CN113743129A - 基于神经网络的信息推送方法、系统、设备及介质 - Google Patents

基于神经网络的信息推送方法、系统、设备及介质 Download PDF

Info

Publication number
CN113743129A
CN113743129A CN202111156853.0A CN202111156853A CN113743129A CN 113743129 A CN113743129 A CN 113743129A CN 202111156853 A CN202111156853 A CN 202111156853A CN 113743129 A CN113743129 A CN 113743129A
Authority
CN
China
Prior art keywords
information
dialogue
product information
product
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
Application number
CN202111156853.0A
Other languages
English (en)
Other versions
CN113743129B (zh
Inventor
舒畅
陈又新
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 Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co 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 Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202111156853.0A priority Critical patent/CN113743129B/zh
Publication of CN113743129A publication Critical patent/CN113743129A/zh
Priority to PCT/CN2022/074395 priority patent/WO2023050669A1/zh
Application granted granted Critical
Publication of CN113743129B publication Critical patent/CN113743129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能领域，提供了一种基于神经网络的信息推送方法，所述方法包括：获取目标用户的第一对话信息和目标对象根据所述第一对话信息回复的第二对话信息；根据所述第一对话信息获取第一产品信息，并根据所述第一产品信息判断所述第二对话信息中是否存在所述第一产品信息对应的第二产品信息；如果所述第二对话信息中存在所述第二产品信息，则根据所述第二产品信息确定目标产品信息，并返回与所述目标产品信息对应的目标推送信息；如果所述第二对话信息中不存在所述第二产品信息，则判断所述第二对话信息是否为异议信息；及如果第二对话信息为异议信息，则返回所述第二对话信息对应的异议推送信息。本发明提高了信息推送的效率和准确性。

Description

基于神经网络的信息推送方法、系统、设备及介质
技术领域
本发明实施例涉及人工智能领域，尤其涉及一种基于神经网络的信息推送方法、系统、设备及介质。
背景技术
在线下或线上销售过程中，往往需要销售人员向顾客沟通介绍商品，但是一些销售人员往往会因为经验不足或对产品相关信息、产品相关的竞争产品的相关信息了解不够全面等问题，导致销售人员无法快速准确的应对客户提出的问题，从而导致客户满意度降低失去销售契机。目前，相关技术只能向推销者提供预先收集的话术以解决销售人员经验不足的问题，但是，无法解决销售人员对产品相关信息了解不够全面，无法向销售人员推送产品相关的竞争产品的相关信息等问题。因此，如何解决现有技术无法实现向销售人员推送竞品的相关信息，且信息推送准确率低、效果差的问题，成为了当前亟需解决的技术问题。
发明内容
有鉴于此，有必要提供一种基于神经网络的信息推送方法、系统、设备及可读存储介质，以解决现有技术无法实现向销售人员推送竞品的相关信息，且信息推送准确率低、效果差的问题。
为实现上述目的，本发明实施例提供了一种基于神经网络的信息推送方法，所述方法步骤包括：
获取目标用户的第一对话信息和目标对象根据所述第一对话信息回复的第二对话信息；
根据所述第一对话信息获取第一产品信息，并根据所述第一产品信息判断所述第二对话信息中是否存在所述第一产品信息对应的第二产品信息；
如果所述第二对话信息中存在所述第二产品信息，则根据所述第二产品信息确定目标产品信息，并将与所述目标产品信息对应的目标推送信息发送到与所述目标用户关联的用户终端；
如果所述第二对话信息中不存在所述第二产品信息，则判断所述第二对话信息是否为异议信息；及
如果所述第二对话信息为异议信息，则将所述第二对话信息对应的异议推送信息发送到所述用户终端。
可选的，所述根据所述第一对话信息获取第一产品信息，并根据所述第一产品信息判断所述第二对话信息中是否存在所述第一产品信息对应的第二产品信息的步骤，包括：
判断所述第一对话信息和所述第二对话信息是否为文本信息；
如果所述第一对话信息和所述第二对话信息不是文本信息，则分别对所述第一对话信息和所述第二对话信息进行转写操作，以得到第一文本信息和第二文本信息；及
根据所述第一文本信息获取第一产品信息，并根据所述第一产品信息判断所述第二文本信息中是否存在所述第一产品信息对应的第二产品信息。
可选的，所述根据所述第一文本信息获取第一产品信息，并根据所述第一产品信息判断所述第二文本信息中是否存在所述第一产品信息对应的第二产品信息的步骤，包括：
从所述第一文本信息中提取多个第一关键词；
根据所述多个第一关键词从预设映射表中确定所述第一产品信息；
获取所述第一产品信息关联的多个关联关键词，其中，每个关联词对应的一个第二产品信息；
从所述第二文本信息中提取多个第二关键词；及
分别计算每个第二关键词与各个关联关键词的关键词相似度，得到每个日志关键词对应的多个关键词相似度；
根据各个第二关键词所对应的多个关键词相似度和预设关键词相似度判断所述第二文本信息中是否存在所述第一产品信息对应的第二产品信息，其中，当所述多个关键词相似度中存在至少一个关键词相似度大于所述预设关键词相似度时，则所述第二文本信息中存在所述第一产品信息对应的第二产品信息。
可选的，所述如果所述第二对话信息中存在所述第二产品信息，则根据所述第二产品信息确定目标产品信息，并将与所述目标产品信息对应的目标推送信息发送到与所述目标用户关联的用户终端的步骤，包括：
根据预先配置的多个属性分类模型，获取所述第二产品信息对应的多个属性和各个属性对应的预测属性值；
根据所述多个属性和所述多个预测属性值，提取所述第二产品信息的属性预测向量；及
根据所述属性预测向量，从数据库中获取与所述属性预测向量相似度最高的目标向量，并根据所述目标向量确定所述目标产品信息。
可选的，如果所述第二对话信息为异议信息，则将所述第二对话信息对应的异议推送信息发送到所述用户终端的步骤，包括：
提取所述异议信息对应的异议向量，并根据所述异议向量从所述数据库中获取与所述异议向量相识度最高的目标异议向量；及
根据所述目标异议向量确定目标异议，并根据所述目标异议从数据库中获取所述异议推送信息。
可选的，还包括：
如果所述第二对话信息中不存在异议信息，则将所述第二对话信息输入到预先训练好的环节分类模型，以通过所述环节分类模型输出所述第二对话信息的当前对话环节类型；及
根据所述当前对话环节类型和所述第二对话信息从数据库中获取所述第二对话信息对应的对话推送信息，并将所述对话推送信息发送到所述用户终端。
可选的，还包括：根据所述目标调用链对所述目标方法进行测试，并将所述目标调用链上传到区块链。
为实现上述目的，本发明实施例还提供了一种基于神经网络的信息推送系统，包括：
信息获取模块，用于获取目标用户的第一对话信息和目标对象根据所述第一对话信息回复的第二对话信息；
第一判断模块，用于根据所述第一对话信息获取第一产品信息，并根据所述第一产品信息判断所述第二对话信息中是否存在所述第一产品信息对应的第二产品信息；
第一发送模块，用于如果所述第二对话信息中存在所述第二产品信息，则根据所述第二产品信息确定目标产品信息，并将与所述目标产品信息对应的目标推送信息发送到与所述目标用户关联的用户终端；
第二判断模块，用于如果所述第二对话信息中不存在所述第二产品信息，则判断所述第二对话信息是否为异议信息；及
第二发送模块，用于如果所述第二对话信息为异议信息，则将所述第二对话信息对应的异议推送信息发送到所述用户终端。
为实现上述目的，本发明实施例还提供了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现如上述的基于神经网络的信息推送方法的步骤。
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上述的基于神经网络的信息推送方法的步骤。
本发明实施例提供的基于神经网络的信息推送方法、系统、计算机设备及计算机可读存储介质，本实施例通过判断所述第二对话信息中是否存在所述第一产品信息对应的第二产品信息，若存在第二产品信息则返回对应的推送信息，解决了现有技术无法实现向销售人员推送竞品的相关信息的问题，通过判断所述第二对话信息是否为异议信息，若存在异议信息则返回所述第二对话信息对应的异议推送信息，提高了信息推送的效率和准确性。
附图说明
图1为本发明实施例基于神经网络的信息推送方法的流程示意图；
图2为本发明基于神经网络的信息推送系统实施例二的程序模块示意图；
图3为本发明计算机设备实施例三的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
实施例一
参阅图1，示出了本发明实施例之基于神经网络的信息推送方法的步骤流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。本实施例中的基于神经网络的信息推送系统可以被执行在计算机设备2中，下面以计算机设备2为执行主体进行示例性描述。具体如下。
步骤S100，获取目标用户的第一对话信息和目标对象根据所述第一对话信息回复的第二对话信息。
所述目标用户可以是产品销售过程中的销售人员，所述目标对象可以是所述销售人员的顾客；在线下或线上销售过程中，往往需要销售人员(目标用户)向顾客(目标对象)沟通介绍商品，但是一些销售人员往往会因为经验不足或对产品相关信息了解不够全面等问题，导致销售人员无法快速准确的应对客户提出的问题，从而导致客户满意度降低失去销售契机。鉴于此，本实施例提出一种基于神经网络的数据推送方法，可以应用于目标产品的销售场景，以帮助销售人员快速准确的回答客户提出的问题，所述目标产品可以是各类保险产品。
所述目标对象与所述目标用户的对话场景可以是面对面真人对话场景、电话语音对话场景、线上文字对话场景等。所述第一对话信息可以是所述销售人员的对话信息，即，销售人员说的话，如销售人员(目标用户)向顾客(目标对象)沟通介绍商品时说的话；所述第二对话信息为顾客说的话。
步骤S102，根据所述第一对话信息获取第一产品信息，并根据所述第一产品信息判断所述第二对话信息中是否存在所述第一产品信息对应的第二产品信息。
需要说明的是，一般销售人员在对话刚开始时就会向顾客(目标对象)介绍商品，本实施例可以从所述销售人员(目标用户)向顾客(目标对象)介绍产品中获取所述第一产品信息，所述第一产品信息为所述销售人员(目标用户)向顾客(目标对象)介绍的产品信息。
当得到所述第一产品信息后，计算机设备2可以根据所述第一产品信息判断所述第二对话信息中是否存在所述第一产品信息对应的第二产品信息。其中，所述第二产品信息可以是第一产品的竞品信息；例如，所述第一产品信息对应的产品为A保险，若所述第二对话信息为“我昨天看了B公司的X保险，觉得那个比较好”，那么，“X保险”及“A保险”的一个竞品，即“X保险”可以是所述第一产品信息对应的第二产品信息。
在示例性的实施例中，步骤S102还可以包括步骤S200～步骤S202，其中：步骤S200，判断所述第一对话信息和所述第二对话信息是否为文本信息；步骤S202，如果所述第一对话信息和所述第二对话信息不是文本信息，则分别对所述第一对话信息和所述第二对话信息进行转写操作，以得到第一文本信息和第二文本信息；及步骤S204，根据所述第一文本信息获取第一产品信息，并根据所述第一产品信息判断所述第二文本信息中是否存在所述第一产品信息对应的第二产品信息。本实施例通过判断所述第一对话信息和所述第二对话信息是否为文本信息，以使本实施例可以应用于各种对话场景，提高了应用范围。
需要说明的是，所述第一对话信息和所述第二对话信息可以文字信息，所述第一对话信息和所述第二对话信息也可以不是文字信息(如可以语音信息)。
当得到所述第一对话信息和所述第二对话信息时，计算机设备2还可以检测所述第一对话信息和所述第二对话信息是否为文本信息，如果不是文本信息则需要先将所述第一对话信息和所述第二对话信息转换为文本信息。
示例性的，当所述对话场景为面对面真人对话场景或电话语音对话场景等语音对话场景时，则获取到的所述第一对话信息和所述第二对话信息为语音信息，此时需要先将对话时的语音转化为文字。例如，计算机设备2可以通过转写的方式所述第一对话信息和所述第二对话信息转为所述第一文本信息和所述第二文本信息。
在本实施例中，计算机设备2可以对所述语音形式的对话信息(所述第一对话信息或所述第二对话信息)进行转写操作，以得到多个语音文本；然后计算每个语音文本与所述语音形式的对话信息之间匹配度；并将所述多个语音文本中与所述语音形式的对话信息匹配度最高的语音文本作为所述文字形式的对话信息，以得到所述第一文本信息或所述第二文本信息。其中，计算每个语音文本w和所述语音形式的对话信息之间的匹配度，具体可以将与所述语音形式的对话信息匹配度最高的语音文本作为所述文字形式的对话信息
Figure BDA0003288918910000081
Figure BDA0003288918910000082
Figure BDA0003288918910000091
通过贝叶斯公式可以将p(w|x)转换为p(x|w)p(w)进行计算
Figure BDA0003288918910000092
。其中，p(x|w)表示声学模型；p(w)表示语言模型；p(x)表示声学特征概率，对于不同的w该量是常值，在计算
Figure BDA0003288918910000093
时可以忽略。本实施例通过从所述多个语音文本中获取与所述语音形式的对话信息匹配度最高的文字形式的对话信息，提高了语音识别的转写正确率。
当所述对话场景为线上文字对话场景等文字对话场景时，则计算机设备2可以直接获取文字形式的对话信息(所述第一文本信息和所述第二文本信息)。
在示例性的实施例中，步骤S204还可以包括步骤S300～步骤S310，其中：步骤S300，从所述第一文本信息中提取多个第一关键词；步骤S302，根据所述多个第一关键词从预设映射表中确定所述第一产品信息；步骤S304，获取所述第一产品信息关联的多个关联关键词，其中，每个关联词对应的一个第二产品信息；步骤S306，从所述第二文本信息中提取多个第二关键词；及步骤S308，分别计算每个第二关键词与各个关联关键词的关键词相似度，得到每个日志关键词对应的多个关键词相似度；步骤S310，根据各个第二关键词所对应的多个关键词相似度和预设关键词相似度判断所述第二文本信息中是否存在所述第一产品信息对应的第二产品信息，其中，当所述多个关键词相似度中存在至少一个关键词相似度大于所述预设关键词相似度时，则所述第二文本信息中存在所述第一产品信息对应的第二产品信息。本实施例通过提取多个第一关键词、多个第二关键词以及多个关联关键词，并根据所述多个第二关键词和是多个关联关键词判断所述第二文本信息中是否存在所述第一产品信息对应的第二产品信息，提高了所述第二文本信息的识别准确性。需要说明的是，为了提高匹配范围本实施例还可以通过余弦相识度算法计算每个第二关键词与各个关联关键词的关键词相似度，并根据各个第二关键词所对应的多个关键词相似度和预设关键词相似度判断所述第二文本信息中是否存在所述第一产品信息对应的第二产品信息。
在本实施例中，计算机设备2可以将所述第一文本信息输入到预先训练好的神经网络模型中，以得到所述神经网络模型输出的第一关键词；计算机设备2还可以将所述第二文本信息输入到所述神经网络模型中，以得到所述神经网络模型输出的第二关键词；其中，所述神经网络模型可以是双向长短期记忆神经网络，所述双向长短期记忆神经网络用于从所述第一文本信息和第二文本信息中提取主要信息，以得到所述多个第一关键词和所述多个第二关键词。
所述预设映射表可以是预先根据多个产品的基础信息预先构建的信息映射表，例如，计算机设备2可以预先获取多个产品的基础信息，例如，属性信息，每个产品可以包括多个属性，计算机设备2可以于每个产品的多个属性提取该产品的多个标签，以根据多个标签建立该产品的信息映射表，当所述多个第一关键词和所述预设映射表其中一个产品的多个标签匹配时，则该产品的信息为第一文本信息对应的第一产品信息。
所述预设映射表中预先为每个产品配置了多个竞品，并根据每个产品的多个竞品的基础信息为该产品提取了多个关联关键词。当得到所述第一产品信息时，计算机设备2可以根据所述第一产品信息从所述预设映射表中获取所述第一产品信息的多个关联关键词。
当得到所述多个关联关键词和多个第二关键词后，计算机设备2可以根据所述多个关联关键词判断所述预设映射表中是否存在对应的产品，如果存在对应的产品则根据所述多个第二关键词判断该产品是否为所述第二产品信息，即判断该产品是否为所述第一产品的竞品。
步骤S104，如果所述第二对话信息中存在所述第二产品信息，则根据所述第二产品信息确定目标产品信息，并将与所述目标产品信息对应的目标推送信息发送到与所述目标用户关联的用户终端。
如果所述多个第二关键词对应的产品信息与所述多个关联关键词中任意一个匹配，则所述第二文本信息中存在所述第一产品信息对应的第二产品信息。
在示例性的实施例中，步骤S104还可以包括步骤S400～步骤S404，其中：步骤S400，根据预先配置的多个属性分类模型，获取所述第二产品信息对应的多个属性和各个属性对应的预测属性值；步骤S402，根据所述多个属性和所述多个预测属性值，提取所述第二产品信息的属性预测向量；及步骤S404，根据所述属性预测向量，从数据库中获取与所述属性预测向量相似度最高的目标向量，并根据所述目标向量确定所述目标产品信息。在销售过程中，销售人员(目标用户)向顾客(目标对象)沟通介绍商品时，销售人员(目标用户)提到的产品(第一产品信息)往往是产品的专有名称，计算机设备2可以直接识别出对应的产品，但是，顾客(目标对象)提到的可能不是产品的专有名称，所以，本实施例在识别顾客(目标对象)提到的产品(第二产品信息)时，需要通过预先训练的多个属性分类模型，确定第二产品信息对应的所述目标产品信息，以提高所述第二产品信息识别准确性。
需要说明的是，每个产品可以包括多个属性，如，产品：X保险的属性可以包括保险类型(如，重疾险)、销售地区(如，北京市和天津市)、年龄段(如，70岁)等。
示例性的，所述多个属性分类模型包括保险类型分类模型、销售地区分类模型、年龄段分类模型等，其中，所述第二产品信息的每个属性的概率值(预测属性值)可以通过一个对应的属性分类模型获取。例如，将“x保险”输入到保险类型分类模型中，所述保险类型分类模型的softmax层所输出的输出值可以用于表示“x保险”在不同保险类型上的概率分布；计算机设备2可以选取softmax层所输出的输出值中的最大值最为作为“x保险”的保险类型判断结果；例如，若输出值中的最大值对应的类型是“重疾险”，则“x保险”的保险类型为“重疾险”，其中，“重疾险”对应的预测属性值为“重疾险”的概率。其中，各个属性分类模型的softmax层所输出的输出值的范围为0～1，各个属性分类模型可以通过多个标注数据进行训练。
当获取到所述第二产品信息对应的多个属性和各个属性对应的预测属性值后，计算机设备2可以根据所述多个属性和所述多个预测属性值，提取所述第二产品信息的属性预测向量，其中，所述属性预测向量可以用于从数据库中匹配与所述属性预测向量相似度最高的目标向量，并根据所述目标向量确定所述目标产品信息。其中，计算机设备2可以通过余弦相似度算法计算数据库中各个预先配置的向量与所述属性预测向量的相似度，并从各个相识度中选择与所述属性预测向量相似度最高的向量作为所述目标向量。
步骤S106，如果所述第二对话信息中不存在所述第二产品信息，则判断所述第二对话信息是否为异议信息。
如果所述第二对话信息中不存在对应的所述第二产品信息，即目标对象没有在对话中提及与所述第一产品相关的产品，本实施例还可以判断所述第二对话信息是否出自异议信息，所述异议信息可以对所述对话信息不认同、反驳等信息，其中，所述异议信息的识别可以通过异议意图识别模型识别，以确定所述第二对话信息是否为异议信息。
示例性的，为了提高异议信息的识别效率，本实施例还可以通过预先训练的异议分类模型对所述第二对话信息进行异议信息的识别。其中，所述异议分类模型可以是一个二分类的分类器，所述异议分类模型可以通过标注的异议和非异议数据作为训练样本进行训练。本实施例还可以通过MLP为分类器，识别出“我没空”为“异议”。
步骤S108，如果所述第二对话信息为异议信息，则将所述第二对话信息对应的异议推送信息发送到所述用户终端。
在示例性的实施例中，步骤S106还可以包括步骤S500～步骤S502，其中：步骤S500，提取所述异议信息对应的异议向量，并根据所述异议向量从所述数据库中获取与所述异议向量相识度最高的目标异议向量；及步骤S502，根据所述目标异议向量确定目标异议，并根据所述目标异议从数据库中获取所述异议推送信息。其中，获取与所述异议向量相识度最高的目标异议向量可以通过余弦相似度算法计算数据库中各个预先配置的向量与所述异议向量的相似度，并从各个相识度中选择与所述异议向量相似度最高的向量作为所述目标异议向量。本实施例通过提取所述异议信息对应的异议向量，从数据库中获取所述异议推送信息，提高了异议信息匹配效率和准确率。
在示例性的实施例中，所述基于神经网络的信息推送方法还包括步骤S600～步骤S602，其中：步骤S600，如果所述第二对话信息中不存在异议信息，则将所述第二对话信息输入到预先训练好的环节分类模型，以通过所述环节分类模型输出所述第二对话信息的当前对话环节类型；及步骤S602，根据所述当前对话环节类型和所述第二对话信息从数据库中获取所述第二对话信息对应的对话推送信息，并将所述对话推送信息发送到所述用户终端。在本实施例中，如果所述第二对话信息中不存在所述异议信息，即目标对象没有对所述第一产品提出异议，这时计算机设备2可以根据所述当前对话环节从数据库中获取所述第二对话信息对应的对话推送信息，该对话推送信息可以是针对当前环节的通用话术等，本实施例通过获取所述第二对话信息的当前对话环节；并根据所述当前对话环节从数据库中获取所述第二对话信息对应的对话推送信息，提高了信息推送的准确性。本实施例可以将所述第二对话信息输入到预先训练好的环节分类模型，以通过所述环节分类模型输出所述第二对话信息的当前对话环节类型，其中，所述环节分类模型可以是通过大量的训练样本对一个softmax多分类的分类器训练得到，所述环节分类模型的训练样本可以是预先标注有环节标签的对话文本，例如，对话文本：“你好”可以属于“开场白”环节，即，对话文本：“你好”的环节标签可以是“开场白”(即，将对话文本：“你好”标注为“开场白”)。具体的，计算机设备2可以先通过GRU(Gated Recurrent Unit门控循环单元)神经网络对所述第二对话信息进行编码，并将所述第二对话信息的编码输入到所述预先训练好的环节分类模型，以通过所述预先训练好的环节分类模型输出所述第二对话信息的环节类型。
在一些实施例中，如果所述对话场景为面对面真人对话场景或电话语音对话场景等语音对话场景，则将文字信息转换为语音返回到销售人员的用户终端关联的耳机中，或用户终端关联的显示屏幕上。若所述对话场景为线上文字对话场景等文字对话场景，则将文字信息返回到用户终端关联的显示屏幕上。本实施例还可以大幅提高保险销售人员的成功率，降低销售人员培训练习的时间，即使是初级人员，也可以通过该助手获取实时的高质量销售话术提示。
在示例性的实施例中，所述基于神经网络的信息推送方法还包括步骤S700：将所述目标推送信息或所述异议推送信息上传到区块链。
示例性的，将所述目标推送信息或所述异议推送信息上传至区块链可保证其安全性和公正透明性。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。
实施例二
图2为本发明基于神经网络的信息推送系统实施例二的程序模块示意图。基于神经网络的信息推送系统20可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述基于神经网络的信息推送方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述基于神经网络的信息推送系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：
信息获取模块200，用于获取目标用户的第一对话信息和目标对象根据所述第一对话信息回复的第二对话信息。
第一判断模块202，用于根据所述第一对话信息获取第一产品信息，并根据所述第一产品信息判断所述第二对话信息中是否存在所述第一产品信息对应的第二产品信息。
第一发送模块204，用于如果所述第二对话信息中存在所述第二产品信息，则根据所述第二产品信息确定目标产品信息，并将与所述目标产品信息对应的目标推送信息发送到与所述目标用户关联的用户终端。
第二判断模块206，用于如果所述第二对话信息中不存在所述第二产品信息，则判断所述第二对话信息是否为异议信息。
第二发送模块208，用于如果所述第二对话信息为异议信息，则将所述第二对话信息对应的异议推送信息发送到所述用户终端。
示例性的，所述第一判断模块202，还用于：判断所述第一对话信息和所述第二对话信息是否为文本信息；如果所述第一对话信息和所述第二对话信息不是文本信息，则分别对所述第一对话信息和所述第二对话信息进行转写操作，以得到第一文本信息和第二文本信息；及根据所述第一文本信息获取第一产品信息，并根据所述第一产品信息判断所述第二文本信息中是否存在所述第一产品信息对应的第二产品信息。
示例性的，所述第一判断模块202，还用于：从所述第一文本信息中提取多个第一关键词；根据所述多个第一关键词从预设映射表中确定所述第一产品信息；获取所述第一产品信息关联的多个关联关键词，其中，每个关联词对应的一个第二产品信息；从所述第二文本信息中提取多个第二关键词；分别计算每个第二关键词与各个关联关键词的关键词相似度，得到每个日志关键词对应的多个关键词相似度；及根据各个第二关键词所对应的多个关键词相似度和预设关键词相似度判断所述第二文本信息中是否存在所述第一产品信息对应的第二产品信息，其中，当所述多个关键词相似度中存在至少一个关键词相似度大于所述预设关键词相似度时，则所述第二文本信息中存在所述第一产品信息对应的第二产品。
示例性的，所述第一发送模块204，还用于：根据预先配置的多个属性分类模型，获取所述第二产品信息对应的多个属性和各个属性对应的预测属性值；根据所述多个属性和所述多个预测属性值，提取所述第二产品信息的属性预测向量；及根据所述属性预测向量，从数据库中获取与所述属性预测向量相似度最高的目标向量，并根据所述目标向量确定所述目标产品信息。
示例性的，所述第二发送模块208，还用于：提取所述异议信息对应的异议向量，并根据所述异议向量从所述数据库中获取与所述异议向量相识度最高的目标异议向量；及根据所述目标异议向量确定目标异议，并根据所述目标异议从数据库中获取所述异议推送信息。
示例性的，所述基于神经网络的信息推送系统20还包括，第三发送模块，所述第三发送模块，用于如果所述第二对话信息中不存在异议信息，则将所述第二对话信息输入到预先训练好的环节分类模型，以通过所述环节分类模型输出所述第二对话信息的当前对话环节类型；及根据所述当前对话环节类型和所述第二对话信息从数据库中获取所述第二对话信息对应的对话推送信息，并将所述对话推送信息发送到所述用户终端。
示例性的，所述基于神经网络的信息推送系统20还包括，上传模块，所述上传模块，用于将所述目标推送信息或所述异议推送信息上传到区块链。
实施例三
参阅图3，是本发明实施例三之计算机设备的硬件架构示意图。本实施例中，计算机设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图所示，计算机设备2至少包括，但不限于，可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及基于神经网络的信息推送系统20。
本实施例中，存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2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。当然，存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件，例如实施例二的基于神经网络的信息推送系统20的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行基于神经网络的信息推送系统20，以实现实施例一的基于神经网络的信息推送方法。
所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在计算机设备2与其他电子装置之间建立通信连接。例如，所述网络接口23用于通过网络将计算机设备2与外部终端相连，在计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communicatI/On，GSM)、宽带码分多址(Wideband CodeDivisI/On Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图3仅示出了具有部件20-23的计算机设备2，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器21中的基于神经网络的信息推送系统20还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器(本实施例为处理器22)所执行，以完成本发明。
例如，图2示出了本发明实施例二之所述实现基于神经网络的信息推送系统20的程序模块示意图，该实施例中，所述基于神经网络的信息推送系统20可以被划分为信息获取模块200、第一判断模块202、第一发送模块204、第二判断模块206和第二发送模块208。其中，本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述基于神经网络的信息推送系统20在计算机设备2中的执行过程。所述程序模块200-208的具体功能在实施例二中已有详细描述，在此不再赘述。
实施例四
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质基于神经网络的信息推送系统20，被处理器执行时实现实施例一的基于神经网络的信息推送方法。
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。
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上述实施例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。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于神经网络的信息推送方法，其特征在于，所述方法包括：
获取目标用户的第一对话信息和目标对象根据所述第一对话信息回复的第二对话信息；
根据所述第一对话信息获取第一产品信息，并根据所述第一产品信息判断所述第二对话信息中是否存在所述第一产品信息对应的第二产品信息；
如果所述第二对话信息中存在所述第二产品信息，则根据所述第二产品信息确定目标产品信息，并将与所述目标产品信息对应的目标推送信息发送到与所述目标用户关联的用户终端；
如果所述第二对话信息中不存在所述第二产品信息，则判断所述第二对话信息是否为异议信息；及
如果所述第二对话信息为异议信息，则将所述第二对话信息对应的异议推送信息发送到所述用户终端。
2.如权利要求1所述的基于神经网络的信息推送方法，其特征在于，所述根据所述第一对话信息获取第一产品信息，并根据所述第一产品信息判断所述第二对话信息中是否存在所述第一产品信息对应的第二产品信息的步骤，包括：
判断所述第一对话信息和所述第二对话信息是否为文本信息；
如果所述第一对话信息和所述第二对话信息不是文本信息，则分别对所述第一对话信息和所述第二对话信息进行转写操作，以得到第一文本信息和第二文本信息；及
根据所述第一文本信息获取第一产品信息，并根据所述第一产品信息判断所述第二文本信息中是否存在所述第一产品信息对应的第二产品信息。
3.如权利要求2所述的基于神经网络的信息推送方法，其特征在于，所述根据所述第一文本信息获取第一产品信息，并根据所述第一产品信息判断所述第二文本信息中是否存在所述第一产品信息对应的第二产品信息的步骤，包括：
从所述第一文本信息中提取多个第一关键词；
根据所述多个第一关键词从预设映射表中确定所述第一产品信息；
获取所述第一产品信息关联的多个关联关键词，其中，每个关联词对应的一个第二产品信息；
从所述第二文本信息中提取多个第二关键词；
分别计算每个第二关键词与各个关联关键词的关键词相似度，得到每个日志关键词对应的多个关键词相似度；及
根据各个第二关键词所对应的多个关键词相似度和预设关键词相似度判断所述第二文本信息中是否存在所述第一产品信息对应的第二产品信息，其中，当所述多个关键词相似度中存在至少一个关键词相似度大于所述预设关键词相似度时，则所述第二文本信息中存在所述第一产品信息对应的第二产品信息。
4.如权利要求3所述的基于神经网络的信息推送方法，其特征在于，所述如果所述第二对话信息中存在所述第二产品信息，则根据所述第二产品信息确定目标产品信息，并将与所述目标产品信息对应的目标推送信息发送到与所述目标用户关联的用户终端的步骤，包括：
根据预先配置的多个属性分类模型，获取所述第二产品信息对应的多个属性和各个属性对应的预测属性值；
根据所述多个属性和所述多个预测属性值，提取所述第二产品信息的属性预测向量；及
根据所述属性预测向量，从数据库中获取与所述属性预测向量相似度最高的目标向量，并根据所述目标向量确定所述目标产品信息。
5.如权利要求1所述的基于神经网络的信息推送方法，其特征在于，如果所述第二对话信息为异议信息，则将所述第二对话信息对应的异议推送信息发送到所述用户终端的步骤，包括：
提取所述异议信息对应的异议向量，并根据所述异议向量从所述数据库中获取与所述异议向量相识度最高的目标异议向量；及
根据所述目标异议向量确定目标异议，并根据所述目标异议从数据库中获取所述异议推送信息。
6.如权利要求1所述的基于神经网络的信息推送方法，其特征在于，还包括：
如果所述第二对话信息中不存在异议信息，则将所述第二对话信息输入到预先训练好的环节分类模型，以通过所述环节分类模型输出所述第二对话信息的当前对话环节类型；及
根据所述当前对话环节类型和所述第二对话信息从数据库中获取所述第二对话信息对应的对话推送信息，并将所述对话推送信息发送到所述用户终端。
7.如权利要求1至6中任一项所述的基于神经网络的信息推送方法，其特征在于，还包括：将所述目标推送信息或所述异议推送信息上传到区块链。
8.一种基于神经网络的信息推送系统，其特征在于，包括：
信息获取模块，用于获取目标用户的第一对话信息和目标对象根据所述第一对话信息回复的第二对话信息；
第一判断模块，用于根据所述第一对话信息获取第一产品信息，并根据所述第一产品信息判断所述第二对话信息中是否存在所述第一产品信息对应的第二产品信息；
第一发送模块，用于如果所述第二对话信息中存在所述第二产品信息，则根据所述第二产品信息确定目标产品信息，并将与所述目标产品信息对应的目标推送信息发送到与所述目标用户关联的用户终端；
第二判断模块，用于如果所述第二对话信息中不存在所述第二产品信息，则判断所述第二对话信息是否为异议信息；及
第二发送模块，用于如果所述第二对话信息为异议信息，则将所述第二对话信息对应的异议推送信息发送到所述用户终端。
9.一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，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中任一项所述的基于神经网络的信息推送方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1至7中任一项所述的基于神经网络的信息推送方法的步骤。
CN202111156853.0A 2021-09-30 2021-09-30 基于神经网络的信息推送方法、系统、设备及介质 Active CN113743129B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111156853.0A CN113743129B (zh) 2021-09-30 2021-09-30 基于神经网络的信息推送方法、系统、设备及介质
PCT/CN2022/074395 WO2023050669A1 (zh) 2021-09-30 2022-01-27 基于神经网络的信息推送方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111156853.0A CN113743129B (zh) 2021-09-30 2021-09-30 基于神经网络的信息推送方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN113743129A true CN113743129A (zh) 2021-12-03
CN113743129B CN113743129B (zh) 2023-09-26

Family

ID=78741989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111156853.0A Active CN113743129B (zh) 2021-09-30 2021-09-30 基于神经网络的信息推送方法、系统、设备及介质

Country Status (2)

Country Link
CN (1) CN113743129B (zh)
WO (1) WO2023050669A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023050669A1 (zh) * 2021-09-30 2023-04-06 平安科技（深圳）有限公司 基于神经网络的信息推送方法、系统、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242706A (zh) * 2018-08-20 2019-01-18 中国平安人寿保险股份有限公司 辅助坐席人员沟通的方法、装置、计算机设备和存储介质
CN112182197A (zh) * 2020-11-09 2021-01-05 北京明略软件系统有限公司 话术推荐方法、装置、设备及计算机可读介质
WO2021047186A1 (zh) * 2019-09-09 2021-03-18 深圳壹账通智能科技有限公司 咨询对话处理的方法、装置、设备及存储介质
WO2021068321A1 (zh) * 2019-10-12 2021-04-15 平安科技（深圳）有限公司 基于人机交互的信息推送方法、装置和计算机设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015100362A1 (en) * 2013-12-23 2015-07-02 24/7 Customer, Inc. Systems and methods for facilitating dialogue mining
US11676588B2 (en) * 2017-12-26 2023-06-13 Rakuten Group, Inc. Dialogue control system, dialogue control method, and program
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
CN112989046B (zh) * 2021-03-18 2023-07-21 中国平安人寿保险股份有限公司 实时话术预判方法、装置、计算机设备和存储介质
CN113743129B (zh) * 2021-09-30 2023-09-26 平安科技（深圳）有限公司 基于神经网络的信息推送方法、系统、设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242706A (zh) * 2018-08-20 2019-01-18 中国平安人寿保险股份有限公司 辅助坐席人员沟通的方法、装置、计算机设备和存储介质
WO2021047186A1 (zh) * 2019-09-09 2021-03-18 深圳壹账通智能科技有限公司 咨询对话处理的方法、装置、设备及存储介质
WO2021068321A1 (zh) * 2019-10-12 2021-04-15 平安科技（深圳）有限公司 基于人机交互的信息推送方法、装置和计算机设备
CN112182197A (zh) * 2020-11-09 2021-01-05 北京明略软件系统有限公司 话术推荐方法、装置、设备及计算机可读介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李欢;: "基于文化安全的微博信息推送技术的研究", 现代电子技术, no. 08, pages 49 - 52 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023050669A1 (zh) * 2021-09-30 2023-04-06 平安科技（深圳）有限公司 基于神经网络的信息推送方法、系统、设备及介质

Also Published As

Publication number Publication date
CN113743129B (zh) 2023-09-26
WO2023050669A1 (zh) 2023-04-06

Similar Documents

Publication Publication Date Title
CN110659318B (zh) 基于大数据的策略推送方法、系统及计算机设备
CN112732911A (zh) 基于语义识别的话术推荐方法、装置、设备及存储介质
CN110738545A (zh) 基于用户意向识别的产品推荐方法、装置、计算机设备和存储介质
CN111368043A (zh) 基于人工智能的事件问答方法、装置、设备及存储介质
WO2021043076A1 (zh) 网络发布数据处理方法、装置、计算机设备和存储介质
CN110401545B (zh) 聊天群组创建方法、装置、计算机设备和存储介质
CN112527972A (zh) 基于深度学习的智能客服聊天机器人实现方法和系统
CN110457679A (zh) 用户画像的构建方法、装置、计算机设备和存储介质
CN113094478B (zh) 表情回复方法、装置、设备及存储介质
CN112632244A (zh) 一种人机通话的优化方法、装置、计算机设备及存储介质
CN114693215A (zh) 采购请求处理方法、装置、计算机设备及存储介质
CN112836521A (zh) 问答匹配方法、装置、计算机设备及存储介质
CN112995414A (zh) 基于语音通话的行为质检方法、装置、设备及存储介质
CN112699213A (zh) 语音意图识别方法、装置、计算机设备及存储介质
CN112632248A (zh) 问答方法、装置、计算机设备和存储介质
CN111813946A (zh) 医疗信息反馈方法、装置、设备及可读存储介质
CN110502620B (zh) 导诊相似问题对生成方法、系统及计算机设备
CN113743129B (zh) 基于神经网络的信息推送方法、系统、设备及介质
CN111368066B (zh) 获取对话摘要的方法、装置和计算机可读存储介质
CN115203372A (zh) 文本意图分类方法、装置、计算机设备及存储介质
CN113886548A (zh) 意图识别模型训练方法、识别方法、装置、设备及介质
CN112818689B (zh) 一种实体识别方法、模型训练方法及装置
CN111460113A (zh) 一种数据交互方法及相关设备
CN114528851B (zh) 回复语句确定方法、装置、电子设备和存储介质
CN116245592A (zh) 物品信息推荐方法、装置和电子设备

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