根據(jù)關(guān)鍵詞詞典從所述文本信息中 提取關(guān)鍵詞作為滿意度特征:將文本信息進行分詞處理以得到特征集合;將特征集合與滿 意度特征詞典進行匹配，從特征集合中提取與滿意度特征詞典相匹配的關(guān)鍵詞作為滿意度 特征。
[0148] 其中，提取單元202可以通過執(zhí)行但不限于以下操作來確定滿意度評價模型的輸 入?yún)?shù)：
[0149] 第一種:可以將滿意度特征進行量化，將各滿意度特征的量化值作為滿意度評價 模型的輸入?yún)?shù)。
[0150] 第二種:可以根據(jù)滿意度特征的屬性確定滿意度評價模型的輸入?yún)?shù)，滿意度特 征的屬性可以包括滿意度特征的聲音頻率或聲音振幅。
[0151] 第三種:可以將與關(guān)鍵詞詞典相匹配的滿意度特征所對應的參數(shù)作為滿意度評價 模型的輸入?yún)?shù)。
[0152] 如果用戶發(fā)送的是語音信息，還可以將用戶發(fā)送的語音信息轉(zhuǎn)換成文本信息，從 而通過對該轉(zhuǎn)換后的文本信息進行處理和分析以進一步對用戶發(fā)送的語音信息中的各滿 意度特征進行量化。
[0153] 其中該將語音轉(zhuǎn)換為文本的技術(shù)可以通過語音識別技術(shù)來實現(xiàn)。
[0154] 另外，對語音信息提取語音、語調(diào)、音量、語速等特征或者將語音信息轉(zhuǎn)換成文本 信息之間的執(zhí)行沒有順序上的規(guī)定，其可先后執(zhí)行、或者同時執(zhí)行，其均在本發(fā)明的保護范 圍內(nèi)。
[0155] 不論是由語音信息轉(zhuǎn)換成的文本信息還是由用戶直接發(fā)送的文本信息，對上述文 本信息，均可以進行提取關(guān)鍵詞或者語義特征的處理。
[0156] 具體地，可以先對文本信息進行分詞處理從而得到特征集合。對文本信息進行分 詞處理可以依據(jù)傳統(tǒng)的分詞詞典，即將分詞詞典與文本信息進行匹配，將文本信息中與分 詞詞典相匹配的詞匯作為得到的特征，從而根據(jù)得到的各特征構(gòu)成分詞集合。
[0157] 例如，文本信息包括內(nèi)容"我對處理結(jié)果很滿意"，則進行分詞處理后可以得到如 下的特征集合"我/對/處理/結(jié)果/很/滿意"。
[0158] 在得到特征集合后，可以將特征集合與關(guān)鍵詞詞典進行匹配，以從特征集合中提 取與關(guān)鍵詞詞典相匹配的關(guān)鍵詞作為滿意度特征。
[0159] 這里的關(guān)鍵詞詞典與前述的分詞詞典并不相同，分詞詞典可以維護有全部常用的 或者傳統(tǒng)的詞匯，其目的是能夠?qū)⑽谋拘畔⒁栽~匯的方式幾乎完整的分割，而關(guān)鍵詞詞典 中所維護的是能夠表示用戶滿意度特征的詞匯，這些詞匯是由相關(guān)人員預先標記的，相關(guān) 人員可以基于在用戶溝通中發(fā)現(xiàn)的通常表達滿意程度的關(guān)鍵詞，從而預先維護有關(guān)鍵詞詞 典。
[0160] 并且，關(guān)鍵詞詞典中所維護的內(nèi)容可以由相關(guān)人員根據(jù)需要而進行更新。
[0161] 另外，關(guān)鍵詞詞典中還記錄有與各詞匯對應的參數(shù)，該參數(shù)標明了各詞匯所能表 達的用戶滿意程度。
[0162] 通過關(guān)鍵詞詞典，可以從特征集合中確定哪些詞匯為用于確定滿意度特征的關(guān)鍵 詞，從而從特征集合中提取這些與關(guān)鍵詞詞典相匹配的關(guān)鍵詞作為滿意度特征，并且，還可 以將與關(guān)鍵詞詞典相匹配的滿意度特征所對應的參數(shù)作為滿意度評價模型的輸入?yún)?shù)。
[0163] 優(yōu)選地，滿意度評價模型的輸入?yún)?shù)還可以與滿意度特征的出現(xiàn)數(shù)量有關(guān)，例如 如果滿意出現(xiàn)了兩次或者多次，可以將輸入?yún)?shù)在原有關(guān)鍵詞詞典所對應的參數(shù)的基礎上 增加一定的數(shù)值，其增加的幅度可以由預定的算法而決定。
[0164] 第四種:可以將與語義模型相匹配的滿意度特征所對應的參數(shù)作為滿意度評價模 型的輸入?yún)?shù)。
[0165] 關(guān)于語義特征及其輸入?yún)?shù)的提取，可以根據(jù)語義模型從文本信息中提取語義特 征，并且將與語義模型相匹配的滿意度特征所對應的參數(shù)作為滿意度評價模型的輸入?yún)?數(shù)。
[0166] 其中語義可以指一句話的意思，包括同義詞，近義詞，疑問句，感嘆句等。
[0167] 語義模型可以是通過訓練樣本集的方式而預先得到的，該樣本集中可以包含能夠 反映用戶滿意度的已知的語句及其相應的已知滿意度結(jié)果，根據(jù)已知的語句及滿意度結(jié) 果，能夠得到反映用戶滿意度的與相關(guān)語句對應的滿意度參數(shù)。該已知的語句可以是具有 相同或類似語義的句子或短語。
[0168] 確定單元203,用于根據(jù)滿意度評價模型的輸入?yún)?shù)以及滿意度評價模型，確定用 戶的滿意度。
[0169] 其中該滿意度評價模型是在獲取單元201獲取用戶發(fā)送的信息之前，通過訓練單 元204預先訓練樣本集以獲得的。
[0170] 也就是在執(zhí)行滿意度自動測評的方法之前，在數(shù)據(jù)準備階段，訓練單元204可以從 樣本集的用戶已發(fā)送的信息中提取用戶的滿意度特征以確定滿意度評價模型的輸入?yún)?shù)； 利用提取的滿意度評價模型的輸入?yún)?shù)及用戶滿意度結(jié)果，采用機器學習的方法進行訓練 以得到所述滿意度評價模型。
[0171]樣本集可以包括由用戶已發(fā)送的信息及與用戶已發(fā)送的信息對應的用戶滿意度 結(jié)果構(gòu)成的樣本。
[0172]在得到滿意度評價模型階段中提取用戶的滿意度特征及滿意度評價模型的輸入 參數(shù)的方式以及前述從用戶發(fā)送的信息中提取用戶的滿意度特征以確定滿意度評價模型 的輸入?yún)?shù)的方式，其區(qū)別僅在于前者基于的是樣本集中作為樣本的用戶已發(fā)送的信息， 后者所基于的是用于分析用戶滿意度所基于的真實數(shù)據(jù)而并非樣本數(shù)據(jù)，其余的提取方式 相同，因此在此不再贅述。
[0173] 其中，該滿意度評價模型可以是多維模型，本實施例的多維模型其輸出地結(jié)果用 于表示滿意度測評結(jié)果，而多維模型的每一維代表了影響滿意度測評結(jié)果的各元素。
[0174] 該多維模型可以包括語音、語調(diào)、音量、語速、關(guān)鍵詞、語義特征等元素，該多維模 型中的各元素與從用戶發(fā)送的信息中提取的滿意度特征相對應。
[0175] 其中滿意度評價模型可以依據(jù)滿意度評價模型的輸入?yún)?shù)經(jīng)過預定算法計算出 各滿意度特征的分值，從而進一步根據(jù)各滿意度特征的分值而確定用戶的滿意度。
[0176] 另外，語音、語調(diào)、音量、語速是從用戶輸入的語音信息中獲取的；關(guān)鍵詞或語義是 將用戶輸入的語音信息轉(zhuǎn)換成文字信息，從該轉(zhuǎn)換后的文字信息中獲得的，關(guān)鍵詞或語義 也可以直接從用戶輸入的文字信息中獲得。
[0177] 由于有大量的錄音或記錄的聊天文本，因此訓練單元204可以采用模式識別的相 關(guān)算法，進行大量的訓練，最后生成滿意度評價模型。
[0178] 這樣的做法，不僅大大減少了客戶的額外工作，還可減少客戶評價中的主觀成分， 使每次溝通都產(chǎn)生客觀有效的評價。
[0179] 優(yōu)選地，機器學習的方法可以采用諸如神經(jīng)網(wǎng)絡模型、決策樹、支持向量機等，其 均在本發(fā)明的保護范圍內(nèi)。
[0180]確定單元203可以依據(jù)由提取單元202提取的輸入?yún)?shù)，并且依據(jù)由訓練單元204 得到的滿意度評價模型，從而將滿意度評價模型的輸入?yún)?shù)代入滿意度評價模型;進而通 過滿意度評價模型確定各滿意度特征的分值，以根據(jù)各滿意度特征的分值確定用戶的滿意 度。
[0181] 滿意度評價模型可以采用歸一化的方式，當輸入?yún)?shù)歸一化后，滿意度評價模型 可以進一步根據(jù)該歸一化的輸入?yún)?shù)，確定各滿意度特征的分值，從而得到一個結(jié)果。
[0182] 另外，上述所提及的歸一化、利用校正值的校正、以及求出的最終的分值，實際上 都是將輸入?yún)?shù)輸入滿意度評價模型后，滿意度評價模型的處理過程，經(jīng)滿意度評價模型 處理后，再由滿意度評價模型輸出作為用戶滿意度的輸出結(jié)果。
[0183] 優(yōu)選地，在獲取用戶發(fā)送的信息之后，確定單元203可以向所述用戶返回確定的所 述用戶的滿意度，若用戶查看自動生成的滿意度并對其進行了調(diào)整，則確定單元203可以進 一步獲取到用戶對滿意度的調(diào)整，并將所述用戶調(diào)整后的滿意度作為所述用戶的滿意度。
[0184] 在此之后，可以利用自動生成的滿意度評價結(jié)果進一步對滿意度評價模型進行訓 練，以不斷得到更準確的測評結(jié)果。
[0185] 通過實施本發(fā)明提供的滿意度自動測評的方法和裝置，可以在客戶與客服的語音 或文字溝通結(jié)束后，利用語音的特征，及溝通所包含的語義等特征，進行自動的滿意度評 價。對于這些特征所對應的評價標準可以通過機器學習獲得模型。由此，在溝通結(jié)束后的任 何時刻，均可實現(xiàn)自動的