一种数据处理方法、装置及电子设备与流程

1.本发明涉及数据处理领域，更具体的说，涉及一种数据处理方法、装置及电子设备。


背景技术：

2.在实际应用中，银行的客服人员在与用户电话沟通完成之后，会通过系统向客户发送短信，用户回复该短信以对刚刚电话沟通过程的满意度进行评价。
3.为了避免有些用户因为自身的原因给客服一些恶意评价，在接收到用户的满意度评价之后，人工会对该满意度评价进行是否是恶意评价的分析，这种分析方式准确度较低且效率较低。


技术实现要素：

4.有鉴于此，本发明提供一种数据处理方法、装置及电子设备，以解决在接收到用户的满意度评价之后，人工会对该满意度评价进行是否是恶意评价的分析，这种分析方式准确度较低且效率较低的问题。
5.为解决上述技术问题，本发明采用了如下技术方案：
6.一种数据处理方法，应用于处理器，所述数据处理方法包括：
7.获取目标用户针对指定通话内容的初始评价信息；
8.获取不同用户对不同业务的初始历史评价信息，并对所述初始历史评价信息进行脱敏处理，得到历史评价信息；所述不同用户包括所述目标用户；
9.基于所述历史评价信息，确定预设评价维度的维度值；
10.根据所述预设评价维度的维度值，对所述初始评价信息进行修正操作，得到评价信息，并确定与所述评价信息对应的恶意评价分析结果；
11.基于所述指定通话内容，确定所述目标用户在通话过程中的情绪变化信息；
12.使用所述情绪变化信息对所述恶意评价分析结果进行校验操作，得到校正后的恶意评价分析结果。
13.可选地，所述预设评价维度包括所述目标用户对应的第一评价平均分值、不同的客服人员对应的第二评价平均分值、不同用户对同一业务的第三评价平均分值以及所有的客服人员对应的第四评价平均分值；
14.基于所述历史评价信息，确定预设评价维度的维度值，包括：
15.对所述历史评价信息进行统计分析，得到所述预设评价维度的维度值。
16.可选地，确定与所述评价信息对应的恶意评价分析结果，包括：
17.根据不同用户对同一业务的第三评价平均分值，确定出与不同用户对所述指定通话内容对应的目标业务的子评价平均分值；
18.调用预设处理模型对所述评价信息以及所述子评价平均分值进行处理，得到所述评价信息对应的恶意评价分析结果；
19.所述预设处理模型基于训练样本训练得到，所述训练样本包括训练数据以及所述训练数据对应的恶意评价标注结果；所述训练数据包括不同评价信息样本以及不同用户对目标业务样本的子评价平均分值；所述目标业务样本为所述评价信息样本对应的目标业务。
20.可选地，基于所述指定通话内容，确定所述目标用户在通话过程中的情绪变化信息，包括：
21.识别所述指定通话内容中目标用户在不同时刻的情绪信息，并将所述情绪信息按照时间先后顺序进行排序，得到所述目标用户在通话过程中的情绪变化信息。
22.可选地，使用所述情绪变化信息对所述恶意评价分析结果进行校验操作，得到校正后的恶意评价分析结果，包括：
23.在所述恶意评价分析结果为恶意评价的情况下，确定所述情绪变化信息是否是持续为积极情绪或从消极情绪转变为积极情绪；
24.若是，则确定所述恶意评价分析结果校验通过。
25.一种数据处理装置，应用于处理器，所述数据处理装置包括：
26.信息获取模块，用于获取目标用户针对指定通话内容的初始评价信息；
27.信息处理模块，用于获取不同用户对不同业务的初始历史评价信息，并对所述初始历史评价信息进行脱敏处理，得到历史评价信息；所述不同用户包括所述目标用户；
28.维度值确定模块，用于基于所述历史评价信息，确定预设评价维度的维度值；
29.评价模块，用于根据所述预设评价维度的维度值，对所述初始评价信息进行修正操作，得到评价信息，并确定与所述评价信息对应的恶意评价分析结果；
30.情绪分析模块，用于基于所述指定通话内容，确定所述目标用户在通话过程中的情绪变化信息；
31.校正模块，用于使用所述情绪变化信息对所述恶意评价分析结果进行校验操作，得到校正后的恶意评价分析结果。
32.可选地，所述预设评价维度包括所述目标用户对应的第一评价平均分值、不同的客服人员对应的第二评价平均分值、不同用户对同一业务的第三评价平均分值以及所有的客服人员对应的第四评价平均分值；
33.所述维度值确定模块具体用于：
34.对所述历史评价信息进行统计分析，得到所述预设评价维度的维度值。
35.可选地，评价模块用于确定与所述评价信息对应的恶意评价分析结果时，具体用于：
36.根据不同用户对同一业务的第三评价平均分值，确定出与不同用户对所述指定通话内容对应的目标业务的子评价平均分值；
37.调用预设处理模型对所述评价信息以及所述子评价平均分值进行处理，得到所述评价信息对应的恶意评价分析结果；
38.所述预设处理模型基于训练样本训练得到，所述训练样本包括训练数据以及所述训练数据对应的恶意评价标注结果；所述训练数据包括不同评价信息样本以及不同用户对目标业务样本的子评价平均分值；所述目标业务样本为所述评价信息样本对应的目标业务。
39.可选地，所述情绪分析模块具体用于：
40.识别所述指定通话内容中目标用户在不同时刻的情绪信息，并将所述情绪信息按照时间先后顺序进行排序，得到所述目标用户在通话过程中的情绪变化信息。
41.一种电子设备，包括：存储器和处理器；
42.其中，所述存储器用于存储程序；
43.处理器调用程序并用于执行上述的数据处理方法。
44.相较于现有技术，本发明具有以下有益效果：
45.本发明提供了一种数据处理方法、装置及电子设备，获取目标用户针对指定通话内容的初始评价信息，获取不同用户对不同业务的初始历史评价信息，并对所述初始历史评价信息进行脱敏处理，得到历史评价信息，基于所述历史评价信息，确定预设评价维度的维度值，根据所述预设评价维度的维度值，对所述初始评价信息进行修正操作，得到评价信息，并确定与所述评价信息对应的恶意评价分析结果，基于所述指定通话内容，确定所述目标用户在通话过程中的情绪变化信息，使用所述情绪变化信息对所述恶意评价分析结果进行校验操作，得到校正后的恶意评价分析结果。本发明中，处理器能够自动进行用户的初始评价信息是否是恶意评价的分析确定，并且在恶意评价分析时，使用通话过程中的情绪变化信息对初步确定的恶意评价分析结果进行校验操作，相比于人工分析的方式，提高了恶意评价分析结果的准确度和效率。
附图说明
46.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，还可以根据提供的附图获得其他的附图。
47.图1为本发明实施例提供的一种数据处理方法的方法流程图；
48.图2为本发明实施例提供的另一种数据处理方法的方法流程图；
49.图3为本发明实施例提供的再一种数据处理方法的方法流程图；
50.图4为本发明实施例提供的一种数据处理装置的结构示意图。
具体实施方式
51.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
52.在实际应用中，银行的客服人员在与用户电话沟通完成之后，会通过系统向客户发送短信，用户回复该短信以对刚刚电话沟通过程的满意度进行评价。该评价会影响客服人员的工作绩效。在实际应用中，有些用户因为自身的原因给客服一些恶意评价，如用户在心情不好时，给出的评价会偏低，这可能会与实际客服人员的服务不相符，此时该用户给出的评价就会被认为是恶意评价。
53.为了避免上述恶意评价，在接收到用户的满意度评价之后，人工根据经验对该满
意度评价进行是否是恶意评价的分析，这种分析方式准确度较低且效率较低。
54.为了解决这一技术问题，发明人发现，若是能够自动进行恶意评价的分析，则能够提高效率。进一步，在进行恶意评价分析时，使用通话过程中用户的情绪辅助进行恶意评价分析，则会提高恶意评价分析的准确度。
55.具体的，本发明实施例提供了一种数据处理方法、装置及电子设备，获取目标用户针对指定通话内容的初始评价信息，获取不同用户对不同业务的初始历史评价信息，并对所述初始历史评价信息进行脱敏处理，得到历史评价信息，基于所述历史评价信息，确定预设评价维度的维度值，根据所述预设评价维度的维度值，对所述初始评价信息进行修正操作，得到评价信息，并确定与所述评价信息对应的恶意评价分析结果，基于所述指定通话内容，确定所述目标用户在通话过程中的情绪变化信息，使用所述情绪变化信息对所述恶意评价分析结果进行校验操作，得到校正后的恶意评价分析结果。本发明中，处理器能够自动进行用户的初始评价信息是否是恶意评价的分析确定，并且在恶意评价分析时，使用通话过程中的情绪变化信息对初步确定的恶意评价分析结果进行校验操作，相比于人工分析的方式，提高了恶意评价分析结果的准确度和效率。
56.需要说明的是，本发明提供的一种数据处理方法、装置及电子设备可用于大数据领域或金融领域。上述仅为示例，并不对本发明提供的一种数据处理方法、装置及电子设备的应用领域进行限定。
57.在上述内容的基础上，本发明实施例提供了一种数据处理方法，参照图1，可以包括：
58.s11、获取目标用户针对指定通话内容的初始评价信息。
59.本实施例中，将需要进行恶意评价分析的用户称为目标用户，可以对该目标用户刚刚结束的与客服人员之间的通话中，客服人员的服务进行评价。具体的，客服人员在通话结束后，会发送短信至该客户的终端，如通话时使用的手机号码对应的手机，目标用户回复该短信，并且回复的内容是对该客户人员的初始评价信息，一般来说，初始评价信息是一个分值，如10是满意，8是基本满意等。
60.但是该初始评价信息可能受到目标用户自身的影响，从而使得该初始评价信息并不是对该客服人员的服务的客观评价，即本次评价可能会是恶意评价，则后续会对本次评价进行后续的恶意评价分析操作。
61.s12、获取不同用户对不同业务的初始历史评价信息，并对所述初始历史评价信息进行脱敏处理，得到历史评价信息。
62.其中，所述不同用户包括所述目标用户。
63.在实际应用中，可以获取历史一段时间内，进行过客服语音服务的所有用户对每一次通话的服务评价(与上述的初始评价信息内容类似，均为评价的分值)，不同通话可能对应同一业务，如有两个不同的用户分别针对信用卡进行客服咨询，此外，还可以是不同通话可能对应不同的业务，如同一用户先后分别针对信用卡和语音套餐进行咨询，不同用户分别针对信用卡和语音套餐进行咨询等。
64.所以，上述的每一客服语音服务均对应有相应的业务，则获取历史一段时间内，进行过客服语音服务的所有用户对每一次通话的服务评价，即可获取到不同用户对不同业务的初始历史评价信息。
65.由于获取的初始历史评价信息可能会携带有用户的姓名、电话号码等敏感信息，为了避免敏感信息的泄露，本实施例中，首先对初始历史评价信息进行脱敏处理，得到历史评价信息，这样即可以包括主要的特征信息，也可以后续数据处理时敏感信息的泄露。
66.在进行脱敏处理时，可以采用主成分分析技术pca等技术手段进行脱敏处理。
67.需要说明的是，上述的初始历史评价信息中除了可以包括上述的服务评价之外，还可以包括客服人员信息、服务过程中的语音通话信息等。
68.s13、基于所述历史评价信息，确定预设评价维度的维度值。
69.在实际应用中，预设评价维度可以包括：
70.1、所述目标用户对应的第一评价平均分值m。
71.其中，第一评价平均分值m是历史评价信息中，目标用户对应的历史评价信息的平均值，如，该目标用户评价过3次，分别为10分、8分和6分，则第一评价平均分值m＝(10 8 6)/3＝8。
72.2、不同的客服人员对应的第二评价平均分值n。
73.本实施例中，是从客服人员的角度进行平均分的计算，对于每一客服人员，从历史评价信息中获取该客服人员的对应的历史评价信息，然后取平均值。
74.3、不同用户对同一业务的第三评价平均分值l。
75.本实施例中，为了避免不同用户因为自身原因进行恶意评价的行为，针对同一业务，从历史评价信息中获取到该业务对应的不同用户的历史评价信息，然后取平均值操作。
76.4、所有的客服人员对应的第四评价平均分值p。
77.本实施例中，是将历史评价信息中，所有客服人员的历史评价信息进行取平均值操作。
78.第三评价平均分值l和第四评价平均分值p体现了客服人员的平均分值，作为一个标准的值进行参考。
79.在确定了预设评价维度包括上述四种情况之后，可以对历史评价信息进行统计分析，得到所述预设评价维度的维度值。
80.本实施例中的统计分析即为常规的数学统计分析。
81.s14、根据所述预设评价维度的维度值，对所述初始评价信息进行修正操作，得到评价信息，并确定与所述评价信息对应的恶意评价分析结果。
82.本实施例中，在确定出预设评价维度的维度值之后，采用下述公式对初始评价信息进行修正，具体公式如下：
83.c＝(l-m a)*n/p。
84.其中，c为评价信息，a是初始评价信息，l、m、n、和p的具体释义如上所述。
85.在对初始评价信息进行修正操作之后，得到评价信息，然后确定与所述评价信息对应的恶意评价分析结果。在确定恶意评价分析结果时，为了提高结果的准确性，可以采用大量的训练样本训练得到一个模型，本实施例中称为预设处理模型，预设处理模型可以是神经网络模型等。
86.具体的，参照图2，确定与所述评价信息对应的恶意评价分析结果可以包括：
87.s21、根据不同用户对同一业务的第三评价平均分值，确定出与不同用户对所述指定通话内容对应的目标业务的子评价平均分值。
88.具体的，由于是对用户本次的指定通话内容中，服务人员的服务进行评价，为了避免用户由于自身原因进行恶意差评，可以确定指定通话内容对应的目标业务，如信用卡办理，然后获取所有的用户对该目标业务的一个平均分值作为参考。所以，本实施例中，根据不同用户对同一业务的第三评价平均分值，确定出与不同用户对目标业务的子评价平均分值。以目标业务为信用卡办理为例，可以确定出不同用户对信用卡办理的子评价平均分值，如8。
89.s22、调用预设处理模型对所述评价信息以及所述子评价平均分值进行处理，得到所述评价信息对应的恶意评价分析结果。
90.本实施例中，预设处理模型可以是神经网络模型、典型树模型lightgbm等，神经网络模型的层数可以是根据实际情况设定，如3层。
91.基于训练样本训练得到，所述训练样本包括训练数据以及所述训练数据对应的恶意评价标注结果。恶意评价标注结果可以包括恶意评价和非恶意评价。所述训练数据包括不同评价信息样本以及不同用户对目标业务样本的子评价平均分值；所述目标业务样本为所述评价信息样本对应的目标业务。
92.在进行恶意评价标注时，可以将用户的评价信息与子评价平均分值差距过大的设为恶意评价，将用户的评价信息与子评价平均分值差距不大的设为恶意评价。具体差距可以设定一个阈值，若大于阈值，则说明差距过大，为恶意评价。举例来说，一用户的评价信息中的分值为2，而该业务的子评价平均分值为8，阈值是2，则说明该用户与平均分值过大，属于恶意评价。
93.通过上述的神经网络模型，即可分析得到该目标用户是否是恶意评价的结果，本实施例中称为评价信息对应的恶意评价分析结果。
94.此外，神经网络模型，还可以将用户通话时的通话时长、该用户之前的相同业务或不同业务的评价信息等作为模型的训练数据，以提高模型的准确度。
95.s15、基于所述指定通话内容，确定所述目标用户在通话过程中的情绪变化信息。
96.本实施例中，经过预设网络模型得到的恶意评价分析结果也可能会存在误差，本实施例中，为了避免该误差，使用用户在语音通话过程中情绪变化信息来对上述的恶意评价分析结果进行校正。
97.具体的，获取目标用户在语音通话过程中的指定通话内容，指定通话内容包括目标用户与客服人员的语音对话信息。
98.在获取该指定通话内容后，对该通话中的目标用户的语音信息进行提取操作，提取完成后，分析该语音中，目标客户的情绪变化，情绪变化可以是一直是高兴状态，由高兴状态变化为不高兴状态，由不高兴状态变化为高兴状态等多种情绪变化。
99.本发明的另一实现方式中，参照图3，步骤s15可以包括：
100.s31、识别所述指定通话内容中目标用户在不同时刻的情绪信息。
101.具体的，可以采用情绪识别算法，识别出指定通话内容中的不同时刻，目标用户的情绪信息，本实施例中，将情绪分为积极情绪和消极情绪，积极情绪包括高兴、兴奋、开心等表示积极方向的情绪，消极情绪包括不高兴、失望、沮丧等表示消极方向的情绪。
102.s32、将所述情绪信息按照时间先后顺序进行排序，得到所述目标用户在通话过程中的情绪变化信息。
103.本实施例中，在上述获取到不同时刻的情绪信息之后，对该情绪信息按照时间先后顺序进行排序，排序后，即可得到顺序排列的情绪信息，然后分析所述目标用户在通话过程中的情绪变化信息，如从消极情绪变化为积极情绪，或从积极情绪变化为消极情绪。
104.需要说明的是，在进行情绪变化分析时，可能会有部分时刻的情绪信息与整体情绪变化不相符，如整个通话过程，目标用户均是高兴状态，但是某几个时间点，目标用户是不高兴状态，这可能是用户由于其他自身原因转变情绪状态。本实施例中，对这些不影响整体情绪变化的某个别情绪直接剔除即可，最终可以得到目标用户在通话过程中的情绪变化信息。
105.s16、使用所述情绪变化信息对所述恶意评价分析结果进行校验操作，得到校正后的恶意评价分析结果。
106.具体的，校验过程是：
107.在所述恶意评价分析结果为恶意评价的情况下，确定所述情绪变化信息是否是持续为积极情绪或从消极情绪转变为积极情绪，若是，则确定所述恶意评价分析结果校验通过。
108.本实施例中，为了节省计算资源，可以仅在恶意评价分析结果为恶意评价进行校验操作，此外，还可以是在恶意评价分析结果为非恶意评价时，也进行校验操作。
109.本实施例中，若是恶意评价分析结果为恶意评价，确定目标用户的所述情绪变化信息是否持续为积极情绪或从消极情绪转变为积极情绪。
110.其中，若持续为积极情绪，则说明目标用户在与客服人员语音沟通的过程中，是满意客服人员的服务，若此时，用户给的评价是恶意评价，则说明用户给该客服人员的评价是较差的，这与语音沟通过程中，用户满意客服人员的服务相矛盾，也进一步验证了用户本次评价是恶意评价。
111.此外，从消极情绪转变为积极情绪也说明了用户在与客服人员语音沟通的过程中，逐渐对客服人员变满意，若是用户给的评价是恶意评价，则说明用户给该客服人员的评价是较差的，这与语音沟通过程中，用户满意客服人员的服务相矛盾，也进一步验证了用户本次评价是恶意评价。
112.若是在恶意评价分析结果为恶意评价时，进行校验操作，则可以是若是目标用户的情绪由积极情绪变化为消极情绪，则确认用户的评价并不是恶意评价。
113.本实施例中，在通过预设处理模型得到恶意评价分析结果之后，通过上述的步骤，利用情绪信息进行校验。
114.此外，本发明的另一实现方式中，还可以将此步骤作为预设处理模型的一个隐层，即对预设处理模型增加一个隐层，该隐层用于执行上述的情绪校验过程，通过该隐层采用反向训练的方法得到权重参数，以更加准确地确定用户给出的评价是否是恶意评价，若是恶意评价，则不作为客服人员工作绩效的评价参数，保证了使用用户评价对客服人员的工作绩效进行评价时的可靠性和准确性，提高客服评价体系公平，保证员工公平性。
115.本实施例中，获取目标用户针对指定通话内容的初始评价信息，获取不同用户对不同业务的初始历史评价信息，并对所述初始历史评价信息进行脱敏处理，得到历史评价信息，基于所述历史评价信息，确定预设评价维度的维度值，根据所述预设评价维度的维度值，对所述初始评价信息进行修正操作，得到评价信息，并确定与所述评价信息对应的恶意
评价分析结果，基于所述指定通话内容，确定所述目标用户在通话过程中的情绪变化信息，使用所述情绪变化信息对所述恶意评价分析结果进行校验操作，得到校正后的恶意评价分析结果。本发明中，处理器能够自动进行用户的初始评价信息是否是恶意评价的分析确定，并且在恶意评价分析时，使用通话过程中的情绪变化信息对初步确定的恶意评价分析结果进行校验操作，相比于人工分析的方式，提高了恶意评价分析结果的准确度和效率。
116.可选地，在上述数据处理方法的实施例的基础上，本发明的另一实现方式中提供了一种数据处理装置，应用于处理器，所述数据处理装置包括：
117.信息获取模块11，用于获取目标用户针对指定通话内容的初始评价信息；
118.信息处理模块12，用于获取不同用户对不同业务的初始历史评价信息，并对所述初始历史评价信息进行脱敏处理，得到历史评价信息；所述不同用户包括所述目标用户；
119.维度值确定模块13，用于基于所述历史评价信息，确定预设评价维度的维度值；
120.评价模块14，用于根据所述预设评价维度的维度值，对所述初始评价信息进行修正操作，得到评价信息，并确定与所述评价信息对应的恶意评价分析结果；
121.情绪分析模块15，用于基于所述指定通话内容，确定所述目标用户在通话过程中的情绪变化信息；
122.校正模块16，用于使用所述情绪变化信息对所述恶意评价分析结果进行校验操作，得到校正后的恶意评价分析结果。
123.进一步，所述预设评价维度包括所述目标用户对应的第一评价平均分值、不同的客服人员对应的第二评价平均分值、不同用户对同一业务的第三评价平均分值以及所有的客服人员对应的第四评价平均分值；
124.所述维度值确定模块具体用于：
125.对所述历史评价信息进行统计分析，得到所述预设评价维度的维度值。
126.进一步，评价模块用于确定与所述评价信息对应的恶意评价分析结果时，具体用于：
127.根据不同用户对同一业务的第三评价平均分值，确定出与不同用户对所述指定通话内容对应的目标业务的子评价平均分值；
128.调用预设处理模型对所述评价信息以及所述子评价平均分值进行处理，得到所述评价信息对应的恶意评价分析结果；
129.所述预设处理模型基于训练样本训练得到，所述训练样本包括训练数据以及所述训练数据对应的恶意评价标注结果；所述训练数据包括不同评价信息样本以及不同用户对目标业务样本的子评价平均分值；所述目标业务样本为所述评价信息样本对应的目标业务。
130.进一步，所述情绪分析模块具体用于：
131.识别所述指定通话内容中目标用户在不同时刻的情绪信息，并将所述情绪信息按照时间先后顺序进行排序，得到所述目标用户在通话过程中的情绪变化信息。
132.进一步，校正模块具体用于：
133.在所述恶意评价分析结果为恶意评价的情况下，确定所述情绪变化信息是否是持续为积极情绪或从消极情绪转变为积极情绪；
134.若是，则确定所述恶意评价分析结果校验通过。
135.本实施例中，获取目标用户针对指定通话内容的初始评价信息，获取不同用户对不同业务的初始历史评价信息，并对所述初始历史评价信息进行脱敏处理，得到历史评价信息，基于所述历史评价信息，确定预设评价维度的维度值，根据所述预设评价维度的维度值，对所述初始评价信息进行修正操作，得到评价信息，并确定与所述评价信息对应的恶意评价分析结果，基于所述指定通话内容，确定所述目标用户在通话过程中的情绪变化信息，使用所述情绪变化信息对所述恶意评价分析结果进行校验操作，得到校正后的恶意评价分析结果。本发明中，处理器能够自动进行用户的初始评价信息是否是恶意评价的分析确定，并且在恶意评价分析时，使用通话过程中的情绪变化信息对初步确定的恶意评价分析结果进行校验操作，相比于人工分析的方式，提高了恶意评价分析结果的准确度和效率。
136.需要说明的是，本实施例中的各个模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
137.可选地，在上述数据处理方法及装置的实施例的基础上，本发明的另一实现方式中提供了一种电子设备，包括：存储器和处理器；
138.其中，所述存储器用于存储程序；
139.处理器调用程序并用于执行上述的数据处理方法，具体的，包括：
140.获取目标用户针对指定通话内容的初始评价信息；
141.获取不同用户对不同业务的初始历史评价信息，并对所述初始历史评价信息进行脱敏处理，得到历史评价信息；所述不同用户包括所述目标用户；
142.基于所述历史评价信息，确定预设评价维度的维度值；
143.根据所述预设评价维度的维度值，对所述初始评价信息进行修正操作，得到评价信息，并确定与所述评价信息对应的恶意评价分析结果；
144.基于所述指定通话内容，确定所述目标用户在通话过程中的情绪变化信息；
145.使用所述情绪变化信息对所述恶意评价分析结果进行校验操作，得到校正后的恶意评价分析结果。
146.进一步，所述预设评价维度包括所述目标用户对应的第一评价平均分值、不同的客服人员对应的第二评价平均分值、不同用户对同一业务的第三评价平均分值以及所有的客服人员对应的第四评价平均分值；
147.基于所述历史评价信息，确定预设评价维度的维度值，包括：
148.对所述历史评价信息进行统计分析，得到所述预设评价维度的维度值。
149.进一步，确定与所述评价信息对应的恶意评价分析结果，包括：
150.根据不同用户对同一业务的第三评价平均分值，确定出与不同用户对所述指定通话内容对应的目标业务的子评价平均分值；
151.调用预设处理模型对所述评价信息以及所述子评价平均分值进行处理，得到所述评价信息对应的恶意评价分析结果；
152.所述预设处理模型基于训练样本训练得到，所述训练样本包括训练数据以及所述训练数据对应的恶意评价标注结果；所述训练数据包括不同评价信息样本以及不同用户对目标业务样本的子评价平均分值；所述目标业务样本为所述评价信息样本对应的目标业务。
153.进一步，基于所述指定通话内容，确定所述目标用户在通话过程中的情绪变化信
息，包括：
154.识别所述指定通话内容中目标用户在不同时刻的情绪信息，并将所述情绪信息按照时间先后顺序进行排序，得到所述目标用户在通话过程中的情绪变化信息。
155.进一步，使用所述情绪变化信息对所述恶意评价分析结果进行校验操作，得到校正后的恶意评价分析结果，包括：
156.在所述恶意评价分析结果为恶意评价的情况下，确定所述情绪变化信息是否是持续为积极情绪或从消极情绪转变为积极情绪；
157.若是，则确定所述恶意评价分析结果校验通过。
158.本实施例中，获取目标用户针对指定通话内容的初始评价信息，获取不同用户对不同业务的初始历史评价信息，并对所述初始历史评价信息进行脱敏处理，得到历史评价信息，基于所述历史评价信息，确定预设评价维度的维度值，根据所述预设评价维度的维度值，对所述初始评价信息进行修正操作，得到评价信息，并确定与所述评价信息对应的恶意评价分析结果，基于所述指定通话内容，确定所述目标用户在通话过程中的情绪变化信息，使用所述情绪变化信息对所述恶意评价分析结果进行校验操作，得到校正后的恶意评价分析结果。本发明中，处理器能够自动进行用户的初始评价信息是否是恶意评价的分析确定，并且在恶意评价分析时，使用通话过程中的情绪变化信息对初步确定的恶意评价分析结果进行校验操作，相比于人工分析的方式，提高了恶意评价分析结果的准确度和效率。
159.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。