评价模型的输入参数为10。
[0108] 第四种方式:可以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。
[0109] 关于语义特征及其输入参数的提取，可以根据语义模型从文本信息中提取语义特 征，并且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。
[0110] 其中语义可以指一句话的意思，包括同义词，近义词，疑问句，感叹句等。
[0111] 语义模型可以是通过训练样本集的方式而预先得到的，该样本集中可以包含能够 反映用户满意度的已知的语句及其相应的已知满意度结果，根据已知的语句及满意度结 果，能够得到反映用户满意度的与相关语句对应的满意度参数。该已知的语句可以是具有 相同或类似语义的句子或短语。
[0112] 103、根据满意度评价模型的输入参数以及满意度评价模型，确定用户的满意度。
[0113] 其中该满意度评价模型是在获取用户发送的信息之前，预先训练样本集以获得 的。
[0114] 也就是在执行满意度自动测评的方法之前，在数据准备阶段，可以从样本集的用 户已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;利用提取的 满意度评价模型的输入参数及用户满意度结果，采用机器学习的方法进行训练以得到所述 满意度评价模型。
[0115] 样本集可以包括由用户已发送的信息及与用户已发送的信息对应的用户满意度 结果构成的样本。
[0116] 在得到满意度评价模型阶段提取用户的满意度特征及满意度评价模型的输入参 数的方式以及前述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 输入参数的方式，其区别仅在于前者基于的是样本集中作为样本的用户已发送的信息，而 后者所基于的是用于分析用户满意度基于的真实数据而并非样本数据，其余的提取方式相 同，因此在此不再赘述。
[0117] 其中，该满意度评价模型可以是多维模型，本实施例的多维模型其输出地结果用 于表示满意度测评结果，而多维模型的每一维代表了影响满意度测评结果的各元素。
[0118] 该多维模型可以包括语音、语调、音量、语速、关键词、语义特征等元素，该多维模 型中的各元素与从用户发送的信息中提取的满意度特征相对应。
[0119] 举个例子，多维模型可以理解为一个参数xyz···，其中语音是X，语调是y，关键词是 z···，可以将语音、语调、关键词等各种维度的满意度评价模型的输入参数均输入到该模型 中。
[0120] 通过满意度评价模型，可以利用输入参数经过满意度评价模型的预定算法计算出 各满意度特征的分值，从而进一步根据各满意度特征的分值而确定用户的满意度。
[0121] 另外，语音、语调、音量、语速是从用户输入的语音信息中获取的；关键词或语义是 将用户输入的语音信息转换成文字信息，从该转换后的文字信息中获得的，关键词或语义 也可以直接从用户输入的文字信息中获得。
[0122] 例如，如果是语音客服系统，可以以现有的满意度打分机制为样本，将获取的已知 的用户录音作为用户已发送的信息，将已知的用户满意度打分结果作为与用户已发送的信 息对应的用户满意度结果;或者，如果是即时通讯IM客服系统，可以将用户已输入的包括表 情图像的文本聊天信息作为用户已发送的信息，将已知的用户满意度打分结果作为与用户 已发送的信息对应的用户满意度结果从而构成训练样本。在获得了由已知的录音记录或已 知的聊天记录，以及已知的满意度打分结果构成的样本集后，则可以根据已知的录音或文 本和已知的结果得到满意度评价模型中各维度特征的分值。
[0123] 由于有大量的录音或记录的聊天文本，因此可以采用模式识别的相关算法，进行 大量的训练，最后生成满意度评价模型。
[0124] 这样的做法，不仅大大减少了客户的额外工作，还可减少客户评价中的主观成分， 使每次沟通都产生客观有效的评价。
[0125] 优选地，机器学习的方法可以采用诸如神经网络模型、决策树、支持向量机等，其 均在本发明的保护范围内。
[0126] 步骤103可以依据由步骤102提取的满意度特征和输入参数，并且依据预先得到的 满意度评价模型，从而将满意度评价模型的输入参数输入满意度评价模型;进而通过满意 度评价模型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。。
[0127] 举个例子，假设获取到的用户发送的信息为"我对处理结果很满意"，则对于该特 定的用户发送的信息，提取的满意度特征与输入参数的对应关系如表2所示：
[0128] 表2
[0129]
[0130] 基于满意度特征与满意度评价模型中各元素的对应关系，可以向满意度评价模型 输入【关键词，语义，语调，音量，语速】的输入参数【10，〇，200，10，7】。
[0131]满意度评价模型可以采用归一化的方式，将该输入参数归一化为【1，0,0.3,0.2， 0.6】，满意度评价模型进而根据该归一化的输入参数依据模型的预定算法确定各满意度特 征的分值，并最终依据各满意度特征的分值输出一个结果，例如得到值为0.9或0.1的输出 结果。
[0132] 其中，可以设定这个结果数值越接近1表示越满意，越接近0表示越不满意，越接近 0.5表示越中性。
[0133] 另外，上述所提及的归一化、依据预定算法确定各满意度特征的分值、以及求出的 最终的分值，实际上都是将输入参数输入满意度评价模型后，满意度评价模型的处理过程， 经满意度评价模型处理后，再由满意度评价模型输出作为用户满意度的输出结果。
[0134] 优选地，在获取用户发送的信息之后，可以向所述用户返回确定的所述用户的满 意度，若用户查看自动生成的满意度并对其进行了调整，则可以进一步获取到用户对满意 度的调整，并将所述用户调整后的满意度作为所述用户的满意度。
[0135] 在此之后，可以利用自动生成的满意度评价结果进一步对满意度评价模型进行训 练，以不断得到更准确的测评结果。
[0136] 实施例二、
[0137] 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，如图2所 示，该装置可以包括：
[0138] 获取单元201，用于获取用户发送的信息。
[0139] 获取单元201主要可以获取用于分析满意度所依据的由用户发送的信息。
[0140] 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。
[0141]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。
[0142] 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。
[0143] 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。
[0144] 提取单元202,用于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。
[0145] 具体地，对于用户发送的语音信息，提取单元202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。
[0146] 对于用户发送的文本信息，提取单元202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。
[0147] 其中，提取单元202可以通过执行以下操作以