话术匹配方法及装置、存储介质、计算机设备与流程

本申请涉及信息处理技术领域，尤其是涉及到一种基于话术匹配方法及装置、存储介质、计算机设备。

背景技术：

随着网络的发展，客户与企业之间的对话，由面对面的咨询发展到基于网络、电话等手段的交流。基于电话的客服中心成为企业与用户交互的一个重要途径。

客服工作属于劳动密集型服务领域，随着各类业务的开拓，伴随而来的是客服人员的劳动强度的增加，并要求客服人员提高自身的素质以提高服务的质量。

然而，高质量的客服工作不仅仅要求客服人员熟悉各种业务流程及规范，还要求客服人员具备一定的心理技巧，客服人员很可能因为缺少经验导致沟通不畅，严重时造成投诉升级，影响服务质量。

技术实现要素：

有鉴于此，本申请提供了一种话术匹配方法及装置、存储介质、计算机设备，主要目的在于解决如何提高客服服务质量的问题。

根据本申请的一个方面，提供了一种话术匹配方法，该方法包括：

获取客户的语音信号，基于神经网络模型对所述语音信号进行语音识别，获得所述语音信号对应的文字；

提取所述文字中的关键词，根据提取到的关键词确定客户的第一情绪；

基于神经网络模型对所述语音信号进行情绪识别，获得所述语音信号对应的第二情绪；

根据所述第一情绪、第二情绪以及预设的规则确定所述语音信号对应的情绪；

从预先建立的应答数据库查找与所述文字对应的回答话术和/或与所述情绪对应的安抚话术，所述应答数据库中保存有文字、回答话术的对应关系和/或情绪、安抚话术的对应关系。

可选地，对所述语音信号进行语音识别，基于神经网络模型获得所述语音信号对应的文字，包括：

构建声学模型，其中所述声学模型包括音素训练模型及基于记忆单元连接的混合神经网络模型；

提取所述语音信号的声学特征，将所述声学特征输入至所述声学模型；

通过已经训练完成的音素训练模型对所述声学特征进行音素识别，获得音素识别结果；

通过已经训练完成的基于记忆单元连接的混合神经网络模型进行文字识别，获得与所述语音信号对应的文字。

可选地，所述提取所述语音信号的声学特征，包括：

对所述语音信号进行傅里叶变换，将时域的语音信号转换为频域的能量谱；

将所述能量谱输入三角滤波器组，获取所述三角滤波器组输出的对数能量；

对所述对数能量进行离散余弦变换获得所述语音信号的声学特征。

可选地，第二情绪获取单元进一步用于：

获取多个训练音频，提取所述训练音频的第一声学特征向量和第一样本熵特征，分别将各个所述训练音频的所述第一声学特征向量和所述第一样本熵特征进行融合，得到各个所述训练音频的第一情感声谱特征向量；

对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量；

分别将各种情绪对应的所述训练音频的所述第二情感声谱特征向量输入神经网络模型进行训练，得到各种情绪对应的声谱特征向量情绪模型并加入训练模板库；

提取所述语音信号的第二声学特征向量和第二样本熵特征，将所述第二声学特征向量和所述第二样本熵特征进行融合，得到所述语音信号的第三情感声谱特征向量，将第三情感声谱特征向量与所述训练模板库中的各个声谱特征向量情绪模型进行比对并计算情绪模型匹配度，输出最大情绪模型匹配度对应的第二情绪。

可选地，所述对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量，包括：

采用主成分分析pca算法对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量。

可选地，所述神经网络模型为反向传播bp神经网络模型。

可选地，所述方法还包括：

对客户与客服对话全过程的语音信号进行情绪识别，生成情绪曲线；

根据所述情绪曲线确定服务满意度。

根据本申请的另一方面，提供了一种话术匹配装置，该装置包括：

语音识别单元，用于获取客户的语音信号，基于神经网络模型对所述语音信号进行语音识别，获得所述语音信号对应的文字；

第一情绪确定单元，用于提取所述文字中的关键词，根据提取到的关键词确定客户的第一情绪；

第二情绪获取单元，用于基于神经网络模型对所述语音信号进行情绪识别，获得所述语音信号对应的第二情绪；

情绪确定单元，用于根据所述第一情绪、第二情绪以及预设的规则确定所述语音信号对应的情绪；

话术匹配单元，用于从预先建立的应答数据库查找与所述文字对应的回答话术和/或与所述情绪对应的安抚话术，所述应答数据库中保存有文字、回答话术的对应关系和/或情绪、安抚话术的对应关系。

可选地，所述语音识别单元进一步用于：

构建声学模型，其中所述声学模型包括音素训练模型及基于记忆单元连接的混合神经网络模型；

提取所述语音信号的声学特征，将所述声学特征输入至所述声学模型；

通过已经训练完成的音素训练模型对所述声学特征进行音素识别，获得音素识别结果；

通过已经训练完成的基于记忆单元连接的混合神经网络模型进行文字识别，获得与所述语音信号对应的文字。

可选地，所述提取所述语音信号的声学特征，包括：

对所述语音信号进行傅里叶变换，将时域的语音信号转换为频域的能量谱；

将所述能量谱输入三角滤波器组，获取所述三角滤波器组输出的对数能量；

对所述对数能量进行离散余弦变换获得所述语音信号的声学特征。

可选地，所述第二情绪获取单元进一步用于：

获取多个训练音频，提取所述训练音频的第一声学特征向量和第一样本熵特征，分别将各个所述训练音频的所述第一声学特征向量和所述第一样本熵特征进行融合，得到各个所述训练音频的第一情感声谱特征向量；

对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量；

分别将各种情绪对应的所述训练音频的所述第二情感声谱特征向量输入神经网络模型进行训练，得到各种情绪对应的声谱特征向量情绪模型并加入训练模板库；

提取所述语音信号的第二声学特征向量和第二样本熵特征，将所述第二声学特征向量和所述第二样本熵特征进行融合，得到所述语音信号的第三情感声谱特征向量，将第三情感声谱特征向量与所述训练模板库中的各个声谱特征向量情绪模型进行比对并计算情绪模型匹配度，输出最大情绪模型匹配度对应的第二情绪。

可选地，所述对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量，包括：

采用主成分分析pca算法对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量。

可选地，所述神经网络模型为反向传播bp神经网络模型。

可选地，所述装置还包括：

情绪曲线生成单元，用于对客户与客服对话全过程的语音信号进行情绪识别，生成情绪曲线；

服务满意度确定单元根据所述情绪曲线确定服务满意度。

依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述话术匹配方法。

依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述话术匹配方法。

借由上述技术方案，本申请提供的一种方法及装置、存储介质、计算机设备，通过对客户的语音信号进行语音识别和/或情绪识别，向客服人员提供回答话术和/或安抚话术，避免客服人员由于缺少经验导致沟通不畅的情况，提高了服务质量。并且，本申请还对客户与客服对话全过程的语音信号进行情绪识别，生成情绪曲线，根据情绪曲线确定服务满意度，可进一步提升客服服务质量。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了本申请实施例提供的一种话术匹配方法的流程示意图；

图2示出了本申请实施例提供的另一种话术匹配方法的流程示意图；

图3示出了本申请实施例提供的一种话术匹配装置的结构示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

针对目前的客服人员很可能因为缺少经验导致沟通不畅、影响服务质量的问题。本申请实施例提供了一种话术匹配方法，如图1所示，该方法包括：

s11：获取客户的语音信号，基于神经网络模型对所述语音信号进行语音识别，获得所述语音信号对应的文字；

需要说明的是，语音识别是让计算机通过识别过程把语音信号转变为文字的技术，目的是识别客户所说的内容。

s12：提取所述文字中的关键词，根据提取到的关键词确定客户的第一情绪；

可理解的是，客户的情绪可通过特定的关键词呈现，本申请实施例通过提取客户语音信号中的关键词，可初步确定客户的第一情绪。当提取到的关键词中包括“太慢”“太差”等关键词，可确定客户的第一情绪为愤怒。

s13：基于神经网络模型对所述语音信号进行情绪识别，获得所述语音信号对应的第二情绪。

可理解的是，声音是信息的重要载体，是人与人交流的重要途径，人的声音不仅包含了语音内容信息，还包括情绪信息。情绪识别是针对语音信号中的情绪信息的处理，人的情感变化能够通过语音中提取的声学特征来反应。

s14：根据所述第一情绪、第二情绪以及预设的规则确定所述语音信号对应的情绪；

可理解的是，本申请实施例根据提取到的关键词和语音信号本身包含的情绪信息分别确定第一情绪和第二情绪，进而根据预设的规则(比如对第一情绪和第二情绪赋予不同的权重)确定语音信号对应的情绪，提高了确定情绪的准确性。

举例来说，本申请实施例对情绪进行1-100的评分，不同的评分范围对应不同的情绪。例如1-10表示非常高兴，11-30表示高兴，31-50表示不满意，51-60表示非常不满意，61-80表示愤怒，81-100表示非常愤怒。

在确定第一情绪时，不同的关键词对应不同的评分，不同的评分表征不同的情绪。当提取到的关键词中包括“太慢”“太差”等关键词，情绪评分为70，可确定客户的第一情绪为愤怒。类似地，在基于神经网络模型对语音信号进行情绪识别确定的第二情绪为愤怒，对应的情绪评分为65。进一步地，通过主成分分析法对第一情绪和第二情绪赋予不同的权重，比如说第一情绪的权重为0.6，第二情绪的权重为0.4，则最终确定的情绪的评分为70×0.6+65×0.4＝68，对应的情绪为愤怒。

s15：从预先建立的应答数据库查找与所述文字对应的回答话术和/或与所述情绪对应的安抚话术。

需要说明的是，所述应答数据库中保存有文字、回答话术的对应关系和/或情绪、安抚话术的对应关系。将该文字进行分词处理，获得关键词，从预先建立的应答数据库查找与关键词对应的回答话术。通过应答数据库中保存的情绪和安抚话术的对应关系确定客户当前的情绪。

可理解的是，电话服务需要处理顾客的抱怨，而语音系统能自动地探测到这种情绪，及时提醒客服人员注意服务态度，提供相应的安抚。本申请实施例的话术匹配装置，通过对客户的语音信号进行语音识别和/或情绪识别，向客服人员提供回答话术和/或安抚话术，避免客服人员由于缺少经验导致沟通不畅的情况，提高了服务质量。

在实际应用中，对语音信号进行提取特征，通过加权有限状态机(weightedfinitestatetransducer，wfst)网络将语音信息转换对应的文本信息，以完成语音识别的过程。但这种语音识别方法识别准确率较低。为了提高语音识别的准确率，在本申请实施例的另一种话术匹配方法中，与图1中的方法类似，其中，对所述语音信号进行语音识别，基于神经网络模型获得所述语音信号对应的文字，包括：

构建声学模型，其中所述声学模型包括音素训练模型及基于记忆单元连接的混合神经网络模型；

提取所述语音信号的声学特征，将所述声学特征输入至所述声学模型；

通过已经训练完成的音素训练模型对所述声学特征进行音素识别，获得音素识别结果；

通过已经训练完成的基于记忆单元连接的混合神经网络模型进行文字识别，获得与所述语音信号对应的文字。

可理解的是，人的声音中不同的声学特征表征不同的情绪，可通过识别语音信号的声学特征，采用训练好的混合神经网络模型对语音信号进行情绪识别。

优选地，在提取所述语音信号的声学特征之前，该方法还包括，对语音信号进行预处理，其中，预处理具体包括：采样处理和/或预加重处理和/或预滤波处理和/或加窗处理和/或端点检测处理。

通过所述已经训练完成的基于记忆单元连接的混合神经网络模型根据接收到的识别结果输出与所述语音信号相对的文本信息，通过先对原始语音信号预处理后提取出声学特征再通过声学模型进行语音识别，提高了语音识别的正确率。

可选地，所述提取所述语音信号的声学特征，包括：

对所述语音信号进行傅里叶变换，将时域的语音信号转换为频域的能量谱；

将所述能量谱输入三角滤波器组，获取所述三角滤波器组输出的对数能量；

对所述对数能量进行离散余弦变换获得所述语音信号的声学特征。

可理解的是，对语音信号进行傅里叶变换，以将时域的语音信号转换为频域的能量谱；将所述能量谱通过一组梅尔尺度的三角滤波器组，突出语音的共振峰特征。计算每个滤波器组输出的对数能量。在对数能量计算后，将所述三角滤波器组输出的能量频谱经离散余弦变换就可得到mfcc系数(melfrequencycepstrumcoefficient)，亦即mfcc声学特征。

具体地，对所述语音信号进行情绪识别，基于神经网络模型获得所述语音信号对应的情绪，包括：

获取多个训练音频，提取所述训练音频的第一声学特征向量和第一样本熵特征，分别将各个所述训练音频的所述第一声学特征向量和所述第一样本熵特征进行融合，得到各个所述训练音频的第一情感声谱特征向量；

对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量；

分别将各种情绪对应的所述训练音频的所述第二情感声谱特征向量输入神经网络模型进行训练，得到各种情绪对应的声谱特征向量情绪模型并加入训练模板库；

提取所述语音信号的第二声学特征向量和第二样本熵特征，将所述第二声学特征向量和所述第二样本熵特征进行融合，得到所述语音信号的第三情感声谱特征向量，将第三情感声谱特征向量与所述训练模板库中的各个声谱特征向量情绪模型进行比对并计算情绪模型匹配度，输出最大情绪模型匹配度对应的情绪。

需要说明的是，样本熵是一种新的时间序列复杂性测度方法，定义为数据向量在m维增加至m+1维时继续保持其相似性的条件概率；分别将各个训练音频的第一声学特征向量和第一样本熵特征进行融合是为了对声学特征向量情感情绪进行多维度提取，样本熵的值越大，产生新信息的概率越大，序列越复杂，能够通过不同情感的语音信号动态变化程度来区分情感类别。

优选地，所述对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量，包括：

采用主成分分析pca算法对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量。

可选地，所述神经网络模型为反向传播bp神经网络模型。

优选地，分别将各种情绪对应的所述训练音频的所述第二情感声谱特征向量输入神经网络模型进行训练，具体包括：

对反向传播bp神经网络模型进行网络参数初始化，其中，所述网络参数包括：连接权值、连接阈值、最大学习次数、误差精度；

分别将各种情绪对应的所述训练音频的所述第二情感声谱特征向量输入反向传播bp神经网络模型进行训练。

需要说明的是，反向传播bp神经网络(backpropagation)是一种按误差逆传播算法训练的多层前馈网络，具有实现任何复杂非线性映射的功能，具有自学习功能和具有一定的推广、概括能力的优点，可用于模式识别。

需要说明的是，由于bp神经网络神经元节点众多，在进行输出神经元节点计算时，如果输入神经元的维度过大，会导致计算量大，从而使bp神经网络的构建复杂化，降低训练效率，因此，需要对第一情感声谱特征向量进行降维处理，而pca算法(主成分分析，principalcomponentanalysis)是多元统计分析中用来分析数据的一种方法，它是用一种较少数量的特征对样本进行描述以达到降低特征空间维数的方法，本申请实施例使用pca算法对第一情感声谱特征向量进行降维处理。

本申请实施例通过将各个训练音频的第一声学特征向量和第一样本熵特征进行融合得到各个训练音频的情感声谱特征向量，样本熵的值越大，产生新信息的概率越大，序列越复杂，能够通过不同情感的语音信号动态变化程度来区分情感类别，保证了情感分类的性能，提升了情绪分类的准确率；同时，bp神经网络是一种按误差逆传播算法训练的多层前馈网络，具有实现任何复杂非线性映射的功能，具有自学习功能和具有一定的推广、概括能力的优点，在利用bp神经网络对情感声谱特征向量建模之前采用pca算法对情感声谱特征向量进行降维处理，使得在进行输出神经元节点计算时，输入神经元的维度得到降低，减少了bp输出神经元的计算量，从而使bp神经网络的构建简单化，提高了训练效率；并且多种类别的声谱特征向量综合匹配可以实现情绪特征的准确识别，提高了情绪识别的灵活性、方便性、严密性和识别效率，能更好地适应智能化硬件未来的需求，可持续对复杂程度日益增长的智能化硬件进行完整、快速地配置，解决了当前的情绪识别处理过程复杂，实现难度高，准确率低，效率低的技术问题。

图2示出了本申请实施例提供的另一种话术匹配方法的流程示意图，如图2所示，该方法包括：

s21：获取客户的语音信号，基于神经网络模型对所述语音信号进行语音识别，获得所述语音信号对应的文字；

s22：提取所述文字中的关键词，根据提取到的关键词确定客户的第一情绪；

s23：基于神经网络模型对所述语音信号进行情绪识别，获得所述语音信号对应的第二情绪；

s24：根据所述第一情绪、第二情绪以及预设的规则确定所述语音信号对应的情绪；

s25：从预先建立的应答数据库查找与所述文字对应的回答话术和/或与所述情绪对应的安抚话术；

s26：对客户与客服对话全过程的语音信号进行情绪识别，生成情绪曲线；

可理解的是，本申请实施例跟踪描述客户的情绪，生成情绪曲线，情绪曲线表征该客户在与客户对话的时间段内情绪变化的曲线。

s27：根据所述情绪曲线确定服务满意度。

需要说明的是，本申请实施例按照预设的规则根据情绪曲线计算服务满意度，对客服的服务质量进行评价。

其中，步骤s21-s25的具体过程与图1中的类似，在此不再赘述。

在传统的客服系统中在服务结束时要求客户对本次服务进行评价，然而很多客户不愿意进行评价，导致评价信息缺失。本申请实施例对客户与客服对话全过程的语音信号进行情绪识别，生成情绪曲线，根据情绪曲线确定服务满意度。把服务满意度再反馈给客服，以提升客服服务质量，起到再监督的作用。

图3示出了本申请实施例提供的一种话术匹配装置的结构示意图。如图3所示，本申请实施例的装置包括：

语音识别单元31，用于获取客户的语音信号，基于神经网络模型对所述语音信号进行语音识别，获得所述语音信号对应的文字；

第一情绪确定单元32，用于提取所述文字中的关键词，根据提取到的关键词确定客户的第一情绪；

第二情绪获取单元33，用于基于神经网络模型对所述语音信号进行情绪识别，获得所述语音信号对应的第二情绪；

情绪确定单元34，用于根据所述第一情绪、第二情绪以及预设的规则确定所述语音信号对应的情绪；

话术匹配单元35，用于从预先建立的应答数据库查找与所述文字对应的回答话术和/或与所述情绪对应的安抚话术，所述应答数据库中保存有文字、回答话术的对应关系和/或情绪、安抚话术的对应关系。

本申请实施例的话术匹配装置，通过对客户的语音信号进行语音识别和/或情绪识别，向客服人员提供回答话术和/或安抚话术，避免客服人员由于缺少经验导致沟通不畅的情况，提高了服务质量。

语音识别单元31进一步用于：

构建声学模型，其中所述声学模型包括音素训练模型及基于记忆单元连接的混合神经网络模型；

提取所述语音信号的声学特征，将所述声学特征输入至所述声学模型；

通过已经训练完成的音素训练模型对所述声学特征进行音素识别，获得音素识别结果；

通过已经训练完成的基于记忆单元连接的混合神经网络模型进行文字识别，获得与所述语音信号对应的文字。

可选地，所述提取所述语音信号的声学特征，包括：

对所述语音信号进行傅里叶变换，将时域的语音信号转换为频域的能量谱；

将所述能量谱输入三角滤波器组，获取所述三角滤波器组输出的对数能量；

对所述对数能量进行离散余弦变换获得所述语音信号的声学特征。

第二情绪获取单元33进一步用于：

获取多个训练音频，提取所述训练音频的第一声学特征向量和第一样本熵特征，分别将各个所述训练音频的所述第一声学特征向量和所述第一样本熵特征进行融合，得到各个所述训练音频的第一情感声谱特征向量；

对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量；

分别将各种情绪对应的所述训练音频的所述第二情感声谱特征向量输入神经网络模型进行训练，得到各种情绪对应的声谱特征向量情绪模型并加入训练模板库；

提取所述语音信号的第二声学特征向量和第二样本熵特征，将所述第二声学特征向量和所述第二样本熵特征进行融合，得到所述语音信号的第三情感声谱特征向量，将第三情感声谱特征向量与所述训练模板库中的各个声谱特征向量情绪模型进行比对并计算情绪模型匹配度，输出最大情绪模型匹配度对应的情绪。

可选地，所述对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量，包括：

采用主成分分析pca算法对所述第一情感声谱特征向量进行降维处理，得到第二情感声谱特征向量。

可选地，所述神经网络模型为反向传播bp神经网络模型。

可选地，所述装置还包括：

情绪曲线生成单元，用于对客户与客服对话全过程的语音信号进行情绪识别，生成情绪曲线；

服务满意度确定单元根据所述情绪曲线确定服务满意度。

需要说明的是，本申请实施例提供的一种话术匹配装置所涉及各功能单元的其他相应描述，可以参考图1和图2中的对应描述，在此不再赘述。

基于上述如图1和图2所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1和图2所示的话术匹配方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的话术匹配方法。

基于上述如图1、图2所示的方法，以及图3所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1和图2所示的话术匹配方法。

可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(radiofrequency，rf)电路，传感器、音频电路、wi-fi模块等等。用户接口可以包括显示屏(display)、输入单元比如键盘(keyboard)等，可选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、wi-fi接口)等。

本领域技术人员可以理解，本申请实施例提供的一种计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，对客户的语音信号进行语音识别和/或情绪识别，向客服人员提供回答话术和/或安抚话术，避免客服人员由于缺少经验导致沟通不畅的情况，提高了服务质量。并且，本申请还对客户与客服对话全过程的语音信号进行情绪识别，生成情绪曲线，根据情绪曲线确定服务满意度，可进一步提升客服服务质量。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。