基于神经特征学习的呼叫中心坐席违规行为半监督检测新框架
机器学习
2021-06-07 v1 声音
音频与语音处理
摘要
本工作针对呼叫中心坐席违规行为问题提出一种实用解决方案。给出了一个由非线性幂变换、神经特征学习与 k-means 聚类构成的半监督框架。我们将这些模块组合并调参以获得最佳性能。实验所用数据来自我们的内部呼叫中心，由录音的坐席-客户对话组成，并使用基于卷积神经网络的分割器进行标注。所述方法提供了调节神经网络参数以取得理想结果的途径。我们表明，使用所提框架，可显著减少服务于同一目的的纯 k-means 聚类模型的违规行为分类误差。此外，通过给出每通电话静默时长作为关键性能指标，我们显示所提系统自部署以来提升了呼叫中心坐席的绩效。
引用
@article{arxiv.2106.02433,
title = {A Novel Semi-supervised Framework for Call Center Agent Malpractice Detection via Neural Feature Learning},
author = {Şükrü Ozan and Leonardo Obinna Iheme},
journal= {arXiv preprint arXiv:2106.02433},
year = {2021}
}