CN113971581A - 一种机器人的控制方法、装置、终端设备及存储介质 - Google Patents

一种机器人的控制方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN113971581A
CN113971581A CN202110428823.4A CN202110428823A CN113971581A CN 113971581 A CN113971581 A CN 113971581A CN 202110428823 A CN202110428823 A CN 202110428823A CN 113971581 A CN113971581 A CN 113971581A
Authority
CN
China
Prior art keywords
information
user
label
determining
greeting
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
CN202110428823.4A
Other languages
English (en)
Inventor
邓其春
张永杰
丁磊
陈放
沈剑波
柏晓乐
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.)
Smart Dynamics Co ltd
Original Assignee
Smart Dynamics 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 Smart Dynamics Co ltd filed Critical Smart Dynamics Co ltd
Priority to CN202110428823.4A priority Critical patent/CN113971581A/zh
Publication of CN113971581A publication Critical patent/CN113971581A/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3343—Query execution using phonetics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • 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]
    • G06Q30/0641—Shopping interfaces
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C15/00—Generating random numbers; Lottery apparatus
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07F—COIN-FREED OR LIKE APPARATUS
    • G07F9/00—Details other than those peculiar to special kinds or types of apparatus
    • G07F9/02—Devices for alarm or indication, e.g. when empty; Advertising arrangements in coin-freed apparatus
    • G07F9/023—Arrangements for display, data presentation or advertising
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue

Abstract

本申请适用于人工智能技术领域，提供了一种机器人的控制方法、装置、终端设备及存储介质，其中，方法包括：在检测到用户时，对用户进行人脸识别；根据人脸识别结果确定用户的身份信息；获取与身份信息关联的用户画像标签；获取用户的行为数据，对行为数据进行特征分析，确定行为数据的行为特征标签；根据用户画像标签、行为特征标签和在售产品信息，确定对应的问候信息，并反馈问候信息。可根据用户画像标签、行为特征标签和在售产品信息，确定对应的问候信息，增加了人机交互的智能性，且用户画像标签、所述行为特征标签和在售产品信息不同，确定对应的问候信息不同从而可增加趣味性，进一步提升了用户体验感。

Description

一种机器人的控制方法、装置、终端设备及存储介质
技术领域
本申请属于人工智能技术领域，尤其涉及一种机器人的控制方法、装置、终端设备及存储介质。
背景技术
随着人工智能技术的快速发展，各种智能产品顺应而生，如线下的无人彩票自助销售机器人不受时间、地点限制，节省人力、方便交易等优点满足了现代新零售需求。
然而目前这机器人被动地接受用户输入指令，机械的执行购买流程，智能性低，且功能趣味性低，使得用户体验感差。
发明内容
本申请实施例提供了一种机器人的控制方法、装置、终端设备及存储介质，旨在解决现有机器人智能性低，无法了解并满足用户需求，用户体验感差的问题。
第一方面，本申请实施例提供了一种机器人的控制方法，包括：
在检测到用户时，对所述用户进行人脸识别；
根据人脸识别结果确定所述用户的身份信息；
获取与所述身份信息关联的用户画像标签；
获取所述用户的行为数据，对所述行为数据进行特征分析，确定所述行为数据的行为特征标签；
根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，并反馈所述问候信息。
在一个实施例中，根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，并反馈所述问候信息，包括：
通过预设搜索引擎根据用户画像标签、所述行为特征标签和在售产品信息，确定对应的输出关键词；其中，所述预设搜索引擎包括预设多维度的输入信息，并分别对每个维度的输入信息关联对应的输出关键词；
根据所述输出关键词，确定对应的问候信息，并反馈所述问候信息。
在一个实施例中，通过预设搜索引擎根据用户画像标签、所述行为特征标签和在售产品信息，确定对应的输出关键词，包括：
将所述用户画像标签作为第一个维度的输入信息输入至所述预设搜索引擎，输出与所述用户画像标签对应的第一输出关键词；
将所述行为特征标签作为第二个维度的输入信息输入至所述预设搜索引擎，输出与所述行为特征标签对应的第二输出关键词；
从所述在售产品信息中确定出与所述用户画像标签相匹配的目标产品信息，并将所述目标产品信息作为第三个维度的输入信息输入至所述预设搜索引擎，输出与所述目标产品信息对应的第三输出关键词；
对应地，根据所述输出关键词，确定对应的问候信息，并反馈所述问候信息，包括：
将所述第一输出关键词、第二输出关键词和所述第三输出关键词，输入至预设的问候模板系统，得到对应的问候信息，并反馈所述问候信息。
在一个实施例中，所述控制方法还包括：
预先根据用户的身份信息创建对应的用户画像标签；
获取在预设有效时间段内目标用户的历史交易信息，根据所述历史交易信息确定对应的新标签，并将所述新标签添加至所述目标用户的用户画像标签中；其中，所述目标用户为已创建用户画像标签的用户中的任一用户。
在一个实施例中，在根据人脸识别结果确定所述用户的身份信息之后，还包括：
将所述历史交易信息和所述身份信息输入至预设的产品购买预测模型中，获得产品购买概率预测结果；其中，所述产品购买预测模型为用于进行产品购买预测的第一网络模型；
根据产品购买概率预测结果及所述在售产品信息，发送对应产品的介绍信息和/或显示对应产品的购买界面。
在一个实施例中，所述控制方法还包括：
采集用户的语音信息；
将所述语音信息输入至预设意图分类模型，得到意图分类结果；其中，所述预设意图分类模型为用于对语音信息通过语义分析进行意图分类的第二网络模型，所述意图分类结果包括业务咨询意图、购买意图和聊天意图。
在一个实施例中，在将所述语音信息输入至预设意图分类模型，得到意图分类结果之后，还包括：
在所述意图分类结果为业务咨询意图时，分析所述语音信息，确定业务咨询问题，根据业务咨询问答数据库，检索出与所述业务咨询问题相关度最高的咨询结果，并反馈所述咨询结果；
在所述意图分类结果为购买意图时，将所述语音信息输入至购买指令解析模型，得到解析后的指令，启动与所述解析后的指令对应的购买流程；其中，所述购买指令解析模型用于对语音信息通过语义分析进行指令解析的第三网络模型；
在所述意图分类结果为聊天意图时，分析所述语音信息，确定聊天内容，在聊天数据库中，检索出与所述聊天内容相关度大于预设阈值的回答内容，并从大于预设阈值的回答内容选取目标答案作为聊天回复信息，并反馈所述聊天回复信息。
第二方面，本申请实施例提供了一种机器人的控制装置，包括：
检测模块，用于在检测到用户时，对所述用户进行人脸识别；
第一确定模块，用于根据人脸识别结果确定所述用户的身份信息；
第一获取模块，用于获取与所述身份信息关联的用户画像标签；
第二获取模块，用于获取所述用户的行为数据，对所述行为数据进行特征分析，确定所述行为数据的行为特征标签；
第二确定模块，用于根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，并反馈所述问候信息。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述控制方法的步骤。
第四方面，本申请实施例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存储有计算机程序，上述计算机程序被处理器执行时实现上述控制方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述控制方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例可在检测到用户时，对用户进行人脸识别，根据人脸识别结果确定所述用户的身份信息；获取与所述身份信息关联的用户画像标签；获取所述用户的行为数据，对所述行为数据进行特征分析，确定所述行为数据的行为特征标签；根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，并反馈所述问候信息。可根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，增加了人机交互的智能性，且用户画像标签、所述行为特征标签和在售产品信息不同，确定的问候信息不同从而可增加趣味性，进一步提升了用户体验感。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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是本申请一实施例提供的机器人的控制方法的流程示意图；
图2是本申请一实施例提供的步骤S105具体流程示意图；
图3是本申请另一实施例提供的的机器人的控制方法的流程示意图；
图4是本申请又一实施例提供的机器人的控制方法的流程示意图；
图5是本申请再一实施例提供的机器人的控制方法的流程示意图；
图6是本申请一实施例提供的机器人的控制装置的结构示意图；
图7是本申请一实施例提供的机器人的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的机器人的控制方法，可以应用于自助销售机器人或者与自助销售机器人进行通信的服务器，所述自助销售机器人可以是用于销售彩票的自助销售机器人。本申请实施例对机器人的具体类型不作任何限制。
为了说明本申请所述的技术方案，下面通过以下实施例来进行说明。
请参阅图1，本申请实施例提供的一种机器人的控制方法，包括：
步骤S101，在检测到用户时，对所述用户进行人脸识别。
具体地，所述机器人为自助销售机器人，自助销售机器人中设有图像采集设备，所述图像采集设备可以是摄像头，通过图像采集设备采集自助销售机器人当前场景中的图像，在采集的图像中通过目标检测算法进行人体检测，当检测到人体时，判定检测到用户，并对检测到的用户进行人脸识别，具体可以是先定位到用户的人脸区域，并检测人脸区域的特征信息。
步骤S102，根据人脸识别结果确定所述用户的身份信息。
具体地，根据人脸区域的特征信息与数据库中已有用户的人脸特征信息进行匹配，在匹配成功时，获得对应用户已存储的身份信息；根据人脸区域的特征信息与人脸数据库中已有用户人脸特征信息进行匹配，在未匹配成功时，将将用户的身份信息设为新用户，并存储该新用户的人脸特征信息。
步骤S103，获取与所述身份信息关联的用户画像标签。
具体地，确定用户的身份信息之后，获取当前已存储与该身份信息关联的用户画像标签，所述用户画像标签包括但不限于年龄标签，性别标签，产品爱好标签，消费和活跃等级标签中的一项或多项标签。
在一个实施例中，所述控制方法还包括：预先根据用户的身份信息创建对应的用户画像标签；获取在预设有效时间段内目标用户的历史交易信息，根据所述历史交易信息确定对应的新标签，并将所述新标签添加至所述目标用户的用户画像标签中；其中，所述目标用户为已创建用户画像标签的用户中的任一用户。
具体地，预先接收用户输入的身份信息，根据用户输入的身份信息创建该用户的用户画像标签，如根据用户输入的年龄，性别，爱好等信息确定用户对应初始的用户画像标签，定期根据用户的历史交易信息确定用户的新标签，如定期根据历史交易信息确定用户的产品爱好标签，消费和活跃等级等标签，将新标签添加至对应用户画像标签中，若已有的用户画像标签中已存在与该新标签同类型的标签则新标签替换已有同类型的旧标签；或者未接收到用户主动输入的身份信息，在第一次检测到用户的人脸时，根据用户的人脸为用户创建画像标签，此时将用户的画像标签设置为新用户标签，后续根据该用户存在交易行为，将该用户的画像标签为新用户标签进行删除，并根据交易行为增加对应的画像标签。
步骤S104，获取所述用户的行为数据，对所述行为数据进行特征分析，确定所述行为数据的行为特征标签。
具体地，获取用户当前的行为数据，行为数据包括但不限于用户的身体行为和面部表情行为，如机器人为自助销售机器人，身体行为包括面向自助销售机器人，侧向自助销售机器人和背向自助销售机器人，以及检查手上是否提有物品，并对提有物品大小等级进行检测(如划分为大物件等级物品和小物件等级物品，具体可根据目标检测算法进行检测)。根据身体行为数据确定第一行为特征标签，根据面部表情行为数据确定第二行为特征标签。检测到用户是面向自助销售机器人，且提有物品大小满足大物件等级物品，确定第一行为标签可以是面向机器人并提有大物件等级物品；提取脸部面部表情的特征与预设不同类型情感的面部表情特征进行对比，将匹配度最大的类型情感作为当前用户的情感类型，如情感类型是可以是开心、悲伤或者正常等类型。
步骤S105，根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，并反馈所述问候信息。
具体地，预先存储与不同用户画像标签对应关键词，预先存储与不同行为特征对应关键词，根据用户画像标签从在售产品信息中确定对应产品信息。根据当前用户画像标签对应的第一关键词、当前行为特性标签对应的第二关键词、以及根据用户画像标签从在售产品信息中确定产品信息对应的第三关键词，根据第一关键词、第二关键词和第三关键词确定出对应的问候信息，并通过语音播放所述问候信息，从而将问候信息反馈给用户，或者显示所述问候信息对应的文字、图像和/或动画等方式，将问候信息反馈给用户。
在一个实施例中，根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，并反馈所述问候信息，包括：通过预设搜索引擎根据用户画像标签、所述行为特征标签和在售产品信息，确定对应的输出关键词；其中，所述预设搜索引擎包括预设多维度的输入信息，并分别对每个维度的输入信息关联对应的输出关键词；根据所述输出关键词，确定对应的问候信息，并反馈所述问候信息。
具体地，预先建立搜索引擎，所述搜索引擎用于从多个维度搜集信息，并根据每个维度不同的输入信息确定对应的输出信息，从而提供给用户进行查询的系统。
在一个实施例中，如图2所示，通过预设搜索引擎根据用户画像标签、所述行为特征标签和在售产品信息，确定对应的输出关键词，包括步骤S1051至步骤S1053；对应地，根据所述输出关键词，确定对应的问候信息，并反馈所述问候信息，包括步骤S1054：
步骤S1051，将所述用户画像标签作为第一个维度的输入信息输入至所述预设搜索引擎，输出与所述用户画像标签对应的第一输出关键词。
步骤S1052，将所述行为特征标签作为第二个维度的输入信息输入至所述预设搜索引擎，输出与所述行为特征标签对应的第二输出关键词。
步骤S1053，从所述在售产品信息中确定出与所述用户画像标签相匹配的目标产品信息，并将所述目标产品信息作为第三个维度的输入信息输入至所述预设搜索引擎，输出与所述目标产品信息对应的第三输出关键词。
具体地，先从多个维度收集信息，如可以从三个维度收集信息，第一个维度是用户画像标签，第二个维度是行为特征标签，第三个维度是产品信息。将收集的用户画像标签关联对应的关键词，行为特征标签关联对应的关键词，产品信息关联对应的关键词。预设搜索引擎接收到用户画像标签时，索引出与该用户画像标签对应的第一关键词进行输出，称为第一输出关键词；预设搜索引擎接收到行为特征标签时，索引出与该行为特征标签对应的第二关键词进行输出，称为第二输出关键词；根据当前在售产品信息及当前用户的用户画像标签，获取与当前用户的用户画像标签相同的其他用户的历史购买信息，确定出与当前用户的用户画像标签相同的其他用户在当前在售产品活动中交易最多的产品信息。将该交易最多的产品信息确定为与用户画像标签相匹配的目标产品信息，将目标产品信息输入至预设搜索引擎，预设搜索引擎接收到目标产品信息时，输出与目标产品信息对应的第三关键词，称之为第三输出关键词。
如在一种应用场景中，自助售卖机器人用于售卖多种类型彩票，如甲的用户画像标签包括年龄30，性别男，爱好A类型彩票，消费和活跃等级为最高等级，与甲的用户画像标签对应的第一输出关键词是“尊贵的VIP先生，快来买张A类型的彩票吧，大奖在等你哦”，乙的用户画像标签包括年龄20，性别男，爱好B类型彩票，消费和活跃等级为初级，与乙的用户画像标签对应的第一输出关键词是“亲爱的帅哥，您好久没来了，要不来张B类型的彩票碰碰运气吧”；如确定出甲的行为特征标签为面向机器人，情感类别为开心，提有小物件等级物品或未提物品，甲的行为特征标签对应的第二输出关键词为“我预测心情不错的您今天会中大奖哦”，乙的行为特征标签为侧向机器人，情感类别为悲伤，提有大物件等级物品，乙的行为特征标签对应的第二输关键词为“要不要坐下休息一下，买注彩票带来好运”；若甲的用户画像标签中包括爱好A类型彩票，爱好为A类型彩票的其他用户在近期购买的彩票种类频率最高的目标彩票，目标彩票对应的第三关键词为当前该目标彩票的购买规则信息。以上仅是为了理解做的举例，不作为对本申请的限定，实际应用中可根据用户搜集信息确定每个维度的输入信息和输出关键词。
步骤S1054，将所述第一输出关键词、第二输出关键词和所述第三输出关键词，输入至预设的问候模板系统，得到对应的问候信息，并反馈所述问候信息。
具体地，预先创建问候模板系统，保存各种问候样板，每一个问候样板与一个或者多个关键词进行关联。将第一输出关键词，第二输出关键词和第三输出关键词输入至问候模板系统，输出与这三个关键字关联度最高的问候信息，如问候模板系统中存在A问候模板和B问候模板与这三个关键字相关联，A问候模板的问候信息与这三个关键字中两个都关联，B问候模板的问候信息与这三个关键字中三个都关联，则将B问候模板的问候信息作为关联度最高的问候信息，得到对应的问候信息，并通过语音播放所述问候信息，从而将问候信息反馈给用户，或者显示所述问候信息对应的文字、图像和/或动画等方式，将问候信息反馈给用户。通过此类方法进对用户进行问候，可使得自助销售机器人更加智能，并且增加了自助销售机器人的趣味性。
在一个实施例中，如图3所示，在根据人脸识别结果确定所述用户的身份信息之后，还包括步骤S201至步骤S202：
步骤S201，将所述历史交易信息和所述身份信息输入至预设的产品购买预测模型中，获得产品购买概率预测结果；其中，所述产品购买预测模型为用于进行产品购买预测的第一网络模型。
在一种应用场景中，可预先构建用于产品购买的网络模型，称为第一网络模型，定期对第一网络模型进行训练，如可基于Transformer Encoder框架部分构建出产品购买的网络模型，对第一网络模型进行训练可以是定期以用户的历史购买记录作为时序数据，并从中抽取用户的购买产品种类、购买时段、购买场景、活跃天数、用户标签等信息作为样本特征，并对不同的样本特征标注用户购买各个产品的概率(作为标记好的期望输出)，根据标记好的期望输出向量不断调整优化所述第一网络模型中的参数，直至第一网络模型预测各个产品的购买概率与标注用户购买各个产品的概率之间的匹配率在预设范围内。
在一种应用场景中，对第一网络模型进行训练可以是定期以彩民的历史购买记录作为时序数据，并从中抽取彩民的下单彩种、购彩时段、购彩场景、活跃天数、用户标签等信息作为样本特征，训练第一网络模型用来预测彩民购买每类彩种的概率。将预设概率最高的彩种推荐给彩民，如果彩民对推荐的彩种不太感兴趣，那么还可结合彩票当前的活动，智能向彩民推荐他感兴趣的彩种，提高推荐效率和转化率。
步骤S202，根据产品购买概率预测结果及所述在售产品信息，发送对应产品的介绍信息和/或显示对应产品的购买界面。
具体地，根据产品购买概率预测结果及所述在售产品信息中将产品购买概率最大的产品信息向用户推荐，推荐方式可以是通过语音、文字、图片和/或动画等方式发送推荐产品的介绍信息和/或显示对应产品的购买界面。
在一个实施例中，如图4所示，所述控制方法还包括步骤S301至步骤S302：
步骤S301，采集用户的语音信息。
具体地，用户可通过语音采集设备采集用户的语音信息。根据用户发出的语音信息了解用户的意图，并根据用于意图做出对应的操作。
步骤S302，将所述语音信息输入至预设意图分类模型，得到意图分类结果；其中，所述预设意图分类模型为用于对语音信息通过语义分析进行意图分类的第二网络模型，所述意图分类结果包括业务咨询意图、购买意图和聊天意图。
具体地，可预先构建用于意图分类的网络模型，称为第二网络模型，并对第二网络模型进行训练，如可基于BERT模型构建出第二网络模型，对第二网络模型进行训练可以是对用户与机器人之间对话的语句作为训练样本，并标注对话语句对应意图类型(作为标记好的期望输出)，根据标记好的期望输出向量不断调整优化所述第二网络模型中的参数，直至第二网络模型输出的分类结果与标注分类结果之间的错误率在预设范围内。将所述语音信息输入至预设意图分类模型，得到意图分类结果可以是将语音信息转化为对应的文字，并将文字输入至训练后的预设意图分类模型，得到意图分类结果。
在一个实施例中，如图5所示，在将所述语音信息输入至预设意图分类模型，得到意图分类结果之后，还包括步骤S303至步骤S305：
步骤S303，在所述意图分类结果为业务咨询意图时，分析所述语音信息，确定业务咨询问题，根据业务咨询问答数据库，检索出与所述业务咨询问题相关度最高的咨询结果，并反馈所述咨询结果。
具体地，分析所述语音信息，确定业务咨询问题可以是：根据用于确定业务咨询问题的第四网络模型确认出业务咨询问题，如可基于Sentence-BERT框架构建出第四网络模型，对第四网络模型进行训练，训练过程可以是用户与机器人之间对话的问题语句及扩展问题语句，并标注对应的问题(作为标记好的期望输出)，在训练过程中根据标记好的期望输出向量不断调整优化所述第四网络模型中的参数，直至第四网络模型输出的问题与标注问题之间的错误率在预设范围内，将语音信息转化为对应的文字，并将文字输入至训练后的第四网络模型，得到业务咨询问题。根据预设业务咨询问答数据库中问题和答案，检索出于所述业务咨询问题匹配度最高问题的答案作为咨询结果，并反馈所述咨询结果。
如在一种应用场景中，当用户不清楚彩票购买流程、兑奖流程，或者对各彩种感到困惑，亦或者想了解彩票其他的相关问题时。需要能够了解用户的问题意图，并从彩票相关的业务问答库中找到最相似的一些问题的答案给用户，从而解决用户的疑惑。具体来说，首先采用BERT模型构建一个意图分类模型，接着对彩民说话的内容进行分类处理，分类后的意图标签为业务问答、买票指令、闲聊等里的一类，最后根据分类后的意图进一步进行处理。意图分类模型的训练样本来自彩民每天与机器的对话内容，并标注好相应的意图标签，送入模型进行训练微调。如果意图分类模型识别出意图为业务问答时，则送入下游的业务问答库里搜索相关问题，并返回相似度最高的问题的答案给用户。实际业务问答库可采用Sentence-BERT框架，训练样本来自用户每天询问的彩票相关业务问题及标注扩充问题，利用这些相似问题训练迭代Sentence-BERT框架，最后预测得出问题的向量表示。当彩民询问相关的彩票业务问题时，会确定用户的问题向量并与问答库中的问题向量进行相似度比对，并获取最相似最高的前K个问题，接着对前K个问题按高于置信度分数(比如：0.9)的标准进行二次筛选，最后返回相似度最高问题的答案给用户。如果前K个问题都不符合二次筛选标准，则对用户进行兜底回复，比如：“不好意思，我没理解您的意思，您可以换个问法吗？”，从而可检索出与所述业务咨询问题相关度最高的咨询结果。其中，K大于等于1。
步骤S304，在所述意图分类结果为购买意图时，将所述语音信息输入至购买指令解析模型，得到解析后的指令，启动与所述解析后的指令对应的购买流程；其中，所述购买指令解析模型用于对语音信息通过语义分析进行指令解析的第三网络模型。
具体地，将所述语音信息输入至购买指令解析模型，得到解析后的指令可以是：根据用于对语音信息通过语义分析进行指令解析的第三网络模型进行解析，得到解析后的指令，如可基于Transformer Encoder-Decoder框架构建出第三网络模型，对第三网络模型进行训练，训练样本可以来自用户大量的购票命令，并对购票命令进行标注(作为标记好的期望输出)，根据标记好的期望输出向量不断调整优化所述第三网络模型中的参数，直至第三网络模型输出解析后指令与标注之间的错误率在预设范围内，将语音信息转化为对应的文字，并将文字输入至训练后的第三网络模型，得到解析后的指令。
如在一种应用场景中，彩民在机器面前购票时，除了手动触屏点击选票，也会通过语音来完成购票过程。所以需要能够准确理解用户的意图，并完成购票动作来替代用户的触屏点击事件。当用户下达一些购票命令时，能够解码出相应的购票指令。购买指令解析模型可基于完整的Transformer Encoder-Decoder框架构建，训练样本来自用户大量的购票命令，比如：页面跳转、机选注数、投倍数等，并将这些样本标注好相应的购票指令，来对应实际场景中用户的触屏点击事件。指令解码系统通过持续迭代升级，提升解码准确率，并最终能正确完成用户的语音购票动作。
步骤S305，在所述意图分类结果为聊天意图时，分析所述语音信息，确定聊天内容，在聊天数据库中，检索出与所述聊天内容相关度大于预设阈值的回答内容，并从大于预设阈值的回答内容选取目标答案作为聊天回复信息，并反馈所述聊天回复信息。
具体地，根据用于确定聊天对话的第五网络模型确认出聊天内容，如可基于Sentence-BERT框架构建出第五网络模型，对第五网络模型进行训练，训练过程可以是采集用户与机器人之间对话的聊天语句及扩展的聊天语句，并标注对应的聊天内容(作为标记好的期望输出)，在训练过程中根据标记好的期望输出向量不断调整优化所述第五网络模型中的参数，直至第五网络模型输出的聊天内容与标注聊天内容之间的错误率在预设范围内。分析所述语音信息，确定聊天内容可以是：将语音信息转化为对应的文字，并将文字输入至训练后的第五网络模型，得到需要的聊天内容。检索出与所述聊天内容相关度大于预设阈值的回答内容可以是：根据预设聊天数据库中聊天的对话信息，检索出于所述聊天内容匹配度最高前M个聊天回答信息。从大于预设阈值的回答内容选取目标答案作为聊天回复信息可以是：在所述M(M≥1)个聊天回答信息中通过随机选择算法选取一个答案作为聊天回复信息，并反馈所述咨询结果；或者根据有效历史时间段内(如近一个月)采集热度值最高的回答信息作为聊天回复信息并反馈所述聊天回复信息，热度最高的回答信息可以是在有效时间段内，根据聊天内容记录对应聊天回复信息的反馈信息，反馈信息包括对回复内容的预设好评操作，检测到预设好评操作时将对应的聊天回复信息的热度值加1(如预设好评操作可以是很好，谢谢等词语，或者执行预设打分操作)。当未检索出与所述聊天内容相关度大于预设阈值的回答内容或者在给用户反馈聊天回复信息后检测到用户返回的回答错误的命令时(用户返回回答错误的命令可通过语音或按键等操作发出)，则获取当前需要回答的语音信息用户发出的上一条或上多条语音信息，如根据上一条语音信息和当前需要回答的语音信息都转化为对应的文字，并将文字输入至训练后的第五网络模型，得到需要的聊天内容，因为有时聊天需要根据用户之前的聊天记录确定出对应的回复内容，机器人才会更智能，如第一个聊天内容是“开奖时间最短的彩票是什么彩票”，第一个回答内容是“甲彩票”；第二个聊天内容是“它具体多久开奖”，此时若不考虑之前第一个聊天内容，因为机器人不能识别出语句中“它”指的谁，从而可能不会检索到对应的回答或者回答错误后用户反馈了回答错误的命令，则根据第一个聊天内容和第二个聊天内容“开奖时间最短的彩票是什么彩票，它具体多久开奖”去匹配答案，会得到更准确的聊天回复信息，从而提高了机器人的智能性。
本申请实施例可在检测到用户时，对用户进行人脸识别，根据人脸识别结果确定所述用户的身份信息；获取与所述身份信息关联的用户画像标签；获取所述用户的行为数据，对所述行为数据进行特征分析，确定所述行为数据的行为特征标签；根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，并反馈所述问候信息。可根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，增加了人机交互的智能性，且用户画像标签、所述行为特征标签和在售产品信息不同，确定的问候信息可能不同从而可增加趣味性，进一步提升了用户体验感。
本申请实施例还提供一种机器人的控制装置，用于执行上述机器人的控制方法实施例中的步骤。机器人的控制装置可以是机器人或机器人通信的服务器中的虚拟装置(virtual appliance)，由机器人或服务器的处理器运行，也可以是机器人或服务器本身，该机器人可以是用于自助销售机器人，所述自助销售机器人可以是用于销售彩票的自助销售机器人。
如图6所示，本申请实施例提供的控制装置600包括：
检测模块601，用于在检测到用户时，对所述用户进行人脸识别；
第一确定模块602，用于根据人脸识别结果确定所述用户的身份信息；
第一获取模块603，用于获取与所述身份信息关联的用户画像标签；
第二获取模块604，用于获取所述用户的行为数据，对所述行为数据进行特征分析，确定所述行为数据的行为特征标签；
第二确定模块605，用于根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，并反馈所述问候信息。
在一个实施例中，所示第二确定模块具体用于：通过预设搜索引擎根据用户画像标签、所述行为特征标签和在售产品信息，确定对应的输出关键词；其中，所述预设搜索引擎包括预设多维度的输入信息，并分别对每个维度的输入信息关联对应的输出关键词；根据所述输出关键词，确定对应的问候信息，并反馈所述问候信息。
在一个实施例中，所示第二确定模块包括：
第一输出单元，用于将所述用户画像标签作为第一个维度的输入信息输入至所述预设搜索引擎，输出与所述用户画像标签对应的第一输出关键词；
第二输出单元，用于将所述行为特征标签作为第二个维度的输入信息输入至所述预设搜索引擎，输出与所述行为特征标签对应的第二输出关键词；
第三输出单元，用于从所述在售产品信息中确定出与所述用户画像标签相匹配的目标产品信息，并将所述目标产品信息作为第三个维度的输入信息输入至所述预设搜索引擎，输出与所述目标产品信息对应的第三输出关键词；
发送单元，用于将所述第一输出关键词、第二输出关键词和所述第三输出关键词，输入至预设的问候模板系统，得到对应的问候信息，并反馈所述问候信息。
在一个实施例中，控制装置600包括：
创建模块，用于预先根据用户的身份信息创建对应的用户画像标签；
第三确定模块，用于获取在预设有效时间段内目标用户的历史交易信息，根据所述历史交易信息确定对应的新标签，并将所述新标签添加至所述目标用户的用户画像标签中；其中，所述目标用户为已创建用户画像标签的用户中的任一用户。
在一个实施例中，控制装置600包括：
预测模块，用于将所述历史交易信息和所述身份信息输入至预设的产品购买预测模型中，获得产品购买概率预测结果；其中，所述产品购买预测模型为用于进行产品购买预测的第一网络模型；
发送模块，用于根据产品购买概率预测结果及所述在售产品信息，发送对应产品的介绍信息和/或显示对应产品的购买界面。
在一个实施例中，控制装置600包括：
采集模块，用于采集用户的语音信息；
分类模块，用于将所述语音信息输入至预设意图分类模型，得到意图分类结果；其中，所述预设意图分类模型为用于对语音信息通过语义分析进行意图分类的第二网络模型，所述意图分类结果包括业务咨询意图、购买意图和聊天意图。
在一个实施例中，控制装置600包括：
问题咨询模块，用于在所述意图分类结果为业务咨询意图时，分析所述语音信息，确定业务咨询问题，根据业务咨询问答数据库，检索出与所述业务咨询问题相关度最高的咨询结果，并反馈所述咨询结果；
指令模块，用于在所述意图分类结果为购买意图时，将所述语音信息输入至购买指令解析模型，得到解析后的指令，启动与所述解析后的指令对应的购买流程；其中，所述购买指令解析模型用于对语音信息通过语义分析进行指令解析的第三网络模型；
聊天模块，用于在所述意图分类结果为聊天意图时，分析所述语音信息，确定聊天内容，在聊天数据库中，检索出与所述聊天内容相关度大于预设阈值的回答内容，并从大于预设阈值的回答内容选取目标答案作为聊天回复信息，并反馈所述聊天回复信息。
本申请实施例可在检测到用户时，对用户进行人脸识别，根据人脸识别结果确定所述用户的身份信息；获取与所述身份信息关联的用户画像标签；获取所述用户的行为数据，对所述行为数据进行特征分析，确定所述行为数据的行为特征标签；根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，并反馈所述问候信息。可根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，增加了人机交互的智能性，且用户画像标签、所述行为特征标签和在售产品信息不同，确定的问候信息不同从而可增加趣味性，进一步提升了用户体验感。
如图7所示，本发明的一个实施例还提供一种终端设700包括：处理器701，存储器702以及存储在所述存储器702中并可在所述处理器701上运行的计算机程序703，例如控制程序。所述处理器701执行所述计算机程序703时实现上述控制方法实施例中的步骤。所述处理器701执行所述计算机程序703时实现上述各装置实施例中各模块的功能，例如图6所示模块601至605的功能。
示例性的，所述计算机程序703可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器702中，并由所述处理器701执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序703在所述终端设700中的执行过程。例如，所述计算机程序703可以被分割成检测模块，第一确定模块，第一获取模块，第二获取模块，第二确定模块，各模块具体功能在上述实施例中已有描述，此处不再赘述。
所述终端设700可以是机器人。所述机器人可包括，但不仅限于，处理器701，存储器702。本领域技术人员可以理解，图7仅仅是终端设700的示例，并不构成对终端设700的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器701可以是中央处理单元(Central Processing Unit，CPU)，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 Integrated Circuit，ASIC)、现场可编程门阵列(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。
所述存储器702可以是所述终端设700的内部存储单元，例如终端设700的硬盘或内存。所述存储器702也可以是所述终端设700的外部存储设备，例如所述终端设700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。进一步地，所述存储器702还可以既包括所述终端设700的内部存储单元也包括外部存储设备。所述存储器702用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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。
所述集成的模块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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种机器人的控制方法，其特征在于，包括：
在检测到用户时，对所述用户进行人脸识别；
根据人脸识别结果确定所述用户的身份信息；
获取与所述身份信息关联的用户画像标签；
获取所述用户的行为数据，对所述行为数据进行特征分析，确定所述行为数据的行为特征标签；
根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，并反馈所述问候信息。
2.根据权利要求1所述的控制方法，其特征在于，根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，并反馈所述问候信息，包括：
通过预设搜索引擎根据用户画像标签、所述行为特征标签和在售产品信息，确定对应的输出关键词；其中，所述预设搜索引擎包括预设多维度的输入信息，并分别对每个维度的输入信息关联对应的输出关键词；
根据所述输出关键词，确定对应的问候信息，并反馈所述问候信息。
3.根据权利要求2所述的控制方法，其特征在于，通过预设搜索引擎根据用户画像标签、所述行为特征标签和在售产品信息，确定对应的输出关键词，包括：
将所述用户画像标签作为第一个维度的输入信息输入至所述预设搜索引擎，输出与所述用户画像标签对应的第一输出关键词；
将所述行为特征标签作为第二个维度的输入信息输入至所述预设搜索引擎，输出与所述行为特征标签对应的第二输出关键词；
从所述在售产品信息中确定出与所述用户画像标签相匹配的目标产品信息，并将所述目标产品信息作为第三个维度的输入信息输入至所述预设搜索引擎，输出与所述目标产品信息对应的第三输出关键词；
对应地，根据所述输出关键词，确定对应的问候信息，并反馈所述问候信息，包括：
将所述第一输出关键词、第二输出关键词和所述第三输出关键词，输入至预设的问候模板系统，得到对应的问候信息，并反馈所述问候信息。
4.根据权利要求1至3任一项所述的控制方法，其特征在于，所述控制方法还包括：
预先根据用户的身份信息创建对应的用户画像标签；
获取在预设有效时间段内目标用户的历史交易信息，根据所述历史交易信息确定对应的新标签，并将所述新标签添加至所述目标用户的用户画像标签中；其中，所述目标用户为已创建用户画像标签的用户中的任一用户。
5.根据权利要求4所述的控制方法，其特征在于，在根据人脸识别结果确定所述用户的身份信息之后，还包括：
将所述历史交易信息和所述身份信息输入至预设的产品购买预测模型中，获得产品购买概率预测结果；其中，所述产品购买预测模型为用于进行产品购买预测的第一网络模型；
根据产品购买概率预测结果及所述在售产品信息，发送对应产品的介绍信息和/或显示对应产品的购买界面。
6.根据权利要求1至3任一项所述的控制方法，其特征在于，所述控制方法还包括：
采集用户的语音信息；
将所述语音信息输入至预设意图分类模型，得到意图分类结果；其中，所述预设意图分类模型为用于对语音信息通过语义分析进行意图分类的第二网络模型，所述意图分类结果包括业务咨询意图、购买意图和聊天意图。
7.根据权利要求6所述的控制方法，其特征在于，在将所述语音信息输入至预设意图分类模型，得到意图分类结果之后，还包括：
在所述意图分类结果为业务咨询意图时，分析所述语音信息，确定业务咨询问题，根据业务咨询问答数据库，检索出与所述业务咨询问题相关度最高的咨询结果，并反馈所述咨询结果；
在所述意图分类结果为购买意图时，将所述语音信息输入至购买指令解析模型，得到解析后的指令，启动与所述解析后的指令对应的购买流程；其中，所述购买指令解析模型用于对语音信息通过语义分析进行指令解析的第三网络模型；
在所述意图分类结果为聊天意图时，分析所述语音信息，确定聊天内容，在聊天数据库中，检索出与所述聊天内容相关度大于预设阈值的回答内容，并从大于预设阈值的回答内容选取目标答案作为聊天回复信息，并反馈所述聊天回复信息。
8.一种机器人的控制装置，其特征在于，包括：
检测模块，用于在检测到用户时，对所述用户进行人脸识别；
第一确定模块，用于根据人脸识别结果确定所述用户的身份信息；
第一获取模块，用于获取与所述身份信息关联的用户画像标签；
第二获取模块，用于获取所述用户的行为数据，对所述行为数据进行特征分析，确定所述行为数据的行为特征标签；
第二确定模块，用于根据所述用户画像标签、所述行为特征标签和在售产品信息，确定对应的问候信息，并反馈所述问候信息。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202110428823.4A 2021-04-21 2021-04-21 一种机器人的控制方法、装置、终端设备及存储介质 Pending CN113971581A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110428823.4A CN113971581A (zh) 2021-04-21 2021-04-21 一种机器人的控制方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110428823.4A CN113971581A (zh) 2021-04-21 2021-04-21 一种机器人的控制方法、装置、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN113971581A true CN113971581A (zh) 2022-01-25

Family

ID=79586087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110428823.4A Pending CN113971581A (zh) 2021-04-21 2021-04-21 一种机器人的控制方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN113971581A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252995A (zh) * 2023-11-17 2023-12-19 深圳市加推科技有限公司 智能名片的使用方法、智能销售系统及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252995A (zh) * 2023-11-17 2023-12-19 深圳市加推科技有限公司 智能名片的使用方法、智能销售系统及存储介质
CN117252995B (zh) * 2023-11-17 2024-03-05 深圳市加推科技有限公司 智能名片的使用方法、智能销售系统及存储介质

Similar Documents

Publication Publication Date Title
CN108536852B (zh) 问答交互方法和装置、计算机设备及计算机可读存储介质
JP6799574B2 (ja) 音声対話の満足度の確定方法及び装置
CN110325986B (zh) 文章处理方法、装置、服务器及存储介质
CN112346567B (zh) 基于ai的虚拟交互模型生成方法、装置及计算机设备
CN111444428A (zh) 基于人工智能的信息推荐方法、装置、电子设备及存储介质
JP6061729B2 (ja) 商品情報提供システムおよび商品情報提供用プログラム
US20220138770A1 (en) Method and apparatus for analyzing sales conversation based on voice recognition
CN109615009B (zh) 一种学习内容推荐方法及电子设备
CN103534697A (zh) 使用web数据训练口述对话系统中的统计对话管理器
CN116894711A (zh) 商品推荐理由生成方法及其装置、电子设备
CN110399473B (zh) 为用户问题确定答案的方法和装置
CN111782793A (zh) 智能客服处理方法和系统及设备
CN113111264B (zh) 界面内容显示方法、装置、电子设备及存储介质
CN114783421A (zh) 智能推荐方法和装置、设备、介质
CN113971581A (zh) 一种机器人的控制方法、装置、终端设备及存储介质
CN113032676A (zh) 基于微反馈的推荐方法和系统
KR102028356B1 (ko) 코멘트 기반의 광고 추천 장치 및 방법
US20210056149A1 (en) Search system, search method, and program
CN111340605B (zh) 训练用户行为预测模型、用户行为预测的方法和装置
JP7216627B2 (ja) 入力支援方法、入力支援システム、及びプログラム
KR20220118703A (ko) 머신러닝 기반 온라인 쇼핑 리뷰 감정 예측 시스템 및 방법
CN113191821A (zh) 一种数据处理方法及装置
CN112597295A (zh) 摘要提取方法、装置、计算机设备和存储介质
CN113127597A (zh) 搜索信息的处理方法、装置及电子设备
Schmidt Apple’s IPhones in the Customers’ Eyes: Which Features Are the Most Important and What Will the Future Bring

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