一种基于自然语言处理的客服通话辅助方法及系统技术方案

本发明专利技术公开了一种基于自然语言处理的客服通话辅助方法，包括如下步骤：通过自动语音识别模块提取客户与客服之间的每一轮次通话内容，形成通话文本；通过语音情绪识别模块对客户的语音情绪进行识别；将获取的每一轮通话文本内容输入自然语言处理模块，进行文本纠错，再根据上下文提取通话关键信息；将每一轮次的通话关键信息和语音情绪进行实时显示，引导客服工作；对通话结束后的整体内容进行处理，根据上下文提取整体关键信息

【技术实现步骤摘要】
一种基于自然语言处理的客服通话辅助方法及系统


[0001]本专利技术属于计算机
，涉及客服通话辅助技术，具体涉及一种基于自然语言处理的客服通话辅助方法及系统
。

技术介绍

[0002]现有的客服通话系统大多是在通话结束后，统一将所有通话信息进行分析，此时如果提取的信息有误的话，客服将不再有机会对信息进行修正
。
即使存在针对每一轮次的通话内容分析，也是简单的序列标注，依赖于数据库，不存在对上下文的语义理解，不是实时准确的
。
此外，系统不存在对话状态跟踪，无法主动保持一致性与交互性，也无法主动生成对话内容辅助客服，并且不存在语音情绪识别，语音通话服务是最需要语音情绪识别技术的领域
。
[0003]所以现有的客服通话系统对于客服通话的实际辅助效果不是很理想，无法有效提高客服通话质量
。

技术实现思路

[0004]专利技术目的：为了解决现有技术中存在的客服通话系统中的语义性
、
一致性和交互性问题，提供一种基于自然语言处理的客服通话辅助方法及系统，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于自然语言处理的客服通话辅助方法，其特征在于，包括如下步骤：
S1
：通过自动语音识别模块提取客户与客服之间的每一轮次通话内容，形成通话文本；通过语音情绪识别模块对客户的语音情绪进行识别；
S2
：将获取的每一轮通话文本内容输入自然语言处理模块，进行文本纠错，再根据上下文提取通话关键信息；
S3
：将每一轮次的通话关键信息和语音情绪进行实时显示，引导客服工作；
S4
：对通话结束后的整体内容进行处理，根据上下文提取整体关键信息
。2.
根据权利要求1所述的一种基于自然语言处理的客服通话辅助方法，其特征在于，所述步骤
S1
中自动语音识别模块包括
Deepspeech2
模型和
WenetSpeech
模块，
Deepspeech2
模型用于将语音识别成中文文本，
WenetSpeech
模块用于对中文文本进行中文语音语料的微调；所述
Deepspeech2
模型由2层
2D
卷积子采样层
、3
层无向循环层
、1
个
Lookahead
卷积层组成
。3.
根据权利要求2所述的一种基于自然语言处理的客服通话辅助方法，其特征在于，所述步骤
S1
中自动语音识别模块是使用
BatchNormalization
和
SortaGrad
进行训练而成，其中训练数据是通过
WenetSpeech
模块获得的
WenetSpeech
数据集，对
Deepspeech2
模型进行微调训练；所述自动语音识别模块的训练目标是最小化
CTC
损失函数，其计算公式如下：
CTC Loss
＝
‑
logP(y|X)
其中，
X
表示输入特征序列，
y
表示对应的标签序列；前向传播公式为：其中，表示将标签序列
y
映射回输出序列的所有可能
。4.
根据权利要求3所述的一种基于自然语言处理的客服通话辅助方法，其特征在于，所述步骤
S1
中语音情绪识别模块是基于
BLSTMATT with CSA
模型训练而成，语音情绪识别模块的识别方法为：
BLSTM
引入了第二层隐藏连接，以相反的时间方向流动，从而同时可以利用过去和未来的上下文信息，注意力机制具有计算长期序列间依赖关系的灵活性，通过计算全局均值，将网络的焦点集中在自身的特定部分，从而捕捉全局信息，然后使用双曲正切函数
tanh
对整个时间向量进行乘积运算，计算每个位置依赖性，得到的向量用于计算注意力权重，最后，网络的分类器阶段包含一个全连接线性层，将注意力机制输出投影到情感数量上，经过一个
softmax
层计算损失，获取到情绪识别结果
。5.
根据权利要求1所述的一种基于自然语言处理的客服通话辅助方法，其特征在...

【专利技术属性】
技术研发人员：马国军，范杰，仲重光，张博文，姜煊，辜慧岚，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：