测试业务员能力的方法、装置、计算机设备和存储介质与流程

本申请涉及到计算机
技术领域：
，特别是涉及到一种测试业务员能力的方法、装置、计算机设备和存储介质。
背景技术：
现在针对业务员的业务能力评估，大部分都是基于业务员与客户交流结束后获取客户的反馈，以及业务员的销售业绩来进行评估，这样都是基于业务员的成果来进行能力评估。但是业务员在与客户的交流过程中，通过与客户的交流，表达出来的解决问题的能力、表达出来的对客户的情绪，这些都能反映出业务员的业务能力水平。目前还没有基本业务员与客户的聊天来评判业务员的能力的方法。技术实现要素：本申请的主要目的为提供一种通过模拟客户与业务员聊天来测试业务员能力的方法、装置、计算机设备和存储介质。为了实现上述发明目的，本申请提出一种测试业务员能力的方法，包括：控制输出装置输出预设的问题文本；获取业务员对所述问题文本进行回复的答案文本；将所述答案文本输入到预设的基于lstm-cnn模型训练得到的情感分析模型中进行计算，以得到所述业务员针对所述问题文本的业务情绪数据；根据所述业务情绪数据，确定业务员的能力等级。进一步地，所述根据所述业务情绪数据，确定业务员的能力等级的步骤，包括：获取所述问题文本的问题情绪数据，并根据所述问题情绪数据确定对应的问题属性，其中所述问题属性至少包括消极属性、中性属性和积极属性；根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级。进一步地，所述获取问题文本的问题情绪数据的步骤，包括：通过自动编码器将所述问题文本转化为编码无结构的向量z，并在所述向量z的基础上增加结构性变量c，采用lstm-rnn方法生成标记序列通过辨别器，将所述标记序列转换成问题情绪数据。进一步地，所述根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级的步骤，包括：获取同一问题属性的多个所述问题文本分别对应的多个业务情绪数据；利用规整化公式，将针对同一所述问题属性的多个所述业务情绪数据以及多个所述问题情绪数据规整化计算；根据计算结果，得到同一所述问题属性对应的所述业务员的能力等级。进一步地，所述根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级的步骤之后，包括：获取所述业务员的多个问题属性分别对应的能力等级中的最高能力等级；根据所述最高能力等级对应的目标问题属性，生成所述目标问题属性对应的岗位信息作为所述业务员的最合适岗位信息。进一步地，所述确定业务员的能力等级之后的步骤包括：根据所述能力等级，调整所述业务员的绩效分数。进一步地，所述业务员包括多个；所述确定业务员的能力等级的步骤之后包括：获取多个业务员分别对应的能力等级中能力等级最高的目标业务员的个人信息；统计所述多个业务员对应的个人信息中指定的特征信息的数量。本申请还提供一种测试业务员能力的装置，包括：输出模块，用于控制输出装置输出预设的问题文本；获取模块，用于获取业务员对所述问题文本进行回复的答案文本；得到模块，用于将所述答案文本输入到预设的基于lstm-cnn模型训练得到的情感分析模型中进行计算，以得到所述业务员针对所述问题文本的业务情绪数据；确定模块，用于根据所述业务情绪数据，确定业务员的能力等级。本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。本申请的测试业务员能力的方法、装置、计算机设备和存储介质，通过模拟客户与业务员的聊天，获取模拟客户提出的问题以及业务员的回复内容，来评判业务员的能力，是通过了解业务员的业务过程来进行评判业务员能力。在评判业务员能力时，将问题根据问题情绪进行分类，对应的了解业务员面对不同问题时的处理能力，更全面的评判业务员能力。附图说明图1为本申请一实施例的测试业务员能力的方法的流程示意图；图2为本申请一实施例的上述测试业务员能力的方法中步骤s4的具体流程示意图；图3为本申请一实施例的上述测试业务员能力的方法中获取问题文本情绪数据的具体流程示意图；图4为本申请一实施例的上述步骤s4中的步骤s42的具体流程示意图；图5为本申请一实施例的测试业务员能力的方法的流程示意图；图6为本申请一实施例的测试业务员能力的方法的流程示意图；图7为本申请一实施例的测试业务员能力的方法的流程示意图；图8为本申请一实施例的测试业务员能力的装置的结构示意框图；图9为本申请一实施例的测试业务员能力的装置的确定模块的结构示意框图；图10为本申请一实施例的测试业务员能力的装置的获取单元的结构示意图框；图11为本申请一实施例的测试业务员能力的装置的确定单元的结构示意框图；图12为本申请一实施例的测试业务员能力的装置的结构示意框图；图13为本申请一实施例的测试业务员能力的装置的结构示意框图；图14为本申请一实施例的测试业务员能力的装置的结构示意框图；图15为本申请一实施例的计算机设备的结构示意框图。本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式为了使本申请的目的、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。参照图1，本申请实施例提供一种测试业务员能力的方法，包括步骤：s1、控制输出装置输出预设的问题文本；s2、获取业务员对所述问题文本进行回复的答案文本；s3、将所述答案文本输入到预设的基于lstm-cnn模型训练得到的情感分析模型中进行计算，以得到所述业务员的针对所述问题文本的业务情绪数据；s4、根据所述业务情绪数据，确定业务员的能力等级。如上述s1步骤中，该方法执行的主体可以是一个机器人，机器人的输出装置包括显示屏和扬声器。输出装置显示预设的问题文本，即机器人在开始对业务员测试时，通过显示屏显示出题目给业务员回答，或者通过扬声器播放题目给业务员回答。该问题文本是管理员预先设置的一些问题，或者是模拟客户为了解公司的产品而提出的问题，整理成文本的形式，存储在机器人内部，机器人内部设置有存储卡，或者是存储在服务器，机器人通过访问服务器来获得该问题文本。在需要对业务员进行测试时，调用出这些问题文本进行显示，可以是直接将文本显示在机器人的显示屏上，也可以是将问题文本转换成音频文件后通过扬声器进行播放。不同的问题文本表示不同的问题。如上述s2步骤中，业务员看到问题文本，通过键盘、触屏等输入装置对问题文本所表达的问题进行回复，机器人记录下业务员输入的答案文本。机器人接收到业务员的确认信息后，将答案文本保存在存储器或服务器。在另一具体实施例中，机器人接收业务员输入的语音信号后，通过语音识别，将语音信息转换成文本，得到业务员回复的答案文本。如上述s3步骤中，lstm(longshort-termmemory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。lstm是解决长序依赖问题的有效技术。情感分析模型是一个将lstm-cnn模型经过大量训练后模型，用于将输入的文本信息经一系列计算后得出一个数据，该数据是业务情绪数据，即表达业务员的态度感情的数据。消极和积极是两个对立面的感情。数据越大，表示越积极；数据越小，表示越消极。情感分析模型是根据答案文本的字、词来判断情绪的。在训练该情感分析模型时，工作人员先将大量的文本定义不同的业务情绪数据，然后将大量的文本以及对应的业务情绪数据分别输入到lstm-cnn模型中，使得该lstm-cnn模型形成了一个根据文本来进行情绪分析的情感分析模型，之后机器人将业务员的答案文本输入到该情感分析模型中后，即可以输出该业务员的答案文本对应的业务情绪数据。如上述s4步骤中，如果业务情绪数据越大，表示业务员的情绪越积极，对应的能力等级越高。业务情绪数据与能力等级成正比。通过预设的业务情绪数据与业务等级的映射规则，确定业务员的能力等级。参照图2，进一步地，上述根据所述业务情绪数据，确定业务员的能力等级的步骤，包括：s41、获取所述问题文本的问题情绪数据，并根据所述问题情绪数据确定对应的问题属性，其中所述问题属性至少包括消极属性、中性属性和积极属性；s42、根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级。本实施例中，问题文本是模拟客户提出的问题，也是带有一定的情绪的，问题的情绪通过问题情绪数据进行量化。根据量化的结果，将各问题进行分别定义为不同的类型，每个类型对应的是一个属性。问题文本对应的问题情绪数据，问题情绪数据对应的属性等这些数据均是机器人事先存储在内存卡里的。机器人调用该内存卡内的数据，获取问题文本的问题情绪数据。有的客户比较容易情绪激动，要求比较高，对应的说话的情绪会带有一些消极的情绪，该问题文本的问题情绪数据比较低，对应的属性是消极属性，进一步地，消极属性包括一般消极属性和非常消极属性；有的客户性格随和，情绪波动不大，对应的说话情绪会偏于平淡，该问题文本的问题情绪数据中等，对应的属性是中性属性；有的客户比较积极活泼，对应的说话情绪会比较带有积极正向的情绪，该问题文本的问题情绪数据比较高，对应的属性是积极属性，进一步地，积极属性包括一般积极属性和非常积极属性。确定业务员的能力等级，是指同一个业务员面对不同的属性问题而所具有不同的能力等级。如下表是一个具体实施例中的问题情绪数据对应的问题属性：在测试时，机器人将各个问题属性的问题分别至少展示一个给业务员，然后接收业务员对所有的问题属性的问题回复的回复文本。然后计算出各回复文本的业务情绪数据，计算属于同一问题属性对应的回复文本的业务情绪数据的平均值，然后将各问题属性对应的平均值计算总和，分别得到业务员的各问题属性对应的最终业务情绪数据。再根据最终业务情绪数据对应的等级给业务员进行评定业务员的能力等级。每个能力等级对应不同的最终业务情绪数据。下表是机器人对一个业务员测试的结果。问题文本问题情绪数据问题属性业务情绪数据问题文本1-0.8非常消极-0.3问题文本2-0.4一般消极0.4问题文本30.3中性0.8问题文本40.9非常积极0.9问题文本50.4一般积极0.8问题文本60中性0问题文本7-0.4一般消极0.4上述实施例中，根据不同的问题属性，相同的业务情绪数据可能对应不同的能力等级。在一个实施例中，如上表所示，可以分别计算出5个问题属性分别对应的业务情绪数据的平均值。例如，问题属性为非常消极对应的业务情绪数据有一个，是-0.3，则该问题属性对应的业务情绪数据是-0.3。问题属性为一般消极对应的业务情绪数据有两个，是0.4和0.4，则该问题属性对应的业务情绪数据是0.4。依此计算方法，分别得出五个问题属性对应的业务情绪数据，是-0.3、0.4、0.4、0.8、0.9。则这五个数值分别是对应问题属性的业务员能力等级。在一具体实施例中，能力等级分为低、中、高三个等级，低能力等级对应的业务情绪数据是-0.5以下(不包含-0.5)，中能力等级对应的业务情绪数据是-0.5到0.5，高能力等级对应的业务情绪数据是0.5以上(不包含0.5)。则该业务员的五个问题属性分别对应的能力等级是中、中、中、高、高。在另一具体实施例中，将这五个数相加得到2.2，即2.2为最终业务情绪数据。再根据2.2是属于具体哪个业务等级，即可以判断业务员是属于哪个级别的。最终业务情绪数据与业务等级有一套预设的映射规则。上述是计算最终业务情绪数据的一个计算方法，也可以通过其他计算方法计算最终业务情绪数据。参照图3，进一步地，上述获取问题文本的问题情绪数据的步骤，包括：s411、通过自动编码器将所述问题文本转化为编码无结构的向量z，并在所述向量z的基础上增加结构性变量c，采用lstm-rnn方法生成标记序列s412、通过辨别器，将所述标记序列转换成问题情绪数据。本实施例中，问题文本是来自客户经常提出的问题的问题集里抽取出来的问题文本，即下图中的文本语句。将问题文本通过编码器转换成向量，即将文本向量化。向量化的过程可以用one-hotrepresentation模型。one-hotrepresentation就是用一个很长的向量来表示一个词，向量长度为词典的大小n，每个向量只有一个维度为1，其余维度全部为0，为1的位置表示该词语在词典的位置。这种one-hotrepresentation采用稀疏方式存储，向量化的过程非常的简洁。将问题文本通过编码器向量化后，得到向量z，然后在z的基础上增加结构性变量c，增加c的目的是为了使向量z的结构与后面的lstm模型一致，使向量z可以输入到lstm-rnn模型里面去。通过lstm—rnn模型输入后得到标记序列然后将输入到辨别器，辨别器辨别出的情绪，得到问题文本的情绪数据。其中，辨别器的训练过程为采用带有标签的句子样本训练xl＝{(xl，cl)}，获取辨别器的参数θd：上述公式中，d代表训练的样本空间。将大量训练的样本通过辨别器训练后，得出辨别器对于问题文本的情绪数据的生成参数。在获取问题文本的问题情绪数据时，将问题文本输入到辨别器，通过训练后得到的公式即可得到该问题文本的问题情绪数据。参照图4，进一步地，上述根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级的步骤，包括：s421、获取同一问题属性的多个所述问题文本分别对应的多个业务情绪数据；s422、利用规整化公式，将针对同一所述问题属性的多个所述业务情绪数据以及多个所述问题情绪数据规整化计算；s423、根据计算结果，得到同一所述问题属性对应的所述业务员的能力等级。本实施例中，业务员回答多个问题后，多个问题的问题情绪数据可以根据问题数据进行分类。通过聚类的方法，将同一问题属性的多个问题文本对应的问题情绪数据和与之一一对应的业务情绪数据整理到一起，将多个同一问题属性对应的业务情绪数据利用规整化公式计算。例如，通过机器人与业务员之间的交流，得到业务员-机器人问题文本的情绪化数据表如下：问题情绪数据/mm-0.8-0.40.30.90.40-0.4业务情绪数据/ym-0.30.40.80.90.800.4然后利用规整化公式，其中i∈j判断方式：round函数表四舍五入示,|ymj|≤1规整化得到如下五个维度的规整后的问题情绪数据和业务情绪数据：如此，计算得出业务员分别应对不同问题文本对应的机器情绪数据得出的业务情绪数据，分别对不同的问题属性，判断业务员所处的能力等级。通过规整后将问题情绪数据进行了分类，对应的将分类后的问题情绪数据对应的业务情绪数据进行规整计算。参照图5，进一步地，上述根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级的步骤之后，包括：s5、获取所述业务员的多个问题属性分别对应的能力等级中的最高能力等级；s6、根据所述最高能力等级对应的目标问题属性，生成所述目标问题属性对应的岗位信息作为所述业务员的最合适岗位信息。如上述步骤s5所述，机器人将所有问题属性的问题文本均发送给业务员，进而得到所有问题属性对应的能力等级，每个问题属性对应有一个能力等级。将多个能力等级进行比较，得到最高能力等级。最高能力等级可以是多个。如上述步骤s6所述，目标问题属性是指与最高能力等级对应的问题属性。每个问题属性代表的是一种类型的客户，问题属性对应的能力等级越高，说明业务员越擅长与该问题属性对应的人交流。不同问题属性与客户在不同的业务阶段表现出来的问题文本分别对应。因此，通过业务员在不同问题属性对应的能力等级之间，可以生成业务员适合的工作岗位。比如，甲业务员的最高能力等级是对应的消极属性的问题属性，则生成甲业务员最合适岗位信息是处理投诉相关的岗位。乙业务员的最高能力等级是对应的中性属性的问题属性，则生成乙业务员最合适岗位信息是前台咨询相关的岗位。参照图6，进一步地，所述确定业务员的能力等级之后的步骤包括：s7、根据所述能力等级，调整所述业务员的绩效分数。如上述步骤s7所述，绩效，从管理学的角度看，是组织期望的结果，是组织为实现其目标而展现在不同层面上的有效输出，绩效能表现一个人的业务能力，业务员的情绪数据越高，说明其工作的积极性越高，对应的绩效分数也越高的。当能力等级高于一定等级时，提高业务员的绩效分数；当能力等级低于一定等级时，降低业务员的绩效分数。参照图7，进一步地，上述业务员包括多个；上述确定业务员的能力等级之后的步骤包括：s8、获取多个业务员分别对应的能力等级中能力等级最高的目标业务员的个人信息，所述个人信息中包括多个特征信息；s9、统计所述多个业务员对应的个人信息中指定的特征信息的数量。如上述步骤s8所述，机器人获取多个能力等级为最高级的业务员的个人信息。个人信息包括多个特征，例如性别特征、年龄特征、血型特征、最高学历特征、籍贯特征等。业务员在进行能力测试前，需要输入个人的账户信息，账户信息就包括了业务员的个人信息，机器人调用业务员的账户信息里的个人信息。在另一具体实施例中，机器人在测试开始前或结束后弹出填写个人信息的对话框，然后接收业务员输入的个人信息；当结束测试后，若该业务员能力等级是高级，则获取该业务员输入的个人信息；若结束测试后，能力等级不是高级，则不获取该业务员输入的个人信息。如上述步骤s9所述，个人信息中包含有多个特征，每个特征包括一个特征信息。如性别特征中包括男和女这两个特征信息；年龄特征中包括70后、80后、90后、其它这四个特征信息；血型特征包括o、a、b、ab这四个特征信息。统计指定特征信息的数量，从而找出能力等级为最高级的共同特征，方便工作人员在后期招聘人员时，对比例高的人优先招聘。进一步地，计算出指定特征信息的数量后，除以最高级的业务员的人数，得到各特征信息的比例。在一具体实施例中，共有1万个业务员参与该测试，输出结果是有两千个等级为最高等级的业务员。然后获取这两千个业务员的个人信息，最终输出一个如下表格：机器人统计出该比例后，便于工作人员在后期招聘人员时，对比例高的人优先录取。优先录取90后、o型血的男性应聘人员。进一步地，同样也可以获取能力等级最低级的业务员对应的个人信息，统计中各特征信息的比例。便于工作人员的招聘时，优先淘汰在该方案中特征信息比例较高的应聘人员。综上所述，本申请的测试业务员能力的方法，通过模拟客户与业务员的聊天，获取模拟客户提出的问题以及业务员的回复内容，来评判业务员的能力，是通过了解业务员的业务过程来进行评判业务员能力。在评判业务员能力时，将问题根据问题情绪进行分类，对应的了解业务员面对不同问题时的处理能力，更全面的评判业务员能力。参照图8，本申请实施例中还提供一种测试业务员能力的装置，包括：输出模块1，用于控制输出装置输出预设的问题文本；第一获取模块2，用于获取业务员对所述问题文本进行回复的答案文本；得到模块3，用于将所述答案文本输入到预设的基于lstm-cnn模型训练得到的情感分析模型中进行计算，以得到所述业务员针对所述问题文本的业务情绪数据；确定模块4，用于根据所述业务情绪数据，确定业务员的能力等级。本实施例中的执行主体可以是一个机器人。机器人的输出模块1的输出装置包括显示屏和扬声器。输出装置显示预设的问题文本，即机器人在开始对业务员测试时，输出模块1通过显示屏显示出题目给业务员回答，或者输出模块1通过扬声器播放题目给业务员回答。该问题文本是管理员预先设置的一些问题，或者是模拟客户为了解公司的产品而提出的问题，整理成文本的形式，存储在机器人内部，机器人内部设置有存储卡，或者是存储在服务器，机器人通过访问服务器来获得该问题文本。在需要对业务员进行测试时，调用出这些问题文本进行显示，可以是输出模块1直接将文本显示在机器人的显示屏上，也可以是输出模块1将问题文本转换成音频文件后通过扬声器进行播放。不同的问题文本表示不同的问题。业务员看到问题文本，通过键盘、触屏等输入装置对问题文本所表达的问题进行回复，机器人记录下业务员输入的答案文本。第一获取模块2接收到业务员的确认信息后，将答案文本保存在存储器或服务器。在另一具体实施例中，第一获取模块2接收业务员输入的语音信号后，通过语音识别，将语音信息转换成文本，得到业务员回复的答案文本。lstm(longshort-termmemory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。lstm是解决长序依赖问题的有效技术。情感分析模型是一个将lstm-cnn模型经过大量训练后模型，用于将输入的文本信息经一系列计算后得出一个数据，该数据是业务情绪数据，即表达业务员的态度感情的数据。消极和积极是两个对立面的感情。数据越大，表示越积极；数据越小，表示越消极。情感分析模型是根据答案文本的字、词来判断情绪的。在训练该情感分析模型时，工作人员先将大量的文本定义不同的业务情绪数据，然后将大量的文本以及对应的业务情绪数据分别输入到lstm-cnn模型中，使得该lstm-cnn模型形成了一个根据文本来进行情绪分析的情感分析模型，之后得到模块3将业务员的答案文本输入到该情感分析模型中后，即可以输出该业务员的答案文本对应的业务情绪数据。如果业务情绪数据越大，表示业务员的情绪越积极，对应的能力等级越高。业务情绪数据与能力等级成正比。通过预设的业务情绪数据与业务等级的映射规则，确定模块4确定业务员的能力等级。参照图9，进一步地，上述确定模块4包括：获取单元41，用于获取所述问题文本的问题情绪数据，并根据所述问题情绪数据确定的问题属性，其中所述问题属性至少包括消极属性、中性属性和积极属性；确定单元42，用于根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级。本实施例中，问题文本是模拟客户提出的问题，也是带有一定的情绪的，问题的情绪通过问题情绪数据进行量化。根据量化的结果，将各问题进行分别定义为不同的类型，每个类型对应的是一个属性。问题文本对应的问题情绪数据，问题情绪数据对应的属性等这些数据均是机器人事先存储在内存卡里的。获取单元41调用该内存卡内的数据，获取问题文本的问题情绪数据。有的客户比较容易情绪激动，要求比较高，对应的说话的情绪会带有一些消极的情绪，该问题文本的问题情绪数据比较低，获取单元41获取到对应的属性是消极属性，进一步地，消极属性包括一般消极属性和非常消极属性；有的客户性格随和，情绪波动不大，对应的说话情绪会偏于平淡，该问题文本的问题情绪数据中等，获取单元41获取到对应的属性是中性属性；有的客户比较积极活泼，对应的说话情绪会比较带有积极正向的情绪，该问题文本的问题情绪数据比较高，获取单元41获取到对应的属性是积极属性，进一步地，积极属性包括一般积极属性和非常积极属性。确定业务员的能力等级，是指同一个业务员面对不同的属性问题而所具有不同的能力等级。如下表是一个具体实施例中的问题情绪数据对应的问题属性：在测试时，机器人将各个问题属性的问题分别至少展示一个给业务员，然后接收业务员对所有的问题属性的问题回复的回复文本。然后计算出各回复文本的业务情绪数据，计算属于同一问题属性对应的回复文本的业务情绪数据的平均值，然后将各问题属性对应的平均值计算总和，分别得到业务员的各问题属性对应的最终业务情绪数据。再根据最终业务情绪数据对应的等级给业务员进行评定业务员的能力等级。每个能力等级对应不同的最终业务情绪数据。下表是机器人对一个业务员测试的结果。问题文本问题情绪数据问题属性业务情绪数据问题文本1-0.8非常消极-0.3问题文本2-0.4一般消极0.4问题文本30.3中性0.8问题文本40.9非常积极0.9问题文本50.4一般积极0.8问题文本60中性0问题文本7-0.4一般消极0.4上述实施例中，根据不同的问题属性，相同的业务情绪数据可能对应不同的能力等级。在一个实施例中，如上表所示，可以分别计算出5个问题属性分别对应的业务情绪数据的平均值。例如，问题属性为非常消极对应的业务情绪数据有一个，是-0.3，则该问题属性对应的业务情绪数据是-0.3。问题属性为一般消极对应的业务情绪数据有两个，是0.4和0.4，则该问题属性对应的业务情绪数据是0.4。依此计算方法，分别得出五个问题属性对应的业务情绪数据，是-0.3、0.4、0.4、0.8、0.9。则这五个数值分别是对应问题属性的业务员能力等级。在一具体实施例中，能力等级分为低、中、高三个等级，低能力等级对应的业务情绪数据是-0.5以下(不包含-0.5)，中能力等级对应的业务情绪数据是-0.5到0.5，高能力等级对应的业务情绪数据是0.5以上(不包含0.5)。则该业务员的五个问题属性分别对应的能力等级是中、中、中、高、高。在另一具体实施例中，将这五个数相加得到2.2，即2.2为最终业务情绪数据。再根据2.2是属于具体哪个业务等级，确定单元42即可以判断业务员是属于哪个级别的。最终业务情绪数据与业务等级有一套预设的映射规则。上述是计算最终业务情绪数据的一个计算方法，也可以通过其他计算方法计算最终业务情绪数据。参照图10，进一步地，上述获取单元41包括：序列子单元411，用于通过自动编码器将所述问题文本转化为编码无结构的向量z，并在所述向量z的基础上增加结构性变量c，采用lstm-rnn方法生成标记序列转换子单元412，用于通过辨别器，将所述标记序列转换成问题情绪数据。本实施例中，问题文本是来自客户经常提出的问题的问题集里抽取出来的问题文本，即下图中的文本语句。序列子单元411将问题文本通过编码器转换成向量，即将文本向量化。向量化的过程可以用one-hotrepresentation模型。one-hotrepresentation就是用一个很长的向量来表示一个词，向量长度为词典的大小n，每个向量只有一个维度为1，其余维度全部为0，为1的位置表示该词语在词典的位置。这种one-hotrepresentation采用稀疏方式存储，向量化的过程非常的简洁。序列子单元411将问题文本通过编码器向量化后，得到向量z，然后在z的基础上增加结构性变量c，增加c的目的是为了使向量z的结构与后面的lstm模型一致，使向量z可以输入到lstm-rnn模型里面去。通过lstm—rnn模型输入后得到标记序列然后转换子单元412将输入到辨别器，辨别器辨别出的情绪，得到问题文本的情绪数据。其中，辨别器的训练过程为采用带有标签的句子样本训练xl＝{(xl，cl)}，获取辨别器的参数θd：上述公式中，d代表训练的样本空间。将大量训练的样本通过辨别器训练后，得出辨别器对于问题文本的情绪数据的生成参数。在获取问题文本的问题情绪数据时，将问题文本输入到辨别器，通过训练后得到的公式即可得到该问题文本的问题情绪数据。参照图11，进一步地，上述确定单元42包括：获取子单元421，用于获取同一问题属性的多个所述问题文本分别对应的多个业务情绪数据；计算子单元422，用于利用规整化公式，将针对同一所述问题属性的多个所述业务情绪数据以及多个所述问题情绪数据规整化计算；得到子单元423，用于同一根据计算结果，得到所述问题属性对应的所述业务员的能力等级。本实施例中，业务员回答多个问题后，多个问题的问题情绪数据可以根据问题数据进行分类，获取子单元421将同一问题属性的多个问题文本分别对应的多个业务情绪数据同时获取。通过聚类的方法，获取子单元421将同一问题属性的多个问题文本对应的问题情绪数据和与之一一对应的业务情绪数据整理到一起，计算子单元422通过规整化公式计算，将多个同一问题属性对应的业务情绪数据规整化计算。例如，通过机器人与业务员之间的交流，得到业务员-机器人问题文本的情绪化数据表如下：问题情绪数据/mm-0.8-0.40.30.90.40-0.4业务情绪数据/ym-0.30.40.80.90.800.4然后计算子单元422利用规整化公式，其中i∈j判断方式：round函数表四舍五入示,|ymj|≤1规整化得到如下五个维度的规整后的问题情绪数据和业务情绪数据：问题情绪数据/mm-1-0.500.51业务情绪数据/ym-0.5000.2750.50.9370.944如此，计算得出业务员分别应对不同问题文本对应的机器情绪数据得出的业务情绪数据，得到子单元423分别对不同的问题属性，判断业务员所处的能力等级。通过规整后将问题情绪数据进行了分类，对应的将分类后的问题情绪数据对应的业务情绪数据进行规整计算。参照图12，进一步地，上述测试业务员能力的装置，还包括：第二获取模块5，用于获取所述业务员的多个问题属性分别对应的能力等级中的最高能力等级；生成模块6，用于根据所述最高能力等级对应的目标问题属性，生成所述目标问题属性对应的岗位信息作为所述业务员的最合适岗位信息。本实施例中，目标问题属性是指与最高能力等级对应的问题属性。将所有问题属性的问题文本均发送给业务员，进而得到所有问题属性对应的能力等级，每个问题属性对应有一个能力等级。将多个能力等级进行比较，第二获取模块5得到最高能力等级。最高能力等级可以是多个。每个问题属性代表的是一种类型的客户，问题属性对应的能力等级越高，说明业务员越擅长与该问题属性对应的人交流。不同问题属性与客户在不同的业务阶段表现出来的问题文本分别对应。因此，通过业务员在不同问题属性对应的能力等级之间，生成模块6可以生成业务员适合的工作岗位。比如，甲业务员的最高能力等级是对应的消极属性的问题属性，则生成模块6生成甲业务员最合适岗位信息是处理投诉相关的岗位。乙业务员的最高能力等级是对应的中性属性的问题属性，则生成模块6生成乙业务员最合适岗位信息是前台咨询相关的岗位。参照图13，进一步地，上述测试业务员能力的装置，还包括：调整模块7，用于根据所述能力等级，调整所述业务员的绩效分数。本实施例中，绩效，从管理学的角度看，是组织期望的结果，是组织为实现其目标而展现在不同层面上的有效输出，绩效能表现一个人的业务能力，业务员的情绪数据越高，说明其工作的积极性越高，对应的绩效分数也越高的。当能力等级高于一定等级时，调整模块7提高业务员的绩效分数；当能力等级低于一定等级时，调整模块7降低业务员的绩效分数。参照图14，进一步地，上述业务员包括多个；上述测试业务员能力的装置，还包括：第三获取模块8，用于获取多个业务员分别对应的能力等级中能力等级最高的目标业务员的个人信息，所述个人信息中包括多个特征信息；计算模块9，用于统计所述多个业务员对应的个人信息中指定的特征信息的数量。本实施例中，第三获取模块8获取多个能力等级为高级的业务员的个人信息。个人信息包括多个特征，例如性别特征、年龄特征、血型特征、最高学历特征、籍贯特征等。业务员在进行能力测试前，需要输入个人的账户信息，账户信息就包括了业务员的个人信息，机器人调用业务员的账户信息里的个人信息。在另一具体实施例中，机器人在测试开始前或结束后弹出填写个人信息的对话框，然后接收业务员输入的个人信息；当结束测试后，若该业务员能力等级是高级，则获取该业务员输入的个人信息；若结束测试后，能力等级不是高级，则不获取该业务员输入的个人信息。个人信息中包含有多个特征，每个特征包括一个特征信息。如性别特征中包括男和女这两个特征信息；年龄特征中包括70后、80后、90后、其它这四个特征信息；血型特征包括o、a、b、ab这四个特征信息。计算模块9统计指定特征信息的数量，从而找出能力等级为最高级的共同特征，方便工作人员在后期招聘人员时，对比例高的人优先招聘。进一步地，计算出指定特征信息的数量后，除以最高级的业务员的人数，得到各特征信息的比例。在一具体实施例中，共有1万个业务员参与该测试，输出结果是有两千个等级为最高等级的业务员。然后获取这两千个业务员的个人信息，最终输出一个如下表格：机器人统计出该比例后，便于工作人员在后期招聘人员时，对比例高的人优先录取。优先录取90后、o型血的男性应聘人员。进一步地，同样也可以获取能力等级最低级的业务员对应的个人信息，统计中各特征信息的比例。便于工作人员的招聘时，优先淘汰在该方案中特征信息比例较高的应聘人员。综上所述，本申请的测试业务员能力的装置，通过模拟客户与业务员的聊天，获取模拟客户提出的问题以及业务员的回复内容，来评判业务员的能力，是通过了解业务员的业务过程来进行评判业务员能力。在评判业务员能力时，将问题根据问题情绪进行分类，对应的了解业务员面对不同问题时的处理能力，更全面的评判业务员能力。参照图15，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图15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，该计算机设计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存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储测试业务员能力的模型等数据。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。该计算机程序被处理器执行时以实现一种测试业务员能力的方法。上述处理器执行上述测试业务员能力的方法的步骤：控制输出装置输出预设的问题文本；获取业务员对所述问题文本进行回复的答案文本；将所述答案文本输入到预设的基于lstm-cnn模型训练得到的情感分析模型中进行计算，以得到所述业务员针对所述问题文本的业务情绪数据；根据所述业务情绪数据，确定业务员的能力等级。在一个实施例中，上述处理器根据所述业务情绪数据，确定业务员的能力等级的步骤，包括：获取所述问题文本的问题情绪数据，并根据所述问题情绪数据对应的问题属性，其中所述问题属性至少包括消极属性、中性属性和积极属性；根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级。在一个实施例中，上述处理器获取问题文本的问题情绪数据的步骤，包括：通过自动编码器将所述问题文本转化为编码无结构的向量z，并在所述向量z的基础上增加结构性变量c，采用lstm-rnn方法生成标记序列通过辨别器，将所述标记序列转换成问题情绪数据。在一个实施例中，上述处理器根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级的步骤，包括：获取同一问题属性的多个所述问题文本分别对应的多个业务情绪数据；利用规整化公式，将针对同一所述问题属性的多个所述业务情绪数据以及多个所述问题情绪数据规整化计算；根据计算结果，得到同一所述问题属性对应的所述业务员的能力等级。在一个实施例中，上述处理器根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级的步骤之后，包括：获取所述业务员的多个问题属性分别对应的能力等级中的最高能力等级；根据所述最高能力等级对应的目标问题属性，生成所述目标问题属性对应的岗位信息作为所述业务员的最合适岗位信息。在一个实施例中，上述处理器确定业务员的能力等级之后的步骤包括：根据所述能力等级，调整所述业务员的绩效分数。在一个实施例中，上述业务员包括多个，上述处理器确定业务员的能力等级的步骤之后包括：获取多个业务员分别对应的能力等级中能力等级最高的目标业务员的个人信息，所述个人信息中包括多个特征信息；统计所述多个业务员对应的个人信息中指定的特征信息的数量。综上所述，本申请的计算机设备通过模拟客户与业务员的聊天，获取模拟客户提出的问题以及业务员的回复内容，来评判业务员的能力，是通过了解业务员的业务过程来进行评判业务员能力。在评判业务员能力时，将问题根据问题情绪进行分类，对应的了解业务员面对不同问题时的处理能力，更全面的评判业务员能力。本领域技术人员可以理解，图15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。本申请一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，计算机程序被处理器执行时实现一种测试业务员能力的方法，具体为：控制输出装置输出预设的问题文本；获取业务员对所述问题文本进行回复的答案文本；将所述答案文本输入到预设的基于lstm-cnn模型训练得到的情感分析模型中进行计算，以得到所述业务员针对所述问题文本的业务情绪数据；根据所述业务情绪数据，确定业务员的能力等级。在一个实施例中，上述处理器根据所述业务情绪数据，确定业务员的能力等级的步骤，包括：获取所述问题文本的问题情绪数据，并根据所述问题情绪数据对应的问题属性，其中所述问题属性至少包括消极属性、中性属性和积极属性；根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级。在一个实施例中，上述处理器获取问题文本的问题情绪数据的步骤，包括：通过自动编码器将所述问题文本转化为编码无结构的向量z，并在所述向量z的基础上增加结构性变量c，采用lstm-rnn方法生成标记序列通过辨别器，将所述标记序列转换成问题情绪数据。在一个实施例中，上述处理器根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级的步骤，包括：获取同一问题属性的多个所述问题文本分别对应的多个业务情绪数据；利用规整化公式，将针对同一所述问题属性的多个所述业务情绪数据以及多个所述问题情绪数据规整化计算；根据计算结果，得到同一所述问题属性对应的所述业务员的能力等级。在一个实施例中，上述处理器根据所述问题属性以及所述业务情绪数据，确定所述业务员对应所述问题属性的能力等级的步骤之后，包括：获取所述业务员的多个问题属性分别对应的能力等级中的最高能力等级；根据所述最高能力等级对应的目标问题属性，生成所述目标问题属性对应的岗位信息作为所述业务员的最合适岗位信息。在一个实施例中，上述处理器确定业务员的能力等级之后的步骤包括：根据所述能力等级，调整所述业务员的绩效分数。在一个实施例中，上述业务员包括多个，上述处理器确定业务员的能力等级的步骤之后包括：获取多个业务员分别对应的能力等级中能力等级最高的目标业务员的个人信息，所述个人信息中包括多个特征信息；统计所述多个业务员对应的个人信息中指定的特征信息的数量。综上所述，本申请的存储介质通过模拟客户与业务员的聊天，获取模拟客户提出的问题以及业务员的回复内容，来评判业务员的能力，是通过了解业务员的业务过程来进行评判业务员能力。在评判业务员能力时，将问题根据问题情绪进行分类，对应的了解业务员面对不同问题时的处理能力，更全面的评判业务员能力。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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和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。非易失性存储器可以包括只读存储器(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)、双速据率sdram(ssrsdram)、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。需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
技术领域：
，均同理包括在本申请的专利保护范围内。当前第1页12