基于XLNet模型的下一代机器质检：从关键词到语义点

市面上有很多面向销售和客服人员的语音质检系统、文本质检系统，绝大部分产品实际使用的是基于“关键词+正则表达式”的机器质检系统。

这种方法的主要优点是部署和上手使用都比较快，主要缺点是存在非常严重的漏检情况。就像一个漏孔很大的筛子一样，难以满足企业对质检的需求越来越精细、对质检效率要求越来越高的发展趋势。

因此，在“关键词+正则表达式”之外，我们开始越来越多地为客户提供基于“语义点+机器学习”方案，并且在实际使用中为很多质检项带来 2~10 倍的效果提升。也就是说，能够多发现 2~10 倍的问题。对于企业而言，这就意味着他们可以更快、更全面地提升服务质量或者实现合规升级。

下一代机器质检：从关键词到语义点

语音和文本质检的主要任务是找出不合格、不合规的地方，即减分项，通常也被称为“负向质检”（另有一种任务是找出做得好的地方，即加分项，通常也被称为“正向质检”）。企业使用传统基于“关键词+正则表达式”的产品做质检，所遇到的最主要问题是“找不全”，通常会漏掉很多不合格、不合规之处，导致质检效率大打折扣。

看一个实际对比的例子。某互联网公司的基础质检项“服务态度问题”，在我们的实际应用中：使用传统“关键词”方案，一天的数据中能找出 13 条，100% 是正确的；使用新的“语义点”方案，能找出 134 条，其中 72% 是对的。所以从最终正确的条数来看，新的“语义点”方案多找出了 8 倍的问题。

再看一个实际的例子。“恐吓威胁”是贷后资产管理领域的基础质检项，即催收员不允许在电话里“恐吓威胁”债务人。在我们的实际应用中：使用传统“关键