CN116866480A - 一种服务质量检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供一种服务质量检测方法、装置、电子设备及存储介质，涉及人工智能技术领域，用于解决现有的人工语音应答服务质量的检测存在检测标准不全面、科学性差、效率低的问题。该方法包括：获取第一人工语音应答服务的录音文件和满意度得分；根据录音文件，确定第一人工语音应答服务对应的情感倾向；根据情感倾向和满意度得分，确定第一人工语音应答服务的质量评分。

Description

一种服务质量检测方法、装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种服务质量检测方法、装置、电子设备及存储介质。

背景技术

人工语音应答服务是一种主要的、快速的、有效的内部服务通道，但与文字应答的服务通道相比，人工语音应答服务质量的检测难度较高。

目前，针对人工语音应答服务质量的检测方法主要采用用户通话后的满意度评分、或人工抽样听取录音等方式进行。

但是，现有的人工语音应答服务质量的检测存在检测标准不全面、科学性差、效率低等问题，难以进行高效的人工语音应答服务质量检测。

发明内容

本申请提供一种服务质量检测方法、装置、电子设备及存储介质，涉及人工智能技术领域，可以解决现有的人工语音应答服务质量的检测存在检测标准不全面、科学性差、效率低的问题。

第一方面，本申请提供一种服务质量检测方法，包括：获取第一人工语音应答服务的录音文件和满意度得分；根据录音文件，确定第一人工语音应答服务对应的情感倾向；根据情感倾向和满意度得分，确定第一人工语音应答服务的质量评分。

本申请提供的技术方案至少带来以下有益效果：通过对第一人工语音应答服务的情感倾向和满意度得分进行分析，确定第一人工语音应答服务的质量评分，与传统的人工语音应答检测方法相比，不仅增加了人工语音应答服务质量检测的全面性和准确性，还有利于人工语音应答服务质量的优化。

在一种可能的实现方式中，根据情感倾向和满意度得分，确定第一人工语音应答服务的质量评分，包括：根据录音文件，确定应答人员的敏感词情况；敏感词情况用于表示应答人员在第一人工语音应答服务中出现敏感词的次数；根据情感倾向、敏感词情况、满意度得分、以及预设的评分规则，确定第一人工语音应答服务的质量评分。

基于该可能的实现方式，通过对第一人工语音应答服务的情感倾向、敏感词情况、满意度得分、以及预设的评分规则，确定第一人工语音应答服务的质量评分，与传统的人工语音应答检测方法相比，增加了人工语音应答服务质量检测的全面性、准确性和科学性，能够有效提高人工语音应答服务质量的检测效率。

另一种可能的实现方式中，根据录音文件，确定第一人工语音应答服务对应的情感倾向，包括：根据录音文件，确定第一人工语音应答服务的对话文本；对话文本包括多个对话语句；利用预设的情感倾向分析模型，标记多个对话语句中每个对话语句的情感倾向；根据每个对话语句的情感倾向，确定第一人工语音应答服务对应的情感倾向。

又一种可能的实现方式中，该方法还包括：获取训练样本集；训练样本集包括多个训练样本，每个训练样本包括一个语句、以及一个语句的情感倾向；基于训练样本集对预设的神经网络进行训练，得到情感倾向分析模型。

又一种可能的实现方式中，该方法还包括：确定第一人工语音应答服务的请求用户；根据录音文件，确定第一人工语音应答服务的应答人员；根据质量评分，确定应答人员对请求用户进行人工语音应答服务的历史质量平均分。

又一种可能的实现方式中，该方法还包括：确定当前请求人工语音应答服务的目标请求用户，以及目标请求用户对应的优先级排名；优先级排名是按照历史质量平均分由高到低的顺序，对多个应答人员进行排序之后得到的；根据目标请求用户对应的优先级排名，确定目标请求用户的目标应答人员；目标应答人员为优先级排名中，首个空闲的应答人员；将目标请求用户接入目标应答人员的电话。

基于该可能的实现方式，能够提高人工语音应答服务的服务质量和人工语音应答服务的请求人员的满意度。

又一种可能的实现方式中，该方法还包括：根据录音文件，确定第一人工语音应答服务的应答人员，包括：根据录音文件，确定第一人工语音应答服务应答人员的声纹特征；根据声纹特征和预设的声纹库，确定第一人工语音应答服务的应答人员。

第二方面，本申请提供一种服务质量检测装置，该装置包括：服务应答管理模块和数据处理模块。

服务应答管理模块用于获取第一人工语音应答服务的录音文件和满意度得分。

数据处理模块用于根据录音文件，确定第一人工语音应答服务对应的情感倾向；根据情感倾向和满意度得分，确定第一人工语音应答服务的质量评分。

可选地，数据处理模块，具体用于根据录音文件，确定应答人员的敏感词情况；敏感词情况用于表示应答人员在第一人工语音应答服务中出现敏感词的次数；根据情感倾向、敏感词情况、满意度得分、以及预设的评分规则，确定第一人工语音应答服务的质量评分。

可选地，数据处理模块，具体用于根据录音文件，确定第一人工语音应答服务的对话文本；对话文本包括多个对话语句；利用预设的情感倾向分析模型，标记多个对话语句中每个对话语句的情感倾向；根据每个对话语句的情感倾向，确定第一人工语音应答服务对应的情感倾向。

可选地，数据处理模块，还用于获取训练样本集；训练样本集包括多个训练样本，每个训练样本包括一个语句、以及一个语句的情感倾向；基于训练样本集对预设的神经网络进行训练，得到情感倾向分析模型。

可选地，数据处理模块，还用于确定第一人工语音应答服务的请求用户；根据录音文件，确定第一人工语音应答服务的应答人员；根据质量评分，确定应答人员对请求用户进行人工语音应答服务的历史质量平均分。

可选地，数据处理模块，还用于确定当前请求人工语音应答服务的目标请求用户，以及目标请求用户对应的优先级排名；优先级排名是按照历史质量平均分由高到低的顺序，对多个应答人员进行排序之后得到的；根据目标请求用户对应的优先级排名，确定目标请求用户的目标应答人员；目标应答人员为优先级排名中，首个空闲的应答人员；将目标请求用户接入目标应答人员的电话。

可选地，数据处理模块，具体用于根据录音文件，确定第一人工语音应答服务应答人员的声纹特征；根据声纹特征和预设的声纹库，确定第一人工语音应答服务的应答人员。

第三方面，本申请提供一种电子设备，该电子设备包括：处理器和用于存储处理器可执行指令的存储器；其中，处理器被配置为执行如第一方面及其任一种可能的实现方式的服务质量检测方法。

第四方面，本申请提供一种计算机可读存储介质，当计算机可读存储介质中的指令由服务端的处理器执行时，使得服务端能够执行如第一方面及其任一种可能的实现方式所提供的服务质量检测方法；或者，当计算机可读存储介质中的指令由客户端的处理器执行时，使得客户端能够执行如第一方面及其任一种可能的实现方式所提供的服务质量检测方法。

上述第二方面至第四方面的有益效果，可以参考第一方面所述，此处不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本申请实施例提供的服务质量检测方法的一种流程示意图；

图2为本申请实施例提供的服务质量检测方法的另一种流程示意图；

图3为本申请实施例提供的情感倾向分析模型的训练流程示意图；

图4为本申请实施例提供的服务质量检测方法的又一种流程示意图；

图5为本申请实施例提供的敏感词情况的检测流程示意图；

图6为本申请实施例提供的服务质量检测方法的又一种流程示意图；

图7为本申请实施例提供的服务质量检测方法的又一种流程示意图；

图8为本申请实施例提供的MFCC音频特征获取的流程示意图；

图9为本申请实施例提供的服务质量检测方法的又一种流程示意图；

图10为本申请实施例提供的服务质量检测方法的又一种流程示意图；

图11为本申请实施例提供的应答匹配流程示意图；

图12为本申请实施例提供的服务质量检测装置的架构示意图；

图13为本申请实施例提供的电子设备的结构示意图。

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。

需要说明的是，本申请实施例中，“示例性地”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。

另外，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本申请实施例的描述中，“多个”是指两个或多于两个。

为了便于清楚描述本申请实施例的技术方案，在本申请的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。

人工语音应答服务是一种主要的、快速的、有效的内部服务通道。但与文字应答的服务通道相比，人工语音应答服务质量的检测难度较高。

目前，针对人工语音应答服务质量的检测方法主要采用用户通话后的满意度评分、或人工抽样听取录音等方式进行。

但是，现有的人工语音应答服务质量的检测存在检测标准不全面、科学性差、效率低等问题，难以进行高效的人工语音应答服务质量检测。

基于此，本申请实施例提供一种服务质量检测方法、装置、设备及存储介质，可以通过人工语音应答服务过程中的情感倾向来进行服务质量检测。

为了便于理解，以下结合附图对本申请提供的服务质量检测方法进行具体介绍。

本申请实施例提供的服务质量检测方法的执行主体可以是服务质量检测装置。可选地，该服务质量检测装置可以是计算机或服务器等具有计算处理功能的电子设备；或者，该服务质量检测装置也可以是前述电子设备中的处理器；再或者，该服务质量检测装置还可以是前述电子设备中安装的具有服务质量检测功能的应用程序(application，APP)；又或者，该服务质量检测装置还可以是前述电子设备中具有服务质量检测功能的功能模块等。本申请实施例对此不作限制。

为了描述简单，以下统一以电子设备为例对本申请实施例提供的服务质量检测方法进行介绍。

图1为本申请实施例提供的服务质量检测方法的一种流程示意图。如图1所示，该服务质量检测方法包括：

S101、获取第一人工语音应答服务的录音文件和满意度得分。

可选地，电子设备可以对人工语音应答服务通话时的录音文件(包括服务人员单独语音、请求人员单独语音和双方的完整录音)进行采集，并保存录音文件；或者，从其他设备获取存储的录音文件。

可选地，电子设备可以收集人工语音应答服务通话时的满意度得分；或者，从其他设备获取满意度得分。

示例性地，电子设备可以在每次人工语音应答服务结束后，通过邮箱、短信的方式下发满意度调查问卷到人工语音应答服务的请求用户，满意度调查问卷的填写内容包括满意度评分(例如，1分到10分，整数，若未填写则设置默认值7分)和满意度意见(非必填)，问卷有效期可由后台设定。满意度得分数据收集后，电子设备可以将满意度得分数据保存至数据库(数据库包括但不限于Graphite、influxDB、ES、Mysql、Redis、PgSql以及Oracle)。

S102、根据录音文件，确定第一人工语音应答服务对应的情感倾向。

例如，第一人工语音应答服务对应的情感倾向可以是以下任意一项：积极、无情感、或者消极等。

S102的具体过程可以参照下述图2中S1021至S1023处所述，此处不再赘述。

S103、根据情感倾向和满意度得分，确定第一人工语音应答服务的质量评分。

可选地，电子设备可以首先根据第一人工语音应答服务对应的情感倾向确定情感倾向得分，然后根据情感倾向得分和满意度得分，按照预设评分规则，确定第一人工语音应答服务的质量评分。

可选地，预设评分规则可以是对所有分数(情感倾向得分和满意度得分)先做归一化处理(如除以各自对应的满分)，得到每种得分各自对应的归一化结果，再根据每种得分各自对应的归一化结果进行加权处理并乘以100，最终确定第一人工语音应答服务的质量评分。

示例性地，以满意度得分权重为40％和情感倾向得分权重为60％为例，假设满意度得分为7分(满分为10分)，情感倾向得分为3分(满分为3分，情感倾向为积极得3分)，则电子设备可以对满意度得分进行归一化处理，得到满意度得分的归一化结果为7/10＝0.7，对情感倾向得分进行归一化处理，得到情感倾向得分的归一化结果为3/3＝1，然后对满意度得分的归一化结果0.7和情感倾向得分的归一化结果1进行加权处理并乘以100，得到第一人工语音应答服务的质量评分为：(0.7×40％+1×60％)×100＝88分。

示例性地，以满意度得分权重为40％和情感倾向得分权重为60％为例，假设满意度得分为7分(满分为10分)，情感倾向得分为2分(满分为3分，情感倾向为无情感得2分)，则电子设备可以对满意度得分进行归一化处理，得到满意度得分的归一化结果为7/10＝0.7，对情感倾向得分进行归一化处理，得到情感倾向得分的归一化结果为2/3，然后对满意度得分的归一化结果0.7和情感倾向得分的归一化结果1进行加权处理并乘以100，得到第一人工语音应答服务的质量评分为：(0.7×40％+2/3×60％)×100＝68分。

示例性地，以满意度得分权重为40％和情感倾向得分权重为60％为例，假设满意度得分为7分(满分为10分)，情感倾向得分为1分(满分为3分，情感倾向为消极得1分)，则电子设备可以对满意度得分进行归一化处理，得到满意度得分的归一化结果为7/10＝0.7，对情感倾向得分进行归一化处理，得到情感倾向得分的归一化结果为1/3，然后对满意度得分的归一化结果0.7和情感倾向得分的归一化结果1进行加权处理并乘以100，得到第一人工语音应答服务的质量评分为：(0.7×40％+1/3×60％)×100＝48分。

本申请实施例提供的服务质量检测方法中，电子设备可以通过对第一人工语音应答服务的情感倾向和满意度得分进行分析，确定第一人工语音应答服务的质量评分，与传统的人工语音应答检测方法相比，不仅增加了人工语音应答服务质量检测的全面性和准确性，还有利于人工语音应答服务质量的优化。

以下对上述S102进行介绍。

一些可能的实施例中，电子设备可以具体利用神经网络模型来确定第一人工语音应答服务对应的情感倾向。在这种情况下，图2为本申请实施例提供的服务质量检测方法的另一种流程示意图。如图2所示，上述S102可以具体包括S1021至S1023。

S1021、根据录音文件，确定第一人工语音应答服务的对话文本。

其中，对话文本包括多个对话语句。

可选地，电子设备可以对录音文件进行语音识别，得到第一人工语音应答服务的对话文本。

示例性地，语音识别可以具体使用模式匹配法，模式匹配法可以包括训练阶段和识别阶段。

在训练阶段，电子设备可以获取词汇表中每一个词语的发音的特征矢量，并将每一个词语的发音的特征矢量存入模板库。该模板库用于表示词语和发音的特征矢量之间的对应关系。

在识别阶段，电子设备可以对输入的录音文件进行识别，得到特征矢量，然后将特征矢量依次与模板库中的每个模板进行相似度比较，将相似度最高的作为识别结果输出；然后再运用基于神经网络的语义分析方法进行解析，获取每一个对话语句，得到第一人工语音应答服务的对话文本。

S1022、利用预设的情感倾向分析模型，标记多个对话语句中每个对话语句的情感倾向。

其中，情感倾向分析模型用于根据输入的语句预测语句对应的情感倾向。情感倾向分析模型的训练过程可以参照下述图3中S201至S202处所述，此处不再赘述。

示例性地，电子设备可以把对话语句的情感倾向分为喜欢、高兴、厌恶、悲伤、愤怒、和无情感6个类别，并对多个对话语句中每个对话语句的情感倾向进行标记。

S1023、根据每个对话语句的情感倾向，确定第一人工语音应答服务对应的情感倾向。

可选地，电子设备可以计算多个对话语句情感倾向的比例，然后根据多个对话语句情感倾向的比例确定第一人工语音应答服务对应的情感倾向并保存记录。

示例性地，同样以上述第一人工语音应答服务对应的情感倾向包括积极、无情感、或者消极等中的任意一项，对话语句的情感倾向分为喜欢、高兴、厌恶、悲伤、愤怒、和无情感6个类别为例，若厌恶、悲伤、或者愤怒的情感倾向在多个对话语句情感倾向的占比出现并超过5％，则电子设备可以判定第一人工语音应答服务对应的情感倾向(整体情感倾向)为消极；若喜欢+高兴的比例高于无情感的比例，则电子设备可以判定第一人工语音应答服务对应的情感倾向(整体情感倾向)为积极，反之判定第一人工语音应答服务对应的情感倾向(整体情感倾向)为中立。

一些可能的实施例中，在上述S1021之前，电子设备还可以获取训练完成的情感倾向分析模型。

一种可能的实现方式中，电子设备可以直接从其他设备中获取情感倾向分析模型。

例如，电子设备可以通过网络下载或者中间存储介质从其他设备获取情感倾向分析模型。

另一种可能的实现方式中，电子设备还可以对预设的神经网络进行训练得到情感倾向分析模型。在这种情况下，图3为本申请实施例提供的情感倾向分析模型的训练流程示意图。如图3所示，该模型的训练流程包括：

S201、获取训练样本集。

其中，训练样本集包括多个训练样本，每个训练样本包括一个语句、以及一个语句的情感倾向。

S202、基于训练样本集对预设的神经网络模型进行训练，得到情感倾向分析模型。

其中，预设的神经网络模型可以是OpenAPI或者其他模型等。本申请实施例对此不作限制。

可选地，电子设备可以对训练样本中的语句进行特征提取，将语句转换为数字向量，然后将带有情感倾向标签的数字向量输入预设的神经网络模型进行训练，得到情感倾向分析模型。

可选地，如上所述，训练样本集可以包括多个训练样本，电子设备可以每次将一个训练样本转换的数字向量输入预设的神经网络模型得到一个预测值(神经网络模型预测的数字向量对应的情感倾向)，根据预测值和训练样本中的标签(情感倾向)计算损失函数(loss)，并调整神经网络模型的参数。以此类推，迭代训练直至神经网络模型收敛。

可选地，神经网络模型收敛(结束训练)的条件可以包括：电子设备将数字向量输入神经网络的次数达到预设的次数阈值，或者，预测值和标签的误差小于预设的误差阈值。

可选地，电子设备还可以利用验证样本集对训练完成的神经网络模型进行验证，并计算准确率、召回率、以及F1分数等指标，在这些指标满足预设条件的情况下，将训练完成的神经网络模型作为情感倾向分析模型。准确率、召回率、以及F1分数等指标的计算过程可以参照相关技术中所述，此处不再赘述。

以下对上述S103进行介绍。

一些可能的实施例中，电子设备可以结合敏感词情况和情感倾向来确定质量评分。在这种情况下，图4为本申请实施例提供的服务质量检测方法的又一种流程示意图。如图4所示，上述S103可以具体包括S1031和S1032。

S1031、根据录音文件，确定应答人员的敏感词情况。

其中，敏感词情况用于表示应答人员在第一人工语音应答服务中出现敏感词的次数。

可选地，敏感词的检测可以包含违规内容检测、涉密内容检测以及信息汇总统计。图5为本申请实施例提供的敏感词情况的检测流程示意图。如图5所示，敏感词情况的检测流程可以包括S10311至S10314。

S10311、根据录音文件，确定第一人工语音应答服务的对话文本。

S10311可以参照上述S1021所述，此处不再赘述。

S10312、利用公共模型对第一人工语音应答服务的对话文本进行违规内容(涉政、色情、辱骂)检测。

示例性地，电子设备可以利用包括但不限于openApi敏感内容检测能力对涉政、色情、辱骂等违规内容进行判断，并统计违规内容出现的次数和明细。

S10313、利用企业内部涉密数据词典对第一人工语音应答服务的对话文本进行关键词匹配。

示例性地，电子设备可以通过关键词检测方法，把企业内部涉密数据词典与对话文本进行匹配，进行涉密情况判断，并统计涉密内容出现的次数和明细。

S10314、汇总统计信息，并保存。

例如，电子设备可以对敏感词情况进行信息汇总统计，即对违规情况和涉密情况都进行统计并生成统计结果，如涉政2、色情0、辱骂1、内部涉密2，保存到对应记录中，并呈现敏感词的数量和明细。

S1032、根据情感倾向、敏感词情况、和满意度得分，按照预设的评分规则，确定第一人工语音应答服务的质量评分。

可选地，电子设备可以首先根据第一人工语音应答服务对应的情感倾向确定情感倾向得分，再根据第一人工语音应答服务对应的敏感词情况确定敏感词得分，然后根据情感倾向得分、敏感词得分和满意度得分，按照预设评分规则，确定第一人工语音应答服务的质量评分。

可选地，预设评分规则可以是对所有分数(情感倾向得分、敏感词得分、和满意度得分)先做归一化处理(如除以各自对应的满分)，得到每种得分各自对应的归一化结果，再根据每种得分各自对应的归一化结果进行加权处理并乘以100，最终确定第一人工语音应答服务的质量评分。

示例性地，以满意度得分权重为40％、情感倾向得分权重为40％、和敏感词得分权重为20％为例，假设满意度得分为8分(满分为10分)，情感倾向得分为3分(满分为3分，情感倾向为积极得3分)，敏感词得分为8分(满分为10分，无敏感词得10分，敏感词占比每增加1％得分减2分，最低为0分)，则电子设备可以对满意度得分进行归一化处理，得到满意度得分的归一化结果为7/10＝0.7，对情感倾向得分进行归一化处理，得到情感倾向得分的归一化结果为3/3＝1，对敏感词得分进行归一化处理，得到敏感词得分的归一化结果为8/10＝0.8，然后对满意度得分的归一化结果0.7、情感倾向得分的归一化结果1、和敏感词得分的归一化结果0.8进行加权处理并乘以100，得到第一人工语音应答服务的质量评分为：(0.7×40％+1×40％+0.8×20％)×100＝84分。

一些可能的实施例中，电子设备还可以统计每个应答人员的质量评分来建立每个应答人员的服务画像。在这种情况下，图6为本申请实施例提供的服务质量检测方法的又一种流程示意图。如图6所示，在上述S103之后，该服务质量检测方法还可以包括S301至S303。

S301、确定第一人工语音应答服务的请求用户。

可选地，电子设备可以根据第一人工语音应答服务的请求信息(包括来电号码、来电IP地址、家庭地址等)，确定第一人工语音应答服务的请求用户。

例如，电子设备中可以预设有请求信息和请求用户之间的对应关系，电子设备可以根据请求信息和和请求用户之间的对应关系、以及第一人工语音应答服务的请求信息，确定第一人工语音应答服务的请求用户。

S302、根据录音文件，确定第一人工语音应答服务的应答人员。

S302的具体过程可以参照下述图7中S3021至S3022处所述，此处不再赘述。

S303、根据质量评分，确定应答人员对请求用户进行人工语音应答服务的历史质量平均分。

可选地，电子设备可以将每个应答人员的服务分数按照人工语音请求服务的请求用户、请求用户的岗位、请求用户的部门、请求用户的组别进行标识分类，并根据不同标识分类计算此人工语音应答人员的历史质量平均分。

示例性地，把所有应答人员分别按请求用户、请求用户的岗位、请求用户的部门、请求用户的组别这四个分类的历史质量平均分进行降序排序，获得所有应答人员按这四个分类的优先级排名。

以下对上述S302进行介绍。

一些可能的实施例中，电子设备可以根据录音文件，确定第一人工语音应答服务的应答人员。在这种情况下，图7为本申请实施例提供的服务质量检测方法的又一种流程示意图。如图7所示，上述S302可以具体包括S3021和S3022。

S3021、根据录音文件，确定第一人工语音应答服务应答人员的声纹特征。

可选地，声纹特征可以是梅尔频率倒谱系数(Mel Frequency CepstralCoefficent，MFCC)音频特征。

其中，MFCC是一种在自动语音和说话人识别中广泛使用的特征，是对梅尔频谱(Mel Spectrogram)进行处理获取的，而输入的录音片段是一种音频信号，不能直接用于模型训练，需要将音频转为梅尔频谱，再对梅尔频谱进行处理获取MFCC音频特征。

图8为本申请实施例提供的MFCC音频特征获取的流程示意图。如图8所示，输入获取的录音片段，MFCC音频特征获取流程可以包括：

a1、预加重、分帧和加窗。

对输入的语音片段进行预加重、分帧和加窗处理，具体可参照相关技术，此处不再赘述。

a2、快速傅里叶变换(Fast Fourier transform，FFT)。

对经过预加重、分帧和加窗处理的数据进行快速傅里叶变换，具体可参照相关技术，此处不再赘述。

a3、取绝对值或平方值。

对经过快速傅里叶变换得到的值取绝对值或平方值，具体可参照相关技术，此处不再赘述。

a4、Mel滤波。

对取绝对值或平方值得到的数据进行Mel滤波处理，具体可参照相关技术，此处不再赘述。

a5、取对数。

对经过Mel滤波得到的值取对数，具体可参照相关技术，此处不再赘述。

a6、离散余弦变换(Discrete Cosine Transform，DCT)。

对经过取对数得到的数据进行离散余弦变换，具体可参照相关技术，此处不再赘述。

a7、动态特征(Delta MFCC)。

获取音频的动态特征，输出特征向量，具体可参照相关技术，此处不再赘述。

S3022、根据声纹特征和预设的声纹库，确定第一人工语音应答服务的应答人员。

其中，声纹库可以用于指示声纹特征和应答人员之间的对应关系。

可选地，电子设备可以将该声纹特征和声纹库中的声纹特征进行对比，确定第一人工语音应答服务的应答人员。

可选地，在S3021之前，电子设备还可以获取声纹库。

例如，电子设备可以录制各值班的应答人员的录音并提取其声纹特征，生成声纹库。

基于上述实施例的理解，图9为本申请实施例提供的服务质量检测方法的又一种流程示意图。如图9所示，该服务质量检测方法可以包括：

S401、对通话双方的录音文件进行识别获取文本并进行语义解析，分别保存完整的文本和各断句的文本。

S401的具体过程可以参照图2中S1021所述，此处不再赘述。

S402、对应答人员的语音进行截取，获取任意5秒长的片段。

S402的具体过程可以参照图6中S302所述，此处不再赘述。

S403、MFCC音频特征获取，并应用到电子设备中与所有值班应答人员声纹进行识别，匹配相应人员。

S403的具体过程可以参照图8中a1至a7所述，此处不再赘述。

S404、对双方的断句文本利用情感倾向分析模型进行情感倾向标记。

S404的具体过程可以参照图2中S1022所述，此处不再赘述。

S405、计算整体情感倾向并把结果统计保存到对应记录中。

S405的具体过程可以参照图2中S1023中所述，此处不再赘述。

S406、对应答方的文本进行敏感内容检测，统计并保存。

S406的具体过程可以参照图5中S10311至S10314所述，此处不再赘述。

一些可能的实施例中，在上述S101之前，电子设备还可以根据目标请求用户对应的优先级排名确定目标应答人员。在这种情况下，图10为本申请实施例提供的服务质量检测方法的又一种流程示意图。如图10所示，该服务质量检测方法还包括：

S501、确定当前请求人工语音应答服务的目标请求用户，以及目标请求用户对应的优先级排名。

其中，优先级排名是按照历史质量平均分由高到低的顺序，对多个应答人员进行排序之后得到的。

S501中电子设备确定当前请求人工语音应答服务的目标请求用户的过程可以参照上述S301所述，此处不再赘述。

一种可能的实现方式中，电子设备中可以预设有请求用户和优先级排名之间的对应关系，电子设备可以根据用户和优先级排名之间的对应关系、以及目标请求用户，确定目标请求用户对应的优先级排名。

可选地，电子设备可以将目标请求用户作为索引，遍历请求用户和优先级排名之间的对应关系，从请求用户和优先级排名之间的对应关系中确定目标请求用户所对应的优先级排名。

示例性地，目标请求用户和优先级排名之间的对应关系可以如下述表1所示：

表1

如表1所示，该表可以包括请求用户项、请求用户的标识项、以及优先级排名项。其中，请求用户项包括请求用户1、请求用户2、以及请求用户3；请求用户的标识项包括ID1、ID2、以及ID3；优先级排名项包括应答人员1＞应答人员2＞应答人员3、应答人员2＞应答人员1＞应答人员3、以及应答人员3＞应答人员2＞应答人员1。请求用户1对应的请求用户的标识为ID1，对应的优先级排名为应答人员1＞应答人员2＞应答人员3；请求用户2对应的请求用户的标识为ID2，对应的优先级排名为应答人员2＞应答人员1＞应答人员3；请求用户3对应的请求用户的标识为ID3，对应的优先级排名为应答人员3＞应答人员2＞应答人员1。

可选地，当目标请求用户为请求用户和优先级排名之间的对应关系之外的请求用户时，电子设备可以获取目标请求用户的岗位，并根据预设的岗位和优先级排名之间的对应关系，确定目标请求用户对应的优先级排名。

示例性地，岗位和优先级排名之间的对应关系可以如下述表2所示：

表2

如表2所示，该表可以包括请求用户的岗位项、优先级排名项。其中，请求用户的岗位项包括岗位1、岗位2、以及岗位3；优先级排名项包括应答人员1＞应答人员2＞应答人员3、应答人员2＞应答人员1＞应答人员3、以及应答人员3＞应答人员2＞应答人员1；岗位1对应的优先级排名为应答人员1＞应答人员2＞应答人员3，岗位2对应的优先级排名为应答人员2＞应答人员1＞应答人员3，岗位3对应的优先级排名为应答人员3＞应答人员2＞应答人员1。

可选地，当目标请求用户为请求用户和优先级排名之间的对应关系之外的请求用户时，电子设备可以获取目标请求用户的部门，并根据预设的部门和优先级排名之间的对应关系，确定目标请求用户对应的优先级排名。

示例性地，部门和优先级排名之间的对应关系可以如下述表3所示：

表3

如表3所示，该表可以包括请求用户的部门项、优先级排名项。其中，请求用户的部门项包括部门1、部门2、以及部门3；优先级排名项包括应答人员1＞应答人员2＞应答人员3、应答人员2＞应答人员1＞应答人员3、以及应答人员3＞应答人员2＞应答人员1；部门1对应的优先级排名为应答人员1＞应答人员2＞应答人员3，部门2对应的优先级排名为应答人员2＞应答人员1＞应答人员3，部门3对应的优先级排名为应答人员3＞应答人员2＞应答人员1。

可选地，当目标请求用户为请求用户和优先级排名之间的对应关系之外的请求用户时，电子设备可以获取目标请求用户的组别(可以是根据专业线条划分的)，并根据预设的组别和优先级排名之间的对应关系，确定目标请求用户对应的优先级排名。

示例性地，组别和优先级排名之间的对应关系可以如下述表4所示：

表4

如表4所示，该表可以包括请求用户的组别项、优先级排名项。其中，请求用户的组别项包括组别1、组别2、以及组别3；优先级排名项包括应答人员1＞应答人员2＞应答人员3、应答人员2＞应答人员1＞应答人员3、以及应答人员3＞应答人员2＞应答人员1；组别1对应的优先级排名为应答人员1＞应答人员2＞应答人员3，组别2对应的优先级排名为应答人员2＞应答人员1＞应答人员3，组别3对应的优先级排名为应答人员3＞应答人员2＞应答人员1。

S502、根据目标请求用户对应的优先级排名，确定目标请求用户的目标应答人员。

其中，目标应答人员为优先级排名中，首个空闲的应答人员。

一种可能的实现方式中，先确定所有的空闲的应答人员，然后用空闲的应答人员比对目标请求用户对应的优先级排名。

示例性地，以上述表1为例，假设目标请求用户为请求用户1，则目标请求用户对应的优先级排名即为：应答人员1＞应答人员2＞应答人员3。电子设备确定所有的空闲的应答人员为应答人员1、应答人员2、应答人员3，用应答人员1比对目标请求用户对应的优先级排名，发现应答人员1在优先级排名中最高，则可以确定目标请求用户的目标应答人员为应答人员1。

另一种可能的实现方式中，先确定目标请求用户对应的优先级排名，然后依次确定优先级排名中每个应答人员是否空闲。

示例性地，以上述表1为例，假设目标请求用户为请求用户1，则目标请求用户对应的优先级排名即为：应答人员1＞应答人员2＞应答人员3。则电子设备依次判断，应答人员1是否空闲、应答人员2是否空闲、应答人员3是否空闲，假设应答人员1不为空闲、应答人员2空闲、应答人员3空闲，则可以确定目标请求用户的目标应答人员为应答人员2。

S503、将目标请求用户接入目标应答人员的电话。

可选地，电子设备中还可以预设有应答人员和坐席之间的对应关系，电子设备可以根据应答人员和坐席之间的对应关系、以及目标应答人员，确定目标应答人员的目标坐席，然后将目标请求用户接入目标坐席的电话。

图11为本申请实施例提供的应答匹配流程示意图。如图11所示，应答匹配流程可以包括：

x1、有请求来电时，通过来电信息匹配请求用户并获取请求用户信息。

电子设备通过来电信息匹配请求用户并获取来电用户信息的过程可以参照上述S301所述。

x2、电子设备获取当前空闲坐席的应答人员信息。

x3、根据当前空闲坐席的应答人员信息，获取请求用户的优先级排名。

电子设备根据当前空闲坐席的应答人员信息，获取请求用户的优先级排名的过程可以参照上述S501所述。

x4、判断空闲坐席的应答人员与优先级排名的应答人员是否匹配。

若匹配则应答；若不匹配则不应答，保存通话记录信息。

x5、应答人员填写来电原因。

x6、电子设备保存通话记录信息。

在示例性的实施例中，本申请实施例还提供了一种服务质量检测装置，图12为本申请实施例提供的服务质量检测装置的架构示意图。如图12所示，该装置包括：服务应答管理模块100和数据处理模块200。

服务应答管理模块100，用于获取第一人工语音应答服务的录音文件和满意度得分。

数据处理模块200，用于根据录音文件，确定第一人工语音应答服务对应的情感倾向；根据情感倾向和满意度得分，确定第一人工语音应答服务的质量评分。

一些可能的实施例中，数据处理模块200，具体用于根据录音文件，确定应答人员的敏感词情况；敏感词情况用于表示应答人员在第一人工语音应答服务中出现敏感词的次数；根据情感倾向、敏感词情况、满意度得分、以及预设的评分规则，确定第一人工语音应答服务的质量评分。

一些可能的实施例中，数据处理模块200，具体用于根据录音文件，确定第一人工语音应答服务的对话文本；对话文本包括多个对话语句；利用预设的情感倾向分析模型，标记多个对话语句中每个对话语句的情感倾向；根据每个对话语句的情感倾向，确定第一人工语音应答服务对应的情感倾向。

一些可能的实施例中，数据处理模块200，还用于获取训练样本集；训练样本集包括多个训练样本，每个训练样本包括一个语句、以及一个语句的情感倾向；基于训练样本集对预设的神经网络进行训练，得到情感倾向分析模型。

一些可能的实施例中，数据处理模块200，还用于确定第一人工语音应答服务的请求用户；根据录音文件，确定第一人工语音应答服务的应答人员；根据质量评分，确定应答人员对请求用户进行人工语音应答服务的历史质量平均分。

一些可能的实施例中，数据处理模块200，还用于确定当前请求人工语音应答服务的目标请求用户，以及目标请求用户对应的优先级排名；优先级排名是按照历史质量平均分由高到低的顺序，对多个应答人员进行排序之后得到的；根据目标请求用户对应的优先级排名，确定目标请求用户的目标应答人员；目标应答人员为优先级排名中，首个空闲的应答人员；将目标请求用户接入目标应答人员的电话。

一些可能的实施例中，数据处理模块200，具体用于根据录音文件，确定第一人工语音应答服务应答人员的声纹特征；根据声纹特征和预设的声纹库，确定第一人工语音应答服务的应答人员。

可选地，该服务质量检测装置还可以包括配置及管理模块300(图12中以虚线为例示出)。

配置及管理模块300可以用于提供系统各项角色(例如管理员和应答人员)及其权限定义、角色分配的功能；定义值班的应答人员，匹配座席与应答人员对应的关系；录制各值班的应答人员的录音并提取其声纹；用于高权限的管理员查询历史应答记录等(例如，请求时间、请求号码、请求用户姓名、请求用户所属部门、是否接通、座席应答人员、实际应答人员、通话时长、请求原因、满意度得分、敏感词情况、应答录音文本、整体情感倾向等信息)。

在示例性的实施例中，本申请实施例还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关方法步骤，以实现上述实施例中的服务质量检测方法。

在示例性的实施例中，本申请实施例还提供了一种电子设备。图13为本申请实施例提供的电子设备的结构示意图。如图13所示，该电子设备可以包括：处理器1301和存储器1302；存储器1302存储有处理器1301可执行的指令；处理器1301被配置为执行指令时，使得电子设备实现如前述方法实施例中所述的方法。

在示例性的实施例中，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令；当所述计算机程序指令被电子设备执行时，使得电子设备实现如前述实施例中所述的方法。计算机可读存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

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，任何在本申请揭露的技术范围内的变化或替换，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该以权利要求的保护范围为准。

Claims (10)

1.一种服务质量检测方法，其特征在于，所述方法包括：

获取第一人工语音应答服务的录音文件和满意度得分；

根据所述录音文件，确定所述第一人工语音应答服务对应的情感倾向；

根据所述情感倾向和所述满意度得分，确定所述第一人工语音应答服务的质量评分。

2.根据权利要求1所述的方法，其特征在于，所述根据所述情感倾向和所述满意度得分，确定所述第一人工语音应答服务的质量评分，包括：

根据所述录音文件，确定应答人员的敏感词情况；所述敏感词情况用于表示所述应答人员在所述第一人工语音应答服务中出现敏感词的次数；

根据所述情感倾向、所述敏感词情况、所述满意度得分、以及预设的评分规则，确定所述第一人工语音应答服务的质量评分。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述录音文件，确定所述第一人工语音应答服务对应的情感倾向，包括：

根据所述录音文件，确定所述第一人工语音应答服务的对话文本；所述对话文本包括多个对话语句；

利用预设的情感倾向分析模型，标记所述多个对话语句中每个对话语句的情感倾向；

根据所述每个对话语句的情感倾向，确定所述第一人工语音应答服务对应的情感倾向。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

获取训练样本集；所述训练样本集包括多个训练样本，每个训练样本包括一个语句、以及所述一个语句的情感倾向；

基于所述训练样本集对预设的神经网络进行训练，得到所述情感倾向分析模型。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

确定所述第一人工语音应答服务的请求用户；

根据所述录音文件，确定所述第一人工语音应答服务的应答人员；

根据所述质量评分，确定所述应答人员对所述请求用户进行人工语音应答服务的历史质量平均分。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

确定当前请求人工语音应答服务的目标请求用户，以及所述目标请求用户对应的优先级排名；所述优先级排名是按照历史质量平均分由高到低的顺序，对多个应答人员进行排序之后得到的；

根据所述目标请求用户对应的优先级排名，确定所述目标请求用户的目标应答人员；所述目标应答人员为所述优先级排名中，首个空闲的应答人员；

将所述目标请求用户接入所述目标应答人员的电话。

7.根据权利要求5所述的方法，其特征在于，所述根据所述录音文件，确定所述第一人工语音应答服务的应答人员，包括：

根据所述录音文件，确定所述第一人工语音应答服务应答人员的声纹特征；

根据所述声纹特征和预设的声纹库，确定所述第一人工语音应答服务的应答人员。

8.一种服务质量检测装置，其特征在于，所述装置包括：服务应答管理模块和数据处理模块；

所述服务应答管理模块用于获取第一人工语音应答服务的录音文件和满意度得分；

所述数据处理模块用于根据录音文件，确定第一人工语音应答服务对应的情感倾向；根据情感倾向和满意度得分，确定第一人工语音应答服务的质量评分。

9.一种电子设备，其特征在于，所述电子设备包括：处理器和存储器；

所述存储器存储有所述处理器可执行的指令；

所述处理器被配置为执行所述指令时，使得所述电子设备实现如权利要求1-7任一项所述的方法。

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中存储有软件指令，当所述指令在电子设备中被执行时，使得所述电子设备实现如权利要求1至7任一项所述的方法。