CN116821345A - 客服会话异常检测方法、系统、电子设备和存储介质 - Google Patents
客服会话异常检测方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116821345A CN116821345A CN202310861241.4A CN202310861241A CN116821345A CN 116821345 A CN116821345 A CN 116821345A CN 202310861241 A CN202310861241 A CN 202310861241A CN 116821345 A CN116821345 A CN 116821345A
- Authority
- CN
- China
- Prior art keywords
- text
- customer service
- session
- service session
- classification model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000013145 classification model Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013518 transcription Methods 0.000 description 2
- 230000035897 transcription Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- 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
Abstract
本发明公开了客服会话异常检测方法、系统、电子设备和存储介质。客服会话异常检测方法包括：对会话文本进行目标关键词匹配；若所述会话文本中包含所述目标关键词，则输出预警；若所述会话文本中不包含所述目标关键词，则将所述会话文本输入文本分类模型，通过所述文本分类模型的输出结果判定是否需要输出预警；其中，所述文本分类模型采用标注有预警标识的本文分类样本对神经网络训练得到。本发明对客服和用户的会话文本进行目标关键词匹配和分类，以判断在该段客服会话中，是否存在未解决问题或服务态度不佳等情况。通过判断结果，对存在异常的服务进行重点处理，提升服务质量，以降低用户的投诉率和提升客服的服务质量。
Description
技术领域
本发明涉及自然语言处理领域，尤其是一种客服会话异常检测方法、系统、电子设备和存储介质。
背景技术
随着深度学习和人工智能的发展，自然语言处理技术也迎来了蓬勃的进步。其中，对于文本内容进行分类是自然语言处理中最基本和最常见的任务。在旅游行业中，对客服的服务质量有着十分高的要求。客服的问题解决能力和服务态度，很大程度地影响了用户对产品的购买倾向和购买体验。
在旅游场景下构建客服会话异常检测系统，对提升用户体验有着重要的作用。
发明内容
本发明要解决的技术问题是为了克服现有技术中无法准确判断客服是否存在未解决问题或态度不佳的情况的缺陷，提供一种客服会话异常检测方法、系统、电子设备和存储介质。
本发明是通过下述技术方案来解决上述技术问题：
第一方面，提供一种客服会话异常检测方法，其特征在于，所述客服会话异常检测方法包括：
对会话文本进行目标关键词匹配；
若所述会话文本中包含所述目标关键词，则输出预警；
若所述会话文本中不包含所述目标关键词，则将所述会话文本输入文本分类模型，通过所述文本分类模型的输出结果判定是否需要输出预警；其中，所述文本分类模型采用标注有预警标识的本文分类样本对神经网络训练得到。
可选地，所述客服会话异常检测方法还包括：
若所述客服会话为即时通讯的会话文本，则执行所述对会话文本进行目标关键词匹配的步骤；
若所述客服会话为通话，则将通话语音转换为会话文本，再执行所述对会话文本进行目标关键词匹配的步骤。
可选地，对会话文本进行目标关键词匹配的步骤之前，包括：
分析客服会话的历史数据；
根据历史数据得出导致投诉的目标关键词；
将所述目标关键词记录至Redis数据库。
可选地，所述对会话文本进行目标关键词匹配的步骤之前，还包括：
从Redis数据库中获取最新的关键词版本号；
将获取的所述关键词版本号与内存中的所述关键词版本号进行核验；
若Redis数据库中的所述关键词版本号不存在于内存中，则重新从Redis数据库中获取最新的关键词版本号。
可选地，将所述会话文本输入文本分类模型的步骤之前，还包括：
对所述会话文本进行预处理；所述预处理包括去除停用词、繁简体转换；
输出预处理后的所述会话文本；
将所述会话文本输入分词器，由所述分词器对所述会话文本进行分词，得到分词结果；
将所述分词结果转化为所述会话文本的位置编码和词编码；
将所述会话文本输入所述文本分类模型，包括：
将所述位置编码和词编码输入所述文本分类模型，由所述文本分类模型对所述位置编码和词编码进行特征提取，并输出分类结果。
可选地，所述文本分类模型的构建包括：
以交叉熵作为损失函数，计算所述损失函数；
增加优化器对模型参数进行优化；所述优化器包括自适应矩估计优化器。
可选地，所述会话文本为旅游业务的客服会话。
第二方面，提供一种客服会话异常检测系统，其特征在于，所述客服会话异常检测系统包括：
匹配模块，用于对会话文本进行关键词匹配；
预警模块，用于输出预警；
分类模块，用于将所述会话文本输入文本分类模型，通过所述文本分类模型的输出结果判定是否需要输出预警。
第三方面，提供一种电子设备，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的客服会话异常检测方法。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的客服会话异常检测方法。
本发明的积极进步效果在于：本发明通过对会话文本进行目标关键词匹配，利用文本分类模型对客服和用户的会话文本进行分类，以判断在该段客服会话中，是否存在未解决问题或服务态度不佳等情况。通过判断结果，对存在异常的服务进行重点处理，提升服务质量，以降低用户的投诉率和提升客服的服务质量。
附图说明
图1为本发明一示例性实施例提供的一种客服会话异常检测方法的流程图；
图2为本发明一示例性实施例提供的一种客服会话异常检测系统的模块示意图；
图3为本发明一示例实施例示出的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
本发明实施例提供一种客服会话异常检测方法，参见图1，该客服会话异常检测方法包括以下步骤：
步骤101、对会话文本进行目标关键词匹配。
需要说明的是，目标关键词为内存中的目标关键词，匹配时利用AC-automaton(一种文本精确匹配的方法)进行精确匹配。
步骤102、若会话文本中包含目标关键词，则输出预警。
其中，目标关键词可以为用户用于表达不满的相关词语，若在会话文本中出现目标关键词，则判断在该段对话中，存在未解决问题或服务态度不佳等情况。具体的，若目标关键词中包含“真差”两个字，在会话文本中出现这两个字时则会输出预警。
步骤103、若会话文本中不包含目标关键词，则将会话文本输入文本分类模型，通过文本分类模型的输出结果判定是否需要输出预警。
其中，文本分类模型采用标注有预警标识的本文分类样本对神经网络训练得到。由于未命中关键词时，无法确定是否需要预警，利用文本分类模型用来确定未命中关键词时，是否需要输出预警。
本实施例中，通过对会话文本进行目标关键词匹配，利用文本分类模型对客服和用户的会话文本进行分类，以判断在该段客服会话中，是否存在未解决问题或服务态度不佳等情况。通过判断结果，对存在异常的服务进行重点处理，提升服务质量，以降低用户的投诉率和提升客服的服务质量。
在一个实施例中，客服会话异常检测方法还包括：
若客服会话为即时通讯的会话文本，则执行对会话文本进行目标关键词匹配的步骤。
若客服会话为通话，则将通话语音转换为会话文本，再执行对会话文本进行目标关键词匹配的步骤。
可以理解的，通话语音不便于后续进行目标关键词匹配，因此需要将通话语音转写为会话文本，再对会话文本进行目标关键词匹配。具体的，通过ASR(Automatic SpeechRecognition)模型，将用户与客服之间的通话语音转写为会话文本，进行目标关键词匹配。若用户与客服之间的客服会话既存在即时通讯的会话文本，又存在通话，则通话语音转写后产生的会话文本与即时通讯的会话文本都需要进行目标关键词匹配。
本实施例中，判断客服会话的类型，若客服会话为通话，则对通话语音进行语音转写，便于后续对会话文本进行目标关键词匹配，适应性好，可以运用于多种客服会话类型以判断在该段客服会话中，是否存在未解决问题或服务态度不佳等情况。
在一个实施例中，步骤101之前，包括：
分析客服会话的历史数据；根据历史数据得出导致投诉的目标关键词；将目标关键词记录至Redis数据库(一种键值关系的数据库)。
具体的，对客服会话的历史数据进行分析，基于投诉的客服会话根据Trie树提取导致投诉的目标关键词，并将目标关键词记录至Redis数据库。目标关键词记录完成后，通过自增的方式来记录当前关键词版本号，并存储在Redis数据库中。
本实施例中，通过算法对客服会话的历史数据进行分析，得出导致投诉的关键词，能够确定应该增加的目标关键词，不断更新目标关键词，从而便于后续对会话文本进行目标关键词匹配，使得判断结果更准确。
在一个实施例中，业务人员基于对客服会话的经验，在前端设置可能导致投诉的目标关键词，前端获取到目标关键词后，将目标关键词记录至Redis数据库。目标关键词记录完成后，通过自增的方式来记录当前关键词版本号，并存储在Redis数据库中。
本实施例中，通过业务人员对目标关键词进行设置，使目标关键词更适合运用于实际的使用场景下，从而便于后续对会话文本进行目标关键词匹配，使得判断结果更准确。
在一个实施例中，步骤101之前，还包括：
从Redis数据库中获取最新的关键词版本号；
将获取的关键词版本号与内存中的关键词版本号进行核验；
若Redis数据库中的所述关键词版本号不存在于内存中，则重新从Redis数据库中获取最新的关键词版本号。
可以理解的，当增加的目标关键词记录至Redis数据库后，Redis数据库中包含最新增加的目标关键词，而内存中存储的目标关键词不包含最新增加的目标关键词，因此为了确保需要的目标关键词都能够在内存中，需要通过关键词版本号来确定内存中的目标关键词是否包含了新增的目标关键词。
若Redis数据库中的关键词版本号存在于内存中，则说明Redis数据库中的目标关键词与内存中的目标关键词完全一致，从而确定需要的目标关键词都在内存中。反之，若Redis数据库中的关键词版本号不存在于内存中，则说明Redis数据库中的目标关键词与内存中的目标关键词不完全一致，内存中可能不包含最新增加的目标关键词，因此无法确定需要的目标关键词都在内存中，不利于后续对会话文本进行目标关键词匹配。
本实施例中，通过从Redis数据库中获取关键词版本号，并将其与内存中的关键词版本号进行核验，从而确定需要的目标关键词是否都在内存中，便于后续对会话文本进行目标关键词匹配，使得判断结果更加准确。
在一个实施例中，将会话文本输入文本分类模型的步骤之前，还包括：对会话文本进行预处理；输出预处理后的会话文本；将会话文本输入分词器，由分词器对会话文本进行分词，得到分词结果；将分词结果转化为会话文本的位置编码和词编码。
其中，预处理包括去除停用词、繁简体转换。
具体的，以Bert(一种预训练模型)的分词器为基础，将会话文本按字符为粒度进行切分，初始化两个矩阵，将分词结果转化为会话文本的位置编码和词编码。
将会话文本输入文本分类模型，包括：将位置编码和词编码输入文本分类模型，由文本分类模型对位置编码和词编码进行特征提取，并输出分类结果。
具体的，将位置编码和词编码输入文本分类模型，获取分词后的会话文本的特征向量，并输入到Bert中，得到整段会话文本的特征向量，再将整段会话文本的特征向量传入softmax进行分类，输出分类结果。
本实施例中，对会话文本进行预处理和分词，并将预处理后的会话文本输入文本分类模型，得到分类结果，从而能够根据分类结果判断在该客服会话中，是否存在未解决问题或服务态度不佳等情况。通过判断结果，对存在异常的服务进行重点处理，提升服务质量，以降低用户的投诉率和提升客服的服务质量。
在一个实施例中，文本分类模型的构建包括：
以交叉熵作为损失函数，计算损失函数；
增加优化器对模型参数进行优化。
其中，通过输出的类别概率p:(p1,p2,p3,p4,p5,p6,p7)和对应的表现y，可以计算得到损失函数为：Loss＝CrossEntropy(p,y)。使用的优化器包括自适应矩估计(Adam)优化器。
本实施例中，通过增加优化器对模型参数进行优化，减小损失函数，提高文本分类模型的分类准确度，便于后续对存在异常的服务进行重点处理，提升服务质量，以降低用户的投诉率和提升客服的服务质量。
在一个实施例中，会话文本为旅游业务的客服会话。
与前述客服会话异常检测方法实施例相对应，本发明实施例还提供了一种客服会话异常检测系统。
图2为本发明一示例性实施例提供的一种客服会话异常检测系统的模块示意图，该客服会话异常检测系统包括：
匹配模块21，用于对会话文本进行关键词匹配；
预警模块22，用于输出预警；
分类模块23，用于将会话文本输入文本分类模型，通过文本分类模型的输出结果判定是否需要输出预警。
可选地，客服会话异常检测系统还包括：
类型判断模块，用于当客服会话为即时通讯的会话文本，执行对会话文本进行目标关键词匹配的步骤；还用于当客服会话为通话时，将通话语音转换为会话文本，再执行对会话文本进行目标关键词匹配的步骤。
可选地，客服会话异常检测系统还包括：
分析模块，用于分析客服会话的历史数据；
确定模块，用于根据历史数据得出导致投诉的目标关键词；
记录模块，用于将目标关键词记录至Redis数据库。
可选地，客服会话异常检测系统还包括：
获取模块，用于从Redis数据库中获取最新的关键词版本号；还用于当核验模块得出Redis数据库中的所述关键词版本号不存在于内存中时，重新从Redis数据库中获取最新的关键词版本号。
核验模块，用于将获取的关键词版本号与内存中的关键词版本号进行核验。
可选地，客服会话异常检测系统还包括：
预处理模块，用于对会话文本进行预处理；预处理包括去除停用词、繁简体转换；
输出模块，用于输出预处理后的会话文本；
分词模块，用于将会话文本输入分词器，由分词器对会话文本进行分词，得到分词结果；
转化模块，用于将分词结果转化为会话文本的位置编码和词编码。
分类模块23包括：
特征提取单元，用于将位置编码和词编码输入文本分类模型，由文本分类模型对位置编码和词编码进行特征提取，并输出分类结果。
可选地，客服会话异常检测系统还包括：
计算模块，用于以交叉熵作为损失函数，计算损失函数；
优化模块，用于通过优化器对输入模型参数进行优化；优化器包括自适应矩估计优化器。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
图3为本发明一示例实施例示出的一种电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备30的框图。图3显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序工具325(或实用工具)，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如上述任一实施例所提供的方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的电子设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器36通过总线33与模型生成的电子设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的电子设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现上述任一实施例所提供的方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明实施例还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现上述任一实施例的方法。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种客服会话异常检测方法，其特征在于，所述客服会话异常检测方法包括：
对会话文本进行目标关键词匹配；
若所述会话文本中包含所述目标关键词，则输出预警；
若所述会话文本中不包含所述目标关键词，则将所述会话文本输入文本分类模型，通过所述文本分类模型的输出结果判定是否需要输出预警；其中，所述文本分类模型采用标注有预警标识的本文分类样本对神经网络训练得到。
2.如权利要求1所述的客服会话异常检测方法，其特征在于，所述客服会话异常检测方法还包括：
若所述客服会话为即时通讯的会话文本，则执行所述对会话文本进行目标关键词匹配的步骤；
若所述客服会话为通话，则将通话语音转换为会话文本，再执行所述对会话文本进行目标关键词匹配的步骤。
3.如权利要求1所述的客服会话异常检测方法，其特征在于，对会话文本进行目标关键词匹配的步骤之前，包括：
分析客服会话的历史数据；
根据历史数据得出导致投诉的目标关键词；
将所述目标关键词记录至Redis数据库。
4.如权利要求1所述的客服会话异常检测方法，其特征在于，所述对会话文本进行目标关键词匹配的步骤之前，还包括：
从Redis数据库中获取最新的关键词版本号；
将获取的所述关键词版本号与内存中的所述关键词版本号进行核验；
若Redis数据库中的所述关键词版本号不存在于内存中，则重新从Redis数据库中获取最新的关键词版本号。
5.如权利要求1所述的客服会话异常检测方法，其特征在于，将所述会话文本输入文本分类模型的步骤之前，还包括：
对所述会话文本进行预处理；所述预处理包括去除停用词、繁简体转换；
输出预处理后的所述会话文本；
将所述会话文本输入分词器，由所述分词器对所述会话文本进行分词，得到分词结果；
将所述分词结果转化为所述会话文本的位置编码和词编码；
将所述会话文本输入所述文本分类模型，包括：
将所述位置编码和词编码输入所述文本分类模型，由所述文本分类模型对所述位置编码和词编码进行特征提取，并输出分类结果。
6.如权利要求5所述的客服会话异常检测方法，其特征在于，所述文本分类模型的构建包括：
以交叉熵作为损失函数，计算所述损失函数；
增加优化器对模型参数进行优化；所述优化器包括自适应矩估计优化器。
7.如权利要求1所述的客服会话异常检测方法，其特征在于，所述会话文本为旅游业务的客服会话。
8.一种客服会话异常检测系统，其特征在于，所述客服会话异常检测系统包括：
匹配模块，用于对会话文本进行关键词匹配；
预警模块，用于输出预警；
分类模块，用于将所述会话文本输入文本分类模型，通过所述文本分类模型的输出结果判定是否需要输出预警。
9.一种电子设备，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7中任一项所述的客服会话异常检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的客服会话异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310861241.4A CN116821345A (zh) | 2023-07-13 | 2023-07-13 | 客服会话异常检测方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310861241.4A CN116821345A (zh) | 2023-07-13 | 2023-07-13 | 客服会话异常检测方法、系统、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116821345A true CN116821345A (zh) | 2023-09-29 |
Family
ID=88142903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310861241.4A Pending CN116821345A (zh) | 2023-07-13 | 2023-07-13 | 客服会话异常检测方法、系统、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821345A (zh) |
-
2023
- 2023-07-13 CN CN202310861241.4A patent/CN116821345A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190333118A1 (en) | Cognitive product and service rating generation via passive collection of user feedback | |
| CN109189767B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN107229627B (zh) | 一种文本处理方法、装置及计算设备 | |
| CN108027814B (zh) | 停用词识别方法与装置 | |
| EP3940693A1 (en) | Voice interaction-based information verification method and apparatus, and device and computer storage medium | |
| CN111611218A (zh) | 一种基于深度学习的分布式异常日志自动识别方法 | |
| CN113672732B (zh) | 用于对业务数据进行分类的方法和设备 | |
| US11811708B2 (en) | Systems and methods for generating dynamic conversational responses using cluster-level collaborative filtering matrices | |
| CN109710766B (zh) | 一种工单数据的投诉倾向分析预警方法及装置 | |
| CN112671985A (zh) | 基于深度学习的坐席质检方法、装置、设备及存储介质 | |
| CN115359799A (zh) | 语音识别方法、训练方法、装置、电子设备及存储介质 | |
| CN110490304B (zh) | 一种数据处理方法及设备 | |
| CN116756688A (zh) | 一种基于多模态融合算法的舆情风险发现方法 | |
| CN112434953A (zh) | 一种基于计算机数据处理的客服人员考核方法和装置 | |
| CN110910905B (zh) | 静音点检测方法及装置、存储介质、电子设备 | |
| CN116305257A (zh) | 隐私信息监测装置和隐私信息监测方法 | |
| CN116821345A (zh) | 客服会话异常检测方法、系统、电子设备和存储介质 | |
| CN115527520A (zh) | 异常检测方法、装置、电子设备和计算机可读存储介质 | |
| CN115062769A (zh) | 基于知识蒸馏的模型训练方法、装置、设备及存储介质 | |
| CN114625860A (zh) | 一种合同条款的识别方法、装置、设备及介质 | |
| CN110083807B (zh) | 合同的修改影响自动预测方法、装置、介质及电子设备 | |
| CN113010339A (zh) | 联机交易测试中故障自动处理方法及装置 | |
| CN112131378A (zh) | 用于识别民生问题类别的方法、装置及电子设备 | |
| CN114546706B (zh) | 一种应用于深度学习的应用程序缺陷分析方法及服务器 | |
| CN115102852B (zh) | 物联网业务开通方法、装置、电子设备及计算机介质 |
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 |