【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种基于机器学习算法的数字客服排队优化方法。
技术介绍
1、很多数字客服系统都会针对不同类别的客户问题配置专门的人工客服接待，当咨询客户的人数多时，数字客服的排队方式往往采用简化策略，如先到先服务或随机分配，这些策略没有充分考虑客户咨询的问题复杂性和多样性，因此，在转接到人工客服时，并不能保证客户会得到专门解决其问题的客服支持，导致客户需要重新排队等待，造成了额外的时间消耗，影响客户体验。如果数字客服能够对客户需求进行更精确的识别，一方面可以及时对客户需求进行响应，另一方面，在进行人工客服的转接时，可以更精准地将客户转接给专门处理该类问题的人工客服，从而提高客户服务的效率和质量，减少客户等待时间，提升客户满意度，因此，通过提升数字客服对客户需求识别的准确性来对数字客服的排队过程进行优化是至关重要的。
2、现有技术中，针对数据客服排队过程的优化，首先，利用传统的关键词提取算法（如tf-idf算法）提取历史服务记录中客户请求内容的关键词构成训练集，利用训练集对机器模型进行训练，得到训练好的机器模型，然后利用训练好的机器模型获取客户的实时请求内容所对应的客服答复模板，进而根据客户答复模板进行人工客服的转接，借助机器模型实现自动识别和响应，以保证能够快速且准确的明确客户需求。
3、但是，在利用tf-idf算法进行关键词提取过程中，其倾向于将出现频率较高的词语视为关键词，且赋予其较高的权重，容易忽略出现频率较低的词语。而客户需求的实际描述过程中，某些低频词汇可能具有重要的语义信息和关
4、因此，如何提高机器模型的训练集中的关键词提取的准确性，以保证利用训练好的机器模型进行客户需求识别的结果更加精准成为亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术实施例提供了一种基于机器学习算法的数字客服排队优化方法，以解决如何提高机器模型的训练集中的关键词提取的准确性，以保证利用训练好的机器模型进行客户需求识别的结果更加精准的问题。
2、本专利技术实施例中提供了一种基于机器学习算法的数字客服排队优化方法，该方法包括以下步骤：
3、获取数字客服的m个历史服务记录，针对任一历史服务记录，根据所述历史服务记录中的所有客户请求内容，获取关键词序列、答复模板编号序列、满意度评分以及每次客户请求内容对应的排队时长和处理时长；
4、针对所述答复模板编号序列的长度不符合要求的任一历史服务记录，以所述历史服务记录的关键词序列中的关键词为基准，分别获取所述历史服务记录中的每次客户请求内容中所包含的关键词组成关键词子序列，对所有关键词子序列进行划分合并，得到至少一个关键词合并序列，根据所述历史服务记录的答复模板编号序列获取每个所述关键词合并序列的目标答复模板编号；
5、针对所述数字客服的任一答复模板编号，根据每个所述历史服务记录中的每个关键词合并序列的目标答复模板编号，获取所述答复模板编号的关键词合并序列集合，针对所述关键词合并序列集合中的任一关键词合并序列中的任一关键词，根据所述关键词合并序列集合中的每个关键词合并序列的排队时长、处理时长和满意度评分，获取所述关键词在所述关键词合并序列中的第一修正关联程度；
6、利用所述关键词对应的答复模板编号集合，对所述关键词在所述关键词合并序列中的第一修正关联程度进行修正，得到所述关键词在所述关键词合并序列中的第二修正关联程度，根据所述关键词合并序列中的每个关键词的第二修正关联程度对所述关键词合并序列中的关键词进行筛选去除，得到最终关键词合并序列；
7、利用所有历史服务记录中的每个最终关键词合并序列和对应的目标答复模板编号，对预设的机器学习模型进行训练，得到训练好的机器学习模型，利用所述训练好的机器学习模型进行数字客服排队优化。
8、优选的，所述对所有关键词子序列进行划分合并，得到至少一个关键词合并序列，包括：
9、针对任一关键词子序列，获取所述关键词子序列中的每个关键词在对应客户请求内容中的出现频率，对所述关键词序列中不存在所述关键词子序列中的关键词的出现频率设置为预设值，根据所述关键词子序列中的每个关键词的出现频率以及所述关键词序列中不存在所述关键词子序列中的关键词的出现频率组成所述关键词子序列的频率序列；
10、根据对话轮次的先后，分别计算每两个相邻频率序列之间的相似程度，得到相似程度序列，针对所述相似程度序列中任一相邻的两个相似程度，当所述两个相似程度的后一个相似程度小于前一个相似程度时，获取所述两个相似程度对应的关键词子序列中的交集作为划分子序列，根据所有关键词子序列中的划分子序列，将每个所述划分子序列之前的所有关键词子序列合并为一个关键词合并序列，对应得到至少一个关键词合并序列。
11、优选的，所述根据所述历史服务记录的答复模板编号序列获取每个所述关键词合并序列的目标答复模板编号，包括：
12、针对任一关键词合并序列，根据所述关键词合并序列对应的每个关键词子序列在所述历史服务记录的答复模板编号序列中对应的答复模板编号，选择最后一个关键词子序列对应的答复模板编号作为所述关键词合并序列的目标答复模板编号。
13、优选的，所述根据所述关键词合并序列集合中的每个关键词合并序列的排队时长、处理时长和满意度评分，获取所述关键词在所述关键词合并序列中的第一修正关联程度，包括：
14、统计所述关键词在所述关键词合并序列集合中所属的关键词合并序列的第一数量以及所述关键词合并序列集合中所含的关键词合并序列的总数量，获取所述第一数量和所述总数量之间的第一比值；
15、根据所述关键词合并序列集合中的每个关键词合并序列对应的排队时长和处理时长，得到平均排队时长和平均处理时长，取所述关键词合并序列集合中的任一关键词合并序列作为目标序列，以所述平均排队时长和所述平均处理时长的乘积为分子，以所述目标序列对应的排队时长和处理时长的乘积为分母，得到对应的第二比值，获取所述目标序列所属的历史服务记录的满意度评分与所述第二比值之间的相乘结果；
16、获取所述关键词合并序列集合中的每个关键词合并序列对应的相乘结果的相加之和，获取所述关键词在所述关键词合并序列中的tf-idf值，将所述相加之和、所述tf-idf值与所述第一比值之间的乘积作为所述关键词在所述关键词合并序列中的第一修正关联程度。
17、优选的，所述利用所述关键词对应的答复模板编号集合，对所述关键词在所述关键词合并序列中的第一修正关联程度进行修正，得到所述关键词在所述关键词合并序列中的第二修正关联程度，包括：
18、根据每个所述关键词合并序列的目标答复模板编号，获取所述关键词对应的答复模本文档来自技高网...
【技术保护点】
1.一种基于机器学习算法的数字客服排队优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于机器学习算法的数字客服排队优化方法，其特征在于，所述对所有关键词子序列进行划分合并，得到至少一个关键词合并序列，包括：
3.根据权利要求2所述的一种基于机器学习算法的数字客服排队优化方法，其特征在于，所述根据所述历史服务记录的答复模板编号序列获取每个所述关键词合并序列的目标答复模板编号，包括：
4.根据权利要求1所述的一种基于机器学习算法的数字客服排队优化方法，其特征在于，所述根据所述关键词合并序列集合中的每个关键词合并序列的排队时长、处理时长和满意度评分，获取所述关键词在所述关键词合并序列中的第一修正关联程度，包括：
5.根据权利要求1所述的一种基于机器学习算法的数字客服排队优化方法，其特征在于，所述利用所述关键词对应的答复模板编号集合，对所述关键词在所述关键词合并序列中的第一修正关联程度进行修正，得到所述关键词在所述关键词合并序列中的第二修正关联程度，包括：
6.根据权利要求1所述的一种基于机器学习算法的数字客
7.根据权利要求1所述的一种基于机器学习算法的数字客服排队优化方法，其特征在于，所述利用所述训练好的机器学习模型进行数字客服排队优化，包括：
...【技术特征摘要】
1.一种基于机器学习算法的数字客服排队优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于机器学习算法的数字客服排队优化方法，其特征在于，所述对所有关键词子序列进行划分合并，得到至少一个关键词合并序列，包括：
3.根据权利要求2所述的一种基于机器学习算法的数字客服排队优化方法，其特征在于，所述根据所述历史服务记录的答复模板编号序列获取每个所述关键词合并序列的目标答复模板编号，包括：
4.根据权利要求1所述的一种基于机器学习算法的数字客服排队优化方法，其特征在于，所述根据所述关键词合并序列集合中的每个关键词合并序列的排队时长、处理时长和满意度评分，获取所述关键词在所述关键词合并序列中的第一修正关...
【专利技术属性】
技术研发人员：郭雪景，任光海，杨成军，尚松松，苏磊，
申请(专利权)人：山东盛德智能科技股份有限公司，
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。