一种基于人工智能技术的客服智能打标方法及系统技术方案

本发明专利技术公开一种基于人工智能技术的客服智能打标方法及系统，该智能打标方法包括：S1：基于FastText算法构建智能打标模型；S2：基于业务需求，配置模型训练规则，包括模型训练超参数和性能度量方案的设计；S3：训练智能打标模型，测试模型打标性能，若满足预设指标则发布上线；S4：配置模型运营管理规则，并基于后续业务中产生的未正确打标工单持续迭代优化模型，S5：模型运营及打标结果输出。本发明专利技术应用广泛，普遍适用于各种行业客服尤，基于FastText算法构建并训练智能打标模型，实现对工单的高效、准确打标，可实现增量式训练，通过配置模型运营管理规则，可在模型上线后基于业务中积累的工单文本数据实现模型的版本更新，持续对模型迭代优化，便于维护。便于维护。便于维护。

【技术实现步骤摘要】
一种基于人工智能技术的客服智能打标方法及系统


[0001]本专利技术涉及自然语言处理
，具体涉及一种基于人工智能技术的客服智能打标方法及系统。

技术介绍

[0002]在线客服是当前包括通信运营商在内的诸多行业向客户提供咨询、投诉和申办等业务的重要渠道。客服工单是客户诉求的重要载体，通过工单打标深入分析客服工单是实现持续提升客服能力、高效解决客户问题和提升客户感知的重要手段，也为业务中工单的流转和分派提供了重要依据。运营商领域客服工单标签类别繁多，人工点选打标会耗费较多时间，且极易出现错误打标。近年来，人工智能领域相关技术在自然语言处理领域有诸多成功应用。
[0003]目前现有技术中存在工单标签类别繁多，传统人工打标的方式效率低下，人工进行大量重复的打标工作易出现主观误判的情况，大量客服工单数据没有得到规范管理和充分利用。
[0004]鉴于上述缺陷，本专利技术创作者经过长时间的研究和实践终于获得了本专利技术。

技术实现思路

[0005]为解决上述技术缺陷，本专利技术提供一种基于人工智能技术的客服智能打标方法和系统。
[0006]一种基于人工智能技术的客服智能打标方法，包括以下步骤：
[0007]S1：构建智能打标模型
[0008]分析实际业务场景，将工单打标抽象为文本分类任务，对历史工单文本进行数据预处理，得到待打标工单文本，基于FastText算法构建工单智能打标模型；
[0009]S2：配置模型训练规则
[0010]基于业务需求，创建模型训练任务并配置模型训练规则，模型训练规则的配置包括训练超参数配置和性能度量方案设计；
[0011]S3：训练智能打标模型
[0012]将步骤S1中的待打标工单文本对应正确分类标签，制作标准数据集，并划分训练集和测试集；导入训练集工单文本数据，依据超参数配置训练模型，基于性能度量方案对模型进行性能测试，判断是否满足预设指标，若不满足预设指标则调整超参数，并重新进行模型训练，若满足预设指标则将模型发布上线；
[0013]S4：配置模型运营管理规则
[0014]模型运营管理规则的配置包括自动优化任务配置和模型版本管理两个方面，自动优化任务是基于模型实际上线运营中的打标性能和后续业务的需求对模型进行自动迭代优化，模型版本管理是通过管理模型历史版本，对模型的演变过程进行记录和维护；
[0015]S5：模型运营及打标结果输出
[0016]模型运营过程中，对工单进行打标并输出标签置信度，基于标签置信度，模型展示推荐标签，若未正确打标，则基于未正确打标工单通过自动优化任务持续迭代优化模型；若正确打标，则同步打标结果。
[0017]进一步的，步骤S1中对历史工单文本进行数据预处理具体包括以下内容：
[0018]收集、添加业务专有词至专有词表，业务专有词为行业专业词、业务名称和产品名；
[0019]使用分词工具将原始待打标工单文本转换成词粒度的表示形式，导入专有词表中的业务专有词作为用户自定义词典，避免业务专有词在分词过程中被误分；
[0020]对分词后的待打标工单文本进行清洗，去除特殊字符、数字和其他对打标无意义、无关的停用词；
[0021]使用TF
‑
IDF算法提取待打标工单文本中的关键特征词，构建表征原始文本的关键子句。
[0022]进一步的，步骤S1中基于FastText算法构建打标模型具体包括以下内容：
[0023]基于FastText算法构建智能打标模型，FastText算法包括输入层、隐藏层和输出层，其中：
[0024]输入层将表征工单文本的关键子句转换为多个固定维度的特征词向量，并引入N
‑
gram特征，使得语义信息更加充分；
[0025]隐藏层将特征词向量进行平均池化操作，获得表征该工单文本的特征向量；
[0026]输出层对工单文本的特征向量进行非线性变换，随后利用softmax函数计算工单文本对应各标签类别的概率即标签置信度。
[0027]进一步的，步骤S2中配置模型训练规则包括以下内容：
[0028]S21：训练超参数配置
[0029]训练超参数包括学习率、训练轮次和数据集划分比例，训练超参数配置基于算法原理和训练数据分布，使模型高效学习文本特征，避免出现过拟合、欠拟合和训练时间过长情况，所述训练超参数通过手动调节和自动寻优进行调整；
[0030]S22：性能度量设计
[0031]性能度量包括打标准确率、召回率和精确率，设定性能度量的阈值应符合实际业务对打标准确率、召回率、精确率指标的需求。
[0032]进一步的，步骤S4中自动优化任务配置包括以下内容：
[0033]自动优化任务基于实际业务需求和实际业务变化定义训练超参数和模型迭代优化的触发条件，若实际业务场景中的打标标签分类发生变动或者模型无法满足后续运营中的打标准确率要求时，自动优化任务通过预先配置标准模板或者进行人工干预调整的方式进行模型迭代优化。
[0034]进一步的，步骤S4中版本管理包括以下内容：
[0035]版本管理对模型运营过程中生成的改进及其优化过程进行跟踪、记录和维护，模型运营过程中经授权的用户具有对模型进行检索、访问、调用和发布上线的权限。
[0036]进一步的，步骤S5中推送打标结果具体包括以下内容：
[0037]模型输出各标签类别的标签置信度，基于标签置信度返回工单文本的打标结果，并基于标签置信度展示多条推荐标签供快速选择，判断是否正确打标，若正确标签未在推
荐标签内，则支持人工在全量打标分类列表中进行手动修正，并记录该未正确打标工单内容和人工修正标签供模型后续自动优化；若正确标签全部在推荐标签内，则上传打标结果供后续工单归档和分析。
[0038]一种采用上述的智能打标方法的打标系统，包括以下模块：
[0039]智能打标模型构建模块：用于根据实际业务场景，对历史工单文本进行预处理，得到待打标工单文本，并基于FastText算法构建智能打标模型；
[0040]模型训练规则配置模块：用于根据业务需求配置模型训练规则，其中包括训练超参数配置和模型性能度量方案设计；
[0041]智能打标模型训练模块：用于依据超参数配置训练智能打标模型，并基于性能度量方案对智能打标模型进行性能测试；
[0042]模型运营管理规则配置模块：用于对模型进行自动迭代优化，并对模型历史版本进行管理；
[0043]模型运营及打标结果输出模块：用于对待打标工单进行打标并输出标签置信度，依据标签置信度展示推荐标签，判断是否打标正确，并基于未正确打标工单持续迭代优化模型。
[0044]进一步的，所述模型运营管理规则配置模块包括：
[0045]自动优化任务配置子模块：用于基于模型实际上线运营中的打标性能和后续业务的需求对模型进行自动迭代优化。
[0046]进一步的，所述模型运营管理规则配置模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能技术的客服智能打标方法，其特征在于，包括以下步骤：S1：构建智能打标模型分析实际业务场景，将工单打标抽象为文本分类任务，对历史工单文本进行数据预处理，得到待打标工单文本，基于FastText算法构建工单智能打标模型；S2：配置模型训练规则基于业务需求，创建模型训练任务并配置模型训练规则，模型训练规则的配置包括训练超参数配置和性能度量方案设计；S3：训练智能打标模型将步骤S1中的待打标工单文本对应正确分类标签，制作标准数据集，并划分训练集和测试集；导入训练集工单文本数据，依据超参数配置训练模型，基于性能度量方案对模型进行性能测试，判断是否满足预设指标，若不满足预设指标则调整超参数，并重新进行模型训练，若满足预设指标则将模型发布上线；S4：配置模型运营管理规则模型运营管理规则的配置包括自动优化任务配置和模型版本管理两个方面，所述自动优化任务是基于模型实际上线运营中的打标性能和后续业务的需求对模型进行自动迭代优化，所述模型版本管理是通过管理模型历史版本，对模型的演变过程进行记录和维护；S5：模型运营及打标结果输出模型运营过程中，对待打标工单进行打标并输出标签置信度，基于标签置信度，模型展示推荐标签，若未正确打标，则基于未正确打标工单通过自动优化任务持续迭代优化模型，若正确打标，则同步打标结果。2.如权利要求1所述的基于人工智能技术的客服智能打标方法，其特征在于，步骤S1中对历史工单文本进行数据预处理具体包括以下内容：收集、添加业务专有词至专有词表，业务专有词为行业专业词、业务名称和产品名；使用分词工具将原始待打标工单文本转换成词粒度的表示形式，导入专有词表中的业务专有词作为用户自定义词典，避免业务专有词在分词过程中被误分；对分词后的待打标工单文本进行清洗，去除特殊字符、数字和其他对打标无意义、无关的停用词；使用TF
‑
IDF算法提取待打标工单文本中的关键特征词，构建表征原始文本的关键子句。3.如权利要求1所述的基于人工智能技术的客服智能打标方法，其特征在于，步骤S1中基于FastText算法构建打标模型具体包括以下内容：基于FastText算法构建智能打标模型，FastText算法包括输入层、隐藏层和输出层，其中：输入层将表征工单文本的关键子句转换为多个固定维度的特征词向量，并引入N
‑
gram特征，使得语义信息更加充分；隐藏层将特征词向量进行平均池化操作，获得表征该工单文本的特征向量；输出层对工单文本的特征向量进行非线性变换，随后利用softmax函数计算工单文本对应各标签类别的概率即标签置信度。4.如权利要求1所述的基于人工智能技术的客服智能打标方法，其特征在于，步骤S2中
配置模型训练规则包括以下内容：S21：训练超参数配置训练超参数包括学习率、训练轮次和数据集划分比例，训练超参数配置基于算法原...

【专利技术属性】
技术研发人员：丁常坤，夏兵，程磊，汪睿卿，
申请(专利权)人：科大国创云网科技有限公司，
类型：发明
国别省市：