本申请提供了一种基于客户语音进行响应队列优先级调整方法、系统及存储介质，根据客户登录信息，识别客户的客户层级，得到客户层级；识别客户的语音信息，得到客户的语音情绪分级；根据客户的语音信息，识别客户的语音亢奋度，得到客户的亢奋度预测值；根据客户层级、语音情绪分级以及亢奋度预测值，通过响应优先级算法，得到客户的响应优先级。本申请解决了现有的客户响应队列优先级考虑因素不全面，不能更好的处理客户反馈意见以及不能保证客户满意度的问题。满意度的问题。满意度的问题。
【技术实现步骤摘要】
基于客户语音进行响应队列优先级调整方法及系统
[0001]本申请属于智能语音
，具体地，涉及一种基于客户语音进行响应队列优先级调整方法及系统。
技术介绍
[0002]随着银行之间的竞争越来越激烈，为了提升银行网点服务，提升客户满意度，银行网点都想快速获取客户的反馈意见，因此大多银行网点均设置有客户语音吐槽平台，通过快速收集和归整客户声音，然后根据客户语音吐槽设置响应优先级进行客户依次响应和维护，进而迭代优化网点服务及网点营销的管理。比如，银行在网点部署小程序吐槽的二维码，每天可以收到客户大量的语音吐槽，因此需要网点人员根据响应队列的优先级，依次及时安抚客户，快速的响应客户，进而提高客户的满意度，防止重要客户的流失。
[0003]然而，目前银行网点的客户语音吐槽响应，普遍常规的方法是按照客户吐槽的时间顺序依次响应；或者，普遍常规的方法是根据业务类型的紧急程度调整响应优先级；再或者根据银行网点客户语音吐槽，进行人工判断出客户情绪亢奋度，需要人工听完语音，通过人工判断客户语音内容是否包含情绪关键词，才能识别并调整客户响应优先级；且，目前的银行网点客户语音吐槽响应优先级，没有按照客户重要度层级判断是否需要调整响应队列优先级。
[0004]因此，亟需一种新的基于客户语音进行响应队列优先级调整方法，以更佳的客户响应顺序安抚客户，保证客户的满意度，防止重要客户的流失。
技术实现思路
[0005]本专利技术提出了一种基于客户语音进行响应队列优先级调整方法及系统，旨在解决现有的客户响应队列优先级考虑因素不全面，不能更好的处理客户反馈意见以及不能保证客户满意度的问题。
[0006]根据本申请实施例的第一个方面，提供了一种基于客户语音进行响应队列优先级调整方法，具体包括以下步骤：
[0007]根据客户登录信息，识别客户的客户层级，得到客户层级；
[0008]识别客户的语音信息，得到客户的语音情绪分级；
[0009]根据客户的语音信息，识别客户的语音亢奋度，得到客户的亢奋度预测值；
[0010]根据客户层级、语音情绪分级以及亢奋度预测值，通过响应优先级算法，得到客户的响应优先级。
[0011]在本申请一些实施方式中，识别客户的语音信息，得到客户的语音情绪分级，具体包括：
[0012]根据客户的语音信息，进行语音转文字识别，得到文字识别数据；
[0013]根据文字识别数据，进行关键字检索，得到语音情绪分级。
[0014]在本申请一些实施方式中，根据客户的语音信息，识别客户的语音亢奋度，得到客
户的亢奋度预测值，具体包括：
[0015]根据客户的语音信息，得到客户的语谱图；
[0016]根据客户的语谱图进行特征提取，并进行亢奋度类别打标签后，得到训练数集；
[0017]通过训练数集训练亢奋度预测神经网络，得到训练后的亢奋度预测模型；
[0018]输入待测的客户语音信息，至训练后的亢奋度预测模型，得到客户的亢奋度预测值。
[0019]在本申请一些实施方式中，语音亢奋度识别模型的具体训练过程为：
[0020]将客户原始的语音信息，转换为语谱图，提取语谱图特征；
[0021]将提取的特征及对应的亢奋度类别标签，输入深度神经网络模型进行训练，得到训练好的语音亢奋度识别模型；
[0022]输入的待测的客户语音信息至语音亢奋度识别模型进行预测，得到客户语音信息的亢奋度预测的概率值。
[0023]在本申请一些实施方式中，提取语谱图特征，具体使用残差卷积神经网络提取输入特征，特征提取公式具体为：
[0024]y＝F(x，W
i
)+W
s
x；
[0025]其中，x表示卷积层的输入，W
s
表示线性映射的权值；
[0026]其中，F(x，W
i
)是卷积核函数，表示卷积层中用于学习非线性映射的权值。
[0027]在本申请一些实施方式中，根据客户层级、语音情绪分级以及亢奋度预测值，通过响应优先级算法，得到客户的响应优先级，具体包括：
[0028]预先设置客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表；
[0029]根据客户的客户层级、语音情绪分级以及亢奋度预测值，查找相应的客户层级优先级分值表、语音情绪优先级分值表以及亢奋度优先级分值表，得到客户的客户层级优先级分值、语音情绪优先级分值以及亢奋度优先级分值；
[0030]将客户的客户层级优先级分值、语音情绪优先级分值以及亢奋度优先级分值，进行累加，得到客户的优先级总分值，确定客户的响应优先级。
[0031]在本申请一些实施方式中，得到客户的优先级总分值，确定客户的响应优先级之后，还包括：
[0032]根据所有客户的优先级总分值，将所有客户进行响应队列排序；
[0033]根据排序结果，得到响应队列优先级。
[0034]根据本申请实施例的第二个方面，提供了一种基于客户语音进行响应队列优先级调整系统，具体包括：
[0035]客户层级模块：用于根据客户登录信息，识别客户的客户层级，得到客户层级；
[0036]语音情绪分级模块：用于识别客户的语音信息，得到客户的语音情绪分级；
[0037]亢奋度预测模块：用于根据客户的语音信息，识别客户的语音亢奋度，得到客户的亢奋度预测值；
[0038]响应优先级模块：用于根据客户层级、语音情绪分级以及亢奋度预测值，通过响应优先级算法，得到客户的响应优先级。
[0039]根据本申请实施例的第三个方面，提供了一种基于客户语音进行响应队列优先级
调整设备，包括：
[0040]存储器：用于存储可执行指令；以及
[0041]处理器:用于与存储器连接以执行可执行指令从而完成基于客户语音进行响应队列优先级调整方法。
[0042]根据本申请实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现基于客户语音进行响应队列优先级调整方法。
[0043]采用本申请实施例中的基于客户语音进行响应队列优先级调整方法、系统及存储介质，根据客户登录信息，识别客户的客户层级，得到客户层级；识别客户的语音信息，得到客户的语音情绪分级；根据客户的语音信息，识别客户的语音亢奋度，得到客户的亢奋度预测值；根据客户层级、语音情绪分级以及亢奋度预测值，通过响应优先级算法，得到客户的响应优先级。本申请可以实时识别客户语音的情绪亢奋度、语音检索客户情绪关键字，并同时考虑到客户层级等多个调整因素，进而动态调整客户吐槽响应队列的优先级，可以快速高效精准的响应客户吐槽，提升客户服务和客户的满意度，降低客户投诉风险。解决了现有的客户响应队列优先级考虑因素不全面，不能更好的处理客户反馈意见以及不能保证客户满意度的问题。
附图说明
[0044]此处所说明的附图用来提供对本申请的进一步理解，构本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于客户语音进行响应队列优先级调整方法，其特征在于，具体包括以下步骤：根据客户登录信息，识别所述客户的客户层级，得到客户层级；识别客户的语音信息，得到所述客户的语音情绪分级；根据客户的语音信息，识别所述客户的语音亢奋度，得到所述客户的亢奋度预测值；根据所述客户层级、语音情绪分级以及亢奋度预测值，通过响应优先级算法，得到所述客户的响应优先级。2.根据权利要求1所述的基于客户语音进行响应队列优先级调整方法，其特征在于，所述识别客户的语音信息，得到所述客户的语音情绪分级，具体包括：根据客户的语音信息，进行语音转文字识别，得到文字识别数据；根据所述文字识别数据，进行关键字检索，得到语音情绪分级。3.根据权利要求1所述的基于客户语音进行响应队列优先级调整方法，其特征在于，所述根据客户的语音信息，识别所述客户的语音亢奋度，得到所述客户的亢奋度预测值，具体包括：根据客户的语音信息，得到客户的语谱图；根据所述客户的语谱图进行特征提取，并进行亢奋度类别打标签后，得到训练数集；通过所述训练数集训练亢奋度预测神经网络，得到训练后的亢奋度预测模型；输入待测的客户语音信息，至所述训练后的亢奋度预测模型，得到所述客户的亢奋度预测值。4.根据权利要求1所述的基于客户语音进行响应队列优先级调整方法，其特征在于，所述语音亢奋度识别模型的具体训练过程为：将客户原始的语音信息，转换为语谱图，提取语谱图特征；将所述提取的特征及对应的亢奋度类别标签，输入深度神经网络模型进行训练，得到训练好的语音亢奋度识别模型；输入的待测的客户语音信息至所述语音亢奋度识别模型进行预测，得到所述客户语音信息的亢奋度预测的概率值。5.根据权利要求4所述的基于客户语音进行响应队列优先级调整方法，其特征在于，所述提取语谱图特征，具体使用残差卷积神经网络提取输入特征，特征提取公式具体为：y＝F(x，W
i
)+W
s
x；其中，x表示卷积层的输入，W
s
表示线性映射的权值；其中，F(x，W
i
)是卷积核...
【专利技术属性】
技术研发人员：陈其成，魏文程，程硕，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。