用于客服人员的智能化座席考核方法及系统与流程

本技术涉及智能考核，且更为具体地，涉及一种用于客服人员的智能化座席考核方法及系统。

背景技术：

1、座席是指客服人员所处的工作环境，包括电话呼叫中心等场合。客服人员的座席考核旨在评估客服人员在与客户进行沟通和提供服务时的能力和表现。通过座席考核，企业可以了解客服人员的专业知识水平、沟通技巧、解决问题的能力、情绪管理能力以及对客户体验的关注程度等方面的表现。

2、随着互联网的发展，客服行业也面临着越来越多的挑战和机遇。客服人员的情绪状态不仅影响着客户的满意度，也影响着客服人员的工作效率和心理健康。因此，如何有效地监测和管理客服人员的情绪，提高客服质量，是一个亟待解决的问题。目前，常见的客服人员情绪评估方法主要有两种：一种是针对客服人员的调查问卷；另一种依赖于监管人员的主观评估。这些方法存在主观性强、耗时耗力、难以实时反馈等缺点。

3、因此，期待一种优化的用于客服人员的智能化座席考核方法及系统。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于客服人员的智能化座席考核方法及系统，其采集客服人员与客户的对话过程中的语音信号，结合智能化算法分析所述语音信号中的声学语义特征，捕捉客服人员的声学语义波动模式，以此来实现对客服人员的情绪波动进行识别。这样，能够从语音数据中高效地识别和分析人员的情绪波动，无需人工干预，从而更加准确客观地评估客服人员的表现。

2、相应地，根据本技术的一个方面，提供了一种用于客服人员的智能化座席考核方法，其包括：

3、从客服人员与客户的对话中提取语音信号；

4、对所述语音信号进行预处理以得到预处理后语音信号；

5、提取所述预处理后语音信号的片段声学特征以得到语音片段声学特征语义特征向量的序列；

6、提取所述语音片段声学特征语义特征向量的序列的波动变化特征以得到全时域情绪波动语义特征向量；

7、基于所述全时域情绪波动语义特征向量，确定情绪波动是否超过预定标准。

8、在上述用于客服人员的智能化座席考核方法中，提取所述预处理后语音信号的片段声学特征以得到语音片段声学特征语义特征向量的序列，包括：对所述预处理后语音信号进行语义片段切分以得到语义信号片段的序列；将所述语义信号片段的序列分别通过基于卷积神经网络模型的声学特征提取器以得到所述语音片段声学特征语义特征向量的序列。

9、在上述用于客服人员的智能化座席考核方法中，所述基于卷积神经网络模型的声学特征提取器包括输入层、第一卷积层、第一激活层、第一池化层、第二卷积层、第二激活层、第二池化层和输出层。

10、在上述用于客服人员的智能化座席考核方法中，提取所述语音片段声学特征语义特征向量的序列的波动变化特征以得到全时域情绪波动语义特征向量，包括：计算所述语音片段声学特征语义特征向量的序列中每两个语音片段声学特征语义特征向量之间的情绪波动语义度量系数以得到由多个情绪波动语义度量系数组成的所述全时域情绪波动语义特征向量。

11、在上述用于客服人员的智能化座席考核方法中，计算所述语音片段声学特征语义特征向量的序列中每两个语音片段声学特征语义特征向量之间的情绪波动语义度量系数以得到由多个情绪波动语义度量系数组成的所述全时域情绪波动语义特征向量，包括：以如下情绪波动语义度量公式计算所述语音片段声学特征语义特征向量的序列中每两个语音片段声学特征语义特征向量之间的情绪波动语义度量系数；其中，所述情绪波动语义度量公式为：

12、

13、其中，为前一个所述语音片段声学特征语义特征向量，为后一个所述语音片段声学特征语义特征向量，n为各个所述语音片段声学特征语义特征向量的维度，hp为所述情绪波动语义度量系数，log表示以2为底的对数函数运算。

14、在上述用于客服人员的智能化座席考核方法中，基于所述全时域情绪波动语义特征向量，确定情绪波动是否超过预定标准，包括：将所述全时域情绪波动语义特征向量通过分类器以得到分类结果，所述分类结果用于表示情绪波动是否超过预定标准。

15、在上述用于客服人员的智能化座席考核方法中，将所述全时域情绪波动语义特征向量通过分类器以得到分类结果，所述分类结果用于表示情绪波动是否超过预定标准，包括：使用所述分类器的全连接层对所述全时域情绪波动语义特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述分类器的softmax分类函数以得到所述全时域情绪波动语义特征向量归属于各个分类标签的概率值，所述分类标签包括情绪波动超过预定标准和情绪波动未超过预定标准；将所述概率值中最大者对应的分类标签确定为所述分类结果。

16、在上述用于客服人员的智能化座席考核方法中，还包括训练步骤：对所述基于卷积神经网络模型的声学特征提取器和所述分类器进行训练。

17、在上述用于客服人员的智能化座席考核方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括训练语音信号，以及，情绪波动是否超过预定标准的真实值；对所述训练语音信号进行预处理以得到训练预处理后语音信号；对所述训练预处理后语音信号进行语义片段切分以得到训练语义信号片段的序列；将所述训练语义信号片段的序列分别通过所述基于卷积神经网络模型的声学特征提取器以得到训练语音片段声学特征语义特征向量的序列；计算所述训练语音片段声学特征语义特征向量的序列中每两个训练语音片段声学特征语义特征向量之间的情绪波动语义度量系数以得到由多个情绪波动语义度量系数组成的训练全时域情绪波动语义特征向量；将所述训练全时域情绪波动语义特征向量通过分类器以得到分类损失函数值；以所述分类损失函数值来对所述基于卷积神经网络模型的声学特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练全时域情绪波动语义特征向量进行优化。

18、根据本技术的另一个方面，提供了一种用于客服人员的智能化座席考核系统，其包括：

19、对话监控模块，用于从客服人员与客户的对话中提取语音信号；

20、语音信号预处理模块，用于对所述语音信号进行预处理以得到预处理后语音信号；

21、片段声学特征提取模块，用于提取所述预处理后语音信号的片段声学特征以得到语音片段声学特征语义特征向量的序列；

22、情绪波动变化特征提取模块，用于提取所述语音片段声学特征语义特征向量的序列的波动变化特征以得到全时域情绪波动语义特征向量；

23、考核结果生成模块，用于基于所述全时域情绪波动语义特征向量，确定情绪波动是否超过预定标准。

24、与现有技术相比，本技术提供的用于客服人员的智能化座席考核方法及系统，其采集客服人员与客户的对话过程中的语音信号，结合智能化算法分析所述语音信号中的声学语义特征，捕捉客服人员的声学语义波动模式，以此来实现对客服人员的情绪波动进行识别。这样，能够从语音数据中高效地识别和分析人员的情绪波动，无需人工干预，从而更加准确客观地评估客服人员的表现。