CN115577172A - 物品推荐方法、装置、设备及介质 - Google Patents
物品推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115577172A CN115577172A CN202211191523.XA CN202211191523A CN115577172A CN 115577172 A CN115577172 A CN 115577172A CN 202211191523 A CN202211191523 A CN 202211191523A CN 115577172 A CN115577172 A CN 115577172A
- Authority
- CN
- China
- Prior art keywords
- user
- intention
- text information
- preset
- risk
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013145 classification model Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 208000003443 Unconsciousness Diseases 0.000 claims abstract description 12
- 230000000977 initiatory effect Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010845 search algorithm Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 37
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术领域,提供了一种物品推荐方法、装置、设备及介质。该方法包括获取用户在第一轮对话中对目标物品输入的第一文本信息;将第一文本信息输入至预设意图分类模型,确定出用户对目标物品的购买意愿为无意愿还是有意愿;当确定购买意愿为有意愿,向用户发起第二轮对话并进行风险测试,接收用户在风险测试中输入的第二文本信息;对第二文本信息执行预处理,得到用户的风险标签,根据预设映射关系表中的风险标签与物品之间的关系,确定用户与目标物品的匹配等级,在匹配等级为购买等级时,推送目标物品至用户。本发明还涉及区块链技术领域,上述风险标签、映射关系表还可以存储于一区块链的节点中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种物品推荐方法、装置、设备及介质。
背景技术
在企业使用的应用APP对用户进行推荐物品时,都是根据企业的业务系统对已有的用户或用户群分类进行设计对话,应用APP的智能客服通常根据用户的文本信息的标签,从对话系统中匹配对应的话术与用户进行多轮对话。
目前,在智能客服与用户的对话中会存在如下问题:若用户的回复内容和业务系统内的用户标签数据相悖时,则业务系统无法判断用户对推荐的物品是否有购买意愿并对用户的风险进行评估,从而导致用户和物品匹配度低,容易造成推荐失败的问题。
发明内容
鉴于以上内容,本发明提供一种物品推荐方法、装置、设备及介质,其目的在于解决现有技术中智能客服对用户推荐物品时,用户和物品匹配度低的技术问题。
为实现上述目的,本发明提供一种物品推荐方法,该方法包括:
获取用户在第一轮对话中对目标物品输入的第一文本信息;
将所述第一文本信息输入至预设意图分类模型,确定出所述用户对所述目标物品的购买意愿为无意愿还是有意愿;
当确定所述购买意愿为有意愿,向所述用户发起第二轮对话并进行风险测试,接收所述用户在所述风险测试中输入的第二文本信息;
对所述第二文本信息执行预处理,得到所述用户的风险标签,根据预设映射关系表中的风险标签与物品之间的关系,确定所述用户与所述目标物品的匹配等级,在所述匹配等级为购买等级时,推送所述目标物品至所述用户。
优选的,在所述获取用户在第一轮对话中对目标物品输入的第一文本信息之前,该方法还包括:
获取用户的属性信息,根据所述属性信息将所述用户划入相应购买意愿等级的用户群,所述购买意愿等级包括:高、低意愿等级,所述属性信息包括:年龄、职业、收入、理财物品历史购买数据。
优选的,所述将所述第一文本信息输入至预设意图分类模型,确定出所述用户对所述目标物品的购买意愿,包括:
通过所述预设意图分类模型的实体层,确定所述第一文本信息的对话类型;
在所述预设意图分类模型的意图层查找出所述对话类型对应的意图节点,根据所述意图节点确定所述用户对所述目标物品的购买意愿。
优选的,所述通过所述预设意图分类模型的实体层,确定所述第一文本信息的对话类型,包括:
对所述第一文本信息执行分词处理,得到多个关键词;
根据各个所述关键词生成第一词语序列,确定所述第一词语序列属于各对话类型的概率值;
将最高概率值的对话类型作为所述第一文本信息的对话类型。
优选的,所述在所述预设意图分类模型的意图层查找出所述对话类型对应的意图节点,包括:
根据对话类型和根据预设的搜索算法,遍历所述意图层的树形结构的每个节点,得到所述对话类型对应的意图节点。
优选的,在所述当确定所述购买意愿为有意愿之后,该方法包括:
当确定所述购买意愿为无意愿,向所述用户发送第一预设话术;
接收所述用户根据所述第一预设话术输入的第三文本信息,将所述第三文本信息输入至预设意图分类模型;
当再次确定出所述用户对所述目标物品的购买意愿为无意愿时,结束与所述用户的对话。
优选的,所述对所述第二文本信息执行预处理,得到所述用户的风险标签,包括:
对所述第二文本信息进行文本预处理得到多个关键词,根据各个所述关键词生成第二词语序列;
对所述用户的属性信息和所述第二词语序列打分,确定出所述用户的风险标签。
为实现上述目的,本发明还提供一种推荐物品提取装置,所述装置包括:
获取模块:用于获取用户在第一轮对话中对目标物品输入的第一文本信息;
确定模块:用于将所述第一文本信息输入至预设意图分类模型,确定出所述用户对所述目标物品的购买意愿为无意愿还是有意愿;
测试模块:用于当确定所述购买意愿为有意愿,向所述用户发起第二轮对话并进行风险测试,接收所述用户在所述风险测试中输入的第二文本信息;
推送模块:用于对所述第二文本信息执行预处理,得到所述用户的风险标签,根据预设映射关系表中的风险标签与物品之间的关系,确定所述用户与所述目标物品的匹配等级,在所述匹配等级为购买等级时,推送所述目标物品至所述用户。
为实现上述目的,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程序,所述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中任一项所述物品推荐方法。
为实现上述目的,本发明还提供一种计算机可读介质,所述计算机可读介质存储有推荐物品,所述推荐物品被处理器执行时,实现如权利要求1至7中任一项所述物品推荐方法的步骤。
本发明在第一轮对话中,将用户对目标物品输入的第一文本信息输入至预设意图分类模型,利用预设意图分类模型自动迭代搜索到用户的购买意愿,从而判断是否还需要对用户进一步推荐,提高了判断用户的购买意愿的准确率和对话的成功率,节省了对话时间。
当确定出用户的购买意愿为有意愿时,向用户发起第二轮对话及进行风险测试,能够准确得出用户的风险标签,根据预设映射关系表中的风险标签与物品之间的关系,判断用户是否适合购买目标物品,若确定用户与目标物品的匹配等级为购买等级,推送目标物品至用户,有效提高了用户和物品匹配度。
附图说明
图1为本发明物品推荐方法较佳实施例的流程图示意图;
图2为本发明推荐物品提取装置较佳实施例的模块示意图;
图3为本发明电子设备较佳实施例的示意图;
本发明目的实现、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
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,对本发明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发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
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(ArtificialIntelligence,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。
本发明提供一种物品推荐方法。参照图1所示,为本发明物品推荐方法的实施例的方法流程示意图。该方法可以由一个电子设备执行,该电子设备可以由软件和/或硬件实现。物品推荐方法包括以下步骤S10-S40:
步骤S10:获取用户在第一轮对话中对目标物品输入的第一文本信息。
本实施例,目标物品是指金融类产品,该目标物品包括但不限于理财物品或保险物品。企业根据每个目标物品的风险等级,预先对目标物品评定的风险标识,目标物品的风险标识分为低风险标识、中高风险标识。为了方便说明,本发明所有的举例均以中高风险标识的目标物品来举例。
企业是指金融机构(例如银行或保险公司),用户是指在企业的业务系统进行注册账号并提供过个人信息的用户。
第一轮对话是指用户通过企业的应用APP与智能客服(机器人)进行的对话,在对话中包括一个以上的答问主题。例如,当用户A登录企业的应用APP,智能客服根据企业的业务系统记录有用户A的个人信息,得到用户A是张三;发送开场白话术(例如,你好!张先生)与用户A进行对话,在接收到用户A的回复内容(例如,你好!)后,发送物品的介绍说明或活动海报给用户A并进行解说,在接收到用户A对目标物品的回复内容后,才算完成第一轮对话。
在一个实施例中,在所述获取用户在第一轮对话中对目标物品输入的第一文本信息之前,该方法还包括:
获取用户的属性信息,根据所述属性信息将所述用户划入相应购买意愿等级的用户群,所述购买意愿等级包括:高、低意愿等级,所述属性信息包括:年龄、职业、收入、理财物品历史购买数据。
在发送目标物品之前,企业的业务系统对所有用户进行分类,根据用户的属性信息将各用户划分划入相应购买意愿等级的用户群;理财物品历史购买数据是指在预设时间段内(例如3年内)的交易类型、交易次数、交易金额、交易品种。
将用户划分为高购买意愿等级、低购买意愿等级用户群,可以实现不同风险标识的物品精准推荐给不同的用户群,提高推荐物品的准确率。
步骤S20:将所述第一文本信息输入至预设意图分类模型,确定出所述用户对所述目标物品的购买意愿为无意愿还是有意愿。
具体步骤S20,还包括:
通过所述预设意图分类模型的实体层的信息提取,确定所述第一文本信息的对话类型;
在所述预设意图分类模型的意图层查找出所述对话类型对应的意图节点,根据所述意图节点确定所述用户对所述目标物品的购买意愿。
本实施例,预设意图分类模型包括依次排序的服务层、实体层、意图层;实体层是基于文本信息和对话类型预先建立的模型,用来确定文本信息对应的对话类型,将每个对话类型作为实体层的网络节点,实体层的网络节点包含实体节点、关键词节点和属性节点,组成实体属性三元组结构。对话类型包括意愿、闲聊、咨询类型;意愿类型是指用户带有明确的意愿来对话,例如,要购买的或不会购买;闲聊类型是指用户找客服聊天打发时间;咨询类型是指用户带有待解决的问题来咨询客服。
意图层为树形结构,在树形结构中的上层节点为抽象意图节点,底层节点为意图节点,关系为从上到下的包含关系,抽象意图节点可以包含多个意图节点。意图节点包括有意愿节点、无意愿节点。
服务层为应用APP的接收层,服务层包括对话采集节点、业务数据接口调用节点、业务处理节点,每个节点单一完成一个具体的功能。
服务层、实体层、意图层之间各节点之间互联互通,节点之间标注有执行顺序,形成有向图的结构,且节点与节点之间的路径上配置有路径标识,用于根据路径标识以及执行顺序,确定执行路径。
例如,对话采集节点用于采集用户输入的文本信息,通过业务数据接口调用节点,将文本信息传输至实体层进行处理,将处理得到的对话类型传输至意图层查找出对话类型对应的意图节点。
在对用户推荐物品之前,要提前建立层次化的意图分类模型,意图分类模型和知识图谱的功能相同,不仅有利于沉淀业务知识,还便于进行直观动态调整与用户的对话,准确得到用户的真实意愿。
在一个实施例中,所述通过所述预设意图分类模型的实体层的信息提取,确定所述第一文本信息的对话类型,包括:
对所述第一文本信息执行分词处理,得到多个关键词;
根据各个所述关键词生成第一词语序列,确定所述第一词语序列属于各对话类型的概率值;
将最高概率值的对话类型作为所述第一文本信息的对话类型。
利用实体层内置的fastText程序将第一文本信息生成第一词语序列,并输出这个词序列属于不同类别的概率,可以有效提取第一文本信息中的核心内容,避免第一文本信息中的信息噪音和不相关信息的影响,提高识别对话类型的精度。
在一个实施例中,所述确定所述第一词语序列属于各对话类型的概率值,包括:
根据所述第一词语序列生成多个词向量,确定各个词向量的隐藏向量;
确定任一词向量与其对应隐藏向量的相似度,将确定得到的相似度作为权重,确定多个词向量的加权平均值;
根据加权平均值生成预定维度特征向量,确定预定维度特征向量属于各对话类型的概率值。
将第一词语序列生成多个词向量,利用fastText程序的神经网络计算每个词向量的隐藏向量,通过神经网络的多层前馈神经元计算隐藏向量,可以减少了计算量,提高计算速度。
通过将确定得到的相似度作为权重,计算多个词向量的加权平均值,即将词向量的特征向量进行加权平均计算,以使加权平均计算后的词向量中的特征更具有代表性和真实性。
其中,在fastText程序的全连接层,根据加权平均值生成预定维度的特征向量,即从加权平均值中提取出最具有特点的词向量,该预定维度特征向量中可包含词向量中所有的特征信息,提高词向量的特征提取精度。
在一个实施例中,所述在所述预设意图分类模型的意图层查找出所述对话类型对应的意图节点,包括:
根据对话类型和根据预设的搜索算法,遍历所述意图层的树形结构的每个节点,得到所述对话类型对应的意图节点。
预设的搜索算法可以是指广度优先算法,广度优先算法是一种图形搜索演算法。简单的说,BFS是从根节点开始,沿着树的宽度遍历树的节点,如果发现目标,则演算终止。
根据对话类型,先遍历意图层的上层节点(抽象意图节点),从而确定出对话类型对应为哪种场景的抽象意图节点,再根据抽象意图节点从上到下的包含关系查找到对话类型对应的意图节点。
在一个实施例中,所述遍历所述意图层的树形结构的每个节点,得到所述对话类型对应的意图节点,包括:
将所述意图层的抽象节点作为树形结构的根节点,从所述树形结构的根节点与各节点和连接边构成的搜索路径;
根据搜索路径中各节点的节点嵌入向量和连接边的边嵌入向量,确定搜索路径对应的路径嵌入向量;
根据所述搜索路径对应的路径嵌入向量、所述当前节点对应的节点嵌入向量,确定所述对话类型对应的意图节点。
在一个实施例中,所述根据搜索路径中各节点的节点嵌入向量和连接边的边嵌入向量,确定搜索路径对应的路径嵌入向量,包括:
将所述搜索路径中的连接边和所述连接边指向的节点作为路径元素;
根据所述搜索路径中各路径元素的顺序,依次确定各路径元素对应的输出向量;
根据上一个路径元素对应的输出向量和当前路径元素的嵌入向量,确定当前路径元素对应的输出向量;
将最后一个路径元素对应的输出向量,确定为所述搜索路径对应的路径嵌入向量。
例如,根节点为er,当前节点为et,从根节点出发的搜索路径依次经过连接边r1、节点e1……,连接边rt,再到当前节点,该搜索路径可以表示为(er,r1,e1…,rt,et),可以利用长短期记忆(long short-term memory,LSTM)网络编码为对应的路径嵌入向量ht。
通过预设意图分类模型,从根节点开始自动迭代搜索下一节点,直至搜索到用户的意图节点,将意图节点对应的要素或标准问句通过服务层返回给用户,再根据用户的进一步回复,得到用户确认回答或否认回答。能够快速稳定地识别用户真实意图效果,提高对话的成功率,节省了对话时间。
步骤S30:当确定所述购买意愿为有意愿,向所述用户发起第二轮对话并进行风险测试,接收所述用户在所述风险测试中输入的第二文本信息。
本实施例,若得到用户的购买意图为有意愿意图时,向用户发起第二轮对话,及向用户发送风险测试,风险测试可以是指测试表格、测试链接,通过风险测试获取用户输入的第二文本信息(例如,通过风险测试提供的问答题或选择题收集到用户的历史金融行为、金融知识、金融防控意识)。
在一个实施例中,在所述当确定所述购买意愿为有意愿之后,该方法包括:
当确定所述购买意愿为无意愿,向所述用户发送第一预设话术;
接收所述用户根据所述第一预设话术输入的第三文本信息,将所述第三文本信息输入至预设意图分类模型;
当再次确定出所述用户对所述目标物品的购买意愿为无意愿时,结束与所述用户的对话。
第一预设话术是指根据用户对目标物品没有购买意愿时,预设在业务系统的挽留话术(例如,你好!这款物品真很好,请再考虑下吧)。若第一文本信息的对话类型输入至预设意图分类模型后,得到第一文本信息对应的意图节点为无意愿节点,则说明用户对目标物品没有购买意愿,智能客服发送挽留话术给用户,通常在挽留话术后,根据第三文本信息再次确定用户的意图,通常这时候用户的意图包括拒绝、考虑、同意这三种,若是拒绝意图,则结束对话;若是考虑意图,则结束对话并生成后续跟进日记,后续跟进日记是指用户下次登录企业的应用APP时,及时跟进未完成的目标物品;若是改变发意图,表示有购买意愿,则执行步骤S30。
步骤S40:对所述第二文本信息执行预处理,得到所述用户的风险标签,根据预设映射关系表中的风险标签与物品之间的关系,确定所述用户与所述目标物品的匹配等级,在所述匹配等级为购买等级时,推送所述目标物品至所述用户。
本实施例,用户的风险标签分为低风险标签、高风险标签。物品的风险标识分为低风险标识、中高风险标识,例如,物品的风险标识是指企业根据每个目标物品的风险等级评定的风险标识,根据物品的收益率、时间周期、损失本金风险率等对物品评定对应的标识。
匹配等级分为购买等级,不可购买等级。匹配等级是根据用户的风险标签与物品的风险标识对应设定的规则,例如,设定低风险标签的用户是不可购买中高风险标识的物品,低风险标签的用户只可以购买低风险标识物品;及设定高风险标签的用户是可以购买低、中高风险标识的物品。
低风险标签的用户属于不可购买等级,说明用户不具有承受高风险物品的能力,在此时,向低风险标签的用户发送第二预设话术(例如,抱歉!这款是高风险物品,你的风险等级不能购买此类物品),在发送第二预设话术后,根据用户的意愿结束对话或推荐一些与该用户相符的低风险标识物品。
高风险标签的用户属于购买等级,若用户为高风险标签,物品为中高风险标识或低风险标识,则该用户属于购买等级,推送目标物品至该用户并生成目标物品的待支付订单,发送至用户完成订单支付,有效提高了用户和物品匹配度。
映射关系表中还包括有人工客服,即,由风险标签、人工客服、物品之间关系建立得到映射关系表。用户在接收到目标物品的待支付订单时,若需要找人工用户来辅助完成订单或解答疑问,则输入人工客服的内容即可通过映射关系表的对应等级的人工客服来跟进订单的状态。人工客服等级是指企业根据客服系统对每个人工客服的工作表现、工作能力、工作经验、处理事件类型等信息,而评定的等级。人工客服等级分为低、中、高等级。
例如,若是中高风险标识的物品,则与高等级的人工客服、高风险用户标签进行关联;若是低风险标识的物品,则与低等级的人工客服、低风险用户标签进行关联,在建立完映射关系表后并存储至业务系统。
或订单在预设的时间段内(例如,2小时内)未完成支付,则业务系统通过映射关系表的对应等级的人工客服来跟进该订单的状态。
在一个实施例中,所述对所述第二文本信息执行预处理,得到所述用户的风险标签,包括:
对所述第二文本信息进行文本预处理得到多个关键词,根据各个所述关键词生成第二词语序列;
对所述用户的属性信息和所述第二词语序列打分,确定出所述用户的风险标签。
文本预处理是指对第二文本信息提取单词的词干,在保持单词本意的情况,减少了词向量的冗余,删除特殊字符以及不符合要求的停用词。提取符合预设条件的关键词生成第二词语序列,根据预设的风险评估模型,对用户的属性信息和第二词语序列进行打分和风险评估,从而确定出用户的风险标签。预设的风险评估模型是指利用智能学习算法,构建出风险评估模型,并采集大量的样本集对风险评估模型进行训练后的风险评估模型。
在一个实施例中,在确定所述用户与所述目标物品的匹配等级,在所述匹配等级为购买等级时,推送所述目标物品至所述用户之后,该方法还包括:
根据预设的映射关系表和所述目标物品的已支付订单,从对应等级的人工客服中选取闲置状态的人工客服,为所述用户跟进所述已支付订单的售后。
在用户支付完成订单后,根据映射关系表,从对应等级的人工客服中选择一个闲置状态(即当前没有在处理在线任务)的人工客服为用户服务,提高了物品推荐的售后服务效率。
在本发明的其它实施例中,也可以向低意愿等级用户群内用户推荐中高风险标识的物品,只要在步骤S10的第一轮对话后,确定出低意愿用户群内用户购买中高风险标识的物品意愿后,则对该用户执行步骤S20-S40。
参照图2所示,为本发明推荐物品提取装置100的功能模块示意图。
本发明所述推荐物品提取装置100可以安装于电子设备中。根据实现的功能,所述推荐物品提取装置100可以包括获取模块110、获取模块20、测试模块130及推送模块140。本发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。
本实施例,关于各模块/单元的功能如下:
获取模块110:用于获取用户在第一轮对话中对目标物品输入的第一文本信息;
确定模块120:用于将所述第一文本信息输入至预设意图分类模型,确定出所述用户对所述目标物品的购买意愿为无意愿还是有意愿;
测试模块130:用于当确定所述购买意愿为有意愿,向所述用户发起第二轮对话并进行风险测试,接收所述用户在所述风险测试中输入的第二文本信息;
推送模块140:用于对所述第二文本信息执行预处理,得到所述用户的风险标签,根据预设映射关系表中的风险标签与物品之间的关系,确定所述用户与所述目标物品的匹配等级,在所述匹配等级为购买等级时,推送所述目标物品至所述用户。
在一个实施例中,在所述获取用户在第一轮对话中对目标物品输入的第一文本信息之前,该方法还包括:
获取用户的属性信息,根据所述属性信息将所述用户划入相应购买意愿等级的用户群,所述购买意愿等级包括:高、低意愿等级,所述属性信息包括:年龄、职业、收入、理财物品历史购买数据。
在一个实施例中,所述将所述第一文本信息输入至预设意图分类模型,确定出所述用户对所述目标物品的购买意愿,包括:
通过所述预设意图分类模型的实体层,确定所述第一文本信息的对话类型;
在所述预设意图分类模型的意图层查找出所述对话类型对应的意图节点,根据所述意图节点确定所述用户对所述目标物品的购买意愿。
在一个实施例中,所述通过所述预设意图分类模型的实体层,确定所述第一文本信息的对话类型,包括:
对所述第一文本信息执行分词处理,得到多个关键词;
根据各个所述关键词生成第一词语序列,确定所述第一词语序列属于各对话类型的概率值;
将最高概率值的对话类型作为所述第一文本信息的对话类型。
在一个实施例中,所述在所述预设意图分类模型的意图层查找出所述对话类型对应的意图节点,包括:
根据对话类型和根据预设的搜索算法,遍历所述意图层的树形结构的每个节点,得到所述对话类型对应的意图节点。
在一个实施例中,在所述当确定所述购买意愿为有意愿之后,该方法包括:
当确定所述购买意愿为无意愿,向所述用户发送第一预设话术;
接收所述用户根据所述第一预设话术输入的第三文本信息,将所述第三文本信息输入至预设意图分类模型;
当再次确定出所述用户对所述目标物品的购买意愿为无意愿时,结束与所述用户的对话。
在一个实施例中,所述对所述第二文本信息执行预处理,得到所述用户的风险标签,包括:
对所述第二文本信息进行文本预处理得到多个关键词,根据各个所述关键词生成第二词语序列;
对所述用户的属性信息和所述第二词语序列打分,确定出所述用户的风险标签。
参照图3所示,为本发明电子设备1较佳实施例的示意图。
该电子设备1包括但不限于:存储器11、处理器12、显示器13及网络接口14。所述电子设备1通过网络接口14连接网络,获取原始数据。其中,所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(GlobalSystemofMobilecommunication,GSM)、宽带码分多址(WidebandCodeDivisionMultipleAccess,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
其中,存储器11至少包括一种类型的可读介质,所述可读介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器11可以是所述电子设备1的内部存储单元,例如该电子设备1的硬盘或内存。在另一些实施例中,所述存储器11也可以是所述电子设备1的外部存储设备,例如该电子设备1配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器11还可以既包括所述电子设备1的内部存储单元也包括其外部存储设备。本实施例中,存储器11通常用于存储安装于所述电子设备1的操作系统和各类应用软件,例如推荐物品提取10的程序代码等。此外,存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(CentralProcessingUnit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作,例如执行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据,例如运行推荐物品提取10的程序代码等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(OrganicLight-EmittingDiode,OLED)触摸器等。显示器13用于显示在电子设备1中处理的信息以及用于显示可视化的工作界面,例如显示数据统计的结果。
网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口),该网络接口14通常用于在所述电子设备1与其它电子设备之间建立通信连接。
图3仅示出了具有组件11-14以及推荐物品提取10的电子设备1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
可选地,所述电子设备1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、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有机发光二极管(OrganicLight-EmittingDiode,OLED)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1中处理的信息以及用于显示可视化的用户界面。
该电子设备1还可以包括射频(RadioFrequency,RF)电路、传感器和音频电路等等,在此不再赘述。
在上述实施例中,处理器12执行存储器11中存储的推荐物品提取10时可以实现如下步骤:
获取用户在第一轮对话中对目标物品输入的第一文本信息;
将所述第一文本信息输入至预设意图分类模型,确定出所述用户对所述目标物品的购买意愿为无意愿还是有意愿;
当确定所述购买意愿为有意愿,向所述用户发起第二轮对话并进行风险测试,接收所述用户在所述风险测试中输入的第二文本信息;
对所述第二文本信息执行预处理,得到所述用户的风险标签,根据预设映射关系表中的风险标签与物品之间的关系,确定所述用户与所述目标物品的匹配等级,在所述匹配等级为购买等级时,推送所述目标物品至所述用户。
关于上述步骤的详细介绍,请参照上述图2关于推荐物品提取装置100实施例的功能模块图以及图1关于物品推荐方法实施例的流程图的说明。
此外,本发明实施例还提出一种计算机可读介质,所述计算机可读介质可以是非易失性的,也可以是易失性的。该计算机可读介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读介质中包括存储数据区和存储程序区,存储数据区存储根据区块链节点的使用所创建的数据,存储程序区存储有推荐物品10,所述推荐物品提取10被处理器执行时实现如下操作:
获取用户在第一轮对话中对目标物品输入的第一文本信息;
将所述第一文本信息输入至预设意图分类模型,确定出所述用户对所述目标物品的购买意愿为无意愿还是有意愿;
当确定所述购买意愿为有意愿,向所述用户发起第二轮对话并进行风险测试,接收所述用户在所述风险测试中输入的第二文本信息;
对所述第二文本信息执行预处理,得到所述用户的风险标签,根据预设映射关系表中的风险标签与物品之间的关系,确定所述用户与所述目标物品的匹配等级,在所述匹配等级为购买等级时,推送所述目标物品至所述用户。
本发明之计算机可读介质的具体实施方式与上述物品推荐方法的具体实施方式大致相同,在此不再赘述。
在另一个实施例中,本发明所提供的物品推荐方法,为进一步保证上述所有出现的数据的私密和安全性,上述所有数据还可以存储于一区块链的节点中。例如风险标签、映射关系表,这些数据均可存储在区块链节点中。
需要说明的是,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、平台物品服务层以及应用服务层等。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且该方法还包括没有明确列出的其他要素,或者是该方法还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件物品的形式体现出来,该计算机软件物品存储在如上所述的一个介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,电子装置,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种物品推荐方法,其特征在于,所述方法包括:
获取用户在第一轮对话中对目标物品输入的第一文本信息;
将所述第一文本信息输入至预设意图分类模型,确定出所述用户对所述目标物品的购买意愿为无意愿还是有意愿;
当确定所述购买意愿为有意愿,向所述用户发起第二轮对话并进行风险测试,接收所述用户在所述风险测试中输入的第二文本信息;
对所述第二文本信息执行预处理,得到所述用户的风险标签,根据预设映射关系表中的风险标签与物品之间的关系,确定所述用户与所述目标物品的匹配等级,在所述匹配等级为购买等级时,推送所述目标物品至所述用户。
2.如权利要求1所述的物品推荐方法,其特征在于,在所述获取用户在第一轮对话中对目标物品输入的第一文本信息之前,该方法还包括:
获取用户的属性信息,根据所述属性信息将所述用户划入相应购买意愿等级的用户群,所述购买意愿等级包括:高、低意愿等级,所述属性信息包括:年龄、职业、收入、理财物品历史购买数据。
3.如权利要求1所述的物品推荐方法,其特征在于,所述将所述第一文本信息输入至预设意图分类模型,确定出所述用户对所述目标物品的购买意愿,包括:
通过所述预设意图分类模型的实体层,确定所述第一文本信息的对话类型;
在所述预设意图分类模型的意图层查找出所述对话类型对应的意图节点,根据所述意图节点确定所述用户对所述目标物品的购买意愿。
4.如权利要求3所述的物品推荐方法,其特征在于,所述通过所述预设意图分类模型的实体层,确定所述第一文本信息的对话类型,包括:
对所述第一文本信息执行分词处理,得到多个关键词;
根据各个所述关键词生成第一词语序列,确定所述第一词语序列属于各对话类型的概率值;
将最高概率值的对话类型作为所述第一文本信息的对话类型。
5.如权利要求3所述的物品推荐方法,其特征在于,所述在所述预设意图分类模型的意图层查找出所述对话类型对应的意图节点,包括:
根据对话类型和根据预设的搜索算法,遍历所述意图层的树形结构的每个节点,得到所述对话类型对应的意图节点。
6.如权利要求1所述的物品推荐方法,其特征在于,在所述当确定所述购买意愿为有意愿之后,该方法包括:
当确定所述购买意愿为无意愿,向所述用户发送第一预设话术;
接收所述用户根据所述第一预设话术输入的第三文本信息,将所述第三文本信息输入至预设意图分类模型;
当再次确定出所述用户对所述目标物品的购买意愿为无意愿时,结束与所述用户的对话。
7.如权利要求1所述的物品推荐方法,其特征在于,所述对所述第二文本信息执行预处理,得到所述用户的风险标签,包括:
对所述第二文本信息进行文本预处理得到多个关键词,根据各个所述关键词生成第二词语序列;
对所述用户的属性信息和所述第二词语序列打分,确定出所述用户的风险标签。
8.一种推荐物品提取装置,其特征在于,所述装置包括:
获取模块:用于获取用户在第一轮对话中对目标物品输入的第一文本信息;
确定模块:用于将所述第一文本信息输入至预设意图分类模型,确定出所述用户对所述目标物品的购买意愿为无意愿还是有意愿;
测试模块:用于当确定所述购买意愿为有意愿,向所述用户发起第二轮对话并进行风险测试,接收所述用户在所述风险测试中输入的第二文本信息;
推送模块:用于对所述第二文本信息执行预处理,得到所述用户的风险标签,根据预设映射关系表中的风险标签与物品之间的关系,确定所述用户与所述目标物品的匹配等级,在所述匹配等级为购买等级时,推送所述目标物品至所述用户。
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程序,所述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中任一项所述物品推荐方法。
10.一种计算机可读介质,其特征在于,所述计算机可读介质存储有推荐物品,所述推荐物品被处理器执行时,实现如权利要求1至7中任一项所述物品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211191523.XA CN115577172A (zh) | 2022-09-28 | 2022-09-28 | 物品推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211191523.XA CN115577172A (zh) | 2022-09-28 | 2022-09-28 | 物品推荐方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115577172A true CN115577172A (zh) | 2023-01-06 |
Family
ID=84583121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211191523.XA Pending CN115577172A (zh) | 2022-09-28 | 2022-09-28 | 物品推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577172A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520526A (zh) * | 2024-01-05 | 2024-02-06 | 深圳市中科云科技开发有限公司 | 一种人工智能的对话方法及系统 |
CN117874733A (zh) * | 2024-03-12 | 2024-04-12 | 北京营加品牌管理有限公司 | 一种交易执行方法以及系统 |
-
2022
- 2022-09-28 CN CN202211191523.XA patent/CN115577172A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520526A (zh) * | 2024-01-05 | 2024-02-06 | 深圳市中科云科技开发有限公司 | 一种人工智能的对话方法及系统 |
CN117520526B (zh) * | 2024-01-05 | 2024-04-02 | 深圳市中科云科技开发有限公司 | 一种人工智能的对话方法及系统 |
CN117874733A (zh) * | 2024-03-12 | 2024-04-12 | 北京营加品牌管理有限公司 | 一种交易执行方法以及系统 |
CN117874733B (zh) * | 2024-03-12 | 2024-05-24 | 北京营加品牌管理有限公司 | 一种交易执行方法以及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN108885623B (zh) | 基于知识图谱的语意分析系统及方法 | |
US20230124401A1 (en) | Hyper-graph learner for natural language comprehension | |
CN111767716B (zh) | 企业多级行业信息的确定方法、装置及计算机设备 | |
CN105787025B (zh) | 网络平台公共账号分类方法及装置 | |
CN109711955B (zh) | 基于当前订单的差评预警方法、系统、黑名单库建立方法 | |
CN115577172A (zh) | 物品推荐方法、装置、设备及介质 | |
CN111105209A (zh) | 适用于人岗匹配推荐系统的职位简历匹配方法及装置 | |
CN117114514B (zh) | 一种基于大数据的人才信息分析管理方法、系统及装置 | |
US10706371B2 (en) | Data processing techniques | |
CN110472057B (zh) | 话题标签的生成方法及装置 | |
CN116070019A (zh) | 一种基于大数据的智能招商推荐方法、系统和可读存储介质 | |
CN112487284A (zh) | 银行客户画像生成方法、设备、存储介质及装置 | |
CN111091408A (zh) | 用户识别模型创建方法、装置与识别方法、装置 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN111782793A (zh) | 智能客服处理方法和系统及设备 | |
CN117520503A (zh) | 基于llm模型的金融客服对话生成方法、装置、设备及介质 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN112182390B (zh) | 一种函件推送方法、装置、计算机设备及存储介质 | |
CN111222923B (zh) | 一种判断潜在客户的方法及装置、电子设备和存储介质 | |
CN115687754B (zh) | 一种基于智能对话的主动式网络信息挖掘方法 | |
CN111382254A (zh) | 电子名片推荐方法、装置、设备及计算机可读存储介质 | |
CN110610378A (zh) | 产品需求分析方法、装置、计算机设备和存储介质 | |
CN112069392B (zh) | 涉网犯罪防控方法、装置、计算机设备及存储介质 |
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 |