一种外呼机器人智能优化培训方法、系统、设备和介质与流程

本发明涉及外呼，尤其涉及一种外呼机器人智能优化培训方法、系统、设备和介质。

背景技术：

1、随着互联网技术和人工智能的发展，智能外呼系统通过使用人工智能技术和语音识别技术进行自动拨号、收集客户信息和问卷调查，从而能够更好的服务于用户，解决传统外呼过程中人工外呼成本高、效率低的问题。

2、但是目前智能机器人外呼系统还处于初级阶段，在电力行业中的智能外呼机系统的经验较少，语义识别和对话控制方面的能力标准低下，使得机器人在理解用户意图和进行自然对话时表现不佳，在处理复杂对话无法有效解决问题，从而无法提供准确的服务，使电力行业领域系统出现召回能力低下的问题。

技术实现思路

1、为了解决上述技术问题，本发明实施例提供了一种外呼机器人智能优化培训方法、系统、设备和介质，实现利用外呼机器人进行智能培训的方法，提高了外呼机器人的回答准确度。

2、本发明实施例的第一方面提供了一种外呼机器人智能优化培训方法，方法包括：

3、获取客户问题信息；

4、对客户问题信息进行情感分析和语义分析，得到文本语义信息和情感语义信息，根据文本语义信息和情感语义信息进行回答，得到外呼机器人回答策略；

5、采集外呼机器人的运行数据，并根据运行数据以及客户反馈信息对外呼机器人进行风险识别和评估，得到评估结果，以使人员根据评估结果对外呼机器人进行优化。

6、在第一方面的一种可能的实现方式中，对客户问题信息进行情感分析和语义分析，得到文本语义信息和情感语义信息，具体为：

7、将客户问题信息中的文本信息转换为词嵌入，得到文本信息中各个单词的词向量；

8、将文本信息中各个单词的词向量输入双向循环神经网络进行信息提取，得到文本信息的各个单词的上下文信息；

9、利用自注意力机制对文本信息的各个单词的上下文信息进行计算，得到各个单词与各个单词的上下文信息的注意力权重；

10、将注意力权重进行加权求，得到各个单词的上下文综合信息，根据各个单词的上下文综合信息，得到文本语义信息；

11、利用情感分析模型对客户问题信息中的情感文本信息进行分析，得到情感语义信息。

12、在第一方面的一种可能的实现方式中，外呼机器人通过对构建好的对话生成模块进行自适应训练得到的，具体训练过程为：

13、采集客户数据和历史对话数据，对客户数据进行分类整理，得到多个类别的客户数据样本集和客户数据测试集，对历史对话数据进行预处理，得到有效历史对话数据样本集和有效历史对话数据测试集；

14、构建对话生成模型，将多个类别的客户数据样本集和有效历史对话数据样本集输入对话生成模型进行前向传播，得到预测分析结果，其中，对话生成模型为双向注意力机制的bert模型，前向传播公式为：

15、output＝softmax(wo*[cls]+bo)

16、式中，wo、bo分别表示输出层的权重和偏置，cls表示bert模型中的特殊标记符号，表示多个类别的客户数据样本集和有效历史对话数据样本集的文本的中心点；

17、根据预测分析结果和实际分析结果更新对话生成模型的参数，利用更新后的对话生成模型参数继续对对话生成模型进行前向传播，重复此步骤直到参数达到预设条件，得到训练好的对话生成模型；

18、利用客户数据测试集和有效历史对话数据测试集对训练好的对话生成模型进行评估，得到评估结果，根据评估结果对训练好的对话生成模型进行优化，得到优化好的对话生成模型，利用优化好的对话生成模型得到外呼机器人。

19、在第一方面的一种可能的实现方式中，采集外呼机器人的运行数据，并根据运行数据以及客户反馈信息对外呼机器人进行风险识别和评估，得到评估结果，具体为：

20、采集外呼机器人的运行数据；

21、对运行数据和客户反馈信息进行识别分析，得到风险识别结果，根据风险指标对风险识别结果进行判断，得到评估结果。

22、本发明实施例的第二方面提供了一种外呼机器人智能优化培训系统，系统包括：获取模块、对话模块和评价模块，

23、其中，获取模块用于获取客户问题信息；

24、对话模块用于对客户问题信息进行情感分析和语义分析，得到文本语义信息和情感语义信息，根据文本语义信息和情感语义信息进行回答，得到外呼机器人回答策略；

25、评价模块用于采集外呼机器人的运行数据，并根据运行数据以及客户反馈信息对外呼机器人进行风险识别和评估，得到评估结果，以使人员根据评估结果对外呼机器人进行优化。

26、在第二方面的一种可能的实现方式中，对客户问题信息进行情感分析和语义分析，得到文本语义信息和情感语义信息，具体为：

27、将客户问题信息中的文本信息转换为词嵌入，得到文本信息中各个单词的词向量；

28、将文本信息中各个单词的词向量输入双向循环神经网络进行信息提取，得到文本信息的各个单词的上下文信息；

29、利用自注意力机制对文本信息的各个单词的上下文信息进行计算，得到各个单词与各个单词的上下文信息的注意力权重；

30、将注意力权重进行加权求，得到各个单词的上下文综合信息，根据各个单词的上下文综合信息，得到文本语义信息；

31、利用情感分析模型对客户问题信息中的情感文本信息进行分析，得到情感语义信息。

32、在第二方面的一种可能的实现方式中，外呼机器人通过对构建好的对话生成模块进行自适应训练得到的，具体训练过程为：

33、采集客户数据和历史对话数据，对客户数据进行分类整理，得到多个类别的客户数据样本集和客户数据测试集，对历史对话数据进行预处理，得到有效历史对话数据样本集和有效历史对话数据测试集；

34、构建对话生成模型，将多个类别的客户数据样本集和有效历史对话数据样本集输入对话生成模型进行前向传播，得到预测分析结果，其中，对话生成模型为双向注意力机制的bert模型，前向传播公式为：

35、output＝softmax(wo*[cls]+bo)

36、式中，wo、bo分别表示输出层的权重和偏置，cls表示bert模型中的特殊标记符号，表示多个类别的客户数据样本集和有效历史对话数据样本集的文本的中心点；

37、根据预测分析结果和实际分析结果更新对话生成模型的参数，利用更新后的对话生成模型参数继续对对话生成模型进行前向传播，重复此步骤直到参数达到预设条件，得到训练好的对话生成模型；

38、利用客户数据测试集和有效历史对话数据测试集对训练好的对话生成模型进行评估，得到评估结果，根据评估结果对训练好的对话生成模型进行优化，得到优化好的对话生成模型，利用优化好的对话生成模型得到外呼机器人。

39、在第二方面的一种可能的实现方式中，采集外呼机器人的运行数据，并根据运行数据以及客户反馈信息对外呼机器人进行风险识别和评估，得到评估结果，具体为：

40、采集外呼机器人的运行数据；

41、对运行数据和客户反馈信息进行识别分析，得到风险识别结果，根据风险指标对风险识别结果进行判断，得到评估结果。

42、本发明实施例的第三方面提供了一种计算机设备，包括：

43、存储器，用于存储计算机程序；

44、处理器，用于执行所述计算机程序时实现如第一方面的外呼机器人智能优化培训方法。

45、本发明实施例的第四方面提供了一种存储介质，存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面的外呼机器人智能优化培训方法的步骤。