CN114783421A - 智能推荐方法和装置、设备、介质 - Google Patents

智能推荐方法和装置、设备、介质 Download PDF

Info

Publication number
CN114783421A
CN114783421A CN202210284711.0A CN202210284711A CN114783421A CN 114783421 A CN114783421 A CN 114783421A CN 202210284711 A CN202210284711 A CN 202210284711A CN 114783421 A CN114783421 A CN 114783421A
Authority
CN
China
Prior art keywords
intention
user
voice
preset
list
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
CN202210284711.0A
Other languages
English (en)
Inventor
马亿凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202210284711.0A priority Critical patent/CN114783421A/zh
Publication of CN114783421A publication Critical patent/CN114783421A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • 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
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • 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
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection
    • 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
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1815—Semantic context, e.g. disambiguation of the recognition hypotheses based on word meaning
    • 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
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1822—Parsing for meaning understanding
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本实施例提供一种智能推荐方法和装置、设备、介质，属于人工智能技术领域。该方法包括：获取用户语音；对用户语音进行语音识别处理，以得到目标语音文本；通过NLP意图识别模型对目标语音文本进行意图识别处理，以得到至少一个意图集合；根据意图集合得到用户意图清单，用户意图清单用于向用户提供至少一个用户意图；接收用户根据用户意图反馈的意图信息；根据意图信息从预设的话术推荐库中确定目标推荐话术。本方案通过预设的NLP意图识别模型对语音文本进行清洗、抽取意图集合，进而得到用户意图清单。以便根据用户意图清单向客户澄清意图，从而确定目标推荐话术来进行服务销售，提高服务过程中的销售转化率。

Description

智能推荐方法和装置、设备、介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种智能推荐方法和装置、设备、介质。
背景技术
保险公司一般为客户提供包括线上APP、电话客服、线下营业部等办理业务的渠道，而在通过电话客服办理业务中，客户的体验大部分是来自于售后的服务触点的交互上。通过优质的售后服务能有效提升客户的满意度，从而使售后服务的终点转变成新的销售起点。目前业界的电话客服助手，可以通过输入客户的部分信息，查询客户相关的保单相关信息或历史服务记录等，但是无法主动挖掘客户本次服务的诉求是否存在其他商机。另外，对于潜在客户(即无保单的陌生客户)则无法提供有效信息，客服人员只能通过通用的营销方案为客户推荐产品，销售转化率较低。
发明内容
本公开实施例的主要目的在于提出一种智能推荐方法和装置、设备、介质，能够更有效挖掘客户的目标需求，准确地为客户提供优质服务，提高服务过程中的销售转化率。
为实现上述目的，本公开实施例的第一方面提出了一种智能推荐方法，包括：
获取用户语音；
对所述用户语音进行语音识别处理，以得到目标语音文本；
将所述目标语音文本输入至预设的NLP意图识别模型，通过所述NLP意图识别模型对所述目标语音文本进行意图识别处理，以得到至少一个意图集合，一个所述意图集合对应于一个用户意图，其中，所述意图集合的词性至少包括主语、谓语、宾语；
根据所述意图集合得到用户意图清单，所述用户意图清单用于向用户提供至少一个所述用户意图；
接收用户根据所述用户意图反馈的意图信息；
根据所述意图信息从预设的话术推荐库中确定目标推荐话术。
根据本公开实施例的第一方面的一种智能推荐方法，至少存在以下有益效果：基于用户语音抽取出意图集合，并根据意图集合得到意图清单，以便客服人员根据意图清单得到用户反馈的意图信息，进而根据意图信息从预设的话术推荐库中输出推荐产品/业务，可以充分挖掘客户潜在诉求，提高销售转化率。
在一些实施例，所述对所述用户语音进行语音识别处理，以得到目标语音文本，包括：
根据预设的LMS算法对用户语音的背景音进行去除处理，以得到初步语音；
将所述初步语音输入至预设的ASR模型，通过所述ASR模型对所述初步语音进行语音识别处理，以得到目标语音文本。
在一些实施例，所述通过所述NLP意图识别模型对所述目标语音文本进行意图识别处理，以得到至少一个意图集合，包括：
对所述目标语音文本进行分词处理，以得到分词结果；
对所述分词结果进行词性标注，以得到词性标注结果；
根据预设的语法规则从所述词性标注结果中抽取出至少一个意图集合。
在一些实施例，所述对所述目标语音文本进行分词处理，以得到分词结果，包括：
根据预设的正向最大匹配算法对所述目标语音文本进行切分，以得到初步分词列表；
将所述初步分词列表的每一个分词进行向量标识处理，以得到分词向量集；
将所述分词向量集的每个所述分词与预设的词典的参考词进行匹配，并计算所述分词与所述参考词的欧式距离值，并根据所述欧式距离值确定所述分词的匹配结果；
若所述欧式距离值在预设的距离阈值内，则所述匹配结果为成功，将所述分词加入分词结果。
在一些实施例，若存在一个所述意图集合，所述根据所述意图集合得到用户意图清单，包括：
根据所述意图集合从预设的意图库中得到多个候选意图；
根据所述候选意图与所述意图集合的匹配程度确定所述候选意图的匹配得分；
根据所述匹配得分对多个所述候选意图进行倒序排列，根据倒序排列后的前N个所述候选意图得到用户意图清单，其中，N是正整数；
或者，
根据所述匹配得分高于预设匹配得分阈值的所述候选意图得到用户意图清单。
在一些实施例，若存在多个所述意图集合，所述根据所述意图集合得到用户意图清单，包括：
确定所述意图集合在所述分词结果内出现的频次和位置，并根据所述频次和所述位置得到所述意图集合的意图评分；
根据所述意图评分对多个所述意图集合进行倒序排列，根据倒序排列后的前N个所述意图集合得到用户意图清单，其中，N是正整数；
或者，
根据所述意图评分高于预设意图评分阈值的所述意图集合得到用户意图清单。
在一些实施例，所述预设的词典通过以下步骤得到，包括：
获取历史用户问题，并根据预设的语法规则从所述历史用户问题中抽取出历史意图集合，一个所述历史意图集合对应于一个历史用户意图，其中，所述历史意图集合的词性至少包括主语、谓语、宾语；
根据所述历史用户意图集合得到预设的词典。
本公开实施例的第二方面提出了一种智能推荐装置，包括：
语音获取模块，用于获取用户语音；
语音识别模块，用于对所述用户语音进行语音识别处理，以得到目标语音文本；
意图识别模块，用于将所述目标语音文本输入至预设的NLP意图识别模型，通过所述NLP意图识别模型对所述目标语音文本进行意图识别处理，以得到至少一个意图集合，一个所述意图集合对应于一个用户意图，其中，所述意图集合的词性至少包括主语、谓语、宾语；
用户意图清单确定模块，用于根据所述意图集合得到用户意图清单，所述用户意图清单用于向用户提供至少一个所述用户意图；
意图信息确定模块，用于接收用户根据所述用户意图反馈的意图信息；
话术推荐模块，用于根据所述意图信息从预设的话术推荐库中确定目标推荐话术。
本公开实施例的第三方面提出了一种计算机设备，所述计算机设备包括存储器和处理器，其中，所述存储器中存储有程序，所述程序被所述处理器执行时所述处理器用于执行如本申请第一方面实施例任一项所述的方法。
本公开实施例的第四方面提出了一种存储介质，该存储介质为计算机可读存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本申请第一方面实施例任一项所述的方法。
本公开实施例提出的智能推荐方法和装置、设备、介质，通过获取用户语音；对所述用户语音进行语音识别处理，以得到目标语音文本；将所述目标语音文本输入至预设的NLP意图识别模型，通过所述NLP意图识别模型对所述目标语音文本进行意图识别处理，以得到至少一个意图集合，一个所述意图集合对应于一个用户意图，其中，所述意图集合的词性至少包括主语、谓语、宾语；根据所述意图集合得到用户意图清单，所述用户意图清单用于向用户提供至少一个所述用户意图；接收用户根据所述用户意图反馈的意图信息；根据所述意图信息从预设的话术推荐库中确定目标推荐话术。本公开实施例能够基于用户语音抽取出意图集合，并根据意图集合得到意图清单，以便根据意图清单得到用户反馈的意图信息，进而根据意图信息输出推荐产品/业务，可以充分挖掘客户潜在诉求，提高销售转化率。
附图说明
图1是本公开实施例提供的智能推荐方法的流程图；
图2是图1中的步骤S130的流程图；
图3是图2中的步骤S210的流程图；
图4是图1中的步骤S140的第一流程图；
图5是图1中的步骤S140的第二流程图；
图6为本公开实施例提供的智能推荐装置的模块结构框图；
图7是本公开实施例提供的计算机设备的硬件结构示意图。
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，对本申请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申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。
自然语言处理(Nature Language processing，NLP)，是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，自然语言处理是一门融语言学、计算机科学、数学于一体的科学。这一领域涉及的自然语言即人们日常使用的语言，所以它与语言学的研究也有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。NLP致力于使用计算机理解人类语言中的句子或词语。NLP以降低用户工作量并满足使用自然语言进行人机交互的愿望为目的。因为用户可能不熟悉机器语言，所以NLP就能帮助这样的用户使用自然语言和机器交流。NLP在金融领域目前已经有广泛的使用场景，比如：智能客服--通过NLP的意图识别，问答相似度分析，语义理解等，可以用机器代替人工客服。
语音识别技术(Automatic Speech Recognition，ASR)：也被称为自动语音识别，语音识别是计算语言学的跨学科子领域，其开发方法和技术，使得能够通过计算机识别和翻译口语。它融合了语言学，计算机科学和电气工程领域的知识和研究。
最小均方算法，简称LMS算法，是一种最陡下降算法的改进算法。该算法不需要已知输入信号和期望信号的统计特征，“当前时刻”的权系数是通过“上一时刻”权系数再加上一个负均方误差梯度的比例项求得。其具有计算复杂程度低、在信号为平稳信号的环境中收敛性好、其期望值无偏地收敛到维纳解和利用有限精度实现算法时的平稳性等特性，使LMS算法成为自适应算法中稳定性最好、应用最广的算法。
正向最大匹配算法：对于输入的一段文本从左至右、切出当前位置上长度最大的词。正向最大匹配算法是基于词典的分词方，其分词原理是:单词的颗粒度越大，所能表示的含义越确切。该算法主要包括:从一个字符串的开始位置，选择一个最大长度的词长的片段，如果序列不足最大词长，则选择全部序列。首先看该片段是否在词典中，如果是，则算为一个分出来的，如果不是，则从右边开始，减少一个字符，然后看短一点的这个片段是否在词典中，依次循环，逐到只剩下一个字。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。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。
本申请实施例提供的智能推荐方法均可以应用于人工智能之中。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。
随着保险业务的发展，保险公司一般提供为客户提供包括线上APP、电话客服、线下营业部(或代理人)等办理业务的渠道，而保险公司的客户群体里中老年人占比较高。根据这类客户使用习惯和便捷性等因素，通过电话客服办理业务的占比较高。客户的体验大部分是来自于售后的服务触点的交互上，通过优质的售后服务能有效提升客户的满意度，从而使售后服务的终点转变成新的销售起点。在保险行业逐步走向存量竞争的时代，获取新客户的难度越来越大，而有效挖掘老客的消费潜力，提高老客户的保险钱包份额，是当前保险公司的必然选择。目前业界的电话客服助手，可以通过输入客户的部分信息，查询客户相关的保单相关信息或历史服务记录等，但是无法主动挖掘客户本次服务的诉求是否存在其他商机。另外，对于潜在客户(即无保单的陌生客户)则无法提供有效信息，客服人员只能通过通用的营销方案为客户推荐产品，销售转化率较低。
基于此，本公开实施例的主要目的在于提出一种智能推荐方法和装置、设备、介质，通过获取用户语音，并对用户语音进行语音识别处理得到目标语音文本，通过NLP意图识别模型对目标语音文本进行意图识别处理得到至少一个意图集合，一个意图集合对应于一个用户意图，其中，意图集合的词性至少包括主语、谓语、宾语；根据意图集合得到用户意图清单，用户意图清单用于向用户提供至少一个用户意图；接收用户根据用户意图反馈的意图信息；根据意图信息从预设的话术推荐库中确定目标推荐话术。本公开实施例基于用户语音抽取出意图集合，并根据意图集合得到意图清单，以便根据意图清单向用户提供用户意图，进而根据得到的用户反馈的意图信息输出推荐产品/业务，可以充分挖掘客户潜在诉求，提高销售转化率。
本公开实施例提供的智能推荐方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、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、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；软件可以是实现上述方法的应用等，但并不局限于以上形式。
本公开实施例可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费计算机设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本公开实施例提供智能推荐方法和装置、设备、介质，具体通过如下实施例进行说明，首先描述本公开实施例中的智能推荐方法。
参照图1，根据本公开实施例的智能推荐方法，包括但不限于步骤S110至步骤S150。
S110，获取用户语音；
S120，对用户语音进行语音识别处理，以得到目标语音文本；
S130，将目标语音文本输入至预设的NLP意图识别模型，通过NLP意图识别模型对目标语音文本进行意图识别处理，以得到至少一个意图集合，一个意图集合对应于一个用户意图，其中，意图集合的词性至少包括主语、谓语、宾语；
S140，根据意图集合得到用户意图清单，用户意图清单用于向用户提供至少一个用户意图；
S150，接收用户根据用户意图反馈的意图信息；
S160，根据意图信息从预设的话术推荐库中确定目标推荐话术。
在步骤S110中，获取用户语音，其中该用户语音可以是指在用户通过电话呼入办理业务过程中实时产生的语音，也可以是用户通过业务系统、微信等渠道输入的语音。
在步骤S120中，对用户语音进行语音识别处理，得到目标语音文本，例如，客户通过电话呼入的语音将实时传入ASR模型进行识别，识别得到的目标语音文本将直接传入NLP意图识别模型进行文本处理。
在一实施例中，步骤S120具体包括以下步骤：
根据预设的LMS算法对用户语音的背景音进行去除处理，以得到初步语音；
将初步语音输入至预设的ASR模型，通过ASR模型对初步语音进行语音识别处理，以得到目标语音文本。
具体的，考虑到电话场景中对识别率的准确性要求不会太严苛，主要是快速识别用户主要意图即可。对用户的语音进行初步处理，通过比较经典的LMS算法对背景音进行去除，再通过ASR模型对初步语音进行语音识别处理得到目标语音文本，可以兼顾识别效率和识别准确性。
在步骤S130中，通过NLP意图识别模型对目标语音文本进行意图识别处理，以得到至少一个意图集合，一个意图集合对应于一个用户意图，其中，意图集合的词性至少包括主语、谓语、宾语。例如：我/查/保单编号，我/购买/产品。
在步骤S140中，需要根据意图集合得到用户意图清单。需要说明的是，在客户的一通电话里，可能会存在多项业务，或提及多个意图，需要根据意图集合得到用户意图清单，用户意图清单用于向用户提供至少一个用户意图。并且由于一个意图可以对应多种语言表达方式，在该意图下，用户询问的对象也可以是各种各样的，因此需要根据抽取出的意图集合得到用户意图清单，以便根据用户意图清单挖掘客户潜在的意图。需要说明的是，目标语音文本内出现的用户意图不一定准确，例如用户原始意图为“我想查保单编号”，但实际意图为“想问保单编号如何更改”。因此，根据意图集合得到用户意图清单，用户意图清单上的意图集合可能不止一个，可以是基于原始意图集合得到多个候选意图集合。
在步骤S150至S160中，通过接收用户根据用户意图反馈的意图信息，并根据意图信息从预设的话术推荐库中确定目标推荐话术。用户意图清单上有多个意图，客户人员根据该清单向用户进行确认，因为在用户的来电中，并不一定准确表达出来了真实意图。通过向客户进行确认后得到用户反馈的意图信息，就好比搜索引擎展示搜索页面，用户的真实意图可能是用户意图清单上排列第一位的意图集合，也可能不是。本公开实施例目的是根据意图集合组成的用户意图清单向用户进行确认，那在一次电话服务过程中，客服人员需要根据用户意图清单上的候选意图向用户进行开口询问，得到用户反馈的意图信息，便于客户人员明确用户的意图信息后向用户推荐产品/业务。
在一实施例中，客服人员在得到模型反馈的用户意图清单后，将对客户进行二次确认所需办理的业务，需得到客户的二次确认后才可以确信该意图得到澄清。澄清意图后将根据意图选择对应的推荐话术/剧本。例如：如何为客户推荐业务，如何申请医院绿色通道等。
通过步骤S110至S160，对电话客服来电的用户进行语音识别后，并通过NLP意图识别模型对识别文本抽取用户意图，能有效的对客户来电意图进行识别。本公开实施例能够根据意图集合得到用户意图清单，进而得到用户反馈的意图信息，以便根据意图信息进行相应的话术推荐。本公开实施例为客服人员提供海量的话术库，辅助客服人员更快速、更准确地根据用户的意图信息向用户输出目标推荐话术。本公开实施例能够充分挖掘用户的潜在诉求，满足用户的个性化需求，为客户提供优质服务，提高服务过程中的销售转化率，并且能提升用户体验。
在一具体示例中，例如：用户在来电中出现以下语音文本：帮我查下保单编号，我最近要缴费。在通过NLP意图识别模型过滤、切词、词性标注等步骤后，抽取出来的意图可能是：意图1：我/查/保单编号，意图2：我/缴费/(缺失)。将第一个意图和预设的意图库进行匹配，并计算匹配得分，根据匹配得分将会得到用户意图清单，用户意图清单包括多个候选意图，以意图1为例：候选1：如何查询保单编号？候选1的匹配得分：9.5分，候选2：如何查询保单的客户号？候选2的匹配得分：8分，候选3：保单编号可以变更吗？候选3的匹配得分：6.5分。这些候选意图会根据匹配得分从高到低提供给客服人员，客服人员就会根据用户意图清单和客户进行二次确认。如果客户明确意图了，假如是候选1，那么客服人员可以点击候选1的标题得到对应的答案。
在一些实施例中，如图2所示，步骤S130具体包括步骤：
S210，对目标语音文本进行分词处理，以得到分词结果；
S220，对分词结果进行词性标注，以得到词性标注结果；
S230，根据预设的语法规则从词性标注结果中抽取出至少一个意图集合。
在步骤S210中，由于客户在电话沟通过程中，容易出现大量的语气词(如：嗯、啊)或者语序倒置等情况，所以需要通过NLP意图识别模型对ASR模型识别后的目标语音文本进行切词，得到分词结果。
在步骤S220中，完成对目标语音文本进行分词处理后将对每一个分词进行词性标注，对于与语句无关的语气词直接跳过。对分词结果中的主语、谓语、宾语进行识别，根据识别结果对获得的分词结果进行过滤。根据过滤结果获得目标语音文本对应的词性标注结果。对句子中的主语、谓语、宾语进行识别，非上述三种词性的分词默认为无意义的词汇并将其过滤掉，留下的词会加入词性标注结果，根据清洗过后的词性标注结果进行意图识别，降低后续意图识别难度。
在步骤S230中，根据预设的语法规则从词性标注结果中抽取出至少一个意图集合。例如，可以参考中文语法的规则将“主语+谓语+宾语”等关键要素抽取出来，输出“WHO(谁)+DO(办理)+WHAT(业务/产品)”的意图集合，参照表1。需要说明的是，关键要素用于指示用户输入的语音表达的语义，关键要素所属的意图集合用于指示用户意图。其中主语一般是指人或事物，包括：人名、地名、机构团体、其他名词等。谓语一般代指简单谓语，这里以动词为主。宾语一般指动作对应的对象，这里主要是指需要办理的业务或者产品，因此也是名词为主。
表1
WHO(谁) DO(办理) WHAT(业务/产品)
我 查 保单编号
孩子 申请 医院绿通
爱人 办理 保单更换
在一些实施例中，如图3所示，步骤S210具体包括步骤：
S310，根据预设的正向最大匹配算法对目标语音文本进行切分，以得到初步分词列表；
S320，将初步分词列表的每一个分词进行向量标识处理，以得到分词向量集；
S330，将分词向量集的每个分词与预设的词典的参考词进行匹配，并计算分词与参考词的欧式距离值，并根据欧式距离值确定分词的匹配结果；
S340，若欧式距离值在预设的距离阈值内，则匹配结果为成功，将分词加入分词结果。
具体的，在步骤S310至S340中，考虑到电话实时识别的场景对效率要求更高，采用正向最大匹配法算法对目标语音文本进行切分。得到的初步分词列表需要进行向量标识，以便计算文本之间的欧式距离值。将分词向量集的每个分词与预设的词典的参考词进行匹配，并计算分词与参考词的欧式距离值，并根据欧式距离值确定分词的匹配结果。若欧式距离值在预设的距离阈值内，则匹配结果为成功，将分词加入分词结果。需要说明的是，欧式距离值是根据向量标识后的分词与向量标识后的参考词计算得到的。
在步骤S310中的预设的词典通过以下步骤得到，包括：
获取历史用户问题，并根据预设的语法规则从历史用户问题中抽取出历史意图集合，一个历史意图集合对应于一个历史用户意图，其中，历史意图集合的词性至少包括主语、谓语、宾语；
根据历史用户意图集合得到预设的词典。
具体的，话术推荐库中的用户问题作为词典输入，对词典进行人工标注得到用户意图集(即模型的词典)。人工标注可以简单理解成打标签，过程就是把一些能代表用户意向的语句、词语标记出来，然后得到词典。以便后续在识别到用户的语句后才可以和词典进行匹配，从而识别用户意图。
需要说明的是，预设的词典还包括汉语词典等公开词典。
在一些实施例中，若存在一个意图集合，如图4所示，步骤S140具体包括步骤：
S410，根据意图集合从预设的意图库中得到多个候选意图；
S420，根据候选意图与意图集合的匹配程度确定候选意图的匹配得分；
S430，根据匹配得分对多个候选意图进行倒序排列，根据倒序排列后的前N个候选意图得到用户意图清单，其中，N是正整数。
在步骤S410至步骤S430中，在客户的一通电话里，可能识别出一个意图集合，或者是在预设的时间区间内，客户只能反馈出一个完整的意图，或者说客户不知道如何反馈具体的意图。因此，需要根据意图集合去预设的意图库中查找候选意图，再根据候选意图与意图集合的匹配程度确定候选意图的匹配得分，根据匹配得分确定哪个候选意图可以加入进用户意图清单，例如根据匹配得分对多个候选意图进行倒序排列，根据倒序排列后的前N个候选意图得到用户意图清单，其中，N是正整数。可以理解的是，匹配得分高的候选意图并不一定是用户真实意图，就好比搜索引擎展示搜索页面，用户的真实意图可能是排列第一位的候选意图，也可能不是。本公开实施例目的是根据这些候选意图组成的用户意图清单向用户进行确认，那在一次电话服务过程中，客服人员需要根据用户意图清单上的候选意图向用户进行开口询问，得到用户的确认后，根据用户反馈的意图信息进行相应的产品/业务推荐。
在一些实施例中，若存在一个意图集合，根据意图集合从预设的意图库中得到多个候选意图，根据候选意图与意图集合的匹配程度确定候选意图的匹配得分，根据匹配得分高于预设匹配得分阈值的候选意图得到用户意图清单。
在一些实施例中，若存在多个意图集合，如图5所示，步骤S140具体包括步骤：
S510，确定意图集合在分词结果内出现的频次和位置，并根据频次和位置得到意图集合的意图评分；
S520，根据意图评分对多个意图集合进行倒序排列，根据倒序排列后的前N个意图集合得到用户意图清单，其中，N是正整数；
在步骤S510至步骤S520中，在客户的一通电话里，识别出多个意图集合，或者是在预设的时间区间内，客户反馈出多个完整的意图集合，说明用户的目标较明确，在对意图集合的评分时会将在分词结果中出现频次和位置作为其中的因子进行综合评分，然后根据评分从高到低地实时更新排序，参照表2。具体的，确定意图集合在分词结果内出现的频次和位置，并根据频次和位置得到意图集合的意图评分。进而根据意图评分对多个意图集合进行倒序排列，根据倒序排列后的前N个意图集合得到用户意图清单。在一实施例中，是根据意图评分高于预设意图评分阈值的意图集合得到用户意图清单。需要说明的是，在分词结果中出现频次越多，意图评分越高。在分词结果中出现的位置越靠后，意图评分越高。
表2
WHO(谁) DO(办理) WHAT(业务/产品) 意图评分(从高到低)
我 查 保单编号 8.5
孩子 申请 医院绿通 7.8
爱人 办理 保单更换 6.5
在一些实施例中，在电话客服解答完客户问题后，如果客户对电话客服的满意度评价高于8分(最高10分)，则会对相关的电话录音自动作为NLP意图识别模型的正样本进行输入。反之，低于8分的则会作为负样本。未评分的则不计入学习。通过每次服务后的评分，闭环输入正负样本逐步提高模型准确率。
本公开实施例提出的智能推荐方法，通过获取用户语音；对用户语音进行语音识别处理，以得到目标语音文本；将目标语音文本输入至预设的NLP意图识别模型，通过NLP意图识别模型对目标语音文本进行意图识别处理，以得到至少一个意图集合，一个意图集合对应于一个用户意图，其中，意图集合的词性至少包括主语、谓语、宾语；根据意图集合得到用户意图清单，用户意图清单用于向用户提供至少一个用户意图；接收用户根据用户意图反馈的意图信息；根据意图信息从预设的话术推荐库中确定目标推荐话术。本公开实施例通过对电话客服来电的客户进行语音识别后，并通过NLP意图识别模型对识别文本进行切词、词性标注、以及抽取用户意图，能有效的对客户来电意图进行识别。本公开实施例能够根据意图集合的评分进行排序，并得到用户意图清单。本公开实施例能够根据用户意图清单向用户进行意图澄清，以确定用户的意图信息。本公开实施例为客服人员提供海量的话术库，辅助客服人员更快速、更准确地根据用户反馈的意图信息向用户输出目标推荐话术。本公开实施例能够充分挖掘用户的潜在诉求，满足用户的个性化需求，为客户提供优质服务，提高服务过程中的销售转化率，并且能提升用户体验。
本公开实施例还提供一种智能推荐装置，如图6所示，可以实现上述智能推荐方法，该装置包括：语音获取模块610、语音识别模块620、意图识别模块630、用户意图清单确定模块640、意图信息确定模块650、话术推荐模块660，其中，语音获取模块610用于获取用户语音；语音识别模块620用于对用户语音进行语音识别处理，以得到目标语音文本；意图识别模块630用于将目标语音文本输入至预设的NLP意图识别模型，通过NLP意图识别模型对目标语音文本进行意图识别处理，以得到至少一个意图集合，一个意图集合对应于一个用户意图；用户意图清单确定模块640用于根据意图集合得到用户意图清单，用户意图清单用于向用户提供至少一个用户意图；意图信息确定模块650用于接收用户根据用户意图反馈的意图信息；话术推荐模块660用于根据意图信息从预设的话术推荐库中确定目标推荐话术。本公开实施例的智能推荐装置用于执行上述实施例中的智能推荐方法，其具体处理过程与上述实施例中的智能推荐方法相同，此处不再一一赘述。
本公开实施例提出的智能推荐装置，通过实现上述的智能推荐方法，对电话客服来电的用户进行语音识别后，并通过NLP意图识别模型对识别文本抽取用户意图，能有效的对客户来电意图进行识别，能够根据意图集合得到用户意图清单，进而得到用户反馈的意图信息，以便根据意图信息进行相应的话术推荐。本公开实施例的装置还能够通过对电话客服来电的客户进行语音识别后，并通过NLP意图识别模型对识别文本进行切词、词性标注、以及抽取用户意图，能有效的对客户来电意图进行识别。本公开实施例能够根据意图集合的评分进行排序，并得到用户意图清单。本公开实施例能够根据用户意图清单向用户进行意图澄清，以确定用户的意图信息。本公开实施例为客服人员提供海量的话术库，辅助客服人员更快速、更准确地根据用户反馈的意图信息向用户输出目标推荐话术。本公开实施例能够充分挖掘用户的潜在诉求，满足用户的个性化需求，为客户提供优质服务，提高服务过程中的销售转化率，并且能提升用户体验。
本公开实施例还提供了一种计算机设备，包括：
至少一个处理器，以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时实现如本申请实施例中任一项的方法。
本公开实施例提出的计算机设备，通过实现上述的智能推荐方法，能够通过对电话客服来电的客户进行语音识别后，并通过NLP意图识别模型对识别文本进行切词、词性标注、以及抽取用户意图，能有效的对客户来电意图进行识别。本公开实施例能够根据意图集合的评分进行排序，并得到用户意图清单。本公开实施例能够根据用户意图清单向用户进行意图澄清，以确定用户的意图信息。本公开实施例为客服人员提供海量的话术库，辅助客服人员更快速、更准确地根据用户反馈的意图信息向用户输出目标推荐话术。本公开实施例能够充分挖掘用户的潜在诉求，满足用户的个性化需求，为客户提供优质服务，提高服务过程中的销售转化率，并且能提升用户体验。
下面结合图7对计算机设备的硬件结构进行详细说明。该计算机设备包括：处理器701、存储器702、输入/输出接口703、通信接口704和总线705。
处理器701，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；
存储器702，可以采用ROM(Read Only Memory，只读存储器)、静态存储设备、动态存储设备或者RAM(Random Access Memory，随机存取存储器)等形式实现。存储器702可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器702中，并由处理器701来调用执行本公开实施例的智能推荐方法；
输入/输出接口703，用于实现信息输入及输出；
通信接口704，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和
总线705，在设备的各个组件(例如处理器701、存储器702、输入/输出接口703和通信接口704)之间传输信息；
其中处理器701、存储器702、输入/输出接口703和通信接口704通过总线705实现彼此之间在设备内部的通信连接。
本公开实施例还提供一种存储介质，该存储介质是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可执行指令，该计算机可执行指令用于使计算机执行本公开实施例的智能推荐方法。
本公开实施例的存储介质，通过预设的NLP意图识别模型对语音文本进行清洗、抽取意图集合，进而得到用户意图清单。以便根据用户意图清单得到用户反馈的意图信息，从而确定目标推荐话术来进行服务销售，提高服务过程中的销售转化率。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1至图5中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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，在本申请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。
所述集成的单元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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本公开实施例的优选实施例，并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本公开实施例的权利范围之内。

Claims (10)

1.一种智能推荐方法，其特征在于，包括：
获取用户语音；
对所述用户语音进行语音识别处理，以得到目标语音文本；
将所述目标语音文本输入至预设的NLP意图识别模型，通过所述NLP意图识别模型对所述目标语音文本进行意图识别处理，以得到至少一个意图集合，一个所述意图集合对应于一个用户意图，其中，所述意图集合的词性至少包括主语、谓语、宾语；
根据所述意图集合得到用户意图清单，所述用户意图清单用于向用户提供至少一个所述用户意图；
接收用户根据所述用户意图反馈的意图信息；
根据所述意图信息从预设的话术推荐库中确定目标推荐话术。
2.根据权利要求1所述的方法，其特征在于，所述对所述用户语音进行语音识别处理，以得到目标语音文本，包括：
根据预设的LMS算法对用户语音的背景音进行去除处理，以得到初步语音；
将所述初步语音输入至预设的ASR模型，通过所述ASR模型对所述初步语音进行语音识别处理，以得到目标语音文本。
3.根据权利要求1或2所述的方法，其特征在于，所述通过所述NLP意图识别模型对所述目标语音文本进行意图识别处理，以得到至少一个意图集合，包括：
对所述目标语音文本进行分词处理，以得到分词结果；
对所述分词结果进行词性标注，以得到词性标注结果；
根据预设的语法规则从所述词性标注结果中抽取出至少一个意图集合。
4.根据权利要求3所述的方法，其特征在于，所述对所述目标语音文本进行分词处理，以得到分词结果，包括：
根据预设的正向最大匹配算法对所述目标语音文本进行切分，以得到初步分词列表；
将所述初步分词列表的每一个分词进行向量标识处理，以得到分词向量集；
将所述分词向量集的每个所述分词与预设的词典的参考词进行匹配，并计算所述分词与所述参考词的欧式距离值，并根据所述欧式距离值确定所述分词的匹配结果；
若所述欧式距离值在预设的距离阈值内，则所述匹配结果为成功，将所述分词加入分词结果。
5.根据权利要求1所述的方法，其特征在于，若存在一个所述意图集合，所述根据所述意图集合得到用户意图清单，包括：
根据所述意图集合从预设的意图库中得到多个候选意图；
根据所述候选意图与所述意图集合的匹配程度确定所述候选意图的匹配得分；
根据所述匹配得分对多个所述候选意图进行倒序排列，根据倒序排列后的前N个所述候选意图得到用户意图清单，其中，N是正整数；
或者，
根据所述匹配得分高于预设匹配得分阈值的所述候选意图得到用户意图清单。
6.根据权利要求3所述的方法，其特征在于，若存在多个所述意图集合，所述根据所述意图集合得到用户意图清单，包括：
确定所述意图集合在所述分词结果内出现的频次和位置，并根据所述频次和所述位置得到所述意图集合的意图评分；
根据所述意图评分对多个所述意图集合进行倒序排列，根据倒序排列后的前N个所述意图集合得到用户意图清单，其中，N是正整数；
或者，
根据所述意图评分高于预设意图评分阈值的所述意图集合得到用户意图清单。
7.根据权利要求4所述的方法，其特征在于，所述预设的词典通过以下步骤得到，包括：
获取历史用户问题，并根据预设的语法规则从所述历史用户问题中抽取出历史意图集合，一个所述历史意图集合对应于一个历史用户意图，其中，所述历史意图集合的词性至少包括主语、谓语、宾语；
根据所述历史用户意图集合得到预设的词典。
8.一种智能推荐装置，其特征在于，包括：
语音获取模块，用于获取用户语音；
语音识别模块，用于对所述用户语音进行语音识别处理，以得到目标语音文本；
意图识别模块，用于将所述目标语音文本输入至预设的NLP意图识别模型，通过所述NLP意图识别模型对所述目标语音文本进行意图识别处理，以得到至少一个意图集合，一个所述意图集合对应于一个用户意图，其中，所述意图集合的词性至少包括主语、谓语、宾语；
用户意图清单确定模块，用于根据所述意图集合得到用户意图清单，所述用户意图清单用于向用户提供至少一个所述用户意图；
意图信息确定模块，用于接收用户根据所述用户意图反馈的意图信息；
话术推荐模块，用于根据所述意图信息从预设的话术推荐库中确定目标推荐话术。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，其中，所述存储器中存储有程序，所述程序被所述处理器执行时所述处理器用于执行：
如权利要求1至7中任一项所述的方法。
10.一种存储介质，所述存储介质为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可执行指令，所述计算机可执行指令用于使计算机执行如：
如权利要求1至7中任一项所述的方法。
CN202210284711.0A 2022-03-22 2022-03-22 智能推荐方法和装置、设备、介质 Pending CN114783421A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210284711.0A CN114783421A (zh) 2022-03-22 2022-03-22 智能推荐方法和装置、设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210284711.0A CN114783421A (zh) 2022-03-22 2022-03-22 智能推荐方法和装置、设备、介质

Publications (1)

Publication Number Publication Date
CN114783421A true CN114783421A (zh) 2022-07-22

Family

ID=82424770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210284711.0A Pending CN114783421A (zh) 2022-03-22 2022-03-22 智能推荐方法和装置、设备、介质

Country Status (1)

Country Link
CN (1) CN114783421A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115271891A (zh) * 2022-09-29 2022-11-01 深圳市人马互动科技有限公司 基于互动小说的产品推荐方法及相关装置
CN116208712A (zh) * 2023-05-04 2023-06-02 北京智齿众服技术咨询有限公司 一种提升用户意向的智能外呼方法、系统、设备及介质
CN118093638A (zh) * 2024-04-28 2024-05-28 青岛国创智能家电研究院有限公司 基于知识图谱的饮食问答系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115271891A (zh) * 2022-09-29 2022-11-01 深圳市人马互动科技有限公司 基于互动小说的产品推荐方法及相关装置
CN115271891B (zh) * 2022-09-29 2022-12-30 深圳市人马互动科技有限公司 基于互动小说的产品推荐方法及相关装置
CN116208712A (zh) * 2023-05-04 2023-06-02 北京智齿众服技术咨询有限公司 一种提升用户意向的智能外呼方法、系统、设备及介质
CN118093638A (zh) * 2024-04-28 2024-05-28 青岛国创智能家电研究院有限公司 基于知识图谱的饮食问答系统

Similar Documents

Publication Publication Date Title
CN108829822B (zh) 媒体内容的推荐方法和装置、存储介质、电子装置
CN110377911B (zh) 对话框架下的意图识别方法和装置
CN114783421A (zh) 智能推荐方法和装置、设备、介质
US20140351228A1 (en) Dialog system, redundant message removal method and redundant message removal program
CN110795913B (zh) 一种文本编码方法、装置、存储介质及终端
KR102100214B1 (ko) 음성 인식 기반의 세일즈 대화 분석 방법 및 장치
US20230394247A1 (en) Human-machine collaborative conversation interaction system and method
CN113450759A (zh) 语音生成方法、装置、电子设备以及存储介质
CN116561538A (zh) 问答评分方法、问答评分装置、电子设备及存储介质
CN116501960B (zh) 内容检索方法、装置、设备及介质
CN115309877A (zh) 对话生成方法、对话模型训练方法及装置
CN116541493A (zh) 基于意图识别的交互应答方法、装置、设备、存储介质
CN113342948A (zh) 一种智能问答方法及装置
CN115238143A (zh) 查询语句生成方法及装置、模型训练方法、设备、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
CN114186041A (zh) 一种答案输出方法
CN113901838A (zh) 对话检测方法和装置、电子设备、存储介质
CN116580704A (zh) 语音识别模型的训练方法、语音识别方法、设备及介质
CN116701604A (zh) 问答语料库的构建方法和装置、问答方法、设备及介质
CN116597866A (zh) 情绪识别的方法、装置、设备及存储介质
CN115292460A (zh) 一种话题推荐方法、装置、电子设备及存储介质
CN116662495A (zh) 问答处理方法、训练问答处理模型的方法及装置
CN115017886A (zh) 文本匹配方法、文本匹配装置、电子设备及存储介质
CN115292495A (zh) 情绪分析方法、装置、电子设备及存储介质
CN116127066A (zh) 文本聚类方法、文本聚类装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination