【技術實現步驟摘要】
本專利技術涉及服務智能質檢監管，具體為一種基于nlp模型的質檢服務智能監管系統及方法。
技術介紹
1、隨著移動互聯網技術的不斷完善和發展，人們對服務業務的要求在不斷上升；移動通信技術也在不斷的升級，以適應更高的需求和更復雜的應用場景，為用戶提供了更加便捷、隨時、多樣、優惠和透明的服務選擇。當服務端接收到用戶端發送的連接請求后，由于網絡故障、設備問題以及外部干擾等導致服務端與用戶端之間的連接意外中斷，需向用戶端發送連接請求，主動構建連接。
2、在現有的技術下，存在用戶端問題已經解決的情況，當服務端頻繁的向用戶端發送連接請求時，會導致用戶的耐心度降低，進而影響服務質量使得用戶產生負面情緒等影響。
技術實現思路
1、本專利技術的目的在于提供一種基于nlp模型的質檢服務智能監管系統及方法，以解決上述
技術介紹
中提出的問題。
2、為了解決上述技術問題，本專利技術提供如下技術方案：一種基于nlp模型的質檢服務智能監管方法，所述質檢服務智能監管方法具體包括以下步驟：
3、s100、搭建服務系統，用戶通過系統進行注冊并授權，授權系統使用戶信息的權限；其中用戶信息包括用戶身份標識、交互信息等；在服務端接收到用戶端發送的連接請求后，由于網絡故障、設備問題以及外部干擾等導致服務端與用戶端之間的連接意外中斷；通過系統后臺獲取交互數據信息；通過歷史樣本庫對交互信息異常進行分析判斷，當交互信息異常時將用戶身份標識存儲到后臺數據庫中進行后續服務，并且將后續服務的交互信息存儲到后
4、s200、從后臺數據庫中提取出后續服務的交互信息，并且通過利用nlp技術從后續服務的交互信息中分析得到用戶的反饋程度，并且依據所述用戶的反饋程度確定用戶類型；
5、s300、針對用戶分類結果對后續服務的交互質量進行分析；
6、s400、當所述交互服務質量達標時，對用戶身份標識進行標記結束服務，并且將用戶身份標識從后臺數據庫中剔除；當服務質量不達標時，對服務人員進行提醒。
7、進一步的，所述s100中通過歷史樣本庫對交互信息異常進行分析判斷的具體方法如下：
8、s101、通過歷史樣本庫獲取得到歷史交互信息異常的樣本，基于所述歷史交互信息異常的樣本提取出異常交互信息的數據，基于異常交互信息的數據構建異常數據集為c；其中異常交互信息的數據為通話時長明顯低于正常水平或者通話過程中出現長時間的靜音、斷線等情況能夠判定交互信息異常的指標；通過系統后臺獲取交互信息的數據，基于交互信息的數據構建數據集v；
9、s102、通過公式：p＝k(c∩v)/k(v)，計算得到交互信息的異常值p，其中k()表示為集合中元素的個數；當所述交互信息的異常值p大于等于預設異常閾值p時，說明從系統后臺獲取的交互信息的數據異常，所以判定交互信息異常，將用戶身份標識存儲到后臺數據庫中進行后續服務；當所述交互信息的異常值p小于預設異常閾值p時，說明從系統獲取的后臺交互信息的數據正常，所以判定交互信息正常，結束服務。
10、進一步的，所述s200中利用nlp技術從后續服務的交互信息對用戶的反饋程度進行分析并且確定用戶類型的具體方法如下：
11、s201、依據歷史樣本庫提取出歷史交互信息，對歷史交互信息進行數據預處理即將歷史交互信息的文本數據轉化為模型能夠處理的格式，預處理階段包括分詞、詞性標注、命名實體識別等操作，使用監督學習算法對nlp模型進行訓練，例如邏輯回歸、樸素貝葉斯、支持向量機或深度學習模型等；利用一部分的歷史交互信息對模型進行評估，檢查模型的準確性和可靠性，根據評估結果調整模型參數或更換模型，以優化模型的性能；基于nlp模型從歷史預處理的數據中提取出歷史交互特征，這些交互特征可能包括情感特征(積極、消極或者中立)、意圖特征(如查詢、請求或抱怨)以及其他用戶反饋的相關特征；利用改良so-pmi算法對歷史交互特征進行分類得到歷史交互特征集si，si＝{si1、si2、si3...sij...sij}，sij表示為第i種類型的第j個歷史交互特征，i＝1、2、3...i，i表示為歷史交互特征的種類，j＝1、2、3...j，j表示為每個種類中的歷史交互特征數量；將歷史交互特征分成積極、中立以及消極三種情感特征集，每種用戶情感特征中都對應著多種歷史交互特征；例如，消極情感特征集中包括抱怨、憤怒、失望和抵觸等歷史交互特征；
12、s202、從后臺數據庫中提取出后續服務的交互信息，利用nlp模型對后續服務的交互信息中提取出用戶的交互特征為s’，s’＝{s’1、s’2、s’3...s’z...s’z}，s’z表示為從后臺數據庫中提取后續服務的第z個交互特征，z＝1、2、3...z，z表示為nlp模型從后續服務的交互信息中提取的交互特征的數量；根據公式：wi＝k(si∩s’)/k(s’)，計算得到用戶對歷史交互特征種類的反饋值，wi表示為用戶的第i種交互特征的反饋值；
13、s203、基于歷史交互特征利用深度學習算法構建情感特征集為uv，uv表示為第v個情感特征集，v＝1、2、3，u1表示為積極情感特征集，u2表示為中立情感特征集，u3表示為消極情感特征集；對用戶的第i種交互特征的反饋值按照從高到低的順序進行排序，選取用戶最高反饋值的交互特征的種類，依據所述用戶最高反饋值的交互特征的種類確定用戶類型，所述情感特征集分為積極、中立和消極三種類型。
14、進一步的，所述s300中通過用戶分類結果對后續服務的交互質量進行分析的具體方法如下：
15、s301、當用戶a屬于中立用戶時，獲取中立用戶a與情感特征集相對應的交互特征集分別為s’v，v＝1、2、3；s’1表示為用戶a與積極情感特征集對應的交互特征集，s’2表示為用戶a與中立情感特征集對應的交互特征集，s’3表示為用戶a與消極情感特征集對應的交互特征集；根據公式：wv＝∑ii＝1(s’v∩si)*wi，計算得到用戶a對第v種情感特征集的反饋值，其中(s’v∩si)計算得到第v種情感特征集與歷史交互特征集中一樣的交互特征，并且對交互特征的反饋值進行累加，能夠計算得到對不同情感特征的總反饋值；當w1≥w3時，說明中立用戶a對積極情感特征集的總反饋值大于等于消極情感特征集的總反饋值，所以判定無需對后續服務質量進行分析；當w1＜w3時，說明中立用戶a對積極情感特征集的總反饋值小于消極情感特征集的總反饋值，所以中立用戶a在后續服務過程中反饋消極，需對后續服務質量進行分析；
16、s302、基于所述后續服務的交互信息中提取服務人員的交互特征集為h，由于情感特征集是針對歷史交互特征利用深度學習算法得到的，所以情感特征集不僅適用于用戶也適用于服務人員，所以得到服務人員的交互特征集在不同情感特征集中的占比為fv＝k(h∩uv)/k(h)，fv表示為服務人員的交互特征集在第v種情感特征集中的占比；采集用戶評價分數本文檔來自技高網...
【技術保護點】
1.一種基于NLP模型的質檢服務智能監管方法，其特征在于：所述質檢服務智能監管方法具體包括以下步驟：
2.根據權利要求1所述的一種基于NLP模型的質檢服務智能監管方法，其特征在于：所述S100中通過歷史樣本庫對交互信息異常進行分析判斷的具體方法如下：
3.根據權利要求2所述的一種基于NLP模型的質檢服務智能監管方法，其特征在于：所述S200中利用NLP技術從后續服務的交互信息對用戶的反饋程度進行分析并且確定用戶類型的具體方法如下：
4.根據權利要求3所述的一種基于NLP模型的質檢服務智能監管方法，其特征在于：所述S300中通過用戶分類結果對后續服務的交互質量進行分析的具體方法如下：
5.根據權利要求4所述的一種基于NLP模型的質檢服務智能監管方法，其特征在于：所述S400中對用戶身份標識進行標記結束服務并且將用戶身份標識從后臺數據庫中剔除進行決策的具體方法如下：當服務質量評價得分大于等于預設服務質量得分閾值Q時，對用戶身份標識進行標記結束服務，并且將用戶身份標識從后臺數據庫中剔除；當服務質量評價得分小于預設服務質量得分閾值Q時對服務
6.一種基于NLP模型的質檢服務智能監管系統，其特征在于：所述質檢服務智能監管系統包括數據采集模塊、數據分析模塊、質檢監管模塊和告警提醒模塊；所述數據采集模塊的輸出端與數據分析模塊的輸入端連接，所述數據分析模塊的輸出端與質檢監管模塊的輸入端連接，所述質檢監管模塊的輸出端與告警提醒模塊的輸入端連接；所述數據采集模塊是用于采集交互數據信息以及用戶對于服務的評價得分；所述數據分析模塊是用于對交互信息的異常以及用戶的反饋程度進行分析，依據用戶的反饋程度來確定用戶類型；所述質檢監管模塊是用于對交互質量進行分析并且完成對交互數據信息的存儲；所述告警提醒模塊是當服務質量評價得分小于預設服務質量得分閾值時對服務人員進行告警提醒。
7.根據權利要求6所述的一種基于NLP模型的質檢服務智能監管系統，其特征在于：所述數據采集模塊包括交互數據信息采集單元和用戶評價采集單元；所述交互數據信息采集單元是采集交互數據信息，通過交互數據信息對用戶的類型進行分析判斷；所述用戶評價采集單元是采集用戶對于后續服務的評價得分。
8.根據權利要求7所述的一種基于NLP模型的質檢服務智能監管系統，其特征在于：所述數據分析模塊包括交互信息異常分析單元、用戶反饋程度分析單元和用戶類型確定單元；所述交互信息異常分析單元是依據歷史交互信息對當前交互信息的異常值進行分析；所述用戶反饋程度分析單元是分析用戶針對不同種類的歷史交互特征集以及情感特征集能給出的反饋大小；所述用戶類型確定單元是通過情感特征集對用戶的類型進行確定。
9.根據權利要求8所述的一種基于NLP模型的質檢服務智能監管系統，其特征在于：所述質檢監管模塊包括數據存儲單元和交互質量分析單元；所述數據存儲單元是當出現交互信息異常時，將用戶身份標識存儲到后臺數據庫中；所述交互質量分析單元是對整個交互過程的交互質量進行分析。
10.根據權利要求9所述的一種基于NLP模型的質檢服務智能監管系統，其特征在于：所述告警提醒模塊包括服務結束剔除決策單元和告警提醒單元；所述服務結束剔除決策單元是當分析得出用戶態度消極時，對用戶身份標識進行標記結束服務并且將用戶身份標識從后臺數據庫中剔除；否則繼續為用戶提供服務；所述告警提醒單元是當服務質量評價得分小于預設服務質量得分閾值時對服務人員進行告警提醒。
...【技術特征摘要】
1.一種基于nlp模型的質檢服務智能監管方法，其特征在于：所述質檢服務智能監管方法具體包括以下步驟：
2.根據權利要求1所述的一種基于nlp模型的質檢服務智能監管方法，其特征在于：所述s100中通過歷史樣本庫對交互信息異常進行分析判斷的具體方法如下：
3.根據權利要求2所述的一種基于nlp模型的質檢服務智能監管方法，其特征在于：所述s200中利用nlp技術從后續服務的交互信息對用戶的反饋程度進行分析并且確定用戶類型的具體方法如下：
4.根據權利要求3所述的一種基于nlp模型的質檢服務智能監管方法，其特征在于：所述s300中通過用戶分類結果對后續服務的交互質量進行分析的具體方法如下：
5.根據權利要求4所述的一種基于nlp模型的質檢服務智能監管方法，其特征在于：所述s400中對用戶身份標識進行標記結束服務并且將用戶身份標識從后臺數據庫中剔除進行決策的具體方法如下：當服務質量評價得分大于等于預設服務質量得分閾值q時，對用戶身份標識進行標記結束服務，并且將用戶身份標識從后臺數據庫中剔除；當服務質量評價得分小于預設服務質量得分閾值q時對服務人員進行提醒。
6.一種基于nlp模型的質檢服務智能監管系統，其特征在于：所述質檢服務智能監管系統包括數據采集模塊、數據分析模塊、質檢監管模塊和告警提醒模塊；所述數據采集模塊的輸出端與數據分析模塊的輸入端連接，所述數據分析模塊的輸出端與質檢監管模塊的輸入端連接，所述質檢監管模塊的輸出端與告警提醒模塊的輸入端連接；所述數據采集模塊是用于采集交互數據信息以及用戶對于服務的評價得分；所述數據分析模塊是用于對交互信息的異常以及用戶的反饋程度進行分析，依據用戶的反饋程度來確定用戶類型；所述質檢...
【專利技術屬性】
技術研發人員：劉瀏，肖莉，黃兆宇，謝明明，張罡，
申請(專利權)人：聯通江蘇產業互聯網有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。