GPT-Calls: Verbetering van gesprekssegmentatie en tagging door het genereren van synthetische conversaties via grote taalmodellen

GPT-Calls: Enhancing Call Segmentation and Tagging by Generating Synthetic Conversations via Large Language Models

June 9, 2023

Auteurs: Itzik Malkiel, Uri Alon, Yakir Yehuda, Shahar Keren, Oren Barkan, Royi Ronen, Noam Koenigstein

cs.AI

Samenvatting

Transcripties van telefoongesprekken zijn van aanzienlijke waarde in diverse vakgebieden, zoals verkoop, klantenservice, gezondheidszorg en wetshandhaving. Desalniettemin kan de analyse van deze opgenomen gesprekken een moeizaam en tijdrovend proces zijn, vooral wanneer er sprake is van langdurige of complexe dialogen. In dit werk stellen we een nieuwe methode voor, GPT-distilled Calls Segmentation and Tagging (GPT-Calls), voor efficiënte en accurate gesprekssegmentatie en onderwerpextractie. GPT-Calls bestaat uit offline en online fasen. De offline fase wordt eenmaal toegepast op een gegeven lijst van onderwerpen en omvat het genereren van een distributie van synthetische zinnen voor elk onderwerp met behulp van een GPT-model en het extraheren van ankervectoren. De online fase wordt afzonderlijk toegepast op elk gesprek en berekent de gelijkenis tussen de getranscribeerde conversatie en de onderwerpankers die in de offline fase zijn gevonden. Vervolgens wordt tijdsdomeinanalyse toegepast op de gelijkenisscores om uitingen te groeperen in segmenten en ze te labelen met onderwerpen. Het voorgestelde paradigma biedt een accurate en efficiënte methode voor gesprekssegmentatie en onderwerpextractie die geen gelabelde data vereist, waardoor het een veelzijdige aanpak is die toepasbaar is in verschillende domeinen. Ons algoritme werkt in productie onder Dynamics 365 Sales Conversation Intelligence, en ons onderzoek is gebaseerd op echte verkoopgesprekken die zijn verzameld van verschillende Dynamics 365 Sales tenants.

English

Transcriptions of phone calls are of significant value across diverse fields, such as sales, customer service, healthcare, and law enforcement. Nevertheless, the analysis of these recorded conversations can be an arduous and time-intensive process, especially when dealing with extended or multifaceted dialogues. In this work, we propose a novel method, GPT-distilled Calls Segmentation and Tagging (GPT-Calls), for efficient and accurate call segmentation and topic extraction. GPT-Calls is composed of offline and online phases. The offline phase is applied once to a given list of topics and involves generating a distribution of synthetic sentences for each topic using a GPT model and extracting anchor vectors. The online phase is applied to every call separately and scores the similarity between the transcripted conversation and the topic anchors found in the offline phase. Then, time domain analysis is applied to the similarity scores to group utterances into segments and tag them with topics. The proposed paradigm provides an accurate and efficient method for call segmentation and topic extraction that does not require labeled data, thus making it a versatile approach applicable to various domains. Our algorithm operates in production under Dynamics 365 Sales Conversation Intelligence, and our research is based on real sales conversations gathered from various Dynamics 365 Sales tenants.