WO2020098249A1 - 电子装置、应对话术推荐方法和计算机可读存储介质 - Google Patents

电子装置、应对话术推荐方法和计算机可读存储介质 Download PDF

Info

Publication number
WO2020098249A1
WO2020098249A1 PCT/CN2019/088635 CN2019088635W WO2020098249A1 WO 2020098249 A1 WO2020098249 A1 WO 2020098249A1 CN 2019088635 W CN2019088635 W CN 2019088635W WO 2020098249 A1 WO2020098249 A1 WO 2020098249A1
Authority
WO
WIPO (PCT)
Prior art keywords
preset
voice
feature vector
audio feature
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.)
Ceased
Application number
PCT/CN2019/088635
Other languages
English (en)
French (fr)
Inventor
李茂辉
张发友
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Publication of WO2020098249A1 publication Critical patent/WO2020098249A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/42—Systems providing special services or facilities to subscribers
    • H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
    • H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
    • H04M3/5183—Call or contact centers with computer-telephony arrangements
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state

Definitions

  • the present application relates to the field of call center customer service systems, and in particular, to an electronic device, a method for responding to conversations, and a computer-readable storage medium.
  • the main purpose of the present application is to provide an electronic device, a method for recommending communication technology, and a computer-readable storage medium, designed to help agents deal with customers and improve customer complaints and customer churn.
  • the electronic device includes a memory and a processor, and the memory stores a recommended program that can be run on the processor.
  • the following procedure is implemented when the technical recommendation program is executed by the processor:
  • A1 After receiving the incoming customer line, obtain the voice streams of the incoming customer and agent in real time;
  • D1 input the recognized first speech content and the first sentiment classification into a pre-trained dialogue-recommended recommendation model for analysis, to obtain a recommended dialogue-reporting technique, and put the recommended dialogue-reported technique in real time Sent to the terminal of the agent.
  • the second aspect of the present application also proposes a method for recommending conversational techniques, including the following steps:
  • A2 After receiving the incoming customer line, obtain the voice streams of the incoming customer and agent in real time;
  • the first audio feature vector is input into a preset voice emotion analysis model for analysis, and the first speech content corresponding to the first audio feature vector and the first emotion classification are identified;
  • the recognized first speech content and the first emotion classification are input into a pre-trained conversational dialogue recommendation model for analysis to obtain a recommended conversational dialogue, and the recommended conversational dialogue is real-time Sent to the terminal of the agent.
  • a third aspect of the present application also provides a computer-readable storage medium that stores a computer-speaking recommendation program that can be executed by at least one processor so that the at least one A processor performs the following steps:
  • the voice stream of the incoming client and the agent is obtained in real time when the customer talks to the agent after entering the line, and the first audio feature vector corresponding to the voice segment input by the customer is extracted from the obtained voice stream.
  • the first audio feature vector is input into a preset speech emotion analysis model for analysis and recognition, the first speech content and the first emotion classification corresponding to the first audio feature vector are identified, and finally the pre-trained response model is used for recognition
  • the first voice content and the first sentiment classification are analyzed, and the recommended response should be sent to the agent ’s terminal in real time for reference by the agent to help the agent deal with the customer; thus, the customer ’s own emotions are effectively improved.
  • the agent does not know how to deal with the customer's situation, reducing customer complaints and customer churn.
  • FIG. 1 is a schematic flowchart of an embodiment of a method for recommending a conversational application
  • FIG. 2 is a schematic flowchart of the second embodiment of the application-recommended method for application of dialogue
  • FIG. 3 is a schematic flow chart of three embodiments of the recommended method of application of dialogue technology
  • FIG. 4 is a schematic diagram of the operating environment of the preferred embodiment of the application recommended procedure of the application
  • FIG. 5 is a program module diagram of an embodiment of the application-recommended procedure of the application.
  • FIG. 6 is a program module diagram of the second embodiment of the recommended procedure for application of dialogue technology
  • FIG. 7 is a program module diagram of three embodiments of the application-recommended application procedure.
  • This application proposes a recommended method of dialogue technology, which is mainly used in the call center customer service system.
  • FIG. 1 is a schematic flowchart of an embodiment of a method for recommending a conversational application in this application.
  • the method for recommending conversational techniques includes:
  • Step S10 After receiving the incoming customer line, obtain the voice streams of the incoming customer and the agent in real time.
  • the call center customer service system obtains in real time the voice stream of the incoming customer and agent (that is, the interactive audio stream between the customer and the agent) through the telephone voice platform.
  • Step S20 Perform feature extraction on the voice stream to extract the first audio feature vector of the first voice segment in the voice stream, where the first voice segment corresponds to the voice input by the customer in the voice stream segment.
  • the call center customer service system performs feature extraction on the currently acquired voice stream, and extracts the first audio feature vector corresponding to the voice segment input by the customer in the voice stream.
  • the first audio feature vector may be one or more of the following audio features: energy feature, pronunciation frame feature, pitch frequency feature, formant feature, harmonic noise ratio feature, and Mel cepstrum coefficient feature.
  • step S30 the first audio feature vector is input into a preset voice emotion analysis model for analysis, and the first voice content and the first emotion classification corresponding to the first audio feature vector are identified.
  • the call center customer service system has a preset voice emotion analysis model. After extracting the first audio feature vector from the currently acquired voice stream, the call center customer service system inputs the first audio feature vector into the preset voice emotion analysis Perform analysis and recognition in the model to identify the first speech content corresponding to the first audio feature vector (that is, the text content corresponding to the speech segment input by the customer in the acquired speech stream) and the first emotion classification (that is, the customer's Emotion classification).
  • the preset voice sentiment analysis model preferably adopts a sentiment analysis model including a DNN-HMM acoustic model, an n-gram language model and a wfst weighted graph, and the first audio feature vector is preferably a melody cepstrum coefficient feature vector
  • the preset voice sentiment analysis model may also be other sentiment analysis models.
  • the first emotion classification includes: satisfaction, calm, irritability, and anger, etc.
  • Step S40 the recognized first speech content and the first emotion classification are input into a pre-trained conversational dialogue recommendation model for analysis, to obtain a recommended conversational dialogue, and the recommended conversational dialogue Send to the agent's terminal in real time.
  • the customer service system in the call center also has a pre-trained recommendation model for conversational skills.
  • the first speech feature and the first emotion classification corresponding to the first audio feature vector are identified through a preset speech emotion analysis model, the The first speech content and the first sentiment classification are input into the recommended model for analysis, and the recommended response technique is obtained, and the recommended response technique is sent to the terminal of the agent for display in real time for Agent reference, help agents deal with customers.
  • the technical solution of this embodiment by acquiring the voice streams of the incoming client and the agent in real time after the customer enters the line, and extracting the first audio feature vector corresponding to the voice segment input by the customer from the acquired voice stream, the The first audio feature vector is input into a preset speech emotion analysis model for analysis and recognition, and the first speech content and the first emotion classification corresponding to the first audio feature vector are identified, and finally a pre-trained response model is used.
  • the recognized first speech content and the first sentiment classification are analyzed, and the recommended response should be sent to the agent's terminal in real time for reference by the agent to help the agent deal with the customer; in this way, the customer's own When emotional issues conflict with the agent, the agent does not know how to deal with the customer's situation, reducing customer complaints and customer churn.
  • FIG. 2 is a schematic flowchart of a second embodiment of a method for recommending conversational application in this application.
  • the method for recommending conversational skills further includes:
  • Step S50 Perform feature extraction on the voice stream to extract a second audio feature vector of a second voice segment in the voice stream, where the second voice segment corresponds to the voice input by the agent in the voice stream segment.
  • the call center customer service system performs feature extraction on the currently acquired voice stream to extract the second audio feature vector corresponding to the voice segment input by the agent in the voice stream.
  • the second audio feature vector may include one or more of the following audio features: energy feature, pronunciation frame feature, pitch frequency feature, formant feature, harmonic-to-noise ratio feature, and Mel cepstral coefficient feature .
  • step S60 the second audio feature vector is input into a preset voice emotion analysis model for analysis, and a second emotion classification corresponding to the second audio feature vector is identified.
  • the call center customer service system After extracting the second audio feature vector from the currently acquired voice stream, the call center customer service system inputs the second audio feature vector into a preset voice sentiment analysis model for analysis and recognition to identify the first audio
  • the second emotion classification corresponding to the feature vector ie, the emotion classification of the agent.
  • the second emotion classification includes: satisfaction, calm, irritability, and anger, etc.
  • Step S70 if the second emotion classification is a preset abnormal emotion classification, then preset preset reminder information is sent to the terminal of the agent.
  • the call center customer service system When it is found that the emotion classification of the agent (ie, the second emotion classification) is an abnormal emotion classification (for example, irritability, anger, and other emotional classifications that are not positive emotions), the call center customer service system will send a preset to the terminal of the agent
  • the first reminder message is to remind the agent to pay attention to emotions and adjust the service attitude in time.
  • the first reminder message is, for example: "Your service attitude is detected to be negative, please pay attention to adjust the service attitude", and so on.
  • This embodiment recognizes the emotion classification of the agent in real time, detects the change of the agent's emotion, and prompts the agent to adjust the emotion and state in real time when the agent's emotion is abnormal (that is, deteriorates), so as to better ensure the service quality of the agent to the customer To increase customer satisfaction.
  • FIG. 3 is a schematic flowchart of three embodiments of the application-recommended method of application.
  • the preset voice sentiment analysis model also recognizes the second voice content corresponding to the second audio feature vector (that is, the agent in the acquired voice stream The text content corresponding to the input voice segment); the recommended dialogue method recommendation method after the step S60, further includes:
  • Step S01 When the second emotion classification is a preset abnormal emotion classification, analyze whether the second speech content contains a preset sensitive word.
  • a sensitive thesaurus is set in the customer service system of the call center (the sensitive word library includes many sensitive words).
  • the call center customer service system is based on Sensitive word library, analyze whether the second speech content (that is, the text content corresponding to the speech segment input by the agent in the acquired speech stream) contains preset sensitive words (for example, impolite and uncivilized words).
  • Step S02 if the preset sensitive words are included, analyze whether the number of times the preset sensitive words appear in the second speech content is greater than the first threshold;
  • the agent's word use is further judged by analyzing the number of times the preset sensitive words appear in the second voice content Improper severity, according to the severity of the corresponding treatment. Specifically, the number of occurrences of the preset sensitive word is compared with a first threshold (for example, 3 times).
  • Step S03 If the number of times the preset sensitive words appear in the second voice content is less than or equal to the first threshold, send preset second reminder information to the terminal of the agent.
  • the call center customer service system determines that the use of the agent's words is not particularly serious, and then sends the agent Terminal sends a preset second reminder message to remind the agent to pay attention to the words and not to use sensitive words.
  • the call center customer service system can also send the preset sensitive words appearing in the second voice content of the agent to the terminal of the agent for highlighting.
  • the second reminder message is, for example, "Please pay attention to words, and prohibit the use of sensitive words", etc.
  • Step S04 if the number of times the preset sensitive words appear in the second voice content is greater than the first threshold, send preset third reminder information to the superior management terminal of the agent.
  • the call center customer service system determines that the agent's words are used improperly, which may be due to the agent arguing with the customer, etc. Abnormal situation, at this time, the call center customer service system sends the preset third reminder message to the superior management terminal of the agent (the terminal of the superior manager) to remind the superior leader or manager of the agent to pay special attention to the agent's call happening.
  • the call center customer service system can also transfer the call voice of the agent and the customer to the superior management terminal of the agent in real time, so that the superior leader or manager can directly monitor the voice process of the call to quarrel with the customer at the agent Timely handling.
  • the third reminder message is, for example: "There is a serious problem with the agent's speech, please deal with it in time", etc.
  • the training process of the recommended model should include:
  • the customer service system of the call center will record every call that a customer enters and save it in the call recording database.
  • Each recorded data is usually marked with a service tag of the customer's satisfaction for the call service provided by the agent.
  • These recording data are all recording data whose service tag is satisfactory; extract audio feature vectors for each recording data obtained to obtain each The first audio feature vector corresponding to the first speech segment (voice segment input by the customer) in the recorded data and the second audio feature vector corresponding to the second speech segment (voice segment input by the agent).
  • the audio feature vector may include one or more of the following audio features: energy feature, pronunciation frame number feature, pitch frequency feature, formant feature, harmonic noise ratio feature, and Mel cepstrum coefficient feature.
  • a preset voice sentiment analysis model is used to analyze and recognize the first audio feature vector and the second audio feature vector corresponding to each recording data, and the first speech content and the first speech feature corresponding to each first audio feature vector are identified.
  • An emotion classification, and recognizing the second speech content corresponding to each second audio feature vector; the first speech content, the first emotion classification, and the second speech content corresponding to each recording data form a sample, so that A preset number of samples were obtained.
  • the preset speech sentiment analysis model preferably uses a sentiment analysis model including a DNN-HMM acoustic model, an n-gram language model and a wfst weighted graph, and the first audio feature vector and the second audio feature vector are preferably Mel cepstrum coefficients Feature vector; of course, the preset voice sentiment analysis model may also be other sentiment analysis models.
  • the first emotion classification includes: satisfaction, calm, irritability, and anger, etc.
  • the first percentage of the preset number of samples is used as the training set, and the second percentage is used as the verification set.
  • the sum of the first percentage and the second percentage is less than 100%.
  • a first percentage for example, 70%
  • a second percentage for example, 25% to 30%
  • the samples of the training set are used to train the pre-trained recommendation model. After the training is completed, the samples in the verification set are used to verify the completed training model.
  • the following criteria are used to test the accuracy of the recommended dialogue model:
  • the recommended dialogue model predicts a sample of the verification set after the corresponding dialogue, if the content of the corresponding dialogue exceeds N% ( For example, the content of 95%) is the same as the second speech content of the sample, and it is determined that the prediction is accurate.
  • a preset threshold for example, 97%) of the prediction accuracy rate is preset in the system, which is used to check the training effect of the recommended model of the application. If the prediction accuracy rate is greater than the preset threshold, then the application The training of the dialogue recommended model has reached the preset standard, and then the model training ends.
  • the prediction accuracy rate is less than or equal to the preset threshold, it means that the training of the recommended model should not reach the preset standard. It may be that the number of samples in the training set is insufficient or the number of samples in the verification set is insufficient. In this case, increase the preset number (ie, increase the number of samples, for example, increase the fixed number each time or increase the random number each time), and then, on this basis, re-execute the above steps S1-S4 , And so on, until the requirement of step S5 is reached, then the model training is ended.
  • increase the preset number ie, increase the number of samples, for example, increase the fixed number each time or increase the random number each time
  • this application also proposes a recommended procedure for dialogue.
  • FIG. 4 is a schematic diagram of the operating environment of the preferred embodiment of the application recommended procedure 10 of the present application.
  • the conversational recommendation program 10 should be installed and run in the electronic device 1.
  • the electronic device 1 may be a computing device such as a desktop computer, a notebook, a palmtop computer, and a server.
  • the electronic device 1 may include, but is not limited to, a memory 11, a processor 12, and a display 13.
  • FIG. 4 only shows the electronic device 1 having the components 11-13, but it should be understood that it is not required to implement all the components shown, and more or fewer components may be implemented instead.
  • the memory 11 may be an internal storage unit of the electronic device 1 in some embodiments, such as a hard disk or a memory of the electronic device 1. In other embodiments, the memory 11 may also be an external storage device of the electronic device 1, such as a plug-in hard disk equipped on the electronic device 1, a smart memory card (Smart, Media, Card, SMC), and a secure digital (SD) Cards, flash cards, etc. Further, the memory 11 may also include both an internal storage unit of the electronic device 1 and an external storage device.
  • the memory 11 is used to store application software and various types of data installed in the electronic device 1, for example, program codes of the program 10 recommended for communication. The memory 11 can also be used to temporarily store data that has been or will be output.
  • the processor 12 may be a central processing unit (CPU), microprocessor, or other data processing chip, which is used to run the program code or process data stored in the memory 11, for example, to execute the interactive technology Recommended program 10 etc.
  • CPU central processing unit
  • microprocessor or other data processing chip, which is used to run the program code or process data stored in the memory 11, for example, to execute the interactive technology Recommended program 10 etc.
  • the display 13 may be an LED display, a liquid crystal display, a touch-sensitive liquid crystal display, an OLED (Organic Light-Emitting Diode, organic light emitting diode) touch device, or the like.
  • the display 13 is used to display information processed in the electronic device 1 and to display a visual user interface.
  • the components 11-13 of the electronic device 1 communicate with each other through a program bus.
  • FIG. 5 is a program block diagram of an embodiment of the application recommended program 10 of this application.
  • the application recommendation program 10 can be divided into one or more modules, and the one or more modules are stored in the memory 11 and are processed by one or more processors (in this embodiment, the processor 12 ) To complete this application.
  • the conversational skill recommendation program 10 may be divided into a real-time acquisition module 101, a first extraction module 102, a first recognition module 103, and a recommendation module 104.
  • the module referred to in this application refers to a series of computer program instruction segments capable of performing specific functions, and is more suitable than the program for describing the execution process of the recommended program 10 in the electronic device 1, wherein:
  • the real-time acquiring module 101 is configured to acquire the voice streams of the incoming customer and the agent in real time after receiving the incoming customer.
  • the call center customer service system obtains in real time the voice stream of the incoming customer and the agent (that is, the interactive audio stream between the customer and the agent) through the telephone voice platform.
  • the first extraction module 102 is configured to perform feature extraction on the voice stream to extract a first audio feature vector of a first voice segment in the voice stream, where the first voice segment corresponds to the voice stream Speech segments entered by customers.
  • the call center customer service system performs feature extraction on the currently acquired voice stream, and extracts the first audio feature vector corresponding to the voice segment input by the customer in the voice stream.
  • the first audio feature vector may be one or more of the following audio features: energy feature, pronunciation frame feature, pitch frequency feature, formant feature, harmonic noise ratio feature, and Mel cepstrum coefficient feature.
  • the first recognition module 103 is configured to input the first audio feature vector into a preset voice emotion analysis model for analysis, and recognize the first voice content and the first emotion classification corresponding to the first audio feature vector.
  • the call center customer service system has a preset voice emotion analysis model. After extracting the first audio feature vector from the currently acquired voice stream, the call center customer service system inputs the first audio feature vector into the preset voice emotion analysis Perform analysis and recognition in the model to identify the first speech content corresponding to the first audio feature vector (that is, the text content corresponding to the speech segment input by the customer in the acquired speech stream) and the first emotion classification (that is, the customer's Emotion classification).
  • the preset voice sentiment analysis model preferably adopts a sentiment analysis model including a DNN-HMM acoustic model, an n-gram language model and a wfst weighted graph, and the first audio feature vector is preferably a melody cepstrum coefficient feature vector
  • the preset voice sentiment analysis model may also be other sentiment analysis models.
  • the first emotion classification includes: satisfaction, calm, irritability, and anger, etc.
  • the recommendation module 104 is configured to input the recognized first speech content and the first emotion classification into a pre-trained dialogue-recommendation recommendation model for analysis, so as to obtain a recommended dialogue-reaction technique, and convert the recommended Dialogue is sent to the agent's terminal in real time.
  • the customer service system in the call center also has a pre-trained recommendation model for conversational skills.
  • the first speech feature and the first emotion classification corresponding to the first audio feature vector are identified through a preset speech emotion analysis model, the The first speech content and the first sentiment classification are input into the recommended model for analysis, and the recommended response technique is obtained, and the recommended response technique is sent to the terminal of the agent for display in real time for Agent reference, help agents deal with customers.
  • the technical solution of this embodiment by acquiring the voice streams of the incoming client and the agent in real time after the customer enters the line, and extracting the first audio feature vector corresponding to the voice segment input by the customer from the acquired voice stream, the The first audio feature vector is input into a preset speech emotion analysis model for analysis and recognition, and the first speech content and the first emotion classification corresponding to the first audio feature vector are identified, and finally a pre-trained response model is used.
  • the recognized first speech content and the first sentiment classification are analyzed, and the recommended response should be sent to the agent's terminal in real time for reference by the agent to help the agent deal with the customer; in this way, the customer's own When emotional issues conflict with the agent, the agent does not know how to deal with the customer's situation, reducing customer complaints and customer churn.
  • the conversational skill recommendation program further includes a second extraction module 105, a second recognition module 106 and a reminder module 107.
  • the second extraction module 105 is configured to perform feature extraction on the voice stream to extract a second audio feature vector of a second voice segment in the voice stream, where the second voice segment corresponds to the voice stream Voice segment entered by the agent.
  • the call center customer service system performs feature extraction on the currently acquired voice stream to extract the second audio feature vector corresponding to the voice segment input by the agent in the voice stream.
  • the second audio feature vector may include one or more of the following audio features: energy feature, pronunciation frame feature, pitch frequency feature, formant feature, harmonic-to-noise ratio feature, and Mel cepstral coefficient feature .
  • the second recognition module 106 is configured to input the second audio feature vector into a preset voice emotion analysis model for analysis, and recognize a second emotion classification corresponding to the second audio feature vector.
  • the call center customer service system After extracting the second audio feature vector from the currently acquired voice stream, the call center customer service system inputs the second audio feature vector into a preset voice sentiment analysis model for analysis and recognition to identify the first audio
  • the second emotion classification corresponding to the feature vector ie, the emotion classification of the agent.
  • the second emotion classification includes: satisfaction, calm, irritability, and anger, etc.
  • the reminder module 107 is configured to send preset first reminder information to the terminal of the agent when the second emotion category is a preset abnormal emotion category.
  • the call center customer service system When it is found that the emotion classification of the agent (ie, the second emotion classification) is an abnormal emotion classification (for example, irritability, anger, and other emotional classifications with inactive emotions), the call center customer service system will send the preset
  • the first reminder message is to remind the agent to pay attention to emotions and adjust the service attitude in time.
  • the first reminder message is, for example: "Your service attitude is detected to be negative, please pay attention to adjust the service attitude", and so on.
  • This embodiment recognizes the emotion classification of the agent in real time, detects the change of the agent's emotion, and prompts the agent to adjust the emotion and state in real time when the agent's emotion is abnormal (that is, deteriorates), so as to better ensure the service quality of the agent to the customer To increase customer satisfaction.
  • the second recognition module 106 is further configured to input the second audio feature vector into a preset voice sentiment analysis model for analysis, and identify the second corresponding to the second audio feature vector Voice content (that is, the text content corresponding to the voice segment input by the agent in the acquired voice stream); the dialogue-speaking recommendation program further includes a first analysis module 108 and a second analysis module 109. among them,
  • the first analysis module 108 is configured to analyze whether the second speech content contains preset sensitive words when determining that the second emotion classification is a preset abnormal emotion classification.
  • a sensitive thesaurus is set in the customer service system of the call center (the sensitive word library includes many sensitive words).
  • the call center customer service system is based on Sensitive word library, analyze whether the second speech content (that is, the text content corresponding to the speech segment input by the agent in the acquired speech stream) contains preset sensitive words (for example, impolite and uncivilized words).
  • the second analysis module 109 is configured to, when determining that the second voice content contains preset sensitive words, analyze whether the number of times the preset sensitive words appear in the second voice content is greater than a first threshold;
  • the agent's word use is further determined by analyzing the number of times the preset sensitive words appear in the second voice content Improper severity, according to the severity of the corresponding treatment. Specifically, the number of occurrences of the preset sensitive word is compared with a first threshold (for example, 3 times).
  • the reminder module 107 is further configured to send preset second reminder information to the terminal of the agent when it is determined that the number of preset sensitive words appearing in the second voice content is less than or equal to the first threshold.
  • the call center customer service system determines that the use of the agent's words is not particularly serious, and then sends the agent Terminal sends a preset second reminder message to remind the agent to pay attention to the words and not to use sensitive words.
  • the call center customer service system can also send the preset sensitive words appearing in the second voice content of the agent to the terminal of the agent for highlighting.
  • the second reminder message is, for example, "Please pay attention to words, and prohibit the use of sensitive words", etc.
  • the reminder module 107 is further configured to send preset third reminder information to the superior management terminal of the agent when it is determined that the number of times the preset sensitive words appear in the second voice content is greater than the first threshold.
  • the call center customer service system determines that the agent's words are used improperly, which may be due to the agent arguing with the customer. Abnormal situation, at this time, the call center customer service system sends the preset third reminder message to the superior management terminal of the agent (the terminal of the superior manager) to remind the superior leader or manager of the agent to pay special attention to the agent's call happening.
  • the call center customer service system can also transfer the call voice of the agent and the customer to the superior management terminal of the agent in real time, so that the superior leader or manager can directly monitor the voice process of the call to quarrel with the customer at the agent Timely handling.
  • the third reminder message is, for example: "There is a serious problem with the agent's speech, please deal with it in time", etc.
  • the present application also proposes a computer-readable storage medium, the computer-readable storage medium storing a recommended program for conversational skills, the recommended program for conversational skills can be executed by at least one processor, so that the at least A processor executes the method for recommending interaction in any of the above embodiments.

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Marketing (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Hospice & Palliative Care (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本申请涉及语义识别技术，揭露了一种应对话术推荐方法，该方法包括：在接收到客户进线后，实时获取进线客户与坐席的语音流；提取出语音流中的第一语音片段的第一音频特征向量，其中，第一语音片段对应语音流中的客户输入的语音段；将第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出第一音频特征向量对应的第一语音内容和第一情绪分类；将识别出的第一语音内容和第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将推荐的应对话术实时发送至坐席的终端。本申请还揭露了一种电子装置和计算机可读存储介质。本申请技术方案有效的改善了坐席不知如何应对客户的情况，减少了客户投诉和客户流失。

Description

电子装置、应对话术推荐方法和计算机可读存储介质
优先权申明
本申请基于巴黎公约申明享有2018年11月12日递交的申请号为CN 201811340705.2、名称为“电子装置、应对话术推荐方法和计算机可读存储介质”中国专利申请的优先权，该中国专利申请的整体内容以参考的方式结合在本申请中。
技术领域
本申请涉及电话中心客服系统领域，特别涉及一种电子装置、应对话术推荐方法和计算机可读存储介质。
背景技术
目前，电话中心客服系统在分配坐席为进线客户服务后，坐席在为客户服务的过程中，部分客户可能会因自身情绪问题而与坐席产生冲突，这种情形下，很多经验不足的坐席不知如何有效应对客户，造成客户投诉或客户流失等后果。
发明内容
本申请的主要目的是提供一种电子装置、应对话术推荐方法和计算机可读存储介质，旨在帮助坐席应对客户，改善客户投诉和客户流失的情况。
为实现上述目的，本申请第一方面提出的电子装置，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的应对话术推荐程序，所述应对话术推荐程序被所述处理器执行时实现如下步骤：
A1、在接收到客户进线后，实时获取所述进线客户与坐席的语音流；
B1、对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段；
C1、将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类；
D1、将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。
本申请第二方面还提出一种应对话术推荐方法，包括以下步骤：
A2、在接收到客户进线后，实时获取所述进线客户与坐席的语音流；
B2、对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段；
C2、将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和所述第一情绪分类；
D2、将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。
本申请第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质存储有应对话术推荐程序，所述应对话术推荐程序可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：
在接收到客户进线后，实时获取所述进线客户与坐席的语音流；
对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段；
将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类；
将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。
本申请技术方案，通过在客户进线后与坐席通话时，实时获取进线客户与坐席的语音流，从获取的语音流中提取出客户输入的语音段对应的第一音频特征向量，将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析识别，识别出第一音频特征向量对应的第一语音内容和第一情绪分类，最终利用预先训练好的应对话术模型对识别出的第一语音内容和第一情绪分类进行分析，得出推荐的应对话术实时发送给所述坐席的终端，以供坐席参考，帮助坐席应对客户；如此，有效的改善了客户因自身情绪问题而与坐席产生冲突时，坐席不知如何应对客户的情况，减少了客户投诉和客户流失。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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示出的结构获得其他的附图。
图1为本申请应对话术推荐方法一实施例的流程示意图；
图2为本申请应对话术推荐方法二实施例的流程示意图；
图3为本申请应对话术推荐方法三实施例的流程示意图；
图4为本申请应对话术推荐程序较佳实施例的运行环境示意图；
图5为本申请应对话术推荐程序一实施例的程序模块图；
图6为本申请应对话术推荐程序二实施例的程序模块图；
图7为本申请应对话术推荐程序三实施例的程序模块图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
以下结合附图对本申请的原理和特征进行描述，所举实例只用于解释本申请，并非用于限定本申请的范围。
本申请提出一种应对话术推荐方法，主要应用于电话中心客服系统中。
如图1所示，图1为本申请应对话术推荐方法一实施例的流程示意图。
本实施例中，该应对话术推荐方法包括：
步骤S10，在接收到客户进线后，实时获取所述进线客户与坐席的语音流。
当有客户进线并与坐席接通后，电话中心客服系统通过电话语音平台实时获取所述进线客户与坐席的语音流(即客户与坐席的交互音频流)。
步骤S20，对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段。
电话中心客服系统对当前获取的语音流进行特征提取，提取出该语音流中的客户输入的语音段对应的第一音频特征向量。所述第一音频特征向量可以为包括以下几种音频特征中的一种或多种：能量特征、发音帧数特征、基音频率特征、共振峰特征、谐波噪声比特征以及梅尔倒谱系数特征。
步骤S30，将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类。
电话中心客服系统中具有预设的语音情绪分析模型，在从当前获取的语音流中提取出第一音频特征向量后，电话中心客服系统将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析识别，以识别出所述第一音频特征向量所对应的第一语音内容(即获取的语音流中客户输入的语音段所对应的文字内容)和第一情绪分类(即客户的情绪分类)。本实施例中，所述预设的语音情绪分析模型优选采用包括DNN-HMM声学模型、n-gram语言模型和wfst加权图的情绪分析模型，第一音频特征向量优选梅尔倒谱系数特征向量；当然，所述预设的语音情绪分析模型也可以是其它情绪分析模型。所述第一情绪分类包括：满意类、平静类、烦躁类以及生气类，等。
步骤S40，将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。
电话中心客服系统中还具有预先训练好的应对话术推荐模型，在通过预设的语音情绪分析模型识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类时，将识别出的第一语音内容和第一情绪分类输入该应对话术推荐模型中分析，得出推荐的应对话术，并实时将该推荐的应对话术发送至所述坐席的终端进行展示，以供坐席参考，帮助坐席应对客户。
本实施例技术方案，通过在客户进线后与坐席通话时，实时获取进线客户与坐席的语音流，从获取的语音流中提取出客户输入的语音段对应的第一音频特征向量，将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析识别，识别出第一音频特征向量对应的第一语音内容和第一情绪分类，最终利用预先训练好的应对话术模型对识别出的第一语音内容和第一情绪分类进行分析，得出推荐的应对话术实时发送给所述坐席的终端，以供坐席参考，帮助坐席应对客户；如此，有效的改善了客户因自身情绪问题而与坐席产生冲突时，坐席不知如何应对客户的情况，减少了客户投诉和客户流失。
如图2所示，图2为本申请应对话术推荐方法二实施例的流程示意图。
本实施例中，所述应对话术推荐方法在所述步骤S10之后，还包括：
步骤S50，对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段。
电话中心客服系统对当前获取的语音流进行特征提取，提取出该语音流中的坐席输入的语音段对应的第二音频特征向量。所述第二音 频特征向量可以包括以下几种音频特征中的一种或多种：能量特征、发音帧数特征、基音频率特征、共振峰特征、谐波噪声比特征以及梅尔倒谱系数特征。
步骤S60，将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类。
在从当前获取的语音流中提取出第二音频特征向量后，电话中心客服系统将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析识别，以识别出所述第一音频特征向量所对应的第二情绪分类(即坐席的情绪分类)。所述第二情绪分类包括：满意类、平静类、烦躁类以及生气类，等。
步骤S70，若所述第二情绪分类为预设的异常情绪分类，则向所述坐席的终端发送预设的第一提醒信息。
当发现坐席的情绪分类(即第二情绪分类)为异常情绪分类(例如，烦躁类、生气类，等情绪不积极的情绪分类)时，电话中心客服系统则会向坐席的终端发送预设的第一提醒信息，以提醒坐席注意情绪，及时调整好服务态度。所述第一提醒信息例如为：“检测到你的服务态度消极，请注意调整服务态度”，等等。
本实施例通过实时识别坐席的情绪分类，侦测坐席的情绪变化，在坐席情绪发生异常(即变差)时，实时提醒坐席注意调整情绪和状态，从而更好的保证坐席对客户的服务质量，提升客户的满意度。
如图3所示，图3为本申请应对话术推荐方法三实施例的流程示意图。
本实施例的应对话术推荐方法，在所述步骤S60中，所述预设的语音情绪分析模型还识别出所述第二音频特征向量对应的第二语音内容(即获取的语音流中坐席输入的语音段所对应的文字内容)；所述应对话术推荐方法在所述步骤S60之后，还包括：
步骤S01，在所述第二情绪分类为预设的异常情绪分类时，分析所述第二语音内容中是否包含预设的敏感词。
电话中心客服系统中设置了敏感词库(敏感词库中包括很多敏感词)，当识别出的第二情绪分类(即坐席的情绪分类)位预设的异常情绪分类时，电话中心客服系统根据敏感词库，分析第二语音内容(即获取的语音流中坐席输入的语音段所对应的文字内容)中是否包含预设的敏感词(例如，不礼貌、不文明的词汇)。
步骤S02，若包含预设的敏感词，则分析所述第二语音内容中出现预设的敏感词的次数否大于第一阈值；
若确定所述第二语音内容中包含预设的敏感词，则说明当前坐席的言辞使用不当，此时进一步通过分析所述第二语音内容中出现预设 的敏感词的次数来判断坐席言辞使用不当的严重程度，根据严重程度进行相应的处理。具体为将出现预设的敏感词的次数与第一阈值(例如3次)比较。
步骤S03，若所述第二语音内容中出现预设的敏感词的次数小于等于所述第一阈值，则向所述坐席的终端发送预设的第二提醒信息。
当确定第二语音内容中出现预设的敏感词的次数小于等于所述第一阈值时，电话中心客服系统判定为所述坐席的言辞使用不当的情况不是特别严重，此时则向所述坐席的终端发送预设的第二提醒信息，以提醒坐席注意言辞，不要使用敏感词。同时，电话中心客服系统还可将坐席的第二语音内容中出现的预设的敏感词发送到坐席的终端突出显示。所述第二提醒消息例如为：“请注意言辞谨慎，禁止使用敏感词”，等。
步骤S04，若所述第二语音内容中出现预设的敏感词的次数大于所述第一阈值，则向所述坐席的上级管理终端发送预设的第三提醒信息。
当确定第二语音内容中出现预设的敏感词的次数大于所述第一阈值时，电话中心客服系统判定为所述坐席的言辞使用不当的情况非常严重，有可能是出现坐席与客户争吵等异常情况，此时电话中心客服系统则向所述坐席的上级管理终端(上级管理人员的终端)发送预设的第三提醒信息，以提醒该坐席的上级领导或管理人员特别注意该坐席的通话情况。同时，电话中心客服系统也可以将该坐席与客户的通话语音实时转接到所述坐席的上级管理终端，让上级领导或管理人员直接监听到该次通话语音过程，以在坐席与客户发生争吵时及时处理。所述第三提醒消息例如为：“该坐席言辞出现严重问题，请及时处理”，等。
本实施例中，所述应对话术推荐模型的训练过程包括：
S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段。
电话中心客服系统会对每一次客户进线的通话进行录音并保存到通话录音数据库中，每则录音数据通常都标记有客户针对坐席提供的通话服务所反馈的满意度的服务标签。先从通话录音数据库中获取预设数量(例如10000个)的录音数据，这些录音数据均是服务标签为满意的录音数据；对获取的每一则录音数据进行音频特征向量提取，得到每一则录音数据中的第一语音片段(客户输入的语音段)对 应的第一音频特征向量和第二语音片段(坐席输入的语音段)对应的第二音频特征向量。所述音频特征向量可以为包括以下几种音频特征中的一种或多种：能量特征、发音帧数特征、基音频率特征、共振峰特征、谐波噪声比特征以及梅尔倒谱系数特征。
S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本。
然后，采用预设的语音情绪分析模型对每一则录音数据对应的第一音频特征向量和第二音频特征向量进行分析识别，识别得到每一个第一音频特征向量对应的第一语音内容和第一情绪分类，以及识别得到每一个第二音频特征向量对应的第二语音内容；，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容构成一个样本，这样就得到了预设数量的样本。所述预设的语音情绪分析模型优选采用包括DNN-HMM声学模型、n-gram语言模型和wfst加权图的情绪分析模型，第一音频特征向量和第二音频特征向量优选为梅尔倒谱系数特征向量；当然，所述预设的语音情绪分析模型也可以是其它情绪分析模型。所述第一情绪分类包括：满意类、平静类、烦躁类以及生气类，等。
S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百。
从得到的预设数量的样本的第一百分比(例如70％)的样本作为训练集，第二百分比(例如25％～30％)的样本作为验证集。
S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；
利用训练集的样本对预设的应对话术推荐模型进行训练，训练结束后，再利用验证集中的样本对训练完成的应对话术推荐模型进行验证，检验应对话术推荐模型的训练效果。本实施例中，采用以下标准来检验应对话术推荐模型的准确率：应对话术推荐模型针对验证集中的一个样本预测得到的应对话术后，若该应对话术的内容中超过N％(例如95％)的内容与该样本的第二语音内容相同，则判定为预测准确。
S5、若所述预测准确率大于预设阈值，则模型训练结束。
系统中预先设置了预测准确率的预设阈值(例如97％)，用于对所述应对话术推荐模型的训练效果进行检验，若预测准确率大于所述预设阈值，那么说明所述应对话术推荐模型的训练达到了预设标准，此时则结束模型训练。
S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。
若是预测准确率小于或等于所述预设阈值，那么说明所述应对话术推荐模型的训练还没有达到了预设标准，可能是训练集的样本数量不够或验证集的样本数量不够，所以，在这种情况时，则增大所述预设数量(即增大了样本数量，例如，每次增加固定数量或每次增加随机数量)，然后在这基础上，重新执行上述步骤S1-S4，如此循环执行，直至达到了步骤S5的要求，则结束模型训练。
此外，本申请还提出一种应对话术推荐程序。
请参阅图4，是本申请应对话术推荐程序10较佳实施例的运行环境示意图。
在本实施例中，应对话术推荐程序10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图4仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器11在一些实施例中可以是电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。存储器11在另一些实施例中也可以是电子装置1的外部存储设备，例如电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括电子装置1的内部存储单元也包括外部存储设备。存储器11用于存储安装于电子装置1的应用软件及各类数据，例如应对话术推荐程序10的程序代码等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行应对话术推荐程序10等。
显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。电子装置1的部件11-13通过程序总线相互通信。
请参阅图5，是本申请应对话术推荐程序10一实施例的程序模块图。在本实施例中，应对话术推荐程序10可以被分割成一个或多 个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本申请。例如，在图5中，应对话术推荐程序10可以被分割成实时获取模块101、第一提取模块102、第一识别模块103及推荐模块104。本申请所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述应对话术推荐程序10在电子装置1中的执行过程，其中：
实时获取模块101，用于在接收到客户进线后，实时获取所述进线客户与坐席的语音流。
当有客户进线并与坐席接通后，电话中心客服系统通过电话语音平台实时获取所述进线客户与坐席的语音流(即客户与坐席的交互音频流)。
第一提取模块102，用于对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段。
电话中心客服系统对当前获取的语音流进行特征提取，提取出该语音流中的客户输入的语音段对应的第一音频特征向量。所述第一音频特征向量可以为包括以下几种音频特征中的一种或多种：能量特征、发音帧数特征、基音频率特征、共振峰特征、谐波噪声比特征以及梅尔倒谱系数特征。
第一识别模块103，用于将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类。
电话中心客服系统中具有预设的语音情绪分析模型，在从当前获取的语音流中提取出第一音频特征向量后，电话中心客服系统将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析识别，以识别出所述第一音频特征向量所对应的第一语音内容(即获取的语音流中客户输入的语音段所对应的文字内容)和第一情绪分类(即客户的情绪分类)。本实施例中，所述预设的语音情绪分析模型优选采用包括DNN-HMM声学模型、n-gram语言模型和wfst加权图的情绪分析模型，第一音频特征向量优选梅尔倒谱系数特征向量；当然，所述预设的语音情绪分析模型也可以是其它情绪分析模型。所述第一情绪分类包括：满意类、平静类、烦躁类以及生气类，等。
推荐模块104，用于将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。
电话中心客服系统中还具有预先训练好的应对话术推荐模型，在通过预设的语音情绪分析模型识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类时，将识别出的第一语音内容和第一情 绪分类输入该应对话术推荐模型中分析，得出推荐的应对话术，并实时将该推荐的应对话术发送至所述坐席的终端进行展示，以供坐席参考，帮助坐席应对客户。
本实施例技术方案，通过在客户进线后与坐席通话时，实时获取进线客户与坐席的语音流，从获取的语音流中提取出客户输入的语音段对应的第一音频特征向量，将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析识别，识别出第一音频特征向量对应的第一语音内容和第一情绪分类，最终利用预先训练好的应对话术模型对识别出的第一语音内容和第一情绪分类进行分析，得出推荐的应对话术实时发送给所述坐席的终端，以供坐席参考，帮助坐席应对客户；如此，有效的改善了客户因自身情绪问题而与坐席产生冲突时，坐席不知如何应对客户的情况，减少了客户投诉和客户流失。
本实施例中，所述应对话术推荐模型的训练方法参照上述应对话术推荐方法的实施例中的描述，在此不赘述。
参照图6，本实施例中，所述应对话术推荐程序还包括第二提取模块105、第二识别模块106和提醒模块107。
第二提取模块105，用于对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段。
电话中心客服系统对当前获取的语音流进行特征提取，提取出该语音流中的坐席输入的语音段对应的第二音频特征向量。所述第二音频特征向量可以包括以下几种音频特征中的一种或多种：能量特征、发音帧数特征、基音频率特征、共振峰特征、谐波噪声比特征以及梅尔倒谱系数特征。
第二识别模块106，用于将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类。
在从当前获取的语音流中提取出第二音频特征向量后，电话中心客服系统将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析识别，以识别出所述第一音频特征向量所对应的第二情绪分类(即坐席的情绪分类)。所述第二情绪分类包括：满意类、平静类、烦躁类以及生气类，等。
提醒模块107，用于在所述第二情绪分类为预设的异常情绪分类时，向所述坐席的终端发送预设的第一提醒信息。
当发现坐席的情绪分类(即第二情绪分类)为异常情绪分类(例如，烦躁类、生气类，等情绪不积极的情绪分类)时，电话中心客服系统则会向坐席的终端发送预设的第一提醒信息，以提醒坐席注意情 绪，及时调整好服务态度。所述第一提醒信息例如为：“检测到你的服务态度消极，请注意调整服务态度”，等等。
本实施例通过实时识别坐席的情绪分类，侦测坐席的情绪变化，在坐席情绪发生异常(即变差)时，实时提醒坐席注意调整情绪和状态，从而更好的保证坐席对客户的服务质量，提升客户的满意度。
参照图7，本实施例中，第二识别模块106还用于将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二语音内容(即获取的语音流中坐席输入的语音段所对应的文字内容)；所述应对话术推荐程序还包括第一分析模块108和第二分析模块109。其中，
第一分析模块108，用于在确定所述第二情绪分类为预设的异常情绪分类时，分析所述第二语音内容中是否包含预设的敏感词。
电话中心客服系统中设置了敏感词库(敏感词库中包括很多敏感词)，当识别出的第二情绪分类(即坐席的情绪分类)位预设的异常情绪分类时，电话中心客服系统根据敏感词库，分析第二语音内容(即获取的语音流中坐席输入的语音段所对应的文字内容)中是否包含预设的敏感词(例如，不礼貌、不文明的词汇)。
第二分析模块109，用于在确定所述第二语音内容中包含预设的敏感词时，分析所述第二语音内容中出现预设的敏感词的次数否大于第一阈值；
若确定所述第二语音内容中包含预设的敏感词，则说明当前坐席的言辞使用不当，此时进一步通过分析所述第二语音内容中出现预设的敏感词的次数来判断坐席言辞使用不当的严重程度，根据严重程度进行相应的处理。具体为将出现预设的敏感词的次数与第一阈值(例如3次)比较。
所述提醒模块107还用于在确定所述第二语音内容中出现预设的敏感词的次数小于等于所述第一阈值时，向所述坐席的终端发送预设的第二提醒信息。
当确定第二语音内容中出现预设的敏感词的次数小于等于所述第一阈值时，电话中心客服系统判定为所述坐席的言辞使用不当的情况不是特别严重，此时则向所述坐席的终端发送预设的第二提醒信息，以提醒坐席注意言辞，不要使用敏感词。同时，电话中心客服系统还可将坐席的第二语音内容中出现的预设的敏感词发送到坐席的终端突出显示。所述第二提醒消息例如为：“请注意言辞谨慎，禁止使用敏感词”，等。
所述提醒模块107还用于在确定所述第二语音内容中出现预设的敏感词的次数大于所述第一阈值时，向所述坐席的上级管理终端发 送预设的第三提醒信息。
当确定第二语音内容中出现预设的敏感词的次数大于所述第一阈值时，电话中心客服系统判定为所述坐席的言辞使用不当的情况非常严重，有可能是出现坐席与客户争吵等异常情况，此时电话中心客服系统则向所述坐席的上级管理终端(上级管理人员的终端)发送预设的第三提醒信息，以提醒该坐席的上级领导或管理人员特别注意该坐席的通话情况。同时，电话中心客服系统也可以将该坐席与客户的通话语音实时转接到所述坐席的上级管理终端，让上级领导或管理人员直接监听到该次通话语音过程，以在坐席与客户发生争吵时及时处理。所述第三提醒消息例如为：“该坐席言辞出现严重问题，请及时处理”，等。
进一步地，本申请还提出一种计算机可读存储介质，所述计算机可读存储介质存储有应对话术推荐程序，所述应对话术推荐程序可被至少一个处理器执行，以使所述至少一个处理器执行上述任一实施例中的应对话术推荐方法。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是在本申请的发明构思下，利用本申请说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本申请的专利保护范围内。

Claims (20)

  1. 一种电子装置，其特征在于，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的应对话术推荐程序，所述应对话术推荐程序被所述处理器执行时实现如下步骤：
    A1、在接收到客户进线后，实时获取所述进线客户与坐席的语音流；
    B1、对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段；
    C1、将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类；
    D1、将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。
  2. 如权利要求1所述的电子装置，其特征在于，在所述步骤A1之后，所述应对话术推荐程序被所述处理器执行时，还实现如下步骤：
    E1、对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段；
    F1、将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类；
    G1、若所述第二情绪分类为预设的异常情绪分类，则向所述坐席的终端发送预设的第一提醒信息。
  3. 如权利要求2所述的电子装置，其特征在于，所述预设的语音情绪分析模型还识别出所述第二音频特征向量对应的第二语音内容，在所述步骤F1之后，所述应对话术推荐程序被所述处理器执行时，还实现如下步骤：
    在所述第二情绪分类为预设的异常情绪分类时，分析所述第二语音内容中是否包含预设的敏感词；
    若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数小于等于第一阈值，则向所述坐席的终端发送预设的第二提醒信息；
    若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数大于第一阈值，则向所述坐席的上级管理终端发送预设的第三提醒信息。
  4. 如权利要求1所述的电子装置，其特征在于，所述预设的语 音情绪分析模型包括DNN-HMM声学模型、n-gram语言模型和wfst加权图的情绪分析模型。
  5. 如权利要求1所述的电子装置，其特征在于，所述应对话术推荐模型的训练过程包括：
    S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段；
    S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本；
    S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百；
    S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；
    S5、若所述预测准确率大于预设阈值，则模型训练结束；
    S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。
  6. 如权利要求2所述的电子装置，其特征在于，所述应对话术推荐模型的训练过程包括：
    S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段；
    S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本；
    S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百；
    S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；
    S5、若所述预测准确率大于预设阈值，则模型训练结束；
    S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。
  7. 如权利要求3所述的电子装置，其特征在于，所述应对话术推荐模型的训练过程包括：
    S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段；
    S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本；
    S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百；
    S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；
    S5、若所述预测准确率大于预设阈值，则模型训练结束；
    S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。
  8. 一种应对话术推荐方法，其特征在于，包括以下步骤：
    A2、在接收到客户进线后，实时获取所述进线客户与坐席的语音流；
    B2、对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段；
    C2、将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类；
    D2、将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。
  9. 如权利要求8所述的应对话术推荐方法，其特征在于，在所述步骤A2之后，所述应对话术推荐方法还包括：
    E2、对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段；
    F2、将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类；
    G2、若所述第二情绪分类为预设的异常情绪分类，则向所述坐席的终端发送预设的第一提醒信息。
  10. 如权利要求9所述的应对话术推荐方法，其特征在于，所述预设的语音情绪分析模型还识别出所述第二音频特征向量对应的第二语音内容，在所述步骤F2之后，所述应对话术推荐方法还包括：
    在所述第二情绪分类为预设的异常情绪分类时，分析所述第二语音内容中是否包含预设的敏感词；
    若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数小于等于第一阈值，则向所述坐席的终端发送预设的第二提醒信息；
    若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数大于第一阈值，则向所述坐席的上级管理终端发送预设的第三提醒信息。
  11. 如权利要求8所述的应对话术推荐方法，其特征在于，所述预设的语音情绪分析模型包括DNN-HMM声学模型、n-gram语言模型和wfst加权图的情绪分析模型。
  12. 如权利要求8所述的应对话术推荐方法，其特征在于，所述应对话术推荐模型的训练过程包括：
    S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段；
    S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本；
    S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百；
    S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；
    S5、若所述预测准确率大于预设阈值，则模型训练结束；
    S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。
  13. 如权利要求9所述的应对话术推荐方法，其特征在于，所述 应对话术推荐模型的训练过程包括：
    S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段；
    S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本；
    S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百；
    S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；
    S5、若所述预测准确率大于预设阈值，则模型训练结束；
    S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。
  14. 如权利要求10所述的应对话术推荐方法，其特征在于，所述应对话术推荐模型的训练过程包括：
    S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段；
    S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本；
    S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百；
    S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；
    S5、若所述预测准确率大于预设阈值，则模型训练结束；
    S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。
  15. 一种计算机可读存储介质，其特征在于，所述计算机可读存 储介质存储有应对话术推荐程序，所述应对话术推荐程序可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：
    在接收到客户进线后，实时获取所述进线客户与坐席的语音流；
    对所述语音流进行特征提取，提取出所述语音流中的第一语音片段的第一音频特征向量，其中，所述第一语音片段对应所述语音流中的客户输入的语音段；
    将所述第一音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类；
    将识别出的所述第一语音内容和所述第一情绪分类输入预先训练好的应对话术推荐模型中进行分析，以得到推荐的应对话术，将所述推荐的应对话术实时发送至所述坐席的终端。
  16. 如权利要求15所述的计算机可读存储介质，其特征在于，在实时获取所述进线客户与坐席的语音流之后，所述应对话术推荐程序被所述处理器执行时，还实现如下步骤：
    对所述语音流进行特征提取，提取出所述语音流中的第二语音片段的第二音频特征向量，其中，所述第二语音片段对应所述语音流中的坐席输入的语音段；
    将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类；
    若所述第二情绪分类为预设的异常情绪分类，则向所述坐席的终端发送预设的第一提醒信息。
  17. 如权利要求16所述的计算机可读存储介质，其特征在于，所述预设的语音情绪分析模型还识别出所述第二音频特征向量对应的第二语音内容，在所述将所述第二音频特征向量输入预设的语音情绪分析模型中进行分析，识别出所述第二音频特征向量对应的第二情绪分类的步骤之后，所述应对话术推荐程序被所述处理器执行时，还实现如下步骤：
    在所述第二情绪分类为预设的异常情绪分类时，分析所述第二语音内容中是否包含预设的敏感词；
    若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数小于等于第一阈值，则向所述坐席的终端发送预设的第二提醒信息；
    若包含预设的敏感词，且所述第二语音内容中出现预设的敏感词的次数大于第一阈值，则向所述坐席的上级管理终端发送预设的第三提醒信息。
  18. 如权利要求15所述的计算机可读存储介质，其特征在于，所述预设的语音情绪分析模型包括DNN-HMM声学模型、n-gram语 言模型和wfst加权图的情绪分析模型。
  19. 如权利要求15所述的计算机可读存储介质，其特征在于，所述应对话术推荐模型的训练过程包括：
    S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段；
    S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本；
    S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百；
    S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；
    S5、若所述预测准确率大于预设阈值，则模型训练结束；
    S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预设数量的值，并重复执行步骤S1至S4。
  20. 如权利要求16所述的计算机可读存储介质，其特征在于，所述应对话术推荐模型的训练过程包括：
    S1、从通话录音数据库中获取预设数量的服务标签为满意的录音数据，提取每一则录音数据中的第一语音片段的第一音频特征向量和第二语音片段的第二音频特征向量，其中，所述第一语音片段对应所述录音数据中的客户输入的语音段，所述第二语音片段对应所述录音数据中的坐席输入的语音段；
    S2、采用预设的语音情绪分析模型中分别识别出所述第一音频特征向量对应的第一语音内容和第一情绪分类，以及所述第二音频特征向量对应的第二语音内容，将每一则录音数据对应的第一语音内容、第一情绪分类和第二语音内容作为一个样本，得到预设数量的样本；
    S3、将预设数量的样本的第一百分比作为训练集，第二百分比作为验证集，第一百分比和第二百分比之和小于百分之百；
    S4、利用所述训练集中的样本对预设的应对话术推荐模型进行训练，并在训练结束后，利用验证集中的样本对所述应对话术推荐模型进行验证；
    S5、若所述预测准确率大于预设阈值，则模型训练结束；
    S6、若所述预设准确率小于或等于所述预设阈值，则增大所述预 设数量的值，并重复执行步骤S1至S4。
PCT/CN2019/088635 2018-11-12 2019-05-27 电子装置、应对话术推荐方法和计算机可读存储介质 Ceased WO2020098249A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811340705.2 2018-11-12
CN201811340705.2A CN109587360B (zh) 2018-11-12 2018-11-12 电子装置、应对话术推荐方法和计算机可读存储介质

Publications (1)

Publication Number Publication Date
WO2020098249A1 true WO2020098249A1 (zh) 2020-05-22

Family

ID=65922254

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/088635 Ceased WO2020098249A1 (zh) 2018-11-12 2019-05-27 电子装置、应对话术推荐方法和计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN109587360B (zh)
WO (1) WO2020098249A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507094A (zh) * 2020-12-11 2021-03-16 润联软件系统(深圳)有限公司 一种基于强化学习的客服机器人对话方法及其相关组件
CN113312468A (zh) * 2021-07-30 2021-08-27 平安科技（深圳）有限公司 基于对话模式的话术推荐方法、装置、设备及介质
CN113688221A (zh) * 2021-09-08 2021-11-23 中国平安人寿保险股份有限公司 基于模型的话术推荐方法、装置、计算机设备和存储介质
CN114664305A (zh) * 2022-04-08 2022-06-24 中国工商银行股份有限公司 信息推送方法、装置、存储介质以及电子设备
CN120198002A (zh) * 2025-02-17 2025-06-24 元保科创(北京)科技有限公司 服务质量监测方法及装置

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109587360B (zh) * 2018-11-12 2021-07-13 平安科技（深圳）有限公司 电子装置、应对话术推荐方法和计算机可读存储介质
CN110444229A (zh) * 2019-06-17 2019-11-12 深圳壹账通智能科技有限公司 基于语音识别的通信服务方法、装置、计算机设备及存储介质
CN110472007A (zh) * 2019-07-04 2019-11-19 深圳追一科技有限公司 信息推送方法、装置、设备及存储介质
CN110364183A (zh) * 2019-07-09 2019-10-22 深圳壹账通智能科技有限公司 语音质检的方法、装置、计算机设备和存储介质
CN110535749B (zh) * 2019-07-09 2023-04-25 中国平安财产保险股份有限公司 对话推送方法、装置、电子设备及存储介质
CN110491372A (zh) * 2019-07-22 2019-11-22 平安科技（深圳）有限公司 一种反馈信息生成方法、装置、存储介质和智能设备
CN110459210A (zh) * 2019-07-30 2019-11-15 平安科技（深圳）有限公司 基于语音分析的问答方法、装置、设备及存储介质
CN110473549A (zh) * 2019-08-21 2019-11-19 北京智合大方科技有限公司 一种语音对话分析系统、方法及存储介质
CN110717733A (zh) * 2019-10-09 2020-01-21 浙江百应科技有限公司 一种企业工作手机智能管理技术解决方法
CN110689878B (zh) * 2019-10-11 2020-07-28 浙江百应科技有限公司 一种基于XLNet的智能语音对话意图识别方法
CN110990543A (zh) * 2019-10-18 2020-04-10 平安科技（深圳）有限公司 智能对话的生成方法、装置、计算机设备及计算机存储介质
CN110556110A (zh) * 2019-10-24 2019-12-10 北京九狐时代智能科技有限公司 语音处理方法及装置、智能终端、存储介质
CN111008586A (zh) * 2019-11-29 2020-04-14 上海能塔智能科技有限公司 客车冲突检测的数据处理方法、装置、设备与存储介质
CN110933239A (zh) * 2019-12-30 2020-03-27 秒针信息技术有限公司 话术检测方法和装置
CN111128189A (zh) * 2019-12-30 2020-05-08 秒针信息技术有限公司 警示信息的提示方法和装置
WO2021139737A1 (zh) * 2020-01-08 2021-07-15 北京嘀嘀无限科技发展有限公司 一种人机交互的方法和系统
CN111429157A (zh) * 2020-03-27 2020-07-17 上海东普信息科技有限公司 投诉工单的评价处理方法、装置、设备及存储介质
CN112488750A (zh) * 2020-11-27 2021-03-12 上海容大数字技术有限公司 一种保险场景智能推荐续保系统
CN112992187B (zh) * 2021-02-26 2023-04-18 平安科技（深圳）有限公司 基于上下文的语音情感检测方法、装置、设备及存储介质
CN112687293B (zh) * 2021-03-22 2021-06-22 北京孵家科技股份有限公司 一种基于机器学习及数据挖掘的智能坐席训练方法和系统
CN116189713A (zh) * 2021-11-29 2023-05-30 上海畅跃信息技术有限公司 一种基于语音识别的外呼管理方法及装置
CN115101053B (zh) * 2022-06-23 2025-09-26 平安银行股份有限公司 基于情绪识别的对话处理方法、装置、终端及存储介质
CN116743918A (zh) * 2023-05-31 2023-09-12 中电金信软件有限公司 会话质检方法、系统和设备
CN116886819B (zh) * 2023-08-07 2024-02-02 云南电网有限责任公司 一种多维度话务数据监控方法、装置及存储介质
CN117711444B (zh) * 2024-02-05 2024-04-23 新励成教育科技股份有限公司 一种基于口才表达的互动方法、装置、设备及存储介质
CN120581009B (zh) * 2025-06-25 2026-01-30 广州嘉音讯通讯有限公司 语音通话内容智能分析与坐席提醒系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104538043A (zh) * 2015-01-16 2015-04-22 北京邮电大学 一种通话中实时情感提示装置
US9105042B2 (en) * 2013-02-07 2015-08-11 Verizon Patent And Licensing Inc. Customer sentiment analysis using recorded conversation
CN107705807A (zh) * 2017-08-24 2018-02-16 平安科技（深圳）有限公司 基于情绪识别的语音质检方法、装置、设备及存储介质
CN108564968A (zh) * 2018-04-26 2018-09-21 广州势必可赢网络科技有限公司 一种评价客服服务的方法及装置
CN109587360A (zh) * 2018-11-12 2019-04-05 平安科技（深圳）有限公司 电子装置、应对话术推荐方法和计算机可读存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103701999B (zh) * 2012-09-27 2017-03-01 中国电信股份有限公司 呼叫中心语音通话的监控方法与系统
CN104113643B (zh) * 2014-06-27 2017-01-04 国家电网公司 一种客户服务中心现场监控系统及方法
CN104616666B (zh) * 2015-03-03 2018-05-25 广东小天才科技有限公司 一种基于语音分析改善对话沟通效果的方法及装置
US10025775B2 (en) * 2015-09-04 2018-07-17 Conduent Business Services, Llc Emotion, mood and personality inference in real-time environments
CN105261362B (zh) * 2015-09-07 2019-07-05 科大讯飞股份有限公司 一种通话语音监测方法及系统
CN106548788B (zh) * 2015-09-23 2020-01-07 中国移动通信集团山东有限公司 一种智能情绪确定方法及系统
CN106024015A (zh) * 2016-06-14 2016-10-12 上海航动科技有限公司 一种呼叫中心坐席人员监控方法及系统
CN108122552B (zh) * 2017-12-15 2021-10-15 上海智臻智能网络科技股份有限公司 语音情绪识别方法和装置
CN108259686A (zh) * 2017-12-28 2018-07-06 合肥凯捷技术有限公司 一种基于语音分析的客服系统
CN108197115B (zh) * 2018-01-26 2022-04-22 上海智臻智能网络科技股份有限公司 智能交互方法、装置、计算机设备和计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9105042B2 (en) * 2013-02-07 2015-08-11 Verizon Patent And Licensing Inc. Customer sentiment analysis using recorded conversation
CN104538043A (zh) * 2015-01-16 2015-04-22 北京邮电大学 一种通话中实时情感提示装置
CN107705807A (zh) * 2017-08-24 2018-02-16 平安科技（深圳）有限公司 基于情绪识别的语音质检方法、装置、设备及存储介质
CN108564968A (zh) * 2018-04-26 2018-09-21 广州势必可赢网络科技有限公司 一种评价客服服务的方法及装置
CN109587360A (zh) * 2018-11-12 2019-04-05 平安科技（深圳）有限公司 电子装置、应对话术推荐方法和计算机可读存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507094A (zh) * 2020-12-11 2021-03-16 润联软件系统(深圳)有限公司 一种基于强化学习的客服机器人对话方法及其相关组件
CN113312468A (zh) * 2021-07-30 2021-08-27 平安科技（深圳）有限公司 基于对话模式的话术推荐方法、装置、设备及介质
CN113312468B (zh) * 2021-07-30 2021-11-05 平安科技（深圳）有限公司 基于对话模式的话术推荐方法、装置、设备及介质
CN113688221A (zh) * 2021-09-08 2021-11-23 中国平安人寿保险股份有限公司 基于模型的话术推荐方法、装置、计算机设备和存储介质
CN113688221B (zh) * 2021-09-08 2023-07-25 中国平安人寿保险股份有限公司 基于模型的话术推荐方法、装置、计算机设备和存储介质
CN114664305A (zh) * 2022-04-08 2022-06-24 中国工商银行股份有限公司 信息推送方法、装置、存储介质以及电子设备
CN120198002A (zh) * 2025-02-17 2025-06-24 元保科创(北京)科技有限公司 服务质量监测方法及装置

Also Published As

Publication number Publication date
CN109587360B (zh) 2021-07-13
CN109587360A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
WO2020098249A1 (zh) 电子装置、应对话术推荐方法和计算机可读存储介质
CN111984779B (zh) 一种对话文本分析方法、装置、设备和可读介质
US12555580B2 (en) Automatic extraction of conversation highlights
JP2020030408A (ja) オーディオにおける重要語句を認識するための方法、装置、機器及び媒体
US20200410265A1 (en) Conference recording method and data processing device employing the same
CN111540353B (zh) 一种语义理解方法、装置、设备及存储介质
CN112966082B (zh) 音频质检方法、装置、设备以及存储介质
CN114265917B (zh) 工单类别识别方法、模型训练方法、装置和设备
CN113743127B (zh) 任务型对话的方法、装置、电子设备及存储介质
CN114999533A (zh) 基于情绪识别的智能问答方法、装置、设备及存储介质
CN112632245A (zh) 客服智能分配方法、装置、计算机设备及存储介质
CN108509416A (zh) 句意识别方法及装置、设备和存储介质
CN113239204A (zh) 文本分类方法及装置、电子设备、计算机可读存储介质
US11064075B2 (en) System for processing voice responses using a natural language processing engine
WO2023272833A1 (zh) 一种数据检测方法、装置、设备及可读存储介质
CN115776542A (zh) 话术导航方法、装置、计算机设备及存储介质
CN116541494B (zh) 模型训练方法、回复信息的方法、装置、设备及介质
CN112037782A (zh) 一种结合rpa与ai的早媒体识别方法、装置、设备及存储介质
CN113344405B (zh) 基于知识图谱生成信息的方法、装置、设备、介质和产品
CN112633172B (zh) 通讯优化方法、装置、设备及介质
CN120496574B (zh) 一种语音质检方法、装置、电子设备及存储介质
CN114822550A (zh) 人工客服电话监控方法、装置、电子设备及存储介质
CN111414468A (zh) 话术选择方法、装置和电子设备
CN110992067A (zh) 消息推送方法、装置、计算机设备及存储介质
US12542129B2 (en) Automated validation of information exchanged during interactions

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19885521

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19885521

Country of ref document: EP

Kind code of ref document: A1