CN114861679A - 兴趣度识别方法、装置、电子设备及计算机可读存储介质 - Google Patents

兴趣度识别方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114861679A
CN114861679A CN202210446919.8A CN202210446919A CN114861679A CN 114861679 A CN114861679 A CN 114861679A CN 202210446919 A CN202210446919 A CN 202210446919A CN 114861679 A CN114861679 A CN 114861679A
Authority
CN
China
Prior art keywords
conversation
interestingness
topic
dialog
parameter
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
CN202210446919.8A
Other languages
English (en)
Inventor
贾梦晓
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 Puhui Enterprise Management Co Ltd
Original Assignee
Ping An Puhui Enterprise Management Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Puhui Enterprise Management Co Ltd filed Critical Ping An Puhui Enterprise Management Co Ltd
Priority to CN202210446919.8A priority Critical patent/CN114861679A/zh
Publication of CN114861679A publication Critical patent/CN114861679A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及人工智能技术，揭露一种兴趣度识别方法，包括：识别历史业务对话中的对话话题，基于对话话题对历史业务对话进行对话划分，得到多个不同话题的话题对话：选取多个不同话题的话题对话中的任意一个话题对话作为目标对话，对目标对话进行对话参数识别，得到对话参数集；根据对话参数集对构建的前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型；将待判别对话输入至标准兴趣度识别模型中，得到兴趣度识别结果，将兴趣度识别结果推送至待判别对话的发送端。此外，本发明还涉及区块链技术，目标对话可存储于区块链的节点。本发明还提出一种兴趣度识别装置、电子设备以及计算机可读存储介质。本发明可以提高兴趣度识别的效率。

Description

兴趣度识别方法、装置、电子设备及计算机可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种兴趣度识别方法、装置、电子设备及计算机可读存储介质。
背景技术
在业务员与客户日常对话过程中，需要判断客户对于对话的兴趣和对于业务员本身、业务员推荐产品的好感度；通过传统人工判断，需要依靠业务员的经验，并且难以轻易察觉到客户对于产品的态度究竟是否感兴趣，兴趣度多少，不能及时调整相关的产品和话术，提升客户的兴趣和好感。因此亟待提出一种效率更高的对话兴趣度识别方法。
发明内容
本发明提供一种兴趣度识别方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高兴趣度识别的效率。
为实现上述目的，本发明提供的一种兴趣度识别方法，包括：
获取历史业务对话，识别所述历史业务对话中的对话话题，并基于所述对话话题对所述历史业务对话进行对话划分，得到多个不同话题的话题对话：
选取多个不同话题的所述话题对话中的任意一个话题对话作为目标对话，并对所述目标对话进行对话参数识别，得到对话参数集；
构建前馈神经网络，根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型；
获取待判别对话，将所述待判别对话输入至所述标准兴趣度识别模型中，得到兴趣度识别结果，将所述兴趣度识别结果推送至所述待判别对话的发送端。
可选地，所述识别所述历史业务对话中的对话话题，包括：
获取训练话题集，利用所述训练话题集对预设的话题识别模型进行训练，得到训练好的话题识别模型；
对所述训练好的话题识别模型进行模型降维处理，得到降维后的标准话题识别模型；
将所述历史业务对话输入至所述标准话题识别模型中，得到所述历史业务对话中的对话话题。
可选地，所述利用所述训练话题集对预设的话题识别模型进行训练，得到训练好的话题识别模型，包括：
对预获取的训练话题集中的训练话题数据进行词频解析，得到词频矩阵；
基于预设的多个话题对所述词频矩阵进行随机编号处理，得到所述词频矩阵对应的话题编号；
将所述话题编号作为所述话题识别模型的输入值，计算得到所述话题识别模型的吉布斯采样值和狄利克雷参数估计值；
将所述吉布斯采样值和所述狄利克雷参数估计值作为所述话题识别模型的模型参数，得到训练好的初始话题识别模型。
可选地，所述对所述目标对话进行对话参数识别，得到对话参数集，包括：
统计所述目标对话中第一对话角色的第一消息数和第二对话角色的第二消息数，将所述第一消息数和所述第二消息数进行求比值处理，得到第一对话参数；
识别所述第一消息数中的总字数，得到第一总字数，识别所述第二消息数中的总字数，得到第二总字数；
将所述第一总字数与所述第二总字数进行求比值处理，得到第二对话参数；对所述第二对话角色的第二消息数进行求平均值处理，得到第三对话参数；
提取所述第一对话角色和所述第二对话角色之间的时间间隔作为第四对话参数；
将所述第一对话参数、所述第二对话参数、所述第三对话参数及所述第四对话参数进行汇总，得到对话参数集。
可选地，所述构建前馈神经网络，包括：
根据预设的初始数据向量的维度确定所述前馈神经网络的输入层的节点数；
依据结构和性能要求确定隐藏层和输出层包含节点的类型；
基于确定好输入层的节点数的所述输入层、确定节点的类型的所述隐藏层和所述输出层构建生成前馈神经网络。
可选地，所述根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型，包括：
将所述对话参数集进行参数划分，得到训练对话集和验证对话集；
将所述训练对话集输入至所述前馈神经网络中，得到兴趣度标签；
将所述兴趣度标签与预设的真实标签进行比对；
当所述兴趣度标签与所述真实标签一致时，利用所述验证对话集对所述前馈神经网络进行验证，当验证通过时，将所述前馈神经网络输出为标准兴趣度识别模型；
当所述兴趣度标签与所述真实标签不一致时，调整所述前馈神经网络的网络参数，并将所述训练对话集输入至调整网络参数后的前馈神经网络中，直至新的兴趣度标签与所述真实标签一致，将调整网络参数后的前馈神经网络输出为标准兴趣度识别模型。
可选地，所述利用所述验证对话集对所述前馈神经网络进行验证，包括：
利用所述前馈神经网络的输入层对所述验证对话集进行特征转换，得到特征对话集；
将所述特征对话集输入至所述前馈神经网络中的隐藏层中，得到所述特征对话集对应的隐藏值；
利用所述前馈神经网路中的输出层对所述隐藏值进行数值划分，当所述隐藏值属于所述输出层中的预设区域时，将验证后的结果判定为验证通过；
当所述隐藏值不属于所述输出层中的预设区域时，将验证后的结果判定为验证不通过。
为了解决上述问题，本发明还提供一种兴趣度识别装置，所述装置包括：
对话划分模块，用于获取历史业务对话，识别所述历史业务对话中的对话话题，并基于所述对话话题对所述历史业务对话进行对话划分，得到多个不同话题的话题对话：
参数识别模块，用于选取多个不同话题的所述话题对话中的任意一个话题对话作为目标对话，并对所述目标对话进行对话参数识别，得到对话参数集；
网络训练模块，用于构建前馈神经网络，根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型；
结果推送模块，用于获取待判别对话，将所述待判别对话输入至所述标准兴趣度识别模型中，得到兴趣度识别结果，将所述兴趣度识别结果推送至所述待判别对话的发送端。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的兴趣度识别方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的兴趣度识别方法。
本发明实施例中，通过识别历史业务对话中的对话话题，并基于对话话题对所述历史业务对话进行对话划分，得到多个不同主题的主题对话，对历史业务对话进行对话划分可以对数据进行初始划分，避免数据冗余。选取多个不同主题的主题对话中的任意一个主题对话作为目标对话，并对目标对话进行对话参数识别，得到对话参数集，所述对话参数识别可以丰富对话参数集的数据数量及数据丰富程度，使得由所述对话参数集训练得到的标准兴趣度识别模型更加精准。将所述待判别对话输入至所述标准兴趣度识别模型中，得到兴趣度识别结果。因此本发明提出的对话兴趣度识别方法、装置、电子设备及计算机可读存储介质，可以解决对话兴趣度识别的效率较低的问题。
附图说明
图1为本发明一实施例提供的兴趣度识别方法的流程示意图；
图2为图1中其中一个步骤的详细实施流程示意图；
图3为图2中另一个步骤的详细实施流程示意图；
图4为图1中其中一个步骤的详细实施流程示意图；
图5为图1中其中一个步骤的详细实施流程示意图；
图6为图5中其中一个步骤的详细实施流程示意图；
图7为图6中其中一个步骤的详细实施流程示意图；
图8为本发明一实施例提供的兴趣度识别装置的功能模块图；
图9为本发明一实施例提供的实现所述兴趣度识别方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种兴趣度识别方法。所述兴趣度识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述兴趣度识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、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(ContentDelivery 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。
参照图1所示，为本发明一实施例提供的兴趣度识别方法的流程示意图。在本实施例中，所述兴趣度识别方法包括以下步骤S1-S4：
S1、获取历史业务对话，识别所述历史业务对话中的对话话题，并基于所述对话话题对所述历史业务对话进行对话划分，得到多个不同话题的话题对话。
本发明实施例中，所述历史业务对话是指业务员和顾客的关于不同产品的讨论对话，可以为针对某个产品展开的咨询和解答，或者是针对某个业务话题的讨论。
例如，在业务场景下所述历史业务对话为，业务员：“中庚价值品质1年混合，明天开放了，您要止盈？落袋为安。”客户：“这一支我没有赎回，我赎回的是其他的。”业务员：“建议落袋为安，不然可能会赎回去。”客户：“好，关于另一支广发还有什么建议吗？”业务员：“这支不太建议近期再入手。”
具体地，参照图2所示，所述识别所述历史业务对话中的对话话题，包括以下步骤S101-S103：
S101、获取训练话题集，利用所述训练话题集对预设的话题识别模型进行训练，得到训练好的话题识别模型；
S102、对所述训练好的话题识别模型进行模型降维处理，得到降维后的标准话题识别模型；
S103、将所述历史业务对话输入至所述标准话题识别模型中，得到所述历史业务对话中的对话话题。
详细地，所述训练话题集中包含多个不同话题类型的对话，其中，不同的话题类型可以指话题的领域类型，话题的产品类型等。产品类型可以为金融领域中的理财产品，比如中庚价值品质，又或者为广发银行等。所述预设的话题识别模型可以为LDA(LatentDirichlet Allocation，隐狄利克雷分布)模型。其中，LDA模型是一种文档话题生成模型，也称为一个三层贝叶斯概率模型，包含词、话题和文档三层结构，也是隐性狄利克雷分配模型，是一种生成式无监督机器学习算法。
进一步地，参照图3所示，所述利用所述训练话题集对预设的话题识别模型进行训练，得到训练好的话题识别模型，包括以下步骤S111-S114：
S111、对预获取的训练话题集中的训练话题数据进行词频解析，得到词频矩阵；
S112、基于预设的多个话题对所述词频矩阵进行随机编号处理，得到所述词频矩阵对应的话题编号；
S113、将所述话题编号作为所述话题识别模型的输入值，计算得到所述话题识别模型的吉布斯采样值和狄利克雷参数估计值；
S114、将所述吉布斯采样值和所述狄利克雷参数估计值作为所述话题识别模型的模型参数，得到训练好的初始话题识别模型。
详细地，利用所述训练话题集对所述话题识别模型进行训练，可以得到一个训练好的初始话题识别模型，所述初始话题识别模型能够实现精准的话题识别。
具体地，所述词频解析是根据概率统计分词模型进行分词处理，或者是可以通过jieba分词模型进行分词处理，并将分词后的多个分词与预设关键词库进行比对，将与所述预设关键词库进行比对后的关键词构建生成词频矩阵。
进一步地，对所述训练好的话题识别模型进行模型降维处理，得到降维后的标准话题识别模型，其中，所述模型降维处理可以利用PCA(Principal Component Analysis,主成分分析)算法。
具体地，将所述历史业务对话输入至所述标准话题识别模型中，得到所述历史业务对话中的对话话题，并基于所述对话话题对所述历史业务对话进行对话划分，得到多个不同话题的话题对话。
S2、选取多个不同话题的所述话题对话中的任意一个话题对话作为目标对话，并对所述目标对话进行对话参数识别，得到对话参数集。
本发明实施例中，选择多个话题对话中的任意一个话题对话作为目标对话，由于多个话题对话的话题均不相同，而针对不同的话题需要进行不同的话题分析，因此需要选取任意一个话题对话作为目标对话。
具体地，参照图4所示，所述对所述目标对话进行对话参数识别，得到对话参数集，包括以下步骤S21-S26：
S21、统计所述目标对话中第一对话角色的第一消息数和第二对话角色的第二消息数，将所述第一消息数和所述第二消息数进行求比值处理，得到第一对话参数；
S22、识别所述第一消息数中的总字数，得到第一总字数，识别所述第二消息数中的总字数，得到第二总字数；
S23、将所述第一总字数与所述第二总字数进行求比值处理，得到第二对话参数；
S24、对所述第二对话角色的第二消息数进行求平均值处理，得到第三对话参数；
S25、提取所述第一对话角色和所述第二对话角色之间的时间间隔作为第四对话参数；
S26、将所述第一对话参数、所述第二对话参数、所述第三对话参数及所述第四对话参数进行汇总，得到对话参数集。
详细地，所述目标对话中的第一对话角色为业务员(sales)，所述目标对话中的第二对话角色为客户(customer)，第一对话角色的第一消息数可以为a1，第二对话角色的第二消息数可以为b1，识别第一消息数a1中的总字数为第一总字数a2，识别所述第二消息数b1中的总字数，得到第二总字数b2。将所述第一消息数a1和所述第二消息数b1进行求比值处理，得到第一对话参数c1＝a1/b1,将所述第一总字数a2与所述第二总字数b2进行求比值处理，得到第二对话参数c2＝a2/b2。对所述第二对话角色的第二消息数进行求平均值处理，得到第三对话参数b3，提取所述第一对话角色和所述第二对话角色之间的时间间隔t作为第四对话参数。
S3、构建前馈神经网络，根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型。
本发明实施例中，所述前馈神经网络是一种最简单的神经网络，各神经元分层排列，每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，各层间没有反馈。所述前馈神经网络是应用最广泛、发展最迅速的人工神经网络之一。
具体地，参照图5所示，所述构建前馈神经网络，包括以下步骤S31-S33：
S31、根据预设的初始数据向量的维度确定所述前馈神经网络的输入层的节点数；
S32、依据结构和性能要求确定隐藏层和输出层包含节点的类型；
S33、基于确定好输入层的节点数的所述输入层、确定节点的类型的所述隐藏层和所述输出层构建生成前馈神经网络。
详细地，所述前馈神经网络由输入层、隐藏层和输出层构建所得。
具体地，参照图6所示，所述根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型，包括以下步骤S311-S315：
S311、将所述对话参数集进行参数划分，得到训练对话集和验证对话集；
S312、将所述训练对话集输入至所述前馈神经网络中，得到兴趣度标签；
S313、将所述兴趣度标签与预设的真实标签进行比对；
S314、当所述兴趣度标签与所述真实标签一致时，利用所述验证对话集对所述前馈神经网络进行验证，当验证通过时，将所述前馈神经网络输出为标准兴趣度识别模型；
S315、当所述兴趣度标签与所述真实标签不一致时，调整所述前馈神经网络的网络参数，并将所述训练对话集输入至调整网络参数后的前馈神经网络中，直至新的兴趣度标签与所述真实标签一致，将调整网络参数后的前馈神经网络输出为标准兴趣度识别模型。
进一步地，参照图7所示，所述利用所述验证对话集对所述前馈神经网络进行验证，包括以下步骤S321-S324：
S321、利用所述前馈神经网络的输入层对所述验证对话集进行特征转换，得到特征对话集；
S322、将所述特征对话集输入至所述前馈神经网络中的隐藏层中，得到所述特征对话集对应的隐藏值；
S323、利用所述前馈神经网路中的输出层对所述隐藏值进行数值划分，当所述隐藏值属于所述输出层中的预设区域时，将验证后的结果判定为验证通过；
S324、当所述隐藏值不属于所述输出层中的预设区域时，将验证后的结果判定为验证不通过。
详细地，可以按照预设的参数比例对所述对话参数集进行参数划分，得到训练对话集和验证对话集，其中，所述参数比例可以为8：2。所述兴趣度标签是指兴趣度程度的标签，例如，兴趣度程度高级、兴趣度程度中等和兴趣度程度低级。
S4、获取待判别对话，将所述待判别对话输入至所述标准兴趣度识别模型中，得到兴趣度识别结果，将所述兴趣度识别结果推送至所述待判别对话的发送端。
本发明实施例中，所述待判别对话主要是指需要进行兴趣度识别的客户与业务员之间的对话。将所述待判别对话输入至所述标准兴趣度识别模型中，得到所述待判别对话对应的兴趣度识别结果，所述标准兴趣度识别模型是经过训练和验证后生成的模型，进行兴趣度识别的准确度较高。
具体地，获取得到所述标准兴趣度识别模型输出的兴趣度识别结果，并将所述兴趣度识别结果推送至所述待判别对话的发送端，所述发送端可以根据所述待识别对话的兴趣度识别结果进行进一步地分析，从而更好地了解客户的动向。
本发明实施例中，通过识别历史业务对话中的对话话题，并基于对话话题对所述历史业务对话进行对话划分，得到多个不同主题的主题对话，对历史业务对话进行对话划分可以对数据进行初始划分，避免数据冗余。选取多个不同主题的主题对话中的任意一个主题对话作为目标对话，并对目标对话进行对话参数识别，得到对话参数集，所述对话参数识别可以丰富对话参数集的数据数量及数据丰富程度，使得由所述对话参数集训练得到的标准兴趣度识别模型更加精准。将所述待判别对话输入至所述标准兴趣度识别模型中，得到兴趣度识别结果。因此本发明提出的对话兴趣度识别方法可以解决对话兴趣度识别的效率较低的问题。
如图8所示，是本发明一实施例提供的兴趣度识别装置的功能模块图。
本发明所述兴趣度识别装置100可以安装于电子设备中。根据实现的功能，所述兴趣度识别装置100可以包括对话划分模块101、参数识别模块102、网络训练模块103及结果推送模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述对话划分模块101，用于获取历史业务对话，识别所述历史业务对话中的对话话题，并基于所述对话话题对所述历史业务对话进行对话划分，得到多个不同话题的话题对话：
所述参数识别模块102，用于选取多个不同话题的所述话题对话中的任意一个话题对话作为目标对话，并对所述目标对话进行对话参数识别，得到对话参数集；
所述网络训练模块103，用于构建前馈神经网络，根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型；
所述结果推送模块104，用于获取待判别对话，将所述待判别对话输入至所述标准兴趣度识别模型中，得到兴趣度识别结果，将所述兴趣度识别结果推送至所述待判别对话的发送端。
详细地，所述兴趣度识别装置100各模块的具体实施方式如下：
步骤一、获取历史业务对话，识别所述历史业务对话中的对话话题，并基于所述对话话题对所述历史业务对话进行对话划分，得到多个不同话题的话题对话。
本发明实施例中，所述历史业务对话是指业务员和顾客的关于不同产品的讨论对话，可以为针对某个产品展开的咨询和解答，或者是针对某个业务话题的讨论。
例如，在业务场景下所述历史业务对话为，业务员：“中庚价值品质1年混合，明天开放了，您要止盈？落袋为安。”客户：“这一支我没有赎回，我赎回的是其他的。”业务员：“建议落袋为安，不然可能会赎回去。”客户：“好，关于另一支广发还有什么建议吗？”业务员：“这支不太建议近期再入手。”
具体地，所述识别所述历史业务对话中的对话话题，包括：
获取训练话题集，利用所述训练话题集对预设的话题识别模型进行训练，得到训练好的话题识别模型；
对所述训练好的话题识别模型进行模型降维处理，得到降维后的标准话题识别模型；
将所述历史业务对话输入至所述标准话题识别模型中，得到所述历史业务对话中的对话话题。
详细地，所述训练话题集中包含多个不同话题类型的对话，其中，不同的话题类型可以指话题的领域类型，话题的产品类型等。产品类型可以为金融领域中的理财产品，比如中庚价值品质，又或者为广发银行等。所述预设的话题识别模型可以为LDA模型。其中，LDA模型是一种文档话题生成模型，也称为一个三层贝叶斯概率模型，包含词、话题和文档三层结构，也是隐性狄利克雷分配模型，是一种生成式无监督机器学习算法。
进一步地，所述利用所述训练话题集对预设的话题识别模型进行训练，得到训练好的话题识别模型，包括：
对预获取的训练话题集中的训练话题数据进行词频解析，得到词频矩阵；
基于预设的多个话题对所述词频矩阵进行随机编号处理，得到所述词频矩阵对应的话题编号；
将所述话题编号作为所述话题识别模型的输入值，计算得到所述话题识别模型的吉布斯采样值和狄利克雷参数估计值；
将所述吉布斯采样值和所述狄利克雷参数估计值作为所述话题识别模型的模型参数，得到训练好的初始话题识别模型。
详细地，利用所述训练话题集对所述话题识别模型进行训练，可以得到一个训练好的初始话题识别模型，所述初始话题识别模型能够实现精准的话题识别。
具体地，所述词频解析是根据概率统计分词模型进行分词处理，或者是可以通过jieba分词模型进行分词处理，并将分词后的多个分词与预设关键词库进行比对，将与所述预设关键词库进行比对后的关键词构建生成词频矩阵。
进一步地，对所述训练好的话题识别模型进行模型降维处理，得到降维后的标准话题识别模型，其中，所述模型降维处理可以利用PCA算法。
具体地，将所述历史业务对话输入至所述标准话题识别模型中，得到所述历史业务对话中的对话话题，并基于所述对话话题对所述历史业务对话进行对话划分，得到多个不同话题的话题对话。
步骤二、选取多个不同话题的所述话题对话中的任意一个话题对话作为目标对话，并对所述目标对话进行对话参数识别，得到对话参数集。
本发明实施例中，选择多个话题对话中的任意一个话题对话作为目标对话，由于多个话题对话的话题均不相同，而针对不同的话题需要进行不同的话题分析，因此需要选取任意一个话题对话作为目标对话。
具体地，所述对所述目标对话进行对话参数识别，得到对话参数集，包括：
统计所述目标对话中第一对话角色的第一消息数和第二对话角色的第二消息数，将所述第一消息数和所述第二消息数进行求比值处理，得到第一对话参数；
识别所述第一消息数中的总字数，得到第一总字数，识别所述第二消息数中的总字数，得到第二总字数；
将所述第一总字数与所述第二总字数进行求比值处理，得到第二对话参数；
对所述第二对话角色的第二消息数进行求平均值处理，得到第三对话参数；
提取所述第一对话角色和所述第二对话角色之间的时间间隔作为第四对话参数；
将所述第一对话参数、所述第二对话参数、所述第三对话参数及所述第四对话参数进行汇总，得到对话参数集。
详细地，所述目标对话中的第一对话角色为业务员(sales)，所述目标对话中的第二对话角色为客户(customer)，第一对话角色的第一消息数可以为a1，第二对话角色的第二消息数可以为b1，识别第一消息数a1中的总字数为第一总字数a2，识别所述第二消息数b1中的总字数，得到第二总字数b2。将所述第一消息数a1和所述第二消息数b1进行求比值处理，得到第一对话参数c1＝a1/b1,将所述第一总字数a2与所述第二总字数b2进行求比值处理，得到第二对话参数c2＝a2/b2。对所述第二对话角色的第二消息数进行求平均值处理，得到第三对话参数b3，提取所述第一对话角色和所述第二对话角色之间的时间间隔t作为第四对话参数。
步骤三、构建前馈神经网络，根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型。
本发明实施例中，所述前馈神经网络是一种最简单的神经网络，各神经元分层排列，每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，各层间没有反馈。所述前馈神经网络是应用最广泛、发展最迅速的人工神经网络之一。
具体地，所述构建前馈神经网络，包括：
根据预设的初始数据向量的维度确定所述前馈神经网络的输入层的节点数；
依据结构和性能要求确定隐藏层和输出层包含节点的类型；
基于确定好输入层的节点数的所述输入层、确定节点的类型的所述隐藏层和所述输出层构建生成前馈神经网络。
详细地，所述前馈神经网络由输入层、隐藏层和输出层构建所得。
具体地，所述根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型，包括：
将所述对话参数集进行参数划分，得到训练对话集和验证对话集；
将所述训练对话集输入至所述前馈神经网络中，得到兴趣度标签；
将所述兴趣度标签与预设的真实标签进行比对；
当所述兴趣度标签与所述真实标签一致时，利用所述验证对话集对所述前馈神经网络进行验证，当验证通过时，将所述前馈神经网络输出为标准兴趣度识别模型；
当所述兴趣度标签与所述真实标签不一致时，调整所述前馈神经网络的网络参数，并将所述训练对话集输入至调整网络参数后的前馈神经网络中，直至新的兴趣度标签与所述真实标签一致，将调整网络参数后的前馈神经网络输出为标准兴趣度识别模型。
进一步地，所述利用所述验证对话集对所述前馈神经网络进行验证，包括：
利用所述前馈神经网络的输入层对所述验证对话集进行特征转换，得到特征对话集；
将所述特征对话集输入至所述前馈神经网络中的隐藏层中，得到所述特征对话集对应的隐藏值；
利用所述前馈神经网路中的输出层对所述隐藏值进行数值划分，当所述隐藏值属于所述输出层中的预设区域时，将验证后的结果判定为验证通过；
当所述隐藏值不属于所述输出层中的预设区域时，将验证后的结果判定为验证不通过。
详细地，可以按照预设的参数比例对所述对话参数集进行参数划分，得到训练对话集和验证对话集，其中，所述参数比例可以为8：2。所述兴趣度标签是指兴趣度程度的标签，例如，兴趣度程度高级、兴趣度程度中等和兴趣度程度低级。
步骤四、获取待判别对话，将所述待判别对话输入至所述标准兴趣度识别模型中，得到兴趣度识别结果，将所述兴趣度识别结果推送至所述待判别对话的发送端。
本发明实施例中，所述待判别对话主要是指需要进行兴趣度识别的客户与业务员之间的对话。将所述待判别对话输入至所述标准兴趣度识别模型中，得到所述待判别对话对应的兴趣度识别结果，所述标准兴趣度识别模型是经过训练和验证后生成的模型，进行兴趣度识别的准确度较高。
具体地，获取得到所述标准兴趣度识别模型输出的兴趣度识别结果，并将所述兴趣度识别结果推送至所述待判别对话的发送端，所述发送端可以根据所述待识别对话的兴趣度识别结果进行进一步地分析，从而更好地了解客户的动向。
本发明实施例中，通过识别历史业务对话中的对话话题，并基于对话话题对所述历史业务对话进行对话划分，得到多个不同主题的主题对话，对历史业务对话进行对话划分可以对数据进行初始划分，避免数据冗余。选取多个不同主题的主题对话中的任意一个主题对话作为目标对话，并对目标对话进行对话参数识别，得到对话参数集，所述对话参数识别可以丰富对话参数集的数据数量及数据丰富程度，使得由所述对话参数集训练得到的标准兴趣度识别模型更加精准。将所述待判别对话输入至所述标准兴趣度识别模型中，得到兴趣度识别结果。因此本发明提出的对话兴趣度识别装置可以解决对话兴趣度识别的效率较低的问题。
如图9所示，是本发明一实施例提供的实现兴趣度识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如兴趣度识别程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行兴趣度识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、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11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如兴趣度识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图9仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图9示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的兴趣度识别程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取历史业务对话，识别所述历史业务对话中的对话话题，并基于所述对话话题对所述历史业务对话进行对话划分，得到多个不同话题的话题对话：
选取多个不同话题的所述话题对话中的任意一个话题对话作为目标对话，并对所述目标对话进行对话参数识别，得到对话参数集；
构建前馈神经网络，根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型；
获取待判别对话，将所述待判别对话输入至所述标准兴趣度识别模型中，得到兴趣度识别结果，将所述兴趣度识别结果推送至所述待判别对话的发送端。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取历史业务对话，识别所述历史业务对话中的对话话题，并基于所述对话话题对所述历史业务对话进行对话划分，得到多个不同话题的话题对话：
选取多个不同话题的所述话题对话中的任意一个话题对话作为目标对话，并对所述目标对话进行对话参数识别，得到对话参数集；
构建前馈神经网络，根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型；
获取待判别对话，将所述待判别对话输入至所述标准兴趣度识别模型中，得到兴趣度识别结果，将所述兴趣度识别结果推送至所述待判别对话的发送端。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明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。
本发明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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种兴趣度识别方法，其特征在于，所述方法包括：
获取历史业务对话，识别所述历史业务对话中的对话话题，并基于所述对话话题对所述历史业务对话进行对话划分，得到多个不同话题的话题对话：
选取多个不同话题的所述话题对话中的任意一个话题对话作为目标对话，并对所述目标对话进行对话参数识别，得到对话参数集；
构建前馈神经网络，根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型；
获取待判别对话，将所述待判别对话输入至所述标准兴趣度识别模型中，得到兴趣度识别结果，将所述兴趣度识别结果推送至所述待判别对话的发送端。
2.如权利要求1所述的兴趣度识别方法，其特征在于，所述识别所述历史业务对话中的对话话题，包括：
获取训练话题集，利用所述训练话题集对预设的话题识别模型进行训练，得到训练好的话题识别模型；
对所述训练好的话题识别模型进行模型降维处理，得到降维后的标准话题识别模型；
将所述历史业务对话输入至所述标准话题识别模型中，得到所述历史业务对话中的对话话题。
3.如权利要求2所述的兴趣度识别方法，其特征在于，所述利用所述训练话题集对预设的话题识别模型进行训练，得到训练好的话题识别模型，包括：
对预获取的训练话题集中的训练话题数据进行词频解析，得到词频矩阵；
基于预设的多个话题对所述词频矩阵进行随机编号处理，得到所述词频矩阵对应的话题编号；
将所述话题编号作为所述话题识别模型的输入值，计算得到所述话题识别模型的吉布斯采样值和狄利克雷参数估计值；
将所述吉布斯采样值和所述狄利克雷参数估计值作为所述话题识别模型的模型参数，得到训练好的初始话题识别模型。
4.如权利要求1所述的兴趣度识别方法，其特征在于，所述对所述目标对话进行对话参数识别，得到对话参数集，包括：
统计所述目标对话中第一对话角色的第一消息数和第二对话角色的第二消息数，将所述第一消息数和所述第二消息数进行求比值处理，得到第一对话参数；
识别所述第一消息数中的总字数，得到第一总字数，识别所述第二消息数中的总字数，得到第二总字数；
将所述第一总字数与所述第二总字数进行求比值处理，得到第二对话参数；
对所述第二对话角色的第二消息数进行求平均值处理，得到第三对话参数；
提取所述第一对话角色和所述第二对话角色之间的时间间隔作为第四对话参数；
将所述第一对话参数、所述第二对话参数、所述第三对话参数及所述第四对话参数进行汇总，得到对话参数集。
5.如权利要求1所述的兴趣度识别方法，其特征在于，所述构建前馈神经网络，包括：
根据预设的初始数据向量的维度确定所述前馈神经网络的输入层的节点数；
依据结构和性能要求确定隐藏层和输出层包含节点的类型；
基于确定好输入层的节点数的所述输入层、确定节点的类型的所述隐藏层和所述输出层构建生成前馈神经网络。
6.如权利要求5所述的兴趣度识别方法，其特征在于，所述根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型，包括：
将所述对话参数集进行参数划分，得到训练对话集和验证对话集；
将所述训练对话集输入至所述前馈神经网络中，得到兴趣度标签；
将所述兴趣度标签与预设的真实标签进行比对；
当所述兴趣度标签与所述真实标签一致时，利用所述验证对话集对所述前馈神经网络进行验证，当验证通过时，将所述前馈神经网络输出为标准兴趣度识别模型；
当所述兴趣度标签与所述真实标签不一致时，调整所述前馈神经网络的网络参数，并将所述训练对话集输入至调整网络参数后的前馈神经网络中，直至新的兴趣度标签与所述真实标签一致，将调整网络参数后的前馈神经网络输出为标准兴趣度识别模型。
7.如权利要求6所述的兴趣度识别方法，其特征在于，所述利用所述验证对话集对所述前馈神经网络进行验证，包括：
利用所述前馈神经网络的输入层对所述验证对话集进行特征转换，得到特征对话集；
将所述特征对话集输入至所述前馈神经网络中的隐藏层中，得到所述特征对话集对应的隐藏值；
利用所述前馈神经网路中的输出层对所述隐藏值进行数值划分，当所述隐藏值属于所述输出层中的预设区域时，将验证后的结果判定为验证通过；
当所述隐藏值不属于所述输出层中的预设区域时，将验证后的结果判定为验证不通过。
8.一种兴趣度识别装置，其特征在于，所述装置包括：
对话划分模块，用于获取历史业务对话，识别所述历史业务对话中的对话话题，并基于所述对话话题对所述历史业务对话进行对话划分，得到多个不同话题的话题对话：
参数识别模块，用于选取多个不同话题的所述话题对话中的任意一个话题对话作为目标对话，并对所述目标对话进行对话参数识别，得到对话参数集；
网络训练模块，用于构建前馈神经网络，根据所述对话参数集对所述前馈神经网络进行网络训练，得到训练好的标准兴趣度识别模型；
结果推送模块，用于获取待判别对话，将所述待判别对话输入至所述标准兴趣度识别模型中，得到兴趣度识别结果，将所述兴趣度识别结果推送至所述待判别对话的发送端。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的兴趣度识别方法。
10.一种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中任意一项所述的兴趣度识别方法。
CN202210446919.8A 2022-04-26 2022-04-26 兴趣度识别方法、装置、电子设备及计算机可读存储介质 Pending CN114861679A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210446919.8A CN114861679A (zh) 2022-04-26 2022-04-26 兴趣度识别方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210446919.8A CN114861679A (zh) 2022-04-26 2022-04-26 兴趣度识别方法、装置、电子设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114861679A true CN114861679A (zh) 2022-08-05

Family

ID=82633522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210446919.8A Pending CN114861679A (zh) 2022-04-26 2022-04-26 兴趣度识别方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114861679A (zh)

Similar Documents

Publication Publication Date Title
CN113822494B (zh) 风险预测方法、装置、设备及存储介质
CN111861768B (zh) 基于人工智能的业务处理方法、装置、计算机设备及介质
CN110598070A (zh) 应用类型识别方法及装置、服务器及存储介质
CN112988963A (zh) 基于多流程节点的用户意图预测方法、装置、设备及介质
CN115002200A (zh) 基于用户画像的消息推送方法、装置、设备及存储介质
CN114387061A (zh) 产品推送方法、装置、电子设备及可读存储介质
CN115392237B (zh) 情感分析模型训练方法、装置、设备及存储介质
CN113946690A (zh) 潜在客户挖掘方法、装置、电子设备及存储介质
CN115081538A (zh) 基于机器学习的客户关系识别方法、装置、设备及介质
CN113887930A (zh) 问答机器人健康度评估方法、装置、设备及存储介质
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN113592605A (zh) 基于相似产品的产品推荐方法、装置、设备及存储介质
CN112634017A (zh) 远程开卡激活方法、装置、电子设备及计算机存储介质
CN114880449A (zh) 智能问答的答复生成方法、装置、电子设备及存储介质
CN113627160B (zh) 文本纠错方法、装置、电子设备及存储介质
CN114461777A (zh) 智能问答方法、装置、设备及存储介质
CN114037545A (zh) 客户推荐方法、装置、设备及存储介质
CN113591881A (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN114625340B (zh) 基于需求分析的商用软件研发方法、装置、设备及介质
CN115099680A (zh) 风险管理方法、装置、设备及存储介质
CN115357666A (zh) 异常业务行为识别方法、装置、电子设备及存储介质
CN114202337A (zh) 风险识别方法、装置、设备及存储介质
CN114861679A (zh) 兴趣度识别方法、装置、电子设备及计算机可读存储介质
CN115204971A (zh) 产品推荐方法、装置、电子设备及计算机可读存储介质
CN114219544A (zh) 消费倾向分析方法、装置、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