CN117827804A - 线索生成方法、装置、设备和存储介质 - Google Patents
线索生成方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117827804A CN117827804A CN202410196684.0A CN202410196684A CN117827804A CN 117827804 A CN117827804 A CN 117827804A CN 202410196684 A CN202410196684 A CN 202410196684A CN 117827804 A CN117827804 A CN 117827804A
- Authority
- CN
- China
- Prior art keywords
- target
- user
- prompt
- interaction information
- clue
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000003993 interaction Effects 0.000 claims abstract description 127
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000007689 inspection Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013441 quality evaluation Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 9
- 239000008186 active pharmaceutical agent Substances 0.000 description 8
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 206010044565 Tremor Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 241000282376 Panthera tigris Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004899 c-terminal region Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/243—Natural language query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,提供一种线索生成方法、装置、设备和存储介质,该方法包括:对用户互动信息进行结构化处理,得到结构化的互动信息;用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;利用大语言模型,根据结构化的互动信息和第一提示词生成第一提示结果;利用大语言模型,根据第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。本发明中创造性地使用提示词与大模型进行交互,基于结构化的互动信息创建目标线索,提升了线索生成的效率,避免业务线索流失。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种线索生成方法、装置、设备和存储介质。
背景技术
对电商、教育、金融等C端企业来说,内容营销是非常重要的一个拓客渠道。企业可以从上述渠道对应的社交平台中获取潜在用户的沟通内容、弹幕、评论等互动信息,对互动信息进行数据清洗和分析之后便可以获得业务线索。但是,由于上述社交平台对应的互动信息内容量非常大,海量的内容需要投入大量的人力物力进行筛选和处理。
现有技术中,利用营销自动化(marketingautomation,MA)工具连接社交平台,并将用户发布的评论、弹幕等互动信息导入到客户关系管理(Customer RelationshipManagement,CRM)系统中。但随后的信息分析处理需要人工处理并转化成业务线索,进而将业务线索交给销售团队进行线索跟踪和商机转化。但依赖人工处理对海量的互动信息进行处理分析,当存在海量的互动信息的情况下,线索生成的效率低下。
发明内容
本发明提供一种线索生成方法、装置、设备和存储介质,用以解决现有技术中线索生成的效率低下的缺陷,实现提升线索生成的效率,避免业务线索流失。
第一方面,本发明提供一种线索生成方法,该方法包括:
对用户互动信息进行结构化处理,得到结构化的互动信息;所述用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;
利用大语言模型,根据所述结构化的互动信息和第一提示词生成第一提示结果;
利用所述大语言模型,根据所述第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。
可选地,所述第一提示结果为采用键值对格式存储的结构化数据;所述第一提示词用于表征利用至少一个目标标签对所述结构化的互动信息进行分析处理得到各所述目标标签对应的结构化数据,所述结构化数据中包含用户购买意向、用户信息以及意向产品各自对应的属性值;所述利用大语言模型,根据所述结构化的互动信息和第一提示词生成第一提示结果,包括:
利用所述大语言模型,确定所述第一提示词中包含的各所述目标标签;
利用所述大语言模型,基于各所述目标标签在所述结构化的互动信息中进行匹配查询,得到各所述目标标签各自对应的取值;
将各所述目标标签以及各所述目标标签各自对应的取值确定为所述第一提示结果对应的结构化数据。
可选地,在所述第一提示结果中包含的用户购买意向对应的属性值为有购买意向的情况下,所述利用所述大语言模型,根据所述第一提示结果,调用第二应用程序接口在目标应用中创建目标线索,包括:
确定所述第一提示结果中包含的用户信息对应的属性值以及意向产品对应的属性值;
调用所述第二应用程序接口,根据所述用户信息对应的属性值以及所述意向产品对应的属性值,在所述目标应用中创建所述目标线索。
可选地,在所述第一提示结果中包含的用户购买意向对应的属性值为无购买意向的情况下,所述利用所述大语言模型,根据所述第一提示结果,调用第二应用程序接口在目标应用中创建目标线索,包括:
确定所述第一提示结果中包含的用户信息对应的属性值,对所述用户信息对应的属性值进行标记,得到标记后的用户信息对应的属性值;
调用第二应用程序接口,根据所述标记后的用户信息对应的属性值,创建所述目标线索。
可选地,所述利用大语言模型,根据所述结构化的互动信息和第一提示词生成第一提示结果之前,还包括:
利用所述大语言模型对原始提示词进行编译优化,得到第一提示词。
可选地,所述目标应用包括以下至少一项:客户关系管理CRM系统、协同管理OA系统、销售系统。
可选地,所述方法还包括:
利用第二提示词,根据预设的质量评价标准对至少一个所述目标线索进行质检评分,得到各个所述目标线索对应的评分;
对各个所述目标线索对应的评分从高到低进行排序,得到排序结果;
根据所述排序结果将各个所述目标线索分配至运营人员跟进。
第二方面,本发明还提供一种线索生成装置,该装置包括:
信息提取模块,用于对用户互动信息进行结构化处理,得到结构化的互动信息;所述用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;
线索生成模块,用于利用大语言模型,根据所述结构化的互动信息和第一提示词生成第一提示结果;
利用所述大语言模型,根据所述第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。
第三方面,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线索生成方法。
第四方面,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如上述任一种所述线索生成方法。
第五方面,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线索生成方法。
本发明提供的一种线索生成方法、装置、设备和存储介质,通过对用户互动信息进行结构化处理,得到结构化的互动信息,其中,用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;然后,利用大语言模型,根据结构化的互动信息和第一提示词生成第一提示结果;进而,利用大语言模型,根据第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。
本发明实施例提供的方法中,首先利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到用户互动信息,对用户互动信息进行结构化处理;然后,基于结构化的互动信息利用第一提示词和大模型进行交互,生成第一提示结果;进而,根据第一提示结果,利用大语言模型调用第二应用程序接口在目标应用中创建目标线索,本实施例中创造性地使用提示词与大模型进行交互,基于结构化的互动信息创建目标线索,提升了线索生成的效率,避免业务线索流失。
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是本发明提供的线索生成方法的流程示意图之一;
图2是本发明提供的线索生成方法的流程示意图之二;
图3是本发明提供的线索生成装置的结构示意图;
图4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。
本申请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术语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”所区别的对象通常为一类,并不限定对象的个数,例如第一节点可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
为了便于更加清晰地理解本发明提供的各实施例,首先对一些相关的背景知识进行如下介绍。
社交平台:社交平台是指通过互联网进行信息传播和交流的平台,用户可以在其中创建个人或团体账号,发布文字、图片、视频等多种形式的内容,也可以互相关注、点赞、评论、私信等互动操作。社交平台的类型多种多样,主要代表有基于短视频的抖音、快手,基于图文的小红书、基于文字的知乎以及直播的虎牙等。
应用程序接口(Application Program Interface,API):应用程序接口是一组定义、程序及协议的集合,通过API接口实现计算机软件之间的相互通信。API的一个主要功能是提供通用功能集,程序员通过调用API函数对应用程序进行开发,可以减轻编程任务,API同时也是一种中间件,为各种不同平台提供数据共享。
大模型(Foundation models):大模型,通常指的是一类被广泛使用的基础模型(或称基础架构模型),是在海量数据和计算资源的基础上训练出来的通用、通用性较强的深度学习模型。这些模型被广泛应用于自然语言处理、计算机视觉、语音识别等领域的各种任务。Foundation Model通常由大型科技公司、研究机构或者开源社区开发,目的是提供一种共享的基础架构,为更广泛的应用和开发人员提供更好的机会和资源,这些模型的预训练需要大量的数据和计算资源。
提示(prompt)词:prompt简单来说就是你给人工智能(ArtificialIntelligence,AI)模型的指令,可以是一段文字,比如你和生成式预训练转化器(Generative Pre-trained Transformer,GPT)对话的文字,也可以是按照一定的格式的参数进行描述,比如AI绘图的软件,使用参数输入提示的情况比较多。
下面结合图1-图4描述本发明的线索生成方法、装置、设备和存储介质。
图1是本发明提供的线索生成方法的流程示意图之一,如图1所示,该方法包括:
步骤101、对用户互动信息进行结构化处理,得到结构化的互动信息;用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;
具体地,本实施例的执行主体为电子设备,例如为电脑、手机、平板电脑等等,用于利用大模型基于社交平台的用户互动信息生成业务线索,以提高线索生成的效率,避免重要的业务线索流失。
其中,用户互动信息为社交平台上用户互动信息,例如,在小红书、抖音等社交平台中直播、短视频以及文案的评论和弹幕等互动内容;获取用户互动信息,例如基于小红书、抖音等营销投放渠道提供的 软件开发工具包(Software Development Kit,SDK)或者API,拉取直播、短视频以及文案的评论和弹幕等内容,并将上述内容保存到数据库中。
进一步地,在得到用户互动信息后,可以基于预设的标签对所述用户互动进行结构化处理,得到结构化互动信息,例如各个标签各自对应的取值等等。
步骤102、利用大语言模型,根据结构化的互动信息和第一提示词生成第一提示结果;
具体地,其中,大语言模型是大模型的一种,本实施例中的大语言模型基于LangChain应用开发框架构建,LangChain是一个开源的应用开发框架,目前支持Python和TypeScript两种编程语言。它赋予大语言模型两大核心能力:数据感知,将大语言模型与其他数据源相连接;代理能力,允许大语言模型与其所在的环境互动;更重要的是,可以实现对多种大模型的封装和管理,屏蔽了各个类型大模型之间的差异点,提供统一的API与上层业务模块例如与目标应用客户关系管理系统进行交互以创建目标线索。在自然语言处理领域,最著名的大模型是GPT模型。GPT模型也即生成式预训练Transfomer模型,采用了预训练加微调的方式,通过大规模的语料库训练出来的模型,可以在多种NLP任务中表现出色,如文本分类、机器翻译、摘要生成等。
在得到结构化的互动信息后,可以进一步利用大语言模型例如GPT模型,对于结构化的互动信息进行分析处理得到第一提示结果;其中,与大语言模型进行交互可以使用第一提示词,第一提示词可以是对用户创建的原始提示词进行编译优化得到的,用于给大语言模型输入指令以使得大语言模型对结构化的互动信息进行分析处理,得到第一提示结果,第一提示结果例如为结构化的线索数据;示例性利用大模型得到第一提示结果的过程示例如下:
互动信息:这个衣服还挺好看,怎么买啊?
第一提示词:分析文案,如果用户有购买意向,将该用户的所有弹幕内容导出,并调用业务扩展模块生成线索数据,线索数据为结构化的数据。
步骤103、利用大语言模型,根据第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。
具体地,在步骤102中得到第一提示结果,可以进一步利用大语言模型,根据第一提示结果,调用第二应用程序接口在目标应用中创建目标线索;例如,利用业务拓展模块实现调用目标应用的第二应用程序结构,从而实现创建线索的业务操作。
本实施例提供的方法中,通过对用户互动信息进行结构化处理,得到结构化的互动信息,其中,用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;然后,利用大语言模型,根据结构化的互动信息和第一提示词生成第一提示结果;进而,利用大语言模型,根据第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。
本发明实施例提供的方法中,首先利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到用户互动信息,对用户互动信息进行结构化处理;然后,基于结构化的互动信息利用第一提示词和大模型进行交互,生成第一提示结果;进而,根据第一提示结果,利用大语言模型调用第二应用程序接口在目标应用中创建目标线索,本实施例中创造性地使用提示词与大模型进行交互,基于结构化的互动信息创建目标线索,提升了线索生成的效率,避免业务线索流失。
可选地,第一提示结果为采用键值对格式存储的结构化数据;第一提示词用于表征利用至少一个目标标签对结构化的互动信息进行分析处理得到各目标标签对应的结构化数据,结构化数据中包含用户购买意向、用户信息以及意向产品各自对应的属性值;利用大语言模型,根据结构化的互动信息和第一提示词生成第一提示结果,包括:
利用大语言模型,确定第一提示词中包含的各目标标签;
利用大语言模型,基于各目标标签在结构化的互动信息中进行匹配查询,得到各目标标签各自对应的取值;
将各目标标签以及各目标标签各自对应的取值确定为第一提示结果对应的结构化数据。
具体地,在一些实施例中,第一提示结果为采用键值对格式存储的结构化数据,例如,Json格式的结构化数据,其中,键值对Key-Value存储是数据库最简单的组织形式,键就是存的值的编号,值就是要存放的数据。例如,MapReduce是一个简化的并行处理框架,它把所有数据看作一系列的关键值对(Key-Value Pairs),把数据都看作关键值对(KV)是一种简化,这种简化的计算平台在实际当中可以解决大量不同的分布计算问题。对应地,在数据存储领域,键可以是结构化数据中不同的标签对应的编号,而值则是该标签对应的取值。
其中,第一提示词用于表征利用至少一个目标标签对结构化的互动信息进行分析处理得到各目标标签对应的结构化数据,结构化数据中包含用户购买意向、用户信息以及意向产品各自对应的属性值;例如,结构化数据1为“标签-用户购买意向的取值:有购买意向;标签-用户信息的取值:用户ID、用户名称;标签-意向产品:AA产品、BB产品”。
对应地,步骤102可以通过如下方式实现:
首先,利用大语言模型,确定第一提示词中包含的各目标标签;例如,第一提示词中的标签为3个,分别是标签1-用户购买意向、标签2-用户信息和标签3-意向产品。
进一步地,利用大语言模型,基于各目标标签在结构化的互动信息中进行匹配查询,得到各目标标签各自对应的取值;例如,基于上述三个标签,确定互动信息如小红书对应的弹幕内容中三个标签各自对应的取值信息;例如,各目标标签各自对应的取值为“标签1-用户购买意向的取值:有购买意向、标签2-用户信息的取值:用户ID、用户名称和标签3-意向产品的取值:AA产品、BB产品”。
进一步地,将各目标标签以及各目标标签各自对应的取值确定为第一提示结果对应的结构化数据;也即,将上述得到的各个标签以及各个标签对应的取值确定为第一提示结果对应的结构化数据。
本实施例提供的方法中,首先,利用大语言模型,确定第一提示词中包含的各目标标签;然后,利用大语言模型,基于各目标标签在结构化的互动信息中进行匹配查询,得到各目标标签各自对应的取值;进而,将各目标标签以及各目标标签各自对应的取值确定为第一提示结果对应的结构化数据。本实施例中利用大语言模型对结构化互动信息进行分析处理得到第一提示结果,便于后续基于第一提示结果生成线索,生成业务线索的效率较高。
可选地,在第一提示结果中包含的用户购买意向对应的属性值为有购买意向的情况下,利用大语言模型,根据第一提示结果,调用第二应用程序接口在目标应用中创建目标线索,包括:
确定第一提示结果中包含的用户信息对应的属性值以及意向产品对应的属性值;
调用第二应用程序接口,根据用户信息对应的属性值以及意向产品对应的属性值,在目标应用中创建目标线索。
具体地,第一提示结果中包含的用户购买意向对应的属性值可以是有购买意向或者无购买意向,可以理解的是,有购买意向对应的创建目标线索中至少应当根据用户信息对应的属性值以及意向产品对应的属性值。
在一些实施例中,当第一提示结果中包含的用户购买意向对应的属性值是有购买意向,步骤103中在目标应用中创建目标线索的过程示例如下:
首先,确定第一提示结果中包含的用户信息对应的属性值以及意向产品对应的属性值;其中,可以理解的是因第一提示结果是结构化的数据,包含了至少一个目标标签以及各个标签的取值,在确定了目标标签用户购买意向对应的属性值(也即标签取值)为有购买意向的情况下,此时该结构化数据可以是重要程度较高的线索数据,首先确定出第一提示结果中包含的用户信息对应的属性值以及意向产品对应的属性值,也即确定待生成目标线索中对应的潜在客户和意向产品。例如,确定的用户信息对应的属性值为用户ID、用户名称、用户个人信息以及意向产品对应的属性值为AA产品。
进一步地,调用第二应用程序接口,根据用户信息对应的属性值以及意向产品对应的属性值,在目标应用中创建目标线索。在确定了第一提示结果中包含的用户信息对应的属性值以及意向产品对应的属性值之后,也即确定了待生成的目标线索中的潜在客户和意向产品后,调用目标应用的第二应用程序接口根据上述信息生成目标线索,之后便于运营人员跟进。可以理解的是,生成的目标线索的格式和要求等根据目标应用的实际需求确定,本实施中对此不做限定。
本实施例提供的方法中,在第一提示结果中包含的用户购买意向对应的属性值为有购买意向的情况下,首先确定第一提示结果中包含的用户信息对应的属性值以及意向产品对应的属性值;然后,调用第二应用程序接口,根据用户信息对应的属性值以及意向产品对应的属性值,在目标应用中创建目标线索,本实施例中创建目标线索中包含了线索的重要元素潜在客户和意向产品,生成的目标线索的质量较高。
可选地,在第一提示结果中包含的用户购买意向对应的属性值为无购买意向的情况下,利用大语言模型,根据第一提示结果,调用第二应用程序接口在目标应用中创建目标线索,包括:
确定第一提示结果中包含的用户信息对应的属性值,对用户信息对应的属性值进行标记,得到标记后的用户信息对应的属性值;
调用第二应用程序接口,根据标记后的用户信息对应的属性值,创建目标线索。
具体地,在一些实施例中,当第一提示结果中包含的用户购买意向对应的属性值是无购买意向,步骤103中在目标应用中创建目标线索的过程示例如下:
首先,确定第一提示结果中包含的用户信息对应的属性值,对用户信息对应的属性值进行标记,得到标记后的用户信息对应的属性值;其中,可以理解的是因第一提示结果是结构化的数据,包含了至少一个目标标签以及各个目标标签的取值,在确定了目标标签用户购买意向对应的属性值(也即标签取值)为无购买意向的情况下,此时该结构化数据可以是重要程度较低的线索数据,首先对用户信息对应的属性值进行标记,得到标记后的用户信息对应的属性值,便于后续质检人员根据标记确定目标线索的类型。
进一步地,调用第二应用程序接口,根据标记后的用户信息对应的属性值,创建目标线索;在确定了标记后的用户信息对应的属性值之后,调用目标应用的第二应用程序接口根据上述信息生成目标线索,之后便于运营人员跟进。可以理解的是,生成的目标线索的格式和要求等根据目标应用的实际需求确定,本实施中对此不做限定。
本实施例提供的方法中,在第一提示结果中包含的用户购买意向对应的属性值为无购买意向的情况下,首先确定第一提示结果中包含的用户信息对应的属性值,对用户信息对应的属性值进行标记,得到标记后的用户信息对应的属性值;然后,调用第二应用程序接口,根据标记后的用户信息对应的属性值,创建目标线索。本实施例提供的方法中对无购买意向的用户信息进行标记,便于后续质检人员根据标记确定目标线索的类型,以及分配优先级较低的运营人员跟进,对线索的利用率较高。
可选地,利用大语言模型,根据结构化的互动信息和第一提示词生成第一提示结果之前,还包括:
利用大语言模型对原始提示词进行编译优化,得到第一提示词。
具体地,可以理解的是,原始提示词可以理解为人工创建的提示词。人工创建的提示词通常比较零散,缺少结构化标签,大语言模型如基于原始提示词对结构化的信息进行处理得到的第一提示结果准确性会稍差。
因而,可以利用大语言模型对人工创建的原始提示词进行编译优化,例如包括为原始提示词补充上下文、请求结构化输出、规范输出格式等,其中:
(1)为原始提示词补充上下文:指的是用户可能会与大语言模型发起多轮对话,可以将本轮之前的会话内容也作为上下文提示词,和本轮的原始提示词一并输入给大语言模型,这将有利于大语言模型更好的理解用户需求;
(2)请求结构化输出:指的是将大语言模型输出的第一提示结果转化为结构化的数据。具体地,原始提示词需要添加附加信息,要求大模型的输出符合结构化数据的特征。比如请输出标准的JSON数据,以及抽取50字以内总结到caseDescription;
(3)规范输出格式:指的是因大语言模型的每次输出偏差较大,可以对输出内容的长度、语言类型或者语气等进行规范。比如可以要求输出内容不超过300字,只能为中文或者要求大语言模型严格提取互动信息中的内容,而无需加入一些总结类的内容等。
经过对原始提示词进行上述编译优化的操作,可以得到第一提示词,优化后的第一提示词为便于大语言模型理解的包括多个标签的提示词,例如,该第一提示词包含:1、如何对原始提示词对应的内容进行分析;2、分析后输出基于哪些标签的结构化数据,如标签为用户信息、互动信息、购买意向、异常产品等等。
本实施例提供的方法中,利用大语言模型将原始提示词转化为第一提示词,也即编译优化后的提示词,其中,第一提示词为便于大语言模型理解的语言,然后,基于编译优化后的提示词创造性的利用大语言模型实现线索的创建,线索生成的处理效率更高。
可选地,目标应用包括以下至少一项:客户关系管理CRM系统、协同管理OA系统、销售系统。
具体地,在一些实施例中,所述目标应用例如为客户关系管理(CustomerRelationship Management,CRM)系统、生产制造(Enterprise Resource Planning,,ERP)系统、协同管理(Office Automation OA)系统、销售系统等;其中,生产制造系统也称为企业资源计划管理系统,是企业资源计划(Enterprise Resource Planning )的简称,是一种比较全面的管理系统,协同管理系统也称为办公自动化系统,是一种将计算机、通信等现代化技术运用到传统办公方式,进而形成的一种新型办公协同系统。
其中,针对CRM系统,本实施例可以基于第一提示结果调用CRM系统的第二应用程序接口实现例如创建线索的业务操作;针对ERP系统,本实施例可以基于第一提示结果调用ERP系统的第二应用程序接口实现例如创建线索、线索关联等业务操作;针对OA系统,本实施例可以基于第一提示结果调用OA系统的第二应用程序接口实现例如分配运营人员、项目建档等业务操作;针对销售系统,本实施例可以基于第一提示结果调用销售系统的第二应用程序接口实现例如创建商品订单的业务操作。
本实施例提供的方法中,通过利用大语言模型基于第一提示结果调用对应的目标应用对应的第二应用程序接口,以进行创建线索等业务操作,实现了线索生成和业务系统的打通。
可选地,方法还包括:
利用第二提示词,根据预设的质量评价标准对至少一个目标线索进行质检评分,得到各个目标线索对应的评分;
对各个目标线索对应的评分从高到低进行排序,得到排序结果;
根据排序结果将各个目标线索分配至运营人员跟进。
具体地,可以理解的是,大多情况下用户互动信息数量很多,例如一场线上营销活动中会产生上千条互动信息,参与用户近万人,对应地,产生的目标线索也将近千条万条,在目标线索的数量日益庞大的情况下,在一些实施例中,所述方法还包括:对生成的大量目标线索进行筛选,例如先对多个目标线索进行质检评分从而选出高质量的线索,从而针对高质量的线索优先分配运营人员跟进,避免重要线索流失。示例性地,在一些实施例中对目标线索进行质检的过程示例如下:
首先,利用第二提示词,根据预设的质量评价标准对至少一个目标线索进行质检评分,得到各个目标线索对应的评分;其中,第二提示词是用户创建的原始提示词,用于与大模型进行交互以获得各个目标线索的质检评分,也可以是对用户创建的原始提示词进行编译优化后得到的第二提示词,同样地,也是用于与大模型进行对话以获得各个目标线索的质检评分;预设的质量评价标准可以是根据经验值预设的,也可以是用户输入给大模型的,例如预设的质量评价标准为目标线索对应的用户的购买力、目标线索对应的购买意向、目标线索对应的产品等等。
示例性地,第二提示词例如为“请基于目标线索对应的用户的购买力、目标线索对应的购买意向、目标线索对应的产品几个维度分别对上述1000条线索进行质检评分”,大模型在接收到第二提示词之后,会基于预设的质量评价标准从各个维度对各个目标线索分别进行质检评分,得到各个维度的质检评分后根据几个维度的重要性加权得到各个目标线索的目标质检评分。
进一步,在得到各个目标线索对应的质检评分之后,可以对各个目标线索对应的评分从高到低进行排序,得到排序结果;例如,对1000个目标线索的质检评分从高到低进行排序,可理解的是,质检评分越高,表示该目标线索的质量越高,线索的转化能力越强。
进一步地,可以基于排序结果将各个目标线索分配至运营人员跟进;例如,将排名靠前的第一预设数量个(如前10个)目标线索分配给运营人员1跟进,进而,基于分配后的得到的目标线索,将排名靠前的第二预设数量个目标线索分配给运营人员2跟进,例如将990个线索中排名靠前的前10个线索分配给运营人员2跟进,依次类推,可以为每个目标线索分配到合适的运营人员,提高了线索跟进效率较高,也能避免重要线索流失。
本实施例提供的方法中,在得到生成的目标线索后,可以进一步利用第二提示词,根据预设的质量评价标准对至少一个目标线索进行质检评分,得到各个目标线索对应的评分;然后,对各个目标线索对应的评分从高到低进行排序,得到排序结果;进而,根据排序结果将各个目标线索分配至运营人员跟进。本实施例可以为每个目标线索分配到合适的运营人员,提高了线索跟进效率较高,也能避免重要线索流失。
图2是本发明提供的线索生成方法的流程示意图之二,如图2所示,该方法包括:
首先,互动信息提取模块用于从社交平台调用评论、弹幕等文案,对所述文案进行结构化处理,得到结构化的互动信息;
然后,互动信息处理模块用于使用编译优化的提示词基于结构化互动信息利用大模型对结构化互动信息进行分析处理,得到JSON格式线索,编译优化的提示词为大模型管理模块基于原始提示词得到的;
进一步地,业务扩展模块,用于利用线索生成API在目标应用中创建目标线索;
进一步地,质检模块,用于使用提示词利用大模型对所述目标线索进行质检评分,得到质检后评分后的目标线索;进而,根据评分结果对质检后评分后的目标线索分配运营人员跟进。
下面对本发明提供的线索生成装置进行描述,下文描述的线索生成装置与上文描述的线索生成方法可相互对应参照。
图3是本发明提供的线索生成装置的结构示意图,如图3所示,该线索生成装置300包括:
信息提取模块310,用于对用户互动信息进行结构化处理,得到结构化的互动信息;所述用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;
线索生成模块320,用于利用大语言模型,根据所述结构化的互动信息和第一提示词生成第一提示结果;
利用所述大语言模型,根据所述第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。
本实施例提供的装置中,通过信息提取模块310对用户互动信息进行结构化处理,得到结构化的互动信息,其中,用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;然后,线索生成模块320利用大语言模型,根据结构化的互动信息和第一提示词生成第一提示结果;进而,利用大语言模型,根据第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。
本发明实施例提供的装置中,首先利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到用户互动信息,对用户互动信息进行结构化处理;然后,基于结构化的互动信息利用第一提示词和大模型进行交互,生成第一提示结果;进而,根据第一提示结果,利用大语言模型调用第二应用程序接口在目标应用中创建目标线索,本实施例中创造性地使用提示词与大模型进行交互,基于结构化的互动信息创建目标线索,提升了线索生成的效率,避免业务线索流失。
可选地,所述第一提示结果为采用键值对格式存储的结构化数据;所述第一提示词用于表征利用至少一个目标标签对所述结构化的互动信息进行分析处理得到各所述目标标签对应的结构化数据,所述结构化数据中包含用户购买意向、用户信息以及意向产品各自对应的属性值;
所述线索生成模块320,具体用于:
利用所述大语言模型,确定所述第一提示词中包含的各所述目标标签;
利用所述大语言模型,基于各所述目标标签在所述结构化的互动信息中进行匹配查询,得到各所述目标标签各自对应的取值;
将各所述目标标签以及各所述目标标签各自对应的取值确定为所述第一提示结果对应的结构化数据。
可选地,所述线索生成模块320,还用于:
在所述第一提示结果中包含的用户购买意向对应的属性值为有购买意向的情况下,确定所述第一提示结果中包含的用户信息对应的属性值以及意向产品对应的属性值;
调用所述第二应用程序接口,根据所述用户信息对应的属性值以及所述意向产品对应的属性值,在所述目标应用中创建所述目标线索。
可选地,所述线索生成模块320,还用于:
在所述第一提示结果中包含的用户购买意向对应的属性值为无购买意向的情况下,确定所述第一提示结果中包含的用户信息对应的属性值,对所述用户信息对应的属性值进行标记,得到标记后的用户信息对应的属性值;
调用第二应用程序接口,根据所述标记后的用户信息对应的属性值,创建所述目标线索。
可选地,所述装置还包括提示词管理模块;
所述提示词管理模块,用于:
利用所述大语言模型对原始提示词进行编译优化,得到第一提示词。
可选地,所述目标应用包括以下至少一项:客户关系管理CRM系统、协同管理OA系统、销售系统。
可选地,所述装置还包括线索质检模块;
所述线索质检模块,用于:
利用第二提示词,根据预设的质量评价标准对至少一个所述目标线索进行质检评分,得到各个所述目标线索对应的评分;
对各个所述目标线索对应的评分从高到低进行排序,得到排序结果;
根据所述排序结果将各个所述目标线索分配至运营人员跟进。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行线索生成方法,该方法包括:
对用户互动信息进行结构化处理,得到结构化的互动信息;所述用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;
利用大语言模型,根据所述结构化的互动信息和第一提示词生成第一提示结果;
利用所述大语言模型,根据所述第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。
此外,上述的存储器430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线索生成方法,该方法包括:
对用户互动信息进行结构化处理,得到结构化的互动信息;所述用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;
利用大语言模型,根据所述结构化的互动信息和第一提示词生成第一提示结果;
利用所述大语言模型,根据所述第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。
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线索生成方法,该方法包括:
对用户互动信息进行结构化处理,得到结构化的互动信息;所述用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;
利用大语言模型,根据所述结构化的互动信息和第一提示词生成第一提示结果;
利用所述大语言模型,根据所述第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。
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 (10)
1.一种线索生成方法,其特征在于,包括:
对用户互动信息进行结构化处理,得到结构化的互动信息;所述用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;
利用大语言模型,根据所述结构化的互动信息和第一提示词生成第一提示结果;
利用所述大语言模型,根据所述第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。
2.根据权利要求1所述的线索生成方法,其特征在于,所述第一提示结果为采用键值对格式存储的结构化数据;所述第一提示词用于表征利用至少一个目标标签对所述结构化的互动信息进行分析处理得到各所述目标标签对应的结构化数据,所述结构化数据中包含用户购买意向、用户信息以及意向产品各自对应的属性值;所述利用大语言模型,根据所述结构化的互动信息和第一提示词生成第一提示结果,包括:
利用所述大语言模型,确定所述第一提示词中包含的各所述目标标签;
利用所述大语言模型,基于各所述目标标签在所述结构化的互动信息中进行匹配查询,得到各所述目标标签各自对应的取值;
将各所述目标标签以及各所述目标标签各自对应的取值确定为所述第一提示结果对应的结构化数据。
3.根据权利要求2所述的线索生成方法,其特征在于,在所述第一提示结果中包含的用户购买意向对应的属性值为有购买意向的情况下,所述利用所述大语言模型,根据所述第一提示结果,调用第二应用程序接口在目标应用中创建目标线索,包括:
确定所述第一提示结果中包含的用户信息对应的属性值以及意向产品对应的属性值;
调用所述第二应用程序接口,根据所述用户信息对应的属性值以及所述意向产品对应的属性值,在所述目标应用中创建所述目标线索。
4.根据权利要求2所述的线索生成方法,其特征在于,在所述第一提示结果中包含的用户购买意向对应的属性值为无购买意向的情况下,所述利用所述大语言模型,根据所述第一提示结果,调用第二应用程序接口在目标应用中创建目标线索,包括:
确定所述第一提示结果中包含的用户信息对应的属性值,对所述用户信息对应的属性值进行标记,得到标记后的用户信息对应的属性值;
调用第二应用程序接口,根据所述标记后的用户信息对应的属性值,创建所述目标线索。
5.根据权利要求1所述的线索生成方法,其特征在于,所述利用大语言模型,根据所述结构化的互动信息和第一提示词生成第一提示结果之前,还包括:
利用所述大语言模型对原始提示词进行编译优化,得到第一提示词。
6.根据权利要求1-5任一项所述的线索生成方法,其特征在于,所述目标应用包括以下至少一项:客户关系管理CRM系统、协同管理OA系统、销售系统。
7.根据权利要求1-5任一项所述的线索生成方法,其特征在于,所述方法还包括:
利用第二提示词,根据预设的质量评价标准对至少一个所述目标线索进行质检评分,得到各个所述目标线索对应的评分;
对各个所述目标线索对应的评分从高到低进行排序,得到排序结果;
根据所述排序结果将各个所述目标线索分配至运营人员跟进。
8.一种线索生成装置,其特征在于,包括:
信息提取模块,用于对用户互动信息进行结构化处理,得到结构化的互动信息;所述用户互动信息为利用第一应用程序接口从至少一个营销应用中用户的互动内容提取得到的;
线索生成模块,用于利用大语言模型,根据所述结构化的互动信息和第一提示词生成第一提示结果;
利用所述大语言模型,根据所述第一提示结果,调用第二应用程序接口在目标应用中创建目标线索。
9.一种电子设备,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7任一项所述线索生成方法。
10.一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7任一项所述线索生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410196684.0A CN117827804B (zh) | 2024-02-22 | 2024-02-22 | 线索生成方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410196684.0A CN117827804B (zh) | 2024-02-22 | 2024-02-22 | 线索生成方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117827804A true CN117827804A (zh) | 2024-04-05 |
CN117827804B CN117827804B (zh) | 2024-06-14 |
Family
ID=90523107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410196684.0A Active CN117827804B (zh) | 2024-02-22 | 2024-02-22 | 线索生成方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117827804B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130166379A1 (en) * | 2011-12-21 | 2013-06-27 | Akintunde Ehindero | Social Targeting |
CN111507751A (zh) * | 2020-03-26 | 2020-08-07 | 北京睿科伦智能科技有限公司 | 一种基于沟通数据的线索打分方法 |
CN116644145A (zh) * | 2023-07-26 | 2023-08-25 | 北京仁科互动网络技术有限公司 | 会话数据处理方法、装置、设备和存储介质 |
CN116955557A (zh) * | 2023-07-11 | 2023-10-27 | 北京百度网讯科技有限公司 | 应用于大语言模型的提示词确定方法、装置、设备及介质 |
CN117350825A (zh) * | 2023-12-05 | 2024-01-05 | 浙江口碑网络技术有限公司 | 基于大语言模型的导购方法和系统 |
CN117407516A (zh) * | 2023-10-23 | 2024-01-16 | 科大讯飞股份有限公司 | 信息提取方法、装置、电子设备及存储介质 |
-
2024
- 2024-02-22 CN CN202410196684.0A patent/CN117827804B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130166379A1 (en) * | 2011-12-21 | 2013-06-27 | Akintunde Ehindero | Social Targeting |
CN111507751A (zh) * | 2020-03-26 | 2020-08-07 | 北京睿科伦智能科技有限公司 | 一种基于沟通数据的线索打分方法 |
CN116955557A (zh) * | 2023-07-11 | 2023-10-27 | 北京百度网讯科技有限公司 | 应用于大语言模型的提示词确定方法、装置、设备及介质 |
CN116644145A (zh) * | 2023-07-26 | 2023-08-25 | 北京仁科互动网络技术有限公司 | 会话数据处理方法、装置、设备和存储介质 |
CN117407516A (zh) * | 2023-10-23 | 2024-01-16 | 科大讯飞股份有限公司 | 信息提取方法、装置、电子设备及存储介质 |
CN117350825A (zh) * | 2023-12-05 | 2024-01-05 | 浙江口碑网络技术有限公司 | 基于大语言模型的导购方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117827804B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Borges et al. | The strategic use of artificial intelligence in the digital era: Systematic literature review and future research directions | |
US10725827B2 (en) | Artificial intelligence based virtual automated assistance | |
US11816455B2 (en) | System and method for generating actionable intelligence based on platform and community originated data | |
Serebrenik et al. | Challenges in software ecosystems research | |
CN116644145B (zh) | 会话数据处理方法、装置、设备和存储介质 | |
US11749255B2 (en) | Voice question and answer method and device, computer readable storage medium and electronic device | |
CN116127020A (zh) | 生成式大语言模型训练方法以及基于模型的搜索方法 | |
US20230393832A1 (en) | Automated translation of computer languages to extract and deploy computer systems and software | |
Pérez et al. | ChatPy: conversational agent for SMES | |
CN116304007A (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
Shen et al. | Taskbench: Benchmarking large language models for task automation | |
CN110837356A (zh) | 一种数据处理方法和装置 | |
Candello et al. | Shaping the experience of a cognitive investment adviser | |
CN117827804B (zh) | 线索生成方法、装置、设备和存储介质 | |
CN117236624A (zh) | 一种基于动态图的Issue修复者推荐方法与装置 | |
CN111782792A (zh) | 用于信息处理的方法和装置 | |
Martínez-Gárate et al. | Model-driven approaches for conversational agents development: A systematic mapping study | |
CN114118937A (zh) | 基于任务的信息推荐方法、装置、电子设备及存储介质 | |
Gualterie | The Forrester Wave: Predictive Analytics and Machine Learning Solutions, Q 1 2017 | |
Li et al. | Enterprise precision marketing effectiveness model based on data mining technology | |
CN117688160A (zh) | 问答对构建方法、装置、电子设备和存储介质 | |
Mosquera et al. | Assisted-modeling requirements for model-driven development tools | |
KR101677106B1 (ko) | 온톨로지 기반의 지식추론 협업 시스템 | |
CN118152569A (zh) | 舆情新闻分析的方法和系统 | |
Horvat et al. | Specifying Service Catalog-A Case Study |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |