[发明专利]客户满意度识别方法、装置、设备和介质

说明书

本公开提供了一种客户满意度识别方法，涉及人工智能领域。该方法包括：获得客户在预定时间段内M个时刻的客户图像；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；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。本公开还提供了一种客户满意度识别装置、设备、存储介质和程序产品。

技术领域

本公开涉及人工智能领域，更具体地，涉及一种客户满意度识别方法、装置、设备、介质和程序产品。

背景技术

客户满意度是指客户满意的程度，可以表征客户在购买和消费相应的产品或服务后所获得的不同程度的满足状态。提供产品或服务的企业或个人主要通过线下、电话或互联网等方式收集客户满意度。例如银行可以通过营业厅、柜台工作和工作意见箱等直接手段和投诉电话等间接手段得到反馈，但是可能不能覆盖到每个客户，并且这些反馈信息负满意度的比例可能大于正满意度，导致不能形成对某一具体范围(如营业厅、业务人员或产品等)内客户满意度的综合评价画像，也难以得到对于某一项便民措施是否持续的正反馈意见，从而改进产品或服务水平。因此，如何获得准确的客户满意度结果是当前亟待解决的问题。

发明内容

鉴于上述问题，本公开提供了一种通过获取客户的情绪变化来确定客户满意度的客户满意度识别方法、装置、设备、介质和程序产品。

本公开实施例的一个方面提供了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。

根据本公开的实施例，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。

根据本公开的实施例，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。

根据本公开的实施例，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。

根据本公开的实施例，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。