智能客服方法、装置及计算机可读存储介质与流程
本发明涉及人工智能技术领域，尤其涉及一种智能客服方法、装置及计算机可读存储介质。
背景技术：
传统的客户服务系统中客户需要面对复杂、冗长、繁琐的导航菜单，用户需要逐层听取菜单提示，根据引导一步步进行按键操作才能得到服务，这容易给用户造成较差的体验，传统的按键式自动语音服务面临越来越明显的挑战。同时，由于用户不能获取便捷的自助服务，大量服务涌入人工座席，宝贵的人工座席资源大量投入于提供简单、重复、低价值的劳动中，使得呼叫中心的整体工作效率难以提升，运营成本居高不下，客户满意度也受到了影响。
智能客服系统是在大规模知识处理基础上发展起来的一项面向行业应用的，适用大规模知识处理、自然语言理解、知识管理、自动问答系统、推理等等技术行业，智能客服不仅为企业提供了细粒度知识管理技术，还为企业与海量用户之间的沟通建立了一种基于自然语言的快捷有效的技术手段；同时还能够为企业提供精细化管理所需的统计分析信息。
然而，传统的智能客服系统并不能解决客户的所有问题，当客户问题得不到满意的解决时，客户的对于客服系统的满意度自然降低，这严重影响企业形象。
技术实现要素：
本发明提供一种智能客服方法、装置及计算机可读存储介质，其主要目的在于提供一种能够使客户满意的智能客服方案。
为实现上述目的，本发明的智能客服方法包括：
接入客户电话后，采用预设的语音识别模型对客户语音进行识别得到客户属性，并根据所述客户属性，按照预设规则为该客户分配智能客服；
在所分配的智能客服与客户的对话过程中，记录客户的语音数据，并从所述语音数据中提取客户的情感特征参数；及
根据所述语音数据的情感特征参数，采用预设判断方法判断客户当前的情感状态，并根据所述客户当前的情感状态，判断是否将智能客服切换为人工客服。
可选地，所述预设语音识别模型为连续隐马尔科夫语音识别模型，所述客户属性包括客户的性别，以及所述预设规则为根据所述客户的性别为该客户分配异性客服：当识别出客户为女性时，为该客户分配预先合成的男声智能客服，当识别出客户为男性时，为该客户分配预先合成的女声智能客服。
可选地，所述智能客服方法还包括建立所述连续隐马尔科夫语音识别模型，包括：
提取多个男生、女生的语音数据的mel频率倒谱系数作为说话人性别特征；
使用所述mel频率倒谱系数对所述连续隐马尔科夫语音识别模型进行训练和识别性别。
可选地，所述情感状态包括：悲伤、高兴、愤怒、平静，若判断客户当前的情感状态为悲伤或愤怒，则判断客户对智能客服的服务不满意，并自动切换智能客服至人工客服。
可选地，所述智能客服方法还包括：
记录智能客服服务的过程，作为客户的历史记录，并将所述历史记录作为优化算法的输入数据。
此外，为实现上述目的，本发明还提供一种装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的智能客服程序，所述智能客服程序被所述处理器执行时实现如下步骤：
接入客户电话后，采用预设的语音识别模型对客户语音进行识别得到客户属性，并根据所述客户属性，按照预设规则为该客户分配智能客服；
在所分配的智能客服与客户的对话过程中，记录客户的语音数据，并从所述语音数据中提取客户的情感特征参数；及
根据所述语音数据的情感特征参数，采用预设判断方法判断客户当前的情感状态，并根据所述客户当前的情感状态，判断是否将智能客服切换为人工客服。
可选地，所述预设语音识别模型为连续隐马尔科夫语音识别模型，所述客户属性包括客户的性别，以及所述预设规则为根据所述客户的性别为该客户分配异性客服：当识别出客户为女性时，为该客户分配预先合成的男声智能客服，当识别出客户为男性时，为该客户分配预先合成的女声智能客服。
可选地，所述智能客服程序被所述处理器执行时还执行建立所述连续隐马尔科夫语音识别模型，包括：
提取多个男生、女生的语音数据的mel频率倒谱系数作为说话人性别特征；
使用所述mel频率倒谱系数对所述连续隐马尔科夫语音识别模型进行训练和识别性别。
可选地，所述情感状态包括：悲伤、高兴、愤怒、平静，若判断客户当前的情感状态为悲伤或愤怒，则判断客户对智能客服的服务不满意，并自动切换智能客服至人工客服。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有智能客服程序，所述智能客服程序可被一个或者多个处理器执行，以实现如上所述的智能客服方法的步骤。
本发明提出的智能客服方法、装置及计算机可读存储介质接入客户电话后，采用预设的语音识别模型对客户语音进行识别得到客户属性，并根据所述客户属性，按照预设规则为该客户分配智能客服；在所分配的智能客服与客户的对话过程中，记录客户的语音数据，并从所述语音数据中提取客户的情感特征参数；及根据所述语音数据的情感特征参数，采用预设判断方法判断客户当前的情感状态，并根据所述客户当前的情感状态，判断是否将智能客服切换为人工客服。因此，本发明可以提高客户服务的满意度。
附图说明
图1为本发明一实施例提供的智能客服方法的流程示意图；
图2为本发明一实施例提供的装置的内部结构示意图；
图3为本发明一实施例提供的装置中智能客服程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，所述“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
进一步地，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提供一种智能客服方法。
详细地，参照图1所示，为本发明一实施例提供的智能客服方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
s1、接入客户电话后，采用预设的语音识别模型对客户语音进行识别得到客户属性，并根据所述客户属性，按照预设规则为该客户分配智能客服。
本发明较佳实施例中，所述预设语音识别模型为连续隐马尔科夫语音识别模型(continuoushiddenmarkovmodels，chmm)，所述客户属性包括客户的性别，以及所述预设规则为：根据所述客户的性别为该客户分配异性客服：当识别出客户为女性时，为该客户分配预先合成的男声智能客服，当识别出客户为男性时，为该客户分配预先合成的女声智能客服。
本发明较佳实施例在自动识别客户属性前，首先按照男生、女生的语音数据分别建立所述连续隐马尔科夫语音识别模型；在语音识别过程中，捕捉客户发出的语音，如电话接通时，客户说的“喂？”，并利用所述连续隐马尔科夫语音识别模型识别客户性别。
本发明较佳实施例在建立所述连续隐马尔科夫语音识别模型时，首先提取多个男生、女生的语音数据的mel频率倒谱系数(mfcc)作为说话人性别特征，再使用所述mel频率倒谱系数对所述连续隐马尔科夫语音识别模型进行训练和识别性别。这种方法简单易行，而且对性别可以达到很高的识别率。
在所述chmm中，输入为说话人语音数据的mel频率倒谱系数，输出概率密度函数采用混合高斯函数，模型的状态数取为6，每个状态混合高斯函数的个数取3，模型采用自左向右无跳转拓扑结构，使用baum—welch算法进行所述chmm参数训练，用前向—后向算法计算chmm的输出概率。
s2、在所分配的智能客服与客户的对话过程中，记录客户的语音数据，并从所述语音数据中提取客户的情感特征参数。
本发明较佳实施例中，所述情感特征参数包括振幅能量、基音频率和共振峰等。
语音数据的振幅能量特征可用短时平均幅度来表示，因为短时平均幅度是绝对值的运算，对高电平不敏感，且计算简化。其中，悲伤的振幅能量明显小于其他高兴、愤怒、平静三类情感，而高兴和愤怒的振幅能量相对较高。因此，利用所述振幅能量特征，可以将四类情感大致区别开。
本案计算如下四个参数作为振幅能量相关的特征参数：设e＝(e1,e2,...,ek)为一段语音数据的振幅能量，其中k为该句的帧数。所述四个振幅能量参数包括：最大能量值emax＝max(e1,e2,…,ek)、最小能量值emin＝min(e1,e2,…,ek)、能量均值
基音频率是指发浊音时声带振动的频率，它的倒数为基音周期。基音与人的声带长度、质量等物理量有关，因此，与人的年龄、性别、情绪等生理状态有关。
本案计算如下六个参数作为基音频率相关的特征参数：设p＝(p1,p2,...,pm)为一段语音数据的基音频率，其中m为该句的基音频率的帧数，即浊音帧数。所述六个基音频率的参数包括：最小基音频率值pmin＝min(p1,p2,...,pm)、基音频率的变化范围
共振峰是指在声音的频谱中能量相对集中的一些区域，共振峰不但是音质的决定因素，而且反映了声道(共振腔)的物理特征。共振峰特征可以在一定程度上反映情绪特征趋势。
本案计算如下三个参数作为共振峰相关的特征参数：设f＝(f1,f2,...,fk)为一段语音数据的共振峰，其中k为该句语音的帧数。所述三个共振峰参数包括：共振峰的均值
s3、根据所述语音数据的情感特征参数，采用预设判断方法判断客户当前的情感状态，并根据所述客户当前的情感状态，判断是否将智能客服切换为人工客服。
本发明较佳实施例中，所述情感状态包括：悲伤、高兴、愤怒、平静，若判断客户当前的情感状态为悲伤或愤怒，则判断客户对智能客服的服务不满意，并自动切换智能客服至人工客服，保持客户的服务质量。
本发明较佳实施例中，所述预设判断方法为机器学习方法，包括支持向量机。
所述支持向量机的基本思想为：对于线性可分问题，利用核函数将输入特征的样本点映射到高维特征空间，使得对应的样本空间线性可分。建立一个分类超平面作为决策曲面，使得正例和反例的隔离边缘被最大化。
本发明首先需要训练所述支持向量机，训练方法包括：在语音库中选取每类情感的语音数据各三句作为训练样本。由于本发明较佳实施例进行高兴、平静、愤怒和悲伤四类情感的识别，故总共选取12句语音数据用来训练所述支持向量机，求解参数w，即求解
本发明较佳实施例将上述提取出来的语音数据的情感特征参数输入到所述训练好的支持向量机中，即可输出对应的客户情感状态，判断客户为高兴、平静、愤怒或悲伤。
s4、记录智能客服服务的过程，作为客户的历史记录，并将所述历史纪录作为优化算法的输入数据，以优化智能客服的服务。
如果历史记录显示智能客服不能令预设比例，如80％的客户满意，则本发明可以采用特征参数规整优化算法对智能客服中的机器算法进行优化。
本发明还提供一种执行智能客服的装置。参照图3所示，为本发明一实施例提供的装置的内部结构示意图。
在本实施例中，所述装置1可以是智能手机、平板电脑、便携计算机等终端设备，可以是pc(personalcomputer，个人电脑)，也可以是服务器、服务器群组等。该装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是装置1的内部存储单元，例如该装置1的硬盘。存储器11在另一些实施例中也可以是装置1的外部存储设备，例如装置1上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，存储器11还可以既包括装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于装置1的应用软件及各类数据，例如智能客服程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(centralprocessingunit,cpu)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行智能客服程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如wi-fi接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(display)、输入单元比如键盘(keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在装置1中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有组件11-14以及智能客服程序01的装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图3所示的装置1实施例中，存储器11中存储有智能客服程序01；处理器12执行存储器11中存储的智能客服程序01时实现如下步骤：
步骤一、接入客户电话后，采用预设的语音识别模型自动识别客户属性，并根据所述客户属性，按照预设规则，自动为该客户分配智能客服。
本发明较佳实施例中，所述预设语音识别模型为连续隐马尔科夫语音识别模型(continuoushiddenmarkovmodels，chmm)，所述客户属性包括客户的性别，以及所述预设规则为：根据所述客户的性别为该客户分配异性客服：当识别出客户为女性时，为该客户分配预先合成的男声智能客服，当识别出客户为男性时，为该客户分配预先合成的女声智能客服。
本发明较佳实施例在自动识别客户属性前，首先按照男生、女生的语音数据分别建立所述连续隐马尔科夫语音识别模型；在语音识别过程中，捕捉客户发出的语音，如电话接通时，客户说的“喂？”，并利用所述连续隐马尔科夫语音识别模型识别客户性别。
本发明较佳实施例在建立所述连续隐马尔科夫语音识别模型时，首先提取多个男生、女生的语音数据的mel频率倒谱系数(mfcc)作为说话人性别特征，再使用所述mel频率倒谱系数对所述连续隐马尔科夫语音识别模型进行训练和识别性别。这种方法简单易行，而且对性别可以达到很高的识别率。
在所述chmm中，输入为说话人语音数据的mel频率倒谱系数，输出概率密度函数采用混合高斯函数，模型的状态数取为6，每个状态混合高斯函数的个数取3，模型采用自左向右无跳转拓扑结构，使用baum—welch算法进行所述chmm参数训练，用前向—后向算法计算chmm的输出概率。
步骤二、在所分配的智能客服与客户的对话过程中，记录客户的语音数据，并从所述语音数据中提取客户的情感特征参数。
本发明较佳实施例中，所述情感特征参数包括振幅能量、基音频率和共振峰等。
语音数据的振幅能量特征可用短时平均幅度来表示，因为短时平均幅度是绝对值的运算，对高电平不敏感，且计算简化。其中，悲伤的振幅能量明显小于其他高兴、愤怒、平静三类情感，而高兴和愤怒的振幅能量相对较高。因此，利用所述振幅能量特征，可以将四类情感大致区别开。
本案计算如下四个参数作为振幅能量相关的特征参数：设e＝(e1,e2,...,ek)为一段语音数据的振幅能量，其中k为该句的帧数。所述四个振幅能量参数包括：最大能量值emax＝max(e1,e2,…,ek)、最小能量值emin＝min(e1,e2,…,ek)、能量均值
基音频率是指发浊音时声带振动的频率，它的倒数为基音周期。基音与人的声带长度、质量等物理量有关，因此，与人的年龄、性别、情绪等生理状态有关。
本案计算如下六个参数作为基音频率相关的特征参数：设p＝(p1,p2,...,pm)为一段语音数据的基音频率，其中m为该句的基音频率的帧数，即浊音帧数。所述六个基音频率的参数包括：最小基音频率值pmin＝min(p1,p2,...,pm)、基音频率的变化范围
共振峰是指在声音的频谱中能量相对集中的一些区域，共振峰不但是音质的决定因素，而且反映了声道(共振腔)的物理特征。共振峰特征可以在一定程度上反映情绪特征趋势。
本案计算如下三个参数作为共振峰相关的特征参数：设f＝(f1,f2,...,fk)为一段语音数据的共振峰，其中k为该句语音的帧数。所述三个共振峰参数包括：共振峰的均值
步骤三、根据所述语音数据的情感特征参数，采用预设判断方法判断客户当前的情感状态，并根据所述客户当前的情感状态，判断是否将智能客服切换为人工客服。
本发明较佳实施例中，所述情感状态包括：悲伤、高兴、愤怒、平静，若判断客户当前的情感状态为悲伤或愤怒，则判断客户对智能客服的服务不满意，并自动切换智能客服至人工客服，保持客户的服务质量。
本发明较佳实施例中，所述预设判断方法为机器学习方法，包括支持向量机。
所述支持向量机的基本思想为：对于线性可分问题，利用核函数将输入特征的样本点映射到高维特征空间，使得对应的样本空间线性可分。建立一个分类超平面作为决策曲面，使得正例和反例的隔离边缘被最大化。
本本发明首先需要训练所述支持向量机，训练方法包括：在语音库中选取每类情感的语音数据各三句作为训练样本。由于本发明较佳实施例进行高兴、平静、愤怒和悲伤四类情感的识别，故总共选取12句语音数据用来训练所述支持向量机，求解参数w，即求解
本发明较佳实施例将上述提取出来的语音数据的情感特征参数输入到所述训练好的支持向量机中，即可输出对应的客户情感状态，判断客户为高兴、平静、愤怒或悲伤。
步骤四、记录智能客服服务的过程，作为客户的历史记录，并将所述历史纪录作为优化算法的输入数据，以优化智能客服的服务。
如果历史记录显示智能客服不能令预设比例，如80％的客户满意，则本发明可以采用特征参数规整优化算法对智能客服中的机器算法进行优化。
可选地，在本发明实施例中，所述智能客服程序01还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述智能客服程序在所述装置中的执行过程。
例如，参照图3所示，为本发明装置一实施例中的智能客服程序的程序模块示意图，该实施例中，智能客服程序01可以被分割为客服分配模块10、情感特征提取模块20、及满意度判断模块30。优选地，所述智能客服程序01还包括优化模块40。
示例性地：
所述客服分配模块10用于：接入客户电话后，采用预设的语音识别模型对客户语音进行识别得到客户属性，并根据所述客户属性，按照预设规则为该客户分配智能客服。
可选地，所述预设语音识别模型为连续隐马尔科夫语音识别模型，所述客户属性包括客户的性别，以及所述预设规则为根据所述客户的性别为该客户分配异性客服：当识别出客户为女性时，为该客户分配预先合成的男声智能客服，当识别出客户为男性时，为该客户分配预先合成的女声智能客服。
可选地，所述智能客服方法还包括建立所述连续隐马尔科夫语音识别模型，包括：
提取多个男生、女生的语音数据的mel频率倒谱系数作为说话人性别特征；
使用所述mel频率倒谱系数对所述连续隐马尔科夫语音识别模型进行训练和识别性别。
所述情感特征提取模块20用于：在所分配的智能客服与客户的对话过程中，记录客户的语音数据，并从所述语音数据中提取客户的情感特征参数。
可选地，所述情感状态包括：悲伤、高兴、愤怒、平静，若判断客户当前的情感状态为悲伤或愤怒，则判断客户对智能客服的服务不满意，并自动切换智能客服至人工客服。
所述满意度判断模块30用于：根据所述语音数据的情感特征参数，采用预设判断方法判断客户当前的情感状态，并根据所述客户当前的情感状态，判断是否将智能客服切换为人工客服。
可选地，本发明较佳实施例中，所述客户的情感状态包括：悲伤、高兴、愤怒、平静，若判断客户当前的情感状态为悲伤或愤怒，则推断客户对智能客服的服务态度不满意时，并快速切换智能客服至人工客服。
优选地，所述预设判断方法为机器学习方法，包括支持向量机。
所述优化模块40用于：记录智能客服服务的过程，作为客户的历史记录，并将所述历史记录作为优化算法的输入数据。
上述客服分配模块10、情感特征提取模块20、满意度判断模块30及优化模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有智能客服程序，所述智能客服程序可被一个或多个处理器执行，以实现如下操作：
接入客户电话后，采用预设的语音识别模型对客户语音进行识别得到客户属性，并根据所述客户属性，按照预设规则为该客户分配智能客服；
在所分配的智能客服与客户的对话过程中，记录客户的语音数据，并从所述语音数据中提取客户的情感特征参数；及
根据所述语音数据的情感特征参数，采用预设判断方法判断客户当前的情感状态，并根据所述客户当前的情感状态，判断是否将智能客服切换为人工客服。
本发明计算机可读存储介质具体实施方式与上述智能客服装置和方法各实施例基本相同，在此不作累述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！