CN113707177B - 基于语音分析识别的服务处理方法及系统 - Google Patents

Abstract

本发明实施例提供一种基于语音分析识别的服务处理方法及系统，基于预先训练的负面反馈预测模型对所述用户录音数据进行特征提取，获取所述用户录音数据对应于各个负面反馈维度的录音变量分布，基于所述负面反馈预测模型对所述各个负面反馈维度的录音变量分布进行负面反馈属性分类，获取所述每个目标用户对应的负面反馈属性序列，基于所述每个目标用户对应的负面反馈属性序列对向所述每个目标用户提供的线上服务进行优化配置。如此，通过基于负面反馈属性进行服务优化配置，可以更好地为不同的目标用户进行差异化服务，降低服务投诉率，进而减少线上成本。

Description

基于语音分析识别的服务处理方法及系统

技术领域

本发明涉及互联网服务技术领域，具体而言，涉及一种基于语音分析识别的服务处理方法及系统。

背景技术

在各类互联网线上服务过程中，如信贷金融服务过程中，会涉及到多种服务信息提醒，例如还款信息提醒，业务周期信息提醒等，在相关的信息提醒过程中涉及到与多个用户之间的对话互动，用户的对话录音数据可以从一定程度上反映用户针对当前提供的互联网线上服务的评价和体验情况，因此如何对此进行有效分析，以便于进行服务优化配置后更好地为不同的目标用户进行差异化服务，降低服务投诉率，减少线上成本，是当前亟待解决的技术问题。

发明内容

为了至少克服现有技术中的上述不足，本发明的目的在于提供一种基于语音分析识别的服务处理方法及系统。

第一方面，本发明提供一种基于语音分析识别的服务处理方法，应用于基于语音分析识别的服务处理系统，所述方法包括：

获取针对每个目标用户进行服务信息提醒过程中的用户录音数据；

基于预先训练的负面反馈预测模型对所述用户录音数据进行特征提取，获取所述用户录音数据对应于各个负面反馈维度的录音变量分布，其中，所述录音变量分布包括录音语义特征信息、录音语调特征信息、录音语速特征信息中的一种或者多种组合；

基于所述负面反馈预测模型对所述各个负面反馈维度的录音变量分布进行负面反馈属性分类，获取所述每个目标用户对应的负面反馈属性序列；

基于所述每个目标用户对应的负面反馈属性序列对向所述每个目标用户提供的线上服务进行优化配置。

第二方面，本发明实施例还提供一种基于语音分析识别的服务处理系统，所述基于语音分析识别的服务处理系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述的基于语音分析识别的服务处理方法。

依据上述任意一个方面，基于预先训练的负面反馈预测模型对所述用户录音数据进行特征提取，获取所述用户录音数据对应于各个负面反馈维度的录音变量分布，基于所述负面反馈预测模型对所述各个负面反馈维度的录音变量分布进行负面反馈属性分类，获取所述每个目标用户对应的负面反馈属性序列，基于所述每个目标用户对应的负面反馈属性序列对向所述每个目标用户提供的线上服务进行优化配置。如此，通过基于负面反馈属性进行服务优化配置，可以更好地为不同的目标用户进行差异化服务，降低服务投诉率，进而减少线上成本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以依据这些附图获得其它相关的附图。

图1为本发明实施例提供的基于语音分析识别的服务处理方法的流程示意图；

图2为本发明实施例提供的用于实现上述的基于语音分析识别的服务处理方法的基于语音分析识别的服务处理系统的结构示意框图。

具体实施方式

以下描述是为了使本领域的普通技术人员能够实施和利用本发明，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本发明的原则和范围时，本发明中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本发明并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。

本发明中所使用的术语仅用于描述特定的示例性实施例，并不限制本发明的范围。如本发明使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本发明说明书中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其它特征、整体、步骤、操作、组件、部件和/或其组合的情况。

根据以下对附图的描述，本发明的这些和其它的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本发明说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本发明的范围。应当理解的是，附图并不是按比例绘制的。

本发明中使用了流程图用来说明根据本发明的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。此外，可以向流程图添加一个或以上其它操作。也可以从流程图中删除一个或以上操作。

下面结合说明书附图对本发明进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本发明一种实施例提供的基于语音分析识别的服务处理方法的流程示意图，下面对该基于语音分析识别的服务处理方法进行详细介绍。

步骤S110，获取针对每个目标用户进行服务信息提醒过程中的用户录音数据。

例如，服务信息提醒可以是指贷款过程中的还款信息提醒，在此过程中，可以收集相关的目标用户的用户录音数据。

步骤S120，基于预先训练的负面反馈预测模型对所述用户录音数据进行特征提取，获取所述用户录音数据对应于各个负面反馈维度的录音变量分布。

其中，所述录音变量分布包括录音语义特征信息、录音语调特征信息、录音语速特征信息中的一种或者多种组合。

步骤S130，基于所述负面反馈预测模型对所述各个负面反馈维度的录音变量分布进行负面反馈属性分类，获取所述每个目标用户对应的负面反馈属性序列。

步骤S140，基于所述每个目标用户对应的负面反馈属性序列对向所述每个目标用户提供的线上服务进行优化配置。

基于以上步骤，本实施例基于预先训练的负面反馈预测模型对所述用户录音数据进行特征提取，获取所述用户录音数据对应于各个负面反馈维度的录音变量分布，基于所述负面反馈预测模型对所述各个负面反馈维度的录音变量分布进行负面反馈属性分类，获取所述每个目标用户对应的负面反馈属性序列，基于所述每个目标用户对应的负面反馈属性序列对向所述每个目标用户提供的线上服务进行优化配置。如此，通过基于负面反馈属性进行服务优化配置，可以更好地为不同的目标用户进行差异化服务，降低服务投诉率，进而减少线上成本。

一种示例性的实施方式中，前述的负面反馈预测模型的训练步骤如下。

步骤S101，基于参考用户录音样本序列中每个参考用户录音样本的参考录音变量分布和初始负面反馈预测模型序列中每个初始负面反馈预测模型的参考录音变量分布，从初始负面反馈预测模型序列中确定多个初始负面反馈预测模型作为基准初始负面反馈预测模型，即，基准初始负面反馈预测模型的统计量为多个。

例如，可以基于参考用户录音样本序列中每个参考用户录音样本的参考录音变量分布和初始负面反馈预测模型序列中每个初始负面反馈预测模型的参考录音变量分布，从初始负面反馈预测模型序列中确定出与参考用户录音样本序列相关程度较大的初始负面反馈预测模型，将确定的初始负面反馈预测模型作为基准初始负面反馈预测模型，也即，参考用户录音样本序列中每个参考用户录音样本的参考录音变量分布和基准初始负面反馈预测模型的参考录音变量分布的相关程度较大。

例如，可以基于以下步骤选取基准初始负面反馈预测模型：

步骤S1011，针对参考用户录音样本序列中每一参考用户录音样本，确定该参考用户录音样本关联的录音变量分布，并基于每个参考用户录音样本关联的录音变量分布确定第一录音变量分布簇。

例如，针对参考用户录音样本序列中每一参考用户录音样本，该参考用户录音样本可以包括参考用户录音迁移样本，且该参考用户录音迁移样本可以关联有参考训练依据样本，该参考训练依据样本可以至少包括负面反馈标注属性和标注向量分区。基于此，确定该参考用户录音样本关联的录音变量分布，可以包括：基于该参考用户录音迁移样本关联的参考训练依据样本从该参考用户录音迁移样本中提取用户录音迁移子样本，并将该用户录音迁移子样本传递到预设AI提取单元得到该用户录音迁移子样本关联的录音变量分布，并将该用户录音迁移子样本关联的录音变量分布作为该参考用户录音迁移样本关联的录音变量分布。

在步骤S101之前，可以预先配置预设AI提取单元，预设AI提取单元可以生成用户录音迁移子样本关联的录音变量分布，也即，在将用户录音迁移子样本传递到预设AI提取单元后，预设AI提取单元可以输入与该用户录音迁移子样本关联的录音变量分布，该录音变量分布表征用户录音迁移子样本的特征向量信息。

在将参考用户录音迁移样本中的用户录音迁移子样本传递到该预设AI提取单元后，该预设AI提取单元可以生成与该用户录音迁移子样本关联的录音变量分布，该录音变量分布就是该参考用户录音迁移样本关联的录音变量分布。

针对参考用户录音样本序列中每一参考用户录音样本，基于上述步骤可获得该参考用户录音样本关联的录音变量分布，然后，将全部参考用户录音样本关联的录音变量分布进行汇总，可获得第一录音变量分布簇，即第一录音变量分布簇包括每个参考用户录音样本关联的录音变量分布。

在其它示例性实施方式中，针对参考用户录音样本序列中每一参考用户录音样本，确定该参考用户录音样本关联的录音变量分布，可以包括：将该参考用户录音样本传递到预设AI提取单元得到该参考用户录音迁移样本关联的录音变量分布。将全部参考用户录音样本关联的录音变量分布进行汇总，得到第一录音变量分布簇，第一录音变量分布簇包括每个参考用户录音样本关联的录音变量分布。

步骤S1012，获取完成配置的每个初始负面反馈预测模型的第二录音变量分布簇。

如此，在步骤S101之前，可以存储初始负面反馈预测模型序列中的每个初始负面反馈预测模型的第二录音变量分布簇，这样，在步骤S1012中，针对该初始负面反馈预测模型序列中的每个初始负面反馈预测模型，就可以获取到完成配置的该初始负面反馈预测模型的第二录音变量分布簇。

步骤S1013，确定第一录音变量分布簇与每个初始负面反馈预测模型的第二录音变量分布簇的相关参数值，依据相关参数值的降序顺序确定多个初始负面反馈预测模型作为基准初始负面反馈预测模型。

例如，基于初始负面反馈预测模型序列中的每个初始负面反馈预测模型的第二录音变量分布簇，可以确定第一录音变量分布簇与该第二录音变量分布簇之间的相关参数值。

步骤S102，针对每一基准初始负面反馈预测模型，将参考用户录音样本序列中每一参考用户录音样本传递到该基准初始负面反馈预测模型得到该参考用户录音样本关联的负面反馈预测属性；基于各个参考用户录音样本关联的负面反馈预测属性确定完成标注的该参考用户录音样本关联的负面反馈标注属性的支持特征属性，依据每个参考用户录音样本关联的负面反馈标注属性的支持特征属性确定该基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值。

在从初始负面反馈预测模型序列中确定多个初始负面反馈预测模型作为基准初始负面反馈预测模型后，针对每一基准初始负面反馈预测模型，可以确定该基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，即该基准初始负面反馈预测模型对应于每个负面反馈标注属性的收敛评估参数值。例如，假设参考用户录音样本序列中的全部参考用户录音样本对应负面反馈标注属性1和负面反馈标注属性2，且确定基准初始负面反馈预测模型1和基准初始负面反馈预测模型2，则需要确定基准初始负面反馈预测模型1针对负面反馈标注属性1的收敛评估参数值，确定基准初始负面反馈预测模型1针对负面反馈标注属性2的收敛评估参数值，确定基准初始负面反馈预测模型2针对负面反馈标注属性1的收敛评估参数值，确定基准初始负面反馈预测模型2针对负面反馈标注属性2的收敛评估参数值。

一种示例性设计思路中，针对每一基准初始负面反馈预测模型，可以采用如下步骤确定该基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值。

步骤S1021，将参考用户录音样本序列中每一参考用户录音样本传递到基准初始负面反馈预测模型，由该基准初始负面反馈预测模型输出该参考用户录音样本关联的负面反馈预测属性，此外，实际应用过程中，基准初始负面反馈预测模型输出的负面反馈预测属性也可以为空。

例如，基准初始负面反馈预测模型用于实现负面反馈预测，且基准初始负面反馈预测模型的负面反馈预测信息可以为负面反馈预测属性。

如此，针对参考用户录音样本序列中的每一参考用户录音样本，在将该参考用户录音样本传递到基准初始负面反馈预测模型后，该基准初始负面反馈预测模型就可以输出该参考用户录音样本关联的负面反馈预测属性，也即，可获得参考用户录音样本序列中的每一参考用户录音样本关联的负面反馈预测属性。

步骤S1022，针对参考用户录音样本序列中每一参考用户录音样本，依据该参考用户录音样本关联的负面反馈预测属性确定该参考用户录音样本关联的负面反馈标注属性的支持特征属性。

例如，如果确定该参考用户录音样本关联的负面反馈预测属性与该参考用户录音样本关联的负面反馈标注属性存在联系，则确定该参考用户录音样本关联的负面反馈标注属性的支持特征属性为第一支持特征属性；如果确定参考用户录音样本关联的负面反馈预测属性与该参考用户录音样本关联的负面反馈标注属性不存在联系，则确定该参考用户录音样本关联的负面反馈标注属性的支持特征属性为第二支持特征属性。

针对参考用户录音样本序列中的每个参考用户录音样本，该参考用户录音样本具有参考训练依据样本，该参考训练依据样本包括负面反馈标注属性和标注向量分区，负面反馈标注属性的统计量为至少一个。

基于以上步骤，针对参考用户录音样本序列中的每个参考用户录音样本，可以获知该参考用户录音样本关联的负面反馈预测属性和该参考用户录音样本关联的负面反馈标注属性，然后，可以基于该参考用户录音样本关联的负面反馈预测属性和该参考用户录音样本关联的负面反馈标注属性，确定该负面反馈标注属性的支持特征属性。

例如，假设该参考用户录音样本对应负面反馈预测属性1、负面反馈预测属性2和负面反馈预测属性3，该参考用户录音样本对应负面反馈标注属性1和负面反馈标注属性2，基于此，如果确定负面反馈预测属性1、负面反馈预测属性2和负面反馈预测属性3中的任意一个负面反馈预测属性与负面反馈标注属性1存在联系，则可以确定负面反馈预测属性与负面反馈标注属性1存在联系，即负面反馈标注属性1的支持特征属性为第一支持特征属性。如果确定负面反馈预测属性1、负面反馈预测属性2和负面反馈预测属性3中的全部负面反馈预测属性与负面反馈标注属性1均不存在联系，则可以确定负面反馈预测属性与负面反馈标注属性1不存在联系，即负面反馈标注属性1的支持特征属性为第二支持特征属性。同理，如果确定负面反馈预测属性1、负面反馈预测属性2和负面反馈预测属性3中的任意一个负面反馈预测属性与负面反馈标注属性2存在联系，则可以确定负面反馈预测属性与负面反馈标注属性2存在联系，即负面反馈标注属性2的支持特征属性为第一支持特征属性。如果确定负面反馈预测属性1、负面反馈预测属性2和负面反馈预测属性3中的全部负面反馈预测属性与负面反馈标注属性2均不存在联系，则可以确定负面反馈预测属性与负面反馈标注属性2不存在联系，即负面反馈标注属性2的支持特征属性为第二支持特征属性。

例如，如果确定负面反馈预测属性为空，则说明负面反馈预测属性与负面反馈标注属性不存在联系。

如此，针对参考用户录音样本序列中的每个参考用户录音样本，可以确定该参考用户录音样本关联的每个负面反馈标注属性的支持特征属性，该支持特征属性可以为第一支持特征属性或者第二支持特征属性。

例如，参考用户录音样本1对应负面反馈标注属性1和负面反馈标注属性2，负面反馈标注属性1的支持特征属性为第一支持特征属性，负面反馈标注属性2的支持特征属性为第二支持特征属性。参考用户录音样本2对应负面反馈标注属性1和负面反馈标注属性3，负面反馈标注属性1的支持特征属性为第一支持特征属性，负面反馈标注属性3的支持特征属性为第一支持特征属性。参考用户录音样本3对应负面反馈标注属性1和负面反馈标注属性2，负面反馈标注属性1的支持特征属性为第二支持特征属性，负面反馈标注属性2的支持特征属性为第二支持特征属性。参考用户录音样本4对应负面反馈标注属性2，负面反馈标注属性2的支持特征属性为第一支持特征属性，以此类推，对每个参考用户录音样本关联的负面反馈标注属性的支持特征属性不做限制。

步骤S1023，依据参考用户录音样本序列中的每个参考用户录音样本关联的负面反馈标注属性的支持特征属性，确定该基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，即损失参数值。

例如，在得到参考用户录音样本序列中的每个参考用户录音样本关联的负面反馈标注属性的支持特征属性后，就可以基于负面反馈标注属性的支持特征属性确定基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值。

一种示例性设计思路中，可以配置负面反馈标注属性的支持特征属性与负面反馈标注属性的收敛评估参数值的联系信息，基于该联系信息，在得到参考用户录音样本序列中的每个参考用户录音样本关联的负面反馈标注属性的支持特征属性后，对应于每个负面反馈标注属性，可以将该负面反馈标注属性的支持特征属性代入该联系信息，得到该负面反馈标注属性的收敛评估参数值，即基准初始负面反馈预测模型与该负面反馈标注属性的收敛评估参数值。其中，该联系信息可以任意配置，只要与负面反馈标注属性的支持特征属性和负面反馈标注属性的收敛评估参数值有关即可。

在其它示例性实施方式中，对应于每个负面反馈标注属性，依据每个参考用户录音样本关联的负面反馈标注属性的支持特征属性，统计该负面反馈标注属性的支持特征属性为第一支持特征属性的统计量和该负面反馈标注属性的支持特征属性为第二支持特征属性的统计量；基于该负面反馈标注属性的支持特征属性为第一支持特征属性的统计量(记为第一量化值)和该负面反馈标注属性的支持特征属性为第二支持特征属性的统计量(记为第二量化值)，确定该基准初始负面反馈预测模型与该负面反馈标注属性的收敛评估参数值，即该基准初始负面反馈预测模型针对该负面反馈标注属性的收敛评估参数值。

例如，针对参考用户录音样本序列中的每个参考用户录音样本，可以确定该参考用户录音样本关联的每个负面反馈标注属性的支持特征属性，因此，针对参考用户录音样本序列对应的全部负面反馈标注属性，可以依据每个参考用户录音样本关联的负面反馈标注属性的支持特征属性，统计出各负面反馈标注属性的支持特征属性为第一支持特征属性的第一量化值和各负面反馈标注属性的支持特征属性为第二支持特征属性的第二量化值。例如，假设参考用户录音样本序列对应负面反馈标注属性1、负面反馈标注属性2和负面反馈标注属性3，如果确定参考用户录音样本1对应的负面反馈标注属性1的支持特征属性为第一支持特征属性，负面反馈标注属性2的支持特征属性为第二支持特征属性，则将负面反馈标注属性1的第一量化值加1，将负面反馈标注属性2的第二量化值加1。如果确定参考用户录音样本2对应的负面反馈标注属性1的支持特征属性为第一支持特征属性，负面反馈标注属性3的支持特征属性为第一支持特征属性，则将负面反馈标注属性1的第一量化值加1，将负面反馈标注属性3的第一量化值加1，以此类推。在对参考用户录音样本序列中的每个参考用户录音样本进行上述处理后，即可确定出负面反馈标注属性1的第一量化值和第二量化值，负面反馈标注属性2的第一量化值和第二量化值，负面反馈标注属性3的第一量化值和第二量化值。基于此，可以确定基准初始负面反馈预测模型与负面反馈标注属性1的收敛评估参数值，基准初始负面反馈预测模型与负面反馈标注属性2的收敛评估参数值，基准初始负面反馈预测模型与负面反馈标注属性3的收敛评估参数值。

当然，上述只是确定基准初始负面反馈预测模型与负面反馈标注属性的收敛评估参数值的示例，详细不作限定，只要能够得到基准初始负面反馈预测模型与负面反馈标注属性的收敛评估参数值即可。

如此，通过对参考用户录音样本进行前向推理(即将参考用户录音样本传递到基准初始负面反馈预测模型)，就可获得该参考用户录音样本关联的负面反馈预测属性，并将负面反馈预测属性与负面反馈标注属性进行匹配，得到负面反馈标注属性的支持特征属性，然后基于负面反馈标注属性的支持特征属性确定基准初始负面反馈预测模型与负面反馈标注属性的收敛评估参数值。

针对每一基准初始负面反馈预测模型进行以上执行操作后，可获得基准初始负面反馈预测模型与各负面反馈标注属性的收敛评估参数值，继而得到各个基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值。

步骤S103，基于各个基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，从全部基准初始负面反馈预测模型中确定一个基准初始负面反馈预测模型作为目标初始负面反馈预测模型。

例如，在得到目标初始负面反馈预测模型后，该目标初始负面反馈预测模型被配置为基于上述参考用户录音样本序列进行模型收敛优化进而获得负面反馈预测模型。

一种示例性设计思路中，基于各个基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，可以采用如下方式从全部基准初始负面反馈预测模型中选取目标初始负面反馈预测模型。

示例1、对应于每个基准初始负面反馈预测模型，基于该基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，确定该基准初始负面反馈预测模型对应的收敛评估参数值大于目标参数值的负面反馈标注属性的统计量；将负面反馈标注属性的统计量最多的基准初始负面反馈预测模型确定为目标初始负面反馈预测模型。

例如，针对基准初始负面反馈预测模型1，假设基准初始负面反馈预测模型1与负面反馈标注属性1的收敛评估参数值11大于目标参数值，基准初始负面反馈预测模型1与负面反馈标注属性2的收敛评估参数值12大于目标参数值，基准初始负面反馈预测模型1与负面反馈标注属性3的收敛评估参数值13大于目标参数值，则基准初始负面反馈预测模型1对应的负面反馈标注属性的统计量为3。针对基准初始负面反馈预测模型2，假设基准初始负面反馈预测模型2与负面反馈标注属性1的收敛评估参数值21大于目标参数值，基准初始负面反馈预测模型2与负面反馈标注属性2的收敛评估参数值22大于目标参数值，基准初始负面反馈预测模型2与负面反馈标注属性3的收敛评估参数值23不大于目标参数值，则基准初始负面反馈预测模型2对应的负面反馈标注属性的统计量为2。如此，负面反馈标注属性的统计量最多的基准初始负面反馈预测模型为基准初始负面反馈预测模型1，将基准初始负面反馈预测模型1作为目标初始负面反馈预测模型。

示例2、对应于每个基准初始负面反馈预测模型，基于该基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，确定该基准初始负面反馈预测模型对应的目标收敛评估参数值；目标收敛评估参数值可以为基准初始负面反馈预测模型对应的全部收敛评估参数值中的极大值，或者，该基准初始负面反馈预测模型对应的全部收敛评估参数值的权衡评估参数值。然后，基于各个基准初始负面反馈预测模型对应的目标收敛评估参数值，将最大目标收敛评估参数值对应的基准初始负面反馈预测模型确定为目标初始负面反馈预测模型。

例如，针对基准初始负面反馈预测模型1，确定基准初始负面反馈预测模型1与负面反馈标注属性1的收敛评估参数值11、基准初始负面反馈预测模型1与负面反馈标注属性2的收敛评估参数值12、基准初始负面反馈预测模型1与负面反馈标注属性3的收敛评估参数值13中的极大值，如果确定收敛评估参数值12为极大值，则将收敛评估参数值12作为目标收敛评估参数值。针对基准初始负面反馈预测模型2，确定基准初始负面反馈预测模型2与负面反馈标注属性1的收敛评估参数值21、基准初始负面反馈预测模型2与负面反馈标注属性2的收敛评估参数值22、基准初始负面反馈预测模型2与负面反馈标注属性3的收敛评估参数值23中的极大值，如果确定收敛评估参数值21为极大值，则将收敛评估参数值21作为目标收敛评估参数值。显然，如果确定收敛评估参数值21大于收敛评估参数值12，则可以将基准初始负面反馈预测模型2作为目标初始负面反馈预测模型。如果确定收敛评估参数值21小于收敛评估参数值12，则可以将基准初始负面反馈预测模型1作为目标初始负面反馈预测模型。

又例如，针对基准初始负面反馈预测模型1，确定收敛评估参数值11、收敛评估参数值12和收敛评估参数值13的权衡评估参数值，将该权衡评估参数值作为基准初始负面反馈预测模型1的目标收敛评估参数值。针对基准初始负面反馈预测模型2，确定收敛评估参数值21、收敛评估参数值22和收敛评估参数值23的权衡评估参数值，将该权衡评估参数值作为基准初始负面反馈预测模型2的目标收敛评估参数值。显然，如果确定基准初始负面反馈预测模型2的目标收敛评估参数值大于基准初始负面反馈预测模型1的目标收敛评估参数值，则可以将基准初始负面反馈预测模型2作为目标初始负面反馈预测模型。如果确定基准初始负面反馈预测模型2的目标收敛评估参数值小于基准初始负面反馈预测模型1的目标收敛评估参数值，则可以将基准初始负面反馈预测模型1作为目标初始负面反馈预测模型。

示例3、对应于每个基准初始负面反馈预测模型，基于该基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，确定该基准初始负面反馈预测模型对应的收敛评估参数值大于目标参数值的负面反馈标注属性的统计量。如果确定存在一个基准初始负面反馈预测模型对应的负面反馈标注属性的统计量为最多，则将负面反馈标注属性的统计量最多的基准初始负面反馈预测模型确定为目标初始负面反馈预测模型。如果确定存在多个基准初始负面反馈预测模型对应的负面反馈标注属性的统计量均为最多，则将所述多个基准初始负面反馈预测模型作为候选初始负面反馈预测模型。

对应于每个候选初始负面反馈预测模型，基于该候选初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，确定该候选初始负面反馈预测模型对应的目标收敛评估参数值；目标收敛评估参数值可以为候选初始负面反馈预测模型对应的全部收敛评估参数值中的极大值，或者，候选初始负面反馈预测模型对应的全部收敛评估参数值的权衡评估参数值。然后，基于各个候选初始负面反馈预测模型对应的目标收敛评估参数值，将最大目标收敛评估参数值对应的候选初始负面反馈预测模型确定为目标初始负面反馈预测模型。

示例4、对应于每个基准初始负面反馈预测模型，基于该基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，确定该基准初始负面反馈预测模型对应的目标收敛评估参数值；目标收敛评估参数值为基准初始负面反馈预测模型对应的全部收敛评估参数值中的极大值，或基准初始负面反馈预测模型对应的全部收敛评估参数值的权衡评估参数值。如果确定存在一个基准初始负面反馈预测模型对应的目标收敛评估参数值为最大，则将目标收敛评估参数值最大基准初始负面反馈预测模型确定为目标初始负面反馈预测模型。如果确定存在多个基准初始负面反馈预测模型对应的目标收敛评估参数值均为最大，则将所述多个基准初始负面反馈预测模型作为候选初始负面反馈预测模型。对应于每个候选初始负面反馈预测模型，基于该候选初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，确定该候选初始负面反馈预测模型对应的收敛评估参数值大于目标参数值的负面反馈标注属性的统计量；将负面反馈标注属性的统计量最多的候选初始负面反馈预测模型确定为目标初始负面反馈预测模型。

一种示例性设计思路中，在上述示例1-示例4中，如果确定基准初始负面反馈预测模型与全部负面反馈标注属性的收敛评估参数值均不大于目标参数值，则不将该基准初始负面反馈预测模型确定为目标初始负面反馈预测模型。如果确定每个基准初始负面反馈预测模型与全部负面反馈标注属性的收敛评估参数值均不大于目标参数值，则可以将默认的初始负面反馈预测模型确定为目标初始负面反馈预测模型。

例如，在将默认初始负面反馈预测模型确定为目标初始负面反馈预测模型时，可以基于参考用户录音样本序列对目标初始负面反馈预测模型进行迁移学习，得到负面反馈预测模型。在将初始负面反馈预测模型序列中的初始负面反馈预测模型确定为目标初始负面反馈预测模型时，可以基于参考用户录音样本序列对目标初始负面反馈预测模型进行扩展训练与学习，得到负面反馈预测模型。

如此，可以基于参考用户录音样本序列中每个参考用户录音样本的特性(如每个参考用户录音样本的参考录音变量分布和每个参考用户录音样本的负面反馈标注属性等)，从初始负面反馈预测模型序列中确定目标初始负面反馈预测模型，并使用参考用户录音样本序列对目标初始负面反馈预测模型进行模型收敛优化进而获得负面反馈预测模型，由此基于负面反馈预测模型实现负面反馈预测。通过从多个初始负面反馈预测模型中选择一个与参考用户录音样本序列匹配的初始负面反馈预测模型作为目标初始负面反馈预测模型，进而获得匹配的目标初始负面反馈预测模型，并对目标初始负面反馈预测模型进行扩展训练，获得预测效果更好的负面反馈预测模型。

一种示例性的设计思路中，针对步骤S140，可以通过以下示例性的步骤实现。

步骤S141，基于所述每个目标用户对应的负面反馈属性序列获取向所述每个目标用户提供的线上服务中的可优化项目以及每个可优化项目的优化预测活动。

步骤S142，调取所述每个可优化项目的优化预测活动的开发需求信息，基于对所述开发需求信息的开发需求进展数据生成所述每个可优化项目的优化预测活动的优化配置信息。

其中，在步骤S142中，具体可以包括以下步骤：

（1）调取所述每个可优化项目的优化预测活动在开发前置阶段内生成的首个开发需求信息。

（2）对所述首个开发需求信息进行分析获得对应的开发需求知识图谱数据，每个所述开发需求知识图谱数据表征所述首个开发需求信息中的一个开发需求信息中的知识实体属性。

（3）获取目标开发需求信息中的开发需求知识图谱数据，其中，所述目标开发需求信息的开发需求节点为最新节点。

（4）基于所述对应的开发需求知识图谱数据，确定所述目标开发需求信息的开发需求知识图谱数据是否存在关键特征维持。

（5）在所述目标开发需求信息的开发需求知识图谱数据存在关键特征维持时，基于所述对应的开发需求知识图谱数据对所述目标开发需求信息的开发需求知识图谱数据进行扩展衍生，得到衍生开发需求知识图谱数据。

（6）调取目标开发需求知识图谱数据，判断所述衍生开发需求知识图谱数据的知识实体特征匹配所述目标开发需求知识图谱数据的匹配知识图谱部分，基于所述匹配知识图谱部分获得所述开发需求信息的开发需求进展数据，并根据所述开发需求进展数据中的每个开发需求进展配置规则生成所述每个可优化项目的优化预测活动的优化配置信息。

其中，在所述目标开发需求信息的开发需求知识图谱数据存在关键特征维持时，基于所述对应的开发需求知识图谱数据对所述目标开发需求信息的开发需求知识图谱数据进行扩展衍生，包括：在所述目标开发需求信息的开发需求知识图谱数据存在热点关键特征维持时，基于所述对应的开发需求知识图谱数据中的热点分布对所述目标开发需求信息的开发需求知识图谱数据中的热点分布进行扩展衍生。和/或，在所述目标开发需求信息的开发需求知识图谱数据存在频繁项关键特征维持时，基于所述对应的开发需求知识图谱数据中的频繁项分布对所述目标开发需求信息的开发需求知识图谱数据中的频繁项分布进行扩展衍生。

其中，基于所述对应的开发需求知识图谱数据，确定所述目标开发需求信息的开发需求知识图谱数据是否存在关键特征维持，包括：调取所述目标开发需求信息的开发需求知识图谱数据与所述对应的开发需求知识图谱数据的第一遍历游走信息，其中，所述第一遍历游走信息表征所述目标开发需求信息的开发需求知识图谱数据中的热点分布是否存在关键特征维持。 在所述第一遍历游走信息指示热点关键特征维持时，确定所述目标开发需求信息的开发需求知识图谱数据存在关键特征维持。 和/或，调取所述目标开发需求信息的开发需求知识图谱数据与所述对应的开发需求知识图谱数据的第二遍历游走信息，其中，所述第二遍历游走信息表征所述目标开发需求信息的开发需求知识图谱数据中的频繁项分布是否存在关键特征维持。 在所述第一遍历游走信息指示频繁项关键特征维持时，确定所述目标开发需求信息的开发需求知识图谱数据存在关键特征维持。

所述对所述首个开发需求信息进行分析获得对应的开发需求知识图谱数据，包括：对所述首个开发需求信息进行分析，得到所述对应的开发需求知识图谱数据和对应的需求节点，其中，所述对应的开发需求知识图谱数据与所述对应的需求节点存在映射关系，所述对应的需求节点中的每个需求节点为所述首个开发需求信息中相关的一个开发需求信息的需求节点。

所述基于所述对应的开发需求知识图谱数据，确定所述目标开发需求信息的开发需求知识图谱数据是否存在关键特征维持，包括：基于所述对应的开发需求知识图谱数据中的目标开发需求知识图谱数据序列，确定所述目标开发需求信息的开发需求知识图谱数据是否存在关键特征维持，其中，所述目标开发需求知识图谱数据序列中的每个开发需求知识图谱数据对应的需求节点与所述最新节点之间的节点代价小于目标代价值。

图2示出了本发明实施例提供的用于实现上述的基于语音分析识别的服务处理方法的基于语音分析识别的服务处理系统100的硬件结构意图，如图2所示，基于语音分析识别的服务处理系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

在一些实施例中，基于语音分析识别的服务处理系统100可以是单个基于语音分析识别的服务处理系统，也可以是基于语音分析识别的服务处理系统组。所述基于语音分析识别的服务处理系统组可以是集中式的，也可以是分布式的(例如，基于语音分析识别的服务处理系统100可以是分布式的系统)。在一些实施例中，基于语音分析识别的服务处理系统100可以是本地的，也可以是远程的。例如，基于语音分析识别的服务处理系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，基于语音分析识别的服务处理系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中，基于语音分析识别的服务处理系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

机器可读存储介质120可以储存数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端获取的数据。在一些实施例中，机器可读存储介质120可以储存基于语音分析识别的服务处理系统100用来执行或使用来完成本发明中描述的示例性方法的数据及/或指令。在一些实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDR SDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。

在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于语音分析识别的服务处理方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。

处理器110的具体实现过程可参见上述基于语音分析识别的服务处理系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本发明实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于语音分析识别的服务处理方法。

应当理解的是，以上描述仅出于说明的目的，并不旨在限制本发明的范围。对于本领域的普通技术人员来说，可以根据本发明的描述，做出多种修改和变化。然而，这些修改和变化不会背离本发明的范围。

上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明公开仅作为示例，并不构成对本发明的限制。虽然此处并没有明确说明，本领域技术人员可能会对本发明进行各种修改、改进和修正。该类修改、改进和修正在本发明中被建议，所以该类修改、改进、修正仍属于本发明示范实施例的精神和范围。

同时，本发明使用了特定词语来描述本发明的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外，本发明的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。

此外，本领域的普通技术人员可以理解，本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本发明的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本发明公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。

本发明各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写，包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，主动编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或基于语音分析识别的服务处理系统上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本发明所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本发明流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本发明实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的基于语音分析识别的服务处理系统或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

Claims (6)

1.一种基于语音分析识别的服务处理方法，其特征在于，应用于基于语音分析识别的服务处理系统，所述方法包括：

获取针对每个目标用户进行服务信息提醒过程中的用户录音数据；

基于预先训练的负面反馈预测模型对所述用户录音数据进行特征提取，获取所述用户录音数据对应于各个负面反馈维度的录音变量分布，其中，所述录音变量分布包括录音语义特征信息、录音语调特征信息、录音语速特征信息中的一种或者多种组合；基于所述负面反馈预测模型对所述各个负面反馈维度的录音变量分布进行负面反馈属性分类，获取所述每个目标用户对应的负面反馈属性序列；

基于所述每个目标用户对应的负面反馈属性序列对向所述每个目标用户提供的线上服务进行优化配置；

所述负面反馈预测模型的训练步骤包括：

依据参考用户录音样本序列中每个参考用户录音样本的参考录音变量分布和初始负面反馈预测模型序列中每个初始负面反馈预测模型的参考录音变量分布，从所述初始负面反馈预测模型序列中确定多个初始负面反馈预测模型作为基准初始负面反馈预测模型；

针对每一基准初始负面反馈预测模型，将所述参考用户录音样本序列中每一参考用户录音样本传递到该基准初始负面反馈预测模型得到该参考用户录音样本关联的负面反馈预测属性；

基于各个参考用户录音样本关联的负面反馈预测属性确定完成标注的该参考用户录音样本关联的负面反馈标注属性的支持特征属性，依据每个参考用户录音样本关联的负面反馈标注属性的支持特征属性确定该基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值；

依据各个基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值从全部基准初始负面反馈预测模型中确定一个基准初始负面反馈预测模型作为目标初始负面反馈预测模型，该目标初始负面反馈预测模型被配置为依据所述参考用户录音样本序列进行模型收敛优化进而获得负面反馈预测模型；

所述依据参考用户录音样本序列中每个参考用户录音样本的参考录音变量分布和初始负面反馈预测模型序列中每个初始负面反馈预测模型的参考录音变量分布，从所述初始负面反馈预测模型序列中确定多个初始负面反馈预测模型作为基准初始负面反馈预测模型，包括：

针对参考用户录音样本序列中每一参考用户录音样本，确定该参考用户录音样本关联的录音变量分布，并依据每个参考用户录音样本关联的录音变量分布确定第一录音变量分布簇；

获取完成配置的每个初始负面反馈预测模型的第二录音变量分布簇；

确定所述第一录音变量分布簇与每个初始负面反馈预测模型的第二录音变量分布簇的相关参数值，并依据相关参数值的降序顺序，确定多个初始负面反馈预测模型作为基准初始负面反馈预测模型；

所述基于各个参考用户录音样本关联的负面反馈预测属性确定完成标注的该参考用户录音样本关联的负面反馈标注属性的支持特征属性，包括：

如果确定参考用户录音样本关联的负面反馈预测属性与该参考用户录音样本关联的负面反馈标注属性存在联系，则确定该参考用户录音样本关联的负面反馈标注属性的支持特征属性为第一支持特征属性；

如果确定参考用户录音样本关联的负面反馈预测属性与该参考用户录音样本关联的负面反馈标注属性不存在联系，则确定该参考用户录音样本关联的负面反馈标注属性的支持特征属性为第二支持特征属性；

所述依据每个参考用户录音样本关联的负面反馈标注属性的支持特征属性确定该基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，包括：

对应于每个负面反馈标注属性，依据每个参考用户录音样本关联的负面反馈标注属性的支持特征属性，统计该负面反馈标注属性的支持特征属性为第一支持特征属性的统计量和该负面反馈标注属性的支持特征属性为第二支持特征属性的统计量；

依据该负面反馈标注属性的支持特征属性为第一支持特征属性的统计量和该负面反馈标注属性的支持特征属性为第二支持特征属性的统计量，确定该基准初始负面反馈预测模型与该负面反馈标注属性的收敛评估参数值。

2.根据权利要求1所述的基于语音分析识别的服务处理方法，其特征在于，所述参考用户录音样本包括参考用户录音迁移样本，且所述参考用户录音迁移样本关联有参考训练依据样本，所述确定该参考用户录音样本关联的录音变量分布，包括：

依据所述参考用户录音迁移样本关联的参考训练依据样本从所述参考用户录音迁移样本中提取用户录音迁移子样本；

将用户录音迁移子样本传递到预设AI提取单元得到用户录音迁移子样本关联的录音变量分布，将用户录音迁移子样本关联的录音变量分布作为该参考用户录音迁移样本关联的录音变量分布；或者， 将所述参考用户录音迁移样本传递到预设AI提取单元得到该参考用户录音迁移样本关联的录音变量分布。

3.根据权利要求1所述的基于语音分析识别的服务处理方法，其特征在于，所述依据各个基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值从全部基准初始负面反馈预测模型中确定一个基准初始负面反馈预测模型作为目标初始负面反馈预测模型，包括：

对应于每个基准初始负面反馈预测模型，依据该基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，确定该基准初始负面反馈预测模型对应的收敛评估参数值大于目标参数值的负面反馈标注属性的统计量；

将负面反馈标注属性的统计量最多的基准初始负面反馈预测模型确定为所述目标初始负面反馈预测模型。

4.根据权利要求1所述的基于语音分析识别的服务处理方法，其特征在于，所述依据各个基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值从全部基准初始负面反馈预测模型中确定一个基准初始负面反馈预测模型作为目标初始负面反馈预测模型，包括：

对应于每个基准初始负面反馈预测模型，依据该基准初始负面反馈预测模型与各个负面反馈标注属性的收敛评估参数值，确定该基准初始负面反馈预测模型对应的目标收敛评估参数值；

依据各个基准初始负面反馈预测模型对应的目标收敛评估参数值，将最大目标收敛评估参数值对应的基准初始负面反馈预测模型确定为所述目标初始负面反馈预测模型；其中，目标收敛评估参数值为基准初始负面反馈预测模型对应的全部收敛评估参数值中的极大值，或者，该基准初始负面反馈预测模型对应的全部收敛评估参数值的权衡评估参数值。

5.根据权利要求1-4中任意一项所述的基于语音分析识别的服务处理方法，其特征在于，所述基于所述每个目标用户对应的负面反馈属性序列对向所述每个目标用户提供的线上服务进行优化配置的步骤，包括：

基于所述每个目标用户对应的负面反馈属性序列获取向所述每个目标用户提供的线上服务中的可优化项目以及每个可优化项目的优化预测活动；

调取所述每个可优化项目的优化预测活动的开发需求信息，基于对所述开发需求信息的开发需求进展数据生成所述每个可优化项目的优化预测活动的优化配置信息，具体包括以下步骤：

调取所述每个可优化项目的优化预测活动在开发前置阶段内生成的首个开发需求信息；

对所述首个开发需求信息进行分析获得对应的开发需求知识图谱数据，每个所述开发需求知识图谱数据表征所述首个开发需求信息中的一个开发需求信息中的知识实体属性；

获取目标开发需求信息中的开发需求知识图谱数据，其中，所述目标开发需求信息的开发需求节点为最新节点；基于所述对应的开发需求知识图谱数据，确定所述目标开发需求信息的开发需求知识图谱数据是否存在关键特征维持；

在所述目标开发需求信息的开发需求知识图谱数据存在关键特征维持时，基于所述对应的开发需求知识图谱数据对所述目标开发需求信息的开发需求知识图谱数据进行扩展衍生，得到衍生开发需求知识图谱数据；

调取目标开发需求知识图谱数据，判断所述衍生开发需求知识图谱数据的知识实体特征匹配所述目标开发需求知识图谱数据的匹配知识图谱部分，基于所述匹配知识图谱部分获得所述开发需求信息的开发需求进展数据，并根据所述开发需求进展数据中的每个开发需求进展配置规则生成所述每个可优化项目的优化预测活动的优化配置信息；

在所述目标开发需求信息的开发需求知识图谱数据存在关键特征维持时，基于所述对应的开发需求知识图谱数据对所述目标开发需求信息的开发需求知识图谱数据进行扩展衍生，包括：

在所述目标开发需求信息的开发需求知识图谱数据存在热点关键特征维持时，基于所述对应的开发需求知识图谱数据中的热点分布对所述目标开发需求信息的开发需求知识图谱数据中的热点分布进行扩展衍生；和/或在所述目标开发需求信息的开发需求知识图谱数据存在频繁项关键特征维持时，基于所述对应的开发需求知识图谱数据中的频繁项分布对所述目标开发需求信息的开发需求知识图谱数据中的频繁项分布进行扩展衍生；

其中，基于所述对应的开发需求知识图谱数据，确定所述目标开发需求信息的开发需求知识图谱数据是否存在关键特征维持，包括：

调取所述目标开发需求信息的开发需求知识图谱数据与所述对应的开发需求知识图谱数据的第一遍历游走信息，其中，所述第一遍历游走信息表征所述目标开发需求信息的开发需求知识图谱数据中的热点分布是否存在关键特征维持；

在所述第一遍历游走信息指示热点关键特征维持时，确定所述目标开发需求信息的开发需求知识图谱数据存在关键特征维持；

和/或调取所述目标开发需求信息的开发需求知识图谱数据与所述对应的开发需求知识图谱数据的第二遍历游走信息，其中，所述第二遍历游走信息表征所述目标开发需求信息的开发需求知识图谱数据中的频繁项分布是否存在关键特征维持；

在所述第一遍历游走信息指示频繁项关键特征维持时，确定所述目标开发需求信息的开发需求知识图谱数据存在关键特征维持；所述对所述首个开发需求信息进行分析获得对应的开发需求知识图谱数据，包括：

对所述首个开发需求信息进行分析，得到所述对应的开发需求知识图谱数据和对应的需求节点，其中，所述对应的开发需求知识图谱数据与所述对应的需求节点存在映射关系，所述对应的需求节点中的每个需求节点为所述首个开发需求信息中相关的一个开发需求信息的需求节点；

所述基于所述对应的开发需求知识图谱数据，确定所述目标开发需求信息的开发需求知识图谱数据是否存在关键特征维持，包括：

基于所述对应的开发需求知识图谱数据中的目标开发需求知识图谱数据序列，确定所述目标开发需求信息的开发需求知识图谱数据是否存在关键特征维持，其中，所述目标开发需求知识图谱数据序列中的每个开发需求知识图谱数据对应的需求节点与所述最新节点之间的节点代价小于目标代价值。

6.一种基于语音分析识别的服务处理系统，其特征在于，所述基于语音分析识别的服务处理系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现权利要求5中的基于语音分析识别的服务处理方法。