CN110890088A - 语音信息反馈方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请公开了一种语音信息反馈方法，涉及人工智能技术领域，所述方法包括：当接收到输入的语义信息时，将所述语音信息转化为对应的文本信息，并获取所述语音信息对应的语义信息；对所述文本信息进行处理，得到所述文本信息对应的情感特征；基于分析模型对所述情感特征进行分析，得到所述文本信息对应的情感标签；根据所述语义信息以及所述情感标签进行查询匹配，得到所述文本信息对应的反馈信息以进行反馈。本申请还提供一种语音信息反馈装置、计算机设备和存储有计算机可读指令的存储介质。实现了在电话沟通过程中，提高话术推荐反馈的准确性和推荐效率。

Description

语音信息反馈方法、装置、计算机设备和存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种语音信息反馈方法、语音信息反馈装置、计算机设备和存储有计算机可读指令的存储介质。

背景技术

现有产险电销系统中，坐席通常需要与客户进行相应的电话沟通，以完成相应的产险电销，为了更好的完成坐席与客户之间的沟通，衍生出了一种叫做金牌话术的系统，用于根据客户的实际对话信息进行信息的反馈，进而可以更好的完成与客户的沟通。

在现有的金牌话术系统中，需要坐席在与客户沟通过程中自己去提取关键字和评判客户情感，然后再根据所属一级目录找二级目录的方式找到相应的话术，这里存在两个问题：一是需要坐席花时间去进行思考，影响沟通效率以及信息反馈效率，且并不一定能准确得到正确的处理方式，二是在进行查找时，是逐级目录地进行查找，使得工作繁琐且效率低，且还可能还存在反馈信息不准确的情况。

发明内容

本申请提供了一种语音信息反馈方法、语音信息反馈装置、计算机设备及存储介质，以提高话术推荐反馈的准确性和推荐效率。

第一方面，本申请提供了一种语音信息反馈方法，所述方法包括：

当接收到输入的语音信息时，将所述语音信息转化为对应的文本信息，并获取所述语音信息对应的语义信息；

对所述文本信息进行处理，得到所述文本信息对应的情感特征；

基于分析模型对所述情感特征进行分析，得到所述文本信息对应的情感标签；

根据所述语义信息以及所述情感标签进行查询匹配，得到所述文本信息对应的反馈信息以进行反馈。

第二方面，本申请还提供了一种语音信息反馈装置，所述装置包括：

语音转化模块，用于当接收到输入的语义信息时，将所述语音信息转化为对应的文本信息，并获取所述语音信息对应的语义信息；

文本处理模块，用于对所述文本信息进行处理，得到所述文本信息对应的情感特征；

模型分析模块，用于基于分析模型对所述情感特征进行分析，得到所述文本信息对应的情感标签；

信息反馈模块，用于根据所述语义信息以及所述情感标签进行查询匹配，得到所述文本信息对应的反馈信息以进行反馈

第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的语音信息反馈方法。

第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的语音信息反馈方法。

本申请公开了一种语音信息反馈方法中，在接收到输入的语音信息时，将所接收到语音信息转化为对应的文本信息，同时还将获取语音信息对应的语义信息，然后对文本信息进行处理得到文本信息对应的情感特征，接着利用预先训练好的分析模型对情感特征进行分析处理，得到文本信息对应的感情标签，最后根据所得到的感情标签以及语义信息进行查询匹配，以得到进行反馈的反馈信息。在坐席与客户的电话沟通过程中，可以更加效率和准确的向坐席推荐反馈出更加符合客户对话信息的反馈信息。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中语音信息反馈方法的流程示意图；

图2为另一个实施例中语音信息反馈方法的流程示意图；

图3为一个实施例中得到训练好的分析模型的步骤的流程示意图；

图4为又一个实施例中语音信息反馈方法的流程示意图；

图5为一个实施例中进行反馈信息的反馈的步骤的流程示意图；

图6为一个实施例中语音信息反馈装置的示意性框图；

图7为另一个实施例中语音信息反馈装置的示意性框图；

图8为又一个实施例中语音信息反馈装置的示意性框图；

图9为一个实施例中计算机设备的结构示意性框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

本申请的实施例提供了一种语音信息反馈方法、装置、计算机设备及存储介质。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，图1为一个实施例中语音信息反馈方法的流程示意图。该语音信息反馈方法可应用于服务器中，用于提高信息推荐反馈的效率和准确性。

如图1所示，该语音信息反馈方法具体包括：

步骤S10、当接收到输入的语音信息时，将语音信息转化为对应的文本信息，并获取语音信息对应的语义信息。

在语音信息反馈装置接收到输入语音信息时，需要对语音信息进行相应的处理，以将所接收到的语音信息转化为对应的文本信息，进而可以对文本信息进行处理得到相对应的语音反馈信息，同时还将获取语音信息对应的语义信息。具体地，在电话沟通过程中，针对于坐席的不同提问或者对话，会时刻接收到客户反馈的对话信息，也就是会收到客户的语音信息，在接收到用户所发出的语音信息时，首先将会将语音信息转化为文本信息，进而以对文本信息进行相应的处理。而在接收到客户输入的语音信息时，为了保证信息反馈的准确性，必然还要获取语音信息对应的语义信息，进而可以根据实际的对话内容或者需求进行相应的信息反馈。

也就是，在实际进行通话过程中，当接收到信息反馈指令时，将会接收输入的语音信息进行记录处理，此时所输入的语音信息为客户在通话过程中的语音信息，坐席通过相应的操作使得语音信息反馈装置对客户的语音信息进行获取，以作为进行信息反馈的依据。

另外，在获取客户的语音信息时，还可以根据所检测到的声音的音色信息来得到可以的语音信息。由于在通话过程中，所检测到的声音除了坐席便是客户，客户不同，那么所得到的音色信息也会有所不同，但是对于坐席而言，一般情况下坐席是唯一的，因此可以预先将坐席的声音的音色信息进行录入，在接收到语音信息时，根据音色信息确定哪一个或者哪一段语音信息不是坐席而是客户说的。

在实际应用中，语音信息反馈系统需要根据与客户的实际对话信息进行相应的语音信息的反馈，以使得坐席可以更好的应对客户不同的对话和需求。因此在进行语音通话时，在客户的语音信息输入完成时，将会将接收到的语音信息利用语音反馈系统的语音转化功能将其转化为对应的文本信息，以根据文本信息得到相应的反馈信息，以供坐席进行反馈。

另外，在将语音信息转化为文本信息时，除了简单的将语音信息转化为文本信息之外，还可以记录语音信息的相关特征信息，比如语调信息，通过分析语音信息的语速变化情况判断语音信息的语调信息，进而还可以根据语调信息对客户的情感或者情绪进行判断。

步骤S20、对文本信息进行处理，得到文本信息对应的情感特征。

在得到输入的语音信息之后，对文本信息进行相应的处理，以得到文本信息对应的情感特征，进而对文本信息进行处理得到对应的情感标签。具体地，在对文本信息进行处理时，利用NLPIR汉语分词系统对文本信息进行分词处理，然后对进行分词处理得到的词进行过滤处理，以得到文本信息对应的情感特征，其中所得到的情感特征包括正负向情感词的数量、否定词、程度副词以及特殊符号数量等。

在得到文本信息对应的情感特征之后，将会利用情感特征进行分析处理，以得到文本信息对应的反馈信息。但是在实际的分析处理过程中，不同的特征组合在进行分析处理时，所得到的结果信息也会有所不同，因此在预先进行训练时，可以确定哪一种文本特征的组合为最合适的组合方式，进而根据文本特征得到文本信息对应的特征标签。

步骤S30、基于分析模型对情感特征进行分析，得到文本信息对应的情感标签。

在得到文本信息对应的情感特征之后，将会利用预先训练好的并存储在语音反馈装置中的分析模型进行分析处理，进而得到文本信息对应的情感标签。具体地，在实际应用中对文本信息进行语义识别可以准确得到文本信息对应的语义信息，但是客户在不同的语境下说出同样的话可能代表着不同的意思，此时则需要有着更加合适的反馈信息，以与客户进行交流沟通。

在实际应用中，对情感特征进行分析，为了准确知道文本信息对应的真实情感信息，比如生气、开心或者兴致高等，不同的情感信息说明客户对于当前的对话的态度不一样，比如，当兴致高时说明对当前的对话所涉及到的内容感兴趣，而当生气时很可能是对当前的通话生气或者对当前对话所涉及到的内容生气，因此在得到文本信息时确定文本信息的情感特征，可以准确的进行相应的反馈，进而保证对话的通畅性。

进一步地，基于分析模型对情感特征进行分析，得到文本信息对应的情感标签包括：

将情感特征输入至分析模型中，计算得到情感特征对应的情感分数值；基于情感分数值得到文本信息对应的情感标签。

在对得到的文本信息进行处理，得到对应的情感特征之后，将会对情感特征进行相应的分析处理，以得到文本信息对应的情感信息。具体地，在进行分析时，将情感特征输入至预先训练好的分析模型中，此时将利用SVM(Support Vector Machine，支持向量机)算法进行相应的计算，得到情感特征对应的情感分数值，进而根据情感分数值进行匹配得到对应的情感标签。

在实际应用中，情感标签包括有积极、消极和中性情绪，同样可以根据实际的需求设置更多标签，比如重度消极、轻度消极、消极、中性、积极、轻度积极以及重度积极等，也就是对于感情分数值更加细致化。

在对情感特征进行分析处理时，利用SVM算法对情感特征进行情感分数值的计算，进而根据所得到的情感分数值得到文本信息对应的情感标签。以情感标签有三个，且分别为积极、消极以及中性，对于分析模型的输出结果，即为情感分数值，对应情感分数值的设定为：积极设置为1，中性设置为0，消极设置为-1。同样还可以设置具体的分数，比如情感分数值处于0-30之间时为消极，当情感分数值处于31-70之间时为中性，当情感分数值处于71-100之间时为积极。上述两种设置方式可以理解为同一种方式，将两者进行关联也就是情感分数值为0-30时对应“-1”、情感分数值为31-70时对应“0”以及情感分数值为71-100时对应“1”，在实质上是相同的。

另外，对于模型而言，若以1、0和-1这样的方式进行设置，难免存在判断不准确的情况，比如，对于消极标签来说，实际上可能存在重度消极和轻度消极的情况，此时对应的反馈信息可能也会有所不同，因此可以进行标签细化，可以在一定程度上提高信息反馈的准确性。

步骤S40、根据语义信息以及情感标签进行查询匹配，得到文本信息对应的反馈信息以进行反馈。

在得到情感标签之后，根据语义信息以及情感标签进行相应的查询匹配，进而得到与文本信息相对应的反馈信息以进行反馈。具体地，在得到文本信息对应的情感标签之后，利用语义信息和情感标签进行查询匹配，在信息库中的反馈信息同时与语义信息和情感标签相匹配时，将相应的反馈信息进行反馈。在将反馈信息进行反馈时，主要是将反馈信息展示给坐席，进而使得坐席可以根据反馈信息给予客户相应的反馈。

在实际应用中，客户的不同语音信息中包含有各自所对应的特征信息，而在数据库中存储有根据各类不同语音信息进行反馈的反馈信息，也就是可以直接根据客户的实际语音信息直接得到进行反馈的术语。

情感标签有多种，代表着不同的含义，而在实际的通话过程中，除了可以完整的通话完成，还存在通话直接被打断的情况，即客户直接挂断电话，此时也将会根据所得到的特征标签进行信息反馈，比如坐席对话被打断，然后客户直接挂断电话，此时所得到的反馈信息可以是“别让恶意中伤影响自己工作的热情，放宽心，忽略它，努力做好下一单吧，加油！”等代表有积极能量的话语进行反馈。这些同样需要对文本信息进行相应的分析才能得到可以对坐席人员进行安慰的正能量话语。

在上述语音信息反馈方法中，在接收到输入的语音信息时，将所接收到语音信息转化为对应的文本信息，同时还将获取语音信息对应的语义信息，然后对文本信息进行处理得到文本信息对应的情感特征，接着利用预先训练好的分析模型对情感特征进行分析处理，得到文本信息对应的感情标签，最后根据所得到的感情标签以及语义信息进行查询匹配，以得到进行反馈的反馈信息。在对文本信息进行处理时，利用NLP技术以及SVM算法技术对文本信息进行分析处理，以根据实际的语义以及情感获取得到语音信息的反馈信息，提高了信息反馈的效率以及反馈准确性。

进一步地，参照图2，图2为另一个实施例中语音信息反馈方法的流程示意图。具体地，该方法还包括：

步骤S01、当接收到模型训练指令时，接收输入的待分析文本信息。

在进行分析处理时，需要使用预先训练好的分析模型进行分析处理，因此需要预先得到训练好的分析模型。在进行训练时，需要有进行训练的训练集，也就是训练样本，因此在接收到模型训练指令时，接收输入或者上传的待分析文本信息，以对需要进行训练的分析模型进行训练。

对于待分析文本信息可以是基于待分析语音信息转化所得到的，当接收到的待分析数据集时语音信息时，将会将语音信息转化为对应的文本信息，进而利用文本信息对待训练分析模型进行训练。

步骤S02、对待分析文本信息进行处理，得到待分析文本信息对应的待分析情感特征。

在得到待分析文本信息之后，对待分析文本信息进行相应的处理，进而得到待分析文本信息对应的待分析情感特征。

在对待分析文本信息进行处理时，利用NLP技术对待分析文本信息进行分词处理，然后对所得到的词进行过滤以将无用词过滤掉，接着根据过滤后的词得到文本信息对应的情感特征，其中情感特征包括有情感词、程度副词以及情感向性等。

步骤S03、将待分析情感特征输入至待训练分析模型中，并根据训练结果得到训练好的分析模型。

在实际训练过程中，每一个文本信息对应的情感信息是确定的，且对于不同的情感特征可以得到不同的情感反馈信息，然后在结合文本信息的实际语义信息得到最终的反馈信息。在将所得到的待分析情感特征输入到待训练分析模型中之后，进行训练，得到相应的训练结果，进而根据训练结果以得到最终训练好的分析模型。

在实际训练过程中，对于进行训练的模型而言，通常是在训练结果满足预设条件时，确定训练完成，当没有达到预设条件时，将会一直进行训练至所得到的训练结果满足预设条件。在进行模型训练时，所使用的是基于SVM所得到的分析模型，通过训练完成对SVM中参数的调节，主要是根据实际的训练结果实现参数调节，其中，主要的参数包括惩罚参数C和高斯核函数参数g，通过进行参数调节，使得模型符合实际的需求。

在进行训练时，首先可以根据经验分别设置惩罚参数C与高斯核函数参数g的大致区间范围，也就是初始参数，同时确定搜索步长，由此构建了C与g的二维网格。每一个网格节点即一组C与g的参数组合，通过K重交叉验证获取到在这一组训练集分类的正确率，找出在训练集分类正确率达到最大值时所对应的那一组C与g做最佳参数。如果求得的分类准确率达不到期望要求，则需要设置更小的搜索步长后继续搜索，指导分类准确率达到期望值。通过训练，可以得到准确的情感特征组合方式，不同的组合方式，并通过设定不同的参数，可以提高分析的准确性。

进一步地，参照图3，图3为一个实施例中得到训练好的分析模型的步骤的流程示意图。

具体地，将待分析情感特征输入至待训练分析模型中，并根据训练结果得到训练好的分析模型，包括：

步骤S031、将待分析情感特征输入至待训练分析模型中进行训练，得到对应的训练结果；

步骤S032、确定正确的训练结果，并根据正确的训练结果确定对应的训练正确率，以基于训练正确率得到训练好的分析模型；

步骤S033、当训练正确率大于或者等于预设阈值时，确定初始参数为标准参数，并基于初始参数对待训练分析模型进行设置得到训练好的分析模型；

步骤S034、当训练正确率小于预设阈值时，对初始参数进行调节，以再次进行训练至所得到的训练结果的正确率大于或者等于预设阈值。

不同的文本信息对应的情感信息或者情感分值是已知的，而在进行训练时所训练得到的训练结果可能与所已知的情感信息或者情感分值有所不同，其具体地的正确率有参数的实际设定来决定，不同参数组合所得到的训练模型有所不同，而使得训练结果也会有所差异，进行模型的训练便是为了找到个更加合适的参数组合。

将所得到的待分析情感特征输入至待训练分析模型中进行训练，以得到此时的训练结果，然后根据训练结果得到此次训练的正确率，进而根据做得到的正确率得到最终训练好的分析模型。

在得到训练结果时，根据训练结果确定的正确率来确定是否将所设定的参数设置为标准参数，因此在对训练结果进行判断时，将待分析情感特征进行训练得到的情感标签与对应的标准情感标签进行对比，以确定所得到的训练结果是否正确；若训练得到的情感标签与标准标签相同，则训练结果正确；若训练得到的情感标签与标准标签不同，则训练结果错误。由于进行训练的文本信息的数量是巨大的，即使会出现个别结果的偏差，也会在一定程度上保证模型的准确性。

在根据训练结果的正确率确定模型的参数时，若正确率大于或者等于预设阈值，则将当前所使用的参数组合作为模型的标准参数，若正确率小于预设阈值，则需要重新进行参数的设定以及模型的训练，直到训练得到的正确率大于或者等于预设阈值。在实际应用中，预设阈值的设定是不做限制的，但是为了保证模型训练的准确性，不宜设置过低，具体可设置为0.95。

进一步地，参照图4，图4为另一个实施例中语音信息反馈方法的流程示意图。

具体地，该语音信息反馈方法还包括：

步骤S50、获取预先存储的标签列表，并读取标签列表中标签信息对应若干分数值范围；

步骤S60、根据分数值以及若干分数值范围，对文本信息进行相应的标记并进行信息固定存储。

其中，信息固定存储为信息不可修改的存储，即在完成标记之后，文本信息对应的标记不可进行修改，只可以进行查看。

在得到文本信息对应的情感分数值时，将会根据情感分数值以及文本信息的语义信息进行信息的反馈，进而将反馈信息进行展示。同时在得到文本信息的情感分数值时，获取预先所存储的标签列表，进而基于标签列表中的标签信息与情感分数值对文本信息进行相应的标记，并在完成标记之后进行信息固定存储。

标签列表中记录有标签与情感分数值之间的对应关系，也就是不同的标签可以对应着一个情感分数值范围，在所得到的情感分数值落在哪一个分数值范围内时，其所对应的标签即为词分数值范围对应的标签。假设当前的标签数量为3，即存在两个分界分数值，在得到情感分数值时，将情感分数值与第一分界分数值和第二分界分数值进行对比，且，第二分界分数值大于第一分界分数值，以确定情感分数值所对应的标签。若情感分数值小于第一分界分数值，确定对应的标签为第一标签；若情感分数值大于或者等于第一分界分数值，且小于第二分界分数值，确定对应的标签为第二标签；若情感分数值大于或者等于第二分界分数值，确定对应的标签为第三标签。

需要说明的是，标签的数量是不做限制的，可以根据实际的需求进行相应的调节，以更加适合当前的应用场景。在对文本信息进行标记之后，将进行信息不可修改的存储，使得文本信息对应的标签变为固定信息，在需要进行查看时，通过信息的读取以得到文本信息对应的情感信息，也就是标签。

另外，在实际应用中，情感分数值的高低代表客户情绪的高低，为了能够更好的完成整个通话过程，需要很好的了解在不同情况下客户的实际反应，其中更为直观的反应便是客户的情绪变化。第一标签和第二标签是进行标记的不同标签，代表有不同的含义。

在利用情感分析单元得到文本信息对应的分数值之后，将所得到的分数值与预设阈值进行比较，进而根据对比结果对文本信息进行处理，以完成信息的存储。在实际应用中，客户情绪的高低利用坐席的实际沟通，为了便于坐席可以更好的与客户进行沟通，选择更加合适的沟通方式是必须的，因此需要对有特点的文本信息进行特殊标记，进而可以快速准确的找到文本信息。

另外，对于一个完整的通话而言，坐席和客户之间的对话时多段的，坐席的一段话会对应这客户的一段话。但是对于一些简单的问候或者结束语句，通常没有进行信息反馈的必要，因此是可以进行排除或者说忽略不做反馈，具体地排除手段是根据语音信息的时间长短，例如：喂、您好、再见等，所对应的语音信息的记录时长极短，通常来说时间可能只有一秒钟，因此可以进行设定以排除。

对于整个通话过程中，对于客户的多段语音信息分别对应的文本信息关联有不同的标签，在通话完成时，可以对整个通话过程进行情感分数值曲线的记录，在需要进行查看时，直接导出相应的记录曲线，并且在点击分数值记录点时，可以直接获取与此分数值相邻的文本信息或者语音信息，以进行查看。

进一步地，参照图5，图5为一个实施例中进行反馈信息的反馈的步骤的流程示意图。

具体地，步骤S40，根据语义信息以及情感标签进行查询匹配，得到文本信息对应的反馈信息以进行反馈，包括：

步骤S41、基于语义信息对应的语义标签在预设反馈信息数据库中进行查询，得到第一反馈信息；

步骤S42、获取第一反馈信息对应的第一情感标签，并将第一情感标签与情感标签进行对比，得到对应的第二反馈信息；

步骤S43、当接收基于第二反馈信息输入的选择指令时，得到对应的反馈信息以进行反馈。

在进行信息的反馈时，根据文本信息对应的语义信息以及所得到的情感标签进行反馈信息的获取，因此在进行反馈信息的获取和反馈时，首先获取语音信息对应的语义标签，然后根据语义标签在预设反馈信息数据库中进行查询，得到与语义标签相关联的第一反馈信息，然后获取第一反馈信息所对应的第一情感标签，并将第一情感标签与所得到的文本信息对应的情感标签进行对比，进而得到对应的第二反馈信息，最后基于第二反馈信息得到对应进行反馈的反馈信息。

在得到情感标签之后，根据语义信息以及情感标签得到文本信息对应的反馈信息，也就是得到反馈信息的依据是文本信息的实际语义以及对应的情感信息，因此在进行反馈信息的获取时，首先根据语义信息对应的语义标签进行第一反馈信息的获取，其中第一反馈信息的数量可以是多个，每一条反馈信息都有各自对应的情感标签，此时将会将第一反馈信息的情感标签与所得到的情感标签进行对比，进而得到相应的第一反馈信息，其中第二反馈信息的数量可以是一个，也可以是多个，最后根据第二反馈信息得到进行反馈的反馈信息。

在得到第二反馈信息时，可以将反馈信息进行相应的展示，然后坐席可以进行相应的选择。通常情况下，通过语义信息所得到的第一反馈信息的数量不会过多，当语义信息中的标签种类越多时，所得到的第一反馈信息的数量将会越少，因此为了提高反馈效率，在根据语义信息进行查询匹配时，可以利用更多的语义标签进行对比，可以提高信息反馈的效率，提高信息反馈的准确性。

请参阅图6，图6为一个实施例中语音信息反馈装置的示意性框图，该语音信息反馈装置用于执行前述的语音信息反馈方法。其中，该语音信息反馈装置可以配置于服务器。

如图6所示，该语音信息反馈装置100包括：语音转化模块101、文本处理模块102、模型分析模块103以及信息反馈模块104。

语音转化模块101，用于当接收到输入的语音信息时，将语音信息转化为对应的文本信息，并获取语音信息对应的语义信息。

文本处理模块102，用于对文本信息进行处理，得到文本信息对应的情感特征。

模型分析模块103，用于基于分析模型对情感特征进行分析，得到文本信息对应的情感标签。

信息反馈模块104，用于根据语义信息以及情感标签进行查询匹配，得到文本信息对应的反馈信息以进行反馈。

进一步地，参照图7，图7为另一个实施例中语音信息反馈装置的示意性框图。

具体地，该语音信息反馈装置100还包括：信息接收模块105以及模型训练模块106。

信息接收模块105，用于当接收到模型训练指令时，接收输入的待分析文本信息。

该文本处理模块102，还用于对待分析文本信息进行处理，得到待分析文本信息对应的待分析情感特征。

模型训练模块106，用于将待分析情感特征输入至待训练分析模型中，并根据训练结果得到训练好的分析模型。

进一步地，在一个实施例中，该模型训练模块106具体还用于：将待分析情感特征输入至待训练分析模型中进行训练，得到对应的训练结果；根据训练结果确定对应的训练正确率，并基于训练正确率得到训练好的分析模型；当训练正确率大于或者等于预设阈值时，确定初始参数为标准参数，并基于初始参数对待训练分析模型进行设置得到训练好的分析模型；当训练正确率小于预设阈值时，对初始参数进行调节，以再次进行训练至所得到的训练结果的正确率大于或者等于预设阈值。

进一步地，在一个实施例中，该模型训练模块106具体还用于：将待分析情感特征进行训练得到的情感标签与对应的标准情感标签进行对比，以确定所得到的训练结果是否正确；若训练得到的情感标签与标准标签相同，则训练结果正确；若训练得到的情感标签与标准标签不同，则训练结果错误。

进一步地，在一个实施例中，该模型分析模块103具体还用于：将情感特征输入至分析模型中，得到情感特征对应的情感分数值；基于情感分数值得到文本信息对应的情感标签。

进一步地，参照图8，图8为有一个实施例中语音信息反馈装置的示意性框图。

具体地，该语音信息反馈装置100还包括：列表获取模块107以及标记存储模块108。

列表获取模块107，用于获取预先存储的标签列表，并读取标签列表中标签信息对应若干分数值范围。

标记存储模块108，用于根据分数值以及若干分数值范围，对文本信息进行相应的标记并进行信息固定存储。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。

请参阅图9，图9为一个实施例中计算机设备的结构示意性框图。该计算机设备可以是服务器。

参阅图9，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。

非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种语音信息反馈方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种语音信息反馈方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

当接收到输入的语义信息时，将语音信息转化为对应的文本信息，并获取语音信息对应的语义信息；

对文本信息进行处理，得到文本信息对应的情感特征；

基于分析模型对情感特征进行分析，得到文本信息对应的情感标签；

根据语义信息以及情感标签进行查询匹配，得到文本信息对应的反馈信息以进行反馈。

在一个实施例中，所述处理器在实现所述语音信息反馈方法时，还用于实现：

当接收到模型训练指令时，接收输入的待分析文本信息；

对待分析文本信息进行处理，得到待分析文本信息对应的待分析情感特征；

将待分析情感特征输入至待训练分析模型中，并根据训练结果得到训练好的分析模型。

在一个实施例中，所述处理器在实现所述将待分析情感特征输入至待训练分析模型中，并根据训练结果得到训练好的分析模型时，还用于实现：

将待分析情感特征输入至待训练分析模型中进行训练，得到对应的训练结果；

确定正确的训练结果，并根据正确的训练结果确定对应的训练正确率，以基于训练正确率得到训练好的分析模型；

当训练正确率大于或者等于预设阈值时，确定初始参数为标准参数，并基于初始参数对待训练分析模型进行设置得到训练好的分析模型；

当训练正确率小于预设阈值时，确定初始参数不为标准参数，并对初始参数进行调节，以再次进行训练至所得到的训练结果的正确率大于或者等于预设阈值。

在一个实施例中，所述处理器在实现所述确定正确的训练结果时，还用于实现：

将待分析情感文本特征进行训练得到的情感标签与对应的标准情感标签进行对比，以确定所得到的训练结果是否正确；

若训练得到的情感标签与标准标签相同，则训练结果正确；

若训练得到的情感标签与标准标签不同，则训练结果错误。

在一个实施例中，所述处理器在实现所述基于分析模型对情感文本特征进行分析，得到文本信息对应的情感标签时，还用于实现：

将情感文本特征输入至分析模型中，利用SVM算法进行计算得到情感文本特征对应的情感分数值；

基于情感分数值得到文本信息对应的情感标签。

在一个实施例中，所述处理器在实现所述语音信息反馈方法时，用于实现：

获取预先存储的标签列表，并读取标签列表中标签信息对应若干分数值范围；

根据分数值以及若干分数值范围，对文本信息进行相应的标记并进行信息固定存储。

在一个实施例中，所述处理器在实现所述根据语义信息以及情感标签进行查询匹配，得到文本信息对应的反馈信息以进行反馈时，用于实现：

基于语义信息对应的语义标签在预设反馈信息数据库中进行查询，得到第一反馈信息；

获取第一反馈信息对应的第一情感标签，并将第一情感标签与情感标签进行对比，得到对应的第二反馈信息；

当接收基于第二反馈信息输入的选择指令时，得到对应的反馈信息以进行反馈。

本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项语音信息反馈方法。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种语音信息反馈方法，其特征在于，所述方法包括：

当接收到输入的语音信息时，将所述语音信息转化为对应的文本信息，并获取所述语音信息对应的语义信息；

对所述文本信息进行处理，得到所述文本信息对应的情感特征；

基于分析模型对所述情感特征进行分析，得到所述文本信息对应的情感标签；

根据所述语义信息以及所述情感标签进行查询匹配，得到所述文本信息对应的反馈信息以进行反馈。

2.根据权利要求1所述的语音信息反馈方法，其特征在于，所述方法还包括：

当接收到模型训练指令时，接收输入的待分析文本信息；

对所述待分析文本信息进行处理，得到所述待分析文本信息对应的待分析情感特征；

将所述待分析情感特征输入至待训练分析模型中，并根据训练结果得到训练好的分析模型。

3.根据权利要求2所述的语音信息反馈方法，其特征在于，所述将所述待分析情感特征输入至待训练分析模型中，并根据训练结果得到训练好的分析模型，包括：

将所述待分析情感特征输入至待训练分析模型中进行训练，得到对应的训练结果；

确定正确的训练结果，并根据所述正确的训练结果确定对应的训练正确率，以基于所述训练正确率得到训练好的分析模型；

当所述训练正确率大于或者等于预设阈值时，确定初始参数为标准参数，并基于所述初始参数对所述待训练分析模型进行设置得到训练好的分析模型；

当所述训练正确率小于预设阈值时，对所述初始参数进行调节，以再次进行训练至所得到的训练结果的正确率大于或者等于所述预设阈值。

4.根据权利要求3所述的语义信息反馈方法，其特征在于，所述确定正确的训练结果，包括：

将所述待分析情感特征进行训练得到的情感标签与对应的标准情感标签进行对比，以确定所得到的训练结果是否正确；

若所述训练得到的情感标签与所述标准标签相同，则训练结果正确；

若所述训练得到的情感标签与所述标准标签不同，则训练结果错误。

5.根据权利要求1所述的语音信息反馈方法，其特征在于，所述基于分析模型对所述情感特征进行分析，得到所述文本信息对应的情感标签，包括：

将所述情感特征输入至所述分析模型中，得到所述情感特征对应的情感分数值；

基于所述情感分数值得到所述文本信息对应的情感标签。

6.根据权利要求5所述的语音信息反馈方法，其特征在于，所述方法还包括：

获取预先存储的标签列表，并读取所述标签列表中标签信息对应若干分数值范围；

根据所述分数值以及所述若干分数值范围，对所述文本信息进行相应的标记并进行信息固定存储。

7.根据权利要求1至6中任一项所述的语音信息反馈方法，其特征在于，所述根据所述语义信息以及所述情感标签进行查询匹配，得到所述文本信息对应的反馈信息以进行反馈，包括：

基于所述语义信息对应的语义标签在预设反馈信息数据库中进行查询，得到第一反馈信息；

获取所述第一反馈信息对应的第一情感标签，并将所述第一情感标签与所述情感标签进行对比，得到对应的第二反馈信息；

当接收基于所述第二反馈信息输入的选择指令时，得到对应的反馈信息以进行反馈。

8.一种语音信息反馈装置，其特征在于，所述语音信息反馈装置包括：

语音转化模块，用于当接收到输入的语音信息时，将所述语音信息转化为对应的文本信息，并获取所述语音信息对应的语义信息；

文本处理模块，用于对所述文本信息进行处理，得到所述文本信息对应的情感特征；

模型分析模块，用于基于分析模型对所述情感特征进行分析，得到所述文本信息对应的情感标签；

信息反馈模块，用于根据所述语义信息以及所述情感标签进行查询匹配，得到所述文本信息对应的反馈信息以进行反馈。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述语音信息反馈方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机可读指令被所述处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述语音信息反馈方法的步骤。

Images