基于机器学习的个性化繁忙等待服务的方法、装置和设备与流程

本申请涉及人工智能，尤其涉及基于机器学习的智能客服。

背景技术：

互联网+时代，技术和经济形态不断地演化进步。所谓“互联网+”就是“互联网+各个传统行业”。然而，这并不是指两者简单的相加，而是利用信息通信技术和互联网平台，让互联网与传统行业进行深度融合，创造出新的发展生态。互联网+代表着新的社会形态，并且催生出一系列新的涉及各种服务的互联网平台，诸如消费、金融、供应链、信贷、众筹、银行、交通、通信、政务、旅游、医疗、教育、信息等等。层出不穷的平台需要大量的客服来帮助解决用户提出的各种问题。平台的规模越大、功能/服务越复杂，用户提出的问题和需要得到帮助的地方就更为多样化和复杂化。这给平台运营商和服务人员带来了极大的压力。人工客服的培训成本非常高，而且要培养出能够应对用户所有问题的人工客服难度极大。

目前业界的一种办法是将人工客服按照具体业务分成若干个技能组进行分别培训，其中每个技能组只回答特定类的问题。在接到用户的服务要求(例如，电话、聊天等)时，先通过客服机器人与用户进行一次或多次交流，根据用户提供的信息对用户进行分类/分流，以将客户指到合适的人工客服技能组以便由人工客服来与用户进行交流并回答/解决用户的问题。例如，有的客服机器人要求用户先描述问题，然后通过抓取用户描述语言中的关键字来猜测用户需求并要求客户确认。在客户给出肯定/否定/补充信息后，客服机器人视需要进一步询问客户等，以便最后将用户指派到合适的人工客服技能组。

然而，由于服务需求量巨大，经常会碰到座席/人工客服全忙需要用户等待的情形。例如，在电话场景中，可能会为用户反复循环播放固定音乐，甚至还会因超时而挂断电话，导致用户因既浪费了时间又最终没有得到服务而体验极差。而在聊天场景中，也可能遇到客服反应缓慢、掉线等问题。

因此，本领域中需要能够改善繁忙等待的技术。

技术实现要素：

本公开的一方面涉及一种基于机器学习的个性化繁忙等待服务的方法，包括通过人机对话分析用户需求；在基于该分析能确定该用户需求或该人机对话超出限制的情况下，将用户指派到相应人工服务并进入繁忙等待；以及在该繁忙等待期间，使用基于机器学习的模型来为用户提供个性化繁忙等待服务，其中该个性化繁忙等待服务包括使用该基于机器学习的模型来提供适应于该用户的等待消遣或进一步分析该用户需求。

根据一示例性而非限定性实施例，使用基于机器学习的模型来为用户提供该个性化繁忙等待服务包括确定该用户需求的置信度；如果所确定的用户需求的置信度等于或高于阈值，则使用该基于机器学习的模型来提供适应于用户的等待消遣；否则如果所确定的用户需求的置信度低于阈值，则通过人机对话来进一步分析该用户需求。

根据另一示例性而非限定性实施例，如果所确定的用户需求的置信度低于阈值，该方法进一步包括基于所确定的用户需求来为用户重新指派相应人工服务。

根据又一示例性而非限定性实施例，确定该用户需求的置信度包括以下一项或多项或其任何组合：确定用户对问题/需求的描述是否已足够清楚；确定进行准确的人工服务所需的信息是否已足够充分；确定所指派的人工服务是否足够准确；和/或确定该将用户指派到相应人工服务并进入繁忙等待是否因该人机对话超出限制。

根据再一示例性而非限定性实施例，使用该基于机器学习的模型来提供适应于用户的等待消遣进一步包括针对该用户和/或该需求进行画像建模；以及基于该画像建模来提供适应于该用户的等待消遣。

根据进一步的示例性而非限定性实施例，基于该画像建模来提供适应于该用户的等待消遣包括：推荐或播放与该用户的情绪相适应的音乐；推荐或播放与该用户的爱好相适应的音乐；和/或由聊天机器人来为该用户提供聊天服务。

根据进一步的示例性而非限定性实施例，该方法进一步包括基于适应于该用户的等待消遣来进一步完善对该用户的画像建模。

根据另一示例性而非限定性实施例，如果所确定的用户需求的置信度等于或高于阈值，该方法进一步包括确定该用户需求是否紧急；以及如果该用户需求紧急，则进一步至少基于该用户的情绪来提高用户的繁忙等待优先级。

根据再一示例性而非限定性实施例，在该繁忙等待期间，使用基于机器学习的模型来为用户提供个性化繁忙等待服务进一步包括确定该繁忙等待的预计时间是否足够长；以及若该繁忙等待的预计时间足够长，则使用基于机器学习的模型来为用户提供该个性化繁忙等待服务。

根据又一示例性而非限定性实施例，该方法进一步包括根据用户的行为轨迹猜测用户需求；以及至少部分地基于所猜测出的用户需求来进行该人机对话。

本公开的其它方面还涉及相应的装置、设备和计算机可读介质。

附图说明

图1示出了现有技术的客服派单方法的流程图。

图1a示出了现有技术的客服派单过程中的示例性情形。

图1b示出了现有技术的客服派单过程中的示例性情形。

图2示出了根据本公开的一方面的客服智能派单方法的流程图。

图2a示出了根据本公开一方面对图2的个性化繁忙等待的一示例性实现。

图3示出了根据本公开一方面对图2的个性化繁忙等待的另一示例性实现。

图3a、图3b和图3c示出了根据示例性实施例的个性化繁忙等待场景。

图4示出了根据本公开的一方面的基于机器学习的个性化繁忙等待推荐设备的框图。

具体实施方式

为了更好地理解本发明的技术方案，下面结合附图对本申请的实施例进行详细描述。

应当明确，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例的罗列。基于本公开中描述的实施例，本领域普通技术人员在没有付出创造习惯劳动的情况下所获得的所有其他变化例都属于本申请的保护范围。

在现有的客服系统中，繁忙等待在电话的情形中往往是反复播放固定音乐或者忙音，或者在聊天的情形中往往是简单的等待。系统并没有充分利用这段时间来获取有用信息和/或采取策略来提高用户满意度。

例如，图1示出了现有技术的客服派单方法100的流程图。在框102，从用户接收向客服系统发起的请求。例如，用户可以拨打客服电话，或发起与在线客服的聊天等。在框104，客服机器人引导用户表达需求。例如，在电话的情形中，客服机器人可直接向用户提问以获得用户是/否的回答，或者可以引导客户通过按键等在服务菜单中选择所想要获得服务的问题大类。而在聊天的情形中，客服机器人可直接向用户提问以获得用户是/否的回答，或者可以引导用户直接描述问题，或提供选项供用户点击选择现成的问题大类等。例如，在一示例性而非限定性的网上购物场景中，客服机器人可询问用户是想要了解商品信息、要求退换货、还是其它。在又一示例性而非限定性的办理银行业务场景中，客服机器人可询问用户是个人客户还是公司客户，是想要开户、办理存取款业务、购买理财产品还是其他。以上仅是客服机器人引导用户表达需求的示例，本公开在此方面并不受限定。

图1a示出了现有技术的客服派单过程中的示例性情形。图1a的(a)示出了例如网店购物场景，其中客服机器人询问用户想要了解商品信息还是退换货等，然后用户提出了退换货的愿望。图1a的(b)示出了例如办理电话银行业务场景，其中客服机器人询问用户想要开户、办理存取款业务、购买理财产品还是其它，然后用户通过按键的方式指示了自己的需求。图1a的(c)示出了例如app场景，其中客服机器人引导用户表达自己的需求，然后用户告知自己因换手机号而不能登录原来账号的问题。

根据粗略地确定的用户问题大类，在框106，客服机器人与用户进行进一步的对话，以例如细化用户需求和/或获得进一步的有用信息。例如，在电话的情形中，客服机器人可提供常见的几种问题供用户选择。

图1b示出了现有技术的客服派单过程中的示例性情形。例如，与图1a的(a)对应地，图1b的(a)示出了例如在前述网上购物场景中，当确定用户选择了退换货服务时，可询问用户是否是需要以下服务，例如：(i)仅想了解退换货政策；(ii)需要退货；(iii)需要换货；或者(iv)其它，然后用户表达了要退货的意向。又如，与图1a的(b)对应地，图1b的(b)示出了在前述办理电话银行业务场景中，当确定用户选择了个人开户时，可询问用户是否需要以下服务，例如(i)开设人民币活期账户；(ii)开设外币活期账户；(iii)开设人民币定期账户；(iv)开设外币定期账户；或者(v)其它。在此类场景中，可引导客户继续通过按键等在下一级服务菜单中进一步选择所需的具体服务内容等。例如，在此例中，用户选择开设人民币活期账户。在另一示例性而非限定性的场景中，例如，与图1a的(c)对应地，图1b的(c)示出了客服机器人可以继续引导用户描述问题，例如“您现在是无法登录原来的账号吗？”而用户可能直接做出语音或打字回复。客服机器人可以通过例如抓取用户回复中的关键词，例如手机号、登录、丢失等来进一步确定用户的问题详情。以上仅是客服机器人与用户进行进一步对话的示例，本公开在此方面并不受限定。

在框108，系统根据所收集到的用户信息来确定是否能分析出用户需求或者客服机器人与用户对话是否已超出限制。确定是否超出限制可以基于预定的时间阈值，或者可以基于客服机器人与用户对话的轮数(例如，至多三轮)等等，或其任何组合。如果根据框104和106中获得的信息，已经能够分析出用户需求，或者客服机器人与用户对话已经超过例如阈值时间但仍未能确定用户的具体需求，则方法100转到框110。例如，在图1a的(a)和图1b的(a)以及图1a的(b)和图1b的(b)的场景中，系统可能已经能够从用户给出的回复中准确地确定用户需求。则方法100可以前进到框110。

另一方面，如果尚不能确定用户意图并且客服机器人与用户对话尚未超出限制，例如前述网店购物场景中，用户选择了(iv)其它，或是在前述办理银行业务场景中，用户选择了(v)其它，这表明智能机器人尚未能准确识别出用户意图，则方法100回到框106，在此客服机器人与用户进行进一步的对话以试图确定用户意图。又如，在图1a的(c)和图1b的(c)的app场景中，用户仍然没有足够清楚地表达出他/她的意图但客服机器人与用户的对话尚未超出限制，则方法100回到框106。

在框110，基于所确定的用户意图以及其它相关联的信息，系统将用户指派到合适的人工服务技能组以便由人工客服来与用户进一步对话并服务用户需求。例如，当在框108确定已经分析出用户需求的情况下，可以基于所分析出的用户需求来将用户指派到合适的人工服务技能组。例如，在图1a的(a)和图1b的(a)的场景中，系统可以将用户指派到负责退货的人工客服技能组。又如，在图1a的(b)和图1b的(b)的场景中，系统可以将用户指派到开设人民币活期账户的人工客服技能组。根据另一示例，当在框108因为客服机器人与用户对话已超出限制(例如，客服机器人与用户对话已超过预定的时间阈值，或者客服机器人与用户对话的轮数已超过预定的轮数阈值等等，或其任何组合)而进入到框110的情况下，系统可以将用户指派到负责疑难杂项的人工客服技能组。

在框114，由所指派的合适的人工服务技能组中的人工客服为用户提供服务。然而，如果合适的人工服务技能组中没有任何人工客服空闲，则在框110与114之间，还可能存在繁忙等待框112。在繁忙等待框112中，用户只能被动地等待获得人工客服的服务。系统至多为用户播放音乐或者忙音，而没有充分利用这段时间获取有用信息，或者采取策略增加用户满意度。甚至在有的系统中，在繁忙等待时间超时的情况下，系统还会自动终止与用户的会话。例如，在电话客服的场景中，当繁忙等待时间超过预定时间阈值，系统将自动挂断电话。在已回答了不少问题又等待良久的情况下被挂机对于用户而言是非常差的体验。在另一示例性情形中，由于客服机器人与用户对话已超出限制而将用户指派到不准确的人工客服技能组，在等待并经人工客服技能组中的人工客服询问后，往往发现用户应被指派到另一人工客服技能组。从而，用户又需要进入下一轮的等待。这是效率低下且用户体验不佳的。

图2示出了根据本公开的一方面的客服智能派单方法200的流程图。与方法100类似地，在框202，从用户接收向客服系统发起的请求。与方法100的框102不同之处在于，框202还可根据用户的特征因子(例如，用户的行为轨迹等)猜测用户需求。例如，用户可以拨打客服电话，或发起与在线客服的聊天等。根据一示例性而非限定性的实施例，例如，用户的行为轨迹表明用户几天前购买了某个物品，并且根据物流信息，该物品尚未送达。在此情形中，系统可猜测用户可能希望询问该物品何时能够送达。又如，用户的行为轨迹表明用户几天前购买了某个物品，根据物流信息，该物品已经送达。在此情形中，系统可猜测用户可能想要退换货。再如，用户的行为轨迹表明了用户近几天多次浏览某类物品但尚未下单。在此情形中，系统可猜测用户可能想要询问该物品的详情等等。根据另一示例性而非限定性实施例，框202可被省略。

在框204，客服机器人引导用户表达需求。例如，在电话的情形中，客服机器人可直接向用户提问以获得用户是/否的回答，或者可以引导用户通过按键等在服务菜单中选择所想要获得服务的问题大类。而在聊天的情形中，客服机器人可直接向用户提问以获得用户是/否的回答，或者可以引导用户直接描述问题，或提供选项供用户点击选择现成的问题大类等。例如，在一示例性而非限定性的网上购物场景中，客服机器人可询问用户是想要了解商品信息、要求退换货、还是其它。在又一示例性而非限定性的办理银行业务场景中，客服机器人可询问用户是个人客户还是公司客户，是想要开户、办理存取款业务、购买理财产品还是其他。当在框202猜测出用户需求的情况下，还可基于所猜测的用户需求来引导用户表达需求。例如，在猜测出用户有可能想要询问某特定物品的情形中，可以优先询问客户是否想要了解该特定商品和/或该特定商品的优惠信息等。又如，在猜测出用户有可能想要退换货的情形中，可以优先询问用户是否对该货物有不满意等等。在以上仅是客服机器人引导用户表达需求的示例，本公开在此方面并不受限定。

根据粗略地确定的用户问题大类，在框206，客服机器人与用户进行进一步的对话，以例如细化用户需求和/或获得进一步的有用信息。例如，在电话的情形中，客服机器人可提供常见的几种问题供用户选择。例如，在前述网上购物场景中，当确定用户选择了退换货服务时，可询问用户是否是需要以下服务，例如：(i)仅想了解退换货政策；(ii)需要退货；(iii)需要换货；或者(iv)其它。又如，在前述办理银行业务场景中，当确定用户选择了个人开户时，可询问用户是否需要以下服务，例如(i)开设人民币活期账户；(ii)开设外币活期账户；(iii)开设人民币定期账户；(iv)开设外币定期账户；或者(v)其它。在此类场景中，可引导客户继续通过按键等在下一级服务菜单中进一步选择所需的具体服务内容等。在另一示例性而非限定性的场景中，客服机器人可以直接引导用户描述问题，例如“您好，请问有什么可以帮助您的？”而用户可以直接语音或打字回复：“手机号丢失了，然后重新补办，然后再登录app就与以前的不是一个账号了怎么办？”。客服机器人可以通过例如抓取用户回复中的关键词，例如账号、登录、丢失等来确定用户的问题详情。以上仅是客服机器人与用户进行进一步对话的示例，本公开在此方面并不受限定。根据另一示例性而非限定性的实施例，框204和206也可被合并，只要能够进行客服机器人与用户的对话来引导用户表达需求或给出相关信息即可。

在框208，系统根据所收集到的用户信息来确定是否能分析出用户需求或者客服机器人与用户对话是否已超出限制。确定是否超出限制可以基于预定的时间阈值，或者可以基于客服机器人与用户对话的轮数等等，或其任何组合。如果根据框204和206中获得的信息，已经能够分析出用户需求，或者客服机器人与用户对话已经超过例如阈值时间但仍未能确定用户的具体需求，则方法200转到框210。如果尚不能分析出用户需求并且客服机器人与用户对话尚未超出限制，则方法200回到框206，在此客服机器人与用户进行进一步的对话以试图确定用户意图。在例如提供选项供用户点击选择现成的问题大类的情形中，如果用户连续选择“其他”选项，这表明智能机器人尚未能准确识别出用户意图。又如，在客服机器人可直接向用户提问以获得用户是/否的回答的情形中，用户连续给出否定回答，则表明智能机器人尚未能准确识别出用户意图。再如，在引导用户直接描述问题的情形中，如果不能从用户描述中提取出有效的关键字，则表明智能机器人未能准确识别出用户意图。

在框210，基于所确定的用户意图以及其它相关联的信息，系统自动将用户指派到合适的人工服务技能组以便由人工客服来与用户进一步对话并服务用户需求。例如，当在框108确定已经分析出用户需求的情况下，可以基于所分析出的用户需求来将用户指派到合适的人工服务技能组。根据另一示例，当在框108因为客服机器人与用户对话已超出限制(例如，客服机器人与用户对话已超过预定的时间阈值，或者客服机器人与用户对话的轮数已超过预定的轮数阈值等等，或其任何组合)而进入到框110的情况下，系统可以将用户指派到负责疑难杂项的人工客服技能组。

在框214，由所指派的合适的人工服务技能组中的人工客服为用户提供服务。方法200与方法100的另一区别之处在于，如果合适的人工服务技能组中没有任何人工客服空闲，则在框210与214之间的繁忙等待框是个性化繁忙等待框212。在个性化繁忙等待框212中，系统可以充分利用这段时间继续获取有用信息，或者采取策略增加用户满意度。根据一示例性实施例，如果合适的人工服务技能组中没有任何人工客服空闲，并且系统预测用户不能在阈值时间(例如，2分钟)以内获得人工客服的服务，则系统进入个性化繁忙等待框212；否则，如果预测用户能在阈值时间以内获得人工客服的服务，则直接让用户继续等待直至获得人工客服服务。根据另一示例性而非限定性实施例，系统也可直接进入个性化繁忙等待框212。个性化繁忙等待框212的具体实施例在下文中结合图2a和3等来描述。

图2a示出了根据本公开一方面对图2的个性化繁忙等待框212的示例性实现200a。根据一示例性而非限定性实施例，方法200a可包括在框202a，可针对用户和/或用户问题/需求进行画像建模(profiling)。例如，对用户进行画像建模可以包括对用户进行年龄段、性别、职业、居住地、学历、业务历史等的分类。又如，可对用户需求进行画像建模。例如对用户需求进行画像建模可包括进行紧急程度或业务需求的分类。例如，紧急程度分类可分为高、中、低或分为更细致的0–10级等。本公开在此方面并不受限定。业务需求的分类可按具体业务分为例如售前、售中、售后等。本公开在此方面也不受限定。

当在框202a针对用户和/或用户问题/需求进行画像建模之后，方法200a前进到框204a。在框204a，系统确定用户需求的置信度是否足够高。例如，确定用户需求的置信度是否足够高可包括确定用户对问题/需求的描述是否已足够清楚和/或信息是否已经足够，确定之前的派单模型输出的人工客服技能组分类是否足够准确等和/或其任何组合。确定置信度可以至少部分地基于针对用户和/或用户问题/需求进行的画像建模。如果置信度足够高，则认为用户对问题/需求的描述已经足够清楚和/或进行准确的人工服务所需的信息已经足够。否则，认为用户对问题/需求的描述不够清楚和/或信息不够充分。根据一示例性而非限定性实施例，例如，当在图2的框208中是因为客服机器人与用户对话已超出限制而中止客服机器人与用户进一步对话并对用户进行指派的情形中，可确定人工客服技能组分类的置信度不够高。例如，在此情形中，可认为用户对问题/需求的描述不够清楚和/或信息不够充分。

如果在框204a，系统判断用户对问题/需求的描述已经足够清楚和/或信息已经足够时，则方法200a可以前进到框206a。根据一替换方案，框202a也可以在框204a的“是”分支之后在框206a之前执行。在此情况下，确定置信度可以不基于针对用户和/或用户问题/需求进行的画像建模。例如，在此情况下，确定置信度可以至少部分地基于在图2的框208中是否因客服机器人与用户对话超出限制而转到框210进行自动指派。

在框206a，系统可基于用户的画像，在繁忙等待期间推荐适应于用户的等待消遣。例如，系统可提供智能音箱服务。智能音箱服务例如可包括为用户播放推荐音乐、提供音乐点播、提供闲聊机器人等服务。音乐推荐可基于用户画像以及历史上该用户的音乐点播信息等，采用上文描述的推荐算法和模型等来实现。在有人工客服空闲时，结束框206a的等待消遣(例如，音乐播放和/或闲聊机器人的聊天)，然后转到图2的方法200的框214。

然而，当在框204a，系统判断用户对问题/需求的描述不够清楚和/或信息不够时，方法200a可以前进到框208a。在框208a，方法200a可以确定需要进一步询问用户。根据一示例性而非限定性实施例，当因客服机器人与用户对话已超出限制而中止客服机器人与用户进一步对话并对用户进行指派而确定人工客服技能组分类的置信度不够高等的情形中，可认为用户对问题/需求的描述不够清楚和/或信息不够充分。在此情况下，例如，尽管已将用户指派到特定的人工客服技能组(例如，负责疑难杂项的人工客服技能组、或另一不准确的人工客服技能组)，但是如果有更多时间向用户提出进一步的问题和/或请求用户提供进一步的信息，则很有可能使客户能够被指派到更加合适的人工客服技能组，从而得到更准确的服务和/或缩短所需人工服务时间。因此，方法200a然后返回到图2的方法200的框206，从而客服机器人与用户进行进一步的对话，以例如获得进一步的有用信息。从而系统可以进而再次回到框208，以根据进一步收集到的用户信息来确定是否已能分析出用户需求或者客服机器人与用户对话是否已超出限制并相应地进行再次的自动人工客服派单。根据另一替换性实施例，也可在客服机器人与用户进一步对话以获得进一步的有用信息之后不进行再次派单，而是利用所获得的有用信息来进行后续的人工服务。根据再一替换新实施例，可在客服机器人与用户进一步对话以获得进一步的有用信息之后进行选择性地派单。例如，系统可判断首次派单的准确性，并且仅当首次派单偏离程度过大时才重新派单。例如，如果首次派单已将用户指派到接近的人工服务技能组，则可以不再次进行派单；而如果首次派单未能将用户指派到接近的人工服务技能组，则可以再次进行派单。

在确定需要进一步询问用户，以例如提高人工客服技能组分类的置信度的情况下，通过利用繁忙等待时段向用户提出进一步的问题和/或请求用户提供进一步的信息，就能有效地将客户指派到更加合适的人工客服技能组，从而得到更准确的服务和/或缩短所需人工服务时间。

图3示出了根据本公开一方面对图2的个性化繁忙等待框212的另一示例性实现300。根据一示例性而非限定性实施例，方法300可包括在框302，可针对用户和/或用户问题/需求进行画像建模(profiling)。例如，对用户进行画像建模可以包括对用户进行年龄段、性别、职业、居住地、学历、业务历史等的分类。又如，可对用户需求进行画像建模。例如对用户需求进行画像建模可包括进行紧急程度或业务需求的分类。例如，紧急程度分类可分为高、中、低或分为更细致的0–10级等。本公开在此方面并不受限定。业务需求的分类可按具体业务分为例如售前、售中、售后等。本公开在此方面也不受限定。

当在框302针对用户和/或用户问题/需求进行画像建模之后，方法300前进到框304。在框304，系统确定用户需求的置信度是否足够高。例如，确定用户需求的置信度是否足够高可包括确定用户对问题/需求的描述是否已足够清楚和/或信息是否已经足够，确定之前的派单模型输出的人工客服技能组分类是否足够准确等和/或其任何组合。确定置信度可以至少部分地基于针对用户和/或用户问题/需求进行的画像建模。如果置信度足够高，则认为用户对问题/需求的描述已经足够清楚和/或进行准确的人工服务所需的信息已经足够。否则，认为用户对问题/需求的描述不够清楚和/或信息不够充分。根据一示例性而非限定性实施例，例如，当在图2的框208中是因为客服机器人与用户对话已超出限制而中止客服机器人与用户进一步对话并对用户进行指派的情形中，可确定人工客服技能组分类的置信度不够高。例如，在此情形中，可认为用户对问题/需求的描述不够清楚和/或信息不够充分。

如果在框304，系统判断用户对问题/需求的描述已经足够清楚和/或信息已经足够时，则方法300可以前进到框306。根据一替换方案，框302也可以在框304的“是”分支之后在框306之前执行。在此情况下，确定置信度可以不基于针对用户和/或用户问题/需求进行的画像建模。例如，在此情况下，确定置信度可以至少部分地基于在图2的框208中是否因客服机器人与用户对话超出限制而转到框210进行自动指派。

在框306，确定用户的问题是否紧急。如果在框306确定用户的问题紧急，则进入框308。在框308，可至少部分地基于针对用户和/或用户问题/需求进行的画像建模来分析用户的情绪。根据一示例性而非限定性实施例，分析用户的情绪可以通过机器学习来实现。例如，可以建立情绪分析模型，该模型可以基于例如深度学习。该情绪分析模型的训练可以是有监督的、无监督的、或半监督的。根据一示例性而非限定性实施例，可以使用有监督学习来训练该情绪分析模型。这可以通过提供经标注的情感数据集来实现。根据一示例性而非限定性实施例，框308可以被并入到框302中，或者框302可以被并入到框308中。根据另一示例性而非限定性实施例，框308也可在框304之后以及框306之前执行。本公开在此方面不受限定。

根据一示例性实施例，该情绪分析模型可以基于例如用户的用词、标点、语速、语调等来对用户的情绪进行分析。例如，出现了较为激烈的用词、感叹号、较快的语速、较高的语调等可表明用户情绪激动。根据又一示例性实施例，该情绪分析模型可以例如基于该用户在该系统的历史情绪来对该用户的情绪进行分析。例如，如果根据该用户在该系统的历史情绪，该用户一般情绪平静、态度友好，则可表明用户情绪平静的可能性较高。根据再一示例性实施例，该情绪分析模型可例如基于该用户在该系统的历史行为来对该用户的情绪进行分析。例如，如果该用户曾经因类似情况抱怨或投诉等，则可表明用户易激动不满。情绪分析模型也可以基于上述各项的任何组合来进行情绪分析。经训练后，该模型例如可以辨别出用户的各种情绪，例如用户是否急切、紧张、生气、烦躁、不满等。

当在框308分析出用户的情绪之后，方法300在框310确定用户情绪是否负面。例如，负面情绪可包括但不限于生气、紧张、烦躁、不满、急切等。当在框310确定用户情绪是负面的，方法300在框312基于用户的情绪和画像等，相应地提高用户的繁忙等待优先级。根据一示例性而非限定性实施例，提高用户的繁忙等待优先级可例如包括将用户在等待队列里提前(例如，提前预定名次、或提前预定百分比等等)。根据又一示例性而非限定性实施例，提高用户的繁忙等待优先级还可包括例如优先指派相应人工客服技能组中经验等级较高的人工客服来服务该用户。根据另一示例性而非限定性实施例，提高用户的繁忙等待优先级还可包括例如提供优惠券或小礼物等以试图缓解用户负面情绪。本公开在此方面不受限定。方法300然后去往框314。

当在框310确定用户情绪不是负面的(例如，是正面的或中性的)，方法300去往框314。在框314，基于用户的画像，系统相应地推荐适应于用户的等待消遣。根据一示例性而非限定性实施例，系统还可基于所分析出的用户的情绪来推荐适应于用户的等待消遣。例如，系统可以自动播放与用户的情绪相适应的推荐音乐。与用户的情绪相适应的推荐音乐可基于历史上该用户的音乐点播、用户画像、用户当前情绪来确定。例如，推荐算法可采用协同过滤算法。例如，基于用户的协同过滤算法可通过用户的历史行为数据发现用户对音乐(或其它内容)的态度(例如，偏好)，并可对这些态度进行度量和打分。根据不同用户对相同音乐(或其它内容)的态度来计算用户之间的关系。在有相同态度(例如，偏好)的用户间进行音乐(或其它内容)的推荐。又如，基于内容的协同过滤算法则可通过计算不同用户对不同内容(例如，音乐)的评分来获得内容间的关系。基于内容间的关系对用户进行相似内容(例如，音乐)的推荐。评分可代表用户对内容的态度(例如，偏好)。基于协同过滤算法的推荐可包括例如基于记忆的协同过滤和基于模型的协同过滤。基于模型的协同过滤可以采用矩阵分解(matrixfactorization)技术。例如，矩阵分解技术可在有m个用户、n个内容以及稀疏评分矩阵r(r∈r^m*n)的推荐任务中学习出用户-特性矩阵u和特性-物品矩阵v以使得r＝uv(即，矩阵r的uv分解)，从而可预测出稀疏评分矩阵r中缺失的评分。基于模型的协同过滤也可采用深度学习模型，例如谷歌的wide&deep模型等，该模型通过wide模型与deep模型的联合训练，能同时获得记忆(即，从历时数据中发现内容或特征之间的相关性)和泛化(即相关性的传递，以发现在历时数据中很少或甚至没有出现的新的特征组合)的能力。在系统自动播放了推荐音乐之前/之后/期间，用户也可随时自行点播音乐。系统进而继续记录并积累该用户的点播记录以用于推荐模型的训练和更新。根据另一示例性实施例，也可由聊天机器人基于用户的画像和/或用户的情绪来提供聊天服务等。在有人工客服空闲时，结束框314的推荐消遣，然后转到图2的方法200的框214。

另一方面，如果在框306确定用户的问题不紧急，则进入框312。在框312，系统可在繁忙等待期间推荐适应于用户的等待消遣。例如，系统可提供智能音箱服务。智能音箱服务例如可包括为用户播放推荐音乐、提供音乐点播、提供闲聊机器人等服务。音乐推荐可基于用户画像以及历史上该用户的音乐点播信息等，采用上文描述的推荐算法和模型等来实现。在有人工客服空闲时，结束框312的音乐播放和/或闲聊机器人的聊天，然后转到图2的方法200的框214。

然而，当在框304，系统判断用户对问题/需求的描述不够清楚和/或信息不够时，方法300可以前进到框316。在框316，方法300可以确定需要进一步询问用户。根据一示例性而非限定性实施例，当因客服机器人与用户对话已超出限制而中止客服机器人与用户进一步对话并对用户进行指派而确定人工客服技能组分类的置信度不够高等的情形中，可认为用户对问题/需求的描述不够清楚和/或信息不够充分。在此情况下，例如，尽管已将用户指派到特定的人工客服技能组(例如，负责疑难杂项的人工客服技能组、或另一不准确的人工客服技能组)，但是如果有更多时间向用户提出进一步的问题和/或请求用户提供进一步的信息，则很有可能使客户能够被指派到更加合适的人工客服技能组，从而得到更准确的服务和/或缩短所需人工服务时间。因此，方法300然后返回到图2的方法200的框206，从而客服机器人与用户进行进一步的对话，以例如获得进一步的有用信息。从而系统可以进而再次回到框208，以根据进一步收集到的用户信息来确定是否已能分析出用户需求或者客服机器人与用户对话是否已超出限制并相应地进行再次的自动人工客服派单。根据另一替换性实施例，也可在客服机器人与用户进一步对话以获得进一步的有用信息之后不进行再次派单，而是利用所获得的有用信息来进行后续的人工服务。根据再一替换新实施例，可在客服机器人与用户进一步对话以获得进一步的有用信息之后进行选择性地派单。例如，系统可判断首次派单的准确性，并且仅当首次派单偏离程度过大时才重新派单。例如，如果首次派单已将用户指派到接近的人工服务技能组，则可以不再次进行派单；而如果首次派单未能将用户指派到接近的人工服务技能组，则可以再次进行派单。

在确定需要进一步询问用户，以例如提高人工客服技能组分类的置信度的情况下，通过利用繁忙等待时段向用户提出进一步的问题和/或请求用户提供进一步的信息，就能有效地将客户指派到更加合适的人工客服技能组，从而得到更准确的服务和/或缩短所需人工服务时间。

图3a、图3b和图3c示出了根据示例性实施例的个性化繁忙等待场景。

图3a的场景可以是例如网店购物的场景。基于用户的信息、历史、行为等，系统确定了用户a是65岁左右的老年男性，居住在某县级市，受过初等教育，确定了用户a对购买的商品非常不满意想要退货并投诉。系统可基于本公开的方案确定该业务的紧急程度为例如高，并分析出用户的情绪激烈，非常不满。此时，系统可基于用户a的情绪和画像，相应地提高用户的繁忙等待优先级。例如，提高用户的繁忙等待优先级可包括：将用户在等待队列里提前(例如，提前预定名次、或提前预定百分比等等)，优先指派相应人工客服技能组中经验等级较高的人工客服来服务该用户和/或提供优惠券或小礼物等以试图缓解用户负面情绪等或其任何组合。之后，系统可基于用户a的情绪和画像，来推荐或直接播放有助于舒缓用户a的情绪的经典老歌。

图3b的场景可以是例如办理电话银行业务的场景。基于用户的信息、历史、行为等，系统确定了用户b是30岁左右的未婚女性外企白领，居住在广州，受过高等教育等，确定了用户b的需求是开设外币活期账户，并且确定了当时时间为午休时间等。系统可基于本公开的方案确定该业务的紧急程度为例如低到中等。由于通过客服机器人与用户b的交流，已经能够清楚地确定用户的需求且无更多需要通过客户机器人从用户处获取的信息，则系统可以基于对用户b的画像建模，来为用户b推荐一些适合的音乐，例如近期热门音乐等，以供用户b点播。

图3c的场景可以是例如app场景。基于用户的信息、历史、行为等，系统确定了用户c是16岁左右的男性学生，大致确定了用户c的问题是无法登录原来账户。系统可基于本公开的方案确定该业务的紧急程度为例如中到高。在例如图2的框208，因客服机器人与用户c的对话时间或轮数已超出限制，因此系统自动进入到将用户指派到人工服务技能组的阶段(例如，框210)，并将该用户指派到处理登录问题的人工服务技能组。此时系统进入繁忙等待阶段。然而，由于在客服机器人与用户c的对话中，用户c对问题的描述不甚清楚，因此系统可确定需要进一步询问客户。此时系统可转到例如图2的框206并由客服机器人与用户进一步对话以获取更多信息。

在此示例性情形中，通过客服机器人与用户的进一步对话，获取到更多的信息并为用户重新指派了更准确的人工服务技能组。此后，可任选地，如果人工客服仍然全忙，则系统可例如基于对用户c的画像，确定要由聊天机器人为用户c提供聊天服务等。

图3a–3c提供了根据示例性实施例的个性化繁忙等待场景的示例。通过对用户的音乐点播、切歌和闲聊信息等的收集分析，再次丰富了系统对用户画像的描绘。这些仅仅是本公开所适用的场景的示例性而非限定性的示例，其唯一目的是使得本领域普通技术人员能够对本公开的技术有感性的直观认识，并且不对本公开构成任何限定。

如所可见，尽管以上是结合客服派单场景来描述了本发明，但是本发明可以广泛适用于其它需要用户等待以获得服务的场景。如所可知，针对不同的场景，可以相应地设计不同的智能化策略推荐。

图4示出了根据本公开的一方面的基于机器学习的个性化繁忙等待推荐装置400的框图。设备400可包括例如人机对话模块402、用户需求分析和意图识别模块404、智能派单模块406、用户和需求画像建模模块408、派单置信度计算模块410、用户情绪分析模块412、智能服务模块414、以及智能音箱服务模块416等之中的一个或多个模块。

根据示例性而非限定性实施例，人机对话模块402可执行以上结合图2的框202、204、206等描述的功能。用户需求分析和意图识别模块404可执行以上结合图2的框208、图3的框306等描述的功能。智能派单模块406可执行以上结合图2的框210等描述的功能。用户和需求画像建模模块408可执行以上结合图2a的框202a、图3的框302等描述的功能。派单置信度计算模块410可执行以上结合图2a的框204a、208a以及图3的框304、316等描述的功能。用户情绪分析模块412可执行以上结合图3的框306、308、310等描述的功能。智能服务模块414可执行以上结合图2a的框206a、图3的框312和314等描述的功能。智能音箱服务模块416可执行以上结合图3的框314等描述的功能。

如所可知，上述的功能划分和指派仅是示例性的而非限定性的。在其它替换实施例中，至少一些框的功能可被合并并由一个模块来执行和/或至少一些框的功能可被拆分以由多个模块来执行，并且还可添加/减少模块。

人机对话模块402、用户需求分析和意图识别模块404、智能派单模块406、用户和需求画像建模模块408、派单置信度计算模块410、用户情绪分析模块412、智能服务模块414、以及智能音箱服务模块416等之中的一个或多个模块可以通过各种方式来实现。根据一示例性而非限定性的实施例，上述模块可由软件来实现。在此类实施例中，上述模块可被存储在存储器中并由处理器来执行以实现其相应的功能。

根据其它实施例，上述模块也可以被实现为硬件，诸如asic、现场可编程门阵列(fpga)、分立的逻辑单元等。上述模块也可以被实现为软件，诸如存储在存储器404中并由处理器402执行以实现相应的功能。上述模块也可被实现为硬件和软件的各种组合。这些均在本公开的范围之内。

本公开的方案所提出的新的繁忙等待策略既可以丰富对用户问题/需求的理解，又可以提升派单准确率。不仅如此，本公开的方案还可以提升用户满意度。

本领域普通技术人员应理解，本公开的有益效果并非由任何单个实施例来全部实现。各种组合、修改和替换均为本领域普通技术人员在本公开的基础上所明了。

此外，术语“或”旨在表示包含性“或”而非排他性“或”。即，除非另外指明或从上下文能清楚地看出，否则短语“x”采用“a”或“b”旨在表示任何自然的可兼排列。即，短语“x”采用“a”或“b”藉由以下实例中任何实例得到满足：x采用a；x采用b；或x采用a和b两者。属于“连接”与“耦合”可表示相同含义，表示两器件的电气连接。另外，本公开和所附权利要求书中所用的冠词“一”和“某”一般应当被理解成表示“一个或多个”，除非另外声明或者可从上下文中清楚看出是指单数形式。

各个方面或特征将以可包括数个设备、组件、模块、及类似物的系统的形式来呈现。应理解和领会，各种系统可包括附加设备、组件、模块等，和/或可以并不包括结合附图所讨论的全部设备、组件、模块等。也可以使用这些办法的组合。

结合本文所公开的实施例描述的各种说明性逻辑、逻辑块、模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协同的一个或多个微处理器、或任何其它此类配置。此外，至少一个处理器可包括可作用于执行以上描述的一个或多个步骤和/或动作的一个或多个模块。例如，以上结合各个方法描述的实施例可以通过处理器和耦合到处理器的存储器来实现，其中该处理器可被配置成执行前述任何方法的任何步骤或其任何组合。

此外，结合本文中所公开的方面描述的方法或算法的步骤和/或动作可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中实施。例如，以上结合各个方法描述的实施例可以通过存储有计算机程序代码的计算机可读介质来实现，其中该计算机程序代码在由处理器/计算机执行时执行前述任何方法的任何步骤或其任何组合。

本公开中通篇描述的各种方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此，且意在被权利要求书所涵盖。此外，本文所公开的任何内容都并非旨在贡献给公众——无论这样的公开是否在权利要求书中被显式地叙述。