CN114399821B - 策略推荐方法、装置、存储介质 - Google Patents
策略推荐方法、装置、存储介质 Download PDFInfo
- Publication number
- CN114399821B CN114399821B CN202210036694.9A CN202210036694A CN114399821B CN 114399821 B CN114399821 B CN 114399821B CN 202210036694 A CN202210036694 A CN 202210036694A CN 114399821 B CN114399821 B CN 114399821B
- Authority
- CN
- China
- Prior art keywords
- user
- information
- conference
- parameter
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000000463 material Substances 0.000 claims description 62
- 230000014509 gene expression Effects 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 33
- 230000008451 emotion Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 230000008921 facial expression Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010034960 Photophobia Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种策略推荐方法、装置、存储介质，其中，方法包括：检测到会议的开始指令时，确定与所述会议关联的虚拟空间中的第一用户和至少一个第二用户；获取所述第一用户的状态信息，并根据所述第一用户的状态信息确定第一多模态特征参数；获取所述至少一个第二用户的状态信息，并根据所述至少一个第二用户的状态信息确定第二多模态特征参数；获取与所述会议的当前会议内容关联的第一文本信息，并根据所述第一文本信息确定第三多模态特征参数；根据所述第一多模态特征参数、所述第二多模态特征参数和所述第三多模态特征参数，确定所述第一用户在所述会议中的信息发送策略。采用本申请，可以根据会议实际情况精准推荐信息发送策略。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种策略推荐方法、装置、存储介质。
背景技术
随着科技进步，会议的召开形式变得多样，不仅有传统的线下会议，还有各种线上会议，但是线下会议受到召开场地、会议成本、会议规模的限制，不受上述条件限制的线上会议逐渐取代线下会议成为主流的会议召开形式。
在召开线上会议时，主持人向各个观众客户广播发送信息，比如广播发送语音或录制视频，通常主持人会按照预先约定的信息发送策略向各个观众广播发送信息，这种信息发送策略通常比较固定，灵活性不高。
发明内容
本发明实施例提供一种策略推荐方法、装置、存储介质，通过实时采集会议中所有用户的状态信息并结合会议会场实际情况进行分析，推荐最佳信息发送策略，提高用户在会议中信息发送策略的准确性和灵活性。
第一方面，本发明实施例提供了一种策略推荐方法，包括：
当检测到会议的开始指令时，确定与所述会议关联的虚拟空间中的第一用户和至少一个第二用户，其中，所述第一用户具有向所述至少一个第二用户广播发送信息的权限；
获取所述第一用户的状态信息，并根据所述第一用户的状态信息，确定用于表示所述第一用户的状态特征的第一多模态特征参数；
获取所述至少一个第二用户的状态信息，并根据所述至少一个第二用户的状态信息，确定用于表示所述至少一个第二用户的状态特征的第二多模态特征参数；
获取与所述会议的当前会议内容关联的第一文本信息，并根据所述第一文本信息确定用于表示所述会议进行流程顺序的第三多模态特征参数；
根据所述第一多模态特征参数、所述第二多模态特征参数以及所述第三多模态特征参数，确定所述第一用户在所述会议中的信息发送策略。
在一种可能的设计中，在所述当检测到会议的开始指令时，确定与所述会议关联的虚拟空间中的第一用户和至少一个第二用户之前，所述方法还包括：
获取演示材料信息，其中，所述演示材料信息是准备在所述会议中播放的信息；
对所述演示材料信息中的文本进行文本分析，获得至少一个流程标签，其中，所述流程标签用于表示在所述会议中对所述演示材料信息进行演示的预设演示顺序；
根据所述至少一个流程标签，获得与所述演示材料信息关联的演示主题；
将所述至少一个流程标签和所述演示主题确定为与所述会议的会议内容关联的目标文本信息；
所述获取与所述会议的当前会议内容关联的第一文本信息，包括：
从所述目标文本信息中获取与所述会议的当前会议内容关联的第一文本信息。
在一种可能的设计中，所述获取所述第一用户的状态信息，并根据所述第一用户的状态信息，确定用于表示所述第一用户的状态特征的第一多模态特征参数包括：
获取与所述第一用户关联的第一特征信息，其中，所述第一特征信息包括所述第一用户生物特征的第一图像、所述第一用户的第一语音数据和所述第一用户输入的第二文本信息；
采用卷积神经网络对所述第一图像进行特征提取，获得所述第一用户的第一生物特征参数；
提取所述第一语音数据的第一声纹特征，并基于所述第一声纹特征对所述第一语音数据的音调进行识别，获得第一语调参数；
采用第一目标模型对所述第二文本信息和所述第一语音数据进行语义识别，获得所述第一用户的第一表达主题；
将所述第一生物特征参数、所述第一语调参数、所述第一用户的表达主题组合成第一多模态特征参数。
在一种可能的设计中，所述获取所述至少一个第二用户的状态信息，并根据所述至少一个第二用户的状态信息，确定用于表示所述至少一个第二用户的状态特征的第二多模态特征参数包括：
获取与所述第二用户关联的第二特征信息，所述第二特征信息包括所述第二用户的第二语音数据和所述第二用户输入的第三文本信息；
提取所述第二语音数据的第二声纹特征，并基于所述第二声纹特征对所述第二语音数据的语调进行识别，获得第二语调参数；
采用第二目标模型对所述第三文本信息和所述第二语音数据进行语义识别，获得所述第二用户的第二表达主题；
将与所述第二用户情绪倾向关联的舆论主题和所述第二表达主题进行主题相似度计算，获得所述第二用户的第二情绪倾向参数；
将所述第二语调参数和所述第二情绪倾向参数组合成第二多模态特征参数。
在一种可能的设计中，所述第一文本信息包括所述演示主题和所述至少一个流程标签中的第一流程标签，所述第一流程标签用于指示所述会议的当前流程顺序，所述根据所述第一文本信息确定用于表示所述会议进行流程顺序的第三多模态特征参数包括：
从所述至少一个流程标签中获取在所述第一流程标签之后的至少一个备选流程标签，并根据所述演示主题从所述至少一个备选流程标签中确定至少一个目标流程标签；
将所述至少一个目标流程标签组合成第三多模态特征参数。
在一种可能的设计中，所述根据所述第一多模态特征参数、所述第二多模态特征参数以及所述第三多模态特征参数，确定所述第一用户在所述会议中的信息发送策略包括：
将所述第一多模态特征参数、所述第二多模态特征参数以及所述第三多模态特征参数输入策略输出模型计算获得策略输出参数，根据所述策略输出参数的数值区间确定所述第一用户在所述会议中的信息发送策略。
在一种可能的设计中，所述将所述第一多模态特征参数、所述第二多模态特征参数以及所述第三多模态特征参数输入策略输出模型计算获得策略输出参数包括：
将所述第一多模态特征参数、所述第二多模态特征参数以及所述第三多模态特征参数向量化后输入策略输出模型，计算策略输出参数；
其中，所述策略输出模型如下：
其中，t为当前时序，i为多模向量中各维度参数的计数，k为输入的多模特征向量计数，n＝2，p为各维度中多模向量中的参数的权重，l为多模向量中的各个参数的值，b为各多模向量权重。
第二方面，本发明实施例提供了一种策略推荐装置，包括：
第一确定单元，用于当检测到会议的开始指令时，确定与所述会议关联的虚拟空间中的第一用户和至少一个第二用户，其中，所述第一用户具有向所述至少一个第二用户广播发送信息的权限；
第二确定单元，用于获取所述第一用户的状态信息，并根据所述第一用户的状态信息，确定用于表示所述第一用户的状态特征的第一多模态特征参数；
第三确定单元，用于获取所述至少一个第二用户的状态信息，并根据所述至少一个第二用户的状态信息，确定用于表示所述至少一个第二用户的状态特征的第二多模态特征参数；
第四确定单元，用于获取与所述会议的当前会议内容关联的第一文本信息，并根据所述第一文本信息确定用于表示所述会议进行流程顺序的第三多模态特征参数；
第五确定单元，用于根据所述第一多模态特征参数、所述第二多模态特征参数以及所述第三多模态特征参数，确定所述第一用户在所述会议中的信息发送策略。
在一种可能的设计中，所述装置还包括：
获取单元，用于获取演示材料信息，其中，所述演示材料信息是准备在所述会议中播放的信息；
分析单元，用于对所述演示材料信息中的文本进行文本分析，获得至少一个流程标签，其中，所述流程标签用于表示在所述会议中对所述演示材料信息进行演示的预设演示顺序；
获得单元，用于根据所述至少一个流程标签，获得与所述演示材料信息关联的演示主题；
第六确定单元，用于将所述至少一个流程标签和所述演示主题确定为与所述会议的会议内容关联的目标文本信息；
所述第四确定单元，还用于从所述目标文本信息中获取与所述会议的当前会议内容关联的第一文本信息。
第三方面，本发明实施例提供了一种策略推荐装置，其特征在于，包括处理器、存储器以及通信接口，所述处理器、存储器和通信接口相互连接，其中，所述通信接口用于接收和发送数据，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，执行第一方面所述的方法。
第四方面，本发明实施例提供了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第一方面所述的方法。
本发明实施例中，当检测到会议的开始指令时，确定会议关联的虚拟空间中的第一用户和至少一个第二用户，第一用户具有向所有第二用户广播发送信息的权限，获取上述第一用户的状态信息，并根据状态信息确定用于表示第一用户的状态特征的第一多模态特征参数，获取所有第二用户的状态信息，并根据所有第二用户的状态信息，确定用于表示第二用户的状态特征的第二多模态特征参数，获取与会议的当前会议内容关联的第一文本信息，并根据第一文本信息确定用于表示会议进行流程顺序的第三多模态特征参数，根据第一多模态特征参数、第二多模态特征参数以及第三多模态特征参数，确定第一用户在会议中的信息发送策略。采用本申请实施例，可以根据用户状态特征和会议流程顺序为第一用户提供当前会议中的最佳信息发送策略，提高了信息发送策略的准确性和灵活性。
附图说明
为了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。
图1为本发明实施例提供的一种策略推荐方法的流程图；
图2为本发明实施例提供的另一种策略推荐方法的流程图；
图3为本发明实施例提供的一种基于策略推荐方法的会议系统的示意图；
图4为本发明实施例提供的一种策略推荐装置的结构示意图；
图5为本发明实施例提供的另一种策略推荐装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
下面将结合附图1-附图3，对本发明实施例提供的一种策略推荐方法进行详细介绍。
请参见图1，为本发明实施例提供的一种策略推荐方法的流程图。如图1所示，本发明实施例的策略推荐方法可以包括以下步骤S101-步骤S105。
S101，当检测到会议的开始指令时，确定与上述会议关联的虚拟空间中的第一用户和至少一个第二用户，其中，上述第一用户具有向上述至少一个第二用户广播发送信息的权限。
本申请实施例中，第一用户是会议的主持者、主办方、线上主播或者产品讲解员这类可以向多人发送信息的人员，上述发送信息包括语音、视频、文字等信息。第二用户是会议听众、线上直播观众等这类能够接受上述第一用户发送的信息的人员。
具体的，检测到会议的开始指令时，确定参加上述会议的第一用户和所有第二用户，由于会议规模和形式的不同，上述会议至少有一个第二用户。
确定所有的参会人员主要为后续采集用户的状态信息做准备，获得所有需要被采集状态信息的人员信息，可以确保采集的准确性和完整性。
S102，获取上述第一用户的状态信息，并根据上述第一用户的状态信息，确定用于表示上述第一用户的状态特征的第一多模态特征参数。
本申请实施例中，第一用户的状态信息是第一用户的音频、视频、输入的文字信息。
具体的，通过图像采集和音频采集以及文本采集设备采集第一用户的状态信息包括视频、音频、输入的文字信息，并根据上述状态信息调用对应的计算模型获得对应参数，将上述对应参数组合成表示上述第一用户的状态特征的第一多模态特征参数。
可选的，上述获取上述第一用户的状态信息，并根据上述第一用户的状态信息，确定用于表示上述第一用户的状态特征的第一多模态特征参数包括：
获取与上述第一用户关联的第一特征信息，其中，上述第一特征信息包括上述第一用户生物特征的第一图像、上述第一用户的第一语音数据和上述第一用户输入的第二文本信息；
采用卷积神经网络对上述第一图像进行特征提取，获得上述第一用户的第一生物特征参数；
提取上述第一语音数据的第一声纹特征，并基于上述第一声纹特征对上述第一语音数据的音调进行识别，获得第一语调参数；
采用第一目标模型对上述第二文本信息和上述第一语音数据进行语义识别，获得上述第一用户的第一表达主题；
将上述第一生物特征参数、上述第一语调参数、上述第一用户的表达主题组合成第一多模态特征参数。
本申请实施例中，采用的技术如下：
多任务卷积神经网络(Multi-task convolutional neural network，MTCNN)是一种基于深度学习的人脸检测和人脸对齐方法，它可以同时完成人脸检测和人脸对齐的任务，相比于传统的算法，它的性能更好，检测速度更快。
卷积神经网络(Convolutional Neural Network，CNN)是一种专门用来处理具有类似网格结构的数据的神经网络，卷积网络是指那些至少在网络的一层中使用卷积运算来替代一般的矩阵乘法运算的神经网络。
长短时记忆网络(Long Short Term Memory Network,LSTM)是一种循环神经网络(Recurrent Neural Network,RNN)，跟所有RNN一样，在网络单元足够多的条件下，LSTM可以计算传统计算机所能计算的任何东西。
命名实体识别(Named Entities Recognition,NER)是识别一个句子中有特定意义的实体并将其区分为人名，机构名，日期，地名，时间等类别的工作，命名实体识别本质上是一个模式识别任务,即给定一个句子,识别句子中实体的边界和实体的类型，是自然语言处理任务中一项重要且基础性的工作。
其中，上述第一用户生物特征的第一图像包括第一用户的人脸、肢体动作、脸部表情，上述第二文本信息包括第一用户在会议中输入的所有文本信息，上述第一目标模型包括LSTM和NER技术。
具体的，获取与上述第一用户关联的第一特征信息，第一特征信息就是第一用户的状态信息，第一特征信息包括第一用户的人脸、肢体动作、脸部表情还有上述第一用户的第一语音数据和上述第一用户输入的第二文本信息，获得上述第一特征信息后，采用MTCNN和加速器(paidnn)对第一用户的人脸、肢体进行检测，再根据人脸提取特征代码(landmarks)和标定姿势(posesolve)计算得到面部肢体参数，上述面部肢体参数包括人脸和肢体的平面坐标和空间向量；采用CNN对第一用户的面部表情进行识别并分类得到表情情绪参数，上述表情情绪参数是表情分类，包括娱乐、愤怒、焦虑、敬畏、尴尬、无聊、冷静、困惑、兴奋、恐惧、快乐、骄傲、悲伤、惊喜、同情和胜利等分类，上述第一生物特征参数包括上述面部肢体参数和上述表情情绪参数。然后提取上述第一用户语音的第一声纹特征，基于第一声纹特征对第一语音数据的音调进行识别，获得第一语调参数，上述第一语调参数是对上述第一语音数据的音调分类后的类型，上述类型包括陈述、疑问、感叹等。再利用LSTM和NER技术对第一用户的语音和输入文本的语义进行分析，计算获得第一用户的第一表达主题，上述第一表达主题可以是正在讨论的产品如平安福、金瑞人生等；聚焦的异议如钱不够、年龄太大、健康问题等；或者理念导入类讨论如养老需求、教育需求、对抗疾病等，也可以是其他主题。在获得上述第一生物特征参数、上述第一语调参数、上述第一表达主题这些参数后，将上述参数组合成用于表示第一用户状态特征的第一多模态特征参数。
S103，获取上述至少一个第二用户的状态信息，并根据上述至少一个第二用户的状态信息，确定用于表示上述至少一个第二用户的状态特征的第二多模态特征参数。
本申请实施例中，第二用户的状态信息是第二用户的音频、输入的文字信息。
具体的，通过音频采集和文本采集设备采集第二用户的状态信息包括音频、输入的文字信息，并根据上述状态信息使用相应的计算模型进行计算，获得对应参数，再将上述对应参数组合成表示上述至少一个第二用户的状态特征的第二多模态特征参数。
可选的，上述获取上述至少一个第二用户的状态信息，并根据上述至少一个第二用户的状态信息，确定用于表示上述至少一个第二用户的状态特征的第二多模态特征参数包括：
获取与上述第二用户关联的第二特征信息，上述第二特征信息包括上述第二用户的第二语音数据和上述第二用户输入的第三文本信息；
提取上述第二语音数据的第二声纹特征，并基于上述第二声纹特征对上述第二语音数据的语调进行识别，获得第二语调参数；
采用第二目标模型对上述第三文本信息和上述第二语音数据进行语义识别，获得上述第二用户的第二表达主题；
将与上述第二用户情绪倾向关联的舆论主题和上述第二表达主题进行主题相似度计算，获得上述第二用户的第二情绪倾向参数；
将上述第二语调参数和上述第二情绪倾向参数组合成第二多模态特征参数。
其中，上述第二特征信息就是上述第二用户的状态信息，上述第二用户输入的第三文本信息包括第二用户在会议中输入的所有文本信息，上述第二目标模型包括LSTM和NER技术，上述舆论主题是通过对舆论资料库材料进行计算和训练获得的主题，上述舆论主题用于判断第二用户的第二表达主题与当前会议主题的相关性，依据相关性和第二用户的情绪判定第二用户的情绪好坏以及舆论导向好坏。
具体的，获取与上述第二用户关联的第二特征信息，第二特征信息包括上述第二用户的第二语音数据和上述第二用户输入的第三文本信息，获得上述第二特征信息后，提取第二用户语音中的声纹特征，基于上述声纹特征对第二语音数据的语调进行识别，获得第二语调参数，上述第二语调参数与上述第一语调参数的获得原理和形式相同，都是表示语调的分类；利用LSTM和NER技术对第二用户的语音和输入文本的语义进行分析，计算获得第二用户的第二表达主题，上述第二表达主题的计算原理和形式与上述第一表达主题相似，在获得第二表达主题后，将第二表达主题与舆论主题进行主题相似度计算，获得二者相关性，利用相关性再结合会议主题以及第二用户情绪判断当前第二用户的情绪和舆论导向来获得第二用户的第二情绪倾向参数，例如，用户当前对A产品的收益提出质疑，那当前第二表达主题为：A产品、收益、质疑，通过与舆论主题进行相似度计算获得的第二情绪倾向参数可能是情绪不好、舆论坏。
在获得第二语调参数和第二情绪倾向参数后，将上述两个参数组合成第二用户的第二多模态特征参数。
S104，获取与上述会议的当前会议内容关联的第一文本信息，并根据上述第一文本信息确定用于表示上述会议进行流程顺序的第三多模态特征参数。
具体的，获取与上述会议的当前会议内容关联的第一文本信息，上述第一文本信息包括当前会议内容所处的流程顺序和当前会议的演示主题，再根据上述流程顺序和演示主题找到在上述流程顺序后一流程顺序并且符合演示主题的所有目标流程顺序，上述目标流程顺序的个数可能是一个或多个，将上述所有目标流程顺序组合成用于表示上述会议进行流程顺序的第三多模态特征参数。例如当前会议内容所处的流程顺序为A，在A后一流程顺序的流程顺序有B、C、D、E、F，但是其中符合演示主题的流程顺序只有B、D、E，所以目标流程顺序为B、D、E三者，第三多模态特征参数也就是B、D、E。
S105，根据上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数，确定上述第一用户在上述会议中的信息发送策略。
具体的，将获得的上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数输入策略输出模型，确定第一用户在上述会议中的信息发送策略，上述信息发送策略是基于上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数这三个参数计算出来的当前最佳信息发送策略，后续如果参数改变，上述信息发送策略可能会发生改变。
可选的，上述根据上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数，确定上述第一用户在上述会议中的信息发送策略包括：
将上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数输入策略输出模型计算获得策略输出参数，根据上述策略输出参数的数值区间确定上述第一用户在上述会议中的信息发送策略。
具体的，再将上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数输入策略输出模型计算获得策略输出参数后，根据上述策略输出参数的数值区间确定上述第一用户在上述会议中的信息发送策略，具体来说就是根据预先设置的参数数值范围与信息发送策略的映射关系，判断当前策略输出参数所处的参数数值范围，确定对应最佳信息发送策略的过程。例如，现有映射关系：数值在0至10对应继续宣讲策略，11至25对应处理特定客户的异议策略，26到70对应对干扰人员进行禁言策略，70到100是热场策略，如果计算的策略输出参数的值为16处于11到25这个数值区间，那么当前最佳信息发送策略就是处理特定客户的异议策略，针对处理特定客户的异议策略系统会提示第一用户解答客户异议并且将数据库中与解答客户异议主题相关的所有信息返送给第一用户，供第一用户使用。如果策略输出参数的值为85处于70到100这个数值区间，那么当前最佳信息发送策略就是热场策略，系统也会提示第一用户进行热场，并且在屏幕显示热场方案比如抽奖、讲笑话等。
需要说明的是，参数数值范围和信息发送策略的映射关系是灵活的，可以根据实际需求更改数值范围或对应策略，前面提到的映射关系只是一种举例。
可选的，上述将上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数输入策略输出模型计算获得策略输出参数包括：
将上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数向量化后输入策略输出模型，计算策略输出参数；
其中，上述策略输出模型如下：
其中，t为当前时序，i为多模向量中各维度参数的计数，k为输入的多模特征向量计数，n＝2，p为各维度中多模向量中的参数的权重，l为多模向量中的各个参数的值，b为各多模向量权重，p和k都是由卷积神经网络计算生成并且会根据时序变化。
具体的，将上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数三个参数向量化，再将向量化后的参数输入策略输出模型，然后对每个多模态向量中的各维度参数进行归一，然后加权，再对三个多模态向量进行加权，加权结束后在t时序上进行积分，获得策略输出函数F(t)的值，也就是策略输出参数，该参数对应不同的策略。
上述综合第一多模态特征参数、第二多模态特征参数以及第三多模态特征参数获得第一用户在会议中的最佳信息发送策略的过程，实现了将复杂因素数字化和参数化，使得最佳信息发送策略的确定摆脱主观因素，更加准确全面。
在选定最佳信息发送策略后，系统执行最佳信息发送策略对应操作，同时还会继续监控第一用户和第二用户，实时采集第一用户和第二用户的状态信息并对这些状态信息进行如步骤S102和步骤S103的分析，再结合步骤S104的参数判断当前信息发送策略是否为最佳信息发送策略，如果不是则执行步骤S105得到新的最佳信息发送策略即第二最佳信息发送策略供第一用户使用；如果是那就继续执行当前最佳信息发送策略，持续监控用户和当前最佳信息发送策略执行情况，保证最佳信息发送策略的准确性。
例如，会议听众提出一个疑问，那S103步骤中接收的第二用户的状态相对原有无人提问的状态发生改变，由于状态的改变导致第二多模态特征参数也会发生改变，从而影响策略输出模型参数的值，如果新的值仍在当前最佳信息发送策略所处的数值区间，那就是继续执行当前最佳信息发送策略，假如当前最佳信息发送策略是热场策略，那主持人就忽略听众疑问，继续热场。如果新的值不在当前最佳信息发送策略所处的数值区间，那么说明当前最佳信息发送策略发生改变，选择新的值所处的数值区间对应的策略作为最佳信息发送策略即第二最佳信息发送策略，比如说新的值落在处理特定客户异议策略这个区间，那么第二最佳信息发送策略就是处理特定客户异议策略，那主持人就应该停止热场转而处理客户的问题，根据系统返回的资料对客户的问题进行解答。
根据会议实际情况调整信息发送策略，确保了使用的都是最优方案，提高了信息发送策略的准确性，实现了方案优化的自动化处理，提升了系统的实用性。
请参见图2，为本发明实施例提供的另一种策略推荐方法的流程图。如图2所示，本发明实施例的上述策略推荐方法可以包括以下步骤S201-步骤S209。
S201，获取演示材料信息，其中，上述演示材料信息是准备在上述会议中播放的信息。
具体的，接收第一用户选择的会议信息，上述会议信息包括会议开始时间、会议时长、会议名称、需要使用的演示材料等基础信息，获取会议信息后识别演讲材料的材料主题，对于上述演示材料，第一用户可以按照内容搜索系统内已有资料，也可以由第一用户上传，包括图文、视频、移动网页(H5)等可以在会议中播放的材料。
S202，对上述演示材料信息中的文本进行文本分析，获得至少一个流程标签，其中，上述流程标签用于表示在上述会议中对上述演示材料信息进行演示的预设演示顺序。
具体的，对上述演示材料信息中的文本进行全文文本分析，通过关键词比对获得当前演示材料的至少一个流程标签，上述流程标签本身包含顺序，是用于表示在上述会议中对上述演示材料信息进行演示的预设演示顺序，例如演示材料为PPT，对上述PPT进行文本分析获得的流程标签为工作概述、经验总结、完成情况、明年展望这种包含顺序的标签。又比如演示材料A包括理念导入、需求分析、方案设计三个部分，则演示材料A就会有三个流程标签分别是理念导入、需求分析、方案设计。流程标签一般会根据在材料中出现的先后顺序来确定顺序，例如理念引入在需求分析前，需求分析在方案设计前，但是根据演示材料的不同，流程标签也会出现并列、包含或者相交关系，如果演示材料B的主题是介绍化学知识结构，演示材料B的流程标签无机化学和有机化学就是并列关系。
S203，根据上述至少一个流程标签，获得与上述演示材料信息关联的演示主题。
具体的，计算上述至少一个流程标签和材料主题相似度获得上述至少一个流程标签和材料主题的相似度，根据上述至少一个流程标签和材料主题的相似度获得演讲主题信息，上述材料主题是在上传上述演示材料时由人工在上传时标定的主题。
例如，当前材料主题是金瑞人生产品交流，通过对演示材料全文分析提取的流程标签是储蓄理念导入，通过计算材料主题和流程标签的内容相似度判断演示主题应该是储蓄策略介绍。
S204，将上述至少一个流程标签和上述演示主题确定为与上述会议的会议内容关联的目标文本信息。
具体的，将获得的演示材料的所有流程标签和演示主题作为与上述会议的会议内容关联的目标文本信息。
S205，当检测到会议的开始指令时，确定与上述会议关联的虚拟空间中的第一用户和至少一个第二用户，其中，上述第一用户具有向上述至少一个第二用户广播发送信息的权限。
S206，获取上述第一用户的状态信息，并根据上述第一用户的状态信息，确定用于表示上述第一用户的状态特征的第一多模态特征参数。
S207，获取上述至少一个第二用户的状态信息，并根据上述至少一个第二用户的状态信息，确定用于表示上述至少一个第二用户的状态特征的第二多模态特征参数。
其中，步骤S205-步骤S207请参照图1所示步骤S101-步骤S103的描述，在此不再赘述。
S208，获取与上述会议的当前会议内容关联的第一文本信息，并根据上述第一文本信息确定用于表示上述会议进行流程顺序的第三多模态特征参数。
可选的，上述获取与上述会议的当前会议内容关联的第一文本信息，包括：
从上述目标文本信息中获取与上述会议的当前会议内容关联的第一文本信息。
具体的，获取与上述会议的当前会议内容关联的第一文本信息是从目标信息文本中获取的。
可选的，上述第一文本信息包括上述演示主题和上述至少一个流程标签中的第一流程标签，上述第一流程标签用于指示上述会议的当前流程顺序，上述根据上述第一文本信息确定用于表示上述会议进行流程顺序的第三多模态特征参数包括：
从上述至少一个流程标签中获取在上述第一流程标签之后的至少一个备选流程标签，并根据上述演示主题从上述至少一个备选流程标签中确定至少一个目标流程标签；
将上述至少一个目标流程标签组合成第三多模态特征参数。
具体的，分析当前会议正在播放的会议内容，判断上述会议内容归属的流程标签，上述归属的流程标签也就是第一流程标签主要用于指示上述会议的当前流程顺序，在确定第一流程标签后，在上述目标文本信息中获取所有流程顺序在上述第一流程标签后一流程顺序的流程标签作为备选流程标签，再计算上述备选流程标签与上述演示主题内容相似度，选择符合上述演示主题的备选流程标签作为目标流程标签，上述目标流程标签个数为一个或多个，在获得目标流程标签后，将所有目标流程标签组合成第三多模态特征参数。
结合流程标签对即将进行的流程进行预测，全面推测可能出现的多种情况，增加了预测的全面性，保证了信息发送策略的准确性。
S209，根据上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数，确定上述第一用户在上述会议中的信息发送策略。
其中，步骤S209请参照图1所示步骤S105的描述，在此不再赘述。
通过实施本实施例，实现了用户可以按需设置会议信息、选择演示材料，并对演示材料进行文本分析获得流程标签，使得后续进行流程预测时可以结合流程标签计算信息发送策略，这样信息发送策略的计算不仅关注了用户状态同时也考虑了演示材料，提高了信息发送策略的准确性。
为更好理解本发明实施例的上述策略推荐方法的实施过程，请参见图3，为本发明实施例提供的一种基于策略推荐方法的会议系统的示意图。如图3所示，为更好实施上述策略推荐方法，本发明开发了一个基于策略推荐方法的会议系统，系统分为第一用户端、第二用户端和材料端，材料端可以和第一用户端组合为一端也可以独立存在，可根据具体需求选择组合方案。
在系统中，第一用户端采集第一用户状态信息，并对状态信息进行对应分析和处理，包括采用卷积神经网络对上述第一图像进行特征提取，获得上述第一用户的第一生物特征参数；提取上述第一语音数据的第一声纹特征，并基于上述第一声纹特征对上述第一语音数据的音调进行识别，获得第一语调参数；采用第一目标模型对上述第二文本信息和上述第一语音数据进行语义识别，获得上述第一用户的第一表达主题；将上述第一生物特征参数、上述第一语调参数、上述第一用户的表达主题组合成第一多模态特征参数。
第二用户端采集第二用户状态信息，并对状态信息进行对应分析和处理，包括提取上述第二语音数据的第二声纹特征，并基于上述第二声纹特征对上述第二语音数据的语调进行识别，获得第二语调参数；采用第二目标模型对上述第三文本信息和上述第二语音数据进行语义识别，获得上述第二用户的第二表达主题；将与上述第二用户情绪倾向关联的舆论主题和上述第二表达主题进行主题相似度计算，获得上述第二用户的第二情绪倾向参数；将上述第二语调参数和上述第二情绪倾向参数组合成第二多模态特征参数。
材料端用于获取演示材料信息，上述演示材料信息是准备在上述会议中播放的信息；对上述演示材料信息中的文本进行文本分析，获得至少一个流程标签，上述流程标签用于表示在上述会议中对上述演示材料信息进行演示的预设演示顺序；根据上述至少一个流程标签，获得与上述演示材料信息关联的演示主题；将上述至少一个流程标签和上述演示主题确定为与上述会议的会议内容关联的目标文本信息；获取与上述会议的当前会议内容关联的第一文本信息，并根据上述第一文本信息确定用于表示上述会议进行流程顺序的第三多模态特征参数。
系统结合三端参数，将上述参数输入策略输出模型进行计算获得最佳信息发送策略，同时辅以反馈学习不断优化信息发送策略。
请参见图4，为本发明实施例提供了一种策略推荐装置的结构示意图。如图4所示，本发明实施例的上述策略推荐装置可以包括：
第一确定单元405，用于当检测到会议的开始指令时，确定与上述会议关联的虚拟空间中的第一用户和至少一个第二用户，其中，上述第一用户具有向上述至少一个第二用户广播发送信息的权限；
第二确定单元406，用于获取上述第一用户的状态信息，并根据上述第一用户的状态信息，确定用于表示上述第一用户的状态特征的第一多模态特征参数；
第三确定单元407，用于获取上述至少一个第二用户的状态信息，并根据上述至少一个第二用户的状态信息，确定用于表示上述至少一个第二用户的状态特征的第二多模态特征参数；
第四确定单元408，用于获取与上述会议的当前会议内容关联的第一文本信息，并根据上述第一文本信息确定用于表示上述会议进行流程顺序的第三多模态特征参数；
第五确定单元409，用于根据上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数，确定上述第一用户在上述会议中的信息发送策略。
在一种可能的实现方式中，上述装置还包括：
获取单元401，用于获取演示材料信息，其中，上述演示材料信息是准备在上述会议中播放的信息；
分析单元402，用于对上述演示材料信息中的文本进行文本分析，获得至少一个流程标签，其中，上述流程标签用于表示在上述会议中对上述演示材料信息进行演示的预设演示顺序；
获得单元403，用于根据上述至少一个流程标签，获得与上述演示材料信息关联的演示主题；
第六确定单元404，用于将上述至少一个流程标签和上述演示主题确定为与上述会议的会议内容关联的目标文本信息；
上述第四确定单元408，还用于从上述目标文本信息中获取与上述会议的当前会议内容关联的第一文本信息。
在一种可能的实现方式中，上述第二确定单元406，具体用于：
获取与上述第一用户关联的第一特征信息，其中，上述第一特征信息包括上述第一用户生物特征的第一图像、上述第一用户的第一语音数据和上述第一用户输入的第二文本信息；
采用卷积神经网络对上述第一图像进行特征提取，获得上述第一用户的第一生物特征参数；
提取上述第一语音数据的第一声纹特征，并基于上述第一声纹特征对上述第一语音数据的音调进行识别，获得第一语调参数；
采用第一目标模型对上述第二文本信息和上述第一语音数据进行语义识别，获得上述第一用户的第一表达主题；
将上述第一生物特征参数、上述第一语调参数、上述第一用户的表达主题组合成第一多模态特征参数。
在一种可能的实现方式中，上述第三确定单元407，具体用于：
获取与上述第二用户关联的第二特征信息，上述第二特征信息包括上述第二用户的第二语音数据和上述第二用户输入的第三文本信息；
提取上述第二语音数据的第二声纹特征，并基于上述第二声纹特征对上述第二语音数据的语调进行识别，获得第二语调参数；
采用第二目标模型对上述第三文本信息和上述第二语音数据进行语义识别，获得上述第二用户的第二表达主题；
将与上述第二用户情绪倾向关联的舆论主题和上述第二表达主题进行主题相似度计算，获得上述第二用户的第二情绪倾向参数；
将上述第二语调参数和上述第二情绪倾向参数组合成第二多模态特征参数。
在一种可能的实现方式中，上述第一文本信息包括上述演示主题和上述至少一个流程标签中的第一流程标签，上述第一流程标签用于指示上述会议的当前流程顺序，上述第四确定单元408，具体用于：
从上述至少一个流程标签中获取在上述第一流程标签之后的至少一个备选流程标签，并根据上述演示主题从上述至少一个备选流程标签中确定至少一个目标流程标签；
将上述至少一个目标流程标签组合成第三多模态特征参数。
在一种可能的实现方式中，上述第五确定单元409，具体用于：
将上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数输入策略输出模型计算获得策略输出参数，根据上述策略输出参数的数值区间确定上述第一用户在上述会议中的信息发送策略。
在一种可能的实现方式中，上述第五确定单元409，还具体用于：
将上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数向量化后输入策略输出模型，计算策略输出参数；
其中，上述策略输出模型如下：
其中，t为当前时序，i为多模向量中各维度参数的计数，k为输入的多模特征向量计数，n＝2，p为各维度中多模向量中的参数的权重，l为多模向量中的各个参数的值，b为各多模向量权重。
其中，图4所示装置实施例的具体描述可以参照前述图1或图2所示方法实施例的具体说明，在此不进行赘述。
请参照图5，为本发明实施例提供的另一种策略推荐装置的结构示意图，如图5所示，上述声学模型训练装置50可以包括：至少一个处理器501，例如CPU，至少一个通信接口503，存储器504，至少一个通信总线502。其中，通信总线502用于实现这些组件之间的连接通信。通信接口503可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器504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504可选的还可以是至少一个位于远离前述处理器501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504中可以包括操作系统、网络通信模块以及程序指令。
在图5所示的声学模型训练装置50中，处理器501可以用于加载存储器504中存储的程序指令，并具体执行以下操作：
当检测到会议的开始指令时，确定与上述会议关联的虚拟空间中的第一用户和至少一个第二用户，其中，上述第一用户具有向上述至少一个第二用户广播发送信息的权限；
获取上述第一用户的状态信息，并根据上述第一用户的状态信息，确定用于表示上述第一用户的状态特征的第一多模态特征参数；
获取上述至少一个第二用户的状态信息，并根据上述至少一个第二用户的状态信息，确定用于表示上述至少一个第二用户的状态特征的第二多模态特征参数；
获取与上述会议的当前会议内容关联的第一文本信息，并根据上述第一文本信息确定用于表示上述会议进行流程顺序的第三多模态特征参数；
根据上述第一多模态特征参数、上述第二多模态特征参数以及上述第三多模态特征参数，确定上述第一用户在上述会议中的信息发送策略。
需要说明的是，具体执行过程可以参见图1或图2所示方法实施例的具体说明，在此不进行赘述。
具体执行步骤可以参见前述实施例的描述，此处不在赘述。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1或图2所示实施例的方法步骤，具体执行过程可以参见图1或图2所示实施例的具体说明，在此不进行赘述。
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来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，包括如上述各方法的实施例的流程。其中，所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。
Claims (8)
1.一种策略推荐方法，其特征在于，包括：
当检测到会议的开始指令时，确定与所述会议关联的虚拟空间中的第一用户和至少一个第二用户，其中，所述第一用户具有向所述至少一个第二用户广播发送信息的权限；
获取所述第一用户的状态信息，并根据所述第一用户的状态信息，确定用于表示所述第一用户的状态特征的第一多模态特征参数；
获取所述至少一个第二用户的状态信息，并根据所述至少一个第二用户的状态信息，确定用于表示所述至少一个第二用户的状态特征的第二多模态特征参数；
获取与所述会议的当前会议内容关联的第一文本信息，并根据所述第一文本信息确定用于表示所述会议进行流程顺序的第三多模态特征参数；
将所述第一多模态特征参数、所述第二多模态特征参数以及所述第三多模态特征参数向量化后输入策略输出模型，计算策略输出参数；
其中，所述策略输出模型如下：
其中，t为当前时序，i为多模向量中各维度参数的计数，k为输入的多模特征向量的计数，n=2,p为各维度中多模向量中的参数的权重，l为多模向量中的各个参数的值，b为各多模向量权重；
根据所述策略输出参数的数值区间确定所述第一用户在所述会议中的信息发送策略。
2.如权利要求1所述的方法，其特征在于，在所述当检测到会议的开始指令时，确定与所述会议关联的虚拟空间中的第一用户和至少一个第二用户之前，所述方法还包括：
获取演示材料信息，其中，所述演示材料信息是准备在所述会议中播放的信息；
对所述演示材料信息中的文本进行文本分析，获得至少一个流程标签，其中，所述流程标签用于表示在所述会议中对所述演示材料信息进行演示的预设演示顺序；
根据所述至少一个流程标签，获得与所述演示材料信息关联的演示主题；
将所述至少一个流程标签和所述演示主题确定为与所述会议的会议内容关联的目标文本信息；
所述获取与所述会议的当前会议内容关联的第一文本信息，包括：
从所述目标文本信息中获取与所述会议的当前会议内容关联的第一文本信息。
3.如权利要求1或2所述的方法，其特征在于，所述获取所述第一用户的状态信息，并根据所述第一用户的状态信息，确定用于表示所述第一用户的状态特征的第一多模态特征参数包括：
获取与所述第一用户关联的第一特征信息，其中，所述第一特征信息包括所述第一用户生物特征的第一图像、所述第一用户的第一语音数据和所述第一用户输入的第二文本信息；
采用卷积神经网络对所述第一图像进行特征提取，获得所述第一用户的第一生物特征参数；
提取所述第一语音数据的第一声纹特征，并基于所述第一声纹特征对所述第一语音数据的音调进行识别，获得第一语调参数；
采用第一目标模型对所述第二文本信息和所述第一语音数据进行语义识别，获得所述第一用户的第一表达主题；
将所述第一生物特征参数、所述第一语调参数、所述第一用户的表达主题组合成第一多模态特征参数。
4.如权利要求3所述的方法，其特征在于，所述获取所述至少一个第二用户的状态信息，并根据所述至少一个第二用户的状态信息，确定用于表示所述至少一个第二用户的状态特征的第二多模态特征参数包括：
获取与所述第二用户关联的第二特征信息，所述第二特征信息包括所述第二用户的第二语音数据和所述第二用户输入的第三文本信息；
提取所述第二语音数据的第二声纹特征，并基于所述第二声纹特征对所述第二语音数据的语调进行识别，获得第二语调参数；
采用第二目标模型对所述第三文本信息和所述第二语音数据进行语义识别，获得所述第二用户的第二表达主题；
将与所述第二用户情绪倾向关联的舆论主题和所述第二表达主题进行主题相似度计算，获得所述第二用户的第二情绪倾向参数；
将所述第二语调参数和所述第二情绪倾向参数组合成第二多模态特征参数。
5.如权利要求2所述的方法，其特征在于，所述第一文本信息包括所述演示主题和所述至少一个流程标签中的第一流程标签，所述第一流程标签用于指示所述会议的当前流程顺序，所述根据所述第一文本信息确定用于表示所述会议进行流程顺序的第三多模态特征参数包括：
从所述至少一个流程标签中获取在所述第一流程标签之后的至少一个备选流程标签，并根据所述演示主题从所述至少一个备选流程标签中确定至少一个目标流程标签；
将所述至少一个目标流程标签组合成第三多模态特征参数。
6.一种策略推荐装置，其特征在于，所述装置包括用于执行如权利要求1-5任一项所述方法的单元，所述装置包括：
第一确定单元，用于当检测到会议的开始指令时，确定与所述会议关联的虚拟空间中的第一用户和至少一个第二用户，其中，所述第一用户具有向所述至少一个第二用户广播发送信息的权限；
第二确定单元，用于获取所述第一用户的状态信息，并根据所述第一用户的状态信息，确定用于表示所述第一用户的状态特征的第一多模态特征参数；
第三确定单元，用于获取所述至少一个第二用户的状态信息，并根据所述至少一个第二用户的状态信息，确定用于表示所述至少一个第二用户的状态特征的第二多模态特征参数；
第四确定单元，用于获取与所述会议的当前会议内容关联的第一文本信息，并根据所述第一文本信息确定用于表示所述会议进行流程顺序的第三多模态特征参数；
第五确定单元，用于根据所述第一多模态特征参数、所述第二多模态特征参数以及所述第三多模态特征参数，确定所述第一用户在所述会议中的信息发送策略。
7.一种策略推荐装置，其特征在于，包括处理器、存储器以及通信接口，所述处理器、存储器和通信接口相互连接，其中，所述通信接口用于接收和发送数据，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，执行如权利要求1至5任一项所述的方法。
8.一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至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210036694.9A CN114399821B (zh) | 2022-01-13 | 2022-01-13 | 策略推荐方法、装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210036694.9A CN114399821B (zh) | 2022-01-13 | 2022-01-13 | 策略推荐方法、装置、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114399821A CN114399821A (zh) | 2022-04-26 |
| CN114399821B true CN114399821B (zh) | 2024-04-26 |
Family
ID=81230016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210036694.9A Active CN114399821B (zh) | 2022-01-13 | 2022-01-13 | 策略推荐方法、装置、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114399821B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033257A (zh) * | 2018-07-06 | 2018-12-18 | 中国平安人寿保险股份有限公司 | 话术推荐方法、装置、计算机设备和存储介质 |
| CN110991238A (zh) * | 2019-10-30 | 2020-04-10 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于语音情感分析和微表情识别的演讲辅助系统 |
| CN112200542A (zh) * | 2020-10-28 | 2021-01-08 | 万翼科技有限公司 | 会议引导方法及相关装置 |
| CN112437247A (zh) * | 2020-11-24 | 2021-03-02 | 随锐科技集团股份有限公司 | 视频会议方法及系统、计算机可读存储介质 |
| CN113254491A (zh) * | 2021-06-01 | 2021-08-13 | 平安科技（深圳）有限公司 | 一种信息推荐的方法、装置、计算机设备及存储介质 |
| CN113643047A (zh) * | 2021-08-17 | 2021-11-12 | 中国平安人寿保险股份有限公司 | 虚拟现实控制策略的推荐方法、装置、设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180122368A1 (en) * | 2016-11-03 | 2018-05-03 | International Business Machines Corporation | Multiparty conversation assistance in mobile devices |
| US20210076002A1 (en) * | 2017-09-11 | 2021-03-11 | Michael H Peters | Enhanced video conference management |
| US11132648B2 (en) * | 2018-03-12 | 2021-09-28 | International Business Machines Corporation | Cognitive-based enhanced meeting recommendation |
-
2022
- 2022-01-13 CN CN202210036694.9A patent/CN114399821B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033257A (zh) * | 2018-07-06 | 2018-12-18 | 中国平安人寿保险股份有限公司 | 话术推荐方法、装置、计算机设备和存储介质 |
| CN110991238A (zh) * | 2019-10-30 | 2020-04-10 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于语音情感分析和微表情识别的演讲辅助系统 |
| CN112200542A (zh) * | 2020-10-28 | 2021-01-08 | 万翼科技有限公司 | 会议引导方法及相关装置 |
| CN112437247A (zh) * | 2020-11-24 | 2021-03-02 | 随锐科技集团股份有限公司 | 视频会议方法及系统、计算机可读存储介质 |
| CN113254491A (zh) * | 2021-06-01 | 2021-08-13 | 平安科技（深圳）有限公司 | 一种信息推荐的方法、装置、计算机设备及存储介质 |
| CN113643047A (zh) * | 2021-08-17 | 2021-11-12 | 中国平安人寿保险股份有限公司 | 虚拟现实控制策略的推荐方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114399821A (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108536681B (zh) | 基于情感分析的智能问答方法、装置、设备及存储介质 | |
| CN110874716A (zh) | 面试测评方法、装置、电子设备及存储介质 | |
| CN112346567B (zh) | 基于ai的虚拟交互模型生成方法、装置及计算机设备 | |
| CN113360622B (zh) | 用户对话信息的处理方法、装置及计算机设备 | |
| CN112364234B (zh) | 一种在线讨论的自动分组系统 | |
| US11645561B2 (en) | Question answering system influenced by user behavior and text metadata generation | |
| US11816609B2 (en) | Intelligent task completion detection at a computing device | |
| CN111309887B (zh) | 一种训练文本关键内容提取模型的方法和系统 | |
| CN111401828A (zh) | 一种强化排序的动态智能面试方法、装置、设备及计算机存储介质 | |
| CN112307164A (zh) | 信息推荐方法、装置、计算机设备和存储介质 | |
| CN111401105B (zh) | 一种视频表情识别方法、装置及设备 | |
| CN110309114A (zh) | 媒体信息的处理方法、装置、存储介质和电子装置 | |
| CN111383138B (zh) | 餐饮数据处理方法、装置、计算机设备和存储介质 | |
| CN110427454A (zh) | 文本情绪分析方法及装置、电子设备和非暂态存储介质 | |
| CN111461636A (zh) | 基于虚拟机器人的政务服务平台及应用 | |
| CN111192170B (zh) | 题目推送方法、装置、设备和计算机可读存储介质 | |
| CN113392640A (zh) | 一种标题确定方法、装置、设备及存储介质 | |
| CN110956142A (zh) | 一种智能交互培训系统 | |
| CN113591489A (zh) | 语音交互方法、装置及相关设备 | |
| CN114399821B (zh) | 策略推荐方法、装置、存储介质 | |
| CN113378826B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| US20230385778A1 (en) | Meeting thread builder | |
| CN113763925B (zh) | 语音识别方法、装置、计算机设备及存储介质 | |
| CN113822589A (zh) | 智能面试方法、装置、设备及存储介质 | |
| CN113221821A (zh) | 业务数据的推送方法、装置和服务器 |
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 |