影响因素之间的对应关系，且不受方言影响，同时，通过隐性马尔可夫模型，能够获取当前话务中包含的话务影响因素进而根据该影响因素获取当前话务所对应的工单类型，进而将该话务分配到能够解决该工单类型的部门。因此，本方案能够通过智能话务客服，自动分配话务工单，从而解决话务部门人力紧张的问题。
附图说明
图1为本申请的基于隐性马尔可夫模型训练的话务调配方法流程图；
图2为本申请步骤S1的子流程图；
图3为本申请步骤S12的子流程图；
图4为本申请步骤S2的子流程图；
图5为本申请步骤S3的子流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开，而非对本申请的限定。基于所描述的本申请的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
图1为本申请的基于隐性马尔可夫模型训练的话务调配方法流程图。
基于隐性马尔可夫模型训练的话务调配方法，结合图1，包括以下步骤：
S1：采集话务语音数据形成训练集，对每段语音数据中包含的话务影响因素进行特征提取；
具体的，话务语音数据可以从电网的历史话务数据中采集，话务影响因素对应了该话务中电力客户需要解决的工单类型，包括服务投诉、停电送电投诉、供电质量、电网建设、电力施工、各类举报等类型，当获取了电力客户话务语音中的话务影响因素，就能够根据该因素对应的工单类型，将该话务调配到对应的部门进行具体问题的解决。
在一些实施例中，结合图2，即本方案步骤S1的子流程图，所述步骤S1包括：
S11：对语音数据进行拼音解析处理，得到初步拼音序列；
S12：利用标准普通话对初步拼音序列进行匹配修正，并提取包含有话务影响因素的语段；
在一些实施例中，结合图3，即本方案步骤S12的子流程图，所述步骤S12包括：
S121：利用标准普通话对初步拼音序列进行匹配修正，并将修正后的拼音序列转写为文本内容；
S122：截取与文本内容中话务影响因素字段相对应的语音数据，并将截取到的语音数据作为包含有话务影响因素的语段
S13：将所有包含话务影响因素的语段进行存储，形成话务影响因素语音集。
具体的，电力客户可能是不同类型的人群，因此在通话时不一定采用标准普通话，那么只根据普通话匹配来获取话务语音数据中的话务影响因素是不现实的，为了能够对方言进行识别，可以采取对语音数据进行拼音解析处理，从而得到话务语音数据的初步拼音序列，而初步拼音序列肯定是不完全准确的，需要再引入话务影响因素的标准普通话语音，对初步拼音序列进行匹配修正，从而使修正后的拼音序列在转写为文本内容后，能够与真正的话务影响因素匹配，而这些匹配的语音数据段，可以保存起来作为一个话务影响因素语音集，在遇到话务中包含了话务影响因素语音集中语音内容时，就能够将这些话务影响因素标识出来。
S2：对话务影响因素语音集建立隐性马尔可夫模型并进行训练，得到话务影响因素语音模型；
在一些实施例中，结合图4，即本方案步骤S2的子流程图，所述步骤S2包括：
所述步骤S2包括：
S21：将话务影响因素语音集中的话务影响因素作为状态序列，工单类型作为观测序列，建立隐性马尔可夫模型；
S22：通过计数统计，计算话务影响因素语音集中的各话务影响因素的初始状态概率分布以及工单类型的观测概率分布。
具体的，隐性马尔可夫模型是用于序列标注的概率图模型，描述一个隐藏的马尔科夫链生成不可观测的状态序列，再由每个状态生成一个观测而产生一个观测序列的过程，是一个生成模型。在本方案中，对于已经进行标准普通话修正的话务影响因素语音集可能仍然不能百分之百匹配到准确的话务影响因素，那么将话务影响因素语音集中的话务影响因素作为状态序列，工单类型作为观测序列，建立隐性马尔可夫模型，由于话务工单类型是固定的，可以通过计数统计，计算话务影响因素语音集中的各话务影响因素的初始状态概率分布以及工单类型的观测概率分布，并选取概率分布最大的工单类型作为该话务的工单类型。
S3：提取智能话务客服与电力客户的通话语音数据，将提取到的通话语音数据输入话务影响因素语音模型，并输出结果；
在一些实施例中，结合图5，即本方案步骤S3的子流程图，S31：智能话务客服接通电力客户的通话，并采集通话语音数据；
S32：将采集到的通话语音数据输入话务影响因素语音模型；
S33：输出结果，得到当前通话语音数据所对应的话务影响因素以及话务影响因素对应的工单类型。
具体的，本方案中，引入了智能话务客服，利用智能话务客服，与电力客户进行通话，并采集通话语音数据，这样就能够利用智能话务客服的优势，极大地解放了人工客服的人力资源。在提取到第一手的通话语音数据后，即可将通话语音数据输入话务影响因素语音模型进行匹配，通过匹配得到对应的话务影响因素以及话务影响因素对应的工单类型。
S4：根据输出结果中包含的影响因素以及对应的工单类型，将话务工单自动分配到对应的部门进行工单处理；
具体的，当获取了电力客户的通话语音数据所对应的话务影响因素以及话务影响因素对应的工单类型之后，即可根据工单类型，将该话务调配到该工单类型所对应的工单处理部门进行后续的对话以及工单处理，从而能够保证每一个话务都能够被分配到电力客户最想要对话的部门，并快速解决问题。
本发明第二方面还提供了基于隐性马尔可夫模型训练的话务调配系统，包括：
话务采集模块，用于采集话务语音数据形成训练集，对每段语音数据中包含的话务影响因素进行特征提取；
模型建立模块，用于对话务影响因素语音集建立隐性马尔可夫模型并进行训练，得到话务影响因素语音模型；
结果输出模块，用于将提取智能话务客服与电力客户的通话语音数据，将提取到的通话语音数据输入话务影响因素语音模型，并输出结果；
工单调配模块，用于根据输出结果中包含的影响因素以及对应的工单类型，将话务工单自动分配到对应的部门进行工单处理。
在一些实施例中，所述话务采集模块包括：
语音解析子模块，用于对语音数据进行拼音解析处理，得到初步拼音序列；
语音修正子模块，用于利用标准普通话对初步拼音序列进行匹配修正，并提取包含有话务影响因素的语段；
语音集生成子模块，用于将所有包含话务影响因素的语段进行存储，形成话务影响因素语音集。
在一些实施例中，所述语音修正子模块包括：
文本转换单元，用于利用标准普通话对初步拼音序列进行匹配修正，并将修正后的拼音序列转写为文本内容；
语段截取单元，用于截取与文本内容中话务影响因素字段相对应的语音数据，并将截取到的语音数据作为包含有话务影响因素的语段。
在一些实施例中，所述模型建立模块包括：
隐性马尔可夫转换子模块，将话务影响因素语音集中的话务影响因素作为状态序列，工单类型作为观测序列，建立隐性马尔可夫模型；
概率计算子模块，用于通过计数统计，计算话务影响因素语音集中的各话务影响因素的初始状态概率分布以及工单类型的观测概率分布。
在一些实施例中，所述结果输出模块包括：
智能通话子模块，用于智能话务客服接通电力客户的通话，并采集通话语音数据；
语音输入子模块，用于将采集到的通话语音数据输入话务影响因素语音模型；
结果输出子模块，用于根据输出结果，得到当前通话语音数据所对应的话务影响因素。
本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。
本领域的技术人员能够理解，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
虽然结合附图描述了本申请的实施方式，但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.基于隐性马尔可夫模型训练的话务调配方法，其特征在于，包括以下步骤：
S1：采集话务语音数据形成训练集，对每段语音数据中包含的话务影响因素进行特征提取；
S2：对话务影响因素语音集建立隐性马尔可夫模型并进行训练，得到话务影响因素语音模型；
S3：提取智能话务客服与电力客户的通话语音数据，将提取到的通话语音数据输入话务影响因素语音模型，并输出结果；
S4：根据输出结果中包含的影响因素以及对应的工单类型，将话务工单自动分配到对应的部门进行工单处理。
2.根据权利要求1所述的基于隐性马尔可夫模型训练的话务调配方法，其特征在于，所述步骤S1中“对每段语音数据中包含的话务影响因素进行特征提取”包括：
S11：对语音数据进行拼音解析处理，得到初步拼音序列；
S12：利用标准普通话对初步拼音序列进行匹配修正，并提取包含有话务影响因素的语段；
S13：将所有包含话务影响因素的语段进行存储，形成话务影响因素语音集。
3.根据权利要求2所述的基于隐性马尔可夫模型训练的话务调配方法，其特征在于，所述步骤S12包括：
S121：利用标准普通话对初步拼音序列进行匹配修正，并将修正后的拼音序列转写为文本内容；
S122：截取与文本内容中话务影响因素字段相对应的语音数据，并将截取到的语音数据作为包含有话务影响因素的语段。
4.根据权利要求1所述的基于隐性马尔可夫模型训练的话务调配方法，其特征在于，所述步骤S2包括：
S21：将话务影响因素语音集中的话务影响因素作为状态序列，工单类型作为观测序列，建立隐性马尔可夫模型；
S22：通过计数统计，计算话务影响因素语音集中的各话务影响因素的初始状态概率分布以及工单类型的观测概率分布。
5.根据权利要求1所述的基于隐性马尔可夫模型训练的话务调配方法，其特征在于，所述步骤S3包括：
S31：智能话务客服接通电力客户的通话，并采集通话语音数据；
S32：将采集到的通话语音数据输入话务影响因素语音模型；
S33：输出结果，得到当前通话语音数据所对应的话务影响因素以及话务影响因素对应的工单类型。
6.基于隐性马尔可夫模型训练的话务调配系统，其特征在于，包括：
话务采集模块，用于采集话务语音数据形成训练集，对每段语音数据中包含的话务影响因素进行特征提取；
模型建立模块，用于对话务影响因素语音集建立隐性马尔可夫模型并进行训练，得到话务影响因素语音模型；
结果输出模块，用于将提取智能话务客服与电力客户的通话语音数据，将提取到的通话语音数据输入话务影响因素语音模型，并输出结果；
工单调配模块，用于根据输出结果中包含的影响因素以及对应的工单类型，将话务工单自动分配到对应的部门进行工单处理。
7.根据权利要求6所述的基于隐性马尔可夫模型训练的话务调配系统，其特征在于，所述话务采集模块包括：
语音解析子模块，用于对语音数据进行拼音解析处理，得到初步拼音序列；
语音修正子模块，用于利用标准普通话对初步拼音序列进行匹配修正，并提取包含有话务影响因素的语段；
语音集生成子模块，用于将所有包含话务影响因素的语段进行存储，形成话务影响因素语音集。
8.根据权利要求7所述的基于隐性马尔可夫模型训练的话务调配系统，其特征在于，所述语音修正子模块包括：
文本转换单元，用于利用标准普通话对初步拼音序列进行匹配修正，并将修正后的拼音序列转写为文本内容；
语段截取单元，用于截取与文本内容中话务影响因素字段相对应的语音数据，并将截取到的语音数据作为包含有话务影响因素的语段。
9.根据权利要求6所述的基于隐性马尔可夫模型训练的话务调配系统，其特征在于，所述模型建立模块包括：
隐性马尔可夫转换子模块，将话务影响因素语音集中的话务影响因素作为状态序列，工单类型作为观测序列，建立隐性马尔可夫模型；
概率计算子模块，用于通过计数统计，计算话务影响因素语音集中的各话务影响因素的初始状态概率分布以及工单类型的观测概率分布。
10.根据权利要求6所述的基于隐性马尔可夫模型训练的话务调配系统，其特征在于，所述结果输出模块包括：
智能通话子模块，用于智能话务客服接通电力客户的通话，并采集通话语音数据；
语音输入子模块，用于将采集到的通话语音数据输入话务影响因素语音模型；
结果输出子模块，用于根据输出结果，得到当前通话语音数据所对应的话务影响因素。
CN202310302091.3A 2023-03-27 2023-03-27 基于隐性马尔可夫模型训练的话务调配方法及系统 Active CN116074446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310302091.3A CN116074446B (zh) 2023-03-27 2023-03-27 基于隐性马尔可夫模型训练的话务调配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310302091.3A CN116074446B (zh) 2023-03-27 2023-03-27 基于隐性马尔可夫模型训练的话务调配方法及系统

Publications (2)

Publication Number Publication Date
CN116074446A true CN116074446A (zh) 2023-05-05
CN116074446B CN116074446B (zh) 2023-12-01

Family

ID=86175278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310302091.3A Active CN116074446B (zh) 2023-03-27 2023-03-27 基于隐性马尔可夫模型训练的话务调配方法及系统

Country Status (1)

Country Link
CN (1) CN116074446B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063217A (zh) * 2018-10-29 2018-12-21 广州供电局有限公司 电力营销系统中的工单分类方法、装置及其相关设备
CN109147768A (zh) * 2018-09-13 2019-01-04 云南电网有限责任公司 一种基于深度学习的语音识别方法及系统
US20200219486A1 (en) * 2019-01-08 2020-07-09 Baidu Online Network Technology (Beijing) Co., Ltd. Methods, devices and computer-readable storage media for real-time speech recognition
CN113343711A (zh) * 2021-06-29 2021-09-03 南方电网数字电网研究院有限公司 工单生成方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109147768A (zh) * 2018-09-13 2019-01-04 云南电网有限责任公司 一种基于深度学习的语音识别方法及系统
CN109063217A (zh) * 2018-10-29 2018-12-21 广州供电局有限公司 电力营销系统中的工单分类方法、装置及其相关设备
US20200219486A1 (en) * 2019-01-08 2020-07-09 Baidu Online Network Technology (Beijing) Co., Ltd. Methods, devices and computer-readable storage media for real-time speech recognition
CN113343711A (zh) * 2021-06-29 2021-09-03 南方电网数字电网研究院有限公司 工单生成方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116074446B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN104125349A (zh) 一种基于话务预测的语音交互管理方法及其系统
CN115619134B (zh) 基于工程服务的技工平台构建方法及系统
CN106789347B (zh) 一种基于告警数据实现告警关联和网络故障诊断的方法
CN111091272B (zh) 一种基于区块链的微电网电力调度系统
CN109753654A (zh) 一种基于专用软件及算法实现工作流快速生成派发的方法
CN106484687A (zh) 一种基于移动互联网的在线翻译系统及其方法
CN116074446B (zh) 基于隐性马尔可夫模型训练的话务调配方法及系统
CN114254770A (zh) 工单生成方法、装置、设备及存储介质
CN108550026B (zh) 一种拖欠工资监督方法
CN111478779A (zh) 不限量套餐的确定方法、装置及计算设备
CN114418449B (zh) 物业管理工单自动派单方法及装置
CN112929502B (zh) 一种基于电力客服的语音识别方法及系统
CN114912839A (zh) 工单并发调度方法、装置、设备及存储介质
CN113723665A (zh) 一种呼叫中心话务预测方法以及具有该方法的设备及装置
CN114782055A (zh) 一种电力营销便携式全方位操作台
CN106375977A (zh) 一种通信小区收入的计算方法和装置及服务器
CN109359825B (zh) 银行数字化运营产品价值分析方法
CN113284497A (zh) 一种向客户进行催收的方法、装置以及智能催收系统
CN114884095B (zh) 一种光伏返送导致的配网线路年最大电流分析方法和系统
Houngbonon et al. Drivers of Digital Connectivity in Sub-Saharan Africa: The Role of Access to Electricity
CN112509575B (zh) 一种基于大数据的财务咨询智能引导系统
CN106851607A (zh) 呼叫中心计费方法和系统
CN108364248B (zh) 供电服务综合信息管理系统
CN115967654B (zh) 业务数据的稽核方法、装置、电子设备和存储介质
CN105208229B (zh) 一种文本信息的处理方法及系统

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
GR01 Patent grant
GR01 Patent grant