CN117909489A - 基于人工智能的数据生成方法、装置、设备及存储介质 - Google Patents
基于人工智能的数据生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117909489A CN117909489A CN202410016790.6A CN202410016790A CN117909489A CN 117909489 A CN117909489 A CN 117909489A CN 202410016790 A CN202410016790 A CN 202410016790A CN 117909489 A CN117909489 A CN 117909489A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- target
- information
- product introduction
- 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 71
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000005516 engineering process Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims description 61
- 238000012360 testing method Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000004891 communication Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000001356 surgical procedure Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 18
- 238000009826 distribution Methods 0.000 description 17
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 10
- 238000010606 normalization Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage 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
- 238000011161 development Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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数据生成方法,包括:获取目标用户的客户画像;获取与所述目标用户对应的关联保险的目标保险产品信息;对所述客户画像与所述目标保险产品信息进行编码处理,得到对应的条件信息;调用预设的话术生成模型;基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术。本申请还提供一种基于人工智能的数据生成装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,目标产品介绍话术可以存储于区块链中。本申请可以应用于金融领域的产品介绍话术生成场景,能够生成符合用户需求的精准化的产品介绍话术,有效地提高了生成的产品介绍话术的准确度。
Description
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数据生成方法、装置、计算机设备及存储介质。
背景技术
在保险企业的保险产品的业务营销过程中,当保险业务人员在向客户进行关于保险产品的营销处理时,经常会使用到保险产品介绍话术作为辅助,以提高自身的工作效率。现有会采用产品信息话术生成模型的实现方式来生成保险业务人员所需的保险产品介绍话术。然而,在以往的产品信息话术生成模型中,只是基于历史的产品信息话术的提取来生成产品介绍话术,而没有结合与客户相关的因素来生成产品介绍话术,无法根据客户的个性化需求生成针对性的符合客户期望的产品介绍话术,导致生成的产品介绍话术缺乏准确性,且如果生成的产品介绍话术如果无法满足客户期望,则可能会让客户感到不满意,从而影响保险产品的营销效果。
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数据生成方法、装置、计算机设备及存储介质,以解决现有的基于历史的产品信息话术的提取来生成产品介绍话术的方式无法根据客户的个性化需求生成针对性的符合客户期望的产品介绍话术,导致生成的产品介绍话术缺乏准确性的技术问题。
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数据生成方法,采用了如下所述的技术方案:
获取目标用户的客户画像;
获取与所述目标用户对应的关联保险的目标保险产品信息;
对所述客户画像与所述目标保险产品信息进行编码处理,得到对应的条件信息;
调用预设的话术生成模型;其中,所述话术生成模型为根据预先采集的样本数据对条件变分自编码器进行训练生成的;
基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术。
进一步的,在所述调用预设的话术生成模型的步骤之前,还包括:
获取初始样本数据;
对所述初始样本数据进行预处理,得到对应的样本数据;其中,所述样本数据包括若干客户画像,与各所述客户画像对应的保险产品信息,以及与各所述客户画像对应的参考产品介绍话术;
将所述样本数据划分为训练数据与测试数据;
使用所述训练数据对所述条件变分自编码器进行模型训练,得到对应的第一初始模型;
基于预设的损失函数,使用目标随机梯度下降算法对所述第一初始模型进行模型更新,得到对应的第二初始模型;
使用所述测试数据对所述第二初始模型进行评估,判断所述第二初始模型是否符合预设的预期条件;
若是,将所述第二初始模型作为所述话术生成模型。
进一步的,所述对所述初始样本数据进行预处理,得到对应的样本数据的步骤,具体包括:
对所述初始样本数据进行数据清洗处理,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归一化处理,得到对应的第三数据;
将所述第三数据作为所述样本数据。
进一步的,所述使用所述测试数据对所述第二初始模型进行评估,判断所述第二初始模型是否符合预设的预期条件的步骤,具体包括:
将所述测试数据输入至所述第二初始模型内,获取所述第二初始模型输出与所述测试数据对应的指定产品介绍话术;
获取所述测试数据中包括的指定参考产品介绍话术;
对所述指定产品介绍话术与所述指定参考产品介绍话术进行数据分析,生成与预设的模型评价指标对应的所述第二初始模型的评价指标数值;
判断所述评价指标数值是否大于预设的指标阈值;
若是,判定所述第二初始模型符合所述预期条件,否则判定所述第二初始模型不符合所述预期条件。
进一步的,所述对所述指定产品介绍话术与所述指定参考产品介绍话术进行数据分析,生成与预设的模型评价指标对应的所述第二初始模型的评价指标数值的步骤,具体包括:
获取与所述模型评价指标对应的指标计算公式;
基于所述指标计算公式对所述指定产品介绍话术与所述指定参考产品介绍话术进行计算处理,得到对应的计算结果;
将所述计算结果作为所述第二初始模型的评价指标数值。
进一步的,在所述调用预设的话术生成模型的步骤之后,还包括:
获取预设的模型更新策略;
使用所述模型更新策略对所述话术生成模型进行模型更新处理,得到更新后的目标话术生成模型;
确定与模型存储对应的目标存储方式;
基于所述目标存储方式对所述目标话术生成模型进行存储。
进一步的,在所述基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术的步骤之后,还包括:
获取所述用户的用户信息;
基于所述用户信息与所述目标产品介绍话术生成相应的话术指导信息;
确定与所述用户对应的目标业务人员的人员信息;
基于所述人员信息获取所述目标业务人员的通信信息;
基于所述通信信息,将所述话术指导信息推送给所述目标业务人员。
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数据生成装置,采用了如下所述的技术方案:
第一获取模块,用于获取目标用户的客户画像;
第二获取模块,用于获取与所述目标用户对应的关联保险的目标保险产品信息;
编码模块,用于对所述客户画像与所述目标保险产品信息进行编码处理,得到对应的条件信息;
调用模块,用于调用预设的话术生成模型;其中,所述话术生成模型为根据预先采集的样本数据对条件变分自编码器进行训练生成的;
第一生成模块,用于基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术。
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,采用了如下所述的技术方案:
获取目标用户的客户画像;
获取与所述目标用户对应的关联保险的目标保险产品信息;
对所述客户画像与所述目标保险产品信息进行编码处理,得到对应的条件信息;
调用预设的话术生成模型;其中,所述话术生成模型为根据预先采集的样本数据对条件变分自编码器进行训练生成的;
基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术。
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,采用了如下所述的技术方案:
获取目标用户的客户画像;
获取与所述目标用户对应的关联保险的目标保险产品信息;
对所述客户画像与所述目标保险产品信息进行编码处理,得到对应的条件信息;
调用预设的话术生成模型;其中,所述话术生成模型为根据预先采集的样本数据对条件变分自编码器进行训练生成的;
基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先获取目标用户的客户画像;然后获取与所述目标用户对应的关联保险的目标保险产品信息;之后对所述客户画像与所述目标保险产品信息进行编码处理,得到对应的条件信息;后续调用预设的话术生成模型;最后基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术。本申请实施例在对获取到的目标用户的客户画像以及与所述目标用户对应的关联保险的目标保险产品信息行编码处理得到对应的条件信息后,通过使用预设的话术生成模型来对条件信息进行处理,可以实现快速智能且准确地生成与所述目标用户对应的目标产品介绍话术,由于输出的目标产品介绍话术为结合目标用户的客户画像以及与目标用户关联的目标保险产品信息进行分析生成的个性化、精准化的产品介绍话术,有效地提高了生成的目标产品介绍话术的准确度。
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数据生成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数据生成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数据生成方法一般由服务器/终端设备执行,相应地,基于人工智能的数据生成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数据生成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数据生成方法能够应用于任意一种需要进行产品介绍话术生成的场景中,则该基于人工智能的数据生成方法能够应用于这些场景的产品中,例如,金融保险领域中的保险产品介绍话术生成。所述的基于人工智能的数据生成方法,包括以下步骤:
步骤S201,获取目标用户的客户画像。
在本实施例中,基于人工智能的数据生成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目标用户的客户画像。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。在保险产品的营销业务场景下,目标用户为购买过保险产品或对保险产品具有购买需求的客户。保险产品可包括车险产品、寿险产品、医疗险产品等。客户画像至少可包括用户属性信息、用户行为信息以及用户消费信息。(1)用户属性信息可包含以下指标:用户的年龄、职业、家庭情况、偏好、性别、设备型号、安装/注册状态、职业等等用户静态特征。这里的用户性别既可以指自然性别,又可以指购物性别。自然性别是指用户的实际性别,一般可通过用户注册信息、填写调查问卷表单等途径获得。而购物性别是指用户购买物品时的性别取向,可能一个实际性别的女的用户,但是经常购买男性性别明显的商品,那么她的购物性别就是男性。(2)用户行为信息,即通过用户行为可以挖掘其偏好和特征,用户行为分析可包括:用户订单相关行为、下单/访问行为、用户近30天行为类型指标、用户高频活跃时间段、用户购买品类、点击偏好、营销敏感度等相关行为。(3)用户消费信息至少包括用户浏览、加购、下单、收藏、搜索商品等等内容。分析用户消费需要要细分用户喜好的商品品类,从而可以提高用户推荐或营销商品的准确性。
步骤S202,获取与所述目标用户对应的关联保险的目标保险产品信息。
在本实施例中,上述目标保险产品为目标用户感兴趣或购买过的保险产品,目标保险产品信息至少包括目标保险产品的
步骤S203,对所述客户画像与所述目标保险产品信息进行编码处理,得到对应的条件信息。
在本实施例中,可通过将客户画像与目标保险产品信息编码成两个向量,并将这两个向量作为需要后续输入到话术生成模型中的条件信息。其中,话术生成模型的输入除了包括条件信息,还可进一步包括生成器的随机噪声。
步骤S204,调用预设的话术生成模型。
在本实施例中,其中,所述话术生成模型为根据预先采集的样本数据对条件变分自编码器进行训练生成的。条件变分自编码器也称为CVAE模型,它可以通过学习数据的分布来生成新的样本。在本申请中,可以将客户画像和保险产品信息作为条件信息输入到CVAE模型中,用于指导CVAE模型生成符合条件的产品介绍话术。CVAE模型的架构如下:1、编码器:编码器的输入是客户画像和保险产品信息,输出为潜在向量z的均值和标准差。具体来说,编码器将客户画像和保险产品信息映射到潜在向量的分布参数: 其中,x是客户画像,y是保险产品信息,z是潜在向量,φ表示编码器的参数,qφ(z|x,y)为编码器的输出,/>为正常分布,μ与σ为正态分布的参数。2、解码器:解码器的输入是潜在向量z和条件信息y,输出为生成的产品介绍话术x的分布。具体来说,解码器将潜在向量z和条件信息y映射到生成的产品介绍的分布参数:模型的损失函数由重构误差和KL散度误差组成。重构误差度量了生成的产品介绍话术与真实产品介绍话术之间的差异,KL散度误差度量了编码器生成的潜在向量分布与先验分布的差异。具体地:其中,x是客户画像,y是保险产品信息,pθ(y|z,x)是生成的产品介绍话术分布,qφ(z|x,y)是编码器的输出分布,KL表示KL散度,p(z)是先验分布。
步骤S205,基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术。
在本实施例中,可通过将所述客户画像与所述目标保险产品信息作为条件信息输入至所述话术生成模型内,用于指导话术生成模型生成与符合该条件信息的目标产品介绍话术。
本申请首先获取目标用户的客户画像;然后获取与所述目标用户对应的关联保险的目标保险产品信息;之后对所述客户画像与所述目标保险产品信息进行编码处理,得到对应的条件信息;后续调用预设的话术生成模型;最后基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术。本申请在对获取到的目标用户的客户画像以及与所述目标用户对应的关联保险的目标保险产品信息行编码处理得到对应的条件信息后,通过使用预设的话术生成模型来对条件信息进行处理,可以实现快速智能且准确地生成与所述目标用户对应的目标产品介绍话术,由于输出的目标产品介绍话术为结合目标用户的客户画像以及与目标用户关联的目标保险产品信息进行分析生成的个性化、精准化的产品介绍话术,有效地提高了生成的目标产品介绍话术的准确度。
在一些可选的实现方式中,在步骤S204之前,上述电子设备还可以执行以下步骤:
获取初始样本数据。
在本实施例中,上述初始样本数据初步采集的未经过数据预处理的若干客户画像,与各所述客户画像对应的保险产品信息,以及与各所述客户画像对应的参考产品介绍话术。其中,保险产品信息可包括保险产品名称、保险产品的产品内容、保险产品的注意事项内容,保险产品的保费等等内容。上述参考产品介绍话术为根据实际的话术沟通记录生成的应用于与客户画像对应的客户的参考产品介绍话术。
对所述初始样本数据进行预处理,得到对应的样本数据;其中,所述样本数据包括若干客户画像,与各所述客户画像对应的保险产品信息,以及与各所述客户画像对应的参考产品介绍话术。
在本实施例中,上述对所述初始样本数据进行预处理,得到对应的样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。
将所述样本数据划分为训练数据与测试数据。
在本实施例中,可按照预设的划分比例数值,对所述样本数据进行随机划分处理以得到相应的训练数据与测试数据。其中,对于划分比例数值的取值不做具体限定,可根据实际的使用需求进行设置,例如可设为7:3。
使用所述训练数据对所述条件变分自编码器进行模型训练,得到对应的第一初始模型。
在本实施例中,条件变分自编码器也称为CVAE模型。可通过将训练数据中的训练客户画像与该训练客户画像对应的保险产品信息作为条件变分自编码器的输入,将训练数据中与训练客户画像对应的参考产品介绍话术作为条件变分自编码器的输出,来对条件变分自编码器进行训练,从而得到训练后的条件变分自编码器,即上述第一初始模型。CVAE模型的优化目标是最大化给定条件信息下生成样本的概率,并且在生成样本时尽量让样本与真实数据的分布相似。优化目标函数可以表示为: 其中,θ和φ分别表示CVAE模型中生成器和编码器的参数,x表示生成样本,c表示条件信息,pθ(x|z,c)是生成器的输出,qφ(z|x,c)是编码器的输出,p(z|c)是先验分布。优化目标函数由两个部分组成:第一个部分是重构误差,它用于度量生成样本和真实样本之间的相似度,第二个部分是KL散度,它用于保证生成样本的分布和先验分布的分布相似。在训练过程中,可以使用对数似然作为损失函数来训练生成器和编码器。
基于预设的损失函数,使用目标随机梯度下降算法对所述第一初始模型进行模型更新,得到对应的第二初始模型。
在本实施例中,训练CVAE模型可以采用标准的基于反向传播的随机梯度下降(SGD)算法,通过最小化重构损失和KL散度来更新模型参数。具体地,上述损失函数可以定义为: 其中,N是训练数据的数量,xi和yi分别表示第i个客户画像和对应的保险产品信息,zi是隐变量,θ和φ分别表示生成模型和推断模型的参数。KL(qφ(zi|xi,yi)|p(zi))是先验分布p(z)与近似后验分布qφ(z|xi,yi)之间的KL散度,用于衡量近似后验分布与先验分布之间的差异。log,pθ(yi|zi,xi)是给定隐变量zi、客户画像xi和保险产品信息yi时生成的产品介绍话术的对数概率。另外,为了加快训练速度,可以采用mini-batch随机梯度下降算法,每个mini-batch的大小可以根据计算资源和模型性能进行调整。此外,在模型的训练过程中,还可以采用early stopping和dropout等技术来防止模型出现过拟合和提高模型泛化能力。
使用所述测试数据对所述第二初始模型进行评估,判断所述第二初始模型是否符合预设的预期条件。
在本实施例中,上述使用所述测试数据对所述第二初始模型进行评估,判断所述第二初始模型是否符合预设的预期条件的具体实施过程,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。
若是,将所述第二初始模型作为所述话术生成模型。
本申请通过获取初始样本数据;然后对所述初始样本数据进行预处理,得到对应的样本数据;之后将所述样本数据划分为训练数据与测试数据;后续使用所述训练数据对所述条件变分自编码器进行模型训练,得到对应的第一初始模型;进一步基于预设的损失函数,使用目标随机梯度下降算法对所述第一初始模型进行模型更新,得到对应的第二初始模型;最后使用所述测试数据对所述第二初始模型进行评估,判断所述第二初始模型是否符合预设的预期条件;若是,将所述第二初始模型作为所述话术生成模型。本申请通过对获取的初始样本数据进行预处理得到样本数据,然后使用样本数据中的训练数据对条件变分自编码器进行模型训练,得到对应的第一初始模型,并基于预设的损失函数,使用目标随机梯度下降算法对所述第一初始模型进行模型更新,得到对应的第二初始模型,后续再使用样本数据中的测试数据对所述第二初始模型进行评估,并将通过评估的第二初始模型作为最终的话术生成模型以完成话术生成模型的训练构建过程,有效地保证了生成的话术生成模型的模型效果,提高了话术生成模型的构建效率。且后续通过使用该话术生成模型来对输入的目标用户的客户画像以及输入的目标用户对应的关联保险的目标保险产品信息进行处理,可以实现快速智能且准确地生成与所述目标用户对应的目标产品介绍话术,由于输出的目标产品介绍话术为结合目标用户的客户画像以及与目标用户关联的目标保险产品信息进行分析生成的个性化、精准化的产品介绍话术,有效地提高了生成的目标产品介绍话术的准确度。
在本实施例的一些可选的实现方式中,所述对所述初始样本数据进行预处理,得到对应的样本数据,包括以下步骤:
对所述初始样本数据进行数据清洗处理,得到对应的第一数据。
在本实施例中,可通过调用常用的数据清洗工具对所述初始样本数据进行数据清洗处理,以对初始样本数据中存在的异常数据以及缺失数据等数据进行清洗,从而得到对应的第一数据。其中,对于上述数据清洗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,可通过调用常用的数据标准化工具对所述第一数据进行标准化处理,从而得到对应的第二数据。其中,对于上述数据标准化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归一化处理,得到对应的第三数据。
在本实施例中,可通过调用常用的数据归一化工具对所述第二数据进行标准化处理,从而得到对应的第三数据。其中,对于上述数据归一化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样本数据。
本申请通过对所述初始样本数据进行数据清洗处理,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归一化处理,得到对应的第三数据;后续将所述第三数据作为所述样本数据。本申请通过对初始样本数据进行数据清洗处理、标准化处理以及归一化处理,从而快速得到具有符合条件变分自编码器模型的可读入处理的标准数据格式的样本数据,有效地保证了后续通过使用样本数据训练得到话术生成模型的模型训练过程的顺利进行,有利于提高话术生成模型的构建效率。
在一些可选的实现方式中,所述使用所述测试数据对所述第二初始模型进行评估,判断所述第二初始模型是否符合预设的预期条件,包括以下步骤:
将所述测试数据输入至所述第二初始模型内,获取所述第二初始模型输出与所述测试数据对应的指定产品介绍话术。
在本实施例中,通过将测试数据输入至所述第二初始模型内,通过第二初始模型对测试数据中的测试客户图像以及对应的测试保险产品信息进行处理,进而输出相应的指定产品介绍话术。
获取所述测试数据中包括的指定参考产品介绍话术。
在本实施例中,测试数据中可包含一定数量的测试客户图像,与对应的测试保险产品信息,以及与测试客户图像对应的指定产品介绍话术。可通过对测试数据进行信息提取,以从所述测试数据中提取出相应的指定参考产品介绍话术。
对所述指定产品介绍话术与所述指定参考产品介绍话术进行数据分析,生成与预设的模型评价指标对应的所述第二初始模型的评价指标数值。
在本实施例中,上述模型评价指标可包括BLEU指标或ROUGE指标。模型评价指标的选取不做限定,可以选取其中的任意一种或多种。BLEU(其全称为Bilingual EvaluationUnderstudy),其意思是双语评估替补。所谓Understudy(替补),意思是代替人进行翻译结果的评估。尽管这项指标是为翻译而发明的,但它可以用于评估一组自然语言处理任务生成的文本,主要是基于精确率(precision)的质量评价指标。ROUGE指标的全称是(Recall-Oriented Understudy for Gisting Evaluation),主要是基于召回率(recall)的质量评价指标。ROUGE是一种机器翻译和文章摘要评价指标。其中,上述对所述指定产品介绍话术与所述指定参考产品介绍话术进行数据分析,生成与预设的模型评价指标对应的所述第二初始模型的评价指标数值的具体实施过程,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。
判断所述评价指标数值是否大于预设的指标阈值。
在本实施例中,如果评价指标数值为对应于BLEU指标的评价指标数值,则上述指标阈值为BLEU指标阈值,而如果评价指标数值为对应于ROUGE指标的评价指标数值,则上述指标阈值为ROUGE指标阈值。对于上述指标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。
若是,判定所述第二初始模型符合所述预期条件,否则判定所述第二初始模型不符合所述预期条件。
在本实施例中,如果第二初始模型的评价指标数值大于预设的指标阈值,则表示第二初始模型通过模型测试,进而会判定所述第二初始模型符合所述预期条件。而如果第二初始模型的评价指标数值小于预设的指标阈值,则表示第二初始模型未通过模型测试,进而会判定所述第二初始模型不符合所述预期条件。
本申请通过将所述测试数据输入至所述第二初始模型内,获取所述第二初始模型输出与所述测试数据对应的指定产品介绍话术;然后获取所述测试数据中包括的指定参考产品介绍话术;之后对所述指定产品介绍话术与所述指定参考产品介绍话术进行数据分析,生成与预设的模型评价指标对应的所述第二初始模型的评价指标数值;后续判断所述评价指标数值是否大于预设的指标阈值;若是,判定所述第二初始模型符合所述预期条件,否则判定所述第二初始模型不符合所述预期条件。本申请通过获取第二初始模型输出与所述测试数据对应的指定产品介绍话术,以及获取所述测试数据中包括的指定参考产品介绍话术,进而对所述指定产品介绍话术与所述指定参考产品介绍话术进行数据分析以生成第二初始模型的评价指标数值,后续再将评价指标数值与预设的指标阈值进行数值分析,从而可以根据得到的数值分析结果准确地完成对于第二初始模型的评估处理,并判别出第二初始模型是否符合预设的预期条件,提高了对于第二初始模型的评估处理的处理效率与处理准确度。
在一些可选的实现方式中,所述对所述指定产品介绍话术与所述指定参考产品介绍话术进行数据分析,生成与预设的模型评价指标对应的所述第二初始模型的评价指标数值,包括以下步骤:
获取与所述模型评价指标对应的指标计算公式。
在本实施例中,上述模型评价指标可包括BLEU指标或ROUGE指标。如果上述模型评价指标为BLEU指标,则对应的指标计算公式为BLEU指标计算公式,具体的BLEU指标计算公式的公式内容可通过查询相应的公式网站进行获取,在此不做过多阐述。如果上述模型评价指标为ROUGE指标,则对应的指标计算公式为ROUGE指标计算公式,具体的BLEU指标计算公式的公式内容可通过查询相应的公式网站进行获取,在此不做过多阐述。
基于所述指标计算公式对所述指定产品介绍话术与所述指定参考产品介绍话术进行计算处理,得到对应的计算结果。
在本实施例中,如果指标计算公式为BLEU指标计算公式,则通过使用BLEU指标计算公式对所述指定产品介绍话术与所述指定参考产品介绍话术进行计算处理,以得到相应的精确率的计算结果。而如果指标计算公式为ROUGE指标计算公式,则通过使用ROUGE指标计算公式对所述指定产品介绍话术与所述指定参考产品介绍话术进行计算处理,以得到相应的召回率的计算结果。
将所述计算结果作为所述第二初始模型的评价指标数值。
本申请通过获取与所述模型评价指标对应的指标计算公式;然后基于所述指标计算公式对所述指定产品介绍话术与所述指定参考产品介绍话术进行计算处理,得到对应的计算结果;后续将所述计算结果作为所述第二初始模型的评价指标数值。本申请通过使用与所述模型评价指标对应的指标计算公式对所述指定产品介绍话术与所述指定参考产品介绍话术进行计算处理,可以实现快速准确地计算得到所述第二初始模型的评价指标数值,提高了评价指标数值的生成效率,保证了得到的评价指标数值的准确度。
在其他实施例中,为了评估由CVAE模型构建得到的话术生成模型所生成的产品介绍话术的质量,可以采用人工评估和自动评估两种方法。人工评估通常采用A/B测试等实验设计来比较不同模型生成的产品介绍话术的质量,同时也可以邀请专业的保险销售人员进行评估。另外,还可以生成话术生成模型的困惑度来评估话术生成模型的生成能力。
在本实施例的一些可选的实现方式中,在步骤S204之后,上述电子设备还可以执行以下步骤:
获取预设的模型更新策略。
在本实施例中,上述模型更新策略为定期时间使用最新采集的话术样本数据对话术生成模型进行模型更新,以让话术生成模型处于最新、最有效的状态的更新策略,从而有利于提升话术生成模型的话术生成处理的准确度和即时性。其中,对于上述定期时间的选取不做具体限定,可根据实际的使用需求进行设置。上述话术样本数据的内容可参照前述的样本数据的内容,在此不做过多赘述。
使用所述模型更新策略对所述话术生成模型进行模型更新处理,得到更新后的目标话术生成模型。
在本实施例中,通过获取当前时间,并在当前时间满足话术生成模型更新的定期时间点时,通过执行上述模型更新策略,以对话术生成模型进行模型更新处理,得到更新后的目标话术生成模型。
确定与模型存储对应的目标存储方式。
在本实施例中,对于模型存储对应的目标存储方式不做具体限定,例如可采用区块链存储、网盘存储、数据库存储等存储方式。
基于所述目标存储方式对所述目标话术生成模型进行存储。
在本实施例中,在完成对于目标话术生成模型的存储后,还可进一步对更新前的所述话术生成模型进行删除处理,以实现有效降低电子设备的存储空间,进而有利于提高电子设备的运行稳定性。
本申请通过获取预设的模型更新策略;然后使用所述模型更新策略对所述话术生成模型进行模型更新处理,得到更新后的目标话术生成模型;之后确定与模型存储对应的目标存储方式;后续基于所述目标存储方式对所述目标话术生成模型进行存储。本申请在完成话术生成模型的构建后,还会进一步使用预设的模型更新策略对所述话术生成模型进行更新处理,从而可以使得话术生成模型处于最新、最有效的状态,有助于提升话术生成模型后续进行话术生成处理的准确度和即时性。另外,还会使用模型存储对应的目标存储方式对目标话术生成模型进行存储,以确保话术生成模型的存储安全性,提高了目标话术生成模型的存储智能性。
在本实施例的一些可选的实现方式中,在步骤S205之后,上述电子设备还可以执行以下步骤:
获取所述用户的用户信息。
在本实施例中,上述用户信息可包括用户姓名。
基于所述用户信息与所述目标产品介绍话术生成相应的话术指导信息。
在本实施例中,可通过获取预设的话术指导信息模板,再将所述用户信息与所述目标产品介绍话术填充至该话术指导信息模板内的对应位置处,以生成相应的话术指导信息。其中,上述话术指导信息模板为根据实际的话术指导提醒需求构建的模板文件。
确定与所述用户对应的目标业务人员的人员信息。
在本实施例中,上述目标业务人员为对接用户的保险服务人员,上述人员信息可指目标业务人员的人员姓名或人员ID。
基于所述人员信息获取所述目标业务人员的通信信息。
在本实施例中,上述通信信息可包括邮件地址或电话号码。
基于所述通信信息,将所述话术指导信息推送给所述目标业务人员。
本申请通过获取所述用户的用户信息;然后基于所述用户信息与所述目标产品介绍话术生成相应的话术指导信息;之后确定与所述用户对应的目标业务人员的人员信息;后续基于所述人员信息获取所述目标业务人员的通信信息;最后基于所述通信信息,将所述话术指导信息推送给所述目标业务人员。本申请在基于话术生成模型的使用生成目标用户对应的目标产品介绍话术后,还会进一步基于用户的用户信息与所述目标产品介绍话术生成相应的话术指导信息,并会根据与所述用户对应的目标业务人员的人员信息所获取到的通信信息,将所述话术指导信息推送给所述目标业务人员,以实现向目标业务人员推送与用户关联的个性化、精准化的目标产品介绍话术,提高了目标产品介绍话术的推送智能性与推送准确性。另外,通过使用目标产品介绍话术来为目标业务人员提供营销产品所需的产品介绍话术以辅助用户进行产品营销工作,可以有效减少目标业务人员的工作负担,进而提高目标业务人员的工作效率,提高用户对于保险产品营销的满意度,有助于提高保险产品的营销效果。
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,为进一步保证上述目标产品介绍话术的私密和安全性,上述目标产品介绍话术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数据生成装置的一个实施例,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数据生成装置300包括:第一获取模块301、第二获取模块302、编码模块303、调用模块304以及第一生成模块305。其中:
第一获取模块301,用于获取目标用户的客户画像;
第二获取模块302,用于获取与所述目标用户对应的关联保险的目标保险产品信息;
编码模块303,用于对所述客户画像与所述目标保险产品信息进行编码处理,得到对应的条件信息;
调用模块304,用于调用预设的话术生成模型;其中,所述话术生成模型为根据预先采集的样本数据对条件变分自编码器进行训练生成的;
第一生成模块305,用于基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术。
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数据生成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,基于人工智能的数据生成装置还包括:
第三获取模块,用于获取初始样本数据;
预处理模块,用于对所述初始样本数据进行预处理,得到对应的样本数据;其中,所述样本数据包括若干客户画像,与各所述客户画像对应的保险产品信息,以及与各所述客户画像对应的参考产品介绍话术;
划分模块,用于将所述样本数据划分为训练数据与测试数据;
训练模块,用于使用所述训练数据对所述条件变分自编码器进行模型训练,得到对应的第一初始模型;
更新模块,用于基于预设的损失函数,使用目标随机梯度下降算法对所述第一初始模型进行模型更新,得到对应的第二初始模型;
评估模块,用于使用所述测试数据对所述第二初始模型进行评估,判断所述第二初始模型是否符合预设的预期条件;
第一确定模块,用于若是,将所述第二初始模型作为所述话术生成模型。
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数据生成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,预处理模块包括:
第一处理子模块,用于对所述初始样本数据进行数据清洗处理,得到对应的第一数据;
第二处理子模块,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;
第三处理子模块,用于对所述第二数据进行归一化处理,得到对应的第三数据;
确定子模块,用于将所述第三数据作为所述样本数据。
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数据生成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,评估模块包括:
第一获取子模块,用于将所述测试数据输入至所述第二初始模型内,获取所述第二初始模型输出与所述测试数据对应的指定产品介绍话术;
第二获取子模块,用于获取所述测试数据中包括的指定参考产品介绍话术;
分析子模块,用于对所述指定产品介绍话术与所述指定参考产品介绍话术进行数据分析,生成与预设的模型评价指标对应的所述第二初始模型的评价指标数值;
判断子模块,用于判断所述评价指标数值是否大于预设的指标阈值;
判定子模块,用于若是,判定所述第二初始模型符合所述预期条件,否则判定所述第二初始模型不符合所述预期条件。
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数据生成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,分析子模块包括:
获取单元,用于获取与所述模型评价指标对应的指标计算公式;
计算单元,用于基于所述指标计算公式对所述指定产品介绍话术与所述指定参考产品介绍话术进行计算处理,得到对应的计算结果;
确定单元,用于将所述计算结果作为所述第二初始模型的评价指标数值。
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数据生成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,基于人工智能的数据生成装置还包括:
第四获取模块,用于获取预设的模型更新策略;
处理模块,用于使用所述模型更新策略对所述话术生成模型进行模型更新处理,得到更新后的目标话术生成模型;
第二确定模块,用于确定与模型存储对应的目标存储方式;
存储模块,用于基于所述目标存储方式对所述目标话术生成模型进行存储。
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数据生成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,基于人工智能的数据生成装置还包括:
第五获取模块,用于获取所述用户的用户信息;
第二生成模块,用于基于所述用户信息与所述目标产品介绍话术生成相应的话术指导信息;
第三确定模块,用于确定与所述用户对应的目标业务人员的人员信息;
第六获取模块,用于基于所述人员信息获取所述目标业务人员的通信信息;
推送模块,用于基于所述通信信息,将所述话术指导信息推送给所述目标业务人员。
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数据生成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数据生成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数据生成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,在对获取到的目标用户的客户画像以及与所述目标用户对应的关联保险的目标保险产品信息行编码处理得到对应的条件信息后,通过使用预设的话术生成模型来对条件信息进行处理,可以实现快速智能且准确地生成与所述目标用户对应的目标产品介绍话术,由于输出的目标产品介绍话术为结合目标用户的客户画像以及与目标用户关联的目标保险产品信息进行分析生成的个性化、精准化的产品介绍话术,有效地提高了生成的目标产品介绍话术的准确度。
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数据生成方法的步骤。
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,在对获取到的目标用户的客户画像以及与所述目标用户对应的关联保险的目标保险产品信息行编码处理得到对应的条件信息后,通过使用预设的话术生成模型来对条件信息进行处理,可以实现快速智能且准确地生成与所述目标用户对应的目标产品介绍话术,由于输出的目标产品介绍话术为结合目标用户的客户画像以及与目标用户关联的目标保险产品信息进行分析生成的个性化、精准化的产品介绍话术,有效地提高了生成的目标产品介绍话术的准确度。
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数据生成方法,其特征在于,包括下述步骤:
获取目标用户的客户画像;
获取与所述目标用户对应的关联保险的目标保险产品信息;
对所述客户画像与所述目标保险产品信息进行编码处理,得到对应的条件信息;
调用预设的话术生成模型;其中,所述话术生成模型为根据预先采集的样本数据对条件变分自编码器进行训练生成的;
基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术。
2.根据权利要求1所述的基于人工智能的数据生成方法,其特征在于,在所述调用预设的话术生成模型的步骤之前,还包括:
获取初始样本数据;
对所述初始样本数据进行预处理,得到对应的样本数据;其中,所述样本数据包括若干客户画像,与各所述客户画像对应的保险产品信息,以及与各所述客户画像对应的参考产品介绍话术;
将所述样本数据划分为训练数据与测试数据;
使用所述训练数据对所述条件变分自编码器进行模型训练,得到对应的第一初始模型;
基于预设的损失函数,使用目标随机梯度下降算法对所述第一初始模型进行模型更新,得到对应的第二初始模型;
使用所述测试数据对所述第二初始模型进行评估,判断所述第二初始模型是否符合预设的预期条件;
若是,将所述第二初始模型作为所述话术生成模型。
3.根据权利要求2所述的基于人工智能的数据生成方法,其特征在于,所述对所述初始样本数据进行预处理,得到对应的样本数据的步骤,具体包括:
对所述初始样本数据进行数据清洗处理,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归一化处理,得到对应的第三数据;
将所述第三数据作为所述样本数据。
4.根据权利要求2所述的基于人工智能的数据生成方法,其特征在于,所述使用所述测试数据对所述第二初始模型进行评估,判断所述第二初始模型是否符合预设的预期条件的步骤,具体包括:
将所述测试数据输入至所述第二初始模型内,获取所述第二初始模型输出与所述测试数据对应的指定产品介绍话术;
获取所述测试数据中包括的指定参考产品介绍话术;
对所述指定产品介绍话术与所述指定参考产品介绍话术进行数据分析,生成与预设的模型评价指标对应的所述第二初始模型的评价指标数值;
判断所述评价指标数值是否大于预设的指标阈值;
若是,判定所述第二初始模型符合所述预期条件,否则判定所述第二初始模型不符合所述预期条件。
5.根据权利要求4所述的基于人工智能的数据生成方法,其特征在于,所述对所述指定产品介绍话术与所述指定参考产品介绍话术进行数据分析,生成与预设的模型评价指标对应的所述第二初始模型的评价指标数值的步骤,具体包括:
获取与所述模型评价指标对应的指标计算公式;
基于所述指标计算公式对所述指定产品介绍话术与所述指定参考产品介绍话术进行计算处理,得到对应的计算结果;
将所述计算结果作为所述第二初始模型的评价指标数值。
6.根据权利要求1所述的基于人工智能的数据生成方法,其特征在于,在所述调用预设的话术生成模型的步骤之后,还包括:
获取预设的模型更新策略;
使用所述模型更新策略对所述话术生成模型进行模型更新处理,得到更新后的目标话术生成模型;
确定与模型存储对应的目标存储方式;
基于所述目标存储方式对所述目标话术生成模型进行存储。
7.根据权利要求1所述的基于人工智能的数据生成方法,其特征在于,在所述基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术的步骤之后,还包括:
获取所述用户的用户信息;
基于所述用户信息与所述目标产品介绍话术生成相应的话术指导信息;
确定与所述用户对应的目标业务人员的人员信息;
基于所述人员信息获取所述目标业务人员的通信信息;
基于所述通信信息,将所述话术指导信息推送给所述目标业务人员。
8.一种基于人工智能的数据生成装置,其特征在于,包括:
第一获取模块,用于获取目标用户的客户画像;
第二获取模块,用于获取与所述目标用户对应的关联保险的目标保险产品信息;
编码模块,用于对所述客户画像与所述目标保险产品信息进行编码处理,得到对应的条件信息;
调用模块,用于调用预设的话术生成模型;其中,所述话术生成模型为根据预先采集的样本数据对条件变分自编码器进行训练生成的;
第一生成模块,用于基于所述话术生成模型对所述条件信息进行处理,生成与所述目标用户对应的目标产品介绍话术。
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数据生成方法的步骤。
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数据生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016790.6A CN117909489A (zh) | 2024-01-04 | 2024-01-04 | 基于人工智能的数据生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016790.6A CN117909489A (zh) | 2024-01-04 | 2024-01-04 | 基于人工智能的数据生成方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117909489A true CN117909489A (zh) | 2024-04-19 |
Family
ID=90688300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410016790.6A Pending CN117909489A (zh) | 2024-01-04 | 2024-01-04 | 基于人工智能的数据生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117909489A (zh) |
-
2024
- 2024-01-04 CN CN202410016790.6A patent/CN117909489A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN112732911B (zh) | 基于语义识别的话术推荐方法、装置、设备及存储介质 | |
CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN112861662B (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN114662696A (zh) | 时间序列异常排名 | |
CN115017288A (zh) | 模型训练方法、模型训练装置、设备及存储介质 | |
CN114036398A (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN117522538A (zh) | 招投标信息处理方法、装置、计算机设备及存储介质 | |
CN112100491A (zh) | 基于用户数据的信息推荐方法、装置、设备及存储介质 | |
CN116402625A (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN117909489A (zh) | 基于人工智能的数据生成方法、装置、设备及存储介质 | |
CN112307334A (zh) | 信息推荐方法、信息推荐装置、存储介质与电子设备 | |
CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
CN111444338A (zh) | 文本处理、装置、存储介质及设备 | |
US11907508B1 (en) | Content analytics as part of content creation | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
CN117853247A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN108628861B (zh) | 用于推送信息的方法和装置 | |
CN116542779A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN116756539A (zh) | 项目推荐方法、装置、计算机设备及存储介质 | |
CN117009670A (zh) | 基于用户画像的综合推荐方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |