本發(fā)明涉及通信技術(shù)領(lǐng)域，尤其涉及一種基于客戶(hù)情緒分析提升輿情監(jiān)控效率的方法。

背景技術(shù)：

智能語(yǔ)音分析系統(tǒng)將發(fā)揮語(yǔ)音分析的指南針作用，通過(guò)對(duì)投訴客戶(hù)的來(lái)電原因分析、重復(fù)來(lái)電分析、通話(huà)時(shí)長(zhǎng)分析、滿(mǎn)意度分析，及時(shí)把握客戶(hù)需求熱點(diǎn)變化趨勢(shì)，發(fā)現(xiàn)服務(wù)過(guò)程存在問(wèn)題或服務(wù)風(fēng)險(xiǎn)，迅速采取有效應(yīng)對(duì)措施，為推動(dòng)服務(wù)和營(yíng)銷(xiāo)提升提供有力支撐。對(duì)客戶(hù)語(yǔ)音中潛在的輿情監(jiān)控是為了讓我們了解到當(dāng)前客戶(hù)的關(guān)注熱點(diǎn)以及熱點(diǎn)業(yè)務(wù)的訪問(wèn)趨勢(shì)變化，以便及時(shí)了解異常，并對(duì)發(fā)生異常的原因進(jìn)行分析，提出制止或解決的辦法。但是，現(xiàn)有的客戶(hù)輿情監(jiān)控都是通過(guò)完全人工的來(lái)電原因分析、重復(fù)來(lái)電分析、滿(mǎn)意度分析來(lái)實(shí)現(xiàn)的，這樣不僅效率低下，并且容易導(dǎo)致客戶(hù)語(yǔ)音抓取不全面，無(wú)法真正準(zhǔn)確地判斷客戶(hù)輿情。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于：為解決現(xiàn)有客戶(hù)輿情監(jiān)控效率低下，導(dǎo)致客戶(hù)語(yǔ)音抓取不全面，無(wú)法正在準(zhǔn)確判斷客戶(hù)輿情的問(wèn)題，本發(fā)明提供一種基于客戶(hù)情緒分析提升輿情監(jiān)控效率的方法，該方法通過(guò)分析客戶(hù)在于人工坐席通話(huà)的過(guò)程中對(duì)客戶(hù)情緒的分析，發(fā)現(xiàn)潛在的輿情，并將潛在輿情記錄到數(shù)據(jù)庫(kù)中，此數(shù)據(jù)庫(kù)對(duì)人工輿情監(jiān)控進(jìn)行了補(bǔ)充，把輿情搜集工作從繁重枯燥的人工勞動(dòng)中解脫出來(lái)，能夠主動(dòng)發(fā)現(xiàn)輿情，引導(dǎo)輿情監(jiān)控工作者完成日常輿情監(jiān)測(cè)。

本發(fā)明的技術(shù)方案如下：

一種基于客戶(hù)情緒分析提升輿情監(jiān)控效率的方法，包括如下步驟：

s1：獲取可用的客戶(hù)語(yǔ)音；

s2：讀取客戶(hù)語(yǔ)音，對(duì)客戶(hù)語(yǔ)音提取情感特征參數(shù)，并將情感特征參數(shù)量化為數(shù)值；

s3：將情感特征參數(shù)與提前設(shè)定的情感特征參數(shù)閾值進(jìn)行比較，對(duì)情感特征參數(shù)的數(shù)值超過(guò)閾值的客戶(hù)進(jìn)行語(yǔ)義的進(jìn)一步分析，識(shí)別潛在輿情；

s4：將分析結(jié)果記入數(shù)據(jù)庫(kù)。

具體地，所述的s1中，具體包含如下步驟：

s11：批量選擇通話(huà)，采用篩選器對(duì)語(yǔ)音數(shù)據(jù)庫(kù)中的語(yǔ)音進(jìn)行篩選，篩選器中設(shè)有多種篩選模型，篩選模型包括無(wú)聲電話(huà)模型，通話(huà)時(shí)長(zhǎng)模型，坐席工號(hào)模型；首先通過(guò)無(wú)聲電話(huà)模型進(jìn)行一級(jí)篩選，同時(shí)，將此類(lèi)通話(huà)剔除；采用通話(huà)時(shí)長(zhǎng)模型或坐席工號(hào)模型對(duì)剩下的通話(huà)進(jìn)行二級(jí)篩選，從篩選剩下的通話(huà)中篩選到符合條件的客戶(hù)與客服通話(huà)過(guò)程中的原始語(yǔ)音后，對(duì)原始語(yǔ)音進(jìn)行場(chǎng)景分割，得到客戶(hù)語(yǔ)音和坐席語(yǔ)音；

s12：提取客戶(hù)語(yǔ)音，并對(duì)客戶(hù)語(yǔ)音去除噪聲和干擾后，進(jìn)行放大處理得到可用的客戶(hù)語(yǔ)音。

具體地，所述的s2中，具體包含如下步驟：

s21：將客戶(hù)語(yǔ)音按照間隔時(shí)長(zhǎng)進(jìn)行分段處理，測(cè)定每一段客戶(hù)語(yǔ)音的情感特征參數(shù)，其中，情感特征參數(shù)包括基頻、共振峰、短時(shí)能量、時(shí)長(zhǎng)和語(yǔ)速,將每一段的通話(huà)信號(hào)中的基頻、共振峰、短時(shí)能量、時(shí)長(zhǎng)和語(yǔ)速量化為具體數(shù)值；

s22：將s21中測(cè)定的情感特征參數(shù)與提前設(shè)定的情感特征參數(shù)閾值進(jìn)行對(duì)比，情感特征參數(shù)閾值的設(shè)定s1之前、s2之前或s3之前。

具體地，所述的s2中，具體包含如下步驟：

s31：將s22中測(cè)得的情感特征參數(shù)和提前設(shè)定的情感特征參數(shù)域值進(jìn)行比較，篩選出情感特征參數(shù)超過(guò)閾值的客戶(hù)語(yǔ)音標(biāo)記為情緒異常語(yǔ)音，再計(jì)算超過(guò)的數(shù)值，超過(guò)閾值越多，異常等級(jí)越高，并將客戶(hù)語(yǔ)音進(jìn)行異常等級(jí)標(biāo)記，將情感特征參數(shù)未超過(guò)閾值的客戶(hù)語(yǔ)音舍去。

s32：將情感特征參數(shù)超過(guò)閾值的客戶(hù)語(yǔ)音進(jìn)行關(guān)鍵詞識(shí)別，提取出關(guān)鍵詞，將關(guān)鍵詞與提前建立的敏感詞庫(kù)進(jìn)行比對(duì)，挑選出與關(guān)鍵詞最為接近的敏感詞匯，挑選出的敏感詞匯為1個(gè)或多個(gè)。

優(yōu)選地，s32中對(duì)情感特征參數(shù)超過(guò)閾值的客戶(hù)語(yǔ)音進(jìn)行關(guān)鍵詞識(shí)采用兩階段系統(tǒng)，在客戶(hù)語(yǔ)音的預(yù)處理階段采用零語(yǔ)言模型輸出為拼音圖，拼音圖由利用拼音文法的tokenpassing算法生成；檢索階段在拼音圖上查找拼音匹配結(jié)果，利用拼音文法模型計(jì)算拼音串的置信概率完成關(guān)鍵詞的篩選與提取。

進(jìn)一步地，述情感特征參數(shù)閾值根據(jù)客服的性別的不同而不同。

具體地，s4中，將關(guān)鍵詞檢索結(jié)果和計(jì)入數(shù)據(jù)庫(kù)中，根據(jù)客戶(hù)語(yǔ)音的情緒異常等級(jí)對(duì)每一位客戶(hù)語(yǔ)音進(jìn)行分類(lèi)統(tǒng)計(jì)。

進(jìn)一步地，s32中，所述敏感詞匯庫(kù)根據(jù)固定周期更新，固定周期包括一天、一周、一個(gè)月、一季度、半年、一年。

采用上述方案后，本發(fā)明的有益效果在于：

(1)該方法通過(guò)分析客戶(hù)在于人工坐席通話(huà)的過(guò)程中對(duì)客戶(hù)情緒的分析，發(fā)現(xiàn)潛在的輿情，并將潛在輿情記錄到數(shù)據(jù)庫(kù)中，此數(shù)據(jù)庫(kù)對(duì)人工輿情監(jiān)控進(jìn)行了補(bǔ)充，把輿情搜集工作從繁重枯燥的人工勞動(dòng)中解脫出來(lái)，能夠主動(dòng)發(fā)現(xiàn)輿情，引導(dǎo)輿情監(jiān)控工作者完成日常輿情監(jiān)測(cè)。

(2)在獲取可用的客戶(hù)語(yǔ)音之前對(duì)批量的客戶(hù)語(yǔ)音進(jìn)行的篩選，剔除掉了無(wú)用的通話(huà)，在覆蓋范圍廣的前提下又減小了工作量。

(3)情緒分析對(duì)于輿情而言具有很強(qiáng)的指示作用，將它運(yùn)用到語(yǔ)音輿情監(jiān)控中，通過(guò)客戶(hù)情緒分析來(lái)再將通話(huà)進(jìn)行深一步的篩選，對(duì)輿情前期的判斷比較準(zhǔn)確，并且，根據(jù)情緒參數(shù)超過(guò)提前設(shè)定的閾值的多少來(lái)判定情緒的等級(jí)，并根據(jù)情緒等級(jí)來(lái)對(duì)客戶(hù)進(jìn)行分類(lèi)，方便后續(xù)監(jiān)控。

具體實(shí)施方式

本說(shuō)明書(shū)中公開(kāi)的所有特征，除了互相排斥的特征和/或步驟以外，均可以以任何方式組合。

下面對(duì)本發(fā)明作詳細(xì)說(shuō)明。

一種基于客戶(hù)情緒分析提升輿情監(jiān)控效率的方法，包括如下步驟：

s1：獲取可用的客戶(hù)語(yǔ)音；

s11：批量選擇通話(huà)，采用篩選器對(duì)語(yǔ)音數(shù)據(jù)庫(kù)中的語(yǔ)音進(jìn)行篩選，篩選器中設(shè)有多種篩選模型，篩選模型包括無(wú)聲電話(huà)模型，通話(huà)時(shí)長(zhǎng)模型，坐席工號(hào)模型；首先通過(guò)無(wú)聲電話(huà)模型進(jìn)行一級(jí)篩選，同時(shí)，將此類(lèi)通話(huà)剔除；采用通話(huà)時(shí)長(zhǎng)模型或坐席工號(hào)模型對(duì)剩下的通話(huà)進(jìn)行二級(jí)篩選，從篩選剩下的通話(huà)中篩選到符合條件的客戶(hù)與客服通話(huà)過(guò)程中的原始語(yǔ)音后，對(duì)原始語(yǔ)音進(jìn)行場(chǎng)景分割，得到客戶(hù)語(yǔ)音和坐席語(yǔ)音；

s12：提取客戶(hù)語(yǔ)音，并對(duì)客戶(hù)語(yǔ)音去除噪聲和干擾后，進(jìn)行放大處理得到可用的客戶(hù)語(yǔ)音。

s2：讀取客戶(hù)語(yǔ)音，對(duì)客戶(hù)語(yǔ)音提取情感特征參數(shù)，并將情感特征參數(shù)量化為數(shù)值；s21：將客戶(hù)語(yǔ)音按照間隔時(shí)長(zhǎng)進(jìn)行分段處理，測(cè)定每一段客戶(hù)語(yǔ)音的情感特征參數(shù)，其中，情感特征參數(shù)包括基頻、共振峰、短時(shí)能量、時(shí)長(zhǎng)和語(yǔ)速,將每一段的通話(huà)信號(hào)中的基頻、共振峰、短時(shí)能量、時(shí)長(zhǎng)和語(yǔ)速量化為具體數(shù)值；

s22：將s31中測(cè)定的情感特征參數(shù)與提前設(shè)定的情感特征參數(shù)閾值進(jìn)行對(duì)比，情感特征參數(shù)閾值的設(shè)定s1之前、s2之前或s3之前且情感特征參數(shù)閾值根據(jù)客服的性別的不同而不同。

s3：將情感特征參數(shù)與提前設(shè)定的情感特征參數(shù)閾值進(jìn)行比較，對(duì)情感特征參數(shù)的數(shù)值超過(guò)閾值的客戶(hù)進(jìn)行語(yǔ)義的進(jìn)一步分析，識(shí)別潛在輿情；s33：將s22中測(cè)得的情感特征參數(shù)和提前設(shè)定的情感特征參數(shù)域值進(jìn)行比較，篩選出情感特征參數(shù)超過(guò)閾值的客戶(hù)語(yǔ)音標(biāo)記為情緒異常語(yǔ)音，再計(jì)算超過(guò)的數(shù)值，超過(guò)閾值越多，異常等級(jí)越高，并將客戶(hù)語(yǔ)音進(jìn)行異常等級(jí)標(biāo)記，將情感特征參數(shù)未超過(guò)閾值的客戶(hù)語(yǔ)音舍去；

s34：將情感特征參數(shù)超過(guò)閾值的客戶(hù)語(yǔ)音進(jìn)行關(guān)鍵詞識(shí)別，提取出關(guān)鍵詞，將關(guān)鍵詞與提前建立的敏感詞庫(kù)進(jìn)行比對(duì)，挑選出與關(guān)鍵詞最為接近的敏感詞匯，挑選出的敏感詞匯為1個(gè)或多個(gè)，所述敏感詞匯庫(kù)根據(jù)固定周期更新，固定周期包括一天、一周、一個(gè)月、一季度、半年、一年。。對(duì)情感特征參數(shù)超過(guò)閾值的客戶(hù)語(yǔ)音進(jìn)行關(guān)鍵詞識(shí)采用兩階段系統(tǒng)，在客戶(hù)語(yǔ)音的預(yù)處理階段采用零語(yǔ)言模型輸出為拼音圖，拼音圖由利用拼音文法的tokenpassing算法生成；檢索階段在拼音圖上查找拼音匹配結(jié)果，利用拼音文法模型計(jì)算拼音串的置信概率完成關(guān)鍵詞的篩選與提取。

s4：將關(guān)鍵詞檢索結(jié)果和計(jì)入數(shù)據(jù)庫(kù)中，根據(jù)客戶(hù)語(yǔ)音的情緒異常等級(jí)對(duì)客戶(hù)語(yǔ)音進(jìn)行分類(lèi)。

本發(fā)明不局限于上述具體實(shí)施例，應(yīng)當(dāng)理解，本領(lǐng)域的普通技術(shù)人員無(wú)需創(chuàng)造性勞動(dòng)就可以根據(jù)本發(fā)明的構(gòu)思做出諸多修改和變化?？傊脖炯夹g(shù)領(lǐng)域中技術(shù)人員依本發(fā)明的構(gòu)思在現(xiàn)有技術(shù)的基礎(chǔ)上通過(guò)邏輯分析、推理或者有限的實(shí)驗(yàn)可以得到的技術(shù)方案，皆應(yīng)在由權(quán)利要求書(shū)所確定的保護(hù)范圍內(nèi)。