CN113297365A - 一种用户意向判定方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能技术领域，应用于智慧城市领域中，揭露了一种用户意向判定方法、装置、设备及存储介质，方法包括：在人机交互过程中，通过将用户每次回复的语音转化为文本序列，并基于预设的词典库对所述文本序列进行特征提取，然后根据提取的特征确定用户态度信息，在人机交互结束后，根据每条文本序列的用户态度信息，按照预设规则划分所述用户的跟进类别，并根据所述用户的跟进类别判断所述用户是否为价值客户，若是，则将所述用户添加到意向名单中，以用于人工客服跟进，降低人了工客服成本，进而提高客服的服务成功率。并且通过单独分析用户每次回复语音的态度，最后根据每次回复语音的态度，综合判定用户的跟进价值准确率更高。

Description

一种用户意向判定方法、装置、设备及存储介质

技术领域

本发明涉及人工智能技术领域，具体涉及一种用户意向判定方法、装置、设备及存储介质。

背景技术

随着人工智能技术的发展，越来越多的企业将智能语音机器人应用到了日常的用户服务中，这样极大节省了人力成本，提高了产能。

目前，企业在新产品上线的一段时间内会采用电话机器人的方式，在合适的时机对贴合度比较高的企业已有用户进行电话回访介绍，以智能语音引导用户进行转接人工客服。

然而，现有的电话机器人一般是与用户交互一两次便直接转接人工客服，用户是否真正对新产品感兴趣是未知的，这样就会导致转接到人工客服的用户太多，增加人工客服成本。

另外，电话机器人虽然语音上和正常人的语音很接近，但是因为机器人词库和续联模型的局限，难免会出现答非所问，被用户察觉非真人后，引发用户的反感和投诉。

发明内容

本发明的目的是针对上述现有技术的不足提出的一种用户意向判定方法、装置、设备及存储介质，该目的是通过以下技术方案实现的。

本发明的第一方面提出了一种用户意向判定方法，所述方法包括：

在人机交互过程中，实时提取用户每次回复的语音并转化为文本序列；

基于预设的词典库对所述文本序列进行特征提取，并根据提取的特征确定用户态度信息；

在检测到所述人机交互过程结束时，根据每条文本序列对应的用户态度信息，按照预设规则划分所述用户的跟进类别；

根据所述用户的跟进类别判断所述用户是否为价值客户；

若是，则将所述用户添加到意向名单中。

在本申请的一些实施例中，所述基于预设的词典库对所述文本序列进行特征提取，包括：

按照所述文本序列中的标点将所述文本序列划分为多个子句；

对每个子句进行分词，并通过匹配所述词典库对每个子句中的每个分词进行词性标注；标注的词性包括否定词、正向情感词、负向情感词、以及程度副词；

针对词性为否定词的分词，确定该分词的下一个第一目标分词，所述第一目标分词为正向情感词或者负向情感词；

为所述第一目标分词添加用于表征有否定词的第一标记，并将否定词数量加1；

针对词性为程度副词的分词，确定该分词的下一个第二目标分词，所述第二目标分词为正向情感词或者负向情感词；

为所述第二目标分词添加用于表征有程度副词的第二标记和所述程度副词的强度；

将词性为正向情感词对应的否定词数量和程度副词的强度、与词性为负向情感词对应的否定词数量和程度副词的强度作为所述文本序列的特征。

在本申请的一些实施例中，所述根据提取的特征确定用户态度信息，包括：

针对每个子句，根据该子句中词性为正向情感词对应的否定词数量和程度副词的强度、与词性为负向情感词对应的否定词数量和程度副词的强度，确定该子句的情感分值；

将每个子句的情感分值进行累加，以得到整个文本序列的情感分值；

基于整个文本序列的情感分值确定用户态度信息。

在本申请的一些实施例中，所述基于整个文本序列的情感分值的极性确定用户态度信息，包括：

如果整个文本序列的情感分值为负值，则确定用户态度为消极或者比较反感；

如果整个文本序列的情感分值为正值，则确定用户态度为积极；

如果整个文本序列的情感分值为0，则确定用户态度为一般或者用户不反感。

在本申请的一些实施例中，所述方法还包括：

在根据该子句中词性为正向情感词对应的否定词数量和程度副词的强度、与词性为负向情感词对应的否定词数量和程度副词的强度，确定该子句的情感分值之后，如果该子句的情感分值的极性为负且绝对值大于预设阈值，则将所述人机交互的通话连接，转接到人工客服。

在本申请的一些实施例中，所述根据提取的特征确定用户态度信息，包括：

在得到整个文本序列的情感分值之后，统计整个文本序列中词性为否定词的第一分词数量、词性为负向情感词的第二分词数量、词性为正向情感词的第三分词数量、以及词性为程度副词的第四分词数量；

将第一分词数量、第二分词数量、第三分词数量、第四分词数量以及整个文本序列的情感分值输入已训练的倾向判别模型，并获取所述倾向判别模型输出的用户态度信息。

在本申请的一些实施例中，所述根据每条文本序列对应的用户态度信息，按照预设规则划分所述用户的跟进类别，包括：

统计用户态度信息为积极和/或一般的文本序列的第一数量，以及所有文本序列的第二数量；

获得第一数量占第二数量的比例；

根据所述比例划分所述用户的跟进类别。

本发明的第二方面提出了一种用户意向判定装置，所述装置包括：

文本转换模块，用于在人机交互过程中，实时提取用户每次回复的语音并转化为文本序列；

特征提取模块，用于基于预设的词典库对所述文本序列进行特征提取；

态度确定模块，用于根据提取的特征确定用户态度信息；

类别划分模块，用于在检测到所述人机交互过程结束时，根据每条文本序列对应的用户态度信息，按照预设规则划分所述用户的跟进类别；

判断模块，用于根据所述用户的跟进类别判断所述用户是否为价值客户；

名单添加模块，用于在判断为是时，将所述用户添加到意向名单中。

本发明的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所述方法的步骤。

本发明的第四方面提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述第一方面所述方法的步骤。

基于上述第一方面和第二方面所述的用户意向判定方法及装置，本发明至少具有如下有益效果或优点：

通过对电话机器人与用户交互过程中的用户语音进行分析，以分析得到该用户是否有人工客服跟进的价值，从而实现对机器人电话联系的用户提前筛选，将有跟进价值，即意向度高的用户交由人工客服跟进，降低人工客服成本，进而提高客服的服务成功率。并且通过单独分析用户每次回复语音的态度，最后根据每次回复语音的态度，综合判定用户的跟进价值准确率更高。

本发明可以应用于智慧城市技术领域，从而推动智慧城市的建设。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明根据一示例性实施例示出的一种用户意向判定方法的实施例流程图；

图2为本发明根据图1所示实施例示出的一种文本序列特征提取的流程示意图；

图3为本发明根据图1所示实施例示出的一种确定用户态度信息的流程示意图；

图4为本发明根据一示例性实施例示出的一种用户意向判定装置的结构示意图；

图5为本发明根据一示例性实施例示出的一种电子设备的硬件结构示意图图；

图6为本发明根据一示例性实施例示出的一种存储介质的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

国家相继出台支持人工智能发展的相关政策，越来越多的银行和公司将电话机器人应用到了他们日常的客户服务中，极大地节省了人力成本和提高产能。

产险目前有超过六千万客户，在新产品出来的一段时间会优先给对贴合度相对较高的老客户进行电话回访介绍，了解他们对新产品或是活动的是否感兴趣；联系老客户的方式除了传统的客服电话联系客户本人外，随着人工智能技术的发展，目前还有一部分使用了电话机器人进行联系；电话机器人可以在合适的时机联系贴合度较高的客户介绍产品，节省了大量的人工客服成本。

目前电话机器人使用的外呼名单是经过大数据清洗和过滤的，但是外呼名单中的用户是否真正对新上线的产品感兴趣是未知的，这样就会导致转接到人工客服的用户太多，增加人工客服成本。

另外，电话机器人虽然语音上和正常人的语音很接近，但是因为机器人词库和续联模型的局限，难免会出现答非所问，被用户察觉非真人后，引发用户的反感和投诉。

为解决上述技术问题，本发明提出一种用户意向判定方法，即在人机交互过程中，通过将用户每次回复的语音转化为文本序列，并基于预设的词典库对所述文本序列进行特征提取，然后根据提取的特征确定用户态度信息，在人机交互结束后，根据每条文本序列对应的用户态度信息，按照预设规则划分用户的跟进类别，并根据所述用户的跟进类别判断用户是否为价值客户，若是，则将所述用户添加到意向名单中，以用于人工客服跟进，从而实现对机器人电话联系的用户提前筛选，将有跟进价值，即意向度高的用户交由人工客服跟进，降低人工客服成本，进而提高客服的服务成功率。并且通过单独分析用户每次回复语音的态度，最后根据每次回复语音的态度，综合判定用户的跟进价值准确率更高。

为了使本技术领域的人员更好地理解本申请方案，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。

实施例一：

图1为本发明根据一示例性实施例示出的一种用户意向判定方法的实施例流程图，所述用户意向判定方法可以应用在计算机设备上，所述计算机设备可以是终端设备、移动终端、PC机、服务器等设备，所述计算机设备可以是实现电话机器人的设备，从而可以从本地获取电话机器人与用户的交互语音，当然也可以是单独实现用户意向判定的设备，需要实时从电话机器人设备获取用户回复的语音，包括如下步骤：

步骤101：在人机交互过程中，实时提取用户每次回复的语音并转化为文本序列。

在本申请实施例中，在使用电话机器人给用户打电话，即人机交互过程中，一般是一问一答形式，即电话机器人说一次，用户回复一次，并且后台会对整个通话过程进行实时录音并记录到数据库中，因此在人机交互过程中，可以实时从数据库中提取用户每次回复的语音并转化为文本序列，以用于后续处理。

需要注意的是，由于用户每次回复的语音通常由多个短句组成，因此转化出的文本序列通常包括由标点符号“，”隔开的多个子句文本。

本领域技术人员可以理解的是，对于将用户语音转化为文本的过程，可以采用相关技术实现，例如可以采用语音转写(Long Form ASR)工具对用户语音进行解析，本发明对语音转文本的具体实现不进行具体限定。

步骤102：基于预设的词典库对所述文本序列进行特征提取，并根据提取的特征确定用户态度信息。

在执行步骤102之前，需要预先建立词典库，所述词典库可以包括否定词词典、正向情感词词典、负向情感词词典、以及程度副词词典。

其中，否定词词典中收录的均是否定词，例如“不”、“没有”、“没”、“无”、“非”等；正向情感词词典中收录的均是正向情感词，例如“高兴”、“刺激”、“兴奋”等；负向情感词词典中收录的均是负向情感词，例如“生气”、“沮丧”、“犹豫”、“郁闷”等；程度副词词典中收录的均是程度副词，并且还可以为每个程度副词对应设置一个强度值，例如“非常”的强度值为2，“有点”的强度值为0.5，“相当”的强度值为1，“很”的强度值为2等。

可以理解的是，上述所述的“正向”和“负向”用于表征情感词的极性，正向情感词属于积极向上或者正面情绪的形容词，负向情感词属于消极或者负面情绪的形容词。

需要说明的是，针对文本序列特征提取的过程，以及用户态度信息确定的过程，可以参见下述实施例的描述，本申请在此暂不详述。

步骤103：在检测到所述人机交互过程结束时，根据每条文本序列对应的用户态度信息，按照预设规则划分所述用户的跟进类别。

在一可选的具体实施方式中，可以统计用户态度为积极和/或一般的文本序列的第一数量，以及所有文本序列的第二数量，并获得第一数量占第二数量的比例，进而根据所述比例划分所述用户的跟进类别。

示例性的，跟进类别可以包括有跟进价值和无跟进价值两种类别。

在具体实施时，针对根据所述比例划分所述用户的跟进类别的过程，如果所述比例大于预设阈值，则确定所述用户属于有跟进价值的类别，如果所述比例小于预设阈值，则确定所述用户属于无跟进价值的类别。

步骤104：根据所述用户的跟进类别判断所述用户是否为价值客户，若是，则执行步骤105。

具体地，如果所述用户属于有跟进价值的类别，则确定所述用户为价值客户，如果所述用户属于无跟进价值的类别，则确定所述用户不是价值客户。

步骤105：将所述用户添加到意向名单中。

至此，完成上述图1所示的流程，通过对电话机器人与用户交互过程中的用户语音进行分析，以分析得到该用户是否有人工客服跟进的价值，从而实现对机器人电话联系的用户提前筛选，将有跟进价值，即意向度高的用户交由人工客服跟进，降低人工客服成本，进而提高客服的服务成功率。并且通过单独分析用户每次回复语音的态度，最后根据每次回复语音的态度，综合判定用户的跟进价值准确率更高。

本发明可以应用于智慧城市技术领域，从而推动智慧城市的建设。

实施例二：

图2为本发明根据一示例性实施例示出的一种文本序列特征提取的流程示意图，基于上述图1所示实施例的基础上，在上述步骤102中，针对文本序列特征提取的过程包括如下步骤：

步骤201：按照文本序列中的标点将所述文本序列划分为多个子句。

其中，由于在一个文本序列中，对于每个用标点隔开的子句，其具有完整的语义，需要按标点划分子句，以便于后续按子句准确预估情感分值。

步骤202：对每个子句进行分词，并通过匹配词典库对每个子句中的每个分词进行词性标注；标注的词性包括否定词、正向情感词、负向情感词、以及程度副词。

步骤203：针对词性为否定词的分词，确定该分词的下一个第一目标分词，所述第一目标分词为正向情感词或者负向情感词。

步骤204：为第一目标分词添加用于表征有否定词的第一标记，并将否定词数量加1。

针对步骤203和步骤204的过程，对于正向情感词或负向情感词前面的否定词，可能会有连续多个否定词，并且不同数量否定词所修饰的正向情感词或负向情感词的语义还不同，因此需要统计情感词前面的否定词数量。

举例来说，对于文本序列为：“没有不高兴”，在正向情感词“高兴”前面有2个否定词，表示的语义是正向的；而对于文本序列“不高兴”，在正向情感词“高兴”前面有1个否定词，表示的语义是负向的。

步骤205：针对词性为程度副词的分词，确定该分词的下一个第二目标分词，所述第二目标分词为正向情感词或者负向情感词。

步骤206：为第二目标分词添加用于表征有程度副词的第二标记和所述程度副词的强度。

步骤207：将词性为正向情感词对应的否定词数量和程度副词的强度、与词性为负向情感词对应的否定词数量和程度副词的强度作为所述文本序列的特征。

至此，完成上述图2所示的文本序列特征的提取流程。

实施例三：

图3为本发明根据图1所示实施例示出的一种确定用户态度信息的流程示意图，基于上述图1至图2所示实施例的基础上，在上述步骤102中，针对用户态度信息的确定过程包括如下步骤：

步骤301：针对文本序列中的每个子句，根据该子句中词性为正向情感词对应的否定词数量和程度副词的强度、与词性为负向情感词对应的否定词数量和程度副词的强度，确定该子句的情感分值。

其中，针对单个子句的情感分值计算公式如下：

情感分值＝(正向情感词的极性*a*程度副词的强度)+(负向情感词的极性*b*程度副词的强度)

其中，正向情感词的极性取值为1，在自然语言处理中，双重否定为肯定的语义，因此如果正向情感词的否定词数量为奇数，则a取值为-1，即负值表示负向情绪，如果为偶数，则a取值为1，即正值表示正向情绪，负向情感词的极性取值为-1，如果正向情感词的否定词数量为奇数，则b取值为-1，如果为偶数，则b取值为1。

需要说明的是，在根据该子句中词性为正向情感词对应的否定词数量和程度副词的强度、与词性为负向情感词对应的否定词数量和程度副词的强度，确定该子句的情感分值之后，如果该子句的情感分值的极性为负且绝对值大于预设阈值，则将所述人机交互的通话连接，转接到人工客服，以及时发现用户对电话机器人的不满，及时转人工客服，降低客户投诉风险。

步骤302：将每个子句的情感分值进行累加，以得到整个文本序列的情感分值。

步骤303：基于整个文本序列的情感分值确定用户态度信息。

在一可选的具体实施方式中，基于上述步骤301的描述可知，整个文本序列的情感分值的极性可能为负、正、0中的任意一种，因此可以基于情感分值的极性确定用户态度信息，即如果整个文本序列的情感分值为负值，则确定用户态度为消极或者比较反感，如果整个文本序列的情感分值为正值，则确定用户态度为积极，如果整个文本序列的情感分值为0，则确定用户态度为一般或者用户不反感。

在另一具体可选的实施方式中，为了提升用户态度的准确性，还可以使用模型进行确定，即在得到整个文本序列的情感分值之后，可以统计整个文本序列中词性为否定词的第一分词数量、词性为负向情感词的第二分词数量、词性为正向情感词的第三分词数量、以及词性为程度副词的第四分词数量，并将第一分词数量、第二分词数量、第三分词数量、第四分词数量以及整个文本序列的情感分值输入已训练的倾向判别模型，并获取所述倾向判别模型输出的用户态度。

在具体实施时，所述倾向判别模型为支持向量机(SVM)模型。

针对支持向量机模型的训练过程，可以收集多条人机交互产生的用户语音记录并转化为文本序列，并采用上述过程确定每个文本序列情感分值、以及每个文本序列中词性为否定词的第一分词数量、词性为负向情感词的第二分词数量、词性为正向情感词的第三分词数量、以及词性为程度副词的第四分词数量，并将每个文本序列的第一分词数量、第二分词数量、第三分词数量、第四分词数量以及情感分值作为训练样本，并利用训练样本训练预先构建的支持向量机模型，直至收敛。

至此，完成上述图3所示的用户态度信息的确定流程。

与前述用户意向判定方法的实施例相对应，本发明还提供了用户意向判定装置的实施例。

图4为本发明根据一示例性实施例示出的一种页面筛选装置的实施例流程图，该装置用于执行上述任一实施例提供的用户意向判定方法，如图4所示，该用户意向判定装置包括：

文本转换模块410，用于在人机交互过程中，实时提取用户每次回复的语音并转化为文本序列；

特征提取模块420，用于基于预设的词典库对所述文本序列进行特征提取；

态度确定模块430，用于根据提取的特征确定用户态度信息；

类别划分模块440，用于在检测到所述人机交互过程结束时，根据每条文本序列对应的用户态度信息，按照预设规则划分所述用户的跟进类别；

判断模块450，用于根据所述用户的跟进类别判断所述用户是否为价值客户；

名单添加模块460，用于在判断为是时，将所述用户添加到意向名单中。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本发明实施方式还提供一种与前述实施方式所提供的用户意向判定方法对应的电子设备，以执行上述用户意向判定方法。

图5为本发明根据一示例性实施例示出的一种电子设备的硬件结构图，该电子设备包括：通信接口601、处理器602、存储器603和总线604；其中，通信接口601、处理器602和存储器603通过总线604完成相互间的通信。处理器602通过读取并执行存储器603中与用户意向判定方法的控制逻辑对应的机器可执行指令，可执行上文描述的用户意向判定方法，该方法的具体内容参见上述实施例，此处不再累述。

本发明中提到的存储器603可以是任何电子、磁性、光学或其它物理存储装置，可以包含存储信息，如可执行指令、数据等等。具体地，存储器603可以是RAM(Random AccessMemory，随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合。通过至少一个通信接口601(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线604可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器603用于存储程序，所述处理器602在接收到执行指令后，执行所述程序。

处理器602可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器602中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器602可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。

本申请实施例提供的电子设备与本申请实施例提供的用户意向判定方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的用户意向判定方法对应的计算机可读存储介质，请参考图6所示，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的用户意向判定方法。

需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的用户意向判定方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

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 (10)

1.一种用户意向判定方法，其特征在于，所述方法包括：

在人机交互过程中，实时提取用户每次回复的语音并转化为文本序列；

基于预设的词典库对所述文本序列进行特征提取，并根据提取的特征确定用户态度信息；

在检测到所述人机交互过程结束时，根据每条文本序列对应的用户态度信息，按照预设规则划分所述用户的跟进类别；

根据所述用户的跟进类别判断所述用户是否为价值客户；

若是，则将所述用户添加到意向名单中。

2.根据权利要求1所述的方法，其特征在于，所述基于预设的词典库对所述文本序列进行特征提取，包括：

按照所述文本序列中的标点将所述文本序列划分为多个子句；

对每个子句进行分词，并通过匹配所述词典库对每个子句中的每个分词进行词性标注；标注的词性包括否定词、正向情感词、负向情感词、以及程度副词；

针对词性为否定词的分词，确定该分词的下一个第一目标分词，所述第一目标分词为正向情感词或者负向情感词；

为所述第一目标分词添加用于表征有否定词的第一标记，并将否定词数量加1；

针对词性为程度副词的分词，确定该分词的下一个第二目标分词，所述第二目标分词为正向情感词或者负向情感词；

为所述第二目标分词添加用于表征有程度副词的第二标记和所述程度副词的强度；

将词性为正向情感词对应的否定词数量和程度副词的强度、与词性为负向情感词对应的否定词数量和程度副词的强度作为所述文本序列的特征。

3.根据权利要求2所述的方法，其特征在于，所述根据提取的特征确定用户态度信息，包括：

针对每个子句，根据该子句中词性为正向情感词对应的否定词数量和程度副词的强度、与词性为负向情感词对应的否定词数量和程度副词的强度，确定该子句的情感分值；

将每个子句的情感分值进行累加，以得到整个文本序列的情感分值；

基于整个文本序列的情感分值确定用户态度信息。

4.根据权利要求3所述的方法，其特征在于，所述基于整个文本序列的情感分值确定用户态度信息，包括：

如果整个文本序列的情感分值为负值，则确定用户态度为消极或者比较反感；

如果整个文本序列的情感分值为正值，则确定用户态度为积极；

如果整个文本序列的情感分值为0，则确定用户态度为一般或者用户不反感。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

在根据该子句中词性为正向情感词对应的否定词数量和程度副词的强度、与词性为负向情感词对应的否定词数量和程度副词的强度，确定该子句的情感分值之后，如果该子句的情感分值的极性为负且绝对值大于预设阈值，则将所述人机交互的通话连接，转接到人工客服。

6.根据权利要求3所述的方法，其特征在于，所述基于整个文本序列的情感分值确定用户态度信息，包括：

统计整个文本序列中词性为否定词的第一分词数量、词性为负向情感词的第二分词数量、词性为正向情感词的第三分词数量、以及词性为程度副词的第四分词数量；

将第一分词数量、第二分词数量、第三分词数量、第四分词数量以及整个文本序列的情感分值输入已训练的倾向判别模型，并获取所述倾向判别模型输出的用户态度信息。

7.根据权利要求1所述的方法，其特征在于，所述根据每条文本序列对应的用户态度信息，按照预设规则划分所述用户的跟进类别，包括：

统计用户态度信息为积极和/或一般的文本序列的第一数量，以及所有文本序列的第二数量；

获得第一数量占第二数量的比例；

根据所述比例划分所述用户的跟进类别。

8.一种用户意向判定装置，其特征在于，所述装置包括：

文本转换模块，用于在人机交互过程中，实时提取用户每次回复的语音并转化为文本序列；

特征提取模块，用于基于预设的词典库对所述文本序列进行特征提取；

态度确定模块，用于根据提取的特征确定用户态度信息；

类别划分模块，用于在检测到所述人机交互过程结束时，根据每条文本序列对应的用户态度信息，按照预设规则划分所述用户的跟进类别；

判断模块，用于根据所述用户的跟进类别判断所述用户是否为价值客户；

名单添加模块，用于在判断为是时，将所述用户添加到意向名单中。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。

Images