CN113392951A - 话术预测的方法、装置以及存储介质 - Google Patents
话术预测的方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN113392951A CN113392951A CN202010171782.0A CN202010171782A CN113392951A CN 113392951 A CN113392951 A CN 113392951A CN 202010171782 A CN202010171782 A CN 202010171782A CN 113392951 A CN113392951 A CN 113392951A
- Authority
- CN
- China
- Prior art keywords
- conversational
- user
- probability
- determining
- prediction
- 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 58
- 230000014509 gene expression Effects 0.000 claims abstract description 112
- 238000006243 chemical reaction Methods 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 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
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method 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
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Robotics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种话术预测的方法、装置以及存储介质。用于从由多个话术用语组成的话术用语集合中确定与用户相匹配的目标话术用语，其中该方法包括：获取与用户相关联的用户特征信息；利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率；以及根据概率，从话术用语集合中确定与用户相匹配的目标话术用语。
Description
技术领域
本申请涉及互联网技术领域，特别是涉及一种话术预测的方法、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)。现有技术主要的话术优化方案主要是通过实验的方法查找，最终确定最优的话术用语。然而，这种方式的工作量太大、试验周期较长、精准度不高，并且操作起来比较繁琐。因此会影响最终的效果。
针对上述的现有技术中存在的话术匹配的方法速度慢并且精准度不高的技术问题，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话术预测的方法、装置以及存储介质，以至少解决现有技术中存在的话术匹配的方法速度慢并且精准度不高的技术问题。
根据本公开实施例的一个方面，提供了一种话术预测的方法，包括：用于从由多个话术用语组成的话术用语集合中确定与用户相匹配的目标话术用语，包括：获取与用户相关联的用户特征信息；利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率；以及根据概率，从话术用语集合中确定与用户相匹配的目标话术用语。
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，还提供了一种话术预测的装置，包括：用于从由多个话术用语组成的话术用语集合中确定与用户相匹配的目标话术用语，包括：数据获取模块，用于获取与用户相关联的用户特征信息；概率预测模块，利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率；以及话术确定模块，用于根据概率，从话术用语集合中确定与用户相匹配的目标话术用语。
根据本公开实施例的另一个方面，还提供了一种话术预测的装置，包括：用于从由多个话术用语组成的话术用语集合中确定与用户相匹配的目标话术用语，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：获取与用户相关联的用户特征信息；利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率；以及根据概率，从话术用语集合中确定与用户相匹配的目标话术用语。
在本公开实施例中，可以将待预测的用户特征信息直接输入到预测模型中，然后通过模型预测每个话术用语对应的转化成功概率，最终根据概率选择与用户对应的目标话术。从而可以节省操作时间，并且采用模型预测能够更加精准。达到了提升预测速度以及预测精准度的技术效果。进而解决了现有技术中存在的话术匹配的方法速度慢并且精准度不高的技术问题。
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所述的话术预测的的流程示意图；
图3是根据本公开实施例2所述的话术预测的装置的示意图；以及
图4是根据本公开实施例3所述的话术预测的装置的示意图。
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，提供了一种话术预测的方法的实施例，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话术预测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话术预测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话术预测的方法。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，提供了一种话术预测的方法，用于从由多个话术用语组成的话术用语集合中确定与用户相匹配的目标话术用语。该方法例如可以应用到智能客服系统，可以针对不同的用户确定采用的不同话术用语。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：获取与用户相关联的用户特征信息；
S204：利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率；以及
S206：根据概率，从话术用语集合中确定与用户相匹配的目标话术用语。
正如背景技术中所述的，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)。现有技术主要的话术优化方案主要是通过实验的方法查找，最终确定最优的话术用语。然而，这种方式的工作量太大、试验周期较长、精准度不高，并且操作起来比较繁琐。因此会影响最终的效果。
针对背景技术中存在的技术问题，本实施例技术方案具体地在步骤S202中，在系统需要针对用户进行话术营销的情况下，系统首先获取与用户相关联的用户特征信息。其中用户特征信息可以包括多个信息，例如：年龄、性别、爱好等个人用户信息(用户画像)。表1为拨打记录表(样本数据)，以第一条数据为例，x11、x12……x1N分别表示用户x1的多条用户特征信息，如表1所示：
表1
进一步地，在步骤S204中，系统利用预测模型根据用户特征信息进行预测。其中，预测模型为预先训练的模型，利用营销记录对模型进行建模，例如：利用表1中的拨打记录作为样本数据，话术用语可以分为多个主题类型的话术用语(例如：开场白主题、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。使用话术11对应的位置标记“1”例如可以表示为针对用户x1使用第一主题类型(开场白主题)下的第一条话术用语(询问机主本人)，转化与否对应的为该话术针对该用户是否转化成功(例如：营销成功)，“1”表示转化成功，“0”表示未转化成功。其模型可以采用逻辑回归，树类型模型，深度学习等任何模型，还可以根据用户特征信息做各种变化(比如特征交叉，特征映射)，输出为每个话术用语转化成功的概率。在模型训练完成之后，可以将待预测的用户对应的用户特征信息作为输入数据，输入到预测模型之中，输出话术用语集合中每个话术用语对应于用户转化成功的概率。例如：询问机主本人对应的概率为20％、姓核身的概率为30％、介绍产品名称的概率为50％。
最终，在步骤S206中，系统根据每个话术用语对应的概率，从话术用语集合中确定与用户相匹配的目标话术用语。即选择成功概率最高的话术用语作为与用户相匹配的目标话术用语。
从而通过这种方式，可以将待预测的用户特征信息直接输入到预测模型中，然后通过模型预测每个话术用语对应的转化成功概率，最终根据概率选择与用户对应的目标话术。从而可以节省操作时间，并且采用模型预测能够更加精准。达到了提升预测速度以及预测精准度的技术效果。进而解决了现有技术中存在的话术匹配的方法速度慢并且精准度不高的技术问题。
可选地，预测模型包括多个预测模型，多个预测模型分别与不同的话术用语对应，利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率，包括：分别利用多个预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率。
具体地，预测模型包括多个预测模型，每个预测模型分别与不同的话术用语对应，即一个预测模型用于预测一个话术用语的成功概率。在利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率的操作中，将用户特征信息分别输入到每个预测模型之中，得到每个话术用语对应的交互成功的概率。通过建立与话术用语对应的多个二分类模型可以提升预测速度。
其中，表2示出了每个模型的建模数据模型，每个话术用语对应于一个模型，例如：模型1对应于“询问机主本人”、模型2对应于“姓核身”、模型3对应于“产品名称介绍”。预测模型采用的建模方式为将样本数据中的每个用户的特征信息作为输入。输出为是否转化(对应于是否交互成功)为二分类，其中转化成功可以标记为1，未成功标记为0，建模格式如表2所示：
表2
可选地，利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率，包括：获取与多个话术用语分别对应的多个话术用语特征信息；将用户特征信息分别与多个话术用语特征信息组合，生成与用户以及各个话术用语对应的多个特征组；以及利用预测模型对多个特征组进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率。
具体地，在利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率的操作中，系统首先获取与多个话术用语分别对应的多个话术用语特征信息，其中每条话术用语的话术用语特征信息可以用0和1进行标记，1代表应用该条话术用语，0代表未应用该条话术用语。
进一步地，将用户特征信息分别与多个话术用语特征信息组合，生成与用户以及各个话术用语对应的多个特征组，其中采用的话术用语标记为1，未采用的话术用语标记为0。即，用户特征信息+话术用语特征信息作为特征组进行输入。
最终，利用预测模型对多个特征组进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率。即将多个话术与用户特征信息组成的特征组输入到模型中，确定每条话术对于该用户特征信息的转化成功的概率。
此外，在应用模型之前还利用表1的样本数据对模型进行建模，其建模的方式可以参考表3，对每一个拨打记录，用户特征+话术特征(这里是简单的把使用话术1X特征设置为1，其它未使用的话术设置为0作为此纪录的话术特征)，共同够成模型的X变量输入，对于转化用户Y变量记为1，未转化用户Y变量记为0，这样构建一个二分类模型，表3如下所示：
表3
预测时，把需要预测的用户特征和话术用语特征信息进行组合，共构建M1个样本分别预测转化率，预测出M1个转化率，取出最大的一个对应使用的话术作为当前此用户播报话术。从而通过这种方式，可以利用单一模型对用户进行话术预测，不需要训练多个模型，能够提高效率。
可选地，利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率，包括：利用预测模型对用户特征信息进行预测，分别确定与每个话术用语对应的转化率和未转化率；以及根据转化率和未转化率，确定话术用语集合中每个话术用语对应于用户转化成功的概率。
具体地，在利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率的操作中，系统首先利用预测模型对用户特征信息进行预测，分别确定与每个话术用语对应的转化率和未转化率，即针对每一条话术预测出转化率和未转化率。
其中，在该预测模型构建的过程中，可以利用表1中的样本数据进行建模，建模的方式可以参考表4，针对每条拨打记录是否转化成功分别对应于两种元素，例如：转化成功对应于2，未转化对应于1，则每条样本数据对应结果可以利用如下公式进行表述：转化成功2*m-2，未转化2*m-1，其中m为话术用语标号。在模型建模过程中，对每一个拨打记录(样本数据)用户特征信息作为模型的X变量输入，对于使用话术1X转化用户Y变量记为[X*2–2]类，未转化用户Y变量记为[X*2–1]类，这样构建一个多分类模型。
预测时，把需要预测用户特征作为输入，预测出各个分类的概率，然后把每个1X的话术转化率为：其转化分类[X*2-2]的概率除以其未转化分类[X*2-1]的概率，然后取出话术计算转化率最大的一个对应话术作为当前此用户播报话术。在一个具体实例中，例如：话术1对应的转化率80％，未转化率为20％，则话术1对应的交互成功概率对应的数值为80％/20％＝4，其他话术的数值同理于话术1。
最终，根据数值的大小判断目标话术用语，例如：数值大的作为目标话术用语。表4如下所示：
表4
可选地，利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率，包括：利用预测模型对用户特征信息进行预测，分别确定话术用语集合中每个话术用语对应于用户转化成功的概率。
具体地，在利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率的操作中，系统可以利用预测模型对用户特征信息进行预测，分别确定话术用语集合中每个话术用语对应于用户转化成功的概率，即针对每一个话术用语预测其转化成功的概率。该模型在建模的过程中，参考表5，对每一个拨打记录，使用用户特征信息作为模型的X变量，Y变量个数和话术个数相同，如果此记录使用第x个话术，并且转化了，则在第x个Y变量值设置为1，如果未转化，则在第x个Y变量值设置为0，其它Y变量使用所有转化率平均值作为填充，表示在此话术上的预估转化率，然后把所有数据联合训练一个多二分类模型。其中，填充值可以采用全部话术的转化成功值，例如：表1中的样本数据中有6个拨打记录未转化成功，3条拨打记录转化成功，则填充值可以是0.33；此外，填充值还可以采用其他的方式进行计算，例如：针对每条话术用语的平均转化值计算，此处不做具体限定。预测时，把需要预测用户特征作为输入，预测出各个话术的概率，取概率最大值作为当前话术播报话术。本方案采用的模型，相比于多模型二分类方法，训练时此方法只使用一个模型，减少训练时间，解决模型存储空间。相比于多模型二分类方法，训练时所有样本共同训练，这样各个话术转化率直接可对比。相比于多模型二分类方法，训练时，使用了所有样本训练同一个模型，模型能够学到更全面的信息。相比于单模型二分类方法，预测时，此方式只做一次预测，节约预测时间，提高系统响应效率。相比于单模型多分类方法，预测时，转化率是模型直接给出，各个话术对比概率更直接，减少代码难度。表5如下所示：
表5
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，可以将待预测的用户特征信息直接输入到预测模型中，然后通过模型预测每个话术用语对应的转化成功概率，最终根据概率选择与用户对应的目标话术。从而可以节省操作时间，并且采用模型预测能够更加精准。达到了提升预测速度以及预测精准度的技术效果。进而解决了现有技术中存在的话术匹配的方法速度慢并且精准度不高的技术问题。
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话术预测的装置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，用于从由多个话术用语组成的话术用语集合中确定与用户相匹配的目标话术用语。参考图3所示，该装置300包括：数据获取模块310，用于获取与用户相关联的用户特征信息；概率预测模块320，利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率；以及话术确定模块330，用于根据概率，从话术用语集合中确定与用户相匹配的目标话术用语。
可选地，预测模型包括多个预测模型，多个预测模型分别与不同的话术用语对应，并且概率预测模块320，包括：第一预测子模块，用于分别利用多个预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率。
可选地，概率预测模块320，包括：数据获取子模块，用于获取与多个话术用语分别对应的多个话术用语特征信息；特征组合子模块，用于将用户特征信息分别与多个话术用语特征信息组合，生成与用户以及各个话术用语对应的多个特征组；以及第二预测子模块，用于利用预测模型对多个特征组进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率。
可选地，概率预测模块320，包括：第三预测子模块，用于利用预测模型对用户特征信息进行预测，分别确定与每个话术用语对应的转化率和未转化率；以及计算子模块，用于根据转化率和未转化率，确定话术用语集合中每个话术用语对应于用户转化成功的概率。
可选地，概率预测模块320，包括：第四预测子模块，用于利用预测模型对用户特征信息进行预测，分别确定话术用语集合中每个话术用语对应于用户转化成功的概率。
从而根据本实施例，通过装置300可以将待预测的用户特征信息直接输入到预测模型中，然后通过模型预测每个话术用语对应的转化成功概率，最终根据概率选择与用户对应的目标话术。从而可以节省操作时间，并且采用模型预测能够更加精准。达到了提升预测速度以及预测精准度的技术效果。进而解决了现有技术中存在的话术匹配的方法速度慢并且精准度不高的技术问题。
实施例3
图4示出了根据本实施例所述的话术预测的装置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，用于从由多个话术用语组成的话术用语集合中确定与用户相匹配的目标话术用语。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：获取与用户相关联的用户特征信息；利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率；以及根据概率，从话术用语集合中确定与用户相匹配的目标话术用语。
可选地，预测模型包括多个预测模型，多个预测模型分别与不同的话术用语对应，利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率，包括：分别利用多个预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率。
可选地，利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率，包括：获取与多个话术用语分别对应的多个话术用语特征信息；将用户特征信息分别与多个话术用语特征信息组合，生成与用户以及各个话术用语对应的多个特征组；以及利用预测模型对多个特征组进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率。
可选地，利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率，包括：利用预测模型对用户特征信息进行预测，分别确定与每个话术用语对应的转化率和未转化率；以及根据转化率和未转化率，确定话术用语集合中每个话术用语对应于用户转化成功的概率。
可选地，利用预先设置的用于预测话术用语的预测模型根据用户特征信息进行预测，确定话术用语集合中每个话术用语对应于用户转化成功的概率，包括：利用预测模型对用户特征信息进行预测，分别确定话术用语集合中每个话术用语对应于用户转化成功的概率。
从而根据本实施例，通过装置400可以将待预测的用户特征信息直接输入到预测模型中，然后通过模型预测每个话术用语对应的转化成功概率，最终根据概率选择与用户对应的目标话术。从而可以节省操作时间，并且采用模型预测能够更加精准。达到了提升预测速度以及预测精准度的技术效果。进而解决了现有技术中存在的话术匹配的方法速度慢并且精准度不高的技术问题。
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)
1.一种话术预测的方法，用于从由多个话术用语组成的话术用语集合中确定与用户相匹配的目标话术用语，其特征在于，包括：
获取与用户相关联的用户特征信息；
利用预先设置的用于预测话术用语的预测模型根据所述用户特征信息进行预测，确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率；以及
根据所述概率，从所述话术用语集合中确定与所述用户相匹配的目标话术用语。
2.根据权利要求1所述的方法，其特征在于，所述预测模型包括多个预测模型，所述多个预测模型分别与不同的话术用语对应，利用预先设置的用于预测话术用语的预测模型根据所述用户特征信息进行预测，确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率，包括：
分别利用所述多个预测模型根据所述用户特征信息进行预测，确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率。
3.根据权利要求1所述的方法，其特征在于，利用预先设置的用于预测话术用语的预测模型根据所述用户特征信息进行预测，确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率，包括：
获取与所述多个话术用语分别对应的多个话术用语特征信息；
将所述用户特征信息分别与所述多个话术用语特征信息组合，生成与所述用户以及各个话术用语对应的多个特征组；以及
利用所述预测模型对所述多个特征组进行预测，确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率。
4.根据权利要求1所述的方法，其特征在于，利用预先设置的用于预测话术用语的预测模型根据所述用户特征信息进行预测，确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率，包括：
利用所述预测模型对所述用户特征信息进行预测，分别确定与每个话术用语对应的转化率和未转化率；以及
根据所述转化率和所述未转化率，确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率。
5.根据权利要求1所述的方法，其特征在于，利用预先设置的用于预测话术用语的预测模型根据所述用户特征信息进行预测，确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率，包括：
利用所述预测模型对所述用户特征信息进行预测，分别确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率。
6.一种存储介质，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5中任意一项所述的方法。
7.一种话术预测的装置，用于从由多个话术用语组成的话术用语集合中确定与用户相匹配的目标话术用语，其特征在于，包括：
数据获取模块，用于获取与用户相关联的用户特征信息；
概率预测模块，利用预先设置的用于预测话术用语的预测模型根据所述用户特征信息进行预测，确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率；以及
话术确定模块，用于根据所述概率，从所述话术用语集合中确定与所述用户相匹配的目标话术用语。
8.根据权利要求7所述的装置，其特征在于，所述预测模型包括多个预测模型，所述多个预测模型分别与不同的话术用语对应，并且所述概率预测模块，包括：
第一预测子模块，用于分别利用所述多个预测模型根据所述用户特征信息进行预测，确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率。
9.根据权利要求7所述的装置，其特征在于，所述概率预测模块，包括：
数据获取子模块，用于获取与所述多个话术用语分别对应的多个话术用语特征信息；
特征组合子模块，用于将所述用户特征信息分别与所述多个话术用语特征信息组合，生成与所述用户以及各个话术用语对应的多个特征组；以及
第二预测子模块，用于利用所述预测模型对所述多个特征组进行预测，确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率。
10.一种话术预测的装置，用于从由多个话术用语组成的话术用语集合中确定与用户相匹配的目标话术用语，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：
获取与用户相关联的用户特征信息；
利用预先设置的用于预测话术用语的预测模型根据所述用户特征信息进行预测，确定所述话术用语集合中每个话术用语对应于所述用户转化成功的概率；以及
根据所述概率，从所述话术用语集合中确定与所述用户相匹配的目标话术用语。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171782.0A CN113392951A (zh) | 2020-03-12 | 2020-03-12 | 话术预测的方法、装置以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171782.0A CN113392951A (zh) | 2020-03-12 | 2020-03-12 | 话术预测的方法、装置以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113392951A true CN113392951A (zh) | 2021-09-14 |
Family
ID=77615787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010171782.0A Pending CN113392951A (zh) | 2020-03-12 | 2020-03-12 | 话术预测的方法、装置以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113392951A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000073958A2 (en) * | 1999-05-27 | 2000-12-07 | Accenture Llp | Methods, concepts and technology for dynamic comparison of product features and customer profile |
| CN110032630A (zh) * | 2019-03-12 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 话术推荐设备、方法及模型训练设备 |
| CN110059743A (zh) * | 2019-04-15 | 2019-07-26 | 北京致远慧图科技有限公司 | 确定预测的可靠性度量的方法、设备和存储介质 |
| CN110347863A (zh) * | 2019-06-28 | 2019-10-18 | 腾讯科技（深圳）有限公司 | 话术推荐方法和装置及存储介质 |
-
2020
- 2020-03-12 CN CN202010171782.0A patent/CN113392951A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000073958A2 (en) * | 1999-05-27 | 2000-12-07 | Accenture Llp | Methods, concepts and technology for dynamic comparison of product features and customer profile |
| CN110032630A (zh) * | 2019-03-12 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 话术推荐设备、方法及模型训练设备 |
| CN110059743A (zh) * | 2019-04-15 | 2019-07-26 | 北京致远慧图科技有限公司 | 确定预测的可靠性度量的方法、设备和存储介质 |
| CN110347863A (zh) * | 2019-06-28 | 2019-10-18 | 腾讯科技（深圳）有限公司 | 话术推荐方法和装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543030B (zh) | 客服机器人会话文本分类方法及装置、设备、存储介质 | |
| CN110543552B (zh) | 对话交互方法、装置及电子设备 | |
| CN111212190B (zh) | 一种基于话术策略管理的对话管理方法、装置和系统 | |
| CN110083693B (zh) | 机器人对话回复方法及装置 | |
| CN113505205A (zh) | 一种人机对话的系统和方法 | |
| JP2020537777A (ja) | 発言のユーザ意図を識別するための方法および装置 | |
| WO2020155619A1 (zh) | 带情感的机器聊天方法、装置、计算机设备及存储介质 | |
| CN104462600A (zh) | 实现来电原因自动分类的方法及装置 | |
| CN111310440A (zh) | 文本的纠错方法、装置和系统 | |
| JP2020004382A (ja) | 音声対話方法及び装置 | |
| CN111339309B (zh) | 一种用户意图的语料扩展方法和系统 | |
| CN113672708A (zh) | 语言模型训练方法、问答对生成方法、装置及设备 | |
| CN111508472A (zh) | 一种语种切换方法、装置及存储介质 | |
| CN113158687A (zh) | 语义的消歧方法及装置、存储介质、电子装置 | |
| CN113342948A (zh) | 一种智能问答方法及装置 | |
| CN114822519A (zh) | 中文语音识别纠错方法、装置及电子设备 | |
| CN111402864A (zh) | 语音处理方法及电子设备 | |
| CN112447168A (zh) | 语音识别系统、方法、音箱、显示设备和交互平台 | |
| CN112487813B (zh) | 命名实体识别方法及系统、电子设备及存储介质 | |
| CN110377803B (zh) | 信息处理方法以及装置 | |
| CN115617975B (zh) | 针对少样本多轮对话的意图识别方法及装置 | |
| CN114023309A (zh) | 语音识别系统、相关方法、装置及设备 | |
| CN113392951A (zh) | 话术预测的方法、装置以及存储介质 | |
| CN114860910A (zh) | 智能对话方法及系统 | |
| 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 |