CN109285030A - 产品推荐方法、装置、终端及计算机可读存储介质 - Google Patents
产品推荐方法、装置、终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109285030A CN109285030A CN201810991956.0A CN201810991956A CN109285030A CN 109285030 A CN109285030 A CN 109285030A CN 201810991956 A CN201810991956 A CN 201810991956A CN 109285030 A CN109285030 A CN 109285030A
- Authority
- CN
- China
- Prior art keywords
- information
- text information
- dialog text
- user
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 87
- 238000004590 computer program Methods 0.000 claims 1
- 238000012549 training Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种产品推荐方法、装置、终端及计算机可读存储介质,该方法包括:将针对产品的第一对话文本信息输入预设的文本分类模型,确定第一对话文本信息对应的用户意图类型;当用户意图类型为倾向型时,获取针对产品的第二对话文本信息;将第二对话文本信息输入预设的意图识别模型,确定第二对话文本信息对应的用户意图信息;生成对应用户意图信息的产品推荐信息。本申请方案,基于第一对话文本信息的用户意图类型,初步进行购买倾向的判断,当用户意图类型为倾向型时,获取第二对话文本信息,并确定第二对话文本信息的用户意图信息,该用户意图信息可准确反映用户的购买意图,进而依据用户意图信息可向用户推荐合适的产品。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,本申请涉及一种产品推荐方法、装置、终端及计算机可读存储介质。
背景技术
现有技术中,产品的推荐方式通常为基于搜索系统向用户进行产品推荐的形式或基于人工客服向用户产品推荐形式,基于搜索系统进行产品推荐主要过程为:获取用户输入的产品关键词,在搜索系统中匹配与产品关键词相匹配的产品信息;依据匹配到的产品信息实现产品的推荐;基于人工客服向用户推荐产品的方式主要是:通过人工客服来咨询用户的产品购买倾向,基于产品的购买倾向实现产品的推荐。
但是,基于自动聊天模式的产品推荐形式,即通过系统与用户的对话内容向用户推荐产品,由于自动聊天模式下的对话内容中的信息量过大,且对话内容中不一定有明确的用户意图,则基于上述搜索系统的产品推荐形式,无法基于用户不明确的意图准确识别出对话内容中的产品关键词,即不能准确识别出用户意图,进而不能基于用户意图为用户推荐合适的产品;基于上述人工客服的产品推荐形式,需要大量人工参与,无法适用自动聊天模式下对大量用户进行产品推荐的需求。
因此,现有技术中的技术缺陷是:在自动聊天的产品推荐形式下,基于现有的产品推荐方式无法自动从大量对话内容中准确识别出有效的用户意图,以使依据识别出的用户意图不能为用户推荐合适的产品。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,特别是在自动聊天的产品推荐形式下,基于现有的产品推荐方式无法自动从大量对话内容中准确识别出有效的用户意图,以使依据识别出的用户意图不能为用户推荐合适的产品的技术缺陷。
第一方面,本申请提供了一种产品推荐方法,该方法包括:
将针对产品的第一对话文本信息输入预设的文本分类模型,确定第一对话文本信息对应的用户意图类型;
当用户意图类型为倾向型时,获取针对产品的第二对话文本信息;
将所述第二对话文本信息输入预设的意图识别模型,确定第二对话文本信息对应的用户意图信息;
生成对应用户意图信息的产品推荐信息。
第二方面,本申请提供了一种产品推荐装置,该装置包括:
用户意图类型确定模块,用于将针对产品的第一对话文本信息输入预设的文本分类模型,确定第一对话文本信息对应的用户意图类型;
对话文本信息获取模块,用于当用户意图类型为倾向型时,获取针对产品的第二对话文本信息;
用户意图信息确定模块,用于将第二对话文本信息输入预设的意图识别模型,确定第二对话文本信息对应的用户意图信息;
产品推荐模块,用于生成对应用户意图信息的产品推荐信息。
第三方面,本申请提供了一种产品推荐终端,该终端包括:处理器、存储器和总线;总线,用于连接处理器和存储器;存储器,用于存储操作指令;处理器,用于通过调用操作指令,执行如本申请的第一方面所示的方法对应的操作。
第四方面,本申请提供了一种计算机可读存储介质,存储介质存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如本申请的第一方面所示的方法。
本申请实施例提供的技术方案带来的有益效果是:
将针对产品的第一对话文本信息输入预设的文本分类模型,确定第一对话文本信息对应的用户意图类型;当用户意图类型为倾向型时,获取针对产品的第二对话文本信息;将第二对话文本信息输入至预设的意图识别模型,确定第二对话文本信息对应的用户意图信息;生成对应用户意图信息的产品推荐信息;上述方案中,由于不同对话文本信息中包含不同的用户意图类型,通过用户意图类型可初步判断用户对产品是否有购买意图,进一步地,当用户意图类型为倾向型时,即该用户对产品有购买意图时,获取第二对话文本信息,并通过预设的意图识别模型,确定第二对话文本信息对应的用户意图信息,得到的用户意图信息可准确反映用户的购买意图,进而依据用户意图信息生成用户接受度较高的产品推荐信息,以用于向用户推荐合适的产品,且基于上述方法,无需人工参与即可自动基于对话文本信息得到用户的意图信息,节约人工成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种产品推荐方法的流程示意图;
图2为本申请实施例提供的另一种产品推荐方法的流程示意图;
图3为本申请实施例提供的一种产品推荐装置的结构示意图;
图4为本申请实施例提供的一种产品推荐终端的结构示意图。
具体实施方式
下面详细描述本申请的实施例,该实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在该特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请提供的产品推荐方法、装置、终端和计算机可读存储介质,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
实施例一
本申请实施例提供了一种产品推荐方法,如图1所示,该方法包括:
步骤S101,将针对产品的第一对话文本信息输入预设的文本分类模型,确定第一对话文本信息对应的用户意图类型。
其中,第一对话文本信息为自动聊天模式下,用户与自动聊天系统之间交互产生的对话文本信息。
步骤S102,当用户意图类型为倾向型时,获取针对产品的第二对话文本信息。
其中,用户意图类型为倾向型表示用户对该产品有购买倾向;其中,第二对话文本信息可为与第一对话文本信息相同的对话文本信息,也可是与第一对话文本信息不同的对话文本信息。
步骤S103,将第二对话文本信息输入预设的意图识别模型,确定第二对话文本信息对应的用户意图信息。
其中,意图识别模型为基于对话文本信息和用户意图信息预先建立的模型,用于确定对话文本信息对应的用户意图信息。
步骤S104,生成对应用户意图信息的产品推荐信息。
由此,本实施例中的方案,将针对产品的第一对话文本信息输入预设的文本分类模型,确定第一对话文本信息对应的用户意图类型;当用户意图类型为倾向型时,获取针对产品的第二对话文本信息;将第二对话文本信息输入预设的意图识别模型,确定第二对话文本信息对应的用户意图信息;生成对应用户意图信息的产品推荐信息;上述方案中,由于不同对话文本信息中包含不同的用户意图类型,通过用户意图类型可初步判断用户对产品是否有购买意图,进一步地,当用户意图类型为倾向型时,即该用户对产品有购买意图时,获取第二对话文本信息,并通过预设的意图识别模型,确定第二对话文本信息对应的用户意图信息,得到的用户意图信息可准确反映用户的购买意图,进而依据用户意图信息生成用户接受度较高的产品推荐信息,以用于向用户推荐合适的产品,且基于上述方法,无需人工参与即可自动基于对话文本信息得到用户的意图信息,节约人工成本。
实施例二
本申请实施例提供了另一种可能的实现方式,在实施例一的基础上,还包括实施例二所示的方法,其中,
进一步地,将针对产品的第一对话文本信息输入预设的文本分类模型,确定第一对话文本信息对应的用户意图类型,包括:
通过预设的文本分类模型,确定第一对话文本信息的对话类型。
依据对话类型,确定第一对话文本信息对应的用户意图类型。
其中,文本分类模型是基于对话文本信息和对话类型预先建立的模型,用来确定对话文本信息对应的对话类型,且不同的对话类型对应不同的用户意图类型。
进一步地,步骤S101中,通过预设的文本分类模型,确定第一对话文本信息的对话类型,包括:
依据第一对话文本信息生成第一词语序列。
确定第一词语序列属于各对话类型的概率值。
将最高概率值的对话类型作为第一对话文本信息的对话类型。
其中,预设的文本分类模型是基于注意力机制的深度学习模型建立的,基于注意力机制的深度学习模型可有效提取对话文本信息中的核心内容,避免对话文本信息中信息噪音和不相关信息的影响,提高模型识别对话类型的精度。
其中,采用fastText快速的文本分类模型确定对话文本信息中第一词语序列对应的对话类型,基于fastText模型,输入一个词语序列,可输出这个词序列属于不同类别的概率,因此基于fastText模型确定对话文本信息中第一词语序列对应的对话类型,可提高数据运算速度。
进一步地,如图2所示,确定词语序列属于各对话类型的概率值,包括:
步骤S201,依据第一词语序列生成多个词向量。
其中,可采用现有的词向量模型将第一词语序列生成多个词向量,例如Word2vec模型。
步骤S202,确定各个词向量的隐藏向量。
其中,可采用现有的深度神经网络计算每个词向量的隐藏向量,比如GRU(GatedRecurrent Unit)深度神经网络,通过GRU计算各个词向量的隐藏向量,由于GRU中只有两个门进行计算,因此减少了计算量。
步骤S203,确定任一词向量与其对应隐藏向量的相似度。
步骤S204,将确定得到的相似度作为权重,确定多个词向量的加权平均值。
其中,通过将确定得到的相似度作为权重,计算多个词向量的加权平均值,即将词向量的特征向量进行加权平均计算,以使加权平均计算后的词向量中的特征更具有代表性。
步骤S205,依据加权平均值生成预定维度特征向量。
其中,在深度学习的神经网络模型中全连接层,依据加权平均值生成预定维度的特征向量,即从加权平均值中提取出最具有特点的词向量,该预定维度特征向量中可包含词向量中所有的特征信息,即包含词向量中的核心特征,提高词向量的特征提取精度。
步骤S206,确定预定维度特征向量属于各对话类型的概率值。
更进一步地,依据加权平均值生成预定维度特征向量,包括:
通过梯度下降算法将加权平均值生成预定维度特征向量。
其中,预定维度指的是比加权平均值的低的维度,在模型训练过程中,在最小化损失函数时,可以通过梯度下降法来迭代求解,得到最小化的损失函数,及对应的模型参数,即预定维度特征向量,以使得训练得到的模型精度更高。
其中,可依据softmax函数计算预定维度特征向量属于各对话类型的概率值,可减少计算量。
其中,文本分类模型在训练时,预先标注大量的语料,即依据文本类型对大量文本内容进行标注;训练过程中,还可基于识别出的对话类型不断对文本分类模型进行优化,以提高通过文本分类模型识别对话类型的精度。
进一步地,对话类型包括以下至少一种:
无方向型对话,问答型对话和产品咨询型对话;
依据对话类型,确定第一对话文本信息对应的用户意图类型,包括:
当对话类型是无方向型对话或问答型对话时,确定用户意图类型为非倾向型。
当对话类型为产品咨询型对话时,确定用户意图类型为倾向型。
其中,用户意图类型中包括非倾向型和倾向型,当用户意图类型为非倾向时,表示在第一对话文本信息中用户没有明确的购买意向,则不需进行以下用户意图信息的识别过程,当用户意图类型为倾向型时,继续进行下述用户意图信息的识别,可减少整个意图识别过程中的数据处理量。
更进一步地,该方法还包括:
当对话类型是无方向型对话时,依据第一对话文本信息中用户的咨询信息,通过预设第一回复方式生成用户的咨询信息对应的回复信息。
其中,预设第一回复方式是基于seq2seq(Sequence to Sequence)序列到序列学习模型训练的回复方式;根据基于seq2seq模型训练的回复方式,生成用户的咨询信息对应的回复信息;其中,基于seq2seq模型训练的回复方式会根据用户输入的文本信息自动给出相应的回复,具体地,seq2seq模型是以编码和解码为代表的架构方式,根据输入序列X来生成输出序列Y,比如,基于预先大量的训练数据,比如训练数据可为用户常问的一些问题,基于该用户常问的问题,给出对应的回复,形成X-Y的映射方式,则基于seq2seq模型训练的回复方式,会根据用户输入的文本信息X自动给出相应的回复信息Y。
当对话类型是问答型对话时,依据第一对话文本信息中用户的咨询信息,通过预设第二回复方式生成用户的咨询信息对应的回复信息。
其中,预设第二回复方式为基于知识图谱的回复方式,基于知识图谱的回复方式,生成用户的咨询信息对应的回复信息;其中,知识图谱类似于一个知识库,将用户的咨询信息生成一个标准的结构化的查询语句,然后依据该语句在知识图谱中查询并确定相应的回复信息。
当对话类型是产品咨询型对话时,依据第一对话文本信息中用户的咨询信息,通过预设第三回复方式生成用户的咨询信息对应的回复信息。
其中,预设第三回复方式为产品推荐回复方式,可依据第一对话文本信息中用户的咨询信息,生成对应的回复信息,回复信息中包括推荐产品的产品名称,产品相关信息等,其中第二对话文本信息可通过第三回复方式获得。
由此,基于不同的对话类型选择不同的对话方式有区别的进行对话,可提高数据处理速度,并且,当对话类型为产品咨询型对话时,可基于第三回复方式进一步获取有产品购买倾向用户的意图信息。
进一步地,步骤S103中,将第二对话文本信息输入预设的意图识别模型,确定第二对话文本信息对应的用户意图信息,包括:
依据第二对话文本信息生成第二词语序列。
确定第二词语序列属于各用户意图信息的概率值。
将最高概率值的用户意图信息作为第二对话文本信息对应的用户意图信息。
其中,预设的意图识别模型是基于注意力机制的深度学习模型建立的,基于注意力机制的深度学习模型可有效提取对话文本信息中的核心内容,避免对话文本信息中信息噪音和不相关信息的影响,提高模型识别用户意图信息的精度。
更进一步地,确定第二词语序列属于各用户意图信息的概率值,包括:
依据第二词语序列生成多个词向量;
确定各个词向量的隐藏向量;
确定任一词向量与其对应隐藏向量的相似度;
将确定得到的相似度作为权重,确定多个词向量的加权平均值;
依据加权平均值生成预定维度特征向量;
确定预定维度特征向量属于各用户意图信息的概率值。
其中,预设的意图识别模型的原理与上述预设文本分类模型的原理相同,在此不再赘述。
进一步地,步骤S104,生成对应用户意图信息的产品推荐信息,包括:
依据用户意图信息,通过第一预设对话模式,得到针对产品的第三对话文本信息。
确定第三对话文本信息中的第一产品关键词。
依据第一产品关键词,生成产品推荐信息。
其中,第一预设对话模式与上述第三回复方式类似,基于用户意图信息,基于第一预设对话模式可进一步得到与用户意图信息中的产品相关的第三对话文本信息,提取第三对话文本信息中的第一产品关键词,依据第一产品关键词生成产品推荐信息,使得产品推荐信息中推荐的产品更贴近用户的真实意图。
举例说明:
用户:我想购买一个基金;
识别出的用户意图信息为:产品推荐-基金;
触发第一预设对话模式,询问得到第三对话文本信息:
系统提问:请问你想购买的基金类型是什么?偏股型、债券型、混合型或其他基金类型?
用户回答:我想购买股票投资为主的基金;
从第三对话文本信息中提取得到第一产品关键词:基金类型-偏股型。
则基于得到的第一产品关键词偏股型基金为用户推荐相应的产品。
更进一步地,确定第三对话文本信息中的第一产品关键词之后,方法还包括:
依据第一产品关键词,通过第二预设对话模式,得到针对产品的第四对话文本信息;
确定第四对话文本信息中的第二产品关键词;
依据第一产品关键词,生成产品推荐信息,包括:
依据第一产品关键词以及第二产品关键词,生成产品推荐信息。
其中,依据第一产品关键词,可通过第二预设对话模式进一步询问更具体的产品倾向,得到第四对话文本信息;进而在第四对话文本信息中提取到的第二产品关键词,以使依据第二产品关键词生成的产品推荐信息更接近用户的真实意图。
进一步地,确定第三对话文本信息中的第一产品关键词,包括:
通过预设参数提取模型确定第三对话文本信息中的第一产品关键词。
进一步地,通过预设参数提取模型确定第三对话文本信息中的第一产品关键词,包括:
依据第三对话文本信息生成词序列;
通过命名实体识别方法将词序列转化成标签序列;
确定标签序列中的第一产品关键词。
其中,基于命名实体识别方法将词序列转化为一段标签序列,比如:“我-想-购买-偏股型-基金”转化为一段标签序列为:“0-0-0-STOCKFUND-STOCKFUND”;从标签序列中提取出与预设关键词标签匹配的关键词,作为第一产品关键词。
其中,确定第四对话文本信息中的第二产品关键词可采用与上述相同的方式进行关键词的提取,在此不在赘述。
接上例,基于第一产品关键词偏股型基金,通过第二预设对话模式,得到第四对话文本信息:
系统提问:请问最近一年的收益率至少为多少?
用户回答:近一年的收益率不低于20%;
依据预设参数提取模型确定第四对话文本信息中的第二产品关键词:收益率:不小于0.2,年份,2017年。
则进一步基于第一产品关键词和第二产品关键词,向用户推荐偏股型基金,近一年收益率不小于0.2的金融产品。
由此,依据用户意图信息,通过预设的对话模式进一步获取用户倾向购买产品的具体信息,以使得在自动聊天情形下,基于获取的用户倾向购买产品的具体信息为用户推荐更合适的产品。
实施例三
本申请实施例提供了一种产品推荐装置30,如图3所示,该产品推荐装置30可以包括:用户意图类型确定模块301、对话文本信息获取模块302、用户意图信息确定模块303以及产品推荐模块304,其中,
用户意图类型确定模块301,用于将针对产品的第一对话文本信息输入预设的文本分类模型,确定第一对话文本信息对应的用户意图类型。
对话文本信息获取模块302,用于当用户意图类型为倾向型时,获取针对产品的第二对话文本信息。
其中,用户意图类型为倾向型表示用户对该产品有购买倾向。
用户意图信息确定模块303,用于将第二对话文本信息输入预设的意图识别模型,确定第二对话文本信息对应的用户意图信息。
其中,意图识别模型为基于对话文本信息和用户意图信息预先建立的模型,用于确定对话文本信息对应的用户意图信息。
产品推荐模块304,用于生成对应用户意图信息的产品推荐信息。
由此,本实施例中的方案,将针对产品的第一对话文本信息输入预设的文本分类模型,确定第一对话文本信息对应的用户意图类型;当用户意图类型为倾向型时,获取针对产品的第二对话文本信息;将第二对话文本信息输入至预设的意图识别模型,确定第二对话文本信息对应的用户意图信息;生成对应用户意图信息的产品推荐信息;上述方案中,由于不同对话文本信息中包含不同的用户意图类型,通过用户意图类型可初步判断用户对产品是否有购买意图,进一步地,当用户意图类型为倾向型时,即该用户对产品有购买意图时,获取第二对话文本信息,并通过预设的意图识别模型,确定第二对话文本信息对应的用户意图信息,得到的用户意图信息可准确反映用户的购买意图,进而依据用户意图信息生成用户接受度较高的产品推荐信息,以用于向用户推荐合适的产品,且基于上述方案,无需人工参与即可自动基于对话文本信息得到用户的意图信息,节约人工成本。
实施例四
本申请实施例提供了另一种可能的实现方式,在实施例三的基础上,还包括实施例四所示的方案,其中,
进一步地,用户意图类型确定模块301中,将针对产品的第一对话文本信息输入预设的文本分类模型,确定第一对话文本信息对应的用户意图类型,包括:
通过预设的文本分类模型,确定第一对话文本信息的对话类型。
依据对话类型,确定第一对话文本信息对应的用户意图类型。
其中,文本分类模型是基于对话文本信息和对话类型预先建立的模型,用来确定对话文本信息对应的对话类型,且不同的对话类型对应不同的用户意图类型。
进一步地,用户意图类型确定模块301中,通过预设的文本分类模型,确定第一对话文本信息的对话类型,包括:
依据第一对话文本信息生成第一词语序列。
确定第一词语序列属于各对话类型的概率值。
将最高概率值的对话类型作为第一对话文本信息的对话类型。
其中,预设的文本分类模型是基于注意力机制的深度学习模型建立的,基于注意力机制的深度学习模型可有效提取对话文本信息中的核心内容,避免对话文本信息中信息噪音和不相关信息的影响,提高模型识别对话类型的精度。
其中,采用fast Text模型确定对话文本信息中第一词语序列对应的对话类型,基于fast Text模型,输入一个词语序列,可输出这个词序列属于不同类别的概率,因此基于fast Text模型确定对话文本信息中第一词语序列对应的对话类型,可提高数据运算速度。
进一步地,用户意图类型确定模块301包括词向量生成单元3011,隐藏向量确定单元3012,相似度计算单元3013,加权平均单元3014,特征向量处理单元3015以及对话类型确定单元3016,其中,
词向量生成单元3011,用于依据第一词语序列生成多个词向量。
其中,可采用现有的词向量模型将第一词语序列生成多个词向量,例如Word2vec模型。
隐藏向量确定单元3012,用于确定各个词向量的隐藏向量。
其中,可采用现有的深度神经网络计算每个词向量的隐藏向量,比如GRU(GatedRecurrent Unit)深度神经网络,通过GRU计算各个词向量的隐藏向量,由于GRU中只有两个门进行计算,因此减少了计算量。
相似度计算单元3013,用于确定任一词向量与其对应隐藏向量的相似度。
加权平均单元3014,用于将确定得到的相似度作为权重,确定多个词向量的加权平均值。
其中,通过将确定得到的相似度作为权重,计算多个词向量的加权平均值,即将词向量的特征向量进行加权平均计算,以使加权平均计算后的词向量中的特征更具有代表性。
特征向量处理单元3015,用于依据加权平均值生成预定维度特征向量。
其中,在深度学习的神经网络模型中全连接层,依据加权平均值生成预定维度的特征向量,即从加权平均值中提取出最具有特点的词向量,该预定维度特征向量中可包含词向量中所有的特征信息,即包含词向量中的核心特征,提高词向量的特征提取精度。
对话类型确定单元3016,用于确定预定维度特征向量属于各对话类型的概率值。
更进一步地,特征向量处理单元3015中,依据加权平均值生成预定维度特征向量,包括:
通过梯度下降算法将加权平均值生成预定维度特征向量。
其中,预定维度指的是比加权平均值的低的维度,在模型训练过程中,在最小化损失函数时,可以通过梯度下降法来迭代求解,得到最小化的损失函数,及对应的模型参数,即预定维度特征向量,以使得训练得到的模型精度更高。
其中,可依据softmax函数计算预定维度特征向量属于各对话类型的概率值,可减少计算量。
其中,文本分类模型在训练时,预先标注大量的语料,即依据文本类型对大量文本内容进行标注。训练过程中,还可基于识别出的对话类型不断对文本分类模型进行优化,以提高通过文本分类模型识别对话类型的精度。
进一步地,对话类型包括以下至少一种:
无方向型对话,问答型对话和产品咨询型对话;
依据对话类型,确定第一对话文本信息对应的用户意图类型,包括:
当对话类型是无方向型对话或问答型对话时,确定用户意图类型为非倾向型。
当对话类型为产品咨询型对话时,确定用户意图类型为倾向型。
其中,用户意图类型中包括非倾向型和倾向型,当用户意图类型为非倾向时,表示在第一对话文本信息中用户没有明确的购买意向,则不需进行以下用户意图信息的识别过程,当用户意图类型为倾向型时,继续进行下述用户意图信息的识别,可减少整个意图识别过程中的数据处理量。
更进一步地,该装置还包括,回复模块,用于:
当对话类型是无方向型对话时,依据第一对话文本信息中用户的咨询信息,通过预设第一回复方式生成用户的咨询信息对应的回复信息。
其中,预设第一回复方式是基于seq2seq模型训练的回复方式;根据基于seq2seq模型训练的回复方式,生成用户的咨询信息对应的回复信息。其中,基于seq2seq模型训练的回复方式会根据用户输入的文本信息自动给出相应的回复,具体地,seq2seq模型是以编码和解码为代表的架构方式,根据输入序列X来生成输出序列Y,比如,基于预先大量的训练数据,比如训练数据可为用户常问的一些问题,基于该用户常问的问题,给出对应的回复,形成X-Y的映射方式,则基于seq2seq模型训练的回复方式,会根据用户输入的文本信息X自动给出相应的回复信息Y。
当对话类型是问答型对话时,依据第一对话文本信息中用户的咨询信息,通过预设第二回复方式生成用户的咨询信息对应的回复信息。
其中,预设第二回复方式为基于知识图谱的回复方式,基于知识图谱的回复方式,生成用户的咨询信息对应的回复信息;其中,知识图谱类似于一个知识库,将用户的咨询信息生成一个标准的结构化的查询语句,然后依据该语句在知识图谱中查询并确定相应的回复信息。
当对话类型是产品咨询型对话时,依据第一对话文本信息中用户的咨询信息,通过预设第三回复方式生成用户的咨询信息对应的回复信息。
其中,预设第三回复方式为产品推荐回复方式,可依据第一对话文本信息中用户的咨询信息,生成对应的回复信息,回复信息中包括推荐产品的产品名称,产品相关信息等,其中第二对话文本信息可通过第三回复方式获得。
由此,基于不同的对话类型选择不同的对话方式有区别的进行对话,可提高数据处理速度,并且,当对话类型为产品咨询型对话时,可基于第三回复方式进一步获取有产品购买倾向用户的意图信息。
进一步地,用户意图信息确定模块303中,将第二对话文本信息输入预设的意图识别模型,确定第二对话文本信息对应的用户意图信息,包括:
依据第二对话文本信息生成第二词语序列。
确定第二词语序列属于各用户意图信息的概率值。
将最高概率值的用户意图信息作为第二对话文本信息对应的用户意图信息。
其中,预设的意图识别模型是基于注意力机制的深度学习模型建立的,基于注意力机制的深度学习模型可有效提取对话文本信息中的核心内容,避免对话文本信息中信息噪音和不相关信息的影响,提高模型识别用户意图信息的精度。
更进一步地,第二意图识别模块304中,确定第二词语序列属于各用户意图信息的概率值,包括:
依据第二词语序列生成多个词向量;
确定各个词向量的隐藏向量;
确定任一词向量与其对应隐藏向量的相似度;
将确定得到的相似度作为权重,确定多个词向量的加权平均值;
依据加权平均值生成预定维度特征向量;
确定预定维度特征向量属于各用户意图信息的概率值。
其中,预设的意图识别模型的原理与上述预设文本分类模型的原理相同,在此不再赘述。
进一步地,产品推荐模块304中,生成对应用户意图信息的产品推荐信息,包括:
依据用户意图信息,通过第一预设对话模式,得到针对产品的第三对话文本信息。
确定第三对话文本信息中的第一产品关键词。
依据第一产品关键词,生成产品推荐信息。
其中,第一预设对话模式与上述第三回复方式类似,基于用户意图信息,基于第一预设对话模式可进一步得到与用户意图信息中的产品相关的第三对话文本信息,提取第三对话文本信息中的第一产品关键词,依据第一产品关键词生成产品推荐信息,使得产品推荐信息中推荐的产品更贴近用户的真实意图。
进一步地,确定第三对话文本信息中的第一产品关键词之后,方法还包括:
依据第一产品关键词,通过第二预设对话模式,得到针对产品的第四对话文本信息;
确定第四对话文本信息中的第二产品关键词;
依据第一产品关键词,生成产品推荐信息,包括:
依据第一产品关键词以及第二产品关键词,生成产品推荐信息。
其中,依据第一产品关键词,可通过第二预设对话模式进一步询问更具体的产品倾向,得到第四对话文本信息;进而在第四对话文本信息中提取到的第二产品关键词,以使依据第二产品关键词生成的产品推荐信息更接近用户的真实意图。
进一步地,确定第三对话文本信息中的第一产品关键词,包括:
通过预设参数提取模型确定第三对话文本信息中的第一产品关键词。
进一步地,通过预设参数提取模型确定第三对话文本信息中的第一产品关键词,包括:
依据第三对话文本信息生成词序列;
通过命名实体识别方法将词序列转化成标签序列;
确定标签序列中的第一产品关键词。
其中,确定第四对话文本信息中的第二产品关键词可采用与上述相同的方式进行关键词的提取,在此不在赘述。
由此,依据用户意图信息,通过预设的对话模式进一步获取用户倾向购买产品的具体信息,以使得在自动聊天情形下,基于获取的用户倾向购买产品的具体信息为用户推荐更合适的产品。
本实施例的产品推荐装置可执行本申请实施例二提供的一种产品推荐方法,其实现原理相类似,此处不再赘述。
实施例五
本申请实施例提供了一种产品推荐终端40,如图4所示,图4所示的终端40包括:处理器401和存储器403。其中,处理器401和存储器403相连,如通过总线402相连。可选地,该终端40还可以包括收发器404。需要说明的是,实际应用中收发器404不限于一个,该终端40的结构并不构成对本申请实施例的限定。
其中,处理器401应用于本申请实施例中,用于实现图3所示的用户意图类型确定模块301、对话文本信息获取模块302、用户意图信息确定模块303以及产品推荐模块304的功能。收发器404包括接收机和发射机。
处理器401可以是CPU,通用处理器,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器401也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线402可包括一通路,在上述组件之间传送信息。总线402可以是PCI总线或EISA总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
可选地,存储器403用于存储执行本申请方案的应用程序代码,并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码,以实现图3所示实施例提供的产品推荐装置的动作。
本申请实施例提供的一种产品推荐终端,与现有技术相比,将针对产品的第一对话文本信息输入预设的文本分类模型,确定第一对话文本信息对应的用户意图类型;当用户意图类型为倾向型时,获取针对产品的第二对话文本信息;将第二对话文本信息输入至预设的意图识别模型,确定第二对话文本信息对应的用户意图信息;生成对应用户意图信息的产品推荐信息;上述方案中,由于不同对话文本信息中包含不同的用户意图类型,通过用户意图类型可初步判断用户对产品是否有购买意图,进一步地,当用户意图类型为倾向型时,即该用户对产品有购买意图时,获取第二对话文本信息,并通过预设的意图识别模型,确定第二对话文本信息对应的用户意图信息,得到的用户意图信息可准确反映用户的购买意图,进而依据用户意图信息生成用户接受度较高的产品推荐信息,以用于向用户推荐合适的产品,且基于上述方案,无需人工参与即可自动基于对话文本信息得到用户的意图信息,节约人工成本。
本申请实施例提供的一种产品推荐终端适用于上述实施例四中的装置实施例,且具有与上述装置实施例四相同的发明构思及相同的有益效果,在此不再赘述。
实施例六
本申请实施例提供了一种计算机可读存储介质,该存储介质存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现实施例一所示的方法。
本申请实施例提供了一种计算机可读存储介质,与现有技术相比,将针对产品的第一对话文本信息输入预设的文本分类模型,确定第一对话文本信息对应的用户意图类型;当用户意图类型为倾向型时,获取针对产品的第二对话文本信息;将第二对话文本信息输入至预设的意图识别模型,确定第二对话文本信息对应的用户意图信息;生成对应用户意图信息的产品推荐信息;上述方案中,由于不同对话文本信息中包含不同的用户意图类型,通过用户意图类型可初步判断用户对产品是否有购买意图,进一步地,当用户意图类型为倾向型时,即该用户对产品有购买意图时,获取第二对话文本信息,并通过预设的意图识别模型,确定第二对话文本信息对应的用户意图信息,得到的用户意图信息可准确反映用户的购买意图,进而依据用户意图信息生成用户接受度较高的产品推荐信息,以用于向用户推荐合适的产品,且基于上述方案,无需人工参与即可自动基于对话文本信息得到用户的意图信息,节约人工成本。
本申请实施例提供了一种计算机可读存储介质,该存储介质存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现实施例二所示的方法。在此不再赘述。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种产品推荐方法,其特征在于,包括:
将针对产品的第一对话文本信息输入预设的文本分类模型,确定所述第一对话文本信息对应的用户意图类型;
当所述用户意图类型为倾向型时,获取针对产品的第二对话文本信息;
将所述第二对话文本信息输入预设的意图识别模型,确定所述第二对话文本信息对应的用户意图信息;
生成对应所述用户意图信息的产品推荐信息。
2.根据权利要求1所述的方法,其特征在于,所述将针对产品的第一对话文本信息输入预设的文本分类模型,确定所述第一对话文本信息对应的用户意图类型,包括:
通过预设的文本分类模型,确定所述第一对话文本信息的对话类型;
依据所述对话类型,确定所述第一对话文本信息对应的用户意图类型。
3.根据权利要求2所述的方法,其特征在于,所述通过预设的文本分类模型,确定所述第一对话文本信息的对话类型,包括:
依据所述第一对话文本信息生成第一词语序列;
确定所述第一词语序列属于各对话类型的概率值;
将最高概率值的对话类型作为所述第一对话文本信息的对话类型。
4.根据权利要求3所述的方法,其特征在于,所述确定所述第一词语序列属于各对话类型的概率值,具体包括:
依据所述第一词语序列生成多个词向量;
确定各个词向量的隐藏向量;
确定任一词向量与其对应隐藏向量的相似度;
将确定得到的相似度作为权重,确定所述多个词向量的加权平均值;
依据所述加权平均值生成预定维度特征向量;
确定所述预定维度特征向量属于各对话类型的概率值。
5.根据权利要求2所述的方法,其特征在于,所述对话类型包括以下至少一种:
无方向型对话,问答型对话和产品咨询型对话;
所述依据所述对话类型,确定所述第一对话文本信息对应的用户意图类型,包括:
当所述对话类型是无方向型对话或问答型对话时,确定所述用户意图类型为非倾向型;
当所述对话类型为产品咨询型对话时,确定所述用户意图类型为倾向型。
6.根据权利要求1所述的方法,其特征在于,所述将所述第二对话文本信息输入预设的意图识别模型,确定所述第二对话文本信息对应的用户意图信息,包括:
依据所述第二对话文本信息生成第二词语序列;
确定所述第二词语序列属于各用户意图信息的概率值;
将最高概率值的用户意图信息作为所述第二对话文本信息对应的用户意图信息。
7.根据权利要求1所述的方法,其特征在于,所述生成对应所述用户意图信息的产品推荐信息,包括:
依据所述用户意图信息,通过第一预设对话模式,得到针对产品的第三对话文本信息;
确定所述第三对话文本信息中的第一产品关键词;
依据所述第一产品关键词,生成产品推荐信息。
8.一种产品推荐装置,其特征在于,包括:
用户意图类型确定模块,用于将针对产品的第一对话文本信息输入预设的文本分类模型,确定所述第一对话文本信息对应的用户意图类型;
对话文本信息获取模块,用于当所述用户意图类型为倾向型时,获取针对产品的第二对话文本信息;
用户意图信息确定模块,用于将所述第二对话文本信息输入预设的意图识别模型,确定所述第二对话文本信息对应的用户意图信息;
产品推荐模块,用于生成对应所述用户意图信息的产品推荐信息。
9.一种产品推荐终端,其特征在于,包括:
处理器、存储器和总线;
所述总线,用于连接所述处理器和所述存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,执行上述权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810991956.0A CN109285030A (zh) | 2018-08-29 | 2018-08-29 | 产品推荐方法、装置、终端及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810991956.0A CN109285030A (zh) | 2018-08-29 | 2018-08-29 | 产品推荐方法、装置、终端及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109285030A true CN109285030A (zh) | 2019-01-29 |
Family
ID=65183617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810991956.0A Pending CN109285030A (zh) | 2018-08-29 | 2018-08-29 | 产品推荐方法、装置、终端及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109285030A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961786A (zh) * | 2019-01-31 | 2019-07-02 | 平安科技(深圳)有限公司 | 基于语音分析的产品推荐方法、装置、设备和存储介质 |
CN110069631A (zh) * | 2019-04-08 | 2019-07-30 | 腾讯科技(深圳)有限公司 | 一种文本处理方法、装置以及相关设备 |
CN110196930A (zh) * | 2019-05-22 | 2019-09-03 | 山东大学 | 一种多模态客服自动回复方法及系统 |
CN110222194A (zh) * | 2019-05-21 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 基于自然语言处理的数据图表生成方法和相关装置 |
CN110232156A (zh) * | 2019-05-31 | 2019-09-13 | 三角兽(北京)科技有限公司 | 基于长文本的信息推荐方法及装置 |
CN110308947A (zh) * | 2019-05-24 | 2019-10-08 | 深圳壹账通智能科技有限公司 | 问答信息的处理方法、系统、计算机设备和存储介质 |
CN110659360A (zh) * | 2019-10-09 | 2020-01-07 | 初米网络科技(上海)有限公司 | 一种人机对话方法、装置和系统 |
CN110738545A (zh) * | 2019-08-30 | 2020-01-31 | 深圳壹账通智能科技有限公司 | 基于用户意向识别的产品推荐方法、装置、计算机设备和存储介质 |
CN111091832A (zh) * | 2019-11-28 | 2020-05-01 | 秒针信息技术有限公司 | 一种基于语音识别的意向评估方法和系统 |
CN111192082A (zh) * | 2019-12-26 | 2020-05-22 | 广东美的白色家电技术创新中心有限公司 | 产品卖点的分析方法、终端设备及计算机可读存储介质 |
CN111325037A (zh) * | 2020-03-05 | 2020-06-23 | 苏宁云计算有限公司 | 文本意图识别方法、装置、计算机设备和存储介质 |
CN112148959A (zh) * | 2019-06-27 | 2020-12-29 | 百度在线网络技术(北京)有限公司 | 信息推荐方法和装置 |
CN112367494A (zh) * | 2020-10-30 | 2021-02-12 | 中国平安人寿保险股份有限公司 | 基于ai的在线会议通讯方法、装置及计算机设备 |
CN113905135A (zh) * | 2021-10-14 | 2022-01-07 | 天津车之家软件有限公司 | 一种智能外呼机器人的用户意向识别方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1024437A2 (en) * | 1999-01-26 | 2000-08-02 | Xerox Corporation | Multi-modal information access |
WO2015102125A1 (ko) * | 2013-12-31 | 2015-07-09 | 엘지전자 주식회사 | 문자형 대화 시스템 및 방법 |
US20170235740A1 (en) * | 2013-12-23 | 2017-08-17 | 24/7 Customer, Inc. | Systems and methods for facilitating dialogue mining |
CN107193865A (zh) * | 2017-04-06 | 2017-09-22 | 上海奔影网络科技有限公司 | 人机交互中自然语言意图理解方法及装置 |
CN107346340A (zh) * | 2017-07-04 | 2017-11-14 | 北京奇艺世纪科技有限公司 | 一种用户意图识别方法及系统 |
CN107679234A (zh) * | 2017-10-24 | 2018-02-09 | 上海携程国际旅行社有限公司 | 客服信息提供方法、装置、电子设备、存储介质 |
-
2018
- 2018-08-29 CN CN201810991956.0A patent/CN109285030A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1024437A2 (en) * | 1999-01-26 | 2000-08-02 | Xerox Corporation | Multi-modal information access |
US20170235740A1 (en) * | 2013-12-23 | 2017-08-17 | 24/7 Customer, Inc. | Systems and methods for facilitating dialogue mining |
WO2015102125A1 (ko) * | 2013-12-31 | 2015-07-09 | 엘지전자 주식회사 | 문자형 대화 시스템 및 방법 |
CN107193865A (zh) * | 2017-04-06 | 2017-09-22 | 上海奔影网络科技有限公司 | 人机交互中自然语言意图理解方法及装置 |
CN107346340A (zh) * | 2017-07-04 | 2017-11-14 | 北京奇艺世纪科技有限公司 | 一种用户意图识别方法及系统 |
CN107679234A (zh) * | 2017-10-24 | 2018-02-09 | 上海携程国际旅行社有限公司 | 客服信息提供方法、装置、电子设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
郑雄风等: "基于用户和产品Attention机制的层次BGRU模型", 《计算机工程与应用》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961786B (zh) * | 2019-01-31 | 2023-04-14 | 平安科技(深圳)有限公司 | 基于语音分析的产品推荐方法、装置、设备和存储介质 |
CN109961786A (zh) * | 2019-01-31 | 2019-07-02 | 平安科技(深圳)有限公司 | 基于语音分析的产品推荐方法、装置、设备和存储介质 |
CN110069631A (zh) * | 2019-04-08 | 2019-07-30 | 腾讯科技(深圳)有限公司 | 一种文本处理方法、装置以及相关设备 |
CN110069631B (zh) * | 2019-04-08 | 2022-11-29 | 腾讯科技(深圳)有限公司 | 一种文本处理方法、装置以及相关设备 |
CN110222194A (zh) * | 2019-05-21 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 基于自然语言处理的数据图表生成方法和相关装置 |
CN110196930B (zh) * | 2019-05-22 | 2021-08-24 | 山东大学 | 一种多模态客服自动回复方法及系统 |
CN110196930A (zh) * | 2019-05-22 | 2019-09-03 | 山东大学 | 一种多模态客服自动回复方法及系统 |
CN110308947A (zh) * | 2019-05-24 | 2019-10-08 | 深圳壹账通智能科技有限公司 | 问答信息的处理方法、系统、计算机设备和存储介质 |
CN110232156B (zh) * | 2019-05-31 | 2022-08-19 | 腾讯科技(深圳)有限公司 | 基于长文本的信息推荐方法及装置 |
CN110232156A (zh) * | 2019-05-31 | 2019-09-13 | 三角兽(北京)科技有限公司 | 基于长文本的信息推荐方法及装置 |
CN112148959A (zh) * | 2019-06-27 | 2020-12-29 | 百度在线网络技术(北京)有限公司 | 信息推荐方法和装置 |
CN110738545A (zh) * | 2019-08-30 | 2020-01-31 | 深圳壹账通智能科技有限公司 | 基于用户意向识别的产品推荐方法、装置、计算机设备和存储介质 |
CN110659360A (zh) * | 2019-10-09 | 2020-01-07 | 初米网络科技(上海)有限公司 | 一种人机对话方法、装置和系统 |
CN111091832A (zh) * | 2019-11-28 | 2020-05-01 | 秒针信息技术有限公司 | 一种基于语音识别的意向评估方法和系统 |
CN111091832B (zh) * | 2019-11-28 | 2022-12-30 | 秒针信息技术有限公司 | 一种基于语音识别的意向评估方法和系统 |
CN111192082A (zh) * | 2019-12-26 | 2020-05-22 | 广东美的白色家电技术创新中心有限公司 | 产品卖点的分析方法、终端设备及计算机可读存储介质 |
CN111192082B (zh) * | 2019-12-26 | 2024-03-26 | 广东美的白色家电技术创新中心有限公司 | 产品卖点的分析方法、终端设备及计算机可读存储介质 |
CN111325037A (zh) * | 2020-03-05 | 2020-06-23 | 苏宁云计算有限公司 | 文本意图识别方法、装置、计算机设备和存储介质 |
CN112367494A (zh) * | 2020-10-30 | 2021-02-12 | 中国平安人寿保险股份有限公司 | 基于ai的在线会议通讯方法、装置及计算机设备 |
CN113905135A (zh) * | 2021-10-14 | 2022-01-07 | 天津车之家软件有限公司 | 一种智能外呼机器人的用户意向识别方法和装置 |
CN113905135B (zh) * | 2021-10-14 | 2023-10-20 | 天津车之家软件有限公司 | 一种智能外呼机器人的用户意向识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109285030A (zh) | 产品推荐方法、装置、终端及计算机可读存储介质 | |
Chen et al. | Frugalgpt: How to use large language models while reducing cost and improving performance | |
CN104951428B (zh) | 用户意图识别方法及装置 | |
CN111160514B (zh) | 一种对话的方法和系统 | |
CN107766559B (zh) | 对话模型的训练方法、训练装置、对话方法及对话系统 | |
CN112202978A (zh) | 智能外呼系统、方法、计算机系统及存储介质 | |
CN110990547A (zh) | 一种话术生成方法和系统 | |
CN113010653B (zh) | 一种对话策略模型训练、对话的方法和系统 | |
CN110362665A (zh) | 一种基于语义相似度的问答系统及方法 | |
CA3147634A1 (en) | Method and apparatus for analyzing sales conversation based on voice recognition | |
CN110955770A (zh) | 一种智能对话系统 | |
CN109684444A (zh) | 一种智能客服方法及系统 | |
CN111192082A (zh) | 产品卖点的分析方法、终端设备及计算机可读存储介质 | |
CN109615458A (zh) | 客户管理方法、装置、终端设备及计算机可读存储介质 | |
CN113918697A (zh) | 一种智能问答系统的优化方法以及优化系统 | |
CN111309882B (zh) | 用于实现智能客服问答的方法和装置 | |
CN110377803B (zh) | 信息处理方法以及装置 | |
CN112182126A (zh) | 用于确定匹配度的模型训练方法、装置、电子设备及可读存储介质 | |
CN116756278A (zh) | 机器问答方法以及装置 | |
CN113257237B (zh) | 语音交互的意图识别方法、装置、电子设备及存储介质 | |
CN115757718A (zh) | 文本生成方法及装置 | |
CN111241236B (zh) | 任务导向性问答方法、系统、电子设备、可读存储介质 | |
CN114117001A (zh) | 指代消解方法、指代消解模型的训练方法及装置 | |
CN111708862A (zh) | 文本匹配方法、装置及电子设备 | |
CN112148939A (zh) | 数据处理方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240227 |