用户情绪预测方法和装置
技术领域
本申请主要涉及人工智能技术,尤其涉及利用反馈信息来预测情绪。
背景技术
在传统的用户反馈系统中,反馈内容分为正面和负面2种情绪,正面的反馈可被引导到APP好评(如店铺五星好评等),负面的是用于提交缺陷反馈以帮助改进。但是由于不知道用户的反馈是否正面,只能弹出一个选择框让用户自己选择正负面来分流,体验很差。
随着计算机技术的进步,出现了机器学习(Machine Learning)技术。机器学习技术涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科,专门研究计算机如何模拟或实现人类的学习行为,以获取新的知识或技能,从而重新组织已有的知识结构,使之不断改善自身的性能。
基于机器学习技术,可针对用户输入的文本进行文本分析,从而进行情绪识别和情绪预测。文本分析是指对文本的表示及其特征项的选取,其涉及将无结构的原始文本转化为结构化的计算机可以识别处理的信息,即对文本进行科学的抽象、建立它的数学模型,用以描述和代替文本。由于文本的语义不可避免地会反映人的特定立场、观点、价值和利益,因此,经由文本内容分析,可以推断文本提供者的意图和目的。
情绪识别指人工智能通过获取个体的生理或非生理信号对个体的情绪状态进行自动识别,是情感计算的一个重要组成部分。情绪识别研究的内容包括面部表情、语音、心率、行为、文本和生理信号识别等方面,通过以上内容来判断用户的情绪状态。
专利申请CN108121698A“中文文字情绪识别方法及系统”涉及一种中文文字情绪识别方法,包括:获取特征词库和中文文本,所述特征词库包括:甄别特征和情绪特征;通过所述甄别特征对中文文本的领域和种类进行判断,该种类至少包括:文章和评论;根据该领域对应的情绪特征在文章或评论中搜索得到关键词,并对该关键词的频次和情感倾向分数进行计算,得到情绪倾向比例。该专利申请CN108121698A针对文章或评论来进行情绪识别,但并不能应用于反馈系统。
情绪预测是指系统对当前交互情境中用户未来事件发生时情绪体验的事前预期。基于情绪识别的积累,可对个体的情绪进行预测。
专利申请CN104573030A“一种文本情绪预测方法及装置”是在人工构建具有动作与对象标注的情绪匹配知识库的基础上,将待分类文本自动学习进行分类,提高读者情绪预测的准确性和效率。该申请涉及应用自然语言处理技术和情绪计算技术,对读者阅读文本后可能触发的情绪类别进行预测。
然而,在反馈系统中,由于每个人的性格不同、受教育程度不同、对于不同主题或话题的喜好程度不同以及应用场景的不同等等,单就文字的字面意思而忽略个体的差异经常会由于信息不够全面而导致判断结果不准确。比如,对于用户输入的文字反馈而言,“不错”、“还好”等评论或反馈往往过于主观,无法对其情绪进行准确地识别,更无法进行准确地预测。
因此,在信息反馈领域中,需要一种能够更为客观、更为准确地预测用户情绪的方法和装置。
发明内容
为解决上述技术问题,本发明提供了一种用户情绪预测方法和装置,该用户情绪预测方法和装置通过纳入对交互上下文的分析,来对用户的情绪进行预测,不仅帮用户解决了交互障碍、优化了体验,而且使得情绪预测的客观性和准确性得到了提高。
根据本发明一实施例,提供了一种基于交互上下文的用户情绪预测方法,包括:接收交互上下文信息;获取情绪特征;提取所述交互上下文信息中的关键词;获取所述关键词各自的频次和/或权重;以及根据这些关键词的频次和/或权重,获取用户的情绪倾向。
根据本发明一实施例,交互上下文信息包括文本信息、图像信息、日志信息、视频信息、语音信息。
根据本发明另一实施例,文本信息包括会话、评论、文章。
根据本发明又一实施例,图像信息包括交互界面图片或反馈图片。
根据本发明再一实施例,日志信息包括业务操作日志。
根据本发明一实施例,获取情绪特征可包括基于产品或应用所属的领域来不同地获取情绪特征。
根据本发明另一实施例,获取情绪特征可包括基于交互上下文信息的种类来不同地获取情绪特征。
根据本发明一实施例,权重针对不同交互环境来按需选择。
根据本发明一实施例,用户情绪倾向可基于不同的产品或应用来划分不同层次。
根据本发明另一实施例,用户情绪倾向可基于用户情绪倾向判定的要求来划分不同层次。
根据本发明一实施例,提供了一种基于交互上下文的用户情绪预测装置,包括:获取模块,用于接收交互上下文信息,并获取情绪特征;以及分析模块,用于:提取所述交互上下文信息中的关键词;获取所述关键词各自的频次和/或权重;以及根据这些关键词的频次和/或权重,获取用户的情绪倾向。
根据本发明一实施例,交互上下文信息包括文本信息、图像信息、日志信息、视频信息、语音信息。
根据本发明另一实施例,文本信息包括会话、评论、文章。
根据本发明又一实施例,图像信息包括交互界面图片或反馈图片。
根据本发明再一实施例,日志信息包括业务操作日志。
根据本发明一实施例,获取模块获取情绪特征可包括所述获取模块基于产品或应用所属的领域来不同地获取情绪特征。
根据本发明另一实施例,获取模块获取情绪特征可包括所述获取模块基于交互上下文信息的种类来不同地获取情绪特征。
根据本发明一实施例,获取模块可针对不同交互环境来按需选择所述权重。
根据本发明一实施例,获取模块可基于不同的产品或应用来将所述用户情绪倾向划分成不同层次。
根据本发明另一实施例,获取模块可基于用户情绪倾向判定的要求来将所述用户情绪倾向划分成不同层次。
根据本发明一实施例,提供了一种存储有指令的计算机可读存储介质,当所述指令被执行时使得机器执行如以上实施例所述的方法。
根据本发明一实施例,提供了包括用于执行如以上实施例所述的方法的装置。
提供本概述以便以简化的形式介绍以下在详细描述中进一步描述的一些概念。本概述并不旨在标识所要求保护主题的关键特征或必要特征,也不旨在用于限制所要求保护主题的范围。
附图说明
本发明的以上发明内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是,附图仅作为所请求保护的发明的示例。在附图中,相同的附图标记代表相同或类似的元素。
图1示出了产品反馈系统的一示例性界面。
图2示出了反馈系统的另一示例性界面。
图3示出了反馈系统的又一示例性界面。
图4示出了根据本发明一实施例的基于交互上下文的用户情绪预测方法的流程图。
图5示出了根据本发明一实施例的基于反馈文本的用户情绪预测方法的流程图。
图6示出了根据本发明一实施例的基于反馈图片的用户情绪预测方法的流程图。
图7示出了根据本发明一实施例的基于业务操作日志的用户情绪预测方法的流程图。
图8示出了根据本发明一实施例的基于反馈文本和反馈图片的用户情绪预测方法的流程图。
图9示出了根据本发明一实施例的基于反馈文本和业务操作日志的用户情绪预测方法的流程图。
图10示出了根据本发明一实施例的基于反馈图片和业务操作日志的用户情绪预测方法的流程图。
图11示出了根据本发明一实施例的基于反馈文本、反馈图片和业务操作日志的用户情绪预测方法的流程图。
图12示出了根据本发明一实施例的用户情绪预测装置的框图。
具体实施方式
情绪识别指人工智能通过获取个体的生理或非生理信号对个体的情绪状态进行自动识别。情绪识别研究的内容对于个体本身而言可分为生理信号和非生理信号两大类,生理信号例如为举例而言脑电、心电等生物电信号和举例而言张力、压力、呼吸等生物非电信号。非生理信号例如为语音、面部表情、以及其他行为数据。情绪识别研究的内容相对于人机交互而言可以是文本,包括消息、会话、评论、文章等等。
现有技术中用于情绪识别的技术大多是基于以上类别进行的。利用生理信号进行情绪识别,需要利用传感器采集信号,当前在网络或远程环境中实用性不高;而利用非生理信号进行情绪识别,可在网络或远程环境中应用,但仍然需要采集过程。利用用户所输入的文本进行情绪识别,采集过程简便,但如前所述,情绪识别的客观性和准确性欠佳。
本申请将通过纳入对交互场景或交互上下文的分析,来提高情绪识别或情绪预测的客观性和准确性。
在本申请中,将以反馈系统的交互上下文中的反馈文本、反馈图片和业务操作日志为例阐述本发明的用户情绪预测方法和装置。本领域技术人员可以理解,本发明的用户情绪预测方法和装置可以针对不同交互场景中的不同交互信息来对用户进行情绪的识别或预测,比如个人或群组间传递的信息(包括文本、图片、音频、视频等等)、群组中共享的信息(同样包括文本、图片、音频、视频等等)、APP的使用日志、web操作日志等等。甚至,手机或掌上设备等的重力加速度信息、陀螺仪信息等亦可被纳入交互上下文的范畴中,通过对该交互上下文的分析,来对用户进行情绪的识别或预测。
反馈系统的交互上下文
在传统的反馈系统中,流程通常由用户发起,即用户点击反馈按钮,APP弹出对话框,由用户选择正面或负面情绪反馈,通常以包括文字、截图、或照片等的评论形式来提交。这种反馈方式相对单一,尤其当用户繁忙或不愿进行反馈时,将无法恰当地呈现用户对系统或产品的使用体验。
图1示出了产品反馈系统的示例性界面100。在该示例性界面100中,包括星级评分栏101、标题输入栏102以及具体评论栏103。从标题输入栏102和具体评论栏103中,系统可提取用户的反馈文本,继而对该反馈文本进行机器学习,再进行情绪预测。
图2示出了反馈系统的示例性界面200。在该示例性界面200中,包括两个手机APP的反馈图片,其中图片202示出“银行网络系统繁忙”,而图片204示出“请完成认证后再登录”。
实际上,这些图片中均包含了报错,通过抓取其中的文字和坐标,可判断当前界面上的报错是否使得用户与系统的交互受到了阻碍。例如,“系统繁忙”、“身份证号错误”等的报错通常会使得用户的情绪倾向于负面。在本发明的另一实施例中,可通过抓取界面中间区域的坐标,来检测出报错信息,因为通常报错信息是居中的。
图3示出了反馈系统的示例性界面300。在该示例性界面300中,可显示业务操作日志301或303。通过对日志301中“错误”以及日志303中“error”的提取,可预测用户情绪相对不佳。
如上所述,交互上下文在当今的网络应用中非常丰富和多样,本申请通过纳入对交互上下文的分析,来对用户的情绪进行预测,不仅帮用户解决了交互障碍、优化了体验,而且使得情绪预测的客观性和准确性得到了提高。
用户情绪预测方法
本发明的用户情绪预测方法通过将交互上下文信息输入到机器学习模型中,来预测用户的情绪。该交互上下文信息例如包括用户的反馈文本、用户的反馈图片、以及业务操作日志等等。
本发明的用户情绪预测方法基于机器学习和分类器来实现。机器学习是指对于某类任务和性能度量,如果计算机程序在该类任务上以性能度量来衡量的性能随着经验而自我完善,则该计算机程序即进行了机器学习。
分类是机器学习应用于数据挖掘的一种重要方法。分类是在已有数据的基础上学会一个分类函数或构造出一个分类模型(即分类器)。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个,从而应用于数据预测。分类器是数据挖掘中对样本进行分类的方法的统称,包含决策树、逻辑回归、朴素贝叶斯、神经网络、SVM(支持向量机)、随机森林等算法。本发明的用户情绪预测方法可按需采用以上任一分类器。
图4示出了根据本发明一实施例的基于交互上下文的用户情绪预测方法的流程图400。
在401,接收交互上下文信息。该交互上下文信息包括文本信息、图像信息、日志信息等。在本发明的另一实施例中,该交互上下文信息可包括视频信息、语音信息等。
在402,获取情绪特征。该情绪特征是通过从来自大量交互上下文信息提取训练样本,并对训练样本执行分类器算法来获取的。在本发明一实施例中,获取情绪特征可包括基于产品或应用所属的领域来不同地获取情绪特征。在本发明的另一实施例中,获取情绪特征可包括基于交互上下文信息的种类来不同地获取情绪特征。
在403,提取该交互上下文信息中的关键词。在反馈系统中,关键词例如是用户反馈中所抓取的不好的词:例如:失望、再也不会买、难看、丑、差评、不好、马马虎虎、习惯性好评之类,或者例如是用户反馈中所抓取的好的词:喜欢、回购、好看、好吃、美味、赞之类。本领域技术人员可以理解,在不同的交互环境中,关键词可以不同,并且可按需采用。
在404,获取这些关键词各自的频次和/或权重。权重可针对不同交互环境来按需选择。
获取关键词的频次可对该关键词的出现次数进行计数。在本发明一实施例中,该出现次数可以是绝对计数值。在本发明另一实施例中,该出现次数可以是相对于交互上下文信息的长度的相对计数值,即为绝对计数值除以信息长度。
在本发明一实施例中,对于例如衣物的反馈,关键词出现“难看”、“失望”、“丑”等的权重大于“马马虎虎”、“习惯性好评”的权重。
本领域技术人员可以理解,在不同的交互环境中,关键词的频次和/或权重的选择可以不同,并且可按需选择。
在405,根据这些关键词的频次和/或权重,获取用户的情绪倾向。基于不同的产品或应用以及用户的情绪倾向判定的要求,例如粗细粒度、后续跟进措施等,可划分不同层次的用户情绪倾向。
图5示出了根据本发明一实施例的基于反馈文本的用户情绪预测方法的流程图500。
在501,接收反馈文本。该反馈文本包括会话、评论、文章等。
在502,获取情绪特征。该情绪特征是通过从来自大量文本提取训练样本,并对训练样本执行分类器算法来获取的。相对于反馈系统相关的不同产品或应用,情绪特征可基于产品或应用所属的领域以及反馈文本的种类来不同地构建。在本发明的一个实施例中,获取情绪特征可包括基于产品或应用所属的领域以及反馈文本的种类来不同地获取情绪特征。
在503,提取该反馈文本中的关键词。反馈文本中的文字根据因领域和文本种类而异的情绪特征中的情绪特征来抓取并遍历,并与情绪特征进行逐一比对,相匹配者被提取为关键词。
在504,获取这些关键词各自的频次并判定其相应的权重。基于反馈文本是会话、评论还是文章,可针对各个关键词按需选择权重。
在505,根据这些关键词的频次和/或权重,获取用户的情绪倾向。基于不同的产品或应用以及文本种类,可出现不同的关键词以及相应的不同频次,而权重也可相应恰当地选择。用户情绪倾向则可依据用户的情绪倾向判定的要求,例如粗细粒度、后续跟进措施等来划分不同层次。
图6示出了根据本发明一实施例的基于反馈图片的用户情绪预测方法的流程图600。
在601,接收反馈图片。该反馈图片包括人机交互界面图片、交互中报错图片等。在本申请中,反馈图片将以报错图片为例。
在602,获取情绪特征。该情绪特征是通过从来自大量交互图片提取训练样本,并对训练样本执行分类器算法来获取的。相对于反馈系统相关的不同产品或应用,情绪特征可基于产品或应用所属的领域以及交互图片的种类来不同地构建。在本发明的一个实施例中,获取情绪特征可包括基于产品或应用所属的领域以及交互图片的种类来不同地获取情绪特征。
在603,提取该反馈图片中的关键词。在本发明一实施例中,针对报错图片,可抓取图片中的文字。基于所抓取的文字,可判定当前界面上是否有一些报错阻碍了用户与系统的交互。例如,“身份证号错误”的报错将使得用户情绪趋于负面。通过对报错图片的文字进行抓取和遍历,并与情绪特征进行逐一比对,可将相匹配者提取为关键词。
在本发明的另一实施例中,针对报错图片,可抓取图片中的坐标。例如,对于报错,可抓取当前界面上的中间区域。通过对报错图片的坐标处的文字进行抓取和遍历,并与情绪特征进行逐一比对,可将相匹配者提取为关键词。
在604,获取这些关键词各自的频次并判定其相应的权重。基于例如反馈图片是交互界面图片还是报错图片,可针对各个关键词按需选择权重。
在605,根据这些关键词的频次和/或权重,获取用户的情绪倾向。基于交互过程中的不同阶段,例如身份验证阶段、交易阶段,可出现不同的关键词以及相应的不同频次,而权重也可相应恰当地选择。用户情绪倾向则可依据用户的情绪倾向判定的要求,例如粗细粒度、后续跟进措施等来划分不同层次。
图7示出了根据本发明一实施例的基于业务操作日志的用户情绪预测方法的流程图700。
在701,接收业务操作日志。该业务操作日志因不同的业务而异。在各个不同APP的后台,涉及大量的业务逻辑操作;在一个业务逻辑操作完成后,不管其成功还是失败,都会生成一条业务操作日志。业务操作日志可被插入到数据库中,供后续调取或提取。
在本发明的一个实施例中,操作日志301涉及账号或登录密码错误。而在本发明的另一实施例中,操作日志302涉及网络连接错误。
在702,获取情绪特征。该情绪特征是通过从来自大量业务操作日志提取训练样本,并对训练样本执行分类器算法来获取的。相对于反馈系统相关的不同产品或应用,情绪特征可基于产品或应用所属的领域以及业务操作日志的种类来不同地构建。在本发明的一个实施例中,获取情绪特征可包括基于产品或应用所属的领域以及业务操作日志的种类来不同地获取情绪特征。
在703,提取该业务操作日志中的关键词。业务操作日志中的文字根据因领域和业务操作日志种类而异的情绪特征中的情绪特征来抓取并遍历,并与情绪特征进行逐一比对,相匹配者被提取为关键词。
在704,获取这些关键词各自的频次并判定其相应的权重。基于因不同业务而异的业务操作日志,可针对各个关键词按需选择权重。
在705,根据这些关键词的频次和/或权重,获取用户的情绪倾向。基于关于不同产品或应用的业务操作日志,可出现不同的关键词以及相应的不同频次,而权重也可相应恰当地选择。用户情绪倾向则可依据用户的情绪倾向判定的要求,例如粗细粒度、后续跟进措施等来划分不同层次。
图8示出了根据本发明一实施例的基于反馈文本和反馈图片的用户情绪预测方法的流程图800。
在801,接收反馈文本和相关反馈图片。该反馈文本包括会话、评论、文章等。该反馈图片包括人机交互界面图片、交互中报错图片等。
在802,获取情绪特征。该情绪特征是通过从来自大量文本或交互图片提取训练样本,并对训练样本执行分类器算法来获取的。相对于反馈系统相关的不同产品或应用,情绪特征可基于产品或应用所属的领域以及反馈文本或交互图片的种类来不同地构建。在本发明的一个实施例中,获取情绪特征可包括基于产品或应用所属的领域以及反馈文本或交互图片的种类来不同地获取情绪特征。
在803,提取该反馈文本和反馈图片中的关键词。反馈文本中的文字或反馈图片中的文字根据因领域和文本或图片种类而异的情绪特征中的情绪特征来抓取并遍历,并与情绪特征进行逐一比对,相匹配者被提取为关键词。
在804,获取这些关键词各自的频次并判定其相应的权重。基于反馈文本是会话、评论还是文章以及反馈图片是交互界面图片还是报错图片,可针对各个关键词按需选择权重。
在808,根据这些关键词的频次和/或权重,获取用户的情绪倾向。基于不同的产品或应用以及处于交互过程中的不同阶段,例如身份验证阶段、交易阶段,可出现不同的关键词以及相应的不同频次,而权重也可相应恰当地选择。用户情绪倾向则可依据用户的情绪倾向判定的要求,例如粗细粒度、后续跟进措施等来划分不同层次。
在本发明的一个实施例中,对于基于来自反馈文本的关键词获取的用户情绪倾向、以及基于来自反馈图片的关键词获取的用户情绪倾向,可加以不同的权重,从而获取综合的用户情绪倾向。
图9示出了根据本发明一实施例的基于反馈文本和业务操作日志的用户情绪预测方法的流程图900。
在901,接收反馈文本和相关业务操作日志。该反馈文本包括会话、评论、文章等。而业务操作日志因不同的业务而异。
在902,获取情绪特征。该情绪特征是通过从来自大量文本或业务操作日志提取训练样本,并对训练样本执行分类器算法来获取的。相对于反馈系统相关的不同产品或应用,情绪特征可基于产品或应用所属的领域以及反馈文本或业务操作日志的种类来不同地构建。在本发明的一个实施例中,获取情绪特征可包括基于产品或应用所属的领域以及反馈文本或业务操作日志的种类来不同地获取情绪特征。
在903,提取该反馈文本和业务操作日志中的关键词。反馈文本中的文字和业务操作日志中的文字根据因领域和文本种类或业务操作日志而异的情绪特征中的情绪特征来抓取并遍历,并与情绪特征进行逐一比对,相匹配者被提取为关键词。
在904,获取这些关键词各自的频次并判定其相应的权重。基于反馈文本是会话、评论还是文章以及因不同业务而异的业务操作日志,可针对各个关键词按需选择权重。
在905,根据这些关键词的频次和/或权重,获取用户的情绪倾向。基于不同的产品或应用以及关于不同产品或应用的业务操作日志,可出现不同的关键词以及相应的不同频次,而权重也可相应恰当地选择。用户情绪倾向则可依据用户的情绪倾向判定的要求,例如粗细粒度、后续跟进措施等来划分不同层次。
在本发明的一个实施例中,对于基于来自反馈文本的关键词获取的用户情绪倾向、以及基于来自业务操作日志的关键词获取的用户情绪倾向,可加以不同的权重,从而获取综合的用户情绪倾向。
图10示出了根据本发明一实施例的基于反馈图片和业务操作日志的用户情绪预测方法的流程图1000。
在1001,接收反馈图片和业务操作日志。该反馈图片包括人机交互界面图片、交互中报错图片等。而业务操作日志因不同的业务而异。
在1002,获取情绪特征。该情绪特征是通过从来自大量交互图片或业务操作日志提取训练样本,并对训练样本执行分类器算法来获取的。相对于反馈系统相关的不同产品或应用,情绪特征可基于产品或应用所属的领域以及交互图片或业务操作日志的种类来不同地构建。在本发明的一个实施例中,获取情绪特征可包括基于产品或应用所属的领域以及交互图片或业务操作日志的种类来不同地获取情绪特征。
在1003,提取该反馈图片以及业务操作日志中的关键词。通过对反馈图片以及业务操作日志的文字进行抓取和遍历,并与情绪特征进行逐一比对,可将相匹配者提取为关键词。
在1004,获取这些关键词各自的频次并判定其相应的权重。基于例如反馈图片是交互界面图片还是报错图片以及因不同业务而异的业务操作日志,可针对各个关键词按需选择权重。
在1005,根据这些关键词的频次和/或权重,获取用户的情绪倾向。基于交互过程中的不同阶段,例如身份验证阶段、交易阶段,并且基于关于不同产品或应用的业务操作日志,可出现不同的关键词以及相应的不同频次,而权重也可相应恰当地选择。用户情绪倾向则可依据用户的情绪倾向判定的要求,例如粗细粒度、后续跟进措施等来划分不同层次。
在本发明的一个实施例中,对于基于来自反馈图片的关键词获取的用户情绪倾向、以及基于来自业务操作日志的关键词获取的用户情绪倾向,可加以不同的权重,从而获取综合的用户情绪倾向。
图11示出了根据本发明一实施例的基于反馈文本、反馈图片和业务操作日志的用户情绪预测方法的流程图1100。
在1101,接收反馈文本、相关反馈图片和相关业务操作日志。该反馈文本包括会话、评论、文章等。该反馈图片包括人机交互界面图片、交互中报错图片等。而业务操作日志因不同的业务而异。
在1102,获取情绪特征。该情绪特征是通过从来自大量文本、交互图片或业务操作日志提取训练样本,并对训练样本执行分类器算法来获取的。相对于反馈系统相关的不同产品或应用,情绪特征可基于产品或应用所属的领域以及反馈文本、交互图片或业务操作日志的种类来不同地构建。在本发明的一个实施例中,获取情绪特征可包括基于产品或应用所属的领域以及反馈文本、交互图片或业务操作日志的种类来不同地获取情绪特征。
在1103,提取该反馈文本、反馈图片和业务操作日志中的关键词。反馈文本中的文字或反馈图片中的文字根据因领域和文本、图片或业务操作日志种类而异的情绪特征中的情绪特征来抓取并遍历,并与情绪特征进行逐一比对,相匹配者被提取为关键词。
在1104,获取这些关键词各自的频次并判定其相应的权重。基于反馈文本是会话、评论还是文章,反馈图片是交互界面图片还是报错图片,以及因不同业务而异的业务操作日志,可针对各个关键词按需选择权重。
在1105,根据这些关键词的频次和/或权重,获取用户的情绪倾向。基于不同的产品或应用,处于交互过程中的不同阶段,例如身份验证阶段、交易阶段,以及关于不同产品或应用的业务操作日志,可出现不同的关键词以及相应的不同频次,而权重也可相应恰当地选择。用户情绪倾向则可依据用户的情绪倾向判定的要求,例如粗细粒度、后续跟进措施等来划分不同层次。
在本发明的一个实施例中,对于基于来自反馈文本的关键词获取的用户情绪倾向、基于来自反馈图片的关键词获取的用户情绪倾向、以及基于来自业务操作日志的关键词获取的用户情绪倾向,可加以不同的权重,从而获取综合的用户情绪倾向。
如上所述,交互上下文在当今的网络应用中非常丰富和多样,本申请的用户情绪预测方法通过纳入对交互上下文的分析,来对用户的情绪进行预测,不仅帮用户解决了交互障碍、优化了体验,而且使得情绪预测的客观性和准确性得到了提高。
用户情绪预测装置
图12示出了根据本发明一实施例的用户情绪预测装置1200的框图。
如图12所示,用户情绪预测装置1200可包括:获取模块1202以及分析模块1204。
获取模块1202用于接收交互上下文信息并获取情绪特征。该交互上下文信息包括文本信息、图像信息、日志信息等。在本发明的另一实施例中,该交互上下文信息可包括视频信息、语音信息等。而情绪特征是通过从来自大量交互上下文信息提取训练样本,并对训练样本执行分类器算法来获取的。
分析模块1204用于提取该交互上下文信息中的关键词,获取这些关键词各自的频次和/或权重,并且根据这些关键词的频次和/或权重来获取用户的情绪倾向。其中权重可针对不同交互环境来按需选择。而用户情绪倾向可基于不同的产品或应用以及用户的情绪倾向判定的要求,例如粗细粒度、后续跟进措施等,划分成不同层次。
本发明的用户情绪预测装置能够通过纳入对交互上下文的分析,来对用户的情绪进行预测,不仅帮用户解决了交互障碍、优化了体验,而且使得情绪预测的客观性和准确性得到了提高。
以上描述的用户情绪预测方法和装置的各个步骤和模块可以用硬件、软件、或其组合来实现。如果在硬件中实现,结合本发明描述的各种说明性步骤、模块、以及电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、或其他可编程逻辑组件、硬件组件、或其任何组合来实现或执行。通用处理器可以是处理器、微处理器、控制器、微控制器、或状态机等。如果在软件中实现,则结合本发明描述的各种说明性步骤、模块可以作为一条或多条指令或代码存储在计算机可读介质上或进行传送。实现本发明的各种操作的软件模块可驻留在存储介质中,如RAM、闪存、ROM、EPROM、EEPROM、寄存器、硬盘、可移动盘、CD-ROM、云存储等。存储介质可耦合到处理器以使得该处理器能从/向该存储介质读写信息,并执行相应的程序模块以实现本发明的各个步骤。而且,基于软件的实施例可以通过适当的通信手段被上载、下载或远程地访问。这种适当的通信手段包括例如互联网、万维网、内联网、软件应用、电缆(包括光纤电缆)、磁通信、电磁通信(包括RF、微波和红外通信)、电子通信或者其他这样的通信手段。
还应注意,这些实施例可能是作为被描绘为流程图、流图、结构图、或框图的过程来描述的。尽管流程图可能会把诸操作描述为顺序过程,但是这些操作中有许多操作能够并行或并发地执行。另外,这些操作的次序可被重新安排。
所公开的方法、装置和系统不应以任何方式被限制。相反,本发明涵盖各种所公开的实施例(单独和彼此的各种组合和子组合)的所有新颖和非显而易见的特征和方面。所公开的方法、装置和系统不限于任何具体方面或特征或它们的组合,所公开的任何实施例也不要求存在任一个或多个具体优点或者解决特定或所有技术问题。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多更改,这些均落在本发明的保护范围之内。