一种基于大模型的智能坐席文本处理方法与流程

本发明属于文本处理，具体涉及一种基于大模型的智能坐席文本处理方法。

背景技术：

1、随着互联网的普及和人们生活水平的提高，客户服务的需求日益增长。传统的客服解决方案往往依赖于人工干预，效率低下且容易受到客服人员个人能力、经验和情绪的影响。传统坐席客服，客服工作压力较大，无法根据客服工作强度合理分配任务；难以及时发现恶意提问，浪费服务时间；难以判断客服工作能力和专业领域，不能根据客服领域针对性解决问题；提问不能分析提问难度，不能根据问题紧急度分配客服；同时，面对客户提问，往往是先分配人工客服，客服人工判断客户提问方向，再联系对应区域客服人员，效率较低。

技术实现思路

1、为解决现有技术中存在的上述问题，本发明提供了一种基于大模型的智能坐席文本处理方法，通过分析用户问题以及客服条件选择适合处理用户问题的客服，提高了客户服务的效率以及满意度。

2、本发明的目的可以通过以下技术方案实现：

3、一种基于大模型的智能坐席文本处理方法，包括以下步骤：

4、s1、使用大语言模型chatglm，对用户提问的问题进行分解，判断客户问题的属性、分析用户提问的情感色彩、识别用户提问的意图和信息需求，标注问题中的关键词；

5、s2、根据问题属性，获取问题类型和复杂度评估值，综合问题类型、紧急程度、专业词汇量和专业问题属性，确定问题的复杂度；其中，问题类型包括专业售后问题、技术支持问题和复杂关系问题；

6、s3、根据问题的类型，获取用户提问的领域信息，判断是否是恶意客户的问题攻击和恶意引导，如果不是恶意错误引导，通过与专业领域知识库进行比对，确定问题的专业领域；

7、s4、获取坐席智能客服专业领域，将问题的专业领域与坐席智能客服的专业领域进行比对，得到领域匹配度评估值；

8、s5、根据领域匹配度评估值以及客服繁忙度，将任务分配给合适的客服；

9、s6、分配任务后，根据客服的历史表现、培训记录和用户评价数据，判断客服的能力是否符合任务需求；

10、s7、根据问题复杂度对任务进行分解，得到更适合客服知识领域的多个子问题；

11、s8、根据子问题的紧急程度和重要性，确定任务的优先级进行处理，得到最终解决方案。

12、进一步地，所述步骤s1中，问题的属性包括帮助、建议和投诉；其中，分析用户提问的情感色彩采用lstm模型。

13、进一步地，所述步骤s2中，问题类型的判定包括：

14、若问题包括产品型号、购买日期和保修状态属性，则判断为专业售后问题；若问题包括操作系统、软件版本、设备型号和网络环境属性，则判断为技术支持问题；若问题包括人员身份、工作职责和团队组织结构属性，则判断为复杂关系问题。

15、进一步地，所述步骤s2中，复杂度评估值的确定具体包括以下步骤：

16、根据问题描述和历史记录，判断是否存在短时间内大量相同问题，如果存在，记录相同问题的数量和频率，提问数高于预设数量值判断为紧急问题，如果是紧急问题，记录问题的紧急程度和需要的解决时间；

17、通过问题描述和相关文档，确定问题中是否涉及大量专业术语和领域特定的知识，根据问题中涉及的专业词汇量、问题描述和相关知识，判断问题是否属于专业问题，如果是专业问题，记录问题的专业性和需要的专业技术人员参与程度。

18、进一步地，所述步骤s3，具体包括以下步骤：

19、使用tf-idf文本分类算法，获得问题具体类别和用户提问领域信息；使用dfa算法对敏感词进行检测，判断问题内容中是否包含恶意信息或引导性关键词，若检测到恶意信息或引导性关键词，则标记为恶意行为；使用倒排索引的信息检索，从领域知识库中获取与问题相关的专业领域内容；采用余弦相似度计算问题与知识库内容的匹配度；使用tf-idf文本分类算法配合向量机，对问题进行标注并与领域知识库中的数据标签进行比对；根据领域知识库中的数据标签比对结果，使用阈值判断方法确定问题是否在某一专业领域内；将问题与知识库内容进行比对，筛选出最匹配的答案，并返回给用户；

20、具体的，判断问题内容中是否包含恶意引导采用朴素贝叶斯结合adaboost算法分析问题的情感，使用训练好的朴素贝叶斯分类器和adaboost分类器，对待分析的问题进行情感分类，通过比较问题的情感类别和恶意引导相关属性的特征匹配程度，得出问题的情感类别和是否包含恶意引导的判断结果；

21、具体的，确定问题的专业领域采用bert模型，将问题文本输入到训练好的模型中，获取bert的分类结果，将新的问题文本与知识库中的每个条目进行语义匹配，将问题文本和知识库条目输入到bert模型中，获取bert的输出表示，然后使用余弦相似度计算问题文本与知识库条目的相似度，并选取相似度最高的条目作为匹配结果。

22、进一步地，所述步骤s4中，获取坐席智能客服专业领域的步骤包括：

23、通过记录坐席客服对客户问题的处理记录，获取坐席客服处理销售问题、售后问题和技术支持问题的数量；根据产品或服务质量评价、交付准时率、售后服务质量评价、客户反馈和投诉处理情况属性，综合评估客户满意度；通过坐席客服在处理销售问题、售后问题和技术支持方面的表现，包括处理复杂问题能力、响应速度、沟通技巧，判断坐席客服处理能力；根据坐席客服处理数量，客户满意度和处理能力判断其专业领域；

24、获取领域匹配度评估值的步骤包括：

25、获取问题描述中的关键词和语义，通过分析问题描述中的关键词和语义，初步判断问题所涉及的专业领域；构建坐席智能客服的知识库，包含各个专业领域的相关知识和解决方案；使用向量空间模型匹配算法，将问题与知识库中的数据进行匹配，得到匹配结果，根据匹配结果将问题分配到相应的专业领域；根据各个专业领域的相关信息和专业坐席客服建立领域专业坐席客服库，使用向量空间模型匹配算法，将问题与坐席客服的专业领域进行匹配；使用余弦相似度计算问题的专业领域与坐席智能客服的专业领域的相似度，得到领域匹配度评估值。

26、进一步地，所述步骤s5中，任务分配包括以下步骤：

27、通过考察客服的工作负荷、处理的任务数和时间，判断客服当前的工作量和忙碌程度；通过客服的工作经验、解决问题的速度和质量，评估客服处理任务的能力和效率；通过客服的工作时间、休假和离岗，确定客服是否可用于处理任务；采用加权平均法，综合客服的工作负荷、处理的任务数和时间，客服工作经验、解决问题的速度和质量，获取客服的可用度评分；

28、根据任务的截止时间、重要性和对客户的影响，判断任务的紧急程度，并根据任务紧急程度，对任务处理的优先度进行排序；根据任务处理的优先度排序顺序，将任务分配给领域匹配度高于预设匹配度，可用度评分高于预设评分的客服。

29、进一步地，所述步骤s7中，任务分解包括以下步骤：

30、当客户提出的问题存在多种可能的答案或解决方法、需要运用多个领域的知识才能解决以及问题中存在模糊的信息或不完整的条件时，需要通过进一步的询问或调研来获取更多信息，判断为复杂任务；获取复杂任务包含的专业领域，包括产品知识、技术知识、行业知识领域；根据任务包含的领域，对复杂任务进行分解，根据分解后的领域，生成更适合客服知识领域的多个子问题。

31、进一步地，所述步骤s8包括以下步骤：

32、根据紧急程度和重要性分配任务权重，根据简单分权法对子问题对应的任务生成一个综合评分；根据综合评分，使用冒泡排序算法确定每个任务的初步优先级；根据所有任务的初步优先级，使用优先队列方法确定最终任务优先级；根据最终任务优先级，选择对应的分支限界算法解决策略；使用选择的算法，对任务进行具体的处理和操作；根据处理结果，验证任务是否已完成；若任务未完成，重新计算综合评分和确定优先级；根据所有任务的处理结果，得到最终的解决方案。

33、本发明的有益效果为：

34、本发明结合tf-idf得分算法，提取关键词，通过余弦相似度方法，确定提问与知识库中各条目的匹配度以及使用基于语言大模型的nlp敏感词检测技术，判断问题内容中是否包含恶意信息或引导性关键词。根据子问题的紧急程度和重要性，确定任务的优先级进行处理，并且把问题对应到知识领域最合适的客服上。