CN113191882A - 对账提醒方法、装置、电子设备及介质 - Google Patents
对账提醒方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113191882A CN113191882A CN202110568372.4A CN202110568372A CN113191882A CN 113191882 A CN113191882 A CN 113191882A CN 202110568372 A CN202110568372 A CN 202110568372A CN 113191882 A CN113191882 A CN 113191882A
- Authority
- CN
- China
- Prior art keywords
- clients
- call
- outbound
- account checking
- conversation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 54
- 230000015654 memory Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013523 data management Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种对账提醒方法,属于人工智能领域。该方法包括:获取M个客户的联系方式信息;基于所述M个客户的联系方式信息,采用智能语音外呼技术批量化地智能呼叫所述M个客户中的至少一个客户;以及在语音通话接通后使用预置的用于提醒对账的语音与通话对象进行沟通,以提醒客户对账。本公开还提供了一种对账提醒装置、电子设备及计算机可读存储介质。
Description
技术领域
本公开属于人工智能领域,更具体地,涉及一种对账提醒方法、装置、电子设备及介质。
背景技术
企业在接受银行提供的各项金融服务的同时,通常每隔一定时间需要在规定的对账***中核实账务(简称为对账),以确保银行记录的企业的账务信息与企业自身财务***记录的账务信息相平衡。传统的银企对账业务中,通常是银行业务人员通过电话、邮件、短信等方式催促客户对账,耗费大量时间与精力,并且难以保证对账时效。而且,随着业务交易的扩大,人工提醒对账的方式会导致每月需要人工客服完成数百万的外呼提醒任务,占用大量人力物力。
发明内容
有鉴于此,本公开实施例提供了一种将智能外呼与智能语音对话相结合的对账提醒方法、装置、电子设备及介质。
本公开实施例的一个方面提供了一种对账提醒方法。所述方法包括:获取M个客户的联系方式信息,其中M为大于或等于1的整数;基于所述M个客户的联系方式信息,采用智能语音外呼技术批量化地智能呼叫所述M个客户中的至少一个客户;以及在语音通话接通后使用预置的用于提醒对账的语音与通话对象进行沟通,以提醒客户对账。
根据本公开的实施例,所述在语音通话接通后使用预置的用于提醒对账的语音与通话对象进行沟通还包括:在语音通话接通后的每一轮对话中,使用针对本轮对话的场景预置的语音对所述通话对象进行提问,其中,所述本轮对话的场景为预设的N轮对话的场景的其中之一,N为大于1的整数;获取所述通话对象在所述本轮对话中的答复语句;以及利用至少一个智能语音意图识别模型识别所述答复语句中用户语义的意图。其中,针对所述N轮对话中每一轮对话的场景,分别训练有对应的所述智能语音意图识别模型。
根据本公开的实施例,所述利用至少一个智能语音意图识别模型识别所述答复语句中用户语义的意图包括,利用与所述本轮对话的场景对应的所述智能语音意图识别模型来识别所述答复语句中用户语义的意图。
根据本公开的实施例,所述利用至少一个智能语音意图识别模型识别所述答复语句中用户语义的意图包括:利用与所述N轮对话场景一一对应的N个所述智能语音意图识别模型分别对所述答复语句进行语义识别,得到N个语义识别结果;对N个所述语义识别结果根据各自对应的概率进行排序,得到排序结果;以及将所述排序结果中排序最高的所述语义识别结果,作为所述述答复语句中用户语义的意图。
根据本公开的实施例,所述N轮对话的场景包括以下至少之一:客户身份识别对话场景、客户对账意愿识别对话场景、或对账中的问题识别对话场景。
根据本公开的实施例,与每一轮对话的场景对应所述智能语音意图识别模型是通过如下方式训练得到的:对于待训练的对话场景,收集所述待训练的对话场景中使用的对话答复用语,得到语料训练集;设置所述待训练的对话场景中的意图类别;通过如下方式重复多轮训练,直到满足预设的训练终止条件。其中在每一轮训练中以所述语料训练集中的语料信息作为输入,通过所述智能语音意图识别模型将所述语料信息在所述意图类别中进行分类;将分类准确的所述语料信息存储为正样本数据,以及将分类不准确的所述语料信息存储为负样本数据;以及利用所述正样本数据和所述负样本数据进行下一轮训练。
根据本公开的实施例,所述获取M个客户的联系方式信息包括:基于用户操作设置对账过滤条件;以及根据所述对账过滤条件从外呼基础数据中筛选出所述M个客户的信息,其中,所述外呼基础数据为预先生成的用于记录对账外呼客户的信息的数据集;所述M个客户的信息包括所述M个客户的联系方式信息。
根据本公开的实施例,所述基于所述M个客户的联系方式信息,采用智能语音外呼技术批量化地智能呼叫所述M个客户中的至少一个客户包括:基于所述M个客户的联系方式信息,建立外呼任务;以及通过执行所述外呼任务,批量化地智能呼叫所述M个客户中的至少一个客户。
根据本公开的实施例,所述通过执行所述外呼任务,批量化地智能呼叫所述M个客户中的至少一个客户包括:在外呼之前,检查所述M个客户中每个客户当前的对账情况;当所述M个客户中存在已对账完成的客户时,从所述M个客户中剔除已对账完成的客户,并剩余尚未对账的客户;以及执行所述外呼任务,以对M个客户中所述尚未对账的客户进行批量化地智能呼叫。
根据本公开的实施例,所述方法还包括在电话拨打不成功时,根据电话拨打不成功的情形识别所述联系方式信息是否有效。
本公开实施例的另一方面,提供了一种对账提醒装置。所述装置包括获取模块、外呼模块、以及对话模块。所述获取模块用于获取M个客户的联系方式信息,其中M为大于或等于1的整数。所述外呼模块用于基于所述M个客户的联系方式信息,采用智能语音外呼技术批量化地智能呼叫所述M个客户中的至少一个客户。所述对话模块用于在语音通话接通后使用预置的用于提醒对账的语音与通话对象进行沟通,以提醒客户对账。
根据本公开的实施例,所述对话模块包括问答子模块、以及意图识别子模块。所述问答子模块用于在语音通话接通后的N轮对话中的每一轮对话中,使用针对本轮对话的场景预置的语音对所述通话对象进行提问;其中,所述本轮对话的场景为预设的N轮对话的场景的其中之一,N为大于1的整数;以及获取所述通话对象在所述本轮对话中的答复语句。所述意图识别子模块用于利用至少一个智能语音意图识别模型识别所述答复语句中用户语义的意图,其中,针对所述N轮对话中每一轮对话的场景,分别训练有对应的所述智能语音意图识别模型。
根据本公开的实施例,所述意图识别子模块还用于利用与所述本轮对话的场景对应的所述智能语音意图识别模型来识别所述答复语句中用户语义的意图。
根据本公开的实施例,所述意图识别子模块还用于利用与所述N轮对话场景一一对应的N个所述智能语音意图识别模型分别对所述答复语句进行语义识别,得到N个语义识别结果;对N个所述语义识别结果根据各自对应的概率进行排序,得到排序结果;以及将所述排序结果中排序最高的所述语义识别结果,作为所述述答复语句中用户语义的意图。
根据本公开的实施例,所述N轮对话的场景包括以下至少之一:客户身份识别对话场景、客户对账意愿识别对话场景、或对账中的问题识别对话场景。
根据本公开的实施例,所述对话模块还包括模型训练子模块。所述模型训练子模块用于通过如下方式训练得到与每一轮对话的场景对应所述智能语音意图识别模型:对于待训练的对话场景,收集所述待训练的对话场景中使用的对话答复用语,得到语料训练集;设置所述待训练的对话场景中的意图类别;通过如下方式重复多轮训练,直到满足预设的训练终止条件。在每一轮训练中以所述语料训练集中的语料信息作为输入,通过所述智能语音意图识别模型将所述语料信息在所述意图类别中进行分类;将分类准确的所述语料信息存储为正样本数据,以及将分类不准确的所述语料信息存储为负样本数据;以及利用所述正样本数据和所述负样本数据进行下一轮训练。
根据本公开的实施例,所述获取模块包括条件设置子模块、以及筛选子模块。条件设置子模块用于基于用户操作设置对账过滤条件。筛选子模块用于根据所述对账过滤条件从外呼基础数据中筛选出所述M个客户的信息,其中,所述外呼基础数据为预先生成的用于记录对账外呼客户的信息的数据集。所述M个客户的信息包括所述M个客户的联系方式信息。
根据本公开的实施例,所述外呼模块包括任务建立子模块、以及批量外呼子模块。所述任务建立子模块用于基于所述M个客户的联系方式信息,建立外呼任务。所述批量外呼子模块用于通过执行所述外呼任务,批量化地智能呼叫所述M个客户中的至少一个客户。
根据本公开的实施例,所述批量外呼子模块还用于在外呼之前,检查所述M个客户中每个客户当前的对账情况;当所述M个客户中存在已对账完成的客户时,从所述M个客户中剔除已对账完成的客户,并剩余尚未对账的客户;以及执行所述外呼任务,以对M个客户中所述尚未对账的客户进行批量化地智能呼叫。
本公开实施例的另一方面,提供了一种电子设备。所述电子设备包括一个或多个存储器、以及一个或多个处理器。所述存储器存储有可执行指令。所述处理器执行所述可执行指令以实现如上所述的方法。
本公开实施例的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开实施例的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
上述一个或多个实施例具有如下优点或益效果:可以至少部分地节约了大量人工客服的工作量,降低了人力消耗。更进一步地,在对话过程中,利用人工智能模型识别用户意图有助于提高对账提醒成功率。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的对账提醒方法、装置、电子设备及介质的***架构;
图2示意性示出了根据本公开实施例的对账提醒方法的流程图;
图3示意性示出了根据本公开实施例的识别用户语义的意图的流程图;
图4示意性示出了根据本公开实施例的外呼电话后的对话场景示意图;
图5示意性示出了根据本公开一实施例的识别用户语义的意图的流程图;
图6示意性示出了根据本公开实施例的智能语音意图识别模型的训练方法流程图;
图7示意性示出了根据本公开一实施例的对账提醒方法的流程图;
图8示意性示出了根据本公开一实施例的对账提醒***的结构框图;
图9示意性示出了根据本公开一实施例的应用图8所示的***进行对账提醒的流程图;
图10示意性示出了根据本公开一实施例的对账提醒装置的方框图;
图11示意性示出了根据本公开一实施例的对话模块的方框图;以及
图12示意性示出了适于实现根据本公开实施例的对账提醒方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
鉴于传统人工客服提醒对账方式占用银行大量的人力物力,且效率比较低下的问题,本公开的实施例提供了一种将智能外呼与智能语音对话相结合的对账提醒方法、装置、电子设备及介质,采用智能语音外呼技术,代替人工客服进行语音外呼提醒对账,释放人力资源。
根据本公开实施例的方法包括,首先获取M个客户的联系方式信息,其中M为大于或等于1的整数,然后基于M个客户的联系方式信息,采用智能语音外呼技术批量化地智能呼叫M个客户中的至少一个客户,并且在语音通话接通后使用预置的用于提醒对账的语音与通话对象进行沟通,以提醒客户对账。例如,可以预置多轮对话场景的语音,与通话对象进行多轮对话沟通。其中,每轮对话中可以通过识别通话对象的答复语句所表达的意图,来确定下一轮对话的场景,从而通过多轮对话模拟人工客服提醒对账。
需要说明的是,本公开实施例确定的对账提醒方法、装置、电子设备及介质可用于金融领域,也可用于除金融领域之外的任意领域,本公开对应用领域不做限定。
图1示意性示出了根据本公开实施例的对账提醒方法、装置、电子设备及介质的***架构100。需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图1所示,根据该实施例的***架构100可以包括终端设备101、服务器(集群)102、外呼通信网络103、以及客户通话终端104。
终端设备101与服务器(集群)102之间可以通信。处理对账业务的业务人员可以使用终端设备101与服务器(集群)102交互,以接收或发送消息等。
终端设备101上可以安装客户端应用,例如银行管理***、政务类应用、监控类应用、网页浏览器应用、搜索类应用、办公类应用、即时通信工具、邮箱客户端、社交平台软件等应用(仅为示例)。终端设备101可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器(集群)102可以是提供各种服务的服务器或服务器组成的集群,例如对业务人员利用终端设备101所访问的客户对账信息提供管理和支持的后台管理服务器(仅为示例)。
服务器(集群)102可以执行本公开实施例的对账提醒方法。例如,服务器(集群)102可以获取到需要对账提醒的客户信息,并采用智能语音外呼技术,批量化地智能呼叫客户以提醒其对账,然后可以将提醒结果反馈给终端设备101。在智能外呼过程中,服务器(集群)102可以根据每个联系方式所使用的通信服务方式,经由外呼通信网络103中的电话网、互联网、或移动网联系到对应的客户通话终端104,并在语音通话接通后使用预定的语音话术进行通话,从而可以模拟人工客服提醒对账。以此方式,可以极大地降低对账业务中的人力成本开销,可以释放大量的人力资源。
需要说明的是,本公开实施例所提供的对账提醒方法一般可以由服务器(集群)102执行。相应地,本公开实施例所提供的对账提醒装置、电子设备及介质一般可以设置于服务器(集群)102中。本公开实施例所提供的对账提醒方法也可以由不同于服务器(集群)102且能够与终端设备101和/或服务器(集群)102通信的服务器或服务器集群执行。相应地,本公开实施例所提供的对账提醒装置、电子设备及介质也可以设置于不同于服务器(集群)102且能够与终端设备101和/或服务器(集群)102通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下结合图1的***架构为例,对本公开实施例的方法和装置进行示例性说明。
图2示意性示出了根据本公开实施例的对账提醒方法的流程图。
如图2所示,根据本公开实施例的对账提醒方法可以包括操作S210~操作S230。
在操作S210,获取M个客户的联系方式信息,其中M为大于或等于1的整数。例如,业务人员可以通过终端设备101向服务器(集群)102上传需要提醒对账的该M个客户的名单,从而服务器(集群)102可以获取该M个客户的信息,并从业务人员上传的信息或者从数据库中搜索得到该M个客户的联系方式信息。又例如,客户的联系方式等信息可以存储在与服务器(集群)102通信的数据库中,业务人员可以通过终端设备101设置对账过滤条件,服务器(集群)102可以根据对账过滤条件筛查到M个客户的信息。再例如,可以设置对账提醒的触发条件等,服务器(集群)102在达到触发条件时自动获取需要进行对账的M个客户的信息。例如,可以设定对一批客户在每月的某一天某个时间点进行批量提醒,那么当到达该时刻时服务器(集群)102可以自动获取该批客户的联系方式信息。
在操作S220,基于M个客户的联系方式信息,采用智能语音外呼技术批量化地智能呼叫M个客户中的至少一个客户。例如,可以对该M个客户中的全部客户进行呼叫。或者例如也可以对该M个客户进一步筛选后进行智能呼叫;例如分组或分批次呼叫;或者例如,可以再进一步核实了M个客户的对账情况后排除掉已对账的客户,仅对尚未对账的客户进行智能呼叫。
在操作S230,在语音通话接通后使用预置的用于提醒对账的语音与通话对象进行沟通,以提醒客户对账。例如,可以针对多轮对话场景分别预置对应的语音话术,从而可以与通话对象进行多轮对话沟通。在每轮对话中可以通过识别通话对象的答复语句所表达的意图,来选择下一轮对话的场景,以此来模拟人工客服提醒对账。
以此方式,本公开实施例利用智能语音外呼技术提醒客户对账,大大降低了人力运营等成本开销,可以释放大量的人力资源。以外呼十万个电话进行对账提醒为例,假设人工客服拨打电话提醒对账每个电话耗时1分钟,那么总共就需要16667小时才能完成,而本公开实施例的对账提醒方法可以在几分钟内完成该任务。相比之下本公开实施例的方法在较大程度上节约了大量人工客服的工作量,降低了人力消耗,节约了工时,提高了工作效率。
根据本公开的实施例,操作S230中与通话对象进行语音对话的过程中,可以利用人工智能语音识别技术对通话对象的答复语句所表达的意图进行识别,从而可以推进多轮对话,达到有效沟通和提醒对账的目的。
具体地,例如,可以针对通话过程预设N轮对话场景,并且针对N轮对话中每一轮对话的场景,分别训练有对应的智能语音意图识别模型,其中,N可以是大于1的整数。从而,可以在语音通话接通后的每一轮对话中,使用针对本轮对话的场景预置的语音话术进行提问,并获取通话对象在本轮对话中的答复语句,然后利用至少一个训练好的智能语音意图识别模型识别答复语句中用户语义的意图。在一个实施例中,利用至少一个训练好的智能语音意图识别模型识别答复语句中用户语义的意图可以是,在每轮对话中利用与本轮对话的场景对应的智能语音意图识别模型来识别答复语句中用户语义的意图。由于进行提问的语音是根据对话场景设计的,那么提问语音与对话场景就是具有对应关系的,从而根据提问语音的内容就可以确定出本轮对话应使用的智能语音意图识别模型。
在另一个实施例中,利用至少一个训练好的智能语音意图识别模型识别答复语句中用户语义的意图还可以通过如下过程实现;首先利用与N轮对话场景一一对应的N个智能语音意图识别模型分别对答复语句进行语义识别,得到N个语义识别结果;然后对N个语义识别结果根据各自对应的概率进行排序,得到排序结果;接下来将排序结果中排序最高的语义识别结果,作为述答复语句中用户语义的意图。由于通话过程中客户的答复并不一定总是针对提问进行的,所以本公开实施例在识别时使用N个智能语音意图识别模型分别进行识别,然后根据识别结果的概率排序来确定用户意图。
根据本公开的一个实施例,预设的N轮对话的场景可以包括以下至少之一:客户身份识别对话场景、客户对账意愿识别对话场景、或对账中的问题识别对话场景。
以下结合图3~图6,示例性详细描述了将人工智能语音识别技术应用到对话过程的一些实现实例。
图3示意性示出了根据本公开实施例的操作S230中识别用户语义的意图的流程图。
如图3所示,根据该实施例操作S230可以包括操作S331~操作S333。
首先在操作S331,在语音通话接通后的每一轮对话中,使用针对本轮对话的场景预置的的语音对通话对象进行提问。例如,可以预先设置N轮对话场景,并对每种对话场景设置相应的提问内容。
然后在操作S332,获取通话对象在本轮对话中的答复语句。例如,接收通话对象在外呼提问之后的语音。
接下来在操作S333,利用与本轮对话的场景对应的智能语音意图识别模型识别答复语句中用户语义的意图。
根据本公开的实施例,可以针对N轮对话中每一轮对话的场景,分别训练有对应的智能语音意图识别模型。针对每个对话场景,可以基于深度学习、xgboost等算法分别进行模型训练。然后在每一轮对话中,根据提问话术可以确定出对话场景,进而使用本轮对话场景对应的智能语音意图识别模型来识别用户意图,使得对用户语义进行意图识别时更有针对性,可以有效提高客户对账情景下意图识别准确性。以此方式,可以改善识别用户语义时针对性不强、以及对当前用户意图理解容易产生偏差等的问题,进而使得语音外呼更好的适应对账业务提醒场景。
图4示意性示出了根据本公开实施例的外呼电话后的对话场景示意图。
结合图4对图3的实现方法进行进一步示例性说明。
如图4所示的对话场景以分为联系方式识别401、客户身份识别402、对账意愿识别403、以及问题识别404等多个场景。
例如,在联系方式识别401中,外呼后可以根据外呼的情形识别该外呼任务是否有效,包括电话号码是否有效,电话能否接通。其中,在电话拨打不成功时,根据电话拨打不成功的情形识别是联系方式信息无效、还是对方未接通,并进行记录,以方便后续处理。
然后接通后可以进行客户身份识别402。外呼接通后可以使用特定的话术进行提问,然后通过识别通话对象的答复语句的意图,来确认对方是否是号主本人,并且是否是企业的对账人员。
接下来如果是号主本人且是企业的对账人员,可以进行对账意愿识别403。例如,可以通过特定的话术提问,并获取客户答复语句,并识别用户意图,以此来确认通话对象是否愿意通过企业网银、手机银行等渠道进行对账,或者对账过程中是否存在困难或疑问。
当通过用户语义意图识别发现通话对象在对账过程中存在问题时,则进行问题识别404。例如,通过相应的话术提问,然后获取通话对象的答复语句,并通过识别答复意图,来确定通话对象遇到的困难,包括当前不方便,对外呼真实性表示怀疑,投诉,财务人员变更、离职,企业、账户转让,称已经对过账了,不知道需要对账,不清楚对账流程,已经销户了等问题,识别后答复对应的话术。
在图4所示的客户身份识别402、对账意愿识别403、以及问题识别404的场景中,可以使用各自对应的智能语音意图识别模型根据通话对象的答复语句来识别用户语义的意图,可以使对用户意图识别时更有针对性,可以有效提高客户对账情景下意图识别准确性。更进一步的,可以更为真实地模拟人工客服对账提醒方式,给通话对象提供真实流畅的通话体验,可以有效促进客户对账,提高对账率,降低对账成本。
图5示意性示出了根据本公开一实施例的操作S230中识别用户语义的意图的流程图。
如图5所示,根据该实施例操作S230可以包括操作S501~操作S504。
在操作S501,在每一轮对话中接收外呼通话中通话对象的答复语句中的用户语音,并通过语音文本转换技术,将语音信息转换成文本信息。
在操作S502,将操作S501的对话中文本信息转成向量信息。利用分词模型,可以过滤到对账业务相关的关键词。
在操作S503,利用分别针对多个对话场景事先训练好的的智能语音意图识别模型(比如fasttext、transformer等的深度学习识别模型,或者决策树、朴素贝叶斯等识别模型),分别对得到的会话向量信息进行语义识别,获得多个语义识别结果。
在操作S504,对上述多个语义识别结果对应的概率进行排序,将排序最高的语义识别的结果作为用户语义的意图识别结果。每个语义识别结果对应的概率,用来衡量该语义识别结果的准确程度。
本公开实施例在进行意图识别时,可以使用训练好的多个智能语音意图识别模型分别识别用户意图,并对识别结果进行排序,以此得到用户语义意图识别结果。这样使得用户意图识别更具有灵活性,可以避免通话对象的答复并非针对提问进行时会引起模型识别不准确的情形。
图6示意性示出了根据本公开实施例的智能语音意图识别模型的训练方法流程图。
如图6所示,根据本公开实施例的智能语音意图识别模型的训练方法可以包括操作S601~操作S607。
在操作S601,对于待训练的对话场景,收集待训练的对话场景中使用的对话答复用语,得到语料训练集。
在操作S602,设置待训练的对话场景中的意图类别。例如,参考图4所示的客户身份识别402、对账意愿识别403、以及问题识别404的场景,可以将图4中每种场景中所列的情形设置为相应的意图类别。
接下来通过操作S603~操作S606的多轮重复训练,来训练该待训练对话场景的智能语音意图识别模型,直到在操作S605中满足预设的训练终止条件。该预设的训练终止条件例如可以是预定训练次数,或者语音意图识别模型的预测准确度所达到的预设阈值条件。
具体地,在操作S603,在每一轮训练中以语料训练集中的语料信息作为输入,通过智能语音意图识别模型将语料信息在意图类别中进行分类。
然后在操作S604,将分类准确的语料信息存储为正样本数据,以及将分类不准确的语料信息存储为负样本数据。
接着在操作S605,判断是否达到预定训练次数,或者智能语音意图识别模型的预测准确度满足预设阈值条件。若是,则结束训练并执行操作S607。若否,则执行操作S606,进而进行下一轮训练。
在操作S606,利用正样本数据和负样本数据作为下一轮训练的训练数据,然后返回到操作S603。
在操作S607,当训练结束后,输出该待训练的对话场景的智能语音意图识别模型。
每次训练时判断语义识别结果的分类是否准确,准确则将语料信息存储到正样本库中,否则,存储到负样本库中。利用梯度增强算法进行多轮训练,直到取得比较好的效果。
根据本公开的实施例,利用准备好的语料信息作为语料训练集,针对不同的场景可以使用不同的机器学习算法进行意图识别训练,可以取得针对性的对账提醒效果。
图7示意性示出了根据本公开一实施例的对账提醒方法的流程图。
如图7所示,根据本公开实施例的对账提醒方法可以包括操作S701~操作S707。
在操作S701,基于用户操作设置对账过滤条件。
然后在操作S702,根据对账过滤条件从外呼基础数据中筛选出M个客户的信息,其中,外呼基础数据为预先生成的用于记录对账外呼客户的信息的数据集。M个客户的信息包括M个客户的联系方式信息。
接下来在操作S703,基于M个客户的联系方式信息,建立外呼任务。
并在操作S704,通过执行外呼任务,批量化地智能呼叫M个客户中的至少一个客户。在一个实施例中,可以在外呼之前,检查M个客户中每个客户当前的对账情况,当M个客户中存在已对账完成的客户时,从M个客户中剔除已对账完成的客户,并剩余尚未对账的客户,然后执行外呼任务,以对M个客户中尚未对账的客户进行批量化地智能呼叫。
在操作S705,根据语音通话是否拨打成功,对接下来的操作进行区别处理。若拨打成功,则执行操作S706;若没有拨打成功,则执行操作S707。
在操作S706,在语音通话接通后使用预置的用于提醒对账的语音与通话对象进行沟通,以提醒客户对账。具体实现与操作S230一致,可以参考上文关于操作S230的相关描述。
接下来在操作S707,在语音通话拨打不成功时,根据拨打不成功的情形识别联系方式信息是否有效。
根据本公开的实施例,可以记录每次外呼电话的情况,例如每次通话时长、是否接通、接通后客户反馈的问题、外呼过程中遇到的相关问题,并通过联机接口等技术,及时进行数据统计、上报,并与银行的其他***进行交互,互相迭代改进,提升外呼成功率与对账完成率。比如及时反馈失效号码、企业离职人员等异常信息,供业务人员与企业核实,提高智能外呼成功率;或者比如银行的对账***可以统计企业财务人员遇到的困难,比如不知道需要对账,不知道如何对账,通过分析统计对账业务中的痛点信息,业务人员了解到如何推广对账业务,提高对账完成率;再比如可以查询智能语音外呼后企业财务人员是否可以及时对账,统计外呼提醒对每个账号的影响力,更加有针对性的外呼提醒客户。
相比于传统的人工客服提醒方式缺少与银行的对账***等其他***的交互和迭代优化的能力等问题,本公开实施例的方法不仅能够节约人工客服的人力投入,而且还可以与银行其他***集成和交互,收集客户对账遇到的困难,并通过联机接口技术及时反馈给银行的其他***,有助于对账业务的智能化和自动化,提高对账业务的整体效率。
图8示意性示出了根据本公开一实施例的对账提醒***800的结构框图。
如图8所示,根据本公开实施例的对账提醒***800可以包括对账模块801、智能交互模块802、以及智能语音外呼模块803。
对账模块801:分为外呼***基础数据管理子模块811和外呼结果统计查询子模块812两个子模块。
其中,外呼***基础数据管理子模块811支持业务人员维护筛选对账外呼名单,生成外呼基础数据,供查询下载。业务人员提交的对账过滤条件可以包括账号、地区号,账单的起始日期、截止日期、交易币种、账单类型、客户类型等等。
外呼结果统计查询子模块812支持业务人员查询外呼结果明细和统计报表。可以查询每次外呼的耗时,本月成功外呼次数,客户同意对账,不同意对账占比。外呼时遇到的问题统计信息:客户感觉被骚扰,有投诉意向,财务人员已变更,企业已转让,不了解对账流程等各类问题占比。
智能交互模块802:可以通过外呼任务管理来实现接收智能语音外呼数据文件,读取文件内容,获取客户信息,建立外呼任务。在外呼前通过客户对账服务记录核实客户是否已完成对账。对于未完成对账的客户,调用智能语音外呼模块803进行电话外呼。
在外呼通话过程中可以通过外呼场景管理控制外呼通话过程中的对话进行。
外呼结束后,将本次外呼的结果记录和收集统计,并上送给银行管理***等。上送内容包括外呼的日期,通话时长,电话是否接通,客户是否是企业财务人员本人,客户是否同意对账,客户是否有投诉意向等信息。
智能语音外呼模块803:拨打客户电话,根据预先准备好的语音提醒客户对账,同时利用智能语音意图识别模型,智能识别通话对象的意图。根据不同的对话场景来答复与处理。通过自然语音生成对用户进行提问,并通过自然语音理解、和用户意图识别,更精准地推动对话过程的进行,以及及时记录客户在通话过程中的反馈。例如,客户表示不清楚如何对账,可以提示对账流程。客户表示被骚扰,非常不满意,可以标记不再拨打等。
本公开实施例的对账***800可以使业务人员根据对账过滤条件筛选出需要对账的客户信息,并下载智能语音数据文件,然后发送到智能语音外呼模块803,建立智能语音任务,拨打客户电话提醒对账。
图9示意性示出了根据本公开一实施例的应用图8所示的***进行对账提醒的流程图。
如图9所示,根据该实施例的对账提醒方法可以包括步骤S901~步骤S905。
步骤S901:在对账模块801中,业务人员可以灵活话配置对账条件,提交智能语音外呼数据文件下载申请。客户对账***建立生成对应数据文件任务,提供业务人员下载。
步骤S902:在智能交互模块802可以提供客户端,业务人员可以通过客户端下载对应的智能语音数据文件,再度检查筛选是否是需要的外呼数据,将最终文件发送到智能语音外呼模块803。
步骤S903:智能语音外呼模块803读取智能语音数据文件信息,建立外呼任务。并且可以将每一次外呼结果的统计信息反传到对账***中,以方便业务人员及时的掌握业务进度,改进外呼效果。
步骤S904:智能语音外呼模块803与客户交互,智能识别当前的会话中客户的意图,并根据不同的意图采取不同的话术答复客户,提供良好的用户体验。
步骤S905:客户接到提醒后,通过企业网银,手机银行,自助设备等渠道用以客户对账,并将对账情况反馈到对账模块801。以此方式,可以有效促进客户对账,提高对账率、降低对账成本。
图10示意性示出了根据本公开一实施例的对账提醒装置1000的方框图。
如图10所示,根据本公开实施例的对账提醒装置1000可以包括获取模块1010、外呼模块1020、以及对话模块1030。该装置可以用于实现参考图2~图7所描述的对账提醒方法。
获取模块1010用于获取M个客户的联系方式信息,其中M为大于或等于1的整数。在一些实施例中,获取模块1010可以包括条件设置子模块、以及筛选子模块。条件设置子模块用于基于用户操作设置对账过滤条件。筛选子模块用于根据对账过滤条件从外呼基础数据中筛选出M个客户的信息,其中,外呼基础数据为预先生成的用于记录对账外呼客户的信息的数据集。M个客户的信息包括M个客户的联系方式信息。
外呼模块1020用于基于M个客户的联系方式信息,采用智能语音外呼技术批量化地智能呼叫M个客户中的至少一个客户。在一些实施例中,外呼模块1020可以包括任务建立子模块、以及批量外呼子模块。任务建立子模块用于基于M个客户的联系方式信息,建立外呼任务。批量外呼子模块用于通过执行外呼任务,批量化地智能呼叫M个客户中的至少一个客户。
根据本公开的实施例,批量外呼子模块还用于在外呼之前,检查M个客户中每个客户当前的对账情况;当M个客户中存在已对账完成的客户时,从M个客户中剔除已对账完成的客户,并剩余尚未对账的客户;以及执行外呼任务,以对M个客户中尚未对账的客户进行批量化地智能呼叫。
对话模块1030用于在语音通话接通后使用预置的用于提醒对账的语音与通话对象进行沟通,以提醒客户对账。对话模块1030可以在每一轮对话中识别用户的意图,并根据用户的意图进行智能对话。
图11示意性示出了根据本公开一实施例的对话模块1030的方框图。
如图11所示,根据本公开的实施例对话模块1030可以包括问答子模块1031、以及意图识别子模块1032。更进一步的,对话模块1030还可以包括模型训练子模块1033。
问答子模块1031用于在语音通话接通后的N轮对话中的每一轮对话中,使用针对本轮对话的场景预置的语音对通话对象进行提问;其中,本轮对话的场景为预设的N轮对话的场景的其中之一,N为大于1的整数;以及获取通话对象在本轮对话中的答复语句。
意图识别子模块1032用于在语音通话接通后的N轮对话中的每一轮对话中,使用针对本轮对话的场景预置的语音对通话对象进行提问;以及获取通话对象在本轮对话中的答复语句。其中,本轮对话的场景为预设的N轮对话的场景的其中之一,N为大于1的整数。根据本公开的实施例,N轮对话的场景包括以下至少之一:客户身份识别对话场景、客户对账意愿识别对话场景、或对账中的问题识别对话场景。
根据本公开的实施例,意图识别子模块1032还可以用于利用与本轮对话的场景对应的智能语音意图识别模型来识别答复语句中用户语义的意图。
根据本公开的实施例,意图识别子模块1032还可以用于利用与N轮对话场景一一对应的N个智能语音意图识别模型分别对答复语句进行语义识别,得到N个语义识别结果;并对N个语义识别结果根据各自对应的概率进行排序,得到排序结果;然后将排序结果中排序最高的语义识别结果,作为述答复语句中用户语义的意图。
模型训练子模块1033用于通过如下方式训练得到与每一轮对话的场景对应智能语音意图识别模型:对于待训练的对话场景,收集待训练的对话场景中使用的对话答复用语,得到语料训练集;设置待训练的对话场景中的意图类别;重复多轮训练,直到满足预设的训练终止条件。其中,在每一轮训练中以语料训练集中的语料信息作为输入,通过智能语音意图识别模型将语料信息在意图类别中进行分类;将分类准确的语料信息存储为正样本数据,以及将分类不准确的语料信息存储为负样本数据;以及利用正样本数据和负样本数据进行下一轮训练。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,获取模块1010、外呼模块1020、以及对话模块1030中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块1010、外呼模块1020、以及对话模块1030中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块1010、外呼模块1020、以及对话模块1030中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图12示意性示出了适于实现根据本公开实施例的对账提醒方法的电子设备1200的方框图。图12示出的电子设备1200的计算机***仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图12所示,根据本公开实施例的电子设备1200包括处理器1201,其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。处理器1201例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器1201还可以包括用于缓存用途的板载存储器。处理器1201可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1203中,存储有电子设备1200操作所需的各种程序和数据。处理器1201、ROM 1202以及RAM 1203通过总线1204彼此相连。处理器1201通过执行ROM 1202和/或RAM1203中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1202和RAM 1203以外的一个或多个存储器中。处理器1201也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1200还可以包括输入/输出(I/O)接口1205,输入/输出(I/O)接口1205也连接至总线1204。电子设备1200还可以包括连接至I/O接口1205的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1207;包括硬盘等的存储部分1208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被处理器1201执行时,执行本公开实施例的***中限定的上述功能。根据本公开的实施例,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1202和/或RAM 1203和/或ROM 1202和RAM 1203以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的方法。
在该计算机程序被处理器1201执行时,执行本公开实施例的***/装置中限定的上述功能。根据本公开的实施例,上文描述的***、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1209被下载和安装,和/或从可拆卸介质1211被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (13)
1.一种对账提醒方法,包括:
获取M个客户的联系方式信息,其中M为大于或等于1的整数;
基于所述M个客户的联系方式信息,采用智能语音外呼技术批量化地智能呼叫所述M个客户中的至少一个客户;以及
在语音通话接通后使用预置的用于提醒对账的语音与通话对象进行沟通,以提醒客户对账。
2.根据权利要求1所述的方法,其中,所述在语音通话接通后使用预置的用于提醒对账的语音与通话对象进行沟通还包括:
在语音通话接通后的每一轮对话中,
使用针对本轮对话的场景预置的语音对所述通话对象进行提问;其中,所述本轮对话的场景为预设的N轮对话的场景的其中之一,N为大于1的整数;
获取所述通话对象在所述本轮对话中的答复语句;以及
利用至少一个智能语音意图识别模型识别所述答复语句中用户语义的意图;
其中,针对所述N轮对话中每一轮对话的场景,分别训练有对应的所述智能语音意图识别模型。
3.根据权利要求2所述的方法,其中,所述利用至少一个智能语音意图识别模型识别所述答复语句中用户语义的意图包括:
利用与所述本轮对话的场景对应的所述智能语音意图识别模型来识别所述答复语句中用户语义的意图。
4.根据权利要求2所述的方法,其中,所述利用至少一个智能语音意图识别模型识别所述答复语句中用户语义的意图包括:
利用与所述N轮对话场景一一对应的N个所述智能语音意图识别模型分别对所述答复语句进行语义识别,得到N个语义识别结果;
对N个所述语义识别结果根据各自对应的概率进行排序,得到排序结果;以及
将所述排序结果中排序最高的所述语义识别结果,作为所述述答复语句中用户语义的意图。
5.根据权利要求2所述的方法,其中,所述N轮对话的场景包括以下至少之一:
客户身份识别对话场景、客户对账意愿识别对话场景、或对账中的问题识别对话场景。
6.根据权利要求2所述的方法,其中,与每一轮对话的场景对应所述智能语音意图识别模型是通过如下方式训练得到的:
对于待训练的对话场景,收集所述待训练的对话场景中使用的对话答复用语,得到语料训练集;
设置所述待训练的对话场景中的意图类别;
通过如下方式重复多轮训练,直到满足预设的训练终止条件包括:
在每一轮训练中以所述语料训练集中的语料信息作为输入,通过所述智能语音意图识别模型将所述语料信息在所述意图类别中进行分类;
将分类准确的所述语料信息存储为正样本数据,以及将分类不准确的所述语料信息存储为负样本数据;以及
利用所述正样本数据和所述负样本数据进行下一轮训练。
7.根据权利要求1~6任一项所述的方法,其中,所述获取M个客户的联系方式信息包括:
基于用户操作设置对账过滤条件;以及
根据所述对账过滤条件从外呼基础数据中筛选出所述M个客户的信息,其中,所述外呼基础数据为预先生成的用于记录对账外呼客户的信息的数据集;所述M个客户的信息包括所述M个客户的联系方式信息。
8.根据权利要求7所述的方法,其中,所述基于所述M个客户的联系方式信息,采用智能语音外呼技术批量化地智能呼叫所述M个客户中的至少一个客户包括:
基于所述M个客户的联系方式信息,建立外呼任务;以及
通过执行所述外呼任务,批量化地智能呼叫所述M个客户中的至少一个客户。
9.根据权利要求8所述的方法,其中,所述通过执行所述外呼任务,批量化地智能呼叫所述M个客户中的至少一个客户包括:
在外呼之前,检查所述M个客户中每个客户当前的对账情况;
当所述M个客户中存在已对账完成的客户时,从所述M个客户中剔除已对账完成的客户,并剩余尚未对账的客户;以及
执行所述外呼任务,以对M个客户中所述尚未对账的客户进行批量化地智能呼叫。
10.根据权利要求1所述的方法,其中,所述方法还包括:
在电话拨打不成功时,根据电话拨打不成功的情形识别所述联系方式信息是否有效。
11.一种对账提醒装置,包括:
获取模块,用于获取M个客户的联系方式信息,其中M为大于或等于1的整数;
外呼模块,用于基于所述M个客户的联系方式信息,采用智能语音外呼技术批量化地智能呼叫所述M个客户中的至少一个客户;以及
对话模块,用于在语音通话接通后使用预置的用于提醒对账的语音与通话对象进行沟通,以提醒客户对账。
12.一种电子设备,包括:
一个或多个存储器,存储有可执行指令;以及
一个或多个处理器,执行所述可执行指令,以实现根据权利要求1~10中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110568372.4A CN113191882A (zh) | 2021-05-24 | 2021-05-24 | 对账提醒方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110568372.4A CN113191882A (zh) | 2021-05-24 | 2021-05-24 | 对账提醒方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191882A true CN113191882A (zh) | 2021-07-30 |
Family
ID=76985149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110568372.4A Pending CN113191882A (zh) | 2021-05-24 | 2021-05-24 | 对账提醒方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191882A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111464707A (zh) * | 2020-03-30 | 2020-07-28 | 中国建设银行股份有限公司 | 外呼处理方法、装置及*** |
CN111597320A (zh) * | 2020-05-26 | 2020-08-28 | 成都晓多科技有限公司 | 基于层次分类的意图识别装置、方法、设备及存储介质 |
CN111949784A (zh) * | 2020-08-14 | 2020-11-17 | 中国工商银行股份有限公司 | 基于意图识别的外呼方法及装置 |
CN112188017A (zh) * | 2020-08-24 | 2021-01-05 | 维知科技张家口有限责任公司 | 信息交互方法及信息交互***、处理设备、存储介质 |
CN112559720A (zh) * | 2020-12-25 | 2021-03-26 | 安徽迪科数金科技有限公司 | 基于人工智能的机器人催收话术优化方法及*** |
CN112732911A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技(深圳)有限公司 | 基于语义识别的话术推荐方法、装置、设备及存储介质 |
-
2021
- 2021-05-24 CN CN202110568372.4A patent/CN113191882A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111464707A (zh) * | 2020-03-30 | 2020-07-28 | 中国建设银行股份有限公司 | 外呼处理方法、装置及*** |
CN111597320A (zh) * | 2020-05-26 | 2020-08-28 | 成都晓多科技有限公司 | 基于层次分类的意图识别装置、方法、设备及存储介质 |
CN111949784A (zh) * | 2020-08-14 | 2020-11-17 | 中国工商银行股份有限公司 | 基于意图识别的外呼方法及装置 |
CN112188017A (zh) * | 2020-08-24 | 2021-01-05 | 维知科技张家口有限责任公司 | 信息交互方法及信息交互***、处理设备、存储介质 |
CN112559720A (zh) * | 2020-12-25 | 2021-03-26 | 安徽迪科数金科技有限公司 | 基于人工智能的机器人催收话术优化方法及*** |
CN112732911A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技(深圳)有限公司 | 基于语义识别的话术推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11956187B2 (en) | Natural language processing for information extraction | |
US10599644B2 (en) | System and method for managing artificial conversational entities enhanced by social knowledge | |
CN109514586B (zh) | 实现智能客服机器人的方法及*** | |
CN109960723B (zh) | 一种用于心理机器人的交互***及方法 | |
US11880666B2 (en) | Generating conversation descriptions using neural networks | |
CN112434501B (zh) | 工单智能生成的方法、装置、电子设备及介质 | |
CN110493019A (zh) | 会议纪要的自动生成方法、装置、设备及存储介质 | |
CN111182162A (zh) | 基于人工智能的电话质检方法、装置、设备和存储介质 | |
CN112131358A (zh) | 场景流程结构及所应用的智能客服*** | |
CN112925888A (zh) | 一种问答响应及小样本文本匹配模型的训练方法和装置 | |
CN113159901A (zh) | 融资租赁业务会话的实现方法和装置 | |
CN113065850B (zh) | 用于智能外呼机器人的话术测试方法及装置 | |
CN111159378B (zh) | 对问题描述信息进行分类的方法及装置 | |
CN112801721A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
CN113191882A (zh) | 对账提醒方法、装置、电子设备及介质 | |
CN113111157B (zh) | 问答处理方法、装置、计算机设备和存储介质 | |
CN110046233A (zh) | 问题派发方法及装置 | |
CN110765242A (zh) | 一种客服信息的提供方法,装置及*** | |
Kask et al. | Augmenting Digital Customer Touchpoints-Best Practices for Transforming Customer Experience Through Conversational AI | |
CN114020896A (zh) | 一种智能问答方法、***、电子设备及存储介质 | |
CN112820316A (zh) | 一种智能客服的对话方法和*** | |
CN113556430A (zh) | 外呼***和外呼方法 | |
CN115129847B (zh) | 智能回答方法及装置 | |
CN116933800B (zh) | 一种基于模版的生成式意图识别方法及装置 | |
CN116431779B (zh) | 法律领域faq问答的匹配方法、装置、存储介质及电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |