CN113919921A - 一种基于多任务学习模型的产品推荐方法及相关设备 - Google Patents

一种基于多任务学习模型的产品推荐方法及相关设备 Download PDF

Info

Publication number
CN113919921A
CN113919921A CN202111276912.8A CN202111276912A CN113919921A CN 113919921 A CN113919921 A CN 113919921A CN 202111276912 A CN202111276912 A CN 202111276912A CN 113919921 A CN113919921 A CN 113919921A
Authority
CN
China
Prior art keywords
click
customer service
product
conversion
prediction model
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
CN202111276912.8A
Other languages
English (en)
Inventor
赵亚龙
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 Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty 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 Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202111276912.8A priority Critical patent/CN113919921A/zh
Publication of CN113919921A publication Critical patent/CN113919921A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例应用于人工智能领域，公开了一种基于多任务学习模型的产品推荐方法及相关设备，包括：获取用户的第一特征集合和第一客服的第二特征集合；将第一特征集合和第二特征集合输入预训练的点击转化预测模型，得到第一客服的点击转化预测值；若点击转化预测值满足预设点击转化条件，则获取第一产品的产品信息；根据产品信息和点击转化预测值确定第一客服推荐第一产品的推荐值；若推荐值满足推荐条件，则确定包括通过第一客服向用户推荐第一产品的产品推荐方案。采用本申请实施例，能够确定最适合用户的客服，进而还可以确定该客服向用户推荐的产品，有利于提高产品推荐的效果。本申请涉及区块链技术，上述特征/数据/信息可存储于区块链中。

Description

一种基于多任务学习模型的产品推荐方法及相关设备
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于多任务学习模型的产品推荐方法及相关设备。
背景技术
随着经济的快速发展，在销售的行业中，可以是通过客服来解答用户的问题，并向用户推荐产品。目前，在给各个客服分配用户的名单中，分配的方式通常包括以下三种：一种是通过市场经理分配给管理客服的组长，再由组长将用户的名单分配到每一位客服；第二种方式是将用户的名单放入共有池中，即所有客服均可访问的位置，每一个客服可在空闲的时候自发的从共有池中获取用户名单；第三种方式是根据用户当前使用的产品的期限分配空闲的客服，例如在保险销售行业中，可以根据用户的保险到期时间，将保险即将到期的用户分配给当前空闲的客服。对于用户而言，在沟通的过程中，若对接的客服无法准确有效的回答问题、解答疑惑以及根据客户的喜好进行沟通，则用户无法购买该客服推荐的产品，进而推荐产品的效果不好。
因此，如何提高为用户分配解答问题和推荐产品的客服的有效性和准确性，从而提高推荐产品的效果，是一个亟待解决的技术问题。
发明内容
本申请实施例提供一种基于多任务学习模型的产品推荐方法及相关设备，可以通过点击转化预测模型中预测出该客户的预估转化率，从而能够确定最适合用户的客服，进而可以根据产品信息确定该客服推荐的产品，有利于提高了产品推荐的效果。
第一方面，本申请实施例提供了一种基于多任务学习模型的产品推荐方法，包括：
获取用户的第一特征集合和第一客服的第二特征集合，所述第一客服为多个客服中的任一客服；将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值；若所述第一客服对应的点击转化预测值满足预设点击转化条件，则获取所述第一客服的第一产品的产品信息；根据所述第一产品的产品信息和所述第一客服对应的点击转化预测值确定所述第一客服推荐所述第一产品的推荐值；若所述第一客服推荐所述第一产品的推荐值满足推荐条件，则确定产品推荐方案，所述产品推荐方案包括通过所述第一客服向所述用户推荐所述第一产品。
进一步地，所述点击转化预测模型包括点击预测模型和转化预测模型；所述将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值之前，所述方法还包括：获取训练样本集，所述训练样本集包括点击训练样本集和转化训练样本集；将所述点击训练样本集输入至初始点击转化预测模型中的初始点击预测模型进行训练，得到的第一损失函数值；将所述转化训练样本集输入至所述初始点击转化预测模型中的所述初始点击预测模型和初始转化预测模型进行训练，得到第二损失函数值；根据所述第一损失函数值和所述第二损失函数值确定目标损失函数值，所述目标损失函数值为所述第一损失函数值和所述第二损失函数值的和；根据所述目标损失函数值、所述点击训练样本集和所述转化训练样本集对所述初始点击转化预测模型进行迭代训练，若所述目标损失函数值满足训练结束条件，则确定所述目标损失函数值满足训练结束条件时的初始点击转化预测模型为所述点击转化预测模型。
进一步地，所述将所述点击训练样本集输入至所述初始点击转化预测模型中的初始点击预测模型进行训练，得到的第一损失函数值，包括：确定所述点击训练样本集中的第一正样本集合和第一负样本集合，所述第一正样本集合包括所述点击训练样本集中携带已发生点击标签的训练样本，所述第一负样本集合包括所述点击训练样本集中携带未发生点击标签的训练样本；通过所述初始点击预测模型确定第一点击训练样本发生点击的第一概率，通过所述初始点击预测模型确定第二点击训练样本未发生点击的第二概率，所述第一点击训练样本为所述第一正样本集合中的任一样本，所述第二点击训练样本为所述第一负样本集合中的任一样本；根据所述点击训练样本集中各个第一点击训练样本的第一概率和各个第二点击训练样本的第二概率，确定所述第一损失函数值。
进一步地，所述将所述转化训练样本集输入至所述初始点击转化预测模型中的初始转化预测模型进行训练，得到第二损失函数值，包括：若第一转化训练样本携带已发生点击且已发生转化标签，则将所述第一转化训练样本确定为所述转化训练样本集中的第二正样本集合中的样本，否则，将所述第一转化训练样本确定为所述转化训练样本集中的第二负样本集合中的样本；通过所述初始点击预测模型和所述初始转化预测模型确定第二转化训练样本发生转化的第三概率，通过所述初始点击预测模型和所述初始转化预测模型确定第三转化训练样本未发送转化的第四概率，所述第二转化训练样本为所述第二正样本集合中的任一样本，所述第三转化训练样本为所述第二负样本集合中的任一样本；根据所述转化训练样本集中各个第二转化训练样本的第三概率和各个第三转化训练样本的第四概率，确定所述第二损失函数值。
进一步地，所述点击转化预测模型包括点击预测模型和转化预测模型；所述将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值，包括：将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，通过所述点击预测模型对所述第一特征集合和所述第二特征集合进行处理，得到所述第一客服对应的点击预测值，通过所述转化预测模型对所述第一特征集合和所述第二特征集合进行处理，得到所述第一客服对应的转化预测值；根据所述第一客服对应的点击预测值和所述第一客服对应的转化预测值，确定所述第一客服对应的点击转化预测值，所述第一客服对应的点击转化预测值为所述第一客服对应的点击预测值与所述第一客服对应的转化预测值的积。
进一步地，所述产品信息包括所述第一产品的产品期限以及所述产品期限对应的产品价格，所述根据所述第一产品的产品信息和所述第一客服对应的点击转化预测值确定所述第一客服推荐所述第一产品的推荐值，包括：根据预设的期限与权重的对应关系确定所述第一产品的第一产品期限对应的第一权重，所述第一产品期限为所述第一产品的多个产品期限中的任一产品期限；确定所述第一客服对应的点击转化预测值、所述第一权重与和所述第一产品期限对应的产品价格的积，为所述第一客服推荐所述第一产品的推荐值；若确定所述第一客服推荐所述第一产品的推荐值在预设的推荐值区间范围内，则确定所述第一客服推荐所述第一产品的推荐值满足推荐条件。
进一步地，在确定产品推荐方案之后，所述方法还包括：向所述第一客服的客服终端发送所述用户的联系信息，所述联系信息包括所述用户的联系方式；获取所述第一客服的客服终端通过所述联系方式与所述用户的用户终端建立通话连接时的语音数据，并获取客服声纹库中所述第一客服的声纹数据；将所述语音数据与所述第一客服的声纹数据进行比对，分离出所述第一客服的语音数据和所述用户的语音数据；对所述第一客服的语音数据和所述用户的语音数据进行语音识别处理，确定所述用户的语音内容和所述第一客服的语音内容；提取所述用户的语音内容中的第一关键信息，提取所述第一客服的语音内容中的第二关键信息，根据所述第一关键信息更新所述第一特征集合，并根据所述第二关键信息更新所述第二特征集合。
第二方面，本申请实施例提供了一种基于多任务学习模型的产品推荐装置，包括：
获取单元，用于获取用户的第一特征集合和第一客服的第二特征集合，所述第一客服为多个客服中的任一客服；
输入单元，用于将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值；
所述获取单元，还用于若所述第一客服对应的点击转化预测值满足预设点击转化条件，则获取所述第一客服的第一产品的产品信息；
确定单元，用于根据所述第一产品的产品信息和所述第一客服对应的点击转化预测值确定所述第一客服推荐所述第一产品的推荐值；
所述确定单元，还用于若所述第一客服推荐所述第一产品的推荐值满足推荐条件，则确定产品推荐方案，所述产品推荐方案包括通过所述第一客服向所述用户推荐所述第一产品。
另外，该方面中，该基于多任务学习模型的产品推荐装置其他可选的实施方式可参阅上述第一方面的相关内容，此处不再详述。
第三方面，本申请实施例提供一种计算机设备，该计算机设备包括存储器和处理器、收发器；上述处理器分别与上述存储器和上述收发器相连，其中，上述存储器存储有计算机程序代码，上述处理器和上述收发器用于调用上述程序代码，执行上述第一方面和/或第一方面任一种可能的实现方式提供的方法。
第四方面，实施例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，当该计算机程序被计算机设备运行时，实现如第一方面的任一种可能的实现方式所公开的一种基于多任务学习模型的产品推荐装置方法。
在本申请实施例中，通过获取用户的特征集合和客服的特征集合，并对此进行预测，预测得到该客服向用户进行推荐的点击转化预测值，若该点击转化预测值满足预设点击转化条件，则获取第一客服的第一产品的产品信息，并根据点击转化预测值和产品信息确定该客服向用户推荐该第一产品的推荐值，若该推荐值满足推荐条件，则确定该客服向该用户推荐该产品的产品推荐方案。由此，可以根据用户和客服的匹配程度，即用户会发生点击转化的预测值，选择合适的客服，提高客服与用户的匹配度，进而可以确定该客服向用户推荐的产品，也有利于提高产品推荐的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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基于多任务学习模型的产品推荐方法系统的结构示意图；
图2是本申请实施例提供的一种基于多任务学习模型的产品推荐方法的流程示意图；
图3是本申请实施例提供的一种基于多任务学习模型的产品推荐方法的另一流程示意图；
图4是本申请实施例提供的一种基于多任务学习模型的产品推荐装置的结构示意图；
图5是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面结合附图1-附图3对本申请实施例提供的一种基于多任务学习模型的产品推荐方法进行示意性说明。
本申请实施例提供的一种基于多任务学习模型的产品推荐方法可以应用于一种产品推荐平台中，该产品推荐平安可以承载于基于多任务学习模型的产品推荐系统或者应用程序中。在某些实施例中，上述产品推荐平台是指具有向用户提供产品推荐功能的平台，该任务平台还可以选出一个或多个客服与用户沟通并可以回答用户提出的问题，解答用户的疑惑，进而向用户推荐产品。其中，用户为上述产品推荐平台的使用者，用户可以浏览或购买该产品推荐平台提供或推荐的产品，也可以跟该产品推荐平台提供的客服沟通，解决关于产品的问题。在某些实施例中，产品推荐平台可以与用户终端建立通信连接。在某些实施例中，上述通信连接的方式可以包括但不限于无线通信技术(Wireless Fidelity，WIFI)、蓝牙、近场通信(Near Field Communication，NFC)等。
具体的，产品推荐平台可以获取用户的第一特征集合和第一客服的第二特征集合，该第一客服为多个客服中的任一客服。该产品推荐平台可以将第一特征集合和第二特征集合输入至预训练的点击转化预测模型中，得到第一客服对应的点击转化预测值，该第一客服对应的点击转化预测值用于表示该第一客服向用户推荐产品的点击转化预测概率。若该点击转化预测值满足预设点击转化条件，则获取第一客服的第一产品的产品信息，并根据点击转化预测值和产品信息确定该第一客服向用户推荐该第一产品的推荐值，若该推荐值满足推荐条件，则确定产品推荐方案，其中，产品推荐方案为通过该第一客服向该用户推荐第一产品。一方面，可以根据用户和客服的匹配程度，即用户会发生点击转化的预测值，选择合适的客服，能够更好的为用户服务，另一方面，可以确定客服推荐的产品的推荐方案，可以有利于推荐更准确的产品，有利于提高产品推荐的效果。
本申请实施例提出的基于卷积神经网络的产品推荐方法涉及人工智能、机器学习等技术，其中：人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。
基于上述描述，下面结合附图1对本申请实施例提供的一种基于多任务学习模型的产品推荐系统进行示意性说明。
请参阅图1，图1是本申请实施例提供的一种基于多任务学习模型的产品推荐系统的结构示意图，如图1所示，上述基于多任务学习模型的产品推荐系统包括产品推荐平台101、一个或多个用户终端(如用户终端102)、一个或多个客服终端(如客服终端103)以及一个训练设备104。其中，产品推荐平台101可以与一个或多个用户终端(如用户终端102)通过有线或无线的方式进行直接或间接的连接；该产品推荐平台101还可以与一个或多个客服终端(如客服终端103)通过有线或无线的方式进行直接或间接的连接；该客服终端103可以与该用户终端102通过有线或无线的方式进行直接或间接的连接。可选地，该基于多任务学习模型的产品推荐系统还可以包括一个训练设备104，该产品推荐平台101还可以与训练设备104通过有线或无线的方式进行直接或间接的连接。
需要说明的是图1所示的设备数量和形态用于举例，并不构成对本申请实施例的限定，实际应用中该基于多任务学习模型的产品推荐系统还可以包括一个以上用户终端、一个以上的客服终端，或者一个以上产品推荐平台，或者一个以上训练设备。其中，产品推荐平台101可以用于训练模型，即产品推荐平台101可以与训练设备104为同一设备。本申请实施例以一个产品推荐平台101、一个用户终端(用户终端102)，一个客服终端103、以及产品推荐平台101与训练设备104为同一个设备为例进行讲解。
其中，产品推荐平台101可以向用户终端102推送产品，用户终端102为用户所使用的终端设备，用户通过用户终端102浏览产品推荐平台101推荐的产品，并与产品推荐平台101进行交互。产品推荐平台101还可以获取用户的特征集合和客服的特征集合，并根据用户的特征集合和客服的特征集合筛选出与用户特征匹配的客服与用户对接。例如，可以向用户匹配的客服的客服终端发送用户的联系方式，以使客服可以通过联系方式与用户进行沟通和推荐产品，一方面，可以为用户分配适合的客服，在沟通的过程中可以更好的了解用户的想法，并进行产品的问题解答和推荐。进一步地，还可以获取该客服对应的产品，并从客服对应的产品中确定出该客服推荐用户的产品，从而有利于提高推荐的产品的转化率，也能让用户买到合适的产品，提高产品推荐的效果。其中，产品推荐平台101获取用户的特征集合可以通过用户在产品推荐平台101注册的账号实现的。
具体的，当用户通过用户终端102浏览产品推荐平台101的产品时，产品推荐平台101可以获取用户的第一特征集合和第一客服的第二特征集合，将第一特征集合和第二特征集合输入至预训练的点击转化预测模型中，得到第一客服对应的点击转化预测值，第一客服为多个客服中的任一客服，若该第一客服对应的点击转化预测值满足预设点击转化条件，则筛选出该第一客服为该用户匹配的客服。进而，产品推荐平台101可以获取第一客服的第一产品的产品信息，并根据第一产品的产品信息和第一客服的点击转化预测值确定第一产品的推荐值，并在该推荐值满足推荐条件的情况下，确定该第一客服向该用户推荐第一产品的推荐方案。其中，用户可以通过用户终端102触发操作触发与客服通话，产品推荐平台101也可以向该第一客服发送用户的联系方式，由客服通过客服终端103触发与用户终端102通话。其中，点击转化预测模型可以是训练设备104训练得到的。
上述产品推荐平台101、用户终端102、客服终端、以及训练设备104均可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等等；上述产品推荐平台101和还可以是服务器，例如可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器，本申请对此不做限定。
下面对本申请实施例提供的一种基于多任务学习模型的产品推荐方法进一步进行详细描述，请参阅图2，图2是本申请实施例提供的一种基于多任务学习模型的产品推荐方法的流程示意图。其中，如图2所示，该基于多任务学习模型的产品推荐方法可以包括：
201、获取用户的第一特征集合和第一客服的第二特征集合。
在本申请实施例中，为了更好的为用户匹配合适的客服，产品推荐平台可以获取用户的第一特征集合和第一客服的第二特征集合，其中，第一客服为多个客服中的任一客服，可以为产品推荐平台，也可以为销售产品的公司中的客服，产品推荐平台可以获取每一个客服的第二特征集合，并进而与用户的第一特征集合确定用户匹配的客服。
具体的，第一特征集合可以包括该用户的画像特征、行为特征以及产品特征，还可以包括其他特征，本申请对此不做限定。其中，用户的画像特征可以包括用户的年龄、性别、喜好、用户所处的地域、用户的职业、家庭情况、经济状况等特征；用户的行为特征可以包括用户与站内内容的交互行为，例如，在购买保险产品的场景中，用户浏览保险产品、收藏保险产品、加购物车、分享、复购等行为；用户的产品特征可以包括用户与产品推荐平台内推荐给用户的产品之间进行交互的产品特征，例如上述购买保险产品的场景中，用户浏览的保险产品的产品特征、用户收藏的保险产品的产品特征、分享的保险产品的产品特征以及复购的保险产品的产品特征等等。
具体的，第一客服的第二特征集合可以包括该第一客服的画像特征、服务特征以及当前的消费特征。其中，第一客服的画像特征也可以包括第一客服的年龄、性别、喜好、第一客服所处的地域等；第一客服的服务特征可以包括第一客服沟通信息、第一客服所销售的产品类型，第一客服的成交量、第一客服的服务名单成交产品、第一客服的成交率等等。当前的消费特征可以理解为当前第一客服所处的环境的特征，例如在购买保险产品的场景中，消费特征可以是当前与购买保险相关的新闻、舆论信息等等。
在一个可能的实现方式中，该用户的第一特征集合中的用户的画像特征可以根据用户的注册信息或者购买保险时的个人信息获取到的，用户的行为特征和用户的物品特征可以根据用户与产品推荐平台(例如保险产品销售平台)之间进行交互获取到的。第一客服的第二特征集合中的画像特征也可以根据第一客服的个人资料获取到的，第一客服的服务特征可以根据该第一客服的历史服务记录获取到的，消费特征可以是获取的预设时间段内(例如近一个月内)的新闻、舆论信息等等获取到的。
202、将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值。
其中，将第一特征集合和第二特征集合输入至预训练的点击转化预测模型中，该点击转化预测模型可以为全空间多任务学习模型(Entire Space Multi-Task Model，ESMM)。具体的，该点击转化预测模型可以包括两个或多个子任务模型，分别完成子任务，本申请实施例以该点击转化预测模型包括两个子任务模型为例进行讲解，该两个子任务模型可以是两个子网络，该两个子网络在EMSS中共用嵌入层。其中，两个任务模型可以是点击预测模型和转化预测模型，由点击预测模型预测上述第一客服向用户推荐产品的点击预测值，该点击预测值用于表示通过第一客服向用户推荐产品，用户会发生点击的预测概率。由转化预测模型预测上述第一客服向用户推荐产品的转化预测值，所谓转化是指用户下单，有成交记录的行为，则该转化预测值用于表示通过第一客服向该用户进行沟通和推荐，用户会发生转化的预测概率。该转化预测模型还用于确定点击转化预测值，该点击转化预测值为点击预测值与转化预测值的积，则该转化预测模型最终输出点击转化预测值。
在一种可能的实现方式中，产品推荐平台可以将第一特征集合和第二特征集合输入至预训练的点击转化预测模型中，通过该点击转化预测模型中的点击预测模型对该第一特征集合和该第二特征集合进行处理，得到该第一客服对应的点击预测值pctr，并通过点击转化预测模型中的转化预测模型对第一特征集合和第二特征集合进行处理，得到该第一客服对应的转化预测值pcvr。进一步地，为了确定第一客服向该用户推荐产品后，该用户发生点击并转化的概率，可以根据上述第一客服对应的点击预测值和上述第一客服对应的转化预测值确定，该第一客服对应的点击转化预测值可以为第一客服对应的点击预测值与第一客服对应的转化预测值的积，即如公式1所示：
pctcvr＝pctr×pcvr 公式1
其中，pctcvr为该第一客服对应的点击转化预测值，可以表示用户点击后发生转化的联合概率，对于上述点击转化预测模型来说，可以将公式1所示的式子转化为公式2所示：
Figure BDA0003329747570000111
其中，x表示第一特征集合和第二特征集合，y表示点击，y的取值为0或1，y＝1表示发生点击，反之，y＝0表示未发生点击。z表示转化，z的取值也为0或1，z＝1则表示发生转化，z＝0则表示未发生转化。
如公式2所示，p(z＝1∣y＝1,x)表示在用户的特征集合为第一特征集合和第一客服的特征集合为第二特征集合，且发生点击的情况下，发生转化的条件概率，p(y＝1∣x)表示在用户的特征集合为第一特征集合和第一客服的特征集合为第二特征集合的情况下，发生点击的概率；p(y＝1,z＝1∣x)表示在用户的特征集合为第一特征集合和第一客服的特征集合为第二特征集合的情况下，发生点击且发生转化的概率。上述p(z＝1∣y＝1,x)即为公式1中的pctcvr，即点击转化预测值。
203、若所述第一客服对应的点击转化预测值满足预设点击转化条件，则获取所述第一客服的第一产品的产品信息。
在一种可能的实现方式中，产品推荐平台可以对各个客服的点击转化预测值按照从大到小进行排序，若该第一客服的点击转化预测值在上述排序结果的前M位，则确定该第一客服为满足预设点击转化条件，其中，M为正整数。可以理解的是，在多个客服中，通过该第一客服向该用户解答问题并推荐产品，该用户发生点击并转化的概率较高。示例性的，若M为1，则可以将点击转化预测值最大的客服作为第一客服。若M大于1，则第一客服可以为多个，即可以将较大的点击转化预测值的客服作为第一客服。
进一步地，还可以获取第一客服的第一产品的产品信息，可以理解的是，不同的客服可以分别推荐不同的产品，各个客服可以分别对应不同的产品集合。第一产品可以是第一客服对应的产品集合中的任一产品，该第一产品的产品信息可以但不限于包括该第一产品的产品期限以及该产品期限对应的产品价格。例如在上述购买保险产品的场景中，某一保险产品种类的保险可以分为多个保险期限，该保险产品种类中不同保险期限分别对应不同的产品价格。
204、根据所述第一产品的产品信息和所述第一客服对应的点击转化预测值确定所述第一客服推荐所述第一产品的推荐值。
在一种可能的实现方式中，产品推荐平台可以根据预设的期限与权重的对应关系确定该第一产品的各个产品期限对应的权重。例如，确定第一产品期限对应的第一权重，其中，第一产品期限为第一产品的多个产品期限中的任一产品期限。该预设的期限与权重的对应关系可以是产品推荐平台预置的，可以由管理人员根据经验设置的，也可以是根据该产品推荐平台历史产品期限和对应的销售额的关系确定的，本申请对此不做限定。
进一步地，该产品推荐平台可以确定所述该第一客服推荐第一产品的推荐值，该第一客服推荐第一产品的推荐值可以为第一客服对应的点击转化预测值、第一权重与和所述第一产品期限对应的产品价格的积，该第一产品的推荐值可以表示通过第一客服向该用户推荐第一产品的推荐程度。第一产品的推荐值的计算方式可以如公式3所示：
I＝k×pctcvr×price 公式3
其中，I为第一客服推荐第一产品的推荐值，k为第一权重，pctcvr为第一客服的点击转化预测值，price为第一产品的产品价格。
205、若所述第一客服推荐所述第一产品的推荐值满足推荐条件，则确定产品推荐方案，所述产品推荐方案包括通过所述第一客服向所述用户推荐所述第一产品。
在一种可能的实现方式中，若确定该第一客服推荐第一产品的推荐值在预设的推荐值区间范围内，则确定该第一客服推荐该第一产品的推荐值满足推荐条件，则确定产品推荐方案，该产品推荐方案可以包括通过该第一客服向该用户推荐该第一产品。其中，该预设的推荐值区间范围可以是产品推荐平台的管理人员根据用户的职业确定的，也可以是其他方式确定的，本申请对此不做限定。
可选地，若第一客服包括多个客服，则可以分别确定每个客服对应的产品集合中的各个产品的推荐值，再判断是否在预设的推荐值区间范围内，若在的话，可以确定多个产品推荐方案，每个产品推荐方案包括通过每个第一客服向该用户推荐的产品。可选地，若第一客服包括多个客服，则可以分别确定每个客服对应的产品集合中的各个产品的推荐值，若各个客服对应的产品集合中的各个产品的推荐值均在预设的推荐值区间范围内，则产品推荐平台可以对各个客服对应的推荐值按照从大到小的顺序进行排序，选取在排序结果中前N位的推荐值确定产品推荐方案，其中，N为大于或等于1的整数。将排序结果的前N位的推荐值分别对应确定一个产品推荐方案。还可以是其他方式确定产品推荐方案，本申请对此不做限定。
在一个可能的实现方式中，在确定产品推荐方案之后，该产品推荐平台还可以向该第一客服的客服终端发送该用户的联系信息，该联系信息包括该用户的联系方式，进而该第一客服可以通过客服终端向用户的用户终端建立通话连接，该第一客服也可以接收来自用户通过用户终端向客服终端发起的通话请求，进而建立的通话连接。产品推荐平台可以获取第一客服的客服终端与用户的用户终端建立通话连接时的语音数据，进而对该语音数据进行分析，从而更新用户的第一特征集合和该第一客服的第二特征集合。
具体的，产品推荐平台可以获取客服声纹库中该第一客服的声纹数据，进而将语音数据与该第一客服的声纹数据进行比对，分离出该第一客服的语音数据和该用户的语音数据。所谓声纹(Voiceprint)，是指用电声学仪器显示的携带言语信息的声波频谱，可以唯一标识一个人的声音。该客服声纹库中可以包括所有客服的声纹数据，首先可以将获取到的语音数据按照人声的不同拆分为两个语音数据，并将客服声纹库中的声纹数据与该拆分的两个声纹数据进行比对，直至比对出拆分为两个语音数据中某一个语音数据与客服声纹库中的语音数据匹配，则确定该语音数据对应第一客服的语音数据，则将剩下的语音数据确定为用户的语音数据。
进一步地，产品推荐平台可以对第一客服的语音数据和用户的语音数据分别进行语音识别处理，得到沟通过程中用户的语音内容和第一客服的语音内容。进而可以提取该用户的语音内容中的第一关键信息以及提取该第一客服的语音内容中的第二关键信息，根据第一关键信息更新第一特征集合，并根据第二关键信息更新第二特征集合。示例性的，可以通过预训练的声学模型分别识别用户的语音数据和第一客服的语音数据，在得到用户的语音内容后，可以提取用户的语音内容中用户对各个产品的评价的第一关键信息，将第一关键信息可以提取为标签更新第一特征集合中用户的画像特征中。同理，可以提取出该第一客服针对用户推荐第一产品的沟通话术，将该沟通话术更新值该第一客服的沟通信息特征中，还可以提取其他关键信息更新第一特征集合和第二特征集合，本申请对此不做限定。
在本申请实施例中，通过获取用户的特征集合和客服的特征集合，并对此进行预测，预测得到该客服向用户进行推荐的点击转化预测值，若该点击转化预测值满足预设点击转化条件，则获取第一客服的第一产品的产品信息，并根据点击转化预测值和产品信息确定该客服向用户推荐该第一产品的推荐值，若该推荐值满足推荐条件，则确定该客服向该用户推荐该产品的产品推荐方案。由此，可以根据用户和客服的匹配程度，即用户会发生点击转化的预测值，选择合适的客服，提高客服与用户的匹配度，进而可以确定该客服向用户推荐的产品，也有利于提高产品推荐的效果。
请参阅图3，图3是本申请实施例提供的一种基于多任务学习模型的产品推荐方法的流程示意图。其中，需要说明的是，本申请中各个实施例之间相同或相似的部分可以互相参考。在本申请中各个实施例、以及各实施例中的各个实施方式/实施方法/实现方法中，如果没有特殊说明以及逻辑冲突，不同的实施例之间、以及各实施例中的各个实施方式/实施方法/实现方法之间的术语和/或描述具有一致性、且可以相互引用，不同的实施例、以及各实施例中的各个实施方式/实施方法/实现方法中的技术特征根据其内在的逻辑关系可以组合形成新的实施例、实施方式、实施方法、或实现方法。以上上述的本申请实施方式并不构成对本申请保护范围的限定。如图3所示，该基于多任务学习模型的产品推荐方法可以包括：
301、获取训练样本集，所述训练样本集包括点击训练样本集和转化训练样本集。
在一个可能的实现方式中，在训练的过程中，训练设备(产品推荐平台)首先可以获取训练样本集，该训练样本集包括点击训练样本集和转化训练样本集，该点击转化预测模型为预训练的，该点击转化预测模型包括点击预测模型和转化预测模型，其中，点击训练样本集用于训练初始点击转化预测模型中的初始点击预测模型，该点击训练样本集中的训练样本包括用户的特征集合和客服的特征集合以及是否发生点击的标签。该转化训练样本集包括可以用于训练初始点击转化预测模型中的初始点击预测模型和初始转化预测模型，该转化训练样本集中的训练样本包括用户的特征集合和客服的特征集合以及是否发生转化的标签。
进一步地，训练设备(产品推荐平台)可以通过点击训练样本集和转化训练样本集对初始点击转化预测模型进行训练，具体可以是将该点击训练样本输入至初始点击转化预测模型中的初始点击预测模型进行训练，得到第一损失函数值，将转化训练样本集输入至初始点击转化预测模型中的所述初始点击预测模型和初始转化预测模型进行训练，得到第二损失函数值，根据第一损失函数值和第二损失函数值的和，确定目标损失函数值，该目标函数值为该初始点击转化预测模型的损失函数值，则根据目标损失函数值、该点击训练样本集和转化训练样本集对该初始点击转化预测模型进行迭代训练，直至目标损失函数值满足训练结束条件，则确定该目标损失函数值满足训练结束条件时的初始点击转化预测模型为训练得到的点击转化预测模型。
302、将所述点击训练样本集输入至初始点击转化预测模型中的初始点击预测模型进行训练，得到的第一损失函数值。
在一种可能的实现方式中，训练设备(产品推荐平台)可以确定该点击训练样本集中的第一正样本集合和第一负样本集合，该第一正样本集合包括该点击训练样本集中携带已发生点击标签的训练样本，该第一负样本集合包括该点击训练样本集中携带未发生点击标签的训练样本。进一步的，该训练设备(产品推荐平台)可以通过该初始点击预测模型确定第一点击训练样本发生点击的第一概率，通过该初始点击预测模型确定第二点击训练样本未发生点击的第二概率，该第一点击训练样本为该第一正样本集合中的任一样本，该第二点击训练样本为该第一负样本集合中的任一样本，在得到第一正样本集合中各个正样本的第一概率，以及第一负样本中的各个第二概率后，可以根据该点击训练样本集中各个第一点击训练样本的第一概率和各个第二点击训练样本的第二概率，确定第一损失函数值。
具体的，该第一损失函数值的计算方式可以如公式4所示：
Figure BDA0003329747570000151
其中，L(θctr)表示第一损失函数值，即点击预测模型的损失函数值，i为样本的个数，N为样本的总个数，l(.)表示交叉熵损失函数，yi为点击，i的取值为0或1，若i＝0可以表示未发生点击，若i＝1可以表示已发生点击，f表示该点击预测模型的预测函数，用于预测发生点击的概率，也可以用于预测未发生点击的概率，可以理解的是，发生点击的概率和未发生点击的概率之和为1。即上述第一概率和第二概率。xi表示第一特征集合和第二特征集合，θctr表示与点击预测模型相关的网络参数，即为训练模型需要优化的参数。
303、将所述转化训练样本集输入至所述初始点击转化预测模型中的初始点击预测模型和所述初始转化预测模型进行训练，得到第二损失函数值。
在一个可能的实现方式中，首先也确定转化训练样本集中的正样本集合和负样本集合，得到第二正样本集合和第二负样本集合，其中，第二正样本集合中的训练样本包括用户的特征集合以及客服的特征集合，该第二正样本集合中携带的标签为已发生点击且已发生转化标签，其余的训练样本则为第二负样本集合中的训练样本，这是由于当第一转化训练样本中携带的标签包括已点击且已转化时，属于正样本，若该第一转化训练样本携带的标签为未点击且未转化或者携带的标签为已点击且未转化，则均属于负样本，从而对转化训练样本集中各个样本进行归类，得到第二正样本集合和第二负样本集合。
进一步地，训练设备(产品推荐平台)可以通过初始点击预测模型和初始转化预测模型确定第二转化训练样本发生转化的第三概率，通过初始点击预测模型和初始转化预测模型确定第三转化训练样本未发送转化的第四概率，其中，该第二转化训练样本为所述第二正样本集合中的任一样本，该第三转化训练样本为第二负样本集合中的任一样本。进而，训练设备(产品推荐平台)可以根据转化训练样本集中各个第二转化训练样本的第三概率，以及各个第三转化训练样本的第四概率，确定第二损失函数值。具体的，第二损失函数值的计算方式可以如公式5所示：
Figure BDA0003329747570000161
其中，L(θcvr)表示第二损失函数值，即转化预测模型的损失函数值，i为样本的个数，N为样本的总个数，l(.)表示交叉熵损失函数，yi表示点击，i的取值为0或1，若i＝0可以表示未发生点击，若i＝1可以表示发生点击；zi表示转化，i的取值为0或1，若i＝0可以表示未发生转化，若i＝1可以表示发生转化，f1表示该点击预测模型的预测函数，用于预测发生点击的概率，也可以用于预测未发生点击的概率，即为上述第一概率和第二概率。xi表示第一特征集合和第二特征集合，θctr表示与点击预测模型相关的网络参数；f2表示该转化预测模型的预测函数，用于预测发生转化的概率，也可以用于预测未发生转化的概率，即为上述第三概率和第四概率。xi表示第一特征集合和第二特征集合，θcvr表示与点击预测模型相关的网络参数。其中，θctr和θcvr为训练该点击转化预测模型需要优化的参数。
304、根据所述第一损失函数值和所述第二损失函数值确定目标损失函数值。
在得到第一损失函数值和第二损失函数值后，可以确定该初始点击转化预测模型的损失函数值，即目标损失函数值，该目标损失函数值为第一损失函数值和第二损失函数值之和。具体的，目标损失函数值的计算方式可以如公式6所示：
L(θctr,θcvr)＝L(θctr)+L(θcvr) 公式6
其中，L(θctr,θcvr)为目标损失函数值，L(θctr)为第一损失函数值，L(θcvr)为第二损失函数值，θctr表示与点击预测模型相关的网络参数，θcvr表示与点击预测模型相关的网络参数。
305、根据所述目标损失函数值、所述点击训练样本集和所述转化训练样本集对所述初始点击转化预测模型进行迭代训练。
在一种可能的实现方式中，训练设备(产品推荐设备)可以根据目标损失函数值调整上述θctr和上述θcvr的值。可选地，训练设备(产品推荐设备)可以根据第一损失函数值调整点击预测模型的模型参数，即上述θctr。通过第二损失函数值调整转化预测模型的模型参数，即上述θcvr。具体的，训练设备(产品推荐设备)可以使用梯度下降法来调整上述模型的参数，直到目标损失信息达到训练结束条件，得到上述点击转化预测模型。其中，训练结束条件可以是训练得到的目标损失函数值最小，也可以是其他训练结束条件，本申请对此不做限定。
在本申请实施例中，通过获取用户的特征集合和客服的特征集合，并对此进行预测，预测得到该客服向用户进行推荐的点击转化预测值，若该点击转化预测值满足预设点击转化条件，则获取第一客服的第一产品的产品信息，并根据点击转化预测值和产品信息确定该客服向用户推荐该第一产品的推荐值，若该推荐值满足推荐条件，则确定该客服向该用户推荐该产品的产品推荐方案。由此，可以根据用户和客服的匹配程度，即用户会发生点击转化的预测值，选择合适的客服，提高客服与用户的匹配度，进而可以确定该客服向用户推荐的产品，也有利于提高产品推荐的效果。
请参阅图4，图4是本申请实施例提供的一种基于多任务学习模型的产品推荐装置的结构示意图，上述基于多任务学习模型的产品推荐装置400包括：
获取单元401，用于获取用户的第一特征集合和第一客服的第二特征集合，所述第一客服为多个客服中的任一客服；
输入单元402，用于将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值；
所述获取单元401，还用于若所述第一客服对应的点击转化预测值满足预设点击转化条件，则获取所述第一客服的第一产品的产品信息；
确定单元403，用于根据所述第一产品的产品信息和所述第一客服对应的点击转化预测值确定所述第一客服推荐所述第一产品的推荐值；
所述确定单元403，还用于若所述第一客服推荐所述第一产品的推荐值满足推荐条件，则确定产品推荐方案，所述产品推荐方案包括通过所述第一客服向所述用户推荐所述第一产品。
进一步地，所述点击转化预测模型包括点击预测模型和转化预测模型；所述获取单元401，还用于获取训练样本集，所述训练样本集包括点击训练样本集和转化训练样本集；
所述输入单元402，还用于将所述点击训练样本集输入至初始点击转化预测模型中的初始点击预测模型进行训练，得到的第一损失函数值；
所述输入单元402，还用于将所述转化训练样本集输入至所述初始点击转化预测模型中的所述初始点击预测模型和初始转化预测模型进行训练，得到第二损失函数值；
所述确定单元403，还用于根据所述第一损失函数值和所述第二损失函数值确定目标损失函数值，所述目标损失函数值为所述第一损失函数值和所述第二损失函数值的和；
训练单元404，用于根据所述目标损失函数值、所述点击训练样本集和所述转化训练样本集对所述初始点击转化预测模型进行迭代训练，若所述目标损失函数值满足训练结束条件，则确定所述目标损失函数值满足训练结束条件时的初始点击转化预测模型为所述点击转化预测模型。
进一步地，所述输入单元402，具体用于：
确定所述点击训练样本集中的第一正样本集合和第一负样本集合，所述第一正样本集合包括所述点击训练样本集中携带已发生点击标签的训练样本，所述第一负样本集合包括所述点击训练样本集中携带未发生点击标签的训练样本；
通过所述初始点击预测模型确定第一点击训练样本发生点击的第一概率，通过所述初始点击预测模型确定第二点击训练样本未发生点击的第二概率，所述第一点击训练样本为所述第一正样本集合中的任一样本，所述第二点击训练样本为所述第一负样本集合中的任一样本；
根据所述点击训练样本集中各个第一点击训练样本的第一概率和各个第二点击训练样本的第二概率，确定所述第一损失函数值。
进一步地，所述输入单元402，具体用于：
若第一转化训练样本携带已发生点击且已发生转化标签，则将所述第一转化训练样本确定为所述转化训练样本集中的第二正样本集合中的样本，否则，将所述第一转化训练样本确定为所述转化训练样本集中的第二负样本集合中的样本；
通过所述初始点击预测模型和所述初始转化预测模型确定第二转化训练样本发生转化的第三概率，通过所述初始点击预测模型和所述初始转化预测模型确定第三转化训练样本未发送转化的第四概率，所述第二转化训练样本为所述第二正样本集合中的任一样本，所述第三转化训练样本为所述第二负样本集合中的任一样本；
根据所述转化训练样本集中各个第二转化训练样本的第三概率和各个第三转化训练样本的第四概率，确定所述第二损失函数值。
进一步地，所述点击转化预测模型包括点击预测模型和转化预测模型；所述输入单元402，具体用于：
将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，通过所述点击预测模型对所述第一特征集合和所述第二特征集合进行处理，得到所述第一客服对应的点击预测值，通过所述转化预测模型对所述第一特征集合和所述第二特征集合进行处理，得到所述第一客服对应的转化预测值；
根据所述第一客服对应的点击预测值和所述第一客服对应的转化预测值，确定所述第一客服对应的点击转化预测值，所述第一客服对应的点击转化预测值为所述第一客服对应的点击预测值与所述第一客服对应的转化预测值的积。
进一步地，所述产品信息包括所述第一产品的产品期限以及所述产品期限对应的产品价格，所述确定单元403，具体用于：
根据预设的期限与权重的对应关系确定所述第一产品的第一产品期限对应的第一权重，所述第一产品期限为所述第一产品的多个产品期限中的任一产品期限；
确定所述第一客服对应的点击转化预测值、所述第一权重与和所述第一产品期限对应的产品价格的积，为所述第一客服推荐所述第一产品的推荐值；
若确定所述第一客服推荐所述第一产品的推荐值在预设的推荐值区间范围内，则确定所述第一客服推荐所述第一产品的推荐值满足推荐条件。
进一步地，所述基于多任务学习模型的产品推荐装置400，还包括：
发送单元405，用于向所述第一客服的客服终端发送所述用户的联系信息，所述联系信息包括所述用户的联系方式；
所述获取单元401，还用于获取所述第一客服的客服终端通过所述联系方式与所述用户的用户终端建立通话连接时的语音数据，并获取客服声纹库中所述第一客服的声纹数据；
比对单元406，用于将所述语音数据与所述第一客服的声纹数据进行比对，分离出所述第一客服的语音数据和所述用户的语音数据；对所述第一客服的语音数据和所述用户的语音数据进行语音识别处理，确定所述用户的语音内容和所述第一客服的语音内容；
提取单元407，用于提取所述用户的语音内容中的第一关键信息，提取所述第一客服的语音内容中的第二关键信息，根据所述第一关键信息更新所述第一特征集合，并根据所述第二关键信息更新所述第二特征集合。
有关上述获取单元401、输入单元402、确定单元403、训练单元404、发送单元405、比对单元406以及提取单元407详细的描述可以直接参考上述图2至图3所示的方法实施例中的相关描述直接得到，这里不加赘述。
在本申请实施例中，通过获取用户的特征集合和客服的特征集合，并对此进行预测，预测得到该客服向用户进行推荐的点击转化预测值，若该点击转化预测值满足预设点击转化条件，则获取第一客服的第一产品的产品信息，并根据点击转化预测值和产品信息确定该客服向用户推荐该第一产品的推荐值，若该推荐值满足推荐条件，则确定该客服向该用户推荐该产品的产品推荐方案。由此，可以根据用户和客服的匹配程度，即用户会发生点击转化的预测值，选择合适的客服，提高客服与用户的匹配度，进而可以确定该客服向用户推荐的产品，也有利于提高产品推荐的效果。
请参阅图5，图5是本申请实施例提供的一种计算机设备的结构示意图，如图5所示，本申请实施例中的计算机设备500可以包括：
处理器501，收发器502，和存储器505，此外，上述计算机设备500还可以包括：用户接口504，和至少一个通信总线503。其中，通信总线503用于实现这些组件之间的连接通信。其中，用户接口504可以包括显示屏(Display)、键盘(Keyboard)，存储器505可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器505可选的还可以是至少一个位于远离前述处理器501和前述收发器502的存储装置。如图5所示，作为一种计算机存储介质的存储器505中可以包括操作系统、网络通信模型、用户接口模型以及设备控制应用程序。
在图5所示的计算机设备500中，收发器502可提供网络通讯功能，以使服务器间可进行通信；而用户接口504主要用于为用户提供输入的接口；而处理器501可以用于调用存储器505中存储的设备控制应用程序，执行如下操作：
获取用户的第一特征集合和第一客服的第二特征集合，所述第一客服为多个客服中的任一客服；
将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值；
若所述第一客服对应的点击转化预测值满足预设点击转化条件，则获取所述第一客服的第一产品的产品信息；
根据所述第一产品的产品信息和所述第一客服对应的点击转化预测值确定所述第一客服推荐所述第一产品的推荐值；
若所述第一客服推荐所述第一产品的推荐值满足推荐条件，则确定产品推荐方案，所述产品推荐方案包括通过所述第一客服向所述用户推荐所述第一产品。
在一种可能的实现方式中，所述点击转化预测模型包括点击预测模型和转化预测模型；上述处理器501在将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值之前，还用于执行如下操作：
获取训练样本集，所述训练样本集包括点击训练样本集和转化训练样本集；
将所述点击训练样本集输入至初始点击转化预测模型中的初始点击预测模型进行训练，得到的第一损失函数值；
将所述转化训练样本集输入至所述初始点击转化预测模型中的所述初始点击预测模型和初始转化预测模型进行训练，得到第二损失函数值；
根据所述第一损失函数值和所述第二损失函数值确定目标损失函数值，所述目标损失函数值为所述第一损失函数值和所述第二损失函数值的和；
根据所述目标损失函数值、所述点击训练样本集和所述转化训练样本集对所述初始点击转化预测模型进行迭代训练，若所述目标损失函数值满足训练结束条件，则确定所述目标损失函数值满足训练结束条件时的初始点击转化预测模型为所述点击转化预测模型。
在一种可能的实现方式中，上述处理器501用于将所述点击训练样本集输入至所述初始点击转化预测模型中的初始点击预测模型进行训练，得到的第一损失函数值，具体用于：
确定所述点击训练样本集中的第一正样本集合和第一负样本集合，所述第一正样本集合包括所述点击训练样本集中携带已发生点击标签的训练样本，所述第一负样本集合包括所述点击训练样本集中携带未发生点击标签的训练样本；
通过所述初始点击预测模型确定第一点击训练样本发生点击的第一概率，通过所述初始点击预测模型确定第二点击训练样本未发生点击的第二概率，所述第一点击训练样本为所述第一正样本集合中的任一样本，所述第二点击训练样本为所述第一负样本集合中的任一样本；
根据所述点击训练样本集中各个第一点击训练样本的第一概率和各个第二点击训练样本的第二概率，确定所述第一损失函数值。
在一种可能的实现方式中，上述处理器501用于将所述转化训练样本集输入至所述初始点击转化预测模型中的初始转化预测模型进行训练，得到第二损失函数值，具体用于：
若第一转化训练样本携带已发生点击且已发生转化标签，则将所述第一转化训练样本确定为所述转化训练样本集中的第二正样本集合中的样本，否则，将所述第一转化训练样本确定为所述转化训练样本集中的第二负样本集合中的样本；
通过所述初始点击预测模型和所述初始转化预测模型确定第二转化训练样本发生转化的第三概率，通过所述初始点击预测模型和所述初始转化预测模型确定第三转化训练样本未发送转化的第四概率，所述第二转化训练样本为所述第二正样本集合中的任一样本，所述第三转化训练样本为所述第二负样本集合中的任一样本；
根据所述转化训练样本集中各个第二转化训练样本的第三概率和各个第三转化训练样本的第四概率，确定所述第二损失函数值。
在一种可能的实现方式中，所述点击转化预测模型包括点击预测模型和转化预测模型；上述处理器501用于将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值，具体用于：
将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，通过所述点击预测模型对所述第一特征集合和所述第二特征集合进行处理，得到所述第一客服对应的点击预测值，通过所述转化预测模型对所述第一特征集合和所述第二特征集合进行处理，得到所述第一客服对应的转化预测值；
根据所述第一客服对应的点击预测值和所述第一客服对应的转化预测值，确定所述第一客服对应的点击转化预测值，所述第一客服对应的点击转化预测值为所述第一客服对应的点击预测值与所述第一客服对应的转化预测值的积。
在一种可能的实现方式中，所述产品信息包括所述第一产品的产品期限以及所述产品期限对应的产品价格，上述处理器501用于根据所述第一产品的产品信息和所述第一客服对应的点击转化预测值确定所述第一客服推荐所述第一产品的推荐值，具体用于：
根据预设的期限与权重的对应关系确定所述第一产品的第一产品期限对应的第一权重，所述第一产品期限为所述第一产品的多个产品期限中的任一产品期限；
确定所述第一客服对应的点击转化预测值、所述第一权重与和所述第一产品期限对应的产品价格的积，为所述第一客服推荐所述第一产品的推荐值；
若确定所述第一客服推荐所述第一产品的推荐值在预设的推荐值区间范围内，则确定所述第一客服推荐所述第一产品的推荐值满足推荐条件。
在一种可能的实现方式中，在确定产品推荐方案之后，上述处理器501还用于：
向所述第一客服的客服终端发送所述用户的联系信息，所述联系信息包括所述用户的联系方式；
获取所述第一客服的客服终端通过所述联系方式与所述用户的用户终端建立通话连接时的语音数据，并获取客服声纹库中所述第一客服的声纹数据；
将所述语音数据与所述第一客服的声纹数据进行比对，分离出所述第一客服的语音数据和所述用户的语音数据；
对所述第一客服的语音数据和所述用户的语音数据进行语音识别处理，确定所述用户的语音内容和所述第一客服的语音内容；
提取所述用户的语音内容中的第一关键信息，提取所述第一客服的语音内容中的第二关键信息，根据所述第一关键信息更新所述第一特征集合，并根据所述第二关键信息更新所述第二特征集合。
应当理解，在一些可行的实施方式中，上述处理器501可以是中央处理单元(central processing unit，CPU)，该处理器501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 integratedcircuit，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。
该存储器505可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器505的一部分还可以包括非易失性随机存取存储器。
具体实现中，上述计算机设备500可通过其内置的各个功能模块执行如上述图2和图3中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。
在本申请实施例中，通过获取用户的特征集合和客服的特征集合，并对此进行预测，预测得到该客服向用户进行推荐的点击转化预测值，若该点击转化预测值满足预设点击转化条件，则获取第一客服的第一产品的产品信息，并根据点击转化预测值和产品信息确定该客服向用户推荐该第一产品的推荐值，若该推荐值满足推荐条件，则确定该客服向该用户推荐该产品的产品推荐方案。由此，可以根据用户和客服的匹配程度，即用户会发生点击转化的预测值，选择合适的客服，提高客服与用户的匹配度，进而可以确定该客服向用户推荐的产品，也有利于提高产品推荐的效果。
此外，这里需要指出的是：本申请实施例还提供了一种计算机可读存储介质，且上述计算机可读存储介质中存储有前文提及的计算机设备所执行的计算机程序，且上述计算机程序包括程序指令，当上述处理器执行上述程序指令时，能够执行前文图2或图3任一个所对应实施例中的对任一方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。
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指令相关的硬件来完成，上述的程序可存储于一计算机可读存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，ROM)或随机存储记忆体(random accessmemory，RAM)等。
需要强调的是，为进一步保证上述数据的私密和安全性，上述数据还可以存储于一区块链的节点中。其中，本申请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。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (10)

1.一种基于多任务学习模型的产品推荐方法，其特征在于，包括：
获取用户的第一特征集合和第一客服的第二特征集合，所述第一客服为多个客服中的任一客服；
将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值；
若所述第一客服对应的点击转化预测值满足预设点击转化条件，则获取所述第一客服的第一产品的产品信息；
根据所述第一产品的产品信息和所述第一客服对应的点击转化预测值确定所述第一客服推荐所述第一产品的推荐值；
若所述第一客服推荐所述第一产品的推荐值满足推荐条件，则确定产品推荐方案，所述产品推荐方案包括通过所述第一客服向所述用户推荐所述第一产品。
2.根据权利要求1所述的方法，其特征在于，所述点击转化预测模型包括点击预测模型和转化预测模型；所述将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值之前，所述方法还包括：
获取训练样本集，所述训练样本集包括点击训练样本集和转化训练样本集；
将所述点击训练样本集输入至初始点击转化预测模型中的初始点击预测模型进行训练，得到的第一损失函数值；
将所述转化训练样本集输入至所述初始点击转化预测模型中的所述初始点击预测模型和初始转化预测模型进行训练，得到第二损失函数值；
根据所述第一损失函数值和所述第二损失函数值确定目标损失函数值，所述目标损失函数值为所述第一损失函数值和所述第二损失函数值的和；
根据所述目标损失函数值、所述点击训练样本集和所述转化训练样本集对所述初始点击转化预测模型进行迭代训练，若所述目标损失函数值满足训练结束条件，则确定所述目标损失函数值满足训练结束条件时的初始点击转化预测模型为所述点击转化预测模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述点击训练样本集输入至所述初始点击转化预测模型中的初始点击预测模型进行训练，得到的第一损失函数值，包括：
确定所述点击训练样本集中的第一正样本集合和第一负样本集合，所述第一正样本集合包括所述点击训练样本集中携带已发生点击标签的训练样本，所述第一负样本集合包括所述点击训练样本集中携带未发生点击标签的训练样本；
通过所述初始点击预测模型确定第一点击训练样本发生点击的第一概率，通过所述初始点击预测模型确定第二点击训练样本未发生点击的第二概率，所述第一点击训练样本为所述第一正样本集合中的任一样本，所述第二点击训练样本为所述第一负样本集合中的任一样本；
根据所述点击训练样本集中各个第一点击训练样本的第一概率和各个第二点击训练样本的第二概率，确定所述第一损失函数值。
4.根据权利要求2所述的方法，其特征在于，所述将所述转化训练样本集输入至所述初始点击转化预测模型中的初始转化预测模型进行训练，得到第二损失函数值，包括：
若第一转化训练样本携带已发生点击且已发生转化标签，则将所述第一转化训练样本确定为所述转化训练样本集中的第二正样本集合中的样本，否则，将所述第一转化训练样本确定为所述转化训练样本集中的第二负样本集合中的样本；
通过所述初始点击预测模型和所述初始转化预测模型确定第二转化训练样本发生转化的第三概率，通过所述初始点击预测模型和所述初始转化预测模型确定第三转化训练样本未发送转化的第四概率，所述第二转化训练样本为所述第二正样本集合中的任一样本，所述第三转化训练样本为所述第二负样本集合中的任一样本；
根据所述转化训练样本集中各个第二转化训练样本的第三概率和各个第三转化训练样本的第四概率，确定所述第二损失函数值。
5.根据权利要求1所述的方法，其特征在于，所述点击转化预测模型包括点击预测模型和转化预测模型；所述将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值，包括：
将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，通过所述点击预测模型对所述第一特征集合和所述第二特征集合进行处理，得到所述第一客服对应的点击预测值，通过所述转化预测模型对所述第一特征集合和所述第二特征集合进行处理，得到所述第一客服对应的转化预测值；
根据所述第一客服对应的点击预测值和所述第一客服对应的转化预测值，确定所述第一客服对应的点击转化预测值，所述第一客服对应的点击转化预测值为所述第一客服对应的点击预测值与所述第一客服对应的转化预测值的积。
6.根据权利要求1所述的方法，其特征在于，所述产品信息包括所述第一产品的产品期限以及所述产品期限对应的产品价格，所述根据所述第一产品的产品信息和所述第一客服对应的点击转化预测值确定所述第一客服推荐所述第一产品的推荐值，包括：
根据预设的期限与权重的对应关系确定所述第一产品的第一产品期限对应的第一权重，所述第一产品期限为所述第一产品的多个产品期限中的任一产品期限；
确定所述第一客服对应的点击转化预测值、所述第一权重与和所述第一产品期限对应的产品价格的积，为所述第一客服推荐所述第一产品的推荐值；
若确定所述第一客服推荐所述第一产品的推荐值在预设的推荐值区间范围内，则确定所述第一客服推荐所述第一产品的推荐值满足推荐条件。
7.根据权利要求1所述的方法，其特征在于，在确定产品推荐方案之后，所述方法还包括：
向所述第一客服的客服终端发送所述用户的联系信息，所述联系信息包括所述用户的联系方式；
获取所述第一客服的客服终端通过所述联系方式与所述用户的用户终端建立通话连接时的语音数据，并获取客服声纹库中所述第一客服的声纹数据；
将所述语音数据与所述第一客服的声纹数据进行比对，分离出所述第一客服的语音数据和所述用户的语音数据；
对所述第一客服的语音数据和所述用户的语音数据进行语音识别处理，确定所述用户的语音内容和所述第一客服的语音内容；
提取所述用户的语音内容中的第一关键信息，提取所述第一客服的语音内容中的第二关键信息，根据所述第一关键信息更新所述第一特征集合，并根据所述第二关键信息更新所述第二特征集合。
8.一种基于多任务学习模型的产品推荐装置，其特征在于，包括：
获取单元，用于获取用户的第一特征集合和第一客服的第二特征集合，所述第一客服为多个客服中的任一客服；
输入单元，用于将所述第一特征集合和所述第二特征集合输入至预训练的点击转化预测模型中，得到所述第一客服对应的点击转化预测值；
所述获取单元，还用于若所述第一客服对应的点击转化预测值满足预设点击转化条件，则获取所述第一客服的第一产品的产品信息；
确定单元，用于根据所述第一产品的产品信息和所述第一客服对应的点击转化预测值确定所述第一客服推荐所述第一产品的推荐值；
所述确定单元，还用于若所述第一客服推荐所述第一产品的推荐值满足推荐条件，则确定产品推荐方案，所述产品推荐方案包括通过所述第一客服向所述用户推荐所述第一产品。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7任一项所述的方法。
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存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1-7任一项所述的方法。
CN202111276912.8A 2021-10-29 2021-10-29 一种基于多任务学习模型的产品推荐方法及相关设备 Pending CN113919921A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111276912.8A CN113919921A (zh) 2021-10-29 2021-10-29 一种基于多任务学习模型的产品推荐方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111276912.8A CN113919921A (zh) 2021-10-29 2021-10-29 一种基于多任务学习模型的产品推荐方法及相关设备

Publications (1)

Publication Number Publication Date
CN113919921A true CN113919921A (zh) 2022-01-11

Family

ID=79244034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111276912.8A Pending CN113919921A (zh) 2021-10-29 2021-10-29 一种基于多任务学习模型的产品推荐方法及相关设备

Country Status (1)

Country Link
CN (1) CN113919921A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664205A (zh) * 2023-08-01 2023-08-29 北京力码科技有限公司 一种基于区块链技术的金融保险推荐系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664205A (zh) * 2023-08-01 2023-08-29 北京力码科技有限公司 一种基于区块链技术的金融保险推荐系统

Similar Documents

Publication Publication Date Title
CN111400613A (zh) 物品推荐方法、装置、介质及计算机设备
CN111626767B (zh) 资源数据的发放方法、装置及设备
CN116304007A (zh) 一种信息推荐方法、装置、存储介质及电子设备
CN115994226A (zh) 基于联邦学习的聚类模型训练系统及方法
CN113919921A (zh) 一种基于多任务学习模型的产品推荐方法及相关设备
CN113221005B (zh) 客服推送方法、服务器及相关产品
CN107644042B (zh) 软件程序点击率预估排序方法及服务器
CN115222433A (zh) 一种信息推荐方法、装置及存储介质
CN114119123A (zh) 信息推送的方法和装置
CN111787042B (zh) 用于推送信息的方法和装置
CN109951859B (zh) 无线网络连接推荐方法、装置、电子设备及可读介质
CN111199454A (zh) 实时用户转化评估方法、装置及电子设备
CN111435381A (zh) 请求分发方法和装置
CN114491249B (zh) 一种对象推荐方法、装置、设备以及存储介质
CN111768218A (zh) 用于处理用户交互信息的方法和装置
CN113704471B (zh) 语句的分类方法、装置、设备和存储介质
CN115186179A (zh) 保险产品推送方法和装置
CN116703046A (zh) 实时派工顺序的控制方法及系统、电子设备和存储介质
CN113592315A (zh) 一种处理纠纷单的方法和装置
CN113780610A (zh) 一种客服画像构建方法和装置
CN113128597A (zh) 一种用户行为特征的提取和分类预测的方法及装置
CN109408716B (zh) 用于推送信息的方法和设备
CN112527852A (zh) 用户动支策略分配方法、装置及电子设备
CN111882339A (zh) 预测模型训练及响应率预测方法、装置、设备及存储介质
Singla et al. A hybrid computational intelligence decision making model for multimedia cloud based applications

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