CN109902957A - 一种数据处理方法和装置 - Google Patents
一种数据处理方法和装置 Download PDFInfo
- Publication number
- CN109902957A CN109902957A CN201910150618.9A CN201910150618A CN109902957A CN 109902957 A CN109902957 A CN 109902957A CN 201910150618 A CN201910150618 A CN 201910150618A CN 109902957 A CN109902957 A CN 109902957A
- Authority
- CN
- China
- Prior art keywords
- quality inspection
- target
- text
- data
- service
- 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
Landscapes
- Machine Translation (AREA)
Abstract
本发明公开了一种数据处理方法和装置,该方法包括:从获取到的目标服务文本数据中得到目标文本信息,并根据目标质检规则中的目标质检点对目标文本信息进行异常检测;若目标文本信息中存在满足目标质检规则的目标质检点,则在目标文本中设置与目标质检点对应的第一标识;从目标服务文本数据中获取与目标文本信息相关联的关联文本信息,并根据目标质检规则中的关联质检点对关联文本信息进行异常检测;若关联文本信息中存在满足目标质检规则中的关联质检点,则在关联文本信息中设置与关联质检点对应的第二标识,并将携带第一标识、第二标识的目标服务文本数据确定为目标异常文本。采用本发明实施例,可以降低质检人员的工作量,提高质检效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据处理方法和装置。
背景技术
在客服质检领域,服务语音数据与交互文本数据的不断增加,对客服质检过程中的数据处理的速度提出了更高的要求。
现有技术中,质检过程可以通过人工抽检的方式对海量的服务工单(即客服与用户之间进行交互时所得到的文本数据)进行抽样,以从抽样得到的服务工单中通过人工查错的方式找到存在异常的每个细项进行评分,所以,当抽样样本较多时,会极大地增加质检员的工作量。
此外,现有的质检过程还可以通过机器对海量的服务工单进行初步筛选,以将得分较低的服务工单挑选出来给质检人员进行人工复核。由于通过机器进行质检所得到的是针对每个服务工单的评分,所以质检员后续在进行二次复核的时候,仍旧需要通过人工查错的方式从每个服务工单中逐一查找出每个出错细项,操作繁琐,进而导致质检效率低下。
发明内容
本发明实施例提供一种数据处理方法和装置,可以降低质检人员的工作量,并提高质检效率。
本发明一方面提供了一种数据处理方法,包括:
获取目标服务文本数据,从所述目标服务文本数据中获取目标文本信息,并根据目标质检规则中的目标质检点对所述目标文本信息进行异常检测;
若所述目标文本信息中存在满足目标质检规则的目标质检点,则在所述目标文本中设置与所述目标质检点对应的第一标识;
从所述目标服务文本数据中获取与所述目标文本信息相关联的关联文本信息,并根据所述目标质检规则中的关联质检点对所述关联文本信息进行异常检测;
若所述关联文本信息中存在满足所述目标质检规则中的关联质检点,则在所述关联文本信息中设置与所述关联质检点对应的第二标识,并将携带所述第一标识、所述第二标识的目标服务文本数据确定为目标异常文本。
本发明一方面提供了一种数据处理装置,包括:
文本信息获取模块,用于获取目标服务文本数据,从所述目标服务文本数据中获取目标文本信息,并根据目标质检规则中的目标质检点对所述目标文本信息进行异常检测;
第一设置模块,用于若所述目标文本信息中存在满足目标质检规则的目标质检点,则在所述目标文本中设置与所述目标质检点对应的第一标识;
关联信息获取模块,用于从所述目标服务文本数据中获取与所述目标文本信息相关联的关联文本信息,并根据所述目标质检规则中的关联质检点对所述关联文本信息进行异常检测;
第二设置模块,用于若所述关联文本信息中存在满足所述目标质检规则中的关联质检点,则在所述关联文本信息中设置与所述关联质检点对应的第二标识,并将携带所述第一标识、所述第二标识的目标服务文本数据确定为目标异常文本。
本发明一方面提供了一种数据处理装置,包括:处理器和存储器;
所述处理器和存储器相连,其中,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行如本发明实施例中一方面中的方法。
本发明实施例一方面提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时,执行如本发明实施例中一方面中的方法。
本发明实施例通过获取目标服务文本数据中的目标文本信息,根据目标质检规则确定上述目标文本信息中是否存在目标质检点,若存在,则在上述目标文本信息中设置与目标质检点对应的第一标识,进而可获取与上述目标文本信息相关联的关联文本信息,根据上述目标质检规则确定上述关联文本信息中是否存在关联质检点,若存在,则在上述关联文本信息中设置与关联质检点对应的第二标识,进而可将携带有第一标识与第二标识的目标服务文本数据确定为目标异常文本。因此,在整个质检过程中,可以通过获取到的目标质检规则,从目标服务文本数据中快速找出存在出错的细项,并对这些查找出的细项进行标记,以得到上述第一标识和第二标识,进而可以将携带标记的目标服务文本数据确定为目标异常文本。换言之,由于目标异常文本中携带有第一标识与第二标识,从而有助于后续质检人员可以根据这些标记快速定位出出错的细项,以降低质检人员的工作量,并提高质检效率。
附图说明
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。
图1是本发明实施例提供的一种数据处理方法的场景示意图;
图2是本发明实施例提供的一种数据处理方法的流程示意图;
图3是本发明实施例提供的另一种数据处理方法的流程示意图;
图4是本发明实施例提供的一种客户服务质检方法的框架结构示意图;
图5是本发明实施例提供的另一种数据处理方法的流程示意图;
图6a、图6b是本发明实施例提供的另一种客户服务质检方法的框架结构示意图;
图7是本发明实施例提供的一种客户服务质检方法的时序示意图;
图8是本发明实施例提供的一种数据处理装置的结构示意图;
图9是本发明实施例提供的另一种数据处理装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参见图1,图1是本发明实施例提供的一种数据处理方法的场景示意图。如图1所示,在对客服服务进行质检的过程中,服务器100可以从各个渠道(例如,在线客服、呼叫中心等)获取客服与用户之间的会话内容,即客服与用户之间的服务语音数据,服务器100可将获取到的服务语音数据输入到声纹识别模型中,由于声纹识别模型是根据包含提前录入的客服声纹以及客服的常用话术(例如,“很高兴为您服务”)的声纹数据库进行训练得到的,因此在本发明实施例中,可以将上述训练得到的声纹识别模型用于识别语音说话人。换言之,通过声纹识别模型可以从上述服务语音数据中识别出属于客服角色的语音内容,即可以在对服务语音数据进行文本转换所得到的服务文本数据中确定出该客服角色对应的第一文本数据。从而可以在服务文本数据中将剩余的语音内容确定为用户角色的第二文本数据,根据上述第一文本数据与上述第二文本数据,可以确定目标文本信息
其中,服务器100可以对上述已经进行角色区分后的服务语音数据进行语音识别,即将上述服务语音数据转换为服务文本数据,该转换后的服务文本数据可以包含上述第一文本数据和上述第二文本数据。可以理解的是,上述语音识别模型是根据语料数据库中的大量语音数据进行训练所得到的,所以,该语音识别模型可以理解为已具备文本转换的功能。应当理解,在本发明实施例中,所述服务语音数据可以理解为从多个服务渠道中所获取到的任意一种服务渠道下用于表征客服与用户之间进行会话的语音数据。
在通过语音识别得到服务文本数据后,可以将服务文本数据输入质检库中的智能分析引擎,并通过智能分析引擎中的质检模型对上述服务文本数据进行异常检测,从而可以根据异常检测结果确定出目标异常文本。换言之,在本发明实施例中可以通过上述质检模型中已经配置好的质检规则对上述服务文本数据进行筛选和标记。在上述异常检测的过程中,可以将没有出错的服务文本数据确定为正常文本,对于根据上述质检规则可以直接确认出错的服务文本数据,可以直接检出,确定为确认异常文本,而对于质检出来的疑似出错的服务文本数据,上述质检模型可对上述疑似出错的服务文本数据的疑似出错项进行标记,并将上述疑似出错的服务文本数据确定为目标异常文本,可以将确定的目标异常文本添加至异常文本数据集中,并将上述目标异常文本发送至质检终端200,以便质检人员对接收到的目标异常文本进行人工复核,换言之,质检终端200可以根据接收到的携带出错项标记信息的服务工单(即目标异常文本)进行二次复核,从而可以在质检人员对上述目标异常文本进行人工复核后,从疑似出错的服务工单中确定出存在异常出错项的服务工单发送至服务器100,服务器100可以根据异常出错项的服务工单中的异常质检点对上述质检规则进行更新。
其中,上述质检规则是指可以用于对海量服务工单(即上述客户与用户之间进行会话的过程中所得到的服务文本数据)进行质检的规则,该质检规则可以包含将检查点按照与、或、非进行组合所得到的检查公式。其中,可以将检查点称之为质检点,且该检查点可以是海量服务工单中任意一个服务工单的服务环节中的数据,比如,该检查点可以是上述客户角色对应的文本数据中的数据。上述质检模型是指可以对输入质检库中的海量服务工单进行异常检测,并可以对确认出错的服务工单中的出错项以及疑似出错的服务工单中的疑似出错项进行智能标记的一种模型,例如:深度神经网络、生成对抗网络等。上述异常文本数据集可以包括所有被确定为目标异常文本的历史服务文本数据,即用于存储被质检出来的疑似出错的服务工单。
质检终端200在对疑似出问题的服务工单(即目标异常文本)进行二次复核得到质检结果后,可以将该质检结果对应的质检规则发送至服务器100。为了方便理解,可以将服务器100中配置好的质检规则作为第一质检规则,将二次复核中的质检规则作为第二质检规则。换言之,质检终端200可以将第二质检规则反馈给服务器100,服务器100可以获取第二质检规则中的异常质检点,并对第一质检规则进行更新。
请参见图2,图2是本发明实施例提供的一种数据处理方法的流程示意图。如图2所示,该方法可以包括:
步骤S201,获取目标服务文本数据,从所述目标服务文本数据中获取目标文本信息,并根据目标质检规则中的目标质检点对所述目标文本信息进行异常检测;
具体的,服务器可以从质检库中选择一个需要进行质检的服务文本数据(即客服与用户之间的交互数据)作为目标服务文本数据,可以根据服务文本数据中的不同角色获取目标文本信息,并利用质检库中的智能分析引擎对上述目标文本信息进行分析,判断上述目标文本信息是否具有异常情况,换言之,利用上述智能分析引擎中已经配置好的目标质检规则中的目标质检点对上述目标文本信息进行分析,判断上述目标文本信息是否命中该目标质检点。可以理解的是,所有需要进行质检的服务文本数据都可以传输到质检库中,每执行一次质检过程,均可以从质检库中选择一个服务文本数据作为目标服务文本数据,进而从目标服务文本数据中获取目标文本信息,上述目标文本信息可以不限具体内容与数量,可以是目标服务文本数据中属于客服的文本内容(即客服所说的话,可以是客服所讲的其中一句话或几句话)作为目标文本信息,即目标文本数据中属于用户的文本内容(即用户所说的话,可以是用户所讲的其中一句话或几句话)作为目标文本信息,还可以是一段包含客服与用户连续对话的文本内容;目标质检规则是指多个质检规则中与目标服务文本数据所属的服务场景相匹配的一个质检规则,目标质检点可以是该目标质检规则中的前置检查点,即该目标质检规则中的其余检查点均依赖于该前置检查点的命中情况。例如,在服务升级场景中,目标服务文本数据中出现关键词“升级”,则可以将“升级”关键词对应的文本内容(例如,出现“升级”关键词的前后2句话)确定为目标文本信息,目标质检规则中的目标质检点可以为客服所说的“马上帮您升级”,或用户所说的“请帮我升级一下”等。
可选的,在智能分析引擎中,可以同时确定多个目标服务文本数据,对上述多个目标服务文本数据进行并行分析,也就是每执行一次质检过程,同时对多个目标服务文本数据进行异常检测。
步骤S202,若所述目标文本信息中存在满足目标质检规则的目标质检点,则在所述目标文本中设置与所述目标质检点对应的第一标识;
具体的,在根据上述目标质检点对上述目标文本信息进行异常检测的过程中,可以包括以下两种情况:若上述目标文本信息中存在满足目标质检规则的目标质检点,即目标文本信息命中了上述目标质检点,则可以对目标文本信息中的目标质检点进行标记,标记信息可称之为与目标质检点对应的第一标识,以便后续进行人工复核时可以根据上述第一标识直接定位到出错项;若上述目标文本信息中不存在满足目标质检规则的目标质检点,即目标文本信息未命中上述目标质检点,则可以将上述目标服务文本数据确定为没有出错的正常文本。其中,上述第一标识用于标记目标质检点的命中情况,可以用数值或其余字符表示。例如,在服务升级场景中,目标质检规则中的目标质检点为客服所说的“马上帮您升级”,或用户所说的“请帮我升级一下”等信息关键词,若上述目标文本信息中出现了“马上帮您升级”、“请帮我升级一下”等信息关键词中的任一种,则表明上述目标文本信息满足上述目标质检规则中的目标质检点,并在目标文本信息中对出现的关键词进行标识;若上述目标文本信息中没有出现“马上帮您升级”、“请帮我升级一下”等信息关键词中任一种,则可将上述目标服务文本数据直接确认为没有出错的正常文本。
步骤S203,从所述目标服务文本数据中获取与所述目标文本信息相关联的关联文本信息,并根据所述目标质检规则中的关联质检点对所述关联文本信息进行异常检测;
具体的,在上述目标文本信息命中目标质检点后,可以从上述目标服务文本数据中获取与上述目标文本信息相关联的关联文本信息,并利用上述目标质检规则中的关联质检点对关联文本信息进行分析,判断上述关联文本信息是否命中上述关联质检点。其中,上述关联文本信息可以是指目标服务文本数据中目标文本信息的前几句话和/或后几句话,也可以是指与目标文本信息语义相近的文本,上述关联质检点是指在目标质检规则中,依赖于上述目标质检点的命中情况的其余质检点,关联质检点可以是指目标质检规则中的一个或多个质检点。例如,同样在服务升级场景中,可以将目标文本信息的前后5句话作为关联文本信息,目标质检规则中的关联质检点可以包括两个质检点(质检点1、质检点2),如质检点1可以为未检测到客服角色对应的“已帮您成功升级”、质检点2可以为未检测到客服角色对应的“稍后请注意查收升级成功的通知信息”。
步骤S204,若所述关联文本信息中存在满足所述目标质检规则中的关联质检点,则在所述关联文本信息中设置与所述关联质检点对应的第二标识,并将携带所述第一标识、所述第二标识的目标服务文本数据确定为目标异常文本。
具体的,在根据上述关联质检点对上述关联文本信息进行异常检测的过程中,若上述关联文本信息中存在满足目标质检规则的关联质检点,即关联文本信息命中了上述关联质检点所包含的部分质检点,则可以在关联文本信息中对命中的部分质检点分别对应的位置进行标记,此时的标记信息可称之为第二标识,以便后续进行人工复核时可以根据上述第二标识直接定位到出错项,可将携带上述第一标识与第二标识的目标服务文本数据确定为线索,该线索可以理解为疑似出错的目标服务文本数据,此时,可以将该疑似出错的目标服务文本数据称之为第一文本或者目标异常文本;可选地,若上述关联文本信息命中了上述关联质检点所包含的所有质检点,则可以将上述目标服务文本数据确定为检出的出错文本,该检出的出错文本即为通过该质检***所确认出的无需进行人工复核的目标服务文本数据,此时,可以将该确认出的目标服务文本数据称之为第二文本或者确认异常文本。例如,同样在服务升级场景中,目标质检规则中的关联质检点可以包括质检点1:未检测到客服角色对应的“已帮您成功升级”,以及质检点2:未检测到客服角色对应的“稍后请注意查收升级成功的通知信息”,若上述关联文本信息中未检测到客服角色对应的“已帮您成功升级”、且在预设时长内未检测到客服角色对应的“稍后请注意查收升级成功的通知信息”,则确定命中了升级不当规则,进而可以将上述目标服务文本信息确定为前述确认出错的第二文本(即确认异常文本);可选的,同样在该服务升级场景中,若在上述关联文本信息中命中了上述关联质检点中的质检点1:未检测到客服角色对应的“已帮您成功升级”,且在预设时长未命中关联质检点2,即在预设时长内接收到了“稍后请注意查收升级成功的通知信息”,则确定存在部分质检点命中了该升级不当规则(即上述目标质检规则),故而根据该目标质检规则暂时无法对该关联信息文本进行准确判断,因此,可以在关联文本信息中对上述关联质检点1进行标记,并将该携带关联质检点1的目标服务文本数据作为疑似异常的目标异常文本。
本发明实施例通过获取目标服务文本数据中的目标文本信息,根据目标质检规则确定上述目标文本信息中是否存在目标质检点,若存在,则在上述目标文本信息中设置与目标质检点对应的第一标识,进而可获取与上述目标文本信息相关联的关联文本信息,根据上述目标质检规则确定上述关联文本信息中是否存在关联质检点,若存在,则在上述关联文本信息中设置与关联质检点对应的第二标识,进而可将携带有第一标识与第二标识的目标服务文本数据确定为目标异常文本。因此,在整个质检过程中,可以通过获取到的目标质检规则,从目标服务文本数据中快速找出存在出错的细项,并对这些查找出的细项进行标记,以得到上述第一标识和第二标识,进而可以将携带标记的目标服务文本数据确定为目标异常文本。换言之,由于目标异常文本中携带有第一标识与第二标识,从而有助于后续质检人员可以根据这些标记快速定位出出错的细项,以降低质检人员的工作量,并提高质检效率。
请参见图3,图3是本发明实施例提供的另一种数据处理方法的流程示意图。如图3所示,该方法可以包括:
步骤S301,获取至少一个服务语音数据,从所述至少一个服务语音数据中选择一个服务语音数据作为目标语音数据,并获取所述目标语音数据中的语音频谱特征;
具体的,服务器可以从多个渠道的客服服务中获取所有客服与用户之间的交互语音数据,即所有的服务语音数据,可以从获取到的服务语音数据中选择一个服务语音数据(客服与用户之间的一次完整通话)作为目标语音数据,并可以对目标语音数据进行预处理,包括去除目标语音数据中的非语音数据(即客服与用户交互过程中,周围环境中的其余声音,如人走路的声音等)、以及对目标语音数据进行分帧处理(帧长一般为10到30毫秒之间),可以认为每一帧语音数据均是平稳的,即每一帧语音数据的相关特征参数的分布规律是一致的。在对分帧处理后的目标语音数据提取语音频谱特征时,可以从每一帧语音数据中提取出一个可以表征该帧语音数据的特征,进而可以得到目标语音数据的特征序列,即语音频谱特征(例如,梅尔频率倒谱系数、感知线性预测系数等)。
步骤S302,基于所述语音频谱特征、第一识别模型,对所述目标语音数据进行声纹识别,得到所述第一识别模型对应的声纹识别结果;所述声纹识别结果中包含所述语音频谱特征与所述第一识别模型中的多个属性频谱特征之间的匹配度;
具体的,可以将上述获取的语音频谱特征输入第一识别模型(即声纹识别模型),由于该声纹识别模型已经通过样本语音数据以及与该样本语音数据对应的属性频谱特征训练完成,也就是说已具备语音说话人识别功能。因此利用声纹识别模型的识别功能得到与目标语音数据对应的声纹识别结果,上述声纹识别结果中包含了上述语音频谱特征与声纹识别模型中多个属性频谱特征之间的匹配度。由于每个人的语音在音质、音长、音强、音高都各不相同,因此在声纹图谱上会呈现不同的语音频谱特征,声纹识别模型已经从样本语音数据中学习到了多类人发音的特点(可以理解为不同人说话的语音频谱特征之间的不同)。换言之,上述声纹识别模型已经学习到了不同的人在发同一个音时的区别是什么。例如,样本语音数据中包含了多个人的语音,分别为说话人1,说话人2,…,说话人n(n为自然数),可以用不同的标签信息来表示上述说话人,如说话人1对应的标签信息为数值1,说话人2对应的标签信息为数值2,…,说话人n对应的标签信息为数值n,声纹识别模型通过训练可以学习到每个说话人语音的属性频谱特征与对应标签信息之间的关系,对于新输入的目标语音数据,可以通过计算该目标语音数据中的语音频谱特征与声纹识别模型中已经学习到的多个说话人分别对应的属性频谱特征之间的匹配度,来确定目标语音数据中的说话人。
步骤S303,根据所述声纹识别结果将与所述语音频谱特征具有最高匹配度的属性频谱特征所关联的标签信息,作为从所述目标语音数据中所识别出的第一角色;
具体的,根据目标语音数据中的语音频谱特征与声纹识别模型中多个属性频谱特征之间的匹配度,可以将具有最高匹配度的属性频谱特征对应的标签信息,确定为上述目标语音数据中的第一角色(即客服角色)。在质检领域,通过在声纹识别模型中将目标语音数据中的语音频谱特征与已经录入的所有客服语音的属性频谱特征进行匹配,以确定目标语音数据中客服角色,另外,在与已经录入的客服语音的属性频谱特征进行匹配的同时,还可以与录入的客服常用话术(例如“很高兴为您服务”)进行匹配,可以更快速地确定客服角色。需要说明的是,在质检领域中,每个语音数据中只包含了客户角色与用户角色的语音,因此对目标语音数据进行声纹识别时,只需要区分出目标语音数据中属于客服角色的那一部分语音,就可以确定属于用户角色的语音,也没有必要一定要识别出目标语音数据中的具体客服人员,因此,当目标语音数据中检测到客服常用话术时,上述声纹识别模型可以将该常用话术对应的语音识别出来,以确认客服角色;当未检测到客服常用话术时,可以通过与已经录入的所有客服语音的属性频谱特征进行匹配,以确定客服角色。
步骤S304,将所述目标语音数据中除所述第一角色之外的剩余角色确定为第二角色,基于控制频率参数、第二识别模型将携带所述第一角色和第二角色的目标语音数据转换为服务文本数据;
具体的,在确定出目标语音数据中的客服角色后,可以将目标语音数据中的另一角色确定为第二角色(即用户角色),可获取控制频率参数,并基于上述控制频率参数将上述已经进行客服角色与用户角色区分的目标语音数据输入第二识别模型(也就是语音识别模型),由于该语音识别模型已经过通过语料数据库中的样本语音数据与该样本语音数据对应的文本信息训练完成,也就是已具备文本转换功能。因此利用该语音识别模型可以将上述目标语音数据转换成服务文本数据。其中,控制频率参数可以用于控制单位时间内服务语音数据转换成服务文本数据的数量,也就是表示将获取到的服务语音数据分批次转换成服务文本数据。
步骤S305,当所述至少一个服务语音数据中的每个服务语音数据均被作为目标语音数据时,得到所述每个服务语音数据对应的服务文本数据,并从转换得到的服务文本数据中选择一个服务文本数据作为目标服务文本数据;
具体的,当上述获取到的所有服务语音数据均被作为目标语音数据时,可以利用上述声纹识别模型确定每个服务语音数据中的客服角色与用户角色,并将进行角色区分后的每个服务语音数据转换成对应的服务文本数据,可从转换得到的所有服务文本数据中选择一个服务文本数据作为目标服务文本数据。可以理解,在将服务语音数据转换成服务文本数据时,语音识别模型可以进行并行处理,也就是可以同时将多个目标语音数据输入语音识别模型中,得到上述多个目标语音数据分别对应的服务文本数据,具体的目标语音数量可以由上述获取的控制频率参数来确定。
步骤S306,统计转换得到的所有服务文本数据的目标数量;
具体的,当所有的服务语音数据均被转换成服务文本数据时,服务器可以统计所有服务文本数据的总数量(即目标数量),即获取到的客服与用户之间的通话次数。
步骤S307,若检测到所述目标数量大于备份数量阈值,则将所述所有服务文本数据中超过所述备份数量阈值的服务文本数据进行备份处理;
具体的,可获取存储服务文本数据的备份数量阈值,若检测到上述服务文本数据的总数量大于上述备份数量阈值,则可以将所有服务文本数据中超过上述备份数量阈值的服务文本数据进行备份处理,即当服务文本数据的总数量超过存储数据库的存储空间时,可以将超出的那部分服务文本数据转移到备份存储数据库中,进行备份处理。例如,统计到所有服务文本数据的总数量为70万,而存储数据库的存储空间(即备份数量阈值)为50万,则可以将超出的20万个服务文本数据转移到备份存储数据库中。
步骤S308,从所述目标服务文本数据中获取所述第一角色对应的第一文本数据,以及所述第二角色对应的第二文本数据;
具体的,从转换得到的所有服务文本数据中选择出一个服务文本数据作为目标服务文本数据后,可以从目标服务文本数据中获取第一角色对应的第一文本数据,即客服角色对应的说话内容,获取第二角色对应的第二文本数据,即用户角色对应的说话内容。可选的,上述第一文本数据不限于客服角色在目标服务文本数据中的全部说话内容,可以是客服角色所说的一句话,也可以是客服角色所说的几句话,可以根据具体的场景来确定,这里不做限定。同理,上述第二文本数据也不做具体限定,可以根据具体场景来确定。
步骤S309,从多个质检规则中获取目标质检规则,并将所述第一文本数据和/或所述第二文本数据作为目标文本信息,并从目标质检规则所包含的多个质检点中选取具有最高优先级的质检点作为目标质检点,并基于所述目标质检点对所述目标文本信息进行异常检测;
具体的,可以将上述第一文本数据和/或第二文本数据作为目标文本信息。换言之,目标文本数据可以为客服角色对应的文本内容,也可以为用户角色对应的文本内容,还可以是客服角色与用户角色之间的一段连续会话内容。可以从智能分析引擎中的多个质检规则中获取与目标服务文本数据所属场景相匹配的目标质检规则,并获取目标质检规则中的多个质检点的优先级,将具有最高优先级的质检点作为目标质检点,并可以基于该目标质检点对目标文本信息进行异常检测。目标质检规则是指针对该目标服务文本信息所属的场景而设置的质检规则,目标质检规则中可以包含多个质检点,若在该目标质检规则的所有质检点中存在一个质检点,使得其余质检点的命中情况均依赖于该质检点的命中后的上下文,则可以认为该质检点在目标质检规则所包含的所有质检点中具有最高优先级,可以将该质检点作为目标质检点,也可称之为前置质检点。例如,在客服hold线(指客服超过一定时间未响应用户)场景中,目标质检规则是用于检测出由于客服自身原因导致较长时间未响应用户的服务文本信息,该目标质检规则中目标质检点可为客服角色与用户角色之间对话间隔超过一定时间(如50s),该目标质检规则中的其余质检点的命中均依赖于该目标质检点的命中情况,即当目标文本信息命中该目标质检点时,可从该目标质检点的命中上下文中继续确定其余质检点,当目标文本信息未命中该目标质检点,则可直接确定上述目标服务文本数据未命中其余质检点。
步骤S310,若所述目标文本信息中存在满足目标质检规则的目标质检点,则在所述目标文本中设置与所述目标质检点对应的第一标识;
其中,上述步骤S310的具体实现方式可以参见上述图2所对应实施例中对步骤S202的描述,这里不再进行赘述。
步骤S311,将所述第一标识对应的目标质检点作为起始检查点,并获取所述目标质检规则对应的检测范围阈值;
具体的,在上述目标文本信息命中上述目标质检点后,可将上述目标质检点作为起始检查点,并获取目标质检规则中针对目标质检点设置的检测范围阈值,该检测范围阈值可包括第一检测范围阈值和/或第二检测范围阈值,其中,第一检测范围阈值可以是指以起始检查点开始向前检测的范围阈值,第二检查范围阈值可以是指以起始检查点开始向后检测的范围阈值。
步骤S312,将所述起始检查点和所述检测范围阈值之间的文本信息确定为与所述目标文本信息相关联的关联文本信息;
具体的,当检测范围阈值包括第一检测范围阈值时,可将上述起始检查点之前第一检测范围阈值之间的文本信息确定为与上述目标文本信息相关联的关联文本信息;当检测范围阈值包括第二检测范围阈值时,可将上述起始检查点之后第二检测范围阈值之间的文本信息确定为与上述目标文本信息相关联的关联文本信息;当检测范围阈值包括第一检测范围阈值与第二检测范围阈值时,可将上述起始检查点之前第一检测范围阈值之间的文本信息与上述起始检查点之后第二检测范围阈值之间的文本信息确定为关联文本信息。例如,起始检查点为上述目标服务文本数据中的第10句话,第一检测范围阈值为3句话,第二检测范围阈值为5句话,则检测范围阈值包括第一检测范围阈值时,关联文本信息为目标服务文本数据中的第7句话-第10句话,检测范围阈值包括第二检测范围阈值时,关联文本信息为目标服务文本数据中的第10句话-第15句话,检测范围阈值包括第一检测范围阈值与第二检测范围阈值时,关联文本信息为目标服务文本数据中的第7句话-第15句话。
步骤S313,获取目标质检规则中与所述目标质检点具有关联关系的关联质检点,并根据所述关联质检点对所述关联文本信息进行异常检测;
具体的,在确定了与上述目标文本信息相关联的关联文本信息之后,可以获取目标质检规则中与上述目标质检点具有关联关系的关联质检点,也就是依赖于目标质检点的命中情况的其余质检点,并根据上述关联质检点对关联文本信息进行异常检测,判断关联文本信息中上述关联质检点的命中情况。例如,在客服hold线场景中,关联质检点可以包括排除用户主动让客服等待的情况,如排除用户所说的“我找一下银行卡”等,若关联文本信息中未检测到“我找一下银行卡”类似的语句,则表明上述相关文本命中该关联质检点,否则,则未命中该关联质检点。
步骤S314,若所述关联文本信息中存在满足所述目标质检规则中的关联质检点,则在所述关联文本信息中设置与所述关联质检点对应的第二标识,并将携带所述第一标识、所述第二标识的目标服务文本数据确定为目标异常文本。
其中,上述步骤S314的具体实现方式可以参见上述图2所对应实施例中对步骤S204的描述,这里不再进行赘述。
举例来说,以客服hold线场景下的质检案例为例,目的是为了准确地检查出hold线的服务工单(即为上述服务语音数据),对于一个服务工单,具体的实现方式如下:
通过声纹识别技术将服务工单中的语音分为两种角色,分别为角色1和角色2,并通过与已录入的客服声纹以及客服的常用话术进行匹配,以确定服务工单中的客服角色,通过语音转文本技术将上述服务工单中的语音数据转换成文本数,并对文本数据中的客服角色进行标记,因此可以确定服务工单中的另一角色为用户角色;检查服务工单中客服角色和用户角色之间对话间隔超过50秒,且后一句是客服发言的会话,标记为检查点1=ture,如未命中标记为检查点1=false,;当检查点1=ture时,对检查点1的上文5句进行检索,排除用户主动要求客服等待的情况,如“我找一下银行卡”,记录为检查点2的结果;当检查点1=ture时,对检查点1的上下文3句进行检索,排除客服发言中有表明在等待用户的情况,如“您输入一下”、“有核实到吗”,记录为检查点3的结果;当检查点1=ture时,对检查点1的上文3句进行检索,排除客服发言中让用户重新输入互动式语音应答(InteractiveVoice Response,IVR)按键的情况,如“请按照语音提示输入”,记录为检查点4的结果;当检查点1=ture时,对检查点1的上文3句进行检索,排除客服发言中让用户等待客服给另一个号码拨通验证的情况,如“我给您另一个号码打过去验证,请您听一段音乐”,记录为检查点5的结果;最后需对这些检查结果进行组合,组合公式为:1and(not(2or3or4or5)),1-5指各个检查点的命中情况,进行布尔运算得出结果,如ture and(not(false or false orfalse or false))=ture,则命中客服hold线的规则,视为检出,检出表示客服服务工单被确认为有错误。其中,检查点1即为目标质检点,检查点1=ture表示命中目标质检点,检查点1=false表示未命中目标质检点,检查点2-检查点5即为关联质检点,上述提到的上文3句或上文5句即为上述第一检测范围阈值,下文3句即为第二检测范围阈值,上述组合公式1and(not(2or3or4or5))即为客服hold线场景下的目标质检规则。当该服务工单命中目标质检规则时,可以确认该服务工单为出错的服务工单;当该服务工单在检查点1命中的情况下,未命中该目标质检规则,可以将该服务工单作为疑似出错的服务工单,即确定为目标异常文本。
请一并参见图4,图4是本发明实施例提供的一种客户服务质检方法的框架结构示意图。如图所示,在客服质检过程中,智能分析引擎中的质检会话分析服务43可以从呼叫中心41中获取服务语音数据,与此同时,还可以对呼叫中心41中的服务语音数据进行定时备份,将所有的服务语音数据存储在数据备份服务器42中,以便后续查询客户与用户之间的原始语音数据。质检会话分析服务43在从呼叫中心41中获取到服务语音数据后,可以基于控制频率431参数对获取到的服务语音数据进行语音识别45,将服务语音数据转换成服务文本数据,在进行语音识别45的过程中可以对服务文本数据进行声纹识别,也就是服务语音数据进行角色判断434,具体的角色判断434过程与语音识别45过程可以参见上述图3所对应实施例中的步骤S301-步骤S305,这里不再进行赘述。在将服务语音数据转化成文本数据后,可以将转换后的服务文本数据存储在语音转文本主服务器46中,当服务文本数据的总数量太大,进而导致语音转文本主服务器46无法存储下时,可以将超出的那部分服务文本数据存储在语音转文本备份服务器47中,质检会话分析服务43可以获取语音转文本主服务器46与语音转文本备份服务器47中的服务文本数据,并对获取到的服务文本数据进行分析,其中算法分析433可表示获取服务文本数据对应的目标质检规则,包括对对语义匹配的关联质检点进行智能识别,检测异常432可表示为根据上述目标质检规则对服务文本数据进行异常检测,具体的检测过程可以参见上述图3所对应实施例中的步骤S308-步骤S314,这里不再进行赘述。质检会话分析服务43对服务文本数据进行分析产生的质检结果以及在质检过程中设置了标识信息的服务文本数据,均可以存储在数据仓库44中,同时,质检会话分析服务43也可以从数据仓库44中获取服务文本数据进行训练,以更新质检规则。
在本发明实施例中,通过对获取到的服务语音数据进行声纹识别及语音识别,可以得到服务语音数据对应的服务文本数据,并可以从服务文本数据中获取客服角色对应的第一文本数据与用户角色对应的第二文本数据,进而可根据第一文本数据与第二文本数据确定目标文本数据,根据目标质检规则确定上述目标文本信息中是否存在目标质检点,若存在,则在上述目标文本信息中设置与目标质检点对应的第一标识,进而可获取与上述目标文本信息相关联的关联文本信息,根据上述目标质检规则确定上述关联文本信息中是否存在关联质检点,若存在,则在上述关联文本信息中设置与关联质检点对应的第二标识,进而可将携带有第一标识与第二标识的目标服务文本数据确定为目标异常文本。因此,在整个质检过程中,可以通过获取到的目标质检规则及目标服务文本数据中的不同角色,可以从目标服务文本数据中快速找出存在出错的细项,并对这些查找出的细项进行标记,以得到上述第一标识和第二标识,进而可以将携带标记的目标服务文本数据确定为目标异常文本。换言之,由于目标异常文本中携带有第一标识与第二标识,从而有助于后续质检人员可以根据这些标记快速定位出出错的细项,以降低质检人员的工作量,并提高质检效率。
请参见图5,图5是本发明实施例提供的另一种数据处理方法的流程示意图。如图5所示,该方法可以包括:
步骤S501,获取至少一个服务语音数据,并将所述至少一个服务语音数据中的每个服务语音数据分别转换为服务文本数据,并从转换得到的服务文本数据中选择一个服务文本数据作为目标服务文本数据;
其中,上述步骤S501的具体实现方式可以参见上述图3所对应实施例中对步骤S301-步骤S305的描述,这里不再进行赘述。
步骤S502,获取目标服务文本数据,从所述目标服务文本数据中获取目标文本信息,并根据目标质检规则中的目标质检点对所述目标文本信息进行异常检测;
步骤S503,若所述目标文本信息中存在满足目标质检规则的目标质检点,则在所述目标文本中设置与所述目标质检点对应的第一标识;
步骤S504,从所述目标服务文本数据中获取与所述目标文本信息相关联的关联文本信息,并根据所述目标质检规则中的关联质检点对所述关联文本信息进行异常检测;
步骤S505,若所述关联文本信息中存在满足所述目标质检规则中的关联质检点,则在所述关联文本信息中设置与所述关联质检点对应的第二标识,并将携带所述第一标识、所述第二标识的目标服务文本数据确定为目标异常文本;
其中,上述步骤S502-步骤S505的具体实现方式可以参见上述图2所对应实施例中对步骤S201-步骤S204的描述,这里不再进行赘述。
步骤S506,将所述目标异常文本添加至异常文本数据集,并将所述异常文本数据集中的所有目标异常文本发送至质检终端;
具体的,在确定出目标异常文本后,可以将上述目标异常文本添加至异常文本数据集,所述异常文本数据集包括质检过程中的所有异常文本,即所有疑似出错的服务文本数据,将异常文本数据集中的所有目标异常文本发送至质检终端,即发送至质检员操作台。质检终端在接收到目标异常文本后,可以从接收到的所有目标异常文本中随机抽取一部分目标异常文本进行人工复核,质检的过程主要包括以下几个步骤:
通过人工方式找到日常质检中需要采用质检规则检出的错误类型(例如,服务礼仪类型、操作失误类型等);进一步分析在人工质检中的观测点、将观测点整理成各个检查点,也就是将人工质检中主要检查的几个重点整理成检查点;配置各个检查点以及检查点和检查点之间的上下文依赖关系,也就是确定检查点之间的关联关系,例如,可以为上文n句、下文n句、或上下文n句等(n为自然数);按照或且非和优先计算符的计算条件组合检查点,即确定质检规则,以达到质检目的;可以从获取到的所有目标异常文本中选择一个目标异常文本即时验证上述质检规则命中情况,例如,在质检终端的配置页面有一个快捷验证的功能,输入一个目标异常文本后,可以返回规则的命中情况以及检查点的命中情况;根据命中情况可以确认上述目标异常文本的最终质检结果,也就是对于智能分析引擎中的质检规则给出疑似出错的服务文本数据,经过人工复核后可以确认该服务文本数据是否为出错的服务文本数据。质检终端可以将上述目标异常文本进行人工复核之后的质检结果及对应的质检规则发送给智能分析引擎。
步骤S507,获取所述质检终端基于所有目标异常文本所确定的异常质检点,并基于所述异常质检点对所述目标质检规则进行更新;
具体的,在接收到目标异常文本进行人工复核之后的质检结果及对应的质检规则后,可根据质检结果中的规则命中情况,获取人工质检规则中的异常质检点,即新增的检查点,将异常质检点添加至目标质检规则中,以实现对目标质检规则的更新。例如,在退游场景中,目标质检规则中的目标质检点为用户对应的说话内容中出现“退游”关键字,目标质检点中的关联质检点可为排除客服进行安抚的话语,例如:“感谢您一直以来对该游戏的支持”、“希望您能再考虑一下是否确定退游呢”,当目标服务文本数据中出现了上述关联质检点类似的安抚性语言“请问是因为什么原因呢,有什么可以帮助您的吗”,目标质检规则无法对其进行判断,因此将该目标服务文本数据确定为目标异常文本,而进行人工复核之后,质检出该目标服务文本数据没有出错,属于正常文本,则可根据人工复核的质检结果,将上述“请问是因为什么原因呢,有什么可以帮助您的吗”作为一个新的检查点添加到上述目标质检规则中。
步骤S508,将所述目标异常文本添加至异常文本数据集,获取所述异常文本数据集对应的历史异常文本,并基于所述历史异常文本得到训练样本集;
具体的,在将上述目标异常文本添加至异常文本数据集后,可以获取异常文本数据集中的所有历史异常文本,并将获取到的所有历史异常文本作为训练样本。其中,上述历史异常文本是指在该次质检之前所有质检过程中确认的目标异常文本。
步骤S509,基于所述训练样本集对所述目标质检规则对应的质检模型进行训练,并对所述质检模型进行更新;更新后的质检模型中携带的异常质检点用于对所述目标质检规则进行更新。
具体的,基于上述训练样本集中的历史异常文本,可以对上述目标质检规则对应的质检模型进行训练,每一个历史异常文本均可以作为一个样本数据,对上述质检模型进行训练,在训练完成后,上述质检模型可以获得更好的模型参数。换言之,训练完成后的质检模型已经取代了上述目标质检规则对应的质检模型,完成了质检模型的更新过程。更新过后的质检模型中携带有异常质检点,可以根据上述异常质检点对上述目标规则进行更新。其中,上述质检模型可以为卷积神经网络、深度神经网络、生成对抗网络等。将上述目标质检规则质检出来的所有疑似错误的服务文本数据(即目标异常文本)进行汇总,并通过对这些疑似错误的服务文本数据进行深度学习,也就是通过质检模型自主学习这些疑似错误的服务文本数据中的特征,获得更好的模型参数,进而优化上述目标质检规则,提高质检质量。例如,在一个箱子中由红色、深蓝色、浅蓝色三种颜色的球,现在有一种机制可以识别出红色的球和深蓝色的球,但是无法识别出浅蓝色的球,通过学习浅蓝色的球的特点,可以对上述机制进行优化,使更新后的机制可以识别出浅蓝色的球,如将原来机制中针对深蓝色球的识别方式更新为蓝色球(包括深蓝色的球与浅蓝色的球)的识别机制。若该机制代表目标质检规则,则红色的球可表示服务文本数据中确认没有出错的文本数据,深蓝色的球可以表示服务文本数据中确认出错的文本数据,浅蓝色的球可以表示服务文本数据中疑似出错的文本数据,学习浅蓝色的球的特点可以表示为利用质检模型对疑似出错的文本数据进行学习,更新后的机制可以表示更新之后的目标质检规则。
需要说明的是,上述步骤S506-步骤S507描述的通过人工复核的质检结果对目标质检规则进行更新,以及步骤S508-步骤S509描述的通过对历史异常文本进行深度学习,不断优化目标质检规则为两种互相独立的目标质检规则更新方式,彼此之间不受干扰。换言之,上述两种目标质检规则更新方式可以先后进行,也可以同时进行。
请一并参见图6a-图6b,是本发明实施例提供的另一种客户服务质检方法的框架结构示意图。如图6a所示,该框架可以包括:从各渠道客服服务601中获取交互记录数据602,通过对获取到的交互记录数据602进行数据预处理603,预处理包括将获取到的语音6031数据通过自动语音识别技术6032(Automatic Speech Recognition,ASR)转换成文本6033数据,对于语音转文本的具体过程可以参见上述图3所对应实施例中的步骤S301-步骤S305,这里不再进行赘述。将转换的文本数据输入至质检库604,在质检库604中,智能分析引擎6041可以对转换后的文本数据进行分析,得到每个文本数据对应的质检结果,具体的质检过程可以参见上述图3所对应实施例中的步骤S308-步骤S314,这里不再进行赘述。对于智能分析引擎6041质检出来的疑似错误的文本数据,可通过质检员操作台6042进行人工复核,可根据人工复核之后的质检结果对智能分析引擎6041中的质检规则进行更新,即反哺智能分析引擎6041中的质检规则,上述质检员操作台6042即为图3所对应实施例中的质检终端,对于人工复核以及更新目标质检规则的具体实现过程可以参见上述图5所对应实施例中的步骤S506-步骤S509,这里不再进行赘述。操作流程数据605主要用于控制交互记录数据602至质检库604中的质检过程之间的数据流。
可选的,从各渠道客服服务601中获取到的交互记录数据602也可以包括文本数据,例如从在线客服获取的数据,若获取到的交互记录数据602为文本数据,则不必执行上述数据预处理603,可以直接输入到质检库中。
如图6b所示,该框架可以表示一个具体的质检过程,质检过程中的质检规则606可以采用检查点、适用范围6065与逻辑关系6066(如与/或/非)的组合对会话分析模型607中的规则进行验证,上述检查点是组成质检规则606的最小单元,可以是任意服务工单内容的检查,包括但不限于关键词6061,服务工单属性6062,对话间隔6063,语义匹配6064等所有人工质检中所用到的核对信息,会话分析模型607中的规则可以包括多个规则,用于检查出各场景下的问题服务工单,例如,规则A 6071可以表示hold线规则,规则B 6072可以表示退游规则,规则C 6073可以表示推荐产品规则。会话分析模型607可以基于上述规则对质检库608中的服务工单进行质检,可以获得线索单(即智能质检出来的疑似错误的服务工单,也等同于上述实施例中提及的异常文本),人工智能(Artificial Intelligence,AI)线索609中包括多个线索,也就是可以质检出多个线索单,如线索1 6091、线索2 6092、线索3 6093,需要说明的是,规则A 6071,规则B 6072,规则C 6073与线索1 6091、线索2 6092、线索36093并不是一一对应的关系,对于同一个规则,可以质检出多个线索单,对于会话分析模型607质检出来的线索单,可以传输到人工质检台进行人工复核610,根据人工复核的质检结果、规则命中情况、检查点命中情况可以对质检规则606进行更新,如增加检查点。也可以通过机器学习共性差异611对质检规则606进行优化,即利用机器学习对线索单进行学习,对质检规则606进行智能优化。
请一并参见图7,图7是本发明实施例提供的一种客户服务质检方法的时序示意图。如图所示,该方法可以包括:
步骤S701,前端向后台发送工单内容;
具体的,前端从各渠道客服服务获取到工单内容(即服务工单内容)后,可以向后台发送获取到的服务工单内容。
步骤S702,后台核对工单信息;
具体的,后台在接收到前台发送的服务工单内容后,可先检测服务工单的数据类型,若服务工单为语音数据,则将该服务工单转换为文本数据,进而核对服务工单信息;若服务工单为文本数据,则可直接核对服务工单信息。核对的服务工单信息主要包括服务工单备注、服务工单标签、服务工单中的会话内容等。
步骤S703,提取规则;
具体的,可根据服务工单信息,提取与该服务工单信息相匹配的质检规则。例如,对于产品推荐类的服务工单信息,需要提取产品推荐规则;对于升级类的服务工单信息,需要提取升级规则等。
步骤S704,前端向后台传递规则;
具体的,前端可将提取到的质检规则传递给后台,以使后台可根据质检规则对服务工单进行质检。
步骤S705,后台核对检查逻辑;
具体的,后台在接收到后台发送的质检规则后,可核对质检规则中各检查点的逻辑关系,进而确定各检查点的命中情况以及该质检规则的命中情况,对于未命中该质检规则的服务工单,可确定为没有出错,对于命中的该质检规则的服务工单,可确定为确定出错,对于还在调整中的规则,可作为疑似出错的服务工单,也就是质检线索。
步骤S706,后台向人工发送质检线索;
具体的,后台在智能质检出上述服务工单的结果后,可将质检线索发送至人工质检操作台,也就是将疑似出错的服务工单发送至人工质检操作台,让质检人员进行人工复核。
步骤S707,人工向后台发送质检结果;
具体的,人工质检操作台可以将人工复核后的质检结果传回给后台,后台可对人工复核后的质检结果进行分析。
步骤S708,调整规则;
具体的,可以根据人工复核后的质检结果获取质检规则的调整信息,例如,增加检查点或优化检查点。
步骤S709,前端进行规则更新。
具体的,前端可以根据上述调整信息对质检规则进行更新,得到质检规则的改进方案或新规则。
其中,上述前端和后台对应于上述图1所对应实施例中的服务器100,人工对应于上述图1所对应实施例中的质检终端200。
本发明实施例通过获取目标服务文本数据中的目标文本信息,根据目标质检规则确定上述目标文本信息中是否存在目标质检点,若存在,则在上述目标文本信息中设置与目标质检点对应的第一标识,进而可获取与上述目标文本信息相关联的关联文本信息,根据上述目标质检规则确定上述关联文本信息中是否存在关联质检点,若存在,则在上述关联文本信息中设置与关联质检点对应的第二标识,进而可将携带有第一标识与第二标识的目标服务文本数据确定为目标异常文本。因此,在整个质检过程中,可以通过获取到的目标质检规则,从目标服务文本数据中快速找出存在出错的细项,并对这些查找出的细项进行标记,以得到上述第一标识和第二标识,进而可以将携带标记的目标服务文本数据确定为目标异常文本。换言之,由于目标异常文本中携带有第一标识与第二标识,从而有助于后续质检人员可以根据这些标记快速定位出出错的细项,以降低质检人员的工作量,并提高质检效率,且可以通过人工复核中的异常质检点或通过对历史异常文本进行深度学习获得的异常质检点对目标质检规则进行更新,可以提高质检质量。
请参见图8,图8是本发明实施例提供的一种数据处理装置的结构示意图。如图8所示,该数据处理装置1可以包括:文本信息获取模块101,第一设置模块102,关联信息获取模块103,第二设置模块104;
文本信息获取模块101,用于获取目标服务文本数据,从所述目标服务文本数据中获取目标文本信息,并根据目标质检规则中的目标质检点对所述目标文本信息进行异常检测;
第一设置模块102,用于若所述目标文本信息中存在满足目标质检规则的目标质检点,则在所述目标文本中设置与所述目标质检点对应的第一标识;
关联信息获取模块103,用于从所述目标服务文本数据中获取与所述目标文本信息相关联的关联文本信息,并根据所述目标质检规则中的关联质检点对所述关联文本信息进行异常检测;
第二设置模块104,用于若所述关联文本信息中存在满足所述目标质检规则中的关联质检点,则在所述关联文本信息中设置与所述关联质检点对应的第二标识,并将携带所述第一标识、所述第二标识的目标服务文本数据确定为目标异常文本。
其中,文本信息获取模块101,第一设置模块102,关联信息获取模块103,第二设置模块104的具体功能实现方式可以参见上述图2所对应实施例中的步骤S201-步骤S204,这里不再进行赘述。
如图8所示,该数据处理装置1还可以包括:文本转换模块105,统计模块106,备份模块107,异常文本发送模块108,第一更新模块109,训练样本确定模块110,第二更新模块111;
文本转换模块105,用于获取至少一个服务语音数据,并将所述至少一个服务语音数据中的每个服务语音数据分别转换为服务文本数据,并从转换得到的服务文本数据中选择一个服务文本数据作为目标服务文本数据;
统计模块106,用于统计转换得到的所有服务文本数据的目标数量;
备份模块107,用于若检测到所述目标数量大于备份数量阈值,则将所述所有服务文本数据中超过所述备份数量阈值的服务文本数据进行备份处理;
异常文本发送模块108,用于将所述目标异常文本添加至异常文本数据集,并将所述异常文本数据集中的所有目标异常文本发送至质检终端;
第一更新模块109,用于获取所述质检终端基于所有目标异常文本所确定的异常质检点,并基于所述异常质检点对所述目标质检规则进行更新;
训练样本确定模块110,用于将所述目标异常文本添加至异常文本数据集,获取所述异常文本数据集对应的历史异常文本,并基于所述历史异常文本得到训练样本集;
第二更新模块111,用于基于所述训练样本集对所述目标质检规则对应的质检模型进行训练,并对所述质检模型进行更新;更新后的质检模型中携带的异常质检点用于对所述目标质检规则进行更新。
其中,文本转换模块105,统计模块106,备份模块107的具体功能实现方式可以参见上述图3所对应实施例中的步骤S301-步骤S307,这里不再进行赘述,异常文本发送模块108,第一更新模块109,训练样本确定模块110,第二更新模块111的具体功能实现方式可以参见上述图5所对应实施例中的步骤S506-步骤S509,这里不再进行赘述。
如图8所示,上述文本信息获取模块101可以包括:第一获取单元1011,目标质检点确定单元1012;
第一获取单元1011,用于从所述目标服务文本数据中获取所述第一角色对应的第一文本数据,以及所述第二角色对应的第二文本数据;
目标质检点确定单元1012,用于从多个质检规则中获取目标质检规则,并将所述第一文本数据和/或所述第二文本数据作为目标文本信息,并从目标质检规则所包含的多个质检点中选取具有最高优先级的质检点作为目标质检点,并基于所述目标质检点对所述目标文本信息进行异常检测。
其中,第一获取单元1011,目标质检点确定单元1012的具体功能实现方式可以参见上述图3所对应实施例中的步骤S308-步骤S309,这里不再进行赘述。
如图8所示,上述关联信息获取模块103可以包括:检查点确定单元1031,第一确定单元1032,异常检测单元1033;
检查点确定单元1031,用于将所述第一标识对应的目标质检点作为起始检查点,并获取所述目标质检规则对应的检测范围阈值;
第一确定单元1032,用于将所述起始检查点和所述检测范围阈值之间的文本信息确定为与所述目标文本信息相关联的关联文本信息;
异常检测单元1033,用于获取目标质检规则中与所述目标质检点具有关联关系的关联质检点,并根据所述关联质检点对所述关联文本信息进行异常检测。
其中,检查点确定单元1031,第一确定单元1032,异常检测单元1033的具体功能实现方式可以参见上述图3所对应实施例中的步骤S311-步骤S313,这里不再进行赘述。
如图8所示,上述文本转换模块105可以包括:选择单元1051,声纹识别单元1052,第一角色确定单元1053,第二角色确定单元1054,文本数据确定单元1055;
选择单元1051,用于从所述至少一个服务语音数据中选择一个服务语音数据作为目标语音数据,并获取所述目标语音数据中的语音频谱特征;
声纹识别单元1052,基于所述语音频谱特征、第一识别模型,对所述目标语音数据进行声纹识别,得到所述第一识别模型对应的声纹识别结果;所述声纹识别结果中包含所述语音频谱特征与所述第一识别模型中的多个属性频谱特征之间的匹配度;
第一角色确定单元1053,用于根据所述声纹识别结果将与所述语音频谱特征具有最高匹配度的属性频谱特征所关联的标签信息,作为从所述目标语音数据中所识别出的第一角色;
第二角色确定单元1054,将所述目标语音数据中除所述第一角色之外的剩余角色确定为第二角色,基于控制频率参数、第二识别模型将携带所述第一角色和第二角色的目标语音数据转换为服务文本数据;
文本数据确定单元1055,用于当所述至少一个服务语音数据中的每个服务语音数据均被作为目标语音数据时,得到所述每个服务语音数据对应的服务文本数据。
其中,选择单元1051,声纹识别单元1052,第一角色确定单元1053,第二角色确定单元1054,文本数据确定单元1055的具体功能实现方式可以参见上述图3所对应实施例中的步骤S301-步骤S305,这里不再进行赘述.
本发明实施例通过获取目标服务文本数据中的目标文本信息,根据目标质检规则确定上述目标文本信息中是否存在目标质检点,若存在,则在上述目标文本信息中设置与目标质检点对应的第一标识,进而可获取与上述目标文本信息相关联的关联文本信息,根据上述目标质检规则确定上述关联文本信息中是否存在关联质检点,若存在,则在上述关联文本信息中设置与关联质检点对应的第二标识,进而可将携带有第一标识与第二标识的目标服务文本数据确定为目标异常文本。因此,在整个质检过程中,可以通过获取到的目标质检规则,从目标服务文本数据中快速找出存在出错的细项,并对这些查找出的细项进行标记,以得到上述第一标识和第二标识,进而可以将携带标记的目标服务文本数据确定为目标异常文本。换言之,由于目标异常文本中携带有第一标识与第二标识,从而有助于后续质检人员可以根据这些标记快速定位出出错的细项,以降低质检人员的工作量,并提高质检效率,且可以通过人工复核中的异常质检点或通过对历史异常文本进行深度学习获得的异常质检点对目标质检规则进行更新,可以提高质检质量。
请参见图9,图9是本发明实施例提供的另一种数据处理装置的结构示意图。如图9所示,该数据处理装置1000可以对应于上述图1所对应实施例中的服务器100,该数据处理装置1000可以包括:处理器1001,网络接口1004和存储器1005,此外,上述数据处理装置1000还可以包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1004可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图9所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及设备控制应用程序。
在如图9所示的数据处理装置1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于为用户提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现:
获取目标服务文本数据,从所述目标服务文本数据中获取目标文本信息,并根据目标质检规则中的目标质检点对所述目标文本信息进行异常检测;
若所述目标文本信息中存在满足目标质检规则的目标质检点,则在所述目标文本中设置与所述目标质检点对应的第一标识;
从所述目标服务文本数据中获取与所述目标文本信息相关联的关联文本信息,并根据所述目标质检规则中的关联质检点对所述关联文本信息进行异常检测;
若所述关联文本信息中存在满足所述目标质检规则中的关联质检点,则在所述关联文本信息中设置与所述关联质检点对应的第二标识,并将携带所述第一标识、所述第二标识的目标服务文本数据确定为目标异常文本。
在一个实施例中,上述处理器1001还可以实现:
获取至少一个服务语音数据,并将所述至少一个服务语音数据中的每个服务语音数据分别转换为服务文本数据,并从转换得到的服务文本数据中选择一个服务文本数据作为目标服务文本数据。
在一个实施例中,上述处理器1001还可以实现:
统计转换得到的所有服务文本数据的目标数量;
若检测到所述目标数量大于备份数量阈值,则将所述所有服务文本数据中超过所述备份数量阈值的服务文本数据进行备份处理。
在一个实施例中,上述处理器1001在执行上述将所述至少一个服务语音数据中的每个服务语音数据分别转换为服务文本数据时,具体执行以下步骤:
从所述至少一个服务语音数据中选择一个服务语音数据作为目标语音数据,并获取所述目标语音数据中的语音频谱特征;
基于所述语音频谱特征、第一识别模型,对所述目标语音数据进行声纹识别,得到所述第一识别模型对应的声纹识别结果;所述声纹识别结果中包含所述语音频谱特征与所述第一识别模型中的多个属性频谱特征之间的匹配度;
根据所述声纹识别结果将与所述语音频谱特征具有最高匹配度的属性频谱特征所关联的标签信息,作为从所述目标语音数据中所识别出的第一角色;
将所述目标语音数据中除所述第一角色之外的剩余角色确定为第二角色,基于控制频率参数、第二识别模型将携带所述第一角色和第二角色的目标语音数据转换为服务文本数据;
当所述至少一个服务语音数据中的每个服务语音数据均被作为目标语音数据时,得到所述每个服务语音数据对应的服务文本数据。
在一个实施例中,上述处理器1001在执行上述从所述目标服务文本数据中获取与所述目标文本信息相关联的关联文本信息,并根据所述目标质检规则中的关联质检点对所述关联文本信息进行异常检测时,具体执行以下步骤:
将所述第一标识对应的目标质检点作为起始检查点,并获取所述目标质检规则对应的检测范围阈值;
将所述起始检查点和所述检测范围阈值之间的文本信息确定为与所述目标文本信息相关联的关联文本信息;
获取目标质检规则中与所述目标质检点具有关联关系的关联质检点,并根据所述关联质检点对所述关联文本信息进行异常检测。
在一个实施例中,上述处理器1001还可以执行:
将所述目标异常文本添加至异常文本数据集,并将所述异常文本数据集中的所有目标异常文本发送至质检终端;
获取所述质检终端基于所有目标异常文本所确定的异常质检点,并基于所述异常质检点对所述目标质检规则进行更新。
在一个实施例中,上述处理器1001还可以执行:
将所述目标异常文本添加至异常文本数据集,获取所述异常文本数据集对应的历史异常文本,并基于所述历史异常文本得到训练样本集;
基于所述训练样本集对所述目标质检规则对应的质检模型进行训练,并对所述质检模型进行更新;更新后的质检模型中携带的异常质检点用于对所述目标质检规则进行更新。
本发明实施例通过获取目标服务文本数据中的目标文本信息,根据目标质检规则确定上述目标文本信息中是否存在目标质检点,若存在,则在上述目标文本信息中设置与目标质检点对应的第一标识,进而可获取与上述目标文本信息相关联的关联文本信息,根据上述目标质检规则确定上述关联文本信息中是否存在关联质检点,若存在,则在上述关联文本信息中设置与关联质检点对应的第二标识,进而可将携带有第一标识与第二标识的目标服务文本数据确定为目标异常文本。因此,在整个质检过程中,可以通过获取到的目标质检规则,从目标服务文本数据中快速找出存在出错的细项,并对这些查找出的细项进行标记,以得到上述第一标识和第二标识,进而可以将携带标记的目标服务文本数据确定为目标异常文本。换言之,由于目标异常文本中携带有第一标识与第二标识,从而有助于后续质检人员可以根据这些标记快速定位出出错的细项,以降低质检人员的工作量,并提高质检效率,且可以通过人工复核中的异常质检点或通过对历史异常文本进行深度学习获得的异常质检点对目标质检规则进行更新,可以提高质检质量。
应当理解,本发明实施例中所描述的数据处理装置1000可执行前文图2至图7任一个所对应实施例中对所述数据处理方法的描述,也可执行前文图8所对应实施例中对所述数据处理装置1的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
此外,这里需要指出的是:本发明实施例还提供了一种计算机存储介质,且所述计算机存储介质中存储有前文提及的数据处理装置1所执行的计算机程序,且所述计算机程序包括程序指令,当所述处理器执行所述程序指令时,能够执行前文图2至图7任一个所对应实施例中对所述数据处理方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本发明所涉及的计算机存储介质实施例中未披露的技术细节,请参照本发明方法实施例的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取目标服务文本数据,从所述目标服务文本数据中获取目标文本信息,并根据目标质检规则中的目标质检点对所述目标文本信息进行异常检测;
若所述目标文本信息中存在满足目标质检规则的目标质检点,则在所述目标文本中设置与所述目标质检点对应的第一标识;
从所述目标服务文本数据中获取与所述目标文本信息相关联的关联文本信息,并根据所述目标质检规则中的关联质检点对所述关联文本信息进行异常检测;
若所述关联文本信息中存在满足所述目标质检规则中的关联质检点,则在所述关联文本信息中设置与所述关联质检点对应的第二标识,并将携带所述第一标识、所述第二标识的目标服务文本数据确定为目标异常文本。
2.根据权利要求1所述的方法,其特征在于,所述获取目标服务文本数据之前,还包括:
获取至少一个服务语音数据,并将所述至少一个服务语音数据中的每个服务语音数据分别转换为服务文本数据,并从转换得到的服务文本数据中选择一个服务文本数据作为目标服务文本数据。
3.根据权利要求2所述的方法,其特征在于,还包括:
统计转换得到的所有服务文本数据的目标数量;
若检测到所述目标数量大于备份数量阈值,则将所述所有服务文本数据中超过所述备份数量阈值的服务文本数据进行备份处理。
4.根据权利要求2所述的方法,其特征在于,所述将所述至少一个服务语音数据中的每个服务语音数据分别转换为服务文本数据,包括:
从所述至少一个服务语音数据中选择一个服务语音数据作为目标语音数据,并获取所述目标语音数据中的语音频谱特征;
基于所述语音频谱特征、第一识别模型,对所述目标语音数据进行声纹识别,得到所述第一识别模型对应的声纹识别结果;所述声纹识别结果中包含所述语音频谱特征与所述第一识别模型中的多个属性频谱特征之间的匹配度;
根据所述声纹识别结果将与所述语音频谱特征具有最高匹配度的属性频谱特征所关联的标签信息,作为从所述目标语音数据中所识别出的第一角色;
将所述目标语音数据中除所述第一角色之外的剩余角色确定为第二角色,基于控制频率参数、第二识别模型将携带所述第一角色和第二角色的目标语音数据转换为服务文本数据;
当所述至少一个服务语音数据中的每个服务语音数据均被作为目标语音数据时,得到所述每个服务语音数据对应的服务文本数据。
5.根据权利要求4所述的方法,其特征在于,所述从所述目标服务文本数据中获取目标文本信息,并根据目标质检规则中的目标质检点对所述目标文本信息进行异常检测,包括:
从所述目标服务文本数据中获取所述第一角色对应的第一文本数据,以及所述第二角色对应的第二文本数据;
从多个质检规则中获取目标质检规则,并将所述第一文本数据和/或所述第二文本数据作为目标文本信息,并从目标质检规则所包含的多个质检点中选取具有最高优先级的质检点作为目标质检点,并基于所述目标质检点对所述目标文本信息进行异常检测。
6.根据权利要求1所述的方法,其特征在于,所述从所述目标服务文本数据中获取与所述目标文本信息相关联的关联文本信息,并根据所述目标质检规则中的关联质检点对所述关联文本信息进行异常检测,包括:
将所述第一标识对应的目标质检点作为起始检查点,并获取所述目标质检规则对应的检测范围阈值;
将所述起始检查点和所述检测范围阈值之间的文本信息确定为与所述目标文本信息相关联的关联文本信息;
获取目标质检规则中与所述目标质检点具有关联关系的关联质检点,并根据所述关联质检点对所述关联文本信息进行异常检测。
7.根据权利要求1所述的方法,其特征在于,还包括:
将所述目标异常文本添加至异常文本数据集,并将所述异常文本数据集中的所有目标异常文本发送至质检终端;
获取所述质检终端基于所有目标异常文本所确定的异常质检点,并基于所述异常质检点对所述目标质检规则进行更新。
8.根据权利要求1所述的方法,其特征在于,还包括:
将所述目标异常文本添加至异常文本数据集,获取所述异常文本数据集对应的历史异常文本,并基于所述历史异常文本得到训练样本集;
基于所述训练样本集对所述目标质检规则对应的质检模型进行训练,并对所述质检模型进行更新;更新后的质检模型中携带的异常质检点用于对所述目标质检规则进行更新。
9.一种数据处理装置,其特征在于,包括:
文本信息获取模块,用于获取目标服务文本数据,从所述目标服务文本数据中获取目标文本信息,并根据目标质检规则中的目标质检点对所述目标文本信息进行异常检测;
第一设置模块,用于若所述目标文本信息中存在满足目标质检规则的目标质检点,则在所述目标文本中设置与所述目标质检点对应的第一标识;
关联信息获取模块,用于从所述目标服务文本数据中获取与所述目标文本信息相关联的关联文本信息,并根据所述目标质检规则中的关联质检点对所述关联文本信息进行异常检测;
第二设置模块,用于若所述关联文本信息中存在满足所述目标质检规则中的关联质检点,则在所述关联文本信息中设置与所述关联质检点对应的第二标识,并将携带所述第一标识、所述第二标识的目标服务文本数据确定为目标异常文本。
10.一种数据处理装置,其特征在于,包括:处理器和存储器;
所述处理器和存储器相连,其中,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910150618.9A CN109902957B (zh) | 2019-02-28 | 2019-02-28 | 一种数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910150618.9A CN109902957B (zh) | 2019-02-28 | 2019-02-28 | 一种数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902957A true CN109902957A (zh) | 2019-06-18 |
CN109902957B CN109902957B (zh) | 2022-12-09 |
Family
ID=66945850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910150618.9A Active CN109902957B (zh) | 2019-02-28 | 2019-02-28 | 一种数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902957B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334639A (zh) * | 2019-06-28 | 2019-10-15 | 北京精英***科技有限公司 | 一种过滤图像分析检测算法的错误检测结果的装置和方法 |
CN110334241A (zh) * | 2019-07-10 | 2019-10-15 | 深圳前海微众银行股份有限公司 | 客服录音的质检方法、装置、设备及计算机可读存储介质 |
CN110413635A (zh) * | 2019-06-20 | 2019-11-05 | 口碑(上海)信息技术有限公司 | 一种数据处理方法以及装置 |
CN110929011A (zh) * | 2019-11-28 | 2020-03-27 | 北京思特奇信息技术股份有限公司 | 一种对话分析方法、装置和设备 |
CN112069161A (zh) * | 2020-09-01 | 2020-12-11 | 上海佰贝科技发展股份有限公司 | 一种数据清洗方法和装置 |
WO2021031505A1 (zh) * | 2019-08-22 | 2021-02-25 | 深圳追一科技有限公司 | 音频标注的检错方法、装置、计算机设备和存储介质 |
CN112507008A (zh) * | 2020-12-02 | 2021-03-16 | 贵州航天云网科技有限公司 | 基于动态接口服务的数据信息资源共享***和方法 |
CN113032266A (zh) * | 2021-03-30 | 2021-06-25 | 北京有竹居网络技术有限公司 | 代码的检验方法、装置、设备及存储介质 |
CN113055537A (zh) * | 2021-04-13 | 2021-06-29 | 上海东普信息科技有限公司 | 客服人员的语音质检方法、装置、设备及存储介质 |
CN113032266B (zh) * | 2021-03-30 | 2024-06-21 | 北京有竹居网络技术有限公司 | 代码的检验方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105187674A (zh) * | 2015-08-14 | 2015-12-23 | 上海银天下科技有限公司 | 服务录音的合规检查方法及装置 |
WO2018109419A1 (fr) * | 2016-12-15 | 2018-06-21 | Orange | Procédé de contrôle d'un signal radio émis par une passerelle, passerelle et programme d'ordinateur correspondants |
CN108737667A (zh) * | 2018-05-03 | 2018-11-02 | 平安科技(深圳)有限公司 | 语音质检方法、装置、计算机设备及存储介质 |
CN108962282A (zh) * | 2018-06-19 | 2018-12-07 | 京北方信息技术股份有限公司 | 语音检测分析方法、装置、计算机设备及存储介质 |
CN109243465A (zh) * | 2018-12-06 | 2019-01-18 | 平安科技(深圳)有限公司 | 声纹认证方法、装置、计算机设备以及存储介质 |
-
2019
- 2019-02-28 CN CN201910150618.9A patent/CN109902957B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105187674A (zh) * | 2015-08-14 | 2015-12-23 | 上海银天下科技有限公司 | 服务录音的合规检查方法及装置 |
WO2018109419A1 (fr) * | 2016-12-15 | 2018-06-21 | Orange | Procédé de contrôle d'un signal radio émis par une passerelle, passerelle et programme d'ordinateur correspondants |
CN108737667A (zh) * | 2018-05-03 | 2018-11-02 | 平安科技(深圳)有限公司 | 语音质检方法、装置、计算机设备及存储介质 |
CN108962282A (zh) * | 2018-06-19 | 2018-12-07 | 京北方信息技术股份有限公司 | 语音检测分析方法、装置、计算机设备及存储介质 |
CN109243465A (zh) * | 2018-12-06 | 2019-01-18 | 平安科技(深圳)有限公司 | 声纹认证方法、装置、计算机设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
钟迎红: "XX银行呼叫中心服务质量管理研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413635A (zh) * | 2019-06-20 | 2019-11-05 | 口碑(上海)信息技术有限公司 | 一种数据处理方法以及装置 |
CN110334639B (zh) * | 2019-06-28 | 2021-08-10 | 北京精英***科技有限公司 | 一种过滤图像分析检测算法的错误检测结果的装置和方法 |
CN110334639A (zh) * | 2019-06-28 | 2019-10-15 | 北京精英***科技有限公司 | 一种过滤图像分析检测算法的错误检测结果的装置和方法 |
CN110334241A (zh) * | 2019-07-10 | 2019-10-15 | 深圳前海微众银行股份有限公司 | 客服录音的质检方法、装置、设备及计算机可读存储介质 |
CN110334241B (zh) * | 2019-07-10 | 2023-08-25 | 深圳前海微众银行股份有限公司 | 客服录音的质检方法、装置、设备及计算机可读存储介质 |
WO2021031505A1 (zh) * | 2019-08-22 | 2021-02-25 | 深圳追一科技有限公司 | 音频标注的检错方法、装置、计算机设备和存储介质 |
CN110929011A (zh) * | 2019-11-28 | 2020-03-27 | 北京思特奇信息技术股份有限公司 | 一种对话分析方法、装置和设备 |
CN112069161A (zh) * | 2020-09-01 | 2020-12-11 | 上海佰贝科技发展股份有限公司 | 一种数据清洗方法和装置 |
CN112069161B (zh) * | 2020-09-01 | 2023-11-03 | 上海佰贝科技发展股份有限公司 | 一种数据清洗方法和装置 |
CN112507008A (zh) * | 2020-12-02 | 2021-03-16 | 贵州航天云网科技有限公司 | 基于动态接口服务的数据信息资源共享***和方法 |
CN112507008B (zh) * | 2020-12-02 | 2022-06-14 | 贵州航天云网科技有限公司 | 基于动态接口服务的数据信息资源共享***和方法 |
CN113032266A (zh) * | 2021-03-30 | 2021-06-25 | 北京有竹居网络技术有限公司 | 代码的检验方法、装置、设备及存储介质 |
CN113032266B (zh) * | 2021-03-30 | 2024-06-21 | 北京有竹居网络技术有限公司 | 代码的检验方法、装置、设备及存储介质 |
CN113055537A (zh) * | 2021-04-13 | 2021-06-29 | 上海东普信息科技有限公司 | 客服人员的语音质检方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109902957B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902957A (zh) | 一种数据处理方法和装置 | |
CN110266899B (zh) | 客户意图的识别方法和客服*** | |
Chen et al. | Codah: An adversarially authored question-answer dataset for common sense | |
CN112365894B (zh) | 基于ai的复合语音交互方法、装置及计算机设备 | |
CN105408891B (zh) | 用于多用户多语言通信的***和方法 | |
CN108428446A (zh) | 语音识别方法和装置 | |
CN109151218A (zh) | 通话语音质检方法、装置、计算机设备及存储介质 | |
CN106407178A (zh) | 一种会话摘要生成方法及装置 | |
CN111241357A (zh) | 对话训练方法、装置、***及存储介质 | |
CA3029707A1 (en) | Automated voice assistant personality selector | |
CN108073976A (zh) | 人机交互***及其人机交互方法 | |
CN113360622B (zh) | 用户对话信息的处理方法、装置及计算机设备 | |
CN109086276B (zh) | 数据翻译方法、装置、终端及存储介质 | |
US20230394247A1 (en) | Human-machine collaborative conversation interaction system and method | |
CN109003600B (zh) | 消息处理方法及装置 | |
CN110489747A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
CN111259124A (zh) | 对话管理方法、装置、***及存储介质 | |
CN114783421A (zh) | 智能推荐方法和装置、设备、介质 | |
CN110428816A (zh) | 一种语音细胞库训练和分享的方法及装置 | |
CN113591463A (zh) | 意图识别方法、装置、电子设备及存储介质 | |
CN113505606A (zh) | 一种培训信息获取方法、装置、电子设备及存储介质 | |
US20220129628A1 (en) | Artificial intelligence system for business processes | |
CN112487817A (zh) | 命名实体识别模型训练方法、样本标注方法、装置及设备 | |
CN111933107A (zh) | 语音识别方法、装置、存储介质和处理器 | |
CN116883888A (zh) | 基于多模态特征融合的银行柜面服务问题溯源***及方法 |
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 |