Mar, 2022

联系中心领域语音对话分析的综合方法

PDF
TL;DR本文描述了一个使用 Kaldi 框架的语音文本处理方法，在不同的语义标记方法中选择组合机器学习模型，并使用决策树进行标记的实验。结果表明，该方法提供了更好的性能和更可解释的模型，对数据准备的复杂性做出了改进，能够对联系中心的运营产生潜在影响。
speech analyticssemantic taggingmachine learningcontact centerdata analysis
发现论文，激发创造
  • 数据驱动的金融领域统计和自然语言处理技术的内容创作

    本文提出了一个通过摘要网络和层次聚类技术来提取客户提问的框架，同时对客户的问题进行语法和语义相似度分析，并采用 TF-IDF 和 BERT 计算相似性得分。

    Sep, 2021

  • 联系中心电话对话中的实体级情感分析

    本文提出了一种基于 DistilBERT 模型完全的方法和一种卷积神经网络的方法，通过分析英语电话交谈转录本来进行实体级情感分析，以期提供商业见解。

    Oct, 2022

  • 呼叫中心对话中语音连续情绪识别的声学和语言表征

    本研究旨在自动检索实际呼叫中心对话中的满意度和挫折情绪，并侧重于持续追踪客户满意度以改善客户服务的工业应用。使用预训练的语音表示作为迁移学习形式，对 AlloSat 语料库进行了探索。实验结果确认了使用预训练特征可获得的性能大幅提升，并发现语言内容在满意度预测中起着明显的主导作用，并且对未知数据的泛化能力更强。此外，融合声学和语言模态的优势并不明显。该研究还探讨了性能变异性的问题，并试图从不同的视角估计此变异性：权重初始化、置信区间和注释主观性。对语言内容进行了深入分析，研究了能够解释语言模态在此任务中高贡献的可解释因素。

    Oct, 2023

  • GPT-Calls: 通过大型语言模型生成合成对话，增强通话分割和标记能力

    本文提出了一种名为 GPT-Calls 的方法，用于快速准确地对电话通话进行分段和主题提取，不需要标记数据，可应用于各种领域，已在 Dynamics 365 销售对话智能应用中投入使用。

    Jun, 2023

  • 朝向端到端口语理解

    本文研究了口语理解系统的端到端学习方法，能够直接从音频特征中推断语义意义，而不需要中间文本表示。研究表明，该模型能够获得合理好的结果，并能直接从音频特征中捕捉语义注意力。

    Feb, 2018

  • 人 - 人客户支持口语对话中的实时维度识别

    本论文提出一种基于双 LSTM 架构的研究，致力于人 - 人客户支持话语交互中在线实时识别来电者意图的问题，以提高用户体验，并在电信客户支持领域的数据集上进行了实验分析。

    Aug, 2022

  • 从音频到语义：端到端口语理解方法

    本文提出了一种基于编码器 - 解码器模型的语音到语义理解的端到端的方法，将自动语音识别模块和自然语言理解模块联合优化，中间文本表示对于预测语义特别是意图参数非常重要，并且整个系统的共同优化可以提高预测的准确性，尤其是参数单词错误率可以提高 18%。

    Sep, 2018

  • 通过拓扑自然语言分析揭示客户问题

    电子商务公司关注顾客服务请求，提出了一种新型的机器学习算法，利用自然语言技术和拓扑数据分析监控顾客问题的新兴和趋势，验证结果与新闻来源高度一致。

    Feb, 2024

  • 评估谷歌语音识别和句子分类在医疗应用中的效果

    该研究使用语音识别技术在围手术期服务中应用移动技术，以记录工作流程里程碑，通过使用后处理分类器和训练重复次数来提高谷歌的语音识别技术的准确性和分类效率，从而改进医疗保健等应用中的沟通性能。

    Feb, 2024

  • 呼叫中心文本中的命名实体识别，以符合隐私法规

    研究使用命名实体识别技术处理新型用户生成的文本：客户服务会话记录，使用自身语料库，训练上下文字符串嵌入，应用 BiLSTM-CRF 算法，取得了该任务的最新最优结果。

    Oct, 2020