CN116596618A - 商品推荐方法、装置、机器人、电子设备及存储介质 - Google Patents
商品推荐方法、装置、机器人、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116596618A CN116596618A CN202310546519.9A CN202310546519A CN116596618A CN 116596618 A CN116596618 A CN 116596618A CN 202310546519 A CN202310546519 A CN 202310546519A CN 116596618 A CN116596618 A CN 116596618A
- Authority
- CN
- China
- Prior art keywords
- commodity
- model
- information
- recommendation
- data
- 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 79
- 230000003993 interaction Effects 0.000 claims abstract description 164
- 238000005065 mining Methods 0.000 claims abstract description 22
- 230000008451 emotion Effects 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008909 emotion recognition Effects 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 abstract description 23
- 230000006870 function Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000008267 milk Substances 0.000 description 4
- 210000004080 milk Anatomy 0.000 description 4
- 235000013336 milk Nutrition 0.000 description 4
- 239000000843 powder Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 206010063659 Aversion Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 241000629493 Extremus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000004207 dermis Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种商品推荐方法、装置、机器人、电子设备及存储介质,其中方法包括:获取第一交互数据,基于所述第一交互数据挖掘目标品类下的第一需求信息;基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术;基于所述第一推荐话术,进行商品推荐。本发明提供的方法、装置、机器人、电子设备及存储介质,第一推荐话术用于进行商品推荐,极大地提高了商品推荐的准确性和可靠性,并且,商品推荐方法应用于交互场景下,由此,在用户数据不足的情况下也能保证商品推荐的准确性,极大降低了基于交互的商品推荐的执行门槛,有助于扩宽商品推荐的应用范围。
Description
技术领域
本发明涉及商品推荐技术领域,尤其涉及一种商品推荐方法、装置、机器人、电子设备及存储介质。
背景技术
目前,基于人工智能的商品推荐类似“猜我喜欢”,通常是基于用户账户下的购买记录、搜索记录和浏览记录实现的。
现有技术中,基于用户账户下的购买记录、搜索记录和浏览记录实现的商品推荐方法虽然能够为用户推荐可能感兴趣的商品。
然而,上述商品推荐方法的准确性依赖于用户数据的多少,在用户数据不足的情况下准确性较低。
发明内容
本发明提供一种商品推荐方法、装置、机器人、电子设备及存储介质,用以解决现有技术中商品推荐方法的准确性依赖于用户数据的多少,在用户数据不足的情况下准确性较低的缺陷。
本发明提供一种商品推荐方法,包括:
获取第一交互数据,基于所述第一交互数据挖掘目标品类下的第一需求信息;
基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术;
基于所述第一推荐话术,进行商品推荐。
根据本发明提供的一种商品推荐方法,还包括:
基于所述第一交互数据进行用户画像,得到用户画像信息;
所述基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术,包括:
基于所述目标品类下的商品数据,确定与所述第一需求信息和所述用户画像信息相匹配的第一商品型号;
基于所述用户画像信息,以及所述第一商品型号的推荐话术数据,生成针对所述第一商品型号的第一推荐话术。
根据本发明提供的一种商品推荐方法,所述基于所述目标品类下的商品数据,确定与所述第一需求信息和所述用户画像信息相匹配的第一商品型号,包括:
基于商品推荐模型,确定与所述第一需求信息和所述用户画像信息相匹配的第一商品型号;
所述商品推荐模型是基于所述目标品类下的商品数据、样本需求信息和样本用户画像信息,以及与所述样本需求信息和所述样本用户画像信息相匹配的标签商品型号训练得到的。
根据本发明提供的一种商品推荐方法,所述基于所述用户画像信息,以及所述第一商品型号的推荐话术数据,生成针对所述第一商品型号的第一推荐话术,包括:
在存在多个第一商品型号的情况下,比对所述多个第一商品型号分别对应的商品数据,得到多类区别信息;
基于所述用户画像信息和所述第一需求信息,从所述多类区别信息中确定出目标区别信息;
基于所述多个第一商品型号的推荐话术数据,以及所述目标区别信息,生成所述第一推荐话术。
根据本发明提供的一种商品推荐方法,所述基于所述第一推荐话术,进行商品推荐,包括:
基于所述第一推荐话术,获取第二交互数据,并从所述第二交互数据中挖掘所述目标品类下的第二需求信息;
基于所述第二需求信息,对所述第一商品型号进行调整,得到与所述第二需求信息相匹配的第二商品型号,并生成针对所述第二商品型号的第二推荐话术;
基于所述第二推荐话术,进行商品推荐。
根据本发明提供的一种商品推荐方法,所述生成针对所述第二商品型号的第二推荐话术,包括:
确定所述第一商品型号与所述第二商品型号之间的型号差异信息;
基于所述型号差异信息,以及所述第二商品型号,生成所述第二推荐话术。
根据本发明提供的一种商品推荐方法,所述从所述第二交互数据中挖掘所述目标品类下的第二需求信息,包括:
对所述第二交互数据进行情绪识别,得到所述第二交互数据对应的情绪类别;
在所述情绪类别为预设情绪类别的情况下,从所述第二交互数据中挖掘所述目标品类下的第二需求信息。
根据本发明提供的一种商品推荐方法,所述基于所述第一推荐话术,进行商品推荐,之后还包括:
获取第三交互数据;
基于所述第三交互数据,进行购买欲望强度检测,得到购买欲望强度;
在所述购买欲望强度大于预设阈值的情况下,向预设终端发送客户需求信息。
本发明还提供一种商品推荐装置,包括:
获取单元,用于获取第一交互数据,基于所述第一交互数据挖掘目标品类下的第一需求信息;
生成单元,用于基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术;
商品推荐单元,用于基于所述第一推荐话术,进行商品推荐。
本发明还提供一种机器人,包括上述商品推荐装置。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述商品推荐方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述商品推荐方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述商品推荐方法。
本发明提供的商品推荐方法、装置、机器人、电子设备及存储介质,获取第一交互数据,基于第一交互数据挖掘目标品类下的第一需求信息,再基于目标品类下的商品数据和推荐话术数据,确定与第一需求信息相匹配的第一商品型号,并生成针对第一商品型号的第一推荐话术,最后,基于第一推荐话术,进行商品推荐。第一推荐话术是针对第一商品型号生成的,而第一商品型号与第一需求信息相匹配,由此,生成的第一推荐话术用于进行商品推荐,极大地提高了商品推荐的准确性和可靠性,并且,商品推荐方法应用于交互场景下,由此,在用户数据不足的情况下也能保证商品推荐的准确性,极大降低了基于交互的商品推荐的执行门槛,有助于扩宽商品推荐的应用范围。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的商品推荐方法的流程示意图;
图2是本发明提供的商品推荐方法中步骤120的流程示意图;
图3是本发明提供的商品推荐方法中步骤122的流程示意图;
图4是本发明提供的商品推荐方法中步骤130的流程示意图之一;
图5是本发明提供的商品推荐方法中步骤132的流程示意图;
图6是本发明提供的商品推荐方法中步骤131的流程示意图;
图7是本发明提供的商品推荐方法中步骤130的流程示意图之二;
图8是本发明提供的商品推荐装置的结构示意图;
图9是本发明提供的机器人的结构示意图;
图10是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不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,且“第一”、“第二”等所区分的对象通常为一类。
本发明提供一种商品推荐方法,图1是本发明提供的商品推荐方法的流程示意图,如图1所示,该方法包括:
步骤110,获取第一交互数据,基于所述第一交互数据挖掘目标品类下的第一需求信息。
具体地,考虑到现有技术中商品推荐的准确性取决于用户数据的多少,在用户数据不足的情况下商品推荐的准确率较低,本发明实施例中的商品推荐方法应用于交互场景下,此处的交互场景可以包括汽车推荐场景,也可以包括服装推荐场景,还可以包括汽车推荐场景、服装推荐场景和奶粉推荐场景等场景的结合场景,本发明实施例对此不作具体限定。此外,交互场景还可以划分线上场景和线下场景,例如线上汽车推荐场景、线下汽车推荐场景、线上服装推荐场景和线下服装推荐场景等多个场景。
相应地,可以获取第一交互数据,此处的第一交互数据是指用户交互过程中产生的数据,以汽车推荐场景为例,第一交互数据可以是导购在现场或者线上向用户推荐各个型号的汽车时产生的历史交互对话或者实时交互对话;以服装推荐场景为例,第一交互数据可以是导购在现场或者线上向用户推荐各个类型、尺码的服装时产生的历史交互对话或者实时交互对话;以奶粉推荐场景为例,第一交互数据可以是导购在现场或者线上向用户推荐各个型号的奶粉时产生的历史交互对话或者实时交互对话等,本发明实施例对此不作具体限定。
其中,线下场景可以是实体商店的虚拟导购,线上场景可以是直播推荐、虚拟人推荐等,本发明实施例对此不作具体限定。
此处,第一交互数据可以是语音形式的交互对话,也可以是文本形式的交互对话等,本发明实施例对此不作具体限定。
在获取到第一交互数据之后,可以基于第一交互数据挖掘目标品类下的第一需求信息,此处的目标品类是指用户最终选择了解的品类,目标品类可以是汽车,也可以是服装,还可以是奶粉等,本发明实施例对此不作具体限定。
此处的第一需求信息是指用户对于目标品类的需求信息,第一需求信息可以包括类型、价位,也可以包括性能、颜色,还可以包括类型、价位、性能、颜色和配置等,本发明实施例对此不作具体限定。
例如,在汽车推荐场景下,第一需求信息可以是“我想买20万以内的黑色新能源车”,也可以是“我想买配置好点的、价格30万以内的白色汽油车”等。
此处,基于第一交互数据挖掘目标品类下的第一需求信息可以通过交互模型实现,此处的交互模型可以是具有类人特性的聊天机器人中部署的大规模模型;部署有该交互模型的聊天机器人能够通过理解和学习人类的语言从而与用户进行对话,并且,还能根据对话的上下文与用户进行互动具备真正类人的交流能力,除此之外,其还具备类人的能力,例如商品推荐、编辑、翻译、搜索等。鉴于此,部署于其中的交互模型则必然具备能够完成上述功能的能力,例如,语音转写、语义理解、文本匹配、情绪分析、意图识别等。
此处,交互模型可以是LLM(Language Model with Lattice)模型,例如可以是ChatGPT(Chat Generative Pre-trained Transformer)模型、XLNet模型(extreme Multi-label Learning Network)、ROBERTa模型(Robustly Optimized BERT approach)、T5模型(Text-to-Text Transfer Transformer)、GPT-NeoX-20B模型和GPT-3(Generative Pre-trained Transformer 3)模型等预训练语言模型,本发明实施例对此不作具体限定。
即,此处的交互模型是具备从第一交互数据挖掘目标品类下的第一需求信息的功能的模型。
步骤120,基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术。
具体地,目标品类下的商品数据是指目标品类下的商品相关的数据,目标品类下的商品数据可以是预先收集的,例如,在汽车推荐场景下,目标品类下的商品数据可以包括预先收集的各个厂家、各个型号的汽车的信息。
推荐话术数据是指用于推荐商品的话术数据,例如,在汽车推荐场景下,推荐话术数据可以是“您考虑新能源车还是汽油车”,也可以是“您需要我先介绍下品牌大类吗”,还可以是“您有比较偏好的品牌或者型号吗”等,或者还可以包括“这款车今年的销量特别好,流线形的设计特别受年轻人喜欢”等,本发明实施例对此不作具体限定。目标品类下的推荐话术数据可以包括预先收集的各个厂家、各个型号的汽车的营销推广信息,也可以包括预先收集的真实推销售卖场景下的推荐用语,还可以是将商品数据输入交互模型后由交互模型生成的推荐用语,例如可以以“XX商品具备【商品数据】属性,请据此生成推荐用语”作为输入,由交互模型生成推荐用语。
此处,可以基于目标品类下的商品数据和推荐话术数据,确定与第一需求信息相匹配的第一商品型号,也可以对第一交互数据进行用户画像,得到用户画像信息,并结合用户画像信息,确定与第一需求信息和用户画像信息相匹配的第一商品型号,此处的第一商品型号是指用户最终想要了解的商品对应的型号,例如,在汽车推荐场景下,第一商品型号可以是微型车,也可以是小型车,还可以是中型车、中大型车或者豪华车等,本发明实施例对此不作具体限定。
进一步地,可以将目标品类下的商品数据和推荐话术数据预先输入到交互模型中,从而使得交互模型可以基于输入的目标品类下的商品数据和推荐话术数据学习目标品类下各个商品的特征。在此基础上,可以将第一需求信息输入到交互模型中,由交互模型基于预先学习的目标品类下各个商品的特征,与输入的第一需求信息进行匹配,从而得到能够匹配第一需求信息的第一商品型号并输出。例如,可以将第一需求信息转换为自然语言文本“需要预算30万以内、销量好、性能好的电动车”,再将自然语言文本输入到交互模型,以获取交互模型输出的第一商品型号。
此处的交互模型可以是LLM模型,例如可以是ChatGPT模型、T5模型、GPT-NeoX-20B模型和GPT-3模型等预训练模型,本发明实施例对此不作具体限定。
即,此处的交互模型可以是具备输出与第一需求信息相匹配的第一商品型号功能的模型。
在得到第一商品型号之后,可以生成针对第一商品型号的第一推荐话术,此处的第一推荐话术是指针对第一商品型号的商品推荐话术。
此处,可以预先将目标品类下的推荐话术数据输入到交互模型中,从而使得交互模型可以基于输入的目标品类下的推荐话术数据学习对目标品类下的商品进行推荐的话术。在此基础上,可以将第一商品型号输入至交互模型,由交互模型生成针对第一商品型号的第一推荐话术,同理,交互模型是具备针对商品型号输出推荐话术功能的模型。
此外,还可以预先将目标品类下的商品数据和推荐话术数据预先输入到交互模型中,从而使得交互模型可以基于输入的目标品类下的商品数据和推荐话术数据学习目标品类下各个商品的特征,以及针对各个商品进行推荐的话术。在此基础上,可以将第一需求信息输入到交互模型中,由交互模型基于预先学习的目标品类下各个商品的特征,与输入的第一需求信息进行匹配,从而得到能够匹配第一需求信息的第一商品型号,生成针对第一商品型号的第一推荐话术并输出。即,上述步骤120中的第一商品型号确定以及第一推荐话术生成,均可以在交互模型内完成。例如,可以将第一需求信息转换为自然语言文本“需要预算30万以内、销量好、性能好的电动车”,再将自然语言文本输入到交互模型,以获取交互模型输出的第一商品型号的第一推荐话术“根据您的需求,为您匹配了XX型号的电动车,这款电动车售价28万,在同类车中销量遥遥领先,……”。
步骤130,基于所述第一推荐话术,进行商品推荐。
具体地,在得到第一推荐话术之后,可以基于第一推荐话术,进行商品推荐。此外,还可以基于第一推荐话术,获取第二交互数据,再基于第二交互数据判断是否需要调整第一商品型号,从而基于调整后的商品型号生成第二推荐话术,再基于第二推荐话术进行商品推荐。
本发明实施例提供的方法,获取第一交互数据,基于第一交互数据挖掘目标品类下的第一需求信息,再基于目标品类下的商品数据和推荐话术数据,确定与第一需求信息相匹配的第一商品型号,并生成针对第一商品型号的第一推荐话术,最后,基于第一推荐话术,进行商品推荐。第一推荐话术是针对第一商品型号生成的,而第一商品型号与第一需求信息相匹配,由此,生成的第一推荐话术用于进行商品推荐,极大地提高了商品推荐的准确性和可靠性,并且,商品推荐方法应用于交互场景下,由此,在用户数据不足的情况下也能保证商品推荐的准确性,极大降低了基于交互的商品推荐的执行门槛,有助于扩宽商品推荐的应用范围。
基于上述实施例,还包括:
基于所述第一交互数据进行用户画像,得到用户画像信息;
具体地,考虑到生成第一推荐话术时,还可以参考到第一交互数据中所涵盖的用户画像信息,以进一步提高后续基于第一推荐话术,进行商品推荐的准确性。因此,可以基于第一交互数据进行用户画像,得到用户画像信息。
此处的用户画像,即用户信息标签化,通过收集用户的社会属性、消费习惯、偏好特等各个维度的数据,进而对用户或者产品特征属性进行刻画,并对这些特征进行分析、统计,挖掘潜在价值信息,从而抽象出用户的全貌信息。此处的用户画像信息是指第一交互数据中涵盖的用户画像的信息。
图2是本发明提供的商品推荐方法中步骤120的流程示意图,如图2所示,步骤120包括:
步骤121,基于所述目标品类下的商品数据,确定与所述第一需求信息和所述用户画像信息相匹配的第一商品型号;
步骤122,基于所述用户画像信息,以及所述第一商品型号的推荐话术数据,生成针对所述第一商品型号的第一推荐话术。
具体地,可以基于目标品类下的商品数据,确定与第一需求信息和用户画像信息相匹配的第一商品型号。此处,可以借助商品推荐模型,确定与第一需求信息和用户画像信息相匹配的第一商品型号。
例如,在汽车推荐场景下,第一需求信息可以是“我想买20万以内的新能源车”,用户画像信息可以是“喜欢黑色系”,则,与第一需求信息和用户画像信息相匹配的第一商品型号可以是“黑色新能源车A(12万)、黑色新能源车B(13.8万)、黑色新能源车C(15.6万)和黑色新能源车D(17万)”。
在得到第一商品型号之后,可以基于用户画像信息,以及第一商品型号的推荐话术数据,生成针对第一商品型号的第一推荐话术。
此处,可以通过交互模型(例如,LLM模型)实现更加偏向于用户画像信息的第一商品型号的第一推荐话术。例如可以基于用户画像信息和第一商品型号生成自然语言文本“请生成为【用户画像信息】的用户推荐【第一商品型号】的语段”输入到交互模型中,以获取第一推荐话术。例如,用户画像信息是“喜欢黑色系”,第一商品型号为“新能源车A”,由此,为用户画像信息为【喜欢黑色系】的用户推荐的【新能源车A】的第一推荐话术可以是“这款新能源车A颜色为暗黑色,外观特别好看,并且暗黑色是精心设计的,让您与众不同。”
本发明实施例提供的方法,基于目标品类下的商品数据,确定与第一需求信息和用户画像信息相匹配的第一商品型号,再基于用户画像信息和第一商品型号的推荐话术数据,生成针对第一商品型号的第一推荐话术,结合了第一交互数据中所涵盖的用户画像信息,进一步提高了后续基于第一推荐话术,进行商品推荐的准确性。
基于上述实施例,步骤121包括:
步骤1211,基于商品推荐模型,确定与所述第一需求信息和所述用户画像信息相匹配的第一商品型号;
所述商品推荐模型是基于所述目标品类下的商品数据、样本需求信息和样本用户画像信息,以及与所述样本需求信息和所述样本用户画像信息相匹配的标签商品型号训练得到的。
具体地,为了更好地确定与第一需求信息和用户画像信息相匹配的第一商品型号,需要在步骤1211执行之前,通过如下步骤获取商品推荐模型:
可以预先收集目标品类下的商品数据、样本需求信息和样本用户画像信息,以及与样本需求信息和样本用户画像信息相匹配的标签商品型号,还可以预先构建初始商品推荐模型,此处的初始商品推荐模型可以是LLM模型,例如可以是ChatGPT模型、T5模型、GPT-NeoX-20B模型和GPT-3模型等预训练模型,本发明实施例对此不作具体限定。
初始商品推荐模型的参数可以是随机生成的,也可以是预先设置的,本发明实施例对此不作具体限定。
在得到初始商品推荐模型之后,即可应用预先收集好的目标品类下的商品数据、样本需求信息和样本用户画像信息,以及与样本需求信息和样本用户画像信息相匹配的标签商品型号,对初始商品推荐模型进行训练:
首先,将目标品类下的商品数据、样本需求信息和样本用户画像信息输入至初始商品推荐模型中,由初始商品推荐模型输出与样本需求信息和样本用户画像信息相匹配的预测商品型号。
在基于初始商品推荐模型得到预测商品型号后,即可将预测商品型号与预先收集的标签商品型号进行比较,根据此两者之间的差异程度计算得到损失函数值,并基于损失函数值对初始商品推荐模型进行参数迭代,并将完成参数迭代之后的初始商品推荐模型确定为商品推荐模型。
可以理解的是,预测商品型号与预先收集的标签商品型号之间的差异程度越大,损失函数值越大;预测商品型号与预先收集的标签商品型号之间的差异程度越小,损失函数值越小。
此处,可以使用交叉熵损失函数(Cross Entropy Loss Function),也可以使用均方误差损失函数(Mean Squared Error,MSE),还可以使用随机梯度下降法对初始商品推荐模型的参数进行更新,本发明实施例对此不作具体限定。
即,在初始商品推荐模型的训练过程中,学习到了确定与第一需求信息和用户画像信息相匹配的第一商品型号的功能。
基于上述实施例,图3是本发明提供的商品推荐方法中步骤122的流程示意图,如3所示,步骤122包括:
步骤1221,在存在多个第一商品型号的情况下,比对所述多个第一商品型号分别对应的商品数据,得到多类区别信息;
步骤1222,基于所述用户画像信息和所述第一需求信息,从所述多类区别信息中确定出目标区别信息;
步骤1223,基于所述多个第一商品型号的推荐话术数据,以及所述目标区别信息,生成所述第一推荐话术。
具体地,考虑到与第一需求信息和用户画像信息相匹配的第一商品型号可能存在多个,而直接基于多个第一商品型号生成多个第一推荐话术,增加了用户的选择数目,达不到精准推荐的需求,同时,也降低了用户的体验感。
因此,在存在多个第一商品型号的情况下,可以比对多个第一商品型号分别对应的商品数据,得到多类区别信息。此处的多类区别信息是指多个第一商品型号分别对应的商品数据之间的区别点信息。
例如,在汽车推荐场景下,多个第一商品型号可以是白色新能源车A(12万)、黑色新能源车B(15万)和白色汽油车C(20万),由此,可知多类区别信息可以包括颜色、价位和类型。
在得到多类区别信息之后,可以基于用户画像信息和第一需求信息,从多类区别信息中确定出目标区别信息,此处的目标区别信息是指多类区别信息中用户感兴趣的区别信息。
最后,可以基于多个第一商品型号的推荐话术数据,以及目标区别信息,生成第一推荐话术。
例如,在目标区别信息为颜色的情况下,可以基于多个第一商品型号的推荐话术数据,以及颜色,生成第一推荐话术,即第一推荐话术中涵盖了用户重点关注的颜色信息。
此处,可以通过交互模型(例如,LLM模型)实现更加偏向于目标区别信息(例如颜色、内饰等)的第一推荐话术。
本发明实施例提供的方法,基于多个第一商品型号的推荐话术数据,以及目标区别信息,生成第一推荐话术,目标区别信息是指多类区别信息中用户感兴趣的区别信息,由此,基于第一推荐话术,进行商品推荐,进一步提高了商品推荐的准确性和可靠性。
基于上述实施例,图4是本发明提供的商品推荐方法中步骤130的流程示意图之一,如图4所示,步骤130包括:
步骤131,基于所述第一推荐话术,获取第二交互数据,并从所述第二交互数据中挖掘所述目标品类下的第二需求信息;
步骤132,基于所述第二需求信息,对所述第一商品型号进行调整,得到与所述第二需求信息相匹配的第二商品型号,并生成针对所述第二商品型号的第二推荐话术;
步骤133,基于所述第二推荐话术,进行商品推荐。
具体地,考虑到基于第一推荐话术进行商品推荐之后,还会获取到用户的第二交互数据,而针对第二交互数据,涵盖了不同的需求信息,由此可能生成不同的推荐话术,用于商品推荐。
即,可以基于第一推荐话术,获取第二交互数据,此处的第二交互数据是指在交互过程中,基于第一推荐话术的用户反馈数据。
此处,第二交互数据可以是语音形式的交互对话,也可以是文本形式的交互对话等,本发明实施例对此不作具体限定。
在获取到第二交互数据之后,可以从第二交互数据中挖掘目标品类下的第二需求信息,此处,从第二交互数据中挖掘目标品类下的第二需求信息与基于第一交互数据挖掘目标品类下的第一需求信息相同,即也可以通过交互模型实现,此处不再赘述。
可以理解的是,第二需求信息反映了用户对于商品推荐的进一步需求。
在得到第二需求信息之后,可以基于第二需求信息,对第一商品型号进行调整,得到与第二需求信息相匹配的第二商品型号,并生成针对第二商品型号的第二推荐话术。此处的第二推荐话术是指针对第二商品型号的商品推荐话术。
此处,可以基于目标品类下的商品数据和推荐话术数据,确定与第二需求信息相匹配的第二商品型号,也可以对第二交互数据进行用户画像,得到用户画像信息,并结合用户画像信息,确定与第二需求信息和用户画像信息相匹配的第二商品型号,此处的第二商品型号是指用户最新想要了解的商品对应的型号。
此处,可以将第二需求信息输入至交互模型中,由交互模型基于目标品类下的商品数据和推荐话术数据,确定与第二需求信息相匹配的第二商品型号,同理,此处的交互模型可以是LLM模型,例如可以是ChatGPT模型、T5模型、GPT-NeoX-20B模型和GPT-3模型等预训练模型,本发明实施例对此不作具体限定。
此处,生成针对第二商品型号的第二推荐话术还可以结合第一商品型号与第二商品型号之间的差异型号。
在得到第二推荐话术之后,可以基于第二推荐话术,进行商品推荐。此处的第二推荐话术是指针对第二商品型号的商品推荐话术。
本发明实施例提供的方法,基于第一推荐话术,获取第二交互数据,并从第二交互数据中挖掘目标品类下的第二需求信息,再基于第二需求信息,对第一商品型号进行调整,得到与第二需求信息相匹配的第二商品型号,并生成针对第二商品型号的第二推荐话术,最后,基于第二推荐话术,进行商品推荐。第二交互数据是针对第一推荐话术的反馈数据,基于对第一商品型号进行调整得到的第二商品型号进行后续商品推荐,提高了用户的体验感,也进一步提高了商品推荐的准确性和可靠性。
基于上述实施例,图5是本发明提供的商品推荐方法中步骤132的流程示意图,如图5所示,步骤132中所述生成针对所述第二商品型号的第二推荐话术,包括:
步骤510,确定所述第一商品型号与所述第二商品型号之间的型号差异信息;
步骤520,基于所述型号差异信息,以及所述第二商品型号,生成所述第二推荐话术。
具体地,考虑到对第一商品型号进行调整后得到的第二商品型号必然与第一商品型号不同,而第一商品型号与第二商品型号之间的型号差异信息,也会对第二推荐话术的生成产生影响。
因此,可以确定第一商品型号与第二商品型号之间的型号差异信息,此处的型号差异信息反映了第一商品型号与第二商品型号之间的型号差异情况。
同理,可以将第一商品型号与第二商品型号输入至交互模型中,由交互模型输出第一商品型号与第二商品型号之间的型号差异信息,此处的交互模型可以是LLM模型,例如可以是ChatGPT模型、T5模型、GPT-NeoX-20B模型和GPT-3模型等预训练模型,本发明实施例对此不作具体限定。
在确定型号差异信息之后,可以基于型号差异信息,以及第二商品型号,生成第二推荐话术。即,可以在生成第二推荐话术时,增强第二商品型号的型号差异信息对应的区别说明。
例如,第二商品型号是黑色新能源车A,型号差异信息是车辆漆色和座椅皮质,则第二推荐话术可以是“新能源车A的车辆漆色是暗黑色,特别好看,座椅皮质是真皮的,坐上去特别舒服”。
本发明实施例提供的方法,确定第一商品型号与第二商品型号之间的型号差异信息,再基于型号差异信息,以及第二商品型号,生成第二推荐话术,型号差异信息反映了第一商品型号与第二商品型号之间的型号差异情况,由此,提高了后续基于第二推荐话术进行商品推荐的准确性。
基于上述实施例,图6是本发明提供的商品推荐方法中步骤131的流程示意图,如图6所示,步骤131中所述从所述第二交互数据中挖掘所述目标品类下的第二需求信息,包括:
步骤610,对所述第二交互数据进行情绪识别,得到所述第二交互数据对应的情绪类别;
步骤620,在所述情绪类别为预设情绪类别的情况下,从所述第二交互数据中挖掘所述目标品类下的第二需求信息。
具体地,考虑到获取到第二交互数据后,用户可能不满意还需要继续进行商品推荐,也可能当前推荐商品已经满足用户的需求,从而不需要继续进行商品推荐。
因此,可以对第二交互数据进行情绪识别,得到第二交互数据对应的情绪类别,此处对第二交互数据进行情绪识别可以使用交互模型,也可以使用特征编码模型和情绪分类器等,此处的特征编码模型可以是Transformer模型,也可以是级联结构的多层卷积神经网络(Convolutional Neural Network,CNN),还可以是深度神经网络(Deep NeuralNetworks,DNN)和CNN的组合结构等,此处的情绪分类器可以是softmax层等,本发明实施例对此不作具体限定。
此处,第二交互数据对应的情绪类别可以包括开心、愤怒、哀怨、惊讶、厌恶和中立中的任意一种。
在得到第二交互数据对应的情绪类别之后,可以在情绪类别为预设情绪类别的情况下,从第二交互数据中挖掘目标品类下的第二需求信息。此处的预设情绪类别是指预先设定的情绪类别,预设情绪类别可以包括愤怒、哀怨、厌恶和中立,即预设情绪类别反映了用户不满的情绪。
本发明实施例提供的方法,对第二交互数据进行情绪识别,得到第二交互数据对应的情绪类别,在情绪类别为预设情绪类别的情况下,从第二交互数据中挖掘目标品类下的第二需求信息,从而保证了在用户不满意推荐结果的情况下,也会持续给用户进行商品推荐,提高了用户的体验感,同时,也提高了商品推荐的准确性和可靠性。
基于上述实施例,图7是本发明提供的商品推荐方法中步骤130的流程示意图之二,如图7所示,步骤130,之后还包括:
步骤710,获取第三交互数据;
步骤720,基于所述第三交互数据,进行购买欲望强度检测,得到购买欲望强度;
步骤730,在所述购买欲望强度大于预设阈值的情况下,向预设终端发送客户需求信息。
具体地,考虑到在进行商品推荐之后,需要实时判断用户的购买欲望,并根据用户的购买欲望确定是否还需要继续进行商品推荐,也可能当前推荐商品已经满足用户的需求,从而需要将客户需求信息发送给预设终端来接待。
因此,可以获取第三交互数据,此处的第三交互数据可以是语音形式的交互对话,也可以是文本形式的交互对话等,本发明实施例对此不作具体限定。
然后,可以基于第三交互数据,进行购买欲望强度检测,得到购买欲望强度。此处,基于第三交互数据,进行购买欲望强度检测可以通过购物欲望强度检测模型实现,即可以将第三交互数据输入至购物欲望强度检测模型中,由购物欲望强度检测模型得到并输出购买欲望强度。
此处的购物欲望强度检测模型可以是基于样本购买动作、样本交互数据和标签购物欲望强度训练得到的。此处的样本交互数据可以是“那就买这辆吧”、“就要这辆了”和“这辆我定了”等,本发明实施例对此不作具体限定。
即在购物欲望强度检测模型的训练过程中,可以将样本交互数据和样本购买动作输入至初始检测模型中,由初始检测模型得到并输出预测购物欲望强度。此处的初始检测模型的参数可以是预先设置的,也可以是随机生成的,本发明实施例对此不作具体限定。
在基于初始检测模型得到预测购物欲望强度之后,即可以将预测购物欲望强度与标签购物欲望强度进行比较,基于此两者之间的差异程度确定损失函数值,并基于损失函数值对初始检测模型进行参数迭代,将完成参数迭代之后的初始检测模型确定为购物欲望强度检测模型。
可以理解的是,预测购物欲望强度与标签购物欲望强度之间的差异程度越大,损失函数值越大;预测购物欲望强度与标签购物欲望强度之间的差异程度越小,损失函数值越小。
此处的购物欲望强度反映了用户购买商品的意向情况,可以理解的是,购物欲望强度越大,用户购买商品的可能性越大;购物欲望强度越小,用户购买商品的可能性越小。
在得到购物欲望强度之后,可以在购买欲望强度大于预设阈值的情况下,向预设终端发送客户需求信息。此处的客户需求信息反映了用户对于商品型号的需求情况。
此处的预设阈值可以是0.8,也可以是0.85等,本发明实施例对此不作具体限定。
此处的预设终端可以是人工实际操作的终端,例如,预设终端可以是电脑、笔记本、平板电脑等,本发明实施例对此不作具体限定。
本发明实施例提供的方法,获取第三交互数据,基于第三交互数据,进行购买欲望强度检测,得到购买欲望强度,在购买欲望强度大于预设阈值的情况下,向预设终端发送客户需求信息,从而保证了在用户购买欲望强度较高的情况下,为用户转接人工接待,提高了用户的体验感,同时,也提高了商品推荐的成功率。
基于上述任一实施例,一种商品推荐方法,步骤如下:
第一步,获取第一交互数据,基于第一交互数据挖掘目标品类下的第一需求信息。
第二步,基于第一交互数据进行用户画像,得到用户画像信息。
第三步,基于商品推荐模型,确定与第一需求信息和所述用户画像信息相匹配的第一商品型号,此处的商品推荐模型是基于目标品类下的商品数据、样本需求信息和样本用户画像信息,以及与样本需求信息和样本用户画像信息相匹配的标签商品型号训练得到的。
第四步,在存在多个第一商品型号的情况下,比对多个第一商品型号分别对应的商品数据,得到多类区别信息。
第五步,基于用户画像信息和第一需求信息,从多类区别信息中确定出目标区别信息。
第六步,基于多个第一商品型号的推荐话术数据,以及目标区别信息,生成第一推荐话术。
第七步,基于第一推荐话术,获取第二交互数据,对第二交互数据进行情绪识别,得到第二交互数据对应的情绪类别。
此外,还可以获取第三交互数据,再基于第三交互数据,进行购买欲望强度检测,得到购买欲望强度,并在购买欲望强度大于预设阈值的情况下,向预设终端发送客户需求信息。
第八步,在情绪类别为预设情绪类别的情况下,从第二交互数据中挖掘目标品类下的第二需求信息。
第九步,基于第二需求信息,对第一商品型号进行调整,得到与第二需求信息相匹配的第二商品型号,并确定第一商品型号与第二商品型号之间的型号差异信息,最后,可以基于型号差异信息,以及第二商品型号,生成第二推荐话术。
第十步,可以基于第二推荐话术,进行商品推荐。
下面对本发明提供的商品推荐装置进行描述,下文描述的商品推荐装置与上文描述的商品推荐方法可相互对应参照。
基于上述任一实施例,本发明提供一种商品推荐装置,图8是本发明提供的商品推荐装置的结构示意图,如图8所示,该装置包括:
获取单元810,用于获取第一交互数据,基于所述第一交互数据挖掘目标品类下的第一需求信息;
生成单元820,用于基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术;
商品推荐单元830,用于基于所述第一推荐话术,进行商品推荐。
本发明实施例提供的装置,获取第一交互数据,基于第一交互数据挖掘目标品类下的第一需求信息,再基于目标品类下的商品数据和推荐话术数据,确定与第一需求信息相匹配的第一商品型号,并生成针对第一商品型号的第一推荐话术,最后,基于第一推荐话术,进行商品推荐。第一推荐话术是针对第一商品型号生成的,而第一商品型号与第一需求信息相匹配,由此,生成的第一推荐话术用于进行商品推荐,极大地提高了商品推荐的准确性和可靠性,并且,商品推荐方法应用于交互场景下,由此,在用户数据不足的情况下也能保证商品推荐的准确性,极大降低了基于交互的商品推荐的执行门槛,有助于扩宽商品推荐的应用范围。
基于上述任一实施例,还包括:
基于所述第一交互数据进行用户画像,得到用户画像信息;
生成单元820具体用于:
确定第一商品型号单元,用于基于所述目标品类下的商品数据,确定与所述第一需求信息和所述用户画像信息相匹配的第一商品型号;
生成第一推荐话术单元,用于基于所述用户画像信息,以及所述第一商品型号的推荐话术数据,生成针对所述第一商品型号的第一推荐话术。
基于上述任一实施例,确定第一商品型号单元具体用于:
基于商品推荐模型,确定与所述第一需求信息和所述用户画像信息相匹配的第一商品型号;
所述商品推荐模型是基于所述目标品类下的商品数据、样本需求信息和样本用户画像信息,以及与所述样本需求信息和所述样本用户画像信息相匹配的标签商品型号训练得到的。
基于上述任一实施例,生成第一推荐话术单元具体用于:
在存在多个第一商品型号的情况下,比对所述多个第一商品型号分别对应的商品数据,得到多类区别信息;
基于所述用户画像信息和所述第一需求信息,从所述多类区别信息中确定出目标区别信息;
基于所述多个第一商品型号的推荐话术数据,以及所述目标区别信息,生成所述第一推荐话术。
基于上述任一实施例,商品推荐单元830具体用于:
挖掘第二需求信息单元,用于基于所述第一推荐话术,获取第二交互数据,并从所述第二交互数据中挖掘所述目标品类下的第二需求信息;
生成第二推荐话术单元,用于基于所述第二需求信息,对所述第一商品型号进行调整,得到与所述第二需求信息相匹配的第二商品型号,并生成针对所述第二商品型号的第二推荐话术;
商品推荐子单元,用于基于所述第二推荐话术,进行商品推荐。
基于上述任一实施例,生成第二推荐话术单元具体用于:
确定所述第一商品型号与所述第二商品型号之间的型号差异信息;
基于所述型号差异信息,以及所述第二商品型号,生成所述第二推荐话术。
基于上述任一实施例,挖掘第二需求信息单元具体用于:
情绪识别单元,用于对所述第二交互数据进行情绪识别,得到所述第二交互数据对应的情绪类别;
挖掘单元,用于在所述情绪类别为预设情绪类别的情况下,从所述第二交互数据中挖掘所述目标品类下的第二需求信息。
基于上述任一实施例,所述基于所述第一推荐话术,进行商品推荐,之后还包括:
获取第三交互数据;
基于所述第三交互数据,进行购买欲望强度检测,得到购买欲望强度;
在所述购买欲望强度大于预设阈值的情况下,向预设终端发送客户需求信息。
图9示例了一种机器人的结构示意图,如图9所示,该机器人可以包括上述商品推荐装置910,商品推荐装置910包括获取单元810,生成单元820和商品推荐单元830。获取单元810,用于获取第一交互数据,基于所述第一交互数据挖掘目标品类下的第一需求信息;生成单元820,用于基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术;商品推荐单元830,用于基于所述第一推荐话术,进行商品推荐。
图10示例了一种电子设备的实体结构示意图,如图10所示,该电子设备可以包括:处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040,其中,处理器1010,通信接口1020,存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器830中的逻辑指令,以执行商品推荐方法,该方法包括:获取第一交互数据,基于所述第一交互数据挖掘目标品类下的第一需求信息;基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术;基于所述第一推荐话术,进行商品推荐。
此外,上述的存储器1030中的逻辑指令可以通过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或者该技术方案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中,包括若干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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的商品推荐方法,该方法包括:获取第一交互数据,基于所述第一交互数据挖掘目标品类下的第一需求信息;基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术;基于所述第一推荐话术,进行商品推荐。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的商品推荐方法,该方法包括:获取第一交互数据,基于所述第一交互数据挖掘目标品类下的第一需求信息;基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术;基于所述第一推荐话术,进行商品推荐。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干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)执行各个实施例或者实施例的某些部分所述的方法。
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,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种商品推荐方法,其特征在于,包括:
获取第一交互数据,基于所述第一交互数据挖掘目标品类下的第一需求信息;
基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术;
基于所述第一推荐话术,进行商品推荐。
2.根据权利要求1所述的商品推荐方法,其特征在于,还包括:
基于所述第一交互数据进行用户画像,得到用户画像信息;
所述基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术,包括:
基于所述目标品类下的商品数据,确定与所述第一需求信息和所述用户画像信息相匹配的第一商品型号;
基于所述用户画像信息,以及所述第一商品型号的推荐话术数据,生成针对所述第一商品型号的第一推荐话术。
3.根据权利要求2所述的商品推荐方法,其特征在于,所述基于所述目标品类下的商品数据,确定与所述第一需求信息和所述用户画像信息相匹配的第一商品型号,包括:
基于商品推荐模型,确定与所述第一需求信息和所述用户画像信息相匹配的第一商品型号;
所述商品推荐模型是基于所述目标品类下的商品数据、样本需求信息和样本用户画像信息,以及与所述样本需求信息和所述样本用户画像信息相匹配的标签商品型号训练得到的。
4.根据权利要求2所述的商品推荐方法,其特征在于,所述基于所述用户画像信息,以及所述第一商品型号的推荐话术数据,生成针对所述第一商品型号的第一推荐话术,包括:
在存在多个第一商品型号的情况下,比对所述多个第一商品型号分别对应的商品数据,得到多类区别信息;
基于所述用户画像信息和所述第一需求信息,从所述多类区别信息中确定出目标区别信息;
基于所述多个第一商品型号的推荐话术数据,以及所述目标区别信息,生成所述第一推荐话术。
5.根据权利要求1至4中任一项所述的商品推荐方法,其特征在于,所述基于所述第一推荐话术,进行商品推荐,包括:
基于所述第一推荐话术,获取第二交互数据,并从所述第二交互数据中挖掘所述目标品类下的第二需求信息;
基于所述第二需求信息,对所述第一商品型号进行调整,得到与所述第二需求信息相匹配的第二商品型号,并生成针对所述第二商品型号的第二推荐话术;
基于所述第二推荐话术,进行商品推荐。
6.根据权利要求5所述的商品推荐方法,其特征在于,所述生成针对所述第二商品型号的第二推荐话术,包括:
确定所述第一商品型号与所述第二商品型号之间的型号差异信息;
基于所述型号差异信息,以及所述第二商品型号,生成所述第二推荐话术。
7.根据权利要求5所述的商品推荐方法,其特征在于,所述从所述第二交互数据中挖掘所述目标品类下的第二需求信息,包括:
对所述第二交互数据进行情绪识别,得到所述第二交互数据对应的情绪类别;
在所述情绪类别为预设情绪类别的情况下,从所述第二交互数据中挖掘所述目标品类下的第二需求信息。
8.根据权利要求1至4中任一项所述的商品推荐方法,其特征在于,所述基于所述第一推荐话术,进行商品推荐,之后还包括:
获取第三交互数据;
基于所述第三交互数据,进行购买欲望强度检测,得到购买欲望强度;
在所述购买欲望强度大于预设阈值的情况下,向预设终端发送客户需求信息。
9.一种商品推荐装置,其特征在于,包括:
获取单元,用于获取第一交互数据,基于所述第一交互数据挖掘目标品类下的第一需求信息;
生成单元,用于基于所述目标品类下的商品数据和推荐话术数据,确定与所述第一需求信息相匹配的第一商品型号,并生成针对所述第一商品型号的第一推荐话术;
商品推荐单元,用于基于所述第一推荐话术,进行商品推荐。
10.一种机器人,其特征在于,包括如权利要求9所述的商品推荐装置。
11.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述商品推荐方法。
12.一种非暂态计算机可读存储介质,其上存储有计算机程序,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8任一项所述商品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546519.9A CN116596618A (zh) | 2023-05-12 | 2023-05-12 | 商品推荐方法、装置、机器人、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546519.9A CN116596618A (zh) | 2023-05-12 | 2023-05-12 | 商品推荐方法、装置、机器人、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596618A true CN116596618A (zh) | 2023-08-15 |
Family
ID=87598479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310546519.9A Pending CN116596618A (zh) | 2023-05-12 | 2023-05-12 | 商品推荐方法、装置、机器人、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596618A (zh) |
-
2023
- 2023-05-12 CN CN202310546519.9A patent/CN116596618A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427617B (zh) | 推送信息的生成方法及装置 | |
CN111198937B (zh) | 对话生成及装置、计算机可读存储介质、电子设备 | |
CN107292696B (zh) | 一种汽车智能导购系统以及实现方法 | |
CN110209789B (zh) | 一种用户注意力引导的多模态对话系统及方法 | |
CN111966800B (zh) | 情感对话生成方法、装置及情感对话模型训练方法、装置 | |
CN112328849B (zh) | 用户画像的构建方法、基于用户画像的对话方法及装置 | |
CN106448670A (zh) | 基于深度学习和强化学习的自动回复对话系统 | |
US10984034B1 (en) | Dialogue management system with hierarchical classification and progression | |
CN111353091A (zh) | 信息处理方法、装置、电子设备及可读存储介质 | |
CN113239147A (zh) | 基于图神经网络的智能会话方法、系统及介质 | |
KR102100214B1 (ko) | 음성 인식 기반의 세일즈 대화 분석 방법 및 장치 | |
Kaur et al. | Review of artificial intelligence with retailing sector | |
CN116049360A (zh) | 基于客户画像的智能语音对话场景话术干预方法及系统 | |
CN113420129B (zh) | 一种基于大型通用预训练模型控制对话生成的方法 | |
CN116595150A (zh) | 一种对话推荐方法、装置、设备及存储介质 | |
CN117592489B (zh) | 一种利用大语言模型实现电商商品信息交互的方法及系统 | |
CN111429157A (zh) | 投诉工单的评价处理方法、装置、设备及存储介质 | |
CN114386426B (zh) | 一种基于多元语义融合的金牌话术推荐方法及装置 | |
CN117114745B (zh) | 一种意向车型预测方法及装置 | |
CN114005446A (zh) | 情感分析方法、相关设备及可读存储介质 | |
CN111309882B (zh) | 用于实现智能客服问答的方法和装置 | |
CN110851694A (zh) | 基于用户记忆网络和树形结构的深度模型的个性化推荐系统 | |
CN117271745A (zh) | 一种信息处理方法、装置及计算设备、存储介质 | |
CN111652668A (zh) | 一种区块链供应链金融系统 | |
CN116596618A (zh) | 商品推荐方法、装置、机器人、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 |