CN115292460A - 一种话题推荐方法、装置、电子设备及存储介质 - Google Patents
一种话题推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115292460A CN115292460A CN202210867892.XA CN202210867892A CN115292460A CN 115292460 A CN115292460 A CN 115292460A CN 202210867892 A CN202210867892 A CN 202210867892A CN 115292460 A CN115292460 A CN 115292460A
- Authority
- CN
- China
- Prior art keywords
- customer
- information
- topic
- target
- demand
- 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
Links
Images
Classifications
-
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F40/295—Named entity recognition
-
- 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
- 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
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Human Computer Interaction (AREA)
- Accounting & Taxation (AREA)
- Acoustics & Sound (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种话题推荐方法、装置、电子设备及存储介质,属于人工智能技术领域。该方法包括:获取目标客户与目标客服之间的通话音频数据;对通话音频数据进行语义识别处理,得到通话语义信息;对通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息;将客户标识信息输入预先训练的需求意图模型,得到客户需求信息,需求意图模型基于知识图谱建立;将客户需求信息输入预先训练的话题推荐模型,得到目标推荐话题;将目标推荐话题发送至目标客服终端。该装置包括:获取模块、语义识别模块、标签化模块、意图模块、话题推荐模块和显示模块。本申请实施例能够快速生成推荐话题,同时有利于提高话题推荐的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种话题推荐方法、装置、电子设备及存储介质。
背景技术
目前,保险客服在与目标客户建立通话的过程中,需要根据经验快速对客户进行画像,通过深入沟通,挖掘客户的潜在保险需求。对于新晋保险客服,无法通过有效沟通快速确定沟通话题。因此,无法准确确定客户的需求,业务推荐不合理,容易造成业务的流失或影响客户的业务办理体验。
发明内容
本申请实施例的主要目的在于提出一种话题推荐方法、装置、电子设备及存储介质,旨在为客服快速提供话题推荐,并提高话题推荐的准确性。
为实现上述目的,本申请实施例的第一方面提出了一种话题推荐方法,所述方法包括:
在成功建立目标客户与目标客服之间的通话连接后,获取所述目标客户与所述目标客服之间的通话音频数据;
对所述通话音频数据进行语义识别处理,得到通话语义信息;
对所述通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息,所述客户标识信息包括风险主题或客户画像中的至少之一,其中,命名实体识别用于识别所述通话语义信息中的风险主题;
将所述客户标识信息输入预先训练的需求意图模型,得到客户需求信息,所述需求意图模型基于知识图谱建立;
将所述客户需求信息输入预先训练的话题推荐模型,得到目标推荐话题,所述话题推荐模型基于生成对抗网络建立;
将所述目标推荐话题发送至与所述目标客服具有对应关系的目标客服终端。
在一些实施例,所述对所述通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息,包括:
对所述通话语义信息进行命名实体识别处理,得到风险主题信息,风险主题信息的关键词包括与业务类型相关的词语;或者,
对所述通话语义信息进行客户标签化处理,与预设客户信息的相关性进行分析,得到客户画像,其中,所述预设客户信息包括职业、资产或者家庭结构中的至少一者。
在一些实施例,所述将所述客户标识信息输入预先训练的需求意图模型,得到客户需求信息,包括:
若所述客户标识信息中只包括客户画像,根据所述客户画像,在知识图谱中关联目标风险主题;
将所述客户画像和所述目标风险主题输入预先训练的需求意图模型,得到客户需求信息。
在一些实施例,所述将所述客户标识信息输入预先训练的需求意图模型之前,所述方法还包括以下步骤:
获取风险主题样本、客户画像样本和客户需求样本;
对所述风险主题样本、所述客户画像样本和所述客户需求样本进行关联性分析,得到相应关联关系;
根据知识图谱基于所述风险主题样本、所述客户画像样本、所述客户需求样本和所述相应关联关系,确定需求意图模型。
在一些实施例,所述话题推荐模型包括生成器和判别器,所述将所述客户需求信息输入预先训练的话题推荐模型之前,所述方法还包括以下步骤:
获取客户需求样本和推荐话题样本;
将所述客户需求样本输入所述生成器中,得到第一推荐话题;
将所述推荐话题样本和所述第一推荐话题输入所述判别器中,输出第一判断信息;
根据所述第一判断信息计算第一损失值;
根据所述第一损失值,更新所述话题推荐模型的参数,得到训练好的话题推荐模型。
在一些实施例,将所述客户标识信息输入预先训练的需求意图模型,得到客户需求信息,包括:
通过所述需求意图模型对所述客户标识信息进行关联性分析,确定若干候选客户需求;
根据所述客户标识信息,确定每个候选客户需求的得分情况;
根据所述得分情况,对所述候选客户需求进行降序排列,将排名第一的候选客户需求确定为客户需求信息。
在一些实施例,所述对所述通话音频数据进行语义识别处理,得到通话语义信息步骤前,包括:
对所述通话音频数据进行自然语言识别处理,得到通话文字信息;
对所述通话文字信息进行语义识别处理,得到通话语义信息。
为实现上述目的,本申请实施例的第二方面提出了一种话题推荐装置,所述装置包括:
获取模块,用于在成功建立目标客户与目标客服之间的通话连接后,获取所述目标客户与所述目标客服之间的通话音频数据;
语义识别模块,用于对所述通话音频数据进行语义识别处理,得到通话语义信息;
标签化模块,用于对所述通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息,所述客户标识信息包括风险主题或客户画像中的至少之一,其中,命名实体识别用于识别所述通话语义信息中的风险主题;
意图模块,用于将所述客户标识信息输入预先训练的需求意图模型,得到客户需求信息,所述需求意图模型基于知识图谱建立;
话题推荐模块,用于将所述客户需求信息输入预先训练的话题推荐模型,得到目标推荐话题,所述话题推荐模型基于生成对抗网络建立;
显示模块,用于将所述目标推荐话题发送至与所述目标客服具有对应关系的目标客服终端。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面所述的方法。
本申请提出的话题推荐方法、装置、电子设备及存储介质,其通过获取目标客户与目标客服之间的通话音频数据,该通话音频数据中通常包括目标客户的潜在风险信息;对通话音频数据进行语义识别处理,得到通话语义信息;对所述通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息,通过对通话音频数据进行处理,得到目标客户的标识信息,便于后续的话题推荐;将所述客户标识信息输入预先训练的需求意图模型,得到客户需求信息,将所述客户需求信息输入预先训练的话题推荐模型,得到目标推荐话题;通过知识图谱和生成对抗网络对上述客户标识信息进行相关处理和预测,得到目标推荐话题,并将该目标推荐话题发送至目标客服的操作终端,方便目标客服参照该目标推荐话题,与目标客户进行深入的沟通,以挖掘目标客户的保险需求。通过上述方法,能够快速给出推荐话题,同时旨在提高话题推荐的准确性。
附图说明
图1是本申请实施例提供的话题推荐方法的流程图;
图2是图1中的步骤S104的一种实施例的流程图;
图3是图1中的步骤S104的另一种实施例的流程图;
图4是本申请实施例提供的话题推荐方法的另一种实施例的流程图;
图5是本申请实施例提供的话题推荐装置的结构示意图;
图6是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、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申请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申请实施例的目的,不是旨在限制本申请。
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做出反应的智能机器,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(natural language processing,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
知识图谱(Knowledge Graph,KG):是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。通过知识抽取技术,可以从一些公开的半结构化、非结构化的数据中提取出实体、关系、属性等知识要素。通过知识融合,可消除实体、关系、属性等指称项与事实对象之间的歧义,形成高质量的知识库。知识推理则是在已有的知识库基础上进一步挖掘隐含的知识,从而丰富、扩展知识库。分布式的知识表示形成的综合向量对知识库的构建、推理、融合以及应用均具有重要的意义。
知识抽取(Knowledge Extraction,KG):主要是面向开放的链接数据,通过自动化的技术抽取出可用的知识单元,知识单元主要包括实体(概念的外延)、关系以及属性3个知识要素,并以此为基础,形成一系列高质量的事实表达,为上层模式层的构建奠定基础。知识抽取有三个主要工作:实体抽取、关系抽取和属性抽取。
生成对抗网络(Generative Adversarial Networks,GAN):包含两个模型,一个是生成模型GG,另一个是判别模型DD。以生成图片为例,生成模型GG用于不断学习训练集中真实数据的概率分布,将输入的随机噪声转化为可以以假乱真的图片(生成的图片与训练集中的图片越相似越好)。判别模型DD用于判断一个图片是否是真实的图片,目标是将生成模型GG产生的“假”图片与训练集中的“真”图片分辨开。GAN的实现方法是让DD和GG进行博弈,训练过程中通过相互竞争让这两个模型同时得到增强。由于判别模型DD的存在,使得GG在没有大量先验知识以及先验分布的前提下也能很好的去学习逼近真实数据,并最终让模型生成的数据达到以假乱真的效果(即DD无法区分GG生成的图片与真实图片,从而GG和DD达到某种纳什均衡。
通常情况下,保险客户的需求通常是隐形的,在客户找到代理人进行咨询时,通常是由于对风险的担忧,但是这类担忧往往并不具象,需要代理人协助分析并挖掘客户的具体意图,进而向客户提供合适的保险产品。
另一方面,有一些客户甚至无法明确自己是否有保险产品的产品,这就需要保险代理人根据经验,对客户画像进行分析,并结合后续的深入沟通,挖掘其潜在的保险需求。
以上两种情况,都需要代理人具备一定的专业素养和业务经验,如果面对较新的客群,代理人往往无法很快地定位客户痛点和诉求,造成方案推荐的不够合理,产生业务的流失或者客户的不满,对于代理人展业过程产生较大打击。
而代理人与客户的沟通过程,往往是具有即时性和强时效性的,如果在即时沟通中,代理人无法充分挖掘并让客户意识到自己的真实需求,就会直接影响后续的合作。目前业内缺乏在代理人即时沟通中,为代理人提供客户需求挖掘提示的工具。
基于此,本申请实施例提供了一种话题推荐方法、装置、电子设备及存储介质,首先,获取目标客户与目标客服之间的通话音频数据,该通话音频数据中通常包括目标客户的潜在风险信息;对通话音频数据进行语义识别处理,得到通话语义信息;对通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息,通过对通话音频数据进行处理,得到目标客户的标识信息,便于后续的话题推荐;将客户标识信息输入预先训练的需求意图模型,得到客户需求信息,将客户需求信息输入预先训练的话题推荐模型,得到目标推荐话题;通过知识图谱和生成对抗网络对上述客户标识信息进行相关处理和预测,得到目标推荐话题,并将该目标推荐话题发送至目标客服的操作终端,方便目标客服参照该目标推荐话题,与目标客户进行深入的沟通,以挖掘目标客户的保险需求。通过上述方法,能够快速给出推荐话题,同时旨在提高话题推荐的准确性。
本申请实施例提供的推荐方法、装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的推荐方法。
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。
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。
本申请实施例提供的话题推荐方法,涉及人工智能技术领域。本申请实施例提供的话题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;软件可以是实现话题推荐方法的应用等,但并不局限于以上形式。
本申请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、可编程的消费电子设备、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。
需要说明的是,在本申请的各个具体实施方式中,当涉及到需要根据用户信息、用户行为数据,用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时,都会先获得用户的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关国家和地区的相关法律法规和标准。此外,当本申请实施例需要获取用户的敏感个人信息时,会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意,在明确获得用户的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
图1是本申请实施例提供的话题推荐方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101,在成功建立目标客户与目标客服之间的通话连接后,获取目标客户与目标客服之间的通话音频数据;
在一些实施例中,目标客服与目标客户进行通话时,实时获取通话音频数据。其中,目标客户可以是任意客户,本申请并不对目标客户的任意特征进行限制。并且,该通话可以是由目标客服发起的,也可以是由目标客户发起的,对于上述两种情况下的目标客户与目标客服之间的通话,在该通话成功建立后,即获取通话音频数据,进行数据的后续分析。当然,在通话建立后,会提示目标客户,为了保证服务质量,该通话将会被录音或录像,以进行后续的对录音或录像得到的通话音频数据处理过程。
步骤S102,对通话音频数据进行语义识别处理,得到通话语义信息;
在一些实施例中,通过语义识别处理将音频数据转化为通话语义信息,便于后续的处理。示例性地,该过程可以是:首先对通话音频数据进行音频转文字处理,得到文字信息;然后对该文字信息进行语义识别处理,得到通话语义信息。
在一些实施例中,可以通过语音识别技术进行语义识别处理。语音识别(Automatic Speech Recognition,ASR)是以语音为研究对象,通过语音信号处理和模式识别让机器自动识别和理解人类口述的语言。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术。语音识别是一门涉及面很广的交叉学科,它与声学、语音学、语言学、信息理论、模式识别理论以及神经生物学等学科都有非常密切的关系。语音识别系统本质上是一种模式识别系统,包括特征提取、模式匹配、参考模式库等三个基本单元。通过将与保险等相关的专业术语加入模型库,提升语音识别的准确度。
步骤S103,对通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息,客户标识信息包括风险主题或客户画像中的至少之一,其中,命名实体识别用于识别通话语义信息中的风险主题;
在一些实施例中,对通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息。其中,命名实体识别处理(Named Entity Recognition,NER)指识别文本中具有特定意义的实体,包括人名、地名、机构名、专有名词等。该技术是信息提取、问答系统、句法分析、机器翻译等应用领域的重要基础工具,在自然语言处理技术走向实用化的过程中占有重要地位。一般来说,命名实体识别的任务就是识别出待处理文本中三大类(实体类、时间类和数字类)、七小类(人名、机构名、地名、时间、日期、货币和百分比)命名实体。本申请中,希望通过命名实体识别处理识别相关主题。示例性地,本系统重点关注风险类的主题关键词,如身故、意外、传承等。因此,本申请中的命名实体识别处理更多的关注风险主题相关的词语。通过命名实体识别处理可以得到通话语义信息中的风险主题,本领域技术人员可以根据需要对风险主题进行设定,以满足不同的保险主题或保险产品。在一些可能的实施方式中,还可以通过HMM、CRF或深度学习进行命名实体识别处理,得到客户的标识信息,并不做过多限制。
在一些实施例中,对通话语义信息进行客户标签化处理,以得到客户画像,便于后续根据客户画像,有针对性的进行产品推荐。具体地,客户画像即通过各种途径收集用户的数据后,从数据中抽象出来的用户标签的集合。客户画像也就是给客户打标签,包括地域、年龄、性别、职业、偏好、来源等,结合客户所有的标签特征,就能勾勒出一个完整的客户画像。当掌握客户画像后,对企业的精准营销大有帮助:能够帮助企业实现精准营销,提供个性化服务和广告投放,深挖出潜在的商业价值;还可以根据标记的用户特征,分析用户属性,从中找出目标用户和潜在用户。统计用户的咨询记录和消费记录,细分客户价值等级,针对高价值用户制定不同的销售方案。示例性地,客户画像通常用NoSQL的格式存储,并不做具体限制。本申请中,重点关注客户的职业、资产、家庭结构等,因此,在构建客户画像时,根据上述标签提取客户画像关键词,最终整合为标准客户画像。
在一些实施例中,由于目标客服的经验不足,没有问及目标客户的相关信息;或目标客户出于个人信息的保密目的,没有告知相关信息。上述情况,容易造成目标客户的信息不足,此时,得到的客户标识信息可能只包括风险主题或客户画像中的一个。示例性地,对于客户标识信息只能包括风险主题或客户画像中的一个的情况,若只包括客户画像,可以通过需求意图模型,首先根据客户画像得到该客户相应的最有可能的风险主题,再根据已有的客户画像和预测的风险主题,进行后续的处理和预测过程,得到推荐话题。
步骤S104,将客户标识信息输入预先训练的需求意图模型,得到客户需求信息,需求意图模型基于知识图谱建立;
在一些实施例中,通过预先训练的需求意图模型,根据客户标识信息,得到客户需求信息。具体地,知识图谱是结构化的语义知识库,用于迅速描述物理世界中的概念及其相互关系。通过对错综复杂的文档的数据进行有效的加工、处理、整合,转化为简单、清晰的“实体,关系,实体”的三元组,最后聚合大量知识,从而实现知识的快速响应和推理本质上,是一种揭示实体之间关系的语义网络。本申请中,预先建立基于知识图谱的需求意图模型,该需求意图模型描述的是风险主题样本、客户画像样本和客户需求样本之间的关系。在进行需求预测的过程中,通过上述方法得到的风险主题和客户画像,输入该需求意图模型后,得到客户需求,进而根据该客户需求,预测相关的推荐话题。
示例性地,基于输出的风险主题和客户画像,在知识图谱建立的需求意图模型中寻找最近距离的需求意图;如一个有千万财富的企业主画像,即时没有识别到对话中的风险主题,也可以通过模型中的知识图谱,关联一个最高概率的风险主题:企业经营的风险,并搜索到最贴合的需求意图:如何将财富稳定安全地传承给子女。
步骤S105,将客户需求信息输入预先训练的话题推荐模型,得到目标推荐话题,话题推荐模型基于生成对抗网络建立;
在一些实施例中,通过预先训练的话题推荐模型,根据客户需求信息,得到目标推荐话题。通过该步骤,将客户需求信息与话题推荐进一步匹配。使用生成对抗网络对需求及意图进行场景化推演,即目标推荐话题通过场景化语言来表征客户需求和意图。示例性地,若客户需求信息为“如何将财富稳定安全地传承给子女”,通过话题推荐模型的处理,生成符合客户画像的场景化故事假设,“万一企业现金流断裂,负债压力过高,家庭资产将被质押清算抵偿,无法继续为子女提供优渥的教育机会和生活水平”。通过该场景化的话题推荐,目标客服能够在后续的沟通过程中,抓住目标客户的具体需求或意图,方便进行产品推荐。
步骤S106,将目标推荐话题发送至与所述目标客服具有对应关系的目标客服终端。
在一些实施例中,将得到的目标推荐话题发送至目标客服终端,以便目标客服及时高效的调整后续通话方向;并通过给出的话题推荐,找到合适的故事假设,使得目标客户快速理解相关保险产品。
本申请实施例所示意的步骤S101至步骤S106,通过知识图谱和生成对抗网络对通话语义信息的处理和预测,得到推荐话题,同时有利于提升话题推荐的准确度。
在一些实施例中,步骤S103可以包括但不限于包括步骤S301至步骤S302:
步骤S301,对通话语义信息进行命名实体识别处理,得到风险主题信息,风险主题信息的关键词包括与业务类型相关的词语;或者,
步骤S302,对通话语义信息进行客户标签化处理,与预设客户信息的相关性进行分析,得到客户画像,其中,预设客户信息包括职业、资产或者家庭结构中的至少一者。
在一些实施例的,风险主题信息的关键词包括与业务类型相关的词语,示例性地,对于保险类的产品或相关业务,关注的关键词包括身故、意外、传承等。对于教育类的产品或相关业务,关注的关键词包括学生、学业、教育储蓄等。对于医疗类的产品或相关业务,关注的关键词包括大病、疾病、医疗保险等。本申请通过不同的业务类型,设置不同的关键词,以提升客户标识信息的准确度。
请参阅图2,在一些实施例中,步骤S104可以包括但不限于包括步骤S401至步骤S402:
步骤S401,若客户标识信息中只包括客户画像,根据客户画像,在知识图谱中关联目标风险主题;
步骤S402,将客户画像和目标风险主题输入预先训练的需求意图模型,得到客户需求信息。
在一些实施例中,若客户标识信息中只包括客户画像,根据客户画像,在知识图谱中关联到相关度最高的目标风险主题;将客户画像和目标风险主题输入预先训练的需求意图模型,得到客户需求信息。同样,若客户标识信息中只包括风险主题,根据风险主题,在知识图谱中关联出相关度最高的目标客户画像;将目标客户画像和风险主题输入预先训练的需求意图模型,得到客户需求信息。通过上述方法,使得在通话内容信息不齐全的情况下,也可以得到用户的需求信息,进而得到沟通的方向或主题。
在一些实施例中,步骤S104前可以包括但不限于包括步骤S501至步骤S503:
步骤S501,获取风险主题样本、客户画像样本和客户需求样本;
步骤S502,对风险主题样本、客户画像样本和客户需求样本进行关联性分析,得到相应关联关系;
步骤S503,根据知识图谱基于风险主题样本、客户画像样本、客户需求样本和相应关联关系,确定需求意图模型。
在一些实施例中,需求意图模型的建立过程为:根据既往大量客服与客户的沟通数据,提取出其中的风险主题、客户画像、需求意图,通过计算不同情况出现的频率,得到三者的关联性,即基于知识图谱构建了该需求意图模型。通过该需求意图模型,输入由上述方法实时识别到风险主题和客户画像,即可匹配最高、次高关联度的需求意图,进而关联到话题推荐。
在一些实施例中,话题推荐模型包括生成器和判别器,步骤S105前可以包括但不限于包括步骤S601至步骤S605:
步骤S601,获取客户需求样本和推荐话题样本;
步骤S602,将客户需求样本输入生成器中,得到第一推荐话题;
步骤S603,将推荐话题样本和第一推荐话题输入判别器中,输出第一判断信息;
步骤S604,根据第一判断信息计算第一损失值;
步骤S605,根据第一损失值,更新话题推荐模型的参数,得到训练好的话题推荐模型。
在一些实施例中,话题推荐模型基于生成对抗网络GAN建立,GAN的主要结构包括一个生成器G(Generator)和一个判别器D(Discriminator)。训练的过程如下:初始化判别器D的参数和生成器G的参数;从真实样本中采样若干样本,从先验分布噪声中采样若干噪声样本,并通过生成器获取若干生成样本;固定生成器G,训练判别器D尽可能好地准确判别真实样本和生成样本,尽可能大地区分正确样本和生成的样本;循环k次更新判别器之后,使用较小的学习率来更新一次生成器的参数,训练生成器使其尽可能能够减小生成样本与真实样本之间的差距,也相当于尽量使得判别器判别错误;多次更新迭代之后,最终理想情况是使得判别器判别不出样本来自于生成器的输出还是真实的输出;亦即最终样本判别概率均为0.5。其中,示例性地,生成器和判别器可以基于任意可以输出话题推荐的模型建立,可以是最简单的全连接神经网络,也可以是反卷积网络等,并不做具体限定。
请参阅图3,在一些实施例中,步骤S104可以包括但不限于包括步骤S701至步骤S703:
步骤S701,通过需求意图模型对客户标识信息进行关联性分析,确定若干候选客户需求;
步骤S702,根据客户标识信息,确定每个候选客户需求的得分情况;
步骤S703,根据得分情况,对候选客户需求进行降序排列,将排名第一的候选客户需求确定为客户需求信息。
在一些实施例中,步骤S102可以包括但不限于包括步骤S801至步骤S802:
步骤S801,对通话音频数据进行自然语言识别处理,得到通话文字信息;
步骤S802,对所述通话文字信息进行语义识别处理,得到通话语义信息。
具体地,对通话音频数据转换成文字信息,对于文字形式,更容易处理以提取目标客户的风险主题。本申请并不限定通话文字信息生成的具体方式。
请参阅图4,本申请实施例提供了一种话题推荐方法、装置、电子设备及存储介质,首先,获取目标客户与目标客服之间的通话音频数据,该通话音频数据中通常包括目标客户的潜在风险信息;对通话音频数据进行语义识别处理,得到通话语义信息;对通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息,通过对通话音频数据进行处理,得到目标客户的标识信息,便于后续的话题推荐;将客户标识信息输入预先训练的需求意图模型,得到客户需求信息,将客户需求信息输入预先训练的话题推荐模型,得到目标推荐话题;通过知识图谱和生成对抗网络对上述客户标识信息进行相关处理和预测,得到目标推荐话题,并将该目标推荐话题发送至目标客服的操作终端,方便目标客服参照该目标推荐话题,与目标客户进行深入的沟通,以挖掘目标客户的保险需求。通过上述方法,能够快速给出推荐话题,同时旨在提高话题推荐的准确性。
请参阅图5,本申请实施例还提供一种话题推荐装置,可以实现上述话题推荐方法,该装置包括:
获取模块501,用于在成功建立目标客户与目标客服之间的通话连接后,获取目标客户与目标客服之间的通话音频数据;
语义识别模块502,用于对通话音频数据进行语义识别处理,得到通话语义信息;
标签化模块503,用于对通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息,客户标识信息包括风险主题或客户画像中的至少之一,其中,命名实体识别用于识别通话语义信息中的风险主题;
意图模块504,用于将客户标识信息输入预先训练的需求意图模型,得到客户需求信息,需求意图模型基于知识图谱建立;
话题推荐模块505,用于将客户需求信息输入预先训练的话题推荐模型,得到目标推荐话题,话题推荐模型基于生成对抗网络建立;
显示模块506,用于将目标推荐话题发送至与所述目标客服具有对应关系的目标客服终端。
该话题推荐装置的具体实施方式与上述话题推荐方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述话题推荐方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图6,图6示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器601,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,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,以实现本申请实施例所提供的技术方案;
存储器602,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器602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602中,并由处理器601来调用执行本申请实施例的话题推荐方法;
输入/输出接口603,用于实现信息输入及输出;
通信接口604,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;
总线605,在设备的各个组件(例如处理器601、存储器602、输入/输出接口603和通信接口604)之间传输信息;
其中处理器601、存储器602、输入/输出接口603和通信接口604通过总线605实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述话题推荐方法。
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。
本申请提出的话题推荐方法、装置、电子设备及存储介质,其通过获取目标客户与目标客服之间的通话音频数据,该通话音频数据中通常包括目标客户的潜在风险信息;对通话音频数据进行语义识别处理,得到通话语义信息;对通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息,通过对通话音频数据进行处理,得到目标客户的标识信息,便于后续的话题推荐;将客户标识信息输入预先训练的需求意图模型,得到客户需求信息,将客户需求信息输入预先训练的话题推荐模型,得到目标推荐话题;通过知识图谱和生成对抗网络对上述客户标识信息进行相关处理和预测,得到目标推荐话题,并将该目标推荐话题发送至目标客服的操作终端,方便目标客服参照该目标推荐话题,与目标客户进行深入的沟通,以挖掘目标客户的保险需求。通过上述方法,能够快速给出推荐话题,同时旨在提高话题推荐的准确性。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请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,本申请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1-6中示出的技术方案并不构成对本申请实施例的限定,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,上述单元的划分,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。
上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。
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的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申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种话题推荐方法,其特征在于,所述方法包括:
在成功建立目标客户与目标客服之间的通话连接后,获取所述目标客户与所述目标客服之间的通话音频数据;
对所述通话音频数据进行语义识别处理,得到通话语义信息;
对所述通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息,所述客户标识信息包括风险主题或客户画像中的至少之一,其中,命名实体识别用于识别所述通话语义信息中的风险主题;
将所述客户标识信息输入预先训练的需求意图模型,得到客户需求信息,所述需求意图模型基于知识图谱建立;
将所述客户需求信息输入预先训练的话题推荐模型,得到目标推荐话题,所述话题推荐模型基于生成对抗网络建立;
将所述目标推荐话题发送至与所述目标客服具有对应关系的目标客服终端。
2.根据权利要求1所述的推荐方法,其特征在于,所述对所述通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息,包括:
对所述通话语义信息进行命名实体识别处理,得到风险主题信息,风险主题信息的关键词包括与业务类型相关的词语;或者,
对所述通话语义信息进行客户标签化处理,与预设客户信息的相关性进行分析,得到客户画像,其中,所述预设客户信息包括职业、资产或者家庭结构中的至少一者。
3.根据权利要求1所述的推荐方法,其特征在于,所述将所述客户标识信息输入预先训练的需求意图模型,得到客户需求信息,包括:
若所述客户标识信息中只包括客户画像,根据所述客户画像,在知识图谱中关联目标风险主题;
将所述客户画像和所述目标风险主题输入预先训练的需求意图模型,得到客户需求信息。
4.根据权利要求1至3中任一项所述的推荐方法,其特征在于,所述将所述客户标识信息输入预先训练的需求意图模型之前,所述方法还包括以下步骤:
获取风险主题样本、客户画像样本和客户需求样本;
对所述风险主题样本、所述客户画像样本和所述客户需求样本进行关联性分析,得到相应关联关系;
根据知识图谱基于所述风险主题样本、所述客户画像样本、所述客户需求样本和所述相应关联关系,确定需求意图模型。
5.根据权利要求1至3中任一项所述的推荐方法,其特征在于,所述话题推荐模型包括生成器和判别器,所述将所述客户需求信息输入预先训练的话题推荐模型之前,所述方法还包括以下步骤:
获取客户需求样本和推荐话题样本;
将所述客户需求样本输入所述生成器中,得到第一推荐话题;
将所述推荐话题样本和所述第一推荐话题输入所述判别器中,输出第一判断信息;
根据所述第一判断信息计算第一损失值;
根据所述第一损失值,更新所述话题推荐模型的参数,得到训练好的话题推荐模型。
6.根据权利要求1所述的推荐方法,其特征在于,将所述客户标识信息输入预先训练的需求意图模型,得到客户需求信息,包括:
通过所述需求意图模型对所述客户标识信息进行关联性分析,确定若干候选客户需求;
根据所述客户标识信息,确定每个候选客户需求的得分情况;
根据所述得分情况,对所述候选客户需求进行降序排列,将排名第一的候选客户需求确定为客户需求信息。
7.根据权利要求1所述的推荐方法,其特征在于,所述对所述通话音频数据进行语义识别处理,得到通话语义信息这一步骤,包括:
对所述通话音频数据进行自然语言识别处理,得到通话文字信息;
对所述通话文字信息进行语义识别处理,得到通话语义信息。
8.一种话题推荐装置,其特征在于,所述装置包括:
获取模块,用于在成功建立目标客户与目标客服之间的通话连接后,获取所述目标客户与所述目标客服之间的通话音频数据;
语义识别模块,用于对所述通话音频数据进行语义识别处理,得到通话语义信息;
标签化模块,用于对所述通话语义信息进行命名实体识别处理或客户标签化处理,得到客户标识信息,所述客户标识信息包括风险主题或客户画像中的至少之一,其中,命名实体识别用于识别所述通话语义信息中的风险主题;
意图模块,用于将所述客户标识信息输入预先训练的需求意图模型,得到客户需求信息,所述需求意图模型基于知识图谱建立;
话题推荐模块,用于将所述客户需求信息输入预先训练的话题推荐模型,得到目标推荐话题,所述话题推荐模型基于生成对抗网络建立;
显示模块,用于将所述目标推荐话题发送至与所述目标客服具有对应关系的目标客服终端。
9.一种电子设备,其特征在于,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如权利要求1至7任一项所述的方法的步骤。
10.一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210867892.XA CN115292460A (zh) | 2022-07-21 | 2022-07-21 | 一种话题推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210867892.XA CN115292460A (zh) | 2022-07-21 | 2022-07-21 | 一种话题推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115292460A true CN115292460A (zh) | 2022-11-04 |
Family
ID=83824977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210867892.XA Pending CN115292460A (zh) | 2022-07-21 | 2022-07-21 | 一种话题推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292460A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618877A (zh) * | 2022-12-20 | 2023-01-17 | 北京仁科互动网络技术有限公司 | 用户画像标签的确定方法、装置和电子设备 |
-
2022
- 2022-07-21 CN CN202210867892.XA patent/CN115292460A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618877A (zh) * | 2022-12-20 | 2023-01-17 | 北京仁科互动网络技术有限公司 | 用户画像标签的确定方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116561538A (zh) | 问答评分方法、问答评分装置、电子设备及存储介质 | |
CN114783421A (zh) | 智能推荐方法和装置、设备、介质 | |
CN114626097A (zh) | 脱敏方法、脱敏装置、电子设备及存储介质 | |
CN114240552A (zh) | 基于深度聚类算法的产品推荐方法、装置、设备及介质 | |
CN114238571A (zh) | 模型的训练方法、知识分类方法、装置、设备、介质 | |
CN116541493A (zh) | 基于意图识别的交互应答方法、装置、设备、存储介质 | |
CN113705191A (zh) | 样本语句的生成方法、装置、设备及存储介质 | |
CN115640394A (zh) | 文本分类方法、文本分类装置、计算机设备及存储介质 | |
CN114722174A (zh) | 提词方法和装置、电子设备及存储介质 | |
CN115292460A (zh) | 一种话题推荐方法、装置、电子设备及存储介质 | |
CN117992594A (zh) | 基于生成式ai的用户陪伴方法、系统、设备及存储介质 | |
CN114186041A (zh) | 一种答案输出方法 | |
CN116701604A (zh) | 问答语料库的构建方法和装置、问答方法、设备及介质 | |
CN116543798A (zh) | 基于多分类器的情感识别方法和装置、电子设备、介质 | |
CN117252259A (zh) | 基于深度学习的自然语言理解方法及ai助教系统 | |
CN111898528A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN116631400A (zh) | 语音转文本方法和装置、计算机设备及存储介质 | |
CN116702743A (zh) | 文本相似度检测方法和装置、电子设备及存储介质 | |
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 | |
CN115204300A (zh) | 文本和表格语义交互的数据处理方法、装置及存储介质 | |
CN115270746A (zh) | 问题样本生成方法和装置、电子设备及存储介质 | |
CN115036022A (zh) | 健康风险评估方法和评估系统、计算机设备、存储介质 | |
CN114898251A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN115033675A (zh) | 会话方法、会话装置、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 |