CN116862530A - 一种智能售后服务方法和系统 - Google Patents
一种智能售后服务方法和系统 Download PDFInfo
- Publication number
- CN116862530A CN116862530A CN202310746538.6A CN202310746538A CN116862530A CN 116862530 A CN116862530 A CN 116862530A CN 202310746538 A CN202310746538 A CN 202310746538A CN 116862530 A CN116862530 A CN 116862530A
- Authority
- CN
- China
- Prior art keywords
- client
- consultation
- voice
- intelligent
- frequency
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 210000004027 cell Anatomy 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000009223 counseling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000013518 transcription Methods 0.000 description 2
- 230000035897 transcription Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- 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
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
- G06F16/636—Filtering based on additional data, e.g. user or group profiles by using biological or physiological data
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能售后服务方法和系统，属于数据处理技术领域，方法包括：接收当前客户的语音咨询；对语音咨询进行预处理；提取语音咨询的声学特征；通过语音识别模型，根据语音咨询的声学特征对语音咨询进行识别；机器人客服根据回复数据自动化地回复当前客户；在当前客户不满意机器人客服的自动化回复内容时，根据当前客户的级别将当前客户添加至人工咨询队列中；在当前客户为普通客户时，直接将当前客户排到队尾；在当前客户为高级客户时，根据客户级别、已经等待时间和咨询内容紧急度，重新计算人工咨询队列中各个客户的优先权值；根据各个客户的优先权值更新人工咨询队列；按照人工咨询队列中的顺序转人工客户处理。
Description
技术领域
本发明属于数据处理技术领域，具体涉及一种智能售后服务方法和系统。
背景技术
客户服务热线可以为提供客户提供的业务咨询、业务受理和投诉建议等专业的售后服务。相对于当前海量的客户需求，实时的人工客服负荷较重，智能客服机器人客服在企业中承载着越来越多的业务。
然而，智能客服机器人客服在回答客户的咨询问题时，挑选的关于咨询问题的回答语料的对应性低，容易答非所问，难以解决客户的实际问题。
目前，在机器人客服难以处理咨询的问题的情况下，会转到人工客服，但是在咨询高峰期时，如果没有空闲的人工客服，客户就需要一直等待，客户的紧急事务往往难以得到及时地回复，容易给客户带来不必要的损失。
发明内容
为了解决现有技术存在的成本过高，评估准确性低的技术问题，本发明提供一种智能售后服务方法和系统。
第一方面
本发明提供了一种智能售后服务方法，包括：
S101：接收当前客户的语音咨询；
S102：对语音咨询进行预处理；
S103：提取语音咨询的声学特征；
S104：通过语音识别模型，根据语音咨询的声学特征对语音咨询进行识别；
S105：通过最近邻查询算法搜索与语音咨询最相关的回复数据，机器人客服根据回复数据自动化地回复当前客户；
S106：在当前客户不满意机器人客服的自动化回复内容的情况下，根据当前客户的级别将当前客户添加至人工咨询队列中；
S107：在当前客户为普通客户的情况下，直接将当前客户排到队尾；
S108：在当前客户为高级客户的情况下，根据客户级别、已经等待时间和咨询内容紧急度，重新计算人工咨询队列中各个客户的优先权值；
S109：根据各个客户的优先权值更新人工咨询队列；
S110：按照人工咨询队列中的顺序转人工客户处理。
第二方面
本发明提供了一种智能售后服务系统，用于执行第一方面中的任一项智能售后服务方法。
与现有技术相比，本发明至少具有以下有益技术效果：
(1)在本发明中，在机器人客服难以解决语音咨询的情况下，根据客户级别、已经等待时间和咨询内容紧急度计算各个客户的优先权值，根据优先权值为各个客户进行排序，按照优先权值由高到低的顺序转人工客户处理，避免了在咨询高峰期的拥堵问题，对高级别客户的紧急性问题优先处理，提升了客服服务效率和质量，避免给客户带来不必要的损失。
(2)在本发明中，通过最近邻查询算法搜索与语音咨询最相关的回复数据，机器人客服根据回复数据自动化地回复客户，提升了客服机器人客服在挑选咨询问题的回答语料时的对应性和准确性，提升了解决客户咨询问题的效率。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种智能售后服务方法的流程示意图；
图2是本发明提供的另一种智能售后服务方法的流程示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，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。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中，参考说明书附图1和图2，示出了本发明提供的智能售后服务方法的流程示意图。
本发明提供的一种智能售后服务方法，包括：
S101：接收当前客户的语音咨询。
具体而言，客户可以通过拨打客服电话发起语音咨询，或者，在平台上进行语音留言发起语音咨询。
S102：对语音咨询进行预处理。
具体而言，预处理包括：降噪、声音增益、音频预加重、语音端点检测和语音正则化等。
在本发明中，引入一种特别的预处理方式，以抑制由于不同说话人的音色不同对于同一句话、同一个字词发音的影响。
在一种可能的实施方式中，S102具体包括子步骤S1021至S1024：
S1021：获取语音咨询的原始频谱数据A(f,t)。
S1022：为原始频谱数据中的每个时间-频率组生成一个范围在-1和1之间的随机数rand(f,t)：
rand(f,t)～U(-1,1)
其中，f表示频率，t表示时间。
其中，生成范围在-1和1之间的随机数是为了在预处理过程中引入一定的随机性和变化性。这样做的目的是增加语音数据的多样性，以提高模型的泛化能力和对不同说话人、不同音色的适应能力。
S1023：对预设时频区域范围内的随机数进行平均，计算得到扰动参数δ(f,t)：
其中，λ表示扰动幅度参数，p表示频域范围参数，q表示时域范围参数。
进一步地，设置扰动幅度参数λ可以控制扰动的幅度，设置频域范围参数p和时域范围参数q可以平滑频率轴和时间轴的随机性。
S1024：根据扰动参数δ(f,t)对原始频谱数据A(f,t)进行预处理：
A*(f,t)＝A(f+δ(f,t),t)
其中，A*(f,t)表示预处理后的频谱数据。
需要说明的是，由于不同的说话人、说话场景和语气情绪等因素，即使是同一句话、同一个说话人，其说话的语速和咬字也往往是不完全一样的，在语音识别之前通过扰动参数对语音数据进行预处理，对每一句语音数据通过随机生成的扰动参数对频谱进行扭曲，可以抑制由于不同说话人的音色不同对于同一句话、同一个字词发音的影响，提高对于不同音色的语句识别的鲁棒性，增强语音识别的准确性。
S103：提取语音咨询的声学特征。
其中，常见的特征包括梅尔频率倒谱系数(MFCC)、梅尔频谱包络(Melspectrogram)、线性预测编码(LPC)等。
在一种可能的实施方式中，S103具体包括子步骤S1031至S1034：
S1031：对语音咨询的频谱数据进行快速傅里叶变换，得到功率谱数据。
其中，快速傅里叶变换(Fast Fourier Transform，FFT)是一种高效的计算离散傅里叶变换(Discrete Fourier Transform，DFT)的算法。傅里叶变换是一种信号处理技术，用于将时域信号转换为频域表示。它将一个连续或离散的时域信号分解成一组正弦和余弦函数(频域分量)，表示每个频率成分在信号中的存在程度。
S1032：通过Mel滤波器对功率谱数据进行滤波，输出功率谱数据的对数能量Em：
其中，N表示总频率，X(k)表示频率为k时的输入信号值，Hm(k)表示滤波器的频率响应。
其中，Hm(k)的表示式为：
其中，k表示线性频率轴上的频率，m表示滤波器的索引值，τ(m)表示第m个频带的频率。
需要说明的是，将功率谱数据转换为对数能量(logenergy)可以提供一种更具有稳定性、与人耳感知更加一致以及更具鲁棒性的声学特征表示。
S1033：对对数能量Em进行离散余弦变换，得到MFCC系数：
其中，Cn表示第n个MFCC系数，m表示滤波器的索引值，M表示滤波器的数量，L为正整数。
S1034：对MFCC系数进行动态参数提取，得到声学特征向量D＝{dn}：
其中，dn表示第n个一阶差分，Q表示MFCC系数的阶数，T表示一阶导数的时间差，i表示一阶导数的时间差T的具体取值，i为1或2。
其中，通过计算一阶差分或更高阶差分，可以捕捉到特征在时间上的变化，提供了关于音素边界和语音运动的有用信息。
需要说明的是，通过对MFCC系数进行动态参数提取，可以获得更具有表达能力和鲁棒性的声学特征表示，提高语音识别和语音相关任务的性能。动态参数提取是语音信号处理中常用的技术，常用的方法包括一阶差分、二阶差分和加速度等。
S104：通过语音识别模型，根据语音咨询的声学特征对语音咨询进行识别。
具体而言，可以采用隐马尔可夫模型(Hidden Markov Model，HMM)、深度神经网络(Deep Neural Network，DNN)和转录注意力模型(Transducer Attention Model)等对语音咨询进行识别。模型训练的目标是最大化语音特征与对应文本转录之间的匹配度，以使模型能够准确地预测语音的文本转录。
在一种可能的实施方式中，提供一种基于卷积神经网络的语音识别方法，并且在卷积神经网络引入软阈值抑制低幅度的噪声，保留高幅度的语音信号，S104具体包括：
S1041：构建卷积神经网络。
其中，卷积神经网络主要包括卷积层、池化层、激活函数层、全连接层、Dropout层等。
S1042：将声学特征通过卷积层得到粗糙特征值。
其中，将声学特征作为输入，通过卷积层进行特征提取。卷积层使用一组可学习的滤波器(卷积核)对输入数据进行卷积操作，从而提取出粗糙的特征值。每个滤波器会检测输入数据中的不同局部特征，并生成相应的特征映射。
S1043：将粗糙特征值通过池化层进行池化处理。
其中，对经过卷积层得到的特征值进行池化操作。池化层的作用是减小特征映射的空间维度，保留主要的特征信息。常用的池化操作包括最大池化和平均池化。通过池化操作，可以降低数据的维度，减少参数数量，以及提取出更加鲁棒的特征。
S1044：重复S1042和S1043，得到精细特征值a。
其中，可以通过多次堆叠卷积层和池化层，进一步提取更加抽象和精细的特征。这种层层堆叠的方式有助于逐渐增加模型的精度，从而提取出更精细的语音特征。
S1045：对精细特征值a通过软阈值ψ进行去噪，得到结果数据b：
其中，软阈值是一种非线性函数，可以抑制低幅度的噪声，保留高幅度的语音信号。通过应用软阈值函数，可以去除精细特征中的噪声成分，得到更加干净和准确的结果数据。
在一种可能的实施方式中，软阈值ψ的确定方式为：
对各个神经元的精细特征值a进行归一化处理，得到归一化特征值ε：
其中，ai表示第i个神经元的精细特征值，εi表示第i个神经元的归一化特征值。
需要说明的是，归一化可以将特征值映射到一个相对一致的尺度上，消除特征值之间的绝对大小差异。这样做的好处是可以更好地控制软阈值的大小，使其在不同特征值范围下具有相似的影响力。
根据归一化特征值ε计算软阈值ψ：
其中，ψi表示第i个通道的软阈值，N表示神经元的个数，每个神经元对应一个通道。
本发明中，软阈值的具体大小可以根据数据特征值进行自适应地调整。每个通道都有自己的软阈值，而不是使用一个全局的阈值。自适应地软阈值可以更好地适应不同通道的特征分布，提高去噪的效果。
需要说明的是，通过确定软阈值，可以对精细特征值进行去噪处理，抑制低幅度的噪声，保留高幅度的语音信号。去噪后的结果数据b可以用于后续的语音识别任务，提高识别的准确性和鲁棒性。
S1046：对结果数据b进行解码，输出语音识别结果。
具体而言，可以通过隐马尔可夫模型解码器、基于混合高斯模型的HMM解码器、基于深度神经网络的HMM解码器、端到端解码器和基于注意力机制的解码器等进行解码。
S105：通过最近邻查询算法搜索与语音咨询最相关的回复数据，机器人客服根据回复数据自动化地回复当前客户。
其中，最近邻查询算法是一种常用的基于相似度度量的算法，用于在数据集中搜索与查询对象最相似的数据项。最近邻查询算法基于一个关键思想，即相似的对象在特征空间中的位置更接近。
具体而言，可以通过近邻(K-Nearest Neighbors)算法和余弦相似度算法等搜索与语音咨询最相关的回复数据。
在一种可能的实施方式中，提供了一种S105具体包括子步骤S1051至S1058：
S1051：将回复数据库按照预设的颗粒度划分为多个网格单元，将处于网格单元中的回复数据插入到四叉树中。
其中，四叉树(Quadtree)是一种常用的空间分割数据结构，用于划分二维平面或空间。它将空间递归地分割成四个象限，每个象限可以是一个空节点或包含子节点的非空节点。如果一个象限内包含的元素过多，则可以再对该象限进行进一步的细分，将其划分为四个子象限。这个过程可以递归地进行下去，直到达到某个停止条件，例如达到最小划分单元的大小或节点中包含的元素数量不超过某个阈值。四叉树是一种灵活、高效的空间分割数据结构，适用于处理二维平面或空间数据。它通过递归地划分空间，提供了对空间对象的组织、查询和处理能力，广泛应用于各种领域的空间数据处理和算法设计中。
需要说明的是，每个网格单元都有一个单一的网格编号ID，通过网格单元的中心点坐标标明其在整个区域的位置。
S1052：将语音咨询的语音识别结果作为请求点，在网格单元中进行查询。
此步骤可以理解为，在网格单元中寻找与语音咨询信号的识别结果最为匹配的回复数据。
S1053：初始化优先级队列。
其中，优先级队列用于记录到目前为止访问的结点，在该队列中，根据空间结点和查询点之间的最小距离值按升序排列队列中的元素，从而可以快速找到最近的相邻对象所在的叶结点，然后会筛选查询结果，取得离查询点最近的相邻对象，并完成最近的相邻查询。
S1054：获取队头元素，在队头元素为叶节点的情况下，将叶节点作为候选叶节点，并将叶节点的网格单元ID存储到链表中。在队头元素为中间节点的情况下，分别计算中间节点的四个子节点和请求点之间的保存路径长度的最小值，并按照保存路径长度的最小值将四个子节点放入到优先级队列中，重复上述处理，直至队头元素为叶节点。
其中，队头元素及队伍中最前面的元素。
其中，保存路径长度的最小值是指计算中间节点的四个子节点和请求点之间的路径长度时，选择其中最小的路径长度进行保存。这个最小值表示了当前中间节点与请求点之间的最短路径长度。
S1055：计算查询到的候选叶节点上的移动对象与请求点之间的欧式距离。
其中，欧式距离(Euclideandistance)是一种常用的距离度量方法，用于衡量欧几里得空间中两个点之间的距离。它基于勾股定理，通过计算两点之间的直线距离来衡量它们之间的接近程度。
S1056：按照欧式距离由小到大的顺序，将各个移动对象存储到链表中。
其中，链表是一种常见的线性数据结构，用于存储和组织数据。与数组不同，链表的元素在内存中不必连续存储，而是通过指针相互连接起来。将移动对象存储到链表中以便于后续的比较。
S1057：计算链表的表头元素与请求点之间的保存路径长度的最小值D1，计算优先级队列的队头元素与请求点之间的保存路径长度的最小值D2，在D1＜D2的情况下，将表头元素作为最近的相邻对象进行输出。在D1≥D2的情况下，重复S1054。
其中，在D1≥D2的情况下，意味着已经找到了与语音咨询信号的识别结果最为匹配的回复数据。与在D1≥D2的情况下，意味着还未找到与语音咨询信号的识别结果最为匹配的回复数据，需要重复上面的步骤继续寻找。
S1058：机器人客服根据最近的相邻对象对应的回复数据，对语音咨询进行自动化回复。
一旦找到与咨询问题或语音输入最相关的回复数据(最近的相邻对象对应的回复数据)，机器人可以自动提取相应的回复内容，并将其作为自动回复发送给客户。这个过程可以通过自然语言处理技术和语音合成技术来实现，确保生成的回复内容准确、流畅并与用户的咨询问题匹配。因此，可以提高客户服务的效率，减少人工干预的需要，并在满足一定的相似度匹配条件下，为客户提供快速且准确的回复。
S106：在当前客户不满意机器人客服的自动化回复内容的情况下，根据当前客户的级别将当前客户添加至人工咨询队列中。
S107：在当前客户为普通客户的情况下，直接将当前客户排到队尾。
S108：在当前客户为高级客户的情况下，根据客户级别、已经等待时间和咨询内容紧急度，重新计算人工咨询队列中各个客户的优先权值。
其中，用户级别、已经等待时间和咨询内容紧急度是影响客户的优先权值的重要因素。
其中，高级客户通常是具有更高权重和优先级的重要客户，可能是长期合作伙伴、高价值客户或者在业务上具有特殊地位的客户。根据客户级别来调整优先权值，可以确保对重要客户提供更优先的服务和更高的满意度。
其中，长时间等待可能会降低客户满意度，因此将已经等待时间作为一个因素来计算优先权值，可以确保等待时间较长的客户获得更高的优先级，以减少他们的等待时间并提高服务效率。
其中，客户可能需要解决紧急问题、获得迅速的回应或者涉及重要的业务事项。通过考虑咨询内容的紧急度，可以调整客户的优先权值，确保紧急情况得到及时处理，以满足客户的需求并提供高质量的服务。
其中，优先权值可以理解为客户的语音咨询在人工咨询队列中需要进行医人工处理的迫切性，优先权值越高，客户在队列中越靠前。
在一种可能的实施方式中，S108具体包括：
根据客户级别、已经等待时间和咨询内容紧急度计算所述人工咨询队列中各个客户的优先权值Pi：
Pi＝λ1·ci1+λ2·ci2+λ3·ci3
其中，ci1表示第i个客户的已经等待时间，λ1表示已经等待时间的权重，ci2表示第i个客户的咨询内容紧急度，λ2表示咨询内容紧急度的权重，ci3表示第i个客户的级别，λ3表示客户级别的权重。
其中，本领域技术人员可以根据实际情况设置等待时间的权重λ1、咨询内容紧急度的权重λ2和客户级别的权重λ3的大小，本发明不做限定。
需要说明的是，通过考虑客户级别、已经等待时间和咨询内容紧急度等因素计算优先权值，可以确保客户被公平对待。不同级别的客户、等待时间较长的客户和紧急咨询的客户都有机会获得更高的优先权值，从而提高其在人工咨询队列中的排队位置。并且，通过计算优先权值，可以将有限的资源(如人工客服的时间和能力)合理分配给不同的客户。高级客户、等待时间较长的客户和紧急咨询的客户往往更需要优先处理，因为他们可能对业务的重要性更高或面临紧急的问题。通过合理分配资源，可以更有效地满足客户的需求，提高工作效率，并减少客户等待时间。
S109：根据各个客户的优先权值更新人工咨询队列。
其中，按照优先权值的大小对客户进行排序，并更新队列的顺序。可以使得优先权值较高的客户将排在队列的前面，以便更早地接收人工处理。
S110：按照人工咨询队列中的顺序转人工客户处理。
与现有技术相比，本发明至少具有以下有益技术效果：
(1)在本发明中，在机器人客服难以解决语音咨询的情况下，根据客户级别、已经等待时间和咨询内容紧急度计算各个客户的优先权值，根据优先权值为各个客户进行排序，按照优先权值由高到低的顺序转人工客户处理，避免了在咨询高峰期的拥堵问题，对高级别客户的紧急性问题优先处理，提升了客服服务效率和质量，避免给客户带来不必要的损失。
(2)在本发明中，通过最近邻查询算法搜索与语音咨询最相关的回复数据，机器人客服根据回复数据自动化地回复客户，提升了客服机器人客服在挑选咨询问题的回答语料时的对应性和准确性，提升了解决客户咨询问题的效率。
在一种可能的实施方式中，智能售后服务方法还包括：
S111：向客户展示预计的等待时间。
需要说明的是，向客户展示预计的等待时间有助于提供透明、可预测的客户服务体验，增加客户的满意度和选择权，并为客户和服务团队提供了灵活性和机会来优化服务过程。
在一种可能的实施方式中，智能售后服务方法还包括：
S112：在人工客服难以解决语音咨询的问题的情况下，创建工单，并安排专业人员处理工单。
需要说明的是，对于一些需要更多时间和资源的问题，人工客服可能需要较长的时间来解决或需要多次的交流和追踪。通过创建工单并交由专业人员处理，可以避免在人工客服之间来回传递问题，节省时间和提高效率。专业人员可以专注于问题处理，并在适当的时间内提供综合和可靠的解决方案。
实施例2
在一个实施例中，本发明提供的一种智能售后服务系统，用于执行实施例1中的任一项智能售后服务方法。
(1)在本发明中，在机器人客服难以解决语音咨询的情况下，根据客户级别、已经等待时间和咨询内容紧急度计算各个客户的优先权值，根据优先权值为各个客户进行排序，按照优先权值由高到低的顺序转人工客户处理，避免了在咨询高峰期的拥堵问题，对高级别客户的紧急性问题优先处理，提升了客服服务效率和质量，避免给客户带来不必要的损失。
(2)在本发明中，通过最近邻查询算法搜索与语音咨询最相关的回复数据，机器人客服根据回复数据自动化地回复客户，提升了客服机器人客服在挑选咨询问题的回答语料时的对应性和准确性，提升了解决客户咨询问题的效率。
本发明提供的一种智能售后服务系统可以实现上述实施例1中的任一项智能售后服务方法的步骤和效果，为避免重复，本发明不再赘述。
与现有技术相比，本发明至少具有以下有益技术效果：
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种智能售后服务方法，其特征在于，包括：
S101：接收当前客户的语音咨询；
S102：对所述语音咨询进行预处理；
S103：提取所述语音咨询的声学特征；
S104：通过语音识别模型，根据所述语音咨询的声学特征对所述语音咨询进行识别；
S105：通过最近邻查询算法搜索与所述语音咨询最相关的回复数据，机器人客服根据所述回复数据自动化地回复当前客户；
S106：在当前客户不满意机器人客服的自动化回复内容的情况下，根据当前客户的级别将当前客户添加至人工咨询队列中；
S107：在当前客户为普通客户的情况下，直接将当前客户排到队尾；
S108：在当前客户为高级客户的情况下，根据客户级别、已经等待时间和咨询内容紧急度，重新计算所述人工咨询队列中各个客户的优先权值；
S109：根据各个客户的优先权值更新所述人工咨询队列；
S110：按照所述人工咨询队列中的顺序转人工客户处理。
2.根据权利要求1所述的智能售后服务方法，其特征在于，所述S102具体包括：
S1021：获取所述语音咨询的原始频谱数据A(f,t)；
S1022：为所述原始频谱数据中的每个时间-频率组生成一个范围在-1和1之间的随机数rand(f,t)：
rand(f,t)～U(-1,1)
其中，f表示频率，t表示时间；
S1023：对预设时频区域范围内的随机数进行平均，计算得到扰动参数δ(f,t)：
其中，λ表示扰动幅度参数，p表示频域范围参数，q表示时域范围参数；
S1024：根据所述扰动参数δ(f,t)对所述原始频谱数据A(f,t)进行预处理：
A*(f,t)＝A(f+δ(f,t),t)
其中，A*(f,t)表示预处理后的频谱数据。
3.根据权利要求1所述的智能售后服务方法，其特征在于，所述S103具体包括：
S1031：对所述语音咨询的频谱数据进行快速傅里叶变换，得到功率谱数据；
S1032：通过Mel滤波器对所述功率谱数据进行滤波，输出所述功率谱数据的对数能量Em：
其中，N表示总频率，X(k)表示频率为k时的输入信号值，Hm(k)表示滤波器的频率响应；
其中，Hm(k)的表示式为：
其中，k表示线性频率轴上的频率，m表示滤波器的索引值，τ(m)表示第m个频带的频率；
S1033：对所述对数能量Em进行离散余弦变换，得到MFCC系数：
其中，Cn表示第n个MFCC系数，m表示滤波器的索引值，M表示滤波器的数量，L为正整数；
S1034：对所述MFCC系数进行动态参数提取，得到声学特征向量D＝{dn}：
其中，dn表示第n个一阶差分，Q表示MFCC系数的阶数，T表示一阶导数的时间差，i表示一阶导数的时间差T的具体取值，i为1或2。
4.根据权利要求1所述的智能售后服务方法，其特征在于，所述S104具体包括：
S1041：构建卷积神经网络；
S1042：将所述声学特征通过卷积层得到粗糙特征值；
S1043：将所述粗糙特征值通过池化层进行池化处理；
S1044：重复S1042和S1043，得到精细特征值a；
S1045：对所述精细特征值a通过软阈值ψ进行去噪，得到结果数据b：
S1046：对所述结果数据b进行解码，输出语音识别结果。
5.根据权利要求4所述的智能售后服务方法，其特征在于，所述软阈值ψ的确定方式为：
对各个神经元的所述精细特征值a进行归一化处理，得到归一化特征值ε：
其中，ai表示第i个神经元的精细特征值，εi表示第i个神经元的归一化特征值；
根据所述归一化特征值ε计算所述软阈值ψ：
其中，ψi表示第i个通道的软阈值，N表示神经元的个数，每个神经元对应一个通道。
6.根据权利要求1所述的智能售后服务方法，其特征在于，所述S105具体包括：
S1051：将回复数据库按照预设的颗粒度划分为多个网格单元，将处于所述网格单元中的回复数据插入到四叉树中；
S1052：将所述语音咨询的语音识别结果作为请求点，在所述网格单元中进行查询；
S1053：初始化优先级队列；
S1054：获取队头元素，在所述队头元素为叶节点的情况下，将叶节点作为候选叶节点，并将叶节点的网格单元ID存储到链表中；在所述队头元素为中间节点的情况下，分别计算中间节点的四个子节点和请求点之间的保存路径长度的最小值，并按照保存路径长度的最小值将四个子节点放入到所述优先级队列中，重复上述处理，直至队头元素为叶节点；
S1055：计算查询到的候选叶节点上的移动对象与所述请求点之间的欧式距离；
S1056：按照欧式距离由小到大的顺序，将各个移动对象存储到链表中；
S1057：计算链表的表头元素与所述请求点之间的保存路径长度的最小值D1，计算优先级队列的队头元素与所述请求点之间的保存路径长度的最小值D2，在D1＜D2的情况下，将表头元素作为最近的相邻对象进行输出；在D1≥D2的情况下，重复所述S1054；
S1058：机器人客服根据最近的相邻对象对应的回复数据，对所述语音咨询进行自动化回复。
7.根据权利要求1所述的智能售后服务方法，其特征在于，所述S108具体包括：
根据客户级别、已经等待时间和咨询内容紧急度计算所述人工咨询队列中各个客户的优先权值Pi：
Pi＝λ1·ci1+λ2·ci2+λ3·ci3
其中，ci1表示第i个客户的已经等待时间，λ1表示已经等待时间的权重，ci2表示第i个客户的咨询内容紧急度，λ2表示咨询内容紧急度的权重，ci3表示第i个客户的级别，λ3表示客户级别的权重。
8.根据权利要求1所述的智能售后服务方法，其特征在于，还包括：
S111：向客户展示预计的等待时间。
9.根据权利要求1所述的智能售后服务方法，其特征在于，还包括：
S112：在人工客服难以解决所述语音咨询的问题的情况下，创建工单，并安排专业人员处理所述工单。
10.一种智能售后服务系统，其特征在于，用于执行权利要求1至9中任一项所述的智能售后服务方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310746538.6A CN116862530B (zh) | 2023-06-25 | 2023-06-25 | 一种智能售后服务方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310746538.6A CN116862530B (zh) | 2023-06-25 | 2023-06-25 | 一种智能售后服务方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116862530A true CN116862530A (zh) | 2023-10-10 |
| CN116862530B CN116862530B (zh) | 2024-04-05 |
Family
ID=88226013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310746538.6A Active CN116862530B (zh) | 2023-06-25 | 2023-06-25 | 一种智能售后服务方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116862530B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289466A (zh) * | 2011-07-21 | 2011-12-21 | 东北大学 | 一种基于区域覆盖的k近邻查询方法 |
| CN102810118A (zh) * | 2012-07-05 | 2012-12-05 | 上海电力学院 | 一种变权网k近邻搜索方法 |
| CN104900229A (zh) * | 2015-05-25 | 2015-09-09 | 桂林电子科技大学信息科技学院 | 一种语音信号混合特征参数的提取方法 |
| CN108932347A (zh) * | 2018-08-03 | 2018-12-04 | 东北大学 | 一种分布式环境下基于社会感知的空间关键字查询方法 |
| CN110246504A (zh) * | 2019-05-20 | 2019-09-17 | 平安科技（深圳）有限公司 | 鸟类声音识别方法、装置、计算机设备和存储介质 |
| CN113240200A (zh) * | 2021-06-07 | 2021-08-10 | 中国银行股份有限公司 | 一种线上客服调度方法及装置 |
| CN113723489A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种改进关系网络的滚动轴承故障识别方法 |
| CN113889099A (zh) * | 2021-10-08 | 2022-01-04 | 上海金仕达软件科技有限公司 | 一种语音识别方法及系统 |
| CN114495950A (zh) * | 2022-04-01 | 2022-05-13 | 杭州电子科技大学 | 一种基于深度残差收缩网络的语音欺骗检测方法 |
| CN114818649A (zh) * | 2022-05-13 | 2022-07-29 | 中国工商银行股份有限公司 | 基于智能语音交互技术的业务咨询处理方法及装置 |
| CN115346514A (zh) * | 2022-08-08 | 2022-11-15 | 东南大学 | 一种面向智能驾驶测评的音频预警智能识别方法 |
| CN115691500A (zh) * | 2022-09-27 | 2023-02-03 | 国网新疆电力有限公司信息通信公司 | 一种基于时延神经网络的电力客服语音识别方法及装置 |
| CN115810365A (zh) * | 2021-09-16 | 2023-03-17 | 成都睿畜电子科技有限公司 | 一种基于猪只声音的猪只健康预警方法及系统 |
| CN116580708A (zh) * | 2023-05-30 | 2023-08-11 | 中国人民解放军61623部队 | 一种智能语音处理方法和系统 |
| CN116680360A (zh) * | 2023-05-25 | 2023-09-01 | 中国人民解放军61623部队 | 一种智能客户服务方法和系统 |
| CN116687410A (zh) * | 2023-08-03 | 2023-09-05 | 中日友好医院(中日友好临床医学研究所) | 一种慢性病患者的述情障碍评估方法和系统 |
-
2023
- 2023-06-25 CN CN202310746538.6A patent/CN116862530B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289466A (zh) * | 2011-07-21 | 2011-12-21 | 东北大学 | 一种基于区域覆盖的k近邻查询方法 |
| CN102810118A (zh) * | 2012-07-05 | 2012-12-05 | 上海电力学院 | 一种变权网k近邻搜索方法 |
| CN104900229A (zh) * | 2015-05-25 | 2015-09-09 | 桂林电子科技大学信息科技学院 | 一种语音信号混合特征参数的提取方法 |
| CN108932347A (zh) * | 2018-08-03 | 2018-12-04 | 东北大学 | 一种分布式环境下基于社会感知的空间关键字查询方法 |
| CN110246504A (zh) * | 2019-05-20 | 2019-09-17 | 平安科技（深圳）有限公司 | 鸟类声音识别方法、装置、计算机设备和存储介质 |
| CN113240200A (zh) * | 2021-06-07 | 2021-08-10 | 中国银行股份有限公司 | 一种线上客服调度方法及装置 |
| CN113723489A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种改进关系网络的滚动轴承故障识别方法 |
| CN115810365A (zh) * | 2021-09-16 | 2023-03-17 | 成都睿畜电子科技有限公司 | 一种基于猪只声音的猪只健康预警方法及系统 |
| CN113889099A (zh) * | 2021-10-08 | 2022-01-04 | 上海金仕达软件科技有限公司 | 一种语音识别方法及系统 |
| CN114495950A (zh) * | 2022-04-01 | 2022-05-13 | 杭州电子科技大学 | 一种基于深度残差收缩网络的语音欺骗检测方法 |
| CN114818649A (zh) * | 2022-05-13 | 2022-07-29 | 中国工商银行股份有限公司 | 基于智能语音交互技术的业务咨询处理方法及装置 |
| CN115346514A (zh) * | 2022-08-08 | 2022-11-15 | 东南大学 | 一种面向智能驾驶测评的音频预警智能识别方法 |
| CN115691500A (zh) * | 2022-09-27 | 2023-02-03 | 国网新疆电力有限公司信息通信公司 | 一种基于时延神经网络的电力客服语音识别方法及装置 |
| CN116680360A (zh) * | 2023-05-25 | 2023-09-01 | 中国人民解放军61623部队 | 一种智能客户服务方法和系统 |
| CN116580708A (zh) * | 2023-05-30 | 2023-08-11 | 中国人民解放军61623部队 | 一种智能语音处理方法和系统 |
| CN116687410A (zh) * | 2023-08-03 | 2023-09-05 | 中日友好医院(中日友好临床医学研究所) | 一种慢性病患者的述情障碍评估方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| ERIZA TRI ABDI NUGROHO等: "Indexing Voronoi cells using quadtree in spatial database", 《2017 5TH INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATION TECHNOLOGY (ICOIC7)》, pages 1 - 8 * |
| PANAGIOTIS MOUTAFIS: "Efficient processing of all-k-nearest-neighbor queries in the MapReduce programming framework", 《DATA & KNOWLEDGE ENGINEERING》, pages 42 * |
| 刘永山等: "基于三维网格-R树的混合索引方法研究", 《燕山大学学报》, vol. 44, no. 2, pages 138 - 148 * |
| 廖巍;张琪;吴晓平;钟志农;: "道路网络环境下的连续k近邻查询处理研究", 小型微型计算机系统, no. 04, pages 666 - 671 * |
| 郭帅;刘亮;秦小麟;: "用户偏好约束的空间关键词范围查询处理方法", 计算机科学, no. 04 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116862530B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Serizel et al. | Acoustic features for environmental sound analysis | |
| CN108900725B (zh) | 一种声纹识别方法、装置、终端设备及存储介质 | |
| CN111916111B (zh) | 带情感的智能语音外呼方法及装置、服务器、存储介质 | |
| EP3479377B1 (en) | Speech recognition | |
| US9524730B2 (en) | Monaural speech filter | |
| CN110111773B (zh) | 基于卷积神经网络的音乐信号多乐器识别方法 | |
| Han et al. | Acoustic scene classification using convolutional neural network and multiple-width frequency-delta data augmentation | |
| CN1121681C (zh) | 语言处理 | |
| US9558762B1 (en) | System and method for distinguishing source from unconstrained acoustic signals emitted thereby in context agnostic manner | |
| CN111932296B (zh) | 一种产品推荐方法及装置、服务器、存储介质 | |
| WO2019227574A1 (zh) | 语音模型训练方法、语音识别方法、装置、设备及介质 | |
| US10390130B2 (en) | Sound processing apparatus and sound processing method | |
| AU684214B2 (en) | System for recognizing spoken sounds from continuous speech and method of using same | |
| JPH07110695A (ja) | 音声符号化装置および方法 | |
| Leonid et al. | Retracted article: statistical–model based voice activity identification for human-elephant conflict mitigation | |
| CN116153330B (zh) | 一种智能电话语音机器人控制方法 | |
| Hsu et al. | Local wavelet acoustic pattern: A novel time–frequency descriptor for birdsong recognition | |
| CN116680360A (zh) | 一种智能客户服务方法和系统 | |
| CN116862530B (zh) | 一种智能售后服务方法和系统 | |
| CN108847251A (zh) | 一种语音去重方法、装置、服务器及存储介质 | |
| Luque-Suárez et al. | Efficient speaker identification using spectral entropy | |
| Chauhan et al. | Speech recognition and separation system using deep learning | |
| CN113241090B (zh) | 一种基于最小体积约束的多通道盲声源分离方法 | |
| CN115223584A (zh) | 音频数据处理方法、装置、设备及存储介质 | |
| JPH10254473A (ja) | 音声変換方法及び音声変換装置 |
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 |