CN105224558A - 语音业务的评价处理方法及装置 - Google Patents

Abstract

本发明实施例提供一种语音业务的评价处理方法及装置，该方法包括：获取待评价语音业务相关记录数据；采用根据语音业务相关记录数据获取的语音业务评价模型，对所述待评价语音业务相关记录数据进行评价，获取所述待评价语音业务相关记录数据的评价值；根据所述评价值对所述待评价语音业务相关记录数据对应的语音业务进行评价处理。本发明实施例中，为改进和优化语音业务提供了更为可靠的依据。同时，根据对语音业务相关记录数据的评价还可以反应出网络的真实状况，可以根据所反应的网络状况进一步对网络指标进行调整。

Description

语音业务的评价处理方法及装置

技术领域

本发明涉及通信技术，尤其涉及一种语音业务的评价处理方法及装置。

背景技术

当前运营商提供的语音业务中，基础语音服务依旧占据着绝大部分的比例。为了能够有针对性的改进和优化语音业务，提高业务水平，需要对语音业务数据进行分析评价。

现有技术中，对于语音业务的评价主要采用的方法包括：如果相同的通信双方，连续发生两次通信的间隔时间特别短，则认为第一次通信为质量较差的通信。即仅根据连续两次通信的时间间隔来判断通信质量。

采用现有技术，使得对于语音业务的评价存在局限性，且误判和漏判的概率较大。

发明内容

本发明实施例提供一种语音业务的评价处理方法及装置，用于解决现有技术中语音业务评价存在局限性的问题。

本发明实施例第一方面提供一种语音业务的评价处理方法，包括：

获取待评价语音业务相关记录数据；

采用根据语音业务相关记录数据获取的语音业务评价模型，对所述待评价语音业务相关记录数据进行评价，获取所述待评价语音业务相关记录数据的评价值；

根据所述评价值对所述待评价语音业务相关记录数据对应的语音业务进行评价处理。

结合第一方面，在第一方面的第一种可能的实施方式中，所述采用根据语音业务相关记录数据获取的语音业务评价模型，对所述待评价语音业务相关记录数据进行评价之前，还包括：

获取语音业务相关记录数据；

根据所述语音业务相关记录数据，获取所述语音业务评价模型。

结合第一方面的第一种可能的实施方式，在第一方面的第二种可能的实施方式中，所述语音业务相关记录数据包括：语音业务相关属性数据，对应地，所述根据所述语音业务相关记录数据，获取所述语音业务评价模型具体包括：

根据所述语音业务相关属性数据，获取所述语音业务评价模型。

结合第一方面的第二种可能的实施方式，在第一方面的第三种可能的实施方式中，所述根据所述语音业务相关属性数据，获取所述语音业务评价模型，包括：

采用聚类算法，对所述语音业务相关属性数据进行聚类，获取预设数目个属性数据分类；

根据各分类中的属性数据，计算各分类对应的分类度量指标值；

根据所述各分类对应的所述分类度量指标值，对所述各分类进行排序，获取优劣排序结果；

采用机器学习法，对所述优劣排序结果进行训练，获取所述语音业务评价模型。

结合第一方面的第三种可能的实施方式，在第一方面的第四种可能的实施方式中，所述各分类对应的分类度量指标值包括：所述各分类对应的平均值和标准差。

结合第一方面的第四种可能的实施方式，在第一方面的第五种可能的实施方式中，所述根据所述各分类对应的所述分类度量指标值，对所述各分类进行排序，获取优劣排序结果，包括：

根据所述各分类对应的平均值和各分类中属性数据的属性特征，对所述各分类进行排序，获取第一排序结果；

若所述第一排序结果中包括平均值相同的分类，则将各所述平均值相同的分类按照对应的标准差进行排序，获取第二排序结果；

根据所述第一排序结果和所述第二排序结果，获取所述优劣排序结果。

结合第一方面的第二种至第五种可能的实施方式中任一项，在第一方面的第六种可能的实施方式中，所述根据所述语音业务相关属性数据，获取所述语音业务评价模型之前，还包括：

若所述语音业务相关属性数据中包括两个属性值分布具有相关性的语音业务相关属性数据，则在所述两个语音业务相关属性数据中删除任一个语音业务相关属性数据。

结合第一方面的第二种至第五种可能的实施方式中任一项，在第一方面的第七种可能的实施方式中，所述根据所述语音业务相关属性数据，获取所述语音业务评价模型之前，还包括：

判断各所述语音业务相关属性数据是否具有长尾效应；

若所述语音业务相关属性数据中包括具有长尾效应的语音业务相关属性数据，则消除所述具有长尾效应的语音业务相关属性数据中的长尾数据。

结合第一方面的第七种可能的实施方式，在第一方面的第八种可能的实施方式中，所述判断各所述语音业务相关属性数据是否具有长尾效应，包括：

根据各所述语音业务相关属性数据对应的属性值分布，判断各所述语音业务相关属性数据是否具有长尾效应；

所述消除所述具有长尾效应的语音业务相关属性数据中的长尾数据，包括：

根据各所述语音业务相关属性数据对应的属性值分布，确定长尾数据阈值；

根据所述长尾数据阈值，消除所述具有长尾效应的语音业务相关属性数据的长尾数据。

结合第一方面的第二中可能的实施方式至第八种可能的实施方式中任一项，在第一方面的第九种可能的实施方式中，所述语音业务相关属性数据包括下述任一项或其任意组合：响铃时间、接听时间、分配时间、鉴权请求时间、加密请求时间、业务请求接收时间、挂断时间、结束通信时间、释放时间、呼叫时间。

本发明实施例第二方面提供一种语音业务的评价处理装置，包括：

获取模块，用于获取待评价语音业务相关记录数据；

第一评价模块，用于采用根据语音业务相关记录数据获取的语音业务评价模型，对所述待评价语音业务相关记录数据进行评价，获取所述待评价语音业务相关记录数据的评价值；

第二评价模块，用于根据所述评价值对所述待评价语音业务相关记录数据对应的语音业务进行评价处理。

结合第二方面，在第二方面的第一种可能的实施方式中，所述装置还包括：

模型建立模块，用于获取语音业务相关记录数据，其中，所述语音业务相关记录数据包括语音业务相关属性数据；根据所述语音业务相关属性数据，获取所述语音业务评价模型。

结合第二方面的第一种可能的实施方式，在第二方面的第二种可能的实施方式中，所述语音业务相关记录数据包括：语音业务相关属性数据，对应地，

所述模型建立模块，具体用于根据所述语音业务相关属性数据，获取所述语音业务评价模型。

结合第二方面的第二种可能的实施方式，在第二方面的第三种可能的实施方式中，所述模型建立模块包括：

聚类单元，用于采用聚类算法，对所述语音业务相关属性数据进行聚类，获取预设数目个属性数据分类；

计算单元，用于根据各分类中的属性数据，计算各分类对应的分类度量指标值；

排序单元，用于根据所述各分类对应的所述分类度量指标值，对所述各分类进行排序，获取优劣排序结果；

学习单元，用于采用机器学习法，对所述优劣排序结果进行训练，获取所述语音业务评价模型。

结合第二方面的第三种可能的实施方式，在第二方面的第四种可能的实施方式中，所述各分类对应的分类度量指标值包括：所述各分类对应的平均值和标准差。

结合第二方面的第四种可能的实施方式，在第二方面的第五种可能的实施方式中，所述排序单元，具体用于根据所述各分类对应的平均值和各分类中属性数据的属性特征，对所述各分类进行排序，获取第一排序结果；若所述第一排序结果中包括平均值相同的分类，则将各所述平均值相同的分类按照对应的标准差进行排序，获取第二排序结果；根据所述第一排序结果和所述第二排序结果，获取所述优劣排序结果。

结合第二方面的第二种至第五种可能的实施方式中任一项，在第二方面的第五种可能的实施方式中，所述装置还包括：

第一优化模块，用于若所述语音业务相关属性数据中包括两个属性值分布具有相关性的语音业务相关属性数据，则在所述两个语音业务相关属性数据中删除任一个语音业务相关属性数据。

结合第二方面的第二种至第五种可能的实施方式中任一项，在第二方面的第六种可能的实施方式中，所述装置还包括：

第二优化模块，用于判断各所述语音业务相关属性数据是否具有长尾效应；若所述语音业务相关属性数据中包括具有长尾效应的语音业务相关属性数据，则消除所述具有长尾效应的语音业务相关属性数据中的长尾数据。

结合第二方面的第六种可能的实施方式，在第二方面的第七种可能的实施方式中，所述第二优化模块，具体用于根据各所述语音业务相关属性数据对应的属性值分布，判断各所述语音业务相关属性数据是否具有长尾效应；

根据各所述语音业务相关属性数据对应的属性值分布，确定长尾数据阈值；根据所述长尾数据阈值，消除所述具有长尾效应的语音业务相关属性数据的长尾数据。

结合第二方面的第二中可能的实施方式至第八种可能的实施方式中任一项，在第二方面的第九种可能的实施方式中，所述语音业务相关属性数据包括下述任一项或其任意组合：响铃时间、接听时间、分配时间、鉴权请求时间、加密请求时间、业务请求接收时间、挂断时间、结束通信时间、释放时间、呼叫时间。

本发明实施例中，获取待评价语音业务相关记录数据，采用根据语音相关记录数据获取的语音业务评价模型，对待评价语音业务相关记录数据进行评价，获取待评价语音业务相关记录数据的评价值，并根据这些语音业务相关记录数据的评价值进一步对待评价语音业务相关记录数据对应的语音业务进行综合评价处理，从而为改进和优化语音业务提供了更为可靠的依据。同时，根据对语音业务相关记录数据的评价还可以反应出网络的真实状况，可以根据所反应的网络状况进一步对网络指标进行调整。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的语音业务的评价处理方法实施例一的流程示意图；

图2为本发明提供的语音业务的评价处理方法实施例二的流程示意图；

图3为本发明提供的语音业务的数据评价方法实施例三的流程示意图；

图4为本发明提供的语音业务的评价处理装置实施例一的结构示意图；

图5为本发明提供的语音业务的评价处理装置实施例二的结构示意图；

图6为本发明提供的语音业务的评价处理装置实施例三的结构示意图；

图7为本发明提供的语音业务的评价处理装置实施例四的结构示意图；

图8为本发明提供的语音业务的评价处理装置实施例五的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明提供的语音业务的评价处理方法实施例一的流程示意图，如图1所示，该方法包括：

S101、获取待评价语音业务相关记录数据。

语音业务相关记录数据是指语音业务进行过程中，后台完整记录的语音业务过程中的数据。

S102、采用根据语音相关记录数据获取的语音业务评价模型，对上述待评价语音业务相关记录数据进行评价，获取该待评价语音业务相关记录数据的评价值。

具体地，这里语音业务评价模型是根据大量的历史语音相关记录数据获取的，上述获取的待评价语音业务相关记录数据未来也可以用于建立语音业务评价模型。

S103、根据上述评价值对上述待评价语音业务相关记录数据对应的语音业务进行评价处理。

通过该语音业务评价模型来获取待评价语音业务相关记录数据的评价值，然后进一步根据该评价值来全面的综合地分析评价语音业务，可以对语音业务进行全面可靠的评价。

本实施例中，获取待评价语音业务相关记录数据，采用根据语音相关记录数据获取的语音业务评价模型，对待评价语音业务相关记录数据进行评价，获取待评价语音业务相关记录数据的评价值，并根据这些语音业务相关记录数据的评价值进一步对待评价语音业务相关记录数据对应的语音业务进行综合评价处理，从而为改进和优化语音业务提供了更为可靠的依据。同时，根据对语音业务相关记录数据的评价还可以反应出网络的真实状况，可以根据所反应的网络状况进一步对网络指标进行调整。

具体地，上述采用根据语音相关记录数据获取的语音业务评价模型，对上述待评价语音业务相关记录数据进行评价之前，包括：获取语音业务相关记录数据；根据这些语音业务相关记录数据，获取上述语音业务评价模型。

其中，语音业务相关记录数据包括语音业务相关属性数据。一般情况下，一条语音业务相关记录数据可以包括多个语音业务相关属性数据。对应地，上述根据这些语音业务相关记录数据，获取上述语音业务评价模型，具体为根据上述语音业务相关属性数据，获取语音业务评价模型。

语音业务相关属性数据可以包括：移动主叫(MobileOriginatedCall，简称MOC)数据、移动被叫(MobileTeminatedCall，简称MTC)数据等，但并不以此为限。需要说明的是，在进行语音通信的过程中，后台会完整的记录整个通信过程中的所有数据，在建立模型之前，在数据库中获取大量与语音业务相关记录数据。这些记录数据中包括大量属性数据，获取属性数据的同时可以获取这些属性数据对应的属性值以及属性值的分布。需要说明的是，具体评价时，是对接收到的待评价语音业务相关记录数据整体进行评价，获取评价值，而不是针对其中的某个属性数据进行评价。

更具体地，上述语音业务相关属性数据可以包括下述任一项或其任意组合：响铃时间、接听时间、分配时间、鉴权请求时间、加密请求时间、业务请求接收时间、挂断时间、结束通信时间、释放时间、呼叫时间。具体实现过程中，这些属性数据可能是上述MOC数据或MTC数据中的具体属性字段，但并不以此为限。

图2为本发明提供的语音业务的评价处理方法实施例二的流程示意图，如图2所示，上述根据语音业务相关属性数据，获取上述语音业务评价模型，具体可以为：

S201、采用聚类算法，对上述语音业务相关属性数据进行聚类，获取预设数目个属性数据分类。即可以根据具体需要，预设将属性数据聚类为几类。

此处对聚类算法不作限制，可以根据具体的应用场景选择合适的聚类算法。

S202、根据各分类中的属性数据，计算各分类对应的分类度量指标值。

具体地，每个分类下包括至少一种属性数据，每个属性数据可能会对应多个不同的属性值，根据这些属性值就可以计算出每个分类对应的分类度量指标值。

前述获取语音业务相关属性数据时，可以同时获取到每个属性数据对应的大量属性值，以及这些属性值的分布情况。

S203、根据各分类对应的分类度量指标值，对各分类进行排序，获取优劣排序结果。

S204、采用机器学习法，对上述优劣排序结果进行训练，获取上述语音业务评价模型。

这里机器学习法可以选用支持向量机(SupportVectorMachine，简称SVM)，但并不以此为限。当然，随着数据的不断更新，可以不断的根据新数据来更新模型。

更进一步地，上述各分类对应的分类度量指标可以包括：各分类对应的平均值和标准差。但并不以此为限。

假设聚类后有5种分类，举例说明，表1记载这5类中属性数据分别对应的平均值，表2记载这5类中属性数据对应的标准差。

表1

表2

图3为本发明提供的语音业务的数据评价方法实施例三的流程示意图，如图3所示，以各分类对应的平均值和标准差为例进行说明，上述根据各分类对应的分类度量指标值，对各分类进行排序，获取优劣排序结果，可以为：

S301、根据上述分类对应的平均值和各分类中属性数据的属性特征，对上述各分类进行排序，获取第一排序结果。

具体地，各分类中属性数据的属性特征用于表明该属性特性是属性值越大越优，还是属性值越小越优。因此，具体排序时，先按每种属性数据对应的平均值分别为各分类排序，然后再综合确定各分类的第一排序结果。

S302、若该第一排序结果中包括平均值相同的分类，则将各平均值相同的分类按照对应的标准差进行排序，获取第二排序结果。

假设聚类后有5种分类(cluster)，记为：c1、c2、c3、c4、c5，根据平均值排序后，在第一排序结果中c3和c4并列，即它们平均值相同，那么再按照它们的标准差对c3和c4进行排序，获取第二排序结果。

与平均值不同的是，标准差用于表示分类的聚集度，标准差越小表示对应分类中的属性数据越集中，因此，按标准差排列时都是标准差越小则对应的分类越优。

S303、根据第一排序结果和第二排序结果，获取上述优劣排序结果。即综合第一排序结果和第二排序结果，就可以整理获得最终的优劣排序结果。

具体地，该优劣排序结果就可以作为各分类的评价值。将该评价值标记在对应的数据上，用于学习获取模型。

举例说明排序过程，以表1和表2中的数据为例进行排列，表3显示排序结果，表3中每一列表示一种属性数据对应的各分类的排序，其中，第1列表示综合评价值，即排第1位的记5分，排第2位的记4分，依次类推。需要说明的是，表3中“↓”表示对应属性数据的属性值越小越优，“↑”对应属性数据的属性值越大越优。

表3

从第1行可以看出，c2在排序第1的属性数据中包含的个数最多，因此c2最优，记5分，然后第1行中有2个c4，因此c4第二，记4分，从第1行中无法确定c1、c3、c5的排序，进而参照第2行c3有4个，c1有2个，c5有1个，因此排序依次为c3排第3记3分，c1排第4记2分，c5排第5记1分。

进一步地，为了优化样本数据，上述根据语音业务相关属性数据，获取上述语音业务评价模型之前，还包括：若上述语音业务相关属性数据中包括两个属性值分布具有相关性的语音业务相关属性数据，则在上述两个语音业务相关属性数据中删除任一个语音业务相关属性数据。具体实现过程中，可以将语音业务相关属性数据的属性值依次两两进行比较，两两比较时，如果发现这两个属性值分布具有相关性，则删除其中之一，剩余的一个可以继续进行比较，以此类推，就可以在属性值分布特性相同或相似的多个属性数据中只保留一个属性数据，以避免不必要的加权累计效应。

另外，为了优化样本数据，上述根据语音业务相关属性数据，获取上述语音业务评价模型之前，还可以包括：判断各语音业务相关属性数据是否具有长尾效应，若这些语音业务相关属性数据中包括具有长尾效应的属性数据，则消除具有长尾效应的语音业务相关属性数据中的长尾数据。

上述判断各语音业务相关属性数据是否具有长尾效应，具体为：根据各语音业务相关属性数据对应的属性值分布，判断各语音业务相关属性数据是否具有长尾效应。

进一步地，上述消除上述具有长尾效应的语音业务相关属性数据中的长尾数据，具体为：根据各语音业务相关属性数据对应的属性值分布，确定长尾数据阈值；根据该长尾数据阈值，消除具有长尾效应的语音业务相关属性数据中的长尾数据。更具体地，可以根据各属性数据对应的属性值分布，确定各属性数据中“长尾数据在所有属性值中的占比”和“该属性数据中的长尾数据值域区间占比”，然后根据“长尾数据在所有属性值中的占比”小于第一预设阈值的数据和“该属性数据的长尾数据值域区间占比”大于第二预设阈值的数据确定长尾数据阈值。

以具体一个属性数据“鉴权请求时间”举例说明，假设该属性数据对应的属性值有10000个，值域分布在“10～1000”区间的数据为300个，那么此时长尾数据在所有属性值中的占比为3％；假设该属性数据的值域跨度为“1～1000”，根据对应的属性值分布，发现大部分属性值集中在“1～10”，少数值分布在“10～1000”，此时该属性数据的长尾数据值域区间为“10～1000”，即长尾数据值域区间占比为99％。假设第一阈值为5％，第二阈值为80％，那么保留“长尾数据在所有属性值中的占比”大于等于5％的数据，保留“该属性数据的长尾数据值域区间占比”大于等于80％的数据，根据“长尾数据在所有属性值中的占比”小于5％的数据和“该属性数据的长尾数据值域区间占比”小于80％的数据确定所述长尾数据阈值。

具体实现过程中，可以将属性数据的值域跨度切分为多个值域区间来进行判断，例如将“1～1000”切分为：“1～50”、“51～100”、“101～150”……“951～1000”，进而计算确定每个值域区间中的属性值数量占所有属性值数量的比例，来确定长尾数据的值域区间。然后再确定“长尾数据在所有属性值中的占比”和“长尾数据在所有属性值中的占比”。

图4为本发明提供的语音业务的评价处理装置实施例一的结构示意图，如图1所示，该装置包括：获取模块401、第一评价模块402和第二评价模块403。其中：

获取模块401，用于获取待评价语音业务相关记录数据。

第一评价模块402，用于采用根据语音业务相关记录数据获取的语音业务评价模型，对所述待评价语音业务相关记录数据进行评价，获取所述待评价语音业务相关记录数据的评价值。

第二评价模块403，用于根据所述评价值对所述待评价语音业务相关记录数据对应的语音业务进行评价处理。

图5为本发明提供的语音业务的评价处理装置实施例二的结构示意图，如图5所示，在图4的基础上，该装置还可以包括：模型建立模块404，用于获取语音业务相关记录数据；根据所述语音业务相关记录数据，获取所述语音业务评价模型。

具体地，所述语音业务相关记录数据包括：语音业务相关属性数据。相应地，模型建立模块404，具体用于根据所述语音业务相关属性数据，获取所述语音业务评价模型。

继续参照图5，模型建立模块404还可以包括：聚类单元501、计算单元502、排序单元503以及学习单元504。其中：

聚类单元501，用于采用聚类算法，对所述语音业务相关属性数据进行聚类，获取预设数目个属性数据分类。计算单元502，用于根据各分类中的属性数据，计算各分类对应的分类度量指标值。排序单元503，用于根据所述各分类对应的所述分类度量指标值，对所述各分类进行排序，获取优劣排序结果。学习单元504，用于采用机器学习法，对所述优劣排序结果进行训练，获取所述语音业务评价模型。

需要说明的是，具体实现过程中，模型建立模块404可以集成于上述装置，也可以是一个独立的装置，将建立完成的模型传送给上述语音业务的评价处理装置即可。

进一步地，所述各分类对应的分类度量指标值包括：所述各分类对应的平均值和标准差。

更进一步地，排序单元503，具体用于根据所述各分类对应的平均值和各分类中属性数据的属性特征，对所述各分类进行排序，获取第一排序结果；若所述第一排序结果中包括平均值相同的分类，则将各所述平均值相同的分类按照对应的标准差进行排序，获取第二排序结果；根据所述第一排序结果和所述第二排序结果，获取所述优劣排序结果。

图6为本发明提供的语音业务的评价处理装置实施例三的结构示意图，如图6所示，在图5的基础上，该装置还可以包括：第一优化模块601，用于若所述语音业务相关属性数据中包括两个属性值分布具有相关性的语音业务相关属性数据，则在所述两个语音业务相关属性数据中删除任一个语音业务相关属性数据。

图7为本发明提供的语音业务的评价处理装置实施例四的结构示意图，如图7所示，在图5的基础上，该装置还可以包括：第二优化模块701，用于判断各所述语音业务相关属性数据是否具有长尾效应；若所述语音业务相关属性数据中包括具有长尾效应的语音业务相关属性数据，则消除所述具有长尾效应的语音业务相关属性数据中的长尾数据。

更具体地，第二优化模块701，根据各所述语音业务相关属性数据对应的属性值分布，判断各所述语音业务相关属性数据是否具有长尾效应。并相应地，根据各所述语音业务相关属性数据对应的属性值分布，确定长尾数据阈值；根据所述长尾数据阈值，消除所述具有长尾效应的语音业务相关属性数据的长尾数据。

需要说明的是，在某些应用场景下，上述第一优化模块601和第二优化模块701可以同时存在。

另外，所述语音业务相关属性数据包括下述任一项或其任意组合：响铃时间、接听时间、分配时间、鉴权请求时间、加密请求时间、业务请求接收时间、挂断时间、结束通信时间、释放时间、呼叫时间。

图8为本发明提供的语音业务的评价处理装置实施例五的结构示意图，该装置包括：存储器801和处理器802。其中：

存储器801用于存储指令集。该处理器802被配置为调用存储器801中的指令集，以执行如下流程：获取待评价语音业务相关记录数据；采用根据语音业务相关记录数据获取的语音业务评价模型，对所述待评价语音业务相关记录数据进行评价，获取所述待评价语音业务相关记录数据的评价值；根据所述评价值对所述待评价语音业务相关记录数据对应的语音业务进行评价处理。

进一步地，处理器802，还用于在所述采用根据语音业务相关记录数据获取的语音业务评价模型，对所述待评价语音业务相关记录数据进行评价之前，获取语音业务相关记录数据；根据所述语音业务相关记录数据，获取所述语音业务评价模型。

具体地，所述语音业务相关记录数据包括：语音业务相关属性数据。相应地，处理器802，具体用于根据所述语音业务相关属性数据，获取所述语音业务评价模型。

处理器802，具体用于采用聚类算法，对所述语音业务相关属性数据进行聚类，获取预设数目个属性数据分类；根据各分类中的属性数据，计算各分类对应的分类度量指标值；根据所述各分类对应的所述分类度量指标值，对所述各分类进行排序，获取优劣排序结果；采用机器学习法，对所述优劣排序结果进行训练，获取所述语音业务评价模型。

其中，所述各分类对应的分类度量指标值包括：所述各分类对应的平均值和标准差。

更具体地，处理器802，根据所述各分类对应的平均值和各分类中属性数据的属性特征，对所述各分类进行排序，获取第一排序结果；若所述第一排序结果中包括平均值相同的分类，则将各所述平均值相同的分类按照对应的标准差进行排序，获取第二排序结果；根据所述第一排序结果和所述第二排序结果，获取所述优劣排序结果。

处理器802，还用于在根据所述语音业务相关属性数据，获取所述语音业务评价模型之前，若所述语音业务相关属性数据中包括两个属性值分布具有相关性的语音业务相关属性数据，则在所述两个语音业务相关属性数据中删除任一个语音业务相关属性数据。

处理器802，还用于在根据所述语音业务相关属性数据，获取所述语音业务评价模型之前，判断各所述语音业务相关属性数据是否具有长尾效应；若所述语音业务相关属性数据中包括具有长尾效应的语音业务相关属性数据，则消除所述具有长尾效应的语音业务相关属性数据中的长尾数据。

具体地，处理器802，根据各所述语音业务相关属性数据对应的属性值分布，判断各所述语音业务相关属性数据是否具有长尾效应。以及相应地，根据各所述语音业务相关属性数据对应的属性值分布，确定长尾数据阈值；根据所述长尾数据阈值，消除所述具有长尾效应的语音业务相关属性数据的长尾数据。

另外，所述语音业务相关属性数据包括下述任一项或其任意组合：响铃时间、接听时间、分配时间、鉴权请求时间、加密请求时间、业务请求接收时间、挂断时间、结束通信时间、释放时间、呼叫时间。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (20)

1.一种语音业务的评价处理方法，其特征在于，包括：

获取待评价语音业务相关记录数据；

采用根据语音业务相关记录数据获取的语音业务评价模型，对所述待评价语音业务相关记录数据进行评价，获取所述待评价语音业务相关记录数据的评价值；

根据所述评价值对所述待评价语音业务相关记录数据对应的语音业务进行评价处理。

2.根据权利要求1所述的方法，其特征在于，所述采用根据语音业务相关记录数据获取的语音业务评价模型，对所述待评价语音业务相关记录数据进行评价之前，还包括：

获取语音业务相关记录数据；

根据所述语音业务相关记录数据，获取所述语音业务评价模型。

3.根据权利要求2所述的方法，其特征在于，所述语音业务相关记录数据包括：语音业务相关属性数据，对应地，所述根据所述语音业务相关记录数据，获取所述语音业务评价模型具体包括：

根据所述语音业务相关属性数据，获取所述语音业务评价模型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述语音业务相关属性数据，获取所述语音业务评价模型，包括：

采用聚类算法，对所述语音业务相关属性数据进行聚类，获取预设数目个属性数据分类；

根据各分类中的属性数据，计算各分类对应的分类度量指标值；

根据所述各分类对应的所述分类度量指标值，对所述各分类进行排序，获取优劣排序结果；

采用机器学习法，对所述优劣排序结果进行训练，获取所述语音业务评价模型。

5.根据权利要求4所述的方法，其特征在于，所述各分类对应的分类度量指标值包括：所述各分类对应的平均值和标准差。

6.根据权利要求5所述的方法，其特征在于，所述根据所述各分类对应的所述分类度量指标值，对所述各分类进行排序，获取优劣排序结果，包括：

根据所述各分类对应的平均值和各分类中属性数据的属性特征，对所述各分类进行排序，获取第一排序结果；

若所述第一排序结果中包括平均值相同的分类，则将各所述平均值相同的分类按照对应的标准差进行排序，获取第二排序结果；

根据所述第一排序结果和所述第二排序结果，获取所述优劣排序结果。

7.根据权利要求3至6任一项所述的方法，其特征在于，所述根据所述语音业务相关属性数据，获取所述语音业务评价模型之前，还包括：

若所述语音业务相关属性数据中包括两个属性值分布具有相关性的语音业务相关属性数据，则在所述两个语音业务相关属性数据中删除任一个语音业务相关属性数据。

8.根据权利要求3至6任一项所述的方法，其特征在于，所述根据所述语音业务相关属性数据，获取所述语音业务评价模型之前，还包括：

判断各所述语音业务相关属性数据是否具有长尾效应；

若所述语音业务相关属性数据中包括具有长尾效应的语音业务相关属性数据，则消除所述具有长尾效应的语音业务相关属性数据中的长尾数据。

9.根据权利要求8所述的方法，其特征在于，所述判断各所述语音业务相关属性数据是否具有长尾效应，包括：

根据各所述语音业务相关属性数据对应的属性值分布，判断各所述语音业务相关属性数据是否具有长尾效应；

所述消除所述具有长尾效应的语音业务相关属性数据中的长尾数据，包括：

根据各所述语音业务相关属性数据对应的属性值分布，确定长尾数据阈值；

根据所述长尾数据阈值，消除所述具有长尾效应的语音业务相关属性数据的长尾数据。

10.根据权利要求3-9任一项所述的方法，其特征在于，所述语音业务相关属性数据包括下述任一项或其任意组合：响铃时间、接听时间、分配时间、鉴权请求时间、加密请求时间、业务请求接收时间、挂断时间、结束通信时间、释放时间、呼叫时间。

11.一种语音业务的评价处理装置，其特征在于，包括：

获取模块，用于获取待评价语音业务相关记录数据；

第一评价模块，用于采用根据语音业务相关记录数据获取的语音业务评价模型，对所述待评价语音业务相关记录数据进行评价，获取所述待评价语音业务相关记录数据的评价值；

第二评价模块，用于根据所述评价值对所述待评价语音业务相关记录数据对应的语音业务进行评价处理。

12.根据权利要求11所述的装置，其特征在于，还包括：

模型建立模块，用于获取语音业务相关记录数据；根据所述语音业务相关属性数据，获取所述语音业务评价模型。

13.根据权利要求12所述的装置，其特征在于，所述语音业务相关记录数据包括：语音业务相关属性数据，对应地，

所述模型建立模块，具体用于根据所述语音业务相关属性数据，获取所述语音业务评价模型。

14.根据权利要求13所述的装置，其特征在于，所述模型建立模块包括：

聚类单元，用于采用聚类算法，对所述语音业务相关属性数据进行聚类，获取预设数目个属性数据分类；

计算单元，用于根据各分类中的属性数据，计算各分类对应的分类度量指标值；

排序单元，用于根据所述各分类对应的所述分类度量指标值，对所述各分类进行排序，获取优劣排序结果；

学习单元，用于采用机器学习法，对所述优劣排序结果进行训练，获取所述语音业务评价模型。

15.根据权利要求13所述的装置，其特征在于，所述各分类对应的分类度量指标值包括：所述各分类对应的平均值和标准差。

16.根据权利要求15所述的装置，其特征在于，所述排序单元，具体用于根据所述各分类对应的平均值和各分类中属性数据的属性特征，对所述各分类进行排序，获取第一排序结果；若所述第一排序结果中包括平均值相同的分类，则将各所述平均值相同的分类按照对应的标准差进行排序，获取第二排序结果；根据所述第一排序结果和所述第二排序结果，获取所述优劣排序结果。

17.根据权利要求13至16任一项所述的装置，其特征在于，还包括：

第一优化模块，用于若所述语音业务相关属性数据中包括两个属性值分布具有相关性的语音业务相关属性数据，则在所述两个语音业务相关属性数据中删除任一个语音业务相关属性数据。

18.根据权利要求13至16任一项所述的装置，其特征在于，还包括：

第二优化模块，用于判断各所述语音业务相关属性数据是否具有长尾效应；若所述语音业务相关属性数据中包括具有长尾效应的语音业务相关属性数据，则消除所述具有长尾效应的语音业务相关属性数据中的长尾数据。

19.根据权利要求18所述的装置，其特征在于，所述第二优化模块，具体用于根据各所述语音业务相关属性数据对应的属性值分布，判断各所述语音业务相关属性数据是否具有长尾效应；

根据各所述语音业务相关属性数据对应的属性值分布，确定长尾数据阈值；根据所述长尾数据阈值，消除所述具有长尾效应的语音业务相关属性数据的长尾数据。

20.根据权利要求13-19任一项所述的装置，其特征在于，所述语音业务相关属性数据包括下述任一项或其任意组合：响铃时间、接听时间、分配时间、鉴权请求时间、加密请求时间、业务请求接收时间、挂断时间、结束通信时间、释放时间、呼叫时间。