CN117676014A - 通话数据处理方法、服务器及存储介质 - Google Patents
通话数据处理方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN117676014A CN117676014A CN202311646111.5A CN202311646111A CN117676014A CN 117676014 A CN117676014 A CN 117676014A CN 202311646111 A CN202311646111 A CN 202311646111A CN 117676014 A CN117676014 A CN 117676014A
- Authority
- CN
- China
- Prior art keywords
- call
- intention
- call data
- text
- user
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000015654 memory Effects 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 29
- 238000007726 management method Methods 0.000 description 26
- 230000008451 emotion Effects 0.000 description 16
- 239000003795 chemical substances by application Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000005291 magnetic effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Machine Translation (AREA)
Abstract
本申请提供一种通话数据处理方法、服务器及存储介质。本申请的方法,通过获取通话数据的通话文本,识别通话数据的通话文本的意图标签路径,意图标签路径包含至少一层意图标签,从而可以自动识别各通话数据覆盖的用户意图及至少一层上层的意图标签;进一步地,根据通话数据的通话文本的意图标签路径,对通话数据进行分析,获得通话数据的数据分析结果,大大提升通话数据分析的效率;并且通话文本的意图标签路径包含通话文本覆盖的用户意图及上层的意图标签,基于通话文本的意图标签路径,可以实现从意图、各层级意图标签、意图标签路径等维度对通话数据进行统计分析,提升通话数据分析结果的质量。
Description
技术领域
本申请涉及计算机技术,尤其涉及一种通话数据处理方法、服务器及存储介质。
背景技术
目前金融、保险、电信运营商等行业客户仍需要大量的人工坐席为客户提供服务,这些行业客户的呼叫中心每天会产生大量的通话语音,如何自动分析出所有通话的通话内容分布、通话内容之间的关联性,用于意图分析决策,成为困扰当前行业客户的一大痛点。
在人工坐席和服务客户通话数量庞大的情况,通过人工方式进行通话数据分析的效率很低。
发明内容
本申请提供一种通话数据处理方法、服务器及存储介质,用以解决人工方式进行通话数据分析的效率很低的问题。
第一方面,本申请提供一种通话数据处理方法,包括:
获取通话数据的通话文本;
识别所述通话数据的通话文本的意图标签路径,所述意图标签路径包含至少一层意图标签;
根据所述通话数据的通话文本的意图标签路径,对所述通话数据进行分析,获得所述通话数据的数据分析结果。
第二方面,本申请提供一种服务器,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述服务器执行第一方面所述的方法。
第三方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现第一方面所述的方法。
本申请提供的通话数据处理方法、服务器及存储介质,通过获取通话数据的通话文本,识别通话数据的通话文本的意图标签路径,意图标签路径包含至少一层意图标签,从而可以自动识别各通话数据覆盖的用户意图及至少一层上层的意图标签;进一步地,根据通话数据的通话文本的意图标签路径,对通话数据进行分析,获得通话数据的数据分析结果,大大提升通话数据分析的效率;并且通话文本的意图标签路径包含通话文本覆盖的用户意图及上层的意图标签,基于通话文本的意图标签路径,可以实现从意图、各层级意图标签、意图标签路径等维度对通话数据进行统计分析,提升通话数据分析结果的质量。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请所适用的一示例***架构的示意图;
图2为本申请一示例性实施例提供的意图标签树的示例图;
图3为本申请一示例性实施例提供的通话数据处理方法的流程图;
图4为本申请一示例性实施例提供的一种标签管理界面的示例图;
图5为本申请一示例性实施例提供的通话管理界面的一个示例图;
图6为本申请一示例性实施例提供的关联性分析界面的一种示例图;
图7为本申请一示例性实施例提供的一数据分析结果的桑基图的示例图;
图8为本申请一示例性实施例提供的一种对话***的数据流转图;
图9为本申请实施例提供的一种云服务器的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户属性信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
首先对本申请所涉及的名词进行解释:
自动语音识别(Automatic Speech Recognition,简称ASR):是一种将语音转换为文本的技术。近年来ASR技术已经广泛应用于各行各业,如在政务、金融、保险等行业售后的服务环节,一般会通过ASR技术将客户与客服坐席间的通话语音转化为文本内容,再利用文本匹配、分类算法与标准对话内容进行对比,或者检测其中是否包含不合规的表述,判断客服服务过程是否满足服务规范。
意图识别(Intent Recognition,简称IR):是指对自然语言文本进行识别,识别出用户的意图或目的的一项技术任务,广泛应用在人机交互、语言识别、自然语言处理等领域,例如在搜索引擎中分析用户的核心搜索需求,在对话***中识别用户想要办理的业务等等。
标签(Tag):基于行为/属性等的数据,基于业务逻辑或模型能力创建的有业务指导意义的数据,标签值为可枚举的形式,如实体标签:人名、机构名、地名等,以及自定义分类标签用于做业务归类,标签广泛应用各类数据分析平台,如用户分群、群体洞察以及客服营销应用都依托于标签。
意图标签树(Intent Tag Tree,简称ITT)将意图作为一种标签,由意图标签构成,以结构性的方式对标签内容(包括标签的数量、分类、层级关系等)进行呈现、归类、管理。
通话分析:是一种通话数据分析技术,通过对通话语音文件的语音、语义特征进行识别,如识别对话的意图、情绪、关键词,进行情绪分析、热词分析等。
桑基图(Sankey diagram):即桑基能量分流图,也叫桑基能量平衡图。它是一种特定类型的流程图,图中延伸的分支的宽度对应数据流量的大小,通常应用于能源、材料成分、金融等数据的可视化分析。
针对人工方式进行通话数据分析的效率很低的问题,本申请提供一种通话数据处理方法,可以应用于各类通话***,如人工坐席***、智能坐席助理、智能客服***等的通话数据分析,高效地获得高质量的通话数据分析结果,以指导/协助相关人员了解业务问题,制定经营策略。
本申请的通话数据处理方法,获取通话数据的通话文本,识别通话数据的通话文本的意图标签路径,意图标签路径包含至少一层意图标签,从而可以自动识别各通话数据覆盖的用户意图及至少一层上层的意图标签;进一步地,根据通话数据的通话文本的意图标签路径,对通话数据进行分析,获得通话数据的数据分析结果,大大提升通话数据分析的效率;并且通话文本的意图标签路径包含通话文本覆盖的用户意图及上层的意图标签,基于通话文本的意图标签路径,可以实现从意图、各层级意图标签、意图标签路径等维度对通话数据进行统计分析,提升通话数据分析结果的质量。
图1为本申请所适用的一示例***架构的示意图。如图1所示,该***架构包括用于通话数据分析的服务器,以及向服务器提供通话数据的数据源设备。
其中,用于通话数据分析的服务器可以是部署在云端或本地的具有计算能力的设备,例如云集群、云服务器等。服务器负责获取通话数据的通话文本,基于预先配置的意图标签树,自动识别通话文本的意图标签路径,基于通话文本的意图标签路径进行通话数据的分析,输出通话数据的分析结果。
意图标签树由相关技术人员根据对话***的业务需求进行构建并存储到服务器上。意图标签树包含多层节点,其中叶子节点为用户意图,非叶子节点为用户意图的上层意图标签,用户意图的上层意图标签可以根据对话***的业务逻辑构建,一个意图标签也即是一个业务标签,意图标签树中意图标签的层级与对话***中业务层级对应。对于意图标签树中任一叶子节点(对应用户意图),由根节点到该叶子节点的路径作为对应用户意图的意图标签路径。示例性地,图2示出了意图标签树的一个示例,如图2所示的意图标签树中的一个叶子节点“表达贷款金额”表示一种用户意图,其意图标签路径为:金融场景-确认贷款信息-表达贷款金额。
数据源设备是指向服务器提供通话数据的设备,具体包括各类通话***,如人工坐席***、智能坐席助理、智能客服***等,还包括相关技术人员向服务器上传通话数据的端侧设备等。数据源设备向服务器提供通话数据包括但不限于通话语音、通话文本。
在一示例应用场景中,服务器可以接收各类通话***实时推送的通话数据,并可以接收端侧设备上传的通话数据。服务器将获取通话数据的通话文本,识别通话数据的通话文本的意图标签路径;根据通话数据的通话文本的意图标签路径,对通话数据进行分析,获得通话数据的数据分析结果。进一步地,服务器可以可视化输出数据分析结果,以使相关人员可以基于数据分析结果了解业务问题、优化通话***、制定经营策略等。
例如,应用于人工坐席***中,通话数据的数据分析结果可以包含每日不同业务(对应意图标签)的通话数量占比,基于这些信息管理人员可以合理地分配坐席组人力资源分布。例如,通话数据的数据分析结果可以包括高频的意图、高频意图标签路径,基于这些信息管理人员可以总结出更规范的服务流程,用于培训人工坐席。例如,营销类通话通常伴随着话题的递进,用户关注点的变化会出现不同的意图,通话数据的数据分析结果可以包括意图分布,通过优化用户意图对应的引导话术,可以提升销售客服的业绩表现等。
在另一示例场景中,服务器可以检测用户在一个较短时段(如1天、若干小时、若干天等)内呼入的通话次数较多(如达到预设的通话次数阈值)的情况,在这种情况下,对用户在这一较短时段内的多次通话数据进行分析,识别通话数据的通话文本的意图标签路径,并根据通话数据的通话文本的意图标签路径,对通话数据进行分析,并输出数据分析结果。该数据分析结果指导相关技术人员(如客服经理)快速确定用户重复呼入的原因。
本实施例提供的通话数据的处理方法可以应用于对各类通话数据进行数据分析,具体可以应用于人工坐席***、智能坐席助理、智能客服***等各类通话***的实时通话数据或线下通话数据的分析,并输出数据分析结果。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图3为本申请一示例性实施例提供的通话数据处理方法的流程图。本实施例的执行主体为前述***架构中的服务器。如图3所示,该方法具体步骤如下:
步骤S301、获取通话数据的通话文本。
该步骤中,服务器可以从各类通话***获取通话***产生通话数据,包括但不限于通话文本、通话语音。示例性地,服务器接收客服***(如人工坐席***、智能坐席助理、智能客服***等)实时发送的通话语音和/或通话文本。
可选地,服务器提供上传通话数据的前端界面,相关人员可以通过该前端界面上传任何来源的通话数据,包括但不限于通话语音和/或通话文本。服务器接收通过前端界面上传的通话语音和/或通话文本。另外,服务器还可以通过其他方式或途径获取待分析的通话数据,本实施例此处对于服务器获取通话数据的方式和途径不做具体限定。
对于获取到的通话语音,服务器对通话语音进行自动语音识别,得到通话语音的通话文本。示例性地,在对通话语音进行自动语音识别时,可以使用现有的任意一种自动语音识别算法/模型实现,例如,基于高斯混合模型(Gaussian Mixture Module,简称GMM)和隐马尔科夫模型(Hidden Markov Model,简称HMM)的GMM-HMM模型、基于深度神经网络(Deep Neural Networks,简称DNN)和隐马尔科夫模型的DNN-HMM模型、用于语音识别的语言模型等,本实施例此处不做具体限定。
在一示例场景中,可以配置进行通话数据分析的预设时段,服务器可以获取预设时段内产生的通话数据,对预设时段内产生的通话数据进行的后续的处理和分析,获得预设时段内通话数据的数据分析结果。其中预设时段可以是任意指定的时间段,例如最近的1天或多天等,可以根据实际应用场景的需要进行配置和调整,此处不做具体限定。
示例性地,服务器可以在检测到任一用户在预设时段内的通话次数大于或等于通话次数阈值时,获取用户在预设时段内的通话语音。这样可以对用户在短时间内反复呼入的通话数据进行分析,数据分析结果可以指导相关人员确定用户反复呼入的原因,从而提高对话***的答复质量。其中,预设时段、通话次数阈值可以根据实际应用场景的需要进行配置和调整,此处不做具体限定。
步骤S302、识别通话数据的通话文本的意图标签路径,意图标签路径包含至少一层意图标签。
在获取到通话数据的通话文本之后,服务器基于预先构建的意图标签树,自动识别通话文本的意图标签路径。
其中,意图标签树由相关技术人员根据对话***的业务需求进行构建并存储到服务器上。意图标签树包含多层节点,其中叶子节点代表用户意图,非叶子节点代表用户意图的上层意图标签,用户意图的上层意图标签可以根据对话***的业务逻辑构建,一个意图标签也即是一个业务标签,意图标签树中意图标签的层级与对话***中业务逻辑的层级对应。对于意图标签树中任一叶子节点(对应用户意图),由根节点到该叶子节点的路径作为对应用户意图的意图标签路径。
示例性地,图2示出了意图标签树的一个或部分示例,如图2所示的意图标签树中的一个叶子节点“表达贷款金额”表示一种用户意图,其意图标签路径为:金融场景-确认贷款信息-表达贷款金额。另一叶子节点“备案”表示另一用户意图(医保备案),其意图标签路径为:政务场景-五险一金-医疗保险-备案。
在一可选实施例中,该步骤中服务器可以识别通话数据的通话文本的用户意图,根据通话数据的通话文本的用户意图,确定意图标签树中由根节点到用户意图对应叶子节点的意图标签路径,得到通话数据的通话文本的意图标签路径。
可选地,在识别通话文本的用户意图时,服务器可以基于通话文本中的用户查询信息(query),在意图库中查找与用户查询信息匹配的意图,作为通话文本的用户意图。在实际应用中,一次通话包含一轮或多轮对话。在识别通话文本的用户意图时,分别识别各轮对话的用户意图,将各轮对话的用户意图均作为通话文本的用户意图。其中,意图库包含多个意图信息,意图信息至少包括意图的名称、意图话术,还可以包括意图话术的向量表示等,具体可以根据实际应用需求进行配置和调整,此处不做具体限定。
具体地,针对通话数据的通话文本中任意一轮对话的用户查询信息,服务器根据该轮对话的用户查询信息与意图库中意图的意图话术的第一相似度,从意图库中召回预设数量的候选意图,实现候选意图的快速粗召回,以缩小候选意图的范围,提升用户意图识别效率。进一步地,根据候选意图的意图话术的向量表示与用户查询信息的向量表示的第二相似度,筛选出第二相似度大于或等于相似度阈值的候选意图,得到该轮对话的用户意图,实现用户意图的精准匹配。一条通话数据的通话文本的用户意图包含该通话文本中至少一轮对话的用户意图。
其中,在根据用户查询信息从意图库中召回候选意图时,可以采用弹性搜索(Elastic Search,简称ES)算法、或者其他任意一种基于查询信息相似度的搜索算法或检索算法,基于用户查询信息与意图库中意图话术的字词相似度,从意图库的意图信息中召回预设数量的候选意图,本实施例此处不做具体限定。预设数量可以根据实际应用场景进行配置和调整,例如预设数量可以是8、10、15等,此处不做具体限定。第一相似度是指基于常用召回算法将用户查询信息与意图库中意图话术进行匹配时计算的相似度,表示用户查询信息与意图话术的字词相似度,具体计算方式由所使用的召回算法确定,此处不做具体限定。
意图话术的向量表示可以是使用任意一种句向量模型生成的意图话术的句向量、或者通过任意一种文本表示模型将意图话术表征成的文本表示,本实施例此处不做具体限定。用户查询信息的向量表示与意图话术的向量表示的获取方式一致,可以是使用句向量模型生成的用户查询信息的句向量、或者通过文本表示模型将用户查询信息表征成的文本表示,本实施例此处不做具体限定。其中,相似度阈值可以根据实际应用场景进行配置和调整,例如相似度阈值可以是0.8、0.85、0.95等,此处不做具体限定。
其中,句向量模型用于将一个文本语句转换为句向量。文本表示模型用于将给定文本语句或段落转换为向量表示。本实施例中获取意图话术、用户查询信息的向量表示可以使用如下任意一种模型:独热模型(One Hot Model)、词袋模型(Bag of Words Model)、词频-逆文档频率(TF-IDF)模型、N元(N-Gram)模型、单词-向量模型(Word2vec)、文档-向量模型(Doc2vec)、语言模型等。
可选地,在识别通话文本的用户意图时,服务器还可以使用预训练的意图识别模型,对通话文本进行意图识别,得到通话文本的用户意图。意图识别本质上是意图的分类问题,已有的意图识别的算法有:基于规则的传统机器学习算法,如支持向量机(SupportVector Machine,简称SVM)的意图识别算法;基于深度学习的意图识别算法,如用于意图分类的卷积神经网络(Convolutional Neural Networks,简称CNN)、长短时记忆网络(LongShort-Term Memory,简称LSTM)等。
进一步地,在识别出通话数据的通话文本的用户意图后,服务器根据通话数据的通话文本的用户意图,确定意图标签树中由根节点到用户意图对应叶子节点的意图标签路径,得到通话数据的通话文本的意图标签路径。其中,意图标签树包含叶子节点和至少一层非叶子节点,叶子节点表示用户意图,非叶子节点表示叶子节点的上层意图标签。
具体地,在识别出通话数据的通话文本的用户意图后,针对通话文本的每一用户意图,服务器基于预先构建的意图标签树,确定意图标签树中由根节点到用户意图对应叶子节点的意图标签路径,也即用户意图在意图标签树中的意图标签路径,作为通话文本的意图标签路径。
示例性地,图2示出了意图标签树的一个或部分示例。以金融场景中,通话文本中用户查询信息为“我想贷款20万”为例,服务器可以识别到通话文本的用户意图为“表达贷款金额”。基于图2所示的意图标签树,由根节点到表示用户意图“表达贷款金额”的叶子节点的完整路径为:根节点-金融场景-确认贷款信息-表达贷款金额。由于根节点不具有确定的意图标签和业务逻辑,可以将“根节点”从路径中去除,保留意图标签和用户意图,获得对应的意图标签路径:金融场景-确认贷款信息-表达贷款金额。
在另一可选实施例中,该步骤S302中,服务器可以通过将通话文本与意图标签树中各节点的意图标签进行语义相似匹配,确定通话文本匹配到的节点(意图标签和/或用户意图),并进一步确定对应的意图标签路径。
具体地,服务器将通话数据的通话文本与意图标签树中各节点进行语义相似度匹配,确定与通话数据的通话文本匹配的至少一个节点;进一步地,服务器确定意图标签树中由根节点到至少一个节点的意图标签路径,得到通话数据的通话文本的至少一个意图标签路径。其中,意图标签树包含叶子节点和至少一层非叶子节点,其中叶子节点表示用户意图,非叶子节点表示叶子节点的上层意图标签。
可选地,在确定意图标签树中与通话数据的通话文本匹配的至少一个节点时,服务器可以将通话文本中各轮对话的用户查询信息(query),分别与意图标签树中各个节点进行语义相似度匹配,确定与用户查询信息相似度较高的一个或者多个节点(及意图标签),作为与通话数据的通话文本匹配的至少一个节点。其中,用户查询信息(query)与意图标签树中各个节点的相似度,可以是用户查询信息(query)与意图标签树的字词相似度、句向量的相似度等,可以采用的文本语义相似匹配的方式实现此处不做具体限定。
示例性地,图2示出了意图标签树的一个或部分示例。以政务场景中,通话文本中用户查询信息为“我想做个医保备案”为例,服务器将该用户查询信息与意图标签数据中共各个节点进行语义匹配,可以匹配到相似度较高的意图标签和用户意图:医疗保险、备案,进一步可以确定由根节点到匹配到的节点的完整路径:根节点-政务场景-医疗保险-备案。由于根节点不具有确定的意图标签和业务逻辑,可以将“根节点”从完整路径中去除,保留意图标签和用户意图,获得对应的意图标签路径:政务场景-医疗保险-备案。
在一可选实施例中,服务器提供意图标签树的管理功能。意图标签树是通话数据分析的基础,在意图标签树管理功能中,相关人员以标签树这种结构化的方式搭建符合业务需要的标签体系,形成意图标签树,该标签树最底层的叶子节点关联到意图库中的用户意图,其他非叶子节点为意图标签,代表了一种对应层级业务类型。相关人员可以通过前端界面对意图标签树进行灵活地配置。
具体地,响应于标签管理指令,服务器在标签管理界面中显示意图标签树。相关人员可以通过前端界面提供的控件或链接等,触发向服务器提交标签管理指令。服务器响应于接收到标签管理指令,显示标签管理界面,在标签管理界面中显示意图标签树,并提供意图标签树的编辑、调整功能。相关人员可以在标签管理界面中对意图标签树进行调整操作。响应于对意图标签树的节点调整操作,服务器更新意图标签树。
其中,对意图标签树进行的调整操作包括但不限于:增加任意层级的意图标签、在任意层级的意图标签下增加用户意图、修改用户意图、修改意图标签、删除用户意图、删除意图标签、转移用户意图的位置、转移意图标签的位置。
示例性地,图4为本实施例提供的一种标签管理界面的示例图,如图4所示,标签管理界面左侧显示了图2所示意图标签树中意图标签间的层级关系。图4中用黑色矩形框表示当前选中的意图标签为“确认贷款信息”,该意图标签下当前有两个用户意图:“表达贷款金额”、“表达贷款时长”,界面中还可以显示用户意图的名称、意图话术(即可能的用户问题)、意图类型等用户意图相关的信息。如图4所示,标签管理界面中提供了可对用户意图进行的部分操作,如“删除”、“转移”等的控件,点击“转移”控件后,可以选择将用户意图转移到的意图标签。
另外,如图4所示,标签管理界面还支持批量导入意图标签,或导出意图标签,在批量导入意图标签之后,服务器自动更新标签管理界面中左侧显示的意图标签。
需要说明的是,图4所示的标签管理界面仅为一个简单的示例,实际应用中标签管理界面可以实现更多种类对意图标签树进行的调整操作,对于所能实现的对意图标签树进行的调整操作不做具体限定。
在一可选实施例中,在获得通话数据的意图标签路径之后,服务器存储各通话数据的意图标签路径,以便于在需要对通话数据进行分析时,可以快速获取到各通话数据的意图标签路径,基于各通话数据的意图标签路径进行分析,获得数据分析结果。
另外,服务器还提供通话管理功能。在通话管理功能中,相关人员可以设置检索条件,从已有通话数据中筛选出满足检索条件的通话数据,进行显示。在显示通话数据时,可以显示通话数据的标识(如ID)、通话时间、通话时长、通话类型、通话渠道、坐席标识(如ID)等基础信息,还可以通话数据的用户情绪类别、坐席情绪类别、意图标签路径、包含的热词等对通话数据的特征数据。用户可以通过设置时间范围,以及基于预设的一个或多个字段(如坐席、坐席情绪、用户情绪、意图标签等),来配置检索条件。
示例性地,图5为本实施例提供的通话管理界面的一个示例图,如图5所示,通话管理界面可以显示通话ID、通话时间、通话时长、通话类型、通话渠道、坐席ID等基础信息,还可以通话数据的用户情绪、坐席情绪、意图标签等数据。用户可以通过设置时间范围,以及基于预设的一个或多个字段(如坐席、技能组名称、热词、坐席情绪、用户情绪、意图标签、人名等),来配置检索条件。通话管理界面可以提供搜索和重置检索条件的控件。当检索人员完成检索条件设置,点击“搜索”时,向服务器提交通话检索请求。服务器响应于通话检索请求,获取满足检索条件的通话数据,并获取需要显示的通话数据的关键信息,如通话数据的意图标签路径,并在界面中显示通话数据集关键信息。
另外,在一些实施例中,通话管理模块的功能还可以包括接收通话数据、通话语音的自动语音识别,基础通话特征(包括但不限于用户情绪类别、坐席情绪类别、包含的热词)的提取,意图识别、生成通话记录等。
步骤S303、根据通话数据的通话文本的意图标签路径,对通话数据进行分析,获得通话数据的数据分析结果。
在获得通话数据的通话文本的意图标签路径之后,由于通话文本的意图标签路径包含通话文本覆盖的用户意图及至少一层上层的意图标签,基于通话文本的意图标签路径,服务器从意图、各层级意图标签、意图标签路径等维度对通话数据进行统计分析,获得通话数据的数据分析结果,以提升通话数据分析结果的质量。
需要说明的是,当某次通话命中多个意图标签时,针对每种意图标签进行通话数据统计时均会统计该通话数据1次。当某次通话命中多个用户意图时,针对每种用户意图进行通话数据统计时均会统计该通话数据1次。
可选地,服务器可以根据通话数据的通话文本的用户意图,计算各类用户意图的通话量特征。其中,通话量特征包括如下至少一项通话数量、通话数量占比。这样,可以在用户意图维度对通话数据进行统计分析,获得各类意图的通话数量分布。在实际应用中,用户意图代表通话的主题内容,各类意图的通话数量分布可以从宏观上体现通话数据的主题/意图的分布情况。基于各类意图的通话数量分布,可以挖掘热点用户意图、热点通话内容,用于挖掘热门用户需求或规避业务风险。
可选地,服务器可以根据通话数据的通话文本的意图标签路径,按照意图标签的层级,计算各层级意图标签的通话量特征。其中,通话量特征包括如下至少一项通话数量、通话数量占比。这样,可以在各层级意图标签的维度对通话数据进行统计分析,获得各层级意图标签的通话数量分布。在实际应用中,各层级意图标签代表不同层级的业务组织信息,各层级意图标签的通话数量分布可以体现通话数据在各层级业务上的分布特征,可用于指导不同业务下的人力资源分布。
例如,在人工/智能坐席***中,各层级意图标签的通话数量分布,体现通话数据在各层级业务上的分布特征,可以用于合理分配不同业务下的坐席人力资源分布。
例如,在智能乘车***中,基于各层级意图标签的通话数量分布,如与“支付”这一标签相关的通话数据一共156通,其中与“司机诱导乘客线下交易”这一标签的通话为29通话,占比0.07%,通过不同层级标签的通话数量及占比,可以分析出当前支付类问题主要由哪些问题导致,以及司机违规引导线下支付的行为的情况是否严重。
可选地,服务器可以根据通话数据的通话文本的意图标签路径,计算不同层级的意图标签路径的通话量特征。其中,通话量特征包含如下至少一项通话数量、通话数量占比。进一步地,基于不同层级的意图标签路径的通话量特征,可以找出高频的意图标签路径,可以用于指导更新对话***的业务流程。
可选地,服务器还可以针对同一次通话数据中的多轮对话,根据各轮对话的用户意图的意图标签路径,针对某一标签层级(如第二级标签、一级标签等),将各轮对话的用户意图的意图标签路径中指定标签层级的意图标签(对应业务标签),按照先后顺序排列,形成一次通话的通话内容路径。该通话内容路径体现了通话中用户对话主题之间的关联性。例如,在一次通话中,用户先咨询了业务1(二级标签),在咨询业务2(二级标签),最后咨询业务3(二级标签),那么该次通话的通话内容路径为:业务1-业务2-业务3。该通话内容路径按照二级标签分析生成,说明这些二级意图标签对应业务下的通话具备强关联性。进一步地,通过分析不同层级标签的通话内容路径,实现各层级业务下的通话关联性分析,可以用于用户情绪安抚、客户挽留、挖掘新的营销时机等。例如,如一次通话覆盖了“办理***退还”、“表述退还原因”、“信用新卡置换”这些意图标签(对应业务标签),说明对部分办理退还的客户做了适当的引导挽留。
进一步地,服务器还可以基于各通话的通话内容路径,统计各通话内容路径的通话数据出现的频率、占比、次数中的至少一种,由此可以发现高频的通话内容路径,可以用于用户情绪安抚、客户挽留、挖掘新的营销时机等。
其中高频通话内容路径是指该路径的通话数据出现的频率、占比或次数,满足如下至少一个条件的通话内容路径:频率大于或等于预设频率阈值、占比大于或等于预设占比阈值、次数大于或等于预设次数阈值。其中预设频率阈值、预设占比阈值和预设次数阈值可以根据实际应用场景的需要进行配置和调整,此处不做具体限定。
示例性地,服务器可以提供关联性分析界面,以设定进行关联性分析的条件和展示关联性分析的结果。可选地,在展示关联性分析的结果时,可以显示高频通话内容路径的相关统计数据。
例如,图6为本实施例提供的关联性分析界面的一种示例图,如图6所示,关联性分析界面中可以设置进行关联性分析的标签层级,如图6中设置“以第一级标签进行分析”,则针对第一级标签,将通话中各轮对话的用户意图的意图标签路径中第一级意图标签,按照先后顺序排列,形成通话的通话内容路径,统计各种通话内容路径的通话数据出现的频率和占比。在关联性分析界面所展示的关联性分析的结果中包含多种高频通话内容路径的通话数据出现的频率和占比。另外,如图6所示,关联性分析界面还支持基于关键字进行通话内容路径的搜索。
可选地,对于呼入场景,在预设时长内客户呼入通话的次数达到预设通话次数阈值的情况下,服务器自动启动对该预设时长内该客户的通话数据进行分析,根据通话数据的用户意图和意图标签路径,从用户意图、各层级意图标签的维度进行分析,并输出通话数据分析结果,以指导相关人员快速确定用户重复呼入的原因,挖掘出之前各服务环节存在的问题,降低用户重复呼入的频率,提升服务体验和效率。其中,预设时长和预设通话次数阈值可以根据实际应用场景的需要和经验值进行配置和调整,例如,预设时长可以为1-3天,预设通话次数阈值可以为3次、5次等,本实施例此处不做具体限定。
需要说明的是,在实际应用中,服务器在确定通话数据的通话文本的意图标签路径,也即得到通话数据对应的意图标签路径之后,可以存储通话数据对应的意图标签路径。在需要对通话数据进行分析时,分析人员可以通过前端界设置待分析的通话数据满足的筛选条件,包括但不限于指定时间范围、涉及的业务范围、以及通话数据的情绪类别等其他信息,通过设置通话数据的筛选条件,来限定待分析的通话数据的范围。另外,分析人员还可以通过前端界面指定本次要分析的意图标签层级,以针对指定的意图标签层级进行通话数据的统计分析。
本实施例的方法,通过获取通话数据的通话文本,识别通话数据的通话文本的意图标签路径,意图标签路径包含至少一层意图标签,从而可以自动识别各通话数据覆盖的用户意图及至少一层上层的意图标签;进一步地,根据通话数据的通话文本的意图标签路径,对通话数据进行分析,获得通话数据的数据分析结果,大大提升通话数据分析的效率;并且通话文本的意图标签路径包含通话文本覆盖的用户意图及上层的意图标签,基于通话文本的意图标签路径,可以实现从意图、各层级意图标签、意图标签路径等维度对通话数据进行统计分析,提升通话数据分析结果的质量。
在一可选实施例中,在获得通话数据的数据分析结果之后,服务器可以将通话数据的数据分析结果进行可视化输出,以指导相关人员基于数据分析结果优化通话***、指定经营策略等。
示例性地,服务器可以按照意图标签树中各层级的意图标签和用户意图,以桑基图的形式,可视化输出通话数据的通话量特征,便于分析人员查看通话数据在各层级的意图标签和用户意图的分布情况。
例如,以各层级意图标签和用户意图的通话量特征(包括通话数量、通话数量占比)为例,可以展示成如图7所示的桑基图的形式,图中的信息和数据仅为示例,用于说明桑基图的形式。图7中展示了呼叫中心呼入场景中通话数据在各层级意图标签(即业务标签)和用户意图的数量和占比的分布。
可选地,对于通话数据的数据分析结果,服务器还可以采用折线图、面积图、直方图、柱状图等等其他图表的方式进行可视化输出。例如,服务器可以按照意图标签树中各层级的意图标签和用户意图,以折线图、面积图、直方图、柱状图等方式,可视化输出通话数据的通话量特征。
示例性地,服务器还可以根据通话数据的数据分析结果,按照预设报表格式,生成通话分析报表,输出通话分析报表。其中,生成通话分析报表的预设报表格式可以根据实际应用场景的分析需求进行配置和调整,此处不做具体限定。
示例性地,图8为本实施例提供的一种对话***的数据流转图,如图8所示,对话***产生通话语音和通话文本。对于通话语音,服务器会通过自动语音识别(ASR)将通话语音转换为文本。服务器对于获得的通话文本进行通话分析,获得通话数据分析结果。通话分析主要包括意图识别和意图标签路径识别,以获得通话数据的用户意图和意图标签路径等特征数据。另外通话分析还可以确定通话数据的通话时间、通话时长、通话者(如客户、坐席等)的信息、包含的热词、通话者的情绪类别等等特征数据。服务器进行通话数据的存储,以存储通话数据及其特征数据。基于存储的通话数据和特征数据,服务器可以构建ES检索库,实现通话检索、进行通话分析并生成通话分析报表等功能。另外,服务器还可以实现通话数据和特征数据的持久化存储。例如,服务器可以将通话语音文件存储到网络文件***(Network File System,简称NFS)中,将通话数据的通话文本及特征数据存储到数据库(Database,简称DB)中,另外还可以采用其他常用的数据存储方式存储通话数据和特征数据,此处不做具体限定。
图9为本申请实施例提供的一种云服务器的结构示意图。如图9所示,该云服务器包括:存储器901和处理器902。存储器901,用于存储计算机执行指令,并可被配置为存储其它各种数据以支持在云服务器上的操作。处理器902,与存储器901通信连接,用于执行存储器901存储的计算机执行指令,以实现上述任一方法实施例所提供的技术方案,其具体功能和所能实现的技术效果类似,此处不再赘述。
可选的,如图9所示,该云服务器还包括:防火墙903、负载均衡器904、通信组件905、电源组件906等其它组件。图9中仅示意性给出部分组件,并不意味着云服务器只包括图9所示组件。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现前述任一实施例的方法,具体功能和所能实现的技术效果此处不再赘述。
本申请实施例还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现前述任一实施例的方法。计算机程序存储在可读存储介质中,服务器的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得服务器执行上述任一方法实施例所提供的技术方案,具体功能和所能实现的技术效果此处不再赘述。
本申请实施例提供一种芯片,包括:处理模块与通信接口,该处理模块能执行前述方法实施例中服务器的技术方案。可选的,该芯片还包括存储模块(如,存储器),存储模块用于存储指令,处理模块用于执行存储模块存储的指令,并且对存储模块中存储的指令的执行使得处理模块执行前述任一方法实施例所提供的技术方案。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块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(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例方法的部分步骤。
应理解,上述处理器可以是处理单元(Central Processing Unit,简称CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。存储器可能包含高速随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
上述存储器可以是对象存储(Object Storage Service,简称OSS)。
上述存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Read Only Memory,简称PROM),只读存储器(Read Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
上述通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如移动热点(WiFi),第二代移动通信***(2G)、第三代移动通信***(3G)、***移动通信***(4G)/长期演进(LongTerm Evolution,简称LTE)、第五代移动通信***(5G)等移动通信网络,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,通信组件还包括近场通信(Near FieldCommunication,简称NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RadioFrequency Identification,简称RFID)技术,红外技术,超宽带(Ultra Wide Band,简称UWB)技术,蓝牙技术和其他技术来实现。
上述电源组件,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理***,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例的顺序仅仅为了描述,不代表实施例的优劣。另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。“多个”的含义是两个以上,除非另有明确具体的限定。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (13)
1.一种通话数据处理方法,其特征在于,包括:
获取通话数据的通话文本;
识别所述通话数据的通话文本的意图标签路径,所述意图标签路径包含至少一层意图标签;
根据所述通话数据的通话文本的意图标签路径,对所述通话数据进行分析,获得所述通话数据的数据分析结果。
2.根据权利要求1所述的方法,其特征在于,所述获取通话数据的通话文本,包括:
获取通话语音;
对所述通话语音进行自动语音识别,得到所述通话语音的通话文本。
3.根据权利要求2所述的方法,其特征在于,所述获取通话语音文件,包括:
接收客服***实时发送的通话语音;
和/或,
接收通过前端界面上传的通话语音。
4.根据权利要求2所述的方法,其特征在于,所述获取通话语音,包括:
在检测到任一用户在预设时段内的通话次数大于或等于通话次数阈值时,获取所述用户在所述预设时段内的通话语音。
5.根据权利要求1所述的方法,其特征在于,所述识别所述通话数据的通话文本的意图标签路径,包括:
识别所述通话数据的通话文本的用户意图;
根据所述通话数据的通话文本的用户意图,确定意图标签树中由根节点到所述用户意图对应叶子节点的意图标签路径,得到所述通话数据的通话文本的意图标签路径;
其中,所述意图标签树包含叶子节点和至少一层非叶子节点,叶子节点表示用户意图,非叶子节点表示叶子节点的上层意图标签。
6.根据权利要求5所述的方法,其特征在于,所述识别所述通话数据的通话文本的用户意图,包括:
针对所述通话数据的通话文本中至少一轮对话的用户查询信息,根据各轮对话的用户查询信息与意图库中意图的意图话术的第一相似度,从所述意图库中召回预设数量的候选意图;
根据所述候选意图的意图话术的向量表示与所述用户查询信息的向量表示的第二相似度,筛选出所述第二相似度大于或等于相似度阈值的候选意图,得到各轮对话的用户意图;
所述通话数据的通话文本的用户意图包含所述至少一轮对话的用户意图。
7.根据权利要求1所述的方法,其特征在于,所述识别所述通话数据的通话文本的意图标签路径,包括:
将所述通话数据的通话文本与意图标签树中各节点进行语义相似度匹配,确定与所述通话数据的通话文本匹配的至少一个节点;
确定所述意图标签树中由根节点到所述至少一个节点的意图标签路径,得到所述通话数据的通话文本的至少一个意图标签路径;
其中,所述意图标签树包含叶子节点和至少一层非叶子节点,其中叶子节点表示用户意图,非叶子节点表示叶子节点的上层意图标签。
8.根据权利要求1所述的方法,其特征在于,所述根据所述通话数据的通话文本的意图标签路径,对所述通话数据进行分析,获得所述通话数据的数据分析结果,包括如下至少一项:
根据所述通话数据的通话文本的用户意图,计算各类用户意图的通话量特征;
根据所述通话数据的通话文本的意图标签路径,按照意图标签的层级,计算各层级意图标签的通话量特征;
根据所述通话数据的通话文本的意图标签路径,计算不同层级的意图标签路径的通话量特征;
其中,所述通话量特征包含如下至少一项通话数量、通话数量占比。
9.根据权利要求8所述的方法,其特征在于,还包括:
根据各类意图的意图量特征,确定热点用户意图,输出热点用户意图;
和/或,
根据各层级的意图标签路径的通话量特征,确定热点意图标签路径,输出热点意图标签路径。
10.根据权利要求1-9中任一项所述的方法,其特征在于,还包括:
响应于标签管理指令,在标签管理界面中显示意图标签树;
响应于对所述意图标签树的节点调整操作,更新所述意图标签树。
11.根据权利要求1-9中任一项所述的方法,其特征在于,还包括:
响应于通话检索请求,获取满足检索条件的通话数据及通话数据的意图标签路径;
输出满足检索条件的通话数据及通话数据的意图标签路径。
12.一种服务器,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述服务器执行权利要求1-11中任一项所述的方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311646111.5A CN117676014A (zh) | 2023-12-01 | 2023-12-01 | 通话数据处理方法、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311646111.5A CN117676014A (zh) | 2023-12-01 | 2023-12-01 | 通话数据处理方法、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117676014A true CN117676014A (zh) | 2024-03-08 |
Family
ID=90072768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311646111.5A Pending CN117676014A (zh) | 2023-12-01 | 2023-12-01 | 通话数据处理方法、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117676014A (zh) |
-
2023
- 2023-12-01 CN CN202311646111.5A patent/CN117676014A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112492111B (zh) | 一种智能语音外呼方法、装置、计算机设备和存储介质 | |
US11507850B2 (en) | System and method for call centre management | |
CN111182162B (zh) | 基于人工智能的电话质检方法、装置、设备和存储介质 | |
CN106407178A (zh) | 一种会话摘要生成方法及装置 | |
CN110516057B (zh) | 一种信访问题答复方法及装置 | |
CN112925888B (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 | |
CN112507092A (zh) | 基于ai文本机器人完成工单智能填写功能的实现方法 | |
CN110880142B (zh) | 一种风险实体获取方法及装置 | |
CN112579733B (zh) | 规则匹配方法、规则匹配装置、存储介质及电子设备 | |
CN112235470B (zh) | 基于语音识别的来电客户跟进方法、装置及设备 | |
CN114282498B (zh) | 一种应用于电力交易的数据知识处理*** | |
CN110874399B (zh) | 信息处理方法、装置、计算设备及终端 | |
CN110246494A (zh) | 基于语音识别的服务请求方法、装置及计算机设备 | |
CN113836898A (zh) | 一种电力***自动派单方法 | |
US20230004587A1 (en) | Bot for query analysis and interface generation | |
CN116108858A (zh) | 文本处理方法以及装置 | |
CN117676014A (zh) | 通话数据处理方法、服务器及存储介质 | |
CN109189912A (zh) | 用户咨询语句库的更新方法及装置 | |
CN114239602A (zh) | 会话方法、装置和计算机程序产品 | |
US20220309413A1 (en) | Method and apparatus for automated workflow guidance to an agent in a call center environment | |
CN113111157A (zh) | 问答处理方法、装置、计算机设备和存储介质 | |
CN114254088A (zh) | 自动应答模型的构建方法和自动应答方法 | |
CN111552785A (zh) | 人机交互***数据库更新方法、装置、计算机设备和介质 | |
CN117473070B (zh) | 智能机器人的多渠道应用方法、智能机器人和存储介质 | |
CN113077272B (zh) | 通信业务营销案优化方法和装置 |
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 |