投诉工单的评价处理方法、装置、设备及存储介质与流程

本发明涉及物流技术领域，尤其涉及投诉工单的评价处理方法、装置、设备及存储介质。

背景技术：

目前，网上购物已经成为大部分人生活的一部分，网上购买的物品通过快件形式进行运输，但是快件在运输途中可能发生遗失等问题。

现有方案中，寄递快件的客户在快件发生问题后通过快递企业提供的渠道发起投诉，快递企业及时处理并完结工单后，因人工有限，故需要向客户发送短信以获取客户对该投诉处理结果的评价，存在客户收不到，未回短信回复不及时导致投诉单不能及时完结。

技术实现要素：

本发明提供了一种投诉工单的评价处理方法、装置、设备及存储介质，用于通过合成的智能语音向用户发起通话，快速获取用户对发起的投诉工单的处理结果的评价，提高对投诉工单的评价处理效率，提高投诉工单的完结速率。

本发明第一方面提供了一种投诉工单的评价处理方法，包括：当业务系统接收到用户发起的投诉工单时，读取所述投诉工单对应的订单信息，所述订单信息包括投诉用户的联系方式和投诉订单的处理结果；基于深度神经网络将所述处理结果合成为初始语音，所述初始语音用于指示所述处理结果，所述初始语音包括多个预置问题；根据所述投诉用户的联系方式向投诉用户的目标终端发起语音会话，将所述初始语音发送至所述目标终端；获取预置时长范围内所述目标终端反馈的回复语音，调用预置的语音识别算法将所述回复语音进行转换，得到回复文本；通过自然语言理解引擎对所述回复文本进行意图识别，得到投诉用户的真实意图；调用预置的问答管理引擎对所述投诉用户的真实意图进行匹配，得到匹配的目标应答话术，并通过机器人系统将所述目标应答话术向所述投诉用户的客户端进行播报。

可选的，在本发明第一方面的第一种实现方式中，所述通过自然语言理解引擎对所述回复文本进行意图识别，得到投诉用户的真实意图，包括：通过自然语言理解引擎对所述回复文本进行意图识别，得到多个第一候选意图；基于语义槽对话模型对所述回复文本进行语义识别，得到多个第二候选意图；对所述多个第一候选意图和所述多个第二候选意图进行筛选，得到投诉用户的真实意图。

可选的，在本发明第一方面的第二种实现方式中，所述通过自然语言理解引擎对所述回复文本进行意图识别，得到多个第一候选意图，包括：将所述回复文本输入到自然语言理解引擎中，对所述回复文本进行分析，得到多个候选词语；从所述候选词语中提取高频短语，得到多个高频短语，所述高频短语为出现次数超过阈值的候选词语；判断所述多个高频短语是否与预置短语库匹配；若所述多个高频短语与预置短语库匹配，则直接匹配出多个预置意图，将所述多个预置意图确定为多个第一候选意图；若所述多个高频短语与预置短语库不匹配，则分别调用多个预置识别模型对所述回复文本进行识别，得到多个第一候选意图。

可选的，在本发明第一方面的第三种实现方式中，所述基于语义槽对话模型对所述回复文本进行语义识别，得到多个第二候选意图，包括：对所述回复文本所述的领域进行识别，得到目标领域；通过预置的识别算法对所述回复文本进行意图识别，得到多个待选择意图；通过语义槽对话模型对所述回复本文进行槽填充，得到多个槽属性；根据所述目标领域和所述多个槽属性对所述多个待选择意图进行筛选，得到多个第二候选意图。

可选的，在本发明第一方面的第四种实现方式中，所述对所述多个第一候选意图和所述多个第二候选意图进行筛选，得到投诉用户的真实意图，包括：将所述多个第一候选意图和所述多个第二候选意图进行融合，得到多个待评估候选意图；调用多个预置的识别模型分别对每个待评估候选意图进行评分，得到每个待评估候选意图对应的评分结果，所述评分结果包括多个目标分值，不同预置的识别模型对应的不同的目标分值；获取每个预置的识别模型的权重值；根据所述每个预置的识别模型的权重值和所述每个待评估候选意图对应的评分结果进行计算，确定每个待评估候选意图的综合分值，得到多个综合分值；对所述多个综合分值进行排序，将综合分值最高的待评估候选意图确定为投诉用户的真实意图。

可选的，在本发明第一方面的第五种实现方式中，在所述当业务系统接收到用户发起的投诉工单时，读取所述投诉工单对应的订单信息，所述订单信息包括投诉用户的联系方式和投诉订单的处理结果之前，所述投诉工单的评价处理方法还包括：获取快递物流领域的用户话术，并获取用户话术中相关的语料；对所述用户话术相关的语料进行数据清洗，得到清洗后的语料；基于双向长短期记忆算法和所述清洗后的语料，生成多个分类模型，选择性能评分最高的分类模型确定为自然语言理解引擎。

可选的，在本发明第一方面的第六种实现方式中，在所述当接收到用户发起的投诉工单时，读取所述投诉工单对应的订单信息，所述订单信息包括投诉用户的客户端号码和投诉订单的处理结果之前，所述投诉工单的评价处理方法还包括：基于会话初始协议将机器人系统和业务系统进行通讯连接。

本发明第二方面提供了一种投诉工单的评价处理装置，包括：读取模块，用于当业务系统接收到用户发起的投诉工单时，读取所述投诉工单对应的订单信息，所述订单信息包括投诉用户的联系方式和投诉订单的处理结果；合成模块，用于基于深度神经网络将所述处理结果合成为初始语音，所述初始语音用于指示所述处理结果，所述初始语音包括多个预置问题；会话模块，用于根据所述投诉用户的联系方式向投诉用户的目标终端发起语音会话，将所述初始语音发送至所述目标终端；第一获取模块，用于获取预置时长范围内所述目标终端反馈的回复语音，调用预置的语音识别算法将所述回复语音进行转换，得到回复文本；识别模块，用于通过自然语言理解引擎对所述回复文本进行意图识别，得到投诉用户的真实意图；匹配播报模块，用于调用预置的问答管理引擎对所述投诉用户的真实意图进行匹配，得到匹配的目标应答话术，并通过机器人系统将所述目标应答话术向所述投诉用户的客户端进行播报。

可选的，在本发明第二方面的第一种实现方式中，所述识别模块包括：第一识别单元，用于通过自然语言理解引擎对所述回复文本进行意图识别，得到多个第一候选意图；第二识别单元，用于基于语义槽对话模型对所述回复文本进行语义识别，得到多个第二候选意图；筛选单元，用于对所述多个第一候选意图和所述多个第二候选意图进行筛选，得到投诉用户的真实意图。

可选的，在本发明第二方面的第二种实现方式中，所述第一识别单元具体用于：将所述回复文本输入到自然语言理解引擎中，对所述回复文本进行分析，得到多个候选词语；从所述候选词语中提取高频短语，得到多个高频短语，所述高频短语为出现次数超过阈值的候选词语；判断所述多个高频短语是否与预置短语库匹配；若所述多个高频短语与预置短语库匹配，则直接匹配出多个预置意图，将所述多个预置意图确定为多个第一候选意图；若所述多个高频短语与预置短语库不匹配，则分别调用多个预置识别模型对所述回复文本进行识别，得到多个第一候选意图。

可选的，在本发明第二方面的第三种实现方式中，第二识别单元具体用于：对所述回复文本所述的领域进行识别，得到目标领域；通过预置的识别算法对所述回复文本进行意图识别，得到多个待选择意图；通过语义槽对话模型对所述回复本文进行槽填充，得到多个槽属性；根据所述目标领域和所述多个槽属性对所述多个待选择意图进行筛选，得到多个第二候选意图。

可选的，在本发明第二方面的第四种实现方式中，筛选单元具体用于：将所述多个第一候选意图和所述多个第二候选意图进行融合，得到多个待评估候选意图；调用多个预置的识别模型分别对每个待评估候选意图进行评分，得到每个待评估候选意图对应的评分结果，所述评分结果包括多个目标分值，不同预置的识别模型对应的不同的目标分值；获取每个预置的识别模型的权重值；根据所述每个预置的识别模型的权重值和所述每个待评估候选意图对应的评分结果进行计算，确定每个待评估候选意图的综合分值，得到多个综合分值；对所述多个综合分值进行排序，将综合分值最高的待评估候选意图确定为投诉用户的真实意图。

可选的，在本发明第二方面的第五种实现方式中，投诉工单的评价处理装置还包括：第二获取模块，用于获取快递物流领域的用户话术，并获取用户话术中相关的语料；数据清洗模块，用于对所述用户话术相关的语料进行数据清洗，得到清洗后的语料；生成确定模块，用于基于双向长短期记忆算法和所述清洗后的语料，生成多个分类模型，选择性能评分最高的分类模型确定为自然语言理解引擎。

可选的，在本发明第二方面的第六种实现方式中，投诉工单的评价处理装置还包括：连接模块，用于基于会话初始协议将机器人系统和业务系统进行通讯连接。

本发明第三方面提供了一种投诉工单的评价处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述投诉工单的评价处理设备执行上述的投诉工单的评价处理方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的投诉工单的评价处理方法。

本发明提供的技术方案中，当业务系统接收到用户发起的投诉工单时，读取投诉工单对应的订单信息，订单信息包括投诉用户的联系方式和投诉订单的处理结果；基于深度神经网络将处理结果合成为初始语音，初始语音用于指示处理结果，初始语音包括多个预置问题；根据投诉用户的联系方式向投诉用户的目标终端发起语音会话，将初始语音发送至目标终端；获取预置时长范围内目标终端反馈的回复语音，调用预置的语音识别算法将回复语音进行转换，得到回复文本；通过自然语言理解引擎对回复文本进行意图识别，得到投诉用户的真实意图；调用预置的问答管理引擎对投诉用户的真实意图进行匹配，得到匹配的目标应答话术，并通过机器人系统将目标应答话术向投诉用户的客户端进行播报。本发明实施例中，通过合成的智能语音向用户发起通话，快速获取用户对发起的投诉工单的处理结果的评价，并根据评价进行话术播报，提高了对投诉工单的评价处理效率，提高了投诉工单的完结速率。

附图说明

图1为本发明实施例中投诉工单的评价处理方法的一个实施例示意图；

图2为本发明实施例中投诉工单的评价处理方法的另一个实施例示意；

图3为本发明实施例中投诉工单的评价处理装置的一个实施例示意图；

图4为本发明实施例中投诉工单的评价处理装置的另一个实施例示意图；

图5为本发明实施例中投诉工单的评价处理设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种投诉工单的评价处理方法、装置、设备及存储介质，用于通过合成的智能语音向用户发起通话，快速获取用户对发起的投诉工单的处理结果的评价，提高对投诉工单的评价处理效率，提高投诉工单的完结速率。

本发明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，术语“包括”或“具有”及其任何变形，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。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中投诉工单的评价处理方法的一个实施例包括：

101、当业务系统接收到用户发起的投诉工单时，读取投诉工单对应的订单信息，订单信息包括投诉用户的联系方式和投诉订单的处理结果。

当业务系统接收到用户发起的投诉工单时，服务器读取投诉工单对应的订单信息，订单信息包括投诉用户的联系方式和投诉订单的处理结果。其中，投诉用户的联系方式可以是投诉用户登记或绑定的手机号，也可以是投诉用户绑定的客户端号码，只要投诉用户的联系方式对应的目标终端可以接收到机器人系统发起的语音会话即可，具体此处不做限定。

其中，投诉订单的处理结果包括已经完结、正在处理、待处理等多个状态，也可以结合投诉订单所处的状态，提供预估处理时长或者预估完结日期等。需要说明的是，投诉订单的处理结果可以包括当前处理状态、投诉处理意见、投诉处理措施等。

可以理解的是，本发明的执行主体可以为投诉工单的评价处理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

102、基于深度神经网络将处理结果合成为初始语音，初始语音用于指示处理结果，初始语音包括多个预置问题。

服务器基于深度神经网络将处理结果合成为初始语音，初始语音用于指示处理结果，初始语音包括多个预置问题。其中，通过预置的深度神经网络算法将多个预置问题和投诉订单的处理结果从文字转换成语音，进而得到初始语音。

103、根据投诉用户的联系方式向投诉用户的目标终端发起语音会话，将初始语音发送至目标终端。

服务器根据投诉用户的联系方式向投诉用户的目标终端发起语音会话，将初始语音发送至目标终端。若投诉用户的联系方式是投诉用户登记或绑定的手机号，那么服务器向该手机号进行呼叫，并将预先生成的初始语音发送到投诉用户的手机终端；若投诉用户的联系方式是投诉用户绑定的客户端号码，那么服务器向该客户端号码发起语音通话，并将预先生成的初始语音发送到投诉用户的客户端。

例如，初始语音中可以包括预先设置好的几个问题，例如，问题1：“您好，尊敬的赵女士/先生，我是韵达快递公司客服小韵，关于您2020年1月1日反馈的食品快件的问题，我们网点反馈已经处理好了，具体问题想和您核实一下，请问您现在方便吗？”、又或者是问题2：“您反馈单号尾数：3037(后四位变量)显示签收但您未收到的问题。请问您现在收到快件了吗？”、又或者是问题3：“请问您对哪一方面觉得不满意呢？比如处理结果、时效、服务态度等，麻烦您具体描述一下好吗？”。

104、获取预置时长范围内目标终端反馈的回复语音，调用预置的语音识别算法将回复语音进行转换，得到回复文本。

服务器获取预置时长范围内目标终端反馈的回复语音，调用预置的语音识别算法将回复语音进行转换，得到回复文本。

例如，投诉用户针对步骤103中的问题1进行回答，得到的回复语音可能为：“忙”、“不方便”、“方便”或“换个时间”；针对问题2的回复语音可能是：“没有”、“有”或者“收到了”；针对问题3的回复语音可能是：“送货慢”、“态度差”或者“满意”。

需要说明的是，服务器通过语音识别(automaticspeechrecognition，asr)算法将语音转换成文字，得到回复文本，其中，asr算法是以语音为研究对象，通过语音信号处理和模式识别让机器自动识别和理解人类口述的语音。语音识别就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术。语音识别是一门涉及面很广的交叉学科，它与声学、语音学、语言学、信息理论、模式识别理论以及神经生物学等学科都有非常密切的关系，具体此处不再赘述。

105、通过自然语言理解引擎对回复文本进行意图识别，得到投诉用户的真实意图。

服务器通过自然语言理解引擎对回复文本进行意图识别，得到多个第一候选意图；服务器基于语义槽对话模型对回复文本进行语义识别，得到多个第二候选意图；服务器对多个第一候选意图和多个第二候选意图进行筛选，得到投诉用户的真实意图。

106、调用预置的问答管理引擎对投诉用户的真实意图进行匹配，得到匹配的目标应答话术，并通过机器人系统将目标应答话术向投诉用户的客户端进行播报。

服务器调用预置的问答管理引擎对投诉用户的真实意图进行匹配，得到匹配的目标应答话术，并通过机器人系统将目标应答话术向投诉用户的客户端进行播报。例如，根据投诉用户的真实意图我们可以得到匹配的目标应答话术。例如，若投诉用户的真实意图是没有收到快件，则应答话术可以是：

步骤1：“您好，xxx女士/先生，我是韵达快递公司客服小韵，关于您x年x月x日反馈的某快件的问题，我们网点反馈已经处理好了，具体问题想和您核实一下，请问您方便吗？”

子步骤1a：识别“忙/不方便/换个时间”则回复：“好的，很抱歉打扰您，那我稍后再跟您联系，祝您生活愉快，再见。”

子步骤1b：识别“方便/可以”则进入步骤2；

步骤2：“您好，关于您反馈单号尾数：****(后四位变量)显示签收但您未收到的问题。请问您现在收到快件了吗？”

子步骤2a：识别“没有”则回复：“好的，很抱歉，请问您投诉之后我们网点有人联系过您吗？”

子步骤2b：识别“有/没有”则回复：“好的，请你先不要着急，我马上联系网点为您解决，我们会处理到您满意为止。如果您有任何问题，也可以随时联系我们95546。”

子步骤2b-1：识别“任何”则回复：“好的，祝您生活愉快，再见。”

子步骤2b-2：识别“是/收到了/有什么事/怎么了”，则回复：“请问您对我们客服人员的售后服务还满意吗？”

子步骤2b-2-1：识别“满意”则进入步骤3；

子步骤2b-2-2：识别“不满意”则回复：“好的，请问您对哪一方面觉得不满意呢？比如处理结果、时效、服务态度等，麻烦您具体描述一下好吗？”

子步骤2b-2-2-1：识别“送货慢/态度差”，继续进入步骤3；

步骤3：回复：“恩，非常感谢您的反馈，请问下次有您的快件，您希望我们以怎样的方式为您投递？您可以用通过按键告诉我哦，1、送前电话联系；2、送货上门；3、直接送至您就近的代收点，重听请按0”。

子步骤3a：识别“任何”，则回复：“好的，祝您生活愉快，再见”。

需要说明的是，应答话术通过机器人系统想投诉用户对应的目标终端完成播报。

本发明实施例中，通过合成的智能语音向用户发起通话，快速获取用户对发起的投诉工单的处理结果的评价，并根据评价进行话术播报，提高了对投诉工单的评价处理效率，提高了投诉工单的完结速率。

请参阅图2，本发明实施例中投诉工单的评价处理方法的另一个实施例包括：

201、当业务系统接收到用户发起的投诉工单时，读取投诉工单对应的订单信息，订单信息包括投诉用户的联系方式和投诉订单的处理结果。

当业务系统接收到用户发起的投诉工单时，服务器读取投诉工单对应的订单信息，订单信息包括投诉用户的联系方式和投诉订单的处理结果。其中，投诉用户的联系方式可以是投诉用户登记或绑定的手机号，也可以是投诉用户绑定的客户端号码，只要投诉用户的联系方式对应的目标终端可以接收到机器人系统发起的语音会话即可，具体此处不做限定。

其中，投诉订单的处理结果包括已经完结、正在处理、待处理等多个状态，也可以结合投诉订单所处的状态，提供预估处理时长或者预估完结日期等。需要说明的是，投诉订单的处理结果可以包括当前处理状态、投诉处理意见、投诉处理措施等。

可以理解的是，本发明的执行主体可以为投诉工单的评价处理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

可选的，步骤201之前还包括：

服务器获取快递物流领域的用户话术，并获取用户话术中相关的语料；

例如，服务器先收集大量快递物流领域的用户话术，并打上诸如“满意”，“没有联系”，“投诉”等标签类别。

服务器对用户话术相关的语料进行数据清洗，得到清洗后的语料；

具体的，进行数据清洗，主要是高相关数据去重，低方差数据清洗，调整数据均衡分布，丢弃过长过短语料，高相似性语料清洗等操作。具体处理过程如下：

高相关数据去重：对于给定的数据集，先选择一条文本与剩余的样本集合进行两两相似度估计，剔除与文本数据相似度非常高(eg.0.95)的样本进行剔除，循环处理。采用余弦相似度公式计算两两相似度，具体公式如下：

其中，xi和yi分别表示两个向量。一个向量空间中两个向量夹角间的余弦值作为衡量两个个体之间差异的大小，余弦值接近1，夹角趋于0，表明两个向量越相似，余弦值接近于0，夹角趋于90度，表明两个向量越不相似。

低方差数据剔除：对于给定的数据集经过分层聚类后进行降采样抽取，避免数据分布不平衡。

剔除文本数据长度偏离样本集分布的异常数据：统计生产环境下的语料长度分布统计特性，剔除偏离统计分布的一头一尾的样本(过长和过短的文本)。

服务器基于双向长短期记忆算法和清洗后的语料，生成多个分类模型，选择性能评分最高的分类模型确定为自然语言理解引擎。

具体的，长短期记忆(longshort-termmemory，lstm)由于其设计的特点，非常适合用于对时序数据的建模。例如，将词的表示组合成句子的表示，可以采用相加的方法，即将所有词的表示进行加和，或者取平均等方法，但是这些方法没有考虑到词语在句子中前后顺序。如句子“我不觉得他好”。

“不”字是对后面“好”的否定，即该句子的情感极性是贬义。使用lstm模型可以更好的捕捉到较长距离的依赖关系。因为lstm通过训练过程可以学到记忆哪些信息和遗忘哪些信息。

但是利用lstm对句子进行建模还存在一个问题：无法编码从后到前的信息。在更细粒度的分类时，如对于强程度的褒义、弱程度的褒义、中性、弱程度的贬义、强程度的贬义的五分类任务需要注意情感词、程度词、否定词之间的交互。举一个例子，“这个餐厅脏得不行，没有隔壁好”，这里的“不行”是对“脏”的程度的一种修饰，因此，通过bilstm可以更好的捕捉双向的语义依赖。其中，双向长短期记忆(bi-directionallongshort-termmemory，bilstm)算法，是由前向lstm与后向lstm组合而成。两者在自然语言处理任务中都常被用来建模上下文信息。

可选的，步骤201之前还包括：

基于会话初始协议将机器人系统和业务系统进行通讯连接。

会话初始协议(sessioninitiationprotocol，sip)是由因特网工程任务组(internetengineeringtaskforce，ietf)制定的多媒体通信协议。它是一个基于文本的应用层控制协议，用于创建、修改和释放一个或多个参与者的会话。sip是一种源于互联网的ip语音会话控制协议，具有灵活、易于实现、便于扩展等特点。

202、基于深度神经网络将处理结果合成为初始语音，初始语音用于指示处理结果，初始语音包括多个预置问题。

服务器基于深度神经网络将处理结果合成为初始语音，初始语音用于指示处理结果，初始语音包括多个预置问题。其中，通过预置的深度神经网络算法将多个预置问题和投诉订单的处理结果从文字转换成语音，进而得到初始语音。

203、根据投诉用户的联系方式向投诉用户的目标终端发起语音会话，将初始语音发送至目标终端。

服务器根据投诉用户的联系方式向投诉用户的目标终端发起语音会话，将初始语音发送至目标终端。若投诉用户的联系方式是投诉用户登记或绑定的手机号，那么服务器向该手机号进行呼叫，并将预先生成的初始语音发送到投诉用户的手机终端；若投诉用户的联系方式是投诉用户绑定的客户端号码，那么服务器向该客户端号码发起语音通话，并将预先生成的初始语音发送到投诉用户的客户端。

例如，初始语音中可以包括预先设置好的几个问题，例如，问题1：“您好，尊敬的赵女士/先生，我是韵达快递公司客服小韵，关于您2020年1月1日反馈的食品快件的问题，我们网点反馈已经处理好了，具体问题想和您核实一下，请问您现在方便吗？”、又或者是问题2：“您反馈单号尾数：3037(后四位变量)显示签收但您未收到的问题。请问您现在收到快件了吗？”、又或者是问题3：“请问您对哪一方面觉得不满意呢？比如处理结果、时效、服务态度等，麻烦您具体描述一下好吗？”。

204、获取预置时长范围内目标终端反馈的回复语音，调用预置的语音识别算法将回复语音进行转换，得到回复文本。

服务器获取预置时长范围内目标终端反馈的回复语音，调用预置的语音识别算法将回复语音进行转换，得到回复文本。

例如，投诉用户针对步骤103中的问题1进行回答，得到的回复语音可能为：“忙”、“不方便”、“方便”或“换个时间”；针对问题2的回复语音可能是：“没有”、“有”或者“收到了”；针对问题3的回复语音可能是：“送货慢”、“态度差”或者“满意”。

需要说明的是，服务器通过语音识别(automaticspeechrecognition，asr)算法将语音转换成文字，得到回复文本，其中，asr算法是以语音为研究对象，通过语音信号处理和模式识别让机器自动识别和理解人类口述的语音。语音识别就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术。语音识别是一门涉及面很广的交叉学科，它与声学、语音学、语言学、信息理论、模式识别理论以及神经生物学等学科都有非常密切的关系，具体此处不再赘述。

205、通过自然语言理解引擎对回复文本进行意图识别，得到多个第一候选意图；

具体的，服务器将回复文本输入到自然语言理解引擎中，对回复文本进行分析，得到多个候选词语；服务器从候选词语中提取高频短语，得到多个高频短语，高频短语为出现次数超过阈值的候选词语；服务器判断多个高频短语是否与预置短语库匹配；若多个高频短语与预置短语库匹配，则服务器直接匹配出多个预置意图，将多个预置意图确定为多个第一候选意图；若多个高频短语与预置短语库不匹配，则服务器分别调用多个预置识别模型对回复文本进行识别，得到多个第一候选意图。

需要说明的是，在进入具体的意图识别子任务之前，存在一个简短的预处理环节。该预处理环节为：高频短语完全匹配意图。因智能对话领域中存在口语化特点，很大一部分用户话术简短化、口语化，因此通过分析线上通话记录，提取高频短语，来构成高频短语库，

206、基于语义槽对话模型对回复文本进行语义识别，得到多个第二候选意图；

服务器对回复文本的领域进行识别，得到目标领域；服务器通过预置的识别算法对回复文本进行意图识别，得到多个待选择意图；服务器通过语义槽对话模型对回复本文进行槽填充，得到多个槽属性；服务器根据目标领域和多个槽属性对多个待选择意图进行筛选，得到多个第二候选意图。

可以理解的是，在某个对话领域，如电信、信用卡、房产中介营销等、根据客户的营销对话需求流程图，结合历史通话数据，提取以每个意图标签作为特征属性的训练集。根据id3、c4.5算法找出使训练数据的信息熵最小的特征属性，作为对话流程图中的判定属性，来构建最优决策树，从而得到最优营销对话流程图，来提高营销效率，获取最大潜在有价值的用户。

需要说明的是，在对话过程中，服务器获取用户话术中的关键、对业务有价值的信息，来完成抽槽、填槽的动作。特别是应用在呼入智能客服对话场景中，一般都是用户带着疑问来呼入我方系统中，需求抽取用户话术中描述的信息、词槽数据来完成对话流程、而不仅仅限于依赖用户意图。其中，语义槽对话依赖外部结构化数据、大量实体库、规则库、来辅助抽取词槽信息。目前，语义槽对话模型已成功应用在快递领域的下单对话系统中，通过业务评价数据取得了非常好的运营效果。

207、对多个第一候选意图和多个第二候选意图进行筛选，得到投诉用户的真实意图。

服务器将多个第一候选意图和多个第二候选意图进行融合，得到多个待评估候选意图；服务器调用多个预置的识别模型分别对每个待评估候选意图进行评分，得到每个待评估候选意图对应的评分结果，评分结果包括多个目标分值，不同预置的识别模型对应的不同的目标分值；服务器获取每个预置的识别模型的权重值；服务器根据每个预置的识别模型的权重值和每个待评估候选意图对应的评分结果进行计算，确定每个待评估候选意图的综合分值，得到多个综合分值；服务器对多个综合分值进行排序，将综合分值最高的待评估候选意图确定为投诉用户的真实意图。

例如，预置的识别模型包括相似性意图模型、规则模板匹配意图模型和循环神经网络意图分类模型，其中，1、相似性意图模型：通过分析线上话术，收集用户特定的咨询、非高频出现的话术，来构成的语料库。在应用时通过计算词向量的相似性来排序意图结果。其应用侧重点在于需要泛化性意图识别，但又缺乏解释性的模型应用时。其计算效率低于其它方案，不能无限扩大语料库来增加泛化性。

2、规则模板匹配意图模型：收集具有规律性、结构化、并列、双重、转折意图的话术，通过挖掘工具提取关键字符，来组建正则式库、规则库。从而构成规则和标签的模板库。在应用时，当匹配多个意图时，并使用编辑距离来计算意图的排序。

3、循环神经网络意图分类模型：收集大量用户话术，经过数据清洗之后，进行人工或无监督学习的打标签操作来构成训练、测试集，使用卷积神经网络(convolutionalneuralnetworks，cnn)或双向长短期记忆(bi-directionallongshort-termmemory，bilstm)算法模型进行分类训练、评估取得最优模型。在应用在对意图分类结果进行排序。其应用侧重点在于泛化性极强，具有端到端的训练特点，无须太多人工干预。

以上子模型的执行在不同的硬件环境中并行计算完成，理论上不影响计算效率。因此需要对各个子模型识别出来的排序意图按照一定权值参数进行综合排序来取最佳意图(即投诉用户的真实意图)，

例如，多个待评估候选意图包含6个候选意图，分别为c1、c2、c3、c4、c5和c6。例如，假设相似性意图模型的权重值为0.5，候选意图排序结果为：c2、c5、c3、c1、c4、c6，对应的分值结果为：x1、x2、x3、x4、x5、x6；假设规则模板匹配意图模型的权重值为0.3，候选意图排序结果为：c6、c2、c3、c5、c4、c1，对应的分值结果为：y1、y2、y3、y4、y5、y6；假设循环神经网络意图分类模型的权重值0.2，候选意图排序结果为：c1、c2、c3、c4、c5、c6，对应的分值结果为：z1、z2、z3、z4、z5、z6。那综合评分结果如下：

c1的综合评分为：0.5*x4+0.3*y6+0.2*z1；

c2的综合评分为：0.5*x1+0.3*y2+0.2*z2；

c3的综合评分为：0.5*x3+0.3*y3+0.2*z3；

c4的综合评分为：0.5*x5+0.3*y5+0.2*z4；

c5的综合评分为：0.5*x2+0.3*y5+0.2*z5；

c6的综合评分为：0.5*x6+0.3*y1+0.2*z6。

选择综合评分分值最高的意图确定为投诉用户的真是意图。

其中，通过分析线上话术，收集用户特定的咨询、非高频出现的话术，来构成的语料库。在应用时通过计算词向量的相似性来排序意图结果。

其应用侧重点在于需要泛化性意图识别，但又缺乏解释性的模型应用时。其计算效率低于其它方案，不能无限扩大语料库来增加泛化性。

2、规则模板匹配意图：收集具有规律性、结构化、并列、双重、转折意图的话术，通过挖掘工具提取关键字符，来组建正则式库、规则库。从而构成规则和标签的模板库。在应用时，当匹配多个意图时，并使用编辑距离来计算意图的排序。

3、循环神经网络意图分类：收集大量用户话术，经过数据清洗之后，进行人工或无监督学习的打标签操作来构成训练、测试集，使用cnn或bilstm模型进行分类训练、评估取得最优模型。在应用在对意图分类结果进行排序。

其应用侧重点在于泛化性极强，具有端到端的训练特点，无须太多人工干预。

以上子任务的执行在不同的硬件环境中并行计算完成，理论上不影响计算效率。因此需要对各个子模块识别出来的排序意图按照一定权值参数进行综合排序来取最佳意图，

208、调用预置的问答管理引擎对投诉用户的真实意图进行匹配，得到匹配的目标应答话术，并通过机器人系统将目标应答话术向投诉用户的客户端进行播报。

服务器调用预置的问答管理引擎对投诉用户的真实意图进行匹配，得到匹配的目标应答话术，并通过机器人系统将目标应答话术向投诉用户的客户端进行播报。例如，根据投诉用户的真实意图我们可以得到匹配的目标应答话术。例如，若投诉用户的真实意图是没有收到快件，则应答话术可以是：

步骤1：“您好，xxx女士/先生，我是韵达快递公司客服小韵，关于您x年x月x日反馈的某快件的问题，我们网点反馈已经处理好了，具体问题想和您核实一下，请问您方便吗？”

子步骤1a：识别“忙/不方便/换个时间”则回复：“好的，很抱歉打扰您，那我稍后再跟您联系，祝您生活愉快，再见。”

子步骤1b：识别“方便/可以”则进入步骤2；

步骤2：“您好，关于您反馈单号尾数：****(后四位变量)显示签收但您未收到的问题。请问您现在收到快件了吗？”

子步骤2a：识别“没有”则回复：“好的，很抱歉，请问您投诉之后我们网点有人联系过您吗？”

子步骤2b：识别“有/没有”则回复：“好的，请你先不要着急，我马上联系网点为您解决，我们会处理到您满意为止。如果您有任何问题，也可以随时联系我们95546。”

子步骤2b-1：识别“任何”则回复：“好的，祝您生活愉快，再见。”

子步骤2b-2：识别“是/收到了/有什么事/怎么了”，则回复：“请问您对我们客服人员的售后服务还满意吗？”

子步骤2b-2-1：识别“满意”则进入步骤3；

子步骤2b-2-2：识别“不满意”则回复：“好的，请问您对哪一方面觉得不满意呢？比如处理结果、时效、服务态度等，麻烦您具体描述一下好吗？”

子步骤2b-2-2-1：识别“送货慢/态度差”，继续进入步骤3；

步骤3：回复：“恩，非常感谢您的反馈，请问下次有您的快件，您希望我们以怎样的方式为您投递？您可以用通过按键告诉我哦，1、送前电话联系；2、送货上门；3、直接送至您就近的代收点，重听请按0”。

子步骤3a：识别“任何”，则回复：“好的，祝您生活愉快，再见”。

需要说明的是，应答话术通过机器人系统想投诉用户对应的目标终端完成播报。

本发明实施例中，通过合成的智能语音向用户发起通话，快速获取用户对发起的投诉工单的处理结果的评价，并根据评价进行话术播报，提高了对投诉工单的评价处理效率，提高了投诉工单的完结速率。

上面对本发明实施例中投诉工单的评价处理方法进行了描述，下面对本发明实施例中投诉工单的评价处理装置进行描述，请参阅图3，本发明实施例中投诉工单的评价处理装置一个实施例包括：

读取模块301，用于当业务系统接收到用户发起的投诉工单时，读取所述投诉工单对应的订单信息，所述订单信息包括投诉用户的联系方式和投诉订单的处理结果；

合成模块302，用于基于深度神经网络将所述处理结果合成为初始语音，所述初始语音用于指示所述处理结果，所述初始语音包括多个预置问题；

会话模块303，用于根据所述投诉用户的联系方式向投诉用户的目标终端发起语音会话，将所述初始语音发送至所述目标终端；

第一获取模块304，用于获取预置时长范围内所述目标终端反馈的回复语音，调用预置的语音识别算法将所述回复语音进行转换，得到回复文本；

识别模块305，用于通过自然语言理解引擎对所述回复文本进行意图识别，得到投诉用户的真实意图；

匹配播报模块306，用于调用预置的问答管理引擎对所述投诉用户的真实意图进行匹配，得到匹配的目标应答话术，并通过机器人系统将所述目标应答话术向所述投诉用户的客户端进行播报。

本发明实施例中，通过合成的智能语音向用户发起通话，快速获取用户对发起的投诉工单的处理结果的评价，并根据评价进行话术播报，提高了对投诉工单的评价处理效率，提高了投诉工单的完结速率。

请参阅图4，本发明实施例中投诉工单的评价处理装置的另一个实施例包括：

读取模块301，用于当业务系统接收到用户发起的投诉工单时，读取所述投诉工单对应的订单信息，所述订单信息包括投诉用户的联系方式和投诉订单的处理结果；

合成模块302，用于基于深度神经网络将所述处理结果合成为初始语音，所述初始语音用于指示所述处理结果，所述初始语音包括多个预置问题；

会话模块303，用于根据所述投诉用户的联系方式向投诉用户的目标终端发起语音会话，将所述初始语音发送至所述目标终端；

第一获取模块304，用于获取预置时长范围内所述目标终端反馈的回复语音，调用预置的语音识别算法将所述回复语音进行转换，得到回复文本；

识别模块305，用于通过自然语言理解引擎对所述回复文本进行意图识别，得到投诉用户的真实意图；

匹配播报模块306，用于调用预置的问答管理引擎对所述投诉用户的真实意图进行匹配，得到匹配的目标应答话术，并通过机器人系统将所述目标应答话术向所述投诉用户的客户端进行播报。

可选的，识别模块305包括：

第一识别单元3051，用于通过自然语言理解引擎对所述回复文本进行意图识别，得到多个第一候选意图；

第二识别单元3052，用于基于语义槽对话模型对所述回复文本进行语义识别，得到多个第二候选意图；

筛选单元3053，用于对所述多个第一候选意图和所述多个第二候选意图进行筛选，得到投诉用户的真实意图。

可选的，第一识别单元3051具体用于：

将所述回复文本输入到自然语言理解引擎中，对所述回复文本进行分析，得到多个候选词语；从所述候选词语中提取高频短语，得到多个高频短语，所述高频短语为出现次数超过阈值的候选词语；判断所述多个高频短语是否与预置短语库匹配；若所述多个高频短语与预置短语库匹配，则直接匹配出多个预置意图，将所述多个预置意图确定为多个第一候选意图；若所述多个高频短语与预置短语库不匹配，则分别调用多个预置识别模型对所述回复文本进行识别，得到多个第一候选意图。

可选的，第二识别单元3052具体用于：

对所述回复文本所述的领域进行识别，得到目标领域；通过预置的识别算法对所述回复文本进行意图识别，得到多个待选择意图；通过语义槽对话模型对所述回复本文进行槽填充，得到多个槽属性；根据所述目标领域和所述多个槽属性对所述多个待选择意图进行筛选，得到多个第二候选意图。

可选的，筛选单元3053具体用于：

将所述多个第一候选意图和所述多个第二候选意图进行融合，得到多个待评估候选意图；调用多个预置的识别模型分别对每个待评估候选意图进行评分，得到每个待评估候选意图对应的评分结果，所述评分结果包括多个目标分值，不同预置的识别模型对应的不同的目标分值；获取每个预置的识别模型的权重值；根据所述每个预置的识别模型的权重值和所述每个待评估候选意图对应的评分结果进行计算，确定每个待评估候选意图的综合分值，得到多个综合分值；对所述多个综合分值进行排序，将综合分值最高的待评估候选意图确定为投诉用户的真实意图。

可选的，投诉工单的评价处理装置还包括：

第二获取模块307，用于获取快递物流领域的用户话术，并获取用户话术中相关的语料；

数据清洗模块308，用于对所述用户话术相关的语料进行数据清洗，得到清洗后的语料；

生成确定模块309，用于基于双向长短期记忆算法和所述清洗后的语料，生成多个分类模型，选择性能评分最高的分类模型确定为自然语言理解引擎。

可选的，投诉工单的评价处理装置还包括：：

连接模块310，用于基于会话初始协议将机器人系统和业务系统进行通讯连接。

本发明实施例中，通过合成的智能语音向用户发起通话，快速获取用户对发起的投诉工单的处理结果的评价，并根据评价进行话术播报，提高了对投诉工单的评价处理效率，提高了投诉工单的完结速率。

上面图3和图4从模块化功能实体的角度对本发明实施例中投诉工单的评价处理装置进行详细描述，下面从硬件处理的角度对本发明实施例中投诉工单的评价处理设备进行详细描述。

图5是本发明实施例提供的一种投诉工单的评价处理设备的结构示意图，该投诉工单的评价处理设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对投诉工单的评价处理设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在投诉工单的评价处理设备500上执行存储介质530中的一系列指令操作。

投诉工单的评价处理设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如windowsserve，macosx，unix，linux，freebsd等等。本领域技术人员可以理解，图5示出的投诉工单的评价处理设备结构并不构成对投诉工单的评价处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述投诉工单的评价处理方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。