CN113392175A - 预测话术组合的方法、装置以及存储介质 - Google Patents
预测话术组合的方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN113392175A CN113392175A CN202010171758.7A CN202010171758A CN113392175A CN 113392175 A CN113392175 A CN 113392175A CN 202010171758 A CN202010171758 A CN 202010171758A CN 113392175 A CN113392175 A CN 113392175A
- Authority
- CN
- China
- Prior art keywords
- user
- feature information
- combination
- determining
- information
- 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
- 238000012545 processing Methods 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种预测话术组合的方法、装置以及存储介质。用于从多种话术中确定与用户相匹配的话术组合,该方法包括:确定与用户相关联的特征信息集合,特征信息集合包括多个特征信息,并且多个特征信息分别包括针对用户的不同话术组合的信息;利用预先设置的预测模型分别对特征信息集合中的多个特征信息进行预测,分别确定与多个特征信息对应的概率值;以及根据所确定的概率值,确定与用户匹配的话术组合。
Description
技术领域
本申请涉及互联网技术领域,特别是涉及一种预测话术组合的方法、装置以及存储介质。
背景技术
由于人工智能技术发展,现在已经出现许多通过机器人与人进行语音交流系统,特别是语音客服,智能电销,智能催收,智能音箱等语音交互场景应用非常广泛。
当机器人能够与人语音交流后,如何提升交流后效果,就成为一个难点(比如在智能提醒中,如何提升机器人提醒有效率)。现有技术中,主要是通过实验的方法确定全局话术,其中全局话术为在交互过程中全流程的话术组合,其可以分为不同节点或者阶段针对用户进行交互的话术用语,然后针对不同的用户采用不同的话术组合。然而,这种方式确定话术组合的方式精准度不高,并且工作量大以及时间较长,因此会影响最终的效果。
针对上述的现有技术中存在的通过实验的方式确定话术组合精准度不高,并且周期长以及工作量大的技术问题,目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种预测话术组合的方法、装置以及存储介质,以至少解决现有技术中存在的通过实验的方式确定话术组合精准度不高,并且周期长以及工作量大的技术问题。
根据本公开实施例的一个方面,提供了一种预测话术组合的方法,用于从多种话术中确定与用户相匹配的话术组合,包括:确定与用户相关联的特征信息集合,特征信息集合包括多个特征信息,并且多个特征信息分别包括针对用户的不同话术组合的信息;利用预先设置的预测模型分别对特征信息集合中的多个特征信息进行预测,分别确定与多个特征信息对应的概率值;以及根据所确定的概率值,确定与用户匹配的话术组合。
根据本公开实施例的另一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时由处理器执行以上任意一项所述的方法。
根据本公开实施例的另一个方面,还提供了一种预测话术组合的装置,用于从多种话术中确定与用户相匹配的话术组合,包括:特征确定模块,用于确定与用户相关联的特征信息集合,特征信息集合包括多个特征信息,并且多个特征信息分别包括针对用户的不同话术组合的信息;概率预测模块,用于利用预先设置的预测模型分别对特征信息集合中的多个特征信息进行预测,分别确定与多个特征信息对应的概率值;以及话术确定模块,用于根据所确定的概率值,确定与用户匹配的话术组合。
根据本公开实施例的另一个方面,还提供了一种预测话术组合的装置,用于从多种话术中确定与用户相匹配的话术组合,包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:确定与用户相关联的特征信息集合,特征信息集合包括多个特征信息,并且多个特征信息分别包括针对用户的不同话术组合的信息;利用预先设置的预测模型分别对特征信息集合中的多个特征信息进行预测,分别确定与多个特征信息对应的概率值;以及根据所确定的概率值,确定与用户匹配的话术组合。
在本公开实施例中,首先确定与用户相关联的特征信息集合,其中特征信息集合中包含多个分别针对用户的不同话术组合的特征信息,然后利用预测模型对多个特征信息进行概率预测,最终根据概率值确定与用户相匹配的话术组合。与现有技术相比,本实施例技术方案可以利用模型确定与用户相匹配的最优话术组合,因此不需要进行复杂的实验,可以节省时间简化操作;此外利用模型进行预测可以避免外界因素的干扰,因此在一定程度上提高了结果的准确度。进而解决了现有技术中存在的通过实验的方式确定话术组合精准度不高,并且周期长以及工作量大的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解,构成本申请的一部分,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。在附图中:
图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图;
图2是根据本公开实施例1所述的预测话术组合的方法的流程示意图;
图3是根据本公开实施例2所述的预测话术组合的装置的示意图;以及
图4是根据本公开实施例3所述的预测话术组合的装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案,下面将结合本公开实施例中的附图,对本公开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公开一部分的实施例,而不是全部的实施例。基于本公开中的实施例,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他实施例,都应当属于本公开保护的范围。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例,提供了一种预测话术组合的方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的计算设备中执行。图1示出了一种用于实现预测话术组合的方法的计算设备的硬件结构框图。如图1所示,计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器可用于存储应用软件的软件程序以及模块,如本公开实施例中的预测话术组合的方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的预测话术组合的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算设备的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算设备中的部件的类型。
在上述运行环境下,根据本实施例的第一个方面,提供了一种预测话术组合的方法,用于从多种话术中确定与用户相匹配的话术组合,该方法例如可以应用到客服系统中,通过预测可以针对不同的用户制订不同的话术营销方案。图2示出了该方法的流程示意图,参考图2所示,该方法包括:
S202:确定与用户相关联的特征信息集合,特征信息集合包括多个特征信息,并且多个特征信息分别包括针对用户的不同话术组合的信息;
S204:利用预先设置的预测模型分别对特征信息集合中的多个特征信息进行预测,分别确定与多个特征信息对应的概率值;以及
S206:根据所确定的概率值,确定与用户匹配的话术组合。
正如背景技术中所述的,现有技术中主要是通过实验的方法确定全局话术,其中全局话术为在交互过程中全流程的话术组合,其可以分为不同节点或者阶段针对用户进行交互的话术用语,然后针对不同的用户采用不同的话术组合。然而,这种方式确定话术组合的方式精准度不高,并且工作量大以及时间较长,因此会影响最终的效果。
针对背景技术中存在的技术问题,本实施例技术方案在步骤S202中,系统首先确定与用户相关联的特征信息集合。例如:在针对用户1确定音频营销策略的情况下,系统首先可以确定与用户1相关联的特征信息集合。其中,特征信息集合包括多个特征信息,每个特征信息分别包括针对用户的不同话术组合的信息。即与用户(例如:用户1)相关联的特征信息集合中可以包含多种信息。
在一个可选的实施例中,多个特征信息分别包括与用户对应的用户特征信息以及话术组合的信息,其中话术组合的信息用于指示从多种话术中至少选择一种话术进行组合的一种组合方式。例如:用户特征信息集合包年龄、性别等。不同话术组合是由多个话术进行组合的,多个话术例如包括:“询问机主本人”、“姓核身”、“产品名称介绍”、“放款快”、“额度高”、”“利息低”、“正向利益”、“危害告知”、“使用说明”、“下载登录”等话术,话术组合中包含多个话术中的至少一个话术。在一个具体实例中,例如:针对该用户1的其中两个话术组合为:话术组合1(“询问机主本人”、“放款快”、“正向利益”、“使用说明”),话术组合2(“核实身份”、“额度高”、“危害告知”),还包括其他的话术组合,此处不再赘述。
进一步地,在步骤S204中,在确定特征信息集合的情况下,系统利用预先设置的预测模型分别对特征信息集合中的多个特征信息进行预测,分别确定与多个特征信息对应的概率值。其中,预测模型为预先训练的模型,例如可以是利用营销记录作为样本数据对模型进行建模,表1示出了样本数据(拨打记录),表1如下所示:
表1
表1中每一条拨打记录作为一条样本数据,以第一条样本数据为例,x11、x12……xo分别对应于用户x1的多个用户特征(例如:年龄、性别等特征),11、12...1M...N1、N2...NM对应于多个话术。
表2示出了模型的建模方式,表2如下所示:
表2
参考表2所示,在具体实现上可以将使用的话术用语和未使用的话术用语进行标记(例如:0,1区别),例如:话术组合中采用的话术用“1”标识,未采用的话术用“0”标识。从而,将用户的用户特征和采用的话术进行模型的构建。在建模完成后例如可以采用逻辑回归,树类型模型,深度学习等任何模型进行训练。在模型构建完成之后,系统利用预测模型特征信息集合中的多个特征信息进行预测,分别确定与多个特征信息对应的概率值,即将特征信息集合输入到模型中,输出每个特征信息的概率值,即每个话术组合针对该用户转化成功的概率值,例如:话术组合1的概率值为80%,话术组合2的概率值为20%。
最终,在步骤S206中,系统根据概率值确定与用户匹配的话术组合,例如:采用概率值最高的话术组合作为与用户匹配的话术组合。
从而通过这种方式,系统首先确定与用户相关联的特征信息集合,其中特征信息集合中包含多个分别针对用户的不同话术组合的特征信息,然后利用预测模型对多个特征信息进行概率预测,最终根据概率值确定与用户相匹配的话术组合。与现有技术相比,本实施例技术方案可以利用模型确定与用户相匹配的最优话术组合,因此不需要进行复杂的实验,可以节省时间简化操作;此外利用模型进行预测可以避免外界因素的干扰,因此在一定程度上提高了结果的准确度。进而解决了现有技术中存在的通过实验的方式确定话术组合精准度不高,并且周期长以及工作量大的技术问题。
可选地,多种话术分别指示不同主题类型的话术,并且确定与用户相关联的特征信息集合,包括:分别从不同主题类型的话术中获取一条话术用语;以及根据获取的话术用语以及用户特征信息,确定与用户相关联的特征信息集合。
具体地,多种话术可以分为多个不同主题类型的话术用语(例如:开场白主题、产品特点主题、利益告知主题、使用说明主题),每个主题下包含多条话术,例如:开场白主题包括:“询问机主本人”、“姓核身”、“产品名称介绍”等话术用语;产品特点主题包括:“放款快”、“额度高”、”“利息低”;利益告知主题包括:“正向利益”、“危害告知”;使用说明主题包括:“使用说明”、“下载登录”。在确定与用户相关联的特征信息集合的操作中,系统首先分别从不同主题类型的话术中获取一条话术用语,例如:话术组合1对应的为开场白主题“询问机主本人”、产品特点主题的“放款快”、利益告知主题的“正向利益”、使用说明主题的“使用说明”。进一步地,根据获取的话术用语以及用户特征信息,确定与用户相关联的特征信息集合。从而,将多个话术分为多个主题,条理更加清晰,便于建立模型以及使用模型。
此外,参考图1所示,根据本实施例的第二个方面,提供了一种存储介质。所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行以上任意一项所述的方法。
从而根据本实施例,系统首先确定与用户相关联的特征信息集合,其中特征信息集合中包含多个分别针对用户的不同话术组合的特征信息,然后利用预测模型对多个特征信息进行概率预测,最终根据概率值确定与用户相匹配的话术组合。与现有技术相比,本实施例技术方案可以利用模型确定与用户相匹配的最优话术组合,因此不需要进行复杂的实验,可以节省时间简化操作;此外利用模型进行预测可以避免外界因素的干扰,因此在一定程度上提高了结果的准确度。进而解决了现有技术中存在的通过实验的方式确定话术组合精准度不高,并且周期长以及工作量大的技术问题。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
实施例2
图3示出了根据本实施例所述的预测话术组合的装置300,该装置300与根据实施例1的第一个方面所述的方法相对应,用于从多种话术中确定与用户相匹配的话术组合。参考图3所示,该装置300包括:特征确定模块310,用于确定与用户相关联的特征信息集合,特征信息集合包括多个特征信息,并且多个特征信息分别包括针对用户的不同话术组合的信息;概率预测模块320,用于利用预先设置的预测模型分别对特征信息集合中的多个特征信息进行预测,分别确定与多个特征信息对应的概率值;以及话术确定模块330,用于根据所确定的概率值,确定与用户匹配的话术组合。
可选地,多个特征信息分别包括与用户对应的用户特征信息以及话术组合的信息,其中话术组合的信息用于指示从多种话术中至少选择一种话术进行组合的一种组合方式。
可选地,多种话术分别指示不同主题类型的话术,并且特征确定模块310,包括:话术选择子模块,用于分别从不同主题类型的话术中获取一条话术用语;以及集合确定子模块,用于根据获取的话术用语以及用户特征信息,确定与用户相关联的特征信息集合。
从而根据本实施例,通过装置300首先确定与用户相关联的特征信息集合,其中特征信息集合中包含多个分别针对用户的不同话术组合的特征信息,然后利用预测模型对多个特征信息进行概率预测,最终根据概率值确定与用户相匹配的话术组合。与现有技术相比,本实施例技术方案可以利用模型确定与用户相匹配的最优话术组合,因此不需要进行复杂的实验,可以节省时间简化操作;此外利用模型进行预测可以避免外界因素的干扰,因此在一定程度上提高了结果的准确度。进而解决了现有技术中存在的通过实验的方式确定话术组合精准度不高,并且周期长以及工作量大的技术问题。
实施例3
图4示出了根据本实施例所述的预测话术组合的装置400,该装置400与根据实施例1的第一个方面所述的方法相对应,用于从多种话术中确定与用户相匹配的话术组合。参考图4所示,该装置400包括:处理器410;以及存储器420,与处理器410连接,用于为处理器410提供处理以下处理步骤的指令:确定与用户相关联的特征信息集合,特征信息集合包括多个特征信息,并且多个特征信息分别包括针对用户的不同话术组合的信息;利用预先设置的预测模型分别对特征信息集合中的多个特征信息进行预测,分别确定与多个特征信息对应的概率值;以及根据所确定的概率值,确定与用户匹配的话术组合。
可选地,多个特征信息分别包括与用户对应的用户特征信息以及话术组合的信息,其中话术组合的信息用于指示从多种话术中至少选择一种话术进行组合的一种组合方式。
可选地,多种话术分别指示不同主题类型的话术,并且确定与用户相关联的特征信息集合,包括:分别从不同主题类型的话术中获取一条话术用语;以及根据获取的话术用语以及用户特征信息,确定与用户相关联的特征信息集合。
从而根据本实施例,通过装置400首先确定与用户相关联的特征信息集合,其中特征信息集合中包含多个分别针对用户的不同话术组合的特征信息,然后利用预测模型对多个特征信息进行概率预测,最终根据概率值确定与用户相匹配的话术组合。与现有技术相比,本实施例技术方案可以利用模型确定与用户相匹配的最优话术组合,因此不需要进行复杂的实验,可以节省时间简化操作;此外利用模型进行预测可以避免外界因素的干扰,因此在一定程度上提高了结果的准确度。进而解决了现有技术中存在的通过实验的方式确定话术组合精准度不高,并且周期长以及工作量大的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,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取存储介质中。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,包括若干指令用以使得一台计算机设备(可为个人计算机、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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种预测话术组合的方法,用于从多种话术中确定与用户相匹配的话术组合,其特征在于,包括:
确定与所述用户相关联的特征信息集合,所述特征信息集合包括多个特征信息,并且所述多个特征信息分别包括针对所述用户的不同话术组合的信息;
利用预先设置的预测模型分别对所述特征信息集合中的所述多个特征信息进行预测,分别确定与所述多个特征信息对应的概率值;以及
根据所确定的所述概率值,确定与所述用户匹配的话术组合。
2.根据权利要求1所述的方法,其特征在于,所述多个特征信息分别包括与所述用户对应的用户特征信息以及所述话术组合的信息,其中所述话术组合的信息用于指示从所述多种话术中至少选择一种话术进行组合的一种组合方式。
3.根据权利要求2所述的方法,其特征在于,所述多种话术分别指示不同主题类型的话术,并且确定与所述用户相关联的特征信息集合,包括:
分别从所述不同主题类型的话术中获取一条话术用语;以及
根据获取的所述话术用语以及所述用户特征信息,确定与所述用户相关联的特征信息集合。
4.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行权利要求1至3中任意一项所述的方法。
5.一种预测话术组合的装置,用于从多种话术中确定与用户相匹配的话术组合,其特征在于,包括:
特征确定模块,用于确定与所述用户相关联的特征信息集合,所述特征信息集合包括多个特征信息,并且所述多个特征信息分别包括针对所述用户的不同话术组合的信息;
概率预测模块,用于利用预先设置的预测模型分别对所述特征信息集合中的所述多个特征信息进行预测,分别确定与所述多个特征信息对应的概率值;以及
话术确定模块,用于根据所确定的所述概率值,确定与所述用户匹配的话术组合。
6.根据权利要求5所述的装置,其特征在于,所述多个特征信息分别包括与所述用户对应的用户特征信息以及所述话术组合的信息,其中所述话术组合的信息用于指示从所述多种话术中至少选择一种话术进行组合的一种组合方式。
7.根据权利要求6所述的装置,其特征在于,所述多种话术分别指示不同主题类型的话术,并且所述特征确定模块,包括:
话术选择子模块,用于分别从所述不同主题类型的话术中获取一条话术用语;以及
集合确定子模块,用于根据获取的所述话术用语以及所述用户特征信息,确定与所述用户相关联的特征信息集合。
8.一种预测话术组合的装置,用于从多种话术中确定与用户相匹配的话术组合,其特征在于,包括:
处理器;以及
存储器,与所述处理器连接,用于为所述处理器提供处理以下处理步骤的指令:
确定与所述用户相关联的特征信息集合,所述特征信息集合包括多个特征信息,并且所述多个特征信息分别包括针对所述用户的不同话术组合的信息;
利用预先设置的预测模型分别对所述特征信息集合中的所述多个特征信息进行预测,分别确定与所述多个特征信息对应的概率值;以及
根据所确定的所述概率值,确定与所述用户匹配的话术组合。
9.根据权利要求8所述的装置,其特征在于,所述多个特征信息分别包括与所述用户对应的用户特征信息以及所述话术组合的信息,其中所述话术组合的信息用于指示从所述多种话术中至少选择一种话术进行组合的一种组合方式。
10.根据权利要求9所述的装置,其特征在于,所述多种话术分别指示不同主题类型的话术,并且确定与所述用户相关联的特征信息集合,包括:
分别从所述不同主题类型的话术中获取一条话术用语;以及
根据获取的所述话术用语以及所述用户特征信息,确定与所述用户相关联的特征信息集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171758.7A CN113392175A (zh) | 2020-03-12 | 2020-03-12 | 预测话术组合的方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171758.7A CN113392175A (zh) | 2020-03-12 | 2020-03-12 | 预测话术组合的方法、装置以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113392175A true CN113392175A (zh) | 2021-09-14 |
Family
ID=77615761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010171758.7A Pending CN113392175A (zh) | 2020-03-12 | 2020-03-12 | 预测话术组合的方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392175A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549071A (zh) * | 2022-02-18 | 2022-05-27 | 上海钧正网络科技有限公司 | 一种营销策略的确定方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948633A (zh) * | 2017-12-20 | 2019-06-28 | 广东欧珀移动通信有限公司 | 用户性别预测方法、装置、存储介质及电子设备 |
CN110059182A (zh) * | 2019-03-21 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 面向客服的话术推荐方法和装置 |
CN110704641A (zh) * | 2019-10-11 | 2020-01-17 | 零犀(北京)科技有限公司 | 一种万级意图分类方法、装置、存储介质及电子设备 |
-
2020
- 2020-03-12 CN CN202010171758.7A patent/CN113392175A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948633A (zh) * | 2017-12-20 | 2019-06-28 | 广东欧珀移动通信有限公司 | 用户性别预测方法、装置、存储介质及电子设备 |
CN110059182A (zh) * | 2019-03-21 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 面向客服的话术推荐方法和装置 |
CN110704641A (zh) * | 2019-10-11 | 2020-01-17 | 零犀(北京)科技有限公司 | 一种万级意图分类方法、装置、存储介质及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549071A (zh) * | 2022-02-18 | 2022-05-27 | 上海钧正网络科技有限公司 | 一种营销策略的确定方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365892B (zh) | 人机对话方法、装置、电子装置及存储介质 | |
US20240005927A1 (en) | Methods and systems for audio voice service in an embedded device | |
CN110782318A (zh) | 基于音频交互的营销方法、装置以及存储介质 | |
CN111310440A (zh) | 文本的纠错方法、装置和系统 | |
CN110188185A (zh) | 多轮对话的处理方法、装置、设备和存储介质 | |
CN111508472B (zh) | 一种语种切换方法、装置及存储介质 | |
CN117609449A (zh) | 任务型对话响应方法及装置 | |
CN113505272A (zh) | 基于行为习惯的控制方法和装置、电子设备和存储介质 | |
CN110489519B (zh) | 基于会话预测模型的会话方法及相关产品 | |
CN115129878A (zh) | 一种对话业务执行方法、装置、存储介质及电子设备 | |
CN111402864A (zh) | 语音处理方法及电子设备 | |
CN113392175A (zh) | 预测话术组合的方法、装置以及存储介质 | |
CN112800209A (zh) | 会话语料推荐方法、装置、存储介质和电子设备 | |
CN110138986B (zh) | 与外呼流程相关的知识图谱的构建方法、装置及存储介质 | |
CN110377803B (zh) | 信息处理方法以及装置 | |
CN111859154A (zh) | 一种应用推荐方法及装置 | |
CN113314122B (zh) | 利用单个语音机器人确定最优话术的方法、装置及介质 | |
CN113313507A (zh) | 提高话术营销精度的方法、装置以及存储介质 | |
EP4006747A1 (en) | Speech information processing method and device, storage medium, and electronic device | |
CN114860910A (zh) | 智能对话方法及系统 | |
CN112911074B (zh) | 一种语音通信处理方法、装置、设备和机器可读介质 | |
CN114020896A (zh) | 一种智能问答方法、系统、电子设备及存储介质 | |
CN113051375B (zh) | 基于问答设备的问答数据的处理方法和装置 | |
CN114077656A (zh) | 确定最优话术序列的方法、装置及存储介质 | |
CN114510556A (zh) | 确定话术的方法、装置以及存储介质 |
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 |