CN116166858A - 基于人工智能的信息推荐方法、装置、设备及存储介质 - Google Patents

基于人工智能的信息推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116166858A
CN116166858A CN202211560615.0A CN202211560615A CN116166858A CN 116166858 A CN116166858 A CN 116166858A CN 202211560615 A CN202211560615 A CN 202211560615A CN 116166858 A CN116166858 A CN 116166858A
Authority
CN
China
Prior art keywords
repair
information
corpus
target
target entity
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
CN202211560615.0A
Other languages
English (en)
Inventor
杨逢
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 Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty 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 Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202211560615.0A priority Critical patent/CN116166858A/zh
Publication of CN116166858A publication Critical patent/CN116166858A/zh
Pending legal-status Critical Current

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种基于人工智能的信息推荐方法，包括：基于客户输入的报案语音生成报案文本信息；基于目标实体识别模型得到与报案文本信息对应的目标实体识别结果；基于机构检索数据库对目标实体识别结果进行检索得到第一修理机构；基于修理机构信息的第一地理位置信息对第一修理机构进行筛选得到第二修理机构；基于目标实体识别结果计算各第二修理机构的推荐分数；基于推荐分数从第二修理机构筛选目标修理机构，将目标修理机构推送给客户。本申请还提供一种基于人工智能的信息推荐装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，目标修理机构可存储于区块链中。本申请提高了修理机构推送的处理效率与准确度。

Description

基于人工智能的信息推荐方法、装置、设备及存储介质
技术领域
本申请涉及热工智能技术领域，尤其涉及基于人工智能的信息推荐方法、装置、计算机设备及存储介质。
背景技术
理赔作为保险行业非常重要的一个环节，保险公司可能每天需要对几万，十几万甚至几十万个案件进行信息录入，需要牵涉到的工作量是十分的庞大。例如车险在上下班高峰期，节假日出行时间要比普通的时间高很多。现有在理赔案件的报案通话流程中，通常是通过ASR技术将客户说的包含修理机构的信息实时转成文字，再由一线工作人员需要将客户提出的包含修理机构的关键信息录入到理赔系统中，并给客户推荐合适的修理机构。这种修理机构信息的推荐方式需要消耗大量的人力资源，处理效率低。并且严重依赖ASR任务的准确性，由于客户所说的信息由于发音相同但与人们通常理解的修理机构的名称千差万别，从而导致信息推荐的准确性较低。
发明内容
本申请实施例的目的在于提出一种基于人工智能的信息推荐方法、装置、计算机设备及存储介质，以解决现有的修理机构信息的推荐方式需要消耗大量的人力资源，处理效率低，且信息推荐的准确性较低的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于人工智能的信息推荐方法，采用了如下所述的技术方案：
获取客户在与坐席的报案通话过程中输入的包含修理机构信息的报案语音，并基于所述报案语音生成相应的报案文本信息；
将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果；
基于预设的机构检索数据库对所述目标实体识别结果进行检索，得到与所述目标实体识别结果对应的第一修理机构；
获取与所述修理机构信息对应的第一地理位置信息，基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构；
基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数；
基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户。
进一步的，在所述将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果的步骤之前，还包括：
获取预先采集的初始机构语料；
基于预设的修改规则对所述初始机构语料进行修改，得到修改后的机构语料；
基于所述初始机构语料与所述修改后的机构语料构建训练语料；
调用预设的深度学习模型；
基于所述训练语料对所述深度学习模型进行训练，得到所述目标实体识别模型。
进一步的，所述获取预先采集的初始机构语料的步骤，具体包括：
基于预设的提取工具从预设数据库中提取出与目标标签对应的第三修理机构；
获取与所述目标标签对应的句式模板；
使用所述第三修理机构分别对所述句式模板进行数据填充，得到填充后的句式模板；
将所述填充后的句式模板作为所述初始机构语料。
进一步的，所述基于预设的修改规则对所述初始机构语料进行修改，得到修改后的机构语料的步骤，具体包括：
对所述初始机构语料中包含的修理机构进行头部信息删除处理，得到第一机构语料；
对所述初始机构语料中包含的修理机构进行尾部信息删除处理，得到第二机构语料；
对所述初始机构语料中包含的修理机构进行头部信息删除与尾部信息删除处理，得到第三机构语料；
将所述第一机构语料、第二机构语料以及所述第三机构语料进行整合，得到所述修改后的机构语料。
进一步的，所述基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构的步骤，具体包括：
获取各所述第一修理机构的第二地理位置信息；
从所有所述第二地理位置信息中筛选出与所述第一地理位置信息符合预设的匹配关系的第三位置信息；
从所述有所述第一修理机构筛选出与所述第三位置信息对应的指定修理机构；
将所述指定修理机构作为所述第二修理机构。
进一步的，所述基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数的步骤，具体包括：
获取预设的目标相似度算法；
基于所述目标相似度算法，分别计算所述目标实体识别结果与各所述第二修理机构的之间的相似度；
基于所有所述相似度生成各所述第二修理机构的推荐分数。
进一步的，所述基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户的步骤，具体包括：
按照所述推荐分数的数值从大到小的顺序对所有所述第二修理机构进行排序，得到对应的机构排序结果；
从所述机构排序结果中排序首位的修理机构开始，依次获取预设数量的第四修理机构；
将所述第四修理机构作为所述目标修理机构；
获取所述客户的联系信息；
基于所述联系信息，将所述目标修理机构推送给所述客户。
为了解决上述技术问题，本申请实施例还提供一种基于人工智能的信息推荐装置，采用了如下所述的技术方案：
第一获取模块，用于获取客户在与坐席的报案通话过程中输入的包含修理机构信息的报案语音，并基于所述报案语音生成相应的报案文本信息；
识别模块，用于将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果；
检索模块，用于基于预设的机构检索数据库对所述目标实体识别结果进行检索，得到与所述目标实体识别结果对应的第一修理机构；
第一筛选模块，用于获取与所述修理机构信息对应的第一地理位置信息，基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构；
计算模块，用于基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数；
第二筛选模块，用于基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
获取客户在与坐席的报案通话过程中输入的包含修理机构信息的报案语音，并基于所述报案语音生成相应的报案文本信息；
将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果；
基于预设的机构检索数据库对所述目标实体识别结果进行检索，得到与所述目标实体识别结果对应的第一修理机构；
获取与所述修理机构信息对应的第一地理位置信息，基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构；
基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数；
基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
获取客户在与坐席的报案通话过程中输入的包含修理机构信息的报案语音，并基于所述报案语音生成相应的报案文本信息；
将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果；
基于预设的机构检索数据库对所述目标实体识别结果进行检索，得到与所述目标实体识别结果对应的第一修理机构；
获取与所述修理机构信息对应的第一地理位置信息，基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构；
基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数；
基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例首先获取客户在与坐席的报案通话过程中输入的包含修理机构信息的报案语音，并基于所述报案语音生成相应的报案文本信息；然后将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果；之后基于预设的机构检索数据库对所述目标实体识别结果进行检索，得到与所述目标实体识别结果对应的第一修理机构；后续获取与所述修理机构信息对应的第一地理位置信息，基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构；并基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数；最后基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户。本申请实施例能够基于目标实体识别模型的使用来快速准确地别出与所述报案文本信息对应的目标实体识别结果，进而基于使用机构检索数据库、地理位置信息以及推荐分数的机构信息筛选处理手段能够自动快速且准确地确定出用于向客户进行推荐的目标修理机构，保证了生成的目标修理机构的质量与准确性，提高了目标修理机构推送的处理效率与数据准确度，提高了客户的使用体验。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于人工智能的信息推荐方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的信息推荐装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Mov i ng P i cture ExpertsG roup Aud i o Layer I I I，动态影像专家压缩标准音频层面3)、MP4(Mov i ng P ictu re Experts G roup Aud i o Layer I V，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于人工智能的信息推荐方法一般由服务器/终端设备执行，相应地，基于人工智能的信息推荐装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于人工智能的信息推荐方法的一个实施例的流程图。所述的基于人工智能的信息推荐方法，包括以下步骤：
步骤S201，获取客户在与坐席的报案通话过程中输入的包含修理机构信息的报案语音，并基于所述报案语音生成相应的报案文本信息。
在本实施例中，基于人工智能的信息推荐方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取报案语音。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、W i F i连接、蓝牙连接、W iMAX连接、Z i gbee连接、UWB(u l t ra w i deband)连接、以及其他现在已知或将来开发的无线连接方式。上述报案语音具体可为理赔报案语音，上述修理机构信息可知修理厂。其中，可基于ASR技术对报案语音进行音转字处理，以得到上述报案文本信息。
步骤S202，将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果。
在本实施例中，上述目标实体识别模型具体可采用BERT+B I LSTM+CRF模型。在将所述报案文本信息输入至目标实体识别模型后，通过多级级联的形式，将客户在报案语音中提到的修理机构使用BERT+B I LSTM+CRF模型进行快速召回，进而识别得到与所述报案文本信息对应的目标实体识别结果。其中，对于上述目标实体识别模型的训练生成过程将在后续的实施例进行详细说明。
步骤S203，基于预设的机构检索数据库对所述目标实体识别结果进行检索，得到与所述目标实体识别结果对应的第一修理机构。
在本实施例中，上述机构检索数据库具体可为存储有标准的修理结构结构化数据的E l ast i cSearch数据库。E l ast i cSear ch是一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎，基于RESTfu l web接口。E l ast i csearch是用Java开发的，并作为Apache许可条款下的开放源码发布，是当前流行的企业级搜索引擎。E l ast i csearch使用级联的形式可以剔除一些误召回的修理机构信息。
步骤S204，获取与所述修理机构信息对应的第一地理位置信息，基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构。
在本实施例中，可从所述报案文本信息中进行信息提取以得到上述修理机构信息，进而基于网络地图搜索功能查找出与该修理机构信息对应的修理机构的第一地理位置信息。其中，地理位置信息具体可指经纬度信息。另外，上述基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S205，基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数。
在本实施例中，上述基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户。
步骤S206，上述基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
本申请首先获取客户在与坐席的报案通话过程中输入的包含修理机构信息的报案语音，并基于所述报案语音生成相应的报案文本信息；然后将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果；之后基于预设的机构检索数据库对所述目标实体识别结果进行检索，得到与所述目标实体识别结果对应的第一修理机构；后续获取与所述修理机构信息对应的第一地理位置信息，基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构；并基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数；最后基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户。本申请能够基于目标实体识别模型的使用来快速准确地别出与所述报案文本信息对应的目标实体识别结果，进而基于使用机构检索数据库、地理位置信息以及推荐分数的机构信息筛选处理手段能够自动快速且准确地确定出用于向客户进行推荐的目标修理机构，保证了生成的目标修理机构的质量与准确性，提高了目标修理机构推送的处理效率与数据准确度，提高了客户的使用体验。
在一些可选的实现方式中，在步骤S202之前，上述电子设备还可以执行以下步骤：
获取预先采集的初始机构语料。
在本实施例中，初始机构语料可包括包含修理机构信息的多个句子，以及与各个句子对应的实体标签，该实体标签即为句子中包含的修理机构信息所对应的修理机构的名称。上述获取预先采集的初始机构语料的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
基于预设的修改规则对所述初始机构语料进行修改，得到修改后的机构语料。
在本实施例中，上述基于预设的修改规则对所述初始机构语料进行修改，得到修改后的机构语料的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
基于所述初始机构语料与所述修改后的机构语料构建训练语料。
在本实施例中，可通过将所述初始机构语料与所述修改后的机构语料进行整合处理，以得到所述训练语料。
调用预设的深度学习模型。
在本实施例中，上述深度学习模型具体可为BERT+B I LSTM+CRF模型。
基于所述训练语料对所述深度学习模型进行训练，得到所述目标实体识别模型。
在本实施例中，对于上述深度学习模型的训练生成过程可参照现有的深度学习模型的生成过程。具体地，可通过设置准确率、迭代次数等参数，将训练语料中的句子作为深度学习模型的输入，将训练语料中的句子的标签作为深度学习模型的输出进行模型的代次训练，直至使得生成的深度学习模型大于所述准确率，从而得到上述目标实体识别模型。
本申请通过获取预先采集的初始机构语料；然后基于预设的修改规则对所述初始机构语料进行修改，得到修改后的机构语料；之后基于所述初始机构语料与所述修改后的机构语料构建训练语料；后续调用预设的深度学习模型；进而基于所述训练语料对所述深度学习模型进行训练，得到所述目标实体识别模型。本申请能够使用预先采集的初始机构语料以及基于预设的修改规则对所述初始机构语料进行修改得到修改后的机构语料构建训练语料，避免了用人工标记的形式生成海量的训练语料，从而可以应对客户提到的任何包含修理机构关键信息的实体情况。通过使用训练语料对深度学习模型进行训练以得到目标实体识别模型，由于训练语料中能够涵盖用户对于修理机构的各种表达习惯，模型的健壮性能够得到极大的提升，并且能够提升召回的准确性。
在本实施例的一些可选的实现方式中，所述获取预先采集的初始机构语料，包括以下步骤：
基于预设的提取工具从预设数据库中提取出与目标标签对应的第三修理机构。
在本实施例中，上述预设数据库为预先构建的存储有海量真实的理赔场景下的音转字信息，该音转字信息包含有与理赔场景相关的特定修理机构信息，且特定修理机构信息会标注有相应的目标标签。其中，上述提取工具具体为NER提取工具，上述目标标签具体可为company标签。
获取与所述目标标签对应的句式模板。
在本实施例中，上述句式模板可为根据实际的业务使用需求预先构建的句子。举例地，所述句式模板可包括：我们这边推荐您去【company】可以吗。
使用所述第三修理机构分别对所述句式模板进行数据填充，得到填充后的句式模板。
在本实施例中，使用所述第三修理机构分别对所述句式模板进行数据填充是指将得到的每一个第三机构分别对句式模板中的【company】进行替换，从而得到对应的多个填充后的句式模板。
将所述填充后的句式模板作为所述初始机构语料。
本申请通过基于预设的提取工具从预设数据库中提取出与目标标签对应的第三修理机构；然后获取与所述目标标签对应的句式模板；进而使用所述第三修理机构分别对所述句式模板进行数据填充，得到填充后的句式模板；而将所述填充后的句式模板作为所述初始机构语料。本申请通过基于提取工具、预设数据库以及句式模板的使用，能够快速自动地构建得到初始机构语料，提高了初始机构语料的生成效率与生成智能性。
在一些可选的实现方式中，所述基于预设的修改规则对所述初始机构语料进行修改，得到修改后的机构语料，包括以下步骤：
对所述初始机构语料中包含的修理机构进行头部信息删除处理，得到第一机构语料。
在本实施例中，上述头部信息删除处理是指对初始机构语料中包含的修理机构中包含的地理位置信息的关键字进行删除处理。举例地，将深圳捷诚汽车有限公司进行头部信息删除处理，得到捷诚汽车有限公司。
对所述初始机构语料中包含的修理机构进行尾部信息删除处理，得到第二机构语料。
在本实施例中，上述尾部信息删除处理是指对初始机构语料中包含的修理机构中包含的机构类型的关键信息进行删除处理。举例地，将深圳捷诚汽车有限公司进行尾部信息删除处理，得到深圳捷诚。
对所述初始机构语料中包含的修理机构进行头部信息删除与尾部信息删除处理，得到第三机构语料。
在本实施例中，上述头部信息删除与尾部信息删除处理是指对初始机构语料中包含的修理机构中包含的地理位置信息的关键字以及机构类型的关键信息均进行删除处理。举例地，将深圳捷诚汽车有限公司进行头部信息删除与尾部信息删除处理，得到捷诚。
将所述第一机构语料、第二机构语料以及所述第三机构语料进行整合，得到所述修改后的机构语料。
本申请通过对所述初始机构语料中包含的修理机构进行头部信息删除处理，得到第一机构语料；以及对所述初始机构语料中包含的修理机构进行尾部信息删除处理，得到第二机构语料；以及对所述初始机构语料中包含的修理机构进行头部信息删除与尾部信息删除处理，得到第三机构语料；进而将所述第一机构语料、第二机构语料以及所述第三机构语料进行整合，以实现自动快速地生成所述修改后的机构语料，提高了修改后的机构语料的生成效率与生成智能性。有利于后续可以基于得到的修改后的机构语料来快速构建用于对目标实体识别网络进行训练生成的训练语料，由于生成的训练语料中能够涵盖用户对于修理机构的各种表达习惯，使得模型的健壮性能够得到极大的提升，并且能够提升召回的准确性。
在一些可选的实现方式中，步骤S204包括以下步骤：
获取各所述第一修理机构的第二地理位置信息。
在本实施例中，可以基于网络地图搜索功能来查找出与各所述第一修理机构的第二地理位置信息。其中，地理位置信息具体可包括经纬度信息。
从所有所述第二地理位置信息中筛选出与所述第一地理位置信息符合预设的匹配关系的第三位置信息。
在本实施例中，上述匹配关系具体可指两个地理位置信息对应的地理位置处于相同的地理区域内的关系，或者是指两个地理位置所对应的两个经纬度信息之间的数值差值处于预设阈值范围内的关系。其中，上述预设阈值范围包括与经度信息对应的第一预设阈值范围，以及与纬度信息对应的第一预设阈值范围。另外，对于所述预设阈值范围的取值不作具体限定，可根据实际业务需求进行设置。
从所述有所述第一修理机构筛选出与所述第三位置信息对应的指定修理机构。
在本实施例中，指定修理机构为与所述第一地理位置信息对应的修理机构处于相同的地理区域内的机构。
将所述指定修理机构作为所述第二修理机构。
本申请通过获取各所述第一修理机构的第二地理位置信息；然后从所有所述第二地理位置信息中筛选出与所述第一地理位置信息符合预设的匹配关系的第三位置信息；进而从所述有所述第一修理机构筛选出与所述第三位置信息对应的指定修理机构，并将所述指定修理机构作为所述第二修理机构。本申请在得到了第一修理机构后，通过智能地使用报案案件对应的地理位置信息与各所述第一修理机构的第二地理位置信息进行匹配，从而对一些误召回的修理机构信息进行二次删除以得到第二修理机构，有利于后续能够基于得到的第二修理机构来准确地确定出最终用于向客户推送的目标修理机构，由于只需要对第二修理机构进行筛选处理，降低了数据处理工作量，提高了目标修理机构的生成效率与生成准确性。
在本实施例的一些可选的实现方式中，步骤S205包括以下步骤：
获取预设的目标相似度算法。
在本实施例中，上述目标相似度算法可采用现有的相似度算法，例如可采用基于汉明距离的语义相似度计算方法、基于向量空间模型的计算方法、余弦相似度算法，等等。其中，可以根据用户的使用需求从所有相似度算法中任意选择一种作为上述目标相似度算法，从而可以提高用户的使用体验。
基于所述目标相似度算法，分别计算所述目标实体识别结果与各所述第二修理机构的之间的相似度。
在本实施例中，相似度的数值越大，则表明该第二修理机构与目标实体识别结果的相似性更高。
基于所有所述相似度生成各所述第二修理机构的推荐分数。
在本实施例中，可将计算得到的第二修理机构对应的相似度作为该第二修理机构的推荐分数。
本申请通过获取预设的目标相似度算法；然后基于所述目标相似度算法，分别计算所述目标实体识别结果与各所述第二修理机构的之间的相似度；进而基于所有所述相似度生成各所述第二修理机构的推荐分数，实现了基于目标相似度算法的使用来快速便捷地生成各所述第二修理机构的推荐分数，有利于后续可以基于得到的各所述第二修理机构的推荐分数来从所有所述第二修理机构中筛选出目标修理机构。
在本实施例的一些可选的实现方式中，步骤S206包括以下步骤：
按照所述推荐分数的数值从大到小的顺序对所有所述第二修理机构进行排序，得到对应的机构排序结果。
从所述机构排序结果中排序首位的修理机构开始，依次获取预设数量的第四修理机构。
在本实施例中，对于上述预设数量的取值不作具体限定，可根据实际的使用需求进行设置，例如可设为5。
将所述第四修理机构作为所述目标修理机构。
获取所述客户的联系信息。
在本实施例中，上述联系信息可包括终端号码，例如手机号码。
基于所述联系信息，将所述目标修理机构推送给所述客户。
本申请通过按照所述推荐分数的数值从大到小的顺序对所有所述第二修理机构进行排序，得到对应的机构排序结果；然后从所述机构排序结果中排序首位的修理机构开始，依次获取预设数量的第四修理机构，并将所述第四修理机构作为所述目标修理机构；后续获取所述客户的联系信息，并基于所述联系信息，将所述目标修理机构推送给所述客户。本申请通过从所有第二修理机构中筛选出推荐分数最高的多个修理机构作为用于向客户进行推荐的目标修理机构，保证了生成的目标修理机构的质量与准确性，提高了目标修理机构推送的数据准确度，提高了客户的使用体验。
需要强调的是，为进一步保证上述目标修理机构的私密和安全性，上述目标修理机构推还可以存储于一区块链的节点中。
本申请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(B l ockcha i n)，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(Art i f i c i a l I nte l l i gence，A I)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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-On l y Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的信息推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于人工智能的信息推荐装置300包括：第一获取模块301、识别模块302、检索模块303、第一筛选模块304、计算模块305以及第二筛选模块306。其中：
第一获取模块301，用于获取客户在与坐席的报案通话过程中输入的包含修理机构信息的报案语音，并基于所述报案语音生成相应的报案文本信息；
识别模块302，用于将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果；
检索模块303，用于基于预设的机构检索数据库对所述目标实体识别结果进行检索，得到与所述目标实体识别结果对应的第一修理机构；
第一筛选模块304，用于获取与所述修理机构信息对应的第一地理位置信息，基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构；
计算模块305，用于基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数；
第二筛选模块306，用于基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推荐方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的信息推荐装置还包括：
第二获取模块，用于获取预先采集的初始机构语料；
修改模块，用于基于预设的修改规则对所述初始机构语料进行修改，得到修改后的机构语料；
构建模块，用于基于所述初始机构语料与所述修改后的机构语料构建训练语料；
调用模块，用于调用预设的深度学习模型；
训练模块，用于基于所述训练语料对所述深度学习模型进行训练，得到所述目标实体识别模型。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推荐方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,第二获取模块包括：
提取子模块，用于基于预设的提取工具从预设数据库中提取出与目标标签对应的第三修理机构；
第一获取子模块，用于获取与所述目标标签对应的句式模板；
填充子模块，用于使用所述第三修理机构分别对所述句式模板进行数据填充，得到填充后的句式模板；
第一确定子模块，用于将所述填充后的句式模板作为所述初始机构语料。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推荐方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，修改模块包括：
第一处理子模块，用于对所述初始机构语料中包含的修理机构进行头部信息删除处理，得到第一机构语料；
第二处理子模块，用于对所述初始机构语料中包含的修理机构进行尾部信息删除处理，得到第二机构语料；
第三处理子模块，用于对所述初始机构语料中包含的修理机构进行头部信息删除与尾部信息删除处理，得到第三机构语料；
第一生成子模块，用于将所述第一机构语料、第二机构语料以及所述第三机构语料进行整合，得到所述修改后的机构语料。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推荐方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第一筛选模块304包括：
第二获取子模块，用于获取各所述第一修理机构的第二地理位置信息；
第一筛选子模块，用于从所有所述第二地理位置信息中筛选出与所述第一地理位置信息符合预设的匹配关系的第三位置信息；
第二筛选子模块，用于从所述有所述第一修理机构筛选出与所述第三位置信息对应的指定修理机构；
第二确定子模块，用于将所述指定修理机构作为所述第二修理机构。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推荐方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，计算模块305包括：
第三获取子模块，用于获取预设的目标相似度算法；
计算子模块，用于基于所述目标相似度算法，分别计算所述目标实体识别结果与各所述第二修理机构的之间的相似度；
第二生成子模块，用于基于所有所述相似度生成各所述第二修理机构的推荐分数。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推荐方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二筛选模块306包括：
排序子模块，用于按照所述推荐分数的数值从大到小的顺序对所有所述第二修理机构进行排序，得到对应的机构排序结果；
第三获取子模块，用于从所述机构排序结果中排序首位的修理机构开始，依次获取预设数量的第四修理机构；
第三确定子模块，用于将所述第四修理机构作为所述目标修理机构；
第四获取子模块，用于获取所述客户的联系信息；
推送子模块，用于基于所述联系信息，将所述目标修理机构推送给所述客户。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的信息推荐方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，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。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(App l i cat i onSpec i f i c I ntegrated C i rcu i t，AS I C)、可编程门阵列(F i e l d－Programmab l e Gate Ar ray，FPGA)、数字处理器(D i g i ta l S i gna l Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41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、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41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Med i a Card,SMC)，安全数字(Secu re D i g i ta l,SD)卡，闪存卡(F l ash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的信息推荐方法的计算机可读指令等。此外，所述存储器41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。
所述处理器42在一些实施例中可以是中央处理器(Cent ra lProcess i ng Un it，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42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的信息推荐方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先获取客户在与坐席的报案通话过程中输入的包含修理机构信息的报案语音，并基于所述报案语音生成相应的报案文本信息；然后将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果；之后基于预设的机构检索数据库对所述目标实体识别结果进行检索，得到与所述目标实体识别结果对应的第一修理机构；后续获取与所述修理机构信息对应的第一地理位置信息，基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构；并基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数；最后基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户。本申请实施例能够基于目标实体识别模型的使用来快速准确地别出与所述报案文本信息对应的目标实体识别结果，进而基于使用机构检索数据库、地理位置信息以及推荐分数的机构信息筛选处理手段能够自动快速且准确地确定出用于向客户进行推荐的目标修理机构，保证了生成的目标修理机构的质量与准确性，提高了目标修理机构推送的处理效率与数据准确度，提高了客户的使用体验。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的信息推荐方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先获取客户在与坐席的报案通话过程中输入的包含修理机构信息的报案语音，并基于所述报案语音生成相应的报案文本信息；然后将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果；之后基于预设的机构检索数据库对所述目标实体识别结果进行检索，得到与所述目标实体识别结果对应的第一修理机构；后续获取与所述修理机构信息对应的第一地理位置信息，基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构；并基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数；最后基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户。本申请实施例能够基于目标实体识别模型的使用来快速准确地别出与所述报案文本信息对应的目标实体识别结果，进而基于使用机构检索数据库、地理位置信息以及推荐分数的机构信息筛选处理手段能够自动快速且准确地确定出用于向客户进行推荐的目标修理机构，保证了生成的目标修理机构的质量与准确性，提高了目标修理机构推送的处理效率与数据准确度，提高了客户的使用体验。
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(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，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于人工智能的信息推荐方法，其特征在于，包括下述步骤：
获取客户在与坐席的报案通话过程中输入的包含修理机构信息的报案语音，并基于所述报案语音生成相应的报案文本信息；
将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果；
基于预设的机构检索数据库对所述目标实体识别结果进行检索，得到与所述目标实体识别结果对应的第一修理机构；
获取与所述修理机构信息对应的第一地理位置信息，基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构；
基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数；
基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户。
2.根据权利要求1所述的基于人工智能的信息推荐方法，其特征在于，在所述将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果的步骤之前，还包括：
获取预先采集的初始机构语料；
基于预设的修改规则对所述初始机构语料进行修改，得到修改后的机构语料；
基于所述初始机构语料与所述修改后的机构语料构建训练语料；
调用预设的深度学习模型；
基于所述训练语料对所述深度学习模型进行训练，得到所述目标实体识别模型。
3.根据权利要求2所述的基于人工智能的信息推荐方法，其特征在于，所述获取预先采集的初始机构语料的步骤，具体包括：
基于预设的提取工具从预设数据库中提取出与目标标签对应的第三修理机构；
获取与所述目标标签对应的句式模板；
使用所述第三修理机构分别对所述句式模板进行数据填充，得到填充后的句式模板；
将所述填充后的句式模板作为所述初始机构语料。
4.根据权利要求2所述的基于人工智能的信息推荐方法，其特征在于，所述基于预设的修改规则对所述初始机构语料进行修改，得到修改后的机构语料的步骤，具体包括：
对所述初始机构语料中包含的修理机构进行头部信息删除处理，得到第一机构语料；
对所述初始机构语料中包含的修理机构进行尾部信息删除处理，得到第二机构语料；
对所述初始机构语料中包含的修理机构进行头部信息删除与尾部信息删除处理，得到第三机构语料；
将所述第一机构语料、第二机构语料以及所述第三机构语料进行整合，得到所述修改后的机构语料。
5.根据权利要求1所述的基于人工智能的信息推荐方法，其特征在于，所述基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构的步骤，具体包括：
获取各所述第一修理机构的第二地理位置信息；
从所有所述第二地理位置信息中筛选出与所述第一地理位置信息符合预设的匹配关系的第三位置信息；
从所述有所述第一修理机构筛选出与所述第三位置信息对应的指定修理机构；
将所述指定修理机构作为所述第二修理机构。
6.根据权利要求1所述的基于人工智能的信息推荐方法，其特征在于，所述基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数的步骤，具体包括：
获取预设的目标相似度算法；
基于所述目标相似度算法，分别计算所述目标实体识别结果与各所述第二修理机构的之间的相似度；
基于所有所述相似度生成各所述第二修理机构的推荐分数。
7.根据权利要求1所述的基于人工智能的信息推荐方法，其特征在于，所述基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户的步骤，具体包括：
按照所述推荐分数的数值从大到小的顺序对所有所述第二修理机构进行排序，得到对应的机构排序结果；
从所述机构排序结果中排序首位的修理机构开始，依次获取预设数量的第四修理机构；
将所述第四修理机构作为所述目标修理机构；
获取所述客户的联系信息；
基于所述联系信息，将所述目标修理机构推送给所述客户。
8.一种基于人工智能的信息推荐装置，其特征在于，包括：
第一获取模块，用于获取客户在与坐席的报案通话过程中输入的包含修理机构信息的报案语音，并基于所述报案语音生成相应的报案文本信息；
识别模块，用于将所述报案文本信息输入至预先训练好的目标实体识别模型，通过所述目标实体识别模型识别出与所述报案文本信息对应的目标实体识别结果；
检索模块，用于基于预设的机构检索数据库对所述目标实体识别结果进行检索，得到与所述目标实体识别结果对应的第一修理机构；
第一筛选模块，用于获取与所述修理机构信息对应的第一地理位置信息，基于所述第一地理位置信息对所述第一修理机构进行筛选处理，得到相应的第二修理机构；
计算模块，用于基于所述目标实体识别结果，计算各所述第二修理机构的推荐分数；
第二筛选模块，用于基于所述推荐分数，从所有所述第二修理机构中筛选出目标修理机构，并将所述目标修理机构推送给所述客户。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的信息推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的信息推荐方法的步骤。
CN202211560615.0A 2022-12-07 2022-12-07 基于人工智能的信息推荐方法、装置、设备及存储介质 Pending CN116166858A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211560615.0A CN116166858A (zh) 2022-12-07 2022-12-07 基于人工智能的信息推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211560615.0A CN116166858A (zh) 2022-12-07 2022-12-07 基于人工智能的信息推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116166858A true CN116166858A (zh) 2023-05-26

Family

ID=86419060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211560615.0A Pending CN116166858A (zh) 2022-12-07 2022-12-07 基于人工智能的信息推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116166858A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118131681A (zh) * 2024-04-17 2024-06-04 北京铁力山科技股份有限公司 一种基于人工智能的智能控制平台

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118131681A (zh) * 2024-04-17 2024-06-04 北京铁力山科技股份有限公司 一种基于人工智能的智能控制平台

Similar Documents

Publication Publication Date Title
CN107679039B (zh) 用于确定语句意图的方法和装置
CN112863683B (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
CN111783471B (zh) 自然语言的语义识别方法、装置、设备及存储介质
CN112287069B (zh) 基于语音语义的信息检索方法、装置及计算机设备
CN112860919B (zh) 基于生成模型的数据标注方法、装置、设备及存储介质
CN112632278A (zh) 一种基于多标签分类的标注方法、装置、设备及存储介质
CN113627797B (zh) 入职员工画像生成方法、装置、计算机设备及存储介质
CN112395390B (zh) 意图识别模型的训练语料生成方法及其相关设备
CN112328761A (zh) 一种意图标签设置方法、装置、计算机设备及存储介质
CN114357117A (zh) 事务信息查询方法、装置、计算机设备及存储介质
CN112199954B (zh) 基于语音语义的疾病实体匹配方法、装置及计算机设备
CN114595686A (zh) 知识抽取方法、知识抽取模型的训练方法及装置
CN116796730A (zh) 基于人工智能的文本纠错方法、装置、设备及存储介质
CN118070072A (zh) 基于人工智能的问题处理方法、装置、设备及存储介质
CN112507141B (zh) 调查任务生成方法、装置、计算机设备及存储介质
CN116166858A (zh) 基于人工智能的信息推荐方法、装置、设备及存储介质
CN117312535A (zh) 基于人工智能的问题数据处理方法、装置、设备及介质
CN115730603A (zh) 基于人工智能的信息提取方法、装置、设备及存储介质
CN113609833B (zh) 文件的动态生成方法、装置、计算机设备及存储介质
CN114637831A (zh) 基于语义分析的数据查询方法及其相关设备
CN113535125A (zh) 金融需求项生成方法及装置
CN112069807A (zh) 文本数据的主题提取方法、装置、计算机设备及存储介质
CN116502624A (zh) 训练语料的扩充方法、装置、计算机设备及存储介质
CN117076775A (zh) 资讯数据的处理方法、装置、计算机设备及存储介质
CN116932739A (zh) 基于人工智能的数据生成方法、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