>[0062] 将与关键词词典相匹配的满意度特征所对应的参数作为满意度评价模型的输入 参数;或者，
[0063] 将与语义模型相匹配的满意度特征所对应的参数作为满意度评价模型的输入参 数。
[0064]根据本发明一优选实施例，所述确定单元具体执行以下操作：
[0065]将满意度评价模型的输入参数输入满意度评价模型，并获取所述满意度评价模型 输出的用户的满意度；
[0066] 其中，所述满意度评价模型依据所述满意度评价模型的输入参数确定各满意度特 征的分值，以根据各满意度特征的分值确定用户的满意度。
[0067] 由以上技术方案可以看出，本发明通过对用户发送的信息进行分析和处理，能够 从用户发送的信息中自动测评用户的满意度，不仅提高了满意度测评速度，增加了测评准 确率，而且节省了人力成本。 【【附图说明】】
[0068] 图1为本发明实施例一提供的一种满意度自动测评的方法流程图；
[0069] 图2为本发明实施例二提供的一种满意度自动测评的装置结构示意图。 【【具体实施方式】】
[0070] 为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对 本发明进行详细描述。
[0071] 实施例一、
[0072] 图1为本发明实施例一提供的一种满意度自动测评的方法流程图，如图1所示，该 方法可以包括如下流程：
[0073] 101、获取用户发送的信息。
[0074] 该流程可以获取用于分析满意度所依据的由用户发送的信息。
[0075] 用户发送的信息可以是用户发送的语音信息和/或文本信息等。例如在语音客服 系统中，用户发送的信息可以是用户在线与客服通话时所发送的询问信息，也可以是在即 时通讯IM客服系统中，用户通过语音功能，和/或通过打字输入的聊天信息等。
[0076] 该用户发送的信息可以是用户在生成语音或者文本信息时实时获取的；或者也可 以将用户生成的语音或者文本信息存储起来，每间隔一段时间或者根据需要再从存储装置 获取该存储的信息作为用户发送的信息。
[0077] 另外，在获取用户发送的信息时，如果用户发送的信息数据量过大，也可以对用户 发送的信息进行抽取，例如截取用户发送信息的开头、结尾的内容，或者截取最容易出现用 户满意度特征的时间段的内容，比如在最后10分钟等。
[0078] 该抽取的规则可以依据对样本进行训练时所发现的规律而进行设置，或者依据人 的经验进行设置。
[0079] 102、从用户发送的信息中提取用户的满意度特征以确定满意度评价模型的输入 参数。
[0080] 该流程中，对于用户发送的语音信息，可以从用户发送的语音信息中提取语音、语 调、音量、语速中的至少一个作为满意度特征;也可以将用户发送的语音信息转换成文本信 息;根据关键词词典从所述文本信息中提取关键词作为满意度特征;或者，根据语义模型从 所述文本信息中提取语义特征作为满意度特征。
[0081] 对于用户发送的文本信息，可以根据关键词词典从文本信息中提取关键词作为满 意度特征;或者，根据语义模型从所述文本信息中提取语义特征作为满意度特征。
[0082] 其中，根据关键词词典从所述文本信息中提取关键词作为满意度特征可以包括： 将文本信息进行分词处理以得到特征集合;将特征集合与满意度特征词典进行匹配，从特 征集合中提取与满意度特征词典相匹配的关键词作为满意度特征。
[0083] 其中，确定满意度评价模型的输入参数的方法可以包括但不限于以下方式：
[0084] 第一种方式:可以将满意度特征进行量化，将各满意度特征的量化值作为满意度 评价模型的输入参数。
[0085]例如，语调越高，很大程度上因为用户情绪激动，并不满意;语速越快，很大程度上 因为用户情绪激动，并不满意。因此，如果语调越高，该语调特征对应的量化值可以越小;语 速越快，该语速特征对应的量化值可以越小。再例如，当用户输入文本时，使用感叹号，则说 明用户很生气并不满意，因此可以将包含感叹号的文本特征确定较小的量化值。量化值越 小，体现用户的满意度越低。
[0086] 第二种方式:可以根据满意度特征的属性确定满意度评价模型的输入参数，满意 度特征的属性可以包括满意度特征的声音频率或声音振幅。
[0087] 具体地，如果用户发送的是语音信息，可以从用户发送的语音信息中提取语音、语 调、音量、语速等特征，这些特征可以最终反映用户的满意度结果，因此可以作为用于确定 满意度的满意度特征。
[0088] 由于语音、语调、音量、语速等这些特征有其自身的声音频率或声音振幅等属性， 例如语调的高低可以由频率决定，频率越高语调越高;音量可以由振幅决定，振幅越大音量 越大，因此可以将上述特征的声音频率或声音振幅等属性值作为衡量其自身大小或特性的 输入参数，通过这些输入参数能够对该些满意度特征进行量化。
[0089] 例如可以根据获取的语调的频率确定输入参数为200赫兹，也可以根据获取的音 量振幅而确定其输入参数为10分贝。
[0090] 第三种方式:可以将与关键词词典相匹配的满意度特征所对应的参数作为满意度 评价模型的输入参数。
[0091] 如果用户发送的是语音信息，还可以将用户发送的语音信息转换成文本信息，从 而通过对该转换后的文本信息进行处理和分析以进一步对用户发送的语音信息中的各满 意度特征进行量化。
[0092] 其中该将语音转换为文本的技术可以通过语音识别技术来实现。
[0093] 另外，对语音信息提取语音、语调、音量、语速等特征或者将语音信息转换成文本 信息之间的执行没有顺序上的规定，其可先后执行、或者同时执行，其均在本发明的保护范 围内。
[0094]不论是由语音信息转换成的文本信息还是由用户直接发送的文本信息，对上述文 本信息，均可以进行提取关键词或者语义特征的处理。
[0095]具体地，可以先对文本信息进行分词处理从而得到特征集合。对文本信息进行分 词处理可以依据传统的分词词典，即将分词词典与文本信息进行匹配，将文本信息中与分 词词典相匹配的词汇作为得到的特征，从而根据得到的各特征构成分词集合。
[0096]例如，文本信息包括内容"我对处理结果很满意"，则进行分词处理后可以得到如 下的特征集合"我/对/处理/结果/很/满意"。
[0097] 在得到特征集合后，可以将特征集合与关键词词典进行匹配，以从特征集合中提 取与关键词词典相匹配的关键词作为满意度特征。
[0098] 这里的关键词词典与前述的分词词典并不相同，分词词典可以维护有全部常用的 或者传统的词汇，其目的是能够将文本信息以词汇的方式几乎完整的分割，而关键词词典 中所维护的是能够表示用户满意度特征的词汇，这些词汇是由相关人员预先标记的，相关 人员可以基于在用户沟通中发现的通常表达满意程度的关键词，从而预先维护有关键词词 典。
[0099] 例如，用户在沟通中如果出现了非常感谢，则表明其满意程度很高，可以将该关键 词及相似内容维护于关键词词典中。
[0100] 并且，关键词词典中所维护的内容可以由相关人员根据需要而进行更新。
[0101] 另外，关键词词典中还记录有与各词汇对应的参数，该参数标明了各词汇所能表 达的用户满意程度。
[0102] 例如，关键词词典可以维护有如下表1所示的内容：
[0103] 表1 「01041
词，从而从特征集合中提取这些与关键词词典相匹配的关键词作为满意度特征，并且，还可 以将与关键词词典相匹配的满意度特征所对应的参数作为满意度评价模型的输入参数。
[0106] 优选地，满意度评价模型的输入参数还可以与满意度特征的出现数量有关，例如 如果"满意"出现了两次或者多次，可以将输入参数在原有关键词词典所对应的参数的基础 上增加一定的数值，其增加的幅度可以由预定的算法而决定。
[0107] 以前述得到的特征集合"我/对/处理/结果/很/满意"为例，根据关键词词典，可以 从特征集合中提取到的满意度特征为"满意"，且该满意度