[發(fā)明專利]一種智能客服語音質(zhì)檢評(píng)分方法、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011131622.X
• 申請(qǐng)日: 2020-10-21
• 公開（公告）號(hào): CN112329437A
• 公開（公告）日: 2021-02-05
• 發(fā)明（設(shè)計(jì)）人: 張鎮(zhèn)洋;黃小明
• 申請(qǐng)（專利權(quán)）人: 交通銀行股份有限公司
• 主分類號(hào): G06F40/211
• 分類號(hào): G06F40/211;G06K9/62;G06Q10/06;G06Q30/02;G10L15/26
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 孫永申

1.一種智能客服語音質(zhì)檢評(píng)分方法，其特征在于，該方法包括以下步驟：

步驟1：將客服坐席錄音轉(zhuǎn)文本后導(dǎo)出至數(shù)據(jù)分析系統(tǒng)中；

步驟2：于數(shù)據(jù)分析系統(tǒng)中設(shè)置針對(duì)客服坐席錄音進(jìn)行評(píng)分的規(guī)則以及標(biāo)準(zhǔn)；

步驟3：基于設(shè)置的針對(duì)客服坐席錄音進(jìn)行評(píng)分的規(guī)則以及標(biāo)準(zhǔn)，和轉(zhuǎn)文本后的客服坐席錄音數(shù)據(jù)，通過計(jì)算兩者間的相似度從而進(jìn)行評(píng)分；

步驟4：將所有的評(píng)分累加，得到總評(píng)分后輸出即為該客服坐席的錄音評(píng)分。

2.根據(jù)權(quán)利要求1所述的一種智能客服語音質(zhì)檢評(píng)分方法，其特征在于，所述的步驟1包括以下分步驟：

步驟101：連接客服坐席錄音文本數(shù)據(jù)接口，通過API連接該數(shù)據(jù)接口并將數(shù)據(jù)導(dǎo)入至數(shù)據(jù)分析系統(tǒng)中；

步驟102：同時(shí)將數(shù)據(jù)存儲(chǔ)至數(shù)據(jù)分析系統(tǒng)的工作空間中。

3.根據(jù)權(quán)利要求1所述的一種智能客服語音質(zhì)檢評(píng)分方法，其特征在于，所述的步驟2包括：

步驟201：在開始時(shí)于數(shù)據(jù)分析系統(tǒng)中通過人工設(shè)定評(píng)分規(guī)則，即對(duì)應(yīng)句子；

步驟202：數(shù)據(jù)分析系統(tǒng)運(yùn)行設(shè)定時(shí)間之后，將人工設(shè)定評(píng)分規(guī)則轉(zhuǎn)為設(shè)置成智能自主歸納評(píng)分規(guī)則。

4.根據(jù)權(quán)利要求3所述的一種智能客服語音質(zhì)檢評(píng)分方法，其特征在于，所述的步驟202中的智能自主歸納評(píng)分規(guī)則的設(shè)置過程包括以下步驟：

步驟2021：將步驟1中得到的轉(zhuǎn)文本后的客服坐席錄音數(shù)據(jù)，通過正則表達(dá)式進(jìn)行數(shù)據(jù)清洗；

步驟2022：針對(duì)經(jīng)過數(shù)據(jù)清洗的文本通過編碼算法模型進(jìn)行編碼；

步驟2023：針對(duì)編碼后的數(shù)據(jù)根據(jù)場(chǎng)景選擇不同的回歸或分類算法模型進(jìn)行訓(xùn)練；

步驟2024：訓(xùn)練完畢后選取對(duì)于模型權(quán)重更大的特征，并通過解碼算法解碼得到對(duì)應(yīng)完整句子；

步驟2025：將該完整句子存儲(chǔ)至評(píng)分規(guī)則中以作為智能自主歸納評(píng)分規(guī)則。

5.根據(jù)權(quán)利要求1所述的一種智能客服語音質(zhì)檢評(píng)分方法，其特征在于，所述的步驟3包括以下步驟：

步驟301：將設(shè)置的針對(duì)客服坐席錄音進(jìn)行評(píng)分的規(guī)則以及標(biāo)準(zhǔn)所對(duì)應(yīng)的規(guī)則文本通過編碼算法編碼后再輸入至向量表示算法中；

步驟302：將轉(zhuǎn)文本后的客服坐席錄音數(shù)據(jù)，通過正則表達(dá)式進(jìn)行數(shù)據(jù)清洗，通過編碼算法模型進(jìn)行編碼，再輸入至向量表示算法中；

步驟303：將于向量表示算法中生成的兩者對(duì)應(yīng)向量表示的句子配對(duì)，并計(jì)算相似度，得到每一對(duì)句子之間的相似度評(píng)分；

所述步驟301和步驟302中的向量表示算法包括word2vec、LSTM或BERT。

6.根據(jù)權(quán)利要求5所述的一種智能客服語音質(zhì)檢評(píng)分方法，其特征在于，所述的步驟4具體包括：取所有配對(duì)句子之間的相似度評(píng)分的最大值排序并循環(huán)判斷，當(dāng)該最大值判斷為正常用語對(duì)應(yīng)的配對(duì)句子對(duì)應(yīng)的相似度評(píng)分且大于設(shè)定閾值時(shí)，總評(píng)分加分，當(dāng)該最大值判斷為禁止用語對(duì)應(yīng)的配對(duì)句子對(duì)應(yīng)的相似度評(píng)分且大于設(shè)定閾值時(shí)，總評(píng)分減分，當(dāng)該最大值小于設(shè)定閾值時(shí)，總評(píng)分維持不變。

7.根據(jù)權(quán)利要求5所述的一種智能客服語音質(zhì)檢評(píng)分方法，其特征在于，所述的步驟303中的相似度評(píng)分，其計(jì)算公式為：

score＝exp(-||h_a-h_b||)

式中，score為相似度評(píng)分，h_a為編碼后的錄音文本通過向量表示所對(duì)應(yīng)的矩陣，h_b為編碼后的規(guī)則文本通過向量表示所對(duì)應(yīng)的矩陣。

8.根據(jù)權(quán)利要求4所述的一種智能客服語音質(zhì)檢評(píng)分方法，其特征在于，所述的步驟2023中的回歸算法模型包括線性回歸、logistics、SVR、XGBOOST或深度學(xué)習(xí)，分類算法模型包括貝葉斯分類、logistics、SVM、XGBOOST、隨機(jī)森林、深度隨機(jī)森林或深度學(xué)習(xí)。

9.一種終端設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如權(quán)利要求1至8中任一項(xiàng)所述的一種智能客服語音質(zhì)檢評(píng)分方法的步驟。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至8中任一項(xiàng)所述的一種智能客服語音質(zhì)檢評(píng)分方法的步驟。