CN115119017B - 基于人工智能的医疗健康保险推荐及管理方法和*** - Google Patents

基于人工智能的医疗健康保险推荐及管理方法和*** Download PDF

Info

Publication number
CN115119017B
CN115119017B CN202210533377.8A CN202210533377A CN115119017B CN 115119017 B CN115119017 B CN 115119017B CN 202210533377 A CN202210533377 A CN 202210533377A CN 115119017 B CN115119017 B CN 115119017B
Authority
CN
China
Prior art keywords
barrage
time
user
history
real
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.)
Active
Application number
CN202210533377.8A
Other languages
English (en)
Other versions
CN115119017A (zh
Inventor
张春贵
李益非
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Nanyan Information Technology Co ltd
Original Assignee
Shanghai Nanyan Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Nanyan Information Technology Co ltd filed Critical Shanghai Nanyan Information Technology Co ltd
Priority to CN202210533377.8A priority Critical patent/CN115119017B/zh
Publication of CN115119017A publication Critical patent/CN115119017A/zh
Application granted granted Critical
Publication of CN115119017B publication Critical patent/CN115119017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/235—Processing of additional data, e.g. scrambling of additional data or processing content descriptors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/21—Server components or server architectures
    • H04N21/218—Source of audio or video content, e.g. local disk arrays
    • H04N21/2187—Live feed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/431—Generation of visual interfaces for content selection or interaction; Content or additional data rendering
    • H04N21/4312—Generation of visual interfaces for content selection or interaction; Content or additional data rendering involving specific graphical features, e.g. screen layout, special fonts or colors, blinking icons, highlights or animations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
    • H04N21/47815—Electronic shopping

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Technology Law (AREA)
  • Human Computer Interaction (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Acoustics & Sound (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明实施例提供一种基于人工智能的医疗健康保险推荐及管理方法和***，旨在提高直播间的保险产品推荐效率。其中，推荐和管理方法应用于直播服务器，包括：获取保险推荐直播间中主播员的实时语音数据，并对所述实时语音数据进行语音识别，获得语音识别结果；将所述语音识别结果与多条实时弹幕进行匹配，匹配出所述语音识别结果对应的目标实时弹幕；将所述目标实时弹幕与多条携带离线标识的历史弹幕进行对比，确定出与所述目标实时弹幕相似的目标历史弹幕；其中，所述离线标识用于表征发布该条历史弹幕的用户当前已经离开所述保险推荐直播间；将所述目标实时弹幕和所述语音识别结果推送给发布所述目标历史弹幕的用户。

Description

基于人工智能的医疗健康保险推荐及管理方法和***
技术领域
本发明涉及保险推荐领域，特别是涉及一种基于人工智能的医疗健康保险推荐及管理方法和***。
背景技术
随着互联网技术和移动通信技术的发展，通过直播间进行商品销售进行成为一种重要的营销方式。以保险售卖为例，直播员在直播间一边查看用户发送的直播弹幕，一边根据弹幕中反映的用户情况为用户个性化地推荐保险产品。然而在很多情况下，直播间的在线用户量和弹幕量很大，而主播数量通常只有一个或两个，主播难以针对每条弹幕进行回复，因此导致很多用户难以通过发送弹幕的方式获得保险产品推荐信息。
发明内容
本发明实施例的目的在于提供一种基于人工智能的医疗健康保险推荐及管理方法和***，旨在提高直播间的保险产品推荐效率，具体技术方案如下：
在本发明实施例的第一方面，提供一种基于人工智能的医疗健康保险推荐及管理方法，所述方法应用于直播服务器，所述方法包括：
获取保险推荐直播间中主播员的实时语音数据，并对所述实时语音数据进行语音识别，获得语音识别结果；
将所述语音识别结果与多条实时弹幕进行匹配，匹配出所述语音识别结果对应的目标实时弹幕；
将所述目标实时弹幕与多条携带离线标识的历史弹幕进行对比，确定出与所述目标实时弹幕相似的目标历史弹幕；其中，所述离线标识用于表征发布该条历史弹幕的用户当前已经离开所述保险推荐直播间；
将所述目标实时弹幕和所述语音识别结果推送给发布所述目标历史弹幕的用户。
在本发明实施例的第二方面，提供一种基于人工智能的医疗健康保险推荐及管理***，所述***应用于直播服务器，所述***包括：
语音识别模块，用于获取保险推荐直播间中主播员的实时语音数据，并对所述实时语音数据进行语音识别，获得语音识别结果；
弹幕匹配模块，用于将所述语音识别结果与多条实时弹幕进行匹配，匹配出所述语音识别结果对应的目标实时弹幕；
弹幕对比模块，用于将所述目标实时弹幕与多条携带离线标识的历史弹幕进行对比，确定出与所述目标实时弹幕相似的目标历史弹幕；其中，所述离线标识用于表征发布该条历史弹幕的用户当前已经离开所述保险推荐直播间；
结果推送模块，用于将所述目标实时弹幕和所述语音识别结果推送给发布所述目标历史弹幕的用户。
本发明中，直播服务器通过记录已离开直播间的用户所发布的历史弹幕，在获得主播员的实时语音数据的语音识别结果后，通过匹配该语音识别结果对应的目标实时弹幕，并确定与该目标实时弹幕相似的历史弹幕，从而可以将该语音识别结果作为历史弹幕的回复，最后将该语音识别结果推送给发布历史弹幕的用户，从而使得用户在离开保险推荐直播间后，还可以获得直播员针对相似弹幕的回复，从而可以有效提高直播间的保险产品推荐效率。
附图说明
为了更清楚地说明本发明实施例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简单地介绍。显而易见地，以下描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员而言，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附图。
图1是本申请一实施例提出的医疗健康保险推荐及管理方法的流程示意图；
图2是本申请一实施例提出的医疗健康保险推荐及管理***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
随着互联网技术和移动通信技术的发展，通过直播间进行商品销售进行成为一种重要的营销方式。以保险售卖为例，直播员在直播间一边查看用户发送的直播弹幕，一边根据弹幕中反映的用户情况为用户个性化地推荐保险产品。然而在很多情况下，直播间的在线用户量和弹幕量很大，而主播数量通常只有一个或两个，主播难以针对每条弹幕进行回复，因此导致很多用户难以通过发送弹幕的方式获得保险产品推荐信息。
提高直播间的保险产品推荐效率，本申请提供一种基于人工智能的医疗健康保险推荐及管理方法和***。参考图1，图1是本申请一实施例提出的医疗健康保险推荐及管理方法的流程示意图，该方法应用于直播服务器。如图1所示，该方法包括以下步骤：
S110：获取保险推荐直播间中主播员的实时语音数据，并对实时语音数据进行语音识别，获得语音识别结果。
其中，实时语音数据是指主播员当前的语音数据。获得当前的语音数据后，可以通过现有的语音识别技术对语音数据进行语音识别，从而获得语义识别结果。本申请中，语音识别结果可以是文本形式。
S120：将语音识别结果与多条实时弹幕进行匹配，匹配出语音识别结果对应的目标实时弹幕。
其中，实时弹幕是指正在用户终端屏幕(即观众的直播APP页面)上显示的弹幕。在将语音识别结果与实时弹幕进行匹配时，可以检测语音识别结果中是否包含实时弹幕的发布用户的用户名，或者是否包含实时弹幕本身，如果包含，则确定语音识别结果与实时弹幕匹配。为便于理解，示例地，假设当前用户终端屏幕上显示的弹幕有10条，其中第6条弹幕为“风轻云淡：请问6周岁的儿童适合买什么保险？”。该条弹幕中，“风轻云淡”是发布用户的用户名，“请问6周岁的儿童适合买什么保险”是实时弹幕本身。如果语音识别结果为“风轻云淡小姐姐您好，6周岁的儿童可以买儿童意外险，也可以买儿童医保”。通过与10条实时弹幕一一匹配，由于语音识别结果中包含了第6条弹幕的发布用户的用户名，因此将第6条弹幕确定为目标实时弹幕。
S130：将目标实时弹幕与多条携带离线标识的历史弹幕进行对比，确定出与目标实时弹幕相似的目标历史弹幕；其中，离线标识用于表征发布该条历史弹幕的用户当前已经离开保险推荐直播间。
在一些实施例中，在将目标实时弹幕与多条携带离线标识的历史弹幕进行对比时，具体可以执行以下子步骤：
S130-1：基于词向量生成模型，生成目标实时弹幕的词向量。
S130-2：将目标实时弹幕的词向量与多条携带离线标识的历史弹幕各自的词向量进行对比，确定目标实时弹幕的词向量与每条历史弹幕的词向量的相似度。其中，每条历史弹幕的词向量是基于词向量生成模型生成的。
S130-3：将相似度大于第一预设阈值的历史弹幕确定为目标实时弹幕。
在一些实施例中，可以将目标实时弹幕输入现有的词向量生成模型(例如word2vec)，从而获得词向量生成模型输出的词向量。
在一些实施例中，在将目标实时弹幕的词向量与每条历史弹幕的词向量进行对比时，可以计算目标实时弹幕的词向量与历史弹幕的词向量之间的欧式距离，然后对欧式距离进行归一化处理，得到大于等于0且小于等于1的归一化结果，最后利用1减去归一化结果，得到目标实时弹幕的词向量与目标实时弹幕的词向量的相似度。
本申请中，通过计算目标实时弹幕与目标实时弹幕的相似度，并将相似度大于第一预设阈值的历史弹幕作为目标历史弹幕。如此，可以从多条历史弹幕中确定出与目标实时弹幕很相似的历史弹幕，即目标历史弹幕。由于目标历史弹幕与目标实时弹幕很相似，因此目标历史弹幕的语义与目标实时弹幕的语义也很可能相似，所以目标历史弹幕的发布者所关注的问题与目标实时弹幕的发布者所关注的问题也很可能相似。
S140：将所目标实时弹幕和语音识别结果推送给发布目标历史弹幕的用户。
在一些实施例中，可以通过客户端***消息的方式，或者通过陌生人消息的方式，将目标实时弹幕和语音识别结果推送给已经离开保险推荐直播间的用户。需要说明的是，本申请对于目标实时弹幕和语音识别结果的具体发送方式不做限定。
如前所述，目标历史弹幕的发布者所关注的问题与目标实时弹幕的发布者所关注的问题很可能相似，因此通过将目标实时弹幕和语音识别结果推送给发布目标历史弹幕的用户，从而使得用户可以从目标实时弹幕和语音识别结果中获得自己关注的内容，有利于提高直播间的保险产品推荐效率。
在一些实施例中，每个用户分别对应不同的第一预设阈值。本申请还可以根据每个用户离开保险推荐直播间的离开时间和每个用户被推送语音识别结果的次数，更新所述第一预设阈值。其中，所述第一预设阈值的大小与离开时间长短和被推送次数呈正相关。换言之，用户离开保险推荐直播间的时间越久，且用户被推送语音识别结果的次数越多，则第一预设阈值越大。
本申请中，随着用户离开保险推荐直播间越来越久，第一预设阈值逐渐增大。如此，只有当目标实时弹幕和用户的历史弹幕特别相似，以致于相似度大于第一预设阈值，才会将该历史弹幕确定为目标历史弹幕，并向该用户推送语音识别结果。
为便于理解，假设在用户离开保险推荐直播间后的第15分钟，第一预设阈值等于0.75，此时如果一个目标实时弹幕和用户的历史弹幕的相似度等于0.79，则由于相似度大于此时的第一预设阈值0.75，因此会将该历史弹幕确定为目标历史弹幕，并向该用户推送语音识别结果。又假设在用户离开保险推荐直播间后的第24分钟，第一预设阈值等于0.85，此时如果一个目标实时弹幕和用户的历史弹幕的相似度等于0.81，则由于相似度小于此时的第一预设阈值0.85，因此不会将该历史弹幕确定为目标历史弹幕，也不会向该用户推送语音识别结果。
需要说明的是，本申请中，随着用户离开保险推荐直播间的时间推移，用户很可能会越来越不关心其在直播间中询问的问题，因此随着时间推移，会逐渐增大第一预设阈值，从而使得向用户推送语音识别结果的难度越来越大，除非是目标实时弹幕与历史弹幕特别相似的情况。
本申请中，随着用户被推送语音识别结果的次数越来越多，第一预设阈值逐渐增大。如此，只有当目标实时弹幕和用户的历史弹幕特别相似，以致于相似度大于第一预设阈值，才会将该历史弹幕确定为目标历史弹幕，并向该用户推送语音识别结果。
为便于理解，假设在用户当前还没有被推送过语音识别结果，第一预设阈值等于0.70，此时如果一个目标实时弹幕和用户的历史弹幕的相似度等于0.72，则由于相似度大于此时的第一预设阈值0.70，因此会将该历史弹幕确定为目标历史弹幕，并向该用户推送语音识别结果。又假设在用户当前已经被推送过一次语音识别结果，第一预设阈值等于0.80，此时如果一个目标实时弹幕和用户的历史弹幕的相似度等于0.76，则由于相似度小于此时的第一预设阈值0.80，因此不会将该历史弹幕确定为目标历史弹幕，也不会向该用户推送语音识别结果。
需要说明的是，本申请中，随着用户被推送语音识别结果的次数越来越多，用户后续只希望收到与历史弹幕更相关的主播回复(即语音识别结果)。因此随着被推送次数增加，会逐渐增大第一预设阈值，从而使得向用户推送语音识别结果的难度越来越大，除非是目标实时弹幕与历史弹幕特别相似的情况。
在一些实施例中，第一预设阈值的计算公式如下：
其中，T表示第一预设阈值；sigmoid()为归一化函数；t表示用户离开保险推荐直播间的时间，单位为小时；x表示用户已经被推送语音识别结果的次数。
在一些实施例中，直播服务器会记录每个用户离开直播间的时间，并更新每个用户的被推送次数，并每隔固定时间(例如每隔5分钟)，对每个用户的第一预设阈值进行更新。
在一些实施例中，直播服务器还可以接收主播员发送的关闭保险推荐直播间的关闭请求；直播服务器响应于关闭请求，关闭保险推荐直播间，并针对每条历史弹幕，判断每条历史弹幕是否携带订阅标识，删除未携带订阅标识的历史弹幕，保存携带有订阅标识的历史弹幕。此外，直播服务器还可以接收主播员发送的开启保险推荐直播间的开启请求；响应于开启请求，开启保险推荐直播间，并调取携带有订阅标识的历史弹幕。
本申请中，当主播关闭保险推荐直播间后，历史弹幕会被直播服务器删除。而对于携带订阅标识的历史弹幕，会被直播服务器保存，并且在主播下一次开启保险推荐直播间时，这些携带有订阅标识的历史弹幕会被调取出来，从而在下一次直播期间，用户还可以继续被推送语音识别结果。
在一些实施例中，直播服务器还可以接收所述用户发布的弹幕，并判断弹幕是否携带有订阅标识，订阅标识是终端检测到弹幕发送页面的订阅控件被选中后，由终端赋予被发送弹幕的；在弹幕携带有订阅标识的情况下，直播服务器将弹幕存储为历史弹幕，并保存弹幕的订阅标识。
具体实施时，弹幕发送页面包括：弹幕编写窗口、位于弹幕编写窗口旁边的订阅控件、以及位于弹幕编写窗口旁边的发送控件。当用户在弹幕编写窗口输入弹幕文本后，如果用户希望订阅该条弹幕，则可以先点击(即选中)订阅控件，然后点击发送控件，从而发送携带有订阅标识的弹幕。如果用户不希望订阅该条弹幕，则可以直接点击发送控件，从而发送不携带订阅标识的弹幕。
在一些实施例中，直播服务器还可以接收用户发送的订阅撤销请求，订阅撤销请求是终端检测到订阅管理页面中相应弹幕的撤销控件被选中后，由终端发送的；响应于订阅撤销请求，直播服务器删除相应历史弹幕的订阅标识。
具体实施时，订阅管理页面显示多条已订阅弹幕，并且每条弹幕的一侧显示有撤销控件。如果用户希望撤销某条弹幕的订阅，则可以点击(即选中)该条弹幕一侧显示的撤销控件，终端检测到用户操作后，向直播服务器发送订阅撤销请求，该订阅撤销请求携带有相应弹幕的弹幕标识。直播服务器根据订阅撤销请求携带的弹幕标识，索引到相应弹幕，从而删除该弹幕。
在一些实施例中，在直播期间，直播服务器还执行以下步骤：接收用户发布的弹幕，并剔除弹幕中的特殊字符，获得剩余字符串；判断剩余字符串的字符长度是否满足预设长度要求；针对满足预设长度要求的剩余字符串，基于预先训练的保险咨询属性识别模型，确定该剩余字符串的保险咨询属性值；如果剩余字符串的保险咨询属性值大于或等于第二预设阈值，则将剩余字符串作为历史弹幕并保存，如果剩余字符串的保险咨询属性值小于第二预设阈值，则丢弃剩余字符串。
本申请中，通过判断剩余字符串的长度是否满足预设长度要求，如果不满足长度要求，则丢弃剩余字符串，如果满足长度要求，则继续确定剩余字符串的保险咨询属性值。如此，可以快速过滤掉字符长度较短的剩余字符串。因为长度较短的剩余字符串通常不具有完整语义，或者很难将保险需求描述清楚，因此通过快速过滤掉字符长度较短的剩余字符串，可以控制无效历史弹幕的数量，进而减少步骤S130中的弹幕比对量，提高***运行效率。
同样地，通过确定保险咨询属性值，对于保险咨询属性值较低的剩余字符串丢弃，对于保险咨询属性值较高的剩余字符串保留，也可以控制无效历史弹幕的数量，进而减少步骤S130中的弹幕比对量，提高***运行效率。
具体实施时，可以通过以下方式训练保险咨询属性识别模型：
首先获取多条弹幕数据，作为多个样本数据，其中包括正向样本和负向样本。正向样本为保险咨询类弹幕，例如“请问6周岁儿童可以买哪些保险”、“60岁还能买重疾险吗”等。负向样本为非保险咨询类弹幕，例如“主播很棒”、“谢谢主播”、“下次直播是什么时候”等。每个正向样本携带的保险咨询属性值为1，每个负向样本携带的保险咨询属性值为0。
针对每个样本，基于word2vec生成词向量，并将词向量输入卷积神经网络CNN，得到CNN预测的保险咨询属性值。然后计算预测的保险咨询属性值和样本携带的保险咨询属性值之间的差值，将差值的绝对值作为损失值loss,最后基于该损失值loss更新CNN和word2vec。
在一些实施例中，直播服务器在通过步骤S120匹配出目标实时弹幕后，一方面可以通过执行步骤S130，将目标实时弹幕与多条携带离线标识的历史弹幕进行对比。另一方面，还可以将目标实时弹幕与多条未携带离线标识的历史弹幕进行对比，确定出每条历史弹幕与目标实时弹幕的相似度，如果历史弹幕与目标实时弹幕的相似度大于或等于第三预设阈值，则删除该条历史弹幕，如果历史弹幕与目标实时弹幕的相似度小于第三预设阈值，则保留该条历史弹幕。
本申请中，如果历史弹幕未携带离线标识，则表示发布该条历史弹幕的用户还没有离开(即退出)保险推荐直播间。因此，如果历史弹幕与目标实时弹幕的相似度大于或等于第三预设阈值，则说明用户已经在线收看到用户对目标实时弹幕的回复，该回复与自己之前发布的弹幕是很相关的，因此直播服务器可以直接删除该条历史弹幕。
在一些实施例中，直播服务器还可以接收用户发送的退出保险推荐直播间的退出请求；响应于所述退出请求，判断是否保存有用户对应的历史弹幕；如果保存有用户对应的历史弹幕，则为用户对应的历史弹幕添加离线标识。
本申请中，直播服务器接收到用户发送的退出请求后，如果直播服务器保存有该用户的历史弹幕，则说明该用户的历史弹幕还没有被主播回复，主播也没有回复与该历史弹幕相似的其他弹幕。为了使得用户在退出保险推荐直播间后仍然有机会接收到主播回复，本申请中直播服务器为用户对应的历史弹幕添加离线标识。如此，通过上述步骤S110至S140，用户有机会接收到主播回复。
以上，本申请通过实施例公开了医疗健康保险推荐及管理方法。以下，本申请通过实施例公开医疗健康保险推荐及管理***。考虑到以上方法和以下***基于同一发明构思，因此为了避免重复，以下对***实施例做简要说明。
参考图2，图2是本申请一实施例提出的医疗健康保险推荐及管理***的结构示意图，该***应用于直播服务器。如图2所示，该***包括以下步骤：
语音识别模块210，用于获取保险推荐直播间中主播员的实时语音数据，并对实时语音数据进行语音识别，获得语音识别结果。
弹幕匹配模块220，用于将语音识别结果与多条实时弹幕进行匹配，匹配出语音识别结果对应的目标实时弹幕。
弹幕对比模块230，用于将目标实时弹幕与多条携带离线标识的历史弹幕进行对比，确定出与目标实时弹幕相似的目标历史弹幕；其中，离线标识用于表征发布该条历史弹幕的用户当前已经离开保险推荐直播间。
结果推送模块240，用于将目标实时弹幕和语音识别结果推送给发布目标历史弹幕的用户。
可选地，在一些实施例中，弹幕对比模块230具体用于：基于词向量生成模型，生成目标实时弹幕的词向量；将目标实时弹幕的词向量与多条携带离线标识的历史弹幕各自的词向量进行对比，确定目标实时弹幕的词向量与每条历史弹幕的词向量的相似度，其中，每条历史弹幕的词向量是基于词向量生成模型生成的；将相似度大于第一预设阈值的历史弹幕确定为目标实时弹幕。
图2所示的***中，每个用户分别对应不同的第一预设阈值。如图2所示，***还包括：
阈值更新模块250，用于根据每个用户离开保险推荐直播间的离开时间和每个用户被推送语音识别结果的次数，更新所述第一预设阈值，其中，第一预设阈值的大小与离开时间长短和被推送次数呈正相关。
可选地，在一些实施例中，如图2所示，***还包括：
字符剔除模块260，用于接收用户发布的弹幕，并剔除弹幕中的特殊字符，获得剩余字符串。
字符长度判断模块270，用于判断剩余字符串的字符长度是否满足预设长度要求。
属性值确定模块280，用于针对满足预设长度要求的剩余字符串，基于预先训练的保险咨询属性识别模型，确定该剩余字符串的保险咨询属性值。
弹幕存储模块290，用于如果剩余字符串的保险咨询属性值大于或等于第二预设阈值，则将剩余字符串作为历史弹幕并保存，如果剩余字符串的保险咨询属性值小于第二预设阈值，则丢弃剩余字符串。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (3)

1.一种基于人工智能的医疗健康保险推荐及管理方法，所述方法应用于直播服务器，所述方法包括：
获取保险推荐直播间中主播员的实时语音数据，并对所述实时语音数据进行语音识别，获得语音识别结果；
将所述语音识别结果与多条实时弹幕进行匹配，匹配出所述语音识别结果对应的目标实时弹幕；
将所述目标实时弹幕与多条携带离线标识的历史弹幕进行对比，确定出与所述目标实时弹幕相似的目标历史弹幕；其中，所述离线标识用于表征发布该条历史弹幕的用户当前已经离开所述保险推荐直播间；
将所述目标实时弹幕和所述语音识别结果推送给发布所述目标历史弹幕的用户；
所述将所述目标实时弹幕与多条携带离线标识的历史弹幕进行对比，确定出与所述目标实时弹幕相似的目标历史弹幕，包括：
基于词向量生成模型，生成所述目标实时弹幕的词向量；
将所述目标实时弹幕的词向量与多条携带离线标识的历史弹幕各自的词向量进行对比，确定目标实时弹幕的词向量与每条历史弹幕的词向量的相似度；其中，每条历史弹幕的词向量是基于所述词向量生成模型生成的；
将相似度大于第一预设阈值的历史弹幕确定为目标实时弹幕；
所述方法还包括：
每个用户分别对应不同的第一预设阈值，根据每个用户离开所述保险推荐直播间的离开时间和每个用户被推送语音识别结果的次数，更新所述第一预设阈值；其中，所述第一预设阈值的大小与离开时间长短和被推送次数呈正相关；
第一预设阈值的计算公式如下：
其中，T表示第一预设阈值；/>为归一化函数；t表示用户离开保险推荐直播间的时间，单位为小时；x表示用户已经被推送语音识别结果的次数；
直播服务器会记录每个用户离开直播间的时间，并更新每个用户的被推送次数，并每隔固定时间，对每个用户的第一预设阈值进行更新；
接收所述主播员发送的关闭所述保险推荐直播间的关闭请求；
响应于所述关闭请求，关闭所述保险推荐直播间，并针对每条历史弹幕，判断每条历史弹幕是否携带订阅标识，删除未携带订阅标识的历史弹幕，保存携带有订阅标识的历史弹幕；
所述方法还包括：
接收所述主播员发送的开启所述保险推荐直播间的开启请求；
响应于所述开启请求，开启所述保险推荐直播间，并调取携带有订阅标识的历史弹幕；
接收所述用户发布的弹幕，并判断所述弹幕是否携带有订阅标识，所述订阅标识是终端检测到弹幕发送页面的订阅控件被选中后，由终端赋予被发送弹幕的；
在所述弹幕携带有订阅标识的情况下，将所述弹幕存储为历史弹幕，并保存所述弹幕的订阅标识；
所述方法还包括：
接收所述用户发送的订阅撤销请求，所述订阅撤销请求是所述终端检测到订阅管理页面中相应弹幕的撤销控件被选中后，由所述终端发送的；
响应于所述订阅撤销请求，删除相应历史弹幕的订阅标识；
接收所述用户发布的弹幕，并剔除所述弹幕中的特殊字符，获得剩余字符串；
判断所述剩余字符串的字符长度是否满足预设长度要求；
针对满足预设长度要求的剩余字符串，基于预先训练的保险咨询属性识别模型，确定该剩余字符串的保险咨询属性值；
如果剩余字符串的保险咨询属性值大于或等于第二预设阈值，则将所述剩余字符串作为历史弹幕并保存，如果剩余字符串的保险咨询属性值小于第二预设阈值，则丢弃所述剩余字符串；
将所述目标实时弹幕与多条未携带离线标识的历史弹幕进行对比，确定出每条历史弹幕与所述目标实时弹幕的相似度；
如果历史弹幕与目标实时弹幕的相似度大于或等于第三预设阈值，则删除该条历史弹幕，如果历史弹幕与目标实时弹幕的相似度小于第三预设阈值，则保留该条历史弹幕。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收用户发送的退出所述保险推荐直播间的退出请求；
响应于所述退出请求，判断是否保存有所述用户对应的历史弹幕；
如果保存有所述用户对应的历史弹幕，则为所述用户对应的历史弹幕添加所述离线标识。
3.一种基于人工智能的医疗健康保险推荐及管理***，所述***应用于直播服务器，所述***包括：
语音识别模块，用于获取保险推荐直播间中主播员的实时语音数据，并对所述实时语音数据进行语音识别，获得语音识别结果；
弹幕匹配模块，用于将所述语音识别结果与多条实时弹幕进行匹配，匹配出所述语音识别结果对应的目标实时弹幕；
弹幕对比模块，用于将所述目标实时弹幕与多条携带离线标识的历史弹幕进行对比，确定出与所述目标实时弹幕相似的目标历史弹幕；其中，所述离线标识用于表征发布该条历史弹幕的用户当前已经离开所述保险推荐直播间；
结果推送模块，用于将所述目标实时弹幕和所述语音识别结果推送给发布所述目标历史弹幕的用户；
所述弹幕对比模块具体用于：基于词向量生成模型，生成所述目标实时弹幕的词向量；将所述目标实时弹幕的词向量与多条携带离线标识的历史弹幕各自的词向量进行对比，确定目标实时弹幕的词向量与每条历史弹幕的词向量的相似度，其中，每条历史弹幕的词向量是基于所述词向量生成模型生成的；将相似度大于第一预设阈值的历史弹幕确定为目标实时弹幕；
所述***中，每个用户分别对应不同的第一预设阈值，所述***还包括：
阈值更新模块，用于根据每个用户离开所述保险推荐直播间的离开时间和每个用户被推送语音识别结果的次数，更新所述第一预设阈值，其中，所述第一预设阈值的大小与离开时间长短和被推送次数呈正相关；
所述***还包括：
字符剔除模块，用于接收所述用户发布的弹幕，并剔除所述弹幕中的特殊字符，获得剩余字符串；
字符长度判断模块，用于判断所述剩余字符串的字符长度是否满足预设长度要求；
属性值确定模块，用于针对满足预设长度要求的剩余字符串，基于预先训练的保险咨询属性识别模型，确定该剩余字符串的保险咨询属性值；
弹幕存储模块，用于如果剩余字符串的保险咨询属性值大于或等于第二预设阈值，则将所述剩余字符串作为历史弹幕并保存，如果剩余字符串的保险咨询属性值小于第二预设阈值，则丢弃所述剩余字符串。
CN202210533377.8A 2022-05-17 2022-05-17 基于人工智能的医疗健康保险推荐及管理方法和*** Active CN115119017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210533377.8A CN115119017B (zh) 2022-05-17 2022-05-17 基于人工智能的医疗健康保险推荐及管理方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210533377.8A CN115119017B (zh) 2022-05-17 2022-05-17 基于人工智能的医疗健康保险推荐及管理方法和***

Publications (2)

Publication Number Publication Date
CN115119017A CN115119017A (zh) 2022-09-27
CN115119017B true CN115119017B (zh) 2023-12-08

Family

ID=83326877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210533377.8A Active CN115119017B (zh) 2022-05-17 2022-05-17 基于人工智能的医疗健康保险推荐及管理方法和***

Country Status (1)

Country Link
CN (1) CN115119017B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016095576A1 (zh) * 2014-12-19 2016-06-23 百度在线网络技术（北京）有限公司 在弹幕载体上向用户推送信息的方法、设备及***
WO2016095525A1 (zh) * 2014-12-19 2016-06-23 百度在线网络技术（北京）有限公司 在弹幕载体上向用户推送信息的方法、设备及***
CN106572399A (zh) * 2016-11-18 2017-04-19 广州爱九游信息技术有限公司 信息推荐方法、装置、服务器及用户终端
CN113596587A (zh) * 2021-07-28 2021-11-02 腾讯科技（深圳）有限公司 弹幕实现的方法、装置、电子设备和可读介质
CN114071174A (zh) * 2021-11-15 2022-02-18 咪咕文化科技有限公司 直播内容的处理方法、电子设备及可读存储介质
CN114390306A (zh) * 2021-12-27 2022-04-22 中国电信股份有限公司 一种直播互动摘要生成方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016095576A1 (zh) * 2014-12-19 2016-06-23 百度在线网络技术（北京）有限公司 在弹幕载体上向用户推送信息的方法、设备及***
WO2016095525A1 (zh) * 2014-12-19 2016-06-23 百度在线网络技术（北京）有限公司 在弹幕载体上向用户推送信息的方法、设备及***
CN106572399A (zh) * 2016-11-18 2017-04-19 广州爱九游信息技术有限公司 信息推荐方法、装置、服务器及用户终端
CN113596587A (zh) * 2021-07-28 2021-11-02 腾讯科技（深圳）有限公司 弹幕实现的方法、装置、电子设备和可读介质
CN114071174A (zh) * 2021-11-15 2022-02-18 咪咕文化科技有限公司 直播内容的处理方法、电子设备及可读存储介质
CN114390306A (zh) * 2021-12-27 2022-04-22 中国电信股份有限公司 一种直播互动摘要生成方法和装置

Also Published As

Publication number Publication date
CN115119017A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN110430471B (zh) 一种基于瞬时计算的电视推荐方法和***
US11606323B2 (en) Prioritizing messages within a message network
CN106484858B (zh) 热点内容推送方法和装置
CN110543598B (zh) 信息推荐方法、装置及终端
CN111835760B (zh) 报警信息处理方法及装置、计算机存储介质、电子设备
CN111163359A (zh) 弹幕生成方法、装置和计算机可读存储介质
CN110197404B (zh) 可降低流行度偏差的个性化长尾商品推荐方法和***
CN112765400B (zh) 兴趣标签的权重更新方法、内容推荐方法、装置及设备
CN111279332A (zh) 使用机器学习模型来生成电子通信的请求不可知的交互分值以及利用请求不可知的交互分值
US20150112814A1 (en) System and method for an integrated content publishing system
CN112347787A (zh) 方面级别情感分类方法、装置、设备及可读存储介质
CN116405453B (zh) 一种基于多特征的信息推送方法、存储介质及电子设备
CN113177160A (zh) 一种推送文案生成方法、装置、电子设备及存储介质
CN114428910A (zh) 资源推荐方法、装置、电子设备、产品及介质
CN111242110A (zh) 一种新闻自动拆条的自适应条件随机场算法的训练方法
CN115119017B (zh) 基于人工智能的医疗健康保险推荐及管理方法和***
CN117057430B (zh) 基于规则累积的模型推理方法、装置及电子设备
CN110781341A (zh) 一种融合多策略召回数据集的音频专辑推荐方法及***
US20180114279A1 (en) Automatic Newsletter Creation
CN112163415A (zh) 针对反馈内容的用户意图识别方法、装置及电子设备
CN116610872A (zh) 新闻推荐模型的训练方法及装置
US20210103636A1 (en) Summarization of group chat threads
CN110765108A (zh) 一种基于群智数据融合的假消息早期检测方法
CN116431779B (zh) 法律领域faq问答的匹配方法、装置、存储介质及电子装置
CN114548083B (zh) 标题生成方法、装置、设备及介质

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
TA01 Transfer of patent application right

Effective date of registration: 20231114

Address after: Room 3419, No. 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai 200085 (Hengtai Economic Development Zone, Shanghai)

Applicant after: Shanghai Nanyan Information Technology Co.,Ltd.

Address before: No. 11-1, Jiangsu Road, Chengguan District, Lhasa City, Tibet Autonomous Region 850000

Applicant before: Zhang Chungui

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant