CN113643046B - 适用于虚拟现实的共情策略推荐方法、装置、设备及介质 - Google Patents

适用于虚拟现实的共情策略推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN113643046B
CN113643046B CN202110943061.1A CN202110943061A CN113643046B CN 113643046 B CN113643046 B CN 113643046B CN 202110943061 A CN202110943061 A CN 202110943061A CN 113643046 B CN113643046 B CN 113643046B
Authority
CN
China
Prior art keywords
emotion
target
virtual reality
data
emotion vector
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.)
Active
Application number
CN202110943061.1A
Other languages
English (en)
Other versions
CN113643046A (zh
Inventor
梁亚妮
陈闽
满园园
欧光礼
许闻笳
何伟康
敬蕾
刘湘子
王小芳
邓兴宜
彭粤
宁夏夏
戴晨曦
王旭根
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 CN202110943061.1A priority Critical patent/CN113643046B/zh
Publication of CN113643046A publication Critical patent/CN113643046A/zh
Application granted granted Critical
Publication of CN113643046B publication Critical patent/CN113643046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/01—Customer relationship services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请涉及人工智能技术领域，揭示了一种适用于虚拟现实的共情策略推荐方法、装置、设备及介质，其中方法包括：获取目标虚拟空间中的多个目标客户在第i时刻的视频数据集合和虚拟空间行为数据集合；根据视频数据集合中的每个视频数据分别进行情绪分类预测得到第一情绪向量集合；分别根据虚拟空间行为数据集合中的每个虚拟空间行为数据进行情绪分类预测得到第二情绪向量集合；根据第一情绪向量集合和第二情绪向量集合分别对每个目标客户进行数据拟合得到目标情绪向量集合；根据目标情绪向量集合得到目标客户满意度；根据共情策略库和目标客户满意度得到共情策略推荐结果。从而及时调整整体客户的满意度，提高了客户服务效果。

Description

适用于虚拟现实的共情策略推荐方法、装置、设备及介质
技术领域
本申请涉及到人工智能技术领域，特别是涉及到一种适用于虚拟现实的共情策略推荐方法、装置、设备及介质。
背景技术
在采用虚拟现实技术进行客服服务时，虚拟空间的客户服务人员需要同时应对多个客户，难以做到对每个客户的状态进行实时掌握，无法对客户的情绪和感受做出反馈及给予有效的引导和沟通，在这种客户服务不均衡的情况下，使得针对多人的客户服务的效果大打折扣，因此需要为客户服务人员配置具有一定业务能力的智能助手来辅助分担客户服务人员的管理需求。而目前使用的第三方工具只能做到简单的语音控制等指令性管理，通过传统的语音沟通来获取客户片面描述的状态、情况，缺乏对多个客户的整体状态的全面了解，导致难以调整整体客户的满意度，导致客户服务效果不佳。
发明内容
本申请的主要目的为提供一种适用于虚拟现实的共情策略推荐方法、装置、设备及介质，旨在解决现有技术在采用虚拟现实技术针对多人的客户服务时，通过传统的语音沟通来获取客户片面描述的状态、情况，缺乏对多个客户的整体状态的全面了解，导致难以调整整体客户的满意度，导致客户服务效果不佳。
为了实现上述发明目的，本申请提出一种适用于虚拟现实的共情策略推荐方法，所述方法包括：
获取目标虚拟空间中的多个目标客户在第i时刻的视频数据集合和虚拟空间行为数据集合；
根据所述视频数据集合中的每个视频数据分别对各所述目标客户的情绪进行情绪分类预测，得到第一情绪向量集合；
分别根据所述虚拟空间行为数据集合中的每个虚拟空间行为数据对各所述目标客户的情绪进行情绪分类预测，得到第二情绪向量集合；
根据所述第一情绪向量集合和所述第二情绪向量集合，分别对每个所述目标客户的情绪进行数据拟合，得到目标情绪向量集合；
根据所述目标情绪向量集合进行客户满意度计算，得到所述第i时刻的目标客户满意度；
获取共情策略库，根据所述共情策略库和所述目标客户满意度进行共情策略的推荐，得到共情策略推荐结果。
进一步的，所述获取目标虚拟空间中的多个目标客户在第i时刻的视频数据集合和虚拟空间行为数据集合的步骤之前，还包括：
获取虚拟空间生成请求，所述虚拟空间生成请求携带有沟通目标配置数据；
响应所述虚拟空间生成请求，获取虚拟现实组件库；
根据所述虚拟现实组件库和所述沟通目标配置数据进行虚拟现实组件匹配，得到标准虚拟现实组件集合，其中，所述标准虚拟现实组件集合中包括多个标准虚拟现实组件，每个所述标准虚拟现实组件对应一个目标虚拟场景图像；
获取客户描述数据和代理描述数据；
分别将所述客户描述数据、所述代理描述数据和所述目标虚拟场景图像输入预设图像生成模型进行图像生成，得到个性化图像集合，其中，所述预设图像生成模型是基于图像迁移算法和对抗训练得到的模型；
分别将所述客户描述数据、所述代理描述数据和所述标准虚拟现实组件的每个文本内容，输入预设个性化文本生成模型进行文本内容生成，得到个性化文本内容集合，其中，所述预设个性化文本生成模型是基于LSTM网络和对抗训练得到的模型；
根据所述标准虚拟现实组件集合、所述个性化图像集合和所述个性化文本内容集合分别进行个性化虚拟现实组件生成及虚拟空间生成，得到所述目标虚拟空间。
进一步的，所述根据所述虚拟现实组件库和所述沟通目标配置数据进行虚拟现实组件匹配，得到标准虚拟现实组件集合的步骤，包括：
分别将所述沟通目标配置数据的沟通主题与所述虚拟现实组件库的各个虚拟现实组件名称进行相似度计算，得到主题相似度集合；
采用预设相似度评估规则，从所述主题相似度集合中进行相似度提取，得到目标相似度集合；
根据所述目标相似度集合，从所述虚拟现实组件库进行虚拟现实组件的提取，得到虚拟现实组件子库；
根据所述沟通目标配置数据，从所述虚拟现实组件子库中进行虚拟现实组件提取，得到所述标准虚拟现实组件集合。
进一步的，所述根据所述视频数据集合中的每个视频数据分别对各所述目标客户的情绪进行情绪分类预测，得到第一情绪向量集合的步骤，包括：
分别对所述视频数据集合中的每个所述视频数据进行语音转换文本，得到目标文本数据集合；
采用预设意图识别模型，分别对所述目标文本数据集合中的每个目标文本数据进行意图识别，得到意图识别结果集合；
根据获取到的购买异议关键词列表为每个所述目标文本数据进行购买异议关键词匹配，得到多个购买异议关键词集合，其中，所述购买异议关键词列表包括多个所述购买异议关键词；
分别对每个所述目标文本数据进行语义相关性评估，得到语义相关性评估结果集合；
获取预设第一情绪分类预测模型，根据所述预设第一情绪分类预测模型、所述意图识别结果集合、各个所述购买异议关键词集合和所述语义相关性评估结果集合，分别对每个所述目标客户进行情绪分类预测，得到所述第一情绪向量集合。
进一步的，所述根据所述目标情绪向量集合进行客户满意度计算，得到所述第i时刻的目标客户满意度的步骤，包括：
分别对所述目标情绪向量集合中的每个目标情绪向量进行归一化处理，得到归一化情绪向量集合；
获取客户权重集合和标准情绪向量；
根据所述客户权重集合、所述标准情绪向量和所述归一化情绪向量集合进行客户满意度计算，得到所述第i时刻的所述目标客户满意度，其中，所述目标客户满意度满足的关系式包含了所述客户权重集合与所述标准情绪向量和所述归一化情绪向量集合之间比值的乘积的积分计算。
进一步的，所述分别对所述目标情绪向量集合中的每个目标情绪向量进行归一化处理，得到归一化情绪向量集合的步骤之后，还包括：
采用预设极端情绪评估规则，根据所述标准情绪向量，分别对所述归一化情绪向量集合中的每个归一化情绪向量进行极端情绪评估，得到多个极端情绪评估结果；
当存在所述极端情绪评估结果为极端情绪时，获取个人情绪安抚策略库，根据所述个人情绪安抚策略库和所述极端情绪评估结果为极端情绪的各个所述归一化情绪向量进行个人情绪安抚策略的推荐，得到个人情绪安抚策略推荐结果集合。
进一步的，所述根据所述共情策略库和所述目标客户满意度进行共情策略的推荐，得到共情策略推荐结果的步骤，包括：
获取第1时刻至所述第i时刻的所述目标客户满意度，得到目标客户满意度集合；
根据所述目标客户满意度集合进行满意度曲线生成，得到目标满意度曲线；
根据所述目标满意度曲线进行群体情绪评估，得到群体情绪评估结果；
根据所述群体情绪评估结果和所述共情策略库进行共情策略的推荐，得到所述共情策略推荐结果。
本申请还提出了一种适用于虚拟现实的共情策略推荐装置，所述装置包括：
数据获取模块，用于获取目标虚拟空间中的多个目标客户在第i时刻的视频数据集合和虚拟空间行为数据集合；
第一情绪向量集合确定模块，用于根据所述视频数据集合中的每个视频数据分别对各所述目标客户的情绪进行情绪分类预测，得到第一情绪向量集合；
第二情绪向量集合确定模块，用于分别根据所述虚拟空间行为数据集合中的每个虚拟空间行为数据对各所述目标客户的情绪进行情绪分类预测，得到第二情绪向量集合；
目标情绪向量集合确定模块，用于根据所述第一情绪向量集合和所述第二情绪向量集合，分别对每个所述目标客户的情绪进行数据拟合，得到目标情绪向量集合；
目标客户满意度确定模块，用于根据所述目标情绪向量集合进行客户满意度计算，得到所述第i时刻的目标客户满意度；
共情策略推荐结果确定模块，用于获取共情策略库，根据所述共情策略库和所述目标客户满意度进行共情策略的推荐，得到共情策略推荐结果。
本申请还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的适用于虚拟现实的共情策略推荐方法、装置、设备及介质，其中方法通过首先根据所述视频数据集合中的每个视频数据分别对各所述目标客户的情绪进行情绪分类预测，得到第一情绪向量集合，分别根据所述虚拟空间行为数据集合中的每个虚拟空间行为数据对各所述目标客户的情绪进行情绪分类预测，得到第二情绪向量集合，然后根据所述第一情绪向量集合和所述第二情绪向量集合，分别对每个所述目标客户的情绪进行数据拟合，得到目标情绪向量集合，根据所述目标情绪向量集合进行客户满意度计算，得到所述第i时刻的目标客户满意度，最后根据所述共情策略库和所述目标客户满意度进行共情策略的推荐，得到共情策略推荐结果，从而实现了自动化针对多个目标客户提供了实时共情策略的推荐，避免只通过传统的语音沟通来获取客户片面描述的状态、情况来进行虚拟空间控制和沟通策略调整，可以及时调整整体客户的满意度，提高了客户服务效果。
附图说明
图1为本申请一实施例的适用于虚拟现实的共情策略推荐方法的流程示意图；
图2为本申请一实施例的适用于虚拟现实的共情策略推荐装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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。
参照图1，本申请实施例中提供一种适用于虚拟现实的共情策略推荐方法，方法包括：
S1：获取目标虚拟空间中的多个目标客户在第i时刻的视频数据集合和虚拟空间行为数据集合；
S2：根据视频数据集合中的每个视频数据分别对各目标客户的情绪进行情绪分类预测，得到第一情绪向量集合；
S3：分别根据虚拟空间行为数据集合中的每个虚拟空间行为数据对各目标客户的情绪进行情绪分类预测，得到第二情绪向量集合；
S4：根据第一情绪向量集合和第二情绪向量集合，分别对每个目标客户的情绪进行数据拟合，得到目标情绪向量集合；
S5：根据目标情绪向量集合进行客户满意度计算，得到第i时刻的目标客户满意度；
S6：获取共情策略库，根据共情策略库和目标客户满意度进行共情策略的推荐，得到共情策略推荐结果。
本实施例通过首先根据视频数据集合中的每个视频数据分别对各目标客户的情绪进行情绪分类预测，得到第一情绪向量集合，分别根据虚拟空间行为数据集合中的每个虚拟空间行为数据对各目标客户的情绪进行情绪分类预测，得到第二情绪向量集合，然后根据第一情绪向量集合和第二情绪向量集合，分别对每个目标客户的情绪进行数据拟合，得到目标情绪向量集合，根据目标情绪向量集合进行客户满意度计算，得到第i时刻的目标客户满意度，最后根据共情策略库和目标客户满意度进行共情策略的推荐，得到共情策略推荐结果，从而实现了自动化针对多个目标客户提供了实时共情策略的推荐，避免只通过传统的语音沟通来获取客户片面描述的状态、情况来进行虚拟空间控制和沟通策略调整，可以及时调整整体客户的满意度，提高了客户服务效果。
对于S1，获取目标虚拟空间中的各个目标客户在第i时刻的视频数据，作为第i时刻的视频数据集合；获取目标虚拟空间中的各个目标客户在第i时刻的虚拟空间行为数据，作为第i时刻的虚拟空间行为数据集合。
目标客户，也就是当前正在位于目标虚拟空间的客户。
目标虚拟空间，也就是采用虚拟现实技术生成的虚拟空间。
虚拟空间行为数据，是目标客户在目标虚拟空间中的行为数据，比如，目标客户在目标虚拟空间中位于场景Z1，采用视角S1查看了位置W1的虚拟现实组件Z2。虚拟空间行为数据包括但不限于：虚拟现实组件标识、虚拟现实组件位置、查看视角数据、停留开始时间、停留结束时间、停留时长。虚拟现实组件标识可以是虚拟现实组件名称、虚拟现实组件I D等唯一标识一个虚拟现实组件的数据。虚拟现实组件包括但不限于：虚拟场景、虚拟要素、内容数据。虚拟场景包括但不限于：虚拟客厅、虚拟办公室。虚拟要素包括但不限于：虚拟看板、虚拟视频播放设备、虚拟家具。内容数据包括但不限于：图像、文本内容、视频、三维模型。
视频数据，是目标客户的脸部或全身的视频数据。可以理解的是，第i时刻的视频数据是第i-1时刻到第i时刻的视频数据，其中，不包括第i-1时刻的视频数据，包括第i时刻的视频数据。
第i时刻的虚拟空间行为数据，是第i-1时刻到第i时刻的行为数据，其中，不包括第i-1时刻的行为数据，包括第i时刻的行为数据。
对于S2，根据视频数据集合中的每个视频数据分别进行语音转换文本，根据转换的文本进行意图识别，根据意图识别得到的结果进行情绪分类预测，得到第一情绪向量集合，也就是说，第一情绪向量集合中的每个第一情绪向量对应视频数据集合中的一个视频数据。
比如，第一情绪向量包括愉快度、紧张度、激动度、确信度四个维度的数据，在此举例不做具体限定。
可选的，采用预设第一情绪分类预测模型，根据意图识别得到的结果进行情绪分类预测，得到第一情绪向量集合。
其中，预设第一情绪分类预测模型是基于卷积神经网络训练得到的模型。
对于S3，采用预设第二情绪分类预测模型，分别根据虚拟空间行为数据集合中的每个虚拟空间行为数据对各目标客户的情绪进行情绪分类预测，得到第二情绪向量集合，也就是说，得到第二情绪向量集合中的每个第二情绪向量对应虚拟空间行为数据集合中的一个虚拟空间行为数据。
比如，第二情绪向量包括愉快度、紧张度、激动度、确信度四个维度的数据，在此举例不做具体限定。
预设第二情绪分类预测模型，是基于多因子模型得到的模型。
对于S4，根据第一情绪向量集合和第二情绪向量集合，分别对每个目标客户进行情绪向量的加权求和计算，得到目标情绪向量集合。也就是说，目标情绪向量集合中的每个目标情绪向量对应一个目标客户。
可以理解的是，根据第一情绪向量集合和第二情绪向量集合，分别对每个目标客户进行情绪向量的加权求和计算，是对同一个目标客户的相同类型的情绪向量进行加权求和计算。
对于S5，根据目标情绪向量集合进行标准化处理，根据标准化处理得到的数据进行进行数据融合处理，得到第i时刻的目标客户满意度。
对于S6，可以获取用户输入的共情策略库，也可以从数据库中获取共情策略库，还可以从第三方应用系统中获取共情策略库。
共情策略库包括：群体情绪等级、共情策略，每个群体情绪等级对应一个共情策略。
比如，共情策略包括：当前场景整体风格的变更、客户服务人员介绍主题的过度、客户服务人员介绍重点提示、是否开启互动工具，在此举例不做具体限定。
其中，根据第i时刻的目标客户满意度进行群体情绪评估，根据共情策略库和群体情绪评估得到的数据进行共情策略的推荐，得到共情策略推荐结果。
在一个实施例中，上述获取目标虚拟空间中的多个目标客户在第i时刻的视频数据集合和虚拟空间行为数据集合的步骤之前，还包括：
S11：获取虚拟空间生成请求，虚拟空间生成请求携带有沟通目标配置数据；
S12：响应虚拟空间生成请求，获取虚拟现实组件库；
S13：根据虚拟现实组件库和沟通目标配置数据进行虚拟现实组件匹配，得到标准虚拟现实组件集合，其中，标准虚拟现实组件集合中包括多个标准虚拟现实组件，每个标准虚拟现实组件对应一个目标虚拟场景图像；
S14：获取客户描述数据和代理描述数据；
S15：分别将客户描述数据、代理描述数据和目标虚拟场景图像输入预设图像生成模型进行图像生成，得到个性化图像集合，其中，预设图像生成模型是基于图像迁移算法和对抗训练得到的模型；
S16：分别将客户描述数据、代理描述数据和标准虚拟现实组件的每个文本内容，输入预设个性化文本生成模型进行文本内容生成，得到个性化文本内容集合，其中，预设个性化文本生成模型是基于LSTM网络和对抗训练得到的模型；
S17：根据标准虚拟现实组件集合、个性化图像集合和个性化文本内容集合分别进行个性化虚拟现实组件生成及虚拟空间生成，得到目标虚拟空间。
本实施例实现了根据沟通目标配置数据、虚拟现实组件库、客户描述数据和代理描述数据生成个性化的虚拟空间作为目标虚拟空间，从而使得到的目标虚拟空间符合沟通的需求，有利于提高沟通的效率，进一步提高了客户服务效果。
对于S11，可以获取用户输入的虚拟空间生成请求，也可以获取第三方应用系统输入的虚拟空间生成请求，还可以是实现本申请的程序根据预测条件触发的虚拟空间生成请求。比如，预测条件是按预设时间间隔进行虚拟空间生成。
沟通目标配置数据包括但不限于：沟通主题、沟通目标、预期沟通时长、客户服务人员标签配置数据、客户标签配置数据。沟通主题，是采用目标虚拟空间进行客服服务的主题，比如，沟通主题为产品销售。沟通目标，是采用目标虚拟空间进行客服服务想要达到的目的，比如，成功销售产品A。预期沟通时长，是一个具体数值。客户服务人员标签配置数据，是针对客户服务人员的分类标签的配置数据。客户标签配置数据，是针对客户的分类标签的配置数据。
对于S12，可以获取用户输入的虚拟现实组件库，也可以从数据库中获取虚拟现实组件库，还可以从第三方应用系统中获取虚拟现实组件库。
虚拟现实组件库包括：组件描述数据、虚拟现实组件，每个组件描述数据对应一个虚拟现实组件。
组件描述数据包括但不限于：虚拟现实组件名称、虚拟现实组件标签、虚拟现实组件风格和虚拟现实组件基本介绍。
对于S13，将沟通目标配置数据在虚拟现实组件库的所有组件描述数据中进行匹配，将匹配到的每个组件描述数据对应的虚拟现实组件作为一个标准虚拟现实组件，将所有标准虚拟现实组件作为虚拟现实组件集合。
虚拟场景图像，也就是虚拟场景、虚拟要素对应的图像。
对于S14，可以获取用户输入的客户描述数据和代理描述数据，也可以从数据库中获取客户描述数据和代理描述数据，还可以从第三方应用系统中获取客户描述数据和代理描述数据。
客户描述数据包括但不限于：性别、年龄、地域、职业、教育程度、收入、家庭情况、购买偏好。
代理描述数据包括但不限于：业务形象、优劣势描述数据、沟通风格。
对于S15，分别将客户描述数据、代理描述数据和标准虚拟现实组件集合中的每个虚拟现实组件的每个图像输入预设图像生成模型进行图像生成，将生成的各个图像作为个性化图像集合，也就是说，个性化图像集合中的每张个性化图像对应标准虚拟现实组件集合中的一张图像。
图像迁移算法包括但不限于：图像风格迁移算法。
对于S16，分别将客户描述数据、代理描述数据和标准虚拟现实组件集合中的每个虚拟现实组件的每个文本内容输入预设个性化文本生成模型进行文本内容生成，将生成的各个文本内容作为个性化文本内容集合，也就是说，个性化文本内容集合中的每个文本内容对应标准虚拟现实组件集合中的一个文本内容。
LSTM网络，是长短期记忆网络。
对于S17，采用VR(虚拟现实技术)引擎，根据个性化图像集合和个性化文本内容集合，对标准虚拟现实组件集合分别进行图像替换及文本内容替换，得到个性化虚拟现实组件集合，根据个性化虚拟现实组件集合进行虚拟空间生成，将生成的虚拟空间作为目标虚拟空间，从而生成了个性化的虚拟空间。
在一个实施例中，上述根据虚拟现实组件库和沟通目标配置数据进行虚拟现实组件匹配，得到标准虚拟现实组件集合的步骤，包括：
S131：分别将沟通目标配置数据的沟通主题与虚拟现实组件库的各个虚拟现实组件名称进行相似度计算，得到主题相似度集合；
S132：采用预设相似度评估规则，从主题相似度集合中进行相似度提取，得到目标相似度集合；
S133：根据目标相似度集合，从虚拟现实组件库进行虚拟现实组件的提取，得到虚拟现实组件子库；
S134：根据沟通目标配置数据，从虚拟现实组件子库中进行虚拟现实组件提取，得到标准虚拟现实组件集合。
本实施例首先基于相似度从虚拟现实组件库进行虚拟现实组件的提取，然后根据沟通目标、客户服务人员标签配置数据和客户标签配置数据从提取的虚拟现实组件中进一步进行虚拟现实组件的筛选，从而得到更符合沟通目标配置数据的虚拟现实组件，为生成个性化的虚拟空间提供了基础。
对于S131，分别将沟通目标配置数据的沟通主题与虚拟现实组件库的各个虚拟现实组件名称进行余弦相似度计算，将计算得到的所有余弦相似度作为主题相似度集合。也就是说，主题相似度集合中的相似度的数量与虚拟现实组件库中的虚拟现实组件名称的数量相同。
对于S132，从主题相似度集合中找出大于预设相似度评估规则的相似度阈值的所有相似度，将找出的各个相似度作为目标相似度集合。
对于S133，根据目标相似度集合中的各个相似度各自对应的虚拟现实组件名称，从虚拟现实组件库进行虚拟现实组件的提取，将提取的各个虚拟现实组件及提取的各个虚拟现实组件各自对应的组件描述数据作为虚拟现实组件子库。也就是说，虚拟现实组件子库符合沟通目标配置数据的沟通主题的虚拟现实组件的集合。
虚拟现实组件子库包括：组件描述数据、虚拟现实组件，每个组件描述数据对应一个虚拟现实组件。
对于S134，分别根据沟通目标配置数据的沟通目标、客户服务人员标签配置数据和客户标签配置数据的每个标签，从虚拟现实组件子库的各个组件描述数据的虚拟现实组件标签中进行查找，将在虚拟现实组件子库查找到的各个虚拟现实组件标签各自对应的虚拟现实组件作为标准虚拟现实组件集合，实现了在符合沟通主题的虚拟现实组件子库中筛选出了虚拟现实组件标签符合沟通目标配置数据的沟通目标、客户服务人员标签配置数据和客户标签配置数据中的标签的虚拟现实组件，从而得到更符合沟通目标配置数据的虚拟现实组件。
在一个实施例中，上述根据视频数据集合中的每个视频数据分别对各目标客户的情绪进行情绪分类预测，得到第一情绪向量集合的步骤，包括：
S21：分别对视频数据集合中的每个视频数据进行语音转换文本，得到目标文本数据集合；
S22：采用预设意图识别模型，分别对目标文本数据集合中的每个目标文本数据进行意图识别，得到意图识别结果集合；
S23：根据获取到的购买异议关键词列表为每个目标文本数据进行购买异议关键词匹配，得到多个购买异议关键词集合，其中，购买异议关键词列表包括多个购买异议关键词；
S24：分别对每个目标文本数据进行语义相关性评估，得到语义相关性评估结果集合；
S25：获取预设第一情绪分类预测模型，根据预设第一情绪分类预测模型、意图识别结果集合、各个购买异议关键词集合和语义相关性评估结果集合，分别对每个目标客户进行情绪分类预测，得到第一情绪向量集合。
本实施例根据视频数据集合中的每个视频数据分别进行语音转换文本、意图识别及情绪分类预测，从而从视频数据中精准识别出了各个目标客户的情绪，为针对多个目标客户进行多因子的实时共情策略的推荐提供了基础。
对于S21，基于ASR(自动语音识别技术)技术，分别对视频数据集合中的每个视频数据中的音频分别进行语音转换文本，将语音转换得到的每个文本数据作为一个目标文本数据，将所有目标文本数据作为目标文本数据集合。也就是说，目标文本数据集合中的目标文本数据对应述视频数据集合中的一个视频数据。
对于S22，采用预设意图识别模型，分别对目标文本数据集合中的每个目标文本数据进行意图识别，将从每个目标文本数据识别得到的所有意图作为一个意图识别结果，将所有意图识别结果作为意图识别结果集合。也就是说，意图识别结果中可以包括一个或多个意图关键字，可以理解的是，意图识别结果也可以包括0个意图关键字。
预设意图识别模型可以从现有技术中选择可以对文本进行意图识别的模型，在此不做赘述。
对于S23，购买异议关键词列表中包括一个或多个购买异议关键词。购买异议关键词，是指存在购买异议的关键词。比如，购买异议关键词包括：买不起、再考虑下、安不安全中的任一个，在此举例不做具体限定。
其中，分别将购买异议关键词列表中的每个购买异议关键词在待处理的文本数据中进行查找，将在待处理的文本数据中查找到的所有关键词作为待处理的文本数据对应的购买异议关键词集合，待处理的文本数据是任一个目标文本数据。
对于S24，采用预设语义相关性评估模型，分别对目标文本数据集合中的每个目标文本数据进行语义相关性评估，得到语义相关性评估结果集合。也就是说，语义相关性评估结果集合中的每个语义相关性评估结果对应目标文本数据集合中的一个目标文本数据
预设语义相关性评估模型，是对在目标文本数据的文本进行语义相关性的评估。预设语义相关性评估模型，是基于神经网络得到的模型。语义相关性，是目标文本数据中的文本的前后文的相关性。
对于S25，将意图识别结果集合、各个购买异议关键词集合和语义相关性评估结果集合输入预设第一情绪分类预测模型针对每个目标客户进行情绪分类预测，将针对每个目标客户预测得到的数据作为一个第一情绪向量，将所有第一情绪向量作为第一情绪向量集合。
在一个实施例中，上述根据目标情绪向量集合进行客户满意度计算，得到第i时刻的目标客户满意度的步骤，包括：
S51：分别对目标情绪向量集合中的每个目标情绪向量进行归一化处理，得到归一化情绪向量集合；
S52：获取客户权重集合和标准情绪向量；
S53：根据客户权重集合、标准情绪向量和归一化情绪向量集合进行客户满意度计算，得到第i时刻的目标客户满意度，其中，目标客户满意度满足的关系式包含了客户权重集合与标准情绪向量和归一化情绪向量集合之间比值的乘积的积分计算。
本实施例实现了先对目标情绪向量集合进行归一化处理，然后再根据客户权重集合、标准情绪向量和归一化情绪向量集合进行客户满意度计算，从而评估出了在目标虚拟空间中的多个目标客户的总体满意度，为后续进行共情策略的推荐提供了基础。
对于S51，分别对目标情绪向量集合中的每个目标情绪向量进行归一化处理，对每个目标情绪向量进行归一化处理得到一个归一化情绪向量，将所有归一化情绪向量作为归一化情绪向量集合。
也就是说，归一化情绪向量的所有向量元素的值相加等于1，归一化情绪向量的每个向量元素取值位于0-1之间，向量元素取值可以包括0，向量元素取值也可以包括1。
对于S52，可以获取用户输入的客户权重集合和标准情绪向量，也可以从数据库中获取客户权重集合和标准情绪向量，还可以从第三方应用系统中获取客户权重集合和标准情绪向量。
客户权重集合，是目标虚拟空间中的各个目标客户对群体情绪影响的权重。
标准情绪向量，是群体情绪的标准特征向量。
对于S53，根据客户权重集合、标准情绪向量和归一化情绪向量集合进行积分求解计算，将计算得到的数据作为第i时刻的目标客户满意度。也就是说，第i时刻的目标客户满意度，是目标虚拟空间中的各个目标客户在第i时刻的群体综合满意度。
其中，第i时刻的目标客户满意度的计算公式f(i)为：
m是目标客户的数量，an是第n个目标客户在客户权重集合对应的客户权重，bn是第n个目标客户在归一化情绪向量集合对应的归一化情绪向量，b是标准情绪向量，是对/>进行积分计算。
在一个实施例中，上述分别对目标情绪向量集合中的每个目标情绪向量进行归一化处理，得到归一化情绪向量集合的步骤之后，还包括：
S71：采用预设极端情绪评估规则，根据标准情绪向量，分别对归一化情绪向量集合中的每个归一化情绪向量进行极端情绪评估，得到多个极端情绪评估结果；
S72：当存在极端情绪评估结果为极端情绪时，获取个人情绪安抚策略库，根据个人情绪安抚策略库和极端情绪评估结果为极端情绪的各个归一化情绪向量进行个人情绪安抚策略的推荐，得到个人情绪安抚策略推荐结果集合。
本实施例实现了对离群的极端情绪的客户识别及个人情绪安抚策略的推荐，提高了为客户服务人员进行精细化的业务沟通提供了实时的策略反馈的准确性，有利于客户服务人员及时调整离群的极端情绪的客户的情绪，有利于进一步提高客户服务效果。
对于S71，可选的，预设极端情绪评估规则为当不符合情绪向量的向量元素阈值范围时则确认为极端情绪。
向量元素阈值范围，是每个向量元素对应一个阈值范围。阈值范围包括开始阈值和结束阈值。
其中，获取向量元素阈值；从目标归一化情绪向量中，找出在阈值范围外的向量元素，得到超范围向量元素数量；当超范围向量元素数量大于向量元素阈值时，确定目标归一化情绪向量不符合预设极端情绪评估规则的要求；当超范围向量元素数量小于或等于向量元素阈值时，确定所目标归一化情绪向量符合预设极端情绪评估规则的要求；其中，目标归一化情绪向量是归一化情绪向量集合中的任一个归一化情绪向量。
当存在归一化情绪向量不符合预设极端情绪评估规则的要求时，将不符合预设极端情绪评估规则的要求的归一化情绪向量对应的极端情绪评估结果确定为极端情绪；当存在归一化情绪向量符合预设极端情绪评估规则的要求时，将符合预设极端情绪评估规则的要求的归一化情绪向量对应的极端情绪评估结果确定为非极端情绪。
也就是说，极端情绪评估结果的数量和归一化情绪向量集合中的归一化情绪向量的数量相同。
对于S72，可以获取用户输入的个人情绪安抚策略库，也可以从数据库中获取个人情绪安抚策略库，还可以从第三方应用系统中获取个人情绪安抚策略库。
个人情绪安抚策略库包括：极端情绪等级、个人情绪安抚策略，每个情绪向量评估数据对应一个人情绪安抚策略。
个人情绪安抚策略包括但不限于：个人互动、专属邀请、虚拟空间专属特效中的一种或多种。
其中，采用预设极端情绪等级评估规则，分别对极端情绪向量评估结果为极端情绪的各个归一化情绪向量进行极端情绪等级评估，得到极端情绪等级评估结果集合；分别将极端情绪等级评估结果集合中每个极端情绪等级评估结果，在个人情绪安抚策略库的所有极端情绪等级中进行匹配，将在个人情绪安抚策略库中匹配到的各个极端情绪等级各自对应的个人情绪安抚策略作为个人情绪安抚策略集合。
预设极端情绪等级评估规则包括：情绪向量范围数据、极端情绪等级，每个情绪向量范围数据对应一个极端情绪等级。极端情绪等级包括：中等、高等。
在一个实施例中，上述根据共情策略库和目标客户满意度进行共情策略的推荐，得到共情策略推荐结果的步骤，包括：
S61：获取第1时刻至第i时刻的目标客户满意度，得到目标客户满意度集合；
S62：根据目标客户满意度集合进行满意度曲线生成，得到目标满意度曲线；
S63：根据目标满意度曲线进行群体情绪评估，得到群体情绪评估结果；
S64：根据群体情绪评估结果和共情策略库进行共情策略的推荐，得到共情策略推荐结果。
本实施例通过先生成满意度曲线，然后根据满意度曲线进行群体情绪评估，最后根据群体情绪评估结果和共情策略库进行共情策略的推荐，从而实现了自动化针对多个目标客户进行多因子的实时共情策略的推荐，为客户服务人员进行精细化的业务沟通提供了实时的策略反馈，提高了客户服务效果。
对于S61，可以从数据库中获取第1时刻至第i时刻的目标客户满意度，将获取的所有目标客户满意度作为目标客户满意度集合。
也就是说，目标客户满意度集合中包括i个目标客户满意度。
对于S62，将时刻作为x轴，将目标客户满意度作为y轴，根据目标客户满意度集合进行满意度曲线生成，将生成的曲线作为目标满意度曲线。
对于S63，采用预设群体情绪评估规则，对目标满意度曲线进行群体情绪评估，得到群体情绪评估结果。
预设群体情绪评估规则包括：满意度描述数据、群体情绪等级，每个满意度描述数据对应一个群体情绪等级。比如，满意度描述数据为预设时长内满意度高于预设满意度，在此举例不做具体限定。
也就是说，群体情绪评估结果是群体情绪等级。
对于S64，分别将群体情绪评估结果与共情策略库的每个群体情绪等级进行匹配，当存在群体情绪等级与群体情绪评估结果匹配成功时，将与群体情绪评估结果匹配成功的群体情绪等级在共情策略库的共情策略作为共情策略推荐结果。
参照图2，本申请还提出了一种适用于虚拟现实的共情策略推荐装置，装置包括：
数据获取模块100，用于获取目标虚拟空间中的多个目标客户在第i时刻的视频数据集合和虚拟空间行为数据集合；
第一情绪向量集合确定模块200，用于根据视频数据集合中的每个视频数据分别对各目标客户的情绪进行情绪分类预测，得到第一情绪向量集合；
第二情绪向量集合确定模块300，用于分别根据虚拟空间行为数据集合中的每个虚拟空间行为数据对各目标客户的情绪进行情绪分类预测，得到第二情绪向量集合；
目标情绪向量集合确定模块400，用于根据第一情绪向量集合和第二情绪向量集合，分别对每个目标客户的情绪进行数据拟合，得到目标情绪向量集合；
目标客户满意度确定模块500，用于根据目标情绪向量集合进行客户满意度计算，得到第i时刻的目标客户满意度；
共情策略推荐结果确定模块600，用于获取共情策略库，根据共情策略库和目标客户满意度进行共情策略的推荐，得到共情策略推荐结果。
本实施例通过首先根据视频数据集合中的每个视频数据分别对各目标客户的情绪进行情绪分类预测，得到第一情绪向量集合，分别根据虚拟空间行为数据集合中的每个虚拟空间行为数据对各目标客户的情绪进行情绪分类预测，得到第二情绪向量集合，然后根据第一情绪向量集合和第二情绪向量集合，分别对每个目标客户的情绪进行数据拟合，得到目标情绪向量集合，根据目标情绪向量集合进行客户满意度计算，得到第i时刻的目标客户满意度，最后根据共情策略库和目标客户满意度进行共情策略的推荐，得到共情策略推荐结果，从而实现了自动化针对多个目标客户提供了实时共情策略的推荐，避免只通过传统的语音沟通来获取客户片面描述的状态、情况来进行虚拟空间控制和沟通策略调整，可以及时调整整体客户的满意度，提高了客户服务效果。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存适用于虚拟现实的共情策略推荐方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种适用于虚拟现实的共情策略推荐方法。适用于虚拟现实的共情策略推荐方法，包括：获取目标虚拟空间中的多个目标客户在第i时刻的视频数据集合和虚拟空间行为数据集合；根据视频数据集合中的每个视频数据分别对各目标客户的情绪进行情绪分类预测，得到第一情绪向量集合；分别根据虚拟空间行为数据集合中的每个虚拟空间行为数据对各目标客户的情绪进行情绪分类预测，得到第二情绪向量集合；根据第一情绪向量集合和第二情绪向量集合，分别对每个目标客户的情绪进行数据拟合，得到目标情绪向量集合；根据目标情绪向量集合进行客户满意度计算，得到第i时刻的目标客户满意度；获取共情策略库，根据共情策略库和目标客户满意度进行共情策略的推荐，得到共情策略推荐结果。
本实施例通过首先根据视频数据集合中的每个视频数据分别对各目标客户的情绪进行情绪分类预测，得到第一情绪向量集合，分别根据虚拟空间行为数据集合中的每个虚拟空间行为数据对各目标客户的情绪进行情绪分类预测，得到第二情绪向量集合，然后根据第一情绪向量集合和第二情绪向量集合，分别对每个目标客户的情绪进行数据拟合，得到目标情绪向量集合，根据目标情绪向量集合进行客户满意度计算，得到第i时刻的目标客户满意度，最后根据共情策略库和目标客户满意度进行共情策略的推荐，得到共情策略推荐结果，从而实现了自动化针对多个目标客户提供了实时共情策略的推荐，避免只通过传统的语音沟通来获取客户片面描述的状态、情况来进行虚拟空间控制和沟通策略调整，可以及时调整整体客户的满意度，提高了客户服务效果。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种适用于虚拟现实的共情策略推荐方法，包括步骤：获取目标虚拟空间中的多个目标客户在第i时刻的视频数据集合和虚拟空间行为数据集合；根据视频数据集合中的每个视频数据分别对各目标客户的情绪进行情绪分类预测，得到第一情绪向量集合；分别根据虚拟空间行为数据集合中的每个虚拟空间行为数据对各目标客户的情绪进行情绪分类预测，得到第二情绪向量集合；根据第一情绪向量集合和第二情绪向量集合，分别对每个目标客户的情绪进行数据拟合，得到目标情绪向量集合；根据目标情绪向量集合进行客户满意度计算，得到第i时刻的目标客户满意度；获取共情策略库，根据共情策略库和目标客户满意度进行共情策略的推荐，得到共情策略推荐结果。
上述执行的适用于虚拟现实的共情策略推荐方法，通过首先根据视频数据集合中的每个视频数据分别对各目标客户的情绪进行情绪分类预测，得到第一情绪向量集合，分别根据虚拟空间行为数据集合中的每个虚拟空间行为数据对各目标客户的情绪进行情绪分类预测，得到第二情绪向量集合，然后根据第一情绪向量集合和第二情绪向量集合，分别对每个目标客户的情绪进行数据拟合，得到目标情绪向量集合，根据目标情绪向量集合进行客户满意度计算，得到第i时刻的目标客户满意度，最后根据共情策略库和目标客户满意度进行共情策略的推荐，得到共情策略推荐结果，从而实现了自动化针对多个目标客户提供了实时共情策略的推荐，避免只通过传统的语音沟通来获取客户片面描述的状态、情况来进行虚拟空间控制和沟通策略调整，可以及时调整整体客户的满意度，提高了客户服务效果。
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，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种适用于虚拟现实的共情策略推荐方法，其特征在于，所述方法包括：
获取目标虚拟空间中的多个目标客户在第i时刻的视频数据集合和虚拟空间行为数据集合；
根据所述视频数据集合中的每个视频数据分别对各所述目标客户的情绪进行情绪分类预测，得到第一情绪向量集合；
分别根据所述虚拟空间行为数据集合中的每个虚拟空间行为数据对各所述目标客户的情绪进行情绪分类预测，得到第二情绪向量集合；其中，采用预设第二情绪分类预测模型，分别根据虚拟空间行为数据集合中的每个虚拟空间行为数据对各目标客户的情绪进行情绪分类预测，得到第二情绪向量集合，得到第二情绪向量集合中的每个第二情绪向量对应虚拟空间行为数据集合中的一个虚拟空间行为数据；所述预设第二情绪分类预测模型，是基于多因子模型得到的模型；
根据所述第一情绪向量集合和所述第二情绪向量集合，分别对每个所述目标客户的情绪进行数据拟合，得到目标情绪向量集合；
根据所述目标情绪向量集合进行客户满意度计算，得到所述第i时刻的目标客户满意度；
获取共情策略库，根据所述共情策略库和所述目标客户满意度进行共情策略的推荐，得到共情策略推荐结果；
所述根据所述视频数据集合中的每个视频数据分别对各所述目标客户的情绪进行情绪分类预测，得到第一情绪向量集合的步骤，包括：
分别对所述视频数据集合中的每个所述视频数据进行语音转换文本，得到目标文本数据集合；
采用预设意图识别模型，分别对所述目标文本数据集合中的每个目标文本数据进行意图识别，得到意图识别结果集合；
根据获取到的购买异议关键词列表为每个所述目标文本数据进行购买异议关键词匹配，得到多个购买异议关键词集合，其中，所述购买异议关键词列表包括多个所述购买异议关键词；
分别对每个所述目标文本数据进行语义相关性评估，得到语义相关性评估结果集合；
获取预设第一情绪分类预测模型，根据所述预设第一情绪分类预测模型、所述意图识别结果集合、各个所述购买异议关键词集合和所述语义相关性评估结果集合，分别对每个所述目标客户进行情绪分类预测，得到所述第一情绪向量集合；其中，所述预设第一情绪分类预测模型是基于卷积神经网络训练得到的模型；
所述根据所述目标情绪向量集合进行客户满意度计算，得到所述第i时刻的目标客户满意度的步骤，包括：
分别对所述目标情绪向量集合中的每个目标情绪向量进行归一化处理，得到归一化情绪向量集合；
获取客户权重集合和标准情绪向量；
根据所述客户权重集合、所述标准情绪向量和所述归一化情绪向量集合进行客户满意度计算，得到所述第i时刻的所述目标客户满意度，其中，所述目标客户满意度满足的关系式包含了所述客户权重集合与所述标准情绪向量和所述归一化情绪向量集合之间比值的乘积的积分计算；
其中，第i时刻的目标客户满意度的计算公式f(i)为：
m是目标客户的数量，an是第n个目标客户在客户权重集合对应的客户权重，bn是第n个目标客户在归一化情绪向量集合对应的归一化情绪向量，b是标准情绪向量，是对/>进行积分计算。
2.根据权利要求1所述的适用于虚拟现实的共情策略推荐方法，其特征在于，所述获取目标虚拟空间中的多个目标客户在第i时刻的视频数据集合和虚拟空间行为数据集合的步骤之前，还包括：
获取虚拟空间生成请求，所述虚拟空间生成请求携带有沟通目标配置数据；
响应所述虚拟空间生成请求，获取虚拟现实组件库；
根据所述虚拟现实组件库和所述沟通目标配置数据进行虚拟现实组件匹配，得到标准虚拟现实组件集合，其中，所述标准虚拟现实组件集合中包括多个标准虚拟现实组件，每个所述标准虚拟现实组件对应一个目标虚拟场景图像；
获取客户描述数据和代理描述数据；
分别将所述客户描述数据、所述代理描述数据和所述目标虚拟场景图像输入预设图像生成模型进行图像生成，得到个性化图像集合，其中，所述预设图像生成模型是基于图像迁移算法和对抗训练得到的模型；
分别将所述客户描述数据、所述代理描述数据和所述标准虚拟现实组件的每个文本内容，输入预设个性化文本生成模型进行文本内容生成，得到个性化文本内容集合，其中，所述预设个性化文本生成模型是基于LSTM网络和对抗训练得到的模型；
根据所述标准虚拟现实组件集合、所述个性化图像集合和所述个性化文本内容集合分别进行个性化虚拟现实组件生成及虚拟空间生成，得到所述目标虚拟空间。
3.根据权利要求2所述的适用于虚拟现实的共情策略推荐方法，其特征在于，所述根据所述虚拟现实组件库和所述沟通目标配置数据进行虚拟现实组件匹配，得到标准虚拟现实组件集合的步骤，包括：
分别将所述沟通目标配置数据的沟通主题与所述虚拟现实组件库的各个虚拟现实组件名称进行相似度计算，得到主题相似度集合；
采用预设相似度评估规则，从所述主题相似度集合中进行相似度提取，得到目标相似度集合；
根据所述目标相似度集合，从所述虚拟现实组件库进行虚拟现实组件的提取，得到虚拟现实组件子库；
根据所述沟通目标配置数据，从所述虚拟现实组件子库中进行虚拟现实组件提取，得到所述标准虚拟现实组件集合。
4.根据权利要求1所述的适用于虚拟现实的共情策略推荐方法，其特征在于，所述分别对所述目标情绪向量集合中的每个目标情绪向量进行归一化处理，得到归一化情绪向量集合的步骤之后，还包括：
采用预设极端情绪评估规则，根据所述标准情绪向量，分别对所述归一化情绪向量集合中的每个归一化情绪向量进行极端情绪评估，得到多个极端情绪评估结果；
当存在所述极端情绪评估结果为极端情绪时，获取个人情绪安抚策略库，根据所述个人情绪安抚策略库和所述极端情绪评估结果为极端情绪的各个所述归一化情绪向量进行个人情绪安抚策略的推荐，得到个人情绪安抚策略推荐结果集合。
5.根据权利要求1所述的适用于虚拟现实的共情策略推荐方法，其特征在于，所述根据所述共情策略库和所述目标客户满意度进行共情策略的推荐，得到共情策略推荐结果的步骤，包括：
获取第1时刻至所述第i时刻的所述目标客户满意度，得到目标客户满意度集合；
根据所述目标客户满意度集合进行满意度曲线生成，得到目标满意度曲线；
根据所述目标满意度曲线进行群体情绪评估，得到群体情绪评估结果；
根据所述群体情绪评估结果和所述共情策略库进行共情策略的推荐，得到所述共情策略推荐结果。
6.一种适用于虚拟现实的共情策略推荐装置，用于实现如权利要求1-5中任一项所述的方法，其特征在于，所述装置包括：
数据获取模块，用于获取目标虚拟空间中的多个目标客户在第i时刻的视频数据集合和虚拟空间行为数据集合；
第一情绪向量集合确定模块，用于根据所述视频数据集合中的每个视频数据分别对各所述目标客户的情绪进行情绪分类预测，得到第一情绪向量集合；
第二情绪向量集合确定模块，用于分别根据所述虚拟空间行为数据集合中的每个虚拟空间行为数据对各所述目标客户的情绪进行情绪分类预测，得到第二情绪向量集合；
目标情绪向量集合确定模块，用于根据所述第一情绪向量集合和所述第二情绪向量集合，分别对每个所述目标客户的情绪进行数据拟合，得到目标情绪向量集合；
目标客户满意度确定模块，用于根据所述目标情绪向量集合进行客户满意度计算，得到所述第i时刻的目标客户满意度；
共情策略推荐结果确定模块，用于获取共情策略库，根据所述共情策略库和所述目标客户满意度进行共情策略的推荐，得到共情策略推荐结果。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202110943061.1A 2021-08-17 2021-08-17 适用于虚拟现实的共情策略推荐方法、装置、设备及介质 Active CN113643046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110943061.1A CN113643046B (zh) 2021-08-17 2021-08-17 适用于虚拟现实的共情策略推荐方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110943061.1A CN113643046B (zh) 2021-08-17 2021-08-17 适用于虚拟现实的共情策略推荐方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113643046A CN113643046A (zh) 2021-11-12
CN113643046B true CN113643046B (zh) 2023-07-25

Family

ID=78422377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110943061.1A Active CN113643046B (zh) 2021-08-17 2021-08-17 适用于虚拟现实的共情策略推荐方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113643046B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114281993B (zh) * 2021-12-23 2024-03-29 中国科学技术大学 一种文本共情预测系统及方法
CN115375001A (zh) * 2022-07-11 2022-11-22 重庆旅游云信息科技有限公司 一种用于景区的游客情绪评估方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016203179A1 (fr) * 2015-06-18 2016-12-22 Spideo Procédé et système de recommandation de contenus a un utilisateur en fonction de l'historique d'interaction de l'utilisateur
CN110413837A (zh) * 2019-05-30 2019-11-05 腾讯科技（深圳）有限公司 视频推荐方法和装置
WO2020233504A1 (en) * 2019-05-17 2020-11-26 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for emotion recognition
CN112215962A (zh) * 2020-09-09 2021-01-12 温州大学 一种虚拟现实情感刺激系统及其创建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2019384515B2 (en) * 2018-11-19 2022-09-15 TRIPP, Inc. Adapting a virtual reality experience for a user based on a mood improvement score

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016203179A1 (fr) * 2015-06-18 2016-12-22 Spideo Procédé et système de recommandation de contenus a un utilisateur en fonction de l'historique d'interaction de l'utilisateur
WO2020233504A1 (en) * 2019-05-17 2020-11-26 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for emotion recognition
CN110413837A (zh) * 2019-05-30 2019-11-05 腾讯科技（深圳）有限公司 视频推荐方法和装置
CN112215962A (zh) * 2020-09-09 2021-01-12 温州大学 一种虚拟现实情感刺激系统及其创建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
虚拟现实环境下用户信息行为研究动态及趋势分析;王晰巍等;图书情报工作(第05期);第14-20页 *

Also Published As

Publication number Publication date
CN113643046A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN110046221B (zh) 一种机器对话方法、装置、计算机设备及存储介质
WO2022041979A1 (zh) 一种信息推荐模型的训练方法和相关装置
CN108829822B (zh) 媒体内容的推荐方法和装置、存储介质、电子装置
Güçlütürk et al. Deep impression: Audiovisual deep residual networks for multimodal apparent personality trait recognition
CN111783902B (zh) 数据增广、业务处理方法、装置、计算机设备和存储介质
CN113643046B (zh) 适用于虚拟现实的共情策略推荐方法、装置、设备及介质
CN111246256A (zh) 基于多模态视频内容和多任务学习的视频推荐方法
Nadimi-Shahraki et al. Cold-start problem in collaborative recommender systems: Efficient methods based on ask-to-rate technique
Okon et al. An improved online book recommender system using collaborative filtering algorithm
CN112364234B (zh) 一种在线讨论的自动分组系统
US10185983B2 (en) Least-ask: conversational recommender system with minimized user interaction
CN113643047B (zh) 虚拟现实控制策略的推荐方法、装置、设备及存储介质
CN111597313B (zh) 问答方法、装置、计算机设备和存储介质
CN110580516B (zh) 一种基于智能机器人的交互方法及装置
CN112989212B (zh) 媒体内容推荐方法、装置和设备及计算机存储介质
CN114678014A (zh) 意图识别方法、装置、计算机设备及计算机可读存储介质
CN113112282A (zh) 基于客户画像处理咨诉问题的方法、装置、设备及介质
CN115409203A (zh) 一种基于模型无关元学习的联邦推荐方法及系统
US20210295186A1 (en) Computer-implemented system and method for collecting feedback
CN110310169A (zh) 基于兴趣值的信息推送方法、装置、设备及介质
CN112053245B (zh) 信息评估方法及系统
CN113641835A (zh) 多媒体资源推荐方法、装置、电子设备及介质
CN113434633B (zh) 基于头像的社交话题推荐方法、装置、设备及存储介质
JP2019096189A (ja) 楽曲選択装置、楽曲選択方法及びプログラム
CN114420313A (zh) 目标对象匹配方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant