基于神经网络的人工客服调配方法组成比例

基于神经网络的人工客服调配方法，采取提取客户的消息文本，通过神经网络模型来识别愤怒消极的客户，将他们优先接入人工客服解决问题，避免客户投诉和客户流失，最大限度地利用人工客服资源。人工客服资源。人工客服资源。

【技术实现步骤摘要】
基于神经网络的人工客服调配方法


[0001]本专利技术属于人工智能处理自然语言
，具体讲技术涉及基于神经网络的人工客服调配方法。

技术介绍

[0002]社会生活中，很多场景下会提供客服为用户提供咨询服务，但是在客户咨询高峰期，人工客服应接不暇，消极愤怒的客户长时间排队无法接入人工客服而导致客户投诉或客户流失。

技术实现思路

[0003]本专利技术的目的就是针对上述现有环境中，在客户咨询高峰期，人工客服应接不暇，消极愤怒的客户长时间排队无法接入人工客服而导致客户投诉或客户流失的难题，本专利技术提出了一种基于神经网络的人工客服调配方法，采取提取客户的消息文本，通过神经网络模型来识别愤怒消极的客户，将他们优先接入人工客服解决问题，避免客户投诉和客户流失，最大限度地利用人工客服资源。
[0004]技术方案
[0005]为了实现上述技术目的，本专利技术提供的基于神经网络的人工客服调配方法，其特征在于，它包括以下几个步骤：
[0006]步骤一：建立数据集：
[0007]1.1使用爬虫程序或直接下载公开语料集，获取通用语料和特定行业语料；
[0008]1.2并将两种语料按照一定比例混合，制成新的混合语料集，能使得训练出来的神经网络模型对特定行业的语料有适应性，增加模型的专业程度；
[0009]1.3对新语料集进行删除乱码、删除表情、删除英文，保留中文内容的操作；
[0010]1.4保留长度范围在某区间的语句，删除长度过长或过短的语句；
[0011]1.5为新语料集人工打标签，将其分为恐惧、悲伤、愤怒、中立、快乐和惊喜六种情绪；
[0012]1.6将新数据集按照8：2比例分为训练集和验证集；
[0013]步骤二：基于Albert预训练模型对文本进行特征提取；
[0014]2.1将文本转变为向量，分别是字向量,段向量和位置向量；
[0015]2.2将字、段、位置向量输入Albert预训练模型，取出最后一层的隐藏状态，获得一个H*W维的特征向量，其中H是设定的文本长度，W是每个字的特征向量维度。
[0016]步骤三：基于文本卷积神经网络进一步提纯特征：
[0017]3.1使用不同大小的卷积核，分别在步骤2.2获得的向量上进行卷积操作，获取多个特征切片，以此建立相邻特征之间的联系；
[0018]3.2分别对多个特征切片进行池化操作，缩减向量维度；
[0019]3.3将多个特征切片合并成为一个向量，获得新的特征向量，其综合了不同范围特
征之间的关系；
[0020]步骤四：使用全连接层分类器；
[0021]4.1使用dropout层使得全连接层的每个节点有一定概率不参与计算，防止过拟合现象，增加模型应对不在数据集中的语料的适应能力；
[0022]4.2将步骤3.2获得的特征向量使用全连接层提纯为一个一维的含有六个数的向量，取最大值所在的位置，即为最终结果，全连接层的每一个节点都与上一层的所有节点相邻，能更好地综合所有特征信息；
[0023]步骤五：调整卷积神经网络和全连接层分类器；
[0024]5.1使用损失函数来评估神经网络模型的输出结果和真实标签之间的误差；
[0025]5.2按照梯度下降算法以一定学习率和学习率衰减速度更新卷积神经网络和全连接层分类器的各项权重参数并记录；
[0026]5.3选择损失函数的数值最小时所对应的神经网络权重参数，作为神经网络的最终参数；
[0027]步骤六：将该神经网络部署到服务器上，接收所有客户对客服系统发出的消息；
[0028]步骤七：根据客户情绪来排序用户接入人工客服的顺序；
[0029]7.1实时收集每个排队的客户发的消息；
[0030]7.2将收集来的信息输入步骤5.3得到的神经网络，获得文本所蕴含的情绪：恐惧、悲伤、愤怒、中立、快乐、惊喜,快乐和惊喜对应的客户是好评、报喜讯，放在最后处理,中立情绪对应的客户是咨询问题，处理优先级适中,而愤怒、悲伤、恐惧这类负面情绪所对应的客户是遇到消费欺诈、买到劣质产品，需要人工客服优先处理问题，安抚客户情绪；
[0031]7.3将接入人工客服的排序按照，愤怒、悲伤、恐惧情绪客户优先，中立情绪客户稍后，快乐、惊喜情绪客户放在最后处理；
[0032]7.4每隔1分钟就返回步骤7.1再次识别客户的消息，以保证消极的客户能被优先接到人工客服，防止客户流失，最大效用地利用人工客服资源。
[0033]进一步，在步骤五之后，若要进一步提高神经网络对文本的情绪提取能力，则可以收集并标注更多的数据集，重复步骤一到步骤五。
[0034]有益效果
[0035]本专利技术提出了一种基于神经网络的人工客服调配方法，采取提取客户的消息文本，通过神经网络模型来识别愤怒消极的客户，将他们优先接入人工客服解决问题，避免客户投诉和客户流失，最大限度地利用人工客服资源。
附图说明
[0036]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
[0037]附图1是本专利技术实施例中神经网络训练流程图；
[0038]附图2是本专利技术实施例中神经网络模型架构图；
[0039]附图3是本专利技术实施例中客服调度示意图
具体实施方式
[0040]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0041]需要说明的是，当组件被称为“固定于”或“设置于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。本申请的说明书所使用的术语“垂直的”、“水平的”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
[0042]此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0043]在本申请中，除非另有明确的规定和限定，第一特征在第二特征“上”、“下”可以是第一特征直接和第二特征接触，或第一特征和第二特征间接地通过中间媒介接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络的人工客服调配方法，其特征在于，它包括以下几个步骤：步骤一：建立数据集：(1.1)使用爬虫程序或直接下载公开语料集，获取通用语料和特定行业语料；(1.2)并将两种语料按照一定比例混合，制成新的混合语料集，能使得训练出来的神经网络模型对特定行业的语料有适应性，增加模型的专业程度；(1.3)对新语料集进行删除乱码、删除表情、删除英文，保留中文内容的操作；(1.4)保留长度范围在某区间的语句，删除长度过长或过短的语句；(1.5)为新语料集人工打标签，将其分为恐惧、悲伤、愤怒、中立、快乐和惊喜六种情绪；(1.6)将新数据集按照8：2比例分为训练集和验证集；步骤二：基于Albert预训练模型对文本进行特征提取；(2.1)将文本转变为向量，分别是字向量,段向量和位置向量；(2.2)将字、段、位置向量输入Albert预训练模型，取出最后一层的隐藏状态，获得一个H*W维的特征向量，其中H是设定的文本长度，W是每个字的特征向量维度。步骤三：基于文本卷积神经网络进一步提纯特征：(3.1)使用不同大小的卷积核，分别在步骤2.2获得的向量上进行卷积操作，获取多个特征切片，以此建立相邻特征之间的联系；(3.2)分别对多个特征切片进行池化操作，缩减向量维度；(3.3)将多个特征切片合并成为一个向量，获得新的特征向量，其综合了不同范围特征之间的关系；步骤四：使用全连接层分类器；(4.1)使用dropout层使得全连接层的每个节点有一定概率不参与计算，防止过拟合现象，增加模型应对不在数据集中的语料的适应能力；(4.2)将步骤3.2获得的特征向量使用全连接层提纯为一个...

【专利技术属性】
技术研发人员：黄哲初，吴智宁，周钟禹，叶朝曦，陈欢，徐贤，
申请(专利权)人：上海汉研智能科技有限公司，
类型：发明
国别省市：