一种智能客户服务方法和系统与流程

1.本发明属于数据处理技术领域，具体涉及一种智能客户服务方法和系统。


背景技术：

2.随着企业客服中心和呼叫中心的智能化升级，智能客服机器人在企业中承载着越来越多的业务。
3.目前，智能客服机器人在回答客户的咨询问题时，容易答非所问，难以解决客户的实际问题。出现这一问题的本质性在于当前的现有技术对于客户的语音识别往往仅仅依据语音的声学特征，导致准确性较低，并且客服机器人在挑选咨询问题的回答语料时的对应性也较低。
4.进一步地，当前的客服咨询在机器人难以处理的情况下，会转到人工客服，但是在咨询高峰期时，客户的紧急事务往往难以得到及时地回复，给客户带来不必要的损失。


技术实现要素：

5.为了解决现有技术存在的成本过高，评估准确性低的技术问题，本发明提供一种智能客户服务方法和系统。
6.第一方面
7.本发明提供了一种智能客户服务方法，包括：
8.s101：接收客户的语音咨询；
9.s102：通过语音识别模型，根据语音咨询的声学特征和语言特征对语音咨询进行识别；
10.s103：通过最近邻查询算法搜索与语音咨询最相关的回复数据，机器人根据回复数据自动化地回复客户；
11.s104：在机器人难以解决语音咨询的情况下，通过高峰期智能排队算法转人工客服；
12.s105：在人工客服难以解决语音咨询的情况下，创建工单，并对工单内容进行隐私保护处理；
13.s106：派遣专业人员处理工单。
14.第二方面
15.本发明提供了一种智能客户服务系统，用于执行第一方面中的任一项智能客户服务方法。
16.与现有技术相比，本发明至少具有以下有益技术效果：
17.(1)在本发明中，通过语音识别模型，根据语音咨询的声学特征和语言特征对语音咨询进行识别，相较于单一的依据声学特征，大幅提升了语音识别的准确性。
18.(2)在本发明中，通过最近邻查询算法搜索与语音咨询最相关的回复数据，机器人根据回复数据自动化地回复客户，提升了客服机器人在挑选咨询问题的回答语料时的对应
性和准确性，提升了解决客户咨询问题的效率。
19.(3)在本发明中，在机器人难以解决语音咨询的情况下，通过高峰期智能排队算法转人工客服，避免了在咨询高峰期的拥堵问题，对客户的紧急性问题优先处理，提升了客服服务效率和质量，避免给客户带来不必要的损失。
20.(4)在本发明中，对工单内容进行隐私保护处理，保护了客户的隐私，避免了个人信息泄露。
附图说明
21.下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
22.图1是本发明提供的一种智能客户服务方法的流程示意图；
23.图2是本发明提供的另一种智能客户服务方法的流程示意图。
具体实施方式
24.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
25.为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
26.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
27.在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
28.另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
29.实施例1
30.在一个实施例中，参考说明书附图1和图2，示出了本发明提供的智能客户服务方法的流程示意图。
31.本发明提供的一种智能客户服务方法，包括：
32.s101：接收客户的语音咨询。
33.在一种可能的实施方式中，s101具体为：
34.通过以下至少一种方式接收客户的语音咨询：
35.接听客户的咨询电话。
36.通过应用程序接收客户的语音咨询。
37.s102：通过语音识别模型，根据语音咨询的声学特征和语言特征对语音咨询进行识别。
38.其中，通过语音识别模型可以得到语音咨询的文本内容，以便于后续的解答。
39.其中，声学特征可以包括能量特征、时域特征、频域特征、乐理特征和感知特征。时域特征值为自相关值，其中，自相关值是指信号与其沿时间轴位移后的版本之间的相似度，可用于计算单音的基频。频域特征值为频谱质心值，其中，频谱质心值是指信号在频谱中能量的集中点，可用于描述信号音色的明朗度，可以理解的是，越亮的声音能量集中在高频部分，频谱质心的值就越大；乐理特征值为失谐度值，其中，失谐度值是指音频信号的泛音频率与其基音频率的整数倍之间的偏移程度；基音频率，简称基频，声音可分解为若干个不同频率的正弦波的叠加，频率最低的波就是基音，其他频率高的为泛音，频率越高分配到的能量越少。感知特征值为响度值，其中，响度值是指信号强弱被人耳感觉到的主观感觉量，也可以理解为音量。
40.其中，语言特征可以包括：语义特征、词汇特征、语法特征等。语义特征是词汇和句子的意义。词汇特征是指词汇特征词汇的构成、词义、词形变化等。语法特征是指语言的结构规则。
41.需要说明的是，通过语音识别模型，根据语音咨询的声学特征和语言特征对语音咨询进行识别，相较于单一的依据声学特征，大幅提升了语音识别的准确性。
42.在一种可能的实施方式中，语音识别模型包括声学模型和语言模型。声学模型的作用是计算声学特征序列属于各声学单元的概率，并根据似然准则将特征序列转换为状态序列。语言模型描述语言学中词与词之间的约束，用于预测语音信号中下一个词可能出现的概率。
43.可选地，语言模型采用基于统计的n-gram模型。
44.s102具体包括子步骤s1021至s1026：
45.s1021：通过输入门i、遗忘门s和输出门h构建声学模型。
46.其中，输入门i用于控制输入到声学模型中的信息量，遗忘门s用于控制声学模形保留的信息量，输出门h用于控制声学模型输出的信息量。
47.s1022：逐帧提取语音咨询信号的声学特征。
48.需要说明的是，逐帧提取语音咨询信号的声学特征可以捕捉到语音信号的时序性，即随着时间的推移，语音信号的声学特征会发生变化。这种时序性可以提供关于语音的动态信息，例如音频频谱随时间的变化，有助于更好地理解和识别语音信号。
49.s1023：向声学模型中输入声学特征向量x
t
。
50.其中，声学特征向量可以是能量特征向量、时域特征向量、频域特征向量、乐理特征向量和感知特征向量中的一种或多种。
51.s1024：根据以下公式输出在声学特征向量下的后验概率p
t
：
52.i
t
＝sigmoid(αi·
x
t
+βi·rt-1
+γi·ct-1
+bi)
53.s
t
＝sigmoid(αs·
x
t
+βs·rt-1
+γs·ct-1
+bs)
54.g
t
＝tanh(αg·
x
t
+βg·rt-1
+bg)
55.h
t
＝sigmoid(αh·
x
t
+βh·rt-1
+γh·ct-1
+bh)
[0056][0057][0058][0059]
p
t
＝h
t
[0060]
其中，sigmoid()表示曲线函数，r表示声学模型输出的信息，c表示声学模型对历史的记忆信息，g表示对激励信号的运算，m表示输出经过遗忘门后的信息，b表示偏置，α表示输入的信息的权重，β表示输出的信息的权重，λ表示历史的记忆信息的权重，η表示遗忘权重。
[0061]
需要说明的是，公式可以看出，声学模型的输出同时受历史信息和未来信息的影响。声学模型能够利用历史信息来更好地理解当前帧的声学特征。通过考虑前面帧的信息，模型可以捕捉到语音信号中的上下文关系，从而提高语音识别的准确性。另外，由于声音信号(特别是客户咨询的电话语音)往往受到环境噪声、话筒质量和说话人变化等因素的影响，声学模型需要具备鲁棒性以应对这些干扰。通过利用历史和未来信息，模型可以更好地抵抗噪声和变化，提高对复杂环境下语音的识别准确性和鲁棒性。有助于提升语音识别的准确性，生成更加自然和连贯的语音输出。
[0062]
s1025：通过贝叶斯算法将后验概率p(yi|x
t
)转化为似然概率p(x
t
|yi)：
[0063][0064][0065]
其中，p(yi)表示先验概率，可通过预先统计数据得到，t
yi
表示数据中属于状态yi的帧数，t表示数据总帧数。
[0066]
其中，先验概率(prior probability)是在考虑任何观测数据之前，基于以往的经验或先前的知识对事件发生概率的主观估计。它是对事件发生可能性的初始信念或预期概率。先验概率不考虑当前观测数据，而是依赖于领域专家的主观判断、历史数据或相关信息。
[0067]
其中，后验概率(posterior probability)是在考虑观测数据之后，基于先验概率和当前数据计算得出的条件概率。它表示在给定观测数据的情况下，事件发生的概率。通过使用贝叶斯定理，后验概率可以从先验概率和似然概率推断得出。后验概率结合了先验概率和当前数据的信息，提供了对事件发生概率的更新和修正。
[0068]
其中，似然概率(likelihood probability)是在给定某个参数值的条件下，观测数据出现的可能性。似然概率描述了参数与数据之间的关系，用于评估某个参数值与观测数据的拟合程度。似然概率通常用于参数估计，通过最大似然估计等方法来选择最有可能解释观测数据的参数值。似然概率并不直接表示事件的概率，而是给定参数的情况下，数据出现的相对可能性。
[0069]
s1026：通过似然概率p(x
t
|yi)并结合语言模型，通过以上公式将概率最大的文本序列作为语音识别模型的识别结果，并输出识别结果：
[0070][0071]
其中，o表示经过特征提取的声学特征序列，p(o)表示某一特征序列出现的概率，对于已经确定的输入p(o)＝1，a表示与特征序列对应的文本序列，p(o|a)表示似然概率，p(a)为某一文本序列出现的概率，μ1表示语言模型在语音识别模型中的权重，μ2表示声学模型在语音识别模型中的权重。
[0072]
其中，本领域技术人员可以根据实际需要调整μ1和μ2的大小，本发明不做限定。
[0073]
在本发明中，通过语音识别模型，根据语音咨询的声学特征和语言特征对语音咨询进行识别，将概率最大的文本序列作为语音识别模型的识别结果，相较于单一的依据声学特征，大幅提升了语音识别的准确性。
[0074]
s103：通过最近邻查询算法搜索与语音咨询最相关的回复数据，机器人根据回复数据自动化地回复客户。
[0075]
其中，最近邻查询算法是一种用于在数据集中查找最相似数据点的算法。在语音咨询的情境中，这个数据集包含了一系列的回复数据，每个回复与一个特定的咨询问题或语音输入相关联。最近邻查询算法可以根据咨询问题或语音输入的特征，找到与之最相似的回复数据。
[0076]
需要说明的是，一旦找到与咨询问题或语音输入最相关的回复数据，机器人可以自动提取相应的回复内容，并将其作为自动回复发送给客户。这个过程可以通过自然语言处理技术和语音合成技术来实现，确保生成的回复内容准确、流畅并与用户的咨询问题匹配。因此，可以提高客户服务的效率，减少人工干预的需要，并在满足一定的相似度匹配条件下，为客户提供快速且准确的回复。
[0077]
在一种可能的实施方式中，通过四叉树来进一步优化最近邻查询算法，s103具体包括子步骤s1031至s1038：
[0078]
s1031：将回复数据库按照预设的颗粒度划分为多个网格单元，将处于网格单元中的回复数据插入到四叉树中。
[0079]
其中，四叉树(quadtree)是一种常用的空间分割数据结构，用于划分二维平面或空间。它将空间递归地分割成四个象限，每个象限可以是一个空节点或包含子节点的非空节点。如果一个象限内包含的元素过多，则可以再对该象限进行进一步的细分，将其划分为四个子象限。这个过程可以递归地进行下去，直到达到某个停止条件，例如达到最小划分单元的大小或节点中包含的元素数量不超过某个阈值。四叉树是一种灵活、高效的空间分割数据结构，适用于处理二维平面或空间数据。它通过递归地划分空间，提供了对空间对象的组织、查询和处理能力，广泛应用于各种领域的空间数据处理和算法设计中。
[0080]
需要说明的是，每个网格单元都有一个单一的网格编号id，通过网格单元的中心点坐标标明其在整个区域的位置。
[0081]
s1032：将语音咨询信号的识别结果作为请求点，在网格单元中进行查询。
[0082]
此步骤可以理解为，在网格单元中寻找与语音咨询信号的识别结果最为匹配的回复数据。
[0083]
s1033：初始化优先级队列。
[0084]
其中，优先级队列用于记录到目前为止访问的结点，在该队列中，根据空间结点和查询点之间的最小距离值按升序排列队列中的元素，从而可以快速找到最近的相邻对象所在的叶结点，然后会筛选查询结果，取得离查询点最近的相邻对象，并完成最近的相邻查询。
[0085]
s1034：获取队头元素，在队头元素为叶节点的情况下，将叶节点作为候选叶节点，并将叶节点的网格单元id存储到链表中；在队头元素为中间节点的情况下，分别计算中间节点的四个子节点和请求点之间的保存路径长度的最小值，并按照保存路径长度的最小值将四个子节点放入到优先级队列中，重复上述处理，直至队头元素为叶节点。
[0086]
其中，队头元素及队伍中最前面的元素。
[0087]
其中，保存路径长度的最小值是指计算中间节点的四个子节点和请求点之间的路径长度时，选择其中最小的路径长度进行保存。这个最小值表示了当前中间节点与请求点之间的最短路径长度。
[0088]
s1035：计算查询到的候选叶节点上的移动对象与请求点之间的欧式距离。
[0089]
其中，欧式距离(euclidean distance)是一种常用的距离度量方法，用于衡量欧几里得空间中两个点之间的距离。它基于勾股定理，通过计算两点之间的直线距离来衡量它们之间的接近程度。
[0090]
s1036：按照欧式距离有小到大的顺序，将各个移动对象存储到链表中。
[0091]
其中，链表是一种常见的线性数据结构，用于存储和组织数据。与数组不同，链表的元素在内存中不必连续存储，而是通过指针相互连接起来。将移动对象存储到链表中以便于后续的比较。
[0092]
s1037：计算链表的表头元素与请求点之间的保存路径长度的最小值d1，计算优先级队列的队头元素与请求点之间的保存路径长度的最小值d2，在d1＜d2的情况下，将表头元素作为最近的相邻对象进行输出。在d1≥d2的情况下，重复s1034。
[0093]
其中，在d1≥d2的情况下，意味着已经找到了与语音咨询信号的识别结果最为匹配的回复数据。与在d1≥d2的情况下，意味着还未找到与语音咨询信号的识别结果最为匹配的回复数据，需要重复上面的步骤继续寻找。
[0094]
s1038：机器人根据最近的相邻对象对应的回复数据，对客户进行自动化回复。
[0095]
一旦找到与咨询问题或语音输入最相关的回复数据(最近的相邻对象对应的回复数据)，机器人可以自动提取相应的回复内容，并将其作为自动回复发送给客户。这个过程可以通过自然语言处理技术和语音合成技术来实现，确保生成的回复内容准确、流畅并与用户的咨询问题匹配。因此，可以提高客户服务的效率，减少人工干预的需要，并在满足一定的相似度匹配条件下，为客户提供快速且准确的回复。
[0096]
s104：在机器人难以解决语音咨询的情况下，通过高峰期智能排队算法转人工客服。
[0097]
其中，高峰期智能排队算法是一种用于管理语音咨询服务中的高负载情况的算法。当机器人无法有效解决语音咨询问题时，这种算法可以自动将用户转接到人工客服，并通过排队机制来管理大量的用户请求。
[0098]
关于排队策略，高峰期智能排队算法可以按照先来先服务原则，根据用户的请求
顺序进行处理。也可以采用不同的排队策略，以更好地管理用户等待时间和服务质量。例如，可以实现优先级排队，根据用户类型、问题类型或其他优先级标准来决定用户的服务顺序。
[0099]
需要说明的是，高峰期智能排队算法的目标是在高峰期维护良好的服务水平，通过合理的排队管理和转接到人工客服，确保用户在等待过程中获得及时的服务响应。这种算法可以帮助机器人系统更好地应对高负载情况，提高整体的服务质量和用户体验。
[0100]
在一种可能的实施方式中，s104具体包括子步骤s1041至s1043：
[0101]
s1041：构建客户重要性影响因子，客户重要性影响因子包括：客户的累积消费金额、咨询内容的热门程度和最近一次客服应答距今的时间，重要性因子的分值均为0至1。
[0102]
其中，客户的累积消费金额是指客户在一段时间内累积的消费金额。消费金额是衡量客户价值和忠诚度的重要指标之一。通常来说，累积消费金额较高的客户可能对企业的业绩和利润贡献更大，因此在提供客户服务时，这些客户可能会被认为是更重要的。
[0103]
其中，咨询内容的热门程度是指客户所咨询的问题或内容的热门程度或重要性。通过分析大量客户咨询数据，可以了解到某些问题或主题的热门程度。如果客户咨询的内容与当前热门的问题或关键业务相关，则可以认为这些客户的问题更为重要。
[0104]
其中，最近一次客服应答距今的时间是指客户最近一次与客服团队的互动时间，即上一次客服应答客户的时间。较长时间未进行客户互动可能表示客户的问题未得到及时解决或关注，因此这种情况下，客户可能需要更快的响应和支持。
[0105]
需要说明的是，重要性因子的分值均设置在0至1之间，可以确保不同的重要性因子具有一致的度量尺度。这样可以消除不同因子之间的尺度差异，并使它们可以进行比较和综合分析。标准化的分值范围可以帮助确保公平性和一致性。进一步地，可以根据实际情况调整不同因子的权重或者调整分值的分布范围。这样可以根据具体业务需求进行个性化的设置和调整，以满足不同的业务目标和策略。
[0106]
s1042：根据客户重要性影响因子计算当前客户的重要性评分b：
[0107]
b＝ε1·
b1+ε2·
b2+ε3·
b3[0108]
其中，ε1表示累积消费金额的权重，b1表示累积消费金额的分值，ε2表示咨询内容的热门程度的权重，b2表示咨询内容的热门程度的分值，ε3表示最近一次客服应答距今的时间的权重，b3表示最近一次客服应答距今的时间的分值。
[0109]
其中，重要性评分b可以将客户按照其重要性程度进行排序，从而确定哪些客户需要更优先地得到关注和服务。高重要性评分的客户可能对企业的业绩和利润贡献更大，或者有更紧急的需求，因此可以优先处理和分配资源给这些客户。s1043：根据各个客户的重要性评分b，按照客户的重要性评分b由高到低的顺序进行排队处理。
[0110]
在一种可能的实施方式中，s104还包括子步骤s1044：
[0111]
s1044：根据客户的重要性评分b与等待时间t的映射关系，向客户展示预计的等待时间t。
[0112]
可选地，重要性评分b与等待时间t可以呈反比例关系。重要性评分b越高，等待时间t越短。反之，重要性评分b越低，等待时间t越长。
[0113]
其中，向客户展示预计的等待时间t，客户可以了解到自己需要等待多长时间才能得到服务。这提供了透明度，让客户知道他们的位置和预计等待的时间段。展示预计的等待
时间可以帮助管理客户的期望。如果等待时间较长，客户可能会做好心理准备，并在等待期间采取其他行动。
[0114]
s105：在人工客服难以解决语音咨询的情况下，创建工单，并对工单内容进行隐私保护处理。
[0115]
其中，工单用于安排专业人员对语音咨询的问题进行解答。
[0116]
需要说明的是，对工单内容进行隐私保护处理可以保护客户隐私、建立客户信任、防止信息滥用和数据匿名化。
[0117]
在一种可能的实施方式中，s105具体包括子步骤s1051至s1058：
[0118]
s1051：确定当前客户服务领域的敏感特征。
[0119]
其中，敏感特征包括：个人身份信息、健康信息、医疗信息、金融信息、地理位置信息、通讯信息。
[0120]
s1052：根据敏感特征确定敏感词汇c。
[0121]
可选地，根据敏感特征建立敏感词汇库，之后根据敏感词汇库来确定敏感词汇c。
[0122]
s1053：对工单的内容文本与敏感词汇c其进行匹配。
[0123]
s1054：先匹配滑动窗口内的当前文本t的尾字符与敏感词汇c的尾字符。
[0124]
需要说明的是，在匹配过程中之所以先匹配尾字符，进而再匹配首字符，是由于对于单词来说，通常具有相同前缀或后缀的概率比较高，而单词中间部分相同的概率较小。比如overall与overflow，breakage与marriage。因此优先去匹配尾字符和首字符，相较于单纯的从前向后匹配或者从后向前匹配可以提升字符匹配的效率。
[0125]
s1055：在当前文本t的尾字符与敏感词汇c的尾字符匹配成功的情况下，匹配敏感词汇c的首字符。
[0126]
s1056：在当前文本t的首字符与匹配敏感词汇c的首字符匹配成功的情况下，从敏感词汇c的第二个字符依次匹配直至倒数第二个字符。
[0127]
s1057：在s1104至s1106的过程中，一旦出现不匹配的情况，滑动窗口以敏感词汇c的最后两个字符进行跳跃，重新进行s1103。
[0128]
需要说明的是，以最后两个字符进行跳跃，跳跃至能够匹配上最后两个字符的位置，可以大幅提升匹配效率。
[0129]
s1058：在匹配成功的情况下，对敏感词c进行隐私保护处理。
[0130]
其中，隐私保护处理包括：数据加密、匿名化、脱敏处理、删除、替换等。
[0131]
在一种可能的实施方式中，敏感词汇c包括：一级敏感词汇c1和二级敏感词汇c2，s1108具体为：
[0132]
对一级敏感词汇c1进行删除处理，对二级敏感词汇c2进行替换为符号*处理。
[0133]
其中，删除一级敏感词汇c1可以完全消除敏感信息，避免直接泄露用户的敏感内容。通过删除处理，确保敏感信息不被存储或传播，提高用户隐私保护水平。通过对敏感词汇进行替换处理，可以防止敏感信息在网络上的传播和扩散，使用符号*替换二级敏感词汇，可以模糊敏感内容。
[0134]
s106：派遣专业人员处理工单。
[0135]
需要说明的是，通过派遣专业人员一对一地处理客户咨询问题，可以提供高效、专业、个性化的服务，提升客户满意度和体验。
[0136]
与现有技术相比，本发明至少具有以下有益技术效果：
[0137]
(1)在本发明中，通过语音识别模型，根据语音咨询的声学特征和语言特征对语音咨询进行识别，相较于单一的依据声学特征，大幅提升了语音识别的准确性。
[0138]
(2)在本发明中，通过最近邻查询算法搜索与语音咨询最相关的回复数据，机器人根据回复数据自动化地回复客户，提升了客服机器人在挑选咨询问题的回答语料时的对应性和准确性，提升了解决客户咨询问题的效率。
[0139]
(3)在本发明中，在机器人难以解决语音咨询的情况下，通过高峰期智能排队算法转人工客服，避免了在咨询高峰期的拥堵问题，对客户的紧急性问题优先处理，提升了客服服务效率和质量，避免给客户带来不必要的损失。
[0140]
(4)在本发明中，对工单内容进行隐私保护处理，保护了客户的隐私，避免了个人信息泄露。
[0141]
实施例2
[0142]
在一个实施例中，本发明提供的一种智能客户服务系统，用于执行实施例1中的任一项智能客户服务方法。
[0143]
本发明提供的一种智能客户服务系统可以实现上述实施例1中的任一项智能客户服务方法的步骤和效果，为避免重复，本发明不再赘述。
[0144]
与现有技术相比，本发明至少具有以下有益技术效果：
[0145]
(1)在本发明中，通过语音识别模型，根据语音咨询的声学特征和语言特征对语音咨询进行识别，相较于单一的依据声学特征，大幅提升了语音识别的准确性。
[0146]
(2)在本发明中，通过最近邻查询算法搜索与语音咨询最相关的回复数据，机器人根据回复数据自动化地回复客户，提升了客服机器人在挑选咨询问题的回答语料时的对应性和准确性，提升了解决客户咨询问题的效率。
[0147]
(3)在本发明中，在机器人难以解决语音咨询的情况下，通过高峰期智能排队算法转人工客服，避免了在咨询高峰期的拥堵问题，对客户的紧急性问题优先处理，提升了客服服务效率和质量，避免给客户带来不必要的损失。
[0148]
(4)在本发明中，对工单内容进行隐私保护处理，保护了客户的隐私，避免了个人信息泄露。
[0149]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0150]
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种智能客户服务方法，其特征在于，包括：s101：接收客户的语音咨询；s102：通过语音识别模型，根据所述语音咨询的声学特征和语言特征对所述语音咨询进行识别；s103：通过最近邻查询算法搜索与所述语音咨询最相关的回复数据，机器人根据所述回复数据自动化地回复客户；s104：在机器人难以解决所述语音咨询的情况下，通过高峰期智能排队算法转人工客服；s105：在人工客服难以解决所述语音咨询的情况下，创建工单，并对工单内容进行隐私保护处理；s106：派遣专业人员处理所述工单。2.根据权利要求1所述的智能客户服务方法，其特征在于，所述s101具体为：通过以下至少一种方式接收客户的语音咨询：接听客户的咨询电话；通过应用程序接收客户的语音咨询。3.根据权利要求1所述的智能客户服务方法，其特征在于，所述语音识别模型包括声学模型和语言模型，所述s102具体包括：s1021：通过输入门i、遗忘门s和输出门h构建所述声学模型，其中，所述输入门i用于控制输入到所述声学模型中的信息量，所述遗忘门s用于控制所述声学模形保留的信息量，所述输出门h用于控制所述声学模型输出的信息量；s1022：逐帧提取语音咨询信号的声学特征；s1023：向所述声学模型中输入声学特征向量x
t
；s1024：根据以下公式输出在所述声学特征向量下的后验概率p
t
：i
t
＝sigmoid(α
i
·
x
t
+β
i
·
r
t-1
+γ
i
·
c
t-1
+b
i
)s
t
＝sigmoid(α
s
·
x
t
+β
s
·
r
t-1
+γ
s
·
c
t-1
+b
s
)g
t
＝tanh(α
g
·
x
t
+β
g
·
r
t-1
+b
g
)h
t
＝sigmoid(α
h
·
x
t
+β
h
·
r
t-1
+γ
h
·
c
t-1
+b
h
)))p
t
＝h
t
其中，sigmoid()表示曲线函数，r表示所述声学模型输出的信息，c表示所述声学模型对历史的记忆信息，g表示对激励信号的运算，m表示输出经过所述遗忘门后的信息，b表示偏置，α表示输入的信息的权重，β表示输出的信息的权重，λ表示历史的记忆信息的权重，η表示遗忘权重；s1025：通过贝叶斯算法将后验概率p(y
i
|x
t
)转化为似然概率p(x
t
|y
i
)：
其中，p(y
i
)表示先验概率，可通过预先统计数据得到，t
yi
表示数据中属于状态y
i
的帧数，t表示数据总帧数；s1026：通过似然概率p(x
t
|y
i
)并结合所述语言模型，通过以上公式将概率最大的文本序列作为所述语音识别模型的识别结果，并输出所述识别结果：其中，o表示经过特征提取的声学特征序列，p(o)表示某一特征序列出现的概率，对于已经确定的输入p(o)＝1，a表示与特征序列对应的文本序列，p(o|a)表示似然概率，p(a)为某一文本序列出现的概率，μ1表示所述语言模型在所述语音识别模型中的权重，μ2表示所述声学模型在所述语音识别模型中的权重。4.根据权利要求1所述的智能客户服务方法，其特征在于，所述s103具体包括：s1031：将回复数据库按照预设的颗粒度划分为多个网格单元，将处于所述网格单元中的回复数据插入到四叉树中；s1032：将语音咨询信号的识别结果作为请求点，在所述网格单元中进行查询；s1033：初始化优先级队列；s1034：获取队头元素，在队头元素为叶节点的情况下，将叶节点作为候选叶节点，并将叶节点的网格单元id存储到链表中；在队头元素为中间节点的情况下，分别计算中间节点的四个子节点和请求点之间的保存路径长度的最小值，并按照保存路径长度的最小值将四个子节点放入到优先级队列中，重复上述处理，直至队头元素为叶节点；s1035：计算查询到的候选叶节点上的移动对象与所述请求点之间的欧式距离；s1036：按照欧式距离有小到大的顺序，将各个移动对象存储到链表中；s1037：计算链表的表头元素与所述请求点之间的保存路径长度的最小值d1，计算优先级队列的队头元素与所述请求点之间的保存路径长度的最小值d2，在d1＜d2的情况下，将表头元素作为最近的相邻对象进行输出；在d1≥d2的情况下，重复s1034；s1038：机器人根据最近的相邻对象对应的回复数据，对客户进行自动化回复。5.根据权利要求1所述的智能客户服务方法，其特征在于，所述s104具体包括：s1041：构建客户重要性影响因子，所述客户重要性影响因子包括：客户的累积消费金额、咨询内容的热门程度和最近一次客服应答距今的时间，所述重要性因子的分值均为0至1；s1042：根据所述客户重要性影响因子计算当前客户的重要性评分b：b＝ε1·
b1+ε2·
b2+ε3·
b3其中，ε1表示累积消费金额的权重，b1表示累积消费金额的分值，ε2表示咨询内容的热
门程度的权重，b2表示咨询内容的热门程度的分值，ε3表示最近一次客服应答距今的时间的权重，b3表示最近一次客服应答距今的时间的分值；s1043：根据各个客户的重要性评分b，按照客户的重要性评分b由高到低的顺序进行排队处理。6.根据权利要求5所述的智能客户服务方法，其特征在于，所述s104还包括：s1044：根据客户的重要性评分b与等待时间t的映射关系，向客户展示预计的等待时间t。7.根据权利要求1所述的智能客户服务方法，其特征在于，所述s105具体包括：s1051：确定当前客户服务领域的敏感特征；s1052：根据所述敏感特征确定敏感词汇c；s1053：对所述工单的内容文本与所述敏感词汇c其进行匹配；s1054：先匹配滑动窗口内的当前文本t的尾字符与所述敏感词汇c的尾字符；s1055：在所述当前文本t的尾字符与所述敏感词汇c的尾字符匹配成功的情况下，匹配所述敏感词汇c的首字符；s1056：在所述当前文本t的首字符与所述匹配敏感词汇c的首字符匹配成功的情况下，从所述敏感词汇c的第二个字符依次匹配直至倒数第二个字符；s1057：在s1104至s1106的过程中，一旦出现不匹配的情况，所述滑动窗口以所述敏感词汇c的最后两个字符进行跳跃，重新进行s1103；s1058：在匹配成功的情况下，对所述敏感词c进行隐私保护处理。8.根据权利要求7所述的智能客户服务方法，其特征在于，所述敏感特征包括：个人身份信息、健康信息、医疗信息、金融信息、地理位置信息、通讯信息。9.根据权利要求7所述的智能客户服务方法，其特征在于，所述敏感词汇c包括：一级敏感词汇c1和二级敏感词汇c2，所述s1108具体为：对所述一级敏感词汇c1进行删除处理，对所述二级敏感词汇c2进行替换为符号*处理。10.一种智能客户服务系统，其特征在于，用于执行权利要求1至9中任一项所述的智能客户服务方法。

技术总结
本发明公开了一种智能客户服务方法和系统，属于数据处理技术领域，方法包括：接收客户的语音咨询；通过语音识别模型，根据语音咨询的声学特征和语言特征对语音咨询进行识别；通过最近邻查询算法搜索与语音咨询最相关的回复数据，机器人根据回复数据自动化地回复客户；在机器人难以解决语音咨询的情况下，通过高峰期智能排队算法转人工客服；在人工客服难以解决语音咨询的情况下，创建工单，并对工单内容进行隐私保护处理；派遣专业人员处理工单。在本发明中，通过语音识别模型，根据语音咨询的声学特征和语言特征对语音咨询进行识别，相较于单一的依据声学特征，大幅提升了语音识别的准确性。别的准确性。别的准确性。


技术研发人员：李伟 杨姣 房静静 江萌 谌秋实 许冠洲 牛士玮 孙冬芹 王文萍 赵珣 于洋 王静晓
受保护的技术使用者：中国人民解放军61623部队
技术研发日：2023.05.25
技术公布日：2023/9/6