智能客服助理自生长方法及装置与流程

本技术涉及数据处理领域，具体涉及一种智能客服助理自生长方法及装置。

背景技术：

1、在传统it（信息技术）服务台场景中，通常面临日均数百至上千个电话咨询与工单处理的高并发服务压力。常见的问题包括：密码重置、账号解锁、网络故障、软件安装、权限申请等高频重复性咨询。当前主流解决方案仍以“人工坐席+静态知识库”为主，存在以下技术瓶颈：

2、知识更新滞后：静态faq（常见问题解答）和故障手册无法实时吸收新故障、新解决方案，导致ai（人工智能）客服回答陈旧、准确率低；

3、标注成本高昂：训练ai需要大量人工标注的高质量对话数据，it服务台每日产生大量非结构化通话记录和工单，难以高效转化为训练语料；

4、模型迭代困难：传统做法需定期重训大模型，成本高、周期长，且容易发生“灾难性遗忘”——学新忘旧；

5、闭环缺失：ai服务结果（如转人工、用户差评、坐席修正）无法自动回流用于模型优化，导致能力停滞。

6、为了克服上述问题，亟需一种智能客服助理自生长方法，能够提升it服务台的响应效率和自动化质量。

技术实现思路

1、针对现有技术中的问题，本技术提供一种智能客服助理自生长方法及装置，能够提升it服务台的响应效率和自动化质量。

2、为了解决上述问题中的至少一个，本技术提供以下技术方案：

3、第一方面，本技术提供一种智能客服助理自生长方法，包括：

4、获取信息技术服务台历史多源异构数据，包括电话录音数据、工单系统数据以及知识文档数据，对所述多源异构数据进行数据清洗和结构化处理，构建服务日志库；

5、部署基础客服模型，所述基础客服模型根据预设时间间隔接收信息技术服务台的新增多源数据，对所述新增多源数据进行三重数据清洗，包括去噪音、去重复以及结构化处理，确定对应的结构化数据，并对所述结构化数据进行数据自标注，确定对应的标注数据集，其中，所述数据自标注包括从所述服务日志库中获取优质工单作为种子样本，并复用所述种子样本的标注规则；

6、所述基础客服模型以所述标注数据集作为训练集进行轻量化自训练，确定对应的智能客服模型，对所述智能客服模型进行自评测，确定对应的模型评测得分，筛选出所述模型评测得分低于预设阈值的自评测案例，根据所述自评测案例对所述服务日志库进行知识自更新，将更新后的服务日志库应用于后续新增数据的处理或训练中，以使所述智能客服模型进行自生长闭环，从而实现信息技术服务台数据处理。

7、进一步地，所述对所述多源异构数据进行数据清洗和结构化处理，构建服务日志库，包括：

8、对所述电话录音数据进行自动语音识别转文字处理，确定对应的文本数据；

9、对所述工单系统数据、所述知识文档数据以及所述文本数据进行数据清洗，对清洗后的数据进行核心字段提取，确定每条工单对应的用户问题、标准解决方案以及处理结果，构建服务日志库；

10、其中，所述核心字段提取包括提取工单标题、故障描述、故障分类、处理步骤、解决方案、闭环状态、用户满意度以及转人工原因。

11、进一步地，所述对所述新增多源数据进行三重数据清洗，包括去噪音、去重复以及结构化处理，确定对应的结构化数据，包括：

12、对所述新增多源数据进行去噪音操作，包括过滤所述新增多源数据中的骚扰数据、测试数据以及无实质内容的无效重复数据；

13、对所述新增多源数据进行去重复操作，包括针对故障类型相同且解决方案相同的重复数据，按照预设优先级规则保留最优处理案例，剔除其余重复案例，所述优先级规则考虑用户满意度和处理效率；

14、对经过去噪音和去重复操作的数据进行分类信息提取，根据提取到的核心字段信息确定对应的结构化数据。

15、进一步地，所述对所述结构化数据进行数据自标注，确定对应的标注数据集，包括：

16、获取所述服务日志库的优质工单，所述优质工单包括已闭环、用户满意度高于预设阈值且处理流程标准的工单，以所述优质工单为种子样本，根据种子样本的标注规则和对应的信息技术服务管理流程规范，构建初始标注规则；

17、根据所述初始标注规则对所述结构化数据中的每个样本进行自标注，其中，自标注包括，标注故障类型、答案标准化程度、是否可自动化解决、是否为高频问题以及是否为未出现在所述服务日志库中的新故障；

18、将经过所述的自标注样本按照样本类型划分为正样本、难题样本和负样本，分别存入对应的样本集合中，确定对应的标注数据集。

19、进一步地，所述基础客服模型以所述标注数据集作为训练集进行轻量化自训练，确定对应的智能客服模型，包括：

20、以所述标注数据集作为训练集，采用lora增量微调方式对所述基础客服模型进行轻量化自训练；

21、其中，所述轻量化自训练的训练频率根据数据量动态调整。

22、进一步地，所述对所述智能客服模型进行自评测，确定对应的模型评测得分，包括：

23、对所述标注数据集，按照预设故障类型分布比例抽取预设数量的评测案例作为自评测测试集，所述自评测测试集包括正样本案例和难题样本案例；

24、获取所述智能客服模型在所述自评测测试集上的第一回答，调取所述自评测测试集对应的坐席标准答案作为第二回答，将所述第一回答和所述第二回答进行多维度量化对比，确定对应的模型评测得分。

25、进一步地，所述根据所述自评测案例对所述服务日志库进行知识自更新，包括：

26、将所述自评测案例分类为难题案例、易错故障案例和流程不理解案例；

27、针对所述难题案例，基于坐席标准答案自动生成对应的faq条目，补充至所述服务日志库；

28、针对所述易错故障案例，更新所述服务日志库中对应故障类型的解决方案，并标注易错点和注意事项；

29、针对所述流程不理解案例，标记为优先学习样本，供下一轮训练时重点强化；

30、同时，将回答错误的案例标记为禁止复用，并补充正确答案至所述服务日志库。

31、第二方面，本技术提供一种智能客服助理自生长装置，包括：

32、多源数据获取模块，用于获取信息技术服务台历史多源异构数据，包括电话录音数据、工单系统数据以及知识文档数据，对所述多源异构数据进行数据清洗和结构化处理，构建服务日志库；

33、数据自标注模块，用于部署基础客服模型，所述基础客服模型根据预设时间间隔接收信息技术服务台的新增多源数据，对所述新增多源数据进行三重数据清洗，包括去噪音、去重复以及结构化处理，确定对应的结构化数据，并对所述结构化数据进行数据自标注，确定对应的标注数据集，其中，所述数据自标注包括从所述服务日志库中获取优质工单作为种子样本，并复用所述种子样本的标注规则；

34、客服模型自生长模块，用于所述基础客服模型以所述标注数据集作为训练集进行轻量化自训练，确定对应的智能客服模型，对所述智能客服模型进行自评测，确定对应的模型评测得分，筛选出所述模型评测得分低于预设阈值的自评测案例，根据所述自评测案例对所述服务日志库进行知识自更新，将更新后的服务日志库应用于后续新增数据的处理或训练中，以使所述智能客服模型进行自生长闭环，从而实现信息技术服务台数据处理。

35、第三方面，本技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的智能客服助理自生长方法的步骤。

36、第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的智能客服助理自生长方法的步骤。

37、第五方面，本技术提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述的智能客服助理自生长方法的步骤。

38、由上述技术方案可知，本技术提供一种智能客服助理自生长方法及装置，通过获取历史多源异构数据并进行清洗与结构化处理，构建包含用户问题、正确答案及处理结果三要素的服务日志库；部署基础客服模型后，对新增多源数据进行去噪音、去重复及结构化处理，并基于服务日志库中的优质工单作为种子样本，使ai学习标注规则以实现对新数据的自动标注；根据自动标注得到的训练集，采用增量微调方式对基础客服模型进行轻量化自训练，得到智能客服模型，随后对其进行自评测，筛选低分案例并据此对服务日志库进行知识自更新，将更新后的知识应用于后续新增数据的处理或训练中，形成自生长闭环，由此能够提升it服务台的响应效率和自动化质量。