CN117217603A - 一种客服服务质量确定方法及装置 - Google Patents

Abstract

本发明公开了一种客服服务质量确定方法及装置，该方法包括：先获取待确定服务对话数据并进行预处理得到字向量文本序列；然后将所述字向量文本序列输入到预先训练好的识别模型中进行识别得到分类概率；最后监测客服是否执行所有指定询问语句，若是，则根据所述分类概率确定服务质量结果，若否，则根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量结果，能够快速准确地对客服服务质量进行确定，且降低了成本。

Description

一种客服服务质量确定方法及装置

技术领域

本发明属于数据处理技术领域，具体涉及一种客服服务质量确定方法及装置。

背景技术

客服是为各类客户进行咨询服务的岗位，好的服务能够减少客户消费的时间、费用、体力和精力来客户获得价值。比如，通过送货上门这一服务来减少客户外出的时间、体力，以便让他利用这些节省出的时间和体力做其他工作，好的服务能够为客户和自身企业创造价值。

目前针对客服的服务质量监督通常分为两种，一种是人工进行抽检，工作人员从客服系统中抽取一定比例的通话记录或聊天记录进行质检，但该方案无法全面了解服务质量，且抽检工作量大，会浪费大量人力成本；另一种是通过规则模板进行抽检，使用预定义的规则和模板分析客服系统中的通话记录或聊天记录，但是该方案缺乏灵活性和适应性。

因此，如何快速准确地对客服服务质量进行确定，且降低成本，是本领域技术人员有待解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中对客服服务质量确定的成本较高，以及不够灵活的技术问题。

为实现上述技术目的，一方面，本发明提供了一种客服服务质量确定方法，该方法包括：

获取待确定服务对话数据并进行预处理得到字向量文本序列；

将所述字向量文本序列输入到预先训练好的识别模型中进行识别得到分类概率；

监测客服是否执行所有指定询问语句，若是，则根据所述分类概率确定服务质量结果，若否，则根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量结果。

进一步地，所述待确定服务对话数据具体包括语音数据和或文本对话数据。

进一步地，所述预处理具体包括：

若所述待确定服务对话数据中包括语音数据，则将所述语音数据转换为文本数据；

将所述文本数据和或文本对话数据中的中文数字转换为阿拉伯数字，并将叠字去重后按字进行切分转换为字序列；

将所述字序列转换为字编号序列后再次转换后得到所述字向量文本序列。

进一步地，所述根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量等级，具体包括：

确定所有指定询问语句的第一数量；

确定所述第一次数占所述第一数量的比例；

若所述比例小于第一阈值，则输出询问不合格标识与所述分类概率作为所述服务质量结果；

若所述比例大于第一阈值小于第二阈值，则输出询问合格标识与所述分类概率作为所述服务质量结果；

若所述比例大于第二阈值，则输出询问优秀标识与所述分类概率作为所述服务质量结果。

进一步地，所述识别模型的训练过程包括：

获取训练数据，所述训练数据包括第一训练数据、第二训练数据和测试数据；

将所述第一训练数据进行分词并随机抽取预设比例的子训练数据进行掩码后的所述第一训练数据切分保存为子数据块，将所述第二训练数据按字切分转换为训练字序列后再转换为训练字向量文本序列；

通过所述子数据块对未训练的识别模型进行训练得到第一识别模型；

将所述第一识别模型中的参数进行确定后基于所述第二训练数据对其进行训练得到第二识别模型；

将所述测试数据输入至所述第二识别模型进行测试后得到训练后的识别模型。

进一步地，所述参数包括损失函数、优化器和超参数。

另一方面，本发明还提供了一种客服服务质量确定装置，所述装置包括：

获取模块，用于获取待确定服务对话数据并进行预处理得到字向量文本序列；

识别模块，用于将所述字向量文本序列输入到预先训练好的识别模型中进行识别得到分类概率；

确定模块，用于监测客服是否执行所有指定询问语句，若是，则根据所述分类概率确定服务质量结果，若否，则根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量结果。

本发明提供的一种客服服务质量确定方法及装置，与现有技术相比，本方法先获取待确定服务对话数据并进行预处理得到字向量文本序列；然后将所述字向量文本序列输入到预先训练好的识别模型中进行识别得到分类概率；最后监测客服是否执行所有指定询问语句，若是，则根据所述分类概率确定服务质量结果，若否，则根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量结果，能够快速准确地对客服服务质量进行确定，且降低了成本。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书记载的一些实施例，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。

图1所示为本说明书实施例提供的客服服务质量确定方法的流程示意图；

图2所示为本说明书实施例提供的客服服务质量确定装置的结构示意图；

图3所示为本说明书实施例提供的客服服务质量确定服务器的硬件结构框图。

具体实施方式

为了使本领域普通技术人员更好地理解本说明书中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1所示为本说明实施例提供的客服服务质量确定方法的流程示意图，虽然本说明提供了如下实施例或附图中所示的方法操作步骤或装置结构，但基于常规或无需创造性劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元，在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。

本说明实施例中提供的客服服务质量确定方法可以应用在客户端和服务器等终端设备中，如图1所示，所述方法具体包括如下步骤：

步骤S101、获取待确定服务对话数据并进行预处理得到字向量文本序列。

在本申请实施例中，所述待确定服务对话数据具体包括语音数据和或文本对话数据，所述预处理具体包括：

若所述待确定服务对话数据中包括语音数据，则将所述语音数据转换为文本数据；

将所述文本数据和或文本对话数据中的中文数字转换为阿拉伯数字，并将叠字去重后按字进行切分转换为字序列；

将所述字序列转换为字编号序列后再次转换后得到所述字向量文本序列。

具体的，数据获取使用SDK也即软件开发工具从客服系统平台采集会计或销售与客户的沟通信息，包括文本、语音消息以及通话数据，对转换后的文本数据和或文本对话数据进行文字层面的优化处理，转换中文数字为阿拉伯数字，对文本中的叠字去重，随后将文本按字切分转换为字序列。将字序列转换为字编号序列，其中每个字都具有唯一编号，并将字编号序列转换后向量形式得到字向量文本序列。相较于规则模板，向量序列由于其具有高纬度，能够包含表达数据的多维度信息，增强了丰富性。

步骤S102、将所述字向量文本序列输入到预先训练好的识别模型中进行识别得到分类概率。

在本申请实施例中，所述识别模型的训练过程包括：

获取训练数据，所述训练数据包括第一训练数据、第二训练数据和测试数据；

将所述第一训练数据进行分词并随机抽取预设比例的子训练数据进行掩码后的所述第一训练数据切分保存为子数据块，将所述第二训练数据按字切分转换为训练字序列后再转换为训练字向量文本序列；

通过所述子数据块对未训练的识别模型进行训练得到第一识别模型；

将所述第一识别模型中的参数进行确定后基于所述第二训练数据对其进行训练得到第二识别模型；

将所述测试数据输入至所述第二识别模型进行测试后得到训练后的识别模型。

具体的，通过数据库查询获取自构建高质量知识库以及客服为客户服务时产生的沟通数据，并将其作为训练数据，并将训练数据做出上述划分，将第一训练数据通过jiebe工具对其进行分词，然后将分词结果中随机抽取预设比例可以是10％的部分使用mask标识或其他标识进行掩码，并将掩码后的第一训练数据切分保存为子数据块。

识别模型包括输入层、嵌入层、编码层和输出层，输入层用于将输入文本输出为序列，该层会在句子的首尾添加开始与结束标识，接着根据字表的映射关系，将字序列逐字转换为数字序列，并根据训练类型生成与数字序列等长的掩码序列和句子标识序列。注：句子标识序列用于标记不同句子，例如当输入中长度为2的句子1和长度为3的句子2，数字序列为“[1,558,525,2,19,368,12043,2]”，句子标识序列为“[0,0,0,0,1,1,1,1]”。嵌入层用于将序列转换为向量，该层会将输入层得到的数字序列与句子标识序列经过转换为固定维度的连续向量，并将两者相加。编码层用于对向量中的特征作进一步提取，将向量输入到多个共享参数的自注意力机制模块中，自注意力机制能够在不同位置上关注序列中的重点部分，并根据上下文动态地编码输入，输出层用于输出概率分布，将特征向量输入到一个全连接网络中，得到一个字表大小的向量，其中每个元素对应一个字的概率。

识别模型中的参数包括损失函数、优化器和超参数，损失函数用于度量模型输入与真实标签的距离，优化器用于更新模型中的参数，使得损失函数的值尽可能地小，超参数包括学习率、批大小、训练轮次等，参数可以由本领域技术人员根据实际情况灵活设定，参数设定好之后，将第二训练数据按批次大小分批次输入到识别模型中，计算得到损失后根据优化器的计算得到的梯度，更新模型中的参数，使得损失函数朝着最小化的方向调整，直到模型收敛或达到训练批次。

最后，使用测试数据对识别模型进行效果测试，然后视测试结果指标选择是否调整数据集、模型超参数等，并重新训练识别模型。

步骤S103、监测客服是否执行所有指定询问语句，若是，则根据所述分类概率确定服务质量结果，若否，则根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量结果。

在本申请实施例中，所述根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量等级，具体包括：

确定所有指定询问语句的第一数量；

确定所述第一次数占所述第一数量的比例；

若所述比例小于第一阈值，则输出询问不合格标识与所述分类概率作为所述服务质量结果；

若所述比例大于第一阈值小于第二阈值，则输出询问合格标识与所述分类概率作为所述服务质量结果；

若所述比例大于第二阈值，则输出询问优秀标识与所述分类概率作为所述服务质量结果。

具体的，也就是说服务质量结果包括两部分，一部分是执行询问语句的评价标识，一部分是由识别模型输出的分类概率，最后将所有的服务质量结果进行汇总，可以方便管理人员根据汇总数据对客服进行考核。

基于上述的客服服务质量确定方法，本说明一个或多个实施例还提供一种客服服务质量确定的平台、终端，该平台或终端可以包括使用本说明书实施例所述方法的装置、软件、模块、插件、服务器、客户端等并结合必要的实施硬件的装置，基于同一创新构思，本说明书实施例提供的一个或多个实施例中的系统如下面的实施例所述，由于系统解决问题的实施方案与方法类似，因此本说明书实施例具体的系统的实施可以参考前述方法的实施，重复之处不再赘述，以下所使用的术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，软硬件结合的实现也是可能并被构想的。

具体地，图2是本说明书提供的客服服务质量确定装置一个实施例的模块结构示意图，如图2所示，本说明书中提供的客服服务质量确定装置包括：

获取模块201，用于获取待确定服务对话数据并进行预处理得到字向量文本序列；

识别模块202，用于将所述字向量文本序列输入到预先训练好的识别模型中进行识别得到分类概率；

确定模块203，用于监测客服是否执行所有指定询问语句，若是，则根据所述分类概率确定服务质量结果，若否，则根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量结果。

需要说明的是，上述的系统根据对应方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照上述对应的方法实施例的描述，在此不作一一赘述。

本申请实施例还提供了一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器被配置为用于执行如上述实施例提供的方法。

本申请实施例提供的电子设备，通过存储器存储处理器的可执行指令，当处理器执行该可执行指令时，能够先获取待确定服务对话数据并进行预处理得到字向量文本序列；然后将所述字向量文本序列输入到预先训练好的识别模型中进行识别得到分类概率；最后监测客服是否执行所有指定询问语句，若是，则根据所述分类概率确定服务质量结果，若否，则根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量结果，能够快速准确地对客服服务质量进行确定，且降低了成本。

本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图3是本说明书一个实施例中客服服务质量确定服务器的硬件结构框图，该计算机终端可以是上述实施例中的客服服务质量确定服务器或客服服务质量确定装置。可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。

非易失性存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的客服服务质量确定方法对应的程序指令/模块，处理器100通过运行存储在非易失性存储器200内的软件程序以及模块，从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，非易失性存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果，如：

获取待确定服务对话数据并进行预处理得到字向量文本序列；

将所述字向量文本序列输入到预先训练好的识别模型中进行识别得到分类概率；

监测客服是否执行所有指定询问语句，若是，则根据所述分类概率确定服务质量结果，若否，则根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量结果。

所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或插件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

这些计算机程序指令也可装载到计算机或其他可编程资源数据更新设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意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说明书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

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种客服服务质量确定方法，其特征在于，所述方法包括：

获取待确定服务对话数据并进行预处理得到字向量文本序列；

将所述字向量文本序列输入到预先训练好的识别模型中进行识别得到分类概率；

监测客服是否执行所有指定询问语句，若是，则根据所述分类概率确定服务质量结果，若否，则根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量结果。

2.如权利要求1所述的客服服务质量确定方法，其特征在于，所述待确定服务对话数据具体包括语音数据和或文本对话数据。

3.如权利要求2所述的客服服务质量确定方法，其特征在于，所述预处理具体包括：

若所述待确定服务对话数据中包括语音数据，则将所述语音数据转换为文本数据；

将所述文本数据和或文本对话数据中的中文数字转换为阿拉伯数字，并将叠字去重后按字进行切分转换为字序列；

将所述字序列转换为字编号序列后再次转换后得到所述字向量文本序列。

4.如权利要求1所述的客服服务质量确定方法，其特征在于，所述根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量等级，具体包括：

确定所有指定询问语句的第一数量；

确定所述第一次数占所述第一数量的比例；

若所述比例小于第一阈值，则输出询问不合格标识与所述分类概率作为所述服务质量结果；

若所述比例大于第一阈值小于第二阈值，则输出询问合格标识与所述分类概率作为所述服务质量结果；

若所述比例大于第二阈值，则输出询问优秀标识与所述分类概率作为所述服务质量结果。

5.如权利要求1所述的客服服务质量确定方法，其特征在于，所述识别模型的训练过程包括：

获取训练数据，所述训练数据包括第一训练数据、第二训练数据和测试数据；

将所述第一训练数据进行分词并随机抽取预设比例的子训练数据进行掩码后的所述第一训练数据切分保存为子数据块，将所述第二训练数据按字切分转换为训练字序列后再转换为训练字向量文本序列；

通过所述子数据块对未训练的识别模型进行训练得到第一识别模型；

将所述第一识别模型中的参数进行确定后基于所述第二训练数据对其进行训练得到第二识别模型；

将所述测试数据输入至所述第二识别模型进行测试后得到训练后的识别模型。

6.如权利要求5所述的客服服务质量确定方法，其特征在于，所述参数包括损失函数、优化器和超参数。

7.一种客服服务质量确定装置，其特征在于，所述装置包括：

获取模块，用于获取待确定服务对话数据并进行预处理得到字向量文本序列；

识别模块，用于将所述字向量文本序列输入到预先训练好的识别模型中进行识别得到分类概率；

确定模块，用于监测客服是否执行所有指定询问语句，若是，则根据所述分类概率确定服务质量结果，若否，则根据未执行指定询问语句的第一次数和所述分类概率确定所述服务质量结果。