一种用户行为预测方法、预测装置、存储介质及终端设备与流程

本发明涉及信息处理技术领域，尤其涉及一种用户行为预测方法、预测装置、计算机可读存储介质及终端设备。

背景技术：

在各行业中，存在很多因服务满意度较差等原因而导致用户流失情况的发生，因而，有效分析用户流失原因以减少或者避免用户流失，成为各企业发展的关键。现有的用户流失分析方法，基本上是通过确定用户行为数据与行为指标之间的匹配性来预测用户行为，即仅根据与行为指标的匹配性预测用户是否为潜在流失用户，而当行为指标设置不合理时，这种仅根据用户行为数据与行为指标的匹配性来进行用户行为预测的方式极容易造成用户行为预测错误，极大地降低了用户行为预测的准确性。

技术实现要素：

本发明实施例提供了一种用户行为预测方法、预测装置、计算机可读存储介质及终端设备，能够全面、准确地预测用户行为，减少或者避免用户行为预测错误，提高用户行为预测的准确性。

本发明实施例第一方面，提供了一种用户行为预测方法，包括：

获取用户评价目标业务的语音评价信息，并将所述语音评价信息转换为对应的文本信息；

对所述文本信息进行分析，确定所述用户评价所述目标业务的评价对象以及所述评价对象对应的评价结果；

提取所述语音评价信息中与所述评价结果相对应的语音片段；

对所述语音片段进行语音分析，得到所述评价结果对应的情绪标签和语气标签；

根据所述情绪标签、所述语气标签、所述评价对象以及所述评价结果，预测所述用户的行为。

本发明实施例第二方面，提供了一种用户行为预测装置，包括：

信息转换模块，用于获取用户评价目标业务的语音评价信息，并将所述语音评价信息转换为对应的文本信息；

评价结果确定模块，用于对所述文本信息进行分析，确定所述用户评价所述目标业务的评价对象以及所述评价对象对应的评价结果；

语音片段提取模块，用于提取所述语音评价信息中与所述评价结果相对应的语音片段；

语音片段分析模块，用于对所述语音片段进行语音分析，得到所述评价结果对应的情绪标签和语气标签；

行为预测模块，用于根据所述情绪标签、所述语气标签、所述评价对象以及所述评价结果，预测所述用户的行为。

本发明实施例第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如前述第一方面所述用户行为预测方法的步骤。

本发明实施例第四方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：

获取用户评价目标业务的语音评价信息，并将所述语音评价信息转换为对应的文本信息；

对所述文本信息进行分析，确定所述用户评价所述目标业务的评价对象以及所述评价对象对应的评价结果；

提取所述语音评价信息中与所述评价结果相对应的语音片段；

对所述语音片段进行语音分析，得到所述评价结果对应的情绪标签和语气标签；

根据所述情绪标签、所述语气标签、所述评价对象以及所述评价结果，预测所述用户的行为。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例中，在获取到用户评价目标业务的语音评价信息后，可首先将语音评价信息转换为文本信息，并通过对文本信息进行分析，来确定出用户评价目标业务所针对的评价对象和具体的评价结果；其次，可提取与评价结果相对应的语音片段，并通过对语音片段进行语音分析，以确定用户进行评价时的情绪标签和语气标签，从而通过对情绪标签、语气标签、评价对象和评价结果进行综合分析，来预测用户的行为，确定用户是否为潜在流失用户，以通过对情绪、语气、评价对象和评价内容进行全方位的分析来全面、准确地预测用户行为，避免用户行为预测错误，提高用户行为预测的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种用户行为预测方法的一个实施例流程图；

图2为本发明实施例中一种用户行为预测方法在一个应用场景下获取语气标签的流程示意图；

图3为本发明实施例中一种用户行为预测方法在一个应用场景下训练行为预测模型的流程示意图；

图4为本发明实施例中一种用户行为预测方法在一个应用场景下关联存储数据的流程示意图；

图5为本发明实施例中一种用户行为预测装置的一个实施例结构图；

图6为本发明一实施例提供的一种终端设备的示意图。

具体实施方式

本发明实施例提供了一种用户行为预测方法、预测装置、计算机可读存储介质及终端设备，用于全面、准确地预测用户行为，减少或者避免用户行为预测错误，提高用户行为预测的准确性。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例提供了一种用户行为预测方法，所述用户行为预测方法，包括：

步骤S101、获取用户评价目标业务的语音评价信息，并将所述语音评价信息转换为对应的文本信息；

本发明实施例中，在客服完成电话服务后，用户可根据提示信息对目标业务进行语音评价，或者用户可以通过进入目标业务对应的网站或者APP等对该目标业务进行语音评价，如可以评价目标业务中的客服服务质量或者评价目标业务中相关产品的产品功能等等，以此得到用户的语音评价信息。在得到用户的语音评价信息后，可通过语音识别技术对该语音评价信息进行语音识别，以将该语音评价信息转换为对应的文本信息。

步骤S102、对所述文本信息进行分析，确定所述用户评价所述目标业务的评价对象以及所述评价对象对应的评价结果；

可以理解的是，在得到该语音评价信息对应的文本信息后，可对该文本信息进行关键词提取，并根据所提取的关键词与数据库中保存的预设关键词的匹配性来确定用户在该目标业务时所针对的评价对象，其中，该评价对象可以是该目标业务的产品类型、产品功能、业务流程以及客服服务质量等等。在确定出所针对的评价对象后，则可进一步对该文本信息进行切词处理等，以得到各个分词，并从各个分词中识别出情感词及情感词的修饰词等，从而将情感词及情感词的修饰词所组成的情感短语确定为该评价对象对应的评价结果。

步骤S103、提取所述语音评价信息中与所述评价结果相对应的语音片段；

本发明实施例中，由于该语音评价信息中可能存在许多并不涉及具体评价的无关内容，为了过滤这些无关内容，可以在得到该评价对象对应的评价结果后，从该语音评价信息中截取出与该评价结果对应的语音片段，并通过对该语音片段进行分析来确定用户的情绪标签和语气标签，以通过对特定的语音片段进行语音分析，减少无效信息的干扰，从而提高情绪标签和语气标签确定的效率性和准确性。

步骤S104、对所述语音片段进行语音分析，得到所述评价结果对应的情绪标签和语气标签；

可以理解的是，在截取出与该评价结果对应的语音片段后，则可对该语音片段进行语音分析，以得到用户评价该评价对象时的情绪情况和语气情况，即得到该评价对象对应的情绪标签和语气标签。

进一步地，如图2所示，所述对所述语音片段进行语音分析，得到所述评价结果对应的情绪标签和语气标签，可以包括：

步骤S201、对所述语音片段进行情绪分析，得到所述评价结果对应的情绪标签；

可以理解的是，本发明实施例中，可以首先对该语音片段进行整体的语音分析，如可进行整体的情绪分析，以此确定出用户评价该评价对象时的情绪标签，即情绪分析是从该语音片段的整体角度来衡量用户进行语音评价时的情绪情况，其中，所述情绪标签可以包括正面情绪标签和负面情绪标签，正面情绪标签表明用户对该评价对象持正面的肯定态度，而负面情绪标签则表明用户对该评价对象持负面的否定态度。

步骤S202、提取所述评价结果中与所述情绪标签情绪相同的第一关键词以及与所述情绪标签情绪相反的第二关键词；

在语音评价的不同时刻时，用户可能具有不同的情绪情况，即所述评价结果对应的语音片段中可能存在多种情绪情况，因此，本发明实施例中，在得到该评价结果对应的情绪标签后，可进一步从该评价结果中提取出与该情绪标签情绪相同的第一关键词以及与该情绪标签情绪相反的第二关键词，例如当该情绪标签为正面情绪标签时，第一关键词则可为表征正面肯定情绪的关键词，第二关键词则可为表征负面否定情绪的关键词；又如当该情绪标签为负面情绪标签时，第一关键词则可为表征负面否定情绪的关键词，而第二关键词则可为表征正面肯定情绪的关键词。

步骤S203、对所述语音片段进行音量分析，确定所述第一关键词对应的第一分贝值和所述第二关键词对应的第二分贝值；

在此，在提取出该第一关键词和该第二关键词后，则可对该评价结果所对应的语音片断再次进行语音分析，如进行上述所述的音量分析，以得到该第一关键词对应的第一分贝值和该第二关键词对应的第二分贝值，本发明实施例的音量分析主要是匹配出该语音片段中的第一关键词和第二关键词，并记录该语音片段中第一关键词和第二关键词出现时的分贝值。

步骤S204、根据所述第一分贝值和所述第二分贝值，计算所述语音片段对应的最终分贝值；

本发明实施例中，在得到该第一关键词对应的第一分贝值和该第二关键词对应的第二分贝值之后，可通过综合考虑该用户正面情绪的分贝值和负面情绪的分贝值来确定该用户的最终分贝值，从而确定该用户的最终语气情况，具体地，可根据下述计算公式计算该语音片段所对应的最终分贝值：

其中，DecibelSum为语音片段对应的最终分贝值，Decibel1i为第i个第一分贝值，Quotiety1为第一分贝值对应的预设权重，Decibel2t为第t个第二分贝值，Quotiety2为第二分贝值对应的预设权重，N为第一分贝值的总个数，T为第二分贝值的总个数。

步骤S205、根据所述情绪标签和所述最终分贝值，得到所述评价结果对应的语气标签。

可以理解的是，在得到该评价结果对应的最终分贝值后，则可根据该评价结果所对应的情绪标签和该最终分贝值，得到该评价结果对应的语气标签，例如当情绪标签为正面情绪标签，且最终分贝值位于第一预设区间时，得到表征该用户语气良好的第一语气标签；当情绪标签为正面情绪标签，且最终分贝值位于第二预设区间时，得到表征该用户语气一般的第二语气标签；当情绪标签为负面情绪标签，且最终分贝值位于第三预设区间时，则得到表征该用户语气较差的第三语气标签，等等。在此，第一预设区间、第二预设区间以及第三预设区间可根据具体情况进行设置，如可将第一预设区间设置为40分贝至55分贝、可将第二预设区间设置为55分贝至70分贝以及可将第三预设区间设置为70分贝以上，等等。

步骤S105、根据所述情绪标签、所述语气标签、所述评价对象以及所述评价结果，预测所述用户的行为。

本发明实施例中，在得到情绪标签、语气标签、评价对象以及该评价对象对应的评价结果后，则可根据该情绪标签、该语气标签、该评价对象和该评价结果来预测用户的行为，即预测用户的行为是否为潜在流失行为，例如当评价对象为产品功能，而评价结果为功能很差，同时该评价结果对应的情绪标签为负面情绪标签以及该评价结果对应的语气标签为语气较差时，则可认为该用户极可能放弃该产品，即可预测出该用户的行为为潜在流失行为，也即确定该用户为潜在流失用户。

进一步地，本发明实施例中，所述根据所述情绪标签、所述语气标签、所述评价对象以及所述评价结果，预测所述用户的行为，可以包括：

步骤a、利用预设向量生成模型分别生成所述情绪标签、所述语气标签、所述评价对象以及所述评价结果对应的向量组，并将各所述向量组构成输入矩阵；

步骤b、将所述输入矩阵输入至预训练完成的行为预测模型中，得到所述行为预测模型输出的预测结果，所述预测结果包括用户类型及所对应的概率值，所述用户类型包括潜在流失用户和非潜在流失用户；

步骤c、若所述预测结果为潜在流失用户且所对应的概率值大于预设概率阈值，则预测所述用户的行为为潜在流失行为；

步骤d、若所述预测结果为潜在流失用户且所对应的概率值小于或者等于所述预设概率阈值，或者所述预测结果为非潜在流失用户，则预测所述用户的行为为非潜在流失行为。

对于上述步骤a至步骤d，可以理解的是，可预先构建行为预测模型，该行为预测模型可以情绪标签、语气标签、评价对象以及评价结果对应的向量组所构成的输入矩阵为入参，并以具体的预测结果为出参，使得可根据该行为预测模型输出的预测结果来预测用户的行为，从而确定该用户是否为潜在流失用户。因此，在得到情绪标签、语气标签、评价对象以及评价结果后，可首先利用预设向量生成模型分别生成对应的向量组。其中，对该行为预测模型的具体训练将在后续内容中进行详细叙述。

具体地，该预设向量模型可以为使用word2vec技术构建的向量模型，如可以为基于CBOW(Continuous Bag of Words)模型构建的向量模型，也可以为基于Skip-gram模型构建的向量模型。本发明实施例中，在得到情绪标签、语气标签、评价对象和评价结果之后，则可以通过该预设向量模型生成对应的向量组，即生成该情绪标签对应的第一向量、该语气标签对应的第二向量、该评价对象对应的第三向量以及该评价结果对应的第四向量，并将该第一向量、该第二向量、该第三向量和该第四向量组成一输入矩阵，如可组成得到输入矩阵为WordMatrix＝(WordVec1，WordVec2，WordVec3，WordVec4)，其中，WordVec1为该第一向量，WordVec2为该第二向量，WordVec3为该第三向量，WordVec4为该第四向量。而在得到对应的输入矩阵后，则可将所得到的输入矩阵输入至预训练完成的行为预测模型中，得到该行为预测模型所输出的预测结果，在此，所输出的预测结果可以包括用户类型及所对应的概率值，其中，所述用户类型可以包括潜在流失用户和非潜在流失用户，当该预测结果为潜在流失用户且所对应的概率值大于预设概率阈值时，则可预测到该用户的行为为潜在流失行为；而当该预测结果为潜在流失用户但所对应的概率值小于或者等于该预设概率阈值或者当该预测结果为非潜在流失用户时，则可预测到该用户的行为为非潜在流失行为。

优选地，本发明实施例中，所述行为预测模型的预测过程，可以包括：

步骤e、根据下式计算各预设结果的概率值：

其中，Probm为第m个预设结果的概率值，WeightMatrixm为与第m个预设结果对应的权值矩阵，WordMatrix为输入矩阵，M为预设结果的数量。

步骤f、将概率值最大的预设结果和所对应的概率值确定为所述输入矩阵对应的预测结果。

对于步骤e和步骤f，可以理解的是，该行为预测模型在确定所述输入矩阵对应的预测结果时，可首先计算所述输入矩阵对应于各预设结果的概率值，并可根据各概率值来确定所述输入矩阵所对应的预测结果，其中，所述预设结果可包括“潜在流失用户”和“非潜在流失用户”两种，即分别计算所述输入矩阵对应于“潜在流失用户”的第一概率值和对应于“非潜在流失用户”的第二概率值，例如，当计算得到所述输入矩阵对应于“潜在流失用户”的第一概率值为0.7，而对应于“非潜在流失用户”的第二概率值为0.3时，则可将“潜在流失用户”以及所对应的第一概率值0.7确定为所述输入矩阵所对应的预测结果。

下面将对该行为预测模型的具体训练过程进行详细描述，具体地，如图3所示，本发明实施例中，所述行为预测模型通过下述步骤训练得到：

步骤S301、选取预设数目的训练样本，每个训练样本包括一个输入矩阵和一个期望输出结果，所述期望输出结果包括训练样本对应的标准用户类型及所对应的标准概率值；

步骤S302、将各所述训练样本输入至初始的行为预测模型中，得到所述初始的行为预测模型输出的训练预测结果；

步骤S303、根据所述训练预测结果与所述期望输出结果计算本轮训练的全局误差；

步骤S304、判断所述全局误差是否满足第一预设条件；

步骤S305、若所述全局误差满足所述第一预设条件，则确定所述行为预测模型训练完成；

步骤S306、若所述全局误差不满足所述第一预设条件，则调整所述行为预测模型的模型参数，并将模型参数调整后的行为预测模型作为初始的行为预测模型，返回执行将各所述训练样本输入至初始的行为预测模型中，得到所述初始的行为预测模型输出的训练预测结果的步骤以及后续步骤。

对于上述步骤S301，在进行行为预测模型的训练之前，需要预先选取用于训练用的训练样本，即需要预先选取预设数目的训练样本，每一个训练样本包括一个输入矩阵和一个与该输入矩阵对应的期望输出结果，所述期望输出结果可以包括训练样本对应的标准用户类型及所对应的标准概率值，标准用户类型可根据该训练样本对应的实际用户行为来确定，如可确定为潜在流失用户和非潜在流失用户。可以理解的是，这些训练样本的数据量越大，对行为预测模型的训练效果将越好，因而，本发明实施例中，可尽可能选取多的训练样本。

具体地，可首先获取历史的语音评价信息，然后分别确定这些历史的语音评价信息所对应的情绪标签、语气标签、评价对象以及评价结果，并分别生成各历史的语音评价信息中的情绪标签、语气标签、评价对象以及评价结果所对应的向量组，最后将各历史的语音评价信息所对应的向量组成各输入矩阵，以作为所述训练样本。另外，各所述训练样本还可以包括一个根据各用户作出各历史的语音评价信息后的实际行为所确定的期望输出结果。

对于上述步骤S302，可以理解的是，在选取完预设数目的训练样本后，则可将这些训练样本输入至初始的行为预测模型中，以得到各训练样本初始的训练预测结果，即得到各输入矩阵对应的初始预测结果，由于初始时该行为预测模型尚未训练完成，因此，此时输出的训练预测结果与期望输出结果之间会存在一定的偏差、误差。

对于上述步骤S303和步骤S304，在得到各训练预测结果之后，可以根据各训练预测结果与对应的期望输出结果计算本轮训练的全局误差，并判断该全局误差是否满足第一预设条件，如判断该全局误差是否小于5％。在此，所述第一预设条件可以在训练具体的行为预测模型时确定，例如，可以设定所述第一预设条件为全局误差小于特定阈值，该特定阈值可以是一个百分比数值，其中，该特定阈值越小，则最后训练完成得到的行为预测模型越稳定，预测精确度也将越高。

对于上述步骤S305，可以理解的是，当本轮训练的全局误差满足该第一预设条件时，例如，当本轮训练的全局误差小于5％时，则可以确定该行为预测模型训练完成。

对于上述步骤S306，当本轮训练的全局误差不满足该第一预设条件时，如当本轮训练的全局误差为10％时，则可调整该行为预测模型的模型参数，并将模型参数调整后的行为预测模型作为初始的行为预测模型，然后重新进行训练样本的训练，以通过反复调整行为预测模型的模型参数，并进行多次训练样本的训练，来使得后续根据训练预测结果与期望输出结果计算得到的全局误差最小化，直到最终的全局误差满足该第一预设条件。

可选地，如图4所示，本发明实施例中，在根据所述情绪标签、所述语气标签、所述评价对象和所述评价结果，预测所述用户的行为之后，还可以包括：

步骤S401、根据所述情绪标签、所述语气标签、所述评价对象和所述评价结果，预测所述用户的行为；

步骤S402、判断所述用户的行为是否符合第二预设条件；

步骤S403、若所述用户的行为符合所述第二预设条件，则根据预设对应关系分别获取所述情绪标签、所述语气标签、所述评价对象和所述评价结果所对应的标记颜色；

步骤S404、根据各标记颜色对所述情绪标签、所述语气标签、所述评价对象和所述评价结果进行颜色标记；

步骤S405、将颜色标记后的情绪标签、语气标签、评价对象、评价结果与所述用户关联存储至预设数据库。

对于上述步骤S401至步骤S405，本发明实施例中，该第二预设条件可设置为潜在流失行为，即当该行为预测模型输出的预测结果为潜在流失用户，且所对应的概率值超过预先设定的预设概率阈值时，则可以预测出该用户的行为为潜在流失行为，符合预先设置的该第二预设条件，此时即可将该用户进行语音评价时的情绪标签和语气标签，以及该用户评价目标业务所针对的评价对象和评价结果以显眼的颜色进行标记，如可以标记为红色或者黄色等等，并可将进行颜色标记后的情绪标签、语气标签、评价对象、评价结果与该用户关联存储至预设数据库中，从而使得在后续查询调出相关的评价内容时，可通过标记颜色帮助相关人员快速找到该用户可能流失的原因，以方便对其进行针对性分析，解决流失原因，从而减少客户流失。

在此，情绪标签、语气标签、评价对象和评价结果所对应的标记颜色可根据预先设置的对应关系进行确定，例如，可预先设置有情绪标签对应的标记颜色为红色、语气标签对应的标记颜色为黄色、评价对象对应的标记颜色为绿色以及评价结果对应的标记颜色为蓝色等等，因此，则可以红色来标记该用户的情绪标签、以黄色来标记该用户的语气标签、以绿色来标记该用户评价所针对的评价对象以及以蓝色来标记该评价对象所对应的评价结果，从而方便相关人员快速理解该用户的评价情况。

本发明实施例中，在获取到用户评价目标业务的语音评价信息后，可首先将语音评价信息转换为文本信息，并通过对文本信息进行分析，来确定出用户评价目标业务所针对的评价对象和具体的评价结果；其次，可提取与评价结果相对应的语音片段，并通过对语音片段进行语音分析，以确定用户进行评价时的情绪标签和语气标签，从而通过对情绪标签、语气标签、评价对象和评价结果进行综合分析，来预测用户的行为，确定用户是否为潜在流失用户，以通过对情绪、语气、评价对象和评价内容进行全方位的分析来全面、准确地预测用户行为，避免用户行为预测错误，提高用户行为预测的准确性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

上面主要描述了一种用户行为预测方法，下面将对一种用户行为预测装置进行详细描述。

如图5所示，本发明实施例中提供了一种用户行为预测装置，所述用户行为预测装置，包括：

信息转换模块501，用于获取用户评价目标业务的语音评价信息，并将所述语音评价信息转换为对应的文本信息；

评价结果确定模块502，用于对所述文本信息进行分析，确定所述用户评价所述目标业务的评价对象以及所述评价对象对应的评价结果；

语音片段提取模块503，用于提取所述语音评价信息中与所述评价结果相对应的语音片段；

语音片段分析模块504，用于对所述语音片段进行语音分析，得到所述评价结果对应的情绪标签和语气标签；

行为预测模块505，用于根据所述情绪标签、所述语气标签、所述评价对象以及所述评价结果，预测所述用户的行为。

进一步地，所述行为预测模块505，可以包括：

矩阵构成单元，用于利用预设向量生成模型分别生成所述情绪标签、所述语气标签、所述评价对象以及所述评价结果对应的向量组，并将各所述向量组构成输入矩阵；

矩阵输入单元，用于将所述输入矩阵输入至预训练完成的行为预测模型中，得到所述行为预测模型输出的预测结果，所述预测结果包括用户类型及所对应的概率值，所述用户类型包括潜在流失用户和非潜在流失用户；

第一行为预测单元，用于若所述预测结果为潜在流失用户且所对应的概率值大于预设概率阈值，则预测所述用户的行为为潜在流失行为；

第二行为预测单元，用于若所述预测结果为潜在流失用户且所对应的概率值小于或者等于所述预设概率阈值，或者所述预测结果为非潜在流失用户，则预测所述用户的行为为非潜在流失行为。

优选地，所述矩阵输入单元，可以包括：

概率值计算子单元，用于根据下式计算各预设结果的概率值：

其中，Probm为第m个预设结果的概率值，WeightMatrixm为与第m个预设结果对应的权值矩阵，WordMatrix为输入矩阵，M为预设结果的数量。

预测结果确定子单元，用于将概率值最大的预设结果和所对应的概率值确定为所述输入矩阵对应的预测结果。

可选地，所述用户行为预测装置，还可以包括：

训练样本选取模块，用于选取预设数目的训练样本，每个训练样本包括一个输入矩阵和一个期望输出结果，所述期望输出结果包括训练样本对应的标准用户类型及所对应的标准概率值；

训练预测结果获取模块，用于将各所述训练样本输入至初始的行为预测模型中，得到所述初始的行为预测模型输出的训练预测结果；

全局误差计算模块，用于根据所述训练预测结果与所述期望输出结果计算本轮训练的全局误差；

模型参数调整模块，用于若所述全局误差不满足第一预设条件，则调整所述行为预测模型的模型参数，并将模型参数调整后的行为预测模型作为初始的行为预测模型，返回执行将各所述训练样本输入至初始的行为预测模型中，得到所述初始的行为预测模型输出的训练预测结果的步骤以及后续步骤；

训练完成确定模块，用于若所述全局误差满足所述第一预设条件，则确定所述行为预测模型训练完成。

进一步地，所述语音片段分析模块504，可以包括：

情绪标签获取单元，用于对所述语音片段进行情绪分析，得到所述评价结果对应的情绪标签；

关键词提取单元，用于提取所述评价结果中与所述情绪标签情绪相同的第一关键词以及与所述情绪标签情绪相反的第二关键词；

分贝值获取单元，用于对所述语音片段进行音量分析，确定所述第一关键词对应的第一分贝值和所述第二关键词对应的第二分贝值；

分贝值计算单元，用于根据所述第一分贝值和所述第二分贝值，计算所述语音片段对应的最终分贝值；

语气标签获取单元，用于根据所述情绪标签和所述最终分贝值，得到所述评价结果对应的语气标签。

优选地，所述分贝值计算单元，具体用于根据下述计算公式计算所述语音片段对应的最终分贝值：

其中，DecibelSum为语音片段对应的最终分贝值，Decibel1i为第i个第一分贝值，Quotiety1为第一分贝值对应的预设权重，Decibel2t为第t个第二分贝值，Quotiety2为第二分贝值对应的预设权重，N为第一分贝值的总个数，T为第二分贝值的总个数。

可选地，所述用户行为预测装置，还可以包括：

行为判断模块，用于判断所述用户的行为是否符合第二预设条件；

标记颜色获取模块，用于若所述用户的行为符合所述第二预设条件，则根据预设对应关系分别获取所述情绪标签、所述语气标签、所述评价对象和所述评价结果所对应的标记颜色；

颜色标记模块，用于根据各标记颜色对所述情绪标签、所述语气标签、所述评价对象和所述评价结果进行颜色标记；

关联存储模块，用于将颜色标记后的情绪标签、语气标签、评价对象、评价结果与所述用户关联存储至预设数据库。

图6是本发明一实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机可读指令62，例如用户行为预测程序。所述处理器60执行所述计算机可读指令62时实现上述各个用户行为预测方法实施例中的步骤，例如图1所示的步骤S101至步骤S105。或者，所述处理器60执行所述计算机可读指令62时实现上述各装置实施例中各模块/单元的功能，例如图5所示的模块501至模块505的功能。

示例性的，所述计算机可读指令62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令62在所述终端设备6中的执行过程。

所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机可读指令以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。