客服质量评价方法和装置制造方法及图纸

本发明专利技术公开了一种客服质量评价方法和装置。所述客服质量评价方法包括：当接收到模型训练指令时，获取至少一个训练语句和每个所述训练语句对应的情感标签；获取预先设置的神经网络模型，并根据每个所述训练语句、每个所述训练语句对应的情感标签以及所述神经网络模型训练获得情感分析模型；根据所述情感分析模型对每个客服对话进行分析，获得每个所述客服对话的情感系数，并根据每个所述情感系数生成相应的客服质量评价结果。采用本发明专利技术，能够提高对客服质量进行评价的过程的效率，且提高评价结果的准确率。

【技术实现步骤摘要】
客服质量评价方法和装置
本专利技术涉及计算机
，尤其涉及一种客服质量评价方法和装置。
技术介绍
服务质量是一个企业(尤其是服务行业企业)生存和发展的根本。质检，即质量检验，是一个企业拥有优质而稳定的服务质量的重要保证。在现如今的客服领域，对客服质量的评价通常由客服人员的响应时间、服务态度、服务用语、服务技巧、咨询内容等方面组成。其中，对客服人员的服务态度的评价通常都是由质检员对客服人员的电话实时对话或者电话录音进行监听，分析判断客服人员在电话对话过程的情绪为积极情绪亦或是消极情绪，同时判断客户所反馈的情绪为积极情绪亦或是消极情绪来实现的。可以理解的是，由于现有的客服质量评价过程依赖于质检员的人工判断，因此效率十分低下，且由于无统一的评判标准，完全依赖于质检员的主观判断，因此容易出现所得到的评价结果与实际情况不相符合的情况。
技术实现思路
本专利技术实施例提出一种客服质量评价方法和装置，能够提高对客服质量进行评价的过程的效率，且提高评价结果的准确率。本专利技术实施例提供的一种客服质量评价方法，具体包括：当接收到模型训练指令时，获取至少一个训练语句和每个所述训练语句对应的情感标签；获取预先设置的神经网络模型，并根据每个所述训练语句、每个所述训练语句对应的情感标签以及所述神经网络模型训练获得情感分析模型；根据所述情感分析模型对每个客服对话进行分析，获得每个所述客服对话的情感系数，并根据每个所述情感系数生成相应的客服质量评价结果。进一步地，所述当接收到模型训练指令时，获取至少一个训练语句和每个所述训练语句对应的情感标签，具体包括：当接收到所述模型训练指令时，根据所述模型训练指令获取至少一个客服对话历史记录；其中，每个所述客服对话历史记录中包含至少一个对话语句和每个所述对话语句对应的情感标签；将每个所述客服对话历史记录中的每个字数大于等于N且对应的情感标签属于预设的情感标签类型的所述对话语句作为所述训练语句；其中，N≥1。进一步地，N＝5；所述情感标签类型包括积极标签类型和消极标签类型。进一步地，在所述当接收到模型训练指令时，获取至少一个训练语句和每个所述训练语句对应的情感标签之后，所述获取预先设置的神经网络模型，并根据每个所述训练语句、每个所述训练语句对应的情感标签以及所述神经网络模型训练获得情感分析模型之前，还包括：将每个所述训练语句和每个所述训练语句对应的情感标签由文本格式形式转换为向量格式形式。进一步地，所有所述训练语句中包括至少一个第一训练语句和至少一个第二训练语句；其中，所有所述训练语句中的所述第一训练语句的个数与所述第二训练语句的个数的比例为4比1；则所述获取预先设置的神经网络模型，并根据每个所述训练语句、每个所述训练语句对应的情感标签以及所述神经网络模型训练获得情感分析模型，具体包括：获取所述神经网络模型，将每个所述第一训练语句和每个所述第一训练语句对应的情感标签代入至所述神经网络模型中进行训练，获得训练后神经网络模型；将预先设置的至少一个模型参数代入所述训练后神经网络模型，获得每个所述模型参数对应的情感分析初始模型；将所有所述第二训练语句和所有所述第二训练语句对应的情感标签代入每个所述情感分析初始模型，计算获得每个所述情感分析初始模型的模型性能评价值；将所有所述模型性能评价值中的最优模型性能评价值所对应的所述情感分析初始模型作为所述情感分析模型。进一步地，所述获取所述神经网络模型，将每个所述第一训练语句和每个所述第一训练语句对应的情感标签代入至所述神经网络模型中进行训练，获得训练后神经网络模型，具体包括：获取所述神经网络模型，在将每个所述第一训练语句和每个所述第一训练语句对应的情感标签代入所述神经网络模型后对所述神经网络模型进行迭代；将经过1000次所述迭代的所述神经网络模型作为所述训练后神经网络模型。进一步地，所述训练后神经网络模型中包含至少一个神经网络层；则每个所述模型参数中包括神经网络隐藏层个数、每个所述神经网络层中的神经元的个数以及每个所述神经网络层所对应的激活函数的信息。进一步地，所述模型性能评价值为F1分数值；则所述最优模型性能评价值为最大F1分数值。进一步地，所述神经网络模型为LSTM神经网络模型。相应地，本专利技术实施例还提供了一种客服质量评价装置，具体包括：训练语句获取模块，用于当接收到模型训练指令时，获取至少一个训练语句和每个所述训练语句对应的情感标签；情感分析模型训练模块，用于获取预先设置的神经网络模型，并根据每个所述训练语句、每个所述训练语句对应的情感标签以及所述神经网络模型训练获得情感分析模型；以及，质量评价结果生成模块，用于根据所述情感分析模型对每个客服对话进行分析，获得每个所述客服对话的情感系数，并根据每个所述情感系数生成相应的客服质量评价结果。实施本专利技术实施例，具有如下有益效果：本专利技术实施例提供的客服质量评价方法和装置，通过训练获得情感分析模型，并根据该情感分析模型对客服对话中的各个对话语句所带的情绪的类型进行识别和判断，从而能够自动地从服务情绪和服务态度方面对客服人员的服务质量进行评价，而无需人工的参与和干涉，因此能够大大提高对客服质量进行评价的过程的效率。另外，由于按照同一情感分析模型对所有客服对话的情绪类型进行识别和判断，即依据同一标准对各个客服人员的服务质量进行评价，而不依赖于人工的主观判断，因此能够提高评价结果与实际情况的符合度，提高评价结果的准确率。附图说明图1是本专利技术提供的客服质量评价方法的一个优选的实施例的流程示意图；图2是本专利技术提供的客服质量评价装置的一个优选的实施例的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，为本专利技术提供的客服质量评价方法的一个优选的实施例的流程示意图，包括步骤S11至S13，具体如下：S11：当接收到模型训练指令时，获取至少一个训练语句和每个所述训练语句对应的情感标签。需要说明的是，本实施例由客服质量监控设备执行，该客服质量监控设备可以同时与一个或者多个客服终端相连。在本实施例中，在对客服终端上传的客服对话进行质量评价之前，需要生成一个情感分析模型，用于对客服终端上传的客服对话中的各个对话语句的情感进行分析。在此之前，上述监控设备中预先存储有一个或者多个用于训练上述情感分析模型的训练语句，其中，每个训练语句标注有相应的情感标签。如，该情感标签的内容可以为“积极情绪”或者“消极情绪”，分别用于表示其所标注的训练语句所表达的情绪为积极情绪或者消极情绪。因此，当上述监控设备接收到模型训练指令时，从本地读取一个或者多个预先存储的训练语句以及每个训练语句所对应的情感标签。可以理解的是，前述模型训练指令可以由操作人员在上述监控设备中点击特定按钮或者执行特定操作触发生成，也可以由上述监控设备每隔一段时间自动生成。S12：获取预先设置的神经网络模型，并根据每个所述训练语句、每个所述训练语句对应的情感标签以及所述神经网络模型训练获得情感分析模型。在本实施例中，上述监控设备在读取获得一个或者多个本文档来自技高网...

【技术保护点】
一种客服质量评价方法，其特征在于，包括：当接收到模型训练指令时，获取至少一个训练语句和每个所述训练语句对应的情感标签；获取预先设置的神经网络模型，并根据每个所述训练语句、每个所述训练语句对应的情感标签以及所述神经网络模型训练获得情感分析模型；根据所述情感分析模型对每个客服对话进行分析，获得每个所述客服对话的情感系数，并根据每个所述情感系数生成相应的客服质量评价结果。

【技术特征摘要】
1.一种客服质量评价方法，其特征在于，包括：当接收到模型训练指令时，获取至少一个训练语句和每个所述训练语句对应的情感标签；获取预先设置的神经网络模型，并根据每个所述训练语句、每个所述训练语句对应的情感标签以及所述神经网络模型训练获得情感分析模型；根据所述情感分析模型对每个客服对话进行分析，获得每个所述客服对话的情感系数，并根据每个所述情感系数生成相应的客服质量评价结果。2.如权利要求1所述的客服质量评价方法，其特征在于，所述当接收到模型训练指令时，获取至少一个训练语句和每个所述训练语句对应的情感标签，具体包括：当接收到所述模型训练指令时，根据所述模型训练指令获取至少一个客服对话历史记录；其中，每个所述客服对话历史记录中包含至少一个对话语句和每个所述对话语句对应的情感标签；将每个所述客服对话历史记录中的每个字数大于等于N且对应的情感标签属于预设的情感标签类型的所述对话语句作为所述训练语句；其中，N≥1。3.如权利要求2所述的客服质量评价方法，其特征在于，N＝5；所述情感标签类型包括积极标签类型和消极标签类型。4.如权利要求1所述的客服质量评价方法，其特征在于，在所述当接收到模型训练指令时，获取至少一个训练语句和每个所述训练语句对应的情感标签之后，所述获取预先设置的神经网络模型，并根据每个所述训练语句、每个所述训练语句对应的情感标签以及所述神经网络模型训练获得情感分析模型之前，还包括：将每个所述训练语句和每个所述训练语句对应的情感标签由文本格式形式转换为向量格式形式。5.如权利要求1所述的客服质量评价方法，其特征在于，所有所述训练语句中包括至少一个第一训练语句和至少一个第二训练语句；其中，所有所述训练语句中的所述第一训练语句的个数与所述第二训练语句的个数的比例为4比1；则所述获取预先设置的神经网络模型，并根据每个所述训练语句、每个所述训练语句对应的情感标签以及所述神经网络模型训练获得情感分析模型，具体包括：获取所述神经网络模型，将每个所述第一训练语句和每个所述第一训练语句对应的情感标...

【专利技术属性】
技术研发人员：赵舒阳，
申请(专利权)人：广州杰赛科技股份有限公司，
类型：发明
国别省市：广东,44