CN117278675A - 一种基于意图分类的外呼方法、装置、设备及介质 - Google Patents
一种基于意图分类的外呼方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117278675A CN117278675A CN202311491980.5A CN202311491980A CN117278675A CN 117278675 A CN117278675 A CN 117278675A CN 202311491980 A CN202311491980 A CN 202311491980A CN 117278675 A CN117278675 A CN 117278675A
- Authority
- CN
- China
- Prior art keywords
- text
- intention
- matching
- recognition
- voice
- 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 45
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 239000013598 vector Substances 0.000 description 21
- 238000011176 pooling Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 230000002457 bidirectional effect Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 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
- 238000001514 detection method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/523—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing with call distribution or queueing
-
- 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
- G10L15/1822—Parsing for meaning understanding
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/42136—Administration or customisation of services
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及人工智能技术领域，尤其涉及一种基于意图分类的外呼方法、装置、设备及介质。获取保险产品待推荐客户的历史外呼语音，提取历史外呼语音中的关键词，根据关键词，将识别文本与预设的N个意图类别进行第一次匹配，检测第一次匹配的匹配结果是否为匹配成功，根据识别文本与N个意图类别中的每个意图类别之间的相似度值，将识别文本与预设的N个意图类别进行第二次匹配，得到目标意图类别，从预设的外呼话术集中调取与目标意图类别匹配的目标外呼话术，根据目标外呼话术对待推荐客户进行智能外呼。确定客户对保险产品的意图倾向，根据意图倾向，选择下次智能外呼的外呼话术，与客户意图匹配的外呼话术可以提高后续外呼任务的信息触达率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于意图分类的外呼方法、装置、设备及介质。
背景技术
在金融领域，银行、证券和保险等金融机构在金融产品或者其他业务推广时，电话销售是一种常用的推销方式，现有技术中，一般由各当地机构的内勤人员提前配置好任务的外呼话术，由电话中心的客服机器人通过电话联系客户，但是由于同一个任务的话术是统一的，统一的话术可能与部分客户的真实意图不匹配，导致部分客户在信息未听完就挂断电话，造成外呼任务的信息触达率较低。因此，在外呼过程中，如何提高客户意图与外呼话术匹配的准确度成为亟需解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种基于意图分类的外呼方法、装置、设备及介质，以解决客户意图与外呼话术匹配度较低的问题。
本申请实施例的第一方面提供了一种基于意图分类的外呼方法，所述外呼方法包括：
获取保险产品待推荐客户的历史外呼语音，对所述历史外呼语音进行语音识别，得到所述历史外呼语音的识别文本；
对所述识别文本进行关键词提取，得到所述识别文本中的关键词，根据所述关键词，将所述识别文本与预设的N个意图类别进行第一次匹配，N为大于1的整数；
检测所述第一次匹配的匹配结果是否为匹配成功，若检测到所述第一次匹配的匹配结果为匹配成功，将所述匹配结果中匹配的意图类别确定为目标意图类别；
若检测到所述第一次匹配的匹配结果为匹配不成功，计算所述识别文本与所述N个意图类别中的每个意图类别之间的语义相似度，得到所述识别文本与每个意图类别之间的相似度值；
根据所述相似度值，将所述识别文本与预设的N个意图类别进行第二次匹配，选取所述相似度值最大对应的意图类别匹配给所述识别文本，得到目标意图类别；
从预设的外呼话术集中调取与所述目标意图类别匹配的目标外呼话术，根据所述目标外呼话术对所述待推荐客户进行智能外呼。
本申请实施例的第二方面提供了一种基于意图分类的外呼装置，所述外呼装置包括：
获取模块，用于获取保险产品待推荐客户的历史外呼语音，对所述历史外呼语音进行语音识别，得到所述历史外呼语音的识别文本；
提取模块，用于对所述识别文本进行关键词提取，得到所述识别文本中的关键词，根据所述关键词，将所述识别文本与预设的N个意图类别进行第一次匹配，N为大于1的整数；
判断模块，用于检测所述第一次匹配的匹配结果是否为匹配成功，若检测到所述第一次匹配的匹配结果为匹配成功，将所述匹配结果中匹配的意图类别确定为目标意图类别；
计算模块，用于若检测到所述第一次匹配的匹配结果为匹配不成功，计算所述识别文本与所述N个意图类别中的每个意图类别之间的语义相似度，得到所述识别文本与每个意图类别之间的相似度值；
匹配模块，用于根据所述相似度值，将所述识别文本与预设的N个意图类别进行第二次匹配，选取所述相似度值最大对应的意图类别匹配给所述识别文本，得到目标意图类别；
调取模块，用于从预设的外呼话术集中调取与所述目标意图类别匹配的目标外呼话术，根据所述目标外呼话术对所述待推荐客户进行智能外呼。
第三方面，本发明实施例提供一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的外呼方法。
第四方面，本发明实施例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程序，所述计算机程序被处理器执行时实现如第一方面所述的外呼方法。
本发明与现有技术相比存在的有益效果是：
获取保险产品待推荐客户的历史外呼语音，对历史外呼语音进行语音识别，得到历史外呼语音的识别文本，对识别文本进行关键词提取，得到识别文本中的关键词，根据关键词，将识别文本与预设的N个意图类别进行第一次匹配，检测第一次匹配的匹配结果是否为匹配成功，若检测到第一次匹配的匹配结果为匹配成功，将匹配结果中匹配的意图类别确定为目标意图类别，若检测到第一次匹配的匹配结果为匹配不成功，计算识别文本与N个意图类别中的每个意图类别之间的语义相似度，得到识别文本与每个意图类别之间的相似度值，根据相似度值，将识别文本与预设的N个意图类别进行第二次匹配，选取相似度值最大对应的意图类别匹配给识别文本，得到目标意图类别，从预设的外呼话术集中调取与目标意图类别匹配的目标外呼话术，根据目标外呼话术对待推荐客户进行智能外呼。本申请中，通过对客户历史外呼语音的意图分析，确定客户对保险产品的意图倾向，根据意图倾向，选择下次智能外呼的外呼话术，与客户意图匹配的外呼话术可以提高后续外呼任务的信息触达率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种基于意图分类的外呼方法的一应用环境示意图；
图2是本发明一实施例提供的一种基于意图分类的外呼方法的流程示意图；
图3是本发明一实施例提供的一种基于意图分类的外呼装置的结构示意图；
图4是本发明一实施例提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例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。
应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
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(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。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
本发明一实施例提供的一种基于意图分类的外呼方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备。服务端可以用独立的服务器或者是多个服务器生成的服务器集群来实现。
参见图2，是本发明一实施例提供的一种基于意图分类的外呼方法的流程示意图，上述基于意图分类的外呼方法可以应用于图1中的服务端，上述服务端连接相应的客户端，如图2所示，该基于意图分类的外呼方法可以包括以下步骤。
S201：获取保险产品待推荐客户的历史外呼语音，对历史外呼语音进行语音识别，得到历史外呼语音的识别文本。
在步骤S201中，外呼任务可以由外呼机器人触发，外呼机器人可以代替人工拨打电话，将重复繁杂的基础问答工作自动化，对客户进行智能外呼，获取保险产品待推荐客户的历史外呼语音，对历史外呼语音进行语音识别，得到历史外呼语音的识别文本，其中待推荐客户为非第一次外呼的对象。
本实施例中，获取保险产品待推荐客户的历史外呼语音，其中，历史外呼语音为待推荐客户对机器人外呼任务问答的回复，外呼任务中可以包括外呼任务的请求报文，请求报文可以包括待推销的推销产品，例如，外呼任务中的推销产品可以是任意保险产品。在确定每个外呼任务中的待外呼用户时，可以解析请求报文，得到报文携带的报文信息，从报文信息中获取指示产品的信息作为对象编号，将与对象编号对应的产品确定为请求对象，其中，报文信息包括，但不限于：待推销的推销产品等。通过上述实施方式，能够快速获取到待外呼用户与待外呼对象对应的推销产品。
将历史外呼语音转换为对应的文本，根据对应的文本分析待推荐客户的意图，以便于根据对应的意图制定下一次外呼的话术。
可选地，对历史外呼语音进行语音识别，得到历史外呼语音的识别文本，包括：
对历史外呼语音进行降噪处理，得到降噪后的语音；
将降噪后的语音进行人声分离处理，得到分离后的人声语音；
对分离后的人声语音进行语音识别，得到识别文本。
本实施例中，历史外呼语音由于电话平台采集到的语音一般都带有噪声，包括背景环境中的噪声以及前端通信设备(如电话)录音过程中产生的噪声，此携带噪声的语音在进行语音识别时，会影响语音识别的准确性，因此，需要对历史外呼语音进行降噪处理，以从该历史外呼语音中尽可能提取到更纯净的语音作为待识别语音，使得后续基于待识别语音进行语音识别时，识别结果更加准确。其中，对历史外呼语音进行降噪的方法包括但不限于采用谱减法、EEMD分解算法和SVD奇异值算法等。
对历史外呼语音进行降噪处理，得到降噪后的语音，将降噪后的语音进行人声分离处理，得到分离后的人声语音，使用人声分离后的语音进行语音识别，以便提高语音识别精度。本实施例中，利用声纹识别模型对降噪后的语音进行声纹识别，根据声纹识别结果进行人声分离。采用声纹识别模型对降噪后的语音进行声纹识别。这里，声纹识别模型可包括三个残差网络；通过声纹识别模型对降噪后的语音进行声纹识别，以进行人声分离，得到人声分离结果。
将降噪后的语音输入声纹识别模型中的第一个残差网络中，获得第一特征，将第一特征输入声纹识别模型中的第二个残差网络中，获得第二特征，将第二特征输入声纹识别模型中的第三个残差网络中，获得第三特征，对第一特征、第二特征和第三特征进行自注意力和池化处理，获得声纹特征，对声纹特征进行聚类，基于聚类结果将降噪后的语音的进行分离。
实际应用时，声纹识别模型中残差网络的个数可基于实际需要进行设置。例如，也可设置声纹识别模型中包括两个残差网络；通过声纹识别模型对降噪后的语音进行声纹识别，以对降噪后的语音进行人声分离，得到分离后的人声语音。
本实施例中，三个残差网络可采用相同的网络结构。可通过输入数据的不同，每个残差网络获得不同的特征。例如，在采用三层残差网络结构的声纹识别模型中，通过第一个残差网络对降噪后的语音进行特征提取，得到第一特征，将第一特征输入至第二个残差网络，得到第二特征，将第二特征输入至第三个残差网络，得到第三特征，最终将第一特征、第二特征和第三特征共同输入至后续的层级网络(Conv1D+ReLU+BN层和Self-Attention+Pooling+BN层，其中，Conv1D+ReLU+BN为卷积层)中，进行自注意力和池化等处理，得到最终的输出特征。
需要说明的是，每一个残差网络中还具有一个特征卷积单元，通过特征卷积单元对降噪后的语音进行卷积处理，提取降噪后的语音中的基础特征，基于降噪后的语音中每一个字词的前后顺序，通过双向隐藏单元提取降噪后的语音的关联特征，对基础特征和关联特征进行拼接，获得第一特征。
对分离后的人声语音进行语音识别，得到识别文本。本实施例中，使用训练好的语音识别模型进行语音识别，其中，训练好的语音识别模型可以为深度学习模型，该训练好的语音识别模型中包含分类识别网络以及注意力识别网络。其中，分类识别网络用于将分离后的人声语音转换为文本，该分类识别网络中包含分类编码模块以及分类解码模块，进一步地，分类编码模块可以采用如CN N/RNN/BiRNN/GRU/LSTM等神经网络构建，分类解码模块中可以采用CTC算法构建。注意力识别网络也用于将分离后的人声语音转化为文本，该注意力识别网络中包含注意力编码模块、注意力处理模块以及注意力解码模块，进一步地，注意力编码模块与分类编码模块相同，也可以采用CNN/RNN/BiRNN/GRU/LSTM等神经网络构建，注意力处理模块是基于attention注意力机制构建的，注意力解码模块也可以采用如CNN/RNN/BiRNN/GRU/LSTM等神经网络构建。
进一步地，除了上述说明的语音识别模型中包含分类识别网络以及注意力识别网络之外，还可以直接将分类识别网络作为语音识别模型，亦或者直接将注意力识别网络作为语音识别模型。
S202：对识别文本进行关键词提取，得到识别文本中的关键词，根据关键词，将识别文本与预设的N个意图类别进行第一次匹配。
在步骤S202中，对识别文本进行关键词提取，得到识别文本中的关键词，其中关键词为表示待推荐客户意图倾向的关键词，将识别文本与预设的N个意图类别进行第一次匹配，从N个意图类别中选取与关键词意图匹配的意图类别，以便于根据意图类别确定外呼话术。
本实施例中，可以预先设定对应的意图倾向关键词，例如，好的，不需要等，从识别文本提取对应的关键词，根据预先设置的关键词，将识别文本与预设的N个意图类别进行第一次匹配。
对识别文本进行关键词提取，得到识别文本中的关键词，包括：
对识别文本进行预处理，得到预处理后的文本；
对预处理后的文本进行关键词提取，得到识别文本中的关键词。
本实施例中，对识别文本进行预处理，得到预处理后的文本，其中预处理可以是对识别文本进行分词处理，或者去除识别文本中的无用词语，例如常用的代词、介词等得到预处理后的文本；
对预处理后的文本进行关键词提取，得到识别文本中的关键词。本实施例中，使用预设的Bert模型进行文本识别，提取识别文本中的关键词，预设的Bert模型中使用预设分词策略，对识别文本进行分词分割，得到对应的分词特征序列，其中，设分词策略用于把识别文本的字素表中的句子根据语义进行切分，切分时将一个词的中文文字切分在一起。可选的，分词分割可以采用基于神经网络训练的模型实现。使用预设词性标注策略，对字素表达进行词性标注，得到字素表达对应的词性特征序列，其中，预设词性标注策略用于对字素表达数据中每个词的词性进行预测。
需要说明的是预设的Bert模型基于Transformer的双向编码表示，Transformer为自然语言领域中一个利用注意力机制来提高模型训练速度的模型，而预设的Bert模型利用Transformer结构构造了一个多层双向的编码网络。其中，预设的Bert模型中是由多个Transformer结构中的编码部分构成，一个Transformer的编码单元由一个多头注意力和层归一化叠加产生，多头注意力由多个自注意力构成，层归一化对某一层神经网络节点作0均值1方差的标准化，利用Transformer的结构可以通过文本上下文来预测掩盖(mask)的字符(token)，从而捕捉字符向量的双向关系。
需要说明的是，预设的Bert模型由多个特征提取层组成，在实际应用中，预训练的Bert模型可以包括多个特征提取层，每个特征提取层存在一个编码单元，在比较大的预设的Bert模型中，有24层特征提取层，每层中有16个Attention，特征向量的维度为1024，在比较小的预设的Bert模型中，有12层特征提取层，每层有12个Attention，特征向量维度为768。例如，以12层特征提取层的预设的Bert模型举例：Layer_1至Layer_4为低层，学到的是词法特征，如：词语是动词还是形容词、词语由哪些字符组成等等，Layer_5至Layer_8为中层，学到的是句法特征，如：句子中字词的数量、句子中字词与字词之间的依存关系等等，Layer_9至Layer_12为高层，所学到的是语义特征，如：句子表达的语义是什么、句子中哪些是关键词等等，从而得到对应的关键词。
可选地，将识别文本与预设的N个意图类别进行第一次匹配，包括：
根据预设的评分规则，对每个关键词进行评分，得到每个关键词的评分结果；
根据每个关键词的评分结果，确定识别文本的文本评分结果；
根据文本评分结果，将识别文本与预设的N个意图类别进行第一次匹配。
本实施例中，根据预设的评分规则，对每个关键词进行评分，得到每个关键词的评分结果，根据每个关键词的评分结果，确定识别文本的文本评分结果，例如，若关键词为主语时，关键词为明确的对象，如孩子，丈夫父母等，关键词的评分较高，若关键词不为明确的对象，例如，其他人，他们等指代不明的关键词的评分较低。
根据文本评分结果，将识别文本与预设的N个意图类别进行第一次匹配。匹配时，根据识别文本的文本评分结果，将识别文本进行分类，根据预设的N个意图类别中每个意图类别对应的评分区间，匹配对应的识别文本。
需要说明的是，根据关键词，将识别文本与预设的N个意图类别进行第一次匹配时，还可以通过预设关键词进行匹配，其中预设关键词为预设设置的意图倾向关键词，例如，好的，不需要等关键词，当识别文本中出现好的关键词时，可以判断出待推荐客户想买保险产品的意图，若识别文本中出现不需要的否定关键词，可以判断出待推荐客户不想买保险产品的意图，根据关键词对应的意图，确定对应的意图类别。
S203：检测第一次匹配的匹配结果是否为匹配成功，若检测到第一次匹配的匹配结果为匹配成功，将匹配结果中匹配的意图类别确定为目标意图类别。
在步骤S203中，检测第一次匹配的匹配结果是否为匹配成功，若检测到第一次匹配的匹配结果为匹配成功，将匹配结果中匹配的意图类别确定为目标意图类别，其中，目标意图类别为根据识别文本确定的待推荐客户对保险产品的购买意图。
本实施中，N个意图类别可以是不同保险产品意图，例如，每个保险产品都可以包含同意倾向的意图类别，根据识别文本中的保险产品中的关键词，在N个意图类别中查找对应的评分结果对应的评分区间，若查找到，则认为第一次匹配的匹配结果为匹配成功，匹配结果中匹配的意图类别确定为目标意图类别，否则，认为第一次匹配的匹配结果为匹配不成功。
可选地，检测第一次匹配的匹配结果是否为匹配成功，包括：
根据文本评分结果与每个意图类别预设的评分区间，从每个意图类别预设的评分区间中查找文本评分结果所在的评分区间；
若文本评分结果在意图类别预设的评分区间，第一次匹配的匹配结果为匹配成功；
若文本评分结果不在意图类别预设的评分区间，第一次匹配的匹配结果为匹配不成功。
本实施例中，对每个意图类别设置对应预设的评分区间，若文本评分结果在对应的评分区间，则认为该意图类别为识别文本对应的意图，以便于根据对应的意图选择对应的话术。若文本评分结果在意图类别预设的评分区间，第一次匹配的匹配结果为匹配成功，若文本评分结果不在意图类别预设的评分区间，第一次匹配的匹配结果为匹配不成功。
S204：若检测到第一次匹配的匹配结果为匹配不成功，计算识别文本与N个意图类别中的每个意图类别之间的语义相似度，得到识别文本与每个意图类别之间的相似度值。
在步骤S204中，若检测到第一次匹配的匹配结果为匹配不成功，通过计算识别文本与N个意图类别中的每个意图类别之间的语义相似度，得到识别文本与每个意图类别之间的相似度值，以便于根据相似度值进行识别文本的意图匹配。
本实施例中，若检测到第一次匹配的匹配结果为匹配不成功，进行的第二次匹配，以便于更准确得到待推荐客户的意图信息，在进行第二次匹配时，通过计算识别文本与N个意图类别中的每个意图类别之间的语义相似度，得到识别文本与每个意图类别之间的相似度值。
可选地，计算识别文本与N个意图类别中的每个意图类别之间的语义相似度，得到识别文本与每个意图类别之间的相似度值，包括：
对识别文本进行语义识别，得到识别文本的语义识别结果，对N意图类别进行语义识别，得到每个意图类别的语义识别结果；
计算识别文本的语义识别结果与每个意图类别的语义识别结果之间的语义相似度，得到识别文本与每个意图类别之间的相似度值。
本实施例中，对识别文本进行语义识别，得到识别文本的语义识别结果。本实施例中，使用训练好的语义识别模型对识别文本进行语义识别，其中，训练好的语义识别模型可以是基于ALBERT模型和CNN模型构建的。
需要说明的是，语义识别模型在模型训练时设置模型的超参数，其中，子长度设置为64，batch_size设置为64，学习率设置为0.00002，训练的epoch为10，然后开始模型训练，模型训练好以后将其中的模型参数文件导出。例如，输入的文本：“我想申请平安福保险产品等”，模型输出的标签为1，对应标签为有购买倾向。
其中，语义识别模型包括：语义嵌入层、卷积层、池化层及全连接层，卷积层的卷积核的过滤器长度分别为2和4。基于语义嵌入层将识别文本转换为语义矩阵，对语义矩阵执行卷积操作和池化操作，得到目标语义向量，将目标语义向量输入全连接层得到识别结果。
语义嵌入层输出CLS标志向量和完整句子长度的语义矩阵，卷积层采用了2种大小的卷积核，卷积核的过滤器长度分别为2和4，旨在捕捉长度为2和4的n-gram词组信息，然后通过最大池化输出卷积层获取的局部语义信息，池化层将完整句子长度的矩阵向量进行平均池化，输出句子的全局语义信息，为了将句子的局部语义信息和全局语义信息结合在一起，输出层将前面3层的输出向量进行拼接并经过relu激活函数获得最终的语义向量作为识别结果。ALBERT-CNN分类模型推理速度比BERT模型更快，并且预测的准确率与BERT模型相当。
需要说明的是，对语义矩阵执行卷积操作和池化操作，得到目标语义向量，包括：对语义矩阵执行平均池化操作，得到第一语义向量，对语义矩阵执行卷积操作，对执行卷积操作后的语义矩阵执行最大池化操作得到第二语义向量，将第一语义向量、第二语义向量及语义矩阵的CLS向量执行拼接操作得到目标语义向量。
另一实施例中，对识别文本进行语义识别，得到识别文本的语义识别结果，还可以包括：对识别文本进行分词处理，得到识别文本中的M个分词，M为大于1的整数，对M个分词进行词向量提取，得到M个词向量，使用预设的双向长短时记忆网络对M个词向量进行语义识别，得到语义识别结果。
其中，利用预设的双向长短时记忆网络对M个词向量进行语义识别，并给出语义识别结果，包括：构建加入了双向长短时记忆单元的神经网络，双向长短时记忆单元中加入了注意力机制；训练神经网络；利用训练后的神经网络对M个词向量进行语义识别，并给出语义识别结果。加入双向长短时记忆单元的神经网络在处理当前时刻数据时可以利用到整个序列上下文信息，并且可以传统的RNN循环神经网络层数过多时导致参数训练梯度消失的问题。
S205：根据相似度值，将识别文本与预设的N个意图类别进行第二次匹配，选取相似度值最大对应的意图类别匹配给识别文本，得到目标意图类别。
在步骤S205中，根据相似度值，将识别文本与预设的N个意图类别进行第二次匹配，以便于第一匹配不成功的识别文本，无法得到待推荐客户的真实意图。
本实施例中，选取相似度值最大对应的意图类别匹配给识别文本，得到目标意图类别，将语义相近的识别文本与意图类别进行匹配。匹配时选取相似度值最大对应的意图类别匹配给识别文本，得到目标意图类别。
S206：从预设的外呼话术集中调取与目标意图类别匹配的目标外呼话术，根据目标外呼话术对待推荐客户进行智能外呼。
在步骤S206中，对待推荐客户进行智能外呼，当智能外呼接通时，从预设的外呼话术集中调取与目标意图类别匹配的目标外呼话术，根据目标外呼话术对待推荐客户进行智能外呼。
本实施例中，在对待推荐客户进行智能外呼时，可以根据对应的待推荐客户的地址信息进行智能外呼，根据对应的待推荐客户的地址信息，调取对应地址的外呼号码，当智能外呼接通时，根据调取的与目标意图类别匹配的目标外呼话术与待推荐客户进行语音对话，提高他外呼任务和信息触达率。
获取保险产品待推荐客户的历史外呼语音，对历史外呼语音进行语音识别，得到历史外呼语音的识别文本，对识别文本进行关键词提取，得到识别文本中的关键词，根据关键词，将识别文本与预设的N个意图类别进行第一次匹配，检测第一次匹配的匹配结果是否为匹配成功，若检测到第一次匹配的匹配结果为匹配成功，将匹配结果中匹配的意图类别确定为目标意图类别，若检测到第一次匹配的匹配结果为匹配不成功，计算识别文本与N个意图类别中的每个意图类别之间的语义相似度，得到识别文本与每个意图类别之间的相似度值，根据相似度值，将识别文本与预设的N个意图类别进行第二次匹配，选取相似度值最大对应的意图类别匹配给识别文本，得到目标意图类别，从预设的外呼话术集中调取与目标意图类别匹配的目标外呼话术，根据目标外呼话术对待推荐客户进行智能外呼。本申请中，通过对客户历史外呼语音的意图分析，确定客户对保险产品的意图倾向，根据意图倾向，选择下次智能外呼的外呼话术，与客户意图匹配的外呼话术可以提高后续外呼任务的信息触达率。
请参阅图3，图3是本发明实施例提供的一种基于意图分类的外呼装置的结构示意图。本实施例中该终端包括的各单元用于执行图2对应的实施例中的各步骤。具体请参阅图2以及图2所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。如图3所示，外呼装置30包括：获取模块31，提取模块32，判断模块33，计算模块34，匹配模块35，调取模块36。
获取模块31，用于获取保险产品待推荐客户的历史外呼语音，对历史外呼语音进行语音识别，得到历史外呼语音的识别文本。
提取模块32，用于对识别文本进行关键词提取，得到识别文本中的关键词，根据关键词，将识别文本与预设的N个意图类别进行第一次匹配，N为大于1的整数。
判断模块33，用于检测第一次匹配的匹配结果是否为匹配成功，若检测到第一次匹配的匹配结果为匹配成功，将匹配结果中匹配的意图类别确定为目标意图类别。
计算模块34，用于若检测到第一次匹配的匹配结果为匹配不成功，计算识别文本与N个意图类别中的每个意图类别之间的语义相似度，得到识别文本与每个意图类别之间的相似度值。
匹配模块35，用于根据相似度值，将识别文本与预设的N个意图类别进行第二次匹配，选取相似度值最大对应的意图类别匹配给识别文本，得到目标意图类别。
调取模块36，用于从预设的外呼话术集中调取与目标意图类别匹配的目标外呼话术，根据目标外呼话术对待推荐客户进行智能外呼。
可选地，上述获取模块31包括：
降噪单元，用于对历史外呼语音进行降噪处理，得到降噪后的语音。
分离单元，用于将降噪后的语音进行人声分离处理，得到分离后的人声语音。
识别单元，用于对分离后的人声语音进行语音识别，得到识别文本。
可选地，上述提取模块32包括：
预处理单元，用于对识别文本进行预处理，得到预处理后的文本。
得到单元，用于对预处理后的文本进行关键词提取，得到识别文本中的关键词。
可选地，上述提取模块32包括：
评分单元，用于根据预设的评分规则，对每个关键词进行评分，得到每个关键词的评分结果。
确定单元，用于根据每个关键词的评分结果，确定识别文本的文本评分结果。
匹配单元，用于根据文本评分结果，将识别文本与预设的N个意图类别进行第一次匹配。
可选地，上述匹配单元包括：
查找子单元，用于根据文本评分结果与每个意图类别预设的评分区间，从每个意图类别预设的评分区间中查找文本评分结果所在的评分区间。
第一判断子单元，用于若文本评分结果在意图类别预设的评分区间，第一次匹配的匹配结果为匹配成功。
第二判断子单元，用于若文本评分结果不在意图类别预设的评分区间，第一次匹配的匹配结果为匹配不成功。
可选地，上述计算模块34包括：
语音识别单元，用于对识别文本进行语义识别，得到识别文本的语义识别结果，对N意图类别进行语义识别，得到每个意图类别的语义识别结果。
相似度计算单元，用于计算识别文本的语义识别结果与每个意图类别的语义识别结果之间的语义相似度，得到识别文本与每个意图类别之间的相似度值。
需要说明的是，上述单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图4是本发明实施例提供的一种终端设备的结构示意图。如图4所示，该实施例的终端设备包括：至少一个处理器(图4中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个基于意图分类的外呼方法步骤。
该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图4仅仅是终端设备的举例，并不构成对终端设备的限定，终端设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等，其中，内存储器可以是终端设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是终端设备的硬盘，在另一些实施例中也可以是终端设备的外部存储设备，例如，终端设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。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，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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。
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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于意图分类的外呼方法，其特征在于，所述外呼方法包括：
获取保险产品待推荐客户的历史外呼语音，对所述历史外呼语音进行语音识别，得到所述历史外呼语音的识别文本；
对所述识别文本进行关键词提取，得到所述识别文本中的关键词，根据所述关键词，将所述识别文本与预设的N个意图类别进行第一次匹配，N为大于1的整数；
检测所述第一次匹配的匹配结果是否为匹配成功，若检测到所述第一次匹配的匹配结果为匹配成功，将所述匹配结果中匹配的意图类别确定为目标意图类别；
若检测到所述第一次匹配的匹配结果为匹配不成功，计算所述识别文本与所述N个意图类别中的每个意图类别之间的语义相似度，得到所述识别文本与每个意图类别之间的相似度值；
根据所述相似度值，将所述识别文本与预设的N个意图类别进行第二次匹配，选取所述相似度值最大对应的意图类别匹配给所述识别文本，得到目标意图类别；
从预设的外呼话术集中调取与所述目标意图类别匹配的目标外呼话术，根据所述目标外呼话术对所述待推荐客户进行智能外呼。
2.如权利要求1所述的外呼方法，其特征在于，所述对所述历史外呼语音进行语音识别，得到所述历史外呼语音的识别文本，包括：
对所述历史外呼语音进行降噪处理，得到降噪后的语音；
将所述降噪后的语音进行人声分离处理，得到分离后的人声语音；
对所述分离后的人声语音进行语音识别，得到所述识别文本。
3.如权利要求1所述的外呼方法，其特征在于，所述对所述识别文本进行关键词提取，得到所述识别文本中的关键词，包括：
对所述识别文本进行预处理，得到预处理后的文本；
对所述预处理后的文本进行关键词提取，得到所述识别文本中的关键词。
4.如权利要求1所述的外呼方法，其特征在于，所述将所述识别文本与预设的N个意图类别进行第一次匹配，包括：
根据预设的评分规则，对每个关键词进行评分，得到每个关键词的评分结果；
根据每个关键词的评分结果，确定所述识别文本的文本评分结果；
根据所述文本评分结果，将所述识别文本与预设的N个意图类别进行第一次匹配。
5.如权利要求4所述的外呼方法，其特征在于，所述检测所述第一次匹配的匹配结果是否为匹配成功，包括：
根据所述文本评分结果与每个意图类别预设的评分区间，从每个意图类别预设的评分区间中查找所述文本评分结果所在的评分区间；
若所述文本评分结果在所述意图类别预设的评分区间，第一次匹配的匹配结果为匹配成功；
若所述文本评分结果不在所述意图类别预设的评分区间，第一次匹配的匹配结果为匹配不成功。
6.如权利要求1所述的外呼方法，其特征在于，所述计算所述识别文本与所述N个意图类别中的每个意图类别之间的语义相似度，得到所述识别文本与每个意图类别之间的相似度值，包括：
对所述识别文本进行语义识别，得到所述识别文本的语义识别结果，对所述N意图类别进行语义识别，得到每个意图类别的语义识别结果；
计算所述识别文本的语义识别结果与每个意图类别的语义识别结果之间的语义相似度，得到所述识别文本与每个意图类别之间的相似度值。
7.一种基于意图分类的外呼装置，其特征在于，所述外呼装置包括：
获取模块，用于获取保险产品待推荐客户的历史外呼语音，对所述历史外呼语音进行语音识别，得到所述历史外呼语音的识别文本；
提取模块，用于对所述识别文本进行关键词提取，得到所述识别文本中的关键词，根据所述关键词，将所述识别文本与预设的N个意图类别进行第一次匹配，N为大于1的整数；
判断模块，用于检测所述第一次匹配的匹配结果是否为匹配成功，若检测到所述第一次匹配的匹配结果为匹配成功，将所述匹配结果中匹配的意图类别确定为目标意图类别；
计算模块，用于若检测到所述第一次匹配的匹配结果为匹配不成功，计算所述识别文本与所述N个意图类别中的每个意图类别之间的语义相似度，得到所述识别文本与每个意图类别之间的相似度值；
匹配模块，用于根据所述相似度值，将所述识别文本与预设的N个意图类别进行第二次匹配，选取所述相似度值最大对应的意图类别匹配给所述识别文本，得到目标意图类别；
调取模块，用于从预设的外呼话术集中调取与所述目标意图类别匹配的目标外呼话术，根据所述目标外呼话术对所述待推荐客户进行智能外呼。
8.如权利要求7所述的外呼装置，其特征在于，所述获取模块包括：
降噪单元，用于对所述历史外呼语音进行降噪处理，得到降噪后的语音；
分离单元，用于将所述降噪后的语音进行人声分离处理，得到分离后的人声语音；
识别单元，用于对所述分离后的人声语音进行语音识别，得到所述识别文本。
9.一种终端设备，其特征在于，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的外呼方法。
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如权利要求1至6任一项所述的外呼方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311491980.5A CN117278675A (zh) | 2023-11-09 | 2023-11-09 | 一种基于意图分类的外呼方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311491980.5A CN117278675A (zh) | 2023-11-09 | 2023-11-09 | 一种基于意图分类的外呼方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117278675A true CN117278675A (zh) | 2023-12-22 |
Family
ID=89204796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311491980.5A Pending CN117278675A (zh) | 2023-11-09 | 2023-11-09 | 一种基于意图分类的外呼方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117278675A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117714603A (zh) * | 2024-02-01 | 2024-03-15 | 济南云上电子科技有限公司 | 一种外呼方法、装置及可读存储介质 |
-
2023
- 2023-11-09 CN CN202311491980.5A patent/CN117278675A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117714603A (zh) * | 2024-02-01 | 2024-03-15 | 济南云上电子科技有限公司 | 一种外呼方法、装置及可读存储介质 |
| CN117714603B (zh) * | 2024-02-01 | 2024-04-30 | 济南云上电子科技有限公司 | 一种外呼方法、装置及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arora et al. | Character level embedding with deep convolutional neural network for text normalization of unstructured data for Twitter sentiment analysis | |
| CN110263248B (zh) | 一种信息推送方法、装置、存储介质和服务器 | |
| CN110597952A (zh) | 信息处理方法、服务器及计算机存储介质 | |
| US20220254507A1 (en) | Knowledge graph-based question answering method, computer device, and medium | |
| CN114387061A (zh) | 产品推送方法、装置、电子设备及可读存储介质 | |
| CN113220862A (zh) | 标准问识别方法、装置及计算机设备及存储介质 | |
| CN117278675A (zh) | 一种基于意图分类的外呼方法、装置、设备及介质 | |
| CN110610003B (zh) | 用于辅助文本标注的方法和系统 | |
| CN112581297B (zh) | 基于人工智能的信息推送方法、装置及计算机设备 | |
| CN116662522B (zh) | 问题答案推荐方法、存储介质和电子设备 | |
| EP3835994A1 (en) | System and method for identification and profiling adverse events | |
| CN111783424A (zh) | 一种文本分句方法和装置 | |
| CN116956068A (zh) | 基于规则引擎的意图识别方法、装置、电子设备及介质 | |
| CN111325021A (zh) | 识别微信公众号所属业态的方法及装置 | |
| CN113724738B (zh) | 语音处理方法、决策树模型训练方法、装置、设备及存储介质 | |
| CN115358817A (zh) | 基于社交数据的智能产品推荐方法、装置、设备及介质 | |
| CN114186020A (zh) | 一种语义联想方法 | |
| CN113807920A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
| CN113870478A (zh) | 快速取号方法、装置、电子设备及存储介质 | |
| CN113887239A (zh) | 基于人工智能的语句分析方法、装置、终端设备及介质 | |
| EP4338089A1 (en) | System and method of automatic topic detection in text | |
| CN114818683B (zh) | 一种基于移动端的运维方法及装置 | |
| US20240126991A1 (en) | Automated interaction processing systems | |
| CN114417881B (zh) | 敏感词检测方法、装置、电子设备及存储介质 | |
| CN117648440A (zh) | 一种基于多渠道聚合的意图分类方法、装置、设备及介质 |
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 |