一种业务绩效确定方法和装置与流程

本申请涉及计算机技术领域，尤其涉及一种业务绩效确定方法和装置。

背景技术：

目前，随着计算机网络技术的快速发展，银行的业务办理也越来越智能化。柜员作为银行为客户办理业务的主要服务人员，需要有标准的绩效确定办法，也就是说，银行需要对柜员的绩效做公平准确的确定。目前，对于绩效是人为主观判断的，对柜员绩效确定结果并不公平准确。

因此，如何准确确定柜员的绩效，是银行现在面临的具体问题。

技术实现要素：

本申请实施例提供了一种业务绩效确定方法和装置，能够准确确定柜员的绩效。

本申请实施例提供了一种业务绩效确定方法，所述方法包括：

获取柜员至少一个业务中每个业务对应的目标语音信息；

针对所述每个业务对应的目标语音信息分别执行以下处理，得到所述每个业务对应的所述柜员的业务类别：

根据所述柜员的目标语音信息得到所述柜员的第一目标声音特征信息，所述第一目标声音特征信息体现所述柜员的声音特征；

确定所述第一目标声音特征信息对应于至少一个业务类别的概率；

将所述目标语音信息转换为文本信息，所述文本信息包括所述柜员回复客户问题的回答语句；

将所述文本信息与预设回答文本信息进行匹配，得到匹配度，所述预设回答文本信息包括预设回答语句，所述匹配度体现所述柜员的回答语句与所述预设回答语句的匹配程度；

将所述目标声音特征信息对应于至少一个业务类别的概率和所述匹配度输入到第一贝叶斯模型，得到所述柜员的业务类别概率；

根据所述柜员的业务类别概率，确定所述柜员的业务类别；

获取至少一个业务中每个业务对应的客户画像信息，所述客户画像信息为客户的信息；

将所述柜员至少一个业务中每个业务的业务类别和所述至少一个业务中每个业务对应的客户画像信息输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到。

可选的，所述方法还包括：

根据所述至少一个业务中每个业务对应的绩效确定所述柜员的总绩效。

可选的，所述方法还包括：

获取至少一个业务中每个业务对应的客户的第二目标声音特征信息，所述第二目标声音特征信息体现所述客户的声音特征；

将所述第二目标声音特征信息按照预设区间进行分类，并确定所述第二目标声音特征信息对应的区间概率；所述区间概率为所述第二目标声音特征信息所处的区间的概率；

将所述第二目标声音特征信息对应的区间概率分别输入到第二贝叶斯模型，得到所述第二目标声音特征信息对应的情绪类别概率；所述情绪类别概率为所述第二目标声音特征信息对应于情绪类别的概率，所述情绪类别体现所述客户的情绪的高低；

根据所述至少一个业务中每个业务对应的客户的第二目标声音特征信息的情绪类别概率，确定所述至少一个业务中每个业务对应的客户的情绪类别；

将所述柜员至少一个业务中每个业务对应的业务类别、所述至少一个业务中每个业务对应的客户画像信息和所述至少一个业务中每个业务对应的客户的情绪类别输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到；。

根据所述至少一个业务中每个业务对应的绩效确定所述柜员的总绩效。

具体的，所述根据所述柜员的业务类别概率，确定所述柜员的业务类别包括：

将所述柜员的业务类别概率最大的，确定为所述柜员的业务类别。

具体的，所述客户画像信息包括以下其中一项或多项：

客户历史业务办理信息、客户资产信息及客户类别。

本申请实施例还提供了一种业务绩效确定装置，所述装置包括：

第一获取单元，用于获取柜员至少一个业务中每个业务对应的目标语音信息；

处理单元，用于针对所述每个业务对应的目标语音信息分别执行以下处理，得到所述每个业务对应的所述柜员的业务类别；

所述处理单元包括：

特征获取单元，用于根据所述柜员的目标语音信息得到所述柜员的第一目标声音特征信息，所述第一目标声音特征信息体现所述柜员的声音特征；

第一确定单元，用于确定所述第一目标声音特征信息对应于至少一个业务类别的概率；

转换单元，用于将所述目标语音信息转换为文本信息，所述文本信息包括所述柜员回复客户问题的回答语句；

匹配单元，用于将所述文本信息与预设回答文本信息进行匹配，得到匹配度，所述预设回答文本信息包括预设回答语句，所述匹配度体现所述柜员的回答语句与所述预设回答语句的匹配程度；

第一输入单元，用于将所述第一目标声音特征信息对应于至少一个业务类别的概率和所述匹配度输入到第一贝叶斯模型，得到所述柜员的业务类别概率；

第二确定单元，用于根据所述柜员的业务类别概率，确定所述柜员的业务类别；

第二获取单元，用于获取至少一个业务中每个业务对应的客户画像信息，所述客户画像信息为客户的信息；

第二输入单元，用于将所述柜员至少一个业务中每个业务的业务类别和所述至少一个业务中每个业务对应的客户画像信息输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到。

可选的，所述装置还包括：

第三确定单元，用于根据所述至少一个业务中每个业务对应的绩效确定所述柜员的总绩效。

可选的，所述装置还包括：

第三获取单元，用于获取至少一个业务中每个业务对应的客户的第二目标声音特征信息，所述第二目标声音特征信息体现所述客户的声音特征；

第四确定单元，用于将所述第二目标声音特征信息按照预设区间进行分类，并确定所述第二目标声音特征信息对应的区间概率；所述区间概率为所述第二目标声音特征信息所处的区间的概率；

第三输入单元，用于将所述第二目标声音特征信息对应的区间概率分别输入到第二贝叶斯模型，得到所述第二目标声音特征信息对应的情绪类别概率；所述情绪类别概率为所述第二目标声音特征信息对应于情绪类别的概率，所述情绪类别体现所述客户的情绪的高低；

第五确定单元，用于根据所述至少一个业务中每个业务对应的客户的第二目标声音特征信息的情绪类别概率，确定所述至少一个业务中每个业务对应的客户的情绪类别；

第四输入单元，用于将所述柜员至少一个业务中每个业务对应的业务类别、所述至少一个业务中每个业务对应的客户画像信息和所述至少一个业务中每个业务对应的客户的情绪类别输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到；

第六确定单元，用于根据所述至少一个业务中每个业务对应的绩效确定所述柜员的总绩效。

具体的，所述第二确定单元根据所述柜员的业务类别概率，确定所述柜员的业务类别包括：

所述第二确定单元将所述柜员的业务类别概率最大的，确定为所述柜员的业务类别。

具体的，所述客户画像信息包括以下其中一项或多项：

客户历史业务办理信息、客户资产信息及客户类别。

与现有技术相比，本发明至少具有以下优点：

本申请实施例提供了一种业务绩效确定方法，方法包括：获取柜员至少一个业务中每个业务对应的目标语音信息；针对所述每个业务对应的目标语音信息分别执行以下处理，得到所述每个业务对应的所述柜员的业务类别：根据所述柜员的目标语音信息得到所述柜员的第一目标声音特征信息，所述第一目标声音特征信息体现所述柜员的声音特征；确定所述第一目标声音特征信息对应于至少一个业务类别的概率；将所述目标语音信息转换为文本信息，所述文本信息包括所述柜员回复客户问题的回答语句；将所述文本信息与预设回答文本信息进行匹配，得到匹配度，所述预设回答文本信息包括预设回答语句，所述匹配度体现所述柜员的回答语句与所述预设回答语句的匹配程度；将所述目标声音特征信息对应于至少一个业务类别的概率和所述匹配度输入到第一贝叶斯模型，得到所述柜员的业务类别概率；根据所述柜员的业务类别概率，确定所述柜员的业务类别；获取至少一个业务中每个业务对应的客户画像信息，所述客户画像信息为客户的信息；将所述柜员至少一个业务中每个业务的业务类别和所述至少一个业务中每个业务对应的客户画像信息输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到。由此可见，本申请实施例通过获取柜员每个业务的语音信息，得到柜员的声音特征信息，将语音信息转化为文本信息，通过将柜员回复客户问题的文本信息和预设回答文本信息进行匹配，得到匹配度，将声音特征信息对应每个业务类别的概率和匹配度输入到贝叶斯模型，得到柜员的业务类别的概率，进而确定业务类别，将柜员的业务类别和客户画像信息输入神经网络模型，得到柜员每个业务的绩效，使得银行能够利用现代科学算法技术对柜员的业务类别做公平准确的智能化确定，并根据业务类别进而准确确定柜员绩效。

附图说明

为了更清楚地说明本申请实施例，下面将对实施例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申请的实施例，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。

图1为本申请实施例一提供的一种业务绩效确定方法的流程示意图；

图2为本申请实施例二提供的一种业务绩效确定方法的流程示意图；

图3为本申请实施例三提供的一种业务绩效确定方法的流程示意图；

图4为本申请实施例提供的一种业务绩效确定装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

由背景技术可知，随着计算机技术的发展，现在的银行也需要利用计算机技术对柜员的绩效做公平准确的确定。因此，如何利用计算机技术准确确定柜员的绩效，是银行现在面临的具体问题。

因此，本申请实施例通过获取柜员每个业务的语音信息，得到柜员的声音特征信息，将语音信息转化为文本信息，通过将柜员回复客户问题的文本信息和预设回答文本信息进行匹配，得到匹配度，将声音特征信息对应每个业务类别的概率和匹配度输入到贝叶斯模型，得到柜员的业务类别的概率，进而确定业务类别，将柜员的业务类别和客户画像信息输入神经网络模型，得到柜员每个业务的绩效，使得银行能够利用现代科学算法技术对柜员的绩效做公平准确的智能化确定。

如图1所示，为本申请实施例提供的一种业务绩效确定方法的流程示意图，该方法包括以下步骤：

步骤101：获取柜员至少一个业务中每个业务对应的目标语音信息。

在本申请实施例中，目标语音信息为柜员为客户办理业务时的对话语音，能体现柜员在办理业务时的表现。柜员办理的业务包括一个或多个。

在具体实现步骤101的过程中，可以通过录音设备记录柜员的语音信息，通过获取录音设备中的对话语音获取柜员的语音信息。

步骤102：针对所述每个业务对应的目标语音信息分别执行以下处理，得到所述每个业务对应的所述柜员的业务类别。

在本申请实施例中，可以通过对每个业务的语音信息进行处理，最后得到柜员办理该业务的业务类别。

在具体实现步骤102的过程中，可以包括以下步骤：

步骤a1：根据所述柜员的目标语音信息得到所述柜员的第一目标声音特征信息，所述第一目标声音特征信息体现所述柜员的声音特征。

在本申请实施例中，目标声音特征信息体现的是柜员在某一次业务办理时的声音特征。在银行柜员为客户办理业务的过程中，包括至少一个业务，每个业务都有柜员与客户的语音对话，语音对话即语音信息，可以通过录音设备记录柜员的语音信息，借助声音分析模型获取柜员的目标声音特征信息，即柜员的声音特征。可选的，声音特征包括以下其中一种或多种：音频特征、音调特征、音量特征及语速特征。例如，柜员在为客户办理某一次业务时音量超过80分贝。又如，柜员在为客户办理另一次业务时音量为50到60分贝，语速为一分钟80个字。

步骤b1：确定所述第一目标声音特征信息对应于至少一个业务类别的概率。

在本申请的实施例中，可以对柜员的声音特征信息按照业务类别进行分类，也就是说，可以根据业务类别对柜员的声音特征进行分类。具体的，在柜员的音量特征中，可以按照业务类别进行分类。业务类别代表了柜员的属性，柜员表现出的属性不同，业务类别就不相同。业务类别可以是6个类别，可选的，业务类别可以为第六类别，代表柜员属性为业务能力较强，业务办理速度较快，也可以表明柜员在业务办理过程中情绪平和，为客户服务水平较高，业务类别也可以为第一类别，代表柜员属性为业务能力较弱，业务办理速度较慢，也可以表明柜员在业务办理过程中可能出现情绪波动，为客户服务水平较低。根据以上所述，在柜员的音量特征中，可以根据6个业务类别分类，例如，柜员音量在80分贝至100分贝的区间分类为业务类别的第一类别，即柜员音量处在80分贝至100分贝之间则认为柜员的此次业务类别较低。

在对柜员的声音特征信息按照业务类别进行分类之后，便能确定柜员的声音特征信息对应的业务类别的概率，即确定柜员的声音特征对应的业务类别的概率。具体的，柜员的音量特征可以在80分贝至100分贝之间，对应的业务类别为第一类别，该业务类别的概率可以为0.1，即柜员的音量特征对应的业务类别的概率可以为0.1。

需要说明的是，本申请实施例柜员的声音特征信息对应的业务类别的概率是经过柜员的历史声音数据，即柜员的训练声音特征信息得到的：

在本申请实施例中，可以通过柜员历史业务办理被录音设备记录的语音信息获取柜员的历史声音数据，即柜员的训练声音特征信息。柜员的训练声音特征信息能够体现柜员的声音特征，也可以反映柜员的业务类别，即业务办理能力高低或业务服务水平高低。

在本申请实施例中，将柜员的训练声音特征信息按照业务类别对应的预设区间进行分类。具体的，分类方式通常与目标声音特征信息的分类方式相同。例如，针对音量特征，业务类别为2个类别，分别为第一类别和第二类别，则音量特征也分为2个区间，可以为音量在40分贝至70分贝之间为第一区间，对应于业务类别的第二类别，音量分贝在0分贝至40分贝或70分贝以上为第二区间，对应于业务类别的第一类别。

对柜员的训练声音特征信息按照业务类别对应的预设区间分类之后，统计柜员的训练声音特征信息处于某个业务类别对应的预设区间的次数和柜员的训练声音特征信息总样本数据次数，柜员的训练声音特征信息处于某个业务类别对应的预设区间的次数与柜员的训练声音特征信息总样本数据次数的比值就是柜员的声音特征信息对应于某个业务类别的概率。具体的，针对柜员的训练音量特征，可以按照业务类别进行分类，例如，柜员训练音量处在80分贝至100分贝分类为业务类别的第一类别，柜员训练音量处在这一区间的次数为3次，柜员的训练音量特征的总样本数据为100次，其音量特征对应的第一类别的概率为0.03。

步骤c1：将所述目标语音信息转换为文本信息，所述文本信息包括所述柜员回复客户问题的回答语句。

在本申请实施例中，将通过录音设备获取的柜员的语音对话，即语音信息转换为文本信息，文本信息主要为柜员与客户的业务交流信息，其中包括柜员回复客户提出的业务办理相关的问题的答复语句。

步骤d1：将所述文本信息与预设回答文本信息进行匹配，得到匹配度，所述预设回答文本信息包括预设回答语句，所述匹配度体现所述柜员的回答语句与所述预设回答语句的匹配程度。

在本申请实施例中，预设回答文本信息为针对客户可能提出的有关业务办理的相关问题的标准回答范本，能够解决客户对业务问题的疑问。预设回答文本信息中包括针对业务问题的预设回答语句。可以将柜员的文本信息与预设回答文本信息进行匹配，即将柜员回复客户问题的回答语句与预设回答语句进行匹配，得到匹配度，匹配度指的是柜员的回答语句和预设回答语句的匹配程度，匹配度可以体现柜员业务办理的专业性，匹配度越高，则表明柜员的业务办理越专业，业务办理能力越强。例如，业务类别可以分为第一类别和第二类别，匹配度在0.6至1则可以认为业务类别为第一类别，代表柜员的业务办理的专业性强。

步骤e1：将所述第一目标声音特征信息对应于至少一个业务类别的概率和所述匹配度输入到第一贝叶斯模型，得到所述柜员的业务类别概率。

在本申请的实施例中，贝叶斯模型即贝叶斯公式，是一种计算概率的数学公式。业务类别概率为柜员的声音特征信息和匹配度对应的业务类别的概率，可选的，业务类别概率可以是柜员的音量特征和语速特征都是业务类别的第一类别的概率，业务类别概率还可以是柜员的音调特征、音频特征和匹配度都是业务类别的第六类别的概率，业务类别概率还可以是柜员的音量特征、语速特征、音调特征、音频特征和匹配度都是业务类别的第二类别的概率。柜员的业务类别能够反映柜员的业务能力的高低，具体的，业务类别可以是6个类别，可选的，业务类别可以为第六类别，代表柜员的业务能力较强，业务办理速度较快，也可以表明柜员在业务办理过程中情绪平和，为客户服务水平较高，专业性较强，业务类别也可以为第一类别，代表柜员的业务能力较弱，业务办理速度较慢，也可以表明柜员在业务办理过程中可能出现情绪波动，为客户服务水平较低，专业性较弱。

在具体实现步骤103的过程中，可以通过贝叶斯公式，将按照业务类别分类的柜员的声音特征对应的概率和将匹配度按照业务类别分类的概率计算为柜员的业务类别概率。具体的，针对音量特征，第一业务类别对应的概率为0.1，针对语速特征，第一业务类别对应的概率为0.2，针对匹配度，第一类别对应的概率为0.3，将三个概率输入贝叶斯公式，得出第一业务类别相对于音量特征，语速特征和匹配度的概率，即第一业务类别概率。

需要说明的是，匹配度按照业务类别进行分类并计算概率也可以经过柜员的历史匹配度数据得到：

在本申请实施例中，可以通过柜员历史办理业务被录音设备记录的语音信息获取柜员的历史文本信息，即训练文本信息，将训练文本信息与预设回答文本信息进行匹配，得到匹配度。柜员的匹配度能够体现柜员业务专业性，也可以反映柜员的业务能力高低。

在本申请实施例中，可以将柜员的匹配度按照业务类别对应的预设区间进行分类。具体的，分类方式通常与柜员的训练声音特征信息的分类方式相同。

对柜员的匹配度按照预设区间分类之后，统计柜员的匹配度处于某一预设区间的次数和柜员的匹配度总样本数据次数，柜员的匹配度处于某一预设区间的次数与柜员的匹配度总样本数据次数的比值就是匹配度对应的某一业务类别的概率。具体的，针对柜员的匹配度，可以按照业务类别进行区间分类，例如，柜员匹配度处在0.6至1的区间分类为业务类别的第一类别，柜员匹配度处在这一区间的次数为3次，柜员的匹配度的总样本数据为100次，其区间概率为0.03，即匹配度相对于业务类别第一类别的概率为0.03。

步骤f1：根据所述柜员的业务类别概率，确定所述柜员的业务类别。

在本申请的实施例中，柜员的业务类别概率能反映柜员的业务能力高低，具体的，柜员的业务类别可以为3个类别，第一业务类别概率为0.5，第二业务类别为0.3，第三业务类别为0.2。可以通过比较这三个类别的业务类别概率的大小，确定柜员的业务类别，具体的，可以将业务类别概率最大的确定为柜员的业务类别，则第一业务类别为0.5，为最大值，可以确定柜员的业务类别为第一业务类别。

步骤103：获取至少一个业务中每个业务对应的客户画像信息，所述客户画像信息为客户的信息。

在本申请实施例中，客户画像信息指的是客户的个人相关信息，例如客户画像信息可以包括：客户历史业务办理信息、客户资产信息及客户类别。其中，客户历史业务办理信息中可以包括客户的办理业务次数，办理业务类别，每次业务的情绪类别等。客户资产信息可以记录客户的学历、资产等信息。客户类别代表了客户在该银行的业务办理类别。

在具体实现步骤103的过程中，可以直接在后台服务器获取每个业务对应的客户画像信息。

步骤104：将所述柜员至少一个业务中每个业务的业务类别和所述至少一个业务中每个业务对应的客户画像信息输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到。

在本申请的实施例中，将柜员某个业务的业务类别和该业务的客户画像信息输入神经网络模型中，得到该业务的柜员绩效。神经网络模型是经过预先训练得到的，训练过程主要有以下步骤：

获取柜员的业务类别及该业务的客户画像信息；

确定由输入层、隐层和输出层构成的初始神经网络模型，其中，将业务类别和该业务类别对应的个数作为初始神经网络模型的输入层节点个数，将该业务绩效作为初始神经网络模型的输出层节点个数，基于试凑法确定初始神经网络模型的隐层节点个数；利用样本数据和遗传算法对初始神经网络模型的输入层、隐层和输出层中每一层的初始权值和初始阈值进行训练学习，确定每一层最优的初始权值和初始阈值，得到优化后的神经网络模型；

将优化后的神经网络模型作为上述方法实施例中的神经网络模型。

根据上述本申请实施例提供的业务绩效确定方法可知，获取柜员至少一个业务中每个业务对应的目标语音信息；针对所述每个业务对应的目标语音信息分别执行以下处理，得到所述每个业务对应的所述柜员的业务类别：根据所述柜员的目标语音信息得到所述柜员的第一目标声音特征信息，所述第一目标声音特征信息体现所述柜员的声音特征；确定所述第一目标声音特征信息对应于至少一个业务类别的概率；将所述目标语音信息转换为文本信息，所述文本信息包括所述柜员回复客户问题的回答语句；将所述文本信息与预设回答文本信息进行匹配，得到匹配度，所述预设回答文本信息包括预设回答语句，所述匹配度体现所述柜员的回答语句与所述预设回答语句的匹配程度；将所述目标声音特征信息对应于至少一个业务类别的概率和所述匹配度输入到第一贝叶斯模型，得到所述柜员的业务类别概率；根据所述柜员的业务类别概率，确定所述柜员的业务类别；获取至少一个业务中每个业务对应的客户画像信息，所述客户画像信息为客户的信息；将所述柜员至少一个业务中每个业务的业务类别和所述至少一个业务中每个业务对应的客户画像信息输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到。由此可见，本申请实施例通过获取柜员每个业务的语音信息，得到柜员的声音特征信息，将语音信息转化为文本信息，通过将柜员回复客户问题的文本信息和预设回答文本信息进行匹配，得到匹配度，将声音特征信息对应每个业务类别的概率和匹配度输入到贝叶斯模型，得到柜员的业务类别的概率，进而确定业务类别，将柜员的业务类别和客户画像信息输入神经网络模型，得到柜员每个业务的绩效，使得银行能够利用现代科学算法技术对柜员的绩效做公平准确的智能化确定。

如图2所示，为本申请实施例提供的另一种业务绩效确定方法的流程示意图，该方法包括以下步骤：

步骤201：获取柜员至少一个业务中每个业务对应的目标语音信息。

步骤202：针对所述每个业务对应的目标语音信息分别执行以下处理，得到所述每个业务对应的所述柜员的业务类别。

在具体实现步骤202的过程中，可以包括以下步骤：

步骤a2：根据所述柜员的目标语音信息得到所述柜员的第一目标声音特征信息，所述第一目标声音特征信息体现所述柜员的声音特征。

步骤b2：确定所述第一目标声音特征信息对应于至少一个业务类别的概率。

步骤c2：将所述目标语音信息转换为文本信息，所述文本信息包括所述柜员回复客户问题的回答语句。

步骤d2：将所述文本信息与预设回答文本信息进行匹配，得到匹配度，所述预设回答文本信息包括预设回答语句，所述匹配度体现所述柜员的回答语句与所述预设回答语句的匹配程度。

步骤e2：将所述第一目标声音特征信息对应于至少一个业务类别的概率和所述匹配度输入到第一贝叶斯模型，得到所述柜员的业务类别概率。

步骤f2：根据所述柜员的业务类别概率，确定所述柜员的业务类别。

步骤203：获取至少一个业务中每个业务对应的客户画像信息，所述客户画像信息为客户的信息。

步骤204：将所述柜员至少一个业务中每个业务的业务类别和所述至少一个业务中每个业务对应的客户画像信息输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到。

步骤201至步骤204的执行原理和上述步骤101至步骤104的一致，这里不再赘述。

步骤205：根据所述至少一个业务中每个业务对应的绩效确定所述柜员的总绩效。

在本申请实施例中，柜员的总绩效代表了柜员的业务服务水平，总绩效较高，说明柜员的业务服务水平较高，能为客户带来更好的用户体验。总绩效可以是每个业务对应的绩效的总和，也可以是每个业务对应的绩效的平均值。

根据上述本申请实施例提供的业务绩效确定方法可知，获取柜员至少一个业务中每个业务对应的目标语音信息；针对所述每个业务对应的目标语音信息分别执行以下处理，得到所述每个业务对应的所述柜员的业务类别：根据所述柜员的目标语音信息得到所述柜员的第一目标声音特征信息，所述第一目标声音特征信息体现所述柜员的声音特征；确定所述第一目标声音特征信息对应于至少一个业务类别的概率；将所述目标语音信息转换为文本信息，所述文本信息包括所述柜员回复客户问题的回答语句；将所述文本信息与预设回答文本信息进行匹配，得到匹配度，所述预设回答文本信息包括预设回答语句，所述匹配度体现所述柜员的回答语句与所述预设回答语句的匹配程度；将所述目标声音特征信息对应于至少一个业务类别的概率和所述匹配度输入到第一贝叶斯模型，得到所述柜员的业务类别概率；根据所述柜员的业务类别概率，确定所述柜员的业务类别；获取至少一个业务中每个业务对应的客户画像信息，所述客户画像信息为客户的信息；将所述柜员至少一个业务中每个业务的业务类别和所述至少一个业务中每个业务对应的客户画像信息输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到。由此可见，本申请实施例通过获取柜员每个业务的语音信息，得到柜员的声音特征信息，将语音信息转化为文本信息，通过将柜员回复客户问题的文本信息和预设回答文本信息进行匹配，得到匹配度，将声音特征信息对应每个业务类别的概率和匹配度输入到贝叶斯模型，得到柜员的业务类别的概率，进而确定业务类别，将柜员的业务类别和客户画像信息输入神经网络模型，得到柜员每个业务的绩效，使得银行能够利用现代科学算法技术对柜员的绩效做公平准确的智能化确定。

如图3所示，为本申请实施例提供的另一种业务绩效确定方法的流程示意图，该方法包括以下步骤：

步骤301：获取柜员至少一个业务中每个业务对应的目标语音信息。

步骤302：针对所述每个业务对应的目标语音信息分别执行以下处理，得到所述每个业务对应的所述柜员的业务类别。

在具体实现步骤302的过程中，可以包括以下步骤：

步骤a3：根据所述柜员的目标语音信息得到所述柜员的第一目标声音特征信息，所述第一目标声音特征信息体现所述柜员的声音特征。

步骤b3：确定所述第一目标声音特征信息对应于至少一个业务类别的概率。

步骤c3：将所述目标语音信息转换为文本信息，所述文本信息包括所述柜员回复客户问题的回答语句。

步骤d3：将所述文本信息与预设回答文本信息进行匹配，得到匹配度，所述预设回答文本信息包括预设回答语句，所述匹配度体现所述柜员的回答语句与所述预设回答语句的匹配程度。

步骤e3：将所述第一目标声音特征信息对应于至少一个业务类别的概率和所述匹配度输入到第一贝叶斯模型，得到所述柜员的业务类别概率。

步骤f3：根据所述柜员的业务类别概率，确定所述柜员的业务类别。

步骤303：获取至少一个业务中每个业务对应的客户画像信息，所述客户画像信息为客户的信息。

步骤304：将所述柜员至少一个业务中每个业务的业务类别和所述至少一个业务中每个业务对应的客户画像信息输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到。

步骤301至步骤304的执行原理和上述步骤101至步骤104的一致，这里不再赘述。

步骤305：获取至少一个业务中每个业务对应的客户的第二目标声音特征信息，所述第二目标声音特征信息体现所述客户的声音特征。

在本申请实施例中，在银行柜员为客户办理业务的过程中，每个客户都具有自己独特的声音特征信息。目标声音特征信息体现的是某一客户在某一次业务办理时的声音特征。可选的，声音特征包括以下其中一种或多种：音频特征、音调特征、音量特征及语速特征。例如，某一客户在某一次的业务办理时音量超过80分贝。又如，某一客户在另一次的业务办理时音量为50到60分贝，语速为一分钟80个字。

在具体实现步骤305的过程中，可以通过录音设备记录客户的语音信息，借助声音分析模型获取客户的目标声音特征信息，即客户的声音特征。

步骤306：将所述第二目标声音特征信息按照预设区间进行分类，并确定所述第二目标声音特征信息对应的区间概率；所述区间概率为所述第二目标声音特征信息所处的区间的概率。

在本申请的实施例中，预设区间指的是对声音特征信息按照情绪类别进行分类，也就是说，可以根据客户的情绪类别对客户的声音特征进行分类。具体的，在客户的音量特征中，可以按照情绪类别进行分类。情绪类别可以是6个类别，可选的，情绪类别可以为第六类别，代表的情绪较高，情绪表现可以是高兴，情绪类别也可以为第一类别，代表的情绪较低，情绪表现可以是失望。根据以上所述，在客户的音量特征中，可以根据6个情绪类别分类，例如，客户音量在80分贝至100分贝的区间分类为情绪类别的第一类别，即客户音量处在80分贝至100分贝之间则认为客户对此次业务办理体验较为失望。

在对客户的声音特征信息按照预设区间进行分类之后，便能确定客户的声音特征信息对应的区间概率，即确定客户的声音特征对应的区间概率。具体的，客户的音量特征可以在80分贝至100分贝之间的预设区间内，该区间的区间概率可以为0.1，即客户的音量特征对应的区间概率可以为0.1。

需要说明的是，本申请实施例的区间概率是经过客户的历史声音数据，即客户的训练声音特征信息得到的，具体步骤包括：

获取至少一个业务中每个业务对应的客户的训练声音特征信息，训练声音特征信息体现客户的声音特征。

在本申请实施例中，可以通过客户历史办理业务被录音设备记录的语音信息获取客户的历史声音数据，即客户的训练声音特征信息。客户的训练声音特征信息能够体现客户的声音特征，也可以反映客户的情绪类别，即情绪高低。

将客户的训练声音特征信息按照预设区间进行分类，并计算预设区间的区间概率。

在本申请实施例中，将客户的训练声音特征信息按照情绪类别对应的预设区间进行分类。对客户的训练声音特征信息按照预设区间分类之后，统计客户的训练声音特征信息处于某一预设区间的次数和客户的训练声音特征信息总样本数据次数，客户的训练声音特征信息处于某一预设区间的次数与客户的训练声音特征信息总样本数据次数的比值就是预设区间的区间概率。具体的，针对客户的训练音量特征，可以按照情绪类别进行区间分类，例如，客户训练音量处在80分贝至100分贝的区间分类为情绪类别的第一类别，客户训练音量处在这一区间的次数为3次，客户的训练音量特征的总样本数据为100次，其区间概率为0.03。

步骤307：将所述第二目标声音特征信息对应的区间概率分别输入到第二贝叶斯模型，得到所述第二目标声音特征信息对应的情绪类别概率；所述情绪类别概率为所述第二目标声音特征信息对应于情绪类别的概率，所述情绪类别体现所述客户的情绪的高低。

在本申请的实施例中，客户的目标声音特征信息对应的区间的概率是可以确定的。贝叶斯模型即贝叶斯公式，是一种计算概率的数学公式。情绪类别概率为客户的声音特征信息对应的情绪类别的概率，可选的，情绪类别概率可以是客户的音量特征和语速特征都是情绪类别的第一类别的概率，情绪类别概率还可以是客户的音调特征和音频特征都是情绪类别的第六类别的概率，情绪类别概率还可以是客户的音量特征、语速特征、音调特征和音频特征都是情绪类别的第二类别的概率。客户的情绪类别能够反映客户的情绪的高低，具体的，情绪类别可以是6个类别，可选的，情绪类别可以为第六类别，代表的情绪较高，情绪表现可以是高兴，情绪类别也可以为第一类别，代表的情绪较低，情绪表现可以是失望。

在具体实现步骤307的过程中，可以通过贝叶斯公式，将按照情绪类别分类的客户的声音特征对应的区间概率计算为客户的目标声音特征信息对应的情绪类别概率。具体的，针对音量特征，第一情绪类别对应的区间概率为0.1，针对语速特征，第一情绪类别对应的区间概率为0.2，将两个区间概率输入贝叶斯公式，得出第一情绪类别相对于音量特征和语速特征的概率，即第一情绪类别概率。

步骤308：根据所述至少一个业务中每个业务对应的客户的第二目标声音特征信息的情绪类别概率，确定所述至少一个业务中每个业务对应的客户的情绪类别。

在本申请的实施例中，客户的情绪类别概率能反映客户的情绪高低，具体的，客户的情绪类别可以为3个类别，第一类别情绪代表客户情绪较高，情绪表现可以为高兴。第二类别情绪代表客户情绪较为平和，情绪表现可以为微笑，第三类别情绪表现代表客户情绪较低，情绪表现可以为失望。第一情绪类别概率为0.5，第二情绪类别为0.3，第三情绪类别为0.2。可以通过比较这三个类别的情绪类别概率的大小，确定客户的情绪类别，具体的，可以将情绪类别概率最大的确定为客户的情绪类别，则第一情绪类别为0.5，为最大值，可以确定客户的情绪类别为第一情绪类别。

步骤309：将所述柜员至少一个业务中每个业务对应的业务类别、所述至少一个业务中每个业务对应的客户画像信息和所述至少一个业务中每个业务对应的客户的情绪类别输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到。

在本申请的实施例中，将柜员某个业务的业务类别和该业务的客户画像信息和客户的情绪类别输入神经网络模型中，得到该业务的柜员绩效。神经网络模型是经过预先训练得到的。

步骤310：根据所述至少一个业务中每个业务对应的绩效确定所述柜员的总绩效。

在本申请实施例中，柜员的总绩效代表了柜员的业务服务水平，总绩效较高，说明柜员的业务服务水平较高，能为客户带来更好的用户体验。总绩效可以是每个业务对应的绩效的总和，也可以是每个业务对应的绩效的平均值。

获取柜员至少一个业务中每个业务对应的目标语音信息；针对所述每个业务对应的目标语音信息分别执行以下处理，得到所述每个业务对应的所述柜员的业务类别：根据所述柜员的目标语音信息得到所述柜员的第一目标声音特征信息，所述第一目标声音特征信息体现所述柜员的声音特征；确定所述第一目标声音特征信息对应于至少一个业务类别的概率；将所述目标语音信息转换为文本信息，所述文本信息包括所述柜员回复客户问题的回答语句；将所述文本信息与预设回答文本信息进行匹配，得到匹配度，所述预设回答文本信息包括预设回答语句，所述匹配度体现所述柜员的回答语句与所述预设回答语句的匹配程度；将所述目标声音特征信息对应于至少一个业务类别的概率和所述匹配度输入到第一贝叶斯模型，得到所述柜员的业务类别概率；根据所述柜员的业务类别概率，确定所述柜员的业务类别；获取至少一个业务中每个业务对应的客户画像信息，所述客户画像信息为客户的信息；将所述柜员至少一个业务中每个业务的业务类别和所述至少一个业务中每个业务对应的客户画像信息输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到。由此可见，本申请实施例通过获取柜员每个业务的语音信息，得到柜员的声音特征信息，将语音信息转化为文本信息，通过将柜员回复客户问题的文本信息和预设回答文本信息进行匹配，得到匹配度，将声音特征信息对应每个业务类别的概率和匹配度输入到贝叶斯模型，得到柜员的业务类别的概率，进而确定业务类别，将柜员的业务类别和客户画像信息输入神经网络模型，得到柜员每个业务的绩效，使得银行能够利用现代科学算法技术对柜员的绩效做公平准确的智能化确定。

基于上述本申请实施例提供的一种业务绩效确定方法，本申请实施例还提供了一种业务绩效确定装置400，如图4所示，为本申请实施例提供的一种业务绩效确定装置的结构示意图，包括：

第一获取单元410，用于获取柜员至少一个业务中每个业务对应的目标语音信息；

处理单元420，用于针对所述每个业务对应的目标语音信息分别执行以下处理，得到所述每个业务对应的所述柜员的业务类别；

所述处理单元420包括：

特征获取单元421，用于根据所述柜员的目标语音信息得到所述柜员的第一目标声音特征信息，所述第一目标声音特征信息体现所述柜员的声音特征；

第一确定单元422，用于确定所述第一目标声音特征信息对应于至少一个业务类别的概率；

转换单元423，用于将所述目标语音信息转换为文本信息，所述文本信息包括所述柜员回复客户问题的回答语句；

匹配单元424，用于将所述文本信息与预设回答文本信息进行匹配，得到匹配度，所述预设回答文本信息包括预设回答语句，所述匹配度体现所述柜员的回答语句与所述预设回答语句的匹配程度；

第一输入单元425，用于将所述第一目标声音特征信息对应于至少一个业务类别的概率和所述匹配度输入到第一贝叶斯模型，得到所述柜员的业务类别概率；

第二确定单元426，用于根据所述柜员的业务类别概率，确定所述柜员的业务类别；

第二获取单元430，用于获取至少一个业务中每个业务对应的客户画像信息，所述客户画像信息为客户的信息；

第二输入单元440，用于将所述柜员至少一个业务中每个业务的业务类别和所述至少一个业务中每个业务对应的客户画像信息输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到。

该装置还包括：

第三确定单元，用于根据所述至少一个业务中每个业务对应的绩效确定所述柜员的总绩效。

该装置还包括：

第三获取单元，用于获取至少一个业务中每个业务对应的客户的第二目标声音特征信息，所述第二目标声音特征信息体现所述客户的声音特征；

第四确定单元，用于将所述第二目标声音特征信息按照预设区间进行分类，并确定所述第二目标声音特征信息对应的区间概率；所述区间概率为所述第二目标声音特征信息所处的区间的概率；

第三输入单元，用于将所述第二目标声音特征信息对应的区间概率分别输入到第二贝叶斯模型，得到所述第二目标声音特征信息对应的情绪类别概率；所述情绪类别概率为所述第二目标声音特征信息对应于情绪类别的概率，所述情绪类别体现所述客户的情绪的高低；

第五确定单元，用于根据所述至少一个业务中每个业务对应的客户的第二目标声音特征信息的情绪类别概率，确定所述至少一个业务中每个业务对应的客户的情绪类别；

第四输入单元，用于将所述柜员至少一个业务中每个业务对应的业务类别、所述至少一个业务中每个业务对应的客户画像信息和所述至少一个业务中每个业务对应的客户的情绪类别输入神经网络模型，得到至少一个业务中每个业务对应的绩效；其中，所述神经网络模型是预先训练得到。

第六确定单元，用于根据所述至少一个业务中每个业务对应的绩效确定所述柜员的总绩效。

第二确定单元426根据所述柜员的业务类别概率，确定所述柜员的业务类别包括：

第二确定单元426将所述柜员的业务类别概率最大的，确定为所述柜员的业务类别。

该装置客户画像信息包括以下其中一项或多项：

客户历史业务办理信息、客户资产信息及客户类别。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，所述单元的划分，仅仅为一种逻辑业务划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各业务单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件业务单元的形式实现。

以上所述的具体实施方式，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方式而已。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。