[发明专利]客户满意度识别方法、装置、设备和介质

权利要求书

1.一种客户满意度识别方法，包括：

获得客户在预定时间段内M个时刻的客户图像，M为大于或等于2的整数；

根据所述M个时刻中每个时刻的客户图像，获得所述客户在所述每个时刻的姿态预测结果和表情预测结果；

根据所述每个时刻的姿态预测结果和表情预测结果，得到所述每个时刻的情绪评估向量；

将所述每个时刻的情绪评估向量按照对应时刻在所述M个时刻中的时间顺序进行组装，得到时序情绪向量序列，其中，所述时序情绪向量序列包括M个情绪评估向量；

将所述时序情绪向量序列输入至预先训练的满意度识别模型，获得客户满意度识别结果，其中，所述客户满意度识别结果用于表征所述客户在所述预定时间段内的情绪变化趋势。

2.根据权利要求1所述的方法，其中，所述根据所述每个时刻的姿态预测结果和表情预测结果，得到所述每个时刻的情绪评估向量包括：

将所述每个时刻的姿态预测结果和表情预测结果输入至情绪评估知识模型，获得所述情绪评估知识模型的输出向量，其中，所述情绪评估知识模型根据长短期记忆网络构建获得；

根据所述输出向量得到索引数据；

从情绪知识库中取出与所述索引数据相匹配的情绪评估向量，其中，所述情绪知识库中包括至少一个待匹配情绪评估向量。

3.根据权利要求2所述的方法，其中，在所述从情绪知识库中取出与所述索引数据相匹配的情绪评估向量之前，还包括获得所述情绪知识库，具体包括：

将情绪文本数据集输入至可微神经计算机模型进行处理，得到所述可微神经计算机模型的外部存储矩阵，其中，所述情绪文本数据集包括至少一个用于训练所述可微神经计算机模型的文本；

根据所述外部存储矩阵得到所述情绪知识库。

4.根据权利要求1所述的方法，其中，所述满意度识别模型包括第一神经网络模型、第二神经网络模型和分类模型，所述分类模型为机器学习模型，将所述时序情绪向量序列输入至预先训练的满意度识别模型，获得客户满意度识别结果包括：

使所述第一神经网络模型处理所述时序情绪向量序列，得到情绪变化热向量；

使所述第二神经网络模型处理所述时序情绪向量序列，得到情绪评估中间向量；

将所述情绪变化热向量和所述情绪评估中间向量输入至所述分类模型，获得所述客户满意度识别结果。

5.根据权利要求1所述的方法，其中，所述获得客户在预定时间段内M个时刻的客户图像包括：

获得在所述预定时间段内的视频数据，其中，所述视频数据中至少两个图像帧包括所述客户；

对所述视频数据中的N个图像帧进行客户重识别，N为大于或等于2的整数，N大于或等于M；

基于所述客户重识别的结果，从所述N个图像帧中获得所述M个时刻的客户图像。

6.根据权利要求5所述的方法，其中，所述根据所述M个时刻中每个时刻的客户图像，获得所述客户在所述每个时刻的姿态预测结果包括：

将所述每个时刻的客户图像输入至姿态识别模型，获得所述每个时刻的姿态预测结果，其中，所述每个时刻的姿态预测结果用于表征该时刻所述客户的第一情绪，所述姿态识别模型通过密集连接方式构建获得。

7.根据权利要求6所述的方法，其中，所述根据所述M个时刻中每个时刻的客户图像，获得所述客户在所述每个时刻的表情预测结果包括：

将所述每个时刻的客户图像输入至表情识别模型，获得所述每个时刻的表情预测结果，其中，所述每个时刻的表情预测结果用于表征该时刻所述客户的第二情绪，所述第一情绪与所述第二情绪相同或不同，所述表情识别模型通过分层特征聚合方式构建获得。

8.根据权利要求7所述的方法，其中，将所述每个时刻的客户图像输入至表情识别模型包括：

对所述每个时刻的客户图像进行超分辨率重建，得到每个时刻的超分辨率客户图像；

将所述每个时刻的超分辨率客户图像输入至所述表情识别模型。