一种智能投诉分类与处理系统技术方案

如今，互联网已经成为社会必不可少的基础设施。但用户在使用互联网时所碰到的问题需要向相关客服反映，很长时间才能得到解决且成本高效率低。解决用户投诉问题的传统BP算法分类技术已经不能满足当前业务的增长速度。本发明专利技术涉及互联网、电子商务、电信等服务行业业务IT支撑、客户服务技术领域。它是一种基于深度学习的智能投诉分类与处理系统，包括对投诉语音、文本进行向量化处理，BP神经网络深度学习实现投诉分类，BP神经网络深度学习，实现投诉处理通过对客服系统输入的投诉文本进行向量化处理，转为文本向量，利用深度BP神经网络进行训练，生成投诉机器分类，然后进行不同的系统集成，最终进行特定投诉类型的输出匹配，实现机器智能回复。

【技术实现步骤摘要】
一种智能投诉分类与处理系统一、
1、本专利技术涉及互联网、电子商务、电信等服务行业业务IT支撑、客户服务
它是一种基于深度学习的智能投诉分类与处理系统，包括对投诉语音、文本进行向量化处理，BP神经网络深度学习实现投诉分类，BP神经网络深度学习，实现投诉处理。二、
技术介绍
随着移动互联网的快速发展，旅游、电信、交通、娱乐、商务等各领域已经被互联网深入渗透，互联网已经成为提升社会效率、促进经济发展的基础设施。但是用户在使用互联网便利的过程中，可能会遇到很多问题。用户一般是通过相关应用的客户服务电话或者客户服务系统进行问题反映，一般等待较长时间后，用户问题可能才会得有效解决，效率较低、成本较高。当前，解决用户投诉问题的关键步骤是投诉问题识别、投诉问题分类和投诉问题回复、和用户意见反馈收集。目前投诉处理的流程是主要分为两大模式：1、传统模式(主流模式)(1)当用户进行投诉请求过程中，接线员将用户的请求按照客服系统“服务请求受理”的模板进行录入，并手工分类。(2)一线投诉处理人员按照话务员录入的投诉工单进行处理。(3)如遇到疑难投诉，一线投诉人员按照手工分类，将投诉分派到不同的IT支撑部门进行处理。(4)IT支撑部门二线投诉前台人员对转派投诉进行再处理，如还未解决，再将疑难投诉派至二线后台研发工程师。具体流程图如下图-1所示：2.采用简单神经网络进行投诉处理(1)将用户投诉内容向量化标记(2)采用简单BP神经网络进行投诉训练、投诉处理，具体流程如图-2所示现有技术的缺点及本申请提案要解决的技术问题1、主流(传统)模式接线员根据用户语音，手工录入投诉内容，先进行手工分类，然后进行相关处理回复，是一种被动的、低效、延迟的模式。上一级的投诉处理人员的处理内容对下一级的投诉处理人员帮助较小(存在人工分类、处理失误的情况)，每一层投诉处理人员，都要仔细阅读投诉概要，进行自己相应的处理，造成重复劳动，效率低下的问题。而且根据投诉处理人员对业务掌握的程度不同，对于用户投诉回复质量也参差不齐。降低了用户满意度，影响用户感知。2、简单神经网络进行投诉处理采用BP神经网络进行投诉处理、虽然能够提升投诉处理效率，但是有两个问题没有本质突破：(1)投诉分类和处理叠加在一起，系统处理难度较高(参数维度高)；(2)投诉处理正确率不高，基本上在75％左右(增大训练量也无法提升正确率)，没有高正确率的自动投诉处理系统对于智能投诉处理来说，实际效果和意义都不大。为了大幅提升投诉处理流程繁琐、时间长、自动投诉处理复杂度较高、正确率较低的问题，我们需要建立一套基于深度学习神经网络的智能投诉识别与处理系统。该系统能够利用深度神经网络：(1)投诉内容进行向量化处理、通过深度学习，智能分类；(2)利用智能分类结果和投诉内容向量继续进行深度学习，智能处理结果；(3)为人工处理投诉提供了极为便利的自动化辅助工具，甚至简单投诉可以直接机器代替人进行回复。本专利技术就是针对以上存在的问题与不足，提供了一种基于深度学习的智能投诉分类与处理系统，它包括对投诉语音、文本进行向量化处理，BP神经网络深度学习实现投诉分类，BP神经网络深度学习，实现投诉处理。该方法设计优化新颖，可操作性强，采用该方法设计的功能模块提供了与其他相关模块衔接的接口，为后续分析提供了科学实用的第一手资料。在保证测定结果准确性与可靠性的同时，简化了测量步骤，为智能投诉系统增加了准确性和可靠性。三、
技术实现思路
总体系统架构：系统实现需要与现客服系统建立接口，整体系统如图-5：(1)智能投诉识别与处理系统：1、从客服系统输入的投诉文本进行向量化处理，转为文本向量2、智能投诉分类系统将投诉文本向量作为输入，深度BP神经网络进行训练，生成投诉机器分类(输出)，客服系统将正确分类结果反向反馈到机器分类模块，系统将自身输出与最终结果进行误差分析，然后将分析结果传递到前一层神经网络，并调节每一层神经网络权值相关函数，来达到优化输出值作用，从而不断完善自身系统，提升系统投诉分类准确率。(测试能够达到97％)3、智能投诉处理系统首先准备好每一类投诉的用户满意回复集合，并进行向量化处理。然后将第二步生成的深度BP神经网络生成机器分类结果和投诉文本向量作为输入，生成智能投诉处理结果作为输出，客服系统最终将用户满意的投诉处理结果反向反馈到机器投诉处理模块，系统将自身输出与最终结果进行误差分析，然后将分析结果传递到前一层神经网络，并调节每一层神经网络权值相关函数，来达到优化输出值作用，从而不断完善自身系统，提升系统投诉处理准确率。(测试能够达到95％)本提案的技术要点三部分内容(2)投诉语音、文本进行向量化处理目前，文本的空间向量表示法是比较常用的文本转换方法。文本的表示主要采用向量空间模型(VSM)。向量空间模型的基本思想是以向量来表示文本:(W1,W2,W3,Wn),其中Wi为第i个特征项的权重。通常词汇作为向量的维数来表示文本。最初的向量表示完全是0,1形式，即:如果文本中出现了该词,那么文本向量的维度为1,否则为0。采用文本的空间向量模型，首先建立投诉常用词汇库WordDic。如词汇库中包含词汇：1.退订业务(取消业务)、2.业务费用、3.退费、4.不能使用、5.退货、6.质量低、7.快递、8.包装……投诉文本转换为空间向量算法：(1)文本分词(2)建立分词向量当输入用户投诉文本后，首先进行分词操作，将投诉文本中的关键词取出，然后通过检索词库中的关键字(包含关键字同义词)，如果存在该关键字，该词汇按照所在词库的序列位置在空间向量相应的维数中填写1，反之则填写0。假设WordDic词库只包含如下9个词汇，用户投诉内容为“用户反映不能正常使用XX产品订购业务，请处理”通过轮询检索关键字：第一位0，第二位0，第三位1，第四位1，第五到第九位都是0，算法最后得到文本向量(0,0,1,1,0,0,0,0,0)。算法流程图-4：(3)BP神经网络深度学习实现投诉分类我们可以采用图-6所示的深度神经网络，增加隐藏层的层数，使用多层深度学习，对投诉文本向量进行机器分类。采用BP神经网络，建立一个有五层层网络模型，输入层，隐藏层layer1，隐藏层layer2,隐藏层layer3、输出层。选择的激励函数是sigmoid函数:首先在对输入层输入我们投诉文本(空间向量转换后)进行线性组合(公式(1)所示)。经过隐含层的函数的作用(公式(2)所示)，在输出端口输出值(l表示网络的层数),每一层经过线性组合进行输入,通过激励函数进行输出。我们的目标是代价函数让代价函数(公式(3)所示)越小，神经网络分类越准确)。具体让代价函数变小的过程是，梯度下降算法，(公式(4)(5)所示)并且使用反向传播算法缩小误差。(公式(6)(7)(8)所示)①线性组合②激励函数作用③代价函数每次训练，通过梯度下降都按照公式(4)(5)进行W和b更新，为神经网络寻找更加适合的参数值(5)中对于N(l)层(输出层)的每个单元i,根据以下公式(6)(7)计算残差(误差)计算最终需要的偏导数值矩阵，进行参数更新，如下公式(8)所示系统实现该神经网络集成结构包括四个重要步骤：1、通过多层神经网络，利用文本向量进行深度训练，每一层输出是下一层能输入2、持续训本文档来自技高网...

【技术保护点】
1.一种基于深度学习的智能投诉分类与处理系统，它包括对投诉语音、文本进行向量化处理，BP神经网络深度学习实现投诉分类，BP神经网络深度学习，实现投诉处理。

【技术特征摘要】
1.一种基于深度学习的智能投诉分类与处理系统，它包括对投诉语音、文本进行向量化处理，BP神经网络深度学习实现投诉分类，BP神经网络深度学习，实现投诉处理。2.文本向量化处理，文本的表示主要采用向量空间模型(VSM)。向量空间模型的基本思想是以向量来表示文本:(W1,W2,W3,W4,W5)其中Wi为第i个特征项的权重。通常词汇作为向量的维数来表示文本。最初的向量表示完全是0,1形式，即:如果文本中出现了该词，那么文本向量的该维度为1，否则为0。采用文本的空间向量模型，首先建立投诉常用词汇库WordDic。如词汇库中包含词汇：1、退订业务(取消业务)；2、业务费用；3、退费；4、不能使用；5、退货；6、质量低；7、快递；8、包装等。投诉文本转换为空间向量算法：(1)文本分词(2)建立分词向量当输入用户投诉文本后，首先进行分词操作，将投诉文本中的关键词取出，然后通过检索词库中的关键字(包含关键字同义词)，如果存在该关键字，该词汇按照所在词库的序列位置在空间向量相应的维数中填写1，反之则填写0。假设WordDic词库只包含如下9个词汇，用户投诉内容为“用户反映不能正常使用XX产品订购业务，请处理”通过轮询检索关键字：第一位0，第二位0，第三位1，第四位1，第五到第九位都是0，算法最后得到文本向量(0,0,1,1,0,0,0,0,0)。3.BP神经网络深度学习实现投诉分类，采用BP神经网络，建立一个有五层网络模型，输入层，隐藏层layer1，隐藏层layer2，隐藏层layer3、输出层。选择的激励函数是sigmoid函数:首先在对输入层输入我们投诉文本进行线性组合。经过隐含层的函数的作用，在输出端口输出值,每一层经过线性组合进行输入,通过激励函数进行输出。我们的目标是代价函数让代价函数越小，神经网络分类越准确)。具体让代价函数变小的过程是，梯度下降算法，并且使用反向传播算法缩小误差。系统实现该神经网...

【专利技术属性】
技术研发人员：周庆国，武强，雍宾宾，申泽邦，王金强，胡轶凛，
申请(专利权)人：兰州大学，
类型：发明
国别省市：甘肃,62