CN116303978B - 基于语音分析的潜在用户挖掘方法 - Google Patents
基于语音分析的潜在用户挖掘方法 Download PDFInfo
- Publication number
- CN116303978B CN116303978B CN202310556090.1A CN202310556090A CN116303978B CN 116303978 B CN116303978 B CN 116303978B CN 202310556090 A CN202310556090 A CN 202310556090A CN 116303978 B CN116303978 B CN 116303978B
- Authority
- CN
- China
- Prior art keywords
- voice
- outbound
- answer
- path
- evaluation
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 55
- 238000005065 mining Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 124
- 230000004044 response Effects 0.000 claims abstract description 52
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000008451 emotion Effects 0.000 claims description 16
- 230000007935 neutral effect Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000019604 hot taste sensations Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 235000019614 sour taste Nutrition 0.000 description 1
- 235000019605 sweet taste sensations Nutrition 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3343—Query execution using phonetics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种基于语音分析的潜在用户挖掘方法，其方法包括：S1、获取客户对于每一个历史产品的整体挖掘评价以及所反馈的具体案例，将整体挖掘评价分成正面评价集和负面评价集，并根据正面评价集和负面评价集在每一条语音回答路径上的分布情况以及具体案例所对应的语音回答路径来对语音分析模型中不同语音回答路径的分值进行计算，语音回答路径为从外呼开始到外呼结束过程中的回答全过程；S2、在对外呼用户进行客户的新产品推销时，根据更新后的语音分析模型对外呼用户的语音回答进行评分以得到回答意向评分，将包括回答意向评分的外呼用户推送给客户。本发明能在提高用户倾向结果的准确性的基础上，保证其稳定性。
Description
技术领域
本发明涉及语音分析技术领域，特别涉及一种基于语音分析的潜在用户挖掘方法。
背景技术
语音分析（SpeechAnalytics）技术，是指通过语音识别等核心技术将非结构化的语音信息转换为结构化的索引，实现对海量录音文件、音频文件的知识挖掘和快速检索。语音分析技术目前广泛应用于智能客服领域，其针对客服中心的实际业务需要，可有效的对录音数据进行自动分析，提取出有效的信息，从而进行智能问答，并根据用户的回答情况挖掘到用户倾向，进而及时进行准确的市场决策。
基于语音分析技术的智能客服系统，需要人工罗列对应的提问，之后根据语音分析技术对用户的每一个回答进行评分，最后将累加评分转化为购买倾向等级来反馈给客户。但目前关于用户倾向的判断结果仍然存在准确性较低以及准确率不稳定的问题。
发明内容
为了解决现有技术的上述问题，本发明提供一种基于语音分析的潜在用户挖掘方法，提高用户倾向结果的准确性，并保证其稳定性。
为了达到上述目的，本发明采用的技术方案为：
第一方面，本发明提供一种基于语音分析的潜在用户挖掘方法，包括步骤：
S1、获取客户对于每一个历史产品的整体挖掘评价以及所反馈的具体案例，将所述整体挖掘评价分成正面评价集和负面评价集，并根据所述正面评价集和所述负面评价集在每一条语音回答路径上的分布情况以及所述具体案例所对应的语音回答路径来对所述语音分析模型中不同语音回答路径的分值进行计算，所述语音回答路径为从外呼开始到外呼结束过程中的回答全过程；
S2、在对外呼用户进行客户的新产品推销时，根据更新后的语音分析模型对外呼用户的语音回答进行评分以得到回答意向评分，将包括所述回答意向评分的外呼用户推送给客户。
本发明的有益效果在于：通过对历史产品的反馈评价来计算出不同语音回答路径的分值，一方面，通过实际的反馈评价不断更新语音分析模型，能够保证语音分析模型对用户的挖掘更加符合客户需求，即能提高用户倾向结果的准确性；另一方面，相较于现有直接采用各个回答的累加评分，本发明充分考虑不同回答之间的潜在关联关系，通过对外呼开始到外呼结束过程中的回答全过程进行评分，以在现有累加评分结果的基础上，对同样累加评分但不同回答路径的用户进行进一步的挖掘识别，消除部分回答路径所存在的偏差，从而在提高用户倾向结果的准确性的基础上，保证其稳定性。
可选地，所述步骤S1中根据所述正面评价集和所述负面评价集在每一条语音回答路径上的分布情况以及所述具体案例所对应的语音回答路径来对所述语音分析模型中不同语音回答路径的分值进行计算包括：
S11、获取所述正面评价集和所述负面评价集在每一条语音回答路径上的用户分布数量，并将所述具体案例的评价按照预设倍数转化为所对应的语音回答路径上对应评价的用户分布数量；
S12、按照每一个评价的评价程度对所有评价进行加权计算，得到评价基准值；
S13、计算并得到每一条语音回答路径在所有历史产品上的用户总数，判断每一条语音回答路径上的用户总数是否达到第一阈值，若是，则对达到的第一语音回答路径中每一个整体挖掘评价的评价程度进行加权计算，得到所述第一语音回答路径的评价分值，并执行步骤S14，否则对未达到的第二语音回答路径不进行分值计算；
S14、根据所述第一语音回答路径的评价分值和所述评价基准值的差值得到所述第一语音回答路径的路径意向评分；
所述步骤S2中根据更新后的语音分析模型对外呼用户的语音回答进行评分以得到回答意向评分包括：
基于更新后的语音分析模型，判断所述外呼用户的当前语音回答路径上是否存在路径意向评分，若是，则将所述当前语音回答路径的路径意向评分作为回答意向评分进行输出，否则对于外呼用户的当前回答进行分数累加之后得到累加意向评分，将所述累加意向评分作为回答意向评分进行输出。
根据上述描述可知，首先，当语音回答路径的用户样本量足够时，才能保证这条语音回答路径的挖掘分析结果的准确性；其次，在所有评价的评价基准值上来判断不同的语音回答路径是否偏差较大，从而找出具有潜在关联关系的语音回答路径来得到路径意向评分，之后以累加意向评分作为基础，只有在外呼用户的实时语音回答是具有潜在关联关系的语音回答路径时，才使用路径意向评分，使得这条语音回答路径的用户挖掘结果更加准确，以提高用户倾向结果的准确性，并保证其稳定性。
可选地，所述步骤S14包括：
判断每一条所述第一语音回答路径的评价分值是否落入所述评价基准值的上下限允许范围内，若是，则对落入的第一语音回答路径不进行分值计算；
否则获取所述第一语音回答路径所对应的累加意向评分，按照所述第一语音回答路径的评价分值减去所述评价基准值的差值对所述累加意向评分进行加权计算以得到所述第一语音回答路径的路径意向评分，其中，若所述累加意向评分所对应的是正面的，则所述路径意向评分是随差值的增大而增大，若所述累加意向评分所对应的是负面的，则所述路径意向评分是随差值的增大而减小。
根据上述描述可知，即对整体评价偏差不大的情况下，认为这条语音回答路径是在合理的误差范围，因而沿用之前的累加意向评分进行输出即可。而当某条语音回答路径和整体评价偏差较大时，则说明这条语音回答路径的累加意向评分不准确，因此需要根据累加意向评分所对应的正面还是负面的来进行加权计算，得到一个路径意向评分，以得到更加准确的一个用户挖掘结果。
可选地，所述预设倍数按照对应的历史产品的用户基数来进行设定。
可选地，所述步骤S2中将包括所述回答意向评分的外呼用户推送给客户包括：
将所述回答意向评分转换为购买倾向等级，将包括所述购买倾向等级的外呼用户推送给客户。
根据上述描述可知，展示给客户的是购买倾向等级，更加通俗易懂。
可选地，所述步骤S2包括：
在对外呼用户进行客户的新产品推销时，若根据所述外呼用户的语音能判断出所述外呼用户的口音，则进一步判断所述口音所对应的区域消费习惯是否与所述新产品之间有关联性，若有，则按照关联性的程度得到所述口音权重系数；
根据更新后的语音分析模型对外呼用户的语音回答进行评分以得到回答意向评分，将所述回答意向评分和所述口音权重系数进行相乘之后得到最终意向评分，将包括所述最终意向评分的外呼用户推送给客户。
根据上述描述可知，在进行语音识别时，会有考虑根据口音来提高语音识别的准确性，但本发明在此基础上，将口音对应的区域所代表的消费习惯来与新产品之间进行关联性判断，从而进一步提高用户挖掘的准确性。
可选地，所述步骤S2包括：
在对外呼用户进行客户的新产品推销时，若根据所述外呼用户的语音能判断出所述外呼用户的情绪，则按照情绪的程度得到所述情绪权重系数；
根据更新后的语音分析模型对外呼用户的语音回答进行评分以得到回答意向评分，将所述回答意向评分和所述情绪权重系数进行相乘之后得到最终意向评分，将包括所述最终意向评分的外呼用户推送给客户。
根据上述描述可知，用户的情绪相较于言语来说也具有一定的参考性，因此，考虑情绪权重系数也能进一步提高用户挖掘的准确性。
可选地，所述步骤S2还包括：
当所述外呼用户的回答意向评分为中立倾向时，则对所述外呼用户进行回访以更新所述外呼用户的回答意向评分。
根据上述描述可知，对于中立倾向的外呼用户，可以考虑进一步回访来明确其意向。
可选地，所述步骤S2包括：
在对外呼用户进行客户的新产品推销时，实时判断所述外呼用户的通话过程是否出现通话质量低于预设质量阈值的时间段，若是，则将其标记为通话不佳时间段；
判断所述外呼用户的最后一个通话不佳时间段是否发生在还未介绍新产品的语音之前且外呼结束的时间点是否在最后一个通话不佳时间段，若同时满足，则此次不进行评分，且对所述外呼用户进行回访；
否则将所述通话不佳时间段都作为中立进行计分，然后根据更新后的语音分析模型对所述外呼用户在除所述通话不佳时间段之外的语音回答进行评分以得到回答意向评分，将包括所述最终意向评分的外呼用户推送给客户。
根据上述描述可知，通过对通话不佳时间段的识别以及不同场景的区分处理，避免因为通话不佳而带来的用户挖掘偏差，从而进一步提高用户挖掘的准确性。
附图说明
图1为本发明实施例的基于语音分析的潜在用户挖掘方法的主要流程示意图；
图2为本发明实施例的基于语音分析的潜在用户挖掘方法的整体流程示意图；
图3为本发明实施例涉及的语音回答路径的示意图；
具体实施方式
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例一
在实际业务场景中，客户需要对某一产品进行电话推销，若都采用人工推销，则耗时耗力耗成本，因此，需要先进行智能客服推销，由智能客服先进行第一轮的电话推销，从而得到有一定意向的用户再进行人工外呼。由此，通过智能客服在和外呼用户的沟通过程中，根据外呼用户的语音回答内容来判断该外呼用户是否有购买倾向就至关重要了。而现有技术，使用累加评分所得到的用户购买倾向返回给客户时，会出现好、较好、一般、较差、很差等整体挖掘评价，准确性较低且波动性较大，因此，本实施例提供的基于语音分析的潜在用户挖掘方法，能够提高用户倾向结果的准确性，并保证其稳定性。
请参照图1至图3，基于语音分析的潜在用户挖掘方法，包括步骤：
S1、获取客户对于每一个历史产品的整体挖掘评价以及所反馈的具体案例，将整体挖掘评价分成正面评价集和负面评价集，并根据正面评价集和负面评价集在每一条语音回答路径上的分布情况以及具体案例所对应的语音回答路径来对语音分析模型中不同语音回答路径的分值进行计算，语音回答路径为从外呼开始到外呼结束过程中的回答全过程。
在本实施例中，客户是指需要进行产品推销的人，将产品委托我方进行智能客服推销，由我方进行智能电话推销，我方根据外呼用户的语音回答得到其购买倾向之后，再反馈给客户，由客户进行下一步的人工推销或者是短信推销。之后，客户会根据推销结果向我方回馈本次产品的整体挖掘评价，并会提供部分具体案例给我方，比如这次产品的整体挖掘评价为“很差”，比如某某某用户你们这边购买倾向等级为“强烈”，但是人工推销时，这个用户明确对这次产品不感兴趣。因此，我方并不会收到每一个外呼用户的最终推销结果，只会收到客户对于每一个历史产品的整体挖掘评价以及所反馈的具体案例。
如图2所示，步骤S1中根据正面评价集和负面评价集在每一条语音回答路径上的分布情况以及具体案例所对应的语音回答路径来对语音分析模型中不同语音回答路径的分值进行计算包括：
S11、获取正面评价集和负面评价集在每一条语音回答路径上的用户分布数量，并将具体案例的评价按照预设倍数转化为所对应的语音回答路径上对应评价的用户分布数量。
其中，预设倍数按照对应的历史产品的用户基数来进行设定。
如图3所示，语音回答路径即在开场白之后会根据客户的不同语音回答情况而进行不同的语音推销，在有些情况下，不同的语音回答的下一语音也可能相同，比如当前语音P的下一语音也可能是O2，比如上一语音是新产品的概括，然后外呼用户回答“好的”、“我很感兴趣”此类非常积极的语音回答，或者是回答“你蛮说一下”、“然后呢”此类表示观望的语音回答，这是不同类型的语音回答，但二者的下一语音都会对应到新产品的具体介绍，故而此处根据实际中设计的话术进行对应。
在本实施例中，客户的反馈有正面的，比如很好、挺好的、还可以；也有负面的，比如很差、挺差的、一般。若是中性的，比如正常的，则将这次产品的评价不进行计数。
在本实施例中，对于每一个历史产品都会保留推销的外呼用户和其对应的语音回答路径，因此，每一个历史产品的每一条语音回答路径都有其对应的外呼用户数量，而如果历史产品的整体评价是正面的，则将这个历史产品在这条语音回答路径的上外呼用户数理都作为正面的，反之亦然。而对于具体案例来说，是具有明确的倾向，因此可以按照预设倍数进行转换，其中，预设倍数按照对应的历史产品的用户基数来进行设定。比如用户的基数是10000，某条语音回答路径上的人平均是200，则一个具体案例可以按照10%的比例，即20人算进去，按照20%就是40个用户。具体可以根据实际情况进行设定。这样，根据整体挖掘评价以及所反馈的具体案例就得到了每一条语音回答路径上正面评价和负面评价的用户分布数量。
S12、按照每一个评价的评价程度对所有评价进行加权计算，得到评价基准值。
其中，客户的整体挖掘评价也是有评价程度的，像很好、挺好的、还可以就是依次递减的正面评价，比如很差、挺差的、一般就是依次递减的负面评价。此类的加权计算通常采用加权系数进行计算，以正面评价只包括很好、好和较好三个评价程度，负面评价只包括很差、差和较差三个评价程度，则很好、好、较好、较差、差和很差的加权系数可以分别为：1、0.8、0.6、0.4、0.2和0。该加权系数遵循沿着负面到正面的方向，评价程度越高其数值越大的原则，至于对应比例，在实际应用过程中会进行调整，比如最终调整后的数值可能是1、0.84、0.63、0.37、0.18和0。
由此，对于所有的评价都进行计算之后，得到了我方在给客户进行服务之后的评价基准值，评价基准值代表着所有历史产品的一个平均评价程度。
S13、计算并得到每一条语音回答路径在所有历史产品上的用户总数，判断每一条语音回答路径上的用户总数是否达到第一阈值，若是，则对达到的第一语音回答路径中每一个整体挖掘评价的评价程度进行加权计算，得到第一语音回答路径的评价分值，并执行步骤S14，否则对未达到的第二语音回答路径不进行分值计算。
在本实施例中，当语音回答路径的用户总数达到第一阈值，即表示用户样本量足够，才能保证这条语音回答路径的挖掘分析结果的准确性。其中第一阈值可以为10、16、32等等数值。
在达到了阈值之后的语音回答路径统称为第一语音回答路径，此时，根据第一语音回答路径中每一个整体挖掘评价的评价程度对其对应的用户分布数量进行加权计算之后，得到了这条语音回答路径的评价分值。
S14、根据第一语音回答路径的评价分值和评价基准值的差值得到第一语音回答路径的路径意向评分；
其中，步骤S14包括：
S141、判断每一条第一语音回答路径的评价分值是否落入评价基准值的上下限允许范围内，若是，则对落入的第一语音回答路径不进行分值计算.
其中，在整体评价偏差不大的情况下，认为这条语音回答路径是在合理的误差范围，因而沿用之前的累加意向评分进行输出即可，故而不进行分值计算。
其中，本实施例的上下限允许范围内为15%，在其他实施例中，可以按照语音回答路径的评价分值的正态分布，取20%至80%之间的数值作为上下限允许范围。
S142、否则获取第一语音回答路径所对应的累加意向评分，按照第一语音回答路径的评价分值减去评价基准值的差值对累加意向评分进行加权计算以得到第一语音回答路径的路径意向评分，其中，若累加意向评分所对应的是正面的，则路径意向评分是随差值的增大而增大，若累加意向评分所对应的是负面的，则路径意向评分是随差值的增大而减小。
其中，当某条语音回答路径和整体评价偏差较大时，则说明这条语音回答路径的累加意向评分不准确，因此需要根据累加意向评分所对应的正面还是负面的来进行加权计算，得到一个路径意向评分，来替换原有的累加意向评分。
比如按照十分制来说，七个评价程度：很好、好、较好、正常、较差、差和很差的加权系数可以分别为：1、0.8、0.6、0.5、0.4、0.2和0。则某一条语音回答路径上一共有633人，其中六个评价程度的用户人数分别为36、148、127、94、63和16，合计为484人，其中还有149人为中立。此时加权之后即为36*1+148*0.84、127*0.63+94*0.37+63*0.18=286.45，即10*286.45/484=5.92分，而对应到评价基准值为5.53分，按照上下限允许范围为15%可知，这条语音回答路径的评价分值落入评价基准值的上下限允许范围（4.70,6.36）内。
而如果另外一条语音回答路径的评价分值为6.81分，则按照第一语音回答路径的评价分值减去评价基准值的差值为1.28，则此处的加权计算为直接加法运算，即原本这条语音回答路径的累加意向评分为6.4，加上1.28则路径意向评分为7.68。
而如果另外一条语音回答路径的评价分值为4.57分，则按照第一语音回答路径的评价分值减去评价基准值的差值为-0.96，则此处的加权计算为直接加法运算，即原本这条语音回答路径的累加意向评分为4.8，加上-0.96则路径意向评分为3.84。
S2、在对外呼用户进行客户的新产品推销时，根据更新后的语音分析模型对外呼用户的语音回答进行评分以得到回答意向评分，将包括回答意向评分的外呼用户推送给客户。
其中，步骤S2中将包括回答意向评分的外呼用户推送给客户包括：
将回答意向评分转换为购买倾向等级，将包括购买倾向等级的外呼用户推送给客户。
即在本实施例中，展示给客户的外呼用户的购买倾向等级，比如购买倾向等级有A、B、C、D、E、F和G七个等级，对应：很强烈的购买倾向、有购买倾向、有兴趣了解产品、中立、对产品不感兴趣、没有购买倾向以及十分排斥这次产品或者电话推销。其中，按照十分制对应的区间为[10,9)、[9,7.5)、[7.5,5.5)、[5.5,4.5]、(4.5,2.5]、(2.5,1]、(1,0]、则上述的6.4分、7.68分、4.57分和3.84分分别对应C、B、E、E等级。
如图2所示，当进行新产品推销时，考虑到路径意向评分，则步骤S2中根据更新后的语音分析模型对外呼用户的语音回答进行评分以得到回答意向评分包括：
基于更新后的语音分析模型，判断外呼用户的当前语音回答路径上是否存在路径意向评分，若是，则将当前语音回答路径的路径意向评分作为回答意向评分进行输出，否则对于外呼用户的当前回答进行分数累加之后得到累加意向评分，将累加意向评分作为回答意向评分进行输出。
即对于整体偏差不大的语音回答路径，依旧采用累加意向评分，而对于偏差较大的语音回答路径，则采用路径意向评分。
其中，步骤S2还包括：
当外呼用户的回答意向评分为中立倾向时，则对外呼用户进行回访以更新外呼用户的回答意向评分。
即对于中立倾向的外呼用户，可以考虑进一步回访来明确其意向。
由此，本实施例通过对历史产品的反馈评价来计算出不同语音回答路径的分值，一方面，通过实际的反馈评价不断更新语音分析模型，能够保证语音分析模型对用户的挖掘更加符合客户需求，即能提高用户倾向结果的准确性；另一方面，相较于现有直接采用各个回答的累加评分，本发明充分考虑不同回答之间的潜在关联关系，通过对外呼开始到外呼结束过程中的回答全过程进行评分，以在现有累加评分结果的基础上，对同样累加评分但不同回答路径的用户进行进一步的挖掘识别，消除部分回答路径所存在的偏差，从而在提高用户倾向结果的准确性的基础上，保证其稳定性。
实施例二
请参照图1至图3，基于语音分析的潜在用户挖掘方法，本实施例在上述实施例一的基础上，步骤S2替换为：
S21、在对外呼用户进行客户的新产品推销时，若根据外呼用户的语音能判断出外呼用户的口音，则进一步判断口音所对应的区域消费习惯是否与新产品之间有关联性，若有，则按照关联性的程度得到口音权重系数。
其中，根据购物网站或者调查机构得到的不同区域的消费习惯，就以食物口味来说，四川、重庆等地喜欢辣酸口味，江苏、浙江、福建等地喜欢清淡偏甜口味；而以食物种类来分，南方吃米，北方吃面也是区域特色；而以消费风格来说，上海的倾向为高端型、重庆倾的倾向为安逸型、杭州的倾向为创新型等等。不同区域的消费习惯代表着区域住户的消费习惯，也代表着其消费倾向。在本实施例中，口音权重系数的比例为95%-105%，即如果明确这个区域对这个新产品为正面消费倾向，则为105%，若明确这个区域对这个新产品为负面消费倾向，则为95%。
S22、在对外呼用户进行客户的新产品推销时，若根据外呼用户的语音能判断出外呼用户的情绪，则按照情绪的程度得到情绪权重系数；
如上同理，其用户的情绪权重系数为96%-104%。
S23、根据更新后的语音分析模型对外呼用户的语音回答进行评分以得到回答意向评分，将回答意向评分、口音权重系数和情绪权重系数进行相乘之后得到最终意向评分，将包括最终意向评分的外呼用户推送给客户。
结合上述实施例一的例子，路径意向评分为7.68，对应的购买倾向等级为B等级。此时口音权重系数和情绪权重系数分别为105%、104%，则最终意向评分为7.68*105%*104%=8.39，则依然在B等级中。
实施例三
请参照图1至图3，基于语音分析的潜在用户挖掘方法，本实施例在上述实施例一的基础上，步骤S2替换为：
S21’、在对外呼用户进行客户的新产品推销时，实时判断外呼用户的通话过程是否出现通话质量低于预设质量阈值的时间段，若是，则将其标记为通话不佳时间段；
即对于通话质量较低的时间段，经常出现外呼用户并未听清产品介绍的情况，此时基于通话质量较低时所捕抓到的没有购买倾向的意向很可能是对通话质量的不满或是断章取义，因此，将这些时间段进行记录。
S22’、判断外呼用户的最后一个通话不佳时间段是否发生在还未介绍新产品的语音之前且外呼结束的时间点是否在最后一个通话不佳时间段，若同时满足，则此次不进行评分，且对外呼用户进行回访；
即外呼用户是在还未进行产品介绍就因为听不清楚而挂断的，则应该对外呼用户进行回访来进行进一步的意向判断，从而保证潜在用户挖掘的准确性。
S23’、否则将通话不佳时间段都作为中立进行计分，然后根据更新后的语音分析模型对外呼用户在除通话不佳时间段之外的语音回答进行评分以得到回答意向评分，将包括最终意向评分的外呼用户推送给客户。
即整个通话过程有部分是包括通话不佳时间段，则将其忽略不计分，避免因为语音不完整而导致的理解偏差问题，之后按照实施例一或二中的方法进行评分即可。
实施例四
请参照图1至图3，基于语音分析的潜在用户挖掘方法，本实施例在上述实施例一的基础上，步骤S2之后还包括：
S3、在得到每一条语音回答路径上的评价分值之后，对于同一个累加评分结果的不同语音回答路径的评价分值进行。
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。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。
Claims (7)
1.基于语音分析的潜在用户挖掘方法，其特征在于，包括步骤：
S1、获取客户对于每一个历史产品的整体挖掘评价以及所反馈的具体案例，将所述整体挖掘评价分成正面评价集和负面评价集，并根据所述正面评价集和所述负面评价集在每一条语音回答路径上的分布情况以及所述具体案例所对应的语音回答路径来对语音分析模型中不同语音回答路径的分值进行计算，所述语音回答路径为从外呼开始到外呼结束过程中的回答全过程；
S2、在对外呼用户进行客户的新产品推销时，根据更新后的语音分析模型对外呼用户的语音回答进行评分以得到回答意向评分，将包括所述回答意向评分的外呼用户推送给客户；
所述步骤S1中根据所述正面评价集和所述负面评价集在每一条语音回答路径上的分布情况以及所述具体案例所对应的语音回答路径来对所述语音分析模型中不同语音回答路径的分值进行计算包括：
S11、获取所述正面评价集和所述负面评价集在每一条语音回答路径上的用户分布数量，并将所述具体案例的评价按照预设倍数转化为所对应的语音回答路径上对应评价的用户分布数量；
S12、按照每一个评价的评价程度对所有评价进行加权计算，得到评价基准值；
S13、计算并得到每一条语音回答路径在所有历史产品上的用户总数，判断每一条语音回答路径上的用户总数是否达到第一阈值，若是，则对达到的第一语音回答路径中每一个整体挖掘评价的评价程度进行加权计算，得到所述第一语音回答路径的评价分值，并执行步骤S14，否则对未达到的第二语音回答路径不进行分值计算；
S14、根据所述第一语音回答路径的评价分值和所述评价基准值的差值得到所述第一语音回答路径的路径意向评分；
所述步骤S2中根据更新后的语音分析模型对外呼用户的语音回答进行评分以得到回答意向评分包括：
基于更新后的语音分析模型，判断所述外呼用户的当前语音回答路径上是否存在路径意向评分，若是，则将所述当前语音回答路径的路径意向评分作为回答意向评分进行输出，否则对于外呼用户的当前回答进行分数累加之后得到累加意向评分，将所述累加意向评分作为回答意向评分进行输出；
所述步骤S14包括：
判断每一条所述第一语音回答路径的评价分值是否落入所述评价基准值的上下限允许范围内，若是，则对落入的第一语音回答路径不进行分值计算；
否则获取所述第一语音回答路径所对应的累加意向评分，按照所述第一语音回答路径的评价分值减去所述评价基准值的差值对所述累加意向评分进行加权计算以得到所述第一语音回答路径的路径意向评分，其中，若所述累加意向评分所对应的是正面的，则所述路径意向评分是随差值的增大而增大，若所述累加意向评分所对应的是负面的，则所述路径意向评分是随差值的增大而减小。
2.根据权利要求1所述的基于语音分析的潜在用户挖掘方法，其特征在于，所述预设倍数按照对应的历史产品的用户基数来进行设定。
3.根据权利要求1所述的基于语音分析的潜在用户挖掘方法，其特征在于，所述步骤S2中将包括所述回答意向评分的外呼用户推送给客户包括：
将所述回答意向评分转换为购买倾向等级，将包括所述购买倾向等级的外呼用户推送给客户。
4.根据权利要求1至3任一所述的基于语音分析的潜在用户挖掘方法，其特征在于，所述步骤S2包括：
在对外呼用户进行客户的新产品推销时，若根据所述外呼用户的语音能判断出所述外呼用户的口音，则进一步判断所述口音所对应的区域消费习惯是否与所述新产品之间有关联性，若有，则按照关联性的程度得到口音权重系数；
根据更新后的语音分析模型对外呼用户的语音回答进行评分以得到回答意向评分，将所述回答意向评分和所述口音权重系数进行相乘之后得到最终意向评分，将包括所述最终意向评分的外呼用户推送给客户。
5.根据权利要求1至3任一所述的基于语音分析的潜在用户挖掘方法，其特征在于，所述步骤S2包括：
在对外呼用户进行客户的新产品推销时，若根据所述外呼用户的语音能判断出所述外呼用户的情绪，则按照情绪的程度得到情绪权重系数；
根据更新后的语音分析模型对外呼用户的语音回答进行评分以得到回答意向评分，将所述回答意向评分和所述情绪权重系数进行相乘之后得到最终意向评分，将包括所述最终意向评分的外呼用户推送给客户。
6.根据权利要求1至2任一所述的基于语音分析的潜在用户挖掘方法，其特征在于，所述步骤S2还包括：
当所述外呼用户的回答意向评分为中立倾向时，则对所述外呼用户进行回访以更新所述外呼用户的回答意向评分。
7.根据权利要求1至3任一所述的基于语音分析的潜在用户挖掘方法，其特征在于，所述步骤S2包括：
在对外呼用户进行客户的新产品推销时，实时判断所述外呼用户的通话过程是否出现通话质量低于预设质量阈值的时间段，若是，则将其标记为通话不佳时间段；
判断所述外呼用户的最后一个通话不佳时间段是否发生在还未介绍新产品的语音之前且外呼结束的时间点是否在最后一个通话不佳时间段，若同时满足，则此次不进行评分，且对所述外呼用户进行回访；
否则将所述通话不佳时间段都作为中立进行计分，然后根据更新后的语音分析模型对所述外呼用户在除所述通话不佳时间段之外的语音回答进行评分以得到回答意向评分，将包括所述回答意向评分的外呼用户推送给客户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310556090.1A CN116303978B (zh) | 2023-05-17 | 2023-05-17 | 基于语音分析的潜在用户挖掘方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310556090.1A CN116303978B (zh) | 2023-05-17 | 2023-05-17 | 基于语音分析的潜在用户挖掘方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116303978A CN116303978A (zh) | 2023-06-23 |
| CN116303978B true CN116303978B (zh) | 2023-08-15 |
Family
ID=86794552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310556090.1A Active CN116303978B (zh) | 2023-05-17 | 2023-05-17 | 基于语音分析的潜在用户挖掘方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116303978B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117240964B (zh) * | 2023-11-16 | 2024-02-27 | 福建博士通信息股份有限公司 | 一种通话过程中的语音识别方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014115499A (ja) * | 2012-12-11 | 2014-06-26 | Nippon Hoso Kyokai <Nhk> | 音声認識装置、誤り修正モデル学習方法、及びプログラム |
| CN108053023A (zh) * | 2017-12-01 | 2018-05-18 | 北京物灵智能科技有限公司 | 一种自动式意图分类方法及装置 |
| CN109688281A (zh) * | 2018-12-03 | 2019-04-26 | 复旦大学 | 一种智能语音交互方法及系统 |
| CN110110058A (zh) * | 2019-04-22 | 2019-08-09 | 南京硅基智能科技有限公司 | 一种外呼机器人的意向打分方法及系统 |
| CN110874533A (zh) * | 2018-08-14 | 2020-03-10 | 杭州智语网络科技有限公司 | 一种基于语音识别后的关键词匹配和应答路径的意向识别方法 |
| CN111091832A (zh) * | 2019-11-28 | 2020-05-01 | 秒针信息技术有限公司 | 一种基于语音识别的意向评估方法和系统 |
| CN112884083A (zh) * | 2021-03-31 | 2021-06-01 | 中国工商银行股份有限公司 | 智能外呼处理方法和装置 |
| CN113935309A (zh) * | 2021-09-13 | 2022-01-14 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于语义平台的技能优化处理方法及系统 |
-
2023
- 2023-05-17 CN CN202310556090.1A patent/CN116303978B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014115499A (ja) * | 2012-12-11 | 2014-06-26 | Nippon Hoso Kyokai <Nhk> | 音声認識装置、誤り修正モデル学習方法、及びプログラム |
| CN108053023A (zh) * | 2017-12-01 | 2018-05-18 | 北京物灵智能科技有限公司 | 一种自动式意图分类方法及装置 |
| CN110874533A (zh) * | 2018-08-14 | 2020-03-10 | 杭州智语网络科技有限公司 | 一种基于语音识别后的关键词匹配和应答路径的意向识别方法 |
| CN109688281A (zh) * | 2018-12-03 | 2019-04-26 | 复旦大学 | 一种智能语音交互方法及系统 |
| CN110110058A (zh) * | 2019-04-22 | 2019-08-09 | 南京硅基智能科技有限公司 | 一种外呼机器人的意向打分方法及系统 |
| CN111091832A (zh) * | 2019-11-28 | 2020-05-01 | 秒针信息技术有限公司 | 一种基于语音识别的意向评估方法和系统 |
| CN112884083A (zh) * | 2021-03-31 | 2021-06-01 | 中国工商银行股份有限公司 | 智能外呼处理方法和装置 |
| CN113935309A (zh) * | 2021-09-13 | 2022-01-14 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于语义平台的技能优化处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116303978A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280670B (zh) | 种子人群扩散方法、装置以及信息投放系统 | |
| Hsieh et al. | Smoking, health knowledge, and anti-smoking campaigns: An empirical study in Taiwan | |
| CN116303978B (zh) | 基于语音分析的潜在用户挖掘方法 | |
| CN101933085B (zh) | 音频质量客观感知评估方法及其设备 | |
| CN110633912A (zh) | 监测服务人员服务质量的方法及系统 | |
| CN105975496A (zh) | 一种基于上下文感知的音乐推荐方法及装置 | |
| CN113297365B (zh) | 一种用户意向判定方法、装置、设备及存储介质 | |
| CN109525737B (zh) | 一种呼叫接入控制方法及系统 | |
| CN110705309A (zh) | 服务质量评测方法及系统 | |
| CN117240964B (zh) | 一种通话过程中的语音识别方法 | |
| CN111898860A (zh) | 一种数字视听场所选址及经营策略生成方法及存储介质 | |
| CN111782939A (zh) | 一种基于用户偏好与用户属性的个性化推荐方法 | |
| CN110189092B (zh) | 审核组成员评估方法及装置 | |
| CN113194210B (zh) | 一种语音通话接入方法及装置 | |
| CN118037401A (zh) | 基于知识图谱的农产品电商推荐系统 | |
| CN111368131B (zh) | 用户关系识别方法、装置、电子设备及存储介质 | |
| CN116030788B (zh) | 一种智能语音交互方法及装置 | |
| CN110858234A (zh) | 一种根据人物情感进行信息推送的方法及装置 | |
| CN112365302B (zh) | 产品推荐网络的训练方法、装置、设备及介质 | |
| CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
| CN114565408A (zh) | 一种广告投放的竞价预测方法及系统 | |
| KR100634670B1 (ko) | 변형된 확산모형 및 통화수요 모형을 이용한 상품 및서비스 수요 예측 방법 | |
| CN114023355B (zh) | 基于人工智能的坐席外呼质检方法及系统 | |
| CN111009258A (zh) | 一种单声道说话人分离模型、训练方法和分离方法 | |
| CN112016940A (zh) | 模型建立方法及设备、网络满意度评估方法及设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |