WO2020057014A1 - 对话分析评价的方法、装置、计算机设备和存储介质 - Google Patents

对话分析评价的方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
WO2020057014A1
WO2020057014A1 PCT/CN2019/070103 CN2019070103W WO2020057014A1 WO 2020057014 A1 WO2020057014 A1 WO 2020057014A1 CN 2019070103 W CN2019070103 W CN 2019070103W WO 2020057014 A1 WO2020057014 A1 WO 2020057014A1
Authority
WO
WIPO (PCT)
Prior art keywords
dialogue
dialog
conversation
segment
evaluation
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.)
Ceased
Application number
PCT/CN2019/070103
Other languages
English (en)
French (fr)
Inventor
闵锰锰
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.)
OneConnect Smart Technology Co Ltd
Original Assignee
OneConnect Smart Technology Co 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 OneConnect Smart Technology Co Ltd filed Critical OneConnect Smart Technology Co Ltd
Publication of WO2020057014A1 publication Critical patent/WO2020057014A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation

Definitions

  • the present application relates to a method, a device, a computer device, and a storage medium for dialog analysis and evaluation.
  • a method, an apparatus, a computer device, and a storage medium for dialog analysis evaluation are provided.
  • a method of dialogue analysis and evaluation includes:
  • a device for dialogue analysis and evaluation includes:
  • An index module for determining a dialog evaluation index according to a preset big data sample library
  • An evaluation module for determining the quality evaluation of the effective dialogue segment according to the dialogue evaluation index and the effective dialogue segment
  • a recommendation module for generating corresponding dialogue suggestions based on valid dialogue fragments
  • the pushing module is configured to push the quality evaluation of the effective conversation segment and the corresponding conversation suggestion to the user terminal corresponding to the user identity.
  • a computer device includes a memory and one or more processors.
  • the memory stores computer-readable instructions.
  • the one or more processors are executed. The following steps:
  • One or more non-volatile computer-readable storage media storing computer-readable instructions.
  • the one or more processors execute the following steps:
  • FIG. 1 is an application scenario diagram of a method of dialog analysis and evaluation according to one or more embodiments.
  • FIG. 2 is a schematic flowchart of a method of dialog analysis and evaluation according to one or more embodiments.
  • FIG. 3 is a schematic diagram of a sub-process of step S204 in FIG. 2 according to one or more embodiments.
  • FIG. 4 is a schematic flowchart of steps before step S202 in FIG. 2 according to one or more embodiments.
  • FIG. 5 is a schematic diagram of a sub-process of step S202 in FIG. 2 according to one or more embodiments.
  • FIG. 6 is a schematic diagram of a sub-process of step S504 in FIG. 2 according to one or more embodiments.
  • FIG. 7 is a schematic diagram of a sub-process of step S208 in FIG. 2 according to one or more embodiments.
  • FIG. 8 is a schematic flowchart of a dialog analysis and evaluation method in another embodiment.
  • FIG. 9 is a block diagram of a device for dialog analysis and evaluation according to one or more embodiments.
  • FIG. 10 is a block diagram of a dialog analysis and evaluation apparatus according to another embodiment.
  • FIG. 11 is a block diagram of a computer device in accordance with one or more embodiments.
  • the method for dialog analysis and evaluation provided in this application can be applied to the application environment shown in FIG. 1.
  • the terminal 102 and the server 104 communicate through a network.
  • the server 104 determines a dialog evaluation index according to a preset big data sample database, obtains a valid dialog segment carrying a user identifier from the terminal 102, determines a quality evaluation of the valid dialog segment based on the dialog evaluation index and the valid dialog segment, and generates a corresponding response based on the valid dialog segment.
  • For the dialog suggestion push the quality evaluation of the effective conversation segment and the corresponding dialog suggestion to the terminal 102 corresponding to the user identification.
  • the terminal 102 may be, but is not limited to, various personal computers, notebook computers, smart phones, tablet computers, and portable wearable devices.
  • the server 104 may be implemented by an independent server or a server cluster composed of multiple servers.
  • a method for dialogue analysis and evaluation is provided.
  • the method is applied to the server in FIG. 1 as an example, and includes the following steps:
  • S202 Determine a dialog evaluation index according to a preset big data sample database.
  • the big data sample database refers to a sample database for storing various types of data of the user's EQ and IQ.
  • the big data sample database includes the feedback results of the evaluation keywords, keyword dialog fragments, and keyword dialog fragments.
  • the dialog evaluation index refers to an evaluation index of a valid dialog segment, and the obtained valid dialog segment carrying a user identifier is evaluated according to the dialog evaluation index to determine the quality evaluation of the valid dialog segment.
  • various types of data in the big data sample database are processed, and the dialog evaluation index is determined according to the data processing results.
  • the effective dialogue fragment refers to a dialogue fragment including an evaluation keyword
  • the evaluation keyword refers to a keyword stored in a large data sample database, which is used to evaluate and test the user's emotional quotient and IQ.
  • the server obtains the conversation fragment carrying the user identification from the user's portable wearable device, and then processes the conversation fragment to obtain a valid conversation fragment carrying the user identification.
  • the process of obtaining a valid dialogue segment can be: converting the dialogue segment into text, matching the evaluation keywords in the big data sample database according to the converted text, and when the converted text exists corresponding to the evaluation keywords in the big data sample database When the text is displayed, the dialogue segment corresponding to the corresponding text is determined to be a valid dialogue segment.
  • S206 Determine the quality evaluation of the effective dialogue segment according to the dialogue evaluation index and the effective dialogue segment.
  • the quality evaluation includes the evaluation of the quality level of the dialogue and the evaluation of the type of the dialogue.
  • the evaluation of the quality level of the dialogue refers to the evaluation of the quality level of the dialogue.
  • the quality levels include excellent, good, and general.
  • Dialogue type evaluation refers to determining the type of dialogue according to the content of the dialogue, and the dialogue types include positive and negative categories.
  • the server generates corresponding dialogue suggestions according to the effective conversation fragments of the user.
  • the dialogue suggestions include generating corresponding recommendation questions based on the user's questions in the effective dialogue fragments, and generating corresponding recommended answers based on the user's answers in the user dialogue fragments.
  • the server determines the user according to the user identification carried on the valid conversation segment, and after determining the quality assessment of the effective conversation segment and generating the corresponding conversation suggestion, the server pushes the quality assessment of the effective conversation segment and the corresponding conversation suggestion to the user terminal corresponding to the user identity , The user can view the quality evaluation of the effective conversation fragments and corresponding conversation suggestions through the user terminal.
  • S204 includes:
  • the conversation fragment carrying the user's logo refers to the daily conversation fragment of the user, which can be obtained by the server from the user's portable wearable device.
  • the user's portable wearable device will acquire the daily conversation fragment of the user in real time and mark the user identification on it To the server.
  • the server After receiving the conversation fragment carrying the user's identity, the server converts the conversation fragment into text, and matches the evaluation keywords in the big data sample database according to the converted text.
  • the evaluation keywords refer to the key stored in the big data sample database. Words, which are used to evaluate and test the user's EQ and IQ.
  • the evaluation keywords can be set as required. When there is text in the converted text that matches the evaluation keywords in the big data sample database, it is determined that the dialogue segment is a valid dialogue segment carrying a user identifier.
  • the method before S202, the method includes:
  • S402 Collect keyword conversation fragments according to the evaluation keywords in the big data sample database
  • S406 Determine the feedback result of the dialogue according to the change of the intonation level and the change of the sound volume
  • S408 Record the keyword dialogue fragments and the feedback results of the dialogue into the big data sample database.
  • the evaluation keywords refer to the keywords stored in the big data sample database, which are used to evaluate and test the user's EQ and IQ.
  • the evaluation keywords can be set as needed.
  • the service provider can obtain information from common EQ and IQ. Extract the evaluation keywords from the test applet.
  • the server collects keyword dialogue fragments based on the evaluation keywords.
  • the keyword dialogue fragments refer to the dialogue fragments containing the evaluation keywords.
  • the server obtains the changes in the tone and volume of the two parties in the keyword conversation fragment, and determines the feedback result of the dialogue according to the changes in the tone and the volume.
  • the feedback result of the dialogue includes that the dialogue party is emotional or depressed because of the keyword dialogue segment.
  • an excessively high intonation or a loud voice indicates that the interlocutor's emotions are more agitated
  • a lower intonation or a lower voice indicates that the interlocutor's mood is lower.
  • S202 includes:
  • S504 Determine the conversation type and quality level of the recorded conversation segment according to the feedback result of the conversation;
  • S506 Establish a dialogue evaluation index by using a decision tree algorithm according to the dialogue type and the quality level of the dialogue.
  • Decision tree algorithm is a method to approximate the value of discrete functions. It is a typical classification method. It first processes the data, uses inductive algorithms to generate readable rules and decision trees, and then uses the decisions to analyze new data.
  • a decision tree is essentially a process of classifying data through a series of rules. The decision tree algorithm constructs a decision tree to discover the classification rules contained in the data. How to construct a high-precision, small-scale decision tree is the core content of a decision tree algorithm. Decision tree construction can be performed in two steps. The first step is the generation of a decision tree: the process of generating a decision tree from a training sample set.
  • the training sample data set is a data set that has a history and a certain degree of comprehensiveness according to actual needs and is used for data analysis and processing.
  • the second step is the pruning of the decision tree.
  • the pruning of the decision tree is a process of checking, correcting, and pruning the decision tree generated in the previous stage. It is mainly used in a new sample data set (called a test data set).
  • the preliminary rules generated during the data verification decision tree generation process will cut off the branches that affect the accuracy of the pre-balance.
  • the recorded dialogue fragments in the big data sample database refer to the keyword dialogue fragments entered according to the evaluation keywords, which are used to evaluate and test the user's emotional quotient and IQ.
  • the evaluation keywords can be set as required by themselves.
  • the service provider Extract evaluation keywords from common EQ and IQ test applets.
  • the feedback result of the dialogue refers to the feedback result of the keyword conversation segment, including the conversation party being emotionally excited or depressed because of the keyword conversation segment.
  • Dialogue types include positive and negative dialogues, and quality levels include excellent, good, and average.
  • a decision tree algorithm is mainly used to generate a decision tree, that is, a decision tree algorithm is used to process the recorded dialogue fragments and the feedback results of the dialogue according to the type of dialogue and the quality level of the dialogue, and the dialogue evaluation index is established using the induction algorithm , And then use the dialogue evaluation index to analyze the effective dialogue fragments.
  • S504 includes:
  • the recorded dialogue is divided into different quality levels, and the quality levels include excellent, good, and average.
  • the feedback results include that the conversation party is emotional or depressed because of the keyword conversation segment.
  • the conversation is determined as a negative conversation, and the quality level of the conversation is determined according to the degree of emotional depression.
  • the degree of the emotional depression of the interlocutor can be determined by the voice and volume of the interlocutor.
  • a conversation party is emotionally excited by a keyword conversation segment, first classify the conversation into a positive conversation or a negative conversation according to the content of the conversation, and then determine the quality level of the conversation according to the degree of emotional agitation.
  • the tone and volume of the party are determined. For example, first determine the tone and volume of the interlocutor during normal speaking, and then determine the degree of depression or emotional excitement of the interlocutor based on the tone and volume of the interlocutor in the conversation segment.
  • S208 includes:
  • S704 Generate a corresponding recommended answer according to the answer in the valid conversation segment.
  • the server obtains the keyword conversation fragments with the same keywords in the big data sample database according to the questions in the effective conversation fragments. According to the keyword conversation fragments with the excellent quality in the keyword conversation fragments with the same keywords, the server generates the effective conversation fragments. Ask the corresponding recommended question.
  • the server obtains the keyword conversation fragments with the same keywords in the big data sample database according to the answers in the effective conversation fragments. According to the keyword conversation fragments with the same quality in the keyword conversation fragments with the same keywords, the server generates the effective conversation fragments. The corresponding recommended answer.
  • the method includes:
  • S802 Determine the quality level of the effective dialogue segment according to the quality evaluation of the effective dialogue segment, and the quality level includes excellent, good, and average;
  • the server determines the quality level of the effective dialogue segment according to the quality evaluation of the effective dialogue segment, selects the effective dialogue segment with the excellent quality level from the effective dialogue segment, and updates the big data sample database based on the effective dialogue segment with the excellent quality level, that is, the quality
  • the effective and effective dialogue fragments with the rank of excellent are stored in the big data sample database.
  • a decision tree algorithm is used to update the dialogue evaluation index.
  • a decision tree algorithm is used to update the dialogue evaluation index, which is the pruning process of the decision tree.
  • the newly entered quality level in the updated big data sample database is an excellent effective dialogue segment.
  • the dialogue evaluation index is We will update and continuously improve the dialogue evaluation index.
  • steps in the flowchart of FIG. 2-8 are sequentially displayed in accordance with the directions of the arrows, these steps are not necessarily performed in the order indicated by the arrows. Unless explicitly stated in this document, the execution of these steps is not strictly limited, and these steps can be performed in other orders. Moreover, at least a part of the steps in FIG. 2-8 may include multiple sub-steps or stages. These sub-steps or stages are not necessarily performed at the same time, but may be performed at different times. These sub-steps or stages The execution order of is not necessarily performed sequentially, but may be performed in turn or alternately with at least a part of another step or a sub-step or stage of another step.
  • a dialogue analysis and evaluation device including: an index module 902, an acquisition module 904, an evaluation module 906, a recommendation module 908, and a push module 910, where:
  • An index module 902 configured to determine a dialog evaluation index according to a preset big data sample database
  • An obtaining module 904 configured to obtain a valid conversation segment carrying a user identifier
  • An evaluation module 906, configured to determine the quality evaluation of the effective dialogue segment according to the dialogue evaluation index and the effective dialogue segment;
  • a recommendation module 908, configured to generate a corresponding dialogue suggestion according to a valid dialogue segment
  • the pushing module 910 is configured to push the quality evaluation of the effective conversation segment and the corresponding conversation suggestion to a user terminal corresponding to the user identifier.
  • the obtaining module 904 includes a matching module 912.
  • the matching module 912 is configured to obtain a conversation segment carrying a user identifier, convert the conversation segment into text, and match the big data sample according to the converted text.
  • the evaluation keywords in the database When there is text in the converted text that matches the evaluation keywords in the big data sample database, it is determined that the conversation segment is a valid conversation segment carrying a user identification.
  • the dialogue analysis and evaluation device includes an entry module 914.
  • the entry module 914 is configured to collect keyword conversation fragments according to the evaluation keywords in the big data sample database, and obtain the keyword conversation fragments according to the keyword conversation fragments.
  • the changes in intonation and volume of both sides of the dialogue are determined according to the changes in intonation and volume, and the feedback results of the dialogue are determined.
  • the keyword dialogue fragments and the feedback results of the dialogue are entered into the big data sample database.
  • the index module 902 includes a processing module 916, and the processing module 916 is configured to obtain the recorded dialogue fragments and the feedback result of the dialogue in the big data sample library, and determine the feedback result based on the dialogue.
  • the dialogue type and quality level of the recorded dialogue fragments are based on the dialogue type and the quality level of the dialogue using a decision tree algorithm to establish a dialogue evaluation index.
  • the processing module 916 includes a dividing module 918.
  • the dividing module 918 is configured to divide the recorded dialogue into a positive dialogue and a negative dialogue according to the feedback result, and record the entered dialogue according to the feedback result. Divided into different quality levels, quality levels include excellent, good and average.
  • the recommendation module 908 includes a question-and-answer module 920.
  • the question-and-answer module 920 is configured to generate corresponding recommended questions based on the questions in the valid conversation segment, and generate corresponding responses based on the answers in the valid conversation segment. Recommended answer.
  • the dialogue analysis and evaluation device includes an update module 922.
  • the update module 922 is configured to determine the quality level of the effective dialogue segment according to the quality evaluation of the effective dialogue segment, and the quality level includes excellent, good
  • the big data sample database is updated according to the effective conversation segments with excellent quality levels
  • the dialogue evaluation index is updated according to the updated big data sample database.
  • Each module in the above-mentioned dialog analysis and evaluation device may be implemented in whole or in part by software, hardware, and a combination thereof.
  • the above-mentioned modules may be embedded in the hardware form or independent of the processor in the computer device, or may be stored in the memory of the computer device in the form of software, so that the processor calls and performs the operations corresponding to the above modules.
  • a computer device is provided.
  • the computer device may be a server, and the internal structure diagram may be as shown in FIG. 11.
  • the computer device includes a processor, a memory, a network interface, and a database connected through a system bus.
  • the processor of the computer device is used to provide computing and control capabilities.
  • the memory of the computer device includes a non-volatile computer-readable storage medium and an internal memory.
  • the non-volatile computer-readable storage medium stores an operating system, computer-readable instructions, and a database.
  • This internal memory provides an environment for the operating system and computer-readable instructions in a non-volatile computer-readable storage medium.
  • the database of the computer device is used to store keyword dialog fragment data and dialog feedback result data.
  • the network interface of the computer device is used to communicate with an external terminal through a network connection.
  • the computer-readable instructions are executed by a processor to implement a method of dialog analysis and evaluation.
  • FIG. 11 is only a block diagram of a part of the structure related to the solution of the present application, and does not constitute a limitation on the computer equipment to which the solution of the present application is applied.
  • the specific computer equipment may be Include more or fewer parts than shown in the figure, or combine certain parts, or have a different arrangement of parts.
  • a computer device includes a memory and one or more processors.
  • Computer-readable instructions are stored in the memory.
  • the one or more processors execute the following steps:
  • One or more non-volatile computer-readable storage media storing computer-readable instructions.
  • the one or more processors execute the following steps:
  • Non-volatile memory may include read-only memory (ROM), programmable ROM (PROM), electrically programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), or flash memory.
  • Volatile memory can include random access memory (RAM) or external cache memory.
  • RAM is available in various forms, such as static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), dual data rate SDRAM (DDRSDRAM), enhanced SDRAM (ESDRAM), synchronous chain Synchlink DRAM (SLDRAM), memory bus (Rambus) direct RAM (RDRAM), direct memory bus dynamic RAM (DRDRAM), and memory bus dynamic RAM (RDRAM).
  • SRAM static RAM
  • DRAM dynamic RAM
  • SDRAM synchronous DRAM
  • DDRSDRAM dual data rate SDRAM
  • ESDRAM enhanced SDRAM
  • SLDRAM synchronous chain Synchlink DRAM
  • Rambus direct RAM
  • DRAM direct memory bus dynamic RAM
  • RDRAM memory bus dynamic RAM

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种对话分析评价的方法，包括：根据预设的大数据样本库确定对话评价指数，获取携带用户标识的有效对话片段，根据对话评价指数和有效对话片段，确定有效对话片段的质量评价，根据有效对话片段生成相应的对话建议，及将有效对话片段的质量评价和相应的对话建议推送给与用户标识对应的用户终端。

Description

对话分析评价的方法、装置、计算机设备和存储介质
相关申请的交叉引用
本申请要求于2018年9月18日提交中国专利局，申请号为201811086493X，申请名称为″对话分析评价的方法、装置、计算机设备和存储介质″的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及一种对话分析评价的方法、装置、计算机设备和存储介质。
背景技术
随着数据分析技术的发展，出现了根据数据测试情商和智商的技术，根据数据测试情商和智商的技术通过回答问题等模式进行测试，根据用户对特定问题的回答情况，测试和分析用户的情商和智商。
然而，发明人意识到，目前的这种基于回答问题的测试方法，会引入用户的主观意识，用户在回答问题时会有意识的认为自己在测试情商和智商，影响回答情况的客观性，从而使测试结果的客观性降低。
发明内容
根据本申请公开的各种实施例，提供一种对话分析评价的方法、装置、计算机设备和存储介质。
一种对话分析评价的方法包括：
根据预设的大数据样本库确定对话评价指数；
获取携带用户标识的有效对话片段；
根据对话评价指数和有效对话片段，确定有效对话片段的质量评价；
根据有效对话片段生成相应的对话建议；及
将有效对话片段的质量评价和相应的对话建议推送给与用户标识对应的用户终端。
一种对话分析评价的装置包括：
指数模块，用于根据预设的大数据样本库确定对话评价指数；
获取模块，用于获取携带用户标识的有效对话片段；
评价模块，用于根据对话评价指数和有效对话片段，确定有效对话片段的质量评价；
推荐模块，用于根据有效对话片段生成相应的对话建议；及
推送模块，用于将有效对话片段的质量评价和相应的对话建议推送给与用户标识对应的用户终端。
一种计算机设备，包括存储器和一个或多个处理器，所述存储器中储存有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述一个或多个处理器执行以下步骤：
根据预设的大数据样本库确定对话评价指数；
获取携带用户标识的有效对话片段；
根据对话评价指数和有效对话片段，确定有效对话片段的质量评价；
根据有效对话片段生成相应的对话建议；及
将有效对话片段的质量评价和相应的对话建议推送给与用户标识对应的用户终端。
一个或多个存储有计算机可读指令的非易失性计算机可读存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：
根据预设的大数据样本库确定对话评价指数；
获取携带用户标识的有效对话片段；
根据对话评价指数和有效对话片段，确定有效对话片段的质量评价；
根据有效对话片段生成相应的对话建议；及
将有效对话片段的质量评价和相应的对话建议推送给与用户标识对应的 用户终端。
本申请的一个或多个实施例的细节在下面的附图和描述中提出。本申请的其它特征和优点将从说明书、附图以及权利要求书变得明显。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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它的附图。
图1为根据一个或多个实施例中对话分析评价的方法的应用场景图。
图2为根据一个或多个实施例中对话分析评价的方法的流程示意图。
图3为根据一个或多个实施例中图2中步骤S204的子流程示意图。
图4为根据一个或多个实施例中图2中步骤S202之前的步骤的流程示意图。
图5为根据一个或多个实施例中图2中步骤S202的子流程示意图。
图6为根据一个或多个实施例中图2中步骤S504的子流程示意图。
图7为根据一个或多个实施例中图2中步骤S208的子流程示意图。
图8为另一个实施例中对话分析评价的方法的流程示意图。
图9为根据一个或多个实施例中对话分析评价的装置的框图。
图10为另一个实施例中对话分析评价的装置的框图。
图11为根据一个或多个实施例中计算机设备的框图。
具体实施方式
为了使本申请的技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的对话分析评价的方法，可以应用于如图1所示的应用环境 中。终端102与服务器104通过网络进行通信。服务器104根据预设的大数据样本库确定对话评价指数，从终端102获取携带用户标识的有效对话片段，根据对话评价指数和有效对话片段，确定有效对话片段的质量评价，根据有效对话片段生成相应的对话建议，将有效对话片段的质量评价和相应的对话建议推送给与用户标识对应的终端102。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在其中一个实施例中，如图2所示，提供了一种对话分析评价的方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202：根据预设的大数据样本库确定对话评价指数。
大数据样本库指的是用于存储评价用户的情商和智商的各类数据的样本库，大数据样本库中包括评价关键字、关键字对话片段和关键字对话片段的对话的反馈结果。对话评价指数指的是有效对话片段的评价指标，根据对话评价指数对获取到的携带用户标识的有效对话片段进行评价，确定有效对话片段的质量评价。根据预设的大数据样本库结合机器学习中的算法，对大数据样本库中的各类数据处理，根据数据处理结果确定对话评价指数。
S204：获取携带用户标识的有效对话片段。
有效对话片段指的是包括评价关键字的对话片段，评价关键字指的是存储在大数据样本库中的关键字，用于评价和测试用户的情商和智商。服务器从用户的便携式可穿戴设备获取携带用户标识的对话片段，再对对话片段进行处理，获取携带用户标识的有效对话片段。获取有效对话片段的过程可以为：将对话片段转换为文字，根据转换后的文字匹配大数据样本库中的评价关键字，当转换后的文字中存在与大数据样本库中的评价关键字对应的文字时，确定与对应的文字对应的对话片段为有效对话片段。
S206：根据对话评价指数和有效对话片段，确定有效对话片段的质量评价。
根据对话评价指数对有效对话片段进行评价，确定有效对话片段的质量 评价。质量评价包括对话的质量等级评价和对话类型评价，对话的质量等级评价指的是对对话质量等级进行评价，质量等级包括优秀、良好和一般。对话类型评价指的是根据对话内容确定对话类型，对话类型包括积极类和消极类。
S208：根据有效对话片段生成相应的对话建议。
服务器根据用户的有效对话片段生成相应的对话建议，对话建议包括根据有效对话片段中用户的提问，生成相应的推荐提问，根据用户对话片段中用户的回答，生成相应的推荐回答。
S210：将有效对话片段的质量评价和相应的对话建议推送给与用户标识对应的用户终端。
服务器根据有效对话片段上携带的用户标识确定用户，在确定有效对话片段的质量评价和生成相应的对话建议之后，将有效对话片段的质量评价和相应的对话建议推送给与用户标识对应的用户终端，用户可通过用户终端查看有效对话片段的质量评价和相应的对话建议。
上述对话分析评价的方法中，结合权1中的技术特征进行合理推导，实现能够解决背景技术中所提出的技术问题的有益效果。
在其中一个实施例中，如图3所示，S204包括：
S302：获取携带用户标识的对话片段；
S304：将对话片段转换为文字；
S306：根据转换后的文字匹配大数据样本库中的评价关键字；
S308：当转换后的文字中存在与大数据样本库中的评价关键字匹配的文字时，确定对话片段为携带用户标识的有效对话片段。
携带用户标识的对话片段指的是用户的日常对话片段，可由服务器从用户的便携式可穿戴设备中获取，用户的便携式可穿戴设备会实时的获取用户的日常对话片段，并在其上标记用户标识，传输至服务器。服务器在接收到携带用户标识的对话片段之后，将对话片段转换为文字，根据转换后的文字匹配大数据样本库中的评价关键字，评价关键字指的是存储在大数据样本库 中的关键字，用于评价和测试用户的情商和智商，评价关键字可按照需要自行设置。当转换后的文字中存在与大数据样本库中的评价关键字匹配的文字时，确定对话片段为携带用户标识的有效对话片段。
在其中一个实施例中，如图4所示，在S202之前，包括：
S402：根据大数据样本库中的评价关键字收集关键字对话片段；
S404：根据关键字对话片段获取对话双方的语调高低变化情况和声量大小变化情况；
S406：根据语调高低变化情况和声量大小变化情况，确定对话的反馈结果；
S408：将关键字对话片段和对话的反馈结果录入大数据样本库。
评价关键字指的是存储在大数据样本库中的关键字，用于评价和测试用户的情商和智商，评价关键字可按照需要自行设置，举例说明，服务方可从常见的情商和智商的测试小程序中提取评价关键字。在确定评价关键字之后，服务方根据评价关键字收集关键字对话片段，关键字对话片段指的是包含评价关键字的对话片段。在收集到关键字对话片段之后，服务器获取关键字对话片段中对话双方的语调高低变化情况和声量大小变化情况，根据语调高低变化情况和声量大小变化情况，确定对话的反馈结果。对话的反馈结果包括对话方因为关键字对话片段情绪激动或情绪低沉。举例说明，语调过高或声量较大代表对话方的情绪比较激动，语调过低或声量较小代表对话方的情绪比较低沉。在确定对话的反馈结果之后，服务器将关键字对话片段和对话的反馈结果录入大数据样本库。
在其中一个实施例中，如图5所示，S202包括：
S502：获取大数据样本库中的已录入的对话片段和对话的反馈结果；
S504：根据对话的反馈结果确定已录入的对话片段的对话类型和质量等级；
S506：根据对话类型以及对话的质量等级采用决策树算法建立对话评价指数。
决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树算法构造决策树来发现数据中蕴涵的分类规则，如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造可以分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修剪的过程，主要是用新的样本数据集(称为测试数据集)中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。
大数据样本库中的已录入的对话片段指的是根据评价关键字录入的关键字对话片段，用于评价和测试用户的情商和智商，评价关键字可按照需要自行设置，举例说明，服务方可从常见的情商和智商的测试小程序中提取评价关键字。对话的反馈结果指的是关键字对话片段的反馈结果，包括对话方因为关键字对话片段情绪激动或情绪低沉。对话类型包括积极类对话和消极类对话，质量等级包括优秀、良好以及一般。在本实施例中，主要是采用决策树算法生成决策树，即使用决策树算法根据对话类型以及对话的质量等级对已录入的对话片段和对话的反馈结果进行处理，利用归纳算法建立对话评价指数，然后利用对话评价指数对有效对话片段进行分析。
在其中一个实施例中，如图6所示，S504包括：
S602：根据反馈结果将已录入对话分为积极类对话和消极类对话；
S604：根据反馈结果将已录入对话划分为不同质量等级，质量等级包括优秀、良好以及一般。
反馈结果包括对话方因为关键字对话片段情绪激动或情绪低沉。当对话方因为关键字对话片段情绪低沉时，将对话确定为消极类对话，并根据情绪低沉的程度，确定对话的质量等级，对话方情绪低沉的程度可由对话方的语 调和声量确定。当对话方因为关键字对话片段情绪激动时，首先根据对话的内容将对话分类为积极类对话或消极类对话，再根据情绪激动的程度，确定对话的质量等级，对话方情绪激动的程度可由对话方的语调和声量确定。举例说明，首先确定对话方正常说话时的语调和声量，再根据对话片段中的对话方的语调和声量，确定对话方情绪低沉的程度或情绪激动的程度。
在其中一个实施例中，如图7所示，S208包括：
S702：根据有效对话片段中的提问，生成相应的推荐提问；
S704：根据有效对话片段中的回答，生成相应的推荐回答。
服务器根据有效对话片段中的提问获取大数据样本库中具有相同关键字的关键字对话片段，根据相同关键字的关键字对话片段中质量等级为优秀的关键字对话片段，生成与有效对话片段中的提问相应的推荐提问。服务器根据有效对话片段中的回答获取大数据样本库中具有相同关键字的关键字对话片段，根据相同关键字的关键字对话片段中质量等级为优秀的关键字对话片段，生成与有效对话片段中的回答相应的推荐回答。
在其中一个实施例中，如图8所示，在S210之后，包括：
S802：根据有效对话片段的质量评价，确定有效对话片段的质量等级，质量等级包括优秀、良好以及一般；
S804：根据质量等级为优秀的有效对话片段更新大数据样本库；
S806：根据更新后的大数据样本库，更新对话评价指数。
服务器根据有效对话片段的质量评价，确定有效对话片段的质量等级，从有效对话片段中筛选出质量等级为优秀的有效对话片段，根据质量等级为优秀的有效对话片段更新大数据样本库，即将质量等级为优秀的有效对话片段存入大数据样本库中，根据更新后的大数据样本库采用决策树算法，更新对话评价指数。根据更新后的大数据样本库采用决策树算法，更新对话评价指数即决策树的剪枝过程，利用更新后的大数据样本库中新录入的质量等级为优秀的有效对话片段，对对话评价指数进行更新，不断完善对话评价指数。
应该理解的是，虽然图2-8的流程图中的各个步骤按照箭头的指示依次 显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在其中一个实施例中，如图9所示，提供了一种对话分析评价的装置，包括：指数模块902、获取模块904、评价模块906、推荐模块908和推送模块910，其中：
指数模块902，用于根据预设的大数据样本库确定对话评价指数；
获取模块904，用于获取携带用户标识的有效对话片段；
评价模块906，用于根据对话评价指数和有效对话片段，确定有效对话片段的质量评价；
推荐模块908，用于根据有效对话片段生成相应的对话建议；
推送模块910，用于将有效对话片段的质量评价和相应的对话建议推送给与用户标识对应的用户终端。
在其中一个实施例中，如图10所示，获取模块904包括匹配模块912，匹配模块912用于获取携带用户标识的对话片段，将对话片段转换为文字，根据转换后的文字匹配大数据样本库中的评价关键字，当转换后的文字中存在与大数据样本库中的评价关键字匹配的文字时，确定对话片段为携带用户标识的有效对话片段。
在其中一个实施例中，如图10所示，对话分析评价的装置包括录入模块914，录入模块914用于根据大数据样本库中的评价关键字收集关键字对话片段，根据关键字对话片段获取对话双方的语调高低变化情况和声量大小变化情况，根据语调高低变化情况和声量大小变化情况，确定对话的反馈结果，将关键字对话片段和对话的反馈结果录入大数据样本库。
在其中一个实施例中，如图10所示，指数模块902包括处理模块916，处理模块916用于获取大数据样本库中的已录入的对话片段和对话的反馈结果，根据对话的反馈结果确定已录入的对话片段的对话类型和质量等级，根据对话类型以及对话的质量等级采用决策树算法建立对话评价指数。
在其中一个实施例中，如图10所示，处理模块916包括划分模块918，划分模块918用于根据反馈结果将已录入对话分为积极类对话和消极类对话，根据反馈结果将已录入对话划分为不同质量等级，质量等级包括优秀、良好以及一般。
在其中一个实施例中，如图10所示，推荐模块908包括问答模块920，问答模块920用于根据有效对话片段中的提问，生成相应的推荐提问，根据有效对话片段中的回答，生成相应的推荐回答。
在其中一个实施例中，如图10所示，对话分析评价的装置包括更新模块922，更新模块922用于根据有效对话片段的质量评价，确定有效对话片段的质量等级，质量等级包括优秀、良好以及一般，根据质量等级为优秀的有效对话片段更新大数据样本库，根据更新后的大数据样本库，更新对话评价指数。
关于对话分析评价的装置的具体限定可以参见上文中对于对话分析评价的方法的限定，在此不再赘述。上述对话分析评价的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性计算机可读存储介质、内存储器。该非易失性计算机可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性计算机可读存储介质中的操作系 统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储关键字对话片段数据和对话的反馈结果数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种对话分析评价的方法。
本领域技术人员可以理解，图11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。
一种计算机设备，包括存储器和一个或多个处理器，存储器中储存有计算机可读指令，计算机可读指令被处理器执行时，使得一个或多个处理器执行以下步骤：
根据预设的大数据样本库确定对话评价指数；
获取携带用户标识的有效对话片段；
根据对话评价指数和有效对话片段，确定有效对话片段的质量评价；
根据有效对话片段生成相应的对话建议；及
将有效对话片段的质量评价和相应的对话建议推送给与用户标识对应的用户终端。
一个或多个存储有计算机可读指令的非易失性计算机可读存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：
根据预设的大数据样本库确定对话评价指数；
获取携带用户标识的有效对话片段；
根据对话评价指数和有效对话片段，确定有效对话片段的质量评价；
根据有效对话片段生成相应的对话建议；及
将有效对话片段的质量评价和相应的对话建议推送给与用户标识对应的用户终端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流 程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (20)

  1. 一种对话分析评价的方法，包括：
    根据预设的大数据样本库确定对话评价指数；
    获取携带用户标识的有效对话片段；
    根据所述对话评价指数和所述有效对话片段，确定所述有效对话片段的质量评价；
    根据所述有效对话片段生成相应的对话建议；及
    将所述有效对话片段的质量评价和所述相应的对话建议推送给与所述用户标识对应的用户终端。
  2. 根据权利要求1所述的方法，其特征在于，所述获取携带用户标识的有效对话片段，包括：
    获取携带用户标识的对话片段；
    将所述对话片段转换为文字；
    根据转换后的文字匹配所述大数据样本库中的评价关键字；及
    当所述转换后的文字中存在与所述大数据样本库中的评价关键字匹配的文字时，确定所述对话片段为携带用户标识的有效对话片段。
  3. 根据权利要求1所述的方法，其特征在于，在根据预设的大数据样本库确定对话评价指数之前，所述方法还包括：
    根据所述大数据样本库中的评价关键字收集关键字对话片段；
    根据所述关键字对话片段获取对话双方的语调高低变化情况和声量大小变化情况；
    根据所述语调高低变化情况和所述声量大小变化情况，确定所述对话的反馈结果；及
    将所述关键字对话片段和所述对话的反馈结果录入所述大数据样本库。
  4. 根据权利要求1所述的方法，其特征在于，所述根据预设的大数据样本库确定对话评价指数，包括：
    获取所述大数据样本库中的已录入的对话片段和对话的反馈结果；
    根据所述对话的反馈结果确定所述已录入的对话片段的对话类型和质量等级；及
    根据所述对话类型以及对话的质量等级采用决策树算法建立对话评价指数。
  5. 根据权利要求4所述的方法，其特征在于，所述根据所述对话的反馈结果确定所述已录入的对话片段的对话类型和质量等级，包括：
    根据所述反馈结果将所述已录入对话分为积极类对话和消极类对话；及
    根据所述反馈结果将所述已录入对话划分为不同质量等级，所述质量等级包括优秀、良好以及一般。
  6. 根据权利要求1所述的方法，其特征在于，所述根据所述有效对话片段生成相应的对话建议，包括：
    根据所述有效对话片段中的提问，生成相应的推荐提问；及
    根据所述有效对话片段中的回答，生成相应的推荐回答。
  7. 根据权利要求1所述的方法，其特征在于，在将所述有效对话片段的质量评价和所述相应的对话建议推送给与所述用户标识对应的用户终端之后，所述方法还包括：
    根据所述有效对话片段的质量评价，确定所述有效对话片段的质量等级，所述质量等级包括优秀、良好以及一般；
    根据质量等级为优秀的所述有效对话片段更新所述大数据样本库；及
    根据更新后的大数据样本库，更新所述对话评价指数。
  8. 一种对话分析评价的装置，包括：
    指数模块，用于根据预设的大数据样本库确定对话评价指数；
    获取模块，用于获取携带用户标识的有效对话片段；
    评价模块，用于根据所述对话评价指数和所述有效对话片段，确定所述有效对话片段的质量评价；
    推荐模块，用于根据所述有效对话片段生成相应的对话建议；及
    推送模块，用于将所述有效对话片段的质量评价和所述相应的对话建议 推送给与所述用户标识对应的用户终端。
  9. 根据权利要求8所述的装置，其特征在于，所述获取模块还用于获取携带用户标识的对话片段，将所述对话片段转换为文字，根据转换后的文字匹配所述大数据样本库中的评价关键字，当所述转换后的文字中存在与所述大数据样本库中的评价关键字匹配的文字时，确定所述对话片段为携带用户标识的有效对话片段。
  10. 一种计算机设备，包括存储器及一个或多个处理器，所述存储器中储存有计算机可读指令，所述计算机可读指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：
    根据预设的大数据样本库确定对话评价指数；
    获取携带用户标识的有效对话片段；
    根据所述对话评价指数和所述有效对话片段，确定所述有效对话片段的质量评价；
    根据所述有效对话片段生成相应的对话建议；及
    将所述有效对话片段的质量评价和所述相应的对话建议推送给与所述用户标识对应的用户终端。
  11. 根据权利要求10所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时还执行以下步骤：
    获取携带用户标识的对话片段；
    将所述对话片段转换为文字；
    根据转换后的文字匹配所述大数据样本库中的评价关键字；及
    当所述转换后的文字中存在与所述大数据样本库中的评价关键字匹配的文字时，确定所述对话片段为携带用户标识的有效对话片段。
  12. 根据权利要求10所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时还执行以下步骤：
    根据所述大数据样本库中的评价关键字收集关键字对话片段；
    根据所述关键字对话片段获取对话双方的语调高低变化情况和声量大小 变化情况；
    根据所述语调高低变化情况和所述声量大小变化情况，确定所述对话的反馈结果；及
    将所述关键字对话片段和所述对话的反馈结果录入所述大数据样本库。
  13. 根据权利要求10所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时还执行以下步骤：
    获取所述大数据样本库中的已录入的对话片段和对话的反馈结果；
    根据所述对话的反馈结果确定所述已录入的对话片段的对话类型和质量等级；及
    根据所述对话类型以及对话的质量等级采用决策树算法建立对话评价指数。
  14. 根据权利要求10所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时还执行以下步骤：
    根据所述反馈结果将所述已录入对话分为积极类对话和消极类对话；及
    根据所述反馈结果将所述已录入对话划分为不同质量等级，所述质量等级包括优秀、良好以及一般。
  15. 根据权利要求10所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时还执行以下步骤：
    根据所述有效对话片段中的提问，生成相应的推荐提问；及
    根据所述有效对话片段中的回答，生成相应的推荐回答。
  16. 一个或多个存储有计算机可读指令的非易失性计算机可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：
    根据预设的大数据样本库确定对话评价指数；
    获取携带用户标识的有效对话片段；
    根据所述对话评价指数和所述有效对话片段，确定所述有效对话片段的质量评价；
    根据所述有效对话片段生成相应的对话建议；及
    将所述有效对话片段的质量评价和所述相应的对话建议推送给与所述用户标识对应的用户终端。
  17. 根据权利要求16所述的存储介质，其特征在于，所述计算机可读指令被所述处理器执行时还执行以下步骤：
    获取携带用户标识的对话片段；
    将所述对话片段转换为文字；
    根据转换后的文字匹配所述大数据样本库中的评价关键字；及
    当所述转换后的文字中存在与所述大数据样本库中的评价关键字匹配的文字时，确定所述对话片段为携带用户标识的有效对话片段。
  18. 根据权利要求16所述的存储介质，其特征在于，所述计算机可读指令被所述处理器执行时还执行以下步骤：
    根据所述大数据样本库中的评价关键字收集关键字对话片段；
    根据所述关键字对话片段获取对话双方的语调高低变化情况和声量大小变化情况；
    根据所述语调高低变化情况和所述声量大小变化情况，确定所述对话的反馈结果；及
    将所述关键字对话片段和所述对话的反馈结果录入所述大数据样本库。
  19. 根据权利要求16所述的存储介质，其特征在于，所述计算机可读指令被所述处理器执行时还执行以下步骤：
    获取所述大数据样本库中的已录入的对话片段和对话的反馈结果；
    根据所述对话的反馈结果确定所述已录入的对话片段的对话类型和质量等级；及
    根据所述对话类型以及对话的质量等级采用决策树算法建立对话评价指数。
  20. 根据权利要求16所述的存储介质，其特征在于，所述计算机可读指令被所述处理器执行时还执行以下步骤：
    根据所述反馈结果将所述已录入对话分为积极类对话和消极类对话；及
    根据所述反馈结果将所述已录入对话划分为不同质量等级，所述质量等级包括优秀、良好以及一般。
PCT/CN2019/070103 2018-09-18 2019-01-02 对话分析评价的方法、装置、计算机设备和存储介质 Ceased WO2020057014A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811086493.XA CN109344229A (zh) 2018-09-18 2018-09-18 对话分析评价的方法、装置、计算机设备和存储介质
CN201811086493.X 2018-09-18

Publications (1)

Publication Number Publication Date
WO2020057014A1 true WO2020057014A1 (zh) 2020-03-26

Family

ID=65305447

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/070103 Ceased WO2020057014A1 (zh) 2018-09-18 2019-01-02 对话分析评价的方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN109344229A (zh)
WO (1) WO2020057014A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344229A (zh) * 2018-09-18 2019-02-15 深圳壹账通智能科技有限公司 对话分析评价的方法、装置、计算机设备和存储介质
CN110083689A (zh) * 2019-03-20 2019-08-02 上海拍拍贷金融信息服务有限公司 客户服务质量检测方法及装置、可读存储介质
CN112035613B (zh) * 2020-08-28 2023-09-12 光大科技有限公司 基于多轮对话的信息推送方法及装置、存储介质、电子装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016054230A1 (en) * 2014-10-01 2016-04-07 XBrain, Inc. Voice and connection platform
CN107767881A (zh) * 2016-08-15 2018-03-06 中国移动通信有限公司研究院 一种语音信息的满意度的获取方法和装置
CN107944008A (zh) * 2017-12-08 2018-04-20 神思电子技术股份有限公司 一种针对自然语言进行情绪识别的方法
CN108536802A (zh) * 2018-03-30 2018-09-14 百度在线网络技术（北京）有限公司 基于儿童情绪的交互方法及装置
CN109344229A (zh) * 2018-09-18 2019-02-15 深圳壹账通智能科技有限公司 对话分析评价的方法、装置、计算机设备和存储介质

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2673831B2 (ja) * 1989-07-13 1997-11-05 エヌ・ティ・ティ・データ通信株式会社 会話マナー教育システム
CN1815522A (zh) * 2006-02-28 2006-08-09 安徽中科大讯飞信息科技有限公司 运用计算机进行普通话水平测试和指导学习的方法
KR101004913B1 (ko) * 2008-03-03 2010-12-28 이동한 음성인식을 활용한 컴퓨터 주도형 상호대화의 말하기 능력평가 장치 및 그 평가방법
CN101524267A (zh) * 2008-03-04 2009-09-09 黄林 用于检查个人身心健康的综合评测系统及方案
US8195460B2 (en) * 2008-06-17 2012-06-05 Voicesense Ltd. Speaker characterization through speech analysis
CN101420665A (zh) * 2008-12-11 2009-04-29 北京邮电大学 基于情绪检测技术实现情绪检测与指导业务的系统和方法
CN102169642B (zh) * 2011-04-06 2013-04-03 沈阳航空航天大学 具有智能纠错功能的交互式虚拟教师系统
HK1221053A1 (zh) * 2013-05-23 2017-05-19 艾弗诺泰普有限责任公司 用於保持或改善健康的方法和系统
CN104168394B (zh) * 2014-06-27 2017-08-25 国家电网公司 一种呼叫中心抽样质检方法及系统
CN104616666B (zh) * 2015-03-03 2018-05-25 广东小天才科技有限公司 一种基于语音分析改善对话沟通效果的方法及装置
CN106777257B (zh) * 2016-12-28 2020-06-05 厦门快商通科技股份有限公司 基于话术的智能对话模型的构建系统及方法
US10044862B1 (en) * 2017-04-28 2018-08-07 International Business Machines Corporation Dynamic topic guidance in the context of multi-round conversation
CN107229719A (zh) * 2017-05-31 2017-10-03 中南大学 一种职业生涯价值观评价方法及系统
CN107334466A (zh) * 2017-08-08 2017-11-10 西安交通大学 一种可穿戴的慢性病智能监控及预警的装置与方法
CN107943998B (zh) * 2017-12-05 2021-05-11 竹间智能科技（上海）有限公司 一种基于知识图谱的人机对话控制系统及方法
CN107995370B (zh) * 2017-12-21 2020-11-24 Oppo广东移动通信有限公司 通话控制方法、装置及存储介质和移动终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016054230A1 (en) * 2014-10-01 2016-04-07 XBrain, Inc. Voice and connection platform
CN107767881A (zh) * 2016-08-15 2018-03-06 中国移动通信有限公司研究院 一种语音信息的满意度的获取方法和装置
CN107944008A (zh) * 2017-12-08 2018-04-20 神思电子技术股份有限公司 一种针对自然语言进行情绪识别的方法
CN108536802A (zh) * 2018-03-30 2018-09-14 百度在线网络技术（北京）有限公司 基于儿童情绪的交互方法及装置
CN109344229A (zh) * 2018-09-18 2019-02-15 深圳壹账通智能科技有限公司 对话分析评价的方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN109344229A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN111883140B (zh) 基于知识图谱和声纹识别的认证方法、装置、设备及介质
CN111858892B (zh) 基于知识图谱的语音交互方法、装置、设备及介质
CN110472035A (zh) 一种智能应答方法、装置、计算机设备及存储介质
CN116166942B (zh) 分类模型训练方法、装置、设备及存储介质
CN113421594B (zh) 语音情感识别方法、装置、设备及存储介质
WO2020253357A1 (zh) 数据产品推荐方法、装置、计算机设备和存储介质
CN112632248A (zh) 问答方法、装置、计算机设备和存储介质
CN113157898B (zh) 候选问题的推荐方法、装置、计算机设备及存储介质
CN111597818A (zh) 呼叫质检方法、装置、计算机设备和计算机可读存储介质
CN115659078B (zh) 基于人工智能的网络信息安全监控方法及系统
CN108959965B (zh) 数据合规性审查方法和装置
CN111124898B (zh) 问答系统测试方法、装置、计算机设备和存储介质
CN112559526A (zh) 数据表导出方法、装置、计算机设备及存储介质
WO2020057014A1 (zh) 对话分析评价的方法、装置、计算机设备和存储介质
CN118537666A (zh) 图像检测方法、装置、电子设备及存储介质
CN117292712A (zh) 用户反馈信息的异常识别方法、装置和计算机设备
CN114579523A (zh) 双录文件质检方法、装置、计算机设备和存储介质
CN118520940A (zh) 知识图谱构建方法、装置、存储介质以及终端
CN114493902A (zh) 多模态信息异常监控方法、装置、计算机设备及存储介质
CN117459637A (zh) 业务数据处理方法、装置、计算机设备和存储介质
CN119152841B (zh) 智能语义理解及校准的生成式语音识别方法以及系统
WO2020057023A1 (zh) 自然语言的语义解析方法、装置、计算机设备和存储介质
CN113239154A (zh) 坐席话术的质检方法、装置、计算机设备及存储介质
CN113515642A (zh) 电话营销关键断点确定方法及装置
CN114664305B (zh) 信息推送方法、装置、存储介质以及电子设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19863387

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 08/07/2021)

122 Ep: pct application non-entry in european phase

Ref document number: 19863387

Country of ref document: EP

Kind code of ref document: A1