CN117668222A - 一种对具有投诉倾向的用电客户判断方法 - Google Patents

Abstract

本发明公开了一种对具有投诉倾向的用电客户判断方法，涉及数据处理技术领域，包括以下步骤：利用数据采集、数据预处理、模型训练和模型优化，将可判断用电客户的情绪特征与具有投诉倾向的关键词词库结合的方式，构建一个判断算法模型，将用户来电语音表现出的情绪特征、用户来电工单文本分词结果与具有投诉倾向的关键词词库的对比结果共同判断来电用户是否是具有投诉倾向的用户以及其投诉概率的高低。本发明通过构建一个判断算法模型，提前预知具有高度投诉倾向概率的用户以及其诉求，以提醒各基层供电服务人员有针对性的开展相关工作，从而达到高效的解决用户诉求，提高客户满意率的目标，相比利用文本分词方式识别用户的投诉倾向更加准确。

Description

一种对具有投诉倾向的用电客户判断方法

技术领域

本发明涉及数据处理技术领域，特别涉及一种对具有投诉倾向的用电客户判断方法。

背景技术

在电网客服人员接听客户电话时，会针对客户的问题进行记录，并将其转述为客服工单，然后工单转发到具体的供电局进行处理。而工单的种类分为：用电业务、故障报修、咨询查询、意见建议、投诉等几个大类。

客服人员在接听完客户电话后，记录并转发的工单要么是投诉类型工单、要么不是投诉类型的工单。而实际上存在一些存在投诉倾向的用户，这些用户也应该被特别关注。

业内比较多采用对客服工单中记录的文本进行分词、建模的技术，通过判断情绪词的方式，判断具有投诉倾向的用户，但是这种方法会依赖客服人员记录的完整，描述的足够详细、不遗漏。

发明内容

针对现有技术中存在的问题，本发明提供了一种对具有投诉倾向的用电客户判断方法，能够识别用户的投诉倾向，高效的解决用户诉求、降低用户投诉，提高客户满意率。具体技术方案如下：

一种对具有投诉倾向的用电客户判断方法，包括以下步骤：

数据采集，通过采集用电客户的历史投诉数据、用电数据、客户服务记录相关数据；

数据处理，将上述采集的数据进行清洗、去重以及标签化预处理；

模型训练，利用上述预处理后的数据，引入对语音情绪识别的模型，通过训练模块识别出声学特征，学习用电客户投诉倾向的规律和特征；

模型优化，利用过去三年的用户投诉工单，去查找投诉用户在投诉前最近一次非投诉工单，并做分词、识别关键词与词频，并与未发生过投诉事件的用户的客诉工单分词结果进行对比分析，通过构建模块形成具有投诉倾向的关键词词库；

投诉倾向判断，将可判断用电客户的情绪特征与具有投诉倾向的关键词词库结合的方式，构建一个判断算法模型，将用户来电语音表现出的情绪特征、用户来电工单文本分词结果与具有投诉倾向的关键词词库的对比结果共同判断来电用户是否是具有投诉倾向的用户以及其投诉概率的高低。

优选的，所述历史投诉数据包括投诉内容、投诉时间和投诉人信息。

优选的，所述用电数据包括用电量、用电负荷和电费信息。

优选的，所述客户服务记录包括包括客户服务内容、服务时间和服务人员信息。

优选的，所述数据清洗具体包括纠正数据中的错误，删除重复的信息，以及处理缺失值，通过均值、中位数或众数来填充缺失值，对于异常值，可将自动删除。

优选的，所述数据去重具体为通过结合多个字段特定的规则来删除重复的数据。

优选的，所述数据标签化具体为将数据转化为易于理解和使用的格式，形成关键词词库的标签。

优选的，所述语音情绪识别的模型采用支持向量机的方法对情感信号进行建模与识别，并且结合数据平衡和注意力机制的卷积神经网络和长短时记忆单元的语音情感识别方法，通过识别模块识别高兴、愤怒、平静和悲伤这四种情感，并对愤怒类情感进行分级，包括非常愤怒、愤怒、强烈不满和不满。

优选的，所述语音情感识别方法包括以下步骤：

首先对语音情感数据集中的语音样本提取对数梅尔频谱图，并根据样本分布特点对进行分段处理，以便实现数据平衡处理。

通过在分段的梅尔频谱数据集中微调预训练好的卷积神经网络模型,用于学习高层次的片段语音特征。

考虑到语音中不同片段区域在情感识别作用的差异性，将学习到的分段卷积神经网络特征输入到带有注意力机制的长短时记忆单元中，用于学习判别性特征，并结合长短时记忆单元和神经网络激活函数层从而实现语音情感的分类。

与现有技术相比，本发明的有益效果为：

1.本发明通过将用户来电语音表现出的情绪特征、用户来电工单文本分词结果与具有投诉倾向的关键词词库的对比结果共同判断来电用户是否是具有投诉倾向的用户以及其投诉概率的高低，相比利用文本分词方式识别用户的投诉倾向更加准确。

2.本发明通过构建一个判断算法模型，提前预知具有高度投诉倾向概率的用户以及其诉求，以提醒各基层供电服务人员有针对性的开展相关工作，从而达到高效的解决用户诉求、降低用户投诉，提高客户满意率的目标。

3.本发明通过在将判断算法模型嵌入到话务***中后，可实时对用户的语音通话进行分析，实时的向客服人员反馈用户的情绪状态以及投诉倾向的概率，提醒客服人员即时调整应对话术。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为本发明对具有投诉倾向的用电客户判断方法的流程图。

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做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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，本发明提供一种对具有投诉倾向的用电客户判断方法，该判断方法包括以下步骤：

S1：数据采集：通过数据采集模块收集用电客户的历史投诉数据、用电数据、客户服务记录等相关数据。

历史投诉数据包括投诉内容、投诉时间和投诉人信息，通过客户服务中心和投诉管理***的渠道，获取模块收集历史投诉数据。用电数据包括用电量、用电负荷和电费信息，通过电力监测***和电量统计***的渠道，获取模块收集用电数据。

通过数据采集模块收集用电客户的用电数据是为了判断客户来电时的投诉风险，当接收到客户来电时，***会匹配客户近期是否存在业务交互行为，并确定客户近期业务交互行为对应的投诉成因类别，然后，***会统计该次客户来电与最近一次业务交互行为的时间间隔及来电次数，将时间间隔及来电次数作为输入量输入预先训练的统计模型，得到该次来电的确定度区间。最后，根据该次来电的确定度区间计算对应的投诉风险得分，并根据预设的风险阈值判断该来电行为是否为投诉来电。

客户服务记录包括客户服务内容、服务时间和服务人员信息，通过营销***、客服语音平台、互联网渠道平台，获取模块收集客户服务记录。

S2：数据预处理：通过数据处理模块对采集到的数据进行清洗、去重和标签化的预处理工作，以准备用于算法模型训练。

数据清洗是为了纠正数据中的错误，删除重复的信息，以及处理缺失值，通过均值、中位数或众数来填充缺失值，对于异常值，可将自动删除。数据去重是通过结合多个字段特定的规则来删除重复的数据。数据标签化是将数据转化为易于理解和使用的格式，形成关键词词库的标签。

S3：模型训练：利用预处理后的数据，引入对语音情绪识别的模型，通过训练模块识别出声学特征，学习用电客户投诉倾向的规律和特征，实现可以判断用电客户的情绪特征。

语音情绪识别的模型采用支持向量机的方法对情感信号进行建模与识别，并且结合数据平衡和注意力机制的卷积神经网络和长短时记忆单元的语音情感识别方法，通过识别模块识别高兴、愤怒、平静和悲伤这四种情感，在供电企业服务中，重点识别愤怒，可对愤怒类情感进行分级，包括非常愤怒、愤怒、强烈不满和不满。

支持向量机是一种常见的分类方法，在机器学***面，使得学习器得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界，针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。

语音情感识别方法包括以下步骤：

S11：首先对语音情感数据集中的语音样本提取对数梅尔频谱图，并根据样本分布特点对进行分段处理，以便实现数据平衡处理。

对数梅尔频谱图是用于音频信号处理的特征表示方法，可以将音频信号转换为在横向代表时间，纵向代表频率的二维矩阵，然后将每个元素的值取对数，以便更好地表示数据的动态范围。

S12：通过在分段的梅尔频谱数据集中微调预训练好的卷积神经网络模型,用于学习高层次的片段语音特征。

卷积神经网络是一种包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。

S13：考虑到语音中不同片段区域在情感识别作用的差异性，将学习到的分段卷积神经网络特征输入到带有注意力机制的长短时记忆单元中，用于学习判别性特征，并结合长短时记忆单元和神经网络激活函数层从而实现语音情感的分类。

带有注意力机制的长短时记忆单元是一种改进的递归神经网络模型，通过引入注意力机制来增强模型对序列数据的建模能力。Softmax层是神经网络中最常见的一种激活函数，可将神经网络的输出转换为概率分布，在深度学习中，Softmax被广泛应用于分类问题，以及一些需要输出概率分布的任务中。

S4：模型优化：利用过去三年的用户投诉工单，通过数据采集模块去查找投诉用户在投诉前最近一次非投诉工单，并通过数据处理模块做分词、识别关键词与词频，并与未发生过投诉事件的用户的客诉工单分词结果进行对比分析，通过构建模块形成具有投诉倾向的关键词词库。

使用词频分析或关键词聚类的文本挖掘技术，从客诉工单中提取出与投诉相关的词汇，可以借助词向量模型，在提取的词汇中，筛选出具有投诉倾向的关键词。

S5：投诉倾向判断：将可判断用电客户的情绪特征与具有投诉倾向的关键词词库结合的方式，构建一个判断算法模型，将用户来电语音表现出的情绪特征、用户来电工单文本分词结果与具有投诉倾向的关键词词库的对比结果共同判断来电用户是否是具有投诉倾向的用户以及其投诉概率的高低。

总之，通过将用户来电语音表现出的情绪特征、用户来电工单文本分词结果与具有投诉倾向的关键词词库的对比结果共同判断来电用户是否是具有投诉倾向的用户以及其投诉概率的高低，相比利用文本分词方式识别用户的投诉倾向更加准确；通过构建一个判断算法模型，提前预知具有高度投诉倾向概率的用户以及其诉求，以提醒各基层供电服务人员有针对性的开展相关工作，从而达到高效的解决用户诉求、降低用户投诉，提高客户满意率的目标；通过在将判断算法模型嵌入到话务***中后，可实时对用户的语音通话进行分析，实时的向客服人员反馈用户的情绪状态以及投诉倾向的概率，提醒客服人员即时调整应对话术。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元可结合为一个单元，一个单元可拆分为多个单元，或一些特征可以忽略等。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM,Read-0nlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种对具有投诉倾向的用电客户判断方法，其特征在于，包括以下步骤：

数据采集，通过采集用电客户的历史投诉数据、用电数据、客户服务记录相关数据；

数据处理，将上述采集的数据进行清洗、去重以及标签化预处理；

模型训练，利用上述预处理后的数据，引入对语音情绪识别的模型，通过训练模块识别出声学特征，学习用电客户投诉倾向的规律和特征；

模型优化，利用过去三年的用户投诉工单，去查找投诉用户在投诉前最近一次非投诉工单，并做分词、识别关键词与词频，并与未发生过投诉事件的用户的客诉工单分词结果进行对比分析，通过构建模块形成具有投诉倾向的关键词词库；

投诉倾向判断，将可判断用电客户的情绪特征与具有投诉倾向的关键词词库结合的方式，构建一个判断算法模型，将用户来电语音表现出的情绪特征、用户来电工单文本分词结果与具有投诉倾向的关键词词库的对比结果共同判断来电用户是否是具有投诉倾向的用户以及其投诉概率的高低。

2.根据权利要求1所述的对具有投诉倾向的用电客户判断方法，其特征在于，所述历史投诉数据包括投诉内容、投诉时间和投诉人信息。

3.根据权利要求1所述的对具有投诉倾向的用电客户判断方法，其特征在于，所述用电数据包括用电量、用电负荷和电费信息。

4.根据权利要求1所述的对具有投诉倾向的用电客户判断方法，其特征在于，所述客户服务记录包括包括客户服务内容、服务时间和服务人员信息。

5.根据权利要求1所述的对具有投诉倾向的用电客户判断方法，其特征在于，所述数据清洗具体包括纠正数据中的错误，删除重复的信息，以及处理缺失值，通过均值、中位数或众数来填充缺失值，对于异常值，可将自动删除。

6.根据权利要求1所述的对具有投诉倾向的用电客户判断方法，其特征在于，所述数据去重具体为通过结合多个字段特定的规则来删除重复的数据。

7.根据权利要求1所述的对具有投诉倾向的用电客户判断方法，其特征在于，所述数据标签化具体为将数据转化为易于理解和使用的格式，形成关键词词库的标签。

8.根据权利要求1所述的对具有投诉倾向的用电客户判断方法，其特征在于，所述语音情绪识别的模型采用支持向量机的方法对情感信号进行建模与识别，并且结合数据平衡和注意力机制的卷积神经网络和长短时记忆单元的语音情感识别方法，通过识别模块识别高兴、愤怒、平静和悲伤这四种情感，并对愤怒类情感进行分级，包括非常愤怒、愤怒、强烈不满和不满。

9.根据权利要求8所述的对具有投诉倾向的用电客户判断方法，其特征在于，所述语音情感识别方法包括以下步骤：

首先对语音情感数据集中的语音样本提取对数梅尔频谱图，并根据样本分布特点对进行分段处理，以便实现数据平衡处理。

通过在分段的梅尔频谱数据集中微调预训练好的卷积神经网络模型,用于学习高层次的片段语音特征。

考虑到语音中不同片段区域在情感识别作用的差异性，将学习到的分段卷积神经网络特征输入到带有注意力机制的长短时记忆单元中，用于学习判别性特征，并结合长短时记忆单元和神经网络激活函数层从而实现语音情感的分类。