一种应用在电话场景里机器学习方法技术

本发明专利技术公开了一种应用在电话场景里机器学习方法，包括提取客户语义特征和语调特征；根据所述语义特征和所述语调特征，基于第一学习算法预构建的情感识别模型识别所述客户的情感归类；根据第二学习算法预构建的客户应对模型，确定所述客户的情感归类对应的最优的客户应对措施；向客户输出所述最优的客户应对措施；提示客户输入对所述最优的客户应对措施的满意程度；在后台基于所述第二学习算法基于所有客户满意程度的历史数据，更新情感归类与最优的客户应对措施的对应关系。本申请可以降低企业客服工作对人工的依赖程度。

A machine learning method used in telephony scenario

The invention discloses a machine learning method applied in a telephone scene, which includes extracting customer semantic features and intonation features, recognizing the emotional classification of the customer based on the emotional recognition model pre-constructed by the first learning algorithm according to the semantic features and intonation characteristics, and identifying the customer pre-constructed according to the second learning algorithm. The response model determines the optimal customer response corresponding to the customer's emotional classification; outputs the optimal customer response to the customer; prompts the customer to input satisfaction with the optimal customer response; and based on the historical data of all customer satisfaction in the background, the second learning algorithm is used. Update the corresponding relationship between emotional categorization and optimal customer response measures. This application can reduce the degree of dependence on customer service in enterprises.

【技术实现步骤摘要】
一种应用在电话场景里机器学习方法
本申请属于智能
，特别是涉及一种应用在电话场景里机器学习方法。
技术介绍
现代社会，很多企业的客服部门是依靠电话来实现与客户的沟通。在传统技术中，企业通常在自己的客服部门设置多个座席，每个座席上由一个客服人员，接听客户的来电，答复客户的疑问，对客户的投诉进行处理。在研究中发现，传统技术的缺陷在于，企业的客服工作依赖人工，在某些情况下，一些客户的态度可能会影响到客服人员的工作状态，导致客户人员不能较好地对问题进行回应和处理，从而导致客户对企业的负面评价。也就是说，现有技术中的人工客服处理问题主观随意性较好，在长期工作下难以保证最优的应对投诉。
技术实现思路
有鉴于此，本申请所要解决的是现有技术中企业的客服工作完全依赖人工而导致的主观性大、难以长期保持最优应对客户问题的技术问题。本专利技术提供了一种应用在电话场景里机器学习方法，可以解决上述问题。为了解决上述技术问题，本专利技术通过以下技术方案得以实现：一种应用在电话场景里机器学习方法，包括：提取客户语义特征和语调特征；根据所述语义特征和所述语调特征，基于第一学习算法预构建的情感识别模型识别所述客户的情感归类；根据第二学习算法预构建的客户应对模型，确定所述客户的情感归类对应的最优的客户应对措施；向客户输出所述最优的客户应对措施；提示客户输入对所述最优的客户应对措施的满意程度；在后台基于所述第二学习算法基于所有客户满意程度的历史数据，更新情感归类与最优的客户应对措施的对应关系。在一个实施例中，所述第一学习算法为支持向量机分类算法。在一个实施例中，所述客户的情感归类包括：愤怒、不满、微词、一般性的技术疑问或企业政策疑问、满意。在一个实施例中，所述第二学习算法为神经网络机器学习算法。在一个实施例中，所述客户应对措施包括：经济补偿、重度语言安慰、轻度语言安慰、对客户疑问进行直接明确的答复、对客户表示感谢。在一个实施例中，所述提示客户输入对所述最优的客户应对措施的满意程度包括：提示客户语音输入一个标识满意程度的百分制评分。与现有技术相比，本申请可以获得包括以下技术效果：1)本专利技术提供的一种应用在电话场景里机器学习方法，可以基于第一机器学习算法有效识别客户的情感归类，再由第二机器学习算法确定最优的客户应对措施，在长期的工作环境下，可以降低企业对人工客服的依赖，并保持最优的工作解决方案。当然，实施本申请的任一产品必不一定需要同时达到以上所述的所有技术效果。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为一个实施例中的应用在电话场景里机器学习方法的流程示意图。具体实施方式以下将配合附图及实施例来详细说明本申请的实施方式，借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。参见图1，提供了一种应用在电话场景里机器学习方法，包括：提取客户语义特征和语调特征；根据所述语义特征和所述语调特征，基于第一学习算法预构建的情感识别模型识别所述客户的情感归类；根据第二学习算法预构建的客户应对模型，确定所述客户的情感归类对应的最优的客户应对措施；向客户输出所述最优的客户应对措施；提示客户输入对所述最优的客户应对措施的满意程度；在后台基于所述第二学习算法基于所有客户满意程度的历史数据，更新情感归类与最优的客户应对措施的对应关系。在一个实施例中，所述第一学习算法为支持向量机分类算法。在一个实施例中，所述客户的情感归类包括：愤怒、不满、微词、一般性的技术疑问或企业政策疑问、满意。在一个实施例中，所述第二学习算法为神经网络机器学习算法。在一个实施例中，所述客户应对措施包括：经济补偿、重度语言安慰、轻度语言安慰、对客户疑问进行直接明确的答复、对客户表示感谢。在一个实施例中，所述提示客户输入对所述最优的客户应对措施的满意程度包括：提示客户语音输入一个标识满意程度的百分制评分。与现有技术相比，本申请可以获得包括以下技术效果：1)本专利技术提供的一种应用在电话场景里机器学习方法，可以基于第一机器学习算法有效识别客户的情感归类，再由第二机器学习算法确定最优的客户应对措施，在长期的工作环境下，可以降低企业对人工客服的依赖，并保持最优的工作解决方案。在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。此外，“耦接”一词在此包含任何直接及间接的电性耦接手段。因此，若文中描述一第一装置耦接于一第二装置，则代表所述第一装置可直接电性耦接于所述第二装置，或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。还需要说明的是，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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。上述说明示出并描述了本专利技术的若干优选实施例，但如前所述，应当理解本专利技术并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述专利技术构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本专利技术的精神和范围，则都应在本专利技术所附权利要求的保护范围内。本文档来自技高网...

【技术保护点】
1.一种应用在电话场景里机器学习方法，其特征在于，包括：提取客户语义特征和语调特征；根据所述语义特征和所述语调特征，基于第一学习算法预构建的情感识别模型识别所述客户的情感归类；根据第二学习算法预构建的客户应对模型，确定所述客户的情感归类对应的最优的客户应对措施；向客户输出所述最优的客户应对措施；提示客户输入对所述最优的客户应对措施的满意程度；在后台基于所述第二学习算法基于所有客户满意程度的历史数据，更新情感归类与最优的客户应对措施的对应关系。

【技术特征摘要】
1.一种应用在电话场景里机器学习方法，其特征在于，包括：提取客户语义特征和语调特征；根据所述语义特征和所述语调特征，基于第一学习算法预构建的情感识别模型识别所述客户的情感归类；根据第二学习算法预构建的客户应对模型，确定所述客户的情感归类对应的最优的客户应对措施；向客户输出所述最优的客户应对措施；提示客户输入对所述最优的客户应对措施的满意程度；在后台基于所述第二学习算法基于所有客户满意程度的历史数据，更新情感归类与最优的客户应对措施的对应关系。2.如权利要求1所述的应用在电话场景里机器学习方法，其特征在于，所述第一学习算法为支持向量机分类算法。3.如权利要求2所...

【专利技术属性】
技术研发人员：祝磊，祝斌，袁杭军，
申请(专利权)人：杭州声讯网络科技有限公司，
类型：发明
国别省市：浙江,33