高校信息网络中心的呼叫中心的坐席人员在接听来电时同步创建工单,历史工单信息反映出,来电可被划分为一定数目的业务类型,且每个业务类型中包含高频咨询问题。因此可根据业务类型构建知识库对部分来电进行智能应答,以提高服务效率。录音分类成为构建智能应答呼叫中心的基础,大量的录音数据通常转化为文本处理,已有的录音数据均有与之关联的工单,工单可作为补充信息,提高录音文本分类的准确率。本文基于呼叫中心的录音文本及关联工单数据,对已有的深度学习分类方法进行改进,提出引入权重因子的呼叫中心录音文本分类算法,并基于该算法实现呼叫中心录音文本分类系统。首先,提出加权提取文本特征的呼叫中心录音文本分类算法。工单中的信息及录音文本的首句通常体现通话的主题,包含更多的关键词信息,因此向语句特征引入权重因子。录音文本和工单文本经ELMo模型训练得到词向量后一起输入卷积神经网络提取语句特征,通过上述权重因子加权后的语句特征拼接后,经过引入注意力机制的门控循环单元神经网络进行上下文语义特征提取,最后经输出层得到分类结果。其次,基于所提算法,设计并实现呼叫中心录音文本分类系统。该系统包括呼叫功能层、分类模型层和应用层。呼叫功能层基于FreeSWITCH电话软交换平台,实现通话控制、互动式语音应答、自动呼叫分配等功能,分类模型层对录音进行文本转化、数据预处理、训练分类模型及利用模型进行预测,应用层可获取用户对坐席、语音导航、分类模型超参数的配置,并提供可视化界面展示分类结果、模型评价指标和数据统计结果。实验结果表明,融合工单信息并加权提取文本特征的分类方法具有较好的表现效果,基于该算法实现的录音文本分类系统可实现呼叫中心的通话控制功能,并可利用通话录音训练分类模型和预测新生成录音的类别。