【技术实现步骤摘要】
本专利技术涉及服务智能质检监管，具体为一种基于nlp模型的质检服务智能监管系统及方法。
技术介绍
1、随着移动互联网技术的不断完善和发展，人们对服务业务的要求在不断上升；移动通信技术也在不断的升级，以适应更高的需求和更复杂的应用场景，为用户提供了更加便捷、随时、多样、优惠和透明的服务选择。当服务端接收到用户端发送的连接请求后，由于网络故障、设备问题以及外部干扰等导致服务端与用户端之间的连接意外中断，需向用户端发送连接请求，主动构建连接。
2、在现有的技术下，存在用户端问题已经解决的情况，当服务端频繁的向用户端发送连接请求时，会导致用户的耐心度降低，进而影响服务质量使得用户产生负面情绪等影响。
技术实现思路
1、本专利技术的目的在于提供一种基于nlp模型的质检服务智能监管系统及方法，以解决上述
技术介绍
中提出的问题。
2、为了解决上述技术问题，本专利技术提供如下技术方案：一种基于nlp模型的质检服务智能监管方法，所述质检服务智能监管方法具体包括以下步骤：
3、s100、搭建服务系统，用户通过系统进行注册并授权，授权系统使用户信息的权限；其中用户信息包括用户身份标识、交互信息等；在服务端接收到用户端发送的连接请求后，由于网络故障、设备问题以及外部干扰等导致服务端与用户端之间的连接意外中断；通过系统后台获取交互数据信息；通过历史样本库对交互信息异常进行分析判断，当交互信息异常时将用户身份标识存储到后台数据库中进行后续服务，并且将后续服务的交互信息存储到后
4、s200、从后台数据库中提取出后续服务的交互信息，并且通过利用nlp技术从后续服务的交互信息中分析得到用户的反馈程度，并且依据所述用户的反馈程度确定用户类型；
5、s300、针对用户分类结果对后续服务的交互质量进行分析；
6、s400、当所述交互服务质量达标时，对用户身份标识进行标记结束服务，并且将用户身份标识从后台数据库中剔除；当服务质量不达标时，对服务人员进行提醒。
7、进一步的，所述s100中通过历史样本库对交互信息异常进行分析判断的具体方法如下：
8、s101、通过历史样本库获取得到历史交互信息异常的样本，基于所述历史交互信息异常的样本提取出异常交互信息的数据，基于异常交互信息的数据构建异常数据集为c；其中异常交互信息的数据为通话时长明显低于正常水平或者通话过程中出现长时间的静音、断线等情况能够判定交互信息异常的指标；通过系统后台获取交互信息的数据，基于交互信息的数据构建数据集v；
9、s102、通过公式：p＝k(c∩v)/k(v)，计算得到交互信息的异常值p，其中k()表示为集合中元素的个数；当所述交互信息的异常值p大于等于预设异常阈值p时，说明从系统后台获取的交互信息的数据异常，所以判定交互信息异常，将用户身份标识存储到后台数据库中进行后续服务；当所述交互信息的异常值p小于预设异常阈值p时，说明从系统获取的后台交互信息的数据正常，所以判定交互信息正常，结束服务。
10、进一步的，所述s200中利用nlp技术从后续服务的交互信息对用户的反馈程度进行分析并且确定用户类型的具体方法如下：
11、s201、依据历史样本库提取出历史交互信息，对历史交互信息进行数据预处理即将历史交互信息的文本数据转化为模型能够处理的格式，预处理阶段包括分词、词性标注、命名实体识别等操作，使用监督学习算法对nlp模型进行训练，例如逻辑回归、朴素贝叶斯、支持向量机或深度学习模型等；利用一部分的历史交互信息对模型进行评估，检查模型的准确性和可靠性，根据评估结果调整模型参数或更换模型，以优化模型的性能；基于nlp模型从历史预处理的数据中提取出历史交互特征，这些交互特征可能包括情感特征(积极、消极或者中立)、意图特征(如查询、请求或抱怨)以及其他用户反馈的相关特征；利用改良so-pmi算法对历史交互特征进行分类得到历史交互特征集si，si＝{si1、si2、si3...sij...sij}，sij表示为第i种类型的第j个历史交互特征，i＝1、2、3...i，i表示为历史交互特征的种类，j＝1、2、3...j，j表示为每个种类中的历史交互特征数量；将历史交互特征分成积极、中立以及消极三种情感特征集，每种用户情感特征中都对应着多种历史交互特征；例如，消极情感特征集中包括抱怨、愤怒、失望和抵触等历史交互特征；
12、s202、从后台数据库中提取出后续服务的交互信息，利用nlp模型对后续服务的交互信息中提取出用户的交互特征为s’，s’＝{s’1、s’2、s’3...s’z...s’z}，s’z表示为从后台数据库中提取后续服务的第z个交互特征，z＝1、2、3...z，z表示为nlp模型从后续服务的交互信息中提取的交互特征的数量；根据公式：wi＝k(si∩s’)/k(s’)，计算得到用户对历史交互特征种类的反馈值，wi表示为用户的第i种交互特征的反馈值；
13、s203、基于历史交互特征利用深度学习算法构建情感特征集为uv，uv表示为第v个情感特征集，v＝1、2、3，u1表示为积极情感特征集，u2表示为中立情感特征集，u3表示为消极情感特征集；对用户的第i种交互特征的反馈值按照从高到低的顺序进行排序，选取用户最高反馈值的交互特征的种类，依据所述用户最高反馈值的交互特征的种类确定用户类型，所述情感特征集分为积极、中立和消极三种类型。
14、进一步的，所述s300中通过用户分类结果对后续服务的交互质量进行分析的具体方法如下：
15、s301、当用户a属于中立用户时，获取中立用户a与情感特征集相对应的交互特征集分别为s’v，v＝1、2、3；s’1表示为用户a与积极情感特征集对应的交互特征集，s’2表示为用户a与中立情感特征集对应的交互特征集，s’3表示为用户a与消极情感特征集对应的交互特征集；根据公式：wv＝∑ii＝1(s’v∩si)*wi，计算得到用户a对第v种情感特征集的反馈值，其中(s’v∩si)计算得到第v种情感特征集与历史交互特征集中一样的交互特征，并且对交互特征的反馈值进行累加，能够计算得到对不同情感特征的总反馈值；当w1≥w3时，说明中立用户a对积极情感特征集的总反馈值大于等于消极情感特征集的总反馈值，所以判定无需对后续服务质量进行分析；当w1＜w3时，说明中立用户a对积极情感特征集的总反馈值小于消极情感特征集的总反馈值，所以中立用户a在后续服务过程中反馈消极，需对后续服务质量进行分析；
16、s302、基于所述后续服务的交互信息中提取服务人员的交互特征集为h，由于情感特征集是针对历史交互特征利用深度学习算法得到的，所以情感特征集不仅适用于用户也适用于服务人员，所以得到服务人员的交互特征集在不同情感特征集中的占比为fv＝k(h∩uv)/k(h)，fv表示为服务人员的交互特征集在第v种情感特征集中的占比；采集用户评价分数本文档来自技高网...
【技术保护点】
1.一种基于NLP模型的质检服务智能监管方法，其特征在于：所述质检服务智能监管方法具体包括以下步骤：
2.根据权利要求1所述的一种基于NLP模型的质检服务智能监管方法，其特征在于：所述S100中通过历史样本库对交互信息异常进行分析判断的具体方法如下：
3.根据权利要求2所述的一种基于NLP模型的质检服务智能监管方法，其特征在于：所述S200中利用NLP技术从后续服务的交互信息对用户的反馈程度进行分析并且确定用户类型的具体方法如下：
4.根据权利要求3所述的一种基于NLP模型的质检服务智能监管方法，其特征在于：所述S300中通过用户分类结果对后续服务的交互质量进行分析的具体方法如下：
5.根据权利要求4所述的一种基于NLP模型的质检服务智能监管方法，其特征在于：所述S400中对用户身份标识进行标记结束服务并且将用户身份标识从后台数据库中剔除进行决策的具体方法如下：当服务质量评价得分大于等于预设服务质量得分阈值Q时，对用户身份标识进行标记结束服务，并且将用户身份标识从后台数据库中剔除；当服务质量评价得分小于预设服务质量得分阈值Q时对服务
6.一种基于NLP模型的质检服务智能监管系统，其特征在于：所述质检服务智能监管系统包括数据采集模块、数据分析模块、质检监管模块和告警提醒模块；所述数据采集模块的输出端与数据分析模块的输入端连接，所述数据分析模块的输出端与质检监管模块的输入端连接，所述质检监管模块的输出端与告警提醒模块的输入端连接；所述数据采集模块是用于采集交互数据信息以及用户对于服务的评价得分；所述数据分析模块是用于对交互信息的异常以及用户的反馈程度进行分析，依据用户的反馈程度来确定用户类型；所述质检监管模块是用于对交互质量进行分析并且完成对交互数据信息的存储；所述告警提醒模块是当服务质量评价得分小于预设服务质量得分阈值时对服务人员进行告警提醒。
7.根据权利要求6所述的一种基于NLP模型的质检服务智能监管系统，其特征在于：所述数据采集模块包括交互数据信息采集单元和用户评价采集单元；所述交互数据信息采集单元是采集交互数据信息，通过交互数据信息对用户的类型进行分析判断；所述用户评价采集单元是采集用户对于后续服务的评价得分。
8.根据权利要求7所述的一种基于NLP模型的质检服务智能监管系统，其特征在于：所述数据分析模块包括交互信息异常分析单元、用户反馈程度分析单元和用户类型确定单元；所述交互信息异常分析单元是依据历史交互信息对当前交互信息的异常值进行分析；所述用户反馈程度分析单元是分析用户针对不同种类的历史交互特征集以及情感特征集能给出的反馈大小；所述用户类型确定单元是通过情感特征集对用户的类型进行确定。
9.根据权利要求8所述的一种基于NLP模型的质检服务智能监管系统，其特征在于：所述质检监管模块包括数据存储单元和交互质量分析单元；所述数据存储单元是当出现交互信息异常时，将用户身份标识存储到后台数据库中；所述交互质量分析单元是对整个交互过程的交互质量进行分析。
10.根据权利要求9所述的一种基于NLP模型的质检服务智能监管系统，其特征在于：所述告警提醒模块包括服务结束剔除决策单元和告警提醒单元；所述服务结束剔除决策单元是当分析得出用户态度消极时，对用户身份标识进行标记结束服务并且将用户身份标识从后台数据库中剔除；否则继续为用户提供服务；所述告警提醒单元是当服务质量评价得分小于预设服务质量得分阈值时对服务人员进行告警提醒。
...【技术特征摘要】
1.一种基于nlp模型的质检服务智能监管方法，其特征在于：所述质检服务智能监管方法具体包括以下步骤：
2.根据权利要求1所述的一种基于nlp模型的质检服务智能监管方法，其特征在于：所述s100中通过历史样本库对交互信息异常进行分析判断的具体方法如下：
3.根据权利要求2所述的一种基于nlp模型的质检服务智能监管方法，其特征在于：所述s200中利用nlp技术从后续服务的交互信息对用户的反馈程度进行分析并且确定用户类型的具体方法如下：
4.根据权利要求3所述的一种基于nlp模型的质检服务智能监管方法，其特征在于：所述s300中通过用户分类结果对后续服务的交互质量进行分析的具体方法如下：
5.根据权利要求4所述的一种基于nlp模型的质检服务智能监管方法，其特征在于：所述s400中对用户身份标识进行标记结束服务并且将用户身份标识从后台数据库中剔除进行决策的具体方法如下：当服务质量评价得分大于等于预设服务质量得分阈值q时，对用户身份标识进行标记结束服务，并且将用户身份标识从后台数据库中剔除；当服务质量评价得分小于预设服务质量得分阈值q时对服务人员进行提醒。
6.一种基于nlp模型的质检服务智能监管系统，其特征在于：所述质检服务智能监管系统包括数据采集模块、数据分析模块、质检监管模块和告警提醒模块；所述数据采集模块的输出端与数据分析模块的输入端连接，所述数据分析模块的输出端与质检监管模块的输入端连接，所述质检监管模块的输出端与告警提醒模块的输入端连接；所述数据采集模块是用于采集交互数据信息以及用户对于服务的评价得分；所述数据分析模块是用于对交互信息的异常以及用户的反馈程度进行分析，依据用户的反馈程度来确定用户类型；所述质检...
【专利技术属性】
技术研发人员：刘浏，肖莉，黄兆宇，谢明明，张罡，
申请(专利权)人：联通江苏产业互联网有限公司，
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。