CN114254088A - 自动应答模型的构建方法和自动应答方法 - Google Patents
自动应答模型的构建方法和自动应答方法 Download PDFInfo
- Publication number
- CN114254088A CN114254088A CN202111477784.3A CN202111477784A CN114254088A CN 114254088 A CN114254088 A CN 114254088A CN 202111477784 A CN202111477784 A CN 202111477784A CN 114254088 A CN114254088 A CN 114254088A
- Authority
- CN
- China
- Prior art keywords
- information
- target
- marketing
- reply
- client
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明提供一种自动应答模型的构建方法和自动应答方法,所述自动应答模型的构建方法包括:对目标回复信息进行特征提取,生成所述目标回复信息对应的第一标识信息,所述目标回复信息为在机器营销失败的情况下的客户回复信息;基于所述第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息,所述候选客户回复信息为在人工营销成功的情况下的全部的客户回复信息。本发明的自动应答模型的构建方法,可以提高机器营销的转化率。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种自动应答模型的构建方法和自动应答方法。
背景技术
当前,外呼机器人被广泛应用于营销场景中。相关技术中,一般通过对外呼机器人设置固定的话术信息从而实现与客户之间的对话,但该方法无法自动判断相关的话术是否有效,在实际执行中仍需人工干预以提高营销的成功率及转化率,不仅有效性较低,还会耗费较高的人力成本和时间成本。
发明内容
本发明提供一种自动应答模型的构建方法和自动应答方法,用以解决现有技术中机器营销转化率低的缺陷,提高机器营销的转化率。
本发明提供一种自动应答模型的构建方法,包括:
对目标回复信息进行特征提取,生成所述目标回复信息对应的第一标识信息,所述目标回复信息为在机器营销失败的情况下的客户回复信息;
基于所述第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息,所述候选客户回复信息为在人工营销成功的情况下的全部的客户回复信息。
根据本发明提供一种的自动应答模型的构建方法,所述基于所述第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息,包括:
对所述第一标识信息进行筛选,生成第二标识信息的集合;
对所述第二标识信息对应的目标回复信息进行去重,生成所述第二标识信息对应的第一客户回复信息的集合,所述第一客户回复信息的集合中的各所述第一客户回复信息含义相同且说法不同;
基于所述第一客户回复信息的集合和所述第一客户回复信息对应的上文机器营销话术信息,从所述候选人工营销话术信息中,匹配得到所述第二标识信息对应的至少一个目标营销话术信息。
根据本发明提供一种的自动应答模型的构建方法,所述基于所述第一客户回复信息的集合和所述第一客户回复信息对应的上文机器营销话术信息,从所述候选人工营销话术信息中,匹配得到所述第二标识信息对应的至少一个目标营销话术信息,包括:
确定所述第一客户回复信息与各所述候选客户回复信息之间的第一相似度信息;
在所述第一相似度信息超过第一目标阈值的情况下,将所述第一相似度信息对应的候选客户回复信息确定为第二客户回复信息;
确定所述第一客户回复信息对应的上文机器营销话术信息和所述第二客户回复信息对应的上文人工营销话术信息的第二相似度信息;
在所述第二相似度信息超过第二目标阈值的情况下,将所述第二相似度信息对应的上文人工营销话术信息所对应的下文人工营销话术信息确定为所述目标营销话术信息。
根据本发明提供一种的自动应答模型的构建方法,所述确定所述第一客户回复信息与各所述候选客户回复信息之间的第一相似度信息,包括:
对所述第一客户回复信息进行特征提取,生成第一特征向量编码和第一关键信息集合;
对所述候选客户回复信息进行特征提取,生成第一目标特征向量编码和第一目标关键信息集合;
基于所述第一特征向量编码、所述第一关键信息集合、所述第一目标特征向量编码和所述第一目标关键信息集合,确定所述第一客户回复信息与各所述候选客户回复信息之间的第一相似度信息;
和/或,
所述确定所述第一客户回复信息对应的上文机器营销话术信息和所述第二客户回复信息对应的上文人工营销话术信息的第二相似度信息,包括:
对所述第一客户回复信息对应的上文机器营销话术信息进行特征提取,生成第二特征向量编码和第二关键信息集合;
对所述第二客户回复信息对应的上文人工营销话术信息进行特征提取,生成第二目标特征向量编码和第二目标关键信息集合;
基于所述第二特征向量编码、所述第二关键信息集合、所述第二目标特征向量编码和所述第二目标关键信息集合,确定所述上文机器营销话术信息和所述上文人工营销话术信息的第二相似度信息。
根据本发明提供一种的自动应答模型的构建方法,所述对目标回复信息进行特征提取,生成所述目标回复信息对应的第一标识信息,包括:
对所述目标回复信息进行特征提取,生成第三标识信息及各个所述第三标识信息对应的概率值;
在所述概率值超过第三目标阈值的情况下,将所述概率值对应的第三标识信息确定为所述第一标识信息。
根据本发明提供一种的自动应答模型的构建方法,在所述基于所述第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息之后,所述方法还包括:
对所述目标营销话术信息进行特征提取,生成所述目标营销话术信息对应的多个类型标签;
基于目标话术结构化分类体系,对所述多个类型标签进行结构化处理,生成所述目标营销话术信息对应的结构化分类标签;
基于所述结构化分类标签,生成所述目标回复信息对应的目标营销策略。
本发明还提供一种自动应答方法,包括:
获取待应答客户回复信息;
对所述待应答客户回复信息进行特征提取,生成所述待应答客户回复信息对应的目标标识信息;
将所述目标标识信息输入至由如上所述任一项所述的自动应答模型的构建方法生成的自动应答模型,生成目标应答信息。
本发明还提供一种自动应答模型的构建装置,包括:
第一生成模块,用于对目标回复信息进行特征提取,生成所述目标回复信息对应的第一标识信息,所述目标回复信息为在机器营销失败的情况下的客户回复信息;
第一确定模块,用于基于所述第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息,所述候选客户回复信息为在人工营销成功的情况下的全部的客户回复信息。
本发明还提供一种自动应答装置,包括:
获取模块,用于获取待应答客户回复信息;
第二生成模块,用于对所述待应答客户回复信息进行特征提取,生成所述待应答客户回复信息对应的目标标识信息;
第三生成模块,用于将所述目标标识信息输入至由如上所述任一项所述的自动应答模型的构建方法生成的自动应答模型,生成目标应答信息。
本发明还提供一种电子设备,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,所述处理器执行所述计算机程序时实现如上述任一种所述自动应答模型的构建方法的步骤或自动应答方法的步骤。
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,所述计算机程序被处理器执行时实现如上述任一种所述自动应答模型的构建方法的步骤或自动应答方法的步骤。
本发明化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自动应答模型的构建方法的步骤或自动应答方法的步骤。
本发明提供的自动应答模型的构建方法和自动应答方法,通过对机器营销失败的情况下的目标回复信息进行特征提取,以生成目标回复信息对应的第一标识信息,并基于第一标识信息,从人工营销成功的情况下的客户回复信息所对应的候选人工营销话术信息中确定至少一个目标营销话术信息,从而可以建立第一标识信息与目标营销话术信息之间的关联关系,有助于后续应用过程中,能基于客户回复信息快速匹配对应的营销话术信息,从而提高营销转化率。
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是本发明提供的自动应答模型的构建方法的流程示意图之一;
图2是本发明提供的自动应答模型的构建方法的流程示意图之二;
图3是本发明提供的自动应答模型的构建方法的流程示意图之三;
图4是本发明提供的自动应答模型的构建方法的流程示意图之四;
图5是本发明提供的自动应答方法的流程示意图;
图6是本发明提供的自动应答模型的构建装置的结构示意图;
图7是本发明提供的自动应答装置的结构示意图;
图8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。
下面结合图1-图4描述本发明的自动应答模型的构建方法。
需要说明的是,本发明的自动应答模型的构建方法的执行主体可以为自动应答模型的构建装置,或者为服务器,或者为用户的终端,如手机或电脑等。
如图1所示,该自动应答模型的构建方法,包括:步骤110和步骤120。
步骤110、对目标回复信息进行特征提取,生成目标回复信息对应的第一标识信息,目标回复信息为在机器营销失败的情况下的客户回复信息;
需要说明的是,在机器外呼场景中,机器人客服与客户的会话可以是由客户发起的会话,也可以是由机器人客服发起的会话。
由客户发起的会话,称为语音导航机器人。
由机器人客服主动发起的会话,称为外呼机器人。
在外呼机器人进行外呼的整个过程中,涉及到由机器人所发出的机器话术以及客户针对每一句机器话术所回复的回复信息。
目前机器外呼场景主要分为:通知类、回访类和营销类。其中,通知类与回访类场景相对简单,客户配合度较高;营销场景则是向客户进行产品的推荐。
可以理解的是,在机器外呼营销场景下,最终所实现的营销结果包括营销失败和营销成功。例如,在外呼机器人成功向客户推荐了某个产品时,则表示营销成功;在客户拒绝购买所推荐的产品时,则表示营销失败。
在本步骤中,可以将在营销过程中产生的通话信息均转换为文本信息,则目标回复信息为在历史营销过程中,机器营销失败的情况下的全部的客户回复信息对应的文本信息。
可以理解的是,在每一个机器营销失败的案例中,均存在至少一条客户回复信息。
在实际执行过程中,可以将历史过程中,机器营销失败的情况下的客户回复信息存储于本地数据库或云端数据库,在需要时进行调取,即可得到目标回复信息。
第一标识信息可以为单词或者短语等形式的标签,用于表征目标回复信息的核心含义。
可以理解的是,不同的目标回复信息含义不同,则其对应的第一标识信息也不同。
通过对多个目标回复信息进行特征提取,可以得到多个第一标识信息。多个第一标识信息中可能存在相同的第一标识信息,也可能存在不同的第一标识信息。
通过对多个第一标识信息进行分类,可以得到不同类型下的第一标识信息。
对于机器营销失败的情况下的第一标识信息,可以包括:用户无需求、用户需求不定、用户有需求但不具备办理条件、用户有需求但不会操作、以及用户有需求但未验证确认成功等多个大类标签。
每个大类标签下还可以包括多个小类标签。
例如,以营销流量包为例,在用户无需求这一大类标签下,可以包括:用户全程未说话直接挂机、用户直接拒绝无原因、用户表达本身流量够用、以及用户满意当前套餐等小类标签。
在用户需求不定这一大类标签下,可以包括:表达暂时不需要、表达考虑一下、表达在忙、表达发短信、担心忘记取消、营业厅办理、嫌费用太高、以及号不常用等小类标签。
在用户有需求但不具备办理条件这一大类标签下,可以包括:副卡、捆绑其他业务,以及非决策者等小类标签。
在用户有需求但不会操作这一大类标签下,可以包括:不会按键等小类标签。
在用户有需求但未验证确认成功这一大类标签下,可以包括:同意但未按键确认、以及同意但按键错误等小类标签。
需要说明的是,在本发明中,第一标识信息可以包括但不限于多个大类标签下的多个小类标签。
例如在向用户推荐流量包套餐的情况下,在接通电话后,外呼机器人进行了产品推荐,用户回复“嗯不用了,我这边够了”,则“嗯不用了,我这边够了”这句话即为目标回复信息。
对目标回复信息进行特征提取,得到关键信息“流量够用”,则“流量够用”即为该目标回复信息对应的第一标识。
在生成第一标识信息后,可将第一标识信息存储于本地数据库或云端数据库中,在需要时调取即可。
步骤120、基于第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息,候选客户回复信息为在人工营销成功的情况下的全部的客户回复信息。
在该步骤中,候选客户回复信息为在人工营销成功的情况下,用户对于人工营销话术的全部回复信息。
对于每一个人工营销成功的案例,均包括至少一条客户回复信息。
候选人工营销话术信息为在人工营销成功的情况下,每一句客户回复信息所对应的上下文人工营销话术信息。
可以理解的是,每一句候选客户回复信息,均对应有至少一句人工营销话术信息。
需要说明的是,在实际营销过程中,在人工营销情景下,存在在客户拒绝后,通过人工营销话术信息进行挽回,最终说服客户,从而实现成功营销的情况;而在机器营销情景下,在客户说了同样的回复信息进行拒绝后,机器人却未能成功挽回客户,从而导致营销失败。
表1所示了在机器营销失败以及人工营销成功两种不同情景下的部分通话内容,其中,左侧为机器营销失败情景下的客户回复信息及客户回复信息对应的机器营销话术信息,右侧为人工营销成功情景下的客户回复信息及客户回复信息对应的人工营销话术信息。
根据表1可知,在机器人和坐席人员分别结束开场介绍后,用户X和用户Y做出了含义相同的回复,然后机器人和坐席人员分别针对用户的回复信息,发出了后续的挽回话术,用户X直接挂机,导致机器营销失败,而用户Y同意办理,成功挽回,人工营销成功。
则对于表1,用户X的回复信息即为目标回复信息,基于用户X的回复信息所提取的标签即为用户X的回复信息所对应的第一标识信息;用户Y的回复信息即为候选客户回复信息,坐席人员的话术信息即为该用户Y的回复信息所对应的候选人工营销话术信息,且用户X的回复信息对应的第一标识信息与用户Y的回复信息的实际含义相同或相近。
表1
在本步骤中,通过对第一标识信息及其对应的目标回复信息进行处理,以匹配得到与第一标识信息对应的目标营销话术信息,从而可以建立第一标识信息与目标营销话术信息之间的关联关系。
根据本发明实施例提供的自动应答模型的构建方法,通过对机器营销失败的情况下的目标回复信息进行特征提取,以生成目标回复信息对应的第一标识信息,并基于第一标识信息,从人工营销成功的情况下的客户回复信息所对应的候选人工营销话术信息中确定至少一个目标营销话术信息,从而可以建立第一标识信息与目标营销话术信息之间的关联关系,有助于后续应用过程中,能基于客户回复信息快速匹配对应的营销话术信息,从而提高营销转化率;除此之外,还能够实现从人机交互分析到通过人人对话分析之间的闭环优化。
在一些实施例中,步骤110包括:
对目标回复信息进行特征提取,生成第三标识信息及各个第三标识信息对应的概率值;
在概率值超过第三目标阈值的情况下,将概率值对应的第三标识信息确定为第一标识信息。
在该实施例中,第三标识信息可以为单词或者短语等形式的标签,用于表征目标回复信息中可能包含的含义。
可以理解的是,对于同一个目标回复信息,可以提取出一个或多个第三标识信息。
第三标识信息对应的概率值用于表征该第三标识信息与该目标回复信息所包含的核心含义之间的相似程度。
概率值越高,则表示该第三标识信息越接近该目标回复信息所包含的核心含义。
第三目标阈值为用于判断第三标识信息是否可以用来表征目标回复信息的评价标准。第三目标阈值可以基于用户自定义,如设置为80%或70%等。
在第三标识信息对应的概率值超过第三目标阈值的情况下,则可近似认为该第三标识信息可以用来表征目标回复信息所要表达的含义,则将该第三标识信息确定为第一标识信息。
在实际执行过程中,可以利用自然语言处理中的BERT模型添加分类层Softmax函数进行目标回复信息对应的第一标识信息的预测。
其中,BERT(Bidirectional Encoder Representation from Transformers)是一个预训练的语言表征模型,用于生成深度的双向语言表征。
Softmax函数,又称归一化指数函数,用于将多分类的结果以概率的形式展现出来。
具体网络结构如图2所示。其中,Wi表示目标回复信息这一文本对应的第i个字符,[CLS]和[SEP]为在目标回复信息这一文本的开头与结尾加上的特殊标识符,Ei为目标回复信息这一文本中第i个字符对应的初始化编码,Hi为第i个字符经过BERT模型之后的编码。
整个网络结构的核心思想是:首先利用BERT模型获取目标回复信息对应的特征表示,然后每一句目标回复信息对应的用户文本CLS位置的特征表示经过全连接层和Softmax函数得到全部标签类别对应的概率值,即得到第三标识信息及各个第三标识信息对应的概率值。
通过将概率值与第三目标阈值进行比较,如果该标签类别的概率值不低于预先设定的第三目标阈值,则表示该标签类别对应的概率值较大,则输出对应标签,该标签即为第一标识信息。
在一些实施例中,在第三标识信息对应的概率值低于第三目标阈值的情况下,则输出未知标签。
根据本发明实施例提供的自动应答模型的构建方法,通过对目标回复信息进行特征提取,并基于概率值筛选得到各目标回复信息对应的第一标识信息,提取精度高,且最终得到的第一标识信息的准确度高。
在一些实施例中,步骤120包括:
对第一标识信息进行筛选,生成第二标识信息的集合;
对第二标识信息对应的目标回复信息进行去重,生成第二标识信息对应的第一客户回复信息的集合,第一客户回复信息的集合中的各第一客户回复信息含义相同且说法不同;
基于第一客户回复信息的集合和第一客户回复信息对应的上文机器营销话术信息,从候选人工营销话术信息中,匹配得到第二标识信息对应的至少一个目标营销话术信息。
在该实施例中,第二标识信息为第一标识信息中,用户占比较高或与用户的关联性较强的标签。
第二标识信息的数量应不超过第一标识信息的数量。
在实际执行过程中,可以基于各第一标识信息对应的用户占比或各第一标识信息与用户之间的关联关系,以对第一标识信息进行筛选,选择用户占比较高和/或对用户影响较大的第一标识信息作为第二标识信息,生成包括多个第二标识信息的集合。
可以理解的是,每一类第二标识信息,均对应有至少一句目标回复信息,同一类第二标识信息所对应的目标回复信息,含义相同,但可能说法不同。
表2所示了两类第二标识信息,以及各类第二标识信息所对应的目标回复信息。
表2
在实际执行过程中,分别对每一类第二标识信息所对应的多个目标回复信息进行筛选,删除基本相似的说法,保留表达含义相同但说法存在较大差异的用户说法,确定为第一客户回复信息,每一类第二标识信息对应的多个第一客户回复信息构成该类第二标识信息对应的客户回复信息的集合。
在得到第一客户回复信息以后,基于第一客户回复信息匹配该第一客户回复信息所对应的上文机器营销话术信息。
可以理解的是,每一句第一客户回复信息均对应有至少一句上文机器营销话术信息。
在得到第一客户回复信息及其对应的上文机器营销话术信息后,基于第一客户回复信息与候选客户回复信息之间的相似度,以及第一客户回复信息对应的上文机器营销话术信息与候选客户回复信息对应的上文人工营销话术信息之间的相似度,从候选人工营销话术信息中匹配得到,与该第一客户回复信息关联性较高的候选人工营销话术信息,作为第二标识信息对应的目标营销话术信息。
需要说明的是,第二标识信息对应的目标营销话术信息可以为一个,或者也可以为多个。
在该实施例中,通过对第一标识信息以及目标回复信息进行预处理,可以有效降低后续数据处理过程中的数据量,从而提高数据处理的速率。
下面通过具体实施例,对本申请中相似度的确定过程进行具体说明。
在一些实施例中,步骤120中的、基于第一客户回复信息的集合和第一客户回复信息对应的上文机器营销话术信息,从候选人工营销话术信息中,匹配得到第二标识信息对应的至少一个目标营销话术信息,包括:
确定第一客户回复信息与各候选客户回复信息之间的第一相似度信息;
在第一相似度信息超过第一目标阈值的情况下,将第一相似度信息对应的候选客户回复信息确定为第二客户回复信息;
确定第一客户回复信息对应的上文机器营销话术信息和第二客户回复信息对应的上文人工营销话术信息的第二相似度信息;
在第二相似度信息超过第二目标阈值的情况下,将第二相似度信息对应的上文人工营销话术信息所对应的下文人工营销话术信息确定为目标营销话术信息。
在该实施例中,第一相似度信息用于表征第一客户回复信息与候选客户回复信息之间的相似程度。
第一目标阈值可以基于用户自定义,本申请不做限定。
第二客户回复信息为人工营销成功的情况下,与第一客户回复信息相似程度较高的客户回复信息。
在得到第一相似度信息后,比较第一相似度信息与第一目标阈值,在第一相似度信息超过第一目标阈值的情况下,则近似认为该第一相似度信息对应的第一客户回复信息与该候选客户回复信息之间的相似程度较高,则将该第一相似度信息对应的候选客户回复信息确定为第二客户回复信息。
可以理解的是,同一类第二标识信息可以对应有多个第一客户回复信息,每一个第一客户回复信息又可以对应有多个第二客户回复信息。
其中,第一客户回复信息与第二客户回复信息的说法相同或类似;在相同的应用场景下,二者表达的含义可能相同;但在不同的应用场景下,二者实际所表达的含义可能不同。
如表3所示了一种客户回复信息的说法相同,但实际所表达的含义不同的情况。
表3
在本申请的实施例中,在得到第二客户回复信息后,还可以对第二客户回复信息进行筛选,具体可以表现为:
确定第一客户回复信息对应的上文机器营销话术信息和第二客户回复信息对应的上文人工营销话术信息的第二相似度信息;
在第二相似度信息超过第二目标阈值的情况下,将第二相似度信息对应的上文人工营销话术信息所对应的下文人工营销话术信息确定为目标营销话术信息。
其中,第二相似度信息用于表征第一客户回复信息对应的上文机器营销话术信息与第二客户回复信息对应的上文人工营销话术信息之间的相似程度。
目标营销话术信息为人工营销成功的情况下,与第二客户回复信息对应的下文人工营销话术信息。
第二目标阈值可以基于用户自定义,本申请不做限定。
在得到第二相似度信息后,比较第二相似度信息与第二目标阈值,在第二相似度信息超过第二目标阈值的情况下,则近似认为该第二相似度信息对应的第一客户回复信息对应的上文机器营销话术与该第二客户回复信息对应的上文人工营销话术之间的相似程度较高,也即第一客户回复信息与第二客户回复信息之间的应用场景近似相同,则将该第二相似度信息对应的上文人工营销话术信息所对应的下文人工营销话术信息确定为目标营销话术信息。
最后,基于第二标识信息对应的目标回复信息及其上文机器营销话术信息挖掘得到人工营销成功情况下的用户相似说法,其及下文人工营销话术信息,并将其确定为第二标识信息对应的对应的目标营销话术信息。
下面通过具体实施例对第一相似度信息和第二相似度信息的生成步骤进行说明。
在一些实施例中,确定第一客户回复信息与各候选客户回复信息之间的第一相似度信息,包括:
对第一客户回复信息进行特征提取,生成第一特征向量编码和第一关键信息集合;
对候选客户回复信息进行特征提取,生成第一目标特征向量编码和第一目标关键信息集合;
基于第一特征向量编码、第一关键信息集合、第一目标特征向量编码和第一目标关键信息集合,确定第一客户回复信息与各候选客户回复信息之间的第一相似度信息。
在该实施例中,第一客户回复信息对应的第一特征向量编码为第一客户回复信息的文本字层面的特征向量编码;
第一客户回复信息对应的第一关键信息集合为表达第一客户回复信息的文本中句子关键信息或者语义片段的词。
在实际执行过程中,可以通过BERT模型对第一客户回复信息进行文本字层面的特征向量抽取,生成第一特征向量编码。
通过BERT+ATT模型对第一客户回复信息进行关键token抽取,生成第一关键信息集合。其中,Token的类别一般分为技能类、业务类、修饰类和句式类。
技能类,为表示业务相关的操作词,如查询、办理以及变更等;业务类,为领域内的具体业务对象,如流量、话费以及流量包等;修饰类,为业务产品所包含的属性,如具体金额、具体流量、超出、上个月、次月、主卡、副卡以及共享等;句式类,为表达句子的类别,如陈述以及疑问等。
例如,输入第一客户回复信息1:是不是让我办流量包呢,对应抽取的Token为:办理#流量包#疑问;输入第一客户回复信息2:你查一下我还有多少流量,对应抽取的Token为:查询#流量#疑问。
如图3所示,以第一客户回复信息为用户说法X为例,通过BERT模型对用户说法X进行文本字层面的特征向量抽取,生成第一特征向量编码Ex;通过BERT+ATT模型用户说法X进行关键token抽取,生成第一关键信息集合Tx。
根据同样的方法,可以对候选客户回复信息进行特征提取,生成候选客户回复信息对应的第一目标特征向量编码和第一目标关键信息集合,在此不做赘述。
其中,第一目标特征向量编码为候选客户回复信息的文本字层面的特征向量编码;
第一目标关键信息集合为表达候选客户回复信息的文本中句子关键信息或者语义片段的词。
在生成第一特征向量编码、第一关键信息集合、第一目标特征向量编码以及第一目标关键信息集合之后,基于第一特征向量编码和第一目标特征向量编码,可以生成第一客户回复信息与各候选客户回复信息在句子文本向量层面上的第一子相似度信息;基于第一关键信息集合和第一目标关键信息集合,可以生成第一客户回复信息与各候选客户回复信息在Token层面上的第二子相似度信息。
在实际执行过程中,可以通过公式:
生成第一子相似度信息,其中,Ex1为第一客户回复信息的第一特征向量编码,Ex2为候选客户回复信息的第一目标特征向量编码,Sim_vector(Ex1,Ex2)为第一子相似度信息。
可以理解的是,第一子相似度信息的值越小,说明相似度越小。
通过公式:
生成第二子相似度信息,其中,Tx1为第一客户回复信息的第一关键信息集合,Tx2为候选客户回复信息的第一目标关键信息集合,β为调和因子,β取值0到1之间,Levenshtein距离是指两个字串之间,由一个转成另一个所需的最少编辑操作次数,其中,len为关键token片段对应的字长,max为取最大值;Sim_token(Tx1,Tx2)为第二子相似度信息。
同样,第二子相似度信息的值越小,说明相似度越小。
通过对第一子相似度信息和第二子相似度信息进行加权融合算法计算,可以生成第一相似度信息。
在实际执行过程中,可以通过公式:
生成第一相似度信息,其中,X1为第一客户回复信息,X2为候选客户回复信息,S(X1,X2)为向量度量和关键token度量加权融合得分,即第一相似度信息,α为调和因子,α取值0到1之间。
需要说明的是,在对第一子相似度信息和第二子相似度信息进行加权融合算法计算,第一子相似度和第二子相似度的权重α可以基于用户自定义,或者采用默认值,或者还可以在后续计算过程中不断优化得到。
例如,在初始计算时,可以将权重值设为1:1,在后续训练过程中,基于句子文本向量层面以及Token层面的重要程度,或者基于所输出的结果,对上一次训练所采用的权重值进行不断优化调整,最终确定最佳的权重值。
在一些实施例中,确定第一客户回复信息对应的上文机器营销话术信息和第二客户回复信息对应的上文人工营销话术信息的第二相似度信息,包括:
对第一客户回复信息对应的上文机器营销话术信息进行特征提取,生成第二特征向量编码和第二关键信息集合;
对第二客户回复信息对应的上文人工营销话术信息进行特征提取,生成第二目标特征向量编码和第二目标关键信息集合;
基于第二特征向量编码、第二关键信息集合、第二目标特征向量编码和第二目标关键信息集合,确定上文机器营销话术信息和上文人工营销话术信息的第二相似度信息。
在该实施例中,对第一客户回复信息对应的上文机器营销话术信息进行特征提取,生成上文机器营销话术信息对应的第二特征向量编码和第二关键信息集合;对第二客户回复信息对应的上文人工营销话术信息进行特征提取,生成上文人工营销话术信息对应的第二目标特征向量编码和第二目标关键信息集合。
其中,第二特征向量编码为第一客户回复信息对应的上文机器营销话术信息的文本字层面的特征向量编码;
第二关键信息集合为表达第一客户回复信息对应的上文机器营销话术信息的文本中句子关键信息或者语义片段的词。
第二目标特征向量编码为第二客户回复信息对应的上文人工营销话术信息的文本字层面的特征向量编码;
第二目标关键信息集合维表达第二客户回复信息对应的上文人工营销话术信息的文本中句子关键信息或者语义片段的词。
具体特征提取方法与上述实施例相同,可以采用BERT模型和BERT+ATT模型实现,在此不做赘述。
在生成第二特征向量编码、第二关键信息集合、第二目标特征向量编码和第二目标关键信息集合后,基于第二特征向量编码和第二目标特征向量编码,可以生成第一客户回复信息对应的上文机器营销话术信息与各第二客户回复信息对应的上文人工营销话术信息在句子文本向量层面上的第三子相似度信息;基于第二关键信息集合和第二目标关键信息集合,可以生成第一客户回复信息对应的上文机器营销话术信息与各第二客户回复信息对应的上文人工营销话术信息在Token层面上的第四子相似度信息。
第三子相似度和第四子相似度的计算方法与上述实施例相同,在此不做赘述。
通过对第三子相似度信息和第四子相似度信息进行加权融合算法计算,可以生成第二相似度信息。
第二相似度信息的计算方法与上述实施例相同,在此不做赘述。
需要说明的是,在对第三子相似度信息和第四子相似度信息进行加权融合算法计算,第三子相似度和第四子相似度的权重可以基于用户自定义,或者采用默认值,或者还可以在后续计算过程中不断优化得到。
根据本发明实施例提供的自动应答模型的构建方法,通过第一相似度确定与目标回复信息相似的候选客户回复信息,通过第二相似度从这些候选客户回复信息对应的上文人工营销话术信息中确定与目标回复信息对应的上文机器营销话术信息相似的上文人工营销话术信息,能够确保得到的相似用户说法其对应的上文营销场景与策略也基本一致;在此基础上,建立客户回复信息与上文营销话术信息均相似的目标回复信息与候选回复信息对应的下文人工营销话术信息之间基于第二标识信息的关联关系,有效提高了结果的精确性与准确性。
如图4所示,根据本发明的一些实施例,在步骤120之后,该方法还包括:
对目标营销话术信息进行特征提取,生成目标营销话术信息对应的多个类型标签;
基于目标话术结构化分类体系,对多个类型标签进行结构化处理,生成目标营销话术信息对应的结构化分类标签;
基于结构化分类标签,生成目标回复信息对应的目标营销策略。
在该实施例中,类型标签可以为目标营销话术信息中的关键词或短语,用于表征目标营销话术信息的核心含义。
表4所示了几种目标回复信息及其对应的类型标签的对应表。
如表4所示,对于目标营销话术信息1,可以生成其对应的多个类型标签,如流量溢出贵、营销活动划算、流量使用场景介绍以及先体验等。
然后基于目标话术结构化分类体系,对多个类型标签进行结构化处理,生成各类型标签之间的先后顺序以及逻辑关系,从而生成结构化分类标签。
在实际执行过程中,可以采用预定义好的话术结构化分类体系,基于自然语言处理中的BERT+ATT模型,利用滑动窗口思想,将每个第二标识信息对应的目标营销话术信息中的每一句内容归属到一个类别,进而得到每一个目标营销话术信息结构化之后对应的多个类型标签。
在生成结构化分类标签后,基于结构化分类标签,即可生成目标回复信息对应的目标营销策略。
可以理解的是,每一个目标营销话术信息对应有多个结构化分类标签。
在此基础上,对每一个目标营销话术信息对应多个结构化分类标签进行归纳统计,进而可以得到不同营销话术对应的具体策略。
表4
例如策略1:比价#先体验;策略2:流量溢出贵#营销活动划算,每个策略还拥有多样化的话术内容。
此外,针对挖掘得到的每一个目标营销话术信息,结合其上下文多轮交互记录信息,对营销路径进行总结分析,不仅可以得到当前未成功营销的第二标识信息对应的优秀营销策略及话术内容,还可以得到其对应的组合式营销策略及话术内容。
在本申请中,基于机器未成功营销用户的历史交互数据能够挖掘金牌坐席人员优秀的营销话术及营销策略,在后续将其应用到机器外呼营销场景的流程和话术优化过程中,不仅可以提升用户交互体验,还能够提升机器营销转化率,增加营收。
根据本发明实施例提供的自动应答模型的构建方法,通过对目标营销话术信息进行特征提取生成结构化分类标签,基于结构化分类标签生成目标营销策略,实现在对优秀营销话术挖掘的基础上,还能进一步对优秀营销策略进行挖掘,使得不仅可以得到当前未成功营销的用户回复信息的第一标识信息对应的优秀营销策略及优秀营销话术信息,还能够得到对应的组合式营销策略及话术内容,从而有助于发现人工经验和脑洞难以想到的新策略,有效解决营销策略发现难、话术优化缺乏针对性以及营销不够灵活等问题。
下面对本发明提供的自动应答模型的构建装置进行描述,下文描述的自动应答模型的构建装置与上文描述的自动应答模型的构建方法可相互对应参照。
如图6所示,该自动应答模型的构建装置,包括:第一生成模块610和第一确定模块620。
第一生成模块610,用于对目标回复信息进行特征提取,生成目标回复信息对应的第一标识信息,目标回复信息为在机器营销失败的情况下的客户回复信息;
第一确定模块620,用于基于第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息,候选客户回复信息为在人工营销成功的情况下的全部的客户回复信息。
根据本发明实施例提供的自动应答模型的构建装置,通过对机器营销失败的情况下的目标回复信息进行特征提取,以生成目标回复信息对应的第一标识信息,并基于第一标识信息,从人工营销成功的情况下的客户回复信息所对应的候选人工营销话术信息中确定至少一个目标营销话术信息,从而可以建立第一标识信息与目标营销话术信息之间的关联关系,有助于后续应用过程中,能基于客户回复信息快速匹配对应的营销话术信息,从而提高营销转化率。
在一些实施例中,第一确定模块620,还用于:
对第一标识信息进行筛选,生成第二标识信息的集合;
对第二标识信息对应的目标回复信息进行去重,生成第二标识信息对应的第一客户回复信息的集合,第一客户回复信息的集合中的各第一客户回复信息含义相同且说法不同;
基于第一客户回复信息的集合和第一客户回复信息对应的上文机器营销话术信息,从候选人工营销话术信息中,匹配得到第二标识信息对应的至少一个目标营销话术信息。
在一些实施例中,第一确定模块620,还用于:
确定第一客户回复信息与各候选客户回复信息之间的第一相似度信息;
在第一相似度信息超过第一目标阈值的情况下,将第一相似度信息对应的候选客户回复信息确定为第二客户回复信息;
确定第一客户回复信息对应的上文机器营销话术信息和第二客户回复信息对应的上文人工营销话术信息的第二相似度信息;
在第二相似度信息超过第二目标阈值的情况下,将第二相似度信息对应的上文人工营销话术信息所对应的下文人工营销话术信息确定为目标营销话术信息。
在一些实施例中,第一确定模块620,还用于:
对第一客户回复信息进行特征提取,生成第一特征向量编码和第一关键信息集合;
对候选客户回复信息进行特征提取,生成第一目标特征向量编码和第一目标关键信息集合;
基于第一特征向量编码、第一关键信息集合、第一目标特征向量编码和第一目标关键信息集合,确定第一客户回复信息与各候选客户回复信息之间的第一相似度信息。
在一些实施例中,第一确定模块620,还用于:
对第一客户回复信息对应的上文机器营销话术信息进行特征提取,生成第二特征向量编码和第二关键信息集合;
对第二客户回复信息对应的上文人工营销话术信息进行特征提取,生成第二目标特征向量编码和第二目标关键信息集合;
基于第二特征向量编码、第二关键信息集合、第二目标特征向量编码和第二目标关键信息集合,确定上文机器营销话术信息和上文人工营销话术信息的第二相似度信息。
在一些实施例中,第一生成模块610,还用于
对目标回复信息进行特征提取,生成第三标识信息及各个第三标识信息对应的概率值;
在概率值超过第三目标阈值的情况下,将概率值对应的第三标识信息确定为第一标识信息。
在一些实施例中,该装置还包括:
第四生成模块,用于在基于第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息之后,对目标营销话术信息进行特征提取,生成目标营销话术信息对应的多个类型标签;
第五生成模块,用于基于目标话术结构化分类体系,对多个类型标签进行结构化处理,生成目标营销话术信息对应的结构化分类标签;
第六生成模块,用于基于结构化分类标签,生成目标回复信息对应的目标营销策略。
下面对本发明提供的自动应答方法进行描述,下文描述的自动应答方法与上文描述的自动应答模型的构建方法可相互对应参照。
需要说明的是,该自动应答方法的执行主体可以为自动应答装置,或者为服务器,或者还可以为用户的终端,如手机或电脑等。
如图5所示,该自动应答方法,包括:步骤510、步骤520和步骤530。
步骤510、获取待应答客户回复信息;
在该步骤中,待应答客户回复信息为在机器营销过程中,实时采集的客户回复信息。
步骤520、对待应答客户回复信息进行特征提取,生成待应答客户回复信息对应的目标标识信息;
在该步骤中,目标标识信息可以为单词或者短语等形式的标签,用于表征待应答客户回复信息的核心含义
在获取到实时的待应答客户回复信息后,可以先对待应答客户回复信息进行特征提取,生成多个待选标识信息以及各待选标识信息对应的概率值;然后基于概率值,将概率值较高的待选标识信息确定为目标标识信息。
具体实现方式与上述实施例相同,例如可以利用自然语言处理中的BERT模型添加分类层Softmax函数进行待应答客户回复信息对应的目标标识信息的预测,在此不做赘述。
步骤530、将目标标识信息输入至由如上所述的自动应答模型的构建方法生成的自动应答模型,生成目标应答信息。
在该步骤中,自动应答模型为通过自动应答模型的构建方法生成的模型,用于基于目标标识信息生成该目标标识信息对应的目标应答信息。
其中,目标应答信息为在人工营销成功的情况下,与目标应答信息相似的客户回复信息所对应的下文人工营销话术信息。
将由步骤520生成的目标标识信息输入至自动应答模型,即可匹配得到与目标标识信息对应的目标应答信息。
根据本发明实施例提供的自动应答方法,通过对机器营销情况下的待应答客户回复信息进行特征提取生成目标标识信息,然后基于自动应答模型对目标标识信息进行匹配,匹配得到与目标标识信息对应的在人工营销成功的情况下的下文人工营销话术信息,从而能够基于客户的实时回复信息生成最佳的营销话术,匹配速率快且匹配结果的准确度高,有助于提高机器营销的转化率。
下面对本发明提供的自动应答装置进行描述,下文描述的自动应答装置与上文描述的自动应答方法可相互对应参照。
如7所示,该自动应答装置,包括:获取模块710、第二生成模块720和第三生成模块730。
获取模块710,用于获取待应答客户回复信息;
第二生成模块720,用于对待应答客户回复信息进行特征提取,生成待应答客户回复信息对应的目标标识信息;
第三生成模块730,用于将目标标识信息输入至由如上所述任一项的自动应答模型的构建方法生成的自动应答模型,生成目标应答信息。
根据本发明实施例提供的自动应答装置,通过对机器营销情况下的待应答客户回复信息进行特征提取生成目标标识信息,然后基于自动应答模型对目标标识信息进行匹配,匹配得到与目标标识信息对应的在人工营销成功的情况下的下文人工营销话术信息,从而能够基于客户的实时回复信息生成最佳的营销话术,匹配速率快且匹配结果的准确度高,有助于提高机器营销的转化率。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行自动应答模型的构建方法,该方法包括:对目标回复信息进行特征提取,生成所述目标回复信息对应的第一标识信息,所述目标回复信息为在机器营销失败的情况下的客户回复信息;基于所述第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息,所述候选客户回复信息为在人工营销成功的情况下的全部的客户回复信息;或者,执行自动应答方法,该方法包括:获取待应答客户回复信息;对所述待应答客户回复信息进行特征提取,生成所述待应答客户回复信息对应的目标标识信息;将所述目标标识信息输入至由如上所述的自动应答模型的构建方法生成的自动应答模型,生成目标应答信息。
此外,上述的存储器830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存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的自动应答模型的构建方法,该方法包括:对目标回复信息进行特征提取,生成所述目标回复信息对应的第一标识信息,所述目标回复信息为在机器营销失败的情况下的客户回复信息;基于所述第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息,所述候选客户回复信息为在人工营销成功的情况下的全部的客户回复信息;或者,执行自动应答方法,该方法包括:获取待应答客户回复信息;对所述待应答客户回复信息进行特征提取,生成所述待应答客户回复信息对应的目标标识信息;将所述目标标识信息输入至由如上所述的自动应答模型的构建方法生成的自动应答模型,生成目标应答信息。
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提供的自动应答模型的构建方法,该方法包括:对目标回复信息进行特征提取,生成所述目标回复信息对应的第一标识信息,所述目标回复信息为在机器营销失败的情况下的客户回复信息;基于所述第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息,所述候选客户回复信息为在人工营销成功的情况下的全部的客户回复信息;或者,执行自动应答方法,该方法包括:获取待应答客户回复信息;对所述待应答客户回复信息进行特征提取,生成所述待应答客户回复信息对应的目标标识信息;将所述目标标识信息输入至由如上所述的自动应答模型的构建方法生成的自动应答模型,生成目标应答信息。
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 (12)
1.一种自动应答模型的构建方法,其特征在于,包括:
对目标回复信息进行特征提取,生成所述目标回复信息对应的第一标识信息,所述目标回复信息为在机器营销失败的情况下的客户回复信息;
基于所述第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息,所述候选客户回复信息为在人工营销成功的情况下的全部的客户回复信息。
2.根据权利要求1所述的自动应答模型的构建方法,其特征在于,所述基于所述第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息,包括:
对所述第一标识信息进行筛选,生成第二标识信息的集合;
对所述第二标识信息对应的目标回复信息进行去重,生成所述第二标识信息对应的第一客户回复信息的集合,所述第一客户回复信息的集合中的各所述第一客户回复信息含义相同且说法不同;
基于所述第一客户回复信息的集合和所述第一客户回复信息对应的上文机器营销话术信息,从所述候选人工营销话术信息中,匹配得到所述第二标识信息对应的至少一个目标营销话术信息。
3.根据权利要求2所述的自动应答模型的构建方法,其特征在于,所述基于所述第一客户回复信息的集合和所述第一客户回复信息对应的上文机器营销话术信息,从所述候选人工营销话术信息中,匹配得到所述第二标识信息对应的至少一个目标营销话术信息,包括:
确定所述第一客户回复信息与各所述候选客户回复信息之间的第一相似度信息;
在所述第一相似度信息超过第一目标阈值的情况下,将所述第一相似度信息对应的候选客户回复信息确定为第二客户回复信息;
确定所述第一客户回复信息对应的上文机器营销话术信息和所述第二客户回复信息对应的上文人工营销话术信息的第二相似度信息;
在所述第二相似度信息超过第二目标阈值的情况下,将所述第二相似度信息对应的上文人工营销话术信息所对应的下文人工营销话术信息确定为所述目标营销话术信息。
4.根据权利要求3所述的自动应答模型的构建方法,其特征在于,
所述确定所述第一客户回复信息与各所述候选客户回复信息之间的第一相似度信息,包括:
对所述第一客户回复信息进行特征提取,生成第一特征向量编码和第一关键信息集合;
对所述候选客户回复信息进行特征提取,生成第一目标特征向量编码和第一目标关键信息集合;
基于所述第一特征向量编码、所述第一关键信息集合、所述第一目标特征向量编码和所述第一目标关键信息集合,确定所述第一客户回复信息与各所述候选客户回复信息之间的第一相似度信息;
和/或,
所述确定所述第一客户回复信息对应的上文机器营销话术信息和所述第二客户回复信息对应的上文人工营销话术信息的第二相似度信息,包括:
对所述第一客户回复信息对应的上文机器营销话术信息进行特征提取,生成第二特征向量编码和第二关键信息集合;
对所述第二客户回复信息对应的上文人工营销话术信息进行特征提取,生成第二目标特征向量编码和第二目标关键信息集合;
基于所述第二特征向量编码、所述第二关键信息集合、所述第二目标特征向量编码和所述第二目标关键信息集合,确定所述上文机器营销话术信息和所述上文人工营销话术信息的第二相似度信息。
5.根据权利要求1-4任一项所述的自动应答模型的构建方法,其特征在于,所述对目标回复信息进行特征提取,生成所述目标回复信息对应的第一标识信息,包括:
对所述目标回复信息进行特征提取,生成第三标识信息及各个所述第三标识信息对应的概率值;
在所述概率值超过第三目标阈值的情况下,将所述概率值对应的第三标识信息确定为所述第一标识信息。
6.根据权利要求1-4任一项所述的自动应答模型的构建方法,其特征在于,在所述基于所述第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息之后,所述方法还包括:
对所述目标营销话术信息进行特征提取,生成所述目标营销话术信息对应的多个类型标签;
基于目标话术结构化分类体系,对所述多个类型标签进行结构化处理,生成所述目标营销话术信息对应的结构化分类标签;
基于所述结构化分类标签,生成所述目标回复信息对应的目标营销策略。
7.一种自动应答方法,其特征在于,包括:
获取待应答客户回复信息;
对所述待应答客户回复信息进行特征提取,生成所述待应答客户回复信息对应的目标标识信息;
将所述目标标识信息输入至由如权利要求1-5中任一项所述的自动应答模型的构建方法生成的自动应答模型,生成目标应答信息。
8.一种自动应答模型的构建装置,其特征在于,包括:
第一生成模块,用于对目标回复信息进行特征提取,生成所述目标回复信息对应的第一标识信息,所述目标回复信息为在机器营销失败的情况下的客户回复信息;
第一确定模块,用于基于所述第一标识信息,从候选客户回复信息对应的候选人工营销话术信息中确定至少一个目标营销话术信息,所述候选客户回复信息为在人工营销成功的情况下的全部的客户回复信息。
9.一种自动应答装置,其特征在于,包括:
获取模块,用于获取待应答客户回复信息;
第二生成模块,用于对所述待应答客户回复信息进行特征提取,生成所述待应答客户回复信息对应的目标标识信息;
第三生成模块,用于将所述目标标识信息输入至由如权利要求1-5中任一项所述的自动应答模型的构建方法生成的自动应答模型,生成目标应答信息。
10.一种电子设备,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6任一项所述自动应答模型的构建方法的步骤或如权利要求7所述的自动应答方法的步骤。
11.一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6任一项所述自动应答模型的构建方法的步骤或如权利要求7所述的自动应答方法的步骤。
12.一种计算机程序产品,包括计算机程序,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任一项所述自动应答模型的构建方法的步骤或如权利要求7所述的自动应答方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111477784.3A CN114254088A (zh) | 2021-12-06 | 2021-12-06 | 自动应答模型的构建方法和自动应答方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111477784.3A CN114254088A (zh) | 2021-12-06 | 2021-12-06 | 自动应答模型的构建方法和自动应答方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114254088A true CN114254088A (zh) | 2022-03-29 |
Family
ID=80791689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111477784.3A Pending CN114254088A (zh) | 2021-12-06 | 2021-12-06 | 自动应答模型的构建方法和自动应答方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114254088A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115563262A (zh) * | 2022-11-10 | 2023-01-03 | 深圳市人马互动科技有限公司 | 机器语音外呼场景中对话数据的处理方法及相关装置 |
-
2021
- 2021-12-06 CN CN202111477784.3A patent/CN114254088A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115563262A (zh) * | 2022-11-10 | 2023-01-03 | 深圳市人马互动科技有限公司 | 机器语音外呼场景中对话数据的处理方法及相关装置 |
CN115563262B (zh) * | 2022-11-10 | 2023-03-24 | 深圳市人马互动科技有限公司 | 机器语音外呼场景中对话数据的处理方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10991366B2 (en) | Method of processing dialogue query priority based on dialog act information dependent on number of empty slots of the query | |
CN104598445B (zh) | 自动问答***和方法 | |
CN111276148A (zh) | 基于卷积神经网络的回访方法、***及存储介质 | |
CN113360622A (zh) | 用户对话信息的处理方法、装置及计算机设备 | |
CN109003600B (zh) | 消息处理方法及装置 | |
CN113297365B (zh) | 一种用户意向判定方法、装置、设备及存储介质 | |
CN111753090A (zh) | 基于rpa及ai的文档审核方法、装置、设备及介质 | |
CN112235470B (zh) | 基于语音识别的来电客户跟进方法、装置及设备 | |
CN113239204A (zh) | 文本分类方法及装置、电子设备、计算机可读存储介质 | |
CN110750626B (zh) | 一种基于场景的任务驱动的多轮对话方法及*** | |
CN110428816A (zh) | 一种语音细胞库训练和分享的方法及装置 | |
CN114254088A (zh) | 自动应答模型的构建方法和自动应答方法 | |
CN113486166A (zh) | 智能客服机器人的构建方法、装置、设备以及存储介质 | |
CN112860873A (zh) | 智能应答方法、装置及存储介质 | |
CN110580899A (zh) | 语音识别方法及装置、存储介质、计算设备 | |
CN111464687A (zh) | 一种陌生呼叫请求的处理方法及装置 | |
CN113010664B (zh) | 一种数据处理方法、装置及计算机设备 | |
CN113111157B (zh) | 问答处理方法、装置、计算机设备和存储介质 | |
CN111818290B (zh) | 一种在线访谈的方法及*** | |
CN114356982A (zh) | 营销合规性检查方法、装置、计算机设备及存储介质 | |
CN111683174B (zh) | 来电处理方法、装置及*** | |
CN110399462B (zh) | 一种信息的查询方法及装置 | |
CN117131183B (zh) | 一种基于会话模拟的客服自动回复方法及*** | |
CN113254595B (zh) | 闲聊识别方法、装置、电子设备及存储介质 | |
CN114997727A (zh) | 一种客服会话的评估方法及装置 |
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 |