CN116415973A - 模型训练方法、客服坐席匹配方法、服务器及存储介质 - Google Patents

模型训练方法、客服坐席匹配方法、服务器及存储介质 Download PDF

Info

Publication number
CN116415973A
CN116415973A CN202111677682.6A CN202111677682A CN116415973A CN 116415973 A CN116415973 A CN 116415973A CN 202111677682 A CN202111677682 A CN 202111677682A CN 116415973 A CN116415973 A CN 116415973A
Authority
CN
China
Prior art keywords
customer
customer service
model
service agent
call
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
CN202111677682.6A
Other languages
English (en)
Inventor
王如霞
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.)
ZTE Corp
Original Assignee
ZTE Corp
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 ZTE Corp filed Critical ZTE Corp
Priority to CN202111677682.6A priority Critical patent/CN116415973A/zh
Priority to PCT/CN2022/143306 priority patent/WO2023125779A1/zh
Publication of CN116415973A publication Critical patent/CN116415973A/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising

Landscapes

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

Abstract

本发明实施例提供一种模型训练方法、客服坐席匹配方法、服务器及存储介质，属于通信技术领域。该模型训练方法包括：获取历史呼叫信息，历史呼叫信息包括呼叫客户画像与呼叫客户画像匹配的客服坐席类型；根据历史呼叫信息，确定呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度；在客户满意度大于或等于预设客户满意度时，将呼叫客户画像以及与呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本；根据多个目标训练样本，对预设神经网络模型进行迭代训练直至收敛，得到坐席类型匹配模型。本发明能够基于坐席类型匹配模型准确地为待服务客户分配最优的客服坐席，极大地提升服务质量和提高了待服务客户的体验。

Description

模型训练方法、客服坐席匹配方法、服务器及存储介质
技术领域
本发明涉及通信技术领域，尤其涉及一种模型训练方法、客服坐席匹配方法、服务器及存储介质。
背景技术
呼叫中心是指为客户提供各种电话响应服务，将呼叫按一定的规则排队分配到坐席人员的呼叫相应系统，呼叫中心一般由自动呼叫分配系统(Automatic calldistribution，ACD)、计算机通信集成(computertelephony integration，CTI)服务器、交互式语音应答(Interactive Voice Response，IVR)系统、坐席终端等部分组成，呼叫中心通常包括两种业务：一种是自动业务，通过IVR直接处理客户终端的客户呼叫，另一种是人工业务，由选择的坐席人员通过坐席终端处理客户终端的客户呼叫。
因此，如何训练一个坐席类型匹配模型，以使坐席类型匹配模型为客户推荐的坐席类型更加准确是目前亟待解决的问题。
发明内容
本发明实施例在于提供一种模型训练方法、客服坐席匹配方法、服务器及存储介质，旨在训练出推荐坐席类型更加准确的坐席类型匹配模型，以准确地为待服务客户分配最优的客服坐席，极大地提升服务质量和提高了待服务客户的体验。
第一方面、本发明实施例提供一种模型训练方法，包括：
获取历史呼叫信息，其中，所述历史呼叫信息包括呼叫客户画像与所述呼叫客户画像匹配的客服坐席类型；
根据所述历史呼叫信息，确定所述呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度；
在所述客户满意度大于或等于预设客户满意度时，将所述呼叫客户画像以及与所述呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本；
根据多个所述目标训练样本，对预设神经网络模型进行迭代训练直至收敛，得到坐席类型匹配模型。
第二方面，本发明实施例提供一种客服坐席匹配方法，包括：
获取接入服务器的待服务客户的呼叫信息，并运行预设的坐席类型匹配模型对所述呼叫信息进行处理，得到与所述待服务客户匹配的目标客服坐席类型；
根据所述目标客服坐席类型为所述待服务客户分配客服坐席，其中，所述坐席类型匹配模型是本发明说明书提供的任一项模型训练方法进行训练得到的。
第三方面，本发明实施例还提供一种服务器，所述服务器包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，其中所述计算机程序被所述处理器执行时，以实现如本发明说明书提供的任一项模型训练方法的步骤和/或如本发明说明书提供的任一项客服坐席匹配方法的步骤。
第四方面，本发明实施例还提供一种存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以如本发明说明书提供的任一项模型训练方法的步骤和/或实现如本发明说明书提供的任一项客服坐席匹配的方法的步骤。
本发明实施例提供一种模型训练方法、客服坐席匹配方法、服务器及存储介质，本发明实施例通过获取历史呼叫信息，其中，历史呼叫信息包括呼叫客户画像与呼叫客户画像匹配的客服坐席类型；然后根据历史呼叫信息，确定呼叫客户画像对客服坐席类型的客服坐席的客户满意度；在客户满意度大于或等于预设客户满意度时，将呼叫客户画像以及与呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本；之后根据多个目标训练样本，对预设神经网络模型进行迭代训练直至收敛，能够准确的得到坐席类型匹配模型。将客户满意度大于或等于预设客户满意度的呼叫客户画像以及与呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本，能够使训练出的坐席类型匹配模型推荐的客服坐席类型更加准确，以更准确的为客户分配最优的客服坐席，以提升服务质量和提高客户的体验。
附图说明
图1为本发明实施例提供的模型训练方法的一场景示意图；
图2为本发明实施例提供的客服坐席匹配方法的一场景示意图；
图3为本发明实施例提供的一种模型训练方法的流程示意图；
图4为实施本实施例提供的模型训练方法的另一流程图；
图5为本发明实施例提供的一种客服坐席匹配方法的流程示意图；
图6为本发明实施例提供的一种服务器的结构示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
现实应用场景中，每个客服坐席的业务水平、能力是参差不齐的，每个客服坐席擅长回答的问题种类也不同，不同的客服坐席对不同种类问题的回答质量差别较大，现有技术中通过配置路由分配策略或者固定路由模型来完成坐席匹配，未能将客户提问的为题与客服坐席擅长回答的问题相匹配，当客服坐席被问到不擅长回答的问题时，回答质量较差，降低客户的满意度。
为解决上述问题，本发明实施例提供一种模型训练方法、客服坐席匹配方法、服务器及存储介质。其中，该模型训练方法和客服坐席匹配方法可应用于服务器中，该服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。通过获取历史呼叫信息，其中，历史呼叫信息包括呼叫客户画像与呼叫客户画像匹配的客服坐席类型；然后根据历史呼叫信息，确定呼叫客户画像对客服坐席类型的客服坐席的客户满意度；在客户满意度大于或等于预设客户满意度时，将呼叫客户画像以及与呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本；之后根据多个目标训练样本，对预设神经网络模型进行迭代训练直至收敛，能够准确的得到坐席类型匹配模型。将客户满意度大于或等于预设客户满意度的呼叫客户画像以及与呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本，能够使训练出的坐席类型匹配模型推荐的客服坐席类型更加准确，以更准确的为客户分配最优的客服坐席，以提升服务质量和提高客户的体验。
在一实施例中，该模型训练方法和客服坐席匹配方法还可以应用于呼叫中心，例如，呼叫中心获取历史呼叫信息，其中，历史呼叫信息包括呼叫客户画像与呼叫客户画像匹配的客服坐席类型；根据历史呼叫信息，确定呼叫客户画像对客服坐席类型的客服坐席的客户满意度；在客户满意度大于或等于预设客户满意度时，将呼叫客户画像以及与呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本；根据多个目标训练样本，对预设神经网络模型进行迭代训练直至收敛，得到坐席类型匹配模型。
在一实施例中，请参阅图1，图1为本发明实施例提供的模型训练方法的一场景示意图。如图1所示，呼叫服务器11用于获取历史呼叫信息，统计服务器12用于对历史呼叫信息进行存储和进行神经网络模型的训练，语音-情感分析服务器13用于训练满意度预测模型和呼叫客户画像的客户满意度的识别。
具体地，呼叫服务器11用于获取历史呼叫信息，其中，历史呼叫信息包括呼叫客户画像与呼叫客户画像匹配的客服坐席类型，并将该历史呼叫信息发送给统计服务器12；统计服务器12确定历史呼叫信息是否包括呼叫客户画像对客服坐席的服务评价分数，在历史呼叫信息包括呼叫客户画像对客服坐席的服务评价分数时，根据服务评价分数，确定呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度；若在历史呼叫信息不包括呼叫客户画像对客服坐席的服务评价分数时，将从历史呼叫信息中获取呼叫客户画像对应的通话录音并将该通话录音发送给语音-情感分析服务器13；语音-情感分析服务器13运行预设满意度预测模型对通话录音进行处理，得到呼叫客户画像对客服坐席类型的客服坐席的客户满意度，并将该客户满意度发送给统计服务器12，统计服务器12在确定客户满意度大于或等于预设客户满意度时，将呼叫客户画像以及与呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本；根据多个目标训练样本，对预设神经网络模型进行迭代训练直至收敛，得到坐席类型匹配模型。
在一实施例中，请参阅图2，图2为本发明实施例提供的客服坐席匹配方法的一场景示意图。如图2所示，呼叫服务器11用于获取用户终端20发送的待服务客户的呼叫信息；统计服务器12用于对呼叫信息进行处理，得到与待服务客户匹配的目标客服坐席类型；路由策略服务器14用于为待服务客户分配客服坐席；路由策略执行模块15用于将分配的客服坐席与用户终端20建立连接。
具体地，呼叫服务器11获取用户终端20发送的待服务客户的呼叫信息，并将该呼叫信息发送给统计服务器12，统计服务器12将运行预设的坐席类型匹配模型对呼叫信息进行处理，得到与待服务客户匹配的目标客服坐席类型，并将目标客服坐席类型发送给路由策略服务器14，路由策略服务器14根据目标客服坐席类型为待服务客户分配客服坐席，并将分配的客服坐席发送给路由策略执行模块15，路由策略执行模块15将分配的客服坐席与用户终端20建立连接。
需要说明的是，上述图1和图2的中的场景示意图仅仅是对模型训练方法和/或客服坐席匹配方法进行简单的场景介绍，并不构成对本发明模型训练方法和/或客服坐席匹配方法应用的场景进行限定。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图3，图3为本发明实施例提供的一种模型训练方法的流程示意图。
如图3所示，该模型训练方法包括步骤S101至步骤S104。
步骤S101、获取历史呼叫信息，其中，所述历史呼叫信息包括呼叫客户画像与所述呼叫客户画像匹配的客服坐席类型。
其中，历史呼叫信息为当前时刻之前的呼叫信息，该历史呼叫信息包括呼叫客户画像和呼叫客户画像匹配的客服坐席类型，该呼叫客户画像为呼叫客户的基本信息构建成的画像信息，该基本信息包括呼叫客户的身份标识、呼叫客户的优先级和呼叫客户的呼叫次数等等信息，该客服坐席类型为客服坐席可服务的类型确定的，该客服坐席类型可以根据实际情况进行设置，本实施例对此不做具体限定，例如，该客服坐席类型包括业务咨询类型和订单查询类型等等坐席类型。
在一实施例中，从服务器的存储器中获取历史呼叫信息，得到历史呼叫信息，该历史呼叫信息包括呼叫客户画像与呼叫客户画像匹配的客服坐席类型。通过从服务器的存储器中获取历史呼叫信息，能够准确的得到历史呼叫信息。
需要说明的是，该历史呼叫信息也可以存储在服务器之外存储设备，该存储设备可以根据实际情况进行选择，本实施例对比不做具体限定，例如，该存储设备可以为独立存储硬盘，通过将历史呼叫信息存储至独立存储硬盘，能够减缓服务器的存储压力。
在一实施例中，将呼叫客户的呼叫客户画像、呼叫客户画像匹配的客服坐席类型、呼叫客户画像对客服坐席的服务评价分数和所述呼叫客户画像对应的通话录音整合为一个呼叫信息，得到该呼叫客户的呼叫信息，并将该呼叫客户的呼叫信息存储至存储器中，得到该呼叫客户的历史呼叫信息。通过将呼叫客户的呼叫信息存储至存储器，以便于目标训练样本的建立。
步骤S102、根据所述历史呼叫信息，确定所述呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度。
其中，客户满意度为呼叫客户画像对客服坐席的服务的满意度，该客户满意度可以根据实际情况进行设置，本实施例对此不做具体限定，例如，客户满意度包括第一满意度、第二满意度、第三满意度和第四满意度，第一满意度到第四满意度的满意程度依次递减，即第一满意度表示客户非常满意、第二满意度表示客户比较满意、第三满意度表示客户不满意和第四满意度表示客户非常不满意。
在一实施例中，确定历史呼叫信息是否包括呼叫客户画像对客服坐席的服务评价分数；在历史呼叫信息包括呼叫客户画像对客服坐席的服务评价分数时，根据服务评价分数，确定呼叫客户画像对客服坐席类型的客服坐席的客户满意度。其中，该服务评价分数是该呼叫客户画像的客户对客服坐席的服务进行主观评价得到的。通过呼叫客户画像对客服坐席的服务评价分数能够快速的确定呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度。
在一实施例中，根据服务评价分数，确定呼叫客户画像对客服坐席类型的客服坐席的客户满意度的方式可以为：获取预设的服务评价分数与客户满意度之间的映射关系表，从该映射关系表中查询该服务评价分数对应的客户满意度，得到呼叫客户画像对客服坐席类型的客服坐席的客户满意度。其中，该映射关系表为预先根据服务评价分数和客户满意度建立的，该映射关系表的建立可以根据实际情况进行建立，本实施例对此不做具体限定。通过该映射关系表能够准确的确定呼叫客户画像对客服坐席类型的客服坐席的客户满意度。
在一实施例中，确定历史呼叫信息是否包括呼叫客户画像对客服坐席的服务评价分数，在历史呼叫信息不包括呼叫客户画像对客服坐席的服务评价分数时，从历史呼叫信息中获取呼叫客户画像对应的通话录音；通过预设满意度预测模型对通话录音进行处理，得到呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度。其中，该预设满意度预测模型为预先训练好的神经网络模型。需要说明的是，该神经网络模型可以根据实际情况进行选择，本实施例对此不做具体限定，例如，该神经网络模型可以卷积神经网络模型、循环神经网络模型和循环卷积神经网络模型等神经网络模型。
在一实施例中，满意度预测模型的训练方式可以为：获取呼叫客户画像对应的通话录音，对该通话录音进行语言数据预处理，得到目标通话录音，获取目标通话录音对应的客户满意度，将目标通话录音和目标通话录音对应的客户满意度确定为一条目标样本数据；根据多个目标样本数据，对神经网络模型进行迭代训练直至收敛，得到满意度预测模型。通过对多个目标样本数据进行迭代直至收敛能够准确的得到满意度预测模型。
在一实施例中，对该通话录音进行语音数据预处理，得到目标通话录音的方式可以为：获取预设滤波器，通过该预设滤波器对该目标通话录音进行预加重，得到预加重的目标通话录音；获取预设加窗分帧函数，根据该预设加窗分帧函数对预加重的目标通话录音进行处理，得到多段目标通话录音帧；对多段目标通话录音帧进行端点检测以去除噪音，得到目标通话录音。其中，预设滤波器和预设加窗分帧函数可以根据实际情况进行选择，本实施例对此不做具体限定，例如，该预设滤波器可以为一阶高通滤波器，该预设加窗分帧函数可以为汉明窗，可以使用两级三门限的双门限法对多段目标通话录音帧进行端点检测以去除噪音。通过对该通话录音进行语音数据预处理，能够提高满意度预测模型训练的准确性。
在一实施例中，根据多个目标样本数据，对神经网络模型进行迭代训练直至收敛，得到满意度预测模型的方式可以为：将该目标样本数据输入至神经网络模型，得到预测客户满意度，根据预测客户满意度和目标通话录音对应的客户满意度，调整神经网络模型的模型参数直至该神经网络模型收敛，得到满意度预测模型。通过调整神经网络模型的模型参数，能够提高满意度预测模型识别的准确性。
在一实施例中，根据预测客户满意度和目标通话录音对应的客户满意度，调整神经网络模型的模型参数直至该神经网络模型收敛，得到满意度预测模型的方式可以为：根据预测客户满意度和目标通话录音对应的客户满意度，确定模型的损失值，根据该损失值确定该神经网络模型是否收敛；若神经网络模型未收敛，则调整神经网络模型的模型参数，并继续训练神经网络模型，直至神经网络模型收敛，得到满意度预测模型。
在一实施例中，根据预测客户满意度和目标通话录音对应的客户满意度，确定模型的损失值的方式可以为：获取预设第一权重值和预设第二权重值，将预设第一权重值和预测客户满意度做乘法运算，得到第一参数；将预设第二权重值和目标通话录音对应的客户满意度做乘法运算，得到第二参数，对第一参数与第二参数做减法运算并取绝对值，得到损失值。其中，该预设第一权重值和预设第二权重值可以根据实际情况进行设置，本实施例对此不做具体限定。通过对预测客户满意度和目标通话录音对应的客户满意度进行权重的运算，能够准确的得到模型的损失值。
在一实施例中，根据该损失值确定该神经网络模型是否收敛的方式可以为：确定该损失值是否大于或等于预设损失值，若该损失值大于或等于预设损失值，确定神经网络模型未收敛，若该损失值小于预设损失值，确定神经网络模型已收敛。其中，该预设损失值可以根据实际情况进行设置，本实施例对此不做具体限定。通过确定损失值与预设损失值的大小能够准确的确定模型是否收敛。
在一实施例中，当历史呼叫信息中包括呼叫客户画像对客户坐席的服务评价分数，从历史呼叫信息获取呼叫客户画像对客户坐席的服务评价分数，根据呼叫客户画像对客户坐席的服务评价分数，得到呼叫客户画像对客服坐席类型的客服坐席的第一客户满意度，从历史呼叫信息中获取呼叫客户画像对应的通话录音，将该通话录音输入至预设满意度预测模型，得到呼叫客户画像对客服坐席类型的客服坐席的第二客户满意度；获取预设第五权重值和预设第六权重值，将第一客户满意度与预设第五权重值做乘法运算，得到第三客户满意度；将第二客户满意度与预设第六权重值做乘法运算，得到第四客户满意度；对第三客户满意度和第四客户满意度进行加法运算，得到目标客户满意度。其中，该预设第五权重值和预设第六权重值可以根据实际情况进行设置，本实施例对此不做具体限定。根据呼叫客户画像的主观满意度和客观满意度共同确定目标满意度，能够提高呼叫客户画像的满意度的准确性。
步骤S103、在所述客户满意度大于或等于预设客户满意度时，将所述呼叫客户画像以及与所述呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本。
其中，该预设客户满意度为根据实际情况进行设置的，例如，该客户满意度包括第一满意度、第二满意度、第三满意度和第四满意度，第一满意度到第四满意度的满意程度依次递减，即，第一满意度为非常满意、第二满意度为比较满意、第三满意度为不满意和第四满意度为非常不满意，该预设客户满意度可以设置为第二满意度。
示例性的，预设客户满意度为第二满意度，呼叫客户画像1匹配的客服坐席类型为业务咨询类型，呼叫客户画像1对业务咨询类型的客服坐席的客户满意度为第一满意度；呼叫客户画像2匹配的客服坐席类型为业务咨询类型，呼叫客户画像2对业务咨询类型的客服坐席的客户满意度为第三满意度；呼叫客户画像3匹配的客服坐席类型为订单查询类型，呼叫客户画像3对订单查询类型的客服坐席的客户满意度为第二满意度；呼叫客户画像4匹配的客服坐席类型为订单查询类型，呼叫客户画像4对订单查询类型的客服坐席的客户满意度为第四满意度；将呼叫客户画像1和呼叫客户画像1匹配业务咨询类型作为目标训练样本1，将呼叫客户画像3和呼叫客户画像3匹配的订单查询类型作为目标训练样本2。
步骤S104、根据多个所述目标训练样本，对预设神经网络模型进行迭代训练直至收敛，得到坐席类型匹配模型。
其中，该预设神经网络模型可以根据实际情况进行选择，本实施例对此不做具体限定，例如，该预设神经网络模型可以卷积神经网络模型、循环神经网络模型和循环卷积神经网络模型等神经网络模型。
在一实施例中，将目标训练样本中的呼叫客户画像输入至预设神经网络模型进行处理，得到预测坐席类型；根据预测坐席类型和目标训练样本中的客服坐席类型，调整预设神经网络模型的模型参数直至预设神经网络模型收敛，得到坐席类型匹配模型。通过调整预设神经网络模型的模型参数，能够提高坐席类型匹配模型匹配的准确性。
在一实施例中，根据预测坐席类型和目标训练样本中的客服坐席类型，调整预设神经网络模型的模型参数直至预设神经网络模型收敛，得到坐席类型匹配模型的方式可以为：根据预测坐席类型和目标训练样本中的客服坐席类型，确定模型目标损失值，并根据目标损失值确定预设神经网络模型是否收敛；若预设神经网络模型未收敛，则调整预设神经网络模型的模型参数，并继续训练预设神经网络模型，直至预设神经网络模型收敛。
在一实施例中，根据预测坐席类型和目标训练样本中的客服坐席类型，确定模型目标损失值的方式可以为：获取预设第三权重值和预设第四权重值，将预设第三权重值和预测坐席类型做乘法运算，得到第三参数；将预设第四权重值和目标训练样本中的客服坐席类型做乘法运算，得到第四参数，对第三参数与第四参数做减法运算并取绝对值，得到目标损失值。其中，该预设第三权重值和预设第四权重值可以根据实际情况进行设置，本实施例对此不做具体限定。通过对预测坐席类型和目标训练样本中的客服坐席类型进行权重的运算，能够准确的得到模型的目标损失值。
在一实施例中，根据目标损失值确定预设神经网络模型是否收敛的方式可以为：确定该目标损失值是否大于或等于预设目标损失值，若该目标损失值大于或等于预设目标损失值，确定神经网络模型未收敛，若该目标损失值小于预设目标损失值，确定神经网络模型已收敛。其中，该预设目标损失值可以根据实际情况进行设置，本实施例对此不做具体限定。通过确定目标损失值与预设目标损失值的大小能够准确的确定模型是否收敛。
示例性的，图4为实施本实施例提供的模型训练方法的另一流程图，如图4所示，S201、获取历史呼叫信息；S202、历史呼叫信息是否包括呼叫客户画像对客服坐席的服务评价分数；S203、在历史呼叫信息包括呼叫客户画像对客服坐席的服务评价分数时，根据服务评价分数，确定呼叫客户画像对客服坐席类型的客服坐席的客户满意度；S204、在历史呼叫信息不包括呼叫客户画像对客服坐席的服务评价分数时，从历史呼叫信息中获取呼叫客户画像对应的通话录音；运行预设满意度预测模型对通话录音进行处理，得到呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度；S205、确定客户满意度是否大于或等于预设客户满意度；S206、在客户满意度大于或等于预设客户满意度时，将呼叫客户画像以及与呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本；S207、将呼叫客户画像以及与呼叫客户画像匹配的客服坐席类型丢弃；S208、根据多个目标训练样本，对预设神经网络模型进行迭代训练直至收敛，得到坐席类型匹配模型。
上述实施例中的模型训练方法，通过获取历史呼叫信息，其中，历史呼叫信息包括呼叫客户画像与呼叫客户画像匹配的客服坐席类型；然后根据历史呼叫信息，确定呼叫客户画像对客服坐席类型的客服坐席的客户满意度；在客户满意度大于或等于预设客户满意度时，将呼叫客户画像以及与呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本；之后根据多个目标训练样本，对预设神经网络模型进行迭代训练直至收敛，能够准确的得到坐席类型匹配模型。将客户满意度大于或等于预设客户满意度的呼叫客户画像以及与呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本，能够提高训练出来坐席类型匹配模型推荐的客服坐席类型更加准确，以更准确的为客户分配最优的客服坐席，以提升服务质量和提高客户的体验。
请参照图5，图5为本发明实施例提供的一种客服坐席匹配方法的流程示意图。
如图5所示，该客服坐席匹配方法包括步骤S301至步骤S302。
步骤S301、获取接入服务器的待服务客户的呼叫信息，并运行预设的坐席类型匹配模型对所述呼叫信息进行处理，得到与所述待服务客户匹配的目标客服坐席类型。
获取接入服务器的待服务客户的呼叫信息，将待服务客户的呼叫信息输入至预设的坐席类型匹配模型，得到与待服务客户匹配的目标客服坐席类型。
示例性的，接入服务器的待服务客户包括待服务客户1、待服务客户2和待服务客户3，其中，待服务客户1包括呼叫信息1、待服务客户2包括呼叫信息2和待服务客户3包括呼叫信息3，将呼叫信息1、呼叫信息2和呼叫信息3分别输入至预设的坐席类型匹配模型，得到与待服务客户1匹配的目标客服坐席类型为订单查询类型，与待服务客户2匹配的目标客服坐席类型为业务咨询类型，与待服务客户3匹配的目标客服坐席类型为业务咨询类型。
步骤S302、根据所述目标客服坐席类型为所述待服务客户分配客服坐席。
获取目标客服坐席类型的空闲坐席数量；若目标客服坐席类型的空闲坐席数量大于或等于预设阈值，则将目标客服坐席类型对应的客服坐席组中的空闲坐席分配给待服务客户。其中，该预设阈值可以根据实际情况进行设置，本实施例对此不做具体限定，例如，该预设阈值可以设置为1。
示例性的，将待服务客户的呼叫信息输入至预设的坐席类型匹配模型，得到待服务客户匹配的目标客服坐席类型为订单查询类型，获取订单查询类型空闲坐席数量为2，该预设阈值为1，该订单查询类型空闲坐席数量2大于预设阈值1，将订单查询类型对应的客服坐席组中的空闲坐席分配该服务客户。
在一实施例中，获取目标客服坐席类型的空闲坐席数量，若目标客服坐席类型的空闲坐席数量小于预设阈值，则根据呼叫信息和所述坐席类型匹配模型，确定与待服务客户匹配的备用客服坐席类型；将备用客服坐席类型对应的客服坐席组中的空闲坐席分配给待服务客户。通过将备用客服坐席类型对应的客服坐席组中的空闲坐席分配给待服务客户，能减少待服务客户等待的时间，提高用户的使用体验。
在一实施例中，确定与待服务客户匹配的备用客服坐席类型的方式可以为：将待服务客户的呼叫信息输入至预设的坐席类型匹配模型，得到待服务客户与各客服坐席类型的匹配分数，根据待服务客户与各客服坐席类型的匹配分数，对各客服坐席类型进行排序，得到客服坐席类型队列，从客服坐席类型队列选取匹配分数最高的客服坐席类型作为目标客服坐席类型，从客服坐席类型队列选取匹配分数第二高的客服坐席类型作为备用客服坐席类型。
示例性的，客服坐席类型包括客服坐席类型1、客服坐席类型2、客服坐席类型3和客服坐席类型4，将待服务客户的呼叫信息输入至预设的坐席类型匹配模型，得到待服务客户与客服坐席类型1的匹配分数为50，待服务客户与客服坐席类型2的匹配分数为30，待服务客户与客服坐席类型3的匹配分数为80，待服务客户与客服坐席类型4的匹配分数为60，根据待服务客户与各客服坐席类型的匹配分数，对各客服坐席类型进行排序，得到客服坐席类型队列为客服坐席类型3、客服坐席类型4、客服坐席类型1和客服坐席类型2，将客服坐席类型3作为目标客服坐席类型，将客服坐席类型4作为备用客服坐席类型。
上述实施例中的客服坐席匹配方法，通过获取接入服务器的待服务客户的呼叫信息，并运行预设的坐席类型匹配模型对呼叫信息进行处理，得到与待服务客户匹配的目标客服坐席类型；根据目标客服坐席类型为待服务客户分配客服坐席。通过运行预设的坐席类型匹配模型对呼叫信息进行处理，能够准确的得到与待服务客户匹配的目标客服坐席类型，将目标客服坐席类型对应的客服坐席组中的空闲坐席分配给待服务客户，准确地为待服务客户分配最优的客服坐席，极大地提升服务质量和提高了待服务客户的体验。
请参阅图6，图6为本发明实施例提供的一种服务器的结构示意性框图。
如图6所示，服务器400包括处理器401和存储器402，处理器401和存储器402通过总线403连接，该总线比如为I2C(Inter-integrated Circuit)总线。
具体地，处理器401用于提供计算和控制能力，支撑整个服务器的运行。处理器401可以是中央处理单元(Central Processing Unit，CPU)，该处理器401还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
具体地，存储器402可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的服务器的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现本发明实施例提供的任意一种所述的模型训练方法和/或客服坐席匹配方法。
在一实施方式中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现如下步骤：
获取历史呼叫信息，其中，所述历史呼叫信息包括呼叫客户画像与所述呼叫客户画像匹配的客服坐席类型；
根据所述历史呼叫信息，确定所述呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度；
在所述客户满意度大于或等于预设客户满意度时，将所述呼叫客户画像以及与所述呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本；
根据多个所述目标训练样本，对预设神经网络模型进行迭代训练直至收敛，得到坐席类型匹配模型。
在一实施例中，所述处理器在实现所述根据所述历史呼叫信息，确定所述呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度时，用于实现：
确定所述历史呼叫信息是否包括所述呼叫客户画像对客服坐席的服务评价分数；
在所述历史呼叫信息包括所述呼叫客户画像对客服坐席的服务评价分数时，根据所述服务评价分数，确定所述呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度。
在一实施例中，所述处理器在用于实现所述根据所述历史呼叫信息，确定所述呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度时，用于实现：
确定所述历史呼叫信息是否包括所述呼叫客户画像对客服坐席的服务评价分数；
在所述历史呼叫信息不包括所述呼叫客户画像对客服坐席的服务评价分数时，从所述历史呼叫信息中获取所述呼叫客户画像对应的通话录音；
通过预设满意度预测模型对所述通话录音进行处理，得到所述呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度。
在一实施例中，所述处理器在实现所述根据多个所述目标训练样本，对预设神经网络模型进行迭代训练直至收敛，得到坐席类型匹配模型时，用于实现：
将所述目标训练样本中的呼叫客户画像输入至预设神经网络模型，得到预测坐席类型；
根据所述预测坐席类型和所述目标训练样本中的客服坐席类型，调整所述预设神经网络模型的模型参数直至所述预设神经网络模型收敛，得到坐席类型匹配模型。
在一实施例中，所述处理器在实现所述根据所述预测坐席类型和所述目标训练样本中的客服坐席类型，调整所述预设神经网络模型的模型参数直至所述预设神经网络模型收敛时，用于实现：
根据所述预测坐席类型和所述目标训练样本中的客服坐席类型，确定模型目标损失值，并根据所述目标损失值确定所述预设神经网络模型是否收敛；
若所述预设神经网络模型未收敛，则调整所述预设神经网络模型的模型参数，并继续训练所述预设神经网络模型，直至所述预设神经网络模型收敛。
在一实施例中，所述处理器用于实现：
获取接入服务器的待服务客户的呼叫信息，并运行预设的坐席类型匹配模型对所述呼叫信息进行处理，得到与所述待服务客户匹配的目标客服坐席类型；
根据所述目标客服坐席类型为所述待服务客户分配客服坐席，其中，所述坐席类型匹配模型是本发明说明书提供的任一项模型训练方法进行训练得到的。
在一实施例中，所述处理器在实现所述根据所述目标客服坐席类型为所述待服务客户分配客服坐席时，用于实现：
获取所述目标客服坐席类型的空闲坐席数量；
若所述目标客服坐席类型的空闲坐席数量大于或等于预设阈值，则将所述目标客服坐席类型对应的客服坐席组中的空闲坐席分配给所述待服务客户。
在一实施例中，所述处理器在用于实现所述根据所述目标客服坐席类型为所述待服务客户分配客服坐席时，用于实现：
获取所述目标客服坐席类型的空闲坐席数量；
若所述目标客服坐席类型的空闲坐席数量小于预设阈值，则根据所述呼叫信息和所述坐席类型匹配模型，确定与所述待服务客户匹配的备用客服坐席类型；
将所述备用客服坐席类型对应的客服坐席组中的空闲坐席分配给所述待服务客户。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的服务器的具体工作过程，可以参考前述模型训练方法和/或客服坐席匹配方法实施例中的对应过程，在此不再赘述。
本发明实施例还提供一种存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本发明说明书提供的任一项模型训练方法和/或客服坐席匹配的方法的步骤。
其中，所述存储介质可以是前述实施例所述的服务器的内部存储单元，例如所述服务器的硬盘或内存。所述存储介质也可以是所述服务器的外部存储设备，例如所述服务器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，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)

1.一种模型训练方法，其特征在于，包括：
获取历史呼叫信息，其中，所述历史呼叫信息包括呼叫客户画像与所述呼叫客户画像匹配的客服坐席类型；
根据所述历史呼叫信息，确定所述呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度；
在所述客户满意度大于或等于预设客户满意度时，将所述呼叫客户画像以及与所述呼叫客户画像匹配的客服坐席类型确定为一条目标训练样本；
根据多个所述目标训练样本，对预设神经网络模型进行迭代训练直至收敛，得到坐席类型匹配模型。
2.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述历史呼叫信息，确定所述呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度，包括：
确定所述历史呼叫信息是否包括所述呼叫客户画像对客服坐席的服务评价分数；
在所述历史呼叫信息包括所述呼叫客户画像对客服坐席的服务评价分数时，根据所述服务评价分数，确定所述呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度。
3.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述历史呼叫信息，确定所述呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度，包括：
确定所述历史呼叫信息是否包括所述呼叫客户画像对客服坐席的服务评价分数；
在所述历史呼叫信息不包括所述呼叫客户画像对客服坐席的服务评价分数时，从所述历史呼叫信息中获取所述呼叫客户画像对应的通话录音；
通过预设满意度预测模型对所述通话录音进行处理，得到所述呼叫客户画像对所述客服坐席类型的客服坐席的客户满意度。
4.根据权利要求1-3中任一项所述的模型训练方法，其特征在于，所述根据多个所述目标训练样本，对预设神经网络模型进行迭代训练直至收敛，得到坐席类型匹配模型，包括：
将所述目标训练样本中的呼叫客户画像输入至预设神经网络模型，得到预测坐席类型；
根据所述预测坐席类型和所述目标训练样本中的客服坐席类型，调整所述预设神经网络模型的模型参数直至所述预设神经网络模型收敛，得到坐席类型匹配模型。
5.根据权利要求4所述的模型训练方法，其特征在于，所述根据所述预测坐席类型和所述目标训练样本中的客服坐席类型，调整所述预设神经网络模型的模型参数直至所述预设神经网络模型收敛，包括：
根据所述预测坐席类型和所述目标训练样本中的客服坐席类型，确定模型目标损失值，并根据所述目标损失值确定所述预设神经网络模型是否收敛；
若所述预设神经网络模型未收敛，则调整所述预设神经网络模型的模型参数，并继续训练所述预设神经网络模型，直至所述预设神经网络模型收敛。
6.一种客服坐席匹配方法，其特征在于，包括：
获取接入服务器的待服务客户的呼叫信息，并运行预设的坐席类型匹配模型对所述呼叫信息进行处理，得到与所述待服务客户匹配的目标客服坐席类型；
根据所述目标客服坐席类型为所述待服务客户分配客服坐席，其中，所述坐席类型匹配模型是基于权利要求1-5中任一项所述模型训练方法进行训练得到的。
7.根据权利要求6所述的客服坐席匹配方法，其特征在于，所述根据所述目标客服坐席类型为所述待服务客户分配客服坐席，包括：
获取所述目标客服坐席类型的空闲坐席数量；
若所述目标客服坐席类型的空闲坐席数量大于或等于预设阈值，则将所述目标客服坐席类型对应的客服坐席组中的空闲坐席分配给所述待服务客户。
8.根据权利要求6所述的客服坐席匹配方法，其特征在于，所述根据所述目标客服坐席类型为所述待服务客户分配客服坐席，包括：
获取所述目标客服坐席类型的空闲坐席数量；
若所述目标客服坐席类型的空闲坐席数量小于预设阈值，则根据所述呼叫信息和所述坐席类型匹配模型，确定与所述待服务客户匹配的备用客服坐席类型；
将所述备用客服坐席类型对应的客服坐席组中的空闲坐席分配给所述待服务客户。
9.一种服务器，其特征在于，所述服务器包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，其中所述计算机程序被所述处理器执行时，以实现如权利要求1至5中任一项所述的模型训练方法和/或如权利要求6至8中任一项所述的客服坐席匹配方法的步骤。
10.一种存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的模型训练方法和/或如权利要求6至8中任一项所述的客服坐席匹配方法的步骤。
CN202111677682.6A 2021-12-31 2021-12-31 模型训练方法、客服坐席匹配方法、服务器及存储介质 Pending CN116415973A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111677682.6A CN116415973A (zh) 2021-12-31 2021-12-31 模型训练方法、客服坐席匹配方法、服务器及存储介质
PCT/CN2022/143306 WO2023125779A1 (zh) 2021-12-31 2022-12-29 模型训练方法、客服坐席匹配方法、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111677682.6A CN116415973A (zh) 2021-12-31 2021-12-31 模型训练方法、客服坐席匹配方法、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN116415973A true CN116415973A (zh) 2023-07-11

Family

ID=86998145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111677682.6A Pending CN116415973A (zh) 2021-12-31 2021-12-31 模型训练方法、客服坐席匹配方法、服务器及存储介质

Country Status (2)

Country Link
CN (1) CN116415973A (zh)
WO (1) WO2023125779A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703682B (zh) * 2023-08-08 2023-10-31 菏泽市牡丹区大数据中心 一种基于深度学习的政务数据平台
CN117788035A (zh) * 2023-12-29 2024-03-29 北京基智科技有限公司 一种基于数据处理的客户标签管理系统及方法
CN118233564B (zh) * 2024-05-22 2024-09-20 江苏微皓智能科技有限公司 坐席外呼匹配方法、装置、计算机设备及计算机存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150098561A1 (en) * 2013-10-08 2015-04-09 Nice-Systems Ltd. System and method for real-time monitoring of a contact center using a mobile computer
CN106875076A (zh) * 2015-12-10 2017-06-20 中国移动通信集团公司 建立外呼质量模型、外呼模型及外呼评价的方法及系统
CN109788020B (zh) * 2017-11-13 2021-07-27 腾讯科技（深圳）有限公司 一种坐席分配方法及相关设备
CN110572524B (zh) * 2019-08-15 2022-12-09 中国平安财产保险股份有限公司 一种用户呼叫处理方法、装置、存储介质和服务器
CN113240345A (zh) * 2021-06-16 2021-08-10 中国银行股份有限公司 客户服务满意度的管理方法及装置、存储介质及电子设备
CN113240444A (zh) * 2021-06-18 2021-08-10 中国银行股份有限公司 银行客服坐席推荐方法及装置

Also Published As

Publication number Publication date
WO2023125779A1 (zh) 2023-07-06

Similar Documents

Publication Publication Date Title
CN116415973A (zh) 模型训练方法、客服坐席匹配方法、服务器及存储介质
US11621932B2 (en) System and method for managing resources of an enterprise
CN109783227B (zh) 任务分配方法、装置、系统及计算机可读存储介质
US20180152558A1 (en) Intelligent call screening
US8923502B2 (en) Customer service system, method, and software program product for responding to queries using natural language understanding
US10063705B2 (en) Systems and methods for selectively routing calls to a call center
US10949619B1 (en) Routing data communications between client-specific servers and data-center communications servers
US11683226B1 (en) Intelligent network operations for data communications between client-specific servers and data-center communications servers
US9400963B1 (en) Task prioritization based on users' interest
US9621728B2 (en) System and method for prioritizing agent intervention into automated customer engagements
CN110572524B (zh) 一种用户呼叫处理方法、装置、存储介质和服务器
WO2019201202A1 (zh) 呼叫处理方法、装置、服务器、存储介质和系统
US9473639B2 (en) System and method for agent selection in an enterprise
US11368551B1 (en) Managing communications-related data based on interactions between and aggregated data involving client-specific servers and data-center communications servers
US8724796B2 (en) Estimation of expected value for remaining work time for contact center agents
CN108632475B (zh) 语音留言方法、装置、计算机设备和存储介质
EP3266191B1 (en) System and method for call progress detection
CN111601003A (zh) 会话建立方法及装置
CN110070392B (zh) 用户流失预警方法和装置
WO2004040889A1 (en) Predective dialling by monitoring progress of agent script
US20160150084A1 (en) System and method for managing resources
CN113472958A (zh) 分店电话集中接听方法、系统、电子设备和存储介质
CN113163061A (zh) 分配客服终端的方法和装置
CN115168554A (zh) 外呼对象的回访方法、装置、存储介质及计算机设备
CN112188014B (zh) 信息处理方法及设备

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