目标对象的确定方法、装置、存储介质及电子设备

技术领域

本发明涉及金融科技领域，具体而言，涉及一种目标对象的确定方法、装置、存储介质及电子设备。

背景技术

目前，金融机构的营业网点为了维持业务秩序，往往在业务高峰期对客户采取先来先服务的策略，由柜台营业员根据客户的排队顺序依次叫号，即客户匹配的柜台营业员是根据客户排队取号的情况去顺序分配的，这种策略并不是一个最优策略，例如，不同客户办理的业务复杂程度不同，不同柜台营业员办理业务的时长不同，存在客户办理简单的业务等待时间也会过长的情况，导致客户的排队体验不好。

另外，由于不同客户和柜台营业员的个人属性不同，属性相合的客户和柜台营业员可以带来更好的客户体验和服务空间。现有技术中通过排队取号结果按序依次分配网点柜员，缺少对于客户和柜台营业员的智能匹配，存在由于顺序匹配不得当导致的客户体验差的问题，从而降低客户粘性。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种目标对象的确定方法、装置、存储介质及电子设备，以至少解决现有技术中通过排队取号结果按序依次分配网点柜员，存在由于顺序匹配不得当导致的客户体验差的技术问题。

根据本发明实施例的一个方面，提供了一种目标对象的确定方法，包括：获取多个第一对象的第一数据信息和多个第二对象的第二数据信息，其中，第一数据信息包括以下至少之一：语音信息、面部神态信息，第二数据信息包括以下至少之一：目标评价信息、目标业务办理信息；基于第一数据信息，通过目标神经网络模型确定每个第一对象对应的方言类别和情绪类别，其中，目标神经网络模型是预先训练得到的，目标神经网络模型包括以下至少之一：方言识别模型、第一情绪识别模型、第二情绪识别模型，第一情绪识别模型和第二情绪识别模型对应的输入数据不同；基于每个第一对象对应的方言类别和情绪类别以及第二数据信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到每个第一对象与每个第二对象的评分数值，其中，评分数值用于表征每个第一对象与每个第二对象的适配程度；根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象。

进一步地，目标对象的确定方法还包括：基于语音信息，通过方言识别模型确定每个第一对象对应的方言类别；基于语音信息，通过第一情绪识别模型确定每个第一对象对应的第一情绪类别；基于面部神态信息，通过第二情绪识别模型确定每个第一对象对应的第二情绪类别；基于第一情绪类别和第二情绪类别，确定每个第一对象对应的情绪类别。

进一步地，目标对象的确定方法还包括：确定第一情绪类别和第二情绪类别之间的目标关系，其中，目标关系表征第一情绪类别和第二情绪类别之间的相似程度；若目标关系表征第一情绪类别和第二情绪类别之间的相似程度等于第一预设相似程度，则确定当前情绪类别为每个第一对象对应的情绪类别；若目标关系表征第一情绪类别和第二情绪类别之间的相似程度大于第二预设相似程度，则确定第一情绪类别和第二情绪类别为每个第一对象对应的情绪类别，其中，第一预设相似程度大于第二预设相似程度；若目标关系表征第一情绪类别和第二情绪类别之间的相似程度小于或等于第二预设相似程度，则分别确定语音信息和面部神态信息对应的目标分数，得到第一目标分数和第二目标分数，并根据第一目标分数和第二目标分数，确定每个第一对象对应的情绪类别，其中，第一目标分数表征语音信息的优劣程度，第二目标分数表征面部神态信息的优劣程度。

进一步地，目标对象的确定方法还包括：若第一目标分数大于或等于第二目标分数，则确定第一情绪类别为每个第一对象对应的情绪类别；若第一目标分数小于第二目标分数，则确定第二情绪类别为每个第一对象对应的情绪类别。

进一步地，第一数据信息还包括身份信息和待办业务的业务类型信息，目标对象的确定方法还包括：获取每个第二对象对应的方言类别；对每个第一对象对应的方言类别与每个第二对象对应的方言类别进行比对，得到比对结果，其中，比对结果表征每个第一对象对应的方言类别与每个第二对象对应的方言类别之间的相似程度；根据预设评分算法，确定比对结果对应的评分数值，得到第一评分数值；基于每个第一对象对应的情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第二评分数值；根据身份信息，确定每个第一对象的客户画像；基于客户画像和目标评价信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第三评分数值；对第一评分数值、第二评分数值以及第三评分数值进行加权平均计算，得到每个第一对象与每个第二对象的评分数值。

进一步地，目标对象的确定方法还包括：在每个第一对象对应的情绪类别为第一情绪类别和第二情绪类别的情况下，基于第一情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第四评分数值；基于第二情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第五评分数值；对第四评分数值和第五评分数值进行加权平均计算，得到第二评分数值。

进一步地，目标对象的确定方法还包括：获取每个第一对象的排队序号；根据排队序号，从多个第一对象中确定第一目标对象；对第一目标对象与每个第二对象的评分数值进行排序，并确定最高评分数值对应的第二对象为第二目标对象。

进一步地，目标对象的确定方法还包括：在根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象之后，将第一目标对象的排队序号分配至第二目标对象对应的等待队列中；根据等待队列，呼叫第一目标对象办理待办业务。

根据本发明实施例的另一方面，还提供了一种目标对象的确定装置，包括：获取模块，用于获取多个第一对象的第一数据信息和多个第二对象的第二数据信息，其中，第一数据信息包括以下至少之一：语音信息、面部神态信息，第二数据信息包括以下至少之一：目标评价信息、目标业务办理信息；第一确定模块，用于基于第一数据信息，通过目标神经网络模型确定每个第一对象对应的方言类别和情绪类别，其中，目标神经网络模型是预先训练得到的，目标神经网络模型包括以下至少之一：方言识别模型、第一情绪识别模型、第二情绪识别模型，第一情绪识别模型和第二情绪识别模型对应的输入数据不同；处理模块，用于基于每个第一对象对应的方言类别和情绪类别以及第二数据信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到每个第一对象与每个第二对象的评分数值，其中，评分数值用于表征每个第一对象与每个第二对象的适配程度；第二确定模块，用于根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象。

根据本发明实施例的另一方面，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中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的目标对象的确定方法。

根据本发明实施例的另一方面，还提供了一种电子设备，该电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的目标对象的确定方法。

在本发明实施例中，采用通过目标神经网络模型和预设评分算法对客户与柜台营业员智能匹配的方式，首先获取多个第一对象的第一数据信息和多个第二对象的第二数据信息，然后基于第一数据信息，通过目标神经网络模型确定每个第一对象对应的方言类别和情绪类别，然后基于每个第一对象对应的方言类别和情绪类别以及第二数据信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到每个第一对象与每个第二对象的评分数值，然后根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象。其中，第一数据信息包括以下至少之一：语音信息、面部神态信息，第二数据信息包括以下至少之一：目标评价信息、目标业务办理信息，目标神经网络模型是预先训练得到的，目标神经网络模型包括以下至少之一：方言识别模型、第一情绪识别模型、第二情绪识别模型，第一情绪识别模型和第二情绪识别模型对应的输入数据不同，评分数值用于表征每个第一对象与每个第二对象的适配程度。

在上述过程中，通过获取多个第一对象的第一数据信息和多个第二对象的第二数据信息，为后续进行智能匹配提供了数据基础；基于第一数据信息，通过目标神经网络模型确定每个第一对象对应的方言类别和情绪类别，为后续对每个第一对象与每个第二对象进行评分提供了数据基础；基于每个第一对象对应的方言类别和情绪类别以及第二数据信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，可以得到每个第一对象与每个第二对象的评分数值，实现了从客户的口音、情绪等多个维度对客户与柜台营业员的适配程度进行评分，从而能够根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象，实现了为每个客户匹配到属性相合的柜台营业员，从而能够为客户带来更好的客户体验和服务空间，提升了客户的满意度，进而提高了客户粘性。

由此可见，通过本发明的技术方案，达到了对客户和柜台营业员的智能匹配的目的，从而实现了提高客户体验、提升客户满意度以及提高客户粘性的技术效果，进而解决了现有技术中通过排队取号结果按序依次分配网点柜员，存在由于顺序匹配不得当导致的客户体验差的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的目标对象的确定方法的流程图；

图2是根据本发明实施例的一种可选的目标神经网络模型的工作流程图；

图3是根据本发明实施例的一种可选的目标对象的确定装置的示意图；

图4是根据本发明实施例的一种可选的电子设备的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，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”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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。

需要说明的是，本发明所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。

实施例1

根据本发明实施例，提供了一种目标对象的确定方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种可选的目标对象的确定方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取多个第一对象的第一数据信息和多个第二对象的第二数据信息，其中，第一数据信息包括以下至少之一：语音信息、面部神态信息，第二数据信息包括以下至少之一：目标评价信息、目标业务办理信息。

在上述步骤中，可以通过应用系统、处理器、电子设备等装置获取多个第一对象的第一数据信息和多个第二对象的第二数据信息。可选的，通过目标对象的确定系统获取多个第一对象的第一数据信息和多个第二对象的第二数据信息，其中，第一对象可以是网点内正在排队的客户，第二对象可以是柜员，语音信息和面部神态信息可以是在客户进入金融机构(例如，银行)网点大厅排队时，通过网点内布置的麦克风和摄像头获取到的语音素材和面部神态素材，目标评价信息可以是基于每个柜员近一个月的数据(例如，客户满意度数据)动态评判出的当天评价数据信息(例如，当天满意度数据)，目标业务办理信息可以是基于每个柜员近一个月的数据(例如，对每类业务办理的时效数据)动态评判出的当天业务办理数据信息(例如，当天办理时长数据)。例如，在日常柜面工作办理过程中，可以通过后台系统数据和客户反馈的评价数据，收集每位柜员对每类业务办理的时效、客户满意度等数据，根据这些数据，考虑到柜员个人身体状态、心理状态的动态变化，基于每个柜员近一个月的数据动态评判每位柜员当前办理业务的综合时长和满意度情况，从而确定出每个柜员当天的数据(即第二数据信息)。

步骤S102，基于第一数据信息，通过目标神经网络模型确定每个第一对象对应的方言类别和情绪类别，其中，目标神经网络模型是预先训练得到的，目标神经网络模型包括以下至少之一：方言识别模型、第一情绪识别模型、第二情绪识别模型，第一情绪识别模型和第二情绪识别模型对应的输入数据不同。

在上述步骤中，可以根据预先训练好的神经网络模型确定每个客户的方言类别和情绪类别，可选的，基于语音信息，通过方言识别模型确定每个第一对象对应的方言类别，通过第一情绪识别模型确定每个第一对象对应的第一情绪类别；基于面部神态信息，通过第二情绪识别模型确定每个第一对象对应的第二情绪类别。其中，根据语音信息和面部神态信息可以分别确定出一个情绪类别(即第一情绪类别和第二情绪类别)，进一步地，需要基于第一情绪类别和第二情绪类别，确定每个第一对象对应的情绪类别。可选的，方言类别可以是北京口音、天津口音、上海口音等等，情绪类别可以是快乐、愤怒、悲伤等等。

步骤S103，基于每个第一对象对应的方言类别和情绪类别以及第二数据信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到每个第一对象与每个第二对象的评分数值，其中，评分数值用于表征每个第一对象与每个第二对象的适配程度。

步骤S104，根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象。

在上述步骤中，预设评分算法可以由预设的多个评分规则和对应的分值组成，例如，当客户口音与柜员口音相同时，口音方面适配度评分为100分，当客户口音与柜员口音对应的地区相近时，口音方面适配度评分为80分，当客户口音与柜员口音对应的地区属于同一地理分区时，口音方面适配度评分为60分，当客户口音与柜员口音相差较大时，口音方面适配度评分为0分。

可选的，从多个维度(例如，口音维度、情绪维度)对每个第一对象与每个第二对象进行评分，可以得到每个第一对象与每个第二对象的评分数值，从而能够根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象。例如，在口音方面，客户A与柜员1的适配度评分为100分，与柜员2的适配度评分为80分，与柜员3的适配度评分为0分，客户B与柜员1的适配度评分为60分，与柜员2的适配度评分为0分，与柜员3的适配度评分为100分；在情绪状态方面，客户A与柜员1的适配度评分为80分，与柜员2的适配度评分为60分，与柜员3的适配度评分为100分，客户B与柜员1的适配度评分为100分，与柜员2的适配度评分为80分，与柜员3的适配度评分为60分，对上述评分进行计算(例如，加权平均计算)可以确定每个客户与每个柜员的适配度，从而能够从多个柜员中确定为每个客户办理待办业务的柜员，例如，对每个客户与每个柜员的适配度分数进行排列，适配度最高的柜员匹配给该客户办理相关业务。

需要说明的是，在上述过程中，实现了为每个客户匹配到属性相合的柜台营业员，从而能够为客户带来更好的客户体验和服务空间，提升客户的满意度。

基于上述步骤S101至步骤S104所限定的方案，可以获知，在本发明实施例中，采用通过目标神经网络模型和预设评分算法对客户与柜台营业员智能匹配的方式，首先获取多个第一对象的第一数据信息和多个第二对象的第二数据信息，然后基于第一数据信息，通过目标神经网络模型确定每个第一对象对应的方言类别和情绪类别，然后基于每个第一对象对应的方言类别和情绪类别以及第二数据信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到每个第一对象与每个第二对象的评分数值，然后根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象。其中，第一数据信息包括以下至少之一：语音信息、面部神态信息，第二数据信息包括以下至少之一：目标评价信息、目标业务办理信息，目标神经网络模型是预先训练得到的，目标神经网络模型包括以下至少之一：方言识别模型、第一情绪识别模型、第二情绪识别模型，第一情绪识别模型和第二情绪识别模型对应的输入数据不同，评分数值用于表征每个第一对象与每个第二对象的适配程度。

容易注意到的是，在上述过程中，通过获取多个第一对象的第一数据信息和多个第二对象的第二数据信息，为后续进行智能匹配提供了数据基础；基于第一数据信息，通过目标神经网络模型确定每个第一对象对应的方言类别和情绪类别，为后续对每个第一对象与每个第二对象进行评分提供了数据基础；基于每个第一对象对应的方言类别和情绪类别以及第二数据信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，可以得到每个第一对象与每个第二对象的评分数值，实现了从客户的口音、情绪等多个维度对客户与柜台营业员的适配程度进行评分，从而能够根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象，实现了为每个客户匹配到属性相合的柜台营业员，从而能够为客户带来更好的客户体验和服务空间，提升了客户的满意度，进而提高了客户粘性。

由此可见，通过本发明的技术方案，达到了对客户和柜台营业员的智能匹配的目的，从而实现了提高客户体验、提升客户满意度以及提高客户粘性的技术效果，进而解决了现有技术中通过排队取号结果按序依次分配网点柜员，存在由于顺序匹配不得当导致的客户体验差的技术问题。

图2是根据本发明实施例的一种可选的目标神经网络模型的工作流程图，如图2所示，包括如下步骤：

步骤S201，基于语音信息，通过方言识别模型确定每个第一对象对应的方言类别；

步骤S202，基于语音信息，通过第一情绪识别模型确定每个第一对象对应的第一情绪类别；

步骤S203，基于面部神态信息，通过第二情绪识别模型确定每个第一对象对应的第二情绪类别；

步骤S204，基于第一情绪类别和第二情绪类别，确定每个第一对象对应的情绪类别。

在一种可选的实施例中，在基于第一数据信息，通过目标神经网络模型确定每个第一对象对应的方言类别和情绪类别的过程中，首先基于语音信息，通过方言识别模型确定每个第一对象对应的方言类别，然后基于语音信息，通过第一情绪识别模型确定每个第一对象对应的第一情绪类别，然后基于面部神态信息，通过第二情绪识别模型确定每个第一对象对应的第二情绪类别，然后基于第一情绪类别和第二情绪类别，确定每个第一对象对应的情绪类别。

可选的，根据获取的客户语音素材，基于提前训练好的深度神经网络模型(即方言识别模型)判断客户所属方言类别，例如，根据模型判断出客户A的方言类别为北京口音，客户B的方言类别为天津口音，客户C的方言类别为上海口音。

可选的，根据获取的客户语音素材，基于提前训练好的深度神经网络模型(即第一情绪识别模型)确定客户情绪关键词(即第一情绪类别)，并判断客户当前情绪状态，例如，根据模型提取出客户A的第一情绪类别为快乐，认为其当前情绪状态比较舒缓，客户B的第一情绪类别为愤怒，认为其当前情绪状态比较焦躁，客户C的第一情绪类别为悲伤，认为其当前情绪状态比较低落。

可选的，为了提升确定出的客户情绪类别的准确度，根据获取的客户面部神态素材，基于提前训练好的深度神经网络模型(即第二情绪识别模型)确定客户情绪关键词(即第二情绪类别)，并判断客户当前情绪状态。进一步地，基于第一情绪类别和第二情绪类别，确定每个客户对应的情绪类别。

在一种可选的实施例中，在基于第一情绪类别和第二情绪类别，确定每个第一对象对应的情绪类别的过程中，首先确定第一情绪类别和第二情绪类别之间的目标关系，其中，目标关系表征第一情绪类别和第二情绪类别之间的相似程度；若目标关系表征第一情绪类别和第二情绪类别之间的相似程度等于第一预设相似程度，则确定当前情绪类别为每个第一对象对应的情绪类别；若目标关系表征第一情绪类别和第二情绪类别之间的相似程度大于第二预设相似程度，则确定第一情绪类别和第二情绪类别为每个第一对象对应的情绪类别，其中，第一预设相似程度大于第二预设相似程度；若目标关系表征第一情绪类别和第二情绪类别之间的相似程度小于或等于第二预设相似程度，则分别确定语音信息和面部神态信息对应的目标分数，得到第一目标分数和第二目标分数，并根据第一目标分数和第二目标分数，确定每个第一对象对应的情绪类别，其中，第一目标分数表征语音信息的优劣程度，第二目标分数表征面部神态信息的优劣程度。

可选的，目标关系可以是相同、相近、不同，第一预设相似程度可以是100％，第二预设相似程度可以是50％。若确定出第一情绪类别和第二情绪类别相同，即第一情绪类别和第二情绪类别之间的相似程度等于100％，则确定当前情绪类别为每个第一对象对应的情绪类别。例如，通过第一情绪识别模型确定出客户A的第一情绪类别为快乐，通过第二情绪识别模型确定出客户A的第二情绪类别为快乐，即第一情绪类别和第二情绪类别相同，则确定客户A的情绪类别为快乐。

可选的，若确定出第一情绪类别和第二情绪类别相近，即第一情绪类别和第二情绪类别之间的相似程度大于50％，则确定第一情绪类别和第二情绪类别为每个第一对象对应的情绪类别，即取综合结果为客户当前情绪状态判断的最终结果。例如，通过第一情绪识别模型确定出客户A的第一情绪类别为愤怒，通过第二情绪识别模型确定出客户A的第二情绪类别为悲伤，即第一情绪类别和第二情绪类别相近，则确定客户A的情绪类别为愤怒和悲伤。

可选的，若确定出第一情绪类别和第二情绪类别不同，即第一情绪类别和第二情绪类别之间的相似程度小于或等于50％，则分别确定语音信息和面部神态信息对应的目标分数，得到第一目标分数和第二目标分数，并根据第一目标分数和第二目标分数，确定每个第一对象对应的情绪类别。具体的，若两个模型(第一情绪识别模型和第二情绪识别模型)判断的结果差别较大，则分别对客户的语音素材和面部神态素材进行百分制评分，得到第一目标分数和第二目标分数，以分数较高的模型的输出结果作为客户当前情绪状态判断的最终结果。

可选的，可以依据素材的时长、有效数据的数量等多个评价标准，分别对客户的语音素材和面部神态素材进行评分和加权平均计算，得到第一目标分数和第二目标分数，例如，语音素材的时长为3分钟，评分为90分，语音素材的有效数据的数量为5个，评分为60分，计算得出第一目标分数为75分；面部神态素材的时长为1分钟，评分为70分，面部神态素材的有效数据的数量为10个，评分为90分，计算得出第二目标分数为80分。

在一种可选的实施例中，在根据第一目标分数和第二目标分数，确定每个第一对象对应的情绪类别的过程中，若第一目标分数大于或等于第二目标分数，则确定第一情绪类别为每个第一对象对应的情绪类别；若第一目标分数小于第二目标分数，则确定第二情绪类别为每个第一对象对应的情绪类别。

可选的，以分数较高的模型的输出结果作为客户当前情绪状态判断的最终结果。例如，语音素材对应的分数(即第一目标分数)为75分，面部神态素材对应的分数(即第二目标分数)为80分，则确定第二情绪识别模型的输出结果(即第二情绪类别)为客户的情绪类别。

在一种可选的实施例中，第一数据信息还包括身份信息和待办业务的业务类型信息，在基于每个第一对象对应的方言类别和情绪类别以及第二数据信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到每个第一对象与每个第二对象的评分数值的过程中，首先获取每个第二对象对应的方言类别，然后对每个第一对象对应的方言类别与每个第二对象对应的方言类别进行比对，得到比对结果，然后根据预设评分算法，确定比对结果对应的评分数值，得到第一评分数值，然后基于每个第一对象对应的情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第二评分数值，然后根据身份信息，确定每个第一对象的客户画像，然后基于客户画像和目标评价信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第三评分数值，然后对第一评分数值、第二评分数值以及第三评分数值进行加权平均计算，得到每个第一对象与每个第二对象的评分数值。其中，比对结果表征每个第一对象对应的方言类别与每个第二对象对应的方言类别之间的相似程度。

可选的，第一数据信息还包括身份信息和待办业务的业务类型信息，在客户排队取号时，基于客户个人意愿的前提下，引导客户自主录入确认个人身份信息和需要办理的业务类型，以此明确客户身份和客户需要办理的业务类型信息。例如，客户到网点办理业务，拿身份证在取号机上感应一下，并选取一种业务类型(例如，取款业务、存款业务等)，之后取号单会从取号口出来，以获取到客户的身份信息和待办业务的业务类型信息。

可选的，获取每个柜员对应的方言类别，然后对每个客户对应的方言类别与每个柜员对应的方言类别进行比对，得到比对结果，比对结果可以是相同、相近、不同等，然后根据预设评分算法，确定比对结果对应的评分数值，得到第一评分数值。例如，当客户口音与柜员口音相同时，口音方面适配度评分为100分，当客户口音与柜员口音对应的地区相近时，口音方面适配度评分为80分，当客户口音与柜员口音对应的地区属于同一地理分区时，口音方面适配度评分为60分，当客户口音与柜员口音相差较大时，口音方面适配度评分为0分。

例如，客户A的方言类别为北京口音，柜员1的方言类别为北京口音，即客户口音与柜员口音相同，适配度评分为100分；柜员2的方言类别为天津口音，即客户口音与柜员口音相近，适配度评分为80分；柜员3的方言类别为河北口音，即客户口音与柜员口音对应的地区属于同一地理分区(华北地区)，适配度评分为60分；柜员4的方言类别为上海口音，即客户口音与柜员口音相差较大，适配度评分为0分。

进一步地，基于每个客户对应的情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个客户与每个柜员进行评分，得到第二评分数值。例如，对于情绪状态较为焦躁的客户，该客户所选业务类型办理速度较快的柜员的适配度评分为100分，该客户所选业务类型办理速度较慢的柜员的适配度评分为0分；对于情绪状态较为舒缓的客户，该客户所选业务类型有办理能力的柜员适配度均为100分，无办理能力的适配度为0分。

进一步地，根据身份信息，确定每个客户的客户画像，然后基于客户画像和目标评价信息，根据预设评分算法，对每个客户与每个柜员进行评分，得到第三评分数值。可选的，基于客户身份信息调取客户在金融机构内的客户画像信息，若客户为高价值用户，则该客户所选业务类型办理满意度较高的柜员的适配度评分为100分，该客户所选业务类型办理满意度较低的柜员的适配度评分为0分。

进一步地，对第一评分数值、第二评分数值以及第三评分数值进行加权平均计算，得到每个客户与每个柜员的评分数值。其中，权重值根据需求自行设置，在此不做限定。例如，客户A与柜员1在口音方面的第一评分数值为100分，在情绪类别方面的第二评分数值为80分，在客户画像方面的第三评分数值为60分，则对100分、80分以及60分进行加权平均计算(以权重值均为1为例)，得到客户A与柜员1的评分数值为80分。

在一种可选的实施例中，在基于每个第一对象对应的情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第二评分数值的过程中，在每个第一对象对应的情绪类别为第一情绪类别和第二情绪类别的情况下，基于第一情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第四评分数值，然后基于第二情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第五评分数值，然后对第四评分数值和第五评分数值进行加权平均计算，得到第二评分数值。

可选的，在每个第一对象对应的情绪类别为第一情绪类别和第二情绪类别的情况下，即第一情绪类别和第二情绪类别相近，取综合结果为客户当前情绪状态判断的最终结果时，基于第一情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个客户与每个柜员进行评分，得到第四评分数值，然后基于第二情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个客户与每个柜员进行评分，得到第五评分数值，然后对第四评分数值和第五评分数值进行加权平均计算，得到第二评分数值。

例如，通过第一情绪识别模型确定出客户A的第一情绪类别为愤怒，通过第二情绪识别模型确定出客户A的第二情绪类别为悲伤，即第一情绪类别和第二情绪类别相近，确定出客户A的情绪类别为愤怒和悲伤时，若客户A的情绪类别为愤怒时与柜员1的第四评分数值为80分，客户A的情绪类别为悲伤时与柜员1的第五评分数值为60分，则计算得到客户A与柜员1在情绪类别方面的第二评分数值为70分。

在一种可选的实施例中，在根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象的过程中，首先获取每个第一对象的排队序号，然后根据排队序号，从多个第一对象中确定第一目标对象，然后对第一目标对象与每个第二对象的评分数值进行排序，并确定最高评分数值对应的第二对象为第二目标对象。

可选的，获取每个客户的排队序号，根据排队序号，从多个客户中确定目标客户，例如，在分别计算出客户A、客户B、客户C与柜员1、柜员2、柜员3之间的评分数值之后，获取到客户A的排队序号为2号，客户B的排队序号为1号，客户C的排队序号为3号，则确定客户B为目标客户。

进一步地，对第一目标对象与每个第二对象的评分数值进行排序，并确定最高评分数值对应的第二对象为第二目标对象。例如，客户B与柜员1、柜员2、柜员3之间的评分数值分别为80分、70分、90分，对客户B与柜员1、柜员2、柜员3之间的评分数值进行排序，确定90分对应的柜员(即柜员3)为第二目标对象，即适配度最高的柜员匹配给该客户办理相关业务。

在一种可选的实施例中，在根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象之后，将第一目标对象的排队序号分配至第二目标对象对应的等待队列中，然后根据等待队列，呼叫第一目标对象办理待办业务。

可选的，将第一目标对象的排队序号分配至第二目标对象的业务办理系统的等待队列中，例如，将客户B的排队序号分配至柜员3的业务办理系统的等待队列中，从而可以根据等待队列，呼叫客户B办理待办业务。

需要说明的是，在本实施例中，提供了一种智能匹配客户和柜员的方法，例如，在网点业务高峰期时，通过客户价值、客户口音和排队时的情绪状态，智能匹配最适合为其办理业务的柜面人员，以达到更优质的客户体验和更高效的业务办理效率。并且，考虑到客户语音信息和面部神态信息采集过程中可能存在的外部干扰和不准确因素，根据获取的客户语音和面部神态素材的评分，综合使用语音判断情绪导向和面部神态判断情绪导向的模型，以得到更准确的客户情绪类别判断结果。同时，考虑到柜面业务人员身体、心理状态的动态变化，对柜员办理各项业务的时长和满意度进行持续收集，以获得柜员当前最新业务办理状态的数据，使得客户和柜员的匹配结果更准确。

由此可见，通过本发明的技术方案，达到了对客户和柜台营业员的智能匹配的目的，从而实现了提高客户体验、提升客户满意度以及提高客户粘性的技术效果，进而解决了现有技术中通过排队取号结果按序依次分配网点柜员，存在由于顺序匹配不得当导致的客户体验差的技术问题。

实施例2

根据本发明实施例，提供了一种目标对象的确定装置的实施例，其中，图3是根据本发明实施例的一种可选的目标对象的确定装置的示意图，如图3所示，该装置包括：获取模块301，用于获取多个第一对象的第一数据信息和多个第二对象的第二数据信息，其中，第一数据信息包括以下至少之一：语音信息、面部神态信息，第二数据信息包括以下至少之一：目标评价信息、目标业务办理信息；第一确定模块302，用于基于第一数据信息，通过目标神经网络模型确定每个第一对象对应的方言类别和情绪类别，其中，目标神经网络模型是预先训练得到的，目标神经网络模型包括以下至少之一：方言识别模型、第一情绪识别模型、第二情绪识别模型，第一情绪识别模型和第二情绪识别模型对应的输入数据不同；处理模块303，用于基于每个第一对象对应的方言类别和情绪类别以及第二数据信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到每个第一对象与每个第二对象的评分数值，其中，评分数值用于表征每个第一对象与每个第二对象的适配程度；第二确定模块304，用于根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象。

需要说明的是，上述获取模块301、第一确定模块302、处理模块303以及第二确定模块304对应于上述实施例中的步骤S101至步骤S104，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。

可选的，第一确定模块包括：第三确定模块，用于基于语音信息，通过方言识别模型确定每个第一对象对应的方言类别；第四确定模块，用于基于语音信息，通过第一情绪识别模型确定每个第一对象对应的第一情绪类别；第五确定模块，用于基于面部神态信息，通过第二情绪识别模型确定每个第一对象对应的第二情绪类别；第六确定模块，用于基于第一情绪类别和第二情绪类别，确定每个第一对象对应的情绪类别。

可选的，第六确定模块包括：第七确定模块，用于确定第一情绪类别和第二情绪类别之间的目标关系，其中，目标关系表征第一情绪类别和第二情绪类别之间的相似程度；第八确定模块，用于若目标关系表征第一情绪类别和第二情绪类别之间的相似程度等于第一预设相似程度，则确定当前情绪类别为每个第一对象对应的情绪类别；第九确定模块，用于若目标关系表征第一情绪类别和第二情绪类别之间的相似程度大于第二预设相似程度，则确定第一情绪类别和第二情绪类别为每个第一对象对应的情绪类别，其中，第一预设相似程度大于第二预设相似程度；第十确定模块，用于若目标关系表征第一情绪类别和第二情绪类别之间的相似程度小于或等于第二预设相似程度，则分别确定语音信息和面部神态信息对应的目标分数，得到第一目标分数和第二目标分数，并根据第一目标分数和第二目标分数，确定每个第一对象对应的情绪类别，其中，第一目标分数表征语音信息的优劣程度，第二目标分数表征面部神态信息的优劣程度。

可选的，第十确定模块包括：第十一确定模块，用于若第一目标分数大于或等于第二目标分数，则确定第一情绪类别为每个第一对象对应的情绪类别；第十二确定模块，用于若第一目标分数小于第二目标分数，则确定第二情绪类别为每个第一对象对应的情绪类别。

可选的，第一数据信息还包括身份信息和待办业务的业务类型信息，处理模块包括：第一获取模块，用于获取每个第二对象对应的方言类别；第一判断模块，用于对每个第一对象对应的方言类别与每个第二对象对应的方言类别进行比对，得到比对结果，其中，比对结果表征每个第一对象对应的方言类别与每个第二对象对应的方言类别之间的相似程度；第十三确定模块，用于根据预设评分算法，确定比对结果对应的评分数值，得到第一评分数值；第一处理模块，用于基于每个第一对象对应的情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第二评分数值；第十四确定模块，用于根据身份信息，确定每个第一对象的客户画像；第二处理模块，用于基于客户画像和目标评价信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第三评分数值；第三处理模块，用于对第一评分数值、第二评分数值以及第三评分数值进行加权平均计算，得到每个第一对象与每个第二对象的评分数值。

可选的，第一处理模块包括：第四处理模块，用于在每个第一对象对应的情绪类别为第一情绪类别和第二情绪类别的情况下，基于第一情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第四评分数值；第五处理模块，用于基于第二情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第五评分数值；第六处理模块，用于对第四评分数值和第五评分数值进行加权平均计算，得到第二评分数值。

可选的，第二确定模块包括：第二获取模块，用于获取每个第一对象的排队序号；第十五确定模块，用于根据排队序号，从多个第一对象中确定第一目标对象；第十六确定模块，用于对第一目标对象与每个第二对象的评分数值进行排序，并确定最高评分数值对应的第二对象为第二目标对象。

可选的，目标对象的确定装置还包括：第七处理模块，用于将第一目标对象的排队序号分配至第二目标对象对应的等待队列中；第八处理模块，用于根据等待队列，呼叫第一目标对象办理待办业务。

实施例3

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的目标对象的确定方法。

实施例4

根据本发明实施例的另一方面，还提供了一种电子设备，其中，图4是根据本发明实施例的一种可选的电子设备的示意图，如图4所示，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的目标对象的确定方法。处理器执行程序时实现以下步骤：获取多个第一对象的第一数据信息和多个第二对象的第二数据信息，其中，第一数据信息包括以下至少之一：语音信息、面部神态信息，第二数据信息包括以下至少之一：目标评价信息、目标业务办理信息；基于第一数据信息，通过目标神经网络模型确定每个第一对象对应的方言类别和情绪类别，其中，目标神经网络模型是预先训练得到的，目标神经网络模型包括以下至少之一：方言识别模型、第一情绪识别模型、第二情绪识别模型，第一情绪识别模型和第二情绪识别模型对应的输入数据不同；基于每个第一对象对应的方言类别和情绪类别以及第二数据信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到每个第一对象与每个第二对象的评分数值，其中，评分数值用于表征每个第一对象与每个第二对象的适配程度；根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象。

可选的，处理器执行程序时还实现以下步骤：基于语音信息，通过方言识别模型确定每个第一对象对应的方言类别；基于语音信息，通过第一情绪识别模型确定每个第一对象对应的第一情绪类别；基于面部神态信息，通过第二情绪识别模型确定每个第一对象对应的第二情绪类别；基于第一情绪类别和第二情绪类别，确定每个第一对象对应的情绪类别。

可选的，处理器执行程序时还实现以下步骤：确定第一情绪类别和第二情绪类别之间的目标关系，其中，目标关系表征第一情绪类别和第二情绪类别之间的相似程度；若目标关系表征第一情绪类别和第二情绪类别之间的相似程度等于第一预设相似程度，则确定当前情绪类别为每个第一对象对应的情绪类别；若目标关系表征第一情绪类别和第二情绪类别之间的相似程度大于第二预设相似程度，则确定第一情绪类别和第二情绪类别为每个第一对象对应的情绪类别，其中，第一预设相似程度大于第二预设相似程度；若目标关系表征第一情绪类别和第二情绪类别之间的相似程度小于或等于第二预设相似程度，则分别确定语音信息和面部神态信息对应的目标分数，得到第一目标分数和第二目标分数，并根据第一目标分数和第二目标分数，确定每个第一对象对应的情绪类别，其中，第一目标分数表征语音信息的优劣程度，第二目标分数表征面部神态信息的优劣程度。

可选的，处理器执行程序时还实现以下步骤：若第一目标分数大于或等于第二目标分数，则确定第一情绪类别为每个第一对象对应的情绪类别；若第一目标分数小于第二目标分数，则确定第二情绪类别为每个第一对象对应的情绪类别。

可选的，第一数据信息还包括身份信息和待办业务的业务类型信息，处理器执行程序时还实现以下步骤：获取每个第二对象对应的方言类别；对每个第一对象对应的方言类别与每个第二对象对应的方言类别进行比对，得到比对结果，其中，比对结果表征每个第一对象对应的方言类别与每个第二对象对应的方言类别之间的相似程度；根据预设评分算法，确定比对结果对应的评分数值，得到第一评分数值；基于每个第一对象对应的情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第二评分数值；根据身份信息，确定每个第一对象的客户画像；基于客户画像和目标评价信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第三评分数值；对第一评分数值、第二评分数值以及第三评分数值进行加权平均计算，得到每个第一对象与每个第二对象的评分数值。

可选的，处理器执行程序时还实现以下步骤：在每个第一对象对应的情绪类别为第一情绪类别和第二情绪类别的情况下，基于第一情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第四评分数值；基于第二情绪类别、目标业务办理信息以及待办业务的业务类型信息，根据预设评分算法，对每个第一对象与每个第二对象进行评分，得到第五评分数值；对第四评分数值和第五评分数值进行加权平均计算，得到第二评分数值。

可选的，处理器执行程序时还实现以下步骤：获取每个第一对象的排队序号；根据排队序号，从多个第一对象中确定第一目标对象；对第一目标对象与每个第二对象的评分数值进行排序，并确定最高评分数值对应的第二对象为第二目标对象。

可选的，处理器执行程序时还实现以下步骤：在根据评分数值，从多个第二对象中确定为每个第一对象办理待办业务的第二目标对象之后，将第一目标对象的排队序号分配至第二目标对象对应的等待队列中；根据等待队列，呼叫第一目标对象办理待办业务。

本文中的设备可以是服务器、PC、PAD、手机等。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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，在本发明各个实施例中的各功能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，也可以采用软件功能单元的形式实现。

所述集成的单元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，本发明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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。