CN111932296A - 一种产品推荐方法及装置、服务器、存储介质 - Google Patents
一种产品推荐方法及装置、服务器、存储介质 Download PDFInfo
- Publication number
- CN111932296A CN111932296A CN202010699674.0A CN202010699674A CN111932296A CN 111932296 A CN111932296 A CN 111932296A CN 202010699674 A CN202010699674 A CN 202010699674A CN 111932296 A CN111932296 A CN 111932296A
- Authority
- CN
- China
- Prior art keywords
- product
- voice
- customer
- customer service
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 227
- 238000001228 spectrum Methods 0.000 claims description 44
- 230000003068 static effect Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009432 framing Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 239000012634 fragment Substances 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000007477 logistic regression Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 210000003477 cochlea Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
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
- G06Q30/0271—Personalized advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3343—Query execution using phonetics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/338—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06Q30/0254—Targeted advertisements based on statistics
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
- G10L2015/0631—Creating reference templates; Clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Computer Interaction (AREA)
- Finance (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Accounting & Taxation (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种产品推荐方法及装置、服务器、存储介质,包括:获取目标客户的用户数据,根据用户数据确定用户特征向量X=(x1,x2,...,xn)T;根据用户特征向量X=(x1,x2,...,xn)T和各个产品中第i个产品的权重向量Wi=(wi1,wi2,...,win)T计算得到目标客户针对第i个产品的推荐预测值zi=Wi T*X;将第i个产品的推荐预测值转化为概率,得到目标客户针对第i个产品的推荐成功概率值将各个产品的推荐成功概率值中最大值所对应的产品确定为目标产品;在客服语料库中获取目标产品的客服语料;当满足推荐触发条件时,向目标客户发送客服语料。采用本申请,可以提高产品推荐成功率。
Description
技术领域
本申请涉及智能推荐技术领域,尤其涉及一种产品推荐方法及装置、服务器、存储介质。
背景技术
目前,随着各大金融机构产品线的丰富及产品类型的增多,需要向客户进行多产品的推荐活动。鉴于各金融机构的客户量很大,对客户有效的推荐触达成本也较高,从而造成产品推荐覆盖面变小,往往只能从大量的客户群中随机挑选一部分客户进行产品推荐,导致产品推荐成功率不高。
发明内容
本申请实施例提供一种产品推荐方法及装置、服务器、存储介质,以期提高产品推荐成功率。
第一方面,为本申请实施例提供了一种产品推荐方法,包括:
获取目标客户的用户数据,根据所述用户数据确定用户特征向量X=(x1,x2,...,xn)T;
根据所述用户特征向量X=(x1,x2,...,xn)T以及各个产品中第i个产品的权重向量Wi=(wi1,wi2,...,win)T计算得到所述目标客户针对第i个产品的推荐预测值zi=Wi T*X,其中,所述各个产品各自的权重向量是基于第一样本客户集合中每个客户的用户数据以及所述每个客户针对各个产品的用户行为事件训练得到;
将所述各个产品的推荐成功概率值中最大值所对应的产品确定为目标产品;
在客服语料库中获取所述目标产品对应的客服语料;
当满足推荐触发条件时,向所述目标客户发送所述客服语料。
可选的,所述当满足推荐触发条件时,向所述目标客户发送所述客服语料之后,包括:
获取推荐事件集,所述推荐事件集包括多个客户中每个客户的用户数据以及每个客户针对各个产品的推荐结果,所述推荐结果是基于向每个客户发送针对相应产品的客服语料转化得到的;
根据所述每个客户的用户数据确定所述每个客户的用户特征向量;
根据所述每个客户的用户特征向量以及所述各个产品各自的权重向量计算得到所述每个客户针对各个产品的推荐成功值;
将所述每个客户针对各个产品的推荐成功值转化为概率,得到所述每个客户针对各个产品的推荐成功概率值;
根据所述每个客户针对各个产品的推荐成功概率值和所述每个客户针对各个产品的推荐结果,对所述各个产品各自的权重向量进行调整;
当所述每个客户针对各个产品的推荐成功概率值和所述每个客户针对各个产品的推荐结果满足收敛条件时,将调整后的各个产品各自的权重向量确定为各个产品各自的目标权重向量。
可选的,所述客服语料库包括所述目标产品对应的至少一个客服语料,所述目标产品对应的至少一个客服语料是基于所述目标产品对应的历史对话语音记录确定的,所述目标产品对应的历史对话语音记录包括第一对话语音记录;
所述在客服语料库中获取所述目标产品对应的客服语料之前,包括:
根据所述第一对话语音记录得到多个语音片段,提取所述多个语音片段中每个语音片段的语音特征;
将所述语音特征输入身份矢量模型得到所述每个语音片段的身份矢量特征;
计算所述第一对话语音记录中两两身份矢量特征之间的相似度;
根据所述相似度,对所述第一对话语音记录中各个语音片段进行聚类,得到第一说话人语音集合和第二说话人语音集合;
计算各个说话人语音集合对应的关键词分别与客服标签、客户标签之间的匹配度,将匹配度最高的标签确定为所述各个说话人语音集合对应的标签;
根据所述各个说话人语音集合对应的标签将所述第一对话语音记录分为客户语音数据和客服语音数据,进而将所述目标产品对应的历史对话语音记录分为客户语音数据集合和客服语音数据集合。
可选的,所述将所述目标产品对应的历史对话语音记录分为客户语音数据集合和客服语音数据集合之后,包括:
将所述客服语音数据集合中的客服语音数据转化为文本得到客服文本集合,所述客服文本集合包括至少一个客户文本;
提取各个客户文本的语义特征,得到所述至少一个语义特征向量,所述语义特征向量与所述客户文本一一对应;
遍历每个语义特征向量分别与各个初始聚类中心之间的距离,将所述语义特征向量分配至距离最小的初始聚类中心对应的聚类群,进而得到N个聚类群;
分别计算各个聚类群中包含的语义特征向量之间的均值,得到各个聚类群的聚类中心;
计算所述各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离,当所述各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离满足收敛条件时,则将所述客服文本集合划分为所述N个聚类群;
计算每个聚类群对应的至少一个客服关键词分别与各个流程类别的至少一个类别标签之间的匹配度,得到所述每个聚类群与各个流程类别之间的多个类别匹配度值;
将所述多个类别匹配度值中最大值对应的流程类别确定为所述聚类群的流程类别,进而得到所述目标产品对应的至少一个客服语料。
可选的,所述多个语音片段包括第一语音片段;
所述提取所述多个语音片段中每个语音片段的语音特征,包括:
对所述第一语音片段进行分帧,并对经过分帧处理得到的每一语音帧进行离散傅里叶变换得到所述每一语音帧的频谱;
对所述每一语音帧的频谱进行计算得到所述每一语音帧的能量谱,并将所述能量谱通过M个Mel带通滤波器滤波,得到所述M个Mel带通滤波器的输出功率谱;
基于所述输出功率谱得到所述每一语音帧的静态特征,计算所述静态特征的一阶差分参数和二阶差分参数得到所述每一语音帧的动态特征,计算所述静态特征与所述动态特征的和得到所述每一语音帧对应的特征向量,进而得到所述第一语音片段的语音特征。
可选的,所述两两身份矢量特征之间的相似度为<n1,n2>/(||n1||*||n2||),其中,所述<n1,n2>为身份矢量特征n1和身份矢量特征n2之间的数量积,所述||n1||和所述||n2||分别为所述身份矢量特征n1的模值和所述身份矢量特征n2的模值。
可选的,所述当满足推荐触发条件时,向所述目标客户发送所述客服语料,包括:
在当前日期为预设日期集合中的任一日期的情况下,以文字形式或语音形式向所述目标客户发送所述客服语料。
第二方面,为本申请实施例提供了一种产品推荐装置,包括:
获取确定模块,用于获取目标客户的用户数据,根据所述用户数据确定用户特征向量X=(x1,x2,...,xn)T;
计算预测值模块,用于根据所述用户特征向量X=(x1,x2,...,xn)T以及各个产品中第i个产品的权重向量Wi=(wi1,wi2,...,win)T计算得到所述目标客户针对第i个产品的推荐预测值zi=Wi T*X,其中,所述各个产品各自的权重向量是基于第一样本客户集合中每个客户的用户数据以及所述每个客户针对各个产品的用户行为事件训练得到;
目标产品确定模块,用于将所述各个产品的推荐成功概率值中最大值所对应的产品确定为目标产品;
获取推荐语料模块,用于在客服语料库中获取所述目标产品对应的客服语料;
触发发送模块,用于当满足推荐触发条件时,向所述目标客户发送所述客服语料。
可选的,所述装置还包括:模型调整模块。
所述模型调整模块,用于获取推荐事件集,所述推荐事件集包括多个客户中每个客户的用户数据以及每个客户针对各个产品的推荐结果,所述推荐结果是基于向每个客户发送针对相应产品的客服语料转化得到的;
根据所述每个客户的用户数据确定所述每个客户的用户特征向量;
根据所述每个客户的用户特征向量以及所述各个产品各自的权重向量计算得到所述每个客户针对各个产品的推荐成功值;
将所述每个客户针对各个产品的推荐成功值转化为概率,得到所述每个客户针对各个产品的推荐成功概率值;
根据所述每个客户针对各个产品的推荐成功概率值和所述每个客户针对各个产品的推荐结果,对所述各个产品各自的权重向量进行调整;
当所述每个客户针对各个产品的推荐成功概率值和所述每个客户针对各个产品的推荐结果满足收敛条件时,将调整后的各个产品各自的权重向量确定为各个产品各自的目标权重向量。
可选的,所述装置还包括:说话人区分模块。
所述说话人区分模块,用于根据所述第一对话语音记录得到多个语音片段,提取所述多个语音片段中每个语音片段的语音特征;
将所述语音特征输入身份矢量模型得到所述每个语音片段的身份矢量特征;
计算所述第一对话语音记录中两两身份矢量特征之间的相似度;所述两两身份矢量特征之间的相似度为<n1,n2>/(||n1||*||n2||),其中,所述<n1,n2>为身份矢量特征n1和身份矢量特征n2之间的数量积,所述||n1||和所述||n2||分别为所述身份矢量特征n1的模值和所述身份矢量特征n2的模值。
根据所述相似度,对所述第一对话语音记录中各个语音片段进行聚类,得到第一说话人语音集合和第二说话人语音集合;
计算各个说话人语音集合对应的关键词分别与客服标签、客户标签之间的匹配度,将匹配度最高的标签确定为所述各个说话人语音集合对应的标签;
根据所述各个说话人语音集合对应的标签将所述第一对话语音记录分为客户语音数据和客服语音数据,进而将所述目标产品对应的历史对话语音记录分为客户语音数据集合和客服语音数据集合。
可选的,所述装置还包括:客服文本分类模块。
所述客服文本分类模块,用于将所述客服语音数据集合中的客服语音数据转化为文本得到客服文本集合,所述客服文本集合包括至少一个客户文本;
提取各个客户文本的语义特征,得到所述至少一个语义特征向量,所述语义特征向量与所述客户文本一一对应;
遍历每个语义特征向量分别与各个初始聚类中心之间的距离,将所述语义特征向量分配至距离最小的初始聚类中心对应的聚类群,进而得到N个聚类群;
分别计算各个聚类群中包含的语义特征向量之间的均值,得到各个聚类群的聚类中心;
计算所述各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离,当所述各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离满足收敛条件时,则将所述客服文本集合划分为所述N个聚类群;
计算每个聚类群对应的至少一个客服关键词分别与各个流程类别的至少一个类别标签之间的匹配度,得到所述每个聚类群与各个流程类别之间的多个类别匹配度值;
将所述多个类别匹配度值中最大值对应的流程类别确定为所述聚类群的流程类别,进而得到所述目标产品对应的至少一个客服语料。
可选的,所述多个语音片段包括第一语音片段;
说话人区分模块,具体用于对所述第一语音片段进行分帧,并对经过分帧处理得到的每一语音帧进行离散傅里叶变换得到所述每一语音帧的频谱;
对所述每一语音帧的频谱进行计算得到所述每一语音帧的能量谱,并将所述能量谱通过M个Mel带通滤波器滤波,得到所述M个Mel带通滤波器的输出功率谱;
基于所述输出功率谱得到所述每一语音帧的静态特征,计算所述静态特征的一阶差分参数和二阶差分参数得到所述每一语音帧的动态特征,计算所述静态特征与所述动态特征的和得到所述每一语音帧对应的特征向量,进而得到所述第一语音片段的语音特征。
可选的,所述触发发送模块,具体用于在当前日期为预设日期集合中的任一日期的情况下,以文字形式或语音形式向所述目标客户发送所述客服语料。
第三方面,为本申请实施例提供了一种服务器,包括处理器、存储器和收发器,所述处理器、所述存储器和所述收发器相互连接,其中,所述存储器用于存储支持所述电子设备执行上述产品推荐方法的计算机程序,所述计算机程序包括程序指令;所述处理器被配置用于调用所述程序指令,执行如上述本申请实施例一方面中所述的产品推荐方法。
第四方面,为本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序包括程序指令;所述程序指令当被处理器执行时使所述处理器执行如本申请实施例一方面中所述的产品推荐方法。
在本申请实施例中,获取目标客户的用户数据,根据用户数据确定用户特征向量X=(x1,x2,...,xn)T;根据用户特征向量X=(x1,x2,...,xn)T以及各个产品中第i个产品的权重向量Wi=(wi1,wi2,...,win)T计算得到目标客户针对第i个产品的推荐预测值zi=Wi T*X;将第i个产品的推荐预测值转化为概率,得到目标客户针对第i个产品的推荐成功概率值将各个产品的推荐成功概率值中最大值所对应的产品确定为目标产品;在客服语料库中获取目标产品对应的客服语料;当满足推荐触发条件时,向目标客户发送所述客服语料。采用本申请,可以提高产品推荐成功率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是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是本申请实施例提供的一种产品推荐方法的流程示意图;
图3是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是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
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,显然,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。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
请参见图1,是本申请实施例提供的一种产品推荐方法的流程示意图。如图1所示,该方法实施例包括如下步骤:
S101,获取目标客户的用户数据,根据用户数据确定用户特征向量X=(x1,x2,...,xn)T。
在执行步骤S101之前,产品推荐装置分别运用逻辑回归、决策树、k最邻近分类算法、支持向量机、基于决策树算法的分布式梯度提升框架(Light Gradient BoostingMachine,LightGBM)和梯度提升决策树(Gradient Boosting Decision Tree,GBDT)等算法对从客户库中获取得到的各个客户的用户数据以及每个客户针对各个产品的用户行为事件中的自主办理结果对上述各个算法对应的初始模型进行训练,得到各个算法对应训练好的多个第一模型以及各个第一模型中每个客户针对各个产品的推荐成功概率值,其中,每个算法对应一个该算法下的第一模型,并且,各个算法对应的多个第一模型构成模型库,并分别根据各个算法对应的第一模型得到的每个客户针对各个产品的推荐成功概率以及每个客户针对各个产品的自主办理结果计算得到各个算法对应的第一模型针对不同产品的推荐准确率,并根据各个第一模型的推荐准确率从模型库中选取推荐准确率最高的第一模型作为预测推荐成功概率值的模型。本申请实施例以逻辑回归算法对应的模型作为预测推荐成功概率值的模型进行介绍。
其中,用户数据包括用户年龄、用户年收入、月消费金额、学历等。
具体的,产品推荐装置根据目标客户的标识,如姓名、手机号等,从客户库中获取目标客户的用户数据,根据目标客户的用户数据以及变量x1,x2,...,xn的具体含义确定目标客户的用户特征向量,示例性的,变量x1表示用户年龄,在用户年龄小于等于25岁的情况下,则变量x1取1,否则,变量x1取0;变量x2表示用户年收入,在用户年收入大于等于10万的情况下,则变量x2取1,否则,变量x2取0;变量x3表示月消费金额,在月消费金额大于等于1万的情况下,则变量x3取1,否则,变量x3取0。
举例来说,产品推荐装置根据目标客户的姓名,从客户库中获取目标客户的用户数据,即年龄25岁、年收入10万和月消费金额5千,根据目标客户的用户数据以及用户年龄x1、年收入x2和月消费金额x3的具体含义确定目标客户的用户特征向量X=(1,1,0)T。
S102,根据用户特征向量X=(x1,x2,...,xn)T以及各个产品中第i个产品的权重向量Wi=(wi1,wi2,...,win)T计算得到目标客户针对第i个产品的推荐预测值zi=Wi T*X。
其中,所述各个产品各自的权重向量是基于第一样本客户集合中每个客户的用户数据以及所述每个客户针对各个产品的用户行为事件训练得到,其中,用户行为事件包括每个客户针对各个产品的自主办理结果。
在执行步骤S102之前,产品推荐装置根据第一样本客户集合中每个客户的用户数据以及每个客户自主办理各个产品的办理结果训练得到各个产品各自的权重向量。
具体的,产品推荐装置根据第一样本客户集合中每个客户的用户数据确定每个客户的用户特征向量,令用户年龄x1、年收入x2、…、学历xn针对第j个产品的初始权重系数分别为wj1、wj2、…、win,即第j个产品的初始权重向量为Wj0=(wj1,wj2,...,wjn)T,则初始预测函数f0(x)=wj1*x1+wj2*x2+…+wjn*xn,进而得到初始逻辑回归模型g(z)=1/(1+e-z),其中,z=f0(x)。根据第一样本集合中每个客户的用户特征向量和每个客户自主办理各个产品的办理结果对初始逻辑回归模型进行训练,得到第一逻辑回归模型和每个客户针对各个产品的预测推荐成功概率,并根据每个客户针对各个产品的预测推荐成功概率和每个客户针对各个产品的自主办理结果对第一逻辑回归模型进行调整,即对第j个产品的初始权重向量进行调整,直至调整后的第一逻辑回归模型的损失函数的值小于预设阈值,则说明调整后的第一逻辑回归模型达到收敛条件,将调整后的第一逻辑回归模型中,调整后的第j个产品的初始权重向量确定为第j个产品的权重向量,根据上述方式训练得到各个产品的权重向量。
之后,产品推荐装置根据用户特征向量X=(x1,x2,...,xn)T以及各个产品中第i个产品的权重向量Wi=(wi1,wi2,...,win)T计算得到目标客户针对第i个产品的推荐预测值zi=Wi T*X=wi1*x1+wi2*x2+…+win*xn,根据上述方式得到目标客户针对各个产品的推荐预测值。
具体的,将各个产品的推荐预测值z代入公式1/(1+e-z),计算得到目标客户针对各个产品的推荐成功概率值。
S104,将所述各个产品的推荐成功概率值中最大值所对应的产品确定为目标产品。
举例来说,产品推荐装置根据步骤S103得到目标客户针对产品i、j、k和m的推荐成功概率值分别为0.4、0.6、0.85和0.7,则将推荐成功概率值0.85对应的产品k确定为目标产品。
S105,在客服语料库中获取目标产品对应的客服语料。
在可选的实施例中,产品推荐装置根据目标产品的标识,如产品名称,在客服语料库中获取目标产品的产品介绍语料。
S106,当满足推荐触发条件时,向所述目标客户发送所述客服语料。
可选的,所述当满足推荐触发条件时,向所述目标客户发送所述客服语料,包括:
在当前日期为预设日期集合中的任一日期的情况下,以文字形式或语音形式向所述目标客户发送所述客服语料。
其中,预设日期集合包括客户生日日期、节假日、公司纪念日等。
举例来说,若当前日期为目标客户的生日,则产品推荐装置向目标客户发送内容为目标产品的产品介绍语料的短信。
在步骤S106之后,产品推荐装置还可以根据推荐事件集对调整后的第一逻辑回归模型再次进行调整。
可选的,所述当满足推荐触发条件时,向所述目标客户发送所述客服语料之后,包括:
获取推荐事件集,所述推荐事件集包括多个客户中每个客户的用户数据以及每个客户针对各个产品的推荐结果,所述推荐结果是基于向每个客户发送针对相应产品的客服语料转化得到的;
根据所述每个客户的用户数据确定所述每个客户的用户特征向量;
根据所述每个客户的用户特征向量以及所述各个产品各自的权重向量计算得到所述每个客户针对各个产品的推荐成功值;
将所述每个客户针对各个产品的推荐成功值转化为概率,得到所述每个客户针对各个产品的推荐成功概率值;
根据所述每个客户针对各个产品的推荐成功概率值和所述每个客户针对各个产品的推荐结果,对所述各个产品各自的权重向量进行调整;
当所述每个客户针对各个产品的推荐成功概率值和所述每个客户针对各个产品的推荐结果满足收敛条件时,将调整后的各个产品各自的权重向量确定为各个产品各自的目标权重向量。
具体的,产品推荐装置获取推荐事件集,该推荐事件集包括多个客户中每个客户的用户数据以及每个客户针对各个产品的推荐结果,其中,推荐结果是产品推荐装置向每个客户发送针对相应产品的客服语料转化得到的,示例性的,若产品推荐装置以外呼的方式向目标客户发送语音形式的客服语料来推荐目标产品,最终目标客户成功办理目标产品,则根据客服语料得到目标客户针对目标产品的推荐结果为推荐成功,并且,得到目标客户针对目标产品的实际推荐成功概率值为1,否则,根据客服语料得到目标客户针对目标产品的推荐结果为推荐失败,并且,得到目标客户针对目标产品的实际推荐成功概率值为0。之后,产品推荐装置根据推荐事件集中每个客户的用户数据确定每个客户的用户特征向量,这里,确定每个客户的用户特征向量的具体实现方式请参见步骤S101中的描述,此处不再赘述。产品推荐装置计算每个客户的用户特征向量分别与各个产品各自的权重向量之间的数量积,得到每个客户针对各个产品的推荐成功值,将每个客户针对各个产品的推荐成功值z依次代入公式1/1+e-z,计算得到每个客户针对各个产品的推荐成功概率值。根据每个客户针对各个产品的推荐成功概率值以及每个客户针对各个产品的实际推荐成功概率值,计算得到每个客户针对各个产品的误差,并根据上述误差对各个产品各自的权重向量进行调整,当每个客户针对各个产品的误差均小于预设误差阈值,则将调整后的各个产品各自的权重向量确定为各个产品各自的目标权重向量。可以理解的,本申请实施例中通过推荐事件集对各个产品各自的权重向量进行调整,也就是对之前训练好的逻辑回归模型进行优化调整,从而提高模型的预测准确率,在之后的产品推荐过程中直接使用优化后的模型预测客户针对各个产品的推荐成功概率,即模型会根据每一次产品推荐事件产生的产品推荐结果,以及客户的用户数据,不断优化模型参数,提高模型的预测准确率。
在本申请实施例中,产品推荐装置是根据目标客户的用户特征向量以及预先训练好的各个产品各自的权重向量计算得到目标客户针对各个产品的推荐成功概率值,并向目标客户推荐各个产品的推荐成功概率值中最大值所对应的产品,从而可以提高产品推荐成功率。
请参见图2,是本申请实施例提供的一种产品推荐方法的流程示意图。如图2所示,该方法实施例包括如下步骤:
S201,将目标产品对应的历史对话语音记录分为客户语音数据集合和客服语音数据集合。
可选的,所述客服语料库包括所述目标产品对应的至少一个客服语料,所述目标产品对应的至少一个客服语料是基于所述目标产品对应的历史对话语音记录确定的,所述目标产品对应的历史对话语音记录包括第一对话语音记录;
所述在客服语料库中获取所述目标产品对应的推荐语料之前,包括:
根据所述第一对话语音记录得到多个语音片段,提取所述多个语音片段中每个语音片段的语音特征;
将所述语音特征输入身份矢量模型得到所述每个语音片段的身份矢量特征;
计算所述第一对话语音记录中两两身份矢量特征之间的相似度;
根据所述相似度,对所述第一对话语音记录中各个语音片段进行聚类,得到第一说话人语音集合和第二说话人语音集合;
计算各个说话人语音集合对应的关键词分别与客服标签、客户标签之间的匹配度,将匹配度最高的标签确定为所述各个说话人语音集合对应的标签;
根据所述各个说话人语音集合对应的标签将所述第一对话语音记录分为客户语音数据和客服语音数据,进而将所述目标产品对应的历史对话语音记录分为客户语音数据集合和客服语音数据集合。
具体的,产品推荐装置将第一对话语音记录通过高斯混合模型进行语音侦测得到多个只包含一位说话人的语音片段,将这些多个只包含一位说话人的语音片段串接成一个新的语音数据,将新的语音数据切割成许多长度相同并部分重叠的多个语音片段。
之后,产品推荐装置提取多个语音片段中每个语音片段的MFCC特征。
可选的,所述多个语音片段包括第一语音片段;
所述提取所述多个语音片段中每个语音片段的语音特征,包括:
对所述第一语音片段进行分帧,并对经过分帧处理得到的每一语音帧进行离散傅里叶变换得到所述每一语音帧的频谱;
对所述每一语音帧的频谱进行计算得到所述每一语音帧的能量谱,并将所述能量谱通过M个Mel带通滤波器滤波,得到所述M个Mel带通滤波器的输出功率谱;
基于所述输出功率谱得到所述每一语音帧的静态特征,计算所述静态特征的一阶差分参数和二阶差分参数得到所述每一语音帧的动态特征,计算所述静态特征与所述动态特征的和得到所述每一语音帧对应的特征向量,进而得到所述第一语音片段的语音特征。
具体的,产品推荐装置可以用有限长度的窗函数来截取第一语音片段形成分析帧,窗函数将需要处理区域以外的采样点置零来获得当前语音帧。
可选的,本申请实施例中的窗函数可以使用汉明窗窗函数,即,
其中,N为帧长,通常取256或512。
之后得到加窗处理后第n时刻对应的语音片段Sω(n),即,
Sω(n)=S(n)×ω(n)
其中,S(n)为第n时刻对应的语音片段,即n时刻的语音采样值。
之后,对加窗处理后第n时刻对应的语音片段Sω(n)进行预加重,使用y(n)=x(n)-ax(n-1)对加窗处理后的语音片段Sω(n)进行处理,其中x(n)为第n时刻加窗处理后的语音片段Sω(n)的语音采样值,a为预加重系数,a的值介于0.9和1之间,示例性的,a=0.9375,y(n)为经过预加重处理的信号。可以理解为,预加重处理将语音片段通过一个高通滤波器,对高频成分进行补偿,减少了口唇发音或麦克风录音的过程带来的高频损失。
在对第一语音片段进行加窗预加重处理得到语音片段的每一语音帧后,还需要对每一语音帧进行快速傅里叶变换得到每一语音帧的频谱。示例性的,每一语音帧可以通过以下公式完成离散傅里叶变换得到每一语音帧的频谱。
其中,x(n)为加窗预加重处理后的语音片段,N表示傅里叶变换的点数。
产品推荐装置对每一语音帧的频谱幅度取平方得到每一语音帧的能量谱,由于人耳在分辨语音时,耳蜗相当于一个滤波器组,在对数域上对语音进行滤波,即相比于频率f,梅尔频率fMel=2595×log(1+f/700)更接近人耳的听觉机理,故之后需要将每一语音帧的能量谱通过一组Mel频率滤波器组(M个Mel带通滤波器),得到M个Mel带通滤波器的输出功率谱。
产品推荐装置对输出功率谱取对数,之后进行反离散余弦变化,得到若干个MFCC系数(Mel-Frequency Cepstral Coefficients,梅尔频率倒谱系数),即静态特征,一般为12-16个,静态特征可以通过以下公式计算得到:
其中,x(k)为每个Mel带通滤波器的输出功率谱,C0为频谱能量。
之后,产品推荐装置将静态特征和频谱能量做一阶、二阶差分得到动态特征,并将静态特征和动态特征求和得到每一语音帧对应的特征向量,进而得到第一语音片段的MFCC特征,即第一语音片段的语音特征。根据上述方式可以提取得到多个语音片段中每个语音片段的语音特征。
可选的,身份矢量模型包括X-VECTOR模型。
之后,产品推荐装置将每个语音片段的MFCC特征输入训练好的X-VECTOR模型,得到每个语音片段的X-VECTOR特征,并计算两两X-VECTOR特征之间的相似度。
可选的,所述两两身份矢量特征之间的相似度为<n1,n2>/(||n1||*||n2||),其中,所述<n1,n2>为身份矢量特征n1和身份矢量特征n2之间的数量积,所述||n1||和所述||n2||分别为所述身份矢量特征n1的模值和所述身份矢量特征n2的模值。
在可选的实施例中,产品推荐装置可以通过公式S=<n1,n2>/(||n1||*||n2||)计算得到两两X-VECTOR特征之间的余弦相似度,其中,n1和n2表示X-VECTOR特征,S表示两两X-VECTOR特征之间的夹角余弦值,即余弦相似度值,当夹角越小,即夹角余弦值越大时,两两X-VECTOR特征之间的相似度越高。
进一步地,根据所述相似度,对第一对话语音记录中各个语音片段进行聚类,得到第一说话人语音集合和第二说话人语音集合。
具体的,产品推荐装置运用k-means算法对第一对话语音数据中各个语音片段的X-VECTOR特征进行聚类,实现过程如下:1)随机从多个X-VECTOR特征中选取两个X-VECTOR特征作为两个群的群心,即群C1和群C2的群心分别为Q1和Q2;2)遍历剩下的X-VECTOR特征分别与Q1和Q2之间的相似度,并比较大小,若该X-VECTOR特征与Q1之间的相似度更高,则将该X-VECTOR特征分配到群C1,否则分配到群C2,根据上述方式将每个X-VECTOR特征分配完毕;3)重新计算群C1和群C2的群心,重复步骤2)和3),直到k-means算法达到收敛条件,如达到最大迭代次数,则聚类结束,得到第一说话人语音集合和第二说话人语音集合。
之后,计算各个说话人语音集合对应的关键词分别与客服标签、客户标签之间的匹配度,示例性的,若第一说话人语音集合对应的关键词为A、B、C,客服标签为a、b、c,则第一说话人语音集合与客服标签之间的匹配度计算公式可以为第一说话人语音集合对应的关键词为A、B、C分别与客服标签为a、b、c之间的匹配度的总和,其中单个关键词与单个客服标签之间的匹配度可以通过预设的匹配度表格获得。根据上述方式计算得到第一说话人语音集合与客户标签之间的匹配度,并将第一说话人语音集合分别与客户标签、客服标签之间的匹配度中匹配度最大的标签确定为第一说话人语音集合对应的标签。根据上述方式确定第二说话人语音集合对应的标签。进一步地,根据上述方式将目标产品对应的历史对话语音记录分为客服语音数据集合和客户语音数据集合。
S202,根据客服语音数据集合得到目标产品对应的至少一个客服语料。
可选的,所述将所述目标产品对应的历史对话语音记录分为客户语音数据集合和客服语音数据集合之后,包括:
将所述客服语音数据集合中的客服语音数据转化为文本得到客服文本集合,所述客服文本集合包括至少一个客户文本;
提取各个客户文本的语义特征,得到所述至少一个语义特征向量,所述语义特征向量与所述客户文本一一对应;
遍历每个语义特征向量分别与各个初始聚类中心之间的距离,将所述语义特征向量分配至距离最小的初始聚类中心对应的聚类群,进而得到N个聚类群;
分别计算各个聚类群中包含的语义特征向量之间的均值,得到各个聚类群的聚类中心;
计算所述各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离,当所述各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离满足收敛条件时,则将所述客服文本集合划分为所述N个聚类群;
计算每个聚类群对应的至少一个客服关键词分别与各个流程类别的至少一个类别标签之间的匹配度,得到所述每个聚类群与各个流程类别之间的多个类别匹配度值;
将所述多个类别匹配度值中最大值对应的流程类别确定为所述聚类群的流程类别,进而得到所述目标产品对应的至少一个客服语料。
具体的,产品推荐装置将客服语音数据集合中的客服语音数据转化为文本,得到客服文本集合,将客服文本集合中的第一客服文本中的每个词语通过One-Hot Encoder的方式将每个词语转化为离散的符号,也就是说,第一客服文本中的每个词语对应一个行向量,该行向量中只有一个值为1,其余值都为0,即每个词语对应的行向量为该词语的初始词向量,其中,初始词向量的维数由人为设定,这里不做限定。由于不同的客服文本中包含的词语的个数不一样,为了使每个客服文本的初始矩阵的行列数一致,则将客服文本中的每个词语的初始词向量,按照每个词语在客服文本中的出现顺序进行排序,得到一个m行n列的矩阵,之后,将客服文本中包含的词语的个数l与初始矩阵的预设行数L进行比较,若词语的个数小于初始矩阵的预设行数,则在上述m行n列的矩阵中的第m+1行依次向下添加(L-1)个n维零向量后,得到一个L行n列的矩阵,即客服文本的初始矩阵。将客服文本的初始矩阵和包含预设值(隐含层神经元个数)个输入权重列向量的输入权重矩阵相乘,得到客户文本的文本矩阵,即得到每个词语的word2vec词向量。其中,输入权重矩阵是输入权重矩阵是基于样本文本集合以及该集合中每个文本的多个初始词向量训练得到的。训练过程可以理解为,Word2vec模型中的连续词袋(Continuous bag of words,CBOW)模型,即隐含层数量为1的神经网络模型,通过每一个文本中除目标词语外的其他词语的初始词向量对目标词语的词向量进行预测,得到目标词语的预测词向量,通过调整CBOW模型中的初始输入权重矩阵和初始输出权重矩阵,不断减小目标词语的预测词向量中的每个元素值与目标词语的初始词向量中的每个元素值之间的误差,当每个元素之间的误差值均达到最小时,则将此时调整后的初始输入权重矩阵确定为输入权重矩阵。
之后,将第一客服文本中每个词语的word2vec词向量输入预先训练好的基于语言模型的词向量(Embeddings from Language Models,ELMO)模型,对于每个词语的word2vec词向量而言,对于L层的Bilm模型,一共有2L+1个表示,每一层有一个前向LSTM输出和一个后向LSTM输出,两者建单拼接后,对于每一层就有了2X*1的列向量。将最顶层的LSTM输出的向量汇总,作为每个词语的ELMO向量,其中,ELMO模型是基于样本文本集合以及该集合中每个文本的多个word2vec词向量训练得到的,具体训练过程这里不再赘述。根据上述方式得到客服文本集合中每个客户文本的至少一个ELMO向量。运用k-means算法将客服文本集合中所有客户文本的ELMO向量进行聚类,实现过程如下:1)随机从多个ELMO向量中选取N个ELMO向量作为N个聚类群的初始聚类中心,即聚类群C1、聚类群C2、...、聚类群CN的初始聚类中心分别为Q1、Q2...、QN;2)遍历剩下的ELMO向量分别与Q1、Q2...、QN之间的欧几里得距离,并比较大小,若该ELMO向量与Q1之间的欧几里得距离最小,则将该ELMO向量分配到聚类群C1,根据上述方式将每个ELMO向量分配完毕;3)重新计算聚类群C1、聚类群C2、...、聚类群CN中各个聚类群包含的所有的ELMO向量的均值,得到各个聚类群的聚类中心,计算各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离,当各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离小于预设距离阈值的情况下,说明k-means算法达到收敛条件,聚类结束,得到N个聚类群,则将客服文本集合划分为N个聚类群,即N个文本集合,其中,N为流程类别的个数。
之后,产品推荐装置计算N个文本集合中每个文本集合对应的客服关键词与每个流程类别的流程类别标签之间的匹配度。若N个文本集合中第一文本集合的客服关键词为A、B、C,第一流程类别的流程类别标签为a、b、c,则第一文本集合与所述第一流程类别之间的类别匹配度值计算公式可以为第一文本集合的客服关键词A、B、C分别与第一流程类别的流程类别标签a、b、c之间的匹配度的总和,其中单个客服关键词与单个流程类别标签之间的匹配度可以通过预设的匹配度表格获得。根据上述方式计算得到第一文本集合与各个流程类别之间的类别匹配度,得到多个类别匹配值,将多个类别匹配值中最高类别匹配值对应的流程类别确定为第一文本集合对应的流程类别,根据上述方式得到N个文本集合中每个文本集合对应的流程类别,即得到目标产品对应的至少一个客服语料,其中,每个客服语料对应一个流程类别。
进一步地,产品推荐装置在得到N个文本集合中每个文本集合对应的流程类别后,根据每个文本携带的推荐结果,将每个流程类别对应的文本集合中推荐结果为推荐成功,并且出现次数大于等于预设次数阈值的文本,确定为目标产品对应的至少一个客服语料,其中,每个客服语料对应一个流程类别。
需要说明的是,本申请实施例除了根据目标产品对应的历史对话语音记录获取目标产品对应的至少一个客服语料,还可以根据目标产品对应的历史聊天记录、历史推荐短信、历史海报信息、历史广告信息、历史弹屏信息等历史推荐素材数据得到目标产品对应的不同形式下的至少一个客服语料。
S203,获取目标客户的用户数据,根据用户数据确定用户特征向量X=(x1,x2,...,xn)T。
S204,根据用户特征向量X=(x1,x2,...,xn)T以及各个产品中第i个产品的权重向量Wi=(wi1,wi2,...,win)T计算得到目标客户针对第i个产品的推荐预测值zi=Wi T*X。
S206,将所述各个产品的推荐成功概率值中最大值所对应的产品确定为目标产品。
S207,在客服语料库中获取目标产品对应的客服语料。
S208,当满足推荐触发条件时,向所述目标客户发送所述客服语料。
这里,步骤S203-步骤S208的具体实现方式可参考图1对应的实施例中步骤S101-步骤S106的描述,此处不再赘述。
在本申请实施例中,产品推荐装置通过目标产品的历史对话语音记录得到针对目标产品推荐成功的至少一个客服语料,根据目标客户的用户特征向量以及预先训练好的各个产品各自的权重向量计算得到目标客户针对各个产品的推荐成功概率值,并将各个产品的推荐成功概率值中最大值所对应的产品确定为目标产品,在满足推荐触发条件时,向目标客户发送针对目标产品推荐成功的客服语料,从而可以提高产品推荐成功率。
请参见图3,是本申请实施例提供的一种产品推荐装置的结构示意图。如图3所示,该产品推荐装置3包括获取确定模块31、计算预测值模块32、概率转化模块33、目标产品确定模块34、获取客服语料模块35和触发发送模块36。
获取确定模块31,用于获取目标客户的用户数据,根据所述用户数据确定用户特征向量X=(x1,x2,...,xn)T;
计算预测值模块32,用于根据所述用户特征向量X=(x1,x2,...,xn)T以及各个产品中第i个产品的权重向量Wi=(wi1,wi2,...,win)T计算得到所述目标客户针对第i个产品的推荐预测值zi=Wi T*X,其中,所述各个产品各自的权重向量是基于第一样本客户集合中每个客户的用户数据以及所述每个客户针对各个产品的用户行为事件训练得到;
目标产品确定模块34,用于将所述各个产品的推荐成功概率值中最大值所对应的产品确定为目标产品;
获取客服语料模块35,用于在客服语料库中获取所述目标产品对应的客服语料;
触发发送模块36,用于当满足推荐触发条件时,向所述目标客户发送所述客服语料。
可选的,所述装置还包括:模型调整模块37。
所述模型调整模块37,用于获取推荐事件集,所述推荐事件集包括多个客户中每个客户的用户数据以及每个客户针对各个产品的推荐结果,所述推荐结果是基于向每个客户发送针对相应产品的客服语料转化得到的;
根据所述每个客户的用户数据确定所述每个客户的用户特征向量;
根据所述每个客户的用户特征向量以及所述各个产品各自的权重向量计算得到所述每个客户针对各个产品的推荐成功值;
将所述每个客户针对各个产品的推荐成功值转化为概率,得到所述每个客户针对各个产品的推荐成功概率值;
根据所述每个客户针对各个产品的推荐成功概率值和所述每个客户针对各个产品的推荐结果,对所述各个产品各自的权重向量进行调整;
当所述每个客户针对各个产品的推荐成功概率值和所述每个客户针对各个产品的推荐结果满足收敛条件时,将调整后的各个产品各自的权重向量确定为各个产品各自的目标权重向量。
可选的,所述装置还包括:说话人区分模块38。
所述说话人区分模块38,用于根据所述第一对话语音记录得到多个语音片段,提取所述多个语音片段中每个语音片段的语音特征;
将所述语音特征输入身份矢量模型得到所述每个语音片段的身份矢量特征;
计算所述第一对话语音记录中两两身份矢量特征之间的相似度;所述两两身份矢量特征之间的相似度为<n1,n2>/(||n1||*||n2||),其中,所述<n1,n2>为身份矢量特征n1和身份矢量特征n2之间的数量积,所述||n1||和所述||n2||分别为所述身份矢量特征n1的模值和所述身份矢量特征n2的模值。
根据所述相似度,对所述第一对话语音记录中各个语音片段进行聚类,得到第一说话人语音集合和第二说话人语音集合;
计算各个说话人语音集合对应的关键词分别与客服标签、客户标签之间的匹配度,将匹配度最高的标签确定为所述各个说话人语音集合对应的标签;
根据所述各个说话人语音集合对应的标签将所述第一对话语音记录分为客户语音数据和客服语音数据,进而将所述目标产品对应的历史对话语音记录分为客户语音数据集合和客服语音数据集合。
可选的,所述装置还包括:客服文本分类模块39。
所述客服文本分类模块39,用于将所述客服语音数据集合中的客服语音数据转化为文本得到客服文本集合,所述客服文本集合包括至少一个客户文本;
提取各个客户文本的语义特征,得到所述至少一个语义特征向量,所述语义特征向量与所述客户文本一一对应;
遍历每个语义特征向量分别与各个初始聚类中心之间的距离,将所述语义特征向量分配至距离最小的初始聚类中心对应的聚类群,进而得到N个聚类群;
分别计算各个聚类群中包含的语义特征向量之间的均值,得到各个聚类群的聚类中心;
计算所述各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离,当所述各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离满足收敛条件时,则将所述客服文本集合划分为所述N个聚类群;
计算每个聚类群对应的至少一个客服关键词分别与各个流程类别的至少一个类别标签之间的匹配度,得到所述每个聚类群与各个流程类别之间的多个类别匹配度值;
将所述多个类别匹配度值中最大值对应的流程类别确定为所述聚类群的流程类别,进而得到所述目标产品对应的至少一个客服语料。
可选的,所述多个语音片段包括第一语音片段;
说话人区分模块38,具体用于对所述第一语音片段进行分帧,并对经过分帧处理得到的每一语音帧进行离散傅里叶变换得到所述每一语音帧的频谱;
对所述每一语音帧的频谱进行计算得到所述每一语音帧的能量谱,并将所述能量谱通过M个Mel带通滤波器滤波,得到所述M个Mel带通滤波器的输出功率谱;
基于所述输出功率谱得到所述每一语音帧的静态特征,计算所述静态特征的一阶差分参数和二阶差分参数得到所述每一语音帧的动态特征,计算所述静态特征与所述动态特征的和得到所述每一语音帧对应的特征向量,进而得到所述第一语音片段的语音特征。
可选的,所述触发发送模块36,具体用于在当前日期为预设日期集合中的任一日期的情况下,以文字形式或语音形式向所述目标客户发送所述客服语料。
可以理解的,该产品推荐装置3用于实现图1和图2实施例中产品推荐装置所执行的步骤。关于图3的产品推荐装置3包括的功能块的具体实现方式及相应的有益效果,可参考前述图1和图2的实施例的具体介绍,这里不赘述。
上述图3所示实施例中的产品推荐装置3可以以图4所示的服务器400来实现。请参见图4,为本申请实施例提供了一种服务器的结构示意图。如图4所示,上述服务器400可以包括:一个或多个处理器401、存储器402和收发器403。上述处理器401、存储器402和收发器403通过总线404连接。其中,上述收发器403用于接收或者发送数据,上述存储器402用于存储计算机程序,该计算机程序包括程序指令;处理器401用于执行存储器402存储的程序指令,执行如下操作:
获取目标客户的用户数据,根据所述用户数据确定用户特征向量X=(x1,x2,...,xn)T;
根据所述用户特征向量X=(x1,x2,...,xn)T以及各个产品中第i个产品的权重向量Wi=(wi1,wi2,...,win)T计算得到所述目标客户针对第i个产品的推荐预测值zj=Wi T*X,其中,所述各个产品各自的权重向量是基于第一样本客户集合中每个客户的用户数据以及所述每个客户针对各个产品的用户行为事件训练得到;
将所述各个产品的推荐成功概率值中最大值所对应的产品确定为目标产品;
在客服语料库中获取所述目标产品对应的客服语料;
当满足推荐触发条件时,向所述目标客户发送所述客服语料。
可选的,上述处理器401当满足推荐触发条件时,向所述目标客户发送所述客服语料之后,具体执行以下操作:
获取推荐事件集,所述推荐事件集包括多个客户中每个客户的用户数据以及每个客户针对各个产品的推荐结果,所述推荐结果是基于向每个客户发送针对相应产品的客服语料转化得到的;
根据所述每个客户的用户数据确定所述每个客户的用户特征向量;
根据所述每个客户的用户特征向量以及所述各个产品各自的权重向量计算得到所述每个客户针对各个产品的推荐成功值;
将所述每个客户针对各个产品的推荐成功值转化为概率,得到所述每个客户针对各个产品的推荐成功概率值;
根据所述每个客户针对各个产品的推荐成功概率值和所述每个客户针对各个产品的推荐结果,对所述各个产品各自的权重向量进行调整;
当所述每个客户针对各个产品的推荐成功概率值和所述每个客户针对各个产品的推荐结果满足收敛条件时,将调整后的各个产品各自的权重向量确定为各个产品各自的目标权重向量。
可选的,所述客服语料库包括所述目标产品对应的至少一个客服语料,所述目标产品对应的至少一个客服语料是基于所述目标产品对应的历史对话语音记录确定的,所述目标产品对应的历史对话语音记录包括第一对话语音记录;
上述处理器401在客服语料库中获取所述目标产品对应的客服语料之前,具体执行以下操作:
根据所述第一对话语音记录得到多个语音片段,提取所述多个语音片段中每个语音片段的语音特征;
将所述语音特征输入身份矢量模型得到所述每个语音片段的身份矢量特征;
计算所述第一对话语音记录中两两身份矢量特征之间的相似度;
根据所述相似度,对所述第一对话语音记录中各个语音片段进行聚类,得到第一说话人语音集合和第二说话人语音集合;
计算各个说话人语音集合对应的关键词分别与客服标签、客户标签之间的匹配度,将匹配度最高的标签确定为所述各个说话人语音集合对应的标签;
根据所述各个说话人语音集合对应的标签将所述第一对话语音记录分为客户语音数据和客服语音数据,进而将所述目标产品对应的历史对话语音记录分为客户语音数据集合和客服语音数据集合。
可选的,上述处理器401将所述目标产品对应的历史对话语音记录分为客户语音数据集合和客服语音数据集合之后,具体执行以下操作:
将所述客服语音数据集合中的客服语音数据转化为文本得到客服文本集合,所述客服文本集合包括至少一个客户文本;
提取各个客户文本的语义特征,得到所述至少一个语义特征向量,所述语义特征向量与所述客户文本一一对应;
遍历每个语义特征向量分别与各个初始聚类中心之间的距离,将所述语义特征向量分配至距离最小的初始聚类中心对应的聚类群,进而得到N个聚类群;
分别计算各个聚类群中包含的语义特征向量之间的均值,得到各个聚类群的聚类中心;
计算所述各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离,当所述各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离满足收敛条件时,则将所述客服文本集合划分为所述N个聚类群;
计算每个聚类群对应的至少一个客服关键词分别与各个流程类别的至少一个类别标签之间的匹配度,得到所述每个聚类群与各个流程类别之间的多个类别匹配度值;
将所述多个类别匹配度值中最大值对应的流程类别确定为所述聚类群的流程类别,进而得到所述目标产品对应的至少一个客服语料。
可选的,所述多个语音片段包括第一语音片段;
上述处理器401提取所述多个语音片段中每个语音片段的语音特征,具体执行以下操作:
对所述第一语音片段进行分帧,并对经过分帧处理得到的每一语音帧进行离散傅里叶变换得到所述每一语音帧的频谱;
对所述每一语音帧的频谱进行计算得到所述每一语音帧的能量谱,并将所述能量谱通过M个Mel带通滤波器滤波,得到所述M个Mel带通滤波器的输出功率谱;
基于所述输出功率谱得到所述每一语音帧的静态特征,计算所述静态特征的一阶差分参数和二阶差分参数得到所述每一语音帧的动态特征,计算所述静态特征与所述动态特征的和得到所述每一语音帧对应的特征向量,进而得到所述第一语音片段的语音特征。
可选的,所述两两身份矢量特征之间的相似度为<n1,n2>/(||n1||*||n2||),其中,所述<n1,n2>为身份矢量特征n1和身份矢量特征n2之间的数量积,所述||n1||和所述||n2||分别为所述身份矢量特征n1的模值和所述身份矢量特征n2的模值。
可选的,上述处理器401当满足推荐触发条件时,向所述目标客户发送所述客服语料,具体执行以下操作:
在当前日期为预设日期集合中的任一日期的情况下,以文字形式或语音形式向所述目标客户发送所述客服语料。
在本申请实施例中还提供了一种计算机存储介质,可以用于存储图3所示实施例中上述产品推荐装置所用的计算机软件指令,其包含用于执行上述实施例中为产品推荐装置所设计的程序。该存储介质包括但不限于快闪存储器、硬盘、固态硬盘。
在本申请实施例中还提供了一种计算机程序产品,该计算机产品被计算设备运行时,可以执行上述图3所示实施例中为所设计的产品推荐装置。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选的还包括没有列出的步骤或单元,或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请中,“A和/或B”是指下述情况之一:A,B,A和B。“……中至少一个”是指所列出的各项或者任意数量的所列出的各项的任意组合方式,例如,“A、B和C中至少一个”是指下述情况之一:A,B,C,A和B,B和C,A和C,A、B和C这七种情况中的任一种。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种产品推荐方法,其特征在于,包括:
获取目标客户的用户数据,根据所述用户数据确定用户特征向量X=(x1,x2,…,xn)T;
根据所述用户特征向量X=(x1,x2,…,xn)T以及各个产品中第i个产品的权重向量Wi=(wi1,wi2,…,win)T计算得到所述目标客户针对第i个产品的推荐预测值zi=Wi T*X,其中,所述各个产品各自的权重向量是基于第一样本客户集合中每个客户的用户数据以及所述每个客户针对各个产品的用户行为事件训练得到;
将所述各个产品的推荐成功概率值中最大值所对应的产品确定为目标产品;
在客服语料库中获取所述目标产品对应的客服语料;
当满足推荐触发条件时,向所述目标客户发送所述客服语料。
2.根据权利要求1所述的方法,其特征在于,所述当满足推荐触发条件时,向所述目标客户发送所述客服语料之后,包括:
获取推荐事件集,所述推荐事件集包括多个客户中每个客户的用户数据以及每个客户针对各个产品的推荐结果,所述推荐结果是基于向每个客户发送针对相应产品的客服语料转化得到的;
根据所述每个客户的用户数据确定所述每个客户的用户特征向量;
根据所述每个客户的用户特征向量以及所述各个产品各自的权重向量计算得到所述每个客户针对各个产品的推荐成功值;
将所述每个客户针对各个产品的推荐成功值转化为概率,得到所述每个客户针对各个产品的推荐成功概率值;
根据所述每个客户针对各个产品的推荐成功概率值和所述每个客户针对各个产品的推荐结果,对所述各个产品各自的权重向量进行调整;
当所述每个客户针对各个产品的推荐成功概率值和所述每个客户针对各个产品的推荐结果满足收敛条件时,将调整后的各个产品各自的权重向量确定为各个产品各自的目标权重向量。
3.根据权利要求1所述的方法,其特征在于,所述客服语料库包括所述目标产品对应的至少一个客服语料,所述目标产品对应的至少一个客服语料是基于所述目标产品对应的历史对话语音记录确定的,所述目标产品对应的历史对话语音记录包括第一对话语音记录;
所述在客服语料库中获取所述目标产品对应的客服语料之前,包括:
根据所述第一对话语音记录得到多个语音片段,提取所述多个语音片段中每个语音片段的语音特征;
将所述语音特征输入身份矢量模型得到所述每个语音片段的身份矢量特征;
计算所述第一对话语音记录中两两身份矢量特征之间的相似度;
根据所述相似度,对所述第一对话语音记录中各个语音片段进行聚类,得到第一说话人语音集合和第二说话人语音集合;
计算各个说话人语音集合对应的关键词分别与客服标签、客户标签之间的匹配度,将匹配度最高的标签确定为所述各个说话人语音集合对应的标签;
根据所述各个说话人语音集合对应的标签将所述第一对话语音记录分为客户语音数据和客服语音数据,进而将所述目标产品对应的历史对话语音记录分为客户语音数据集合和客服语音数据集合。
4.根据权利要求3所述的方法,其特征在于,所述将所述目标产品对应的历史对话语音记录分为客户语音数据集合和客服语音数据集合之后,包括:
将所述客服语音数据集合中的客服语音数据转化为文本得到客服文本集合,所述客服文本集合包括至少一个客户文本;
提取各个客户文本的语义特征,得到所述至少一个语义特征向量,所述语义特征向量与所述客户文本一一对应;
遍历每个语义特征向量分别与各个初始聚类中心之间的距离,将所述语义特征向量分配至距离最小的初始聚类中心对应的聚类群,进而得到N个聚类群;
分别计算各个聚类群中包含的语义特征向量之间的均值,得到各个聚类群的聚类中心;
计算所述各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离,当所述各个聚类群的聚类中心与各自聚类群的初始聚类中心之间的距离满足收敛条件时,则将所述客服文本集合划分为所述N个聚类群;
计算每个聚类群对应的至少一个客服关键词分别与各个流程类别的至少一个类别标签之间的匹配度,得到所述每个聚类群与各个流程类别之间的多个类别匹配度值;
将所述多个类别匹配度值中最大值对应的流程类别确定为所述聚类群的流程类别,进而得到所述目标产品对应的至少一个客服语料。
5.根据权利要求3所述的方法,其特征在于,所述多个语音片段包括第一语音片段;
所述提取所述多个语音片段中每个语音片段的语音特征,包括:
对所述第一语音片段进行分帧,并对经过分帧处理得到的每一语音帧进行离散傅里叶变换得到所述每一语音帧的频谱;
对所述每一语音帧的频谱进行计算得到所述每一语音帧的能量谱,并将所述能量谱通过M个Mel带通滤波器滤波,得到所述M个Mel带通滤波器的输出功率谱;
基于所述输出功率谱得到所述每一语音帧的静态特征,计算所述静态特征的一阶差分参数和二阶差分参数得到所述每一语音帧的动态特征,计算所述静态特征与所述动态特征的和得到所述每一语音帧对应的特征向量,进而得到所述第一语音片段的语音特征。
6.根据权利要求3所述的方法,其特征在于,所述两两身份矢量特征之间的相似度为<n1,n2>/(‖n1‖*‖n2‖),其中,所述<n1,n2>为身份矢量特征n1和身份矢量特征n2之间的数量积,所述‖n1‖和所述‖n2‖分别为所述身份矢量特征n1的模值和所述身份矢量特征n2的模值。
7.根据权利要求1所述的方法,其特征在于,所述当满足推荐触发条件时,向所述目标客户发送所述客服语料,包括:
在当前日期为预设日期集合中的任一日期的情况下,以文字形式或语音形式向所述目标客户发送所述客服语料。
8.一种产品推荐装置,其特征在于,包括:
获取确定模块,用于获取目标客户的用户数据,根据所述用户数据确定用户特征向量X=(x1,x2,…,xn)T;
计算预测值模块,用于根据所述用户特征向量X=(x1,x2,…,xn)T以及各个产品中第i个产品的权重向量Wi=(wi1,wi2,…,win)T计算得到所述目标客户针对第i个产品的推荐预测值zi=Wi T*X,其中,所述各个产品各自的权重向量是基于第一样本客户集合中每个客户的用户数据以及所述每个客户针对各个产品的用户行为事件训练得到;
目标产品确定模块,用于将所述各个产品的推荐成功概率值中最大值所对应的产品确定为目标产品;
获取客服语料模块,用于在客服语料库中获取所述目标产品对应的客服语料;
触发发送模块,用于当满足推荐触发条件时,向所述目标客户发送所述客服语料。
9.一种服务器,其特征在于,包括处理器、存储器和收发器,所述处理器、存储器和收发器相互连接,其中,所述收发器用于接收或发送数据,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,执行如权利要求1-7任一项所述的产品推荐方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序包括程序指令;所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010699674.0A CN111932296B (zh) | 2020-07-20 | 2020-07-20 | 一种产品推荐方法及装置、服务器、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010699674.0A CN111932296B (zh) | 2020-07-20 | 2020-07-20 | 一种产品推荐方法及装置、服务器、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932296A true CN111932296A (zh) | 2020-11-13 |
CN111932296B CN111932296B (zh) | 2024-05-28 |
Family
ID=73313845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010699674.0A Active CN111932296B (zh) | 2020-07-20 | 2020-07-20 | 一种产品推荐方法及装置、服务器、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932296B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633321A (zh) * | 2020-11-26 | 2021-04-09 | 北京瑞友科技股份有限公司 | 一种人工智能推荐系统及方法 |
CN113393839A (zh) * | 2021-08-16 | 2021-09-14 | 成都极米科技股份有限公司 | 智能终端控制方法、存储介质及智能终端 |
CN113554508A (zh) * | 2021-07-27 | 2021-10-26 | 未鲲(上海)科技服务有限公司 | 一种虚拟资源对象匹配方法、装置、电子设备和存储介质 |
CN117037789A (zh) * | 2023-10-09 | 2023-11-10 | 深圳市加推科技有限公司 | 一种客服语音识别方法、装置、计算机设备及存储介质 |
CN117334186A (zh) * | 2023-10-13 | 2024-01-02 | 武汉赛思云科技有限公司 | 一种基于机器学习的语音识别方法及nlp平台 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886949A (zh) * | 2017-11-24 | 2018-04-06 | 科大讯飞股份有限公司 | 一种内容推荐方法及装置 |
US20180254051A1 (en) * | 2017-03-02 | 2018-09-06 | International Business Machines Corporation | Role modeling in call centers and work centers |
CN109033257A (zh) * | 2018-07-06 | 2018-12-18 | 中国平安人寿保险股份有限公司 | 话术推荐方法、装置、计算机设备和存储介质 |
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
CN109447813A (zh) * | 2018-09-05 | 2019-03-08 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
CN110287325A (zh) * | 2019-06-28 | 2019-09-27 | 南方电网科学研究院有限责任公司 | 一种基于智能语音分析的电网客服业务推荐方法及装置 |
CN110990685A (zh) * | 2019-10-12 | 2020-04-10 | 中国平安财产保险股份有限公司 | 基于声纹的语音搜索方法、设备、存储介质及装置 |
WO2020073530A1 (zh) * | 2018-10-12 | 2020-04-16 | 平安科技(深圳)有限公司 | 客服机器人会话文本分类方法及装置、电子设备、计算机可读存储介质 |
-
2020
- 2020-07-20 CN CN202010699674.0A patent/CN111932296B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180254051A1 (en) * | 2017-03-02 | 2018-09-06 | International Business Machines Corporation | Role modeling in call centers and work centers |
CN107886949A (zh) * | 2017-11-24 | 2018-04-06 | 科大讯飞股份有限公司 | 一种内容推荐方法及装置 |
CN109033257A (zh) * | 2018-07-06 | 2018-12-18 | 中国平安人寿保险股份有限公司 | 话术推荐方法、装置、计算机设备和存储介质 |
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
CN109447813A (zh) * | 2018-09-05 | 2019-03-08 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
WO2020073530A1 (zh) * | 2018-10-12 | 2020-04-16 | 平安科技(深圳)有限公司 | 客服机器人会话文本分类方法及装置、电子设备、计算机可读存储介质 |
CN110287325A (zh) * | 2019-06-28 | 2019-09-27 | 南方电网科学研究院有限责任公司 | 一种基于智能语音分析的电网客服业务推荐方法及装置 |
CN110990685A (zh) * | 2019-10-12 | 2020-04-10 | 中国平安财产保险股份有限公司 | 基于声纹的语音搜索方法、设备、存储介质及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633321A (zh) * | 2020-11-26 | 2021-04-09 | 北京瑞友科技股份有限公司 | 一种人工智能推荐系统及方法 |
CN113554508A (zh) * | 2021-07-27 | 2021-10-26 | 未鲲(上海)科技服务有限公司 | 一种虚拟资源对象匹配方法、装置、电子设备和存储介质 |
CN113393839A (zh) * | 2021-08-16 | 2021-09-14 | 成都极米科技股份有限公司 | 智能终端控制方法、存储介质及智能终端 |
CN117037789A (zh) * | 2023-10-09 | 2023-11-10 | 深圳市加推科技有限公司 | 一种客服语音识别方法、装置、计算机设备及存储介质 |
CN117037789B (zh) * | 2023-10-09 | 2023-12-08 | 深圳市加推科技有限公司 | 一种客服语音识别方法、装置、计算机设备及存储介质 |
CN117334186A (zh) * | 2023-10-13 | 2024-01-02 | 武汉赛思云科技有限公司 | 一种基于机器学习的语音识别方法及nlp平台 |
CN117334186B (zh) * | 2023-10-13 | 2024-04-30 | 北京智诚鹏展科技有限公司 | 一种基于机器学习的语音识别方法及nlp平台 |
Also Published As
Publication number | Publication date |
---|---|
CN111932296B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lokesh et al. | An automatic tamil speech recognition system by using bidirectional recurrent neural network with self-organizing map | |
CN111932296B (zh) | 一种产品推荐方法及装置、服务器、存储介质 | |
US10771627B2 (en) | Personalized support routing based on paralinguistic information | |
Lozano-Diez et al. | An analysis of the influence of deep neural network (DNN) topology in bottleneck feature based language recognition | |
CN111916111A (zh) | 带情感的智能语音外呼方法及装置、服务器、存储介质 | |
US9558762B1 (en) | System and method for distinguishing source from unconstrained acoustic signals emitted thereby in context agnostic manner | |
Bahari et al. | Speaker age estimation and gender detection based on supervised non-negative matrix factorization | |
Luque et al. | The Role of Linguistic and Prosodic Cues on the Prediction of Self-Reported Satisfaction in Contact Centre Phone Calls. | |
Silnova et al. | BUT/Phonexia Bottleneck Feature Extractor. | |
CN113889090A (zh) | 一种基于多任务学习的多语种识别模型的构建和训练方法 | |
Gupta et al. | Speech emotion recognition using SVM with thresholding fusion | |
Bharali et al. | Speech recognition with reference to Assamese language using novel fusion technique | |
Doulaty et al. | Unsupervised domain discovery using latent dirichlet allocation for acoustic modelling in speech recognition | |
Büyük et al. | Combination of long-term and short-term features for age identification from voice | |
Nijhawan et al. | Speaker recognition using support vector machine | |
Sen et al. | A novel bangla spoken numerals recognition system using convolutional neural network | |
Sefara et al. | Gender identification in Sepedi speech corpus | |
Yadava et al. | Improvements in spoken query system to access the agricultural commodity prices and weather information in Kannada language/dialects | |
CN113782000A (zh) | 一种基于多任务的语种识别方法 | |
Hmich et al. | Automatic speaker identification by using the neural network | |
Hossan et al. | Speaker recognition utilizing distributed DCT-II based Mel frequency cepstral coefficients and fuzzy vector quantization | |
GB2558629B (en) | Speaker-adaptive speech recognition | |
Wu et al. | Dku-tencent submission to oriental language recognition ap18-olr challenge | |
Piel et al. | Speech-based identification of children's gender and age with neural networks | |
Sharma et al. | Text-independent speaker identification using backpropagation mlp network classifier for a closed set of speakers |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |