基于深度学习的客服预警分析方法、系统、设备及介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于深度学习的客服预警分析方法、系统、设备及介质。

背景技术

当前服务公司每天有大量的客服与客人的IM(即使通讯)对话，客服与客人在IM交流过程中，常面临一些紧急的服务诉求。诸如：客人提出遭到人身威胁；客人提出酒店图文不符；因为疫情、暴乱等突发情况需要退房；甚至是客人情绪极端无法再继续往下正常的交流。面对这种情形，服务部门要求立马升级处理：如果原来是机器人客服，需要立马切换到真人客服，如果原来是真人客服，需要切换到服务权限更高的领班。

如何甄别这类情形，并同时实现识别准确率高和实时性高，成为一大困扰服务团队的问题。当下识别这类紧急服务诉求，通用的技术是通过预定义好的关键词，对文本进行规则匹配。如果遇到了客人的IM文本消息中，命中了关键词，就会被后台监测到并进行预警。但是这种方法完全基于关键词，并不能结合到语义，因为准确率较低，将导致大量的错误的服务升级，造成大量的人力浪费。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种基于深度学习的客服预警分析方法、系统、设备及介质，实现识别准确率高和实时性高的敏感信息分析和预警。

本发明实施例提供一种基于深度学习的客服预警分析方法，包括如下步骤：

实时获取当前的会话文本，处理当前的会话文本得到当前的会话特征；

从会话文本数据库中获取前一时刻的会话文本，处理前一时刻的会话文本得到前一时刻的会话特征；

将当前的会话特征和前一时刻的会话特征拼合后输入基于深度学习的会话分类模型，得到所述会话分类模型输出的会话类型；

根据所述会话分类模型输出的会话类型确定当前是否需要预警。

可选地，所述处理当前的会话文本得到当前的会话特征，包括如下步骤：

将当前的会话文本进行分词处理，将分词得到的各个词映射到词向量后，组合得到当前的会话特征；

所述处理前一时刻的会话文本得到前一时刻的会话特征，包括如下步骤：

将前一时刻的会话文本进行分词处理，将分词得到的各个词映射到词向量后，组合得到前一时刻的会话特征。

可选地，所述将当前的会话特征和前一时刻的会话特征拼合后输入基于深度学习的会话分类模型，包括如下步骤：

判断当前会话为机器服务会话还是人工服务会话；

如果是机器服务会话，则将当前的会话特征和前一时刻的会话特征拼合后输入基于深度学习的机器服务会话分类模型，得到所述机器服务会话分类模型输出的会话类型；

如果是人工服务会话，则将当前的会话特征和前一时刻的会话特征拼合后输入基于深度学习的人工服务会话分类模型，得到所述人工服务会话分类模型输出的会话类型。

可选地，根据所述会话分类模型输出的会话类型确定当前是否需要预警之后，还包括如下步骤：

如果需要预警，则判断当前会话为机器服务会话还是人工服务会话；

如果是机器服务会话，则将当前会话转为人工服务会话，为当前会话分配客服人员；

如果是人工服务会话，则查询当前客服人员的等级，为当前会话分配更高等级的客服人员。

可选地，所述如果是机器服务会话，则将当前会话转为人工服务会话，为当前会话分配客服人员，包括如下步骤：

根据所述会话类型确定当前的预警等级；

根据所述预警等级确定转为人工服务会话后的客服人员的等级，为当前会话分配对应等级的客服人员；

如果是人工服务会话，则查询当前客服人员的等级，为当前会话分配更高等级的客服人员，包括如下步骤：

根据所述会话类型确定当前的预警等级；

根据所述预警等级确定客服人员需要提升的等级，确定变更后的客服人员的等级，为当前会话分配对应变更后的等级的客服人员。

可选地，所述会话类型包括多个维度的会话类型，根据所述会话分类模型输出的会话类型确定当前是否需要预警，包括如下步骤：

根据各个维度的会话类型和各个维度的预警条件确定当前是否需要预警；

如果一维度的会话类型满足所对应的预警条件，则确定当前需要预警，并且将该满足所对应的预警条件的维度即为预警维度；

将当前的预警维度和预警维度的会话类型存储于所述会话文本数据库。

可选地，根据所述会话分类模型输出的会话类型确定当前是否需要预警之后，还包括如下步骤：

从所述会话文本数据库中获取之前预设时间内对应于同一服务对象的预警数据，所述预警数据包括之前的预警记录，每条所述预警记录包括预警时间、所对应的预警维度和该预警维度的会话类型；

从获取到的预警数据中提取与当前的预警维度相同的预警记录，统计该预警维度的会话类型变化轨迹；

根据该预警维度的会话类型变化轨迹和预设的预警等级评定条件，确定当前的预警等级。

可选地，所述根据该预警维度的会话类型变化轨迹和预设的预警等级评定条件，确定当前的预警等级，包括如下步骤：

当前的预警维度和预警维度的会话类型确定当前的预警等级；

根据预设算法和该预警维度的会话类型变化轨迹计算该维度的预警分值；

根据所述预警分值确定是否需要提高当前的预警等级或降低当前的预警等级。

本发明实施例还提供一种基于深度学习的客服预警分析系统，用于实现所述的基于深度学习的客服预警分析方法，所述系统包括：

第一会话采集模块，用于实时获取当前的会话文本，处理当前的会话文本得到当前的会话特征；

第二会话采集模块，用于从会话文本数据库中获取前一时刻的会话文本，处理前一时刻的会话文本得到前一时刻的会话特征；

会话分类模块，用于将当前的会话特征和前一时刻的会话特征拼合后输入基于深度学习的会话分类模型，得到所述会话分类模型输出的会话类型；

预警分析模块，用于根据所述会话分类模型输出的会话类型确定当前是否需要预警。

本发明实施例还提供一种基于深度学习的客服预警分析设备，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行所述的基于深度学习的客服预警分析方法的步骤。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的基于深度学习的客服预警分析方法的步骤。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

本发明的基于深度学习的客服预警分析方法、系统、设备及介质具有如下有益效果：

本发明基于深度学习对客人的消息进行实时分析分类，结合上下文实现基于语义分析的预警分析，从而可以甄别出紧急服务诉求，并进行预警，为切换到更高级的服务响应提供依据；本发明借助于深度学习的泛化能力，可以提高系统的召回能力，实现了识别准确率高和实时性高的敏感信息分析和预警，大大节省了人力成本。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。

图1是本发明一实施例的基于深度学习的客服预警分析方法的流程图；

图2是本发明一实施例的客服预警分析方法的完整流程图；

图3是本发明一实施例的基于深度学习的客服预警分析系统的结构示意图；

图4是本发明一实施例的基于深度学习的客服预警分析设备的结构示意图；

图5是本发明一实施例的计算机可读存储介质的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

为了解决上述技术问题，本发明基于深度学习来进行敏感信息的分析，从而实现客服过程中的信息预警。深度学习框架，能够避免现有技术中关键词只关注文字是否一致而不关注语义关系的弊端。将预警关键词归并为多个预警的类型，如：“舆情”，“个人安全”，“极端情绪”等，预警问题就可以转换为一个基于深度学习的分类问题。借助深度学习的泛化能力，可以提高系统的召回能力，同时提高准确率，节省人力。

如图1所示，本发明实施例提供一种基于深度学习的客服预警分析方法，包括如下步骤：

S100：实时获取当前的会话文本，处理当前的会话文本得到当前的会话特征；此处会话文本可以是IM文本，也可以是在客服语音通话中的语音数据进行文本转换后得到的会话文本；

S200：从会话文本数据库中获取前一时刻的会话文本，处理前一时刻的会话文本得到前一时刻的会话特征；此处前一时刻的会话文本即为与当前的会话文本为同一服务对象(即客人)的前一时刻的会话文本；

S300：将当前的会话特征和前一时刻的会话特征拼合后输入基于深度学习的会话分类模型，得到所述会话分类模型输出的会话类型；所述会话分类模型可以提取所述当前的会话特征和前一时刻的会话特征拼合后的特征中的深层特征，并进行分类预测；

S400：根据所述会话分类模型输出的会话类型确定当前是否需要预警，具体地，可以设定需要预警的会话类型条件，如果所述会话分类模型输出的会话类型符合需要预警的会话类型条件，则当前需要预警，否则无需预警。

在通过步骤S400完成预警分析后，可以将当前的会话文本也存储到所述会话文本数据库中，从而可以用于下一时刻会话文本的预警分析。所述会话文本数据库可以采用Redis数据库，但本发明不限于此，在其他可替代的实施方式中，也可以采用其他类型的数据库。所述步骤S300中，所述会话分类模型可以采用例如卷积神经网络等模型类型，但本发明不限于此。步骤S100和步骤S200中获取的会话文本优选是客人的会话文本，但本发明不限于此。

该实施例的基于深度学习的客服预警分析方法中，每个步骤的序号仅为区分各个步骤，而不作为各个步骤的具体执行顺序的限定，上述各个步骤之间的执行顺序可以根据需要调整改变。例如，步骤S200和步骤S100的顺序可以相互交换。

本发明通过步骤S100实时获取当前的会话文本，通过步骤S200获取前一时刻的会话文本，通过步骤S300基于深度学习对客人的消息进行实时分析分类，并且通过结合上下文实现基于语义分析的预警分析，从而通过步骤S400可以准确地甄别出紧急服务诉求，并进行预警，为切换到更高级的服务响应提供依据；本发明借助于深度学习的泛化能力，可以提高系统的召回能力，并且结合上下文语义分析，实现了识别准确率高和实时性高的敏感信息分析和预警，大大节省了人力成本。

在该实施例中，所述步骤S100：处理当前的会话文本得到当前的会话特征，包括如下步骤：

将当前的会话文本进行分词处理，将分词得到的各个词映射到词向量后，组合得到当前的会话特征；

所述步骤S200：处理前一时刻的会话文本得到前一时刻的会话特征，包括如下步骤：

将前一时刻的会话文本进行分词处理，将分词得到的各个词映射到词向量后，组合得到前一时刻的会话特征。

在应用本发明的客服预警分析方法之前，还包括预先训练词向量的步骤，即建立词与词向量之间的映射关系。此处以酒店客服为例，具体地，训练词向量包括如下步骤：

收集酒店IM消息文本；

对收集的消息文本进行数据预处理，主要包括繁体转简体、大写转小写、去除特殊标点符号、分词、分句等；

利用无监督学习的方式，训练词向量。

在本发明中，在应用该客服预警分析方法之前，还可以包括训练所述会话分类模型的步骤。具体地，包括采集大量的客人会话文本，加入训练集，并对训练集中的客人会话文本进行会话类型的标记，然后使用标记后的训练集训练基于深度学习构建的会话分类模型。将所述训练集中的会话文本的会话特征输入到会话分类模型中，得到所述会话分类模型输出的预测类型，根据标记的会话类型和预测类型构建损失函数，并反馈回去优化模型参数，然后迭代训练，至所述损失函数小于预设阈值为止，得到训练好的会话分类模型。

如图2所示，在一具体实例中，获取当前的IM会话文本后，可以分为两种情况进行处理，判断是否是人工服务，如果不是人工服务，则为机器服务。所述会话文本数据库中还可以存储有历史预警数据，如果当前是机器服务会话，并且针对于同一客人的会话已经预警过，则直接进入机器转人工调度系统，转为人工服务。如果当前是人工服务会话，并且针对于同一客人的会话已经预警过，则直接进入人工预警平台，转为更高一级别的客服人员进行服务。

在该实施例中，所述会话分类模型可以为统一训练的一个，即不管当前会话是机器服务会话中的客人会话，还是人工服务会话中的客人会话，均将当前的会话特征和前一时刻的会话特征输入到该会话分类模型中。

在另一种可替代的实施方式中，所述会话分类模型也可以分别训练两个，即一个是基于机器服务会话中的客人会话训练的机器服务会话分类模型，一个是基于人工服务会话中的客人会话训练的客人会话分类模型。所述步骤S300中，将当前的会话特征和前一时刻的会话特征拼合后输入基于深度学习的会话分类模型，包括如下步骤：

判断当前会话为机器服务会话还是人工服务会话；

如果是机器服务会话，则将当前的会话特征和前一时刻的会话特征拼合后输入基于深度学习的机器服务会话分类模型，得到所述机器服务会话分类模型输出的会话类型；

如果是人工服务会话，则将当前的会话特征和前一时刻的会话特征拼合后输入基于深度学习的人工服务会话分类模型，得到所述人工服务会话分类模型输出的会话类型。

在该实施例中，根据所述会话分类模型输出的会话类型确定当前是否需要预警之后，还包括如下步骤：

如果需要预警，则判断当前会话为机器服务会话还是人工服务会话；

如果是机器服务会话，则通过机器转人工调度系统，将当前会话转为人工服务会话，为当前会话分配客服人员；

如果是人工服务会话，则通过人工预警平台查询当前客服人员的等级，为当前会话分配更高等级的客服人员。

在该实施例中，所述如果是机器服务会话，则将当前会话转为人工服务会话，为当前会话分配客服人员，包括如下步骤：

根据所述会话类型确定当前的预警等级；

根据所述预警等级确定转为人工服务会话后的客服人员的等级，为当前会话分配对应等级的客服人员；例如，可以将需要预警的情况分为多种预警等级，并且在预警等级越高时，所需要更换的客服人员的等级越高；

如果是人工服务会话，则查询当前客服人员的等级，为当前会话分配更高等级的客服人员，包括如下步骤：

根据所述会话类型确定当前的预警等级；

根据所述预警等级确定客服人员需要提升的等级，确定变更后的客服人员的等级，为当前会话分配对应变更后的等级的客服人员。例如，客服人员可以分为多个服务等级，例如包括普通客服、领班以及其他更多的服务等级，在预警等级较低时，可以只是选择比当前的客服人员高一级的客服人员来代替服务，在预警等级较高时，则可以直接选择比当前的客服人员高两级甚至三级的客服人员，进一步提高服务质量和服务监管能力。

本发明通过Redis数据库为会话进行状态的存储提供了条件：一方面，将进行中的会话消息存入到Redis，系统在做预警分析的时候可以拉取到上文信息，比仅仅基于单句消息语义更完整；另一方面，将会话的历史预警信息存入到Redis，系统可以基于单句的消息预警分析结果做一个最终的汇总，得到一个预警信息轨迹，基于该轨迹，可以对整个会话计算诸如“情绪”维度的分值。

在该实施例中，所述会话类型可以包括多个维度的会话类型，例如，分为舆情、客人催促、更换客服、转人工、重复收费等多个维度。例如，对于客人催促这一维度，可以分为一般催促和紧急催促，在所述会话分类模型输出客人催促这一维度的分类结果是一般催促时，则可以由当前客服继续服务，即无需预警，当结果是紧急催促时，则需要预警，更换客服方式(机器转人工，或人工客服升等)。例如，对于更换客服这一维度，可以分为无需更换和需要更换，在所述会话分类模型输出更换客人这一维度的分类结果是无需更换时，可以由当前客服继续服务，即无需预警，当结果是需要更换时，则需要预警，更换客服方式。

所述步骤S400：根据所述会话分类模型输出的会话类型确定当前是否需要预警，包括如下步骤：

根据各个维度的会话类型和各个维度的预警条件确定当前是否需要预警；例如，对于客人催促这一维度，预警条件即为结果是紧急催促，对于更换客服这一维度，预警条件即为结果是需要更换，对于多个维度的会话类型分类结果，只要有一个维度的预警条件满足了，即需要预警；

如果一维度的会话类型满足所对应的预警条件，则确定当前需要预警，并且将该满足所对应的预警条件的维度即为预警维度，在有多个维度的会话类型满足所对应的预警条件时，将多个维度均确定为预警维度；

将当前的预警维度和预警维度的会话类型作为历史预警数据存储于所述会话文本数据库。同时，无论通过步骤S400进行预警分析之后的结果是需要预警还是不需要预警，都需要将当前的会话文本存储于会话文本数据库中，作为下一时刻的会话文本预测分析时的上文。

在该实施例中，所述步骤S400：根据所述会话分类模型输出的会话类型确定当前是否需要预警之后，还包括如下步骤：

从所述会话文本数据库中获取之前预设时间内对应于同一服务对象的预警数据，所述预警数据包括之前的预警记录，每条所述预警记录包括预警时间、所对应的预警维度和该预警维度的会话类型；

从获取到的预警数据中提取与当前的预警维度相同的预警记录，统计该预警维度的会话类型变化轨迹；

根据该预警维度的会话类型变化轨迹和预设的预警等级评定条件，确定当前的预警等级。

在该实施例中，所述根据该预警维度的会话类型变化轨迹和预设的预警等级评定条件，确定当前的预警等级，包括如下步骤：

当前的预警维度和预警维度的会话类型确定当前的预警等级，例如可以设定当前具有一个预警维度时，预警等级为低，当前具有两个或三个预警维度时，预警等级为中，当前具有三个以上预警维度时，预警等级为高，或者也可以设置某一个维度作为预警维度时，预警等级为高，此处预警等级的评定方法也可以采用其他方式，而不以此处列举的为限；

根据预设算法和该预警维度的会话类型变化轨迹计算该维度的预警分值；例如，可以设定预警分值＝a1*k1+a2*k2+a3*k3，其中a1为该预警维度在之前预设时间内的出现次数，a2为该预警维度的预设权重分值，a3为该预警维度中出现最多的会话类型的预设权重分值，k1、k2、k3分别为预设的a1、a2和a3的权重值；

根据所述预警分值确定是否需要提高当前的预警等级或降低当前的预警等级。例如，当预警分值大于第一阈值时，提高当前的预警等级，当预警分值小于第二阈值时，降低当前的预警等级。在当前有多个预警维度时，可以计算多个预警维度的预警分值的平均值，然后当预警分值的平均值大于第一阈值时，提高当前的预警等级，当预警分值的平均值小于第二阈值时，降低当前的预警等级。

如图3所示，本发明实施例还提供一种基于深度学习的客服预警分析系统，用于实现所述的基于深度学习的客服预警分析方法，所述系统包括：

第一会话采集模块M100，用于实时获取当前的会话文本，处理当前的会话文本得到当前的会话特征；第一会话采集模块M100可以与IM会话系统直接通信，实时采集当前的客人文本；

第二会话采集模块M200，用于从会话文本数据库中获取前一时刻的会话文本，处理前一时刻的会话文本得到前一时刻的会话特征；第二会话采集模块M200与会话文本数据库(例如，Redis数据库)进行通信，获取前一时刻服务于同一客人的客人文本；

会话分类模块M300，用于将当前的会话特征和前一时刻的会话特征拼合后输入基于深度学习的会话分类模型，得到所述会话分类模型输出的会话类型；所述会话分类模型在训练好后可以进行封装，所述客服预警分析系统利用http协议调用的方式请求所述会话分类模型；

预警分析模块M400，用于根据所述会话分类模型输出的会话类型确定当前是否需要预警，如果需要预警，则将预警数据和当前的会话文本一起存储到会话文本数据库中，如果不需要预警，则将当前的会话文本存储到会话文本数据库中。

本发明通过第一会话采集模块M100实时获取当前的会话文本，通过第二会话采集模块M200获取前一时刻的会话文本，通过会话分类模块M300基于深度学习对客人的消息进行实时分析分类，并且通过结合上下文实现基于语义分析的预警分析，从而通过预警分析模块M400可以准确地甄别出紧急服务诉求，并进行预警，为切换到更高级的服务响应提供依据；本发明借助于深度学习的泛化能力，可以提高系统的召回能力，并且结合上下文语义分析，实现了识别准确率高和实时性高的敏感信息分析和预警，大大节省了人力成本。

本发明的基于深度学习的客服预警分析系统中，各个模块的功能可以采用如上所述的基于深度学习的客服预警分析方法的具体实施方式来实现，此处不予赘述。

本发明实施例还提供一种基于深度学习的客服预警分析设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的基于深度学习的客服预警分析方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。

下面参照图4来描述根据本发明的这种实施方式的电子设备600。图4显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述基于深度学习的客服预警分析方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的基于深度学习的客服预警分析方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上执行时，所述程序代码用于使所述终端设备执行本说明书上述基于深度学习的客服预警分析方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图5所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上执行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，通过采用本发明的基于深度学习的客服预警分析方法、系统、设备及介质，基于深度学习对客人的消息进行实时分析分类，结合上下文实现基于语义分析的预警分析，从而可以甄别出紧急服务诉求，并进行预警，为切换到更高级的服务响应提供依据；本发明借助于深度学习的泛化能力，可以提高系统的召回能力，实现了识别准确率高和实时性高的敏感信息分析和预警，大大节省了人力成本。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。