【技术实现步骤摘要】
本申请涉及人工智能和深度学习，特别是涉及一种客服评分模型的构建方法、装置、计算机设备和存储介质。
技术介绍
1、随着客服不断发展，为更好识别客服质量，往往银行通过用户对客服进行评分从而识别客服的缺陷和不足，以及时迭代更新客服，从而提升客服质量，但是往往通过用户进行评分会耗费用户的时间和经历，从而影响客户对客服的评价问题，因此如何对客服质量进行自评价是当前的研究问题。
2、传统对客服质量进行自评价的方式是通过传统的openpose和hmm进行模型构建，身体姿态识别结果和语音关键词识别结果在决策上的融合得到客服最终服务评分。但是使用传统的openpose和hmm的模型构建方法，生成的神经网络由大量的参数组成，资源消耗大、计算成本较高，无法在低性能的小型设备中使用；同时，使用大型模型的原始训练数据(如私人数据，人体视频、照片和语音)训练轻量模型时，会产生数据安全和隐私保护问题，从而导致对客服评分模型的训练效率较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种客服评分模型的构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请提供了一种客服评分模型的构建方法。所述方法包括：
3、获取多个无标签的客服数据、各所述客服数据的真实标签信息、以及多个已训练的识别教师网络，并识别每个客服数据的数据类型、以及各所述识别教师网络对应的数据类型；
4、针对每个数据类型，基于所述数据类型的识别教师网络，分别对所述
5、筛选低于噪声阈值的噪声值对应的客服数据，作为所述数据类型的目标客服数据，并基于各所述目标客服数据的伪标签信息、与各所述目标客服数据的真实标签信息之间的转换概率信息，生成所述数据类型的转换概率矩阵；
6、基于各所述目标客服数据的伪标签信息、所述数据类型的转换概率矩阵、所述数据类型的识别教师网络、以及各所述目标客服数据，通过知识蒸馏损失函数，训练所述数据类型对应的初始识别学生模型的分类参数，得到所述数据类型对应的识别学生模型；
7、获取各所述数据类型的评分策略，并基于各所述数据类型对应的识别模型、以及各所述数据类型的评分策略，构建客服评分模型。
8、可选的，所述识别每个客服数据的数据类型、以及各所述识别教师网络对应的数据类型，包括：
9、提取每个客服数据的数据标识信息，并基于各所述客服数据的数据标识信息，识别各所述客服数据的数据类型；
10、获取每个识别教师网络的训练样本数据、以及各所述训练样本数据的数据标识信息，并基于各所述训练样本数据的数据标识信息、识别各所述训练样本数据的数据类型；所述识别教师网络的训练过程为在本地客户端基于各识别教师网络的训练样本数据，对各初始识别教师网络进行参数训练处理，得到各所述识别教师网络；
11、将各所述训练样本数据的数据类型，作为各所述训练样本数据所训练的识别教师网络的数据类型。
12、可选的，所述基于所述数据类型的识别教师网络，分别对所述数据类型的各客服数据进行数据标记处理，得到各所述客服数据的伪标签信息，并基于各所述客服数据的伪标签信息、以及各所述客服数据的真实标签信息，计算各所述客服数据的噪声值，包括：
13、基于所述数据类型的识别教师网络，分别预测各所述客服数据的预测数据类别，并将各所述客服数据的预测数据类别，作为各所述客服数据的伪标签信息；
14、基于各所述客服数据、以及各所述客服数据的伪标签信息，通过无标签数据噪声值算法，分别计算每个客服数据的噪声值。
15、可选的，所述基于各所述目标客服数据的伪标签信息、与各所述目标客服数据的真实标签信息之间的转换概率信息，生成所述数据类型的转换概率矩阵，包括：
16、识别各所述目标客服数据的伪标签信息的数据类别、以及各所述目标客服数据的真实标签信息对应的数据类别；
17、基于各所述伪标签信息所属的目标客服数据、各所述真实标签信息所属的目标客服数据、各所述伪标签信息对应的数据类别、以及各所述真实标签信息对应的数据类别，通过概率计算公式，分别计算每个真实标签信息转换为伪标签信息的转换概率；
18、基于各所述真实标签信息转换为伪标签信息的转换概率、各所述伪标签信息、以及各所述真实标签信息，构建所述数据类型的转换概率矩阵。
19、可选的，所述基于各所述目标客服数据的伪标签信息、所述数据类型的转换概率矩阵、所述数据类型的识别教师网络、以及各所述目标客服数据，通过知识蒸馏损失函数，训练所述数据类型对应的初始识别学生模型的分类参数，得到所述数据类型对应的识别学生模型，包括：
20、基于所述数据类型的转换概率矩阵，调整初始知识蒸馏损失函数，得到所述数据类型对应的知识蒸馏损失函数；
21、基于各所述目标客服数据的伪标签信息、所述数据类型的识别教师网络、以及各所述目标客服数据，通过所述数据类型的知识蒸馏损失函数，训练所述数据类型对应的初始识别学生模型的分类参数，得到所述数据类型对应的识别学生模型。
22、可选的，所述基于各所述数据类型对应的识别模型、以及各所述数据类型的评分策略，构建客服评分模型，包括：
23、获取每个数据类型的各真实标签信息的评分信息、以及每个数据类型的评分权重值，并将各所述数据类型的各真实标签信息的评分信息，分别添加至各所述数据类型对应的识别学生模型后，得到各所述数据类型对应的客服评分学生模型；
24、基于各所述数据类型的评分权重值，确定各所述数据类型对应的客服评分学生模型的权重参数，并将各所述客服评分学生模型、以及各所述客服评分学生模型的权重参数进行汇总处理，得到客服评分模型。
25、第二方面，本申请还提供了一种客服评分模型的构建装置。所述装置包括：
26、获取模块，用于获取多个无标签的客服数据、各所述客服数据的真实标签信息、以及多个已训练的识别教师网络，并识别每个客服数据的数据类型、以及各所述识别教师网络对应的数据类型；
27、计算模块，用于针对每个数据类型，基于所述数据类型的识别教师网络，分别对所述数据类型的各客服数据进行数据标记处理，得到各所述客服数据的伪标签信息，并基于各所述客服数据的伪标签信息、以及各所述客服数据的真实标签信息，计算各所述客服数据的噪声值；
28、筛选模块，用于筛选低于噪声阈值的噪声值对应的客服数据，作为所述数据类型的目标客服数据，并基于各所述目标客服数据的伪标签信息、与各所述目标客服数据的真实标签信息之间的转换概率信息，生成所述数据类型的转换概率矩阵；
29、训练模块，用于基于各所述目标客服数据的伪标签信息、所述数据类型的转换概率矩阵、所述数据类型的识别教师网络本文档来自技高网...
【技术保护点】
1.一种客服评分模型的构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述识别每个客服数据的数据类型、以及各所述识别教师网络对应的数据类型，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述数据类型的识别教师网络，分别对所述数据类型的各客服数据进行数据标记处理，得到各所述客服数据的伪标签信息，并基于各所述客服数据的伪标签信息、以及各所述客服数据的真实标签信息，计算各所述客服数据的噪声值，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于各所述目标客服数据的伪标签信息、与各所述目标客服数据的真实标签信息之间的转换概率信息，生成所述数据类型的转换概率矩阵，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于各所述目标客服数据的伪标签信息、所述数据类型的转换概率矩阵、所述数据类型的识别教师网络、以及各所述目标客服数据，通过知识蒸馏损失函数，训练所述数据类型对应的初始识别学生模型的分类参数，得到所述数据类型对应的识别学生模型，包括：
6.根据权利要求1所述的方法，其特征在
7.一种客服评分模型的构建装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种客服评分模型的构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述识别每个客服数据的数据类型、以及各所述识别教师网络对应的数据类型，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述数据类型的识别教师网络，分别对所述数据类型的各客服数据进行数据标记处理，得到各所述客服数据的伪标签信息，并基于各所述客服数据的伪标签信息、以及各所述客服数据的真实标签信息，计算各所述客服数据的噪声值，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于各所述目标客服数据的伪标签信息、与各所述目标客服数据的真实标签信息之间的转换概率信息，生成所述数据类型的转换概率矩阵，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于各所述目标客服数据的伪标签信息、所述数据类型的转换概率矩阵、所述数据类型的识别教师网络、以及...
【专利技术属性】
技术研发人员：王心月，
申请(专利权)人：中国工商银行股份有限公司，
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。