CN117332066B - 一种基于大模型的智能坐席文本处理方法 - Google Patents
一种基于大模型的智能坐席文本处理方法 Download PDFInfo
- Publication number
- CN117332066B CN117332066B CN202311402059.9A CN202311402059A CN117332066B CN 117332066 B CN117332066 B CN 117332066B CN 202311402059 A CN202311402059 A CN 202311402059A CN 117332066 B CN117332066 B CN 117332066B
- Authority
- CN
- China
- Prior art keywords
- customer service
- task
- professional
- processing
- field
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 89
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 230000008451 emotion Effects 0.000 claims description 37
- 239000003795 chemical substances by application Substances 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 17
- 238000013441 quality evaluation Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 230000005587 bubbling Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000005012 migration Effects 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于大模型的智能坐席文本处理方法，属于文本处理技术领域，包括步骤：对用户提问的问题进行分解；获取问题复杂度评估值和问题属性，对任务类型进行分类；根据问题类型，确定问题的专业领域；将问题的专业领域与坐席智能客服的专业领域进行匹配；根据领域匹配度评估值和客服繁忙度进行任务分配；根据客服的历史表现、培训记录和用户评价数据，判断客服的能力是否符合任务需求；根据问题复杂度对任务进行分解成多个子问题；根据子问题的紧急程度和重要性，确定任务的优先级进行处理，得到最终解决方案。本发明通过分析用户问题以及客服条件选择适合处理用户问题的客服，提高了客户服务的效率以及满意度。
Description
技术领域
本发明属于文本处理技术领域，具体涉及一种基于大模型的智能坐席文本处理方法。
背景技术
随着互联网的普及和人们生活水平的提高，客户服务的需求日益增长。传统的客服解决方案往往依赖于人工干预，效率低下且容易受到客服人员个人能力、经验和情绪的影响。传统坐席客服，客服工作压力较大，无法根据客服工作强度合理分配任务；难以及时发现恶意提问，浪费服务时间；难以判断客服工作能力和专业领域，不能根据客服领域针对性解决问题；提问不能分析提问难度，不能根据问题紧急度分配客服；同时，面对客户提问，往往是先分配人工客服，客服人工判断客户提问方向，再联系对应区域客服人员，效率较低。
发明内容
为解决现有技术中存在的上述问题，本发明提供了一种基于大模型的智能坐席文本处理方法，通过分析用户问题以及客服条件选择适合处理用户问题的客服，提高了客户服务的效率以及满意度。
本发明的目的可以通过以下技术方案实现：
一种基于大模型的智能坐席文本处理方法，包括以下步骤：
S1、使用大语言模型ChatGLM，对用户提问的问题进行分解，判断客户问题的属性、分析用户提问的情感色彩、识别用户提问的意图和信息需求，标注问题中的关键词；
S2、根据问题属性，获取问题类型和复杂度评估值，综合问题类型、紧急程度、专业词汇量和专业问题属性，确定问题的复杂度；其中，问题类型包括专业售后问题、技术支持问题和复杂关系问题；
S3、根据问题的类型，获取用户提问的领域信息，判断是否是恶意客户的问题攻击和恶意引导，如果不是恶意错误引导，通过与专业领域知识库进行比对，确定问题的专业领域；
S4、获取坐席智能客服专业领域，将问题的专业领域与坐席智能客服的专业领域进行比对，得到领域匹配度评估值；
S5、根据领域匹配度评估值以及客服繁忙度，将任务分配给合适的客服；
S6、分配任务后，根据客服的历史表现、培训记录和用户评价数据，判断客服的能力是否符合任务需求；
S7、根据问题复杂度对任务进行分解，得到更适合客服知识领域的多个子问题；
S8、根据子问题的紧急程度和重要性，确定任务的优先级进行处理，得到最终解决方案。
进一步地，所述步骤S1中，问题的属性包括帮助、建议和投诉；其中，分析用户提问的情感色彩采用LSTM模型。
进一步地，所述步骤S2中，问题类型的判定包括：
若问题包括产品型号、购买日期和保修状态属性，则判断为专业售后问题；若问题包括操作***、软件版本、设备型号和网络环境属性，则判断为技术支持问题；若问题包括人员身份、工作职责和团队组织结构属性，则判断为复杂关系问题。
进一步地，所述步骤S2中，复杂度评估值的确定具体包括以下步骤：
根据问题描述和历史记录，判断是否存在短时间内大量相同问题，如果存在，记录相同问题的数量和频率，提问数高于预设数量值判断为紧急问题，如果是紧急问题，记录问题的紧急程度和需要的解决时间；
通过问题描述和相关文档，确定问题中是否涉及大量专业术语和领域特定的知识，根据问题中涉及的专业词汇量、问题描述和相关知识，判断问题是否属于专业问题，如果是专业问题，记录问题的专业性和需要的专业技术人员参与程度。
进一步地，所述步骤S3，具体包括以下步骤：
使用TF-IDF文本分类算法，获得问题具体类别和用户提问领域信息；使用DFA算法对敏感词进行检测，判断问题内容中是否包含恶意信息或引导性关键词，若检测到恶意信息或引导性关键词，则标记为恶意行为；使用倒排索引的信息检索，从领域知识库中获取与问题相关的专业领域内容；采用余弦相似度计算问题与知识库内容的匹配度；使用TF-IDF文本分类算法配合向量机，对问题进行标注并与领域知识库中的数据标签进行比对；根据领域知识库中的数据标签比对结果，使用阈值判断方法确定问题是否在某一专业领域内；将问题与知识库内容进行比对，筛选出最匹配的答案，并返回给用户；
具体的，判断问题内容中是否包含恶意引导采用朴素贝叶斯结合Adaboost算法分析问题的情感，使用训练好的朴素贝叶斯分类器和Adaboost分类器，对待分析的问题进行情感分类，通过比较问题的情感类别和恶意引导相关属性的特征匹配程度，得出问题的情感类别和是否包含恶意引导的判断结果；
具体的，确定问题的专业领域采用BERT模型，将问题文本输入到训练好的模型中，获取BERT的分类结果，将新的问题文本与知识库中的每个条目进行语义匹配，将问题文本和知识库条目输入到BERT模型中，获取BERT的输出表示，然后使用余弦相似度计算问题文本与知识库条目的相似度，并选取相似度最高的条目作为匹配结果。
进一步地，所述步骤S4中，获取坐席智能客服专业领域的步骤包括：
通过记录坐席客服对客户问题的处理记录，获取坐席客服处理销售问题、售后问题和技术支持问题的数量；根据产品或服务质量评价、交付准时率、售后服务质量评价、客户反馈和投诉处理情况属性，综合评估客户满意度；通过坐席客服在处理销售问题、售后问题和技术支持方面的表现，包括处理复杂问题能力、响应速度、沟通技巧，判断坐席客服处理能力；根据坐席客服处理数量，客户满意度和处理能力判断其专业领域；
获取领域匹配度评估值的步骤包括：
获取问题描述中的关键词和语义，通过分析问题描述中的关键词和语义，初步判断问题所涉及的专业领域；构建坐席智能客服的知识库，包含各个专业领域的相关知识和解决方案；使用向量空间模型匹配算法，将问题与知识库中的数据进行匹配，得到匹配结果，根据匹配结果将问题分配到相应的专业领域；根据各个专业领域的相关信息和专业坐席客服建立领域专业坐席客服库，使用向量空间模型匹配算法，将问题与坐席客服的专业领域进行匹配；使用余弦相似度计算问题的专业领域与坐席智能客服的专业领域的相似度，得到领域匹配度评估值。
进一步地，所述步骤S5中，任务分配包括以下步骤：
通过考察客服的工作负荷、处理的任务数和时间，判断客服当前的工作量和忙碌程度；通过客服的工作经验、解决问题的速度和质量，评估客服处理任务的能力和效率；通过客服的工作时间、休假和离岗，确定客服是否可用于处理任务；采用加权平均法，综合客服的工作负荷、处理的任务数和时间，客服工作经验、解决问题的速度和质量，获取客服的可用度评分；
根据任务的截止时间、重要性和对客户的影响，判断任务的紧急程度，并根据任务紧急程度，对任务处理的优先度进行排序；根据任务处理的优先度排序顺序，将任务分配给领域匹配度高于预设匹配度，可用度评分高于预设评分的客服。
进一步地，所述步骤S7中，任务分解包括以下步骤：
当客户提出的问题存在多种可能的答案或解决方法、需要运用多个领域的知识才能解决以及问题中存在模糊的信息或不完整的条件时，需要通过进一步的询问或调研来获取更多信息，判断为复杂任务；获取复杂任务包含的专业领域，包括产品知识、技术知识、行业知识领域；根据任务包含的领域，对复杂任务进行分解，根据分解后的领域，生成更适合客服知识领域的多个子问题。
进一步地，所述步骤S8包括以下步骤：
根据紧急程度和重要性分配任务权重，根据简单分权法对子问题对应的任务生成一个综合评分；根据综合评分，使用冒泡排序算法确定每个任务的初步优先级；根据所有任务的初步优先级，使用优先队列方法确定最终任务优先级；根据最终任务优先级，选择对应的分支限界算法解决策略；使用选择的算法，对任务进行具体的处理和操作；根据处理结果，验证任务是否已完成；若任务未完成，重新计算综合评分和确定优先级；根据所有任务的处理结果，得到最终的解决方案。
本发明的有益效果为：
本发明结合TF-IDF得分算法，提取关键词，通过余弦相似度方法，确定提问与知识库中各条目的匹配度以及使用基于语言大模型的NLP敏感词检测技术，判断问题内容中是否包含恶意信息或引导性关键词。根据子问题的紧急程度和重要性，确定任务的优先级进行处理，并且把问题对应到知识领域最合适的客服上。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明文本处理方法的步骤示意图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。
请参阅图1，一种基于大模型的智能坐席文本处理方法，包括以下步骤：
S1、使用大语言模型ChatGLM，对用户提问的问题进行分解，获取客户提问目的。
将用户提问的问题输入大语言模型ChatGLM，对用户提问的问题进行分解，获取客户提问的目的，判断问题的属性，包括帮助、建议、投诉；将用户问题输入LSTM神经网络进行情感分析，分析客户提问的情感色彩；识别客户提问的意图，确定提问目的；识别信息需求，识别客户提问需要的信息需求；识别问题类型，确定客户提问的问题类型；确定客户提问的重点词汇和短语；结合具体场景进行调整，以提高分类准确率和分类效果。
例如，电信坐席***需要对用户提问的问题进行分析和分类。电信在线客服收到用户提问：我想了解一下如何办理电话卡。使用大语言模型ChatGLM对这个问题进行分解。首先，确定用户提问的目的是什么，即判断问题的属性。可以通过训练大语言模型ChatGLM，将用户提问分为帮助、建议和投诉三类。模型识别出该用户提问的目的是帮助。接下来，可以使用LSTM神经网络进行情感分析，以分析用户提问的情感色彩。将用户提问作为输入，通过LSTM模型得到情感得分。假设该用户提问的情感得分为8，表示用户提问带有积极情感。然后，识别用户提问的意图，以确定提问的目的，识别出该用户提问的意图是办理电话卡。使用信息需求识别方法，确定用户提问需要哪些信息，识别出该用户提问的信息需求是办理流程。同时，使用问题类型识别方法，确定用户提问的问题类型，识别出该用户提问的问题类型是如何。最后，对用户提问进行槽位标注，以确定重点词汇和短语。使用自然语言处理技术，识别出用户提问中的关键词和短语，包括办理、电话卡。
S2、根据问题属性，获取问题的具体类别和复杂度评估值。
根据问题属性，将问题分为三类：专业售后问题、技术支持问题和复杂关系问题。若问题包括产品型号、购买日期、保修状态属性，则判断为专业售后问题；若问题包括操作***、软件版本、设备型号和网络环境属性，则判断为技术支持问题；若问题包括人员身份、工作职责和团队组织结构属性，则判断为复杂关系问题。
对于专业售后问题，可以分为简单售后任务、一般售后任务和复杂售后任务；对于技术支持问题，可以分为简单技术支持任务、一般技术支持任务和复杂技术支持任务；对于复杂关系问题，可以分为简单关系问题、一般关系问题和复杂关系问题。
根据问题描述和历史记录，判断是否存在短时间内大量相同问题。如果存在，记录相同问题的数量和频率，提问数高于预设数量值判断为紧急问题。如果是紧急问题，记录问题的紧急程度和需要的解决时间。通过问题描述和相关文档，确定问题中是否涉及大量专业术语和领域特定的知识。根据问题中涉及的专业词汇量、问题描述和相关知识，判断问题是否属于专业问题。如果是专业问题，记录问题的专业性和需要的专业技术人员参与程度。综合问题类型、紧急程度、专业词汇量和专业问题属性，确定问题的复杂度。
例如，有一个问题描述如下：我家附近正在下大雨，我无法连接移动网络，电话费充足，流量充足，重启手机后依旧无法连接，请问怎么连接移动网络，是基站出问题了吗？根据问题描述，可以判断这是一个技术问题，因为用户遇到了网络连接上的困难。根据历史记录，如果发现有多个用户在短时间内遇到相同的网络连接问题，那么就可以判断存在大量相同问题。最近一天内共收到400个关于网络连接的反馈，超过了预设的数量值，判断为紧急问题。进一步分析问题描述，如果发现用户在描述问题时提及到了很多专业术语，包括重启手机、基站，那么可以判断这是一个专业问题，需要专业技术人员的参与。综合问题类型、紧急程度、专业词汇量和专业问题属性，确定这个问题可以判断为技术问题、紧急程度为高、涉及到专业术语和需要专业技术人员参与，因此判断这个问题的复杂度为高。
S3、根据问题的类型，获取用户提问的领域信息，判断是否是恶意客户的问题攻击和恶意引导，如果不是恶意错误引导，通过与专业领域知识库进行比对，确定问题的专业领域。
使用TF-IDF文本分类算法，获得问题具体类别和用户提问领域信息。使用DFA算法对敏感词进行检测，判断问题内容中是否包含恶意信息或引导性关键词。若检测到恶意信息或引导性关键词，则标记为恶意行为。使用倒排索引的信息检索，从领域知识库中获取与问题相关的专业领域内容。采用余弦相似度计算问题与知识库内容的匹配度。使用TF-IDF文本分类算法配合向量机，对问题进行标注并与领域知识库中的数据标签进行比对。根据领域知识库中的数据标签比对结果，使用阈值判断方法确定问题是否在某一专业领域内。将问题与知识库内容进行比对，筛选出最匹配的答案，并返回给用户。
使用朴素贝叶斯结合Adaboost算法分析问题情感，判断问题是否包含恶意引导。
根据需求收集一定量的带有标签的问题和对应的情感类别，以及恶意引导的相关属性数据。采用TF-IDF将问题文本转化为向量表示的特征。通过朴素贝叶斯算法对提取的特征向量和对应的情感类别进行训练，得到朴素贝叶斯分类器。使用Adaboost算法，初始化样本权重并进行多轮训练，每轮根据上一轮的分类结果调整样本权重，并训练出多个弱分类器，根据样本权重组合弱分类器得到强分类器。
根据问题中的文本特征和恶意引导相关属性进行特征选择，分析它们之间的关联性，选择与恶意引导相关的特征。使用训练好的朴素贝叶斯分类器和Adaboost分类器，对待分析的问题进行情感分类，并判断问题是否包含恶意引导。通过比较问题的情感类别和恶意引导相关属性的特征匹配程度，得出问题的情感类别和是否包含恶意引导的判断结果。
例如，需要构建一个情感分类器，用于判断问题的情感类别包括积极、中性、消极，以及判断问题是否包含恶意引导。收集了100个带有标签的问题样本，并标注它们的情感类别和恶意引导属性。首先，使用TF-IDF算法将问题文本转化为向量表示的特征。选择了1000个关键词作为特征词汇，在每个问题文本中计算每个特征词汇的TF-IDF值，得到一个100维的特征向量表示。接下来，使用朴素贝叶斯算法对提取的特征向量和对应的情感类别进行训练。训练集的情感类别分布如下，积极类别30个样本、中性类别40个样本、消极类别30个样本。根据朴素贝叶斯算法的原理，可以计算每个情感类别下，每个特征在该类别中的条件概率。对于某个特征词汇还行，在积极类别中出现的次数为25次，在中性类别中出现的次数为10次，在消极类别中出现的次数为5次。则在训练时，可以计算出该特征词汇在积极、中性、消极类别下的条件概率分别为62.5％、25％、12.5％。然后，使用Adaboost算法对特征向量和情感类别进行多轮训练，每轮根据上一轮的分类结果调整样本权重，并训练出多个弱分类器。进行了5轮训练，每轮训练得到一个弱分类器，结合弱分类器得到一篇强分类器。接着，进行特征选择，分析问题中的文本特征和恶意引导相关属性之间的关联性。发现在所有问题中，包含特征词汇不行的问题往往具有恶意引导属性。选择与恶意引导相关的特征词汇作为重要特征。最后，使用训练好的朴素贝叶斯分类器和Adaboost分类器，对待分析的问题进行情感分类。对于一个待分析的问题：这产品根本用不了，经过特征提取和分类器判断，可以得到情感类别为消极。通过比较问题的情感类别和恶意引导相关属性的特征匹配程度，可以得出问题的情感类别和是否包含恶意引导的判断结果。如果一个问题被判断为积极类别，但同时包含恶意引导相关的特征词汇，那么可以怀疑该问题。
使用BERT的预训练模型，对问题进行分类，确定问题的专业领域。
根据业务领域的特点，准备问题分类的训练数据集和知识库数据集。对训练数据集进行标注，将每个问题与对应的分类标签关联起来。确定知识库数据集的格式，包括常见问题和对应的答案。使用BERT的预训练模型来训练问题分类模型，通过输入问题的文本到BERT模型中，获取BERT的输出表示，将BERT的输出表示输入全连接层进行分类，利用交叉熵损失函数进行模型训练和参数优化。输入新的问题文本到已经训练好的问题分类模型中，获取BERT的输出，并将其输入到已经训练好的分类器中。判断问题所属的分类，并输出分类结果。将新的问题文本与知识库中的每个条目进行语义匹配。通过输入问题文本和知识库条目到BERT模型中，获取BERT的输出表示。使用余弦相似度计算问题文本与知识库条目的相似度，选取相似度最高的条目作为匹配结果。使用验证数据集对模型进行评估，计算问题分类的准确度和知识库匹配的准确度。根据评估结果进行模型调优和改进，提高模型的性能。
S4、获取坐席智能客服专业领域，将问题的专业领域与坐席智能客服的专业领域进行比对，得到领域匹配度评估值。
获取问题描述中的关键词和语义，通过分析问题描述中的关键词和语义，初步判断问题所涉及的专业领域。构建坐席智能客服的知识库，包含各个专业领域的相关知识和解决方案。使用向量空间模型匹配算法，将问题与知识库中的数据进行匹配，得到匹配结果，根据匹配结果将问题分配到相应的专业领域。根据各个专业领域的相关信息和专业坐席客服建立领域专业坐席客服库，使用向量空间模型匹配算法，将问题与坐席客服的专业领域进行匹配。使用余弦相似度计算问题与坐席智能客服的专业领域的相似度，得到领域匹配度评估值。
例如，问题描述为，我想了解如何中国电信营业厅APP上更换套餐，关键词为中国电信营业厅APP、更换、套餐，语义为如何中国电信营业厅APP上更换套餐。通过分析问题描述中的关键词和语义，可以初步判断问题所涉及的专业领域为套餐迁改。套餐迁改领域的知识库中包含如何更换套餐和常见问题解答等内容。使用向量空间模型匹配算法，从问题中提取到实体中国电信营业厅APP、更换、套餐，从每个实体中提取特征，并构建特征矩阵。使用FLANN匹配算法，根据业务需求，基于距离或特征属性设定权重来指示匹配的相似度，将问题描述中的关键词中国电信营业厅APP、更换、套餐与知识库中的相关数据进行匹配，得到匹配结果为95％。根据匹配结果将问题分配到相应的专业领域，即套餐迁改领域。套餐迁改领域的坐席客服库中包含专业能解答更换套餐的客服信息。使用向量空间模型匹配算法，将问题描述中的关键词中国电信营业厅APP、更换、套餐与套餐迁改领域的坐席客服专业范围进行匹配，得到匹配结果为80％。使用余弦相似度计算问题与坐席智能客服的专业领域的相似度，得到领域匹配度评估值为8。
通过坐席客服处理记录，获取坐席客服的专业领域。
通过记录坐席客服对客户问题的处理记录，获取坐席客服处理销售问题、售后问题和技术支持问题的数量。根据产品或服务质量评价、交付准时率、售后服务质量评价、客户反馈和投诉处理情况属性，综合评估客户满意度；通过坐席客服在处理销售问题、售后问题和技术支持方面的表现，包括处理复杂问题能力、响应速度、沟通技巧，判断坐席客服处理能力。根据坐席客服处理数量，客户满意度和处理能力判断其专业领域。
例如，通过记录坐席客服对客户问题的处理记录，可以得到每个坐席客服处理的销售问题、售后问题和技术支持问题的数量。某坐席客服在过去一个月处理了50个销售问题、30个售后问题和20个技术支持问题。计算坐席客服在销售问题处理方面的表现，可以根据产品或服务质量评价属性进行评估。销售问题客户咨询后下单次数为10，售前服务的满意度评价为3分，则该坐席客服在销售问题处理方面得分为10*3＝30分。评估坐席客服在售后问题处理方面的能力，可以参考售后服务质量评价属性。售后问题中客户对售后服务的满意度评价为4分，则该坐席客服在售后问题处理方面得分为30*4＝120分。判断坐席客服在技术支持方面的处理能力，可以考虑客户反馈和投诉处理情况属性。技术支持问题中客户的反馈评价为5分，则该坐席客服在技术支持问题处理方面得分为20*5＝100分。综合评估客户满意度时，可以根据客户满意度属性进行计算。客户满意度评价为80％，则综合评估得分为(30+120+100)/3*0.8＝67分。综上所述，该坐席客服在销售问题处理方面得分为30分，售后问题处理方面得分为120分，技术支持问题处理方面得分为100分，综合评估得分为67分。可以判断该坐席客服在售后问题处理方面的能力较强，而在销售问题处理方面稍有不足，但整体表现还是较好的。
S5、根据领域匹配度评估值以及客服繁忙度，对客服分配任务。
通过评估客服的专业技能、知识和经验，确定其在处理特定任务领域时的匹配程度。通过考察客服的工作负荷、处理的任务数和时间，来判断客服当前的工作量和忙碌程度；通过客服的工作经验、解决问题的速度和质量，来评估客服处理任务的能力和效率。通过客服的工作时间、休假和离岗，确定客服是否可用于处理任务。采用加权平均法，综合客服的工作负荷、处理的任务数和时间，客服工作经验、解决问题的速度和质量，得到客服的可用度评分。根据任务的截止时间、重要性和对客户的影响，判断任务的紧急程度，并根据任务紧急程度，对任务处理的优先度进行排序。根据任务处理的优先度排序顺序，将任务分配给领域匹配度高于预设匹配度，可用度评分高于预设评分的客服。
例如，电信坐席负责处理来自客户的投诉和问题。评估客服的专业技能、知识和经验，可以根据他们在相关领域的培训和认证情况来确定。客服A有3年的相关工作经验，并拥有相关领域的认证，而客服B只有1年的工作经验，没有相关领域的认证。则客服A在处理特定任务领域时的匹配程度较高。为了判断客服当前的工作量和忙碌程度，可以考察他们的工作负荷、处理的任务数和时间。客服A每天平均处理10个任务，每个任务花费的时间为30分钟，而客服B每天处理5个任务，每个任务花费的时间为45分钟。判断客服A当前的工作量较大，忙碌程度较高。评估客服处理任务的能力和效率，可以考察他们的工作经验、解决问题的速度和质量。客服A平均每个任务解决时间为20分钟，解决问题的质量得到客户的满意度评分为90/100，而客服B平均每个任务解决时间为25分钟，解决问题的质量得到客户的满意度评分为80/100。评估客服A处理任务的能力和效率较高。为了确定客服是否可用于处理任务，可以考察他们的工作时间、休假和离岗情况。客服A每周工作5天，每天工作8小时，没有休假和离岗记录，而客服B每周工作4天，每天工作6小时，有一次休假记录。确定客服A可用于处理任务的时间较长。综合客服的工作负荷、处理的任务数和时间，工作经验、解决问题的速度和质量，可以得到客服的可用度评分。采用加权平均法，客服A的可用度评分为80/100，客服B的可用度评分为70/100。根据任务的截止时间、重要性和对客户的影响，可以判断任务的紧急程度。任务1的截止时间为明天，重要性评级为高，对客户的影响为关键，而任务2的截止时间为下周，重要性评级为中，对客户的影响为一般。则任务1的紧急程度较高。根据任务处理的优先度排序顺序，将任务分配给领域匹配度高于预设匹配度，可用度评分高于预设评分的客服。客服A对任务1的领域匹配度预设为80/100，可用度评分预设为75/100，客服B对任务1的领域匹配度预设为70/100，可用度评分预设为60/100。客服A对任务2的领域匹配度预设为80/100，可用度评分预设为75/100，客服B对任务2的领域匹配度预设为75/100，可用度评分预设为70/100。根据任务优先级，先分配任务1，任务1预设匹配度为65/100，客服A客服B领域匹配度均高于预设匹配度，客服A对任务1的领域匹配度和可用度评分高于客服B，则任务1应该分配给客服A，客服A可用度变为0/100；分配任务2，任务2预设匹配度为60/100，客服A客服B领域匹配度均高于预设匹配度，客服B可用度高于客服A可用度，将任务2分配给客服B。
根据客服的专业领域、处理速度和当前负荷因素，确定任务分配给合适的客服。
获取每位客服的专业领域标签。通过***日志，确定每位客服的处理速度。获取每位客服当前处理的任务数量，分析任务的复杂性来判断客服的实际负荷。如果客服的处理速度大于预设速度且实际负荷小于预设负荷值，则为客服增加任务分配权重。使用关联性分析，得到任务类型与客服的专业领域的匹配度，如果匹配，则为客服增加权重。使用加权轮询法进行任务分配，确保任务均匀分布且根据客服权重进行分配。根据客服的经验和历史数据，对加权轮询法中的权重进行动态调整。对于紧急任务，使用优先队列确保其快速被分配给处理速度高于预设处理速度的客服。根据任务属性和客服属性，应用决策树算法进行任务的分配决策。通过定期的反馈机制，对分配效果进行评估，对算法参数进行微调。
S6、分配任务后，根据客服的历史表现、培训记录和用户评价数据，判断客服的能力是否符合任务需求。
获取客服的历史表现数据，包括解决问题的速度、准确性和客户满意度。通过对历史表现数据进行分析，确定客服在过去的工作中的表现水平。获取客服的培训记录，包括参与过的培训课程和获得的认证。通过客服的培训记录，判断客服是否具备必要的专业知识和技能。获取用户评价数据，包括对服务质量、态度和专业知识的评价。通过分析用户评价数据，得到客户对客服的满意度和评价。根据任务的专业领域需求，确定客服是否具备相关的专业背景和经验。获取任务的复杂度，判断客服是否具备处理复杂任务的能力和经验。获取客服的专业领域，确定客服在哪些领域具备专业知识和经验，以及是否胜任相关的任务。根据客服的专业领域和任务要求进行匹配。获取客服的逾期未完成记录，得到客服是否存在逾期未完成的任务。如果客服存在逾期未完成记录，需要进行评估和风险管理。根据客服的历史表现、培训记录和用户评价数据，判断客服的能力是否符合任务需求。
例如，想评估一个电信坐席客服的解决问题的速度。可以收集客服过去一年内处理的100个问题的时间数据，并计算平均解决时间。客服处理这100个问题的总时间为3000分钟，那么平均解决时间就是3000分钟除以100个问题，即30分钟。通过收集客服过去一年内处理的问题的准确性数据来评估其准确性。客服处理了100个问题，其中有95个问题被正确解决，那么准确性就是95％。而客户满意度可以通过收集用户对客服的评价数据来评估。收集到100个用户对客服的评价，其中有80个用户对服务质量、态度和专业知识都给出了满意的评价，那么客户满意度就是80％。对于客服的培训记录，可以查看客服参与过的培训课程和获得的认证。发现客服参与了5个与客服技能相关的培训课程，并获得了2个相关认证。最后，如果需要判断客服是否具备相关的专业背景和经验，可以了解客服的教育背景、工作经历和专业领域。客服可能具备大学教育背景，有2年的客服工作经验，并且在电子产品领域有相关的专业知识和经验。判断客服在处理类似问题方面的速度、准确性和客户满意度较好，同时具备处理特定领域的专业背景，那么客服就非常适合处理这个任务。
S7、根据问题复杂度对任务进行分解，得到更适合客服知识领域的多个子问题。
获取客户提出的问题是否有多个可能的答案或解决方法，是否需要进行多步解决，或者需要对多个相关领域的知识进行综合运用，存在模糊的信息或不完整的条件。当客户提出的问题存在多种可能的答案或解决方法，或当问题需要运用多个领域的知识才能解决，或问题中存在模糊的信息或不完整的条件，需要通过进一步的询问或调研来获取更多信息，判断为复杂任务。获取复杂任务包含的专业领域，包括产品知识、技术知识、行业知识领域。根据任务包含的领域，对复杂任务进行分解，根据分解后的领域，生成更适合客服知识领域的多个子问题。
S8、根据子问题的紧急程度和重要性，确定任务的优先级进行处理，得到最终解决方案。
采用松弛算法，根据紧急程度和重要性分配任务权重，根据简单分权法对子问题对应的任务生成一个综合评分；根据综合评分，使用冒泡排序算法确定每个任务的初步优先级；根据所有任务的初步优先级，使用优先队列方法确定最终任务优先级；根据最终任务优先级，选择对应的分支限界算法解决策略；使用选择的算法，对任务进行具体的处理和操作；根据处理结果，验证任务是否已完成；若任务未完成，重新计算综合评分和确定优先级；根据所有任务的处理结果，得到最终的解决方案。
使用松弛算法，根据紧急程度和重要性计算任务权重并确定任务处理顺序。紧急程度和重要性越高，权重值越高，使用线性函数将紧急程度和重要性映射到初始权重值。使用任务所需的工作量或时间估计作为任务大小的度量。分析任务之间的前置条件或依赖项，判断任务是否有其他任务依赖或是否作为其他任务的前置条件。如果任务需要前置条件，提高权重值。分析任务的开始和完成时间是否可以灵活调整，判断任务的可变性程度。任务的可变性高于预设可变性，降低权重值。根据任务的紧急程度、重要性、大小、依赖关系和可变性，使用加权求计算任务权重计算任务的最终权重。根据任务的权重，确定任务的执行顺序和优先级。按照权重从高到低的顺序安排任务的执行顺序，输出任务执行顺序和优先级得到最终确定的任务执行顺序和优先级。
本发明基于大模型，使用NLP敏感词检测技术，判断问题内容中是否包含恶意信息或引导性关键词。主动分析文本，而不是分析用户选择的文本。结合TF-IDF得分算法，提取关键词。通过余弦相似度方法，确定提问与知识库中各条目的匹配度。使用TensorFlow工具，得到问题的具体类别。通过Hadoop集群，对评估数据来源进行排序。使用K-means聚类方法，基于问题的特性对其进行标签化处理。通过RESTful API，将问题的具体类别信息传输至后续处理模块。使用FastText文本分类模型，对问题数据进行恶意错误引导的分类判别。对恶意行为进行数据标签，若判定为恶意客户或恶意引导，使用标签传播算法自动标记该问题为恶意内容。根据领域匹配度评估值，采用任务分配算法，解决客服的能力评估问题。根据子问题的紧急程度和重要性，采用优先级算法，确定任务的优先级进行处理，得到最终解决方案。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (8)
1.一种基于大模型的智能坐席文本处理方法，其特征在于：包括以下步骤：
S1、使用大语言模型ChatGLM，对用户提问的问题进行分解，判断客户问题的属性、分析用户提问的情感色彩、识别用户提问的意图和信息需求，标注问题中的关键词；
S2、根据问题属性，获取问题类型和复杂度评估值，综合问题类型、紧急程度、专业词汇量和专业问题属性，确定问题的复杂度；其中，问题类型包括专业售后问题、技术支持问题和复杂关系问题；
S3、根据问题的类型，获取用户提问的领域信息，判断是否是恶意客户的问题攻击和恶意引导，如果不是恶意错误引导，通过与专业领域知识库进行比对，确定问题的专业领域；
S4、获取坐席智能客服专业领域，将问题的专业领域与坐席智能客服的专业领域进行比对，得到领域匹配度评估值；
S5、根据领域匹配度评估值以及客服繁忙度，将任务分配给合适的客服；
S6、分配任务后，根据客服的历史表现、培训记录和用户评价数据，判断客服的能力是否符合任务需求；
S7、根据问题复杂度对任务进行分解，得到更适合客服知识领域的多个子问题；
S8、根据子问题的紧急程度和重要性，确定任务的优先级进行处理，得到最终解决方案；
所述步骤S7中，任务分解包括以下步骤：
当客户提出的问题存在多种可能的答案或解决方法、需要运用多个领域的知识才能解决以及问题中存在模糊的信息或不完整的条件时，需要通过进一步的询问或调研来获取更多信息，判断为复杂任务；获取复杂任务包含的专业领域，包括产品知识、技术知识、行业知识领域；根据任务包含的领域，对复杂任务进行分解，根据分解后的领域，生成更适合客服知识领域的多个子问题。
2.根据权利要求1所述的一种基于大模型的智能坐席文本处理方法，其特征在于：所述步骤S1中，问题的属性包括帮助、建议和投诉；其中，分析用户提问的情感色彩采用LSTM模型。
3.根据权利要求1所述的一种基于大模型的智能坐席文本处理方法，其特征在于：所述步骤S2中，问题类型的判定包括：
若问题包括产品型号、购买日期和保修状态属性，则判断为专业售后问题；若问题包括操作***、软件版本、设备型号和网络环境属性，则判断为技术支持问题；若问题包括人员身份、工作职责和团队组织结构属性，则判断为复杂关系问题。
4.根据权利要求3所述的一种基于大模型的智能坐席文本处理方法，其特征在于：所述步骤S2中，复杂度评估值的确定具体包括以下步骤：
根据问题描述和历史记录，判断是否存在短时间内大量相同问题，如果存在，记录相同问题的数量和频率，提问数高于预设数量值判断为紧急问题，如果是紧急问题，记录问题的紧急程度和需要的解决时间；
通过问题描述和相关文档，确定问题中是否涉及大量专业术语和领域特定的知识，根据问题中涉及的专业词汇量、问题描述和相关知识，判断问题是否属于专业问题，如果是专业问题，记录问题的专业性和需要的专业技术人员参与程度。
5.根据权利要求1所述的一种基于大模型的智能坐席文本处理方法，其特征在于：所述步骤S3，具体包括以下步骤：
使用TF-IDF文本分类算法，获得问题具体类别和用户提问领域信息；使用DFA算法对敏感词进行检测，判断问题内容中是否包含恶意信息或引导性关键词，若检测到恶意信息或引导性关键词，则标记为恶意行为；使用倒排索引的信息检索，从领域知识库中获取与问题相关的专业领域内容；采用余弦相似度计算问题与知识库内容的匹配度；使用TF-IDF文本分类算法配合向量机，对问题进行标注并与领域知识库中的数据标签进行比对；根据领域知识库中的数据标签比对结果，使用阈值判断方法确定问题是否在某一专业领域内；将问题与知识库内容进行比对，筛选出最匹配的答案，并返回给用户；
具体的，判断问题内容中是否包含恶意引导采用朴素贝叶斯结合Adaboost算法分析问题的情感，使用训练好的朴素贝叶斯分类器和Adaboost分类器，对待分析的问题进行情感分类，通过比较问题的情感类别和恶意引导相关属性的特征匹配程度，得出问题的情感类别和是否包含恶意引导的判断结果；
具体的，确定问题的专业领域采用BERT模型，将问题文本输入到训练好的模型中，获取BERT的分类结果，将新的问题文本与知识库中的每个条目进行语义匹配，将问题文本和知识库条目输入到BERT模型中，获取BERT的输出表示，然后使用余弦相似度计算问题文本与知识库条目的相似度，并选取相似度最高的条目作为匹配结果。
6.根据权利要求1所述的一种基于大模型的智能坐席文本处理方法，其特征在于：所述步骤S4中，获取坐席智能客服专业领域的步骤包括：
通过记录坐席客服对客户问题的处理记录，获取坐席客服处理销售问题、售后问题和技术支持问题的数量；根据产品或服务质量评价、交付准时率、售后服务质量评价、客户反馈和投诉处理情况属性，综合评估客户满意度；通过坐席客服在处理销售问题、售后问题和技术支持方面的表现，包括处理复杂问题能力、响应速度、沟通技巧，判断坐席客服处理能力；根据坐席客服处理数量，客户满意度和处理能力判断其专业领域；
获取领域匹配度评估值的步骤包括：
获取问题描述中的关键词和语义，通过分析问题描述中的关键词和语义，初步判断问题所涉及的专业领域；构建坐席智能客服的知识库，包含各个专业领域的相关知识和解决方案；使用向量空间模型匹配算法，将问题与知识库中的数据进行匹配，得到匹配结果，根据匹配结果将问题分配到相应的专业领域；根据各个专业领域的相关信息和专业坐席客服建立领域专业坐席客服库，使用向量空间模型匹配算法，将问题与坐席客服的专业领域进行匹配；使用余弦相似度计算问题的专业领域与坐席智能客服的专业领域的相似度，得到领域匹配度评估值。
7.根据权利要求1所述的一种基于大模型的智能坐席文本处理方法，其特征在于：所述步骤S5中，任务分配包括以下步骤：
通过考察客服的工作负荷、处理的任务数和时间，判断客服当前的工作量和忙碌程度；通过客服的工作经验、解决问题的速度和质量，评估客服处理任务的能力和效率；通过客服的工作时间、休假和离岗，确定客服是否可用于处理任务；采用加权平均法，综合客服的工作负荷、处理的任务数和时间，客服工作经验、解决问题的速度和质量，获取客服的可用度评分；
根据任务的截止时间、重要性和对客户的影响，判断任务的紧急程度，并根据任务紧急程度，对任务处理的优先度进行排序；根据任务处理的优先度排序顺序，将任务分配给领域匹配度高于预设匹配度，可用度评分高于预设评分的客服。
8.根据权利要求1所述的一种基于大模型的智能坐席文本处理方法，其特征在于：所述步骤S8包括以下步骤：
根据紧急程度和重要性分配任务权重，根据简单分权法对子问题对应的任务生成一个综合评分；根据综合评分，使用冒泡排序算法确定每个任务的初步优先级；根据所有任务的初步优先级，使用优先队列方法确定最终任务优先级；根据最终任务优先级，选择对应的分支限界算法解决策略；
使用选择的算法，对任务进行具体的处理和操作；根据处理结果，验证任务是否已完成；若任务未完成，重新计算综合评分和确定优先级；根据所有任务的处理结果，得到最终的解决方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311402059.9A CN117332066B (zh) | 2023-10-27 | 2023-10-27 | 一种基于大模型的智能坐席文本处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311402059.9A CN117332066B (zh) | 2023-10-27 | 2023-10-27 | 一种基于大模型的智能坐席文本处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117332066A CN117332066A (zh) | 2024-01-02 |
| CN117332066B true CN117332066B (zh) | 2024-05-28 |
Family
ID=89275373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311402059.9A Active CN117332066B (zh) | 2023-10-27 | 2023-10-27 | 一种基于大模型的智能坐席文本处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332066B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103686723A (zh) * | 2012-09-19 | 2014-03-26 | 镇江诺尼基智能技术有限公司 | 移动客户热线短信服务厅复杂短信的处理***及其方法 |
| CN103995858A (zh) * | 2014-05-15 | 2014-08-20 | 北京航空航天大学 | 基于任务分解的个性化知识主动推送方法 |
| CN110033281A (zh) * | 2018-01-11 | 2019-07-19 | 中兴通讯股份有限公司 | 一种智能客服至人工客服转换的方法及装置 |
| CN112885348A (zh) * | 2021-01-25 | 2021-06-01 | 广州中汇信息科技有限公司 | 结合ai智能语音电销方法 |
| CN115330243A (zh) * | 2022-08-25 | 2022-11-11 | 中国电信股份有限公司 | 客服工单分配方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3734471A1 (en) * | 2019-04-30 | 2020-11-04 | Tata Consultancy Services Limited | Method and system for utilizing domain knowledge to automatically identify solution to a problem |
-
2023
- 2023-10-27 CN CN202311402059.9A patent/CN117332066B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103686723A (zh) * | 2012-09-19 | 2014-03-26 | 镇江诺尼基智能技术有限公司 | 移动客户热线短信服务厅复杂短信的处理***及其方法 |
| CN103995858A (zh) * | 2014-05-15 | 2014-08-20 | 北京航空航天大学 | 基于任务分解的个性化知识主动推送方法 |
| CN110033281A (zh) * | 2018-01-11 | 2019-07-19 | 中兴通讯股份有限公司 | 一种智能客服至人工客服转换的方法及装置 |
| CN112885348A (zh) * | 2021-01-25 | 2021-06-01 | 广州中汇信息科技有限公司 | 结合ai智能语音电销方法 |
| CN115330243A (zh) * | 2022-08-25 | 2022-11-11 | 中国电信股份有限公司 | 客服工单分配方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117332066A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109767787B (zh) | 情绪识别方法、设备及可读存储介质 | |
| CN109583966B (zh) | 一种高价值客户识别方法、***、设备及存储介质 | |
| CN109816483B (zh) | 信息推荐方法及装置、可读存储介质 | |
| US12033163B2 (en) | Systems and methods for detecting complaint interactions | |
| CN107833059B (zh) | 客服的服务质量评价方法与*** | |
| CN111507573A (zh) | 业务员考核方法、***、设备及存储介质 | |
| CN112632989A (zh) | 一种合同文本中风险信息的提示方法、装置及设备 | |
| CN113051291A (zh) | 工单信息的处理方法、装置、设备及存储介质 | |
| CN110399473A (zh) | 为用户问题确定答案的方法和装置 | |
| CN117151870A (zh) | 一种基于客群画像行为分析方法及*** | |
| CN118014622B (zh) | 一种基于用户画像的广告推送方法及*** | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| EP4338089A1 (en) | System and method of automatic topic detection in text | |
| CN110532374B (zh) | 保险信息的处理方法及装置 | |
| CN117332066B (zh) | 一种基于大模型的智能坐席文本处理方法 | |
| CN116542676A (zh) | 一种基于大数据分析的智能客服***及其方法 | |
| CN110929144A (zh) | 一种业务数据管理方法、***和可读存储介质 | |
| CN111159378A (zh) | 对问题描述信息进行分类的方法及装置 | |
| CN115203382A (zh) | 业务问题场景识别方法、装置、电子设备及存储介质 | |
| CN115293867A (zh) | 财务报销用户画像优化方法、装置、设备及存储介质 | |
| CN114037154A (zh) | 基于注意特征的科技成果数量与主题的预测方法及*** | |
| KR102078541B1 (ko) | 이슈 관심도 기반의 뉴스 가치 평가 장치 및 방법, 이를 기록한 기록매체 | |
| CN111881287B (zh) | 一种分类模糊性分析方法及装置 | |
| CN117891898B (zh) | 一种基于gpt大模型的分类检索方法及*** | |
| US20230134796A1 (en) | Named entity recognition system for sentiment labeling |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Cen Zhongman Inventor after: Wu Zhiwen Inventor after: Li Jieming Inventor after: He Jianwei Inventor after: Ye Tao Inventor after: Wu Yang Inventor after: Liang Yun Inventor after: Chen Yukai Inventor after: Dong Fuzhuang Inventor after: Lu Jiarong Inventor before: Cen Manzhong Inventor before: Wu Zhiwen Inventor before: Li Jieming Inventor before: He Jianwei Inventor before: Ye Tao Inventor before: Wu Yang Inventor before: Liang Yun Inventor before: Chen Yukai Inventor before: Dong Fuzhuang Inventor before: Lu Jiarong |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |