CN112214578A - 话术生成方法、装置、电子设备及存储介质 - Google Patents

话术生成方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112214578A
CN112214578A CN202011073081.XA CN202011073081A CN112214578A CN 112214578 A CN112214578 A CN 112214578A CN 202011073081 A CN202011073081 A CN 202011073081A CN 112214578 A CN112214578 A CN 112214578A
Authority
CN
China
Prior art keywords
text
target
keyword
speech
language
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
Application number
CN202011073081.XA
Other languages
English (en)
Inventor
刘志慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202011073081.XA priority Critical patent/CN112214578A/zh
Publication of CN112214578A publication Critical patent/CN112214578A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic 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
    • G06F16/3331—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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/263—Language identification
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Machine Translation (AREA)

Abstract

本申请适用于人工智能/区块链技术领域，提供了一种话术生成方法、装置、电子设备及存储介质，该方法包括：获取第一类业务的目标文本；从目标文本获取参考话术文本，该参考话术文本为目标文本中含有第一特征信息的文本，该第一特征信息属于第一类业务的特征信息；根据第一特征信息，识别该参考话术文本中的至少一个关键字；将第一话术参考数据存储到与第一类业务对应的目标话术库中，该第一话术参考数据包括该至少一个关键字与该参考话术文本之间的关联关系。本申请可以从现有公开文章中，自动挖掘参考话术文本，为营销人员提供营销话术素材。

Description

话术生成方法、装置、电子设备及存储介质
技术领域
本申请涉及人工智能/区块链技术领域，尤其涉及一种话术生成方法、装置、电子设备及计算机可读存储介质。
背景技术
随着经济发展和互联网技术的发展，营销(例如保险营销)需求日渐增长，营销人员(例如保险代理人)规模愈发庞大，尤其是新手营销人员。但是，新手营销人员面临向客户销售时缺乏经验、营销水平低下的问题。目前，相关技术主要以营销专家人工总结经验为主，将经验以规则的形式固化下来，并通过讲座或授课的形式传授给新手营销人员。然而，由于不同营销场景需要不同的营销策略或营销话术，因此通过传统的营销学习方法可调用的营销话术较少，从而影响营销效果。
由此可见，目前存在由于营销话术不够充分而影响营销效果的问题。
发明内容
有鉴于此，本申请实施例提供了一种话术生成方法、装置、电子设备及计算机可读存储介质，以解决目前存在由于营销话术不够充分而影响营销效果的问题。
本申请实施例的第一方面提供了一种话术生成方法，该方法包括：
获取第一类业务的目标文本；
从所述目标文本获取参考话术文本，所述参考话术文本为所述目标文本中含有第一特征信息的文本，所述第一特征信息属于所述第一类业务的特征信息；
根据所述第一特征信息，识别所述参考话术文本中的至少一个关键字；
将第一话术参考数据存储到与所述第一类业务对应的目标话术库中，所述第一话术参考数据包括所述至少一个关键字与所述参考话术文本之间的关联关系。
在第一方面的可能实现方式中，所述从所述目标文本获取参考话术文本，包括：
将所述目标文本输入话术识别模型，输出得到所述参考话术文本。
在第一方面的可能实现方式中，在所述将所述目标文本输入话术识别模型，输出得到所述参考话术文本之前，所述方法还包括：
以包含目标类型话术的文本内容为训练样本，采用深度学习方式进行训练，得到所述话术识别模型。
在第一方面的可能实现方式中，所述根据所述第一特征信息，识别所述参考话术文本中的至少一个关键字，包括：
根据所述第一特征信息，获取与所述第一类业务关联的预设关键字集合；
将所述参考话术文本中属于所述预设关键字集合的关键字，确定为所述至少一个关键字。
在第一方面的可能实现方式中，在所述将第一话术参考数据存储到与所述第一类业务对应的目标话术库中之后，所述方法还包括：
获取用户输入的第一关键字；
根据所述第一关键字，从所述目标话术库中调用第一参考话术文本。
在第一方面的可能实现方式中，所述根据所述第一关键字，从所述目标话术库中调用第一参考话术文本，包括：
根据所述第一关键字，从所述目标话术库中查找与所述第一关键字的匹配度大于预设匹配度的第二关键字；
获取所述目标话术库中与所述第二关键字关联的第一参考话术文本。
在第一方面的可能实现方式中，在所述根据所述第一关键字，从所述目标话术库中调用第一参考话术文本之后，所述方法还包括：显示所述第一参考话术文本。
本申请实施例的第二方面提供了一种话术生成装置，该装置包括获取单元、处理单元和存储单元；
所述获取单元，用于获取第一类业务的目标文本；
所述处理单元，用于从所述获取单元获取的所述目标文本获取参考话术文本，所述参考话术文本为所述目标文本中含有第一特征信息的文本，所述第一特征信息属于所述第一类业务的特征信息；
所述处理单元，还用于根据所述第一特征信息，识别所述参考话术文本中的至少一个关键字；
所述存储单元，用于将所述处理单元处理得到的第一话术参考数据存储到与所述第一类业务对应的目标话术库中，所述第一话术参考数据包括所述至少一个关键字与所述参考话术文本之间的关联关系。
在第二方面的可能实现方式中，所述处理单元，具体用于将所述目标文本输入话术识别模型，输出得到所述参考话术文本。
在第二方面的可能实现方式中，所述处理单元，还用于在所述将所述目标文本输入话术识别模型，输出得到所述参考话术文本之前，以包含目标类型话术的文本内容为训练样本，采用深度学习方式进行训练，得到所述话术识别模型。
在第二方面的可能实现方式中，所述装置还包括显示单元。在此情况下，所述获取单元，还用于在所述存储单元将第一话术参考数据存储到与所述第一类业务对应的目标话术库中之后，获取用户输入的第一关键字；根据所述第一关键字，从目标话术库中查找与所述第一关键字的匹配度大于预设匹配度的第二关键字；获取所述目标话术库中与所述第二关键字关联的第一参考话术文本。所述显示单元，用于显示所述获取单元获取的所述第一参考话术文本。
本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在电子设备上运行的计算机程序，该处理器执行计算机程序时实现第一方面提供的话术生成方法的各步骤。
本申请实施例的第四方面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计算机程序，该计算机程序被处理器执行时实现第一方面提供的话术生成方法的各步骤。
实施本申请实施例提供的一种话术生成方法、装置、电子设备及计算机可读存储介质具有以下有益效果：
本申请实施例中，可以获取目标文本中的参考话术文本，并提取该参考话术文本中的关键字，进而将关键字与参考话术文本进行关联，并存储到目标话术库中，这样可以从现有公开文章(例如保险软文)中，自动挖掘参考话术文本(例如保险营销话术)，为营销人员提供营销话术素材。该方法可以对话术进行丰富，避免了现有技术中营销话术不够充分的问题。
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性的前提下，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话术生成方法的实现流程图；
图2是本申请另一实施例提供的一种话术生成方法的实现流程图；
图3是本申请另一实施例提供的一种话术生成方法的具体实现流程图；
图4是本申请又一实施例提供的一种话术生成方法的实现流程图；
图5是本申请又一实施例提供的一种话术生成方法中训练话术识别模型的实现流程图；
图6是本申请再一实施例提供的一种话术生成方法的实现流程图；
图7是本申请一实施例提供的一种话术生成装置的结构框图；
图8是本申请另一实施例提供的一种话术生成装置的结构框图；
图9是本申请实施例提供的一种电子设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
目前，营销人员在向客户推销某些业务(例如保险销售、教育学习等)时，可能会由于缺乏与业务相关的营销话术，无法采用针对性的语言向客户推销对应的业务，因此不能达到期望的营销目的，从而影响营销效果。
鉴于此，本申请实施例提供一种话术生成方法、话术生成装置、电子设备及计算机可读存储介质，可以获取第一类业务的目标文本；从目标文本获取参考话术文本，该参考话术文本为目标文本中含有第一特征信息的文本，该第一特征信息属于第一类业务的特征信息；根据第一特征信息，识别该参考话术文本中的至少一个关键字；将第一话术参考数据存储到与第一类业务对应的目标话术库中，该第一话术参考数据包括该至少一个关键字与该参考话术文本之间的关联关系。通过该方案，可以通过话术识别模型识别目标文本中的参考话术文本，并提取该参考话术文本中的关键字，进而将关键字与参考话术文本进行关联，并存储到目标话术库中，这样可以从现有公开文章(例如保险软文)中，自动化地挖掘参考话术文本(例如保险营销话术)，为营销人员提供营销话术素材。该方法可以对话术进行丰富，避免了现有技术中营销话术不够充分的问题。
本申请实施例提供的话术生成方法的执行主体可以为话术生成装置或者电子设备，也可以为该话术生成装置或者电子设备中能够实现该话术生成方法的功能模块和/或功能实体，具体的可以根据实际使用需求确定，本申请实施例不作限定。下面以话术生成装置为例，对本申请实施例提供的话术生成方法进行示例性的说明。
请参阅图1，图1示出了本申请实施例提供的一种话术生成方法的实现流程图。如图1所示，该话术生成方法包括步骤S11至步骤S14。
S11：获取第一类业务的目标文本。
可选的，在步骤S11中，第一类业务可以为保险营销类业务，或者可以为儿童教育类业务，或者可以为就业推荐类业务，还可以为其他任意可能的业务，具体可以根据实际使用需求确定，本申请实施例对此不作限定。
可选的，在步骤S11中，第一类业务的目标文本可以为从网络上获取的已公开的文章内容，或者可以为以其他任意可能的方式获取的文本。
例如，以第一类业务为保险营销类业务为例，保险营销类业务的目标文本可以为已公开的保险软文，或者可以为其他任意的与保险销售相关的各种文本，具体可以根据实际使用需求确定，本申请实施例对此不作限定。
S12：从目标文本获取参考话术文本，该参考话术文本为目标文本中含有第一特征信息的文本，该第一特征信息属于第一类业务的特征信息。
在本申请实施例中，目标文本的内容涉及第一类业务，目标文本中会含有第一类业务的第一特征信息，该第一特征信息可以包括与第一类业务关联的预设关键字集合。
在本申请实施例中，可以采用各种可能的方式实现从目标文本中获取参考话术文本，例如可以采用特定的话术识别模型来提取目标文本中的参考话术文本。
示例性的，结合图1，如图2所示，上述步骤S12具体可以通过下述的步骤S12A。
S12A：将目标文本输入话术识别模型，输出得到参考话术文本。
本申请实施例中，话术生成装置在获取第一类业务的目标文本之后，可以将该目标文本输入与第一类业务对应的话术识别模型，通过该话术识别模型对目标文本进行话术内容的识别，获取参考话术文本。
例如，以第一类业务为保险营销类业务为例，可以将保险营销类业务的目标文本输入保险营销类话术识别类型，然后通过该保险营销类话术识别类型输出属于保险营销类业务的参考话术文本，该参考话术文本包含保险销售特征信息。
在步骤S12中，与第一类业务对应的话术识别模型可以为通过对包含第一特征信息的大量样本进行深度学习训练得到的模型，该话术识别模型可以用于提取第一类业务的参考话术文本。
例如，以第一类业务为保险营销类业务为例，第一特征信息为属于保险营销类业务的特征信息，例如“生病”、“巨额医疗费用”、“天灾人祸”、“保障”等。
作为本申请一实施例，以目标文本为保险软文为例，表1示出了将目标文本输入话术分类模型，获取参考话术文本的示例性结果。
表1
Figure BDA0002715802630000071
需要说明的是，目标文本可以是一个文本，也可以为多个文本，具体可以根据实际使用需求确定，对此不作限定。
示例性的，若将多个文本输入话术分类模型，则可以获取多个参考话术文本。
需要说明的是，参考话术文本可以以一个句子为单位，也可以以多个句子为单位，也可以以一个段落为单位，本申请实施例对此不作限定。
S13：根据第一特征信息，识别参考话术文本中的至少一个关键字。
在步骤S13中，可以采用各种关键字提取技术，根据第一特征信息，识别并提取参考话术文本中的至少一个关键字。
本申请实施例中，由于目标文本的内容涉及第一类业务，而目标文本中含有第一类业务的特征信息，该特征信息可以对应预设有与第一类业务关联的关键字集合，因此，对于含有第一特征信息的目标文本，可以根据第一特征信息，获取预设关键字集合，进一步可以将参考话术文本中属于预设关键字集合的关键字，确定为至少一个关键字。
示例性的，第一特征信息可以包括与第一类业务相关的大量关键字(预设关键字集合)，可以通过将第一特征信息与参考话术文本进行对比，识别其中的关键字。
例如，以第一类业务为保险营销类业务，第一特征信息为属于保险营销类业务的特征信息为例，可以根据保险营销类业务的特征信息，识别并提取参考话术文本中的至少一个关键字，例如“生病”、“巨额医疗费用”、“天灾人祸”、“保障”等。
示例性的，上述关键字提取技术(也称为标签提取技术)包括但不限于Textrank、LDA、topWords等技术。
在实际应用中，关键字可以是单个字，也可以是词组，具体可以根据实际使用需求确定，对此不作限定。
例如，以目标文本为保险软文为例，结合上述表1，如下表2所示，可以在获取保险软文中的参考话术文本之后，对参考话术文本进行识别，提取参考话术文本的保险营销关键字。
表2
Figure BDA0002715802630000091
S14：将第一话术参考数据存储到与第一类业务对应的目标话术库中，该第一话术参考数据包括至少一个关键字与参考话术文本之间的关联关系。
在步骤S14中，可以建立至少一个关键字与参考话术文本之间的对应关系，实现至少一个关键字与参考话术文本的关联，生成第一话术参考数据，并将该第一话术参考数据存储到与第一类业务对应的目标话术库中。
以营销话术为例，将使用营销话术识别模型得到文章中的营销话术以及通过关键字提取得到的标签组成一对“标签-话术文本”结构，将此结果存入营销话术库。
可以理解，目标话术库可以存储大量的参考话术集合，供用户根据需求调用。该方法可以对话术进行丰富，避免了现有技术中话术不够充分的问题。
结合上述的表1和表2，如下表3所示，示出了将关键字与参考话术文本进行关联并存储到目标话术库中的示例性结果。
表3
Figure BDA0002715802630000101
图3示出了该话术生成方法的具体实现流程示意图，如图3所示，可以通过术语识别模型获取目标文本中的参考话术文本，并提取该参考话术文本中的关键字，进而将关键字与参考话术文本进行关联，得到第一话术参考数据，并存储到目标话术库中，这样可以从现有公开文章(例如保险软文)中，自动化地挖掘参考话术文本(例如保险营销话术)，为营销人员提供营销话术素材。
可选的，上述目标话术库可以存储于话术生成装置中，也可以存储于其他任意可能的电子设备(例如手机)中，供用户(例如营销人员)在需要获取话术时使用，具体可参见下述方法实施例的描述，此处不予赘述。
应当理解的是，关键字可以作为参考话术文本的标签，与参考话术文本建立关联关系，存入目标话术库中，以便用户在需要场景下通过输入关键字或标签信息，调用目标话术库并从目标话术库中搜索与关键字或标签信息对应的参考话术文本，如此可以提升营销成功率。
本申请实施例提供的话术生成方法，可以通过获取目标文本中的参考话术文本，并提取该参考话术文本中的关键字，进而将关键字与参考话术文本进行关联，并存储到目标话术库中，这样可以从现有公开文章(例如保险软文)中，自动化地挖掘参考话术文本(例如保险营销话术)，为营销人员提供营销话术素材。该方法可以对话术进行丰富，避免了现有技术中营销话术不够充分的问题。
请参阅图4，图4是本申请另一实施例提供的一种话术生成方法的实现流程图。相对于图2对应的实施例，本实施例提供的话术生成方法在步骤S12A之前还包括步骤S15。详述如下：
S15：以包含目标类型话术的文本内容为训练样本，采用深度学习方式进行训练，得到话术识别模型。
示例性的，下面结合图5，以包含目标类型话术的文本内容为保险软文为例，描述模型训练过程。
(1)分段处理：在获取到保险软文(即训练样本)之后，可以将保险软文拆分成多个段落。
其中，可以采用按换行符拆分方式将保险软文拆分成多个段落。
(2)标注话术段落：对多个段落中属于营销话术的话术段落进行标注(例如人工标注)。
示例性的，人工标注部分段落为营销话术，例如标注Y代表是否为营销话术，Y＝0代表不是营销话术，Y＝1代表是营销话术。
(3)特征提取：提取话术段落的语义特征。
其中，提取语义特征的方法包括但不限于word2vec，bert，bag of word等。
需要说明的是，目标段落的语义特征涵盖文本的基础特征，比如文本长度，是否包含人名/地名/时间、相邻段落的特征等。
示例性的，提取段落的语义特征作为X，比如：段落长度、是否包含人名/地名/时间、相邻段落的特征等等，因此X是多维特征，包含X1，X2，X3等维度。比如X1＝23代表段落长度是23，X2＝1代表段落不包含人名，X2＝0代表段落包含人名。
(4)采用上述(2)和(3)的结果进行模型训练，得到话术识别模型。
例如，以话术识别模型为营销话术识别模型为例，该营销话术识别模型用于从多个段落中识别属于营销话术的段落。进而，可以采用上述营销话术识别模型从更多待识别的段落中识别出营销话术。
示例性的，采用上述(2)和(3)的结果可以组成训练集(X，Y)；使用特定训练模型(例如xgboost模型)进行训练得到话术识别模型，其中X为模型的输入，Y为训练目标。采用此模型对更多的未分类话术进行分类。
需要说明的是，本申请实施例可以不限定上述步骤S11和步骤S15的执行顺序。即本申请实施例可以先执行S11，后执行S15；也可以先执行S15，后执行S11；还可以同时执行S11和S15。可以理解，上述图3是以先执行S15后执行S11为例示意的。
这样，通过模型训练得到第一类业务的话术识别模型，从而通过第一类业务的话术识别模型可以准确且有效地获取第一类业务的参考话术文本。
以上描述了本申请实施例提供的话术生成方法的可能的实现方式，下面描述通过上述话术生成方法得到的目标话术库在实际应用中的具体实现方式。请参阅图6，图6是本申请又一实施例提供的一种话术生成方法的实现流程图。相对于图1对应的实施例，本实施例提供的话术生成方法在步骤S14之后还包括步骤S16至步骤S19。详述如下：
S16：获取用户输入的第一关键字；
可选的，用户输入的关键字可以为单个字，也可以为词组。
可选的，话术生成装置可以获取用户通过文字输入的第一关键字，也可以获取用户通过语音输入的第一关键字，或者可以获取用户以其他任意可能的输入方式输入的第一关键字，具体可以根据实际使用需求确定，本申请实施例不作限定。
需要说明的是，上述用户可以是营销人员(例如保险代理人)，或者可以为其他任意需要获取相关营销话术的人员，具体可以根据实际使用需求确定，本申请实施例不作限定。
S17：根据第一关键字，从目标话术库中查找与第一关键字的匹配度大于预设匹配度的第二关键字；
S18：获取目标话术库中与第二关键字关联的参考话术文本；
其中，可以采用第一关键字与目标话术库中存储的关键字进行比较，若第一关键字与目标话术库中存储的第二关键字的匹配度大于预设匹配度，则获取目标话术库中与第二关键字关联的参考话术文本。
S19：显示参考话术文本。
其中，参考话术文本也可以称为推荐话术文本。
在本实施例中，在获取到参考话术文本之后，可以通过电子设备的显示屏直接展示给用户进行参考。
示例性的，参考表4，假设用户输入第一关键字“女人”，相应地可以通过该关键字获取关联的参考话术文本。
表4
Figure BDA0002715802630000131
这样，用户输入关键字，获取相应的引导话术文本，根据引导话术文本来调整与客户的对话内容，有助于新手代理人营销。
本申请实施例提供的方法，可以基于预先生成的参考话术集合，向人工客服推荐话术，在互联网金融场景下推荐的话术能够满足人工客服的需求。
在本申请的所有实施例中，基于上述话术生成方法得到第一类业务对应的目标话术库，具体来说，第一类业务对应的目标话术库由多个第一话术参考数据构成，其中每个第一话术参考数据由至少一个关键字与参考话术文本进行组合得到。将第一类业务对应的目标话术库上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该第一类业务对应的目标话术库，以便查证第一类业务对应的目标话术库是否被篡改。
本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
请参阅图7，图7是本申请实施例提供的一种话术生成装置的结构框图。本实施例中该话术生成装置包括的各单元用于执行图1至图6中话术生成装置对应的实施例中的各步骤。具体请参阅图1至图6以及图1至图6所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图7，话术生成装置40包括获取单元41、处理单元42和存储单元43；
获取单元41用于获取第一类业务的目标文本；
处理单元42用于从获取单元41获取的目标文本获取参考话术文本，该参考话术文本为该目标文本中含有第一特征信息的文本，该第一特征信息属于上述第一类业务的特征信息；
处理单元42还用于根据上述第一特征信息，识别上述参考话术文本中的至少一个关键字；
存储单元43，用于将处理单元42处理得到的第一话术参考数据存储到与上述第一类业务对应的目标话术库中，该第一话术参考数据包括上述至少一个关键字与参考话术文本之间的关联关系。
在一种可能的实现方式中，处理单元42具体用于将上述目标文本输入话术识别模型，输出得到上述参考话术文本。
在一种可能的实现方式中，处理单元42还用于在将目标文本输入话术识别模型，输出得到参考话术文本之前，以包含目标类型话术的文本内容为训练样本，采用深度学习方式进行训练，得到上述话术识别模型。
在一种可能的实现方式中，处理单元42具体用于根据第一特征信息，获取与第一类业务关联的预设关键字集合；并将参考话术文本中属于预设关键字集合的关键字，确定为上述至少一个关键字。
在一种可能的实现方式中，获取单元41还用于在存储单元43将第一话术参考数据存储到与第一类业务对应的目标话术库中之后，获取用户输入的第一关键字；处理单元42还用于根据获取单元41获取的所述第一关键字，从所述目标话术库中调用第一参考话术文本。
在一种可能的实现方式中，处理单元42具体用于根据该第一关键字，从目标话术库中查找与该第一关键字的匹配度大于预设匹配度的第二关键字；并获取目标话术库中与该第二关键字关联的第一参考话术文本。
结合图7，如图8所示，话术生成装置40还包括显示单元44，该显示单元44用于在处理单元42根据所述第一关键字，从所述目标话术库中调用第一参考话术文本之后，显示该第一参考话术文本。
本申请实施例提供的话术生成装置，可以通过话术识别模型识别目标文本中的参考话术文本，并提取该参考话术文本中的关键字，进而将关键字与参考话术文本进行关联，并存储到目标话术库中，这样可以从现有公开文章(例如保险软文)中，自动化地挖掘参考话术文本(例如保险营销话术)，为营销人员提供营销话术素材。该方法可以对话术进行丰富，避免了现有技术中营销话术不够充分的问题。
图9是本申请另一实施例提供的一种电子设备的结构框图。如图9所示，该实施例的电子设备70包括：处理器71、存储器72以及存储在存储器72中并可在处理器71上运行的计算机程序73，例如话术生成方法的程序。处理器71执行计算机程序73时实现上述各个话术生成方法各实施例中的步骤，例如图1所示的S11至S15。或者，处理器71执行计算机程序73时实现上述图7对应的实施例中各单元的功能，，具体请参阅图7对应的实施例中的相关描述，此处不赘述。
示例性的，计算机程序73可以被分割成一个或多个单元，该一个或者多个单元被存储在存储器72中，并由处理器71执行，以实现本申请方案。该一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序73在电子设备70中的执行过程。
本领域技术人员可以理解，图9仅仅是电子设备70的示例，并不构成对电子设备70的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
所称处理器71可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、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。
存储器72可以是电子设备70的内部存储单元，例如电子设备70的硬盘或内存。存储器72也可以是电子设备70的外部存储设备，例如电子设备70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，存储器72还可以既包括电子设备70的内部存储单元也包括外部存储设备。存储器72用于存储计算机程序以及其他程序和数据。存储器72还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种话术生成方法，其特征在于，包括：
获取第一类业务的目标文本；
从所述目标文本获取参考话术文本，所述参考话术文本为所述目标文本中含有第一特征信息的文本，所述第一特征信息属于所述第一类业务的特征信息；
根据所述第一特征信息，识别所述参考话术文本中的至少一个关键字；
将第一话术参考数据存储到与所述第一类业务对应的目标话术库中，所述第一话术参考数据包括所述至少一个关键字与所述参考话术文本之间的关联关系。
2.根据权利要求1所述的方法，其特征在于，所述从所述目标文本获取参考话术文本，包括：
将所述目标文本输入话术识别模型，输出得到所述参考话术文本。
3.根据权利要求2所述的方法，其特征在于，在所述将所述目标文本输入话术识别模型，输出得到所述参考话术文本之前，所述方法还包括：
以包含目标类型话术的文本内容为训练样本，采用深度学习方式进行训练，得到所述话术识别模型。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述第一特征信息，识别所述参考话术文本中的至少一个关键字，包括：
根据所述第一特征信息，获取所述第一类业务对应的预设关键字集合；
将所述参考话术文本中属于所述预设关键字集合的关键字，确定为所述至少一个关键字。
5.根据权利要求1所述的方法，其特征在于，在所述将第一话术参考数据存储到与所述第一类业务对应的目标话术库中之后，所述方法还包括：
获取用户输入的第一关键字；
根据所述第一关键字，从所述目标话术库中调用第一参考话术文本。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一关键字，从所述目标话术库中调用第一参考话术文本，包括：
根据所述第一关键字，从所述目标话术库中查找与所述第一关键字的匹配度大于预设匹配度的第二关键字；
获取所述目标话术库中与所述第二关键字关联的第一参考话术文本。
7.根据权利要求5或6所述的方法，其特征在于，在所述根据所述第一关键字，从所述目标话术库中调用第一参考话术文本之后，所述方法还包括：
显示所述第一参考话术文本。
8.一种话术生成装置，其特征在于，包括获取单元、处理单元和存储单元；
所述获取单元，用于获取第一类业务的目标文本；
所述处理单元，用于从所述获取单元获取的所述目标文本获取参考话术文本，所述参考话术文本为所述目标文本中含有第一特征信息的文本，所述第一特征信息属于所述第一类业务的特征信息；
所述处理单元，还用于根据所述第一特征信息，识别所述参考话术文本中的至少一个关键字；
所述存储单元，用于将所述处理单元处理得到的第一话术参考数据存储到与所述第一类业务对应的目标话术库中，所述第一话术参考数据包括所述至少一个关键字与所述参考话术文本之间的关联关系。
9.一种电子设备，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程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202011073081.XA 2020-10-09 2020-10-09 话术生成方法、装置、电子设备及存储介质 Pending CN112214578A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011073081.XA CN112214578A (zh) 2020-10-09 2020-10-09 话术生成方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011073081.XA CN112214578A (zh) 2020-10-09 2020-10-09 话术生成方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112214578A true CN112214578A (zh) 2021-01-12

Family

ID=74054289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011073081.XA Pending CN112214578A (zh) 2020-10-09 2020-10-09 话术生成方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112214578A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114722171A (zh) * 2022-03-28 2022-07-08 北京百度网讯科技有限公司 多轮对话处理方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108989592A (zh) * 2018-07-25 2018-12-11 南京瓦尔基里网络科技有限公司 一种用于呼叫中心的智能话术交互系统及方法
CN110266900A (zh) * 2019-06-11 2019-09-20 平安科技（深圳）有限公司 客户意图的识别方法、装置及客服系统
CN110727764A (zh) * 2019-10-10 2020-01-24 珠海格力电器股份有限公司 一种话术生成方法、装置及话术生成设备
CN111061837A (zh) * 2019-12-18 2020-04-24 国网浙江省电力有限公司电力科学研究院 话题识别方法、装置、设备及介质
CN111160017A (zh) * 2019-12-12 2020-05-15 北京文思海辉金信软件有限公司 关键词抽取方法、话术评分方法以及话术推荐方法
CN111259660A (zh) * 2020-01-15 2020-06-09 中国平安人寿保险股份有限公司 基于文本对的关键词抽取方法、装置、设备及存储介质
CN111259132A (zh) * 2020-01-16 2020-06-09 中国平安财产保险股份有限公司 话术推荐方法、装置、计算机设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108989592A (zh) * 2018-07-25 2018-12-11 南京瓦尔基里网络科技有限公司 一种用于呼叫中心的智能话术交互系统及方法
CN110266900A (zh) * 2019-06-11 2019-09-20 平安科技（深圳）有限公司 客户意图的识别方法、装置及客服系统
CN110727764A (zh) * 2019-10-10 2020-01-24 珠海格力电器股份有限公司 一种话术生成方法、装置及话术生成设备
CN111160017A (zh) * 2019-12-12 2020-05-15 北京文思海辉金信软件有限公司 关键词抽取方法、话术评分方法以及话术推荐方法
CN111061837A (zh) * 2019-12-18 2020-04-24 国网浙江省电力有限公司电力科学研究院 话题识别方法、装置、设备及介质
CN111259660A (zh) * 2020-01-15 2020-06-09 中国平安人寿保险股份有限公司 基于文本对的关键词抽取方法、装置、设备及存储介质
CN111259132A (zh) * 2020-01-16 2020-06-09 中国平安财产保险股份有限公司 话术推荐方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114722171A (zh) * 2022-03-28 2022-07-08 北京百度网讯科技有限公司 多轮对话处理方法、装置、电子设备及存储介质
CN114722171B (zh) * 2022-03-28 2023-10-24 北京百度网讯科技有限公司 多轮对话处理方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN108536654B (zh) 识别文本展示方法及装置
US9473637B1 (en) Learning generation templates from dialog transcripts
CN106796594B (zh) 从句子生成高级别问题
CN112215008B (zh) 基于语义理解的实体识别方法、装置、计算机设备和介质
EP3405912A1 (en) Analyzing textual data
CN110825867B (zh) 相似文本推荐方法、装置、电子设备和存储介质
CN111783471B (zh) 自然语言的语义识别方法、装置、设备及存储介质
WO2020199600A1 (zh) 情感极性分析方法及相关装置
CN112765971B (zh) 文本语音的转换方法、装置、电子设备及存储介质
CN110853422A (zh) 一种沉浸式语言学习系统及其学习方法
CN109815341A (zh) 一种文本抽取模型训练方法、文本抽取方法及装置
CN114387061A (zh) 产品推送方法、装置、电子设备及可读存储介质
CN113421551B (zh) 语音识别方法、装置、计算机可读介质及电子设备
CN113314150A (zh) 基于语音数据的情绪识别方法、装置及存储介质
CN110610003A (zh) 用于辅助文本标注的方法和系统
CN113038175B (zh) 视频处理方法、装置、电子设备及计算机可读存储介质
Penry Williams Appeals to Semiotic Registers in Ethno‐Metapragmatic Accounts of Variation
CN112214578A (zh) 话术生成方法、装置、电子设备及存储介质
CN113707124A (zh) 话术语音的联动播报方法、装置、电子设备及存储介质
CN113254814A (zh) 网络课程视频打标签方法、装置、电子设备及介质
CN112347786A (zh) 人工智能评分训练方法和装置
Trivedi Fundamentals of Natural Language Processing
CN113326704B (zh) 基于综合策略的情绪支持对话生成方法及系统
Elsheikh et al. Mada tawasol symbols & mobile app
CN113990286A (zh) 语音合成方法、装置、设备及存储介质

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