技术摘要：
本发明属于智能质检技术领域，具体公开了一种多维度智能质检方法、装置、终端设备及介质，该方法包括获取对话文本；所述对话数据包括顾客消息和客服消息；将顾客消息和客服消息输入至预先构建的情绪识别模型，得到情绪识别结果；将客服消息分别输入至预先构建的优秀话  全部
背景技术：
在客服领域中，每天客服都会与顾客沟通交流，产生大量的数据信息，客服沟通质 量的优劣对企业店铺产品具有非常重要的影响，而大量的客服和沟通又使得很难一个个客 服，一通通对话进行质检，常规来说是抽样检查，这样就难以发现隐藏的问题，更不可能实 时对问题进行纠正更新，这样也难以形成客服的一些错误理解或操作，也难以发现顾客的 常规问题。而在技术迅猛发展的今天，亟需要通过技术的手段来对客服与顾客聊天记录进 行分析检查，更快更好的发现存在的问题以进行针对性的优化。 1.现有质检系统对客服或者顾客的问句质检粒度往往比较粗，导致真实使用起来 发现的问题不够明确。 2 .现有质检系统多关采用关键词质检，一方面关键词总结耗时耗力且需经常更 新，另一方面关键词总结无法发现数据背后的规律，导致几乎没有泛化能力，且非常容易误 识别。
技术实现要素：
本发明的目的在于提供一种多维度智能质检方法、装置、终端设备及介质，实现了 全量实时客服信息质检，从多个维度来分析和发现客服服务中的问题。 本发明通过下述技术方案实现： 一种多维度智能质检方法，具体包括以下步骤： 获取对话文本；所述对话数据包括顾客消息和客服消息； 将顾客消息和客服消息输入至预先构建的情绪识别模型，得到情绪识别结果； 将客服消息分别输入至预先构建的优秀话术识别模型和异常话术识别模型，分别得到 优秀话术识别结果和异常话术识别结果； 将情绪识别结果、优秀话术识别结果、异常话术识别结果推送给客户端。 进一步地，为了更好的实现本发明，在将顾客消息和客服消息输入至预先构建的 情绪识别模型之前，还包括： 获取训练样本集并标注；所述训练样本集包括从多个商家与顾客的聊天记录中获取目 标特征数据； 将目标特征数据输入至深度学习模型，并对所述深度学习模型进行训练，得到与目标 特征数据对应的识别模型，所述识别模型包括情绪识别模型、优秀话术识别模型和异常话 术识别模型。 进一步地，为了更好的实现本发明，将目标特征数据输入至深度学习模型，并对所 述深度学习模型进行训练，具体是指： 4 CN 111598485 A 说　明　书 2/7 页 将目标特征数据输入至embedding层，通过embedding层将目标特征数据转化为局部特 征向量； 卷积神经网络通过embedding层提取局部特征向量，并对所有局部特征向量进行组合 拼接，得到组合特征向量； 全连接网络和BatchNormalization层对到组合特征向量进行更新和标准化； 双向长短时记忆网络层将提取到到组合特征向量进行整合提取得到具有上下文依赖 的特征； 将上下文依赖的特征依次输入至全连接层和Softmax层得到识别结果。 进一步地，为了更好的实现本发明，所述目标特征数据包括顾客消息数据和客服 消息数据，所述客服消息数据包括优秀话术消息数据和异常话术消息数据；所述优秀话术 消息数据的字数长度在10个字数以上；所述异常话术消息数据的字数长度在10个字数以 下； 将顾客消息数据和客服消息数据输入至深度学习模型，并对所述深度学习模型进行训 练，得到所述的情绪识别模型； 将优秀话术消息数据输入至深度学习模型，并对所述深度学习模型进行训练，得到所 述的优秀话术识别模型； 将异常话术消息数据输入至深度学习模型，并对所述深度学习模型进行训练，得到所 述的异常话术识别模型。 一种多维度智能质检装置，包括： 训练数据获取模块：从多个商家与顾客的聊天记录中获取目标特征数据，作为训练数 据； 模型训练模块：用于使用所述训练数据进行模型训练，以得到情绪识别模型、优秀话术 识别模型、异常话术识别模型； 处理模块：用于将目标特征数据中的客服消息筛分为优秀话术消息数据和异常话术消 息数据； 推送模块：用于将所述的情绪识别结果、优秀话术识别结果、异常话术识别结果推送给 客户端。 一种终端设备，其特征在于：包括存储器、处理器以及存储在所述存储器中并可在 所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述的 方法。 一种计算机可读取存储介质，所述计算机可读取存储介质中存储有程序代码，所 述程序代码可被处理器调用执行上述的方法。 本发明与现有技术相比，具有以下优点及有益效果： （1）本发明实现了全量实时客服信息质检，从多个维度来分析和发现客服服务中的问 题； （2）本发明通过优秀话术识别模型、异常话术识别、模型情绪识别模型从多个维度分析 和发现客服服务中的问题相比现有技术能够有效的提高对于问题的发现的精确度，从而能 够有针对性的进行优化。 5 CN 111598485 A 说　明　书 3/7 页 附图说明 图1为本发明的中多维度智能质检方法； 图2为本发明一种多维度智能质检装置的模块构成示意图； 图3为得到目标特征数据对应的识别模型的流程示意图。