CN109727091B

CN109727091B - 基于对话机器人的产品推荐方法、装置、介质及服务器

Info

Publication number: CN109727091B
Application number: CN201811529021.7A
Authority: CN
Inventors: 段然
Original assignee: Ping An Technology Shenzhen Co Ltd
Current assignee: Ping An Technology Shenzhen Co Ltd
Priority date: 2018-12-14
Filing date: 2018-12-14
Publication date: 2022-04-05
Anticipated expiration: 2038-12-14
Also published as: CN109727091A

Abstract

本发明属于计算机技术领域，尤其涉及一种基于对话机器人的产品推荐方法、装置、计算机可读存储介质及服务器。所述方法在接收到用户通过终端设备发送的视频对话请求后，通过预设的对话机器人与所述用户进行视频对话；在视频对话过程中获取所述用户在预设的各个评估维度上的信息，并根据所述信息构造所述用户的评估向量；从预设的历史样本集合中分别提取各种产品类型的历史样本向量，并分别计算所述用户的评估向量与各种产品类型的历史样本向量之间的平均距离；选取与所述用户的评估向量之间的平均距离最小的产品类型作为优选产品类型，并将所述优选产品类型推荐给所述用户。免去了用户枯燥繁琐的填表过程，大大提升了用户的使用体验。

Description

基于对话机器人的产品推荐方法、装置、介质及服务器

技术领域

本发明属于计算机技术领域，尤其涉及一种基于对话机器人的产品推荐方法、装置、计算机可读存储介质及服务器。

背景技术

目前，金融机构在为用户推荐产品时，往往需要用户事先填写表单，从而获取到用户的具体个人信息，从而根据这些个人信息为其推荐对应的金融产品。但是，用户填写表单的效率往往较低，尤其是当需要填写的表单很多时，用户的整个填表过程会十分枯燥，用户体验极差。

发明内容

有鉴于此，本发明实施例提供了一种基于对话机器人的产品推荐方法、装置、计算机可读存储介质及服务器，以解决在金融机构在为用户推荐产品时，用户填写表单的效率往往较低，且填表过程十分枯燥，用户体验极差的问题。

本发明实施例的第一方面提供了一种产品推荐方法，可以包括：

在接收到用户通过终端设备发送的视频对话请求后，通过预设的对话机器人与所述用户进行视频对话；

在视频对话过程中获取所述用户在预设的各个评估维度上的信息，并根据所述信息构造所述用户的评估向量；

从预设的历史样本集合中分别提取各种产品类型的历史样本向量，并分别计算所述用户的评估向量与各种产品类型的历史样本向量之间的平均距离；

选取与所述用户的评估向量之间的平均距离最小的产品类型作为优选产品类型，并将所述优选产品类型推荐给所述用户。

本发明实施例的第二方面提供了一种产品推荐装置，可以包括：

视频对话模块，用于在接收到用户通过终端设备发送的视频对话请求后，通过预设的对话机器人与所述用户进行视频对话；

信息获取模块，用于在视频对话过程中获取所述用户在预设的各个评估维度上的信息，并根据所述信息构造所述用户的评估向量；

历史样本提取模块，用于从预设的历史样本集合中分别提取各种产品类型的历史样本向量；

样本距离计算模块，用于分别计算所述用户的评估向量与各种产品类型的历史样本向量之间的平均距离；

优选产品选取模块，用于选取与所述用户的评估向量之间的平均距离最小的产品类型作为优选产品类型，并将所述优选产品类型推荐给所述用户。

本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如下步骤：

本发明实施例的第四方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：

本发明实施例与现有技术相比存在的有益效果是：本发明实施例在接收到用户通过终端设备发送的视频对话请求后，通过预设的对话机器人与该用户进行视频对话，在视频对话过程中获取该用户在预设的各个评估维度上的信息，并根据所述信息构造该用户的评估向量，然后通过该评估向量与预设的历史样本集合中各种产品类型的历史样本向量的比较计算，从中选取最优的产品类型推荐给该用户。通过本发明实施例，使用对话机器人以类似在线聊天的方式来高效率地收集用户的信息，并据此推荐适合的产品给用户，免去了用户枯燥繁琐的填表过程，大大提升了用户的使用体验。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例中一种产品推荐方法的一个实施例流程图；

图2为智能的为用户自动选取对话机器人角色的示意流程图；

图3为根据用户的对话风格为其匹配对应的话术的示意流程图；

图4为本发明实施例中一种产品推荐装置的一个实施例结构图；

图5为本发明实施例中一种服务器的示意框图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例中一种产品推荐方法的一个实施例可以包括：

步骤S101、在接收到用户通过终端设备发送的视频对话请求后，通过预设的对话机器人与所述用户进行视频对话。

在本实施例中，可以通过应用程序(APP)的形式为用户提供了进行视频对话的平台。当用户在手机、平板电脑等终端设备中安装的应用程序里点击预设的“智能对话”按钮时，即相当于通过该终端设备向服务器发送了视频对话请求，从而开启智能对话模式，与服务器中预设的对话机器人进行视频对话。

在该应用程序中还设置了进行对话模式切换的按钮，通过该按钮，用户可以根据自己的实际情况在人工客服及对话机器人之间进行自由切换。

步骤S102、在视频对话过程中获取所述用户在预设的各个评估维度上的信息，并根据所述信息构造所述用户的评估向量。

服务器通过对话机器人以类似在线聊天的方式，来收集用户的信息。为了给用户良好的互动感和智能感，在聊天窗口中，会出现三维的人物角色，在对话机器人与用户之间的对话过程中，对话机器人提出的每一个问题都对应一个用户需要输入的信息，服务器通过语音识别或光学扫描(针对用户提供的纸质材料)的方式获取用户在各个评估维度上的信息，这些评估维度包括但不限于：年龄、性别、受教育程度、收入水平、健康状况、是否已婚、是否已育等等，并将这些信息以数值化的形式构造为所述用户的评估向量，将所述用户的评估向量记为InfoVec，则：

InfoVec＝(Info₁,Info₂,Info₃,...,Info_d,...,Info_Dim)

其中，d为评估维度的序号，1≤d≤Dim，Dim为评估维度的总数，Info_d为所述用户在第d个评估维度上的信息的数值化形式。

步骤S103、从预设的历史样本集合中分别提取各种产品类型的历史样本向量。

在本实施例中，对过往的各个历史用户对于产品的选择均进行记录，从而形成历史样本供后续用户参考。

根据历史用户所选择的产品类型的差异，可以将这些历史样本划分为多个历史样本子集，每个历史样本子集对应于一个特定的产品类型。例如，可以将历史记录中所有选择了产品类型A的用户的历史样本划分到一个历史样本子集中，将历史记录中所有选择了产品类型B的用户的历史样本划分到另一个历史样本子集中，以此类推。这些历史样本子集共同构成了所述历史样本集合。

对于每个历史样本而言，均有与之对应的评估向量，也即所述历史样本向量，其构造过程与步骤S102中的评估向量的构造过程类似，此处不再赘述。类似地，将其中的任意一个历史样本向量可以记为SpVec_tn,sn，则：

SpVec_tn,sn＝(SpInf_tn,sn,1,SpInf_tn,sn,2,...,SpInf_tn,sn,d,...,SpInf_tn,sn,Dim)

其中，tn为产品类型的序号，1≤tn≤TN，TN为产品类型的总数，sn为历史样本向量的序号，1≤sn≤SN_tn，SN_tn为第tn个产品类型的历史样本向量的总数，SpInf_tn,sn,d为第tn个产品类型的第sn个历史样本向量在第d个评估维度上的取值，SpVec_tn,sn为第tn个产品类型的第sn个历史样本向量。

步骤S104、分别计算所述用户的评估向量与各种产品类型的历史样本向量之间的平均距离。

在本实施例的具体实施中，可以根据下式分别计算所述用户的评估向量与各种产品类型的历史样本向量之间的平均距离：

其中，AvDis_tn为所述用户的评估向量与第tn个产品类型的历史样本向量之间的平均距离。

步骤S105、选取与所述用户的评估向量之间的平均距离最小的产品类型作为优选产品类型，并将所述优选产品类型推荐给所述用户。

首先，根据下式构造所述用户的评估向量与各种产品类型的历史样本向量之间的平均距离序列：

AvDisSq＝(AvDis₁,AvDis₂,...,AvDis_tn,...,AvDis_TN)

其中，AvDisSq即为所述平均距离序列。

然后，根据下式选取优选产品类型：

TargetPro＝argmin(AvDisSq)

＝argmin(AvDis₁,AvDis₂,AvDis₃,...,AvDis_tn,...,AvDis_TN)

其中，argmin为最小自变量函数，TargetPro为选取的所述优选产品类型的序号。

在选取出了所述优选产品类型之后，即可通过所述对话机器人口头告知的方式或者向所述用户的终端设备进行消息推送的方式将所述优选产品类型推荐给所述用户。

若所述用户对该推荐结果满意，则可以通过口头接受的方式或者在其终端设备安装的应用程序中通过点击接受按钮的方式接受所述优选产品；

若所述用户对该推荐结果不满意，则可以通过口头拒绝的方式或者在其终端设备安装的应用程序中通过点击拒绝按钮的方式拒绝所述优选产品，此时，服务器则重新为所述用户进行产品推荐，选取与所述用户的评估向量之间的平均距离排序第二的产品类型作为新的优选产品类型，并将该优选产品类型推荐给所述用户，重复以上过程，直至所述用户对某一推荐结果满意为止。

通过图1所示的过程，使用对话机器人以类似在线聊天的方式来高效率地收集用户的信息，并据此推荐适合的产品给用户，免去了用户枯燥繁琐的填表过程，大大提升了用户的使用体验。

进一步地，服务器中可以设置多种可供选择的对话机器人角色，在通过预设的对话机器人与所述用户进行视频对话之前，所述用户可以根据自己的喜好选择对应的对话机器人角色，服务器在接收到用户通过终端设备发送的视频对话请求后，可以发送包括两个以上对话机器人角色的选项框供所述用户进行选择，例如，用户可以从中选择一个年轻的女性角色，也可以从中选择一个中年的男性角色等等。

优选地，如图2所示，服务器还可以根据所述用户的特征，智能的为所述用户自动选取对话机器人角色：

步骤S201、通过所述终端设备的摄像头获取所述用户的人脸图像。

在本实施例中，可以利用Adaboost算法从摄像头采集的画面中检测出用户的人脸图像。Adaboost是一种迭代算法，是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)，通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。

步骤S202、提取所述人脸图像中的性别特征，并根据所述性别特征预测所述用户的性别。

当获取到用户的人脸图像后，对其进行性别特征提取，具体地，可以通过卷积神经网络来对人脸图像进行性别特征提取，这些性别特征包括但不限于毛发特征、胡须特征等等，之后，将提取出来的性别特征与预先存储的标准性别特征(例如，男性毛发特征为浓密，胡须特征为有，女性毛发特征为稀疏，胡须特征为无等等)进行比对，并得到性别比对结果，根据性别比对结果即可预测所述用户的性别。

步骤S203、提取所述人脸图像中的年龄特征，并根据所述年龄特征预测所述用户的年龄。

当获取到用户的人脸图像后，对其进行年龄特征提取，具体地，可以通过卷积神经网络来对人脸图像进行年龄特征提取，这些年龄特征包括但不限于皮肤纹理特征、毛孔特征、面色特征等等，之后，将提取出来的年龄特征与预先存储的标准年龄特征进行比对，并得到年龄比对结果。通常，会预先在服务器中存储多个年龄段的标准年龄特征，例如，0－5岁，6－10岁，11－15岁，…，70岁以上等。这样，将所述用户的年龄特征分别与标准年龄特征进行比对，根据年龄比对结果即可预测所述用户的年龄。

步骤S204、从预设的机器人角色库中选取与所述用户的性别和年龄对应的对话机器人角色。

所述机器人角色库中包括面容库和音色库，以音色库为例，音色库中包括多个等级的年龄特征和两个性别特征，年龄特征是与年龄相匹配的发音特征，例如，对应儿童的年龄特征为音调高、幼稚的声音；对应老人的声音为音调低、沉稳的声音。对应男性的的发音特征为低沉，对应女性的发音特征为尖锐。面容库与之类似，此处不再赘述。

例如，确定了用户的年龄特征为25岁，性别为男，选择与发音年龄相匹配的年龄特征，即选择20－25岁年龄段的声音特征，选择与发音性别相异的性别特征，即选定发音的性别为女，原因在于，研究表明，与异性交流能够使用户更加愉悦，有利于聊天过程的进行。将选出的年龄特征和性别特征配置为音色特征，之后，对话机器人按照上述音色特征进行发音。面容的选择与之类似，此处不再赘述。

通过图2所示的过程，可以自动为用户选取符合其喜好的对话机器人角色，进一步提升用户的使用体验。

进一步地，如图3所示，服务器还可以根据所述用户的对话风格为其匹配对应的话术：

步骤S301、在视频对话过程中获取所述用户的对话语音，并将所述用户的对话语音转换为文本信息。

步骤S302、对所述文本信息进行切词处理，得到构成所述文本信息的各个分词。

其中，切词处理是指将一个语句文本切分成一个一个单独的词，也即各个分词，在本实施例中，可以根据通用词典对所述文本信息进行切分，保证分出的词语都是正常词汇。

步骤S303、在预设的词向量数据库中分别查找各个分词的词向量，并将各个分词的词向量构造为所述文本信息的输入矩阵。

词向量数据库为记录词语与词向量之间的对应关系的数据库。词向量可以是根据word2vec模型训练词语所得到对应的词向量。即根据词语的上下文信息来表示该词出现的概率。词向量的训练依然按照word2vec的思想，先将每个词表示成一个0-1向量(one-hot)形式，再用词向量进行word2vec模型训练，用n-1个词来预测第n个词，神经网络模型预测后得到的中间过程作为词向量。具体地，如“庆祝”的one-hot向量假设定为[1，0，0，0，……，0]，“大会”的one-hot向量为[0，1，0，0，……，0]，“顺利”的one-hot向量为[0，0，1，0，……，0]，预测“闭幕”的向量[0，0，0，1，……，0]，模型经过训练会生成隐藏层的系数矩阵W，每个词的one-hot向量和系数矩阵的乘积为该词的词向量，最后的形式将是类似于“庆祝[-0.28，0.34，-0.02，…...，0.92]”这样的一个多维向量。

将所述文本信息的分词的个数记为N，将每个分词的词向量的维度记为Len，将每个分词的词向量作为一行，则可以构造出一个N行Len列的矩阵，即所述输入矩阵。

步骤S304、将所述文本信息的输入矩阵输入到预设的神经网络模型中进行处理，得到所述用户的对话风格类型。

在所述神经网络模型中，具体可以根据下式分别计算所述用户为各种对话风格类型的概率：

其中，n为所述输入矩阵的行号，1≤n≤N，l为所述输入矩阵的列号，1≤l≤Len，WdVecEm_n,l为所述输入矩阵第n行第l列的元素，m为对话风格类型的序号，1≤m≤M，M为对话风格类型的总数，Weight_m,l为预设的权值矩阵第m行第l列的元素，所述权值矩阵是一个M行Len列的矩阵，其中的每个元素均为所述神经网络模型的一个参数，这些参数的具体取值可以预先通过大量样本的训练得到，Prob_m为所述用户为第m种对话风格类型的概率。

再根据下式构造所述用户的对话风格类型的概率序列：

ProbSq＝(Prob₁,Prob₂,...,Prob_m,...,Prob_M)

其中，ProbSq为所述用户的对话风格类型的概率序列。

最后，根据下式选取所述用户的对话风格类型：

DiaType＝argmax(ProbSq)

＝argmax(Prob₁,Prob₂,...,Prob_m,...,Prob_M)

其中，argmax为最大自变量函数，DiaType为所述用户的对话风格类型的序号。

步骤S305、从预设的话术库中选取与所述用户的对话风格类型对应的优选话术类型，以使所述对话机器人采用所述优选话术类型与所述用户进行对话。

例如，可以根据用户的对话风格将其分为坚定型或者犹疑型这两种类型，并为其配置对应的对话话术，当与坚定型的用户对话时，采取直截了当的对话方式，当与犹疑型的用户对话时，采取循循善诱的对话方式。

通过图3所示的过程，可以使用户获得更佳的对话体验，在轻松愉快的对话氛围中顺利完成整个产品推荐过程。

综上所述，本发明实施例在接收到用户通过终端设备发送的视频对话请求后，通过预设的对话机器人与该用户进行视频对话，在视频对话过程中获取该用户在预设的各个评估维度上的信息，并根据所述信息构造该用户的评估向量，然后通过该评估向量与预设的历史样本集合中各种产品类型的历史样本向量的比较计算，从中选取最优的产品类型推荐给该用户。通过本发明实施例，使用对话机器人以类似在线聊天的方式来高效率地收集用户的信息，并据此推荐适合的产品给用户，免去了用户枯燥繁琐的填表过程，大大提升了用户的使用体验。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的一种产品推荐方法，图4示出了本发明实施例提供的一种产品推荐装置的一个实施例结构图。

本实施例中，一种产品推荐装置可以包括：

视频对话模块401，用于在接收到用户通过终端设备发送的视频对话请求后，通过预设的对话机器人与所述用户进行视频对话；

信息获取模块402，用于在视频对话过程中获取所述用户在预设的各个评估维度上的信息，并根据所述信息构造所述用户的评估向量；

历史样本提取模块403，用于从预设的历史样本集合中分别提取各种产品类型的历史样本向量；

样本距离计算模块404，用于分别计算所述用户的评估向量与各种产品类型的历史样本向量之间的平均距离；

优选产品选取模块405，用于选取与所述用户的评估向量之间的平均距离最小的产品类型作为优选产品类型，并将所述优选产品类型推荐给所述用户。

进一步地，所述产品推荐装置还可以包括：

人脸图像获取模块，用于通过所述终端设备的摄像头获取所述用户的人脸图像；

性别预测模块，用于提取所述人脸图像中的性别特征，并根据所述性别特征预测所述用户的性别；

年龄预测模块，用于提取所述人脸图像中的年龄特征，并根据所述年龄特征预测所述用户的年龄；

角色选取模块，用于从预设的机器人角色库中选取与所述用户的性别和年龄对应的对话机器人角色。

进一步地，所述产品推荐装置还可以包括：

语音转换模块，用于在视频对话过程中获取所述用户的对话语音，并将所述用户的对话语音转换为文本信息；

切词处理模块，用于对所述文本信息进行切词处理，得到构成所述文本信息的各个分词；

输入矩阵构造模块，用于在预设的词向量数据库中分别查找各个分词的词向量，并将各个分词的词向量构造为所述文本信息的输入矩阵；

神经网络处理模块，用于将所述文本信息的输入矩阵输入到预设的神经网络模型中进行处理，得到所述用户的对话风格类型；

话术选取模块，用于从预设的话术库中选取与所述用户的对话风格类型对应的优选话术类型，以使所述对话机器人采用所述优选话术类型与所述用户进行对话。

进一步地，所述神经网络处理模块可以包括：

概率计算单元，用于根据下式分别计算所述用户为各种对话风格类型的概率：

其中，n为所述输入矩阵的行号，1≤n≤N，N为所述输入矩阵的行数，l为所述输入矩阵的列号，1≤l≤Len，Len为所述输入矩阵的列数，WdVecEm_n,l为所述输入矩阵第n行第l列的元素，m为对话风格类型的序号，1≤m≤M，M为对话风格类型的总数，Weight_m,l为预设的权值矩阵第m行第l列的元素，Prob_m为所述用户为第m种对话风格类型的概率；

概率序列构造单元，用于根据下式构造所述用户的对话风格类型的概率序列：

ProbSq＝(Prob₁,Prob₂,...,Prob_m,...,Prob_M)

其中，ProbSq为所述用户的对话风格类型的概率序列；

对话风格选取单元，用于根据下式选取所述用户的对话风格类型：

DiaType＝argmax(ProbSq)

＝argmax(Prob₁,Prob₂,...,Prob_m,...,Prob_M)

进一步地，所述样本距离计算模块具体用于根据下式分别计算所述用户的评估向量与各种产品类型的历史样本向量之间的平均距离：

其中，d为所述用户的评估向量的维度序号，1≤d≤Dim，Dim为所述用户的评估向量的维度总数，tn为产品类型的序号，1≤tn≤TN，TN为产品类型的总数，sn为历史样本向量的序号，1≤sn≤SN_tn，SN_tn为第tn个产品类型的历史样本向量的总数，所述用户的评估向量记为InfoVec，且InfoVec＝(Info₁,Info₂,...,Info_d,...,Info_Dim)，Info_d为所述用户的评估向量在第d个维度上的取值，第tn个产品类型的第sn个历史样本向量记为SpVec_tn,sn，且SpVec_tn,sn＝(SpInf_tn,sn,1,SpInf_tn,sn,2,...,SpInf_tn,sn,d,...,SpInf_tn,sn,Dim)，SpInf_tn,sn,d为第tn个产品类型的第sn个历史样本向量在第d个维度上的取值，AvDis_tn为所述用户的评估向量与第tn个产品类型的历史样本向量之间的平均距离。

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，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

图5示出了本发明实施例提供的一种服务器的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。

在本实施例中，所述服务器5可以包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机可读指令52，例如执行上述的产品推荐方法的计算机可读指令。所述处理器50执行所述计算机可读指令52时实现上述各个产品推荐方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器50执行所述计算机可读指令52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至405的功能。

示例性的，所述计算机可读指令52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令52在所述服务器5中的执行过程。

所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述服务器5的内部存储单元，例如服务器5的硬盘或内存。所述存储器51也可以是所述服务器5的外部存储设备，例如所述服务器5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述服务器5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机可读指令以及所述服务器5所需的其它指令和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

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，包括若干计算机可读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、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种基于对话机器人的产品推荐方法，其特征在于，包括：

选取与所述用户的评估向量之间的平均距离最小的产品类型作为优选产品类型，并将所述优选产品类型推荐给所述用户；

在视频对话过程中获取所述用户的对话语音，并将所述用户的对话语音转换为文本信息；

对所述文本信息进行切词处理，得到构成所述文本信息的各个分词；

在预设的词向量数据库中分别查找各个分词的词向量，并将各个分词的词向量构造为所述文本信息的输入矩阵；

根据下式分别计算所述用户为各种对话风格类型的概率：

根据下式构造所述用户的对话风格类型的概率序列：

ProbSq＝(Prob₁,Prob₂,...,Prob_m,...,Prob_M)

其中，ProbSq为所述用户的对话风格类型的概率序列；

根据下式选取所述用户的对话风格类型：

DiaType＝argmax(ProbSq)

＝argmax(Prob₁,Prob₂,...,Prob_m,...,Prob_M)

其中，argmax为最大自变量函数，DiaType为所述用户的对话风格类型的序号；

从预设的话术库中选取与所述用户的对话风格类型对应的优选话术类型，以使所述对话机器人采用所述优选话术类型与所述用户进行对话。

2.根据权利要求1所述的产品推荐方法，其特征在于，在通过预设的对话机器人与所述用户进行视频对话之前，还包括：

通过所述终端设备的摄像头获取所述用户的人脸图像；

提取所述人脸图像中的性别特征，并根据所述性别特征预测所述用户的性别；

提取所述人脸图像中的年龄特征，并根据所述年龄特征预测所述用户的年龄；

从预设的机器人角色库中选取与所述用户的性别和年龄对应的对话机器人角色。

3.根据权利要求1至2中任一项所述的产品推荐方法，其特征在于，所述分别计算所述用户的评估向量与各种产品类型的历史样本向量之间的平均距离包括：

根据下式分别计算所述用户的评估向量与各种产品类型的历史样本向量之间的平均距离：

4.一种产品推荐装置，其特征在于，包括：

优选产品选取模块，用于选取与所述用户的评估向量之间的平均距离最小的产品类型作为优选产品类型，并将所述优选产品类型推荐给所述用户；

神经网络处理模块，用于根据下式分别计算所述用户为各种对话风格类型的概率：

根据下式构造所述用户的对话风格类型的概率序列：

ProbSq＝(Prob₁,Prob₂,...,Prob_m,...,Prob_M)

其中，ProbSq为所述用户的对话风格类型的概率序列；

根据下式选取所述用户的对话风格类型：

DiaType＝argmax(ProbSq)

＝argmax(Prob₁,Prob₂,...,Prob_m,...,Prob_M)

5.根据权利要求4所述的产品推荐装置，其特征在于，所述产品推荐装置还包括：

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至3中任一项所述的产品推荐方法的步骤。

7.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至3中任一项所述的产品推荐方法的步骤。