CN117788051A - 基于人工智能的客户偏好分析方法、装置、设备及介质 - Google Patents

Abstract

本申请属于人工智能领域与金融科技领域，涉及一种基于人工智能的客户偏好分析方法、装置、计算机设备及存储介质，包括：获取目标客户的业务语音数据并生成业务文本数据；从业务文本数据确定与产品服务偏好相关的服务关键词；从业务语音数据筛选与服务关键词关联的目标语音数据并生成目标文本数据；基于语音情感识别模型得到目标语音数据的第一情感值；基于文本情感识别模型得到目标文本数据的第二情感值；基于第一情感值与第二情感值生成情感综合值；从情感综合值筛选第二情感综合值；获取第二情感综合值的目标服务关键词，基于目标服务关键词生成产品服务偏好标签。本申请通过结合语音与文本的情感分析技术实现了对客户产品服务偏好的精准生成。

Description

基于人工智能的客户偏好分析方法、装置、设备及介质

技术领域

本申请涉及人工智能开发技术领域与金融科技领域，尤其涉及基于人工智能的客户偏好分析方法、装置、计算机设备及存储介质。

背景技术

在当前的数字化时代，海量数据已成为金融科技行业发展和决策的关键驱动因素。在这种数据化的背景下，对于金融科技公司(例如保险公司、银行)的产品和服务而言，分析客户的偏好和行为变得至关重要。通过海量数据分析客户对公司的产品和服务的偏好，使得公司能够深入了解客户需求和行为模式。这种偏好分析可以帮助公司洞察客户的喜好、习惯和购买动机，从而更好地满足客户的需求。了解客户偏好的关键细节，如产品特点、定价策略、服务水平等，进而能够有针对性地优化公司的产品和服务。

当前金融科技公司所采用的客户服务偏好的分析方式，通常是对客户购买服务和评价进行分析以生成客户的服务偏好。尽管客户购买服务和评价数据对于了解客户偏好提供了一定的洞察，但这些数据的数据量占整体数据的比例相对较低，因此无法全面、准确地定位和分析客户偏好。

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客户偏好分析方法、装置、计算机设备及存储介质，以解决现有的金融科技公司所采用的客户服务偏好的分析方式通常是对客户购买服务和评价进行分析以生成客户的服务偏好，无法全面、准确地定位和分析客户偏好的技术问题。

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客户偏好分析方法，采用了如下所述的技术方案：

获取目标客户的业务语音数据，并对所述业务语音数据进行转换处理得到对应的业务文本数据；

对所述业务文本数据进行分析，从所述业务文本数据中确定出与产品服务偏好相关的服务关键词；其中，所述服务关键词的数量包括多个；

从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据，并生成与所述目标语音数据对应的目标文本数据；

基于预设的语音情感识别模型对所述目标语音数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第一情感值；

基于预设的文本情感识别模型对所述目标文本数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第二情感值；

基于所述第一情感值与所述第二情感值生成与所述服务关键词对应的所述目标客户的情感综合值；

从所有所述情感综合值中筛选出数值大于预设阈值的第一情感综合值，并从所述第一情感综合值中筛选出数值最高的预设数量的第二情感综合值；

从所有所述服务关键词中获取与所述第二情感综合值对应的目标服务关键词，基于所述目标服务关键词生成与所述目标客户对应的产品服务偏好标签。

进一步的，所述从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据的步骤，具体包括：

从所述业务语音数据中筛选出所述目标客户提及所述服务关键词的第一语音数据；

从所述业务语音数据中筛选出客服提及所述服务关键词的第二语音数据；

从所述业务语音数据中提取出与所述第二语音数据对应的所述目标客户的答复语音数据；

基于所述第一语音数据与所述答复语音数据构建得到与所述服务关键词关联的目标语音数据。

进一步的，所述基于预设的语音情感识别模型对所述目标语音数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第一情感值的步骤，具体包括：

对所述目标语音数据进行特征提取，得到对应的语音特征数据；

调用所述语音情感识别模型；

将所述语音特征数据输入至所述语音情感识别模型内，通过所述语音情感识别模型对所述语音特征数据进行情感识别处理，得到对应的第一情感识别结果；

将所述第一情感识别结果作为所述第一情感值。

进一步的，所述基于预设的文本情感识别模型对所述目标文本数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第二情感值的步骤，具体包括：

对所述目标文本数据进行预处理，得到处理后的文本特征数据；

调用所述文本情感识别模型；

将所述文本特征数据输入至所述文本情感识别模型内，通过所述文本情感识别模型对所述文本特征数据进行情感识别处理，得到对应的第二情感识别结果；

将所述第二情感识别结果作为所述第二情感值。

进一步的，所述对所述目标文本数据进行预处理，得到处理后的文本特征数据的步骤，具体包括：

对所述目标文本数据进行分词处理，得到对应的第一数据；

对所述第一数据进行标准化处理，得到对应的第二数据；

对所述第二数据进行序列化处理，得到对应的第三数据；

将所述第三数据作为所述文本特征数据。

进一步的，所述基于所述第一情感值与所述第二情感值生成与所述服务关键词对应的所述目标客户的情感综合值的步骤，具体包括：

获取与所述第一情感值对应的第一预设权重；

获取与所述第二情感值对应的第二预设权重；

基于所述第一预设权重与所述第二预设权重，调用预设的计算公式对所述第一情感值与所述第二情感值进行计算处理，得到对应的计算结果；

将所述计算结果作为所述服务关键词的情感综合值。

进一步的，在所述从所有所述服务关键词中获取与所述第二情感综合值对应的目标服务关键词，基于所述目标服务关键词生成与所述目标客户对应的产品服务偏好标签的步骤之后，还包括：

获取与所述产品服务偏好标签对应的目标产品；

获取所述目标客户的客户联系方式；

基于所述客户联系方式，将所述目标产品推送给所述目标客户。

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客户偏好分析装置，采用了如下所述的技术方案：

第一获取模块，用于获取目标客户的业务语音数据，并对所述业务语音数据进行转换处理得到对应的业务文本数据；

分析模块，用于对所述业务文本数据进行分析，从所述业务文本数据中确定出与产品服务偏好相关的服务关键词；其中，所述服务关键词的数量包括多个；

第一筛选模块，用于从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据，并生成与所述目标语音数据对应的目标文本数据；

第一识别模块，用于基于预设的语音情感识别模型对所述目标语音数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第一情感值；

第二识别模块，用于基于预设的文本情感识别模型对所述目标文本数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第二情感值；

第一生成模块，用于基于所述第一情感值与所述第二情感值生成与所述服务关键词对应的所述目标客户的情感综合值；

第二筛选模块，用于从所有所述情感综合值中筛选出数值大于预设阈值的第一情感综合值，并从所述第一情感综合值中筛选出数值最高的预设数量的第二情感综合值；

第二生成模块，用于从所有所述服务关键词中获取与所述第二情感综合值对应的目标服务关键词，基于所述目标服务关键词生成与所述目标客户对应的产品服务偏好标签。

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，包括存储器、处理器以及存储在存储器中并可在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基于人工智能的客户偏好分析方法的步骤。

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，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述基于人工智能的客户偏好分析方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例通过对由获取到的目标客户的业务语音数据经过转换处理得到的业务文本数据进行分析，从业务文本数据中确定出与产品服务偏好相关的服务关键词后，会先从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据，并生成与所述目标语音数据对应的目标文本数据，然后基于预设的语音情感识别模型对所述目标语音数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第一情感值，以及基于预设的文本情感识别模型对所述目标文本数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第二情感值，并会基于所述第一情感值与所述第二情感值生成与所述服务关键词对应的所述目标客户的情感综合值，后续从所有所述情感综合值中筛选出数值大于预设阈值的第一情感综合值，并从所述第一情感综合值中筛选出数值最高的预设数量的第二情感综合值，最后根据与所述第二情感综合值对应的目标服务关键词以完成目标客户的产品服务偏好标签的生成。在上述的产品服务偏好标签的生成过程，通过根据语音情感识别模型与文本情感识别模型的使用，从目标客户与所述服务关键词关联的目标语音数据与目标文本数据对应的两个维度的数据来对目标客户进行情感分析并生成最终的目标客户的情感综合值，由于情感综合值可以表征语音数据与文本数据，有效地保证了生成的目标客户的情感综合值的准确度。后续根据该情感综合值能够全面地了解目标客户对于服务关键词对应的产品服务的情感态度和倾向，进而可以根据得到的目标客户的情感综合值来准确地生成与目标客户对应的产品服务偏好标签，以结合语音与文本的情感分析技术实现了对目标客户的产品服务偏好的精准获取，提高了生成的目标客户的产品服务偏好标签的准确性与全面性。

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客户偏好分析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客户偏好分析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(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，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客户偏好分析方法一般由服务器/终端设备执行，相应地，基于人工智能的客户偏好分析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客户偏好分析方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的基于人工智能的客户偏好分析方法能够应用于任意一种需要进行客户偏好分析的场景中，则该基于人工智能的客户偏好分析方法能够应用于这些场景的产品中，例如，金融保险领域中的客户偏好分析。所述的基于人工智能的客户偏好分析方法，包括以下步骤：

步骤S201，获取目标客户的业务语音数据，并对所述业务语音数据进行转换处理得到对应的业务文本数据。

在本实施例中，基于人工智能的客户偏好分析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业务语音数据。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、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。上述业务语音数据可包括与目标客户相关的业务员展业的电话沟通，业务员展业的微信沟通，app客服沟通，客户投诉，客户访问调查等语音数据。其中，可通过采用自动语音识别技术将业务语音数据转换为业务文本数据。

步骤S202，对所述业务文本数据进行分析，从所述业务文本数据中确定出与产品服务偏好相关的服务关键词；其中，所述服务关键词的数量包括多个。

在本实施例中，可通过对所述业务文本数据进行分词处理得到对应的分词数据，进而将该分词数据与预设的服务关键词集合进行匹配处理，从所有分词数据中筛选出与上述服务关键词集合中的关键词匹配成功的指定分词，并将该指定分词作为上述与产品服务偏好相关的服务关键词。其中，上述服务关键词集合为预先构建的存储有多个与产品服务关联的关键词的集合。

步骤S203，从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据，并生成与所述目标语音数据对应的目标文本数据。

在本实施例中，上述从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据，并生成与所述目标语音数据对应的目标文本数据的具体实施过程，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S204，基于预设的语音情感识别模型对所述目标语音数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第一情感值。

在本实施例中，上述基于预设的语音情感识别模型对所述目标语音数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第一情感值的具体实施过程，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，基于预设的文本情感识别模型对所述目标文本数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第二情感值。

在本实施例中，上述基于预设的文本情感识别模型对所述目标文本数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第二情感值的具体实施过程，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S206，基于所述第一情感值与所述第二情感值生成与所述服务关键词对应的所述目标客户的情感综合值。

在本实施例中，上述基于所述第一情感值与所述第二情感值生成与所述服务关键词对应的所述目标客户的情感综合值的具体实施过程，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S207，从所有所述情感综合值中筛选出数值大于预设阈值的第一情感综合值，并从所述第一情感综合值中筛选出数值最高的预设数量的第二情感综合值。

在本实施例中，对于上述预设阈值的取值不做具体限定，可根据实际的使用需求进行设置，例如可设置为0.6或0.7或0.8。对于上述预设数量的取值不做具体限定，可包括一个或多个，只需确保预设数量小于所有上述第一情感综合值所对应的总量即可。

步骤S208，从所有所述服务关键词中获取与所述第二情感综合值对应的目标服务关键词，基于所述目标服务关键词生成与所述目标客户对应的产品服务偏好标签。

在本实施例中，可通过对上述目标服务关键词进行整合处理，以得到整合后的关键词组合，并将该关键词组合作为与所述目标客户对应的产品服务偏好标签。

本申请首先获取目标客户的业务语音数据，并对所述业务语音数据进行转换处理得到对应的业务文本数据；然后对所述业务文本数据进行分析，从所述业务文本数据中确定出与产品服务偏好相关的服务关键词；之后从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据，并生成与所述目标语音数据对应的目标文本数据；后续基于预设的语音情感识别模型对所述目标语音数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第一情感值；以及基于预设的文本情感识别模型对所述目标文本数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第二情感值；进一步基于所述第一情感值与所述第二情感值生成与所述服务关键词对应的所述目标客户的情感综合值；之后从所有所述情感综合值中筛选出数值大于预设阈值的第一情感综合值，并从所述第一情感综合值中筛选出数值最高的预设数量的第二情感综合值；最后从所有所述服务关键词中获取与所述第二情感综合值对应的目标服务关键词，基于所述目标服务关键词生成与所述目标客户对应的产品服务偏好标签。本申请通过对由获取到的目标客户的业务语音数据经过转换处理得到的业务文本数据进行分析，从业务文本数据中确定出与产品服务偏好相关的服务关键词后，会先从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据，并生成与所述目标语音数据对应的目标文本数据，然后基于预设的语音情感识别模型对所述目标语音数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第一情感值，以及基于预设的文本情感识别模型对所述目标文本数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第二情感值，并会基于所述第一情感值与所述第二情感值生成与所述服务关键词对应的所述目标客户的情感综合值，后续从所有所述情感综合值中筛选出数值大于预设阈值的第一情感综合值，并从所述第一情感综合值中筛选出数值最高的预设数量的第二情感综合值，最后根据与所述第二情感综合值对应的目标服务关键词以完成目标客户的产品服务偏好标签的生成。在上述的产品服务偏好标签的生成过程，通过根据语音情感识别模型与文本情感识别模型的使用，从目标客户与所述服务关键词关联的目标语音数据与目标文本数据对应的两个维度的数据来对目标客户进行情感分析并生成最终的目标客户的情感综合值，由于情感综合值可以表征语音数据与文本数据，有效地保证了生成的目标客户的情感综合值的准确度。后续根据该情感综合值能够全面地了解目标客户对于服务关键词对应的产品服务的情感态度和倾向，进而可以根据得到的目标客户的情感综合值来准确地生成与目标客户对应的产品服务偏好标签，以结合语音与文本的情感分析技术实现了对目标客户的产品服务偏好的精准获取，提高了生成的目标客户的产品服务偏好标签的准确性与全面性。

在一些可选的实现方式中，步骤S203中的所述从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据，包括以下步骤：

从所述业务语音数据中筛选出所述目标客户提及所述服务关键词的第一语音数据。

在本实施例中，可通过使用所述服务关键词对上述业务语音数据进行数据匹配，以从所述业务语音数据中筛选出所述目标客户提及所述服务关键词的对话答复语音数据，即得到上述第一语音数据。

从所述业务语音数据中筛选出客服提及所述服务关键词的第二语音数据。

在本实施例中，上述客服为与目标客户进行业务沟通的客服人员。可通过使用所述服务关键词对上述业务语音数据进行数据匹配，以从所述业务语音数据中筛选出上述客服提及所述服务关键词的对话语音数据，即得到上述第二语音数据。

从所述业务语音数据中提取出与所述第二语音数据对应的所述目标客户的答复语音数据。

在本实施例中，可通过从所述业务语音数据中提取出目标客户反馈的对于所述第二语音数据的连续答复语音数据，即得到上述答复语音数据。

基于所述第一语音数据与所述答复语音数据构建得到与所述服务关键词关联的目标语音数据。

在本实施例中，可通过将所述第一语音数据与所述答复语音数据进行整合处理以得到整合数据，并将该整合数据作为上述目标语音数据。

本申请通过从所述业务语音数据中筛选出所述目标客户提及所述服务关键词的第一语音数据；然后从所述业务语音数据中筛选出客服提及所述服务关键词的第二语音数据；之后从所述业务语音数据中提取出与所述第二语音数据对应的所述目标客户的答复语音数据；后续基于所述第一语音数据与所述答复语音数据构建得到与所述服务关键词关联的目标语音数据。本申请通过从所述业务语音数据中筛选出所述目标客户提及所述服务关键词的第一语音数据，以及从所述业务语音数据中提取出与客服提及所述服务关键词的第二语音数据所对应的所述目标客户的答复语音数据，进而基于所述第一语音数据与所述答复语音数据以实现快速准确地构建出所述服务关键词关联的目标语音数据，提高了目标语音数据的获取效率，保证了得到的目标语音数据的数据准确性。

在本实施例的一些可选的实现方式中，步骤S204包括以下步骤：

对所述目标语音数据进行特征提取，得到对应的语音特征数据。

在本实施例中，上述特征提取处理具体可包括对所述目标语音数据记录基因周期、能量、频谱特征、声纹和语调的变化特征，以得到相应的语音特征数据。

调用所述语音情感识别模型。

在本实施例中，上述语音情感识别模型可为根据预先采集的语音特征样本数据对预设的机器学习模型进行训练后生成的。其中，上述语音特征样本数据包括与上述语音特征数据具有相同的特征类型的特征样本数据，以及与各种特征样本数据分别对应的情感标签。上述机器学习模型具体可为长短期记忆网络模型。对于上述语音情感识别模型的具体训练过程，可参照现有的长短期记忆网络的训练过程，在此不做过多阐述。

将所述语音特征数据输入至所述语音情感识别模型内，通过所述语音情感识别模型对所述语音特征数据进行情感识别处理，得到对应的第一情感识别结果。

在本实施例中，通过所述语音情感识别模型对所述语音特征数据进行情感识别处理时，会生成该语音特征数据对应于不同的情感状态的概率，并将数值最大的情感状态的概率作为上述第一情感识别结果。其中，情感分类采用0到1的分布，表示不同情感状态的概率。

将所述第一情感识别结果作为所述第一情感值。

本申请通过对所述目标语音数据进行特征提取，得到对应的语音特征数据；然后调用所述语音情感识别模型；之后将所述语音特征数据输入至所述语音情感识别模型内，通过所述语音情感识别模型对所述语音特征数据进行情感识别处理，得到对应的第一情感识别结果；后续将所述第一情感识别结果作为所述第一情感值。本申请在对所述目标语音数据进行特征提取得到语音特征数据后，通过使用语音情感识别模型对所述语音特征数据进行情感识别处理，可以实现根据目标客户的语音特征的维度来生成与所述服务关键词对应的目标客户的第一情感值，有助于根据该第一情感值能够全面地了解目标客户对于服务关键词对应的产品服务的情感态度和倾向，有利于后续可以根据得到的目标客户的第一情感值来准确地生成与目标客户对应的产品服务偏好标签。

在一些可选的实现方式中，步骤S205包括以下步骤：

对所述目标文本数据进行预处理，得到处理后的文本特征数据。

在本实施例中，上述对所述目标文本数据进行预处理，得到处理后的文本特征数据的具体实施过程，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。

调用所述文本情感识别模型。

在本实施例中，上述文本情感识别模型可为根据预先采集的业务文本样本数据对预训练的BERT模型进行训练后生成的。其中，上述业务文本样本数据包括一定数量的文本样本数据，以及与各文本样本数据分别对应的情感标签。对于上述文本情感识别模型的具体训练过程，可参照现有的BERT模型的训练过程，在此不做过多阐述。

将所述文本特征数据输入至所述文本情感识别模型内，通过所述文本情感识别模型对所述文本特征数据进行情感识别处理，得到对应的第二情感识别结果。

在本实施例中，在将所述文本特征数据输入至所述文本情感识别模型内，通过该文本情感识别模型对所述文本特征数据进行编码处理后再进行情感正负二分类任务，计算出与所述文本特征数据对应的正负向的情感值(0到1之间的值)，即上述第二情感识别结果。

将所述第二情感识别结果作为所述第二情感值。

本申请通过对所述目标文本数据进行预处理，得到处理后的文本特征数据；然后调用所述文本情感识别模型；之后将所述文本特征数据输入至所述文本情感识别模型内，通过所述文本情感识别模型对所述文本特征数据进行情感识别处理，得到对应的第二情感识别结果；后续将所述第二情感识别结果作为所述第二情感值。本申请在对所述目标文本数据进行预处理，得到处理后的文本特征数据后，通过使用文本情感识别模型对所述文本特征数据进行情感识别处理，可以实现根据目标客户的文本特征的维度来生成与所述服务关键词对应的目标客户的第二情感值，有助于根据该第二情感值能够全面地了解目标客户对于服务关键词对应的产品服务的情感态度和倾向，有利于后续可以根据得到的目标客户的第二情感值来准确地生成与目标客户对应的产品服务偏好标签。

在一些可选的实现方式中，所述对所述目标文本数据进行预处理，得到处理后的文本特征数据，包括以下步骤：

对所述目标文本数据进行分词处理，得到对应的第一数据。

在本实施例中，可通过使用常用的分词工具对所述目标文本数据进行分词处理，从而得到对应的第一数据。其中，对于上述分词工具的选取不做具体限定，可根据实际的使用需求进行选取。

对所述第一数据进行标准化处理，得到对应的第二数据。

在本实施例中，可通过使用常用的标准化处理工具对所述第一数据进行标准化处理以得到对应的第二数据。其中，对于上述标准化处理工具的选取不做具体限定，可根据实际的使用需求进行选取。

对所述第二数据进行序列化处理，得到对应的第三数据。

在本实施例中，可通过使用常用的序列化处理工具对所述第二数据进行序列化处理以得到对应的第三数据。其中，对于上述序列化处理工具的选取不做具体限定，可根据实际的使用需求进行选取。

将所述第三数据作为所述文本特征数据。

本申请通过对所述目标文本数据进行分词处理，得到对应的第一数据；然后对所述第一数据进行标准化处理，得到对应的第二数据；之后对所述第二数据进行序列化处理，得到对应的第三数据；后续将所述第三数据作为所述文本特征数据。本申请通过对目标文本数据进行分词处理、标准化处理以及序列化处理，从而快速得到具有符合文本情感识别模型的可读入处理的标准数据格式的目标文本数据，有效地保证了后续通过使用文本情感识别模型对对所述目标文本数据进行情感识别的识别处理过程的顺序进行，有利于提高文本情感识别模型的文本情感识别处理的效率。

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：

获取与所述第一情感值对应的第一预设权重。

在本实施例中，对于上述第一预设权重的取值不做具体限定，可根据实际的业务使用需求进行设置，例如可设为0.2。

获取与所述第二情感值对应的第二预设权重。

在本实施例中，对于上述第二预设权重的取值不做具体限定，可根据实际的业务使用需求进行设置，例如可设为0.8。

基于所述第一预设权重与所述第二预设权重，调用预设的计算公式对所述第一情感值与所述第二情感值进行计算处理，得到对应的计算结果。

在本实施例中，上述计算公式的内容具体可包括：C＝A*x+B*y，其中，C为情感综合值，A为第一情感值，x为与所述第一情感值对应的第一预设权重，B为第二情感值，y与所述第二情感值对应的第二预设权重。

将所述计算结果作为所述服务关键词的情感综合值。

本申请通过获取与所述第一情感值对应的第一预设权重；以及获取与所述第二情感值对应的第二预设权重；然后基于所述第一预设权重与所述第二预设权重，调用预设的计算公式对所述第一情感值与所述第二情感值进行计算处理，得到对应的计算结果；后续将所述计算结果作为所述服务关键词的情感综合值。本申请在获取到与所述第一情感值对应的第一预设权重以及与所述第二情感值对应的第二预设权重后，会智能地根据所述第一预设权重与所述第二预设权重，调用预设的计算公式对所述第一情感值与所述第二情感值进行计算处理，从而可以实现快速准确地生成与所述服务关键词对应的所述目标客户的情感综合值，保证了生成的情感综合值的数据准确度。

在本实施例的一些可选的实现方式中，在步骤S208之后，上述电子设备还可以执行以下步骤：

获取与所述产品服务偏好标签对应的目标产品。

在本实施例中，可通过使用所述产品服务偏好标签对预设的产品库进行查询，以从该产品库中查找出与所述产品服务偏好标签匹配的所有产品，以得到上述目标产品。其中，上述产品库为预先构建的用于存储有多个用于进行业务营销的业务产品，且各个业务产品会以自身所属的服务偏好标签作为标识。

获取所述目标客户的客户联系方式。

在本实施例中，上述客户联系方式可包括目标客户的电话号码或邮件地址。

基于所述客户联系方式，将所述目标产品推送给所述目标客户。

在本实施例中，可通过根据该客户联系方式，将所述目标产品推送给与该客户联系方式对应的所述目标客户的通讯终端。

本申请通过获取与所述产品服务偏好标签对应的目标产品；然后获取所述目标客户的客户联系方式；后续基于所述客户联系方式，将所述目标产品推送给所述目标客户。本申请在生成与所述目标客户对应的产品服务偏好标签后，还会智能地获取与所述产品服务偏好标签对应的目标产品，并基于目标客户的客户联系方式，将所述目标产品推送给所述目标客户，以实现根据目标客户的产品服务偏好，以为目标客户提供更加个性化与精准化的服务和产品推荐，从而可以有效满足目标客户的产品服务需求，有利于提升目标客户的满意度与忠诚度。

应理解，上述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。

需要强调的是，为进一步保证上述产品服务偏好标签的私密和安全性，上述产品服务偏好标签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(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台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(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-Only 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客户偏好分析装置的一个实施例，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客户偏好分析装置300包括：第一获取模块301、分析模块302、第一筛选模块303、第一识别模块304、第二识别模块305、第一生成模块306、第二筛选模块307以及第二生成模块308。其中：

第一获取模块301，用于获取目标客户的业务语音数据，并对所述业务语音数据进行转换处理得到对应的业务文本数据；

分析模块302，用于对所述业务文本数据进行分析，从所述业务文本数据中确定出与产品服务偏好相关的服务关键词；其中，所述服务关键词的数量包括多个；

第一筛选模块303，用于从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据，并生成与所述目标语音数据对应的目标文本数据；

第一识别模块304，用于基于预设的语音情感识别模型对所述目标语音数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第一情感值；

第二识别模块305，用于基于预设的文本情感识别模型对所述目标文本数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第二情感值；

第一生成模块306，用于基于所述第一情感值与所述第二情感值生成与所述服务关键词对应的所述目标客户的情感综合值；

第二筛选模块307，用于从所有所述情感综合值中筛选出数值大于预设阈值的第一情感综合值，并从所述第一情感综合值中筛选出数值最高的预设数量的第二情感综合值；

第二生成模块308，用于从所有所述服务关键词中获取与所述第二情感综合值对应的目标服务关键词，基于所述目标服务关键词生成与所述目标客户对应的产品服务偏好标签。

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客户偏好分析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303包括：

第一筛选子模块，用于从所述业务语音数据中筛选出所述目标客户提及所述服务关键词的第一语音数据；

第二筛选子模块，用于从所述业务语音数据中筛选出客服提及所述服务关键词的第二语音数据；

第一提取子模块，用于从所述业务语音数据中提取出与所述第二语音数据对应的所述目标客户的答复语音数据；

构建子模块，用于基于所述第一语音数据与所述答复语音数据构建得到与所述服务关键词关联的目标语音数据。

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客户偏好分析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,第一识别模块304包括：

第二提取子模块，用于对所述目标语音数据进行特征提取，得到对应的语音特征数据；

调用子模块，用于调用所述语音情感识别模型；

第一处理子模块，用于将所述语音特征数据输入至所述语音情感识别模型内，通过所述语音情感识别模型对所述语音特征数据进行情感识别处理，得到对应的第一情感识别结果；

第一确定子模块，用于将所述第一情感识别结果作为所述第一情感值。

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客户偏好分析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，第二识别模块305包括：

预处理子模块，用于对所述目标文本数据进行预处理，得到处理后的文本特征数据；

第二调用子模块，用于调用所述文本情感识别模型；

第二处理子模块，用于将所述文本特征数据输入至所述文本情感识别模型内，通过所述文本情感识别模型对所述文本特征数据进行情感识别处理，得到对应的第二情感识别结果；

第二确定子模块，用于将所述第二情感识别结果作为所述第二情感值。

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客户偏好分析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，预处理子模块包括：

第一处理单元，用于对所述目标文本数据进行分词处理，得到对应的第一数据；

第二处理单元，用于对所述第一数据进行标准化处理，得到对应的第二数据；

第三处理单元，用于对所述第二数据进行序列化处理，得到对应的第三数据；

确定处理单元，用于将所述第三数据作为所述文本特征数据。

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客户偏好分析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，第一生成模块307包括：

第一获取子模块，用于获取与所述第一情感值对应的第一预设权重；

第二获取子模块，用于获取与所述第二情感值对应的第二预设权重；

计算子模块，用于基于所述第一预设权重与所述第二预设权重，调用预设的计算公式对所述第一情感值与所述第二情感值进行计算处理，得到对应的计算结果；

第三确定子模块，用于将所述计算结果作为所述服务关键词的情感综合值。

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客户偏好分析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，基于人工智能的客户偏好分析装置还包括：

第二获取模块，用于获取与所述产品服务偏好标签对应的目标产品；

第三获取模块，用于获取所述目标客户的客户联系方式；

推送模块，用于基于所述客户联系方式，将所述目标产品推送给所述目标客户。

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客户偏好分析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(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal 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 Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)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客户偏好分析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(Central Processing Unit，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客户偏好分析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，通过根据语音情感识别模型与文本情感识别模型的使用，从目标客户与所述服务关键词关联的目标语音数据与目标文本数据对应的两个维度的数据来对目标客户进行情感分析并生成最终的目标客户的情感综合值，由于情感综合值可以表征语音数据与文本数据，有效地保证了生成的目标客户的情感综合值的准确度。后续根据该情感综合值能够全面地了解目标客户对于服务关键词对应的产品服务的情感态度和倾向，进而可以根据得到的目标客户的情感综合值来准确地生成与目标客户对应的产品服务偏好标签，以结合语音与文本的情感分析技术实现了对目标客户的产品服务偏好的精准获取，提高了生成的目标客户的产品服务偏好标签的准确性与全面性。

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客户偏好分析方法的步骤。

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，通过根据语音情感识别模型与文本情感识别模型的使用，从目标客户与所述服务关键词关联的目标语音数据与目标文本数据对应的两个维度的数据来对目标客户进行情感分析并生成最终的目标客户的情感综合值，由于情感综合值可以表征语音数据与文本数据，有效地保证了生成的目标客户的情感综合值的准确度。后续根据该情感综合值能够全面地了解目标客户对于服务关键词对应的产品服务的情感态度和倾向，进而可以根据得到的目标客户的情感综合值来准确地生成与目标客户对应的产品服务偏好标签，以结合语音与文本的情感分析技术实现了对目标客户的产品服务偏好的精准获取，提高了生成的目标客户的产品服务偏好标签的准确性与全面性。

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客户偏好分析方法，其特征在于，包括下述步骤：

获取目标客户的业务语音数据，并对所述业务语音数据进行转换处理得到对应的业务文本数据；

对所述业务文本数据进行分析，从所述业务文本数据中确定出与产品服务偏好相关的服务关键词；其中，所述服务关键词的数量包括多个；

从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据，并生成与所述目标语音数据对应的目标文本数据；

基于预设的语音情感识别模型对所述目标语音数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第一情感值；

基于预设的文本情感识别模型对所述目标文本数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第二情感值；

基于所述第一情感值与所述第二情感值生成与所述服务关键词对应的所述目标客户的情感综合值；

从所有所述情感综合值中筛选出数值大于预设阈值的第一情感综合值，并从所述第一情感综合值中筛选出数值最高的预设数量的第二情感综合值；

从所有所述服务关键词中获取与所述第二情感综合值对应的目标服务关键词，基于所述目标服务关键词生成与所述目标客户对应的产品服务偏好标签。

2.根据权利要求1所述的基于人工智能的客户偏好分析方法，其特征在于，所述从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据的步骤，具体包括：

从所述业务语音数据中筛选出所述目标客户提及所述服务关键词的第一语音数据；

从所述业务语音数据中筛选出客服提及所述服务关键词的第二语音数据；

从所述业务语音数据中提取出与所述第二语音数据对应的所述目标客户的答复语音数据；

基于所述第一语音数据与所述答复语音数据构建得到与所述服务关键词关联的目标语音数据。

3.根据权利要求1所述的基于人工智能的客户偏好分析方法，其特征在于，所述基于预设的语音情感识别模型对所述目标语音数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第一情感值的步骤，具体包括：

对所述目标语音数据进行特征提取，得到对应的语音特征数据；

调用所述语音情感识别模型；

将所述语音特征数据输入至所述语音情感识别模型内，通过所述语音情感识别模型对所述语音特征数据进行情感识别处理，得到对应的第一情感识别结果；

将所述第一情感识别结果作为所述第一情感值。

4.根据权利要求1所述的基于人工智能的客户偏好分析方法，其特征在于，所述基于预设的文本情感识别模型对所述目标文本数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第二情感值的步骤，具体包括：

对所述目标文本数据进行预处理，得到处理后的文本特征数据；

调用所述文本情感识别模型；

将所述文本特征数据输入至所述文本情感识别模型内，通过所述文本情感识别模型对所述文本特征数据进行情感识别处理，得到对应的第二情感识别结果；

将所述第二情感识别结果作为所述第二情感值。

5.根据权利要求4所述的基于人工智能的客户偏好分析方法，其特征在于，所述对所述目标文本数据进行预处理，得到处理后的文本特征数据的步骤，具体包括：

对所述目标文本数据进行分词处理，得到对应的第一数据；

对所述第一数据进行标准化处理，得到对应的第二数据；

对所述第二数据进行序列化处理，得到对应的第三数据；

将所述第三数据作为所述文本特征数据。

6.根据权利要求1所述的基于人工智能的客户偏好分析方法，其特征在于，所述基于所述第一情感值与所述第二情感值生成与所述服务关键词对应的所述目标客户的情感综合值的步骤，具体包括：

获取与所述第一情感值对应的第一预设权重；

获取与所述第二情感值对应的第二预设权重；

基于所述第一预设权重与所述第二预设权重，调用预设的计算公式对所述第一情感值与所述第二情感值进行计算处理，得到对应的计算结果；

将所述计算结果作为所述服务关键词的情感综合值。

7.根据权利要求1所述的基于人工智能的客户偏好分析方法，其特征在于，在所述从所有所述服务关键词中获取与所述第二情感综合值对应的目标服务关键词，基于所述目标服务关键词生成与所述目标客户对应的产品服务偏好标签的步骤之后，还包括：

获取与所述产品服务偏好标签对应的目标产品；

获取所述目标客户的客户联系方式；

基于所述客户联系方式，将所述目标产品推送给所述目标客户。

8.一种基于人工智能的客户偏好分析装置，其特征在于，包括：

第一获取模块，用于获取目标客户的业务语音数据，并对所述业务语音数据进行转换处理得到对应的业务文本数据；

分析模块，用于对所述业务文本数据进行分析，从所述业务文本数据中确定出与产品服务偏好相关的服务关键词；其中，所述服务关键词的数量包括多个；

第一筛选模块，用于从所述业务语音数据中筛选出与所述服务关键词关联的目标语音数据，并生成与所述目标语音数据对应的目标文本数据；

第一识别模块，用于基于预设的语音情感识别模型对所述目标语音数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第一情感值；

第二识别模块，用于基于预设的文本情感识别模型对所述目标文本数据进行情感识别，得到与所述服务关键词对应的所述目标客户的第二情感值；

第一生成模块，用于基于所述第一情感值与所述第二情感值生成与所述服务关键词对应的所述目标客户的情感综合值；

第二筛选模块，用于从所有所述情感综合值中筛选出数值大于预设阈值的第一情感综合值，并从所述第一情感综合值中筛选出数值最高的预设数量的第二情感综合值；

第二生成模块，用于从所有所述服务关键词中获取与所述第二情感综合值对应的目标服务关键词，基于所述目标服务关键词生成与所述目标客户对应的产品服务偏好标签。

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客户偏好分析方法的步骤。

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客户偏好分析方法的步骤。