对话分析评价的方法、装置、计算机设备和存储介质与流程

本申请涉及数据分析技术领域，特别是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，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。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高测试结果客观性的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，所述方法包括：

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；

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，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，在根据预设的大数据样本库确定对话评价指数之前，包括：

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，根据预设的大数据样本库确定对话评价指数，包括：

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，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，包括：

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，根据有效对话片段生成相应的对话建议，包括：

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，在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之后，包括：

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。

一种对话分析评价的装置，所述装置包括：

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；

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；

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；

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。

上述对话分析评价的方法、装置、计算机设备和存储介质，获取携带用户标识的有效对话片段，实时收集用户的有效对话片段，根据预设的大数据样本库确定对话评价指数，根据对话评价指数确定有效对话片段的质量评价，对用户无意识的有效对话片段进行客观分析，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用户终端，使用户根据质量评价和对话建议了解自己的情商和智商的分析情况，提高测试结果的客观性。

附图说明

图1为一个实施例中对话分析评价的方法的应用场景图；

图2为一个实施例中对话分析评价的方法的流程示意图；

图3为一个实施例中获取携带用户标识的有效对话片段的流程示意图；

图4为一个实施例中根据预设的大数据样本库确定对话评价指数之前的步骤的流程示意图；

图5为一个实施例中根据预设的大数据样本库确定对话评价指数的流程示意图；

图6为一个实施例中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的流程示意图；

图7为一个实施例中根据有效对话片段生成相应的对话建议的流程示意图；

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为一个实施例中对话分析评价的装置的结构框图；

图10为另一个实施例中对话分析评价的装置的结构框图；

图11为一个实施例中计算机设备的内部结构图。

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。

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。其中，终端102通过网络与服务器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。其中，终端102可以但不限于是各种便携式可穿戴设备，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。其中，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。其中，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，获取携带用户标识的有效对话片段，实时收集用户的有效对话片段，根据预设的大数据样本库确定对话评价指数，根据对话评价指数确定有效对话片段的质量评价，对用户无意识的有效对话片段进行客观分析，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用户终端，使用户根据质量评价和对话建议了解自己的情商和智商的分析情况，提高测试结果的客观性。

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。

上述实施例，通过获取携带用户标识的对话片段，并对其进行预处理，从对话片段中筛选出包含评价关键字的对话片段，并将包含评价关键字的对话片段确定为有效对话片段，服务器后续只需对有效对话片段进行评价，而不需要对所有获取到的携带用户标识的对话片段进行评价，减少服务器的工作量，提高评价效率。

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。

上述实施例，在对有效对话片段进行评价之前，首先设置评价关键字并收集关键字对话片段，根据关键字对话片段获取对方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，作为评价有效对话片段的参考，使得对有效对话片段的评价更为准确和可靠。

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。

上述实施例，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，实现了对话评价指数的准确建立。

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。

上述实施例，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，并确定各已录入对话的质量等级，实现了对各已录入对话的准确分类和归纳。

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。

上述实施例，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，使用户可以根据推荐提问和推荐回答学习和纠正自己的提问和回答。

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。其中，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。

上述实施例，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，不断完善对话评价指数，使对话评价指数具有实时性，实现准确评价。

下面通过一个实施例，来说明本申请的方案。

服务器首先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。然后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，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。然后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。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。最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，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。

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。

上述对话分析评价的装置，获取携带用户标识的有效对话片段，实时收集用户的有效对话片段，根据预设的大数据样本库确定对话评价指数，根据对话评价指数确定有效对话片段的质量评价，对用户无意识的有效对话片段进行客观分析，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用户终端，使用户根据质量评价和对话建议了解自己的情商和智商的分析情况，提高测试结果的客观性。

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。该内存储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。该计算机程序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。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

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；

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。

上述对话分析评价的计算机设备，获取携带用户标识的有效对话片段，实时收集用户的有效对话片段，根据预设的大数据样本库确定对话评价指数，根据对话评价指数确定有效对话片段的质量评价，对用户无意识的有效对话片段进行客观分析，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用户终端，使用户根据质量评价和对话建议了解自己的情商和智商的分析情况，提高测试结果的客观性。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

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。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

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。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

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。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

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。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

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。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

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。

在一个实施例中，提供了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；

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。

上述对话分析评价的存储介质，获取携带用户标识的有效对话片段，实时收集用户的有效对话片段，根据预设的大数据样本库确定对话评价指数，根据对话评价指数确定有效对话片段的质量评价，对用户无意识的有效对话片段进行客观分析，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用户终端，使用户根据质量评价和对话建议了解自己的情商和智商的分析情况，提高测试结果的客观性。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

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。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

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。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

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。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

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。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

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。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

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。

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。