本发明实施例涉及人工智能技术领域，尤其涉及一种客服的智能化辅助方法、装置、服务器和存储介质。
背景技术
随着网络以及通信技术的快速发展，电话已成为客服或营销领域中主要的通讯方式之一。目前，几乎各行各业的许多公司都会配备一直数量庞大的电话客服团队，以解决售前咨询、售后服务以及产品销售等问题。因此如何提高客服与客户的有效沟通在当下尤为重要。
在现有的客服领域中，客服人员入职后，会接受一次集体性质的员工培训，以人工培训的方式教会新员工，作为客服应该如何与客户进行沟通，如何专业性地为客户进行疑问的解答，以及如何合理地向客户推荐相关产品等。进而客服人员在进入工作高位后，凭借着培训的记忆以及对公司产品了解的情况，与客户进行电话沟通，为客户提供服务。
然而，客服电话中的沟通内容无法预测，工作场景复杂，知识迭代速度快，对于客服人员的培训成本较高，对客服人员个人的学习能力和反应能力要求较高。且当客服面临个人能力之外的沟通场景时，无法及时地为客户提供满意的服务，降低了客户的满意度。
技术实现要素：
本发明实施例提供了一种客服的智能化辅助方法、装置、服务器和存储介质，能够为客服提供符合当前沟通特征的辅助信息。
第一方面，本发明实施例提供了一种客服的智能化辅助方法，包括：
分别确定客服与客户之间沟通的各语句内容的语句特征向量；
依据各语句特征向量确定本次沟通特征，其中本次沟通特征包括本次沟通场景、本次沟通主题和本次沟通要点；
依据本次沟通特征确定本次沟通辅助信息。
第二方面，本发明实施例提供了一种客服的智能化辅助装置，包括：
语句特征向量确定模块，用于分别确定客服与客户之间沟通的各语句内容的语句特征向量；
本次沟通特征确定模块，用于依据各语句特征向量确定本次沟通特征，其中本次沟通特征包括本次沟通场景、本次沟通主题和本次沟通要点；
辅助信息确定模块，用于依据本次沟通特征确定本次沟通辅助信息。
第三方面，本发明实施例提供了一种服务器，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的客服的智能化辅助方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的客服的智能化辅助方法。
本发明实施例通过确定沟通过程中多个语句内容的语句特征向量，根据语句特征向量识别本次沟通的场景、主题或要点特征，从而依据确定的特征获取与该特征关联的辅助信息。本发明实施例通过对客服与客户当前沟通的多个语句内容进行分析，实现了在客服沟通过程中为客服匹配并提供符合当前沟通特征的辅助信息，针对不同场景自动化地给出个性化解决方案，提升客服沟通效能和客户满意度，降低对客服人员的培训成本。
附图说明
图1为本发明实施例一提供的一种客服的智能化辅助方法的流程图；
图2为本发明实施例二提供的一种客服的智能化辅助方法的流程图；
图3为本发明实施例二提供的确定语句内容的相似度向量的示例图；
图4为本发明实施例二提供的确定语句特征向量的示例图；
图5为本发明实施例二提供的确定本次沟通话术卡片的示例图；
图6为本发明实施例二提供的客服的智能化辅助方法的结构框图；
图7为本发明实施例三提供的一种客服的智能化辅助装置的结构示意图；
图8为本发明实施例四提供的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种客服的智能化辅助方法的流程图，本实施例可适用于客服与客户进行电话沟通来为客户提供服务的情况，其中，客服为客户服务(customerservice)的简称，主要体现了一种以客户为导向的价值观，它整合及管理在预先设定的最优成本，也即服务组合中的客户界面的所有要素。客服的沟通效能和服务质量直接影响客户的稳定性和满意度。该方法可由一种客服的智能化辅助装置来执行。该方法具体包括如下步骤：
s110、分别确定客服与客户之间沟通的各语句内容的语句特征向量。
在本发明具体实施例中，客服与客户之间可以通过电话等方式进行语音沟通，且语音沟通内容通常涉及至少一个场景下的至少一个主题，而每个主题下也可以细分为不同的要点。例如，信息修改场景下可以包括网址修改主题，网址修改主题下可以包括材料审核要点、处理周期要点以及相关特殊情况要点等。相应的，语句特征向量用于以数值化的形式表示的对应语句的特征，通过对语句特征向量的识别或分类，即可确定各语句内容所表达的场景、主题或要点。
在进行语句特征向量确定之前，本实施例首先对用于确定语句特征向量的基准词袋进行确定。具体的，对客服与客户沟通过程中的历史对话数据进行采集，并转换为对应历史对话文本，通过对大量的或一定数量的历史对话文本进行分析，对历史对话文本进行切词、纠错以及商业术语合并处理，以确定历史对话文本中所包含的有效词语。可以理解的是，客服与客户之间的沟通内容通常围绕相关的业务需求，进而历史对话文本中的有效词语数量是有限的，且各有效词语之间存在内容上相似的关系。因此，将有效词语进行有序的排列，组成词袋中的基本词语。并对各有效词语之间进行相似度计算，从而针对各个有效词语，将该有效词语下的与其相似度最高的前一定数量的词语及其相似度值组成词对，并记录在该有效词语下，以完善词袋中基本词语间的相似度关系。
示例性的，假设对50个历史对话数据进行处理，获得包含500个基本词语的词袋，以数组形式进行保存，例如[dword1,dword2,…,dword499,dword500]。对500个基本词语之间进行相似度计算，从而针对各个基本词语，将该基本词语下的与其相似度最高的前100个词语及其相似度值组成词对，并记录在该基本词语下。例如，dword1{[dwordi,simi],[dwordj,simj],…,[dwordn,simn]}，其中共包括100个词对。进而词袋中包含客服与客户沟通中会涉及到的基本词语以及词语间相似度关联的词对。
具体的，在进行语句特征向量确定时，本实施例首先可以根据该语句内容中的每一词语，通过查询词袋中的词语和词对，根据对应词对中的相似度数值，将位于词袋中每一维度处词语与该语句内容中的每一词语之间的最大相似度作为该语句内容的相似度向量在该维度上的取值，以得到该语句内容的相似度向量。可以理解的是，相似度向量中各相似度值与词袋中排列的基本词语一一对应。对于该语句内容中的词语，若词袋的词对中不存在该词语，则可以将该词语与词袋中该维度的词语的相似度值取0，或者重新计算该词语与词袋中该维度的词语的相似度，以便进行后续最大相似度的确定，从而确定沟通的每一语句内容的相似度向量。
示例性的，在上述示例中，对于客服与客户之间沟通的一句语音数据，将其转换为语句文本，通过对该语句文本进行切词、纠错以及商业术语合并处理，得到该语句内容的有效词语，例如包含10个有效词语为[w1,w2,…,w9,w10]。进而将该10个词语依次与词袋中第一个词语dword1计算相似度值。其中，若词袋中dword1的词对中包含该语句内容待比较的词语wi，则直接获取wi对应的相似度值simi即可；若词袋中dword1的词对中不包含wi，则wi与dword1的相似度值取0，或直接计算wi与dword1的相似度。最终，根据w1至w10分别与dword1的相似度值，选择相似度最大的数值作为该语句内容的相似度向量在第一维度上的取值。以此类推，将该10个词语依次与词袋中的每一个词语计算相似度，直到获得该语句内容的相似度向量sn＝[s1,s2,…,s499,s500]。
其次，根据历史对话文本与词袋中各词语的关系，确定词袋中各词语的逆文本频率指数。将词袋的逆文本频率指数向量与上述相似度向量之间的乘积，作为该语句内容的初始向量。从而依据同样的方法，针对客服与客户之间沟通的每一语句内容，分别确定该语句内容以及该语句内容的至少一个前文语句内容的初始向量。
示例性的，在上述示例中，假设词袋的逆文本频率(inversedocumentfrequency，idf)指数向量idf＝[idf1,idf2,…,idf499,idf500]，进而将逆文本频率指数向量idf与该语句内容的相似度向量sn相乘，得到该语句内容的初始向量org＝[org1,org2,…,org499,org500]。同样可以得到至少一个前文语句内容的初始向量org_1pre＝[org_1pre1,org_1pre2,…,org_1pre499,org_1pre500]。
进一步的，依据至少一个前文语句内容的初始向量，确定前文初始向量。具体的，将各前文语句内容的各初始向量在每一维度上的最大值作为前文初始向量中的该维度的取值，以得到前文初始向量。
示例性的，在上述示例中，假设得到该语句内容的初始向量org，以及该语句的三个前文语句的初始向量org_1pre、org_2pre以及org_3pre。则针对三个前文语句的初始向量中的每一维度，选择三个向量中在该维度上取值最大的那个值，作为前文初始向量在该维度上的取值。假设三个前文语句的初始向量在第一维度上的取值分别为org_1pre1＝2、org_2pre1＝7和org_3pre1＝6，则选择最大值7作为前文初始向量在第一维度上的取值。以此类推，直到得到前文初始向量pre＝[p1,p2,…,p499,p500]＝[org_2pre1,org_ipre2,…,org_jpre499,org_npre500]。
最终，本实施例将该语句内容的初始向量和前文初始向量进行拼接，得到该语句内容的语句特征向量。示例性的，在上述示例中，将前文初始向量pre与该语句内容的初始向量org进行拼接，得到该语句内容的语句特征向量为fea＝[p1,p2,…,p499,p500,org1,org2,…,org499,org500]。
s120、依据各语句特征向量确定本次沟通特征。
在本发明具体实施例中，通过采集一定时间或一定数量的沟通语音数据，可以结合该时间内或该沟通数量内各语句内容的语句特征，确定本次沟通特征。也就是说，本次沟通特征是指基于人工智能确定的一定时间范围内或一定数量的语句内容所综合表达的沟通目的。进而本次沟通特征包括本次沟通场景、本次沟通主题和本次沟通要点。
具体的，可以采用机器学习模型，例如基于xgboost识别算法等，对各语句内容的语句特征向量进行识别或分类。针对每一语句内容的语句特征向量，通过对各语句内容的语句特征向量进行识别，可以确定该语句特征向量关联的一个语句沟通特征，其中语句沟通特征是沟通场景、沟通主题或沟通要点。从而依据不同语句特征向量所关联的语句沟通特征之间的关联关系，确定本次沟通特征，综合确定当前沟通下的场景、主题和要点。
示例性的，假设通过对沟通语音数据的采集，获得3个语句内容，其中一个语句内容可以获得一个特征识别结果。假设第一个语句内容的语句沟通特征为信息修改场景，第二个语句内容的语句沟通特征为网址修改主题，第3个语句内容的语句沟通特征为处理时间要点。最终可以综合获得本次沟通特征为信息修改场景、网址修改主题以及处理时间要点。
s130、依据本次沟通特征确定本次沟通辅助信息。
在本发明具体实施例中，本次沟通辅助信息是指依据本次沟通特征所确定的用于提示客服顺利进行沟通的话术或知识点。为了提高辅助信息的获取效率和准确度，本实施例可以对获得的本次沟通特征进行过滤和去重。相应的，本实施例可以预先构建各场景、主题和要点的关联关系，以及各特征下所对应的话术或知识点所组成的备用库，以备辅助信息的有效匹配和调用。
示例性的，在上述示例中，依据本次沟通特征的信息修改场景、网址修改主题以及处理时间要点，从备用库中匹配得到本次沟通特征对应的本次沟通辅助信息，并以卡片的形式弹出在客服的显示屏上，以提示客服对于网址修改需要3-5个工作日的处理时间。
值得注意的是，上述的具体数值只是对具体实施例的举例说明，便于对方案的解释和理解，而非局限于上述数值的取值，可以根据实际应用而设置具体数值。
本实施例的技术方案，通过确定沟通过程中多个语句内容的语句特征向量，根据语句特征向量识别本次沟通的场景、主题或要点特征，从而依据确定的特征获取与该特征关联的辅助信息。本发明实施例通过对客服与客户当前沟通的多个语句内容进行分析，实现了在客服沟通过程中为客服匹配并提供符合当前沟通特征的辅助信息，针对不同场景自动化地给出个性化解决方案，提升客服沟通效能和客户满意度，降低对客服人员的培训成本。
实施例二
本实施例在上述实施例一的基础上，提供了客服的智能化辅助方法的一个优选实施方式，能够根据词袋确定语句内容的语句特征向量。图2为本发明实施例二提供的一种客服的智能化辅助方法的流程图，如图2所示，该方法包括以下具体步骤：
s210、针对客服与客户之间沟通的每一语句内容，分别确定该语句内容以及该语句内容的至少一个前文语句内容的初始向量。
在本发明具体实施例中，初始向量是指沟通中单一语句内容所对应的经数值化处理后的向量。本实施例以词袋为基准，依据语句内容中的各词语与词袋中各词语的相似度，以及词袋中各词语的逆文本频率指数，确定每一语句内容的初始向量，该初始向量与词袋完全对应。
可选的，将位于词袋中每一维度处词语与该语句内容中的每一词语之间的最大相似度作为该语句内容的相似度向量在该维度上的取值，以得到该语句内容的相似度向量；将词袋的逆文本频率指数向量与相似度向量之间的乘积，作为该语句内容的初始向量。
在本发明具体实施例中，语句内容的相似度向量是以词袋为基准，通过获得语句内容的每个词语与词袋该维度上的词语的相似度，选择相似度最大的数值作为该语句内容的相似度向量在该维度上的取值。
示例性的，图3为确定语句内容的相似度向量的示例图。假设对50个历史对话数据进行处理，获得包含500个基本词语的词袋[dword1,dword2,…,dword499,dword500]。记录该基本词语下的与其相似度最高的前100个词语及其相似度值组成词对dword1{[dwordi,simi],[dwordj,simj],…,[dwordn,simn]}。对于客服与客户之间沟通的一句语音数据，将其转换为语句文本，通过对该语句文本进行切词、纠错以及商业术语合并处理，得到该语句内容包含的10个有效词语[w1,w2,…,w9,w10]。进而针对词袋中的每一维度上的词语dword，以第一维度的dword1为例，依据该语句内容的每一词语查找dword1对应的词对，根据该语句内容的每一词语与dword1的相似度，取相似度最大值作为该维度的相似度数值。以此类推，获得该语句内容的相似度向量sn。
本实施例中，词袋中各词语的逆文本频率指数可以根据如下公式获得：
其中，idf(dwordn)表示词语dwordn的逆文本频率,语料库中文本总数是指用于获得词袋的历史对话文本数量，log(*)为取对数运算。进而根据历史对话文本与词袋中各词语的关系，可以确定词袋的逆文本频率指数向量idf，从而确定该语句内容的初始向量为sn*idf。
s220、依据至少一个前文语句内容的初始向量，确定前文初始向量；
在本发明具体实施例中，依据同样的方法，通过相似度向量的确定、逆文本频率指数向量的确定以及两个向量的乘积，获取该语句内容之前的至少一个前文语句内容的初始向量。从而依据至少一个前文语句内容的初始向量，综合确定前文初始向量。
可选的，将各前文语句内容的各初始向量在每一维度上的最大值作为前文初始向量中的该维度的取值，以得到前文初始向量。
在本发明具体实施例中，每一前文语句内容都有对应的初始向量，且各初始向量都是与词袋完全对应的，各初始向量同一维度上的数值对应了词袋中的同一基本词语。因此，对于将要结合的前文语句内容，选择各全文语句内容的初始向量在每一维度上的最大值，作为综合确定的前文初始向量在该维度上的取值。以此类推，获得至少一个前文语句内容对应的前文初始向量。
示例性的，若规定依据当前语句内容之前的三个前文语句内容获得该语句内容的语句特征向量，则假设三个前文语句内容的初始向量分别为[2,9,5,1,23,…,11,0,7]、[7,3,4,81,1,…,10,8,9]以及[6,11,1,6,7,…,4,2,15]。则通过比较每个初始向量在同一维度上的数值，取最大值作为前文初始向量在该维度上的取值，可以得到前文初始向量为[7,11,5,81,23,…,11,8,15]。
s230、拼接该语句内容的初始向量和前文初始向量，得到该语句内容的语句特征向量。
在本发明具体实施例中，为了提高当前语句内容所表达含义的识别准确度，本实施例基于沟通内容上下文之间的连续性和内容的一致性，将该语句内容的初始向量和前文初始向量进行拼接，得到该语句内容的语句特征向量。
示例性的，在上述示例中，假设当前语句内容的初始向量为[7,3,9,12,1,…,8,5,34]，则可以获得该语句内容的初始向量和前文初始向量拼接后的该语句内容的语句特征向量为[7,11,5,81,23,…,11,8,15,7,3,9,12,1,…,8,5,34]。图4为确定语句特征向量的示例图。
s240、针对每一语句特征向量，确定该语句特征向量关联的语句沟通特征。
在本发明具体实施例中，语句沟通特征是指与通过对该语句内容的语句特征向量确定的该语句内容所要表达的含义。其中，语句沟通特征是沟通场景、沟通主题或沟通要点。
具体的，可以采用机器学习模型，例如基于xgboost识别算法等，对每一语句内容的语句特征向量进行识别或分类，从而确定该语句特征向量关联的语句沟通特征，明确该语句特征向量所应用的场景，例如续费场景或者发票场景等，或者确定场景下的沟通主题，例如业务效果等，获取确定具体的沟通要点，例如某些业务的具体细节信息等。
s250、依据不同语句特征向量所关联的语句沟通特征之间的关联关系，确定本次沟通特征。
在本发明具体实施例中，一个沟通场景下可以包含多个沟通主题，而每个沟通主题下可以包含多个沟通要点。也就是说，沟通场景、沟通主题和沟通要素之间存在着关联关系。因此，基于上下文之间的关联关系，以及同语句特征向量所关联的语句沟通特征之间的关联关系，综合明确了本次沟通的沟通特征。
示例性的，在上述示例中，假设当前语句特征向量关联的语句沟通特征为处理时间要点，前文中的两个前文语句内容的语句特征向量关联的语句沟通特征分别为信息修改场景和网址修改主题，则可以确定本次沟通特征为信息修改场景、网址修改主题以及处理时间要点。
s260、依据本次沟通特征确定本次沟通话术或本次沟通知识点。
在本发明具体实施例中，可以对获得的本次沟通特征进行过滤和去重处理，从而依据本次沟通特征，从预先建立的备用库中匹配并调用出本次沟通话术或本次沟通知识点，并以卡片的形式弹出在客服的显示屏上。
示例性的，在上述示例中，依据本次沟通特征确定本次沟通话术卡片如图5所示。其中的提示内容是根据场景、主题和要点之间的层次关系一步一步匹配并调用出来的。至此，在当前场景的当前主题下，客服可以依据话术卡片顺利的为客户提供相关的服务，提高了客服沟通效能和准确度。
综上所述，本实施例中的客服的智能化辅助方法的结构框图如图6所示。本实施例在经过语音文本翻译以及语音文本预处理后，通过将语音文本转换为语句特征向量，基于上下文语句内容的语句特征向量，进行场景、主题和要点的识别。从而在客服的前端展示包含对应话术的卡片。
本实施例的技术方案，在标准词袋的基础上，依据对话语音中的词语与词袋中各词语的相似度，以及词袋的逆文本频率指数向量，将对话语音数值化；并结合沟通语句上下文，综合得到数值化后的语句沟通特征。从而根据综合数值化后的语句沟通特征识别出本次沟通场景、沟通主题和沟通要点。依据本次沟通特征为客服提供包含对应的话术或知识点卡盘。本发明实施例通过对语句特征的数值化，降低了沟通特征识别的复杂度，提高了沟通特征的识别准确度和效率，从而提升客服沟通效能和客户认同度。
实施例三
图7为本发明实施例三提供的一种客服的智能化辅助装置的结构示意图，本实施例可适用于客服与客户进行电话沟通来为客户提供服务的情况，该装置可实现本发明任意实施例所述的客服的智能化辅助方法。该装置具体包括：
语句特征向量确定模块710，用于分别确定客服与客户之间沟通的各语句内容的语句特征向量；
本次沟通特征确定模块720，用于依据各语句特征向量确定本次沟通特征，其中本次沟通特征包括本次沟通场景、本次沟通主题和本次沟通要点；
辅助信息确定模块730，用于依据本次沟通特征确定本次沟通辅助信息。
可选的，所述语句特征向量确定模块710，包括：
初始向量确定单元7101，用于针对客服与客户之间沟通的每一语句内容，分别确定该语句内容以及该语句内容的至少一个前文语句内容的初始向量；
前文初始向量确定单元7102，用于依据所述至少一个前文语句内容的初始向量，确定前文初始向量；
语句特征向量确定单元7103，用于拼接该语句内容的初始向量和所述前文初始向量，得到该语句内容的语句特征向量。
可选的，所述初始向量确定单元7101，包括：
相似度向量确定子单元，用于将位于词袋中每一维度处词语与该语句内容中的每一词语之间的最大相似度作为该语句内容的相似度向量在该维度上的取值，以得到该语句内容的相似度向量；
初始向量确定子单元，用于将词袋的逆文本频率指数向量与所述相似度向量之间的乘积，作为该语句内容的初始向量。
可选的，所述前文初始向量确定单元7102具体用于：
将各前文语句内容的各初始向量在每一维度上的最大值作为前文初始向量中的该维度的取值，以得到前文初始向量。
可选的，所述本次沟通特征确定模块720，包括：
语句沟通特征确定单元7201，用于针对每一语句特征向量，确定该语句特征向量关联的语句沟通特征，其中语句沟通特征是沟通场景、沟通主题或沟通要点；
本次沟通特征确定单元7202，用于依据不同语句特征向量所关联的语句沟通特征之间的关联关系，确定本次沟通特征。
可选的，所述辅助信息确定模块730具体用于：
依据本次沟通特征确定本次沟通话术或本次沟通知识点。
进一步的，所述装置还包括：
信息展示模块740，用于将所述本次沟通辅助信息进行展示。
本实施例的技术方案，通过各个功能模块之间的相互配合，实现了会话语音数据的采集、会话语音数据的预处理、初始向量的确定、前文初始向量的确定、语句特征向量的确定、语句沟通特征的识别、本次沟通特征的确定、辅助信息的获取以及展示等功能。本发明实施例通过对客服与客户当前沟通的多个语句内容进行分析，实现了在客服沟通过程中为客服匹配并提供符合当前沟通特征的辅助信息，通过对语句特征的数值化，降低了沟通特征识别的复杂度，提高了沟通特征的识别准确度和效率，从而提升客服沟通效能和客户认同度，降低对客服人员的培训成本。
实施例四
图8为本发明实施例四提供的一种服务器的结构示意图，图8示出了适于用来实现本发明实施例实施方式的示例性服务器的框图。图8显示的服务器仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
图8显示的服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，服务器12以通用计算设备的形式表现。服务器12的组件可以包括但不限于：一个或者多个处理器16，系统存储器28，连接不同系统组件(包括系统存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明实施例各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明实施例所描述的实施例中的功能和/或方法。
服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该服务器12交互的设备通信，和/或与使得该服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的客服的智能化辅助方法。
实施例五
本发明实施例五还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时用于执行一种客服的智能化辅助方法，该方法包括：
分别确定客服与客户之间沟通的各语句内容的语句特征向量；
依据各语句特征向量确定本次沟通特征，其中本次沟通特征包括本次沟通场景、本次沟通主题和本次沟通要点；
依据本次沟通特征确定本次沟通辅助信息。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明实施例进行了较为详细的说明，但是本发明实施例不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。