银行网点满意度计算方法及装置与流程

技术特征：
1.一种银行网点满意度计算方法，其特征在于，包括：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。2.如权利要求1所述的方法，其特征在于，还包括：按如下方式建立满意度计算机器学习模型：将历史满意度数据划分为训练数据集和测试数据集；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；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。3.如权利要求1所述的方法，其特征在于，所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。4.如权利要求1所述的方法，其特征在于，还包括：将待检查的多个银行网点，接入到预设置的flink框架中；获取待检查的多个银行网点的监控录音，包括：通过flink框架，获取待检查的多个银行网点的监控录音。5.如权利要求1所述的方法，其特征在于，所述孤立森林模型按如下方式建立：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；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；根据构建的a棵随机二叉树，建立孤立森林模型。6.如权利要求5所述的方法，其特征在于，每次抽取b个数据，构建随机二叉树，包括：将抽取的b个数据作为随机二叉树的根节点；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；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。7.如权利要求1所述的方法，其特征在于，还包括：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；
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。8.如权利要求1所述的方法，其特征在于，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，包括：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。9.如权利要求1所述的方法，其特征在于，还包括：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。10.如权利要求1所述的方法，其特征在于，还包括：获取异常值分数超过预设数值的银行网点的数量；获取银行网点实际出现异常的数量；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；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；所述专家系统包括：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；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，包括：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；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，直到所述更新后的数量，与银行网点实际出现异常的数量相同。11.一种银行网点满意度计算装置，其特征在于，包括：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；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；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；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；其中，异常值分数计算模块，具体用于：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.如权利要求11所述的装置，其特征在于，还包括：
满意度计算机器学习模型建模模块，用于：按如下方式建立满意度计算机器学习模型：将历史满意度数据划分为训练数据集和测试数据集；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；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。13.如权利要求11所述的装置，其特征在于，所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。14.如权利要求11所述的装置，其特征在于，还包括：flink框架接入模块，用于：将待检查的多个银行网点，接入到预设置的flink框架中；监控录音获取模块，具体用于：通过flink框架，获取待检查的多个银行网点的监控录音。15.如权利要求11所述的装置，其特征在于，还包括：孤立森林模型建模模块，用于：所述孤立森林模型按如下方式建立：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；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；根据构建的a棵随机二叉树，建立孤立森林模型。16.如权利要求15所述的装置，其特征在于，孤立森林模型建模模块，具体用于：将抽取的b个数据作为随机二叉树的根节点；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；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。17.如权利要求11所述的装置，其特征在于，还包括：孤立森林模型更新模块，用于：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；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。18.如权利要求11所述的装置，其特征在于，异常值分数计算模块，具体用于：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。19.如权利要求11所述的装置，其特征在于，还包括：告警模块，用于：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。20.如权利要求11所述的装置，其特征在于，还包括：录音特征数据校准模块，用于：
获取异常值分数超过预设数值的银行网点的数量；获取银行网点实际出现异常的数量；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；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；所述专家系统包括：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；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，包括：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；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，直到所述更新后的数量，与银行网点实际出现异常的数量相同。21.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10任一所述方法。22.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至10任一所述方法的计算机程序。

技术总结
本发明公开了一种银行网点满意度计算方法及装置，涉及人工智能技术领域，该方法包括：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。本发明可节约人力物力，提升计算银行网点满意度的计算效率和准确率。率和准确率。率和准确率。


技术研发人员：党娜 刘洋 徐凯路
受保护的技术使用者：中国银行股份有限公司
技术研发日：2021.09.03
技术公布日：2021/11/21