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: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。
[0148] 其中，提取单元202可以通过执行但不限于以下操作来确定满意度评价模型的输 入参数：
[0149] 第一种: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。
[0150] 第二种: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。
[0151] 第三种: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。
[0152] 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。
[0153] 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。
[0154] 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。
[0155] 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。
[0156] 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。
[0157] 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"。
[0158] 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。
[0159] 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。
[0160] 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。
[0161] 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。
[0162] 通过关键词词典，可以从特征集合中确定哪些词汇为用于确定满意度特征的关键 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。
[0163] 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。
[0164] 第四种: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。
[0165] 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。
[0166] 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。
[0167] 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。
[0168] 确定单元203,用于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。
[0169] 其中该满意度评价模型是在获取单元201获取用户发送的信息之前，通过训练单 元204预先训练样本集以获得的。
[0170] 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，训练单元204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。
[0171]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。
[0172]在得到满意度评价模型阶段中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， 后者所基于的是用于分析用户满意度所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。
[0173] 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。
[0174] 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。
[0175] 其中满意度评价模型可以依据满意度评价模型的输入参数经过预定算法计算出 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。
[0176] 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。
[0177] 由于有大量的录音或记录的聊天文本，因此训练单元204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。
[0178] 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。
[0179] 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。
[0180]确定单元203可以依据由提取单元202提取的输入参数，并且依据由训练单元204 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代入满意度评价模型;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。
[0181] 满意度评价模型可以采用归一化的方式，当输入参数归一化后，满意度评价模型 可以进一步根据该归一化的输入参数，确定各满意度特征的分值，从而得到一个结果。
[0182] 另外，上述所提及的归一化、利用校正值的校正、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。
[0183] 优选地，在获取用户发送的信息之后，确定单元203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，则确定单元203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。
[0184] 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。
[0185] 通过实施本发明提供的满意度自动测评的方法和装置，可以在客户与客服的语音 或文字沟通结束后，利用语音的特征，及沟通所包含的语义等特征，进行自动的满意度评 价。对于这些特征所对应的评价标准可以通过机器学习获得模型。由此，在沟通结束后的任 何时刻，均可实现自动的