【技术实现步骤摘要】
本专利技术涉及人工智能，具体涉及一种基于语音识别和ai分析的服务热线坐席助手。
技术介绍
1、坐席助手是为了提高各类热线服务工作的效率和质量所创造的一款软件，目前使用的政务服务热线的业务系统界面比较简陋，只有填写工单的界面，导致坐席人员在处理实名诉求的时候不是很明确，同时，坐席人员对自己之前应对市民所说的话也不能回顾，而坐席助手的出现就很好的解决了这个问题。
2、智能坐席助手通过asr(语音转译)技术实时转译市民和坐席的对话，让坐席人员能够实时的看见自己和市民的对话，通过对对话的分析能更好的应对市民诉求，确实，这个功能其实已经基本满足了政务服务热线为市民提供服务的基本要求，但是，作为一款智能化产品，如果只是提供转译服务的话，还是不够的，一个是服务热线中，坐席人员往往需要填写大量的工单信息，这使得服务工作非常的繁琐，需要不断的输入通过对话获得信息到工单中，这在目前的坐席助手中没有得到很好的解决，第二个是在坐席助手的使用中，如果能有辅助监控坐席业务状态的能力会更好的提高坐席工作的质量。
3、现有技术中，预训练语言模型大多是基于通用场景下的语料训练而成，在各个垂直领域内很难有高质量的开源语言模型，另外即便是此类语言模型在表征句子文本时也存在各向异性的问题，即文本向量在超球面上存在坍缩问题。
技术实现思路
1、本专利技术针对现有技术中的不足，提供一种基于语音识别和ai分析的服务热线坐席助手，以提升坐席的业务技能和呼叫中心的服务效率。
2、为实现上述目的，
3、一种基于语音识别和ai分析的服务热线坐席助手，包括：呼叫中心语音映射模块、抓包服务模块、ai自然语言处理模块、前端实时对话展示模块和工单填写模块；
4、呼叫中心语音映射模块用于提供完整的坐席市民对话语音流镜像网络；
5、抓包服务模块利用抓包技术对语音流镜像网络进行抓包分析，获得一通完整的坐席和市民的语音对话；在所述抓包服务模块中创建两条线程，一条为sip包处理程序，用于监听并且分析用于创建连接的sip包，另一条为rtp包处理程序，用于监听并且分析用于传输语音流的rtp包；
6、ai自然语言处理模块通过预训练语言模型提取通话内容的信息，还用于知识推荐；
7、前端实时对话展示模块，用于订阅ai自然语言处理模块推送的消息队列，实时展示坐席和市民的对话；
8、工单填写模块，用于将ai自然语言处理模块提取的通话内容的信息填入工单。
9、为优化上述技术方案，采取的具体措施还包括：
10、进一步地，所述sip包处理程序通过抓取invite类型的sip包，建立由市民到坐席的连接，呼叫中心分配的坐席接听后，抓包服务模块抓取到ok类型的sip包，建立市民和坐席的通话连接；
11、通过分析sip包获取的市民以及对应坐席的信息，获得坐席和市民之间的rtp包的语音流，调用asr能力，将获取的语音流转译为文本，再将识别出的文本推送至消息队列中间件，消息队列中间件将文本以消息队列的形式推送至ai自然语言处理模块；所述市民以及对应坐席的信息包括来电号码、来电时间、来电市民ip和端口、坐席分机号、坐席ip和端口；
12、ai自然语言处理模块将消息队列推送至前端实时对话展示模块和后端服务器，前端实时对话展示模块和后端服务器订阅消息队列；
13、当市民和坐席的对话结束后，sip包处理程序抓取到bye类型的sip包，这时市民到坐席之间的连接断开。
14、进一步地，述ai自然语言处理模块通过预训练语言模型提取通话内容的信息具体为：
15、对训练集中的文本进行预处理，包括分词、去除停用词和词干提取；
16、利用预处理后的文本构建正负样本；
17、建立对比损失函数，使正负样本进行对比学习；对比损失函数的目标是最大化正样本之间的相似性和最小化负样本之间的相似性；
18、使用对比损失函数对预训练语言模型进行参数调整，评估预训练语言模型的性能，得到训练好的预训练语言模型；
19、利用训练好的预训练语言模型提取消息队列中文本的信息以获得填写工单所需的数据。
20、进一步地，所述构建正负样本的具体方法为：
21、用显式的数据增强方式构造正负例，包括同义反义词替换、随机删除和回译。
22、进一步地，所述构建正负样本的具体方法为：
23、用隐式的embedding改造方式构建正负样本，包括：对同一句向量进行dropout构造正例、利用大模型进行向量相似度计算构造正负例和利用聚类算法构建类簇筛选正负例。
24、进一步地，所述使用对比损失函数对预训练语言模型进行参数调整具体包括：
25、步骤a.冻结预训练模型的部分或全部参数，使其保持固定；
26、步骤b.只更新需要微调的参数；
27、步骤c.使用优化器和学习率调度策略来更新参数；所述优化器为adam或sgd；
28、步骤d.重复以上步骤多次，直到模型性能达到预期水平。
29、进一步地，所述评估预训练语言模型的性能具体为：
30、通过计算准确率、召回率及f1分数指标来评估预训练语言模型的性能；
31、或对验证集进行交叉验证，以评估预训练语言模型的泛化能力。
32、进一步地，所述知识推荐具体为：将市民的诉求中的文本向量与知识库中的向量比对，得到用于回复市民的文本。
33、进一步地，所述前端实时对话展示模块还展示违禁词、敏感词、情绪词、坐席是否有打断市民行为这些反馈信息，用于坐席调整自身行为及管理员监督。
34、本专利技术的有益效果是：
35、不同于现有的其它同类坐席助手产品，本专利技术结合使用了ai智能化技术，能够实时分析坐席和用户的对话，这种ai技术对本专利技术有几个很好地有益点，一：通过分析可以获取坐席和市民的对话中系统可能需要的内容，比如地址、名称等，坐席可以快捷地将需要的信息填入工单；二：本专利技术中的通话监测模块通过ai技术模块分析文本的得到的数据，比如关键词触发情况、语速、是否打断市民等，能实时的让坐席看到自己工作时的状态，方便实时的改正对话中的不当之处，提升了坐席的工作质量；三：通过ai技术对文本分析，能获取当前市民诉求的场景，并提供对应的话术。四：通过ai技术对文本分析，能够获取对应的归口信息，并给出推荐的派单方案。
本文档来自技高网...【技术保护点】
1.一种基于语音识别和AI分析的服务热线坐席助手，其特征在于，包括：呼叫中心语音映射模块、抓包服务模块、AI自然语言处理模块、前端实时对话展示模块和工单填写模块；
2.如权利要求1所述的基于语音识别和AI分析的服务热线坐席助手，其特征在于，所述SIP包处理程序通过抓取INVITE类型的SIP包，建立由市民到坐席的连接，呼叫中心分配的坐席接听后，抓包服务模块抓取到OK类型的SIP包，建立市民和坐席的通话连接；
3.如权利要求2所述的基于语音识别和AI分析的服务热线坐席助手，其特征在于，所述AI自然语言处理模块通过预训练语言模型提取通话内容的信息具体为：
4.如权利要求3所述的基于语音识别和AI分析的服务热线坐席助手，其特征在于，所述构建正负样本的具体方法为：
5.如权利要求3所述的基于语音识别和AI分析的服务热线坐席助手，其特征在于，所述构建正负样本的具体方法为：
6.如权利要求3所述的基于语音识别和AI分析的服务热线坐席助手，其特征在于，所述使用对比损失函数对预训练语言模型进行参数调整具体包括：
7.如权利要
8.如权利要求1所述的基于语音识别和AI分析的服务热线坐席助手，其特征在于，所述知识推荐具体为：将市民的诉求中的文本向量与知识库中的向量比对，得到用于回复市民的文本。
9.如权利要求1所述的基于语音识别和AI分析的服务热线坐席助手，其特征在于，所述前端实时对话展示模块还展示违禁词、敏感词、情绪词、坐席是否有打断市民行为这些反馈信息，用于坐席调整自身行为及管理员监督。
...【技术特征摘要】
1.一种基于语音识别和ai分析的服务热线坐席助手，其特征在于，包括：呼叫中心语音映射模块、抓包服务模块、ai自然语言处理模块、前端实时对话展示模块和工单填写模块；
2.如权利要求1所述的基于语音识别和ai分析的服务热线坐席助手，其特征在于，所述sip包处理程序通过抓取invite类型的sip包，建立由市民到坐席的连接，呼叫中心分配的坐席接听后，抓包服务模块抓取到ok类型的sip包，建立市民和坐席的通话连接；
3.如权利要求2所述的基于语音识别和ai分析的服务热线坐席助手，其特征在于，所述ai自然语言处理模块通过预训练语言模型提取通话内容的信息具体为：
4.如权利要求3所述的基于语音识别和ai分析的服务热线坐席助手，其特征在于，所述构建正负样本的具体方法为：
5.如权利要求3所述的基于语音...
【专利技术属性】
技术研发人员：王晨，张紫华，王伟，田融，
申请(专利权)人：中电鸿信信息科技有限公司，
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。