银行网点满意度计算方法及装置与流程

1.本发明涉及人工智能技术领域，尤其涉及银行网点满意度计算方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.现有技术下，银行网点满意度的调查过程是采用人工方式获取该网点内每个客户的满意度，如在银行业务结束后对每个客户进行询问和回访等工作，人工调查每个用户的满意度。
4.但因银行网点往往接待客户较多，以人工方式难以统计网点内每一客户对该网点的满意度，容易造成银行网点满意度计算的准确率较低的情况发生；同时，以传统的银行网点满意度计算方法需投入的时间和人力成本过大，效率也比较低下。


技术实现要素：

5.本发明实施例提供一种银行网点满意度计算方法，用以节约人力物力，提升计算银行网点满意度的计算效率和准确率，该方法包括：
6.获取待检查的多个银行网点的监控录音；
7.从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据；所述录音特征数据用于描述监控录音的声音特性；
8.根据每一银行网点的录音特征数据，确定该银行网点的异常值分数；
9.针对每一异常值分数超过预设数值的银行网点，将该银行网点的录音特征数据，输入到满意度计算机器学习模型，得到该银行网点的满意度；所述满意度计算机器学习模型根据历史满意度数据，对机器学习模型训练得到；所述历史满意度数据包括：对应不同银行网点的：满意度和录音特征数据的历史数据；
10.其中，根据每一银行网点的录音特征数据，确定该银行网点的异常值分数，包括：
11.基于所述录音特征数据，将每一银行网点遍历该银行网点所属孤立森林模型中每棵随机二叉树，确定该银行网点在每棵随机二叉树上的位置数据；所述孤立森林模型是通过孤立森林算法，以不同银行网点的录音特征数据的历史数据为训练集，进行训练而建立；根据该银行网点在每棵随机二叉树上的位置数据，确定该银行网点的异常值分数。
12.本发明实施例还提供一种银行网点满意度计算装置，用以节约人力物力，提升计算银行网点满意度的计算效率和准确率，该装置包括：
13.监控录音获取模块，用于获取待检查的多个银行网点的监控录音；
14.录音特征数据提取模块，用于从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据；所述录音特征数据用于描述监控录音的声音特性；
15.异常值分数计算模块，用于根据每一银行网点的录音特征数据，确定该银行网点的异常值分数；
16.满意度计算模块，用于针对每一异常值分数超过预设数值的银行网点，将该银行网点的录音特征数据，输入到满意度计算机器学习模型，得到该银行网点的满意度；所述满意度计算机器学习模型根据历史满意度数据，对机器学习模型训练得到；所述历史满意度数据包括：对应不同银行网点的：满意度和录音特征数据的历史数据；
17.其中，异常值分数计算模块，具体用于：
18.基于所述录音特征数据，将每一银行网点遍历该银行网点所属孤立森林模型中每棵随机二叉树，确定该银行网点在每棵随机二叉树上的位置数据；所述孤立森林模型是通过孤立森林算法，以不同银行网点的录音特征数据的历史数据为训练集，进行训练而建立；根据该银行网点在每棵随机二叉树上的位置数据，确定该银行网点的异常值分数。
19.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述银行网点满意度计算方法。
20.本发明实施例还提供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执行上述银行网点满意度计算方法的计算机程序。
21.本发明实施例中，获取待检查的多个银行网点的监控录音；从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据；所述录音特征数据用于描述监控录音的声音特性；根据每一银行网点的录音特征数据，确定该银行网点的异常值分数；针对每一异常值分数超过预设数值的银行网点，将该银行网点的录音特征数据，输入到满意度计算机器学习模型，得到该银行网点的满意度；所述满意度计算机器学习模型根据历史满意度数据，对机器学习模型训练得到；所述历史满意度数据包括：对应不同银行网点的：满意度和录音特征数据的历史数据；其中，根据每一银行网点的录音特征数据，确定该银行网点的异常值分数，包括：基于所述录音特征数据，将每一银行网点遍历该银行网点所属孤立森林模型中每棵随机二叉树，确定该银行网点在每棵随机二叉树上的位置数据；所述孤立森林模型是通过孤立森林算法，以不同银行网点的录音特征数据的历史数据为训练集，进行训练而建立；根据该银行网点在每棵随机二叉树上的位置数据，确定该银行网点的异常值分数，与现有技术中以人工方式计算银行网点满意度的技术方案相比，不再需要借助人工，因此节约了人力物力，提升了计算银行网点满意度的效率；通过孤立森林算法，可计算出每一银行网点的异常值分数，从而可准确获取出现异常的银行网点，实现对异常银行网点的准确检查，同时通过满意度计算机器学习模型，结合了录音特征数据，可实现对银行网点满意度的准确计算，提高了计算银行网点满意度计算的准确率。
附图说明
22.为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。在附图中：
23.图1为本发明实施例中一种银行网点满意度计算方法的流程示意图；
24.图2为本发明实施例中一种银行网点满意度计算方法的具体示例图；
25.图3为本发明实施例中一种银行网点满意度计算方法的具体示例图；
26.图4为本发明实施例中一种银行网点满意度计算方法的具体示例图；
27.图5为本发明实施例中一种银行网点满意度计算装置的结构示意图；
28.图6为本发明实施例中一种银行网点满意度计算装置的具体示例图；
29.图7为本发明实施例中一种银行网点满意度计算装置的具体示例图；
30.图8为本发明实施例中一种银行网点满意度计算装置的具体示例图；
31.图9为本发明实施例中一种银行网点满意度计算装置的具体示例图；
32.图10为本发明实施例中用于银行网点满意度计算的计算机设备示意图。
具体实施方式
33.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
34.目前，因银行网点往往接待客户较多，以人工方式难以统计网点内每一客户对该网点的满意度，容易造成银行网点满意度计算的准确率较低的情况发生；同时，以传统的银行网点满意度计算方法需投入的时间和人力成本过大，效率也比较低下。
35.为了解决上述问题，本发明实施例提供了一种银行网点满意度计算方法，用以节约人力物力，提升计算银行网点满意度的计算效率和准确率，如图1所示，该方法可以包括：
36.步骤101：获取待检查的多个银行网点的监控录音；
37.步骤102：从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据；上述录音特征数据用于描述监控录音的声音特性；
38.步骤103：根据每一银行网点的录音特征数据，确定该银行网点的异常值分数；
39.步骤104：针对每一异常值分数超过预设数值的银行网点，将该银行网点的录音特征数据，输入到满意度计算机器学习模型，得到该银行网点的满意度；上述满意度计算机器学习模型根据历史满意度数据，对机器学习模型训练得到；上述历史满意度数据包括：对应不同银行网点的：满意度和录音特征数据的历史数据；
40.其中，根据每一银行网点的录音特征数据，确定该银行网点的异常值分数，可以包括：
41.基于上述录音特征数据，将每一银行网点遍历该银行网点所属孤立森林模型中每棵随机二叉树，确定该银行网点在每棵随机二叉树上的位置数据；上述孤立森林模型是通过孤立森林算法，以不同银行网点的录音特征数据的历史数据为训练集，进行训练而建立；根据该银行网点在每棵随机二叉树上的位置数据，确定该银行网点的异常值分数。
42.本发明实施例中，获取待检查的多个银行网点的监控录音；从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据；上述录音特征数据用于描述监控录音的声音特性；根据每一银行网点的录音特征数据，确定该银行网点的异常值分数；针对每一异常值分数超过预设数值的银行网点，将该银行网点的录音特征数据，输入到满意度计算机器学习模型，得到该银行网点的满意度；上述满意度计算机器学习模型根据历史满意度数据，对机器学习模型训练得到；上述历史满意度数据包括：对应不同银行网点的：满意度和录音特征数据的历史数据；其中，根据每一银行网点的录音特征数据，确定该银行网点的异常值分数，可以包括：基于上述录音特征数据，将每一银行网点遍历该银行
网点所属孤立森林模型中每棵随机二叉树，确定该银行网点在每棵随机二叉树上的位置数据；上述孤立森林模型是通过孤立森林算法，以不同银行网点的录音特征数据的历史数据为训练集，进行训练而建立；根据该银行网点在每棵随机二叉树上的位置数据，确定该银行网点的异常值分数，与现有技术中以人工方式计算银行网点满意度的技术方案相比，不再需要借助人工，因此节约了人力物力，提升了计算银行网点满意度的效率；通过孤立森林算法，可计算出每一银行网点的异常值分数，从而可准确获取出现异常的银行网点，实现对异常银行网点的准确检查，同时通过满意度计算机器学习模型，结合了录音特征数据，可实现对银行网点满意度的准确计算，提高了计算银行网点满意度计算的准确率。
43.具体实施时，首先获取待检查的多个银行网点的监控录音。
44.实施例中，将待检查的多个银行网点，接入到预设置的flink框架中；
45.获取待检查的多个银行网点的监控录音，可以包括：
46.通过flink框架，获取待检查的多个银行网点的监控录音。
47.其中，flink是一种分布式、高性能、随时可以用以及准确的流处理应用程序打造的开源流处理框架。flink同时支持流式及批量分析应用，这就是我们所说的批流一体。flink在本发明实施例中的需求场景中实现了数据的实时采集、实时计算和下游发送的功能。
48.在上述实施例中，可通过flink框架来读取各个银行网点的监控录音，有助于后续步骤中从监控录音中提取如下录音特征数据：用户在网点与柜员的音频，音量，声调，以及声音持续时间等信息。
49.在一个实施例中，在获取待检查的多个银行网点的监控录音，可对监控录音进行数据清洗，除去异常情况(如银行网点装修导致银行网点内声音一直较大的情况)的数据。
50.具体实施时，在获取待检查的多个银行网点的监控录音后，从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据；上述录音特征数据用于描述监控录音的声音特性。
51.实施例中，上述录音特征数据包括用户在银行网点与柜员交谈的音频、音量、声调和交谈持续时间。
52.具体实施时，在从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据后，根据每一银行网点的录音特征数据，确定该银行网点的异常值分数。
53.实施例中，根据每一银行网点的录音特征数据，确定该银行网点的异常值分数，如图2所示，可以包括：
54.步骤201：基于上述录音特征数据，将每一银行网点遍历该银行网点所属孤立森林模型中每棵随机二叉树，确定该银行网点在每棵随机二叉树上的位置数据；上述孤立森林模型是通过孤立森林算法，以不同银行网点的录音特征数据的历史数据为训练集，进行训练而建立；
55.步骤202：根据该银行网点在每棵随机二叉树上的位置数据，确定该银行网点的异常值分数。
56.在上述实施例中，可通过预配置的flink框架，随机从多种录音特征数据中抽取n次，每次提取从多种录音特征数据提取多种录音特征数据，产生n个数据集，建立孤立森林
模型，计算每一样本点(即每一个银行网点携带的一种录音特征数据)在孤立森林模型中的路径长度，计算异常值得分，进而根据归一化公式计算异常得分，并根据经验设置异常值得分阀值，将异常值得分大于阀值的交易行为判断为异常行为。
57.在一个实施例中，孤立森林模型可由n个随机二叉树构成，而每棵树的的学习过程非常随机：它会随机抽取特征、随机选取分割值来建立决策树，从而将每一个样本分到一个独立的子节点上(取值相同的样本视为同一个样本)。这样我们就得到了n个(基本)不相同的数。从超空间的角度看，这样就是不断地用随机选取的超平面切分样本点，直到所有的样本点都被这些超平面“孤立”起来，即与其他样本点分隔开了。
58.举一例，如图3所示，由4个测试样本遍历一棵itree的例子如下：
59.图中，b和c的高度为3，a的高度是2，d的高度是1。
60.可以看到d最有可能是异常，因为其最早就被孤立(isolated)了。
61.在一个实施例中，根据该银行网点在每棵随机二叉树上的位置数据，确定该银行网点的异常值分数，可以包括：
62.根据该银行网点在每棵随机二叉树上的位置数据，进行归一化计算，得到该银行网点的异常值分数。
63.在一个实施例中，如图4所示，上述孤立森林模型的建立可包括如下步骤：
64.步骤401：获取多个银行网点的录音特征数据的历史数据，作为训练集；
65.步骤402：对训练集进行a次随机抽样，每次抽取b个数据，构建随机二叉树；其中，a为大于0的整数，b为大于0的整数；
66.步骤403：根据构建的a棵随机二叉树，建立孤立森林模型。
67.实施例中，每次抽取b个数据，构建随机二叉树，如图5所示，可以包括：
68.步骤501：将抽取的b个数据作为随机二叉树的根节点；
69.步骤502：以抽取的b个数据的取值范围内随机选取的值，作为切割值，对b个数据进行切割，得到随机二叉树的子节点；
70.步骤503：重复对随机二叉树的子节点切割，直到随机二叉树的子节点均只包含一个数据。
71.在上述实施例中，通过孤立森林算法，可计算出每一银行网点的异常值分数，从而可准确获取出现异常的银行网点，实现对异常银行网点的准确检查。
72.举一实例，可按如下步骤建立孤立森林模型：
73.1、从训练集中随机选择ψ个点样本点作为子样本，放入树的根节点；
74.2、随机指定一个维度，在当前节点数据中随机产生一个切割点p，上述切割点p产生于当前节点数据中指定维度最大值和最小值之间；
75.3、从上述切割点p生成一个超平面，将当前节点数据空间划分为两个子空间，即当前节点的左孩子和右孩子，把指定维度里小于切割点p的数据放在当前节点的左孩子中，把指定维度里大于或等于切割点p的数据放在当前节点的右孩子中；
76.4、重复步骤b和步骤c，不断构造新的子节点，直到数据本身不可在分或者子节点已经达到限定的高度，生成itree，上述限定的高度指树的深度达到log2ψ；
77.5、构建孤立森林：重复步骤4构建t棵具有差异性的itree后，构成iforest模型；
78.6、计算异常值分数：将iforest模型应用于测试集上进行测试，令样本数n的任一
数据x遍历每一棵itree，得出x在每棵itree的高度平均值，计算每条待测数据的异常分数s(x,n)，异常分数s(x,n)计算公式为：
[0079][0080]
式中，h(x)为叶子节点到根节点的路径长度；c(n)为二叉搜索树的平均路径长度，h(k)为调和数，h(k)＝in(k) ξ，ξ是欧拉常数，取值为0.5772156649；当s(x,n)越接近1，表示异常点的可能性越高，银行智能设备出现异常的概率越高；当s(x,n)越接近0，表示正常点的概率越高；根据上述测试结果设定阈值τ，上述阈值τ介于0.5到1之间，若样本的异常分数s(x,n)大于τ则该样本为异常点，反之则该样本为正常点。
[0081]
具体实施时，本发明实施例提供的一种银行网点满意度计算方法，如图6所示，还可以包括：
[0082]
步骤601：持续获取待检查的多个银行网点的监控录音，对银行网点的录音特征数据的历史数据进行更新；
[0083]
步骤602：以更新后的银行网点的录音特征数据的历史数据为训练集，进行重新训练，建立更新后的孤立森林模型。
[0084]
实施例中，通过以更新后的银行网点的录音特征数据的历史数据为训练集，进行重新训练，建立更新后的孤立森林模型，可实现对孤立森林模型的校准，有助于提升计算银行网点满意度的计算效率。
[0085]
具体实施时，本发明实施例提供的一种银行网点满意度计算方法，还可以包括：获取异常值分数超过预设数值的银行网点的数量；
[0086]
获取银行网点实际出现异常的数量；
[0087]
将异常值分数超过预设数值的银行网点的数量，与银行网点实际出现异常的数量，进行比较，得到银行网点的检查准确度数据；
[0088]
将银行网点的检查准确度数据、异常值分数超过预设数值的银行网点的数量和银行网点实际出现异常的数量，输入到根据专家系统建立的人工智能分析模型中，得到新增的录音特征；上述专家系统包括：存储有录音特征生成规则的知识库，和用于推理录音特征的推理机；
[0089]
从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据，可以包括：
[0090]
从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据和新增录音特征数据；
[0091]
重复执行上述获取异常值分数超过预设数值的银行网点的数量，得到更新后的数量，直到上述更新后的数量，与银行网点实际出现异常的数量相同。
[0092]
在上述实施例中，还可根据该网点用户投诉数量和根据算法计算出来的异常情况的比值，对孤立森林模型进行评价，若比值>80％，则孤立森林模型可确认为优秀，若比值处于50
‑
80％之间，则对孤立森林模型的误差可进行分析，并根据未能预测的情况新增加录音特征数据。
[0093]
具体实施时，在根据每一银行网点的录音特征数据，确定该银行网点的异常值分数后，针对每一异常值分数超过预设数值的银行网点，将该银行网点的录音特征数据，输入
到满意度计算机器学习模型，得到该银行网点的满意度；上述满意度计算机器学习模型根据历史满意度数据，对机器学习模型训练得到；上述历史满意度数据包括：对应不同银行网点的：满意度和录音特征数据的历史数据。
[0094]
实施例中，按如下方式建立满意度计算机器学习模型：
[0095]
将历史满意度数据划分为训练数据集和测试数据集；
[0096]
基于机器学习算法，以训练数据集，对机器学习模型进行训练，获得满意度计算机器学习模型；
[0097]
以测试数据集，对训练好的满意度计算机器学习模型进行测试。
[0098]
在上述实施例中，对于银行网点出现异常的情况，将银行网点的录音特征数据，如每次异常情况持续时间(如声音音量音调都超过预设数值的持续时间长度)，以及每月出现异常情况的次数，以及异常情况涉及的人(根据音调判断)输入到用于人工智能判断的机器学习模型中，根据机器学习模型，判断网点处理异常情况的总体满意度。
[0099]
其中，上述机器学习模型可采用神经网络模型建立，将上述不同银行网点的：满意度和录音特征数据的历史数据，作为模型的输入数据，将满意或者不满意的结果作为输出，根据网络输入输出的个数确定bp神经网络结构，进而确定了遗传算法中需要优化的参数个数。在建立满意度计算机器学习模型时，可根据kolmogorov原理，一个三层bp神经网络足以完成任意的n维到m维的映射，一般只需要采用一个隐层即可，隐层节点个数采用试凑法确定，从而确定ga
‑
bp神经网络结构，将历史数据分为训练集与验证集，训练与验证神经网络模型得到有效的模型。并将模型预测结果和人工后台经验得出来的网点满意度进行对比，进一步提升模型的准确性。
[0100]
具体实施时，本发明实施例提供的一种银行网点满意度计算方法，还可以包括：针对异常值分数超过预设数值的银行网点，则确定该银行网点出现异常的告警信息。
[0101]
实施例中，可实现对出现异常的银行网点的告警，有助于工作人员对银行网点进行精准掌控。
[0102]
本发明实施例中，获取待检查的多个银行网点的监控录音；从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据；上述录音特征数据用于描述监控录音的声音特性；根据每一银行网点的录音特征数据，确定该银行网点的异常值分数；针对每一异常值分数超过预设数值的银行网点，将该银行网点的录音特征数据，输入到满意度计算机器学习模型，得到该银行网点的满意度；上述满意度计算机器学习模型根据历史满意度数据，对机器学习模型训练得到；上述历史满意度数据包括：对应不同银行网点的：满意度和录音特征数据的历史数据；其中，根据每一银行网点的录音特征数据，确定该银行网点的异常值分数，可以包括：基于上述录音特征数据，将每一银行网点遍历该银行网点所属孤立森林模型中每棵随机二叉树，确定该银行网点在每棵随机二叉树上的位置数据；上述孤立森林模型是通过孤立森林算法，以不同银行网点的录音特征数据的历史数据为训练集，进行训练而建立；根据该银行网点在每棵随机二叉树上的位置数据，确定该银行网点的异常值分数，与现有技术中以人工方式计算银行网点满意度的技术方案相比，不再需要借助人工，因此节约了人力物力，提升了计算银行网点满意度的效率；通过孤立森林算法，可计算出每一银行网点的异常值分数，从而可准确获取出现异常的银行网点，实现对异常银行网点的准确检查，同时通过满意度计算机器学习模型，结合了录音特征数据，可实现
对银行网点满意度的准确计算，提高了计算银行网点满意度计算的准确率。
[0103]
本发明实施例中还提供了一种银行网点满意度计算装置，如下面的实施例上述。由于该装置解决问题的原理与银行网点满意度计算方法相似，因此该装置的实施可以参见银行网点满意度计算方法的实施，重复之处不再赘述。
[0104]
本发明实施例还提供一种银行网点满意度计算装置，用以节约人力物力，提升计算银行网点满意度的计算效率和准确率，如图7所示，该装置包括：
[0105]
监控录音获取模块701，用于获取待检查的多个银行网点的监控录音；
[0106]
录音特征数据提取模块702，用于从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据；上述录音特征数据用于描述监控录音的声音特性；
[0107]
异常值分数计算模块703，用于根据每一银行网点的录音特征数据，确定该银行网点的异常值分数；
[0108]
满意度计算模块704，用于针对每一异常值分数超过预设数值的银行网点，将该银行网点的录音特征数据，输入到满意度计算机器学习模型，得到该银行网点的满意度；上述满意度计算机器学习模型根据历史满意度数据，对机器学习模型训练得到；上述历史满意度数据包括：对应不同银行网点的：满意度和录音特征数据的历史数据；
[0109]
其中，异常值分数计算模块，具体用于：
[0110]
基于上述录音特征数据，将每一银行网点遍历该银行网点所属孤立森林模型中每棵随机二叉树，确定该银行网点在每棵随机二叉树上的位置数据；上述孤立森林模型是通过孤立森林算法，以不同银行网点的录音特征数据的历史数据为训练集，进行训练而建立；根据该银行网点在每棵随机二叉树上的位置数据，确定该银行网点的异常值分数。
[0111]
在一个实施例中，如图8所示，还可以包括：
[0112]
满意度计算机器学习模型建模模块801，用于：
[0113]
按如下方式建立满意度计算机器学习模型：
[0114]
将历史满意度数据划分为训练数据集和测试数据集；
[0115]
基于机器学习算法，以训练数据集，对机器学习模型进行训练，获得满意度计算机器学习模型；
[0116]
以测试数据集，对训练好的满意度计算机器学习模型进行测试。
[0117]
在一个实施例中，上述录音特征数据包括用户在银行网点与柜员交谈的音频、音量、声调和交谈持续时间。
[0118]
在一个实施例中，如图9所示，还可以包括：
[0119]
flink框架接入模块901，用于：
[0120]
将待检查的多个银行网点，接入到预设置的flink框架中；
[0121]
监控录音获取模块，具体用于：
[0122]
通过flink框架，获取待检查的多个银行网点的监控录音。
[0123]
在一个实施例中，还可以包括：
[0124]
孤立森林模型建模模块，用于：
[0125]
上述孤立森林模型按如下方式建立：
[0126]
获取多个银行网点的录音特征数据的历史数据，作为训练集；
[0127]
对训练集进行a次随机抽样，每次抽取b个数据，构建随机二叉树；其中，a为大于0
的整数，b为大于0的整数；
[0128]
根据构建的a棵随机二叉树，建立孤立森林模型。
[0129]
在一个实施例中，孤立森林模型建模模块，具体用于：
[0130]
将抽取的b个数据作为随机二叉树的根节点；
[0131]
以抽取的b个数据的取值范围内随机选取的值，作为切割值，对b个数据进行切割，得到随机二叉树的子节点；
[0132]
重复对随机二叉树的子节点切割，直到随机二叉树的子节点均只包含一个数据。
[0133]
在一个实施例中，还可以包括：
[0134]
孤立森林模型更新模块，用于：
[0135]
持续获取待检查的多个银行网点的监控录音，对银行网点的录音特征数据的历史数据进行更新；
[0136]
以更新后的银行网点的录音特征数据的历史数据为训练集，进行重新训练，建立更新后的孤立森林模型。
[0137]
在一个实施例中，异常值分数计算模块，具体用于：
[0138]
根据该银行网点在每棵随机二叉树上的位置数据，进行归一化计算，得到该银行网点的异常值分数。
[0139]
在一个实施例中，还可以包括：
[0140]
告警模块，用于：
[0141]
针对异常值分数超过预设数值的银行网点，则确定该银行网点出现异常的告警信息。
[0142]
在一个实施例中，还可以包括：
[0143]
录音特征数据校准模块，用于：
[0144]
获取异常值分数超过预设数值的银行网点的数量；
[0145]
获取银行网点实际出现异常的数量；
[0146]
将异常值分数超过预设数值的银行网点的数量，与银行网点实际出现异常的数量，进行比较，得到银行网点的检查准确度数据；
[0147]
将银行网点的检查准确度数据、异常值分数超过预设数值的银行网点的数量和银行网点实际出现异常的数量，输入到根据专家系统建立的人工智能分析模型中，得到新增的录音特征；上述专家系统包括：存储有录音特征生成规则的知识库，和用于推理录音特征的推理机；
[0148]
从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据，可以包括：
[0149]
从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据和新增录音特征数据；
[0150]
重复执行上述获取异常值分数超过预设数值的银行网点的数量，得到更新后的数量，直到上述更新后的数量，与银行网点实际出现异常的数量相同。
[0151]
本发明实施例提供一种用于实现上述银行网点满意度计算方法中的全部或部分内容的计算机设备的实施例上述计算机设备具体包含有如下内容：
[0152]
处理器(processor)、存储器(memory)、通信接口(communications interface)和
总线；其中，上述处理器、存储器、通信接口通过上述总线完成相互间的通信；上述通信接口用于实现相关设备之间的信息传输；该计算机设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该计算机设备可以参照实施例用于实现银行网点满意度计算方法的实施例及用于实现银行网点满意度计算装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
[0153]
图10为本技术实施例的计算机设备1000的系统构成的示意框图。如图10所示，该计算机设备1000可以包括中央处理器1001和存储器1002；存储器1002耦合到中央处理器1001。值得注意的是，该图10是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
[0154]
一实施例中，银行网点满意度计算功能可以被集成到中央处理器1001中。其中，中央处理器1001可以被配置为进行如下控制：
[0155]
获取待检查的多个银行网点的监控录音；
[0156]
从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据；上述录音特征数据用于描述监控录音的声音特性；
[0157]
根据每一银行网点的录音特征数据，确定该银行网点的异常值分数；
[0158]
针对每一异常值分数超过预设数值的银行网点，将该银行网点的录音特征数据，输入到满意度计算机器学习模型，得到该银行网点的满意度；上述满意度计算机器学习模型根据历史满意度数据，对机器学习模型训练得到；上述历史满意度数据包括：对应不同银行网点的：满意度和录音特征数据的历史数据；
[0159]
其中，根据每一银行网点的录音特征数据，确定该银行网点的异常值分数，可以包括：
[0160]
基于上述录音特征数据，将每一银行网点遍历该银行网点所属孤立森林模型中每棵随机二叉树，确定该银行网点在每棵随机二叉树上的位置数据；上述孤立森林模型是通过孤立森林算法，以不同银行网点的录音特征数据的历史数据为训练集，进行训练而建立；根据该银行网点在每棵随机二叉树上的位置数据，确定该银行网点的异常值分数。
[0161]
在另一个实施方式中，银行网点满意度计算装置可以与中央处理器1001分开配置，例如可以将银行网点满意度计算装置配置为与中央处理器1001连接的芯片，通过中央处理器的控制来实现银行网点满意度计算功能。
[0162]
如图10所示，该计算机设备1000还可以包括：通信模块1003、输入单元1004、音频处理器1005、显示器1006、电源1007。值得注意的是，计算机设备1000也并不是必须要包括图10中所示的所有部件；此外，计算机设备1000还可以包括图10中没有示出的部件，可以参考现有技术。
[0163]
如图10所示，中央处理器1001有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器1001接收输入并控制计算机设备1000的各个部件的操作。
[0164]
其中，存储器1002，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器1001可执行该存储器1002存储的该程序，以实现信息存储或处理等。
[0165]
输入单元1004向中央处理器1001提供输入。该输入单元1004例如为按键或触摸输入装置。电源1007用于向计算机设备1000提供电力。显示器1006用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0166]
该存储器1002可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器1002还可以是某种其它类型的装置。存储器1002包括缓冲存储器1021(有时被称为缓冲器)。存储器1002可以包括应用/功能存储部1022，该应用/功能存储部1022用于存储应用程序和功能程序或用于通过中央处理器1001执行计算机设备1000的操作的流程。
[0167]
存储器1002还可以包括数据存储部1023，该数据存储部1023用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由计算机设备使用的数据。存储器1002的驱动程序存储部1024可以包括计算机设备的用于通信功能和/或用于执行计算机设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
[0168]
通信模块1003即为经由天线1008发送和接收信号的发送机/接收机1003。通信模块(发送机/接收机)1003耦合到中央处理器1001，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
[0169]
基于不同的通信技术，在同一计算机设备中，可以设置有多个通信模块1003，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)1003还经由音频处理器1005耦合到扬声器1009和麦克风1010，以经由扬声器1009提供音频输出，并接收来自麦克风1010的音频输入，从而实现通常的电信功能。音频处理器1005可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器1005还耦合到中央处理器1001，从而使得可以通过麦克风1010能够在本机上录音，且使得可以通过扬声器1009来播放本机上存储的声音。
[0170]
本发明实施例还提供一种计算机可读存储介质，存储有执行上述银行网点满意度计算方法的计算机程序。
[0171]
本发明实施例中，获取待检查的多个银行网点的监控录音；从待检查的多个银行网点的监控录音中，提取待检查的多个银行网点的录音特征数据；所述录音特征数据用于描述监控录音的声音特性；根据每一银行网点的录音特征数据，确定该银行网点的异常值分数；针对每一异常值分数超过预设数值的银行网点，将该银行网点的录音特征数据，输入到满意度计算机器学习模型，得到该银行网点的满意度；所述满意度计算机器学习模型根据历史满意度数据，对机器学习模型训练得到；所述历史满意度数据包括：对应不同银行网点的：满意度和录音特征数据的历史数据；其中，根据每一银行网点的录音特征数据，确定该银行网点的异常值分数，包括：基于所述录音特征数据，将每一银行网点遍历该银行网点所属孤立森林模型中每棵随机二叉树，确定该银行网点在每棵随机二叉树上的位置数据；所述孤立森林模型是通过孤立森林算法，以不同银行网点的录音特征数据的历史数据为训练集，进行训练而建立；根据该银行网点在每棵随机二叉树上的位置数据，确定该银行网点的异常值分数，与现有技术中以人工方式计算银行网点满意度的技术方案相比，不再需要借助人工，因此节约了人力物力，提升了计算银行网点满意度的效率；通过孤立森林算法，可计算出每一银行网点的异常值分数，从而可准确获取出现异常的银行网点，实现对异常
银行网点的准确检查，同时通过满意度计算机器学习模型，结合了录音特征数据，可实现对银行网点满意度的准确计算，提高了计算银行网点满意度计算的准确率。
[0172]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0173]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0174]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0175]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0176]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。