CN111311385A

CN111311385A - 一种基于商品卖点的商品推荐话术生成方法及***

Info

Publication number: CN111311385A
Application number: CN202010410610.4A
Authority: CN
Inventors: 段佳旺; 江岭
Original assignee: Chengdu Xiaoduo Technology Co ltd
Current assignee: Chengdu Xiaoduo Technology Co ltd
Priority date: 2020-05-15
Filing date: 2020-05-15
Publication date: 2020-06-19
Anticipated expiration: 2040-05-15
Also published as: CN111311385B

Abstract

本发明公开了一种基于商品卖点的商品推荐话术生成方法及***，所述方法包括步骤步骤S300：卖点挖掘：从商品的基本信息中抽取卖点，同时按重要性对卖点进行排序；步骤S400：以直接卖点为基准，在知识库中通过蕴含关系找到商品可以推理出来的卖点，并作为蕴含卖点；蕴含卖点用于过滤描述，直接卖点用于检索描述；通过直接卖点将商品和描述关联起来，随机生成商品的推荐话术。本发明以卖点为关键点进行生成推荐话术，不会显得只是语言空洞，言之无物；作为中心的卖点正是买家大概率更感兴趣的点，会更容易的触动买家，促进销售的顺利进行。

Description

一种基于商品卖点的商品推荐话术生成方法及***

技术领域

本发明属于计算机的技术领域，具体涉及一种基于商品卖点的商品推荐话术生成方法及***。

背景技术

随着电商行业的急速发展，网上购物的占比越来越大，在线客服扮演着很重要的角色。和线下的导购工作一样，介绍商品也是在线客服重要的工作之一，介绍商品时，卖家通过在线对话发送合适的文案，吸引用户，推荐话术的好坏，直接影响着商品对用户的吸引力，从而也影响最终商品的购买率。从经验看，好的话术需要将商品的卖点介绍给顾客，不同商品的卖点不同，对应的话术更是可以千差万别，而且同一家店铺下常常有非常多的商品，即使卖点相同的商品，也需要不同的话术进行介绍，如果全部通过人工编辑，往往显得语言匮乏，成本较高。如何快速、准确、生动的完成推荐话术的编辑成为研究的热点。

在人工智能技术飞速发展的今天，自然语言生成技术恰好能够弥补人力的不足，而且可以大量学习业界内的优美推荐话术，用丰富的形式将卖点阐明给买家。业界内有一些生成话术的方法研究，比如：CN201811550825.5，根据问答对聚类来生成回答的话术。再比如CN201910186142.4，利用深度模型判断出问题的语义，对应到相应的推荐答案。也有一些更为激进的技术研究派，比如：CN201810751386.8，利用诗歌生成的rnn模型来生成话术。

然而，CN201811550825.5和CN201910186142.4中的问题类似，更多的面向的是通用问题，比如流程上“什么时间发货”这一类能够通用解答的问题，但如果是介绍商品，不同商品的回答并不能照搬，因此不能用这种直接相同语义的问题聚类后，取对应答案的方法。CN201810751386.8中利用了RNN来生成商品简介，还能通过传入偏重关键词的形式，达到针对卖点的目的。但是，就目前的技术来讲，仅用RNN生成的语言（排除翻译这种加了更多特殊约束的情况）很难到达语句通顺的目的，生成诗词的时候，即使语法没那么对，也能说得过去，比如“古藤老树昏鸦”，甚至还能更有意境，因此要求没那么严格，但应用到现实生活的对话中，就会显得莫名其妙。

在现实应用中，除了针对性、通顺性外，文案上其实还有其他方面的要求。比如丰富多样，即使同一个功能卖点不同，商品也希望有不同话术来描述；再如时效性，业界内新成立的一种功能说法，能够做出相应的话术引导，比如“抗初老”。结合实际应用中的具体要求，一定是要将商品的卖点介绍给用户，因此话术的生成思路一开始就需要从结合商品卖点出发。话术本身也需要切合实际，语言通顺，实事求是，因此需要尽量用本来就是人的语言。同时，也需要兼顾丰富性，时效性等问题，更完善的解决自动生成商品推荐文案的问题。

发明内容

本发明的目的在于提供一种基于商品卖点的商品推荐话术生成方法，本发明以卖点为关键点进行生成推荐话术，不会显得只是语言空洞，言之无物；作为中心的卖点正是买家大概率更感兴趣的点，会更容易的触动买家，促进销售的顺利进行。

本发明的目的还在于提供一种基于商品卖点的商品推荐话术生成***，本发明围绕卖点来展开，可以更好的贴近买家的需求，促进销售的顺利进行。

本发明主要通过以下技术方案实现：一种基于商品卖点的商品推荐话术生成方法，主要包括以下步骤：

步骤S300：卖点挖掘：从商品的基本信息中抽取直接卖点，同时按重要性对直接卖点进行排序；

步骤S400：以直接卖点为基准，在知识库中通过蕴含关系找到商品可以推理出来的卖点，并作为蕴含卖点；蕴含卖点用于过滤描述，直接卖点用于检索描述；通过直接卖点将商品和描述关联起来，随机生成商品的推荐话术。

本发明在使用过程中，描述生成环节，不一定是要用检索模式，在技术成熟的情况下，可以采用围绕关键词生成话术的方案。

为了更好地实现本发明，进一步的，所述步骤S300中抽取卖点后，按照通用排序方法或者个性化排序方法对卖点进行排序；所述通用排序方法：已知商品具体prod，采用知识库中prod和attr_value之间的共现指数，判断attr_value的特殊性，按特殊性高低对卖点进行排序；所述个性化的排序方法，则是结合商品的文本信息，采用TF-IDF或者采用提取关键词的方法获得相关指数，以用来对卖点进行排序。所述共现指数是指pmi值。在通用排序方法中，按照特殊性的高低对卖点进行排序，所述特殊性即为上述的重要性。

为了更好地实现本发明，进一步的，所述步骤S400主要包括以下步骤：

步骤S401：构造描述检索库：在描述库中将每一句描述抽取卖点并建成检索库；

步骤S402：卖点检索拉取单链：然后针对每个直接卖点，拉取倒排索引，从而得到每个直接卖点的推荐话术；

步骤S403：卖点描述选择：按直接卖点的顺序，依次挑选卖点的描述，在挑选时，为了增加多样性，采用拉链topn随机的方式；另外需要去重，后续不重复已经采用的描述中包含的卖点。

为了更好地实现本发明，进一步的，所述步骤S402中单个卖点的步骤如下：

步骤S4021：单个卖点先通过知识库的信息引入同义词；

步骤S4022：对卖点及同义词拉取倒排索引；

步骤S4023：单条索引需要对里面的描述进行过滤，如果描述的卖点超出了蕴含卖点，那么过滤掉描述；

步骤S4024：将多条索引做并集，描述按参数排序，所述参数为频繁层度、话术判断模型打分、描述长度、包含蕴含卖点的个数及权重中的任意一种或多种。

为了更好地实现本发明，进一步的，从商品的基本信息中，学习出知识库，所述知识库包括prod和attr_value；除了挖掘出prod、attr_value的全集以外，还需要把他们相互间的关系挖掘出来，prod和prod，attr_value和attr_value之间的同义、蕴含关系，prod和attr_value之间的蕴含关系。

为了更好地实现本发明，进一步的，所述知识库的挖掘方法为方法a-g中的任意一种或几种：

所述方法a中挖掘商品信息本身的结构化信息，抽取字段，每个词按频次排序，人工梳理头部部分，作为知识库中准确的标准集；

所述方法b中利用NER模型将商品的文字信息通过人工标注，通过训练后能够识别出prod和attr_value，并添加到知识库中；

所述方法c采用textrank，topic-model，rake中的任意一种语言模型，找到基本信息里面的关键词，用来补充知识库；

所述方法d采用word2vector的模型将商品的文字信息学习出向量表示，再根据向量表示，挖掘出term之间的同义关系，补充知识库；

所述方法e通过共现关系来挖掘蕴含关系，以单个商品的基本信息作为一个doc，统计termA和termB之间的共现关系，并计算概率值P(A|B),P(B|A),以及两个term之间的pmi(PointwiseMutualInformation)值；

所述方法f引入人工梳理的途径，进一步完善知识库；所述方法g将新词以及新的term之间的关系推往人工梳理。

为了更好地实现本发明，进一步的，从推荐文章、聊天记录中抽取描述，用于对语言进行过滤，保留推荐话术的语言作为描述，同时通过nlp的语法知识做句法调整，形成描述库。

为了更好地实现本发明，进一步的，形成描述库主要包括以下步骤：

步骤S1：话术分割：将一句长句划分成若干段，更局部的处理语料；

步骤S2：话术分类：将步骤S1得到的一个一个的短句作为待判断集合，找出里面有推荐作用的优美话术；通过深度学习来判断分类，采用BiLSTM+MLP的模型作为话术判断模型，同时采用word2vector的向量来迁移学习；

步骤S3：语言整理：针对切分的句子的语法上的问题，结合当前NLP的已有知识做话术整理，包括中文分词，依存分析，词性分析，需要完成的功能点包括：过滤停用词，语气词；过滤句子间连词；过滤prod级的主语。

本发明主要通过以下技术方案实现：一种基于商品卖点的商品推荐话术生成***，包括知识库、描述库、卖点挖掘模块、描述生成模块，所述卖点挖掘模块用于从知识库、描述库中抽取卖点并进行排序；将商品的基本信息中抽取的卖点作为直接卖点，以直接卖点为基准，在知识库中通过蕴含关系找到商品可以推理出来的卖点，并作为蕴含卖点；蕴含卖点用于过滤描述，直接卖点用于检索描述；所述描述生成模块通过直接卖点将商品和描述关联起来，随机生成商品的推荐话术。

为了更好地实现本发明，进一步的，还包括描述库挖掘模块，所述描述库挖掘模块包括话术分割模块、话术分类模块、语言整理模块，所述话术分割模块用于将一句长句划分成若干段；所述话术分类模块用于筛选具有推荐作用的话术；所述语言整理模块用于整理推荐话术的语法。

本发明的目的是为了学习业界内优秀的推荐话术，通常的，在同一个类目下，商品的话术更具有通用性。因此可以按类目分别进行挖掘，比如美妆，服装，鞋子，手机，电器，家具这样的划分，简化难度，当然也可以全类目一起挖掘，但这样更加复杂，效果可能也没有这么精细。

本发明中需要的数据如下：

1.商品的基本信息，以某个商品url为唯一key，获取该商品的基本信息，包括title，图片，以及商品详情页上的一些结构化信息；

2.话术的来源数据。我们需要业界内优美的推荐话术，来源可以是商品推荐文章，客服的聊天记录等等，这些都可能包含有卖点话术的数据。

所述商品url是某个商品的唯一标识符，其相关信息包含了title，图片以及商品页上的一些结构化信息。图片信息可以通过已经比较成熟的OCR技术识别出里面的文章，当做商品的文本信息。由于图片信息比较复杂，OCR识别出的文字不一定能直接用，比如换行等问题，但可以作为语料用来表征这个商品。

产品（prod），一件商品到底是什么，比如“面膜”“爽肤水”“洗面奶”。

属性名（attr_name），用于介绍一个商品某个方向，比如“适用皮肤”“成分”“功效”。

属性值（attr_value），一个商品一个属性名下的值，比如成分“烟酰胺”，功效“美白”、“抗衰老”。

描述（disc），针对某个商品介绍的通用化的优美的话术，例如：“添加了烟酰胺的美白成分”“起到抗皱延缓衰老的效果”。

本发明的有益效果：

（1）方案中存在卖点挖掘，整体话术是围绕卖点来展开，不会显得只是语言空洞，言之无物。作为中心的卖点正是买家大概率更感兴趣的点，会更容易的触动买家；

（2）具体话术语言采用真人语言加ai组装，和纯ai生成的语言相比，在通顺性和表达含义上更有保障；

（3）数据引入的部分，采用人工智能的模型可以轻松达到及时更新的目的，在卖点以及话术上，都可以切合当下的流行趋势，给到商品的卖点；

（4）可控性高：由于有知识库的知识指导，方便人工添加已经整理好的知识；描述库也是挖掘而来，如果不够，也可根据需求人工添加；最后生成部分，句式的风格，长短都可以定制。

附图说明

图1为基于商品卖点的商品推荐话术生成方法的流程图；

图2为prod和attr_value相互间关系挖掘原理图；

图3为描述库挖掘的流程图；

图4为卖点描述生成的流程图；

图5为实施例5中描述与卖点的正排信息示意图；

图6为实施例5中描述与卖点的倒排信息示意图；

图7为实施例5中直接卖点与蕴含卖点的关系示意图。

具体实施方式

实施例1：

一种基于商品卖点的商品推荐话术生成方法，如图1所示，主要包括以下步骤：

第一步从商品的基本信息中，学习出prod和attr_value所组成的知识库，知识库是一些基础知识，对效果优化帮助很大。

第二步我们从推荐文章，聊天记录中抽取描述，主要功能是对语言做一个过滤，只保留是推荐话术的语言作为描述，同时通过nlp的语法知识做句法调整，形成描述库。

第三步需要形成一个卖点挖掘模型，可以从一句描述中，抽取相关卖点。也可以从商品的基本信息中抽取相关卖点，同时有一个卖点的重要性排序。

最后，通过卖点将商品和描述关联起来，随机生成商品的推荐话术。

本发明以卖点为关键点进行生成推荐话术，不会显得只是语言空洞，言之无物；作为中心的卖点正是买家大概率更感兴趣的点，会更容易的触动买家，促进销售的顺利进行。

实施例2：

本实施例是在实施例1的基础上进行优化，知识库挖掘：

本发明的目的其实是从商品信息中，抽取商品是什么，有哪些卖点。如果能对这个方面有一个***的认识，会更好一些。因此有必要提前挖掘知识库。我们希望的知识库是有prod和attr_value的，attr_name需求较弱，在一些attr_value有重复时才需要，比如服装的attr_name是“面料材质”和“里料材质”，attr_value都可以是“纯棉”，这个时候有必要加上attr_name。如图2所示，知识库的挖掘除了挖掘出prod，attr_value的全集以外，还希望把这他们相互间的关系挖掘出来。比如prod和prod，attr_value和attr_value之间的同义、蕴含关系，prod和attr_value之间有蕴含关系。

挖掘的方法很多，举例几种方法，可以综合应用：

a.商品信息本身的结构化信息，抽取相关字段，每个词按频次排序，人工梳理头部部分，可以作为知识库中准确的标准集，

b.利用NER模型，将商品的文字信息通过人工标注，识别其中的prod和attr_value。NER模型可以采用较常规的模型（BiLSTM-CRF），也可采用更复杂的模型。通过训练后能够识别出prod和attr_value，添加到知识库中

c.其他一些语言模型，也可以用起来，比如textrank，topic-model，rake等，找到基本信息里面的关键词，大概率会是知识库需要的词，用来补充。

d.采用word2vector的模型，将商品的文字信息学习出向量表示，再根据向量表示，挖掘出term之间的同义关系，补充知识库

e. 蕴含关系，可以通过共现关系来挖掘，以单个商品的基本信息作为一个doc，统计termA和termB之间的共现关系。计算概率值P(A|B),P(B|A),以及两个term之间的pmi值。

f. 由于是基础知识库的数据，可以引入人工梳理的途径，进一步完善知识库

g.最后，这个挖掘是可更新的，可以定时导入最新的商品，对于“抗初老”这样的新词汇，由于我们有NER的模型，大概率能发现这样的词汇。如果有人工梳理，可以只将新词以及新的term之间的关系推往人工梳理即可。

本实施例的其他部分与实施例1相同，故不再赘述。

实施例3：

本实施例是在实施例1或2的基础上进行优化，描述库挖掘：

这里，我们的目标是找出哪些是真正有推荐话术的语句。因此可以算是一个二分类模型。如图3所示，流程如下：

a.话术分割模块，用于将一句长句划分成几段，更局部的处理语料。可以简单的按标点符合分割，也可以应用一些算法（比如依存分析），拆分得更合理一些。

b. 话术分类模块，将上面得到的一个一个的短句作为我们的待判断集合，找出里面有推荐作用的优美话术。需要先标注一批数据，然后通过深度学习来判断。这里，我们采用的是BiLSTM+MLP的模型，通过BiLSTM更能结合上下文的信息，同时，采用word2vector的向量来迁移学习，效果更好，该模型后续称为话术判断模型

c.语言整理模块，通过切分的句子会有一些语法上的问题，需要结合当前NLP的一些已有知识，做一些话术整理。包括中文分词，依存分析，词性分析等，需要完成的功能点包括：

a) 过滤停用词，语气词；

b)过滤句子间连词；

c) 过滤prod级的主语；

最终得到描述，描述的标准是能够直接接在主语后面，形成通顺的话。

以上措施后，得到第一批描述库。同样，也能够支持人工梳理和持续更新的功能。由于有判断模型的存在，新的语料信息导入后可以判断出是否是描述，可以将新增描述推送人工审核或者直接生效。

本实施例的其他部分与上述实施例1或2相同，故不再赘述。

实施例4：

本实施例是在实施例1-3任一个的基础上进行优化，卖点挖掘：

我们有商品信息，知识库信息，以及描述库的信息。需要从商品信息和描述库信息中，找到包含的卖点。卖点由知识库里面的元素组成。提取的方法也有很多，可以复用第一步知识库挖掘里面的NER模型以及语言模型textrank，topic-model，rake等提取关键词的方法，不同的是这里有了知识库的帮助，模型可以提取得更好，甚至可以加入切词后匹配的方法，同时需要结合一些规则判断，比如否定词等。

对商品抽取了卖点的后，需要对卖点做一个排序。排序时可以结合通用的排序方法以及个性化排序方法。

a. 通用的排序方法，我们知道了商品具体prod，则可以用第一步知识库挖掘里面prod和attr_value之间的共现指数，判断attr_value的特殊性，越特殊的越重要一些。

b. 个性化的排序方法，则是结合商品的文本信息，可以用TF-IDF或者其他提取关键词的方式时获得的相关指数，用来对卖点进行排序。如果有条件获取该商品的聊天信息，用TF-IDF时，能更准的计算出该商品的关注卖点的重要程度。

对描述抽取卖点后，更多的还是个性化的排序方法。

本实施例的其他部分与上述实施例1-3任一个相同，故不再赘述。

实施例5：

本实施例是在实施例1-4任一个的基础上进行优化，描述生成：

最后一步，是生成最终描述。我们选用的是类似检索的模式。但其实这一步也可以利用深度模型的机器学习，学习出词的分布规律，围绕卖点生成一段话。但目前技术还不能解决机器语言的句法，通顺性问题，可控性没有检索模式好。

如图4所示，生成最终描述按功能点包括以下步骤：

a. 构造描述检索库

如图5-图6所示，采用倒排索引的方法使卖点与描述关联。将描述库通过描述的卖点建成检索库，可以用文本的倒排检索。如图5所示，正排信息为描述a包含卖点1、2、3，描述b包含卖点3，描述c包含卖点2、4；

需要以卖点为key，构造成倒排索引的形式。

b. 卖点检索拉取单链

对于单个商品，步骤S300拿到了他的卖点，作为直接卖点。

1)通过蕴含关系找到该商品可以推理出来的卖点，组成蕴含卖点，

2)通过同义词关系，进一步扩充蕴含卖点。

直接卖点用于检索，蕴含卖点用于过滤，如图7所示，直接卖点一定是蕴含卖点的子集。

然后针对每个直接卖点，拉取倒排索引，以下是单个卖点的步骤：

①单个卖点先通过知识库的信息，引入同义词。

②对卖点及同义词拉取倒排索引。

③单条索引需要对里面的描述进行过滤，如果某描述的卖点超出了蕴含卖点，那么过滤掉该描述，这样就不会出错。

④将多条索引做并集，描述按一些参数排序，如频繁层度，话术判断模型打分，描述长度，包含蕴含卖点的个数、权重等。

⑤这样就拿到了每个直接卖点的推荐话术。

c.卖点描述选择

按步骤S300中直接卖点的顺序，依次挑选卖点的描述。这里需要注意的是去重。

挑选时，为了增加多样性，可以采用拉链topn随机的方式。

另外需要注意去重，原则是采用的描述中已经包含的卖点，后续不能重复，还是以之前的示例说明，如图6所示：

商品x先用卖点3拉取拉a,b,d，a因卖点1过滤掉，只有b,d两条结果，

卖点2拉取a,c,d，a因卖点1过滤掉，只有c,d两条结果，

如果3选了c，2只能选d，如果3选了b，2可以随机选c,d。

d.合成最终推荐话术

以上已经得到一系列可用的无重复卖点的话术，

然后可以按定制化的需求组成最终的推荐语言，

模板信息，可以指定模板，形成店铺特有的推荐语言风格，

排序方案，可以直接按attr_value重要程度排序，更加突出重要的卖点，也可以attr_value相关性更强的排一起，组织上显得更有调理等等。规则都可以定制。

本实施例的其他部分与上述实施例1-4任一个相同，故不再赘述。

实施例6：

一种基于商品卖点的商品推荐话术生成***，包括知识库、描述库、卖点挖掘模块、描述生成模块，所述卖点挖掘模块用于从知识库、描述库中抽取卖点并进行排序；所述描述生成模块用于将通过卖点将商品和描述关联起来，并随机生成商品的推荐话术。

实施例7：

本实施例是在实施例6的基础上进行优化，如图3所示，还包括描述库挖掘模块，所述描述库挖掘模块包括话术分割模块、话术分类模块、语言整理模块，所述话术分割模块用于将一句长句划分成若干段；所述话术分类模块用于筛选具有推荐作用的话术；所述语言整理模块用于整理推荐话术的语法。

本实施例的其他部分与上述实施例6相同，故不再赘述。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims

1.一种基于商品卖点的商品推荐话术生成方法，其特征在于，主要包括以下步骤：

2.根据权利要求1所述的一种基于商品卖点的商品推荐话术生成方法，其特征在于，所述步骤S300中抽取卖点后，按照通用排序方法或者个性化排序方法对卖点进行排序；所述通用排序方法：已知商品具体prod，采用知识库中prod和attr_value之间的共现指数，判断attr_value的特殊性，按特殊性高低对卖点进行排序；所述个性化的排序方法，则是结合商品的文本信息，采用TF-IDF或者采用提取关键词的方法获得相关指数，以用来对卖点进行排序。

3.根据权利要求1所述的一种基于商品卖点的商品推荐话术生成方法，其特征在于，所述步骤S400主要包括以下步骤：

步骤S403：卖点描述选择：按直接卖点的顺序，依次挑选卖点的描述，在挑选时，为了增加多样性，采用拉链top n随机的方式；另外需要去重，后续不重复已经采用的描述中包含的卖点。

4.根据权利要求3所述的一种基于商品卖点的商品推荐话术生成方法，其特征在于，所述步骤S402中单个卖点检索拉取单链的步骤如下：

步骤S4021：单个卖点先通过知识库的信息引入同义词；

步骤S4022：对卖点及同义词拉取倒排索引；

5.根据权利要求1-4任一项所述的一种基于商品卖点的商品推荐话术生成方法，其特征在于，从商品的基本信息中，学习出知识库，所述知识库包括prod和attr_value；除了挖掘出prod、attr_value的全集以外，还需要把他们相互间的关系挖掘出来，prod和prod，attr_value和attr_value之间的同义、蕴含关系，prod和attr_value之间的蕴含关系。

6.根据权利要求5所述的一种基于商品卖点的商品推荐话术生成方法，其特征在于，所述知识库的挖掘方法为方法a-g中的任意一种或几种，所述方法a中挖掘商品信息本身的结构化信息，抽取字段，每个词按频次排序，人工梳理头部部分，作为知识库中准确的标准集；所述方法b中利用NER模型将商品的文字信息通过人工标注，通过训练后能够识别出prod和attr_value，并添加到知识库中；所述方法c采用textrank，topic-model，rake中的任意一种语言模型，找到基本信息里面的关键词，用来补充知识库；所述方法d采用word2vector的模型将商品的文字信息学习出向量表示，再根据向量表示，挖掘出term之间的同义关系，补充知识库；所述方法e通过共现关系来挖掘蕴含关系，以单个商品的基本信息作为一个doc，统计term A和term B之间的共现关系，并计算概率值P(A|B),P(B|A),以及两个term之间的pmi值；所述方法f引入人工梳理的途径，进一步完善知识库；所述方法g将新词以及新的term之间的关系推往人工梳理。

7.根据权利要求1-4任一项所述的一种基于商品卖点的商品推荐话术生成方法，其特征在于，从推荐文章、聊天记录中抽取描述，用于对语言进行过滤，保留推荐话术的语言作为描述，同时通过nlp的语法知识做句法调整，形成描述库。

8.根据权利要求7所述的一种基于商品卖点的商品推荐话术生成方法，其特征在于，形成描述库主要包括以下步骤：

步骤S2：话术分类：将步骤S1得到的一个一个的短句作为待判断集合，找出里面有推荐作用的话术；通过深度学习来判断分类，采用BiLSTM+MLP的模型作为话术判断模型，同时采用word2vector的向量来迁移学习；

9.一种基于商品卖点的商品推荐话术生成***，其特征在于，包括知识库、描述库、卖点挖掘模块、描述生成模块，所述卖点挖掘模块用于从知识库、描述库中抽取卖点并进行排序；将商品的基本信息中抽取的卖点作为直接卖点，以直接卖点为基准，在知识库中通过蕴含关系找到商品可以推理出来的卖点，并作为蕴含卖点；蕴含卖点用于过滤描述，直接卖点用于检索描述；所述描述生成模块通过直接卖点将商品和描述关联起来，随机生成商品的推荐话术。

10.根据权利要求9所述一种基于商品卖点的商品推荐话术生成***，其特征在于，还包括描述库挖掘模块，所述描述库挖掘模块包括话术分割模块、话术分类模块、语言整理模块，所述话术分割模块用于将一句长句划分成若干段；所述话术分类模块用于筛选具有推荐作用的话术；所述语言整理模块用于整理推荐话术的语法。