本申请涉及人工智能技术领域，具体而言，涉及一种用户满意度预测方法、装置、电子设备及存储介质。
背景技术：
随着用户对服务质量的要求越来越高，如何能够提高用户的满意度越来越受到重视。网约车出行领域作为当代一种新兴的服务应用领域，其利用网约车出行平台接收乘客通过乘客终端发布的打车请求，并将依据打车请求生成的订单推送给司机终端，这样，司机便可以在司机终端接单，并与乘客直接沟通以实现网约车出行，也往往需要通过分析网约车用户(即乘客或司机)的满意度来分析历史服务，进而对服务质量进行优化。
在打车的整个过程中，可能会出现让乘客不满意的情况，比如：司机绕路、司机态度差、车况不好等问题，还可能会出现让司机不满意的情况，比如：乘客不按约定时间乘车、乘客要求的目的地与订单的目的地不一致等问题，此时，网约车用户可以向客服进行投诉。客服作为连接出行平台和网约车用户的重要接口，是获取用户声音和处理实际问题的重要渠道，而用户对客服服务的满意度是衡量平台服务质量并进行优化的重要参考。
相关技术中对于满意度的测评通常是依靠调研得出的，比如在网上发布问卷链接或者通过话务客服在处理问题后请求打分等方式进行调研，但是，这种调研方式下测评的效率较低，并且调研回收量较少，往往不具备统计意义而导致结果可参考性较低。
技术实现要素：
有鉴于此，本申请实施例的目的在于提供一种用户满意度预测方法、装置、电子设备及存储介质，以实现对目标用户的满意度进行预测，预测的覆盖率和效率均较高。
主要包括以下几个方面：
第一方面，本申请实施例提供了一种用户满意度预测方法，所述方法包括：
获取目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息；
将获取的所述目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息进行特征值化处理，确定该目标用户对应的模型输入特征；
将确定的模型输入特征输入预先训练好的用户满意度预测模型，得到所述目标用户的用户满意度预测结果。
在一些实施例中，所述当前服务信息包括当前客服工单的记录内容；所述确定该目标用户对应的模型输入特征，包括：
对获取的所述当前客服工单的记录内容进行文本内容划分；
针对划分出的每个文本内容，将该文本内容输入至预先训练的特征构建模型中，得到与每个文本内容相对应的特征向量；
将划分出的所有文本内容对应的特征向量组成特征向量组，作为所述目标用户对应的模型输入特征。
在一些实施例中，所述当前服务信息包括当前客服工单的属性信息；其中，所述当前客服工单的属性信息包括：是否是重复进线的工单和互动式语音应答ivr等待时长；
所述确定该目标用户对应的模型输入特征，包括：
将分别表征所述是否是重复进线的工单和所述ivr等待时长的特征值作为所述模型输入特征。
在一些实施例中，所述当前服务信息包括当前订单信息；其中，所述当前订单信息包括：是否自动判责和用户等待时长；
所述确定该目标用户对应的模型输入特征，包括：
将分别表征所述是否自动判责和所述用户等待时长的特征值作为所述模型输入特征。
在一种实施方式中，所述方法还包括：
将确定的用户满意度预测结果与预设满意度阈值进行对比，判断所述目标用户是否对服务该目标用户的客服满意，若不满意，则向负责人员推送客户不满意提示信息。
在另一种实施方式中，所述平台为该目标用户提供的当前服务信息包括客服工单的记录内容；在确定所述目标用户对服务的客服不满意时，还包括：
确定所述客服工单对应的所述目标用户最近一次的历史订单信息；
针对预设的多种不满意原因类别，从确定的所述历史订单信息中，提取每种不满意原因类别所关注的订单信息；
将提取的每种不满意原因类别所关注的订单信息与该种不满意原因类别所对应的不满意订单信息进行比对，确定所述客服工单是否符合该种不满意原因类别。
在又一种实施方式中，在确定所述目标用户对服务该目标用户的客服不满意时，还包括：
将获取的所述平台为该目标用户提供的当前服务信息进行特征值化处理，并将处理后的特征值输入至预先训练的不满意分类模型中，得到所述目标用户对客服的不满意类型预测结果。
在一些实施例中，根据如下步骤训练所述不满意分类模型：
获取每个样本用户对应的历史客服工单的记录内容；
从获取的历史客服工单的记录内容中，提取所述样本用户的不满意标签分类信息；
将所述历史客服工单的记录内容作为不满意分类的影响因素，将所述不满意标签分类信息作为不满意分类结果，训练得到所述不满意分类模型。
在再一种实施方式中，按照如下步骤训练所述用户满意度预测模型：
获取每个样本用户的用户属性信息、平台为该样本用户提供的历史服务信息、服务该样本用户的客服的客服属性信息，以及该样本用户对于所述客服的满意度打分信息；
将所述用户属性信息、所述历史服务信息和所述客服属性信息作为用户满意度影响因素，将所述满意度打分信息作为用户满意度结果，训练得到用户满意度预测模型。
在一些实施例中，将所述用户属性信息、所述历史服务信息和所述客服属性信息作为用户满意度影响因素，将所述满意度打分信息作为用户满意度结果，训练得到用户满意度预测模型，包括：
对所述用户满意度影响因素进行特征值化处理，确定该样本用户对应的模型输入特征；
将所述模型输入特征作为自变量，将所述满意度打分信息作为因变量进行至少一轮模型训练，得到所述用户满意度预测模型。
第二方面，本申请实施例提供了一种用户满意度预测装置，所述装置包括：
信息获取模块，用于获取目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息；
特征确定模块，用于将获取的所述目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息进行特征值化处理，确定该目标用户对应的模型输入特征；
满意度预测模块，用于将确定的模型输入特征输入预先训练好的用户满意度预测模型，得到所述目标用户的用户满意度预测结果。
在一些实施例中，所述当前服务信息包括当前客服工单的记录内容；所述特征确定模块，具体用于：
对获取的所述当前客服工单的记录内容进行文本内容划分；
针对划分出的每个文本内容，将该文本内容输入至预先训练的特征构建模型中，得到与每个文本内容相对应的特征向量；
将划分出的所有文本内容对应的特征向量组成特征向量组，作为所述目标用户对应的模型输入特征。
在一些实施例中，所述当前服务信息包括当前客服工单的属性信息；其中，所述当前客服工单的属性信息包括：是否是重复进线的工单和互动式语音应答ivr等待时长；
所述特征确定模块，具体用于：
将分别表征所述是否是重复进线的工单和所述ivr等待时长的特征值作为所述模型输入特征。
在一些实施例中，所述当前服务信息包括当前订单信息；其中，所述当前订单信息包括：是否自动判责和用户等待时长；
所述特征确定模块，具体用于：
将分别表征所述是否自动判责和所述用户等待时长的特征值作为所述模型输入特征。
在一种实施方式中，所述装置还包括：
判断模块，用于将确定的用户满意度预测结果与预设满意度阈值进行对比，判断所述目标用户是否对服务该目标用户的客服满意，若不满意，则向负责人员推送客户不满意提示信息。
在另一种实施方式中，所述平台为该目标用户提供的当前服务信息包括客服工单的记录内容；所述装置还包括：
不满意类别确定模块，用于确定所述客服工单对应的所述目标用户最近一次的历史订单信息；
针对预设的多种不满意原因类别，从确定的所述历史订单信息中，提取每种不满意原因类别所关注的订单信息；
将提取的每种不满意原因类别所关注的订单信息与该种不满意原因类别所对应的不满意订单信息进行比对，确定所述客服工单是否符合该种不满意原因类别。
在又一种实施方式中，所述装置还包括：
不满意类型预测模块，用于将获取的所述平台为该目标用户提供的当前服务信息进行特征值化处理，并将处理后的特征值输入至预先训练的不满意分类模型中，得到所述目标用户对客服的不满意类型预测结果。
在再一种实施方式中，所述装置还包括：
分类模型训练模块，用于获取每个样本用户对应的历史客服工单的记录内容；
从获取的历史客服工单的记录内容中，提取所述样本用户的不满意标签分类信息；
将所述历史客服工单的记录内容作为不满意分类的影响因素，将所述不满意标签分类信息作为不满意分类结果，训练得到所述不满意分类模型。
在一些实施例中，所述装置还包括：
预测模型训练模块，用于获取每个样本用户的用户属性信息、平台为该样本用户提供的历史服务信息、服务该样本用户的客服的客服属性信息，以及该样本用户对于所述客服的满意度打分信息；
将所述用户属性信息、所述历史服务信息和所述客服属性信息作为用户满意度影响因素，将所述满意度打分信息作为用户满意度结果，训练得到用户满意度预测模型。
在一些实施例中，所述预测模型训练模块，具体用于：
对所述用户满意度影响因素进行特征值化处理，确定该样本用户对应的模型输入特征；
将所述模型输入特征作为自变量，将所述满意度打分信息作为因变量进行至少一轮模型训练，得到所述用户满意度预测模型。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如第一方面所述的用户满意度预测方法的步骤。
第四方面，本申请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上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面所述的用户满意度预测方法的步骤。
采用上述方案，可以首先对获取的有关目标用户的用户属性信息、当前服务信息和客服属性信息进行特征值化处理，然后将处理得到的模型输入特征输入训练好的的用户满意度预测模型，以对目标用户进行满意度预测。也即，本申请基于训练得到的用户满意度预测模型来为目标用户预测满意度，避免了相关技术中采用调研方式所带来的效率较低，并且问题回收量较少的问题，可以对目标用户的满意度进行预测，预测的覆盖率和效率均较高，进而为平台服务质量提升提供重要参考。
此外，本申请实施例还可以在确定目标用户对服务的客服不满意时，确定不满意原因类别，能够及时了解用户痛点，以便后续进行痛点跟进，解决用户问题使其满意，从而提升用户的体验度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例一所提供的一种用户满意度预测方法的流程图；
图2示出了本申请实施例二所提供的一种用户满意度预测方法的流程图；
图3示出了本申请实施例五所提供的一种用户满意度预测方法的流程图；
图4示出了本申请实施例六所提供的一种用户满意度预测方法的流程图；
图5示出了本申请实施例七所提供的一种用户满意度预测方法的流程图；
图6示出了本申请实施例八所提供的一种用户满意度预测装置的结构示意图；
图7示出了本申请实施例九所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
考虑到相关技术中对于满意度的测评通常是依靠调研得出的，这种调研方式测评的效率较低，并且问题回收量较少而导致无法及时了解到用户痛点。有鉴于此，本申请实施例提供了一种用户满意度预测方法、装置、电子设备及存储介质，其可以应用于任何对用户满意度进行预测的场景，该用户可以是网约车乘客，还可以是网约车司机，此外，上述网约车可以是快车、专车、顺风车、出租车等，本申请实施例对此不做具体的限制。下面通过几个实施例进行具体描述。
实施例一
如图1所示，为本申请实施例一提供的一种用户满意度预测方法的流程图，上述用户满意度预测方法包括如下步骤：
s101、获取目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息。
这里，目标用户的用户属性信息以及服务该目标用户的客服的客服属性信息均可以属于人员的固有行为特征。本申请实施例中对于不同的用户进行满意度预测时，采用的用户属性信息可以不同。比如，对于网约车司机这一用户进行满意度预测时，用户属性信息可以包括司机标识号码(identity，id)、司机电话、司机身份证所属城市id、司机车牌所属城市id、做单城市id、是否抢单最多、是否城市户口、司机年龄、司机车辆级别、司机驾龄等信息在内的司机基础信息，还可以包括收入、补贴率、总奖励、奖励占收入比、奖励占补贴比、奖励天数占比、成交金额(grossmerchandisevolume，gmv)、单均实收(即平均每单的实际收入)等在内的司机收入信息，还可以包括司机进线量、单均互动式语音应答(interactivevoiceresponse，ivr)等待时长、单均振铃时长、单均通话时长、重复进线量、赔偿进线量、单均进线时长、ivr挂断次数、等待挂断次数、进线量衰减等在内的司机进线信息。同理，对于网约车乘客这一用户进行满意度预测时，用户属性信息则可以是包括乘客id、乘客电话、乘客身份证所属城市id、是否城市户口、乘客年龄等信息在内的司机基础信息，还可以是包括乘客进线量、单均互动式语音应答ivr等待时长、单均振铃时长、单均通话时长、重复进线量、赔偿进线量、单均进线时长、ivr挂断次数、等待挂断次数、进线量衰减等在内的乘客进线信息。对应于上述用户，服务该用户的客服的客服属性信息则可以是包括客服id、业务线、客服性质、场景id、籍贯、婚姻状态、年龄、学历、工龄、员工状态等信息在内的客服基本信息，还可以是包括单均通话时长、投诉成立占比、重复进线量、赔偿进线量、投诉量、单均满意度、满意度参评量衰减、单均满意度衰减、赔偿金额、满意度参评量占比等信息在内的客服工作信息。
另外，上述当前服务信息可以仅包括整个网约车出行平台当前接单所产生的当前订单信息，还可以仅包括在完成订单后，用户针对此次订单满意与否向客服进线时所产生的当前客服工单的相关信息(如描述工单具体情况的属性信息、记录客服与用户交流具体问题时的记录内容)，还可以既包括上述当前订单信息，又包括上述当前客服工单的相关信息。值得说明的是，上述当前服务信息可以是仅包括当前客服工单的属性信息及记录内容的，然而，该当前服务信息可以是不包括当前订单信息的，这只要是考虑到一个进线并不一定对应有一个订单，比如用户向进线客服咨询相关业务这一应用场景，便可以不包括当前订单信息。
其中，上述当前订单信息可以是包括预估距离、是否绕路、预估价、等待时长、接驾时长、接驾距离、发单与应答时间差、订单取消类型、判责结果、是否早晚高峰等信息在内的订单信息，上述当前客服工单的相关信息则可以是包括工单状态、处理人id、处理部门id、振铃时长、等待时长、irv时长、通话时长、工单详情问题描述长度、问题路径名称、工单问题说明长度等信息在内的属性信息，还可以是包括客服的记录内容在内的记录信息。
值得说明是，本申请实施例对于上述每个信息的选择可以具有一定的针对性，比如，客服工龄可以用于描述客服的工作年限，侧面反映客服的工作经验、首单至今时间可以描述司机/乘客使用平台的时间，侧面反映司机/乘客在平台上的体验，订单信息则可以用于描述司机这一次订单的情况，可以根据这一单的情况反映司机进线的问题以及是否满意的可能性。再比如，针对当前服务信息，本次进线是否是重复进线，可以侧面反映司机/乘客是否会因为上次进线不满意而影响本次进线，ivr等待时间过长与否会影响进线的体验等。可见，上述用户属性信息、客服属性信息、以及当前服务信息及其所包括的各信息的选择至关重要。本申请实施例中，上述用户属性信息可以是上述列举出的各个信息中的部分或全部信息，还可以是既包括上述列举出的各个信息的部分或全部信息，又包括其他信息的用户属性信息，以便于提升数据准备阶段的全面性，可以进一步提升后续训练模型的准确性和鲁棒性。有关客服属性信息以及当前服务信息与上述用户属性信息的描述类似，在此不再赘述。
s102、将获取的所述目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息进行特征值化处理，确定该目标用户对应的模型输入特征。
这里，本申请实施例提供的用户满意度预测方法在获取到目标用户的用户满意度影响因素(即用户属性信息、当前服务信息和客服属性信息)后，不仅可以对用户满意度影响因素进行过滤、类型转换、衍生、数字化等特征值化处理，还可以对用户满意度影响因素进行向量转换等特征值化处理，以得到处理后的用户满意度影响因素。
其中，上述过滤处理指的是对用户满意度影响因素中的缺失信息、重复信息等进行过滤操作；上述类型转换可以是对用户满意度影响因素进行归一化处理，以把不同来源的数据统一到一个参考系下，这样比较起来才有意义，如对于当前客服工单的属性信息所包括的ivr等待时长而言，其可以将该ivr等待时长进行归一化处理，如对于当前订单信息所包括的网约车用户等待时长而言，同理可以将该等待时间进行归一化处理；上述衍生处理指的是根据用户满意度影响因素进行统计分析得到的额外的用户满意度影响因素，如对于包括司机基础信息的用户满意度影响因素而言，可以通过对司机基础信息的衍生，得到某司机的平均抢单次数、每次抢单收入等相关统计信息；上述数字化处理则可以是将用户满意度影响因素转换成数字来表示，如对于是否是重复进线的工单，可以采用1(是重复进线)或0(非重复进线)来表示，对于是否自动判责，同理可以采用1(是自动判责)或0(非自动判责)来表示等等。
另外，上述向量转换处理则可以是对用户满意度影响因素进行向量化，如对于当前客服工单的记录内容，可以将文本记录通过自然语言处理的方式编码成电子设备所能识别的数字向量。
s103、将确定的模型输入特征输入预先训练好的用户满意度预测模型，得到所述目标用户的用户满意度预测结果。
这里，在本申请实施例中，通过将获取的目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、服务该目标用户的客服的客服属性信息进行特征值化处理得到的该目标用户对应的模型输入特征输入至预先训练好的用户满意度预测模型即可得到目标用户的用户满意度预测结果。可见，采用预先训练好的用户满意度预测模型可以快速高效的为目标用户进行满意度预测，预测的覆盖率和效率均较高。其中，本申请实施例中，可以将集成树模型，如extremegradientboostingtree(xgboost)模型作为用户满意度预测模型，模型训练阶段也就是训练模型中一些未知的参数信息的过程。
值得说明的是，对于目标用户的满意度预测结果可以是预测的满意可能性大小，该可能性大小可以是百分比。为了便于形象化展示满意度预测结果，本申请实施例可以基于逻辑回归函数将模型预测得到的满意可能性大小转换为用户满意度得分，不仅易于展示，而且可以回溯至模型训练阶段所对应的用户满意度结果，实用性更佳。
在具体实施中，上述用户满意度影响因素各种各样，对于不同的用户满意度影响因素可以采用不同的特征处理方法。采用不同的特征处理方法其得到的模型输入特征亦不相同。通过如下实施例二至四对不同的用户满意度影响因素确定对应的模型输入特征进行示例说明。
首先通过如下实施例二进一步对包括当前客服工单的记录内容的当前服务信息来确定对应的模型输入特征的过程进行说明：
实施例二
如图2所示，为本实施例二所提供的用户满意度预测方法的流程图，该方法具体包括如下步骤：
s201、对获取的所述当前客服工单的记录内容进行文本内容划分；
s202、针对划分出的每个文本内容，将该文本内容输入至预先训练的特征构建模型中，得到与每个文本内容相对应的特征向量；
s203、将划分出的所有文本内容对应的特征向量组成特征向量组，作为所述目标用户对应的模型输入特征。
这里，考虑到当前客服工单的记录内容作为一种特殊的用户满意度影响因素，其采用文本描述的形式，而对于文本描述而言，电子设备一般情况下是无法直接识别的。为了解决上述问题，本申请实施例二采用了一种将文本记录通过自然语言处理的方式编码成电子设备所能识别的数字向量的方式进行当前客服工单的记录内容的特征处理。
其中，在接收到当前客服工单的记录内容之后，可以对该记录内容进行文本内容划分，而针对划分出的每个文本内容，可以基于词表示模型，如word2vec模型，将作为自然语言的文本内容转化为向量形式的数字信息，以便于机器识别，此过程称为编码。也即，采用语义化的特征向量来表示一个文本内容(如一个词)，然后可以将划分出的所有文本内容对应的特征向量组成特征向量组，并将该特征向量组作为用户满意度预测模型的模型输入特征。
其中，上述常见的词表示模型主要有两种，一种是基于独热编码表示(one-hotcodingrepresentation)的词表示模型，另一种是基于分布式表示(distributedrepresentation)的词表示模型。
其中，前一种词表示模型用一个很长的向量来表示一个词，向量长度为词典的词量大小n，每个向量只有一个维度为1，其余维度全部为0，为1的位置表示该词语在词典中的位置。也即，前一种词表示模型是采用稀疏方式存储词信息，也就是给每个词分配一个数字标识，表示形式相对简洁。后一种词表示模型则需要根据上下文信息进行语义表示，也即，相同语境出现的词，其语义也相近，可见，后一种词表示模型是采用稠密方式存储词信息，表示形式相对复杂。
考虑到前一种基于one-hotrepresentation的词表示模型在解决实际问题时经常会遇到维数灾难，且无法揭示词汇之间的潜在联系，在具体实施中可以采用后一种基于distributedrepresentation的词表示模型对标签信息进行向量表示，不但避免维数灾难问题，并且挖掘了词汇之间的关联属性，从而提高了语义表达的准确度。
接着通过如下实施例三进一步对包括当前客服工单的属性信息的当前服务信息来确定对应的模型输入特征的过程进行说明：
实施例三
这里，在本申请实施例三中，考虑到是否是重复进线的工单这一属性信息可以反映司机/乘客是否会因为上次进线不满意而影响本次进线，而ivr等待时长则可以反映司机/乘客的进线体验，也即，上述两个用户满意度影响因素作为直接影响本次工单具体情况的相关因素是至关重要的。因此，在具体实施中，可以将上述是否是重复进线的工单和ivr等待时长进行特征值化处理，并将对应的特征值作为模型输入特征。
除此之外，本申请实施例还可以结合具体的应用场景，选取其他的当前客服工单的属性信息，如工单状态、处理人id、处理部门id、振铃时长、等待时长等相关信息进行特征值化处理，以得到对应的模型输入特征。本申请实施例对上述当前客服工单的属性信息的选取不做具体的限制以满足各种应用场景的需求。
接着通过如下实施例四进一步对包括当前订单信息的当前服务信息来确定对应的模型输入特征的过程进行说明：
实施例四
这里，在本申请实施例四中，考虑到是否自动判责这一当前订单信息可以反映司机/乘客进线的问题以及是否满意的可能性，而网约车用户等待时长则可以反映乘客的用车体验，也即，上述两个用户满意度影响因素作为直接影响本次订单具体情况的相关因素是至关重要的。因此，在具体实施中，可以将上述是否自动判责和网约车用户等待时长进行特征值化处理，并将对应的特征值作为模型输入特征。
除此之外，本申请实施例还可以结合具体的应用场景，选取其他的当前订单信息，如预估距离、是否绕路、预估价、等待时长、接驾时长、接驾距离、发单与应答时间差、订单取消类型、判责结果、是否早晚高峰等信息等相关信息进行特征值化处理，以得到对应的模型输入特征。本申请实施例对上述当前订单信息的选取不做具体的限制以满足各种应用场景的需求。
本申请实施例中，用户满意度预测模型的训练过程是用户满意度预测的关键步骤。通过如下实施例五对上述用户满意度预测模型的训练过程进行说明。
实施例五
如图3所示，上述用户满意度预测模型的训练过程具体通过如下步骤实现：
s301、获取每个样本用户的用户属性信息、平台为该样本用户提供的历史服务信息、服务该样本用户的客服的客服属性信息，以及该样本用户对于所述客服的满意度打分信息；
s302、将所述用户属性信息、所述历史服务信息和所述客服属性信息作为用户满意度影响因素，将所述满意度打分信息作为用户满意度结果，训练得到用户满意度预测模型。
这里，基于上述获取的与样本用户相关的用户属性信息、历史服务信息、客服属性信息以及满意度打分信息便可以进行用户满意度预测模型的训练。在用户满意度预测模型训练阶段，将s301中获取的用户属性信息、客服属性信息和历史服务信息作为用户满意度影响因素，将所述满意度打分信息作为用户满意度结果，便可以训练得到上述用户满意度预测模型的训练参数，也即得到了训练好的用户满意度预测模型。本申请实施例中，可以将集成树模型，如extremegradientboostingtree(xgboost)模型作为用户满意度预测模型，模型训练阶段也就是训练模型中一些未知的参数信息的过程。
为了便于根据用户满意度影响因素对用户满意度预测模型进行训练，可以在进行模型训练之前对各用户满意度影响因素进行特征值化处理，也即，本申请实施例中，可以首先对所述用户满意度影响因素进行特征值化处理，确定该样本用户对应的模型输入特征，然后将所述模型输入特征作为自变量，将所述满意度打分信息作为因变量进行至少一轮模型训练，得到所述用户满意度预测模型。
其中，上述样本用户的用户属性信息可以是与目标用户的用户属性信息相对应的信息，上述服务样本用户的客服的客服属性信息可以是与服务目标用户的客服的客服属性信息相应的信息，在此不再赘述。上述历史服务信息可以仅包括整个网约车出行平台历史接单所产生的历史订单信息，还可以仅包括在完成订单后，用户针对此次订单满意与否向客服进线时所产生的历史客服工单的相关信息(如描述工单具体情况的属性信息、记录客服与用户交流具体问题时的记录内容)，还可以既包括上述历史订单信息，又包括上述历史客服工单的相关信息。考虑到在实际的应用场景中，出行订单与客服工单往往存在密切的关联性，因此，在本申请实施例中，可以将上述历史订单信息以及历史客服工单的相关信息的综合信息作为上述历史服务信息。
另外，在本申请实施例中，可以将司机/乘客对进线客服的满意度打分信息作为衡量用户对客服满意度的一次度量。在司机/乘客对进线客服的评价中，包含1分到6分的一个打分，在此可以采用4分及以上作为满意客服工单，4分以下作为不满意客服工单，随分数递增或递减表示进线满意程度的好或坏，也即，司机/乘客对进线客服的满意度随着满意度打分的增大而提高，随着满意度打分的减小而降低。这样，便可以将上述用户满意度预测模型简化为一个二分类模型，简单易行，适用性更强。
在上述实施例五的基础上，还能够根据确定的用户满意度预测结果与预设满意度阈值之间的对比结果，确定目标用户是否对服务该目标用户的客服满意，并在不满意时，向负责人员推送客户不满意提示信息。若以上述实施例五所对应的4分作为预设满意度阈值，那么，在经过用户满意度预测模型预测所得到的用户满意度预测结果大于或等于4时，则确定目标用户对服务的客服满意，若预测所得到的用户满意度预测结果小于4，则确定目标用户对服务的客服不满意。
为了进一步提升满意度预测的针对性，在确定目标用户对服务的客服不满意时，一方面可以使用工单记录与业务词典的关键词匹配方法，直接针对性捕捉痛点原因，也即确定对客服不满意的原因；另一方面可以回溯用户最近一次的历史订单信息是否满足既定规则，也即基于订单信息的规则匹配方法将工单归因分类。接下来通过如下实施例六和七对上述两个方面进行具体说明。
首先通过实施例六对上述基于工单记录与业务词典的关键词匹配方法进行不满意类型归类的过程进行说明。
实施例六
这里，在本申请实施例六中，可以首先将获取的所述平台为该目标用户提供的当前服务信息进行特征值化处理，然后将处理后的当前服务信息输入至预先训练的不满意分类模型中，便可以得到所述目标用户对客服的不满意类型预测结果。也即，本申请实施例可以通过预先训练好的不满意分类模型，预测目标用户对客服的不满意类型。其中，针对该不满意分类模型的当前服务信息的特征值化处理过程与针对用户满意度预测模型的当前服务信息的特征值化处理过程可以相同也可以不同，本申请实施例对此不做具体的限制。
如图4所示，上述不满意分类模型的训练过程具体包括如下步骤：
s401、获取每个样本用户对应的历史客服工单的记录内容；
s402、从获取的历史客服工单的记录内容中，提取所述样本用户的不满意标签分类信息；
s403、将所述历史客服工单的记录内容作为不满意分类的影响因素，将所述不满意标签分类信息作为不满意分类结果，训练得到所述不满意分类模型。
这里，与用户满意度预测模型类似的是，本申请实施例需要对样本用户的相关信息进行分析与处理，与用户满意度预测模型不同的是，用户满意度预测模型受限于各个用户满意度影响因素的影响，需要用户属性信息、客服属性信息、历史服务信息等，而对于不满意分类模型的训练则主要依赖于历史服务信息中历史客服工单的记录内容，这主要是考虑到客服进线作为问题展开的触发点，问题记录是比较重要的依据。基于上述内容，本申请实施例可以针对历史进线的客服工单中所指出的问题，统计每一类问题的关键词，并将统计得到的关键词作为样本用户的不满意标签分类信息，然后将不满意标签分类信息作为不满意分类结果，将对应的历史客服工单的记录内容作为不满意分类的影响因素进行不满意分类模型的训练。其中，该不满意分类模型可以是基于多模式匹配aho-corasick算法来具体实现。
接下来通过实施例七对上述基于订单信息的规则匹配方法进行不满意类型归类的过程进行说明。
实施例七
如图5所示，上述不满意原因类别的确定过程具体包括如下步骤：
s501、确定所述客服工单对应的所述目标用户最近一次的历史订单信息；
s502、针对预设的多种不满意原因类别，从确定的所述历史订单信息中，提取每种不满意原因类别所关注的订单信息；
s503、将提取的每种不满意原因类别所关注的订单信息与该种不满意原因类别所对应的不满意订单信息进行比对，确定所述客服工单是否符合该种不满意原因类别。
这里，考虑到一部分客服工单与用户之前的订单有所关联，例如用户可能会因为之前的订单预估价格与实际支付价格差距较大的问题进线咨询，那么在客服工单的记录内容的基础之上回溯客服工单对应的最近一次的历史订单信息可以确保不会丢失具体的不满意原因信息。这样，便可以针对各个预设的多种不满意原因类别，从确定的所述历史订单信息中，提取每种不满意原因类别所关注的订单信息，通过将提取的每种不满意原因类别所关注的订单信息与该种不满意原因类别所对应的不满意订单信息进行比对，来确定所述客服工单是否符合该种不满意原因类别。也即，本申请实施例可以从目标用户最近一次的历史订单信息中，提取预设的多种不满意原因类别中的每种不满意原因类别所关注的订单信息，通过订单信息比对结果确定当前客服工单所符合的不满意原因类别，进一步确保满意度预测的针对性，适用性更强。
基于上述实施例一至实施例七，本申请还提供了用户满意度预测装置，下述各种装置的实施可以参见方法的实施，重复之处不再赘述。
实施例八
如图6所示，为本申请实施例九提供的用户满意度预测装置的结构示意图，包括：
信息获取模块601，用于获取目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息；
特征确定模块602，用于将获取的所述目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息进行特征值化处理，确定该目标用户对应的模型输入特征；
满意度预测模块603，用于将确定的模型输入特征输入预先训练好的用户满意度预测模型，得到所述目标用户的用户满意度预测结果。
在一些实施例中，所述当前服务信息包括当前客服工单的记录内容；所述特征确定模块602，具体用于：
对获取的所述当前客服工单的记录内容进行文本内容划分；
针对划分出的每个文本内容，将该文本内容输入至预先训练的特征构建模型中，得到与每个文本内容相对应的特征向量；
将划分出的所有文本内容对应的特征向量组成特征向量组，作为所述目标用户对应的模型输入特征。
在一些实施例中，所述当前服务信息包括当前客服工单的属性信息；其中，所述当前客服工单的属性信息包括：是否是重复进线的工单和互动式语音应答ivr等待时长；
所述特征确定模块602，具体用于：
将分别表征所述是否是重复进线的工单和所述ivr等待时长的特征值作为所述模型输入特征。
在一些实施例中，所述当前服务信息包括当前订单信息；其中，所述当前订单信息包括：是否自动判责和用户等待时长；
所述特征确定模块602，具体用于：
将分别表征所述是否自动判责和所述用户等待时长的特征值作为所述模型输入特征。
在一种实施方式中，所述装置还包括：
判断模块604，用于将确定的用户满意度预测结果与预设满意度阈值进行对比，判断所述目标用户是否对服务该目标用户的客服满意，若不满意，则向负责人员推送客户不满意提示信息。
在另一种实施方式中，所述平台为该目标用户提供的当前服务信息包括客服工单的记录内容；所述装置还包括：
不满意类别确定模块605，用于确定所述客服工单对应的所述目标用户最近一次的历史订单信息；
针对预设的多种不满意原因类别，从确定的所述历史订单信息中，提取每种不满意原因类别所关注的订单信息；
将提取的每种不满意原因类别所关注的订单信息与该种不满意原因类别所对应的不满意订单信息进行比对，确定所述客服工单是否符合该种不满意原因类别。
在又一种实施方式中，所述装置还包括：
不满意类型预测模块606，用于将获取的所述平台为该目标用户提供的当前服务信息进行特征值化处理，并将处理后的特征值输入至预先训练的不满意分类模型中，得到所述目标用户对客服的不满意类型预测结果。
在再一种实施方式中，所述装置还包括：
分类模型训练模块607，用于获取每个样本用户对应的历史客服工单的记录内容；
从获取的历史客服工单的记录内容中，提取所述样本用户的不满意标签分类信息；
将所述历史客服工单的记录内容作为不满意分类的影响因素，将所述不满意标签分类信息作为不满意分类结果，训练得到所述不满意分类模型。
在一些实施例中，所述装置还包括：
预测模型训练模块608，用于获取每个样本用户的用户属性信息、平台为该样本用户提供的历史服务信息、服务该样本用户的客服的客服属性信息，以及该样本用户对于所述客服的满意度打分信息；
将所述用户属性信息、所述历史服务信息和所述客服属性信息作为用户满意度影响因素，将所述满意度打分信息作为用户满意度结果，训练得到用户满意度预测模型。
在一些实施例中，所述预测模型训练模块608，具体用于：
对所述用户满意度影响因素进行特征值化处理，确定该样本用户对应的模型输入特征；
将所述模型输入特征作为自变量，将所述满意度打分信息作为因变量进行至少一轮模型训练，得到所述用户满意度预测模型。
实施例九
如图7所示，为本申请实施例九提供的一种电子设备的结构示意图，包括：处理器701、存储介质702和总线703，所述存储介质702存储有所述处理器701可执行的机器可读指令，当电子设备运行时，所述处理器701与所述存储介质702之间通过总线703通信，所述机器可读指令被所述处理器701执行时执行如下处理：
获取目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息；
将获取的所述目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息进行特征值化处理，确定该目标用户对应的模型输入特征；
将确定的模型输入特征输入预先训练好的用户满意度预测模型，得到所述目标用户的用户满意度预测结果。
在具体实施中，所述当前服务信息包括当前客服工单的记录内容；上述处理器701执行的处理中，所述确定该目标用户对应的模型输入特征，包括：
对获取的所述当前客服工单的记录内容进行文本内容划分；
针对划分出的每个文本内容，将该文本内容输入至预先训练的特征构建模型中，得到与每个文本内容相对应的特征向量；
将划分出的所有文本内容对应的特征向量组成特征向量组，作为所述目标用户对应的模型输入特征。
在具体实施中，所述当前服务信息包括当前客服工单的属性信息；其中，所述当前客服工单的属性信息包括：是否是重复进线的工单和互动式语音应答ivr等待时长；上述处理器701执行的处理中，所述确定该目标用户对应的模型输入特征，包括：
将分别表征所述是否是重复进线的工单和所述ivr等待时长的特征值作为所述模型输入特征。
在具体实施中，所述当前服务信息包括当前订单信息；其中，所述当前订单信息包括：是否自动判责和用户等待时长；上述处理器701执行的处理中，所述确定该目标用户对应的模型输入特征，包括：
将分别表征所述是否自动判责和所述用户等待时长的特征值作为所述模型输入特征。
在一种实施方式中，上述处理器701执行的处理还包括：
将确定的用户满意度预测结果与预设满意度阈值进行对比，判断所述目标用户是否对服务该目标用户的客服满意，若不满意，则向负责人员推送客户不满意提示信息。
在另一种实施方式中，所述平台为该目标用户提供的当前服务信息包括客服工单的记录内容；在确定所述目标用户对服务的客服不满意时，上述处理器701执行的处理还包括：
确定所述客服工单对应的所述目标用户最近一次的历史订单信息；
针对预设的多种不满意原因类别，从确定的所述历史订单信息中，提取每种不满意原因类别所关注的订单信息；
将提取的每种不满意原因类别所关注的订单信息与该种不满意原因类别所对应的不满意订单信息进行比对，确定所述客服工单是否符合该种不满意原因类别。
在又一种实施方式中，在确定所述目标用户对服务该目标用户的客服不满意时，上述处理器701执行的处理还包括：
将获取的所述平台为该目标用户提供的当前服务信息进行特征值化处理，并将处理后的特征值输入至预先训练的不满意分类模型中，得到所述目标用户对客服的不满意类型预测结果。
在具体实施中，上述处理器701执行的处理中，根据如下步骤训练所述不满意分类模型：
获取每个样本用户对应的历史客服工单的记录内容；
从获取的历史客服工单的记录内容中，提取所述样本用户的不满意标签分类信息；
将所述历史客服工单的记录内容作为不满意分类的影响因素，将所述不满意标签分类信息作为不满意分类结果，训练得到所述不满意分类模型。
在具体实施中，上述处理器701执行的处理中，按照如下步骤训练所述用户满意度预测模型：
获取每个样本用户的用户属性信息、平台为该样本用户提供的历史服务信息、服务该样本用户的客服的客服属性信息，以及该样本用户对于所述客服的满意度打分信息；
将所述用户属性信息、所述历史服务信息和所述客服属性信息作为用户满意度影响因素，将所述满意度打分信息作为用户满意度结果，训练得到用户满意度预测模型。
在再一种实施方式中，上述处理器701执行的处理中，将所述用户属性信息、所述历史服务信息和所述客服属性信息作为用户满意度影响因素，将所述满意度打分信息作为用户满意度结果，训练得到用户满意度预测模型，包括：
对所述用户满意度影响因素进行特征值化处理，确定该样本用户对应的模型输入特征；
将所述模型输入特征作为自变量，将所述满意度打分信息作为因变量进行至少一轮模型训练，得到所述用户满意度预测模型。
实施例十
本申请实施例十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上存储有计算机程序，该计算机程序被处理器701运行时执行上述实施例一至实施例七中任一实施例所对应的用户满意度预测方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述用户满意度预测方法，从而解决目前调研方式下测评的效率较低，并且调研回收量较少，往往不具备统计意义而导致无法及时了解到用户痛点的问题，进而达到对任一用户的满意度进行预测，预测的覆盖率和效率均较高的效果。
本申请实施例所提供的用户满意度预测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
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，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
1.一种用户满意度预测方法，其特征在于，包括：
获取目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息；
将获取的所述目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息进行特征值化处理，确定该目标用户对应的模型输入特征；
将确定的模型输入特征输入预先训练好的用户满意度预测模型，得到所述目标用户的用户满意度预测结果。
2.根据权利要求1所述的方法，其特征在于，所述当前服务信息包括当前客服工单的记录内容；所述确定该目标用户对应的模型输入特征，包括：
对获取的所述当前客服工单的记录内容进行文本内容划分；
针对划分出的每个文本内容，将该文本内容输入至预先训练的特征构建模型中，得到与每个文本内容相对应的特征向量；
将划分出的所有文本内容对应的特征向量组成特征向量组，作为所述目标用户对应的模型输入特征。
3.根据权利要求1所述的方法，其特征在于，所述当前服务信息包括当前客服工单的属性信息；其中，所述当前客服工单的属性信息包括：是否是重复进线的工单和互动式语音应答ivr等待时长；
所述确定该目标用户对应的模型输入特征，包括：
将分别表征所述是否是重复进线的工单和所述ivr等待时长的特征值作为所述模型输入特征。
4.根据权利要求1所述的方法，其特征在于，所述当前服务信息包括当前订单信息；其中，所述当前订单信息包括：是否自动判责和用户等待时长；
所述确定该目标用户对应的模型输入特征，包括：
将分别表征所述是否自动判责和所述用户等待时长的特征值作为所述模型输入特征。
5.根据权利要求1所述的方法，其特征在于，还包括：
将确定的用户满意度预测结果与预设满意度阈值进行对比，判断所述目标用户是否对服务该目标用户的客服满意，若不满意，则向负责人员推送客户不满意提示信息。
6.根据权利要求5所述的方法，其特征在于，所述平台为该目标用户提供的当前服务信息包括客服工单的记录内容；在确定所述目标用户对服务的客服不满意时，还包括：
确定所述客服工单对应的所述目标用户最近一次的历史订单信息；
针对预设的多种不满意原因类别，从确定的所述历史订单信息中，提取每种不满意原因类别所关注的订单信息；
将提取的每种不满意原因类别所关注的订单信息与该种不满意原因类别所对应的不满意订单信息进行比对，确定所述客服工单是否符合该种不满意原因类别。
7.根据权利要求5所述的方法，其特征在于，在确定所述目标用户对服务该目标用户的客服不满意时，还包括：
将获取的所述平台为该目标用户提供的当前服务信息进行特征值化处理，并将处理后的特征值输入至预先训练的不满意分类模型中，得到所述目标用户对客服的不满意类型预测结果。
8.根据权利要求7所述的方法，其特征在于，根据如下步骤训练所述不满意分类模型：
获取每个样本用户对应的历史客服工单的记录内容；
从获取的历史客服工单的记录内容中，提取所述样本用户的不满意标签分类信息；
将所述历史客服工单的记录内容作为不满意分类的影响因素，将所述不满意标签分类信息作为不满意分类结果，训练得到所述不满意分类模型。
9.根据权利要求1至8任一项所述的方法，其特征在于，按照如下步骤训练所述用户满意度预测模型：
获取每个样本用户的用户属性信息、平台为该样本用户提供的历史服务信息、服务该样本用户的客服的客服属性信息，以及该样本用户对于所述客服的满意度打分信息；
将所述用户属性信息、所述历史服务信息和所述客服属性信息作为用户满意度影响因素，将所述满意度打分信息作为用户满意度结果，训练得到用户满意度预测模型。
10.根据权利要求9所述的方法，其特征在于，将所述用户属性信息、所述历史服务信息和所述客服属性信息作为用户满意度影响因素，将所述满意度打分信息作为用户满意度结果，训练得到用户满意度预测模型，包括：
对所述用户满意度影响因素进行特征值化处理，确定该样本用户对应的模型输入特征；
将所述模型输入特征作为自变量，将所述满意度打分信息作为因变量进行至少一轮模型训练，得到所述用户满意度预测模型。
11.一种用户满意度预测装置，其特征在于，包括：
信息获取模块，用于获取目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息；
特征确定模块，用于将获取的所述目标用户的用户属性信息、平台为该目标用户提供的当前服务信息、以及服务该目标用户的客服的客服属性信息进行特征值化处理，确定该目标用户对应的模型输入特征；
满意度预测模块，用于将确定的模型输入特征输入预先训练好的用户满意度预测模型，得到所述目标用户的用户满意度预测结果。
12.根据权利要求11所述的装置，其特征在于，所述当前服务信息包括当前客服工单的记录内容；所述特征确定模块，具体用于：
对获取的所述当前客服工单的记录内容进行文本内容划分；
针对划分出的每个文本内容，将该文本内容输入至预先训练的特征构建模型中，得到与每个文本内容相对应的特征向量；
将划分出的所有文本内容对应的特征向量组成特征向量组，作为所述目标用户对应的模型输入特征。
13.根据权利要求11所述的装置，其特征在于，所述当前服务信息包括当前客服工单的属性信息；其中，所述当前客服工单的属性信息包括：是否是重复进线的工单和互动式语音应答ivr等待时长；
所述特征确定模块，具体用于：
将分别表征所述是否是重复进线的工单和所述ivr等待时长的特征值作为所述模型输入特征。
14.根据权利要求11所述的装置，其特征在于，所述当前服务信息包括当前订单信息；其中，所述当前订单信息包括：是否自动判责和用户等待时长；
所述特征确定模块，具体用于：
将分别表征所述是否自动判责和所述用户等待时长的特征值作为所述模型输入特征。
15.根据权利要求11所述的装置，其特征在于，还包括：
判断模块，用于将确定的用户满意度预测结果与预设满意度阈值进行对比，判断所述目标用户是否对服务该目标用户的客服满意，若不满意，则向负责人员推送客户不满意提示信息。
16.根据权利要求15所述的装置，其特征在于，所述平台为该目标用户提供的当前服务信息包括客服工单的记录内容；还包括：
不满意类别确定模块，用于确定所述客服工单对应的所述目标用户最近一次的历史订单信息；
针对预设的多种不满意原因类别，从确定的所述历史订单信息中，提取每种不满意原因类别所关注的订单信息；
将提取的每种不满意原因类别所关注的订单信息与该种不满意原因类别所对应的不满意订单信息进行比对，确定所述客服工单是否符合该种不满意原因类别。
17.根据权利要求15所述的装置，其特征在于，还包括：
不满意类型预测模块，用于将获取的所述平台为该目标用户提供的当前服务信息进行特征值化处理，并将处理后的特征值输入至预先训练的不满意分类模型中，得到所述目标用户对客服的不满意类型预测结果。
18.根据权利要求17所述的装置，其特征在于，还包括：
分类模型训练模块，用于获取每个样本用户对应的历史客服工单的记录内容；
从获取的历史客服工单的记录内容中，提取所述样本用户的不满意标签分类信息；
将所述历史客服工单的记录内容作为不满意分类的影响因素，将所述不满意标签分类信息作为不满意分类结果，训练得到所述不满意分类模型。
19.根据权利要求11至18任一项所述的装置，其特征在于，还包括：
预测模型训练模块，用于获取每个样本用户的用户属性信息、平台为该样本用户提供的历史服务信息、服务该样本用户的客服的客服属性信息，以及该样本用户对于所述客服的满意度打分信息；
将所述用户属性信息、所述历史服务信息和所述客服属性信息作为用户满意度影响因素，将所述满意度打分信息作为用户满意度结果，训练得到用户满意度预测模型。
20.根据权利要求19所述的装置，其特征在于，所述预测模型训练模块，具体用于：
对所述用户满意度影响因素进行特征值化处理，确定该样本用户对应的模型输入特征；
将所述模型输入特征作为自变量，将所述满意度打分信息作为因变量进行至少一轮模型训练，得到所述用户满意度预测模型。
21.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1至10任一所述的用户满意度预测方法的步骤。
22.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至10任一所述的用户满意度预测方法的步骤。
技术总结