电话机器人系统架构（电话机器人系统开发）

今天给各位分享电话机器人系统架构的知识，其中也会对电话机器人系统开发进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

本文目录一览：

1 IVR语音导航 1、 个性化IVR交互式语音引导流程，树状逻辑、分层次、多分支、动态节点、自由跳转，用户可根据业务发展需要随时自行修改流程，无需厂家支持。

2、 具备电话交换机基本功能，可以代替作为集团电话交换机使用。

3、 同时支持可视化流程编辑器和脚本语言编辑

2 智能选择话务员ACD 1、 自动话务分配ACD，平均话务分配，最空闲话务员分配。默认根据数据库号码对应的分机分配。

2、 按客户输入选择不同的接线座席人员或技能组或进入其它语音引导流程

3、 来电过滤，黑名单设置。

4、 来电无人接听或遇忙时转移至下一个空闲坐席或转移至手机等外部号码，手机间通话录音。

3 全程录音功能 全程录音是系统可以24小时不间断的对话务员通话进行录音，并保存到硬盘上，支持多种语音压缩格式。用户可以随时经过操作界面通过多种条件来查询到指定的录音文件，和来电时间，通话时长等等，系统的录音可以另存成多种格式的语音文件，如mp3,wav等等。坐席支持用坐席电话来收听录音。

4 语音留言功能 忙时或无人接听时甚至任何语音流程可以引导客户进入留言模块，针对具体座席人员的留言，只有该座席人员或相关上级才能查看。并且话务员登录以后，有自动留言提醒功能。

6 来电弹屏功能 话务员来电，系统自动根据来电号码，弹出对应的客户资料，和以往的历史来电记录、通话录音。

客户来电或以分机编号呼出时，接听人员的电脑屏幕即弹出指定的URL地址并以GET方式传递对应的编号。并能显示客户的所在区域，省份，城市。

7 知识库功能 分位语音知识库和文本知识库。话务员可以把经常需要介绍给客户的一些业务知识，录制成语音文件，放到语音库中，在和客户通话过程中，话务员可以点播语音知识库的指定语音给客户收听。文本知识库按目录管理的方式布局，非常方便话务员人员的快速查找、检索。

8 主动呼出功能 话务员可以通过软件或者话机外拨客户的电话。

1、 软拨号功能，坐席可以在打开客户资料的页面上点击电话号码进行 拨号。

2、 支持3或4或5或6位长度内线分机。内线分机相互转接

3、 可通过设置外呼白名单：即任何坐席都可以呼叫的外线电话

9 话务员转接功能 话务员在和客户通话过程中，话务员可以把电话转接到其他话务员电话上，并把来电的客户资料转接到目的话务员软件上。操作方式：话务员拍打插簧，输入目的话务员号码+*键结束。在呼叫过程中，话务员可以通过再次拍打插簧进行取消转接。呼叫成功后，话务员可以选择挂机，那么客户就可以和目的话务员通话了，话务员也可以按*键把话务员加入到会议中进行多方通话。

10 外线转接功能 话务员在和客户通话过程中，话务员可以把电话转接到呼叫中心以外的电话或者手机上。功能基本上和呼叫转移相类似。操作方式：话务员拍打插簧，输入目的电话号码+＃键结束。在呼叫过程中，话务员可以通过再次拍打插簧进行取消转接。呼叫成功后，话务员可以选择挂机，那么客户就可以和目的外呼的电话通话了，话务员也可以按*键把目的电话加入到会议中进行多方通话。

11 话务员呼叫话务员功能 话务员可以拨打目的话务员号码进行通话。具体操作：话务员摘机，随后在电话机上输入对方号码+*键结束。在呼叫过程中话务员可以通过拍插簧或者挂机来取消这次呼叫。

12 配合企业交换机进行转接功能 呼叫中心来电的客户可以通过话务员的操作转接到企业内部交换机的分机电话上。也可以在企业内部的电话转接到呼叫中心系统中来。具体解决方法：可以在呼叫中心系统的外线端口上接入几条企业内部分机线，在参数配置中的语音卡通道参数的线路类型子项中选择内部线路就可以实现了。

13 客户资料管理 1、 客户信息录入，可将现有的大量客户信息以文件的方式批量导入。

2、 自动关联和该客户相关的所有呼叫信息、通话记录，预约信息

3、 可着级分配资料到下级

4、 可详细的统计出各个客户资料的拨打情况和分类报表

14 投诉处理 记录投诉内容，并可对历史投诉内容进行检索。生成投诉单派发给相应单位也可对投诉单进行跟踪。

15 监听功能 班长话务员可以通过话务员软件监听指定话务员的通话，也可以通过打电话到系统，根据语音提示输入要监听的话务员工号，系统确认后，就能实时收听到话务员的通话了。

16 话务员示忙功能 话务员接听完电话后，话务员可以选择暂停服务或在线。从而实现暂停接听电话和开始接听电话。

17 系统自动播报话务员工号 在客户转接人工服务中，话务员提机瞬间，系统自动播报接听话务员的工号。

18 节假日设置功能 系统可以设置工作时间和休息日。在非工作时间内，客户在转接人工服务过程中，系统会提示客户我们的工作时间，并提示是否留言。可分为：工作时间设置、周末时间设置、特殊节假日设置和特殊非节假日设置。

19 多方通话 当A客户来电，B话务员接通A客户电话；B话务员员邀请C话务员员进行三方通话：

1． 如果C话务员在线并就绪时，三方通话成功；并且B、C的其中一方可以退出，另一方还可以继续跟客户A通话。

2． 如果C话务员不是在线或遇忙，则三方通话失败，但B话务员还可以继续与A客户通话。

20 保留/恢复 话务员和客户通话过程中，需要后台处理时，点击“保留”可以让客户听音乐，处理完成后，可以点击“恢复”继续与客户通话。

21 班长座席特殊功能 监听通话、拦截通话、强插通话、强制签出、强制示忙、强制示闲功能

22 呼叫转移功能 客户转接人工服务过程中如果座席全忙，那么系统根据设置的呼叫转移号码，进行转接服务。

23 事物处理状态 坐席设置此状态后，就可以在每次通话完毕后，等待事物处理完毕，再处理来电。并可以设置自动解除事物处理的时间。

24 自动拨号状态 坐席设置此状态后，坐席可以接听系统自动拨号后的来电了。

25 语音自动通知功能 话务员可以录制一段语音，提交到系统中，并指定一批电话号码进行通知。

26 解决彩铃功能 系统外呼时可以识别对方是否是彩铃。从而提高接通的正确性和计费准确性。

27 计费管理 系统可以根据去电的时长和费率统计整个系统的费用。

28 呼叫日志 系统对每次呼叫的记录都有明细和统计功能。

29 业务统计报表 分为：中继呼叫报表，座席呼叫报表，服务类别报表三大类报表。可以详尽的统计出不同时段、日期的电话呼入总量、排队情况和转接总量；话务员的状态日志、话务总量、服务质量、业务熟练程度、工作效率，外呼接通量，成交量等指标。

30 二次开发接口 系统提供呼叫中心座席系统、短信、自动语音通知、传真系统二次开发接口

31 业务流程化 系统提供可视化的可编辑的语音流程开发，用户可以自定义自己的语音流程。

32 安全性 1、 系统采用PSTN作为电话线路，安全稳定，音质清晰。

2、 操作员安全登录，密码自我设定。

3、 数据权限：部门－班组－职员，三个层次级别可根据用户自身的组织架构模式灵活配置，定义多种数据访问策略（比如：不同的级别的操作员将查看到不同范围的通话信息或客户信息）

33 兼容性和升级 系统扩展容量大能支持到1000路话路，兼容模拟线路和数字中继线路。系统可以同时支持ISDN,SS7,SS1等高端通讯协议。

34 数据容量 系统采用SQL SERVER数据库作为后台数据服务，可以容纳几十年的电话数据量，且有自动备份功能，从而实现了数据的安全性和稳定性。

35 实时监控 1、 任何一台客户机实时监控每个座席的状态（未登录、通话中、空闲中等）能即时更新到数据库表。

2、 服务器录音磁盘满，系统会产生蜂鸣来预警提醒，并清除历史最前的一条录音腾出空间来做新的录音。

36 报工号及满意度调查 坐席接通后，自动对呼入方提示坐席工号。呼叫完毕后提示（满意、基本满意、不满意）状态调查，并将结果记录数据库。可由管理员开放满意度调查功能。

38 呼叫信息 1、 多种查询条件（如时长、时段等）任意组合查询所有呼叫记录，包括已通话、未通话、录音、留言、来电去电记录等类型。

2、 任意查询结果可以导出为Excel格式另存。

39 外呼营销 1.、按不同业务导入数据。

2、不同数据分配给不同的组进行外呼。

3.、自动快速过滤呼叫不通的电话。

4、系统自动外呼以设定大于坐席倍数的比例进行外呼。

5、外呼接通转坐席弹屏，并带出营销术语，且在电话机上也会显示去电号码。

6、支持坐席以电话方式登录和软件方式登录。

7、可以通过坐席按键来确认成交情况。

8、可以设定不通的中继组，不同的业务指定不同的中继组外呼。

9、报表统计各笔导入数据的自动呼叫情况。

10、双备份录音功能

11、录音格式支持wav、voc、pcm(4 倍压缩),windows自带播放器可以播放。可用坐席电话进行听取录音。

12、可以设定外拨的速率。

13、可以统计各个坐席的通话时长和成交量

14、权限分为管理员、组长、质检、坐席，不通的身份分配不同的操作权限

15、支持不同业务转接到不同的坐席组接听，并有排队功能

16、支持坐席人员批量调动组别功能

17、支持预约功能，到设定提醒时间，系统弹框提醒坐席

18、支持重呼功能

19、支持费率设置和统计各个坐席和组的费用

20、支持快速准确批量导出录音和通话记录功能

21、可以设定4个时间段进行自动呼叫

22、导入和导出数据速度快

23、集成度高一套系统可以支持1000线左右的呼叫

24、系统耗用资源少

25、支持ip坐席功能

40 预约提醒功能 坐席在通话过程中，如果客户提出预约时间再联系，坐席可以添加一条预约记录，系统就会在设置的时间弹出提示框提示坐席预约的内容。

41 订单管理 1、 坐席来电或者去电可以点击下单，进行录入订单

2、 可以设定条件搜索订单，跟踪订单状态

3、 分类统计订单分类情况和数量。

42 公告栏 组长以上级别的坐席可以发布公告给下级，下级在公告栏以跑马灯方式看到所有上级发布的公告信息。

43 线路监控 坐席端开启远程查看窗口可以很方便的查看到服务器的运行情况。

44 坐席状态监控 系统可以显示每个坐席的工作状态和状态持续时间。

45 电话簿功能 系统可以设置公共电话簿和个人电话簿

46 短信功能 支持短信猫，短信机，短信网关方式接收和发送短信

47 传真功能 传真支持单发、群发，转发，接收，浏览、签名，盖章，打印，转发邮件等功能

48 邮件功能 支持单发和群发邮件。

49 分布式ip坐席 系统支持异地坐席。异地坐席可以接听服务器转接过来的来电也可以直接通过服务器外呼出去，并且提供录音和通话流水。

50 数据清理 系统提供界面给用户批量清理历史数据功能。

电话机器人是什么？

电话机器人主要就是用来模拟人工通话的一组程序，一般由，CRM系统，语义识别，转换文字，话术体系，这是软的部分，再加上底层软交换和通信模块一起，合并起来就是一套完整的电话机器人系统。

随着人工智能的飞速发展以及广泛落地应用，越来越多的设备将会被植入智能问答技术，人机交互场景随处可见，智能问答在未来将会成为一个非常重要的入口。

腾讯小知凭借着业界领先的智能AI引擎算法和海量大数据仓库，已将智能问答技术落地实施，并且经过大量的业务考验和优化，知识点匹配度和准确率都已达到90%以上，在2018 年 GITC 全球互联网技术大会上，腾讯小知荣获年度互联网最具价值产品奖。

腾讯小知算法负责人陈松坚也在会场发表了关于智能问答技术原理及其在To B场景下的应用的专题演讲，从自己的角度为我们展现智能问答技术的最新成果。

他首先从智能问答是什么，为什么和怎么做的三个问题出发，阐明了他对当前智能问答技术的定位和价值，首先，现阶段的智能问答是信息检索技术的升级，是量变而未达到质变。但是无论在To B还是To C的场景下，当前的技术都能够切实解决一些用户的痛点，提升用户体验，是亟待推进和充满想象的方向。

在回答怎么做这个问题时，他详细介绍了几种不同的问答机器人的实现路径，包括单轮问答机器人，多轮问答机器人及阅读理解机器人。其中重点阐述了单轮问答机器人的实现原理，包括字面匹配，词向量匹配，深度语义匹配，迁移学习等技术。

此后他还分享了小知团队将上述技术产品化的经验，包括智能客服机器人和电话机器人两大块，主要分享了当前产品的形态，亮点和实际项目中取得的一些成果。

最后，他简单总结了小知目前完成的工作以及就智能问答的发展提出了自己的几点看法。

--------------------------------------------------------------

以下是演讲稿全文：

各位下午好，很高兴今天能在这里给大家做分享报告。先介绍一下，我们腾讯小知是致力于为政府和各行业提供一揽子智能问答解决方案的团队，目前已经落地的包括基于文本的智能客服机器人和基于语音的电话机器人等。

在大多数人的认知里，智能问答很可能是以上的3个印象，2011年打败了人类取得问答竞赛冠军的waston;2017年被沙特授予公民身份的机器人sofia;更为大家熟知的钢铁侠中的机器人管家jarvis。在大家心目中，智能就意味着能够像真人一样交流。然而作为从业者，很遗憾地告诉大家，目前的技术还远没有达到这个目标，我认为本质上目前的智能问答技术是对信息检索技术的一次升级，是量变而未到质变。这个皇冠上的明珠还等待我们去摘取。

既然问答技术还不成熟，那为什么还要投身到这个领域呢。我想从To B和To C两个角度去回答。对企业来讲，当前的问答技术虽然无法解答复杂的咨询，但是大部分的简单的头部问题是可以比较好的解答的。从本轮AI大潮NLP赛道的几名种子选手都从智能客服这个方向切入就可以看出企业是确实存在对智能问答的刚性需求。而对普通用户来讲，一方面siri等语音助手每天都在为用户提供便捷的交互界面，另一方面像amazon echo这一类的智能家居产品也逐步进入千家万户，成为物联网生态的中心入口之一，这便是智能问答的价值所在。

那如何实现智能问答机器人呢?我们先来看最基本的单轮问答机器人的实现原理。

熟悉搜索引擎的朋友会发现这个架构跟搜索引擎的很类似。单轮问答一般来说就是FAQ问答，是基于业务问答对组成的问答库进行检索匹配。其中FAQ问题集包含多个相似问法供用户问题去匹配。预处理阶段一般会进行文本纠错，标准化和底层NLP特征提取;召回阶段会在倒排索引中召回若干个候选问题(粗排)，而最后的匹配阶段会基于各种模型进行匹配打分并返回得分最高的结果(精排)。匹配阶段还会引入其他模块，如知识图谱和拒识模型，目的是辅助提升匹配的最终准确率。

retrieval中的匹配可以看做是naive solution，词袋+VSM, 筛选候选够用了，但是精排需要更精致的策略，第一，要利用监督信息做拟合，我们构建基于问题对的训练语料，拟合是否匹配这个二分类目标。第二，特征上抛弃稀疏的词袋模型，而是构造各种相似度来做base scorer，然后利用非线性的抗噪能力强的xgboost来做融合，比如我们用到词bigram, 字bigram, 核心词，名词等特征集合的相似度。这种方法的优缺点是一体的，由于模型只学习字面相似的特征，因此不受领域影响，通用性强，适合用在冷启动阶段;但也因为只考虑字面相似，无法处理更深层的语义匹配。

那如何度量语义的相似呢。词向量技术的兴起是语义匹配的前提，所谓词向量，是将孤立的传统的token表示映射到相互关联的向量空间中，这种关联性，或者说是相似性，是通过词语的上下文的来描述的。也就是说，上下文越相似的词语，他们的语义就越相似，词向量的欧式距离就越近。这是很容易理解的，更妙的是，通过对向量进行简单加减运算，能够呈现出概念的关系，比如king-man+woman的结果非常接近于queen, 因此说明词向量能够一定程度刻画语义。那对句子如何做向量表示呢?一个简单的想法是直接求和平均，WMD是另一个比较有意思且有效的做法，他将计算句子到句子的相似度建模成一个运输的问题，把句子p的各个词，运输到q的各个词上，也可以说是变换;运输成本是词向量的cosine相似度，而要运输的是各个词在句子中的权重，用线性规划求解一个最优解，即为p到q的距离。另外还有个有效的方法是SIF，思路是做词向量加权求和，但是突显出句子中非通用的部分，即权重用词频倒数来计算权重，实验效果也很不错。

上面的方法有一个问题就是没有利用有监督信息，所以效果有明显的天花板。下面介绍这个工作是基于深层网络做有监督学习的匹配的，做法也比较简单，首先把句子文本用one-hot编码，假如词典大小是500K，那编码完长度就是500K维，其实等于是词袋模型，然后输入到一个多层的神经网络去学习，最终得到一个128维的向量作为句子的语义表示，然后用cosine计算两个句子与文档的相似度作为模型输出。这个方法其实是将高维稀疏的token特征映射到低维语义空间，跟词向量的思路很类似，只不过训练目标不同，并且这里使用了深层网络结构。

但是CNN对上下文的处理能力依赖于窗口大小，远距离就没办法处理了，因此要考虑另一种网络单元RNN，这种单元是专门为时序模型量身打造的，简单来说，每一时刻t上的隐藏状态，或者说第t个词上的语义编码，都由两个输入共同决定，即上一时刻的隐藏状态和当前时刻的原始输入，而为了解决远距离传递导致的梯度消失和梯度爆炸等问题，RNN有一些变种结构来应对，比如 LSTM和GRU等。

CNN和RNN都是对原始输入进行语义编码的基本单元，编码后的向量就可以接入多层感知机进行相似度计算，如果是直接计算cosine相似度，那就是dssm的升级版，而更常见的做法是把两个句子的编码向量拼接在一起，再经过一个多层感知机计算相似度，而这种方法统称为表达式建模;

另一种方案考虑到两个句子之间的交互信息对学习他们是否匹配显然更为重要，这一类方案被称为交互式建模，右边是一个典型的例子，他最大的不同是首先对两个句子的所有窗口组合进行拼接和卷积，得到交互信息。然后再进行多次卷积和池化得到表示。其他的交互方式还包括编码之后，进行交互操作，如作差，点乘等，还有计算attention表示，也是常见的交互方式。

下面介绍我们的方案，跟上面介绍的模型相比，我们的方案主要做了两处改动，一个是使用了稠密连接的网络结构，让rnn层的输入和输出拼接在一起做为下一层的输入，第二个是混合注意力机制，即在计算attention向量进行交互式建模的基础上，增加self-attention向量计算，然后把两个attention向量经过门机制进行融合，这样做一方面引入了问句间的交互信息，同时又增强了对自身的表达建模。

上面的模型是比较复杂的模型，参数量有5.8M。在实际中应用中训练语料会严重不足，为了解决这个问题，我们引入了迁移学习的策略。首先第一种是多任务联合学习，比如在拟合两个问句是否匹配的同时，也对问句进行分类预测;另外还可以同时对匹配的问题对做seq2seq的翻译模型训练。这两个策略都证明能有效提升准确率。

而另一个思路更加直观，即引入其他领域的语料，所谓多语料迁移。Fine-tune即参数微调是其中一种做法，即先用通用语料训练网络，固定底层表达层的参数，然后再使用领域语料调整上层参数;另一种思路参考了对抗学习的思想，即引入一个新的任务“混淆分类器”去判别当前样本是来自源语料还是目标语料，通过在损失函数中增加反向的混淆分类损失项，让混淆分类器尽可能地无法区分样本的来源，从而保证共享了参数的表达网络能够学习到两部分语料中共性的部分。

以上的介绍都是为了完成一个基本的单轮对话机器人，而实际应用中，往往存在需要需要交互的场景，比如查询社保余额，就需要用户提供指定信息，如姓名，身份证号，手机号等。这种是所谓任务导向型机器人，而另一种，基于知识图谱的机器人也往往会涉及到多轮交互。这里简单介绍一下多轮对话机器人的架构，整体上是一个对话管理系统，总的来说是管理会话状态，包含4个模块，分别是输入部分：自然语言理解模块NLU，负责意图识别和抽取槽位实体，比如这里匹配到了意图是查询社保余额，抽取到了社保号1234。得到的意图和槽位值会送入到对话状态追踪模块，DST，他负责会话状态的更新，形式化来说是一个函数，输入是当前状态s和当前的query经过NLU处理过得到的意图和槽位值q, 输出新的状态s‘，下一步是把s’送入DPL，对话策略模块，这个模块是根据新的状态s‘输出行动a，通常这个决策选择会依赖于一个外部数据库或知识图谱，最后，由输出部分，自然语言生成模块NLG负责将行动转换为自然语言文本，返回给用户。

前面提到的单轮FAQ机器人，有一个问题是问答准确率依赖于问答库的质量，而问答库的构建耗时费力，所以针对数据较大的非结构化文档，如果可以直接从中抽取答案，是非常理想的做法。比如斯坦佛大学开源的drQA，就是基于wikipedia的语料做的一个开放域上的问答机器人，我们来看看这种阅读理解机器人的架构示意，他也是基于检索重排的思路，首先把可能的文段从语料库中摘取出来，然后送入阅读理解模型进行答案定位，打分，排序和选择得分最高的答案。阅读理解模型与匹配模型是类似的，需要先对问题和候选文段进行编码表示，不同之处在于最终预测的目标是答案的起始和结束位置。我所在的团队在去年，在阅读理解的权威公开测评Squad v1中取得过第一的成绩，同时参加这个测评的包括了google, facebook, 微软，阿里idst, 科大讯飞等国内外同行。说明业界对这种技术还是非常看重的。

下面分享小知在把以上技术落地产品化的经验。首先我们来看看小知的整体架构图，核心引擎有两部分，一块是上面重点阐述的深度语义匹配模型，另一块是本次分享没有展开的知识图谱引擎，在此之上，我们构建了FAQ机器人，多轮会话机器人(任务机器人)，闲聊机器人等。以下是我们单轮和多轮机器人的示例。

在我们实际的落地项目中，得益于深度迁移模型的语义匹配能力和行业知识图谱的的精准匹配和辅助追问，小知机器人能够做到95%左右的问答准确率，并且节省了50%以上的服务人力，切实为政府和企业提升效率和降低成本。

在智能客服的基础上，我们又打造了基于语音的电话机器人，力主融合智能客服，人工在线客服，工单系统和电话机器人，为客户打造从售前售中售后的整体解决方案。

以下是电话机器人的整体架构图，核心是自然语言理解NLU模块，负责识别用户提问意图

提取相关实体。根据NLU输出的结果，内置的对话管理引擎会进行流程状态流转和跟踪。

另外，ASR语音识别和TTS语音合成是不可或缺的重要服务，这三个模块相互协作，共同完成与用户的交互。

最后对智能问答的未来发展提几点我的看法。目前学术界比较公认的一个方向是，需要更有机地结合模型和规则，而在问答领域，规则的一大组成部分就是知识图谱，包括开放领域的知识图谱和专业领域知识图谱。而更进一步地，我们需要研究带有推理性质的事理型知识图谱去描述领域内的规则和知识，让机器人能够处理带有复杂条件的问题，提供更智能的回复。在我看来，智能问答的一个突破口就在于解决以上三个问题。以上就是今天分享的内容，谢谢大家。

主讲人介绍：

陈松坚，腾讯数据平台部算法高级研究员，有着8 年的 NLP 研发经验，2017 年加入腾讯 TEG 数据平台部，负责智能客服产品腾讯小知的算法规划和落地。负责过多个智能客服项目，对封闭领域的智能问答有丰富的实战经验。

电话机器人系统架构的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于电话机器人系统开发、电话机器人系统架构的信息别忘了在本站进行查找喔。