CN112085420A - 一种情绪级别确定方法、装置和设备 - Google Patents

一种情绪级别确定方法、装置和设备 Download PDF

Info

Publication number
CN112085420A
CN112085420A CN202011052912.5A CN202011052912A CN112085420A CN 112085420 A CN112085420 A CN 112085420A CN 202011052912 A CN202011052912 A CN 202011052912A CN 112085420 A CN112085420 A CN 112085420A
Authority
CN
China
Prior art keywords
client
characteristic information
emotion level
sound characteristic
probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011052912.5A
Other languages
English (en)
Inventor
黄文强
黄雅楠
浮晨琪
李蚌蚌
徐晨敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202011052912.5A priority Critical patent/CN112085420A/zh
Publication of CN112085420A publication Critical patent/CN112085420A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本申请实施例提供了一种情绪级别确定方法、装置和设备，方法包括：获取至少一个客户中每个客户的目标声音特征信息；将每个客户的目标声音特征信息按照预设区间进行分类，并确定每个客户的目标声音特征信息对应的区间概率；将每个客户的目标声音特征信息对应的区间概率分别输入到贝叶斯模型，得到每个客户的目标声音特征信息对应的情绪级别概率，情绪级别概率为目标声音特征信息对应于情绪级别的概率，情绪级别体现客户的情绪的高低；根据每个客户的目标声音特征信息的情绪级别概率，确定每个客户的情绪级别。由此可见，本申请实施例的方法使得柜员能够准确确定客户的情绪等级，为客户提供更好的业务办理体验，提升柜员的业务服务水平。

Description

一种情绪级别确定方法、装置和设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种情绪级别确定方法、装置和设备。
背景技术
目前，随着计算机网络技术的快速发展，许多产品都越发的重视客户的用户体验。银行作为金融行业的主要服务机构，对大众客户提供金融服务。当前的银行也变得越发的重视客户体验，以便提高客户办理业务的频次，柜员作为为客户办理业务的主要服务人员，则需要让客户拥有好的业务办理体验。客户的在业务办理过程中的情绪等级可以较为直观的反映客户的用户体验，但是，柜员不能凭借自己的直观感受去臆测客户的情绪等级。
综上所述，如何准确确定客户在业务办理过程的情绪等级，是银行柜员目前面临的问题。
发明内容
本申请实施例提供了一种情绪级别确定方法、装置和设备，使得柜员能够准确确定客户的情绪等级，为客户提供更好的业务办理体验，提升柜员的业务服务水平。
本申请实施例提供了一种情绪级别确定方法，所述方法包括：
获取至少一个客户中每个客户的目标声音特征信息，所述目标声音特征信息体现所述客户的声音特征；
将所述每个客户的目标声音特征信息按照预设区间进行分类，并确定所述每个客户的目标声音特征信息对应的区间概率；
将所述每个客户的目标声音特征信息对应的区间概率分别输入到贝叶斯模型，得到所述每个客户的目标声音特征信息对应的情绪级别概率，所述区间概率为所述目标声音特征信息所处的区间的概率，所述情绪级别概率为所述目标声音特征信息对应于情绪级别的概率，所述情绪级别体现所述客户的情绪的高低；
根据所述每个客户的目标声音特征信息的情绪级别概率，确定所述每个客户的情绪级别。
优选的，所述方法还包括：
根据所述每个客户的情绪级别，以及情绪级别与柜员的绩效的对应关系确定所述每个客户对应的绩效；
根据所述每个客户对应的绩效确定所述柜员的总绩效。
优选的，所述方法还包括：
获取至少一个客户中每个客户的训练声音特征信息，所述训练声音特征信息体现所述客户的声音特征；
将所述每个客户的训练声音特征信息按照预设区间进行分类，并计算所述预设区间的区间概率。
优选的，所述声音特征包括以下其中一种或多种：
音频特征、音调特征、音量特征及语速特征。
优选的，所述根据所述每个客户的目标声音特征信息的情绪级别概率，确定所述每个客户的情绪级别包括：
将所述每个客户的目标声音特征信息的情绪级别概率最大的，确定为所述每个客户的情绪级别。
本申请实施例还提供了一种情绪级别确定装置，所述装置包括：
获取单元，用于获取至少一个客户中每个客户的目标声音特征信息，所述目标声音特征信息体现所述客户的声音特征；
分类单元，用于将所述每个客户的目标声音特征信息按照预设区间进行分类，并确定所述每个客户的目标声音特征对应的区间概率；
贝叶斯处理单元，用于将所述每个客户的目标声音特征信息对应的区间概率分别输入到贝叶斯模型，得到所述每个客户的目标声音特征信息对应的情绪级别概率，所述区间概率为所述目标声音特征信息所处的区间的概率，所述情绪级别概率为所述目标声音特征信息对应于情绪级别的概率，所述情绪级别体现所述客户的情绪的高低；
第一确定单元，用于根据所述每个客户的目标声音特征信息的情绪级别概率，确定所述每个客户的情绪级别。
优选的，所述装置还包括：
第二确定单元，用于根据所述每个客户的情绪级别，以及情绪级别与柜员的绩效的对应关系确定所述每个客户对应的绩效；
第三确定单元，用于根据所述每个客户对应的绩效确定所述柜员的总绩效。
优选的，所述装置还包括：
训练单元，用于获取至少一个客户中每个客户的训练声音特征信息，所述训练声音特征信息体现所述客户的声音特征；
分类单元，用于将所述每个客户的训练声音特征信息按照预设区间进行分类，并计算所述预设区间的区间概率。
本申请实施例还提供一种情绪级别确定设备，所述设备包括：处理器和存储器；
所述存储器，用于存储指令；
所述处理器，用于执行所述存储器中的所述指令，执行所述情绪级别确定方法。
本申请实施例还提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述情绪级别确定方法。
与现有技术相比，本发明至少具有以下优点：
本申请实施例提供了一种情绪级别确定方法，方法包括：
获取至少一个客户中每个客户的目标声音特征信息，目标声音特征信息体现客户的声音特征；将所述每个客户的目标声音特征信息按照预设区间进行分类，并确定所述每个客户的目标声音特征信息对应的区间概率；将每个客户的目标声音特征信息对应的区间概率分别输入到贝叶斯模型，得到每个客户的目标声音特征信息对应的情绪级别概率，区间概率为目标声音特征信息所处的区间的概率，情绪级别概率为目标声音特征信息对应于情绪级别的概率，情绪级别体现客户的情绪的高低；根据每个客户的目标声音特征信息的情绪级别概率，确定每个客户的情绪级别。由此可见，本申请实施例首先对客户的目标声音特征信息按照预设区间进行分类，之后利用客户的目标声音特征信息确定其对应的区间概率，并将区间概率输入到贝叶斯模型，贝叶斯模型输出目标声音特征信息对应的情绪级别概率，根据情绪级别概率确定客户的情绪级别，使得柜员能够准确确定客户的情绪等级，为客户提供更好的业务办理体验，提升柜员的业务服务水平。
附图说明
为了更清楚地说明本申请实施例，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，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例一提供的一种情绪级别确定方法的流程示意图；
图2为本申请实施例二提供的一种计算预设区间的区间概率方法的训练流程示意图；
图3为本申请实施例三提供的一种情绪级别确定方法的流程示意图；
图4为本申请实施例提供的一种情绪级别确定装置的结构示意图；
图5为本申请实施例提供的一种情绪级别确定设备的结构示意图。
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，所描述的实施例仅仅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。
由背景技术可知，现在柜员在为客户办理业务时，无法准确确定客户的情绪等级。如果能确定客户的情绪等级，可以为客户提供更好的业务服务，提升业务服务水平。
因此，本申请实施例提供了一种情绪级别确定方法和装置，本申请实施例首先对客户的目标声音特征信息按照预设区间进行分类，之后利用客户的目标声音特征信息确定其对应的区间概率，并将区间概率输入到贝叶斯模型，贝叶斯模型输出目标声音特征信息对应的情绪级别概率，根据情绪级别概率确定客户的情绪级别，使得柜员能够准确确定客户的情绪等级，为客户提供更好的业务办理体验，提升柜员的业务服务水平。
如图1所示，为本申请实施例提供的一种情绪级别确定方法的流程示意图，该方法包括以下步骤：
步骤101：获取至少一个客户中每个客户的目标声音特征信息，目标声音特征信息体现所述客户的声音特征。
在本申请实施例中，在银行柜员为客户办理业务的过程中，包括至少一个客户，也就是多个客户。每个客户在办理业务过程中，都具有自己独特的声音特征信息。目标声音特征信息体现的是某一客户在某一次业务办理时的声音特征。可选的，声音特征包括以下其中一种或多种：音频特征、音调特征、音量特征及语速特征。例如，某一客户在某一次的业务办理时音量超过80分贝。又如，某一客户在另一次的业务办理时音量为50到60分贝，语速为一分钟80个字。
在具体实现步骤101的过程中，可以通过录音设备记录客户的语音信息，借助声音分析模型获取客户的目标声音特征信息，即客户的声音特征。
步骤102：将所述每个客户的目标声音特征信息按照预设区间进行分类，并确定所述每个客户的目标声音特征信息对应的区间概率。
在本申请的实施例中，预设区间指的是对声音特征信息按照情绪级别进行分类，也就是说，可以根据客户的情绪级别对客户的声音特征进行分类。具体的，在客户的音量特征中，可以按照情绪级别进行分类。情绪级别可以是6个级别，可选的，情绪级别可以为第六级别，代表的情绪较高，情绪表现可以是高兴，情绪级别也可以为第一级别，代表的情绪较低，情绪表现可以是失望。根据以上所述，在客户的音量特征中，可以根据6个情绪级别分类，例如，客户音量在80分贝至100分贝的区间分类为情绪级别的第一级别，即客户音量处在80分贝至100分贝之间则认为客户对此次业务办理体验较为失望。
在对客户的声音特征信息按照预设区间进行分类之后，便能确定客户的声音特征信息对应的区间概率，即确定客户的声音特征对应的区间概率。具体的，客户的音量特征可以在80分贝至100分贝之间的预设区间内，该区间的区间概率可以为0.1，即客户的音量特征对应的区间概率可以为0.1。
需要说明的是，本申请实施例的区间概率是经过客户的历史声音数据，即客户的训练声音特征信息得到的，具体步骤包括：
步骤201：获取至少一个客户中每个客户的训练声音特征信息，所述训练声音特征信息体现所述客户的声音特征。
在本申请实施例中，可以通过客户历史办理业务被录音设备记录的语音信息获取客户的历史声音数据，即客户的训练声音特征信息。客户的训练声音特征信息能够体现客户的声音特征，也可以反映客户的情绪级别，即情绪高低。
步骤202：将所述每个客户的训练声音特征信息按照预设区间进行分类，并计算所述预设区间的区间概率。
在本申请实施例中，将客户的训练声音特征信息按照情绪级别对应的预设区间进行分类。具体的，分类方式通常与目标声音特征信息的分类方式相同。
对客户的训练声音特征信息按照预设区间分类之后，统计客户的训练声音特征信息处于某一预设区间的次数和客户的训练声音特征信息总样本数据次数，客户的训练声音特征信息处于某一预设区间的次数与客户的训练声音特征信息总样本数据次数的比值就是预设区间的区间概率。具体的，针对客户的训练音量特征，可以按照情绪级别进行区间分类，例如，客户训练音量处在80分贝至100分贝的区间分类为情绪级别的第一级别，客户训练音量处在这一区间的次数为3次，客户的训练音量特征的总样本数据为100次，其区间概率为0.03。
步骤103：将每个客户的目标声音特征信息对应的区间概率分别输入到贝叶斯模型，得到每个客户的目标声音特征信息对应的情绪级别概率，区间概率为目标声音特征信息所处的区间的概率，情绪级别概率为目标声音特征信息对应于情绪级别的概率，情绪级别体现客户的情绪的高低。
在本申请的实施例中，客户的目标声音特征信息对应的区间的概率是可以确定的。贝叶斯模型即贝叶斯公式，是一种计算概率的数学公式。情绪级别概率为客户的声音特征信息对应的情绪级别的概率，可选的，情绪级别概率可以是客户的音量特征和语速特征都是情绪级别的第一级别的概率，情绪级别概率还可以是客户的音调特征和音频特征都是情绪级别的第六级别的概率，情绪级别概率还可以是客户的音量特征、语速特征、音调特征和音频特征都是情绪级别的第二级别的概率。客户的情绪级别能够反映客户的情绪的高低，具体的，情绪级别可以是6个级别，可选的，情绪级别可以为第六级别，代表的情绪较高，情绪表现可以是高兴，情绪级别也可以为第一级别，代表的情绪较低，情绪表现可以是失望。
在具体实现步骤103的过程中，可以通过贝叶斯公式，将按照情绪级别分类的客户的声音特征对应的区间概率计算为客户的目标声音特征信息对应的情绪级别概率。具体的，针对音量特征，第一情绪级别对应的区间概率为0.1，针对语速特征，第一情绪级别对应的区间概率为0.2，将两个区间概率输入贝叶斯公式，得出第一情绪级别相对于音量特征和语速特征的概率，即第一情绪级别概率。
步骤104：根据每个客户的目标声音特征信息的情绪级别概率，确定每个客户的情绪级别。
在本申请的实施例中，客户的情绪级别概率能反映客户的情绪高低，具体的，客户的情绪级别可以为3个级别，第一级别情绪代表客户情绪较高，情绪表现可以为高兴。第二级别情绪代表客户情绪较为平和，情绪表现可以为微笑，第三级别情绪表现代表客户情绪较低，情绪表现可以为失望。第一情绪级别概率为0.5，第二情绪级别为0.3，第三情绪级别为0.2。可以通过比较这三个级别的情绪级别概率的大小，确定客户的情绪级别，具体的，可以将情绪级别概率最大的确定为客户的情绪级别，则第一情绪级别为0.5，为最大值，可以确定客户的情绪级别为第一情绪级别。
根据上述本申请实施例提供的情绪级别确定方法可知，获取至少一个客户中每个客户的目标声音特征信息，目标声音特征信息体现客户的声音特征；将所述每个客户的目标声音特征信息按照预设区间进行分类，并确定所述每个客户的目标声音特征信息对应的区间概率；将每个客户的目标声音特征信息对应的区间概率分别输入到贝叶斯模型，得到每个客户的目标声音特征信息对应的情绪级别概率，区间概率为目标声音特征信息所处的区间的概率，情绪级别概率为目标声音特征信息对应于情绪级别的概率，情绪级别体现客户的情绪的高低；根据每个客户的目标声音特征信息的情绪级别概率，确定每个客户的情绪级别。由此可见，本申请实施例首先对客户的目标声音特征信息按照预设区间进行分类，之后利用客户的目标声音特征信息确定其对应的区间概率，并将区间概率输入到贝叶斯模型，贝叶斯模型输出目标声音特征信息对应的情绪级别概率，根据情绪级别概率确定客户的情绪级别，使得柜员能够准确确定客户的情绪等级，为客户提供更好的业务办理体验，提升柜员的业务服务水平。
如图3所示，为本申请实施例提供的另一种情绪级别确定方法的流程示意图，该方法包括以下步骤：
步骤301：获取至少一个客户中每个客户的目标声音特征信息，目标声音特征信息体现所述客户的声音特征。
步骤302：将所述每个客户的目标声音特征信息按照预设区间进行分类，并确定所述每个客户的目标声音特征信息对应的区间概率。
步骤303：将每个客户的目标声音特征信息对应的区间概率分别输入到贝叶斯模型，得到每个客户的目标声音特征信息对应的情绪级别概率，区间概率为目标声音特征信息所处的区间的概率，情绪级别概率为目标声音特征信息对应于情绪级别的概率，情绪级别体现客户的情绪的高低。
步骤304：根据每个客户的目标声音特征信息的情绪级别概率，确定每个客户的情绪级别。
步骤301至步骤304的执行原理和上述步骤101至步骤104的一致，这里不再赘述。
步骤305：根据所述每个客户的情绪级别，以及情绪级别与柜员的绩效的对应关系确定所述每个客户对应的绩效。
在本申请实施例中，客户情绪级别和柜员绩效存在对应关系，即可以利用客户的情绪级别和对应关系，得到柜员的绩效。具体的，客户的情绪级别和柜员绩效可以是线性对应关系，例如，客户的情绪级别可以是3个级别，第一情绪级别对应的柜员绩效最高，可以是1.2，第二情绪级别对应的柜员绩效可以是1，第三情绪级别对应的柜员绩效最低，可以是0.8。
步骤306：根据所述每个客户对应的绩效确定所述柜员的总绩效。
在本申请实施例中，柜员的总绩效代表了柜员的业务服务水平，总绩效较高，说明柜员的业务服务水平较高，能为客户带来更好的用户体验。总绩效可以是每个客户对应的绩效的总和，也可以是每个客户对应的绩效的平均值。
根据上述本申请实施例提供的情绪级别确定方法可知，获取至少一个客户中每个客户的目标声音特征信息，目标声音特征信息体现客户的声音特征；将所述每个客户的目标声音特征信息按照预设区间进行分类，并确定所述每个客户的目标声音特征信息对应的区间概率；将每个客户的目标声音特征信息对应的区间概率分别输入到贝叶斯模型，得到每个客户的目标声音特征信息对应的情绪级别概率，区间概率为目标声音特征信息所处的区间的概率，情绪级别概率为目标声音特征信息对应于情绪级别的概率，情绪级别体现客户的情绪的高低；根据每个客户的目标声音特征信息的情绪级别概率，确定每个客户的情绪级别。由此可见，本申请实施例首先对客户的目标声音特征信息按照预设区间进行分类，之后利用客户的目标声音特征信息确定其对应的区间概率，并将区间概率输入到贝叶斯模型，贝叶斯模型输出目标声音特征信息对应的情绪级别概率，根据情绪级别概率确定客户的情绪级别，使得柜员能够准确确定客户的情绪等级，为客户提供更好的业务办理体验，提升柜员的业务服务水平。
基于上述本申请实施例提供的一种情绪级别确定方法，本申请实施例还提供了一种情绪级别确定装置400，如图4所示，为本申请实施例提供的一种情绪级别确定装置的结构示意图，包括：
获取单元410，用于获取至少一个客户中每个客户的目标声音特征信息，所述目标声音特征信息体现所述客户的声音特征；
分类单元420，用于将所述每个客户的目标声音特征信息按照预设区间进行分类，并确定所述每个客户的目标声音特征对应的区间概率；
贝叶斯处理单元430，用于将所述每个客户的目标声音特征信息对应的区间概率分别输入到贝叶斯模型，得到所述每个客户的目标声音特征信息对应的情绪级别概率，所述区间概率为所述目标声音特征信息所处的区间的概率，所述情绪级别概率为所述目标声音特征信息对应于情绪级别的概率，所述情绪级别体现所述客户的情绪的高低；
第一确定单元440，用于根据所述每个客户的目标声音特征信息的情绪级别概率，确定所述每个客户的情绪级别。
根据上述本申请实施例提供的情绪级别确定装置可知，获取至少一个客户中每个客户的目标声音特征信息，目标声音特征信息体现客户的声音特征；将所述每个客户的目标声音特征信息按照预设区间进行分类，并确定所述每个客户的目标声音特征信息对应的区间概率；将每个客户的目标声音特征信息对应的区间概率分别输入到贝叶斯模型，得到每个客户的目标声音特征信息对应的情绪级别概率，区间概率为目标声音特征信息所处的区间的概率，情绪级别概率为目标声音特征信息对应于情绪级别的概率，情绪级别体现客户的情绪的高低；根据每个客户的目标声音特征信息的情绪级别概率，确定每个客户的情绪级别。由此可见，本申请实施例首先对客户的目标声音特征信息按照预设区间进行分类，之后利用客户的目标声音特征信息确定其对应的区间概率，并将区间概率输入到贝叶斯模型，贝叶斯模型输出目标声音特征信息对应的情绪级别概率，根据情绪级别概率确定客户的情绪级别，使得柜员能够准确确定客户的情绪等级，为客户提供更好的业务办理体验，提升柜员的业务服务水平。
基于上述本申请实施例提供的情绪级别确定装置，该情绪级别确定装置还包括：
第二确定单元，用于根据所述每个客户的情绪级别，以及情绪级别与柜员的绩效的对应关系确定所述每个客户对应的绩效；
第三确定单元，用于根据所述每个客户对应的绩效确定所述柜员的总绩效。
基于上述本申请实施例提供的情绪级别确定装置，该情绪级别确定装置还包括：
训练单元，用于获取至少一个客户中每个客户的训练声音特征信息，所述训练声音特征信息体现所述客户的声音特征；
分类单元，用于将所述每个客户的训练声音特征信息按照预设区间进行分类，并计算所述预设区间的区间概率。
本申请实施例还提供了一种情绪级别确定设备500，所述设备包括：处理器510和存储器520；
所述存储器510，用于存储指令；
所述处理器520，用于执行所述存储器中的所述指令，执行以上方法实施例提供的任意一项情绪级别确定方法。
图5为本申请实施例提供的一种情绪级别确定设备的结构示意图。
请参阅图5所示，情绪级别确定设备500包括：处理器510和存储器520。其中情绪级别确定设备500中的处理器510的数量可以一个或多个，图5中以一个处理器为例。本申请实施例中，处理器510和存储器520可通过总线系统或其它方式连接，其中，图5中以通过总线系统连接为例。
处理器510可以是中央处理器(central processing unit，CPU)，网络处理器(network processor，NP)或者CPU和NP的组合。处理器510还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，ASIC)，可编程逻辑器件(programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic,GAL)或其任意组合。
存储器520可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器520也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)；存储器520还可以包括上述种类的存储器的组合。
可选地，存储器520存储有操作系统和程序、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，程序可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。处理器510可以读取存储器520中的程序，实现本申请实施例提供的情绪级别确定方法。
总线系统可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。总线系统可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条细线表示，但并不表示仅有一根总线或一种类型的总线。
本申请实施例还提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行以上方法实施例提供的任意一项情绪级别确定方法。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，所述单元的划分，仅仅为一种逻辑业务划分，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，在本申请各个实施例中的各业务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，也可以采用软件业务单元的形式实现。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的范围。

Claims (10)

1.一种情绪级别确定方法，其特征在于，所述方法包括：
获取至少一个客户中每个客户的目标声音特征信息，所述目标声音特征信息体现所述客户的声音特征；
将所述每个客户的目标声音特征信息按照预设区间进行分类，并确定所述每个客户的目标声音特征信息对应的区间概率；
将所述每个客户的目标声音特征信息对应的区间概率分别输入到贝叶斯模型，得到所述每个客户的目标声音特征信息对应的情绪级别概率，所述区间概率为所述目标声音特征信息所处的区间的概率，所述情绪级别概率为所述目标声音特征信息对应于情绪级别的概率，所述情绪级别体现所述客户的情绪的高低；
根据所述每个客户的目标声音特征信息的情绪级别概率，确定所述每个客户的情绪级别。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述每个客户的情绪级别，以及情绪级别与柜员的绩效的对应关系确定所述每个客户对应的绩效；
根据所述每个客户对应的绩效确定所述柜员的总绩效。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取至少一个客户中每个客户的训练声音特征信息，所述训练声音特征信息体现所述客户的声音特征；
将所述每个客户的训练声音特征信息按照预设区间进行分类，并计算所述预设区间的区间概率。
4.根据权利要求1所述的方法，其特征在于，所述声音特征包括以下其中一种或多种：
音频特征、音调特征、音量特征及语速特征。
5.根据权利要求1所述的方法，其特征在于，所述根据所述每个客户的目标声音特征信息的情绪级别概率，确定所述每个客户的情绪级别包括：
将所述每个客户的目标声音特征信息的情绪级别概率最大的，确定为所述每个客户的情绪级别。
6.一种情绪级别确定装置，其特征在于，所述装置包括：
获取单元，用于获取至少一个客户中每个客户的目标声音特征信息，所述目标声音特征信息体现所述客户的声音特征；
分类单元，用于将所述每个客户的目标声音特征信息按照预设区间进行分类，并确定所述每个客户的目标声音特征对应的区间概率；
贝叶斯处理单元，用于将所述每个客户的目标声音特征信息对应的区间概率分别输入到贝叶斯模型，得到所述每个客户的目标声音特征信息对应的情绪级别概率，所述区间概率为所述目标声音特征信息所处的区间的概率，所述情绪级别概率为所述目标声音特征信息对应于情绪级别的概率，所述情绪级别体现所述客户的情绪的高低；
第一确定单元，用于根据所述每个客户的目标声音特征信息的情绪级别概率，确定所述每个客户的情绪级别。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二确定单元，用于根据所述每个客户的情绪级别，以及情绪级别与柜员的绩效的对应关系确定所述每个客户对应的绩效；
第三确定单元，用于根据所述每个客户对应的绩效确定所述柜员的总绩效。
8.根据权利要求6或7所述的装置，其特征在于，所述装置还包括：
训练单元，用于获取至少一个客户中每个客户的训练声音特征信息，所述训练声音特征信息体现所述客户的声音特征；
分类单元，用于将所述每个客户的训练声音特征信息按照预设区间进行分类，并计算所述预设区间的区间概率。
9.一种情绪级别确定设备，其特征在于，所述设备包括：处理器和存储器；
所述存储器，用于存储指令；
所述处理器，用于执行所述存储器中的所述指令，执行权利要求1-5任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得计算机执行以上权利要求1-5任意一项所述的方法。
CN202011052912.5A 2020-09-29 2020-09-29 一种情绪级别确定方法、装置和设备 Pending CN112085420A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011052912.5A CN112085420A (zh) 2020-09-29 2020-09-29 一种情绪级别确定方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011052912.5A CN112085420A (zh) 2020-09-29 2020-09-29 一种情绪级别确定方法、装置和设备

Publications (1)

Publication Number Publication Date
CN112085420A true CN112085420A (zh) 2020-12-15

Family

ID=73729798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011052912.5A Pending CN112085420A (zh) 2020-09-29 2020-09-29 一种情绪级别确定方法、装置和设备

Country Status (1)

Country Link
CN (1) CN112085420A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116649980A (zh) * 2023-06-06 2023-08-29 四川大学 基于人工智能的情绪监测方法、系统、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753663A (zh) * 2019-01-16 2019-05-14 中民乡邻投资控股有限公司 一种客户情绪分级方法及装置
WO2019153860A1 (zh) * 2018-02-11 2019-08-15 腾讯科技（深圳）有限公司 信息交互方法和装置、存储介质及电子装置
CN110262665A (zh) * 2019-06-26 2019-09-20 北京百度网讯科技有限公司 用于输出信息的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019153860A1 (zh) * 2018-02-11 2019-08-15 腾讯科技（深圳）有限公司 信息交互方法和装置、存储介质及电子装置
CN109753663A (zh) * 2019-01-16 2019-05-14 中民乡邻投资控股有限公司 一种客户情绪分级方法及装置
CN110262665A (zh) * 2019-06-26 2019-09-20 北京百度网讯科技有限公司 用于输出信息的方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116649980A (zh) * 2023-06-06 2023-08-29 四川大学 基于人工智能的情绪监测方法、系统、设备及存储介质
CN116649980B (zh) * 2023-06-06 2024-03-26 四川大学 基于人工智能的情绪监测方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
US20200210899A1 (en) Machine learning model training method and device, and electronic device
WO2019153518A1 (zh) 信息推送方法、装置、计算机设备及存储介质
CN109670784B (zh) 一种告知等待时间的方法、装置及系统
US20170364506A1 (en) System and method for generating phrase based categories of interactions
WO2017133615A1 (zh) 一种业务参数获取方法及装置
US20230139628A1 (en) Supporting automation of customer service
US10452627B2 (en) Column weight calculation for data deduplication
US20170177717A1 (en) Rating a level of journalistic distortion in news media content
US11720515B2 (en) Article, device, and techniques for serverless stack for streaming message processing
CN111125529A (zh) 产品匹配方法、装置、计算机设备及存储介质
WO2019227629A1 (zh) 文本信息的生成方法、装置、计算机设备及存储介质
US11410016B2 (en) Selective performance of deterministic computations for neural networks
CN112085420A (zh) 一种情绪级别确定方法、装置和设备
US20230274160A1 (en) Automatically training and implementing artificial intelligence-based anomaly detection models
CN113610636A (zh) 一种迭代特征筛选方法及系统
KR102053595B1 (ko) 토픽 간 m＆a 활성도 생성에 기반한 유망아이템 식별 방법
CN112116165A (zh) 一种业务绩效确定方法和装置
CN112734352A (zh) 一种基于数据维度的单据审核方法和装置
US20240134779A1 (en) System and method for automated test case generation based on queuing curve analysis
WO2018015986A1 (ja) 顧客評価データ分類システム、方法、プログラムおよびその記録媒体
US20230206194A1 (en) Blockchain payment notification system
US20240135287A1 (en) System and method for automated workload identification, workload model generation and deployment
US11630849B2 (en) Optimizing insight generation in heterogeneous datasets
CN113408664B (zh) 训练方法、分类方法、装置、电子设备以及存储介质
US20240095598A1 (en) Data processing methods and computer systems for wavelakes signal intelligence

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination