CN116246632A - 外呼话术指导方法及装置 - Google Patents
外呼话术指导方法及装置 Download PDFInfo
- Publication number
- CN116246632A CN116246632A CN202310104194.9A CN202310104194A CN116246632A CN 116246632 A CN116246632 A CN 116246632A CN 202310104194 A CN202310104194 A CN 202310104194A CN 116246632 A CN116246632 A CN 116246632A
- Authority
- CN
- China
- Prior art keywords
- client
- service
- customer
- text data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000013598 vector Substances 0.000 claims abstract description 91
- 230000008451 emotion Effects 0.000 claims abstract description 85
- 238000000605 extraction Methods 0.000 claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 238000001356 surgical procedure Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 206010063659 Aversion Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 206010049976 Impatience Diseases 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010048909 Boredom Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/04—Training, enrolment or model building
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Hospice & Palliative Care (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请提供了一种外呼话术指导方法及装置,可用于人工智能领域或其他领域,该方法包括:迭代执行如下操作,直至遍历所有业务目标或通话结束:接收客户实时语音数据并转化为客户文本数据;并使用第一语义槽进行匹配,得到客户情绪分析数据;将当前推荐业务、客户文本数据和客户情绪分析数据输入综合特征提取模型,得到综合特征向量;并输入预建立的话术预测模型,得到各客户意图的匹配概率,选取匹配概率最大的客户意图对应的话术集合进行话术提示;若当前推荐业务的迭代次数大于最大迭代次数,则选取下一优先级的目标业务替换当前推荐业务。实现了对工作人员话术的提示,降低了工作人员的工作复杂度,提升了客户体验,提高了业务效率。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种外呼话术指导方法及装置。
背景技术
银行进行外呼工作时,客户经理需要在不同的时间向不同的用户推荐多种产品,涉及的话术繁冗复杂,且一次外呼的谈话时间往往较为仓促,客户经理需要在客户环境、状态未知的情况下,根据客户话语、状态和思维迅速做出反应,选择合适的话术进行应答,这对客户经理有较高的要求。但实际情况中,客户经理的业务水平参差不齐,普遍存在外呼效果不好的问题。此外,还时常会出现客户语言不友好的问题,严重打击了客户经理外呼工作的积极性。
发明内容
针对现有技术中存在的问题,本申请提供一种外呼话术指导方法及装置,能够至少部分地解决现有技术中存在的问题。
第一方面,本申请提供一种外呼话术指导方法,包括:
从预设的分级业务目标中选取优先级最高的目标业务,作为当前推荐业务,迭代执行如下操作,直至遍历所有分级的业务目标或通话结束:
接收客户实时语音数据,将所述客户实时语音数据转化为客户文本数据;
使用预设的第一语义槽对所述客户文本数据进行匹配,得到客户情绪分析数据;
将所述当前推荐业务、所述客户文本数据和所述客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量;
将所述综合特征向量输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取所述匹配概率最大的客户意图对应的话术集合进行话术提示;
将所述当前推荐业务的迭代次数加一,判断所述当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则从所述分级业务目标中选取下一优先级的目标业务替换所述当前推荐业务。
其中,所述综合特征提取模型包括文本编码层和特征提取网络;所述将所述当前推荐业务、所述客户文本数据和所述客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量,包括:
将所述客户文本数据输入所述文本编码层,得到客户文本向量;
将所述客户文本向量、所述当前推荐业务和所述客户情绪分析数据进行拼接,得到拼接向量;
将所述拼接向量输入所述特征提取网络,得到综合特征向量。
其中,所述将所述当前推荐业务、所述客户文本数据和所述客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量前,还包括:
判断是否接收到当前推荐业务的完成信号;若判断结果为是,则从所述分级业务目标中选取下一优先级的目标业务替换所述当前推荐业务,并接收客户新的客户实时语音数据。
其中,所述迭代执行如下操作,直至遍历所有分级的业务目标或通话结束后还包括:
根据接收到推荐业务完成信号的次数和各当前推荐业务的迭代次数计算任务评分。
其中,还包括:
将历史客户语音数据转化为历史客户文本数据,使用预设的第二语义槽对所述历史客户文本数据进行匹配,获得每条历史客户文本数据对应的客户意图;
获取客户意图相同的历史客户文本数据对应的回答话术,从回答话术中提取业务推荐成功时使用的回答话术,得到对应客户意图的提示话术集合;
将所述历史客户文本数据划分为训练集和验证集,以Adam为优化器,以所述客户意图为标签,对所述综合特征提取模型和所述话术预测模型进行训练。
其中,还包括:
接收客户文本数据对应的回复语音数据,将所述回复语音数据转化为回复文本数据;
计算所述回复文本数据与对应话术集合中各回答话术的相似度;
判断所述相似度是否均小于预设的阈值;若判断结果为是且所述当前推荐业务被完成,则使用预设的语义槽对所述客户文本数据进行匹配,重新计算所述客户文本数据的客户意图,将所述回复文本数据添加到所述客户意图对应的话术集合中;
定期使用客户文本数据对所述综合特征提取模型和所述话术预测模型进行再次训练。
第二方面,本申请提供一种外呼话术指导装置,包括:
迭代操作单元,用于从预设的分级业务目标中选取优先级最高的目标业务,作为当前推荐业务,迭代使用如下单元完成操作,直至遍历所有分级的业务目标或通话结束:
客户语音文本转换单元,用于接收客户实时语音数据,将所述客户实时语音数据转化为客户文本数据;
情绪分析单元,用于使用预设的第一语义槽对所述客户文本数据进行匹配,得到客户情绪分析数据;
综合特征提取单元,用于将所述当前推荐业务、所述客户文本数据和所述客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量;
话术提示单元,用于将所述综合特征向量输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取所述匹配概率最大的客户意图对应的话术集合进行话术提示;
当前推荐业务切换单元,用于将所述当前推荐业务的迭代次数加一,判断所述当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则从所述分级业务目标中选取下一优先级的目标业务替换所述当前推荐业务。
第三方面,本申请提供一种计算机电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例所述的方法。
第四方面,本申请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程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法。
第五方面,本申请提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法。
本申请提供的外呼话术指导方法及装置,通过迭代执行如下操作,直至遍历所有分级的业务目标或通话结束:接收客户实时语音数据,将客户实时语音数据转化为客户文本数据;使用预设的第一语义槽对客户文本数据进行匹配,得到客户情绪分析数据;将当前推荐业务、客户文本数据和客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量并输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取匹配概率最大的客户意图对应的话术集合进行话术提示,实现了对工作人员话术的提醒,降低了对工作人员的要求和工作人员的工作复杂度,提升了客户体验,提高了业务效率和外呼效果。
附图说明
为了更清楚地说明本申请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是本申请一实施例提供的外呼话术指导方法的流程图;
图2是本申请一实施例提供的外呼话术指导方法的流程图;
图3是本申请一实施例提供的外呼话术指导方法的流程图;
图4是本申请一实施例提供的外呼话术指导方法的流程图;
图5是本申请一实施例提供的外呼话术指导方法的流程图;
图6是本申请一实施例提供的外呼话术指导装置的结构示意图;
图7是本申请一实施例提供的外呼话术指导装置的结构示意图;
图8是本申请一实施例提供的外呼话术指导装置的结构示意图;
图9是本申请一实施例提供的外呼话术指导装置的结构示意图;
图10是本申请一实施例提供的外呼话术指导装置的结构示意图;
图11是本申请一实施例提供的外呼话术指导装置的结构示意图;
图12是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
本申请中技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面以服务器作为执行主体为例,对本发明实施例提供的外呼话术指导方法的具体实现过程进行说明。
图1是本申请一实施例提供的外呼话术指导方法的流程图,如图1所示,本申请提供的外呼话术指导方法,包括;
S101:从预设的分级业务目标中选取优先级最高的目标业务,作为当前推荐业务,迭代执行如下操作,直至遍历所有分级的业务目标或通话结束:
S102:接收客户实时语音数据,将客户实时语音数据转化为客户文本数据;
S103:使用预设的第一语义槽对客户文本数据进行匹配,得到客户情绪分析数据;
S104:将当前推荐业务、客户文本数据和客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量;
S105:将综合特征向量输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取匹配概率最大的客户意图对应的话术集合进行话术提示;
S106:将当前推荐业务的迭代次数加一,判断当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则从分级业务目标中选取下一优先级的目标业务替换当前推荐业务。
本申请提供的外呼话术指导方法,通过迭代执行如下操作,直至遍历所有分级的业务目标或通话结束:接收客户实时语音数据,将客户实时语音数据转化为客户文本数据;使用预设的第一语义槽对客户文本数据进行匹配,得到客户情绪分析数据;将当前推荐业务、客户文本数据和客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量并输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取匹配概率最大的客户意图对应的话术集合进行话术提示,实现了对工作人员话术的提醒,降低了对工作人员的要求和工作人员的工作复杂度,提升了客户体验,提高了业务效率和外呼效果。
下面对各步骤进行详细说明。
S101:从预设的分级业务目标中选取优先级最高的目标业务,作为当前推荐业务,迭代执行如下操作,直至遍历所有分级的业务目标或通话结束:
具体地,外呼人员通过电话进行外呼时,往往具有多个想要达成的业务目标,例如推销理财产品、推荐存款方案等,可以根据银行当前业务重点等实际情况,为不同业务目标设置不同的优先级,并输入服务器。服务器选取优先级最高的业务目标作为当前业务目标,进行后续匹配和话术推荐,直至遍历所有分级的业务目标或通话结束。
S102:接收客户实时语音数据,将客户实时语音数据转化为客户文本数据;
具体地,在电话通话过程中,在每次外呼人员说话结束后接收客户实时语音数据,并将客户实时语音数据转化为客户文本数据,转化操作可以调用现有的开源语言识别API或SDK完成,例如使用百度语言识别API、腾讯云语言识别SDK等,也可以建立语音识别模型完成对客户实时语音数据的识别,例如CTC模型、RNN-T模型等,本申请对此不作限制。
S103:使用预设的第一语义槽对客户文本数据进行匹配,得到客户情绪分析数据;
具体地,可以设置多种不同的情绪,例如满意、平静、不耐烦、厌恶等,并为不同的情绪设置不同的关键词词典,例如满意的关键词词典中可以包括感谢、很好、感兴趣等词语,所有情绪分类和各分类对应的关键词字典构成了第一语义槽。对客户文本数据进行文本分词,按照语序依次检查分词得到的词是否在各关键词词典中,即第一语义槽是否匹配到相关关键词,若检测到一词在一关键词词典中,则停止检测,并将该客户文本数据标注为该词所在的关键词词典对应的情绪,即为情绪分析数据。
此外,当检测到厌恶情绪时,可以安排机器人客服介入与客户进行沟通,对客户进行安抚,例如可以给予客户优惠券、立减金等,并防止客户情绪过激对外呼人员造成伤害,降低外呼人员工作积极性。
S104:将当前推荐业务、客户文本数据和客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量;
具体地,可以用数字固定代指某种情绪分析数据,例如0表示满意,1表示平静,同样的,也可以用不同的数字固定代指不同的推荐业务,实现对情绪和推荐业务的编码,将当前推荐业务、客户文本数据和客户情绪分析数据输入预建立的综合特征提取模型,以提取得到综合特征向量。
在一实施例中,综合特征提取模型包括文本编码层和特征提取网络;如图2所示,S104包括:
S201:将客户文本数据输入文本编码层,得到客户文本向量;
具体地,将客户文本数据输入文本编码层进行编码,可以根据实际情况选取合适的编码方式。
例如,可以对历史文本数据进行分词,得到历史分词数据;统计历史分词数据中各词出现的频率,并按照频率大小进行排序;对客户文本数据进行分词,得到实时分词数据;用实时分词数据中各词在历史分词数据中的频率排名表示对应的词,得到文本编码向量。此外,还可以使用embeding层对客户文本数据进行编码等方式,本申请对比不作限制。
S202:将客户文本向量、当前推荐业务和客户情绪分析数据进行拼接,得到拼接向量;
具体地,服务器将客户文本向量和当前推荐业务及客户情绪分析数据的数字表示进行拼接,得到拼接向量。
S203:将拼接向量输入特征提取网络,得到综合特征向量。
具体地,服务器将拼接向量输入特征提取网络,以得到综合特征向量,其中特征提取网络为长短期记忆神经网络(LSTM),使用该网络能够充分利用上下文的关系对综合特征进行提取。
通过将客户文本数据输入文本编码层,得到客户文本向量,并与当前推荐业务和客户情绪分析数据进行拼接,得到拼接向量,以输入特征提取网络,得到综合特征向量,能够从多个角度分析客户意图,充分考虑客户意图的影响因素,同时,使用特征提取网络,能够进一步对特征进行提炼,去除无关因素的影响,增大了客户意图预测的准确率。
S105:将综合特征向量输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取匹配概率最大的客户意图对应的话术集合进行话术提示;
具体地,可以任意选取合适的分类模型作为话术预测模型,例如深度神经网络(DNN)、卷积神经网络(CNN),本申请对此不作限制。话术预测模型输出层的激活函数为softmax函数,以输出各预设的客户意图的匹配概率。可以根据开展的业务等实际情况设置客户意图分类,例如客户意图可以包括:拒绝、询问理财业务详细信息、了解办理流程等,每种客户意图对应一个话术合集,每个话术合集中包括至少一条提示语句,选取匹配概率最大的客户意图对应的话术集合,将其作为给外呼人员的话术提示。
S106:将当前推荐业务的迭代次数加一,判断当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则从分级业务目标中选取下一优先级的目标业务替换当前推荐业务。
具体地,将话术合集提示给外呼人员后,开始一个新的轮次,外呼人员根据话术提示进行业务推荐并接收新的客户语音数据。在新的轮次开始前,即在本轮次结束时,需要将当前推荐业务的迭代次数加一,并判断当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则停止推荐当前业务,防止客户产生厌烦情绪,从分级业务目标中选取下一优先级的目标业务替换当前推荐业务,开始下一目标业务的推荐。将外呼人员进行业务推荐并接收客户回复的客户语音数据视为一个轮次,迭代次数是指进行话术推荐的次数,即进行的轮次数,当选取下一优先级的目标业务替换当前推荐业务时,迭代次数归零。
本申请提供的外呼话术指导方法,通过迭代执行如下操作,直至遍历所有分级的业务目标或通话结束:接收客户实时语音数据,将客户实时语音数据转化为客户文本数据;使用预设的第一语义槽对客户文本数据进行匹配,得到客户情绪分析数据;将当前推荐业务、客户文本数据和客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量并输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取匹配概率最大的客户意图对应的话术集合进行话术提示,实现了对工作人员话术的提醒,降低了对工作人员的要求和工作人员的工作复杂度,同时充分考虑客户感受,避免客户产生厌烦等情绪,提升了客户体验,提高了业务效率。
在上述各实施例的基础上,进一步地,本申请提供的外呼话术指导方法,在S104前,还包括:
判断是否接收到当前推荐业务的完成信号;若判断结果为是,则从分级业务目标中选取下一优先级的目标业务替换当前推荐业务,并接收客户新的客户实时语音数据。
具体地,当客户同意办理相关业务时,当前推荐业务被完成,外护人员键入完成信号。服务器判断是否接收到当前推荐业务的完成信号,若判断结果为是,说明当前推荐业务被完成,从分级业务目标中选取下一优先级的目标业务替换当前推荐业务。由于推荐业务被完成时,接收到的客户实时语音数据必为表示肯定和接受的语音数据,因此,需要接收客户新的客户实时语音数据,该客户实时语音数据为外呼人员以新的当前推荐业务进行推荐时,客户的回复语音数据。
通过判断是否接收到当前推荐业务的完成信号,能够及时确定当前推荐业务是否被完成,以及时切换当前推荐业务,保证推荐话术与当前业务目标相适应,同时为后续员工评分提供依据。
在上述各实施例的基础上,进一步地,本申请提供的外呼话术指导方法,还包括:
根据接收到推荐业务完成信号的次数和各当前推荐业务的迭代次数计算任务评分。
具体地,当遍历所有业务目标完成推荐或客户挂断电话后,根据接收到推荐业务完成信号的次数和各当前推荐业务的迭代次数对外呼人员本次的外呼工作进行评分,具体评分方式可以根据实际情况进行设置,本申请对此不作限制。
例如,最大迭代次数为50,收到一次推荐业务完成信号得50分,迭代次数<10次的得20分,10次<迭代次数<20次的得15分,20次<迭代次数<30次的得10分,迭代次数>30次的不得分。此外,还可以根据推荐业务的优先级不同设置不同的完成分数。
通过根据接收到推荐业务完成信号的次数和各当前推荐业务的迭代次数计算任务评分,实现了对外呼人员工作完成情况和业务能力的评价,方便后续对外呼人员的监督、管理和培训,以及外呼人员的自我提升。
在上述各实施例的基础上,进一步地,如图3所示,本申请提供的外呼话术指导方法,还包括:
S301:将历史客户语音数据转化为历史客户文本数据,使用预设的第二语义槽对历史客户文本数据进行匹配,获得每条历史客户文本数据对应的客户意图;
具体地,服务器将数据库中存储的历史语音数据转化为历史客户文本数据,具体可以采用上述各实施例中提到的语音文本转化方法,在此不再赘述。可以根据开展的业务等实际情况设置多种不同的客户意图,例如拒绝、询问理财业务详细信息、了解办理流程等,每个客户意图对应一个关键词字典,例如,拒绝意图的关键词字典中可以包括不需要、不用、没有需求等,所有客户意图和其对应的关键词字典组成第二语义槽。
对历史文本数据进行匹配时,首先对历史文本数据进行分词处理,并使用第二语义槽依次对分词得到的词进行匹配,若匹配到一词在第二语义槽的一关键词字典中,则停止后续词的匹配,将该条历史客户文本数据的客户意图标记为该关键词字典对应的客户意图。若一历史文本数据,在使用第二语义槽完成对所有词的匹配后,仍未匹配到任何关键词字典,则人工辅助对该条历史文本数据进行客户意图标注。
S302:获取客户意图相同的历史客户文本数据对应的回答话术,从回答话术中提取业务推荐成功时使用的回答话术,得到对应客户意图的提示话术集合;
具体地,将外呼人员对每条历史客户文本数据的回复语句作为对应历史客户文本数据的回答话术,将最终推荐结果为推荐成功的回答话术加入其历史客户文本数据对应的客户意图的话术集合,最终得到各客户意图的话术集合。
S303:将历史客户文本数据划分为训练集和验证集,以Adam为优化器,以客户意图为标签,对综合特征提取模型和话术预测模型进行训练。
具体地,服务器以客户意图为标签,使用Adam优化器,将历史客户文本数据划分为训练集和验证集,对综合特征提取模型和话术预测模型进行训练,对两个模型进行整体优化,以提高最终预测得到的客户意图的正确率。
通过使用预设的第二语义槽对历史客户文本数据进行匹配,获得每条历史客户文本数据对应的客户意图;获取客户意图相同的历史客户文本数据对应的回答话术,从回答话术中提取业务推荐成功时使用的回答话术,得到对应客户意图的提示话术集合,实现了话术集合的提取,从历史数据中提取回答话术,保证了回答话术的多样性、全面性以及与实际业务的贴合性。同时,将历史客户文本数据划分为训练集和验证集,以Adam为优化器,以客户意图为标签,对综合特征提取模型和话术预测模型进行训练,提高了后续客户意图预测的准确度,从而保证了话术提示的准确性,以提高外呼人员工作效率和客户的满意度。
在上述各实施例的基础上,进一步地,如图4所示,本申请提供的外呼话术指导方法,还包括:
S401:接收客户文本数据对应的回复语音数据,将回复语音数据转化为回复文本数据;
具体地,服务器在接收客户实时语音数据并将其转化为客户文本数据的同时,也会接收外呼人员对应的回复语音数据,并将回复语音数据转化为回复文本数据以做后续处理。
S402:计算回复文本数据与对应话术集合中各回答话术的相似度;
具体地,服务器在每次得到客户文本数据后,通过一系列后续操作得到对应的客户意图,并获取客户意图对应的话术集合,具体判断客户意图及获得对应话术集合的方式可以参照上述各实施例,在此不再赘述。服务器分别计算回复文本数据与对应话术集合中各回答话术的相似度,相似度为一位于0-1之间的值,具体的相似度计算方法可以根据平均对话长度等实际情况进行选择。
例如,可以对回复文本数据和回答话术进行分词;用常用词字典中的索引代替分词得到的词语,得到回复文本数据的编码和回答话术的编码;计算回复文本数据的编码和回答话术的编码的Jacard相似度,作为回复文本数据与回答话术的相似度。此外还可以使用n-gram算法、TF-IDF算法等计算相似度,本申请对此不作限制。
S403:判断相似度是否均小于预设的阈值;若判断结果为是且当前推荐业务被完成,则使用预设的语义槽对客户文本数据进行匹配,重新计算客户文本数据的客户意图,将回复文本数据添加到客户意图对应的话术集合中;
具体地,可以根据实际情况设置阈值,例如可以设置为0.6。若回复文本数据和话术集合中所有回答话术的相似度均小于预设的阈值,说明外呼人员可能未按照话术提示进行业务推荐,即说明话术集合中可能缺少对应话术或客户意图预测不准确。因此,若最终当前业务被推荐成功,则可以通过预设的语义槽对客户文本数据进行匹配,重新计算客户文本数据的客户意图,并将该回复文本数据添加到话术集合中对话术集合进行补全。设置语义槽并使用语义槽匹配客户意图的方法可以参照上述各实施例,在此不再赘述。
S404:定期使用客户文本数据对综合特征提取模型和话术预测模型进行再次训练。
具体地,外呼人员每次进行外呼的对话数据都将被保存到数据库中,因此,每隔一端时间,都将获得新的历史语音数据,定期使用图3实施例的方法对综合特征提取模型和话术预测模型进行再次训练,能够保证综合特征提取模型和话术预测模型进行再次训练的不断学习和更新,提高客户意图预测的准确率。
通过接收客户文本数据对应的回复语音数据,将回复语音数据转化为回复文本数据;计算回复文本数据与对应话术集合中各回答话术的相似度;若相似度均小于预设的阈值且当前推荐业务被完成,则使用预设的语义槽对客户文本数据进行匹配,重新计算客户文本数据的客户意图,将回复文本数据添加到客户意图对应的话术集合中,实现了话术集合的动态更新,使得话术集合能够随着外呼业务的进行逐渐补充,实现了模型的自我完善,从而进一步提高外呼人员工作效率,降低外呼人员工作难度,提高客户体验。
下面将举一个具体例子对本申请提供的外呼话术指导方法进行说明,具体如图5所示:
S501:从预设的分级业务目标中选取优先级最高的目标业务,作为当前推荐业务,迭代执行如下操作,直至遍历所有分级的业务目标或通话结束:
具体地,外呼人员为不同业务目标设置不同的优先级,并输入服务器。服务器选取优先级最高的业务目标作为当前业务目标,进行后续匹配和话术推荐,直至遍历所有分级的业务目标或通话结束。
S502:接收客户实时语音数据,将客户实时语音数据转化为客户文本数据;
具体地,在电话通话过程中,在每次外呼人员说话结束后接收客户实时语音数据,并使用语音识别API将客户实时语音数据转化为客户文本数据。
S503:判断是否接收到当前推荐业务的完成信号;若判断结果为是,则从分级业务目标中选取下一优先级的目标业务替换当前推荐业务,并接收客户新的客户实时语音数据;
具体地,当客户同意办理相关业务时,当前推荐业务被完成,外护人员键入完成信号。服务器判断是否接收到当前推荐业务的完成信号,若判断结果为是,说明当前推荐业务被完成,从分级业务目标中选取下一优先级的目标业务替换当前推荐业务,并重新接收客户语音数据。
S504:使用预设的第一语义槽对客户文本数据进行匹配,得到客户情绪分析数据;
具体地,可以设置多种不同的情绪,例如满意、平静、不耐烦、厌恶等,并为不同的情绪设置不同的关键词词典,例如满意的关键词词典中可以包括感谢、很好、感兴趣等词语,所有情绪分类和各分类对应的关键词字典构成了第一语义槽。对客户文本数据进行文本分词,使用第一语义槽对客户文本数据进行匹配,若检测到一词在一关键词词典中,则将该客户文本数据标注为该词所在的关键词词典对应的情绪,即为情绪分析数据。
S505:将客户文本数据输入文本编码层,得到客户文本向量;
具体地,文本编码层为一embeding层,将客户文本数据输入文本编码层进行编码,得到文本编码向量。
S506:将客户文本向量、当前推荐业务和客户情绪分析数据进行拼接,得到拼接向量;
具体地,使用不同数字固定代指不同情绪分析数据,0表示满意,1表示平静,2表示厌烦;并用不同的数字固定代指不同的推荐业务,例如,营销存款设为1,营销贷款设为2,营销信用卡设为3,邀请到支行网点设为4,实现对情绪和推荐业务的编码。服务器将客户文本向量和当前推荐业务及客户情绪分析数据的编码进行拼接,得到拼接向量。
S507:将拼接向量输入特征提取网络,得到综合特征向量;
具体地,服务器将拼接向量输入特征提取网络,以得到综合特征向量,其中特征提取网络为添加了对话门控单元的长短期记忆神经网络(LSTM),该网络模型可以通过如下公式进行表示:
ft=σ(Wfh·ht-1+Wfx·xt+bf) (1)
C′t=tanh(Wch·ht-1+Wcx·xt+bc) (2)
it=σ(Wih·ht-1+Wix·xt+bi) (3)
ot=σ(Woh·ht-1+Wox·xt+bo) (4)
rt=σ(Wrh·ht-1+Wrx·xt+br) (5)
dt=rt⊙dt-1 (6)
Ct=ft⊙Ct-1+it⊙C′t+tanh(Wd·dt) (7)
ht=ot⊙tanh(Ct) (8)
其中,σ表示sigmod函数,Ct为当前推荐目标下第t轮的记忆向量,ht为第t轮的输出向量,xt为第t轮的输入向量,即S506中得到的拼接向量,dt为第t轮的语义记忆向量,Wfh、Wfx、Wch、Wcx、Wih、Wix、Woh、Wox、Wrh、Wrx为对应的权重,bf、bc、bi、bo、br为对应的偏置,权重和偏置都可以通过对模型进行预训练得到,第t轮即当前推荐业务下的第t次迭代。该模型在现有LSTM网络模型的基础上添加了对话门控单元,即公式(5)、(6),加强了对语义特征的记忆,充分保留了语义特征的上下文信息。LSTM网络中各层输出的ht组合得到最终输出的综合特征向量。
S508:将综合特征向量输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取匹配概率最大的客户意图对应的话术集合进行话术提示;
具体地,话术预测模型为一深度神经网络(DNN),将综合特征向量输入深度神经网络,该网络输出层的激活函数为softmax函数,从而最终输出各预设的客户意图的匹配概率,将匹配概率最大的客户意图对应的话术集合进行话术提示。
S509:将当前推荐业务的迭代次数加一,判断当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则从分级业务目标中选取下一优先级的目标业务替换当前推荐业务。
具体地,将话术合集提示给外呼人员后,开始一个新的轮次,外呼人员根据话术提示进行业务推荐并接收新的客户语音数据。在新的轮次开始前,即在本轮次结束时,需要将当前推荐业务的迭代次数加一,并判断当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则停止推荐当前业务,防止客户产生厌烦情绪,从分级业务目标中选取下一优先级的目标业务替换当前推荐业务,开始下一目标业务的推荐。将外呼人员进行业务推荐并接收客户回复的客户语音数据视为一个轮次,迭代次数是指进行话术推荐的次数,即进行的轮次数,当选取下一优先级的目标业务替换当前推荐业务时,迭代次数归零。
本申请提供的外呼话术指导方法,通过迭代执行如下操作,直至遍历所有分级的业务目标或通话结束:接收客户实时语音数据,将客户实时语音数据转化为客户文本数据;使用预设的第一语义槽对客户文本数据进行匹配,得到客户情绪分析数据;将当前推荐业务、客户文本数据和客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量并输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取匹配概率最大的客户意图对应的话术集合进行话术提示,实现了对工作人员话术的提醒,降低了对工作人员的要求和工作人员的工作复杂度,同时充分考虑客户感受,避免客户产生厌烦等情绪,提升了客户体验,提高了业务效率和外呼效果。
基于同一发明构思,本申请实施例还提供了一种外呼话术指导装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于外呼话术指导装置解决问题的原理与外呼话术指导方法相似,因此外呼话术指导装置的实施可以参见基于软件性能基准确定方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是本申请一实施例提供的外呼话术指导装置的结构示意图,如图6所示,本申请提供的外呼话术指导装置,包括:
迭代操作单元610,用于从预设的分级业务目标中选取优先级最高的目标业务,作为当前推荐业务,迭代使用如下单元完成操作,直至遍历所有分级的业务目标或通话结束:
具体地,外呼人员通过电话进行外呼时,往往具有多个想要达成的业务目标,例如推销理财产品、推荐存款方案等,可以根据银行当前业务重点等实际情况,为不同业务目标设置不同的优先级,并输入迭代操作单元610。迭代操作单元610选取优先级最高的业务目标作为当前业务目标,进行后续匹配和话术推荐,直至遍历所有分级的业务目标或通话结束。
客户语音文本转换单元620,用于接收客户实时语音数据,将客户实时语音数据转化为客户文本数据;
具体地,在电话通话过程中,客户语音文本转换单元620在每次外呼人员说话结束后接收客户实时语音数据,并将客户实时语音数据转化为客户文本数据,转化操作可以调用现有的开源语言识别API或SDK完成,例如使用百度语言识别API、腾讯云语言识别SDK等,也可以建立语音识别模型完成对客户实时语音数据的识别,例如CTC模型、RNN-T模型等,本申请对此不作限制。
情绪分析单元630,用于使用预设的第一语义槽对客户文本数据进行匹配,得到客户情绪分析数据;
具体地,可以设置多种不同的情绪,例如满意、平静、不耐烦、厌恶等,并为不同的情绪设置不同的关键词词典,例如满意的关键词词典中可以包括感谢、很好、感兴趣等词语,所有情绪分类和各分类对应的关键词字典构成了第一语义槽。情绪分析单元630对客户文本数据进行文本分词,按照语序依次检查分词得到的词是否在各关键词词典中,即第一语义槽是否匹配到相关关键词,若检测到一词在一关键词词典中,则停止检测,并将该客户文本数据标注为该词所在的关键词词典对应的情绪,即为情绪分析数据。
综合特征提取单元640,用于将当前推荐业务、客户文本数据和客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量;
具体地,可以用数字固定代指某种情绪分析数据,例如0表示满意,1表示平静,同样的,也可以用不同的数字固定代指不同的推荐业务,实现对情绪和推荐业务的编码,综合特征提取单元640将当前推荐业务、客户文本数据和客户情绪分析数据输入预建立的综合特征提取模型,以提取得到综合特征向量。
话术提示单元650,用于将综合特征向量输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取匹配概率最大的客户意图对应的话术集合进行话术提示;
具体地,可以任意选取合适的分类模型作为话术预测模型,例如深度神经网络(DNN)、卷积神经网络(CNN),本申请对此不作限制。话术预测模型输出层的激活函数为softmax函数,以输出各预设的客户意图的匹配概率。可以根据开展的业务等实际情况设置客户意图分类,例如客户意图可以包括:拒绝、询问理财业务详细信息、了解办理流程等,每种客户意图对应一个话术合集,每个话术合集中包括至少一条提示语句,选取匹配概率最大的客户意图对应的话术集合,将其作为给外呼人员的话术提示。
当前推荐业务切换单元660,用于将当前推荐业务的迭代次数加一,判断当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则从分级业务目标中选取下一优先级的目标业务替换当前推荐业务。
具体地,将话术合集提示给外呼人员后,开始一个新的轮次,外呼人员根据话术提示进行业务推荐并接收新的客户语音数据。在新的轮次开始前,即在本轮次结束时,当前推荐业务切换单元660将当前推荐业务的迭代次数加一,并判断当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则停止推荐当前业务,防止客户产生厌烦情绪,从分级业务目标中选取下一优先级的目标业务替换当前推荐业务,开始下一目标业务的推荐。将外呼人员进行业务推荐并接收客户回复的客户语音数据视为一个轮次,迭代次数是指进行话术推荐的次数,即进行的轮次数,当选取下一优先级的目标业务替换当前推荐业务时,迭代次数归零。
本申请提供的外呼话术指导装置,通过迭代操作单元610、客户语音文本转换单元620、情绪分析单元630、综合特征提取单元640、话术提示单元650和当前推荐业务切换单元660,实现了对工作人员话术的提醒,降低了对工作人员的要求和工作人员的工作复杂度,同时充分考虑客户感受,避免客户产生厌烦等情绪,提升了客户体验,提高了业务效率和外呼效果。
在上述各实施例的基础上,进一步地,所述综合特征提取模型包括文本编码层和特征提取网络,如图7所示,综合特征提取单元640包括:
文本向量提取模块641,用于将客户文本数据输入文本编码层,得到客户文本向量;
向量拼接模块642,用于将客户文本向量、当前推荐业务和客户情绪分析数据进行拼接,得到拼接向量;
特征提取模块643,用于将拼接向量输入特征提取网络,得到综合特征向量。
本申请提供的外呼话术指导装置,通过文本向量提取模块641、向量拼接模块642和特征提取模块643,实现了从多个角度分析客户意图,充分考虑客户意图的影响因素,同时,使用特征提取网络,能够进一步对特征进行提炼,去除无关因素的影响,增大了客户意图预测的准确率。
在上述各实施例的基础上,进一步地,如图8所示,本申请提供的外呼话术指导装置还包括:
完成判断单元810,用于判断是否接收到当前推荐业务的完成信号;若判断结果为是,则从分级业务目标中选取下一优先级的目标业务替换当前推荐业务,并接收客户新的客户实时语音数据。
本申请提供的外呼话术指导装置,通过完成判断单元810,实现了当前推荐业务的及时切换,保证推荐话术与当前业务目标相适应,同时为后续员工评分提供依据。
在上述各实施例的基础上,进一步地,如图9所示,本申请提供的外呼话术指导装置还包括:
评分计算单元910,用于根据接收到推荐业务完成信号的次数和各当前推荐业务的迭代次数计算任务评分。
本申请提供的外呼话术指导装置,通过评分计算单元910,实现了对外呼人员工作完成情况和业务能力的评价,方便后续对外呼人员的监督、管理和培训,以及外呼人员的自我提升。
在上述各实施例的基础上,进一步地,如图10所示,本申请提供的外呼话术指导装置还包括:
第一客户意图分析单元1010,用于将历史客户语音数据转化为历史客户文本数据,使用预设的第二语义槽对历史客户文本数据进行匹配,获得每条历史客户文本数据对应的客户意图;
话术集合生成单元1020,用于获取客户意图相同的历史客户文本数据对应的回答话术,从回答话术中提取业务推荐成功时使用的回答话术,得到对应客户意图的提示话术集合;
模型训练单元1030,用于将历史客户文本数据划分为训练集和验证集,以Adam为优化器,以客户意图为标签,对综合特征提取模型和话术预测模型进行训练。
本申请提供的外呼话术指导装置,通过第一客户意图分析单元1010、话术集合生成单元1020和模型训练单元1030,实现了话术集合的提取,从历史数据中提取回答话术,保证了回答话术的多样性、全面性以及与实际业务的贴合性。同时,将历史客户文本数据划分为训练集和验证集,以Adam为优化器,以客户意图为标签,对综合特征提取模型和话术预测模型进行训练,提高了后续客户意图预测的准确度,从而保证了话术提示的准确性,以提高外呼人员工作效率和客户的满意度。
在上述各实施例的基础上,进一步地,如图11所示,本申请提供的外呼话术指导装置还包括:
回复语言文本转换单元1110,用于接收客户文本数据对应的回复语音数据,将回复语音数据转化为回复文本数据;
相似度计算单元1120,用于计算回复文本数据与对应话术集合中各回答话术的相似度;
话术补充单元1130,用于判断相似度是否均小于预设的阈值;若判断结果为是且当前推荐业务被完成,则使用预设的语义槽对客户文本数据进行匹配,重新计算客户文本数据的客户意图,将回复文本数据添加到客户意图对应的话术集合中;
模型更新单元1140,用于定期使用客户文本数据对综合特征提取模型和话术预测模型进行再次训练。
本申请提供的外呼话术指导装置,通过回复语言文本转换单元1110、相似度计算单元1120、话术补充单元1130和模型更新单元1140,实现了话术集合的动态更新,使得话术集合能够随着外呼业务的进行逐渐补充,实现了模型的自我完善,从而进一步提高外呼人员工作效率,降低外呼人员工作难度,提高客户体验。
图12是本发明一实施例提供的电子设备的实体结构示意图,如图12所示,该电子设备可以包括:处理器(processor)1201、通信接口(Communications Interface)1202、存储器(memory)1203和通信总线1204,其中,处理器1201,通信接口1202,存储器1203通过通信总线1204完成相互间的通信。处理器1201可以调用存储器1203中的逻辑指令,以执行如下方法:从预设的分级业务目标中选取优先级最高的目标业务,作为当前推荐业务,迭代执行如下操作,直至遍历所有分级的业务目标或通话结束:接收客户实时语音数据,将客户实时语音数据转化为客户文本数据;使用预设的第一语义槽对客户文本数据进行匹配,得到客户情绪分析数据;将当前推荐业务、客户文本数据和客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量;将综合特征向量输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取匹配概率最大的客户意图对应的话术集合进行话术提示;将当前推荐业务的迭代次数加一,判断当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则从分级业务目标中选取下一优先级的目标业务替换当前推荐业务。
此外,上述的存储器1203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:从预设的分级业务目标中选取优先级最高的目标业务,作为当前推荐业务,迭代执行如下操作,直至遍历所有分级的业务目标或通话结束:接收客户实时语音数据,将客户实时语音数据转化为客户文本数据;使用预设的第一语义槽对客户文本数据进行匹配,得到客户情绪分析数据;将当前推荐业务、客户文本数据和客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量;将综合特征向量输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取匹配概率最大的客户意图对应的话术集合进行话术提示;将当前推荐业务的迭代次数加一,判断当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则从分级业务目标中选取下一优先级的目标业务替换当前推荐业务。
本实施例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计算机程序,所述计算机程序使所述计算机执行上述各方法实施例所提供的方法,例如包括:从预设的分级业务目标中选取优先级最高的目标业务,作为当前推荐业务,迭代执行如下操作,直至遍历所有分级的业务目标或通话结束:接收客户实时语音数据,将客户实时语音数据转化为客户文本数据;使用预设的第一语义槽对客户文本数据进行匹配,得到客户情绪分析数据;将当前推荐业务、客户文本数据和客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量;将综合特征向量输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取匹配概率最大的客户意图对应的话术集合进行话术提示;将当前推荐业务的迭代次数加一,判断当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则从分级业务目标中选取下一优先级的目标业务替换当前推荐业务。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中,参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种外呼话术指导方法,其特征在于,包括:
从预设的分级业务目标中选取优先级最高的目标业务,作为当前推荐业务,迭代执行如下操作,直至遍历所有分级的业务目标或通话结束:
接收客户实时语音数据,将所述客户实时语音数据转化为客户文本数据;
使用预设的第一语义槽对所述客户文本数据进行匹配,得到客户情绪分析数据;
将所述当前推荐业务、所述客户文本数据和所述客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量;
将所述综合特征向量输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取所述匹配概率最大的客户意图对应的话术集合进行话术提示;
将所述当前推荐业务的迭代次数加一,判断所述当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则从所述分级业务目标中选取下一优先级的目标业务替换所述当前推荐业务。
2.根据权利要求1所述的外呼话术指导方法,其特征在于,所述综合特征提取模型包括文本编码层和特征提取网络;所述将所述当前推荐业务、所述客户文本数据和所述客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量,包括:
将所述客户文本数据输入所述文本编码层,得到客户文本向量;
将所述客户文本向量、所述当前推荐业务和所述客户情绪分析数据进行拼接,得到拼接向量;
将所述拼接向量输入所述特征提取网络,得到综合特征向量。
3.根据权利要求1所述的外呼话术指导方法,其特征在于,所述将所述当前推荐业务、所述客户文本数据和所述客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量前,还包括:
判断是否接收到当前推荐业务的完成信号;若判断结果为是,则从所述分级业务目标中选取下一优先级的目标业务替换所述当前推荐业务,并接收客户新的客户实时语音数据。
4.根据权利要求3所述的外呼话术指导方法,其特征在于,所述迭代执行如下操作,直至遍历所有分级的业务目标或通话结束后还包括:
根据接收到推荐业务完成信号的次数和各当前推荐业务的迭代次数计算任务评分。
5.根据权利要求1所述的外呼话术指导方法,其特征在于,还包括:
将历史客户语音数据转化为历史客户文本数据,使用预设的第二语义槽对所述历史客户文本数据进行匹配,获得每条历史客户文本数据对应的客户意图;
获取客户意图相同的历史客户文本数据对应的回答话术,从回答话术中提取业务推荐成功时使用的回答话术,得到对应客户意图的提示话术集合;
将所述历史客户文本数据划分为训练集和验证集,以Adam为优化器,以所述客户意图为标签,对所述综合特征提取模型和所述话术预测模型进行训练。
6.根据权利要求1所述的外呼话术指导方法,其特征在于,还包括:
接收客户文本数据对应的回复语音数据,将所述回复语音数据转化为回复文本数据;
计算所述回复文本数据与对应话术集合中各回答话术的相似度;
判断所述相似度是否均小于预设的阈值;若判断结果为是且所述当前推荐业务被完成,则使用预设的语义槽对所述客户文本数据进行匹配,重新计算所述客户文本数据的客户意图,将所述回复文本数据添加到所述客户意图对应的话术集合中;
定期使用客户文本数据对所述综合特征提取模型和所述话术预测模型进行再次训练。
7.一种外呼话术指导装置,其特征在于,包括:
迭代操作单元,用于从预设的分级业务目标中选取优先级最高的目标业务,作为当前推荐业务,迭代使用如下单元完成操作,直至遍历所有分级的业务目标或通话结束:
客户语音文本转换单元,用于接收客户实时语音数据,将所述客户实时语音数据转化为客户文本数据;
情绪分析单元,用于使用预设的第一语义槽对所述客户文本数据进行匹配,得到客户情绪分析数据;
综合特征提取单元,用于将所述当前推荐业务、所述客户文本数据和所述客户情绪分析数据输入预建立的综合特征提取模型,得到综合特征向量;
话术提示单元,用于将所述综合特征向量输入预建立的话术预测模型,得到各预设的客户意图的匹配概率,选取所述匹配概率最大的客户意图对应的话术集合进行话术提示;
当前推荐业务切换单元,用于将所述当前推荐业务的迭代次数加一,判断所述当前推荐业务的迭代次数是否大于预设的最大迭代次数;若判断结果为是,则从所述分级业务目标中选取下一优先级的目标业务替换所述当前推荐业务。
8.根据权利要求7所述的外呼话术指导装置,其特征在于,所述综合特征提取模型包括文本编码层和特征提取网络;所述综合特征提取单元包括:
文本向量提取模块,用于将所述客户文本数据输入所述文本编码层,得到客户文本向量;
向量拼接模块,用于将所述客户文本向量、所述当前推荐业务和所述客户情绪分析数据进行拼接,得到拼接向量;
特征提取模块,用于将所述拼接向量输入所述特征提取网络,得到综合特征向量。
9.一种计算机电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的方法。
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存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至6任一项所述的方法。
11.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310104194.9A CN116246632A (zh) | 2023-01-31 | 2023-01-31 | 外呼话术指导方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310104194.9A CN116246632A (zh) | 2023-01-31 | 2023-01-31 | 外呼话术指导方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116246632A true CN116246632A (zh) | 2023-06-09 |
Family
ID=86627227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310104194.9A Pending CN116246632A (zh) | 2023-01-31 | 2023-01-31 | 外呼话术指导方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246632A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711399A (zh) * | 2024-02-06 | 2024-03-15 | 深圳市瑞得信息科技有限公司 | 一种交互式ai智能机器人控制方法与智能机器人 |
CN117834780A (zh) * | 2024-03-05 | 2024-04-05 | 济南云上电子科技有限公司 | 一种智能外呼客户意图预测分析系统 |
-
2023
- 2023-01-31 CN CN202310104194.9A patent/CN116246632A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711399A (zh) * | 2024-02-06 | 2024-03-15 | 深圳市瑞得信息科技有限公司 | 一种交互式ai智能机器人控制方法与智能机器人 |
CN117711399B (zh) * | 2024-02-06 | 2024-05-03 | 深圳市瑞得信息科技有限公司 | 一种交互式ai智能机器人控制方法与智能机器人 |
CN117834780A (zh) * | 2024-03-05 | 2024-04-05 | 济南云上电子科技有限公司 | 一种智能外呼客户意图预测分析系统 |
CN117834780B (zh) * | 2024-03-05 | 2024-05-14 | 济南云上电子科技有限公司 | 一种智能外呼客户意图预测分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704641B (zh) | 一种万级意图分类方法、装置、存储介质及电子设备 | |
CN111159368B (zh) | 一种个性化对话的回复生成方法 | |
CN104809103B (zh) | 一种人机对话的语义分析方法及系统 | |
CN116246632A (zh) | 外呼话术指导方法及装置 | |
CN111966800B (zh) | 情感对话生成方法、装置及情感对话模型训练方法、装置 | |
CN111160514B (zh) | 一种对话的方法和系统 | |
CN106448670A (zh) | 基于深度学习和强化学习的自动回复对话系统 | |
CN108595436B (zh) | 情感对话内容的生成方法和系统、存储介质 | |
WO2014047270A1 (en) | Method and apparatus for predicting intent in ivr using natural language queries | |
CN109344242B (zh) | 一种对话问答方法、装置、设备及存储介质 | |
CN111696558A (zh) | 智能外呼方法、装置、计算机设备及存储介质 | |
CN109325780A (zh) | 一种面向电子政务领域的智能客服系统的交互方法 | |
EP4047506A1 (en) | Method and system to automatically train a chatbot using domain conversations | |
CN115497465A (zh) | 语音交互方法、装置、电子设备和存储介质 | |
Chen et al. | Sequence-to-sequence modelling for categorical speech emotion recognition using recurrent neural network | |
CN112632248A (zh) | 问答方法、装置、计算机设备和存储介质 | |
CN114386426B (zh) | 一种基于多元语义融合的金牌话术推荐方法及装置 | |
CN111368066B (zh) | 获取对话摘要的方法、装置和计算机可读存储介质 | |
Zorrilla et al. | Audio Embedding-Aware Dialogue Policy Learning | |
CN116361442B (zh) | 基于人工智能的营业厅数据分析方法及系统 | |
CN110795531B (zh) | 一种意图识别方法、装置及存储介质 | |
Cong et al. | Unsatisfied customer call detection with deep learning | |
CN114519094A (zh) | 基于随机状态的话术推荐方法、装置及电子设备 | |
CN112908296A (zh) | 一种方言识别方法 | |
CN113297367A (zh) | 用户对话衔接语生成的方法及相关设备 |
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 |