CN105654250A - 一种满意度自动测评的方法和装置 - Google Patents

Abstract

本发明提供了一种满意度自动测评的方法和装置。所述方法包括：获取用户发送的信息；从用户发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数；根据满意度评价模型的输入参数以及满意度评价模型，确定用户的满意度。本发明通过对用户发送的信息进行分析和处理，能够从用户发送的信息中自动测评用户的满意度，不仅提高了满意度测评速度，增加了测评准确率，而且节省了人力成本。

Description

一种满意度自动测评的方法和装置

【技术领域】

本发明涉及计算机数据处理技术，尤其涉及一种满意度自动测评的方法和装置。

【背景技术】

在语音客服系统或即时通讯(Instantmessaging,简称IM)客服系统中，客服的上级需要通过数据指标来了解所管辖客服的工作状况，及用户反馈。

现有技术中常见的获得用户反馈的方法是通过让服务对象完成满意度调查，例如银行的客服完成服务后或语音客服完成服务后。现有的满意度调查大多是在对客户完成服务后由客服发起，让客户进行评价选择。例如语音客服在语音结束后会播放语音，语音提示客户输入1至4的数字键以确定对服务是非常满意、满意、一般还是不满意，客户根据语音指示提交评价。而现有的即是通讯客服则提供链接供用户评价。

不论是现有技术中的上述哪种评价机制，其在一定程度上取决于客户的主观意识，且会占用客户的额外时间，有时会使客户感到反感。如果客户忽略或忘记了评价，则可能对客服的评价管理数据造成一定误差。

总而言之，现有技术中还没有一种能够自动对用户满意度进行测评的方法和装置，以便能够快速准确的获得用户的满意度反馈。

【发明内容】

本发明提供了一种满意度自动测评的方法和装置，用于提高满意度测评的速度，增加测评的准确率，且节省人力成本。

具体技术方案如下：

一种满意度自动测评的方法，所述方法包括：

获取用户发送的信息；

从用户发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数；

根据满意度评价模型的输入参数以及满意度评价模型，确定用户的满意度。

根据本发明一优选实施例，在获取用户发送的信息之前，所述方法还包括：

训练样本集以获得满意度评价模型，其中所述样本集包括由用户已发送的信息及与用户已发送的信息对应的用户满意度结果构成的样本。

根据本发明一优选实施例，所述训练样本集以获得满意度评价模型包括：

从所述样本集的用户已发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数；

利用提取的满意度评价模型的输入参数及用户满意度结果，采用机器学习的方法进行训练以得到所述满意度评价模型。

根据本发明一优选实施例，所述用户发送的信息包括用户发送的语音信息和/或文本信息。

根据本发明一优选实施例，所述从用户发送的信息中提取用户的满意度特征包括：

从用户发送的语音信息中提取语音、语调、音量、语速中的至少一个作为满意度特征。

根据本发明一优选实施例，所述从用户发送的信息中提取用户的满意度特征包括：

将用户发送的语音信息转换成文本信息；

根据关键词词典从转换的文本信息中提取关键词作为满意度特征；或者，

根据语义模型从转换的文本信息中提取语义特征作为满意度特征。

根据本发明一优选实施例，所述从用户发送的信息中提取用户的满意度特征包括：

根据关键词词典从用户发送的文本信息中提取关键词作为满意度特征；或者，

根据语义模型从用户发送的文本信息中提取语义特征作为满意度特征。

根据本发明一优选实施例，根据关键词词典从文本信息中提取关键词作为满意度特征包括：

将文本信息进行分词处理以得到特征集合；

将特征集合与关键词词典进行匹配，从特征集合中提取与关键词词典相匹配的关键词作为满意度特征。

根据本发明一优选实施例，所述从用户发送的信息中提取用户的满意度特征并确定满意度评价模型的输入参数包括以下至少之一：

将满意度特征进行量化后，将各满意度特征的量化值作为满意度评价模型的输入参数；或者，

根据满意度特征的属性确定满意度评价模型的输入参数，其中满意度特征的属性包括满意度特征的声音频率或声音振幅；或者，

将与关键词词典相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数；或者，

将与语义模型相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。

根据本发明一优选实施例，所述根据满意度评价模型的输入参数以及满意度评价模型，确定用户的满意度包括：

将满意度评价模型的输入参数输入满意度评价模型，并获取所述满意度评价模型输出的用户的满意度；

其中，所述满意度评价模型依据所述满意度评价模型的输入参数确定各满意度特征的分值，以根据各满意度特征的分值确定用户的满意度。

一种满意度自动测评的装置，所述装置包括：

获取单元，用于获取用户发送的信息；

提取单元，用于从用户发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数；

确定单元，用于根据满意度评价模型的输入参数以及满意度评价模型，确定用户的满意度。

根据本发明一优选实施例，所述装置还包括训练单元，用于在获取单元获取用户发送的信息之前，训练样本集以获得满意度评价模型，其中所述样本集包括由用户已发送的信息及与用户已发送的信息对应的用户满意度结果构成的样本。

根据本发明一优选实施例，所述训练单元具体执行以下操作：

从所述样本集的用户已发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数；

利用提取的满意度评价模型的输入参数及用户满意度结果，采用机器学习的方法进行训练以得到所述满意度评价模型。

根据本发明一优选实施例，所述用户发送的信息包括用户发送的语音信息和/或文本信息。

根据本发明一优选实施例，若所述用户发送的信息包括语音信息，则所述提取单元通过执行以下操作以从用户发送的信息中提取用户的满意度特征：

从用户发送的语音信息中提取语音、语调、音量、语速中的至少一个作为满意度特征。

根据本发明一优选实施例，所述提取单元进一步执行以下操作：

将用户发送的语音信息转换成文本信息；

根据关键词词典从转换的文本信息中提取关键词作为满意度特征；或者，

根据语义模型从转换的文本信息中提取语义特征作为满意度特征。

根据本发明一优选实施例，若所述用户发送的信息包括文本信息，则所述提取单元通过执行以下操作以从用户发送的信息中提取用户的满意度特征：

根据关键词词典从用户发送的文本信息中提取关键词作为满意度特征；或者，

根据语义模型从用户发送的文本信息中提取语义特征作为满意度特征。

根据本发明一优选实施例，提取单元通过执行以下操作以根据关键词词典从文本信息中提取关键词作为满意度特征：

将文本信息进行分词处理以得到特征集合；

将特征集合与关键词词典进行匹配，从特征集合中提取与关键词词典相匹配的关键词作为满意度特征。

根据本发明一优选实施例，所述提取单元具体执行以下至少之一的操作：

将满意度特征进行量化后，将各满意度特征的量化值作为满意度评价模型的输入参数；或者，

根据满意度特征的属性确定满意度评价模型的输入参数，其中满意度特征的属性包括满意度特征的声音频率或声音振幅；或者，

将与关键词词典相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数；或者，

将与语义模型相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。

根据本发明一优选实施例，所述确定单元具体执行以下操作：

将满意度评价模型的输入参数输入满意度评价模型，并获取所述满意度评价模型输出的用户的满意度；

其中，所述满意度评价模型依据所述满意度评价模型的输入参数确定各满意度特征的分值，以根据各满意度特征的分值确定用户的满意度。

由以上技术方案可以看出，本发明通过对用户发送的信息进行分析和处理，能够从用户发送的信息中自动测评用户的满意度，不仅提高了满意度测评速度，增加了测评准确率，而且节省了人力成本。

【附图说明】

图1为本发明实施例一提供的一种满意度自动测评的方法流程图；

图2为本发明实施例二提供的一种满意度自动测评的装置结构示意图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

实施例一、

图1为本发明实施例一提供的一种满意度自动测评的方法流程图，如图1所示，该方法可以包括如下流程：

101、获取用户发送的信息。

该流程可以获取用于分析满意度所依据的由用户发送的信息。

用户发送的信息可以是用户发送的语音信息和/或文本信息等。例如在语音客服系统中，用户发送的信息可以是用户在线与客服通话时所发送的询问信息，也可以是在即时通讯IM客服系统中，用户通过语音功能，和/或通过打字输入的聊天信息等。

该用户发送的信息可以是用户在生成语音或者文本信息时实时获取的；或者也可以将用户生成的语音或者文本信息存储起来，每间隔一段时间或者根据需要再从存储装置获取该存储的信息作为用户发送的信息。

另外，在获取用户发送的信息时，如果用户发送的信息数据量过大，也可以对用户发送的信息进行抽取，例如截取用户发送信息的开头、结尾的内容，或者截取最容易出现用户满意度特征的时间段的内容，比如在最后10分钟等。

该抽取的规则可以依据对样本进行训练时所发现的规律而进行设置，或者依据人的经验进行设置。

102、从用户发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数。

该流程中，对于用户发送的语音信息，可以从用户发送的语音信息中提取语音、语调、音量、语速中的至少一个作为满意度特征；也可以将用户发送的语音信息转换成文本信息；根据关键词词典从所述文本信息中提取关键词作为满意度特征；或者，根据语义模型从所述文本信息中提取语义特征作为满意度特征。

对于用户发送的文本信息，可以根据关键词词典从文本信息中提取关键词作为满意度特征；或者，根据语义模型从所述文本信息中提取语义特征作为满意度特征。

其中，根据关键词词典从所述文本信息中提取关键词作为满意度特征可以包括：将文本信息进行分词处理以得到特征集合；将特征集合与满意度特征词典进行匹配，从特征集合中提取与满意度特征词典相匹配的关键词作为满意度特征。

其中，确定满意度评价模型的输入参数的方法可以包括但不限于以下方式：

第一种方式：可以将满意度特征进行量化，将各满意度特征的量化值作为满意度评价模型的输入参数。

例如，语调越高，很大程度上因为用户情绪激动，并不满意；语速越快，很大程度上因为用户情绪激动，并不满意。因此，如果语调越高，该语调特征对应的量化值可以越小；语速越快，该语速特征对应的量化值可以越小。再例如，当用户输入文本时，使用感叹号，则说明用户很生气并不满意，因此可以将包含感叹号的文本特征确定较小的量化值。量化值越小，体现用户的满意度越低。

第二种方式：可以根据满意度特征的属性确定满意度评价模型的输入参数，满意度特征的属性可以包括满意度特征的声音频率或声音振幅。

具体地，如果用户发送的是语音信息，可以从用户发送的语音信息中提取语音、语调、音量、语速等特征，这些特征可以最终反映用户的满意度结果，因此可以作为用于确定满意度的满意度特征。

由于语音、语调、音量、语速等这些特征有其自身的声音频率或声音振幅等属性，例如语调的高低可以由频率决定，频率越高语调越高；音量可以由振幅决定，振幅越大音量越大，因此可以将上述特征的声音频率或声音振幅等属性值作为衡量其自身大小或特性的输入参数，通过这些输入参数能够对该些满意度特征进行量化。

例如可以根据获取的语调的频率确定输入参数为200赫兹，也可以根据获取的音量振幅而确定其输入参数为10分贝。

第三种方式：可以将与关键词词典相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。

如果用户发送的是语音信息，还可以将用户发送的语音信息转换成文本信息，从而通过对该转换后的文本信息进行处理和分析以进一步对用户发送的语音信息中的各满意度特征进行量化。

其中该将语音转换为文本的技术可以通过语音识别技术来实现。

另外，对语音信息提取语音、语调、音量、语速等特征或者将语音信息转换成文本信息之间的执行没有顺序上的规定，其可先后执行、或者同时执行，其均在本发明的保护范围内。

不论是由语音信息转换成的文本信息还是由用户直接发送的文本信息，对上述文本信息，均可以进行提取关键词或者语义特征的处理。

具体地，可以先对文本信息进行分词处理从而得到特征集合。对文本信息进行分词处理可以依据传统的分词词典，即将分词词典与文本信息进行匹配，将文本信息中与分词词典相匹配的词汇作为得到的特征，从而根据得到的各特征构成分词集合。

例如，文本信息包括内容“我对处理结果很满意”，则进行分词处理后可以得到如下的特征集合“我/对/处理/结果/很/满意”。

在得到特征集合后，可以将特征集合与关键词词典进行匹配，以从特征集合中提取与关键词词典相匹配的关键词作为满意度特征。

这里的关键词词典与前述的分词词典并不相同，分词词典可以维护有全部常用的或者传统的词汇，其目的是能够将文本信息以词汇的方式几乎完整的分割，而关键词词典中所维护的是能够表示用户满意度特征的词汇，这些词汇是由相关人员预先标记的，相关人员可以基于在用户沟通中发现的通常表达满意程度的关键词，从而预先维护有关键词词典。

例如，用户在沟通中如果出现了非常感谢，则表明其满意程度很高，可以将该关键词及相似内容维护于关键词词典中。

并且，关键词词典中所维护的内容可以由相关人员根据需要而进行更新。

另外，关键词词典中还记录有与各词汇对应的参数，该参数标明了各词汇所能表达的用户满意程度。

例如，关键词词典可以维护有如下表1所示的内容：

表1

关键词(满意度特征)	参数
		满意	10
谢谢	5
		不满意	-10
差	-8

通过关键词词典，可以从特征集合中确定哪些词汇为用于确定满意度特征的关键词，从而从特征集合中提取这些与关键词词典相匹配的关键词作为满意度特征，并且，还可以将与关键词词典相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。

优选地，满意度评价模型的输入参数还可以与满意度特征的出现数量有关，例如如果“满意”出现了两次或者多次，可以将输入参数在原有关键词词典所对应的参数的基础上增加一定的数值，其增加的幅度可以由预定的算法而决定。

以前述得到的特征集合“我/对/处理/结果/很/满意”为例，根据关键词词典，可以从特征集合中提取到的满意度特征为“满意”，且该满意度评价模型的输入参数为10。

第四种方式：可以将与语义模型相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。

关于语义特征及其输入参数的提取，可以根据语义模型从文本信息中提取语义特征，并且将与语义模型相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。

其中语义可以指一句话的意思，包括同义词，近义词，疑问句，感叹句等。

语义模型可以是通过训练样本集的方式而预先得到的，该样本集中可以包含能够反映用户满意度的已知的语句及其相应的已知满意度结果，根据已知的语句及满意度结果，能够得到反映用户满意度的与相关语句对应的满意度参数。该已知的语句可以是具有相同或类似语义的句子或短语。

103、根据满意度评价模型的输入参数以及满意度评价模型，确定用户的满意度。

其中该满意度评价模型是在获取用户发送的信息之前，预先训练样本集以获得的。

也就是在执行满意度自动测评的方法之前，在数据准备阶段，可以从样本集的用户已发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数；利用提取的满意度评价模型的输入参数及用户满意度结果，采用机器学习的方法进行训练以得到所述满意度评价模型。

样本集可以包括由用户已发送的信息及与用户已发送的信息对应的用户满意度结果构成的样本。

在得到满意度评价模型阶段提取用户的满意度特征及满意度评价模型的输入参数的方式以及前述从用户发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数的方式，其区别仅在于前者基于的是样本集中作为样本的用户已发送的信息，而后者所基于的是用于分析用户满意度基于的真实数据而并非样本数据，其余的提取方式相同，因此在此不再赘述。

其中，该满意度评价模型可以是多维模型，本实施例的多维模型其输出地结果用于表示满意度测评结果，而多维模型的每一维代表了影响满意度测评结果的各元素。

该多维模型可以包括语音、语调、音量、语速、关键词、语义特征等元素，该多维模型中的各元素与从用户发送的信息中提取的满意度特征相对应。

举个例子，多维模型可以理解为一个参数xyz…，其中语音是x，语调是y，关键词是z…，可以将语音、语调、关键词等各种维度的满意度评价模型的输入参数均输入到该模型中。

通过满意度评价模型，可以利用输入参数经过满意度评价模型的预定算法计算出各满意度特征的分值，从而进一步根据各满意度特征的分值而确定用户的满意度。

另外，语音、语调、音量、语速是从用户输入的语音信息中获取的；关键词或语义是将用户输入的语音信息转换成文字信息，从该转换后的文字信息中获得的，关键词或语义也可以直接从用户输入的文字信息中获得。

例如，如果是语音客服系统，可以以现有的满意度打分机制为样本，将获取的已知的用户录音作为用户已发送的信息，将已知的用户满意度打分结果作为与用户已发送的信息对应的用户满意度结果；或者，如果是即时通讯IM客服系统，可以将用户已输入的包括表情图像的文本聊天信息作为用户已发送的信息，将已知的用户满意度打分结果作为与用户已发送的信息对应的用户满意度结果从而构成训练样本。在获得了由已知的录音记录或已知的聊天记录，以及已知的满意度打分结果构成的样本集后，则可以根据已知的录音或文本和已知的结果得到满意度评价模型中各维度特征的分值。

由于有大量的录音或记录的聊天文本，因此可以采用模式识别的相关算法，进行大量的训练，最后生成满意度评价模型。

这样的做法，不仅大大减少了客户的额外工作，还可减少客户评价中的主观成分，使每次沟通都产生客观有效的评价。

优选地，机器学习的方法可以采用诸如神经网络模型、决策树、支持向量机等，其均在本发明的保护范围内。

步骤103可以依据由步骤102提取的满意度特征和输入参数，并且依据预先得到的满意度评价模型，从而将满意度评价模型的输入参数输入满意度评价模型；进而通过满意度评价模型确定各满意度特征的分值，以根据各满意度特征的分值确定用户的满意度。。

举个例子，假设获取到的用户发送的信息为“我对处理结果很满意”，则对于该特定的用户发送的信息，提取的满意度特征与输入参数的对应关系如表2所示：

表2

基于满意度特征与满意度评价模型中各元素的对应关系，可以向满意度评价模型输入【关键词，语义，语调，音量，语速】的输入参数【10，0，200，10，7】。

满意度评价模型可以采用归一化的方式，将该输入参数归一化为【1,0,0.3，0.2,0.6】，满意度评价模型进而根据该归一化的输入参数依据模型的预定算法确定各满意度特征的分值，并最终依据各满意度特征的分值输出一个结果，例如得到值为0.9或0.1的输出结果。

其中，可以设定这个结果数值越接近1表示越满意，越接近0表示越不满意，越接近0.5表示越中性。

另外，上述所提及的归一化、依据预定算法确定各满意度特征的分值、以及求出的最终的分值，实际上都是将输入参数输入满意度评价模型后，满意度评价模型的处理过程，经满意度评价模型处理后，再由满意度评价模型输出作为用户满意度的输出结果。

优选地，在获取用户发送的信息之后，可以向所述用户返回确定的所述用户的满意度，若用户查看自动生成的满意度并对其进行了调整，则可以进一步获取到用户对满意度的调整，并将所述用户调整后的满意度作为所述用户的满意度。

在此之后，可以利用自动生成的满意度评价结果进一步对满意度评价模型进行训练，以不断得到更准确的测评结果。

实施例二、

图2为本发明实施例二提供的一种满意度自动测评的装置结构示意图，如图2所示，该装置可以包括：

获取单元201，用于获取用户发送的信息。

获取单元201主要可以获取用于分析满意度所依据的由用户发送的信息。

用户发送的信息可以是用户发送的语音信息和/或文本信息等。例如在语音客服系统中，用户发送的信息可以是用户在线与客服通话时所发送的询问信息，也可以是在即时通讯IM客服系统中，用户通过语音功能，和/或通过打字输入的聊天信息等。

该用户发送的信息可以是用户在生成语音或者文本信息时实时获取的；或者也可以将用户生成的语音或者文本信息存储起来，每间隔一段时间或者根据需要再从存储装置获取该存储的信息作为用户发送的信息。

另外，在获取用户发送的信息时，如果用户发送的信息数据量过大，也可以对用户发送的信息进行抽取，例如截取用户发送信息的开头、结尾的内容，或者截取最容易出现用户满意度特征的时间段的内容，比如在最后10分钟等。

该抽取的规则可以依据对样本进行训练时所发现的规律而进行设置，或者依据人的经验进行设置。

提取单元202，用于从用户发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数。

具体地，对于用户发送的语音信息，提取单元202可以从用户发送的语音信息中提取语音、语调、音量、语速中的至少一个作为满意度特征；也可以将用户发送的语音信息转换成文本信息；根据关键词词典从所述文本信息中提取关键词作为满意度特征；或者，根据语义模型从所述文本信息中提取语义特征作为满意度特征。

对于用户发送的文本信息，提取单元202可以根据关键词词典从文本信息中提取关键词作为满意度特征；或者，根据语义模型从所述文本信息中提取语义特征作为满意度特征。

其中，提取单元202可以通过执行以下操作以根据关键词词典从所述文本信息中提取关键词作为满意度特征：将文本信息进行分词处理以得到特征集合；将特征集合与满意度特征词典进行匹配，从特征集合中提取与满意度特征词典相匹配的关键词作为满意度特征。

其中，提取单元202可以通过执行但不限于以下操作来确定满意度评价模型的输入参数：

第一种：可以将满意度特征进行量化，将各满意度特征的量化值作为满意度评价模型的输入参数。

第二种：可以根据满意度特征的属性确定满意度评价模型的输入参数，满意度特征的属性可以包括满意度特征的声音频率或声音振幅。

第三种：可以将与关键词词典相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。

如果用户发送的是语音信息，还可以将用户发送的语音信息转换成文本信息，从而通过对该转换后的文本信息进行处理和分析以进一步对用户发送的语音信息中的各满意度特征进行量化。

其中该将语音转换为文本的技术可以通过语音识别技术来实现。

另外，对语音信息提取语音、语调、音量、语速等特征或者将语音信息转换成文本信息之间的执行没有顺序上的规定，其可先后执行、或者同时执行，其均在本发明的保护范围内。

不论是由语音信息转换成的文本信息还是由用户直接发送的文本信息，对上述文本信息，均可以进行提取关键词或者语义特征的处理。

具体地，可以先对文本信息进行分词处理从而得到特征集合。对文本信息进行分词处理可以依据传统的分词词典，即将分词词典与文本信息进行匹配，将文本信息中与分词词典相匹配的词汇作为得到的特征，从而根据得到的各特征构成分词集合。

例如，文本信息包括内容“我对处理结果很满意”，则进行分词处理后可以得到如下的特征集合“我/对/处理/结果/很/满意”。

在得到特征集合后，可以将特征集合与关键词词典进行匹配，以从特征集合中提取与关键词词典相匹配的关键词作为满意度特征。

这里的关键词词典与前述的分词词典并不相同，分词词典可以维护有全部常用的或者传统的词汇，其目的是能够将文本信息以词汇的方式几乎完整的分割，而关键词词典中所维护的是能够表示用户满意度特征的词汇，这些词汇是由相关人员预先标记的，相关人员可以基于在用户沟通中发现的通常表达满意程度的关键词，从而预先维护有关键词词典。

并且，关键词词典中所维护的内容可以由相关人员根据需要而进行更新。

另外，关键词词典中还记录有与各词汇对应的参数，该参数标明了各词汇所能表达的用户满意程度。

通过关键词词典，可以从特征集合中确定哪些词汇为用于确定满意度特征的关键词，从而从特征集合中提取这些与关键词词典相匹配的关键词作为满意度特征，并且，还可以将与关键词词典相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。

优选地，满意度评价模型的输入参数还可以与满意度特征的出现数量有关，例如如果满意出现了两次或者多次，可以将输入参数在原有关键词词典所对应的参数的基础上增加一定的数值，其增加的幅度可以由预定的算法而决定。

第四种：可以将与语义模型相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。

关于语义特征及其输入参数的提取，可以根据语义模型从文本信息中提取语义特征，并且将与语义模型相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。

其中语义可以指一句话的意思，包括同义词，近义词，疑问句，感叹句等。

语义模型可以是通过训练样本集的方式而预先得到的，该样本集中可以包含能够反映用户满意度的已知的语句及其相应的已知满意度结果，根据已知的语句及满意度结果，能够得到反映用户满意度的与相关语句对应的满意度参数。该已知的语句可以是具有相同或类似语义的句子或短语。

确定单元203，用于根据满意度评价模型的输入参数以及满意度评价模型，确定用户的满意度。

其中该满意度评价模型是在获取单元201获取用户发送的信息之前，通过训练单元204预先训练样本集以获得的。

也就是在执行满意度自动测评的方法之前，在数据准备阶段，训练单元204可以从样本集的用户已发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数；利用提取的满意度评价模型的输入参数及用户满意度结果，采用机器学习的方法进行训练以得到所述满意度评价模型。

样本集可以包括由用户已发送的信息及与用户已发送的信息对应的用户满意度结果构成的样本。

在得到满意度评价模型阶段中提取用户的满意度特征及满意度评价模型的输入参数的方式以及前述从用户发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数的方式，其区别仅在于前者基于的是样本集中作为样本的用户已发送的信息，后者所基于的是用于分析用户满意度所基于的真实数据而并非样本数据，其余的提取方式相同，因此在此不再赘述。

其中，该满意度评价模型可以是多维模型，本实施例的多维模型其输出地结果用于表示满意度测评结果，而多维模型的每一维代表了影响满意度测评结果的各元素。

该多维模型可以包括语音、语调、音量、语速、关键词、语义特征等元素，该多维模型中的各元素与从用户发送的信息中提取的满意度特征相对应。

其中满意度评价模型可以依据满意度评价模型的输入参数经过预定算法计算出各满意度特征的分值，从而进一步根据各满意度特征的分值而确定用户的满意度。

另外，语音、语调、音量、语速是从用户输入的语音信息中获取的；关键词或语义是将用户输入的语音信息转换成文字信息，从该转换后的文字信息中获得的，关键词或语义也可以直接从用户输入的文字信息中获得。

由于有大量的录音或记录的聊天文本，因此训练单元204可以采用模式识别的相关算法，进行大量的训练，最后生成满意度评价模型。

这样的做法，不仅大大减少了客户的额外工作，还可减少客户评价中的主观成分，使每次沟通都产生客观有效的评价。

优选地，机器学习的方法可以采用诸如神经网络模型、决策树、支持向量机等，其均在本发明的保护范围内。

确定单元203可以依据由提取单元202提取的输入参数，并且依据由训练单元204得到的满意度评价模型，从而将满意度评价模型的输入参数代入满意度评价模型；进而通过满意度评价模型确定各满意度特征的分值，以根据各满意度特征的分值确定用户的满意度。

满意度评价模型可以采用归一化的方式，当输入参数归一化后，满意度评价模型可以进一步根据该归一化的输入参数，确定各满意度特征的分值，从而得到一个结果。

另外，上述所提及的归一化、利用校正值的校正、以及求出的最终的分值，实际上都是将输入参数输入满意度评价模型后，满意度评价模型的处理过程，经满意度评价模型处理后，再由满意度评价模型输出作为用户满意度的输出结果。

优选地，在获取用户发送的信息之后，确定单元203可以向所述用户返回确定的所述用户的满意度，若用户查看自动生成的满意度并对其进行了调整，则确定单元203可以进一步获取到用户对满意度的调整，并将所述用户调整后的满意度作为所述用户的满意度。

在此之后，可以利用自动生成的满意度评价结果进一步对满意度评价模型进行训练，以不断得到更准确的测评结果。

通过实施本发明提供的满意度自动测评的方法和装置，可以在客户与客服的语音或文字沟通结束后，利用语音的特征，及沟通所包含的语义等特征，进行自动的满意度评价。对于这些特征所对应的评价标准可以通过机器学习获得模型。由此，在沟通结束后的任何时刻，均可实现自动的进行满意度评测。

在本发明所提供的几个实施例中，应该理解到，所揭露方法和装置，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。

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。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (20)

1.一种满意度自动测评的方法，其特征在于，所述方法包括：

获取用户发送的信息；

从用户发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数；

根据满意度评价模型的输入参数以及满意度评价模型，确定用户的满意度。

2.根据权利要求1所述的方法，其特征在于，在获取用户发送的信息之前，所述方法还包括：

训练样本集以获得满意度评价模型，其中所述样本集包括由用户已发送的信息及与用户已发送的信息对应的用户满意度结果构成的样本。

3.根据权利要求2所述的方法，其特征在于，所述训练样本集以获得满意度评价模型包括：

从所述样本集的用户已发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数；

利用提取的满意度评价模型的输入参数及用户满意度结果，采用机器学习的方法进行训练以得到所述满意度评价模型。

4.根据权利要求1所述的方法，其特征在于，所述用户发送的信息包括用户发送的语音信息和/或文本信息。

5.根据权利要求4所述的方法，其特征在于，所述从用户发送的信息中提取用户的满意度特征包括：

从用户发送的语音信息中提取语音、语调、音量、语速中的至少一个作为满意度特征。

6.根据权利要求5所述的方法，其特征在于，所述从用户发送的信息中提取用户的满意度特征包括：

将用户发送的语音信息转换成文本信息；

根据关键词词典从转换的文本信息中提取关键词作为满意度特征；或者，

根据语义模型从转换的文本信息中提取语义特征作为满意度特征。

7.根据权利要求4所述的方法，其特征在于，所述从用户发送的信息中提取用户的满意度特征包括：

根据关键词词典从用户发送的文本信息中提取关键词作为满意度特征；或者，

根据语义模型从用户发送的文本信息中提取语义特征作为满意度特征。

8.根据权利要求6或7所述的方法，其特征在于，根据关键词词典从文本信息中提取关键词作为满意度特征包括：

将文本信息进行分词处理以得到特征集合；

将特征集合与关键词词典进行匹配，从特征集合中提取与关键词词典相匹配的关键词作为满意度特征。

9.根据权利要求1所述的方法，其特征在于，所述从用户发送的信息中提取用户的满意度特征并确定满意度评价模型的输入参数包括以下至少之一：

将满意度特征进行量化后，将各满意度特征的量化值作为满意度评价模型的输入参数；或者，

根据满意度特征的属性确定满意度评价模型的输入参数，其中满意度特征的属性包括满意度特征的声音频率或声音振幅；或者，

将与关键词词典相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数；或者，

将与语义模型相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。

10.根据权利要求1所述的方法，其特征在于，所述根据满意度评价模型的输入参数以及满意度评价模型，确定用户的满意度包括：

将满意度评价模型的输入参数输入满意度评价模型，并获取所述满意度评价模型输出的用户的满意度；

其中，所述满意度评价模型依据所述满意度评价模型的输入参数确定各满意度特征的分值，以根据各满意度特征的分值确定用户的满意度。

11.一种满意度自动测评的装置，其特征在于，所述装置包括：

获取单元，用于获取用户发送的信息；

提取单元，用于从用户发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数；

确定单元，用于根据满意度评价模型的输入参数以及满意度评价模型，确定用户的满意度。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括训练单元，用于在获取单元获取用户发送的信息之前，训练样本集以获得满意度评价模型，其中所述样本集包括由用户已发送的信息及与用户已发送的信息对应的用户满意度结果构成的样本。

13.根据权利要求12所述的装置，其特征在于，所述训练单元具体执行以下操作：

从所述样本集的用户已发送的信息中提取用户的满意度特征以确定满意度评价模型的输入参数；

利用提取的满意度评价模型的输入参数及用户满意度结果，采用机器学习的方法进行训练以得到所述满意度评价模型。

14.根据权利要求11所述的装置，其特征在于，所述用户发送的信息包括用户发送的语音信息和/或文本信息。

15.根据权利要求14所述的装置，其特征在于，若所述用户发送的信息包括语音信息，则所述提取单元通过执行以下操作以从用户发送的信息中提取用户的满意度特征：

从用户发送的语音信息中提取语音、语调、音量、语速中的至少一个作为满意度特征。

16.根据权利要求15所述的装置，其特征在于，所述提取单元进一步执行以下操作：

将用户发送的语音信息转换成文本信息；

根据关键词词典从转换的文本信息中提取关键词作为满意度特征；或者，

根据语义模型从转换的文本信息中提取语义特征作为满意度特征。

17.根据权利要求14所述的装置，其特征在于，若所述用户发送的信息包括文本信息，则所述提取单元通过执行以下操作以从用户发送的信息中提取用户的满意度特征：

根据关键词词典从用户发送的文本信息中提取关键词作为满意度特征；或者，

根据语义模型从用户发送的文本信息中提取语义特征作为满意度特征。

18.根据权利要求16或17所述的装置，其特征在于，所述提取单元通过执行以下操作以根据关键词词典从文本信息中提取关键词作为满意度特征：

将文本信息进行分词处理以得到特征集合；

将特征集合与关键词词典进行匹配，从特征集合中提取与关键词词典相匹配的关键词作为满意度特征。

19.根据权利要求11所述的装置，其特征在于，所述提取单元具体执行以下至少之一的操作：

将满意度特征进行量化后，将各满意度特征的量化值作为满意度评价模型的输入参数；或者，

根据满意度特征的属性确定满意度评价模型的输入参数，其中满意度特征的属性包括满意度特征的声音频率或声音振幅；或者，

将与关键词词典相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数；或者，

将与语义模型相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。

20.根据权利要求11所述的装置，其特征在于，所述确定单元具体执行以下操作：

将满意度评价模型的输入参数输入满意度评价模型，并获取所述满意度评价模型输出的用户的满意度；

其中，所述满意度评价模型依据所述满意度评价模型的输入参数确定各满意度特征的分值，以根据各满意度特征的分值确定用户的满意度。