CN117131263A - 产品推荐方法、产品推荐装置、电子设备及存储介质 - Google Patents
产品推荐方法、产品推荐装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117131263A CN117131263A CN202310931884.1A CN202310931884A CN117131263A CN 117131263 A CN117131263 A CN 117131263A CN 202310931884 A CN202310931884 A CN 202310931884A CN 117131263 A CN117131263 A CN 117131263A
- Authority
- CN
- China
- Prior art keywords
- data
- preference
- target object
- target
- decision
- 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 66
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000012512 characterization method Methods 0.000 claims abstract description 37
- 238000010276 construction Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 101
- 238000012216 screening Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 16
- 239000000047 product Substances 0.000 description 204
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 12
- 238000003058 natural language processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 239000013067 intermediate product Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012549 training Methods 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
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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 Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Animal Behavior & Ethology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种产品推荐方法、产品推荐装置、电子设备及存储介质,属于金融科技领域。该方法包括:获取目标对象在虚拟会话场景中产生的音频数据和虚拟行为数据;对音频数据进行内容分析,得到语义表征数据;基于虚拟行为数据对目标对象进行决策偏好分析,得到决策偏好数据;基于语义表征数据和决策偏好数据进行画像构建,得到目标对象的对象画像;基于语义表征数据对目标对象进行偏好主题识别,得到对象偏好主题;基于预设的知识图谱、对象偏好主题以及对象画像向目标对象进行产品推荐。本申请实施例能够提高产品推荐的准确性。
Description
技术领域
本申请涉及金融科技领域,尤其涉及一种产品推荐方法、产品推荐装置、电子设备及存储介质。
背景技术
随着智能金融的发展,客户对投资理财、保险等金融产品的需求日益增长。但是在互联网时代信息爆炸的情况下,各类资讯信息种类繁多,数据庞大,而客户的时间往往呈现碎片化,常常无法在大量资讯中快速检索到自己感兴趣的相关投资资讯信息。
目前,大多数产品推荐方法都是按照话题热度、新颖度等进行金融产品推荐,往往都没有针对金融投资理财领域做深度的分析和建模,在推荐过程中常常会忽略客户的真实需求,会存在着产品推荐的准确性不高的问题。
发明内容
本申请实施例的主要目的在于提出一种产品推荐方法、产品推荐装置、电子设备及存储介质,旨在提高产品推荐的准确性。
为实现上述目的,本申请实施例的第一方面提出了一种产品推荐方法,所述方法包括:
获取目标对象在虚拟会话场景中产生的音频数据和虚拟行为数据;
对所述音频数据进行内容分析,得到语义表征数据;
基于所述虚拟行为数据对所述目标对象进行决策偏好分析,得到决策偏好数据;
基于所述语义表征数据和所述决策偏好数据进行画像构建,得到所述目标对象的对象画像;
基于所述语义表征数据对所述目标对象进行偏好主题识别,得到对象偏好主题;
基于预设的知识图谱、所述对象偏好主题以及所述对象画像向所述目标对象进行产品推荐。
在一些实施例,所述对所述音频数据进行内容分析,得到语义表征数据,包括:
对所述音频数据进行语音识别,得到文本数据;
对所述文本数据进行语义分析,得到所述语义表征数据。
在一些实施例,所述虚拟行为数据包括每个虚拟行为的决策数据,所述基于所述虚拟行为数据对所述目标对象进行决策偏好分析,得到决策偏好数据,包括:
针对每个所述虚拟行为,获取所述虚拟行为的基准特征和行为权重,并从所述决策数据中提取所述虚拟行为的时序特征;
针对每个所述虚拟行为,基于所述行为权重对所述时序特征和所述基准特征进行偏差分析,得到决策行为偏差数据;
对所有虚拟行为的决策行为偏差数据进行整合处理,得到行为总偏差数据;
对所述行为总偏差数据进行积分运算,得到所述决策偏好数据。
在一些实施例,所述基于所述语义表征数据对所述目标对象进行偏好主题识别,得到对象偏好主题,包括:
对所述语义表征数据进行关键词提取,得到目标关键词;
计算所述目标关键词和预设主题之间的相似度,得到主题匹配度;
根据所述主题匹配度从所述预设主题筛选出所述对象偏好主题。
在一些实施例,所述知识图谱用于反映对象画像、对象偏好主题、以及候选产品之间的关联程度;所述基于预设的知识图谱、所述对象偏好主题以及所述对象画像向所述目标对象进行产品推荐,包括:
遍历所述知识图谱,获取每个所述候选产品与所述对象偏好主题的第一关联分数;
遍历所述知识图谱,获取每个所述候选产品与所述对象画像的第二关联分数;
基于所述第一关联分数和所述第二关联分数,从多个所述候选产品中筛选出所述目标产品;
将所述目标产品推荐给所述目标对象。
在一些实施例,所述基于所述第一关联分数和所述第二关联分数,从多个所述候选产品中筛选出所述目标产品,包括:
对所述第一关联分数和所述第二关联分数进行加权和,得到每个所述候选产品的关联总分数;
基于所述关联总分数,从多个所述候选产品中筛选出预定数目个所述目标产品。
在一些实施例,在所述将所述目标产品推荐给所述目标对象之后,所述方法还包括:
获取所述目标对象对所述目标产品的反馈数据;
基于所述反馈数据对所述对象画像、所述对象偏好主题中的至少一种进行更新。
为实现上述目的,本申请实施例的第二方面提出了一种产品推荐装置,所述装置包括:
数据获取模块,用于获取目标对象在虚拟会话场景中产生的音频数据和虚拟行为数据;
内容分析模块,用于对所述音频数据进行内容分析,得到语义表征数据;
决策偏好分析模块,用于基于所述虚拟行为数据对所述目标对象进行决策偏好分析,得到决策偏好数据;
画像构建模块,用于基于所述语义表征数据和所述决策偏好数据进行画像构建,得到所述目标对象的对象画像;
主题识别模块,用于基于所述语义表征数据对所述目标对象进行偏好主题识别,得到对象偏好主题;
推荐模块,用于基于预设的知识图谱、所述对象偏好主题以及所述对象画像向所述目标对象进行产品推荐。
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,所述存储器存储有计算机程序,所述处理器执行所述计算机程序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程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请提出的产品推荐方法、产品推荐装置、电子设备及存储介质,其通过获取目标对象在虚拟会话场景中产生的音频数据和虚拟行为数据;对音频数据进行内容分析,得到语义表征数据,能够较为准确性确定音频数据的语义内容。进一步地,基于虚拟行为数据对目标对象进行决策偏好分析,得到决策偏好数据,能够较为方便地确定目标对象的决策偏好。进一步地,基于语义表征数据和决策偏好数据进行画像构建,得到目标对象的对象画像;基于语义表征数据对目标对象进行偏好主题识别,得到对象偏好主题;基于预设的知识图谱、对象偏好主题以及对象画像向目标对象进行产品推荐,能够利用知识图谱、结合目标对象的对象画像和对象偏好主题两方面来为目标对象推荐产品,使推荐的产品更加贴合目标对象的习惯偏好和真实需求,提高了产品推荐的合理性和准确性。
附图说明
图1是本申请实施例提供的产品推荐方法的流程图;
图2是图1中的步骤S102的流程图;
图3是图1中的步骤S103的流程图;
图4是图1中的步骤S105的流程图;
图5是图1中的步骤S106的流程图;
图6是图5中的步骤S503的流程图;
图7是本申请实施例提供的产品推荐方法的另一流程图;
图8是本申请实施例提供的产品推荐装置的结构示意图;
图9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。
信息抽取(Information Extraction,NER):从自然语言文本中抽取指定类型的实体、关系、事件等事实信息,并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的,例如句子、段落、篇章,文本信息正是由一些小的具体的单位构成的,例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取,当然,文本信息抽取技术所抽取的信息可以是各种类型的信息。
随着智能金融的发展,客户对投资理财、保险等金融产品的需求日益增长。但是在互联网时代信息爆炸的情况下,各类资讯信息种类繁多,数据庞大,而客户的时间往往呈现碎片化,常常无法在大量资讯中快速检索到自己感兴趣的相关投资资讯信息。
目前,大多数产品推荐方法都是按照话题热度、新颖度等进行金融产品推荐,往往都没有针对金融投资理财领域做深度的分析和建模,在推荐过程中常常会忽略客户的真实需求,会存在着产品推荐的准确性不高的问题。
基于此,本申请实施例提供了一种产品推荐方法、产品推荐装置、电子设备及存储介质,旨在提高产品推荐的准确性。
本申请实施例提供的产品推荐方法和装置、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产品推荐方法。
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产品推荐方法,涉及金融科技领域。本申请实施例提供的产品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;软件可以是实现产品推荐方法的应用等,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,当涉及到需要根据对象信息、对象行为数据,对象历史数据以及对象位置信息等与对象身份或特性相关的数据进行相关处理时,都会先获得对象的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关法律法规和标准。此外,当本申请实施例需要获取对象的个人信息时,会通过弹窗或者跳转到确认页面等方式获得对象的单独许可或者单独同意,在明确获得对象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对象相关数据。
图1是本申请实施例提供的产品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,获取目标对象在虚拟会话场景中产生的音频数据和虚拟行为数据;
步骤S102,对音频数据进行内容分析,得到语义表征数据;
步骤S103,基于虚拟行为数据对目标对象进行决策偏好分析,得到决策偏好数据;
步骤S104,基于语义表征数据和决策偏好数据进行画像构建,得到目标对象的对象画像;
步骤S105,基于语义表征数据对目标对象进行偏好主题识别,得到对象偏好主题;
步骤S106,基于预设的知识图谱、对象偏好主题以及对象画像向目标对象进行产品推荐。
本申请实施例所示意的步骤S101至步骤S106,通过获取目标对象在虚拟会话场景中产生的音频数据和虚拟行为数据;对音频数据进行内容分析,得到语义表征数据,能够较为准确性确定音频数据的语义内容。进一步地,基于虚拟行为数据对目标对象进行决策偏好分析,得到决策偏好数据,能够较为方便地确定目标对象的决策偏好。进一步地,基于语义表征数据和决策偏好数据进行画像构建,得到目标对象的对象画像;基于语义表征数据对目标对象进行偏好主题识别,得到对象偏好主题;基于预设的知识图谱、对象偏好主题以及对象画像向目标对象进行产品推荐,能够利用知识图谱、结合目标对象的对象画像和对象偏好主题两方面来为目标对象推荐产品,使推荐的产品更加贴合目标对象的习惯偏好和真实需求,提高了产品推荐的合理性和准确性。
在一些实施例的步骤S101中,虚拟会话场景指的是各个金融交易机构提供的模拟交易的体验场景。在模拟交易过程中,目标对象能够在虚拟会话场景中通过语音、文字等多种交互方式与交易代理人进行交互,从而产生音频数据或者文本数据,同时,目标对象还能在模拟交易过程中进行各种类型的交易决策,以达到较为真实的交易体验。其中,交易代理人可以是真实世界中各个金融交易机构的相关人员,也可以是各个金融交易机构在模拟交易场景中设置的虚拟人物,不做限制。
由于各种虚拟会话场景中的相关数据均会以日志形式被存储在服务器内,因此,可以从虚拟会话场景对应的后台日志中获取目标对象在虚拟会话场景中产生的音频数据和虚拟行为数据。其中,音频数据指的是目标对象在虚拟会话场景中与交易代理人沟通产生的数据,虚拟行为数据是指目标对象子啊虚拟会话场景中进行各种虚拟行为产生的决策数据。
需要说明的是,在实际应用中,目标对象的决策时间、决策内容参数量取决于金融交易机构提供的虚拟会话场景的场景数量。虚拟会话场景的场景数量越多,目标对象的决策时间越长、决策内容越多。
通过虚拟会话场景来模拟交易,能够减小真实资源的消耗,还能够以智能化的方式来获取目标对象的交易习惯和交易偏好,为目标对象进行更为精准的产品推荐,提高目标对象的交易体验感。
请参阅图2,在一些实施例中,步骤S102可以包括但不限于包括步骤S201至步骤S202:
步骤S201,对音频数据进行语音识别,得到文本数据;
步骤S202,对文本数据进行语义分析,得到语义表征数据。
下面对步骤S201至步骤S201进行详细描述。
在一些实施例的步骤S201中,可以通过ASR技术对音频数据进行语音识别。具体地,首先将音频数据输入基于ASR技术的语音识别模型。语音识别模型包括依次连接的全连接模块、双向RNN层以及全连接层,其中,全连接模块包括三个依次连接的全连接层。在将音频数据输入至语音识别模型之后,由全连接模块在时间维度上提取音频数据的音频帧特征。接着,由双向RNN层对音频帧特征进行内容提取,得到每一帧的文本特征;最后,由全连接层的softmax函数来计算文本特征属于每个字符的概率,选取概率最大的字符作为文本特征对应的字符。按照时间顺序,将所有字符串接,得到音频数据对应的文本数据。
在一些实施例的步骤S202中,首先对文本数据进行编码处理,得到文本编码特征,接着,使用基于transformer的预训练模型来提取文本编码特征中的字词级别的语义信息,随后,利用基于transformer的自注意力机制对字词级别的语义信息进行信息融合,得到融合语义特征。最后,利用解码器来对融合语义特征进行解码处理,得到语义表征数据,其中,语义表征数据是对音频数据进行语义理解的结果。
通过上述步骤S201至步骤S202能够较为准确性地识别音频数据在每个音频帧对应的字符数据,将字符数据按照时间先后顺序进行串接,得到文本数据,能够提高文本数据的准确性和全面性。进一步地,对文本数据进行语义分析,能够较为方便地确定出音频数据所要表征的语义信息,能够较为准确地对音频数据进行语义理解,得到语义表征数据。
请参阅图3,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S304:
步骤S301,针对每个虚拟行为,获取虚拟行为的基准特征和行为权重,并从决策数据中提取虚拟行为的时序特征;
步骤S302,针对每个虚拟行为,基于行为权重对时序特征和基准特征进行偏差分析,得到决策行为偏差数据;
步骤S303,对所有虚拟行为的决策行为偏差数据进行整合处理,得到行为总偏差数据;
步骤S304,对行为总偏差数据进行积分运算,得到决策偏好数据。
下面对步骤S301至步骤S304进行详细描述。
虚拟行为数据包括每个虚拟行为的决策数据。在虚拟会话场景中会提供多种类型的选择供目标对象进行选择,针对目标对象对不同选择的选择行为即为虚拟行为,虚拟行为的决策数据是指目标对象在不同选择行为上做出的判断等。
例如,在一些虚拟会话场景中,提供了股票、基金、证券、理财、保险、房地产等多种机会给目标对象进行选择。当目标对象选择了房地产,则目标对象的这一选择即为虚拟行为,目标对象在房地产中进行投资的金额等即为虚拟行为的决策数据。
在一些实施例的步骤S301中,针对每个虚拟行为,虚拟会话场景中会设置一些标定数据,这些标定数据用于衡量目标对象的虚拟行为的决策数据的偏差幅度。其中,标定数据包括虚拟行为的基准特征和行为权重,基准特征指的是各个虚拟行为的决策标准数据,行为权重是这个虚拟行为对预测目标对象的对象决策偏好的重要程度。由于每个虚拟会话场景中的标定数据是预先设置的,因此可以直接读取到虚拟行为的基准特征和行为权重。
进一步地,由于目标对象在虚拟会话场景中会产生各种各样的决策操作,根据目标对象在界面上的决策操作对应的数据,得到决策数据。接着,在时间维度上对决策数据中的行为内容进行提取,得到虚拟行为的时序特征。
在一些实施例的步骤S302中,在针对每个虚拟行为,基于行为权重对时序特征和基准特征进行偏差分析时,首先将时序特征和基准特征进行除法运算,得到除法结果,除法结果用于表示时序特征和基准特征的偏差幅度。接着,将除法结果与行为权重相乘,得到乘积结果,乘积结果用于表示这个虚拟行为的决策偏差对整体决策偏好的影响。最后,将乘积结果进行平方运算,得到决策行为偏差数据。
在一些实施例的步骤S303中,利用统计学中的求和函数对对所有虚拟行为的决策行为偏差数据进行求和处理,实现对目标对象在虚拟会话场景中的全部虚拟行为的决策偏差的整合,得到行为总偏差数据。
在一些实施例的步骤S304中,利用统计学的方式,对行为总偏差数据进行积分运算,实现在时序上对行为总偏差数据求积分值,将得到的积分值作为决策偏好数据。
例如,在一个具体实施例中,决策偏好数据的计算过程可以表示如公式(1)所示:
其中,f(x)指的是决策偏好数据,n是指第n个虚拟行为,m是指虚拟行为的总数,m是大于0的正整数,n是大于0,且小于或者等于m的整数。an指的是第n个虚拟行为的行为权重,bn指的是在第n个虚拟行为的决策数据中的时序特征,b指的是第n个虚拟行为的基准特征。
通过上述步骤S301至步骤S304能够将所有虚拟行为的决策数据用来预测目标对象的决策偏好,同时针对目标对象在整个虚拟会话场景中的各种虚拟行为,通过统计学上的各种数学运算来将决策偏好量化处理,能够较为清楚地反映目标对象的决策偏好,提高了决策偏好判断的准确性。
在一些实施例的步骤S104中,在基于语义表征数据和决策偏好数据进行画像构建,得到目标对象的对象画像时,首先通过命名实体识别算法对语义表征数据进行关键词提取,得到目标关键词;接着,整合目标关键词和决策偏好数据,得到对象画像。
例如,通过命名实体识别算法来对语义表征数据进行关键词提取,得到目标对象在投资风险类、投资收益类的关键词。根据决策偏好数据,来评估目标对象能够承担风险的大小,并评估目标对象对各种金融工具的偏好以及目标对象的资源配置习惯等等。其中,投资风险类的关键词包括健康、意外等等,投资收益类的关键词包括盈利、亏损等等。
请参阅图4,在一些实施例中,步骤S105可以包括但不限于包括步骤S401至步骤S403:
步骤S401,对语义表征数据进行关键词提取,得到目标关键词;
步骤S402,计算目标关键词和预设主题之间的相似度,得到主题匹配度;
步骤S403,根据主题匹配度从预设主题筛选出对象偏好主题。
下面对步骤S401至步骤S403进行详细描述。
在一些实施例的步骤S401中,在对语义表征数据进行关键词提取时,首先将语义表征数据由语义空间映射到向量空间,得到语义表征向量;接着,利用命名实体识别算法对语义表征向量中的实体特征进行识别,提取语义表征数据中的实体特征。进一步地,根据实体特征与预设词典中各个词语的匹配关系,选取预设词典中与实体特征的匹配度最高的词语作为目标关键词。其中,匹配度可以根据欧式距离、曼哈顿距离等计算得到,不做限制。
在一些实施例的步骤S402中,可以利用余弦相似度算法来计算目标关键词和预设主题之间的相似度。具体地,首先将预设主题和目标关键词进行向量化处理,接着利用余弦相似度算法计算向量形式的预设主题和目标关键词的相似度,将计算得到的相似度作为主题匹配度。主题匹配度越高,表明目标关键词属于预设主题的可能性越高,语义表征数据的具体内容与预设主题越匹配。
在一些实施例的步骤S403中,可以直接选取与目标关键词的主题匹配度最高的预设主题作为对象偏好主题。进一步地,为了提高主题多样性,也可以选取与目标关键词的主题匹配度大于预设匹配阈值的预设主题作为对象偏好主题。还可以选择与目标关键词的主题匹配度排在前预定名次的预设主题作为对象偏好主题,不做限制。其中,预设主题可以按照产品类型划分,预设主题包括保险类、证券类、理财类或者股票类。预设主题还可以按照业务类型划分,预设主题包括风险类、收益类等等。
通过上述步骤S401至步骤S403能够利用命名实体识别算法来获取语义表征数据中的目标关键词,进一步地,将目标关键词与预设主题进行相似度比对,从而选取相似度较高的预设主题作为目标对象的对象偏好主题,能够提高对象偏好主题的预测准确性。
请参阅图5,在一些实施例中,步骤S106可以包括但不限于包括步骤S501至步骤S504:
步骤S501,遍历知识图谱,获取每个候选产品与对象偏好主题的第一关联分数;
步骤S502,遍历知识图谱,获取每个候选产品与对象画像的第二关联分数;
步骤S503,基于第一关联分数和第二关联分数,从多个候选产品中筛选出目标产品;
步骤S504,将目标产品推荐给目标对象。
下面对步骤S501至步骤S504进行详细描述。
知识图谱用于反映对象画像、对象偏好主题、以及候选产品之间的关联程度。知识图谱本质上是一个实体-关系模型,不同的对象画像、对象偏好主题与候选产品之间会存在着强关联、弱关联的不同概率关系。
具体地,在知识图谱中,对象画像、对象偏好主题以及候选产品是节点,当对象画像与候选产品存在关联关系时,对象画像对应的节点和候选产品对应的节点之间会存在一条边,候选产品与对象画像的关联分数即为边权重。当对象偏好主题与候选产品存在关联关系时,偏好主题对应的节点和候选产品对应的节点之间会存在一条边,候选产品与偏好主题的关联分数即为边权重。其中,候选产品是金融交易中常见的产品,候选产品包括但不限于包括保险产品、理财产品、股票产品、以及证券产品等等。
在一些实施例的步骤S501中,遍历知识图谱,查询到对象偏好主题对应的节点,并查询基于对象偏好主题对应的节点确定的各个边,基于各个边确定与这个对象偏好主题对应的节点存在关联关系的候选产品,将各个边的边权重作为各个候选产品与这个对象偏好主题的第一关联分数。
在一些实施例的步骤S502中,遍历知识图谱,查询到对象画像对应的节点,并查询基于对象画像对应的节点确定的各个边,基于各个边确定与这个对象画像对应的节点存在关联关系的候选产品,将各个边的边权重作为各个候选产品与这个对象画像的第二关联分数。
在一些具体实施例中,基于第一关联分数,从多个候选产品中筛选出目标产品。具体地,可以根据第一关联分数的高低,将候选产品进行降序排列,选取位于前预定名次的候选产品作为目标产品。这一方式能够基于候选产品与对象偏好主题的关联程度,选取关联程度更高的候选产品作为目标产品推荐给目标对象,能够提高产品推荐的合理性。
在一些具体实施例中,基于第二关联分数,从多个候选产品中筛选出目标产品。具体地,可以根据第二关联分数的高低,将候选产品进行降序排列,选取位于前预定名次的候选产品作为目标产品。这一方式能够基于候选产品与对象画像的关联程度,选取关联程度更高的候选产品作为目标产品推荐给目标对象,能够提高产品推荐的合理性。
在一些实施例的步骤S503中,首先,对第一关联分数和第二关联分数进行加权和,得到每个候选产品的关联总分数。接着,基于关联总分数,从多个候选产品中筛选出预定数目个目标产品。
在一些实施例的步骤S504中,通过视频、音频或者图像等形式将目标产品推荐给目标对象,使目标对象较为方便地了解到目标产品的相关信息,并选取感兴趣的目标产品进行投资交易。
通过上述步骤S501至步骤S504能够利用知识图谱中候选产品与对象画像的关联关系、以及候选产品与对象偏好主题的关联关系,精确地确定出每个候选产品与目标对象的关联程度。进一步地,利用分数来量化各个候选产品与目标对象的对象画像、对象偏好主题的关联程度,使得能够更为精准地从多个候选产品中筛选出与目标对象更为匹配的目标产品,从而将目标产品推荐给目标对象,提高了产品推荐的准确性和合理性。
请参阅图6,在一些实施例中,步骤S503包括但不限于包括步骤S601至步骤S602:
步骤S601,对第一关联分数和第二关联分数进行加权和,得到每个候选产品的关联总分数;
步骤S602,基于关联总分数,从多个候选产品中筛选出预定数目个目标产品。
下面对步骤S601至步骤S602进行详细描述。
在一些实施例的步骤S601中,首先,设置第一权重和第二权重,第一权重用于表征候选产品与对象偏好主题的关联分数在产品筛选中的重要程度,第二权重用于表征候选产品与对象画像的关联分数在产品筛选中的重要程度。接着,针对每个候选产品,将第一权重和第一关联分数相乘,得到第一加权关联分数;将第二权重和第二关联分数相乘,得到第二加权关联分数。最后,将候选产品的第一加权关联分数和第二加权关联分数相加,得到候选产品的关联总分数。
在一些实施例的步骤S602中,预定数目可以根据实际情况确定,不做限制。具体地,基于关联总分数,从多个候选产品中筛选出预定数目个目标产品的方式包括但不限于以下几种:
方式1、从多个候选产品中筛选出关联总分数高于预设分数阈值的作为初步产品。接着,从初步产品中筛选出预定数目个作为目标产品。
方式2、根据关联总分数,对所有候选产品进行降序排列,选取前预定名次的候选产品作为初步产品。接着,从初步产品中筛选出预定数目个作为目标产品。
方式3、从多个候选产品中筛选出关联总分数高于预设分数阈值的作为初步产品。接着,根据关联总分数,对所有初步产品进行降序排列,选取前预定名次的初步产品作为中间产品。最后,从中间产品中筛选出预定数目个作为目标产品。其中,目标产品包括但不限于包括保险产品、理财产品、股票产品、以及证券产品等金融交易领域的常见产品。
通过上述步骤S601至步骤S602能够利用候选产品与对象偏好主题的第一关联分数、候选产品与对象画像的第二关联分数来综合评估每个候选产品与目标对象的关联程度。进一步地,基于每个候选产品的关联总分数,利用阈值比较、分数排序等方式从候选产品中筛选出目标产品,能够较好地控制目标产品的数量,也能将与目标对象的关联程度更高的候选产品推荐给目标对象,提高了产品推荐的准确性和合理性。
请参阅图7,在一些实施例中的步骤S504之后,产品推荐方法还可以包括但不限于包括步骤S701至步骤S702:
步骤S701,获取目标对象对目标产品的反馈数据;
步骤S702,基于反馈数据对对象画像、对象偏好主题中的至少一种进行更新。
下面对步骤S701至步骤S702进行详细描述。
在一些实施例的步骤S701中,由于目标对象对于目标产品的感兴趣程度会存在差异,即有一些目标产品是目标对象真实需求,是目标对象感兴趣的,但有一些目标产品是目标对象并不需要的,存在着推荐偏差。基于此,在向目标对象推荐了目标产品后,还需要采集目标对象对目标产品的各种行为操作,将各种行为操作对应的数据作为目标对象对目标产品的反馈数据。其中,行为操作包括删除、关闭、收藏、购买、分享等等。
例如,当目标对象对某个目标产品存在收藏、购买、分享等行为时,表明该目标产品是目标对象所感兴趣的产品。当目标对象对某个目标产品存在删除、关闭等行为时,表明该目标产品是目标对象不感兴趣的产品。
在一些实施例的步骤S702中,基于目标对象在反馈数据中对不同目标产品的不同行为操作,对对象画像、对象偏好主题中的至少一种进行更新。如果目标产品是目标对象所感兴趣的产品,则在对象偏好主题、对象画像中补充更多的关于该目标产品的相关内容;如果目标产品是目标对象不感兴趣的产品,则在对象偏好主题、对象画像中删减关于该目标产品的相关内容。
例如,如果目标产品是目标对象不感兴趣的产品,则在对象偏好主题中删除该目标产品所属的主题。
通过上述步骤S701至步骤S702能够基于目标对象对目标产品的反馈数据,对对象画像、对象偏好主题进行动态更新,使对象画像、对象偏好主题更为准确,有助于提高后续产品推荐的准确性。
本申请实施例的产品推荐方法,其通过获取目标对象在虚拟会话场景中产生的音频数据和虚拟行为数据;对音频数据进行内容分析,得到语义表征数据,能够较为准确性确定音频数据的语义内容。进一步地,基于虚拟行为数据对目标对象进行决策偏好分析,得到决策偏好数据,能够较为方便地确定目标对象的决策偏好。进一步地,基于语义表征数据和决策偏好数据进行画像构建,得到目标对象的对象画像;基于语义表征数据对目标对象进行偏好主题识别,得到对象偏好主题;基于预设的知识图谱、对象偏好主题以及对象画像向目标对象进行产品推荐,能够利用知识图谱、结合目标对象的对象画像和对象偏好主题两方面来为目标对象推荐产品,使推荐的产品更加贴合目标对象的习惯偏好和真实需求,提高了产品推荐的合理性和准确性。
请参阅图8,本申请实施例还提供一种产品推荐装置,可以实现上述产品推荐方法,该装置包括:
数据获取模块801,用于获取目标对象在虚拟会话场景中产生的音频数据和虚拟行为数据;
内容分析模块802,用于对音频数据进行内容分析,得到语义表征数据;
决策偏好分析模块803,用于基于虚拟行为数据对目标对象进行决策偏好分析,得到决策偏好数据;
画像构建模块804,用于基于语义表征数据和决策偏好数据进行画像构建,得到目标对象的对象画像;
主题识别模块805,用于基于语义表征数据对目标对象进行偏好主题识别,得到对象偏好主题;
推荐模块806,用于基于预设的知识图谱、对象偏好主题以及对象画像向目标对象进行产品推荐。
该产品推荐装置的具体实施方式与上述产品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产品推荐方法。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9,图9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901,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902,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902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902中,并由处理器901来调用执行本申请实施例的产品推荐方法;
输入/输出接口903,用于实现信息输入及输出;
通信接口904,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、WI F I、蓝牙等)实现通信;
总线905,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息;
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905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计算机可读存储介质,计算机可读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,以实现上述产品推荐方法。
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。
本申请实施例提供的产品推荐方法、产品推荐装置、电子设备及计算机可读存储介质,其通过获取目标对象在虚拟会话场景中产生的音频数据和虚拟行为数据;对音频数据进行内容分析,得到语义表征数据,能够较为准确性确定音频数据的语义内容。进一步地,基于虚拟行为数据对目标对象进行决策偏好分析,得到决策偏好数据,能够较为方便地确定目标对象的决策偏好。进一步地,基于语义表征数据和决策偏好数据进行画像构建,得到目标对象的对象画像;基于语义表征数据对目标对象进行偏好主题识别,得到对象偏好主题;基于预设的知识图谱、对象偏好主题以及对象画像向目标对象进行产品推荐,能够利用知识图谱、结合目标对象的对象画像和对象偏好主题两方面来为目标对象推荐产品,使推荐的产品更加贴合目标对象的习惯偏好和真实需求,提高了产品推荐的合理性和准确性。
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1-7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-On ly 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)
1.一种产品推荐方法,其特征在于,所述方法包括:
获取目标对象在虚拟会话场景中产生的音频数据和虚拟行为数据;
对所述音频数据进行内容分析,得到语义表征数据;
基于所述虚拟行为数据对所述目标对象进行决策偏好分析,得到决策偏好数据;
基于所述语义表征数据和所述决策偏好数据进行画像构建,得到所述目标对象的对象画像;
基于所述语义表征数据对所述目标对象进行偏好主题识别,得到对象偏好主题;
基于预设的知识图谱、所述对象偏好主题以及所述对象画像向所述目标对象进行产品推荐。
2.根据权利要求1所述的产品推荐方法,其特征在于,所述对所述音频数据进行内容分析,得到语义表征数据,包括:
对所述音频数据进行语音识别,得到文本数据;
对所述文本数据进行语义分析,得到所述语义表征数据。
3.根据权利要求1所述的产品推荐方法,其特征在于,所述虚拟行为数据包括每个虚拟行为的决策数据,所述基于所述虚拟行为数据对所述目标对象进行决策偏好分析,得到决策偏好数据,包括:
针对每个所述虚拟行为,获取所述虚拟行为的基准特征和行为权重,并从所述决策数据中提取所述虚拟行为的时序特征;
针对每个所述虚拟行为,基于所述行为权重对所述时序特征和所述基准特征进行偏差分析,得到决策行为偏差数据;
对所有虚拟行为的决策行为偏差数据进行整合处理,得到行为总偏差数据;
对所述行为总偏差数据进行积分运算,得到所述决策偏好数据。
4.根据权利要求1所述的产品推荐方法,其特征在于,所述基于所述语义表征数据对所述目标对象进行偏好主题识别,得到对象偏好主题,包括:
对所述语义表征数据进行关键词提取,得到目标关键词;
计算所述目标关键词和预设主题之间的相似度,得到主题匹配度;
根据所述主题匹配度从所述预设主题筛选出所述对象偏好主题。
5.根据权利要求1至4任一项所述的产品推荐方法,其特征在于,所述知识图谱用于反映对象画像、对象偏好主题、以及候选产品之间的关联程度;所述基于预设的知识图谱、所述对象偏好主题以及所述对象画像向所述目标对象进行产品推荐,包括:
遍历所述知识图谱,获取每个所述候选产品与所述对象偏好主题的第一关联分数;
遍历所述知识图谱,获取每个所述候选产品与所述对象画像的第二关联分数;
基于所述第一关联分数和所述第二关联分数,从多个所述候选产品中筛选出所述目标产品;
将所述目标产品推荐给所述目标对象。
6.根据权利要求5所述的产品推荐方法,其特征在于,所述基于所述第一关联分数和所述第二关联分数,从多个所述候选产品中筛选出所述目标产品,包括:
对所述第一关联分数和所述第二关联分数进行加权和,得到每个所述候选产品的关联总分数;
基于所述关联总分数,从多个所述候选产品中筛选出预定数目个所述目标产品。
7.根据权利要求5所述的产品推荐方法,其特征在于,在所述将所述目标产品推荐给所述目标对象之后,所述方法还包括:
获取所述目标对象对所述目标产品的反馈数据;
基于所述反馈数据对所述对象画像、所述对象偏好主题中的至少一种进行更新。
8.一种产品推荐装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标对象在虚拟会话场景中产生的音频数据和虚拟行为数据;
内容分析模块,用于对所述音频数据进行内容分析,得到语义表征数据;
决策偏好分析模块,用于基于所述虚拟行为数据对所述目标对象进行决策偏好分析,得到决策偏好数据;
画像构建模块,用于基于所述语义表征数据和所述决策偏好数据进行画像构建,得到所述目标对象的对象画像;
主题识别模块,用于基于所述语义表征数据对所述目标对象进行偏好主题识别,得到对象偏好主题;
推荐模块,用于基于预设的知识图谱、所述对象偏好主题以及所述对象画像向所述目标对象进行产品推荐。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的产品推荐方法。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310931884.1A CN117131263A (zh) | 2023-07-26 | 2023-07-26 | 产品推荐方法、产品推荐装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310931884.1A CN117131263A (zh) | 2023-07-26 | 2023-07-26 | 产品推荐方法、产品推荐装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117131263A true CN117131263A (zh) | 2023-11-28 |
Family
ID=88855598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310931884.1A Pending CN117131263A (zh) | 2023-07-26 | 2023-07-26 | 产品推荐方法、产品推荐装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131263A (zh) |
-
2023
- 2023-07-26 CN CN202310931884.1A patent/CN117131263A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018383346B2 (en) | Domain-specific natural language understanding of customer intent in self-help | |
CA3129745C (en) | Neural network system for text classification | |
CN112131350B (zh) | 文本标签确定方法、装置、终端及可读存储介质 | |
CN111680159B (zh) | 数据处理方法、装置及电子设备 | |
US20230004732A1 (en) | Systems and Methods for Intelligent Routing of Source Content for Translation Services | |
JP6848091B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN108536735B (zh) | 基于多通道自编码器的多模态词汇表示方法与系统 | |
CN109344246B (zh) | 一种电子问卷生成方法、计算机可读存储介质及终端设备 | |
CN116541493A (zh) | 基于意图识别的交互应答方法、装置、设备、存储介质 | |
CN116680386A (zh) | 基于多轮对话的答案预测方法和装置、设备、存储介质 | |
CN114519613B (zh) | 价格数据的处理方法和装置、电子设备、存储介质 | |
CN117271736A (zh) | 一种问答对的生成方法和系统、电子设备及存储介质 | |
CN113821587B (zh) | 文本相关性确定方法、模型训练方法、装置及存储介质 | |
CN110569355A (zh) | 一种基于词块的观点目标抽取和目标情感分类联合方法及系统 | |
Soto et al. | Application-specific word embeddings for hate and offensive language detection | |
CN116719999A (zh) | 文本相似度检测方法和装置、电子设备及存储介质 | |
CN111859955A (zh) | 一种基于深度学习的舆情数据分析模型 | |
CN114398903B (zh) | 意图识别方法、装置、电子设备及存储介质 | |
Wijaya et al. | Hate Speech Detection Using Convolutional Neural Network and Gated Recurrent Unit with FastText Feature Expansion on Twitter | |
CN114722174A (zh) | 提词方法和装置、电子设备及存储介质 | |
KR102215259B1 (ko) | 주제별 단어 또는 문서의 관계성 분석 방법 및 이를 구현하는 장치 | |
CN114090778A (zh) | 基于知识锚点的检索方法、装置、电子设备及存储介质 | |
CN114138954A (zh) | 用户咨询问题推荐方法、系统、计算机设备及存储介质 | |
CN117131263A (zh) | 产品推荐方法、产品推荐装置、电子设备及存储介质 | |
Lai et al. | An unsupervised approach to discover media frames |
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 |