CN109615458A - 客户管理方法、装置、终端设备及计算机可读存储介质 - Google Patents
客户管理方法、装置、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109615458A CN109615458A CN201811302409.3A CN201811302409A CN109615458A CN 109615458 A CN109615458 A CN 109615458A CN 201811302409 A CN201811302409 A CN 201811302409A CN 109615458 A CN109615458 A CN 109615458A
- Authority
- CN
- China
- Prior art keywords
- text information
- dialog text
- intention
- type
- participle
- 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
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0613—Third-party assisted
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Machine Translation (AREA)
Abstract
本申请涉及智能决策领域,公开了一种客户管理方法、装置、终端设备及计算机可读存储介质,该方法包括:获取针对产品的对话文本信息;根据预配置的意图识别模型和对话文本信息,确定与对话文本信息对应的目标意图类型;根据目标意图类型,对对话文本信息对应的客户进行分类管理。本申请实施例中的方案,可以根据预配置的意图识别模型对针对产品的对话文本信息进行识别,识别出该对话文本信息的意图类型,依据意图类型对该对话文本信息对应的客户进行分类管理,由于不同的意图类型表示了客户对产品的不同购买意向,因此,基于意图类型,可使业务员根据不同的意图类型对客户进行跟进,防止客户流失,提升业务员的业绩。
Description
技术领域
本申请涉及智能决策技术领域,具体而言,本申请涉及一种客户管理方法、装置、终端设备及计算机可读存储介质。
背景技术
在产品进行线上销售过程中,通常是基于聊天软件,由业务员为客户介绍产品,解答问题,客户通过咨询业务员以了解产品,最终与业务员达成购买意向。
但在业务员与客户通过聊天软件进行沟通的过程中,无法对客户与业务员的沟通内容进行监督管理,业务员每天需要接访大量的客户,无法对每个用户的购买需求进行记录,从而无法对客户进行有效的跟进,会使得客户流失。
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,对客户进行分类管理,防止客户流失。本申请采用的技术方案如下:
第一方面,本申请提供了一种客户管理方法,该方法包括:
获取针对产品的对话文本信息;
根据预配置的意图识别模型和对话文本信息,确定与对话文本信息对应的目标意图类型;
根据目标意图类型,对对话文本信息对应的客户进行分类管理。
本申请的可选实施例中,根据预配置的意图识别模型和对话文本信息,确定与对话文本信息对应的目标意图类型,包括:
确定对话文本信息中每个分词的词向量;
根据预配置的意图识别模型和每个分词的词向量,确定与对话文本信息对应的目标意图类型。
本申请的可选实施例中,确定对话文本信息中每个分词的词向量,包括:
对对话文本信息进行分词,得到对话文本信息的分词结果;
根据分词结果,确定对话文本信息中每个分词的词向量。
本申请的可选实施例中,意图识别模型中包括至少两个长短期记忆网络(LSTM,Long Short-Term Memory)单元;
根据预配置的意图识别模型和每个分词的词向量,确定与对话文本信息对应的目标意图类型,包括:
在当前分词为第一个分词时,获取第一初始隐向量,并将第一初始隐向量和第一个分词的词向量输入第一个LSTM单元,以通过第一个LSTM单元生成当前分词的第一隐向量;
在当前分词为第i个分词时,获取第i-1个分词的第一隐向量,并将第i-1个分词的第一隐向量和第i个分词的词向量输入第i个LSTM单元,以通过第i个LSTM单元生成第i个分词的第一隐向量,其中,i为大于或者等于2,且小于或者等于N的正整数,其中,N为对话文本信息中分词的总数;
根据第N个分词的第一隐向量,确定对话文本信息属于各个意图类型的概率值;
将最高概率值对应的意图类型作为对话文本信息对应的目标意图类型。
本申请的可选实施例中,意图类型包括以下意图类型中的至少一项:接触类型、倾向类型及议价类型。
本申请的可选实施例中,根据目标意图类型,对对话文本信息对应的客户进行分类管理,包括:
将目标意图类型与对话文本信息对应的客户身份信息关联记录到与目标意图类型对应的图表中。
本申请的可选实施例中,该方法还包括:
接收意图查找请求,意图查找请求中包括待查找客户的身份信息;
根据意图查找请求,在图表中确定与待查找客户的身份信息对应的意图类型。
第二方面,本申请提供了一种客户管理装置,该装置包括:
信息获取模块,用于获取针对产品的对话文本信息;
意图类型确定模块,用于根据预配置的意图识别模型和对话文本信息,确定与对话文本信息对应的目标意图类型;
客户管理模块,用于根据目标意图类型,对对话文本信息对应的客户进行分类管理。
本申请的可选实施例中,意图类型确定模块具体用于:
确定对话文本信息中每个分词的词向量;
根据意图识别模型和每个分词的词向量,确定与对话文本信息对应的目标意图类型。
本申请的可选实施例中,意图类型确定模块在确定对话文本信息中每个分词的词向量时,具体用于:
对对话文本信息进行分词,得到对话文本信息的分词结果;
根据分词结果,确定对话文本信息中每个分词的词向量。
本申请的可选实施例中,意图识别模型中包括至少两个长短期记忆网络LSTM单元;意图类型确定模块在根据意图识别模型和每个分词的词向量,确定与对话文本信息对应的目标意图类型时,具体用于:
在当前分词为第一个分词时,获取第一初始隐向量,并将第一初始隐向量和第一个分词的词向量输入第一个LSTM单元,以通过第一个LSTM单元生成当前分词的第一隐向量;
在当前分词为第i个分词时,获取第i-1个分词的第一隐向量,并将第i-1个分词的第一隐向量和第i个分词的词向量输入第i个LSTM单元,以通过第i个LSTM单元生成第i个分词的第一隐向量,其中,i为大于或者等于2,且小于或者等于N的正整数,其中,N为对话文本信息中分词的总数;
根据第N个分词的第一隐向量,确定对话文本信息属于各个意图类型的概率值;
将最高概率值对应的意图类型作为对话文本信息对应的目标意图类型。
本申请的可选实施例中,意图类型可以包括以下意图类型中的至少一项:接触类型、倾向类型及议价类型。
本申请的可选实施例中,客户管理模块具体用于:
将目标意图类型与对话文本信息对应的客户身份信息关联记录到与目标意图类型对应的图表中。
本申请的可选实施例中,该装置还包括:
意图查找模块,用于接收意图查找请求,意图查找请求中包括待查找客户的身份信息,根据意图查找请求,在图表中确定与待查找客户的身份信息对应的意图类型。
第三方面,本申请提供了一种终端设备,该终端设备包括: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或第一方面任一实施例中所示的方法。
第四方面,本申请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或第一方面任一实施例中所示的方法。
本申请实施例提供的技术方案带来的有益效果是:
本申请实施例提供的客户管理方法、装置、终端设备及计算机可读存储介质,可以根据预配置的意图识别模型对针对产品的对话文本信息进行识别,识别出该对话文本信息的意图类型,依据意图类型对该对话文本信息对应的客户进行分类管理,由于不同的意图类型表示了客户对产品的不同购买意向,因此,基于意图类型,可使业务员根据不同的意图类型对客户进行跟进,防止客户流失。
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客户管理方法的流程示意图;
图2为本申请实施例提供的一种生成与对话文本信息对应的目标意图类型的过程的示意图;
图3为本申请实施例提供的一种客户管理装置的结构示意图;
图4为本申请实施例提供的一种终端设备的结构示意图。
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。
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。
本申请实施例提供了一种客户管理方法,如图1所示,该方法可以包括:
步骤S110,获取针对产品的对话文本信息。
其中,对话文本信息为客户与业务员之间针对产品进行交互的对话内容,在实际应用中,对话文本信息可以通过监控业务员与客户进行对话的聊天软件获得,本申请实施例中不限定对话文本信息的获取方式。
步骤S120,根据预配置的意图识别模型和对话文本信息,确定与对话文本信息对应的目标意图类型。
其中,意图识别模型可以为基于大量对话文本信息及对应的意图类型预先训练得到的模型,意图识别模型用于输出不同对话文本信息对应的意图类型,不同的对话文本信息可以对应同一个意图类型,也可以对应不同的意图类型,则基于意图识别模型可以确定不同的对话文本信息所对应的意图类型。
步骤S130,根据目标意图类型,对对话文本信息对应的客户进行分类管理。
其中,不同的意图类型可对应不同的客户,则基于目标意图类型可便于对对话文本信息对应的客户进行分类管理。
本申请实施例中的方案,可以根据预配置的意图识别模型对针对产品的对话文本信息进行识别,识别出该对话文本信息的意图类型,依据意图类型对该对话文本信息对应的客户进行分类管理,由于不同的意图类型表示了客户对产品的不同购买意向,因此,基于意图类型,可使业务员根据不同的意图类型对客户进行跟进,防止客户流失,提升业务员的业绩。
本申请的可选实施例中,步骤S120,根据预配置的意图识别模型和对话文本信息,确定与对话文本信息对应的目标意图类型,可以包括:
确定对话文本信息中每个分词的词向量;
根据预配置的意图识别模型和每个分词的词向量,确定与对话文本信息对应的目标意图类型。
其中,对话文本信息中包括多个分词,根据每个分词的意思,可以明确对话文本信息的真实意思,因此根据对话文本信息中每个分词的词向量,可提高对话文本信息对应的目标意图类型的准确性。
本申请的可选实施例中,确定对话文本信息中每个分词的词向量,可以包括:
对对话文本信息进行分词,得到对话文本信息的分词结果;
根据分词结果,确定对话文本信息中每个分词的词向量。
其中,为了得到对话文本信息中的每个分词,需要对对话文本信息进行分词处理,可通过分词器对对话文本信息进行分词,在一示例中,假设对话文本信息为:“帮我订周五北京到长春的机票”,通过分词器对该对话文本信息进行分词,得到分词结果,假设用w1,w2,w3,……wn来表示分词,所获取的分词结果为:w1=帮,w2=我,w3=订,w4=周五,w5=北京,w6=到,w7=长春,w8=的,w9=机票。其中,生成分词的词向量可以通过现有技术实现,在此不再赘述。
本申请的可选实施例中,意图识别模型中可以包括至少两个LSTM单元,此时,步骤S120,根据预配置的意图识别模型和每个分词的词向量,确定与对话文本信息对应的目标意图类型,可以包括:
在当前分词为第一个分词时,获取第一初始隐向量,并将第一初始隐向量和第一个分词的词向量输入第一个LSTM单元,以通过第一个LSTM单元生成当前分词的第一隐向量;
在当前分词为第i个分词时,获取第i-1个分词的第一隐向量,并将第i-1个分词的第一隐向量和第i个分词的词向量输入第i个LSTM单元,以通过第i个LSTM单元生成第i个分词的第一隐向量,其中,i为大于或者等于2,且小于或者等于N的正整数,其中,N为对话文本信息中分词的总数;
根据第N个分词的第一隐向量,确定对话文本信息属于各个意图类型的概率值;
将最高概率值对应的意图类型作为对话文本信息对应的目标意图类型。
其中,通过基于LSTM的循环神经网络建立的意图识别模型,使得意图识别模型可以对不定长度的输入序列进行处理,并且,该意图识别模型可以很好地捕捉输入序列的相关性,并结合相关信息进行自然语言处理,可以使模型确定的意图类型更加准确。其中,初始隐向量为全零向量。
下面结合图2对根据意图识别模型和词向量,生成与对话文本信息的意图类型的过程进行描述。其中,图2中的h0表示第一初始隐向量,h1至hn-1表示第一个隐向量至第N-1个隐向量,v1至vn表示第一个分词的词向量至第N个分词的词向量。通过图2可以看出,LSTM单元根据第一初始隐向量h0和第一个分词的词向量v1生成第一个对应的隐向量h1,然后,将第一个分词对应的隐向量h1和第二个分词的词向量v2输入LSTM单元,以通过LSTM单元生成第二个分词对应的隐向量h2,不断重复根据上一个分词对应的隐向量和当前分词对应的词向量生成当前分词对应的隐向量的过程,直至第N-1个分词,对于最后一个分词,将第N-1个分词的隐向量hn-1和当前分词的词向量vn输入LSTM单元,并将LSTM单元输出的隐向量输入到Softmax层,以使Softmax层根据第N个分词的第一隐向量hN确定出文本信息所表达的意图类型及其对应的概率信息,以及根据意图类型所对应的概率值,确定出最高概率值对应的意图类型为对话文本信息的目标意图类型。
本申请的可选实施例中,意图类型可以包括以下意图类型中的至少一项:接触类型、倾向类型及议价类型。
其中,可根据实际应用需求配置不同的意图类型,接触类型表示客户对产品可能不太了解,处于对产品的了解阶段;倾向类型表示客户对产品有购买倾向,议价类型表示客户对产品已经决定购买,进入价格商议阶段。
本申请的可选实施例中,根据目标意图类型,对对话文本信息对应的客户进行分类管理,可以包括:
将目标意图类型与对话文本信息对应的客户身份信息关联记录到与目标意图类型对应的图表中。
其中,图表中可以包括意图类型、客户身份信息、业务员身份信息和对话文本信息中的关键词信息,则依据目标意图类型,可以将客户身份信息对应记录到目标意图类型对应的图表中,客户身份信息用于对客户身份进行区分,可以包括客户的用户名称及个人基本信息等信息;业务员身份信息也可以为业务员的用户姓名或个人基本信息;对话文本信息中的关键词信息可以根据实际需求进行配置,则可在对话文本信息中识别出与关键词信息对应的目标关键信息,并将目标关键词信息对应记录到目标意图类型对应的图表中。其中,图表可以为条形图、柱状图、折线图和饼图中的任一种,本申请实施例中不限定图表的类型。通过图表对对话文本信息对应的客户进行分类管理,可便于信息的查阅。
本申请的可选实施例中,该方法还可以包括:
接收意图查找请求,意图查找请求中包括待查找客户的身份信息;
根据意图查找请求,在图表中确定与待查找客户的身份信息对应的意图类型。
其中,可以按照客户在图表中查找该客户对应的意图类型,在实际应用中,当某个客户第二次与业务员进行沟通时,该业务员可以通过图表根据该客户的身份信息查找该客户的意图类型,以使得该业务员有针对性地域该客户进行沟通。
本申请的可选实施例中,该方法还可以包括:
接收意图类型更新请求;
根据意图类型更新请求,对图表中的意图类型进行更新处理。
其中,更新处理包括但不限定于添加、更改和删除,可以根据实际应用的需求,对图表中的意图类型进行更新处理,比如,金融产品,则可根据具体的金融产品,对意图类型进行更新。
本申请的可选实施例中,以金融产品为例,意图识别模型的训练方法,可以包括:
选取大量不同意图类型对应的针对金融产品的对话文本信息,意图类型中包括接触类型、倾向类型及议价类型,根据不同的意图类型对对话文本信息进行标记,将标记好的对话文本信息作为训练样本,并标记出期望输出结果;
将训练样本输入至循环神经网络模型中进行特征训练,计算训练样本属于各意图类型的概率值;
将最高概率值对应的意图类型作为输出结果;
通过损失函数对输出结果和期望输出结果进行比较,当损失函数小于预设值时,训练结束,得到意图识别模型;否则,将训练样本重新输入循环神经网络模型中进行训练,直至收敛。
其中,针对金融产品的对话文本信息为垂直关注于金融产品营销领域,从贷款、保险、理财等真实销售场景中采集多个业务员与客户的对话文本信息,以此作为对话文本信息可以提高模型训练的精度。
基于与图1所示的方法相同的原理,本申请实施例还提供了一种客户管理装置20,如图3所示,该客户管理装置20可以包括:信息获取模块210、意图类型确定模块220以及客户管理模块230,其中,
信息获取模块210,用于获取针对产品的对话文本信息;
意图类型确定模块220,用于根据预配置的意图识别模型和对话文本信息,确定与对话文本信息对应的目标意图类型;
客户管理模块230,用于根据目标意图类型,对对话文本信息对应的客户进行分类管理。
本申请实施例中的方案,可以根据预配置的意图识别模型对针对产品的对话文本信息进行识别,识别出该对话文本信息的意图类型,依据意图类型对该对话文本信息对应的客户进行分类管理,由于不同的意图类型表示了客户对产品的不同购买意向,因此,基于意图类型,可使业务员根据不同的意图类型对客户进行跟进,防止客户流失,提升业务员的业绩。
本申请的可选实施例中,意图类型确定模块220具体用于:
确定对话文本信息中每个分词的词向量;
根据意图识别模型和每个分词的词向量,确定与对话文本信息对应的目标意图类型。
本申请的可选实施例中,意图类型确定模块220在确定对话文本信息中每个分词的词向量时,具体用于:
对对话文本信息进行分词,得到对话文本信息的分词结果;
根据分词结果,确定对话文本信息中每个分词的词向量。
本申请的可选实施例中,意图识别模型中包括至少两个长短期记忆网LSTM单元;意图类型确定模块220在根据意图识别模型和每个分词的词向量,确定与对话文本信息对应的目标意图类型时,具体用于:
在当前分词为第一个分词时,获取第一初始隐向量,并将第一初始隐向量和第一个分词的词向量输入第一个LSTM单元,以通过第一个LSTM单元生成当前分词的第一隐向量;
在当前分词为第i个分词时,获取第i-1个分词的第一隐向量,并将第i-1个分词的第一隐向量和第i个分词的词向量输入第i个LSTM单元,以通过第i个LSTM单元生成第i个分词的第一隐向量,其中,i为大于或者等于2,且小于或者等于N的正整数,其中,N为对话文本信息中分词的总数;
根据第N个分词的第一隐向量,确定对话文本信息属于各个意图类型的概率值;
将最高概率值对应的意图类型作为对话文本信息对应的目标意图类型。
本申请的可选实施例中,意图类型可以包括以下意图类型中的至少一项:接触类型、倾向类型及议价类型。
本申请的可选实施例中,客户管理模块230具体用于:
将目标意图类型与对话文本信息对应的客户身份信息关联记录到与目标意图类型对应的图表中。
本申请的可选实施例中,该装置还可以包括:
意图查找模块,用于接收意图查找请求,意图查找请求中包括待查找客户的身份信息,根据意图查找请求,在图表中确定与待查找客户的身份信息对应的意图类型。
本申请的可选实施例中,该装置还可以包括:
意图类型更新模块,用于接收意图类型更新请求,根据意图类型更新请求,对图表中的意图类型进行更新处理。
本实施例的客户管理装置20可执行本申请上述任一实施例提供的一种客户管理方法,其实现原理相类似,此处不再赘述。
基于与图1所示的方法相同的原理,本申请实施例还提供了一种终端设备30,如图4所示,图4所示的终端设备30包括:处理器310和存储器330。其中,处理器310和存储器330相连,如通过总线320相连。可选的,该终端设备30还可以包括收发器340,用于实现该终端设备30与其它设备之间的数据交互,收发器340可以包括一个或多个接收器和发送器。需要说明的是,该终端设备30的结构并不构成对本申请实施例的限定。
其中,处理器310应用于本申请实施例中,用于实现图3所示的信息获取模块210、意图类型确定模块220以及客户管理模块230的功能。
处理器310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310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320可包括一通路,在上述组件之间传送信息。总线320可以是PCI总线或EISA总线等。总线320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330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330用于存储执行本申请方案的应用程序代码,并由处理器310来控制执行。处理器310用于执行存储器330中存储的应用程序代码,以实现图3所示实施例提供的客户管理装置20的动作。
本申请实施例提供的一种终端设备30,与现有技术相比,本申请实施例中的方案,可以根据预配置的意图识别模型对针对产品的对话文本信息进行识别,识别出该对话文本信息的意图类型,依据意图类型对该对话文本信息对应的客户进行分类管理,由于不同的意图类型表示了客户对产品的不同购买意向,因此,基于意图类型,可使业务员根据不同的意图类型对客户进行跟进,防止客户流失,提升业务员的业绩。
本申请实施例提供的一种终端设备30适用于上述实施例中的装置实施例,且具有与上述装置实施例相同的发明构思及相同的有益效果,在此不再赘述。
基于与图1所示的方法相同的原理,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上述任一方法实施例所示的方法。
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,本申请实施例中的方案,可以根据预配置的意图识别模型对针对产品的对话文本信息进行识别,识别出该对话文本信息的意图类型,依据意图类型对该对话文本信息对应的客户进行分类管理,由于不同的意图类型表示了客户对产品的不同购买意向,因此,基于意图类型,可使业务员根据不同的意图类型对客户进行跟进,防止客户流失,提升业务员的业绩。
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。
以上所述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)
1.一种客户管理方法,其特征在于,包括:
获取针对产品的对话文本信息;
根据预配置的意图识别模型和所述对话文本信息,确定与所述对话文本信息对应的目标意图类型;
根据所述目标意图类型,对所述对话文本信息对应的客户进行分类管理。
2.根据权利要求1所述的方法,其特征在于,所述根据预配置的意图识别模型和所述对话文本信息,确定与所述对话文本信息对应的目标意图类型,包括:
确定所述对话文本信息中每个分词的词向量;
根据预配置的意图识别模型和所述每个分词的词向量,确定与所述对话文本信息对应的目标意图类型。
3.根据权利要求2所述的方法,其特征在于,所述确定所述对话文本信息中每个分词的词向量,包括:
对所述对话文本信息进行分词,得到所述对话文本信息的分词结果;
根据所述分词结果,确定所述对话文本信息中每个分词的词向量。
4.根据权利要求2所述的方法,其特征在于,所述意图识别模型中包括至少两个长短期记忆网络LSTM单元;
所述根据预配置的意图识别模型和所述每个分词的词向量,确定与所述对话文本信息对应的目标意图类型,包括:
在当前分词为第一个分词时,获取第一初始隐向量,并将所述第一初始隐向量和所述第一个分词的词向量输入第一个LSTM单元,以通过所述第一个LSTM单元生成所述当前分词的第一隐向量;
在所述当前分词为第i个分词时,获取第i-1个分词的第一隐向量,并将所述第i-1个分词的第一隐向量和所述第i个分词的词向量输入第i个LSTM单元,以通过所述第i个LSTM单元生成所述第i个分词的第一隐向量,其中,i为大于或者等于2,且小于或者等于N的正整数,其中,N为所述对话文本信息中分词的总数;
根据第N个分词的第一隐向量,确定所述对话文本信息属于各个意图类型的概率值;
将最高概率值对应的意图类型作为所述对话文本信息对应的目标意图类型。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述意图类型包括以下意图类型中的至少一项:接触类型、倾向类型及议价类型。
6.根据权利要求1至4中任一项所述的方法,其特征在于,所述根据所述目标意图类型,对所述对话文本信息对应的客户进行分类管理,包括:
将所述目标意图类型与所述对话文本信息对应的客户身份信息关联记录到与所述目标意图类型对应的图表中。
7.根据权利要求6所述的方法,其特征在于,还包括:
接收意图查找请求,所述意图查找请求中包括待查找客户的身份信息;
根据所述意图查找请求,在所述图表中确定与所述待查找客户的身份信息对应的意图类型。
8.一种客户管理装置,其特征在于,包括:
信息获取模块,用于获取针对产品的对话文本信息;
意图类型确定模块,用于根据预配置的意图识别模型和所述对话文本信息,确定与所述对话文本信息对应的目标意图类型;
客户管理模块,用于根据所述目标意图类型,对所述对话文本信息对应的客户进行分类管理。
9.一种终端设备,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中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,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上述权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811302409.3A CN109615458A (zh) | 2018-11-02 | 2018-11-02 | 客户管理方法、装置、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811302409.3A CN109615458A (zh) | 2018-11-02 | 2018-11-02 | 客户管理方法、装置、终端设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109615458A true CN109615458A (zh) | 2019-04-12 |
Family
ID=66001681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811302409.3A Pending CN109615458A (zh) | 2018-11-02 | 2018-11-02 | 客户管理方法、装置、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615458A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288584A (zh) * | 2020-10-29 | 2021-01-29 | 泰康保险集团股份有限公司 | 保险报案处理方法、装置、计算机可读介质及电子设备 |
CN112308387A (zh) * | 2020-10-20 | 2021-02-02 | 深圳思为科技有限公司 | 客户意向度评估方法与装置、云服务器 |
CN113674472A (zh) * | 2021-07-13 | 2021-11-19 | 深圳市神州云海智能科技有限公司 | 基于深度学习的彩票服务方法及装置、彩票智能服务终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2018036555A1 (zh) * | 2016-08-25 | 2018-03-01 | 腾讯科技(深圳)有限公司 | 会话处理方法及装置 |
CN108597519A (zh) * | 2018-04-04 | 2018-09-28 | 百度在线网络技术(北京)有限公司 | 一种话单分类方法、装置、服务器和存储介质 |
CN108647200A (zh) * | 2018-04-04 | 2018-10-12 | 顺丰科技有限公司 | 对话意图分类方法及装置、设备和存储介质 |
-
2018
- 2018-11-02 CN CN201811302409.3A patent/CN109615458A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018036555A1 (zh) * | 2016-08-25 | 2018-03-01 | 腾讯科技(深圳)有限公司 | 会话处理方法及装置 |
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 |
CN108597519A (zh) * | 2018-04-04 | 2018-09-28 | 百度在线网络技术(北京)有限公司 | 一种话单分类方法、装置、服务器和存储介质 |
CN108647200A (zh) * | 2018-04-04 | 2018-10-12 | 顺丰科技有限公司 | 对话意图分类方法及装置、设备和存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308387A (zh) * | 2020-10-20 | 2021-02-02 | 深圳思为科技有限公司 | 客户意向度评估方法与装置、云服务器 |
CN112308387B (zh) * | 2020-10-20 | 2024-05-14 | 深圳思为科技有限公司 | 客户意向度评估方法与装置、云服务器 |
CN112288584A (zh) * | 2020-10-29 | 2021-01-29 | 泰康保险集团股份有限公司 | 保险报案处理方法、装置、计算机可读介质及电子设备 |
CN112288584B (zh) * | 2020-10-29 | 2024-05-17 | 泰康保险集团股份有限公司 | 保险报案处理方法、装置、计算机可读介质及电子设备 |
CN113674472A (zh) * | 2021-07-13 | 2021-11-19 | 深圳市神州云海智能科技有限公司 | 基于深度学习的彩票服务方法及装置、彩票智能服务终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635117A (zh) | 一种基于知识图谱识别用户意图方法及装置 | |
CN109345417B (zh) | 基于身份认证的业务人员的在线考核方法及终端设备 | |
CN109285030A (zh) | 产品推荐方法、装置、终端及计算机可读存储介质 | |
CN110782318A (zh) | 基于音频交互的营销方法、装置以及存储介质 | |
CN109615458A (zh) | 客户管理方法、装置、终端设备及计算机可读存储介质 | |
CN109325422A (zh) | 表情识别方法、装置、终端及计算机可读存储介质 | |
CN110597965B (zh) | 文章的情感极性分析方法、装置、电子设备及存储介质 | |
CN106789572B (zh) | 一种实现自适应消息过滤的即时通讯系统和即时通讯方法 | |
CN110096581A (zh) | 一种基于用户行为构建问答体系推荐问的系统及方法 | |
CN109684444A (zh) | 一种智能客服方法及系统 | |
CN112861963A (zh) | 训练实体特征提取模型的方法、装置和存储介质 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN109992659B (zh) | 用于文本排序的方法和装置 | |
CN115935265B (zh) | 训练风险识别模型的方法、风险识别方法及对应装置 | |
CN116894498A (zh) | 网络模型的训练方法、策略识别方法、装置以及设备 | |
CN116775815B (zh) | 对话数据的处理方法、装置、电子设备及存储介质 | |
CN111489207A (zh) | 基于区块链系统的评价信息写入方法、装置及硬件设备 | |
CN116431912A (zh) | 用户画像推送方法及装置 | |
CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
CN114490965B (zh) | 问题处理方法、装置、电子设备和存储介质 | |
CN111241236B (zh) | 任务导向性问答方法、系统、电子设备、可读存储介质 | |
CN114357242A (zh) | 基于召回模型的训练评估方法及装置、设备、存储介质 | |
CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
CN113010664A (zh) | 一种数据处理方法、装置及计算机设备 | |
CN110648203A (zh) | 银行产品信息推送方法及装置 |
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 |