基于人工智能的满意度评价方法、装置、存储介质

摘要

本发明公开了一种基于人工智能的满意度评价方法、装置、存储介质，方法包括：获取综合评分，父评分集和子评分集；通过综合评分和线性回归模型对父评分集的各个父评分进行线性回归处理，得到各个父评分的父评分权重；通过父评分和线性回归模型对父评分下对应的子评分集的各个子评分进行线性回归处理，得到父评分下的各个子评分的子评分权重；将父评分权重和子评分权重输入至模糊综合评价模型，得到满意度评价结果。本发明通过线性回归方法结合模糊综合评价模型实现满意度评价，相较于现有技术通过模糊综合评价模型与层次分析法相结合的方式，能够提高满意度评价结果的准确性。

说明书

技术领域

本发明涉及但不限于人工智能技术领域，尤其涉及一种基于人工智能的满意度评价方法、装置、存储介质。

背景技术

随着互联网科技的不断发展，培训应用的推广越来越普遍，向用户提供符合用户实际需求、令用户满意的培训服务成为应用公司的经营目标。因此，研究出一套科学合理的培训满意度评价方法，对优化完善培训应用具有重要意义，例如平安知鸟培训平台，该平台提供了用于收集用户的培训满意度数据的调查问卷，调查问卷包括多个维度的评分项，通过收集平台用户对多个维度的评分项的评分值，能够更好地分析用户对平安知鸟培训平台的满意度。现有技术主要通过模糊综合评价模型与层次分析法相结合的方式实现培训应用的满意度调查，即先通过层次分析法确定多个评分项的权重系数，再采用模糊综合评价模型对通过层次分析法得到的权重系数进行综合评价，得到培训应用的满意度调查结果。但是，层次分析法需要引入专家的经验评分，具有一定的主观性，无法得到客观有效的满意度评价结果。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种基于人工智能的满意度评价方法、装置、存储介质，能够有效提高满意度评价结果的准确性。

第一方面，本发明实施例提供了基于人工智能的满意度评价方法，包括：

确定评价项目集，所述评价项目集包括多个预设的父评价项目，各个所述父评价项目包括多个子评价项目；

获取综合评分、父评分集和子评分集，其中，所述综合评分包括所述评价项目集的综合评分，所述父评分集包括多个父评分，所述父评分表征各个所述父评价项目的评分，所述子评分集包括多个子评分，所述子评分表征各个所述子评价项目的评分；

获取预先训练好的线性回归模型，通过所述综合评分和所述线性回归模型对各个所述父评分进行线性回归处理，得到各个所述父评分的父评分权重，其中，所述父评分权重表征各个所述父评分对所述综合评分的重要程度；

通过所述父评分和所述线性回归模型对所述父评分下的各个所述子评分进行线性回归处理，得到所述父评分下的各个所述子评分的子评分权重，其中，所述子评分权重表征所述父评分下的各个所述子评分对所述父评分的重要程度；

获取预先训练好的模糊综合评价模型，将所述父评分权重和所述子评分权重输入至所述模糊综合评价模型进行数据预测，得到满意度评价结果。

在一些实施例中，所述模糊综合评价模型包括模糊判断矩阵，所述将所述父评分权重和所述子评分权重输入至所述模糊综合评价模型进行数据预测，得到满意度评价结果，包括：

计算所述子评分权重与所述模糊判断矩阵的乘积，得到隶属度向量；

计算所述父评分权重与所述隶属度向量的乘积，得到满意度评分；

获取预设的评分阈值；

计算所述满意度评分与所述评分阈值的比值，得到所述满意度评价结果。

在一些实施例中，各个所述子评价项目包括子评价项目类型，所述子评价项目类型对应有子评价项目参数值，所述获取预先训练好的模糊综合评价模型，包括：

获取初始模糊判断矩阵，所述初始模糊判断矩阵表征各个所述子评价项目参数值对所述子评分的隶属度；

获取初始模糊综合评价模型，根据所述初始模糊判断矩阵、所述父评分权重和所述子评分权重对所述初始模糊综合评价模型进行训练，得到所述模糊综合评价模型。

在一些实施例中，所述获取初始模糊判断矩阵，包括：

获取预设的评价因素集，其中，所述评价因素集包括多个所述子评价项目参数值；

获取预设的评语集，其中，所述评语集包括多个所述子评分；

根据所述评价因素集和所述评语集构建所述初始模糊判断矩阵。

在一些实施例中，在所述根据所述初始模糊判断矩阵、所述父评分权重和所述子评分权重对所述初始模糊综合评价模型进行训练，得到所述模糊综合评价模型之前，所述方法还包括：

计算所述初始模糊判断矩阵的一致性比例值；

当所述一致性比例值大于或等于预设的比例阈值，调整所述初始模糊判断矩阵，以使调整后的初始模糊判断矩阵的所述一致性比例值小于所述比例阈值。

在一些实施例中，所述计算所述初始模糊判断矩阵的一致性比例值，包括：

从所述初始模糊判断矩阵中获取特征参数，所述特征参数为所述初始模糊判断矩阵中数值最大的参数；

确定所述初始模糊判断矩阵的阶数值，将所述特征参数和所述阶数值根据预设的一致性指标算法计算得出一致性指标值；

从预设的随机一致性列表中获取与所述阶数值相对应的随机一致性指标值；

计算所述一致性指标值与所述随机一致性指标值的比值，得到所述一致性比例值。

在一些实施例中，在通过所述线性回归模型对所述综合评分和所述父评分集进行线性回归处理，得到父评分权重之前，所述方法还包括：

当检测到所述综合评分为空值，删除所述综合评分，删除所述综合评分对应的父评分集，删除所述综合评分对应的子评分集；

或者，

当检测到所述父评分集的父评分的数量小于预设的父评价项目数量阈值，删除所述父评分集，删除所述父评分集对应的所述综合评分，删除所述父评分集对应的所述子评分集；

或者，

当检测到所述子评分集中的子评分的数量小于预设的子评价项目数量阈值，删除所述子评分集，删除所述子评分集对应的所述综合评分，删除所述子评分集对应的所述父评分集。

第二方面，本发明实施例还提供了一种满意度评价装置，包括：

评价项目集确定模块，所述评价项目集确定模块用于确定评价项目集，所述评价项目集包括多个预设的父评价项目，各个所述父评价项目包括多个子评价项目；

数据获取模块，所述数据获取模块用于获取综合评分、父评分集和子评分集，其中，所述综合评分包括所述评价项目集的综合评分，所述父评分集包括多个父评分，所述父评分表征各个所述父评价项目的评分，所述子评分集包括多个子评分，所述子评分表征各个所述子评价项目的评分；

父评分权重获取模块，所述父评分权重获取模块用于获取预先训练好的线性回归模型，通过所述综合评分和所述线性回归模型对各个所述父评分进行线性回归处理，得到各个所述父评分的父评分权重，其中，所述父评分权重表征各个所述父评分对所述综合评分的重要程度；

子评分权重获取模块，所述子评分权重获取模块用于通过所述父评分和所述线性回归模型对所述父评分下的各个所述子评分进行线性回归处理，得到所述父评分下的各个所述子评分的子评分权重，其中，所述子评分权重表征所述父评分下的各个所述子评分对所述父评分的重要程度；

满意度评价结果确定模块，所述满意度评价结果确定模块用于获取预先训练好的模糊综合评价模型，将所述父评分权重和所述子评分权重输入至所述模糊综合评价模型进行数据预测，得到满意度评价结果。

第三方面，本发明实施例还提供了一种满意度评价装置，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如第一方面所述的基于人工智能的满意度评价方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行如第一方面所述的基于人工智能的满意度评价方法。

本发明实施例包括：确定评价项目集，所述评价项目集包括多个预设的父评价项目，各个所述父评价项目包括多个子评价项目；获取综合评分、父评分集和子评分集，其中，所述综合评分包括所述评价项目集的综合评分，所述父评分集包括多个父评分，所述父评分表征各个所述父评价项目的评分，所述子评分集包括多个子评分，所述子评分表征各个所述子评价项目的评分；获取预先训练好的线性回归模型，通过所述综合评分和所述线性回归模型对各个所述父评分进行线性回归处理，得到各个所述父评分的父评分权重，其中，所述父评分权重表征各个所述父评分对所述综合评分的重要程度；通过所述父评分和所述线性回归模型对所述父评分下的各个所述子评分进行线性回归处理，得到所述父评分下的各个所述子评分的子评分权重，其中，所述子评分权重表征所述父评分下的各个所述子评分对所述父评分的重要程度；获取预先训练好的模糊综合评价模型，将所述父评分权重和所述子评分权重输入至所述模糊综合评价模型进行数据预测，得到满意度评价结果。根据本发明实施例提供的方案，通过线性回归模型获取不同评价项目的权重，作为模糊综合评价方法的输入数据，相较于现有技术中通过模糊综合评价模型与层次分析法相结合的满意度评价方式，本发明能够有效提高满意度评价结果的客观准确性。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1是本发明一个实施例提供的基于人工智能的满意度评价方法的步骤流程图；

图2是本发明另一个实施例提供的获取满意度评价结果的步骤流程图；

图3是本发明另一个实施例提供的获取模糊综合评价模型的步骤流程图；

图4是本发明另一个实施例提供的获取初始模糊判断矩阵的步骤流程图；

图5是本发明另一个实施例提供的判断初始模糊判断矩阵的一致性的步骤流程图；

图6是本发明另一个实施例提供的计算一致性比例值的步骤流程图；

图7是本发明另一个实施例提供的过滤样本的步骤流程图；

图8是本发明另一个实施例提供的满意度评价装置的模块示意图；

图9是本发明另一个实施例提供的满意度评价装置的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等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。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

本发明提供了一种基于人工智能的满意度评价方法、装置、存储介质，方法包括：确定评价项目集，所述评价项目集包括多个预设的父评价项目，各个所述父评价项目包括多个子评价项目；获取综合评分、父评分集和子评分集，其中，所述综合评分包括所述评价项目集的综合评分，所述父评分集包括多个父评分，所述父评分表征各个所述父评价项目的评分，所述子评分集包括多个子评分，所述子评分表征各个所述子评价项目的评分；获取预先训练好的线性回归模型，通过所述综合评分和所述线性回归模型对各个所述父评分进行线性回归处理，得到各个所述父评分的父评分权重，其中，所述父评分权重表征各个所述父评分对所述综合评分的重要程度；通过所述父评分和所述线性回归模型对所述父评分下的各个所述子评分进行线性回归处理，得到所述父评分下的各个所述子评分的子评分权重，其中，所述子评分权重表征所述父评分下的各个所述子评分对所述父评分的重要程度；获取预先训练好的模糊综合评价模型，将所述父评分权重和所述子评分权重输入至所述模糊综合评价模型进行数据预测，得到满意度评价结果。根据本发明实施例提供的方案，通过线性回归模型获取不同评价项目的权重，作为模糊综合评价方法的输入数据，相较于现有技术中通过模糊综合评价模型与层次分析法相结合的满意度评价方式，本发明能够有效提高满意度评价结果的客观准确性。

下面结合附图，对本发明实施例作进一步阐述。

如图1所示，图1是本发明一个实施例提供的基于人工智能的满意度评价方法，包括但不限于有以下步骤：

步骤S110，确定评价项目集，该评价项目集包括多个预设的父评价项目，各个父评价项目包括多个子评价项目；

步骤S120，获取综合评分、父评分集和子评分集，其中，综合评分包括评价项目集的综合评分，父评分集包括多个父评分，该父评分表征各个父评价项目的评分，子评分集包括多个子评分，该子评分表征各个子评价项目的评分；

步骤S130，获取预先训练好的线性回归模型，通过综合评分和线性回归模型对各个父评分进行线性回归处理，得到各个父评分的父评分权重，其中，该父评分权重表征各个父评分对综合评分的重要程度；

步骤S140，通过父评分和线性回归模型对父评分下的各个子评分进行线性回归处理，得到父评分下的各个子评分的子评分权重，其中，该子评分权重表征父评分下的各个子评分对父评分的重要程度；

步骤S150，获取预先训练好的模糊综合评价模型，将父评分权重和子评分权重输入至上述的模糊综合评价模型进行数据预测，得到满意度评价结果。

可以理解的是，评价项目集包括多个预设的父评价项目的集合，各个父评价项目对应有多个子评价项目，其中，评价项目表示平安知鸟培训平台用户针对平台的培训满意度的评分项，本实施例不对评价项目的具体类型做限制，例如评价项目集可以包括：培训内容、培训师、培训场地、培训组织、培训效果这5个不同的评价项目；子评价项目为归属于评价项目的子项目，表示为培训内容的评价项目可以对应有内容专业度、内容清晰度、内容丰富度、内容实用度，4个子项目(即4个子评价项目)，本申请实施例并不对评价项目和子评价项目的具体数量做限制，本领域技术人员可以根据实际情况进行选用，可以理解的是，确定评价项目集能够为获取综合评分、父评分集和子评分集提供数据基础。

可以理解的是，综合评分可以表示为用户针对评价项目集输入的综合评分值，即表示平安知鸟培训平台的用户针对评价项目集中所有的评价项目(包括父评价项目、子评价项目)输入的一个综合评分；父评分集包括所对应的用户针对各个父评价项目输入的父评分；子评分集包括所对应的用户针对各个子评价项目的子评分；以下用一个具体示例详细描述综合评分、父评分集和子评分集之间的关系：假设评价项目集包括两个父评价项目，其中，父评价项目A表征“培训内容”，父评价项目B表征“培训师”；父评价项目A对应有2个子评价项目，子评价项目A1表征“内容专业度”，子评价项目A2表征“内容清晰度”，父评价项目B对应有2个子评价项目，子评价项目B1表征“培训师专业度”，子评价项目B2表征“培训师工作态度”；假设用户C针对A1输入的评分值为7，针对A2输入的评分值为8，针对B1输入的评分值为6，针对B2输入的评分值为7，那么用户C对应的子评分集为((7,8)，(6,7))，用户C对应的父评分集中的父评分可以取对应的子评分集中对应的子评分的平均值(7.50,6.50)，用户C对应的综合评分可以取父评分集中的两个父评分的平均值7，即与用户C对应的子评分集为((7,8)，(6,7))，父评分集为(7.50,6.50)，综合评分为7；同理，用户D对应的评价项目、子评价项目以及综合评分、父评分集和子评分集的具体形式可参考用户C的数据形式。综合评分、父评分集和子评分集的数量取决于平安知鸟培训平台的用户数量，并且，综合评分唯一对应一个用户，父评分集唯一对应一个用户，以及子评分集唯一对应一个用户，综合评分、父评分集和子评分集通过相同的用户标识进行关联；可以理解的是，获取综合评分、父评分集和子评分集能够为获取父评分权重和子评分权重提供数据基础。

需要说明的是，本申请实施例并不限制父评分集和子评分集的获取方法，父评分集和子评分集中的评分值可以是从用户登录知鸟平安培训平台，填写的培训满意度调查问卷中输入的数据中获得；还可以是，计算父评分集中所有评分的平均值，作为综合评分，计算子评分集中对应的子评价项目的评分的平均值，作为父评分集中的评分值，本领域技术人员可以根据实际情况选用即可。

需要说明的是，根据预先训练好的线性回归模型获得父评分权重和子评分权重，父评分权重表征各个父评分对综合评分的重要程度，子评分权重表征父评分下的各个子评分对父评分的重要程度，能够为获取满意度评价结果提供有效的数据基础。

需要说明的是，线性回归模型可以是逻辑回归模型或者是线性回归模型，本领域技术人员可以根据实际情况选用，在此不多做限制。

可以理解的是，模糊综合评价法是一种基于模糊数学的综合评价方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。需要说明的是，本申请实施例并不涉及对模型的改进，本领域技术人员可以根据实际情况选择具体的模糊综合评价模型，在此不多做赘述。通过线性回归模型获取不同评价项目的权重，作为模糊综合评价方法的输入数据，相较于现有技术中通过模糊综合评价模型与层次分析法相结合的满意度评价方式，本发明能够有效提高满意度评价结果的客观准确性。

另外，参照图2，在一实施例中，模糊综合评价模型包括模糊判断矩阵，图1所示实施例中的步骤S150包括但不限于有以下步骤：

步骤S210，计算子评分权重与模糊判断矩阵的乘积，得到隶属度向量；

步骤S220，计算父评分权重与上述的隶属度向量的乘积，得到满意度评分；

步骤S230，获取预设的评分阈值；

步骤S240，计算满意度评分与上述的评分阈值的比值，得到满意度评价结果。

需要说明的是，根据计算父评分权重与隶属度向量的乘积，得到隶属度向量，具体实现公式如下：

其中，B为隶属度向量集，(b

需要说明的是，计算父评分权重与隶属度向量的乘积，得到满意度评分，具体实现公式如下：

其中，A为多个父评分权重的集合；Z为满意度评分；B为上述实施例提及的隶属度向量集，通过获取预设的评分阈值(评分阈值为数值最高的满意度评分，即满意等级最高的满意度评分)，计算满意度评分与评分阈值的比值，从而得到满意度评价结果。

需要说明的是，本申请实施例并不限制i或者k以的具体取值，具体由评价项目以及子评价项目的具体数量决定。

可以理解的是，采用模糊综合评价模型以及线性回归相结合的方式实现培训满意度评价结果，能够实现将从平安知鸟培训平台中获取到的各个用户对培训满意度的多个评价维度的数据转换成可量化指标，并进行综合评价，从而能够有效提高满意度评价结果的准确性以及客观性。

另外，参照图3，在一实施例中，各个所述子评价项目包括子评价项目类型，所述子评价项目类型对应有子评价项目参数值，图1所示实施例中的获取模糊综合评价模型的步骤包括：

步骤S310，获取初始模糊判断矩阵，该初始模糊判断矩阵表征各个子评价项目参数值对子评分的隶属度；

步骤S320，获取初始模糊综合评价模型，根据上述的初始模糊判断矩阵、父评分权重和子评分权重对该初始模糊综合评价模型进行训练，得到模糊综合评价模型。

可以理解的是，获取表征各个子评价项目参数值对子评价项目评分的隶属度的初始模糊判断矩阵，通过初始模糊判断矩阵、父评分权重和子评分权重对初始模糊综合评价模型进行训练，得到模糊综合评价模型，能够有效提高综合评价培训的满意度评价结果的准确性。

另外，参照图4，在一实施例中，图3所示实施例中的初始模糊判断矩阵的获取步骤包括：

步骤S410，获取预设的评价因素集，其中，该评价因素集包括多个子评价项目参数值；

步骤S420，获取预设的评语集，其中，该评语集包括多个子评分；

步骤S430，根据上述的评价因素集和评语集构建初始模糊判断矩阵。

可以理解的是，评价因素集为子评价项目参数值的集合，子评价项目参数值的数量为多个，子评价项目参数值所对应的子评价项目归属于一个预设的父评价项目，以下以一张满意度评价表表示评价因素集：

表1满意度评价表

其中，该满意度评价表中的“培训内容”为父评价项目对应的评价项目参数值，“内容专业度”、“内容清晰度”、“内容丰富度”、“内容实用度”为归属于“培训内容”所对应的父评价项目的多个子评价项目的子评价项目参数值。

评语集可以表示为v＝(v

需要说明的是，本申请实施例并不限制评价因素集的具体数量，评价因素集的数量根据评价项目的数量确定，例如，当预设的评价项目的数量为5个，包括培训内容、培训师、培训场地、培训组织、培训效果，那么评价因素集的数量为5个，每个评价因素集均对应可以表示为与预设的父评价项目以及子评价项目相对应的形式如表1所示的满意度评价表。

可以理解的是，根据评价因素集和评语集构建初始模糊判断矩阵，能够结合父评分权重、子评分权重对预设的初始模糊综合评价模型进行训练，为构建模糊综合评价模型提供数据基础。需要说明的是，步骤S210实施例所述的模糊判断矩阵为根据初始模糊判断矩阵以及父评分权重、子评分权重训练得到的模糊综合评价模型中的模糊判断矩阵。

另外，参照图5，在一实施例中，在图3所示实施例中的步骤S320之前，还包括但不限于有以下步骤：

步骤S510，计算初始模糊判断矩阵的一致性比例值；

步骤S520，当一致性比例值大于或等于预设的比例阈值，调整初始模糊判断矩阵，以使调整后的初始模糊判断矩阵的一致性比例值小于比例阈值。

可以理解的是，计算初始模糊判断矩阵的一致性比例值，通过一致性比例值与预设的比例阈值相比较，当一致性比例值大于或等于预设的比例阈值，调整初始模糊判断矩阵，以使调整后的初始模糊判断矩阵的一致性比例值小于比例阈值，能够保证初始模糊判断矩阵中各元素重要度之间的协调性，由于初始模糊判断矩阵为得到上述实施例中的模糊综合评价模型的训练数据，因此通过一致性检验的初始模糊判断矩阵能够为模糊综合评价模型提供有效的数据基础。

另外，参照图6，在一实施例中，图5所示实施例中的步骤S510包括但不限于有以下步骤：

步骤S610，从初始模糊判断矩阵中获取特征参数，该特征参数为初始模糊判断矩阵中数值最大的参数；

步骤S620，确定初始模糊判断矩阵的阶数值，将上述的特征参数和阶数值根据预设的一致性指标算法计算得出一致性指标值；

步骤S630，从预设的随机一致性列表中获取与阶数值相对应的随机一致性指标值；

步骤S640，计算一致性指标值与上述的随机一致性指标值的比值，得到一致性比例值。

可以理解的是，一致性比例值的具体获取公式如下：

其中，λ

其中，RI根据阶数值从如下的随机一致性列表中获取：

表2随机一致性列表

另外，参照图7，在一实施例中，在图1所示实施例中的步骤S140之前，还包括但不限于有以下步骤：

步骤S710，当检测到综合评分为空值，删除该综合评分，删除该综合评分对应的父评分集，删除该综合评分对应的子评分集；

或者，

步骤S720，当检测到父评分集的父评分的数量小于预设的父评价项目数量阈值，删除该父评分集，删除该父评分集对应的综合评分，删除该父评分集对应的子评分集；

或者，

步骤S730，当检测到子评分集中的子评分的数量小于预设的子评价项目数量阈值，删除该子评分集，删除该子评分集对应的综合评分，删除该子评分集对应的父评分集。

可以理解的是获取预先训练好的线性回归模型，通过综合评分和线性回归模型对各个父评分进行线性回归处理，得到各个父评分的父评分权重之前，对综合评分、父评分集以及子评分集进行异常检测以及过滤处理，当检测到综合评分、父评分集或子评分集存在异常，例如，检测到综合评分为空值，或者，检测到父评分集中的父评分的数量小于预设的父评价项目数量阈值，或者，检测到子评分集中的子评分的数量小于预设的子评价项目数量阈值，删除存在异常的评分相关联的综合评分、父评分集和子评分集，从而能够提高样本数据的有效性。

另外，参考图8，图8是本发明另一个实施例提供的满意度评价装置的模块示意图，本发明的一个实施例还提供了一种满意度评价装置800，该装置包括：

评价项目集确定模块810，评价项目集确定模块810用于确定评价项目集，评价项目集包括多个预设的父评价项目，各个父评价项目包括多个子评价项目；

数据获取模块820，数据获取模块820用于获取综合评分、父评分集和子评分集，其中，综合评分包括评价项目集的综合评分，父评分集包括多个父评分，该父评分表征各个父评价项目的评分，子评分集包括多个子评分，该子评分表征各个子评价项目的评分；

父评分权重获取模块830，父评分权重获取模块830用于获取预先训练好的线性回归模型，通过综合评分和线性回归模型对各个父评分进行线性回归处理，得到各个父评分的父评分权重，其中，该父评分权重表征各个父评分对综合评分的重要程度；

子评分权重获取模块840，子评分权重获取模块840用于通过父评分和模型对父评分下的各个子评分进行线性回归处理，得到父评分下的各个子评分的子评分权重，其中，该子评分权重表征父评分下的各个子评分对父评分的重要程度；

满意度评价结果确定模块850，满意度评价结果确定模块850用于获取预先训练好的模糊综合评价模型，将父评分权重和子评分权重输入至上述的模糊综合评价模型进行数据预测，得到满意度评价结果。

另外，参考图9，图9是本发明另一个实施例提供的满意度评价装置的结构图，本发明的一个实施例还提供了一种满意度评价装置900，该装置包括：存储器910、处理器920及存储在存储器910上并可在处理器920上运行的计算机程序。处理器920和存储器910可以通过总线或者其他方式连接。

实现上述实施例的基于人工智能的满意度评价方法所需的非暂态软件程序以及指令存储在存储器910中，当被处理器920执行时，执行上述实施例中的基于人工智能的满意度评价方法，例如，执行以上描述的图1中的方法步骤S110至步骤S150、图2中的方法步骤S210至步骤S240、图3中的方法步骤S310至步骤S320、图4中的方法步骤S410至步骤S430、图5中的方法步骤S510至步骤S520、图6中的方法步骤S610至步骤S640、图7中的方法步骤S710至步骤S730。

以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。

此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述满意度评价装置实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于人工智能的满意度评价方法，例如，执行以上描述的图1中的方法步骤S110至步骤S150、图2中的方法步骤S210至步骤S240、图3中的方法步骤S310至步骤S320、图4中的方法步骤S410至步骤S430、图5中的方法步骤S510至步骤S520、图6中的方法步骤S610至步骤S640、图7中的方法步骤S710至步骤S730。本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的各个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的程序。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的各个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。

本实施例的终端可以包括：射频(Radio Frequency，简称RF)电路、存储器、输入单元、显示单元、传感器、音频电路、无线保真(wireless fidelity，简称WiFi)模块、处理器、以及电源等部件。RF电路可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器处理；另外，将设计上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，简称LNA)、双工器等。此外，RF电路还可以通过无线通信与网络和其他装置通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication，简称GSM)、通用分组无线服务(General Packet RadioService，简称GPRS)、码分多址(Code Division Multiple Access，简称CDMA)、宽带码分多址(Wideband Code Division Multiple Access，简称WCDMA)、长期演进(Long TermEvolution，简称LTE)、电子邮件、短消息服务(Short Messaging Service，简称SMS)等。存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。输入单元可用于接收输入的数字或字符信息，以及产生与终端的设置以及功能控制有关的键信号输入。具体地，输入单元可包括触控面板以及其他输入装置。触控面板，也称为触摸屏，可收集在其上或附近的触摸操作(比如使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器，并能接收处理器发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类别实现触控面板。除了触控面板，输入单元还可以包括其他输入装置。具体地，其他输入装置可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元可用于显示输入的信息或提供的信息以及终端的各种菜单。显示单元可包括显示面板，可选的，可以采用液晶显示器(Liquid Crystal Display，简称LCD)、有机发光二极管(Organic Light-Emitting Diode，简称OLED)等形式来配置显示面板。进一步的，触控面板可覆盖显示面板，当触控面板检测到在其上或附近的触摸操作后，传送给处理器以确定触摸事件的类别，随后处理器根据触摸事件的类别在显示面板上提供相应的视觉输出。触控面板与显示面板是作为两个独立的部件来实现终端的输入和输入功能，但是在某些实施例中，可以将触控面板与显示面板集成而实现终端的输入和输出功能。终端还可包括至少一种传感器，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在终端移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。音频电路、扬声器、传声器可提供音频接口。音频电路可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路接收后转换为音频数据，再将音频数据输出处理器处理后，经RF电路以发送给比如另一终端，或者将音频数据输出至存储器以便进一步处理。

本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。