取待评价语音 业务相关记录数据的评价值，并根据这些语音业务相关记录数据的评价值进一步对待评价 语音业务相关记录数据对应的语音业务进行综合评价处理，从而为改进和优化语音业务提 供了更为可靠的依据。同时，根据对语音业务相关记录数据的评价还可以反应出网络的真 实状况，可以根据所反应的网络状况进一步对网络指标进行调整。
【附图说明】
[0059] 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一简单地介绍，显而易见地，下面描述中的附图是本发 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性的前提下，还可以 根据这些附图获得其他的附图。
[0060] 图1为本发明提供的语音业务的评价处理方法实施例一的流程示意图；
[0061] 图2为本发明提供的语音业务的评价处理方法实施例二的流程示意图；
[0062] 图3为本发明提供的语音业务的数据评价方法实施例三的流程示意图；
[0063] 图4为本发明提供的语音业务的评价处理装置实施例一的结构示意图；
[0064] 图5为本发明提供的语音业务的评价处理装置实施例二的结构示意图；
[0065] 图6为本发明提供的语音业务的评价处理装置实施例三的结构示意图；
[0066] 图7为本发明提供的语音业务的评价处理装置实施例四的结构示意图；
[0067] 图8为本发明提供的语音业务的评价处理装置实施例五的结构示意图。
【具体实施方式】
[0068] 为使本发明实施例的目的、技术方案和优点更加清楚，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 在没有作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。
[0069] 图1为本发明提供的语音业务的评价处理方法实施例一的流程示意图，如图1所 示,该方法包括：
[0070] S101、获取待评价语音业务相关记录数据。
[0071] 语音业务相关记录数据是指语音业务进行过程中，后台完整记录的语音业务过程 中的数据。
[0072] S102、采用根据语音相关记录数据获取的语音业务评价模型，对上述待评价语音 业务相关记录数据进行评价，获取该待评价语音业务相关记录数据的评价值。
[0073] 具体地，这里语音业务评价模型是根据大量的历史语音相关记录数据获取的，上 述获取的待评价语音业务相关记录数据未来也可以用于建立语音业务评价模型。
[0074] S103、根据上述评价值对上述待评价语音业务相关记录数据对应的语音业务进行 评价处理。
[0075] 通过该语音业务评价模型来获取待评价语音业务相关记录数据的评价值，然后进 一步根据该评价值来全面的综合地分析评价语音业务，可以对语音业务进行全面可靠的评 价。
[0076] 本实施例中，获取待评价语音业务相关记录数据，采用根据语音相关记录数据获 取的语音业务评价模型，对待评价语音业务相关记录数据进行评价，获取待评价语音业务 相关记录数据的评价值，并根据这些语音业务相关记录数据的评价值进一步对待评价语音 业务相关记录数据对应的语音业务进行综合评价处理，从而为改进和优化语音业务提供了 更为可靠的依据。同时，根据对语音业务相关记录数据的评价还可以反应出网络的真实状 况，可以根据所反应的网络状况进一步对网络指标进行调整。
[0077] 具体地，上述采用根据语音相关记录数据获取的语音业务评价模型，对上述待评 价语音业务相关记录数据进行评价之前，包括：获取语音业务相关记录数据；根据这些语 音业务相关记录数据，获取上述语音业务评价模型。
[0078] 其中，语音业务相关记录数据包括语音业务相关属性数据。一般情况下，一条语音 业务相关记录数据可以包括多个语音业务相关属性数据。对应地，上述根据这些语音业务 相关记录数据，获取上述语音业务评价模型，具体为根据上述语音业务相关属性数据，获取 语音业务评价模型。
[0079] 语音业务相关属性数据可以包括：移动主叫（MobileOriginatedCall,简称M0C) 数据、移动被叫（MobileTeminatedCall，简称MTC)数据等，但并不以此为限。需要说明的 是，在进行语音通信的过程中，后台会完整的记录整个通信过程中的所有数据，在建立模型 之前，在数据库中获取大量与语音业务相关记录数据。这些记录数据中包括大量属性数据， 获取属性数据的同时可以获取这些属性数据对应的属性值以及属性值的分布。需要说明的 是，具体评价时，是对接收到的待评价语音业务相关记录数据整体进行评价，获取评价值， 而不是针对其中的某个属性数据进行评价。
[0080] 更具体地，上述语音业务相关属性数据可以包括下述任一项或其任意组合：响铃 时间、接听时间、分配时间、鉴权请求时间、加密请求时间、业务请求接收时间、挂断时间、结 束通信时间、释放时间、呼叫时间。具体实现过程中，这些属性数据可能是上述MOC数据或 MTC数据中的具体属性字段，但并不以此为限。
[0081] 图2为本发明提供的语音业务的评价处理方法实施例二的流程示意图，如图2所 示，上述根据语音业务相关属性数据，获取上述语音业务评价模型，具体可以为：
[0082] S201、采用聚类算法，对上述语音业务相关属性数据进行聚类，获取预设数目个属 性数据分类。即可以根据具体需要，预设将属性数据聚类为几类。
[0083] 此处对聚类算法不作限制，可以根据具体的应用场景选择合适的聚类算法。
[0084] S202、根据各分类中的属性数据，计算各分类对应的分类度量指标值。
[0085] 具体地，每个分类下包括至少一种属性数据，每个属性数据可能会对应多个不同 的属性值，根据这些属性值就可以计算出每个分类对应的分类度量指标值。
[0086] 前述获取语音业务相关属性数据时，可以同时获取到每个属性数据对应的大量属 性值，以及这些属性值的分布情况。
[0087] S203、根据各分类对应的分类度量指标值，对各分类进行排序，获取优劣排序结 果。
[0088] S204、采用机器学习法，对上述优劣排序结果进行训练，获取上述语音业务评价模 型。
[0089] 这里机器学习法可以选用支持向量机（SupportVectorMachine,简称SVM)，但并 不以此为限。当然，随着数据的不断更新，可以不断的根据新数据来更新模型。
[0090] 更进一步地，上述各分类对应的分类度量指标可以包括：各分类对应的平均值和 标准差。但并不以此为限。
[0091] 假设聚类后有5种分类，举例说明，表1记载这5类中属性数据分别对应的平均 值，表2记载这5类中属性数据对应的标准差。
[0092] 表 1
[0097] 图3为本发明提供的语音业务的数据评价方法实施例三的流程示意图，如图3所 示，以各分类对应的平均值和标准差为例进行说明，上述根据各分类对应的分类度量指标 值，对各分类进行排序，获取优劣排序结果，可以为：
[0098] S301、根据上述分类对应的平均值和各分类中属性数据的属性特征，对上述各分 类进行排序，获取第一排序结果。
[0099] 具体地，各分类中属性数据的属性特征用于表明该属性特性是属性值越大越优， 还是属性值越小越优。因此，具体排序时，先按每种属性数据对应的平均值分别为各分类排 序，然后再综合确定各分类的第一排序结果。
[0100] S302、若该第一排序结果中包括平均值相同的分类，则将各平均值相同的分类按 照对应的标准差进行排序，获取第二排序结果。
[0101] 假设聚类后有5种分类（cluster)，记为：cl、c2、c3、c4、c5,根据平均值排序后， 在第一排序结果中c3和c4并列，即它们平均值相同，那么再按照它们的标准差对c3和c4 进行排序，获取第二排序结果。
[0102] 与平均值不同的是，标准差用于表示分类的聚集度，标准差越小表示对应分类中 的属性数据越集中，因此，按标准差排列时都是标准差越小则对应的分类越优。
[0103] S303、根据第一排序结果和第二排序结果，获取上述优劣排序结果。即综合第一排 序结果和第二排序结果，就可以整理获得最终的优劣排序结果。
[0104] 具体地，该优劣排序结果就可以作为各分类的评价值。将该评价值标记在对应的 数据上，用于学习获取模型。
[0105] 举例说明排序过程，以表1和表2中的数据为例进行排列，表3显示排序结果，表 3中每一列表示一种属性数据对应的各分类的排序，其中，第1列表示综合评价值，即排第1 位的记5分，排第2位的记4分，依次类推。需要说明的是，表3中"I"表示对应属性数据 的属性值越小越优，"丨"对应属性数据的属性值越大越优。
[0106]表 3
[0109] 从第1行可以看出，c2在排序第1的属性数据中包含的个数最多，因此c2最优， 记5分，然后第1行中有2个c4,因此c4第二，记4分，从第1行中无法确定cl、c3、c5的 排序，进而参照第2行c3有4个,cl有2个,c5有1个,因此排序依次为c3排第3记3分， cl排第4记2分，c5排第5记1分。
[0110] 进一步地，为了优化样本数据，上述根据语音业务相关属性数据，获取上述语音业 务评价模型之前，还包括：若上述语音业务相关属性数据中包括两个属性值分布具有相关 性的语音业务相关属性数据，则在上述两个语音业务相关属性数据中删除任一个语音业务 相关属性数据。具体实现过程中，可以将语音业务相关属性数据的属性值依次两两进行比 较，两两比较时，如果发现这两个属性值分布具