CN116307176A - 一种客服中心场景下融合情感分析的业务流程预测方法 - Google Patents

一种客服中心场景下融合情感分析的业务流程预测方法 Download PDF

Info

Publication number
CN116307176A
CN116307176A CN202310258877.XA CN202310258877A CN116307176A CN 116307176 A CN116307176 A CN 116307176A CN 202310258877 A CN202310258877 A CN 202310258877A CN 116307176 A CN116307176 A CN 116307176A
Authority
CN
China
Prior art keywords
customer service
prediction
emotion
business process
service center
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
CN202310258877.XA
Other languages
English (en)
Inventor
程龙
杜丽
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202310258877.XA priority Critical patent/CN116307176A/zh
Publication of CN116307176A publication Critical patent/CN116307176A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种客服中心场景下融合情感分析的业务流程预测方法，尤指一种在客服中心场景下，考虑通话时长属性，并且在使用深度学习技术执行预测的过程中进一步融合了通话中的情感信息的业务流程预测方法。本发明在事件基本属性的基础上引入客服与客户的通话时长属性，并根据预测模型的需要编码为一维序列或二维矩阵；采用情感分析技术对客服中心场景下提取的客服与客户的通话内容进行处理，转化为情感特征向量；构建深度学习预测模型，输入增加了客服与客户的通话时长维度的轨迹特征向量，并进一步融合通话转化的情感特征向量，对分类和回归业务流程预测任务进行预测，输出预测结果。该方法提升了客服中心场景下业务流程预测任务的预测效果。

Description

一种客服中心场景下融合情感分析的业务流程预测方法
技术领域
本发明涉及业务流程智能预测领域，具体说是一种客服中心场景下融合情感分析的业务流程预测方法。
背景技术
流程挖掘支持从历史执行数据中发现流程模型，通过分析流程日志来发现、监控和改进业务流程。
业务流程预测是近年来流程挖掘中的一个热点研究话题，其目标是对正在执行中的业务流程进行预测分析，预判当前实例未来可能的执行状态。业务流程预测是流程优化的重要手段，如果能够准确预估一个正在执行的流程实例的后续执行状态，那么便可以提前预知未来可能出现的超时风险、流程偏离或执行失败，以便相关人员能够采取主动的纠正措施来降低流程风险并提高业务流程执行的质量和效率。
传统的业务流程预测方法主要通过业务流程的执行日志中挖掘出的诸如变迁系统、随机Petri网、流程树等流程模型来进行流程预测。近几年，一些研究者将机器学习方法尤其是深度学习方法应用在了业务流程预测的各项任务中并且取得了比基于传统流程模型方法更好的结果，这在一定程度上说明了深度学习方法在业务流程预测的相关任务中有着广泛的应用前景。
随着信息通信技术和移动互联网技术的快速发展，客服中心从以电话为主要接入渠道的传统模式，逐渐向融合了电话、网页、邮件、短信和APP等多种渠道的新型在线客服模式演进，服务效率获得较大提升，功能角色和价值定位持续发生着演变。
客户在与客服沟通时往往非常直率，对话中包含大量的情感词、语气词，其中蕴含着客户对产品和服务的态度、消费情感和意图等信息。现有的研究认为，客户情绪与认知具有相关性，且明显影响着顾客满意度及后续行为，情绪在一定程度上可以作为客户选择的观测点，所以客服对话数据中的情感信息对于预测正在执行的业务流程实例的未来执行状态有很重要的研究意义。然而，已有工作很少关注客服对话中的客户情感对业务流程预测的影响，这些数据中的情感可以保存对预测任务至关重要的信息。
常见的业务流程预测方法包括：通过显式流程模型进行业务流程预测，通过深度学习模型进行业务流程预测。
通过显式流程模型进行业务流程预测，是指通过专家设计或挖掘算法从过往业务流程的执行日志中挖掘出诸如变迁系统、随机Petri网、流程树等显式流程模型来设计业务流程预测。但该方法往往难以有效解决数据量大且变化多样的真实事件日志。
通过深度学习模型进行业务流程预测，是指基于海量的流程日志数据，利用深度学习方法自动学习流程实例中的特征表示，构建预测模型预测流程实例的各项任务。虽然深度学习神经网络的引入可以从数量庞大的事件日志中提取有价值的信息，但该方法没有针对客服中心场景做过业务流程预测，没有考虑客服中心中的独有属性及融合通话中客户传达的情感信息，导致该方法在客服中心场景下的预测效果较差。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种客服中心场景下融合情感分析的业务流程预测方法，尤指一种在客服中心场景下，考虑通话时长属性，并且在使用深度学习技术执行预测的过程中进一步融合了通话中的情感信息的业务流程预测方法。
方法针对客服中心场景，考虑客服中心中的独有属性通话时长，并且在使用深度学习技术执行业务流程预测的过程中融合通话中客户传达的情感信息，最终提升了客服中心场景下业务流程预测任务的预测效果。
为达到以上目的，本发明采取的技术方案是：
一种客服中心场景下融合情感分析的业务流程预测方法，包括如下步骤：
步骤一：依次遍历事件日志中每条轨迹，生成前缀轨迹集，其中，轨迹属性包括：活动名称、活动时间戳和客服与客户的通话时长，并将事件轨迹编码为一维序列或二维矩阵；
步骤二：采用情感分析技术对客服中心场景下提取的客服与客户的通话内容进行处理，计算通话中的情感，转化为情感特征向量；
步骤三：在客服中心场景下基于深度神经网络构建预测模型，输入步骤一所述一维序列或二维矩阵，并融合所述情感特征向量，学习一个对分类或回归任务进行预测的深度学习模型；
步骤四：针对分类预测任务或回归预测任务，输出预测结果。
进一步地，步骤一中：
通话时长构建为一维序列的过程包括：首先，按照轨迹中事件的执行顺序将轨迹属性转换为值序列；然后，编码转换所述值序列，并填充成最大前缀轨迹长度；
通话时长构建为二维矩阵的过程包括：首先，将轨迹属性转换成矩阵形式，所述矩阵的行维度为前缀轨迹长度的最大值，列维度为日志中的活动列表，然后，填充特征矩阵。
进一步地，步骤二具体包括：采用情感分析技术提取通话中的情感信息，并转换为情感特征向量，用于融入客服中心场景下的业务流程预测中。
进一步地，所述分类预测任务为对业务流程活动进行预测，包括预测下个活动、预测案例结果；所述回归预测任务为对业务流程时间进行预测，包括预测下个活动时间、预测案例剩余时间、预测案例结束时间。
本发明所述的一种客服中心场景下融合情感分析的业务流程预测方法，针对客服中心场景使用深度学习技术执行业务流程预测，考虑了客服中心中的独有属性通话时长，并且融合了通话中的情感信息，预测效果好、效率高。
附图说明
本发明有如下附图：
图1本发明一种客服中心场景下融合情感分析的业务流程预测方法流程图；
图2通话时长一维序列向量构建示意图；
图3通话时长二维矩阵向量构建示意图；
图4客服与客户的通话内容处理示意图；
图5深度学习模型预测结果对比图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明主要是针对客服中心场景使用深度学习技术执行业务流程预测，考虑了客服中心中的独有属性通话时长，并且在预测的执行过程中进一步融合了通话中的情感信息，最终提升客服中心场景下业务流程预测任务的预测效果。本发明所述方法的输入是大规模事件日志，输出为对客服中心场景下的业务流程任务的预测结果。本发明所述方法的总体流程如图1所示，其中关键流程为：
通话时长构建为一维序列过程为：首先，按照轨迹中事件的执行顺序将事件基本属性(活动名称、时间戳)及通话时长属性转换为值序列。然后，编码转换的序列，并填充成最大前缀轨迹长度。
通话时长构建为二维矩阵过程为：首先，将事件基本属性(活动名称、时间戳)及通话时长属性转换成矩阵形式。矩阵的行维度为前缀轨迹长度的最大值，列维度为日志中的活动列表。然后，根据属性对应的值填充特征矩阵。
客服与客户的通话内容处理过程为：采用情感分析技术提取通话中的情感信息，并转换为情感特征向量，以融合入客服中心场景下的业务流程预测中。
1.通话时长一维序列向量构建：
若深度学习预测模型要求输入序列形式，则需要把事件基本属性(活动名称、时间戳)及通话时长属性处理成一维序列向量作为模型输入。首先，按照轨迹中事件的执行顺序将事件基本属性(活动名称、时间戳)及通话时长属性转换为值序列。然后，编码转换的序列，并填充成最大前缀轨迹长度。
实现示例：
如图2，以通话时长属性为例，首先，将轨迹的通话时长属性转换为数值序列。例如，Prefix Trace Id为2的前缀轨迹中事件通话时长为30，0.5，那他对应转换的通话时长数值序列为30，0.5。然后，数值序列经过min-max进行编码后填充成最大前缀轨迹长度3作为预测模型的输入。
2.通话时长二维矩阵向量构建：
若深度学习预测模型要求输入矩阵形式，则需要把事件基本属性(活动名称、时间戳)及通话时长属性处理成二维矩阵向量作为模型输入。首先，将事件基本属性(活动名称、时间戳)及通话时长属性转换成矩阵形式。矩阵的行维度为前缀轨迹长度的最大值，列维度为日志中的活动列表。然后，根据属性对应的值填充特征矩阵。
实现示例：
如图3，以通话时长属性为例，首先，将轨迹的通话时长属性转换成矩阵形式。例如，最大前缀轨迹长度为3，所以通话时长矩阵的高度取3，列维度取日志中的活动列表A，B，C。然后，在每一个前缀轨迹行中根据活动的总通话时长填充特征矩阵。例如Id为2的前缀轨迹中，框中的A事件和B事件的总通话时长分别为30，0.5，没有发生C事件，所以在矩阵的第2行中，A，B列值分别为30，0.5，C列值为0，按照该转换规则最后生成通话时长矩阵向量。
3.客服与客户的通话内容处理：
为针对客服中心场景使用深度学习技术执行业务流程预测时融合通话中的情感信息，需要采用情感分析技术对客服中心与客户的通话内容进行处理，从积极，中级，消极等不同维度对客户情绪进行打分，最终得到每一通话的情感特征向量。
实现示例：
如图4，例如图中的句子it is a nice day，经过情感分析流程中的预处理、打分后，可以输出一个四维的特征值，是从积极，中级，消极，复合的不同维度对客户情绪的打分，分别为pos(积极)：0.583，neu(中级)：0.417，neg(消极)：0.0，compound(复合)：0.4215。
本发明所述一种客服中心场景下融合情感分析的业务流程预测方法，以案例结果和剩余时间预测任务为例，分别采用基于CNN、LSTM和Transformer神经网络构建的深度学习模型在有无情感分析的情况下进行对比实验，实验结果如图5所示。可以看出，考虑了客服中心中的独有属性通话时长，并且融合了通话中的情感信息后，深度学习模型的预测效果在原有的基础上均得到一定的提升。其中，对于案例结果的预测，准确率Accuracy分别提升了1.60％，3.00％和0.20％；对于案例剩余时间的预测，误差MAE值分别降低了3.88％，5.14％和2.35％。可见，本文提出的方法可以有效提升客服中心场景下业务流程预测任务的预测质量。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (4)

1.一种客服中心场景下融合情感分析的业务流程预测方法，其特征在于，包括如下步骤：
步骤一：依次遍历事件日志中每条轨迹，生成前缀轨迹集，其中，轨迹属性包括：活动名称、活动时间戳和客服与客户的通话时长，并将事件轨迹编码为一维序列或二维矩阵；
步骤二：采用情感分析技术对客服中心场景下提取的客服与客户的通话内容进行处理，计算通话中的情感，转化为情感特征向量；
步骤三：在客服中心场景下基于深度神经网络构建预测模型，输入步骤一所述一维序列或二维矩阵，并融合所述情感特征向量，学习一个对分类或回归任务进行预测的深度学习模型；
步骤四：针对分类预测任务或回归预测任务，输出预测结果。
2.如权利要求1所述的一种客服中心场景下融合情感分析的业务流程预测方法，其特征在于，步骤一中：
通话时长构建为一维序列的过程包括：首先，按照轨迹中事件的执行顺序将轨迹属性转换为值序列；然后，编码转换所述值序列，并填充成最大前缀轨迹长度；
通话时长构建为二维矩阵的过程包括：首先，将轨迹属性转换成矩阵形式，所述矩阵的行维度为前缀轨迹长度的最大值，列维度为日志中的活动列表，然后，填充特征矩阵。
3.如权利要求1所述的一种客服中心场景下融合情感分析的业务流程预测方法，其特征在于，步骤二具体包括：采用情感分析技术提取通话中的情感信息，并转换为情感特征向量，用于融入客服中心场景下的业务流程预测中。
4.如权利要求1所述的一种客服中心场景下融合情感分析的业务流程预测方法，其特征在于，所述分类预测任务为对业务流程活动进行预测，包括预测下个活动、预测案例结果；所述回归预测任务为对业务流程时间进行预测，包括预测下个活动时间、预测案例剩余时间、预测案例结束时间。
CN202310258877.XA 2023-03-17 2023-03-17 一种客服中心场景下融合情感分析的业务流程预测方法 Pending CN116307176A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310258877.XA CN116307176A (zh) 2023-03-17 2023-03-17 一种客服中心场景下融合情感分析的业务流程预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310258877.XA CN116307176A (zh) 2023-03-17 2023-03-17 一种客服中心场景下融合情感分析的业务流程预测方法

Publications (1)

Publication Number Publication Date
CN116307176A true CN116307176A (zh) 2023-06-23

Family

ID=86779333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310258877.XA Pending CN116307176A (zh) 2023-03-17 2023-03-17 一种客服中心场景下融合情感分析的业务流程预测方法

Country Status (1)

Country Link
CN (1) CN116307176A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107154257A (zh) * 2017-04-18 2017-09-12 苏州工业职业技术学院 基于客户语音情感的客服服务质量评价方法及系统
CN108874619A (zh) * 2018-05-14 2018-11-23 平安普惠企业管理有限公司 一种信息监控方法、存储介质和服务器
CN113435627A (zh) * 2021-05-27 2021-09-24 国网冀北电力有限公司计量中心 基于工单轨迹信息的电力客户投诉预测方法及装置
CN113723663A (zh) * 2021-07-12 2021-11-30 国网冀北电力有限公司计量中心 电力工单数据的处理方法、装置、电子设备及存储介质
CN115766945A (zh) * 2022-11-03 2023-03-07 北京轻松筹信息技术有限公司 一种目标用户的确定方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107154257A (zh) * 2017-04-18 2017-09-12 苏州工业职业技术学院 基于客户语音情感的客服服务质量评价方法及系统
CN108874619A (zh) * 2018-05-14 2018-11-23 平安普惠企业管理有限公司 一种信息监控方法、存储介质和服务器
CN113435627A (zh) * 2021-05-27 2021-09-24 国网冀北电力有限公司计量中心 基于工单轨迹信息的电力客户投诉预测方法及装置
CN113723663A (zh) * 2021-07-12 2021-11-30 国网冀北电力有限公司计量中心 电力工单数据的处理方法、装置、电子设备及存储介质
CN115766945A (zh) * 2022-11-03 2023-03-07 北京轻松筹信息技术有限公司 一种目标用户的确定方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘彤;倪维健;孙宇健;曾庆田;: "基于深度迁移学习的业务流程实例剩余执行时间预测方法", 数据分析与知识发现, no. 1 *
宋双永;王超;陈成龙;周伟;陈海青;: "面向智能客服系统的情感分析技术", 中文信息学报, no. 02 *
陈茜;史殿习;杨若松;: "多维数据特征融合的用户情绪识别", 计算机科学与探索, no. 06 *

Similar Documents

Publication Publication Date Title
CN105591882B (zh) 一种智能机器人与人混合客服的方法及系统
CN111192060B (zh) 一种基于电力it服务全渠道自助应答实现方法
CN104951428A (zh) 用户意图识别方法及装置
CN116644145B (zh) 会话数据处理方法、装置、设备和存储介质
CN111258984B (zh) 工业大数据环境下的产品质量端-边-云协同预报方法
CN112200375A (zh) 预测模型生成方法、预测模型生成装置和计算机可读介质
CN109040489A (zh) 电信客服的分配方法和装置
CN114938337A (zh) 一种模型训练方法、装置及电子设备
CN116307176A (zh) 一种客服中心场景下融合情感分析的业务流程预测方法
CN109711572A (zh) 一种光伏电站的移动式运维任务处理系统
CN113379214A (zh) 基于事理图谱的电网事故信息自动填报及辅助决策的方法
CN112153636A (zh) 一种基于机器学习预测电信业用户携号转出的方法
CN106407332A (zh) 基于人工智能的搜索方法和装置
CN111966885A (zh) 一种用户画像的构建方法和装置
CN116739149A (zh) 用于动力电池箱体绿色制造的管理系统及方案生成方法
CN115687581A (zh) 一种基于注意力机制的电力客服交互式问答方法及装置
CN113342987B (zh) 配电dtu验收专用语料库的复合网络构建方法
Chen RETRACTED: Power Intelligent Customer Service Robot Based on Artificial Intelligence
CN107392415B (zh) 一种基于大数据的电信营业员画像信息处理方法及装置
Christian et al. Network Traffic Prediction Of Mobile Backhaul Capacity Using Time Series Forecasting
CN111091011A (zh) 领域预测方法、领域预测装置及电子设备
CN109542249A (zh) 一种基于手机拼音输入法的智能对话引导系统
CN112256833B (zh) 一种基于大数据和ai算法的手机问题智能问答方法
CN117648986B (zh) 任务处理和代码处理方法、计算设备、介质和程序产品
CN114356502B (zh) 基于边缘计算技术的非结构化数据标记、训练和发布系统及方法

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