CN115455081A - 问卷生成方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请实施例属于大数据技术领域，涉及一种问卷生成方法、装置、计算机设备及存储介质，方法包括：获取产品类型以及影响因子，影响因子包含基础因子以及与基础因子相对应的属性标识；确定产品类型所对应的题库，题库中的题目预先关联有基础因子以及与基础因子相对应的属性值；根据影响因子中的基础因子和属性标识，以及题库中的题目的基础因子以及属性值，对题库中的题目进行筛选，得到针对用户的问卷。此外，本申请还涉及区块链技术，题库可存储于区块链中。本申请提高了问卷生成的针对性。

Description

问卷生成方法、装置、计算机设备及存储介质

技术领域

本申请涉及大数据技术领域，尤其涉及一种问卷生成方法、装置、计算机设备及存储介质。

背景技术

问卷是收集信息、进行调查时常用的一种手段。例如在保险领域，业务员准备好问卷后交给用户填写，根据用户填写的问卷进行保险推荐。然而，当前的问卷生成技术，通常是工作人员根据标准的模板手动录入问卷题目，题目的选择没有数据支撑，问卷生成较为随意，不具有针对性。

发明内容

本申请实施例的目的在于提出一种问卷生成方法、装置、计算机设备及存储介质，以提高问卷的针对性。

为了解决上述技术问题，本申请实施例提供一种问卷生成方法，采用了如下所述的技术方案：

获取产品类型以及影响因子，所述影响因子包含基础因子以及与所述基础因子相对应的属性标识；

确定所述产品类型所对应的题库，所述题库中的题目预先关联有基础因子以及与所述基础因子相对应的属性值；

根据所述影响因子中的基础因子和属性标识，以及所述题库中的题目的基础因子以及属性值，对所述题库中的题目进行筛选，得到针对用户的问卷。

为了解决上述技术问题，本申请实施例还提供一种问卷生成装置，采用了如下所述的技术方案：

获取模块，用于获取产品类型以及影响因子，所述影响因子包含基础因子以及与所述基础因子相对应的属性标识；

题库确定模块，用于确定所述产品类型所对应的题库，所述题库中的题目预先关联有基础因子以及与所述基础因子相对应的属性值；

问卷生成模块，用于根据所述影响因子中的基础因子和属性标识，以及所述题库中的题目的基础因子以及属性值，对所述题库中的题目进行筛选，得到针对用户的问卷。

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：

获取产品类型以及影响因子，所述影响因子包含基础因子以及与所述基础因子相对应的属性标识；

确定所述产品类型所对应的题库，所述题库中的题目预先关联有基础因子以及与所述基础因子相对应的属性值；

根据所述影响因子中的基础因子和属性标识，以及所述题库中的题目的基础因子以及属性值，对所述题库中的题目进行筛选，得到针对用户的问卷。

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：

获取产品类型以及影响因子，所述影响因子包含基础因子以及与所述基础因子相对应的属性标识；

确定所述产品类型所对应的题库，所述题库中的题目预先关联有基础因子以及与所述基础因子相对应的属性值；

根据所述影响因子中的基础因子和属性标识，以及所述题库中的题目的基础因子以及属性值，对所述题库中的题目进行筛选，得到针对用户的问卷。

与现有技术相比，本申请实施例主要有以下有益效果：获取产品类型以及影响因子，影响因子包含基础因子及其对应的属性标识，其中，基础因子是问卷、问卷所关联产品相关的特征因子，属性标识用于对基础因子进行限定；确定产品类型所对应的题库，题库中的题目预先关联有基础因子以及与基础因子相对应的属性值，其中，题目的基础因子与影响因子中基础因子含义相同，属性值以数值衡量题目与基础因子之间的关联性；根据影响因子中的基础因子和属性标识，以及题库中题目的基础因子以及属性值，对题库中的题目进行筛选，得到针对用户的问卷；本申请中，问卷根据选取的产品类型以及影响因子生成，更符合业务员的需求，使得生成的问卷更加具有针对性。

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***架构图；

图2是根据本申请的问卷生成方法的一个实施例的流程图；

图3是根据本申请的问卷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，***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 PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts 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问卷生成方法一般由服务器执行，相应地，问卷生成装置一般设置于服务器中。

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问卷生成方法的一个实施例的流程图。所述的问卷生成方法，包括以下步骤：

步骤S201，获取产品类型以及影响因子，影响因子包含基础因子以及与基础因子相对应的属性标识。

在本实施例中，问卷生成方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式与终端进行通信。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。

具体地，本申请预设了题库，题库中包含大量题目，通过对题库中的题目进行选取，生成针对用户的问卷。问卷与产品推荐相关，通过问卷调查实现产品推荐。

首先，需要获取产品类型与影响因子，产品类型与影响因子都是影响题目选取的因子。产品类型是产品的类型，产品类型的划分通常与产品所属的业务相关，例如，当产品为保险产品时，产品类型可以是保险产品的类型，例如具体可以是车险、人身险等。此外，产品类型还可以根据行业划分(例如电商平台中将产品类型划分为服装、手机等类型)；或者根据价格划分，依据不同的价格区间划分产品类型。影响因子包含基础因子及其对应的属性标识，其中，基础因子是与问卷、产品相关的特征因子，属性标识用于对基础因子进行限定。例如，基础因子可以是投保率、理赔率等特征因子，属性标识可以是“高”或者“低”，从而得到影响因子“高投保率”、“高理赔率”等。产品类型也可以视作一种影响因子，它们都影响着问卷的生成。

步骤S202，确定产品类型所对应的题库，题库中的题目预先关联有基础因子以及与基础因子相对应的属性值。

具体地，本申请预设了多个题库，每个题库可以对应于一种产品类型。每个题库可以包含多道题目，每道题目也都预先关联有基础因子以及与基础因子相对应的属性值。

其中，题目的基础因子与上述步骤S201中的基础因子含义相同。题目的基础因子的属性值，用于以数值的形式衡量题目与基础因子之间的关联性。例如，对于题库中的题目A，其具有基础因子理赔率，理赔率的属性值为81％，则表明该题目所涉及的保险产品的理赔率为81％。

步骤S203，根据影响因子中的基础因子和属性标识，以及题库中的题目的基础因子以及属性值，对题库中的题目进行筛选，得到针对用户的问卷。

具体地，产品类型以及影响因子可以由产品相关的业务员输入，业务员输入的产品类型以及影响因子可以基于用户确定，实现基于业务员的需求与偏好筛选题目，使得依据筛选到的题目生成的问卷更加具有针对性。

根据影响因子中的基础因子及其属性标识，题库中题目的基础因子及其属性值，对题库中的题目进行筛选、组合，从而得到针对用户的问卷。

本实施例中，获取产品类型以及影响因子，影响因子包含基础因子及其对应的属性标识，其中，基础因子是问卷、问卷所关联产品相关的特征因子，属性标识用于对基础因子进行限定；确定产品类型所对应的题库，题库中的题目预先关联有基础因子以及与基础因子相对应的属性值，其中，题目的基础因子与影响因子中基础因子含义相同，属性值以数值衡量题目与基础因子之间的关联性；根据影响因子中的基础因子和属性标识，以及题库中题目的基础因子以及属性值，对题库中的题目进行筛选，得到针对用户的问卷；本申请中，问卷根据选取的产品类型以及影响因子生成，更符合业务员的需求，使得生成的问卷更加具有针对性。

进一步的，上述步骤S201可以包括：获取与用户相关的对话数据；对对话数据进行语音识别，得到对话文本；将对话文本输入意图识别模型，得到意图识别结果；根据意图识别结果确定用户所对应的产品类型以及影响因子。

具体地，产品类型与影响因子可以由业务员输入，也可以基于业务员与用户之间的对话数据自动生成。业务员可以通过终端对于用户的对话进行录音，得到对话数据，然后通过终端将对话数据发送至服务器。

在得到对话数据后，对其进行语音识别得到对话文本，然后将对话文本输入意图识别模型，得到意图识别结果。意图识别模型可以基于神经网络搭建，例如，意图识别模型可以基于卷积神经网络(Convolutional Neural Networks,CNN)构建，CNN是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一；意图识别模型也可以基于循环神经网络(Recurrent NeuralNetwork,RNN)构建。意图识别结果可以包含用户感兴趣的、有意购买的产品类型，以及对产品的期望信息，基于意图识别结果可以确定该用户所对应的产品类型以及影响因子。例如，意图识别结果表明用户期望购买车险，希望所购买的保险产品可以覆盖较多种理赔状况，且购买意愿较为强烈，则确定用户所对应的产品类型为“车险”，影响因子为“高理赔率”、“高投保率”。

本实施例中，获取与用户相关的对话数据，对其进行语音识别得到对话文本，将对话文本输入意图识别模型识别用户意图，从而自动确定产品类型以及影响因子。

进一步的，上述步骤S203可以包括：对于每个影响因子，在题库中确定与影响因子相对应的初选题目；影响因子的基础因子与初选题目的基础因子相同，且影响因子的属性标识与初选题目的属性值相匹配；基于各影响因子之间的关系，对各影响因子所对应的初选题目进行重组，得到针对用户的问卷。

具体地，可以获取多个影响因子，对于每个影响因子，根据影响因子的基础因子及其属性值，以及题库中题目的基础因子及其属性值，对题库中的题目进行筛选，得到初选题目。其中，初选题目的基础因子与影响因子中的基础因子相同，且其属性值与影响因子中的属性标识相匹配。

通常，属性标识对应较广范围的属性值。可以将属性值划分为若干个区间，不同的区间对应不同的属性标识。例如，产品类型为“车险”时，则访问“车险”所对应的题库。对于理赔率这一基础因子，其属性标识为“高”时，对应的属性值范围是[80％，100％]；属性标识为“中”时，对应的属性值范围是[50％，80％]；属性标识为“低”时，对应的属性值范围是[0％，50％]。当影响因子为“高理赔率”时，其基础因子为“理赔率”，属性标识为“高”；则在题库中，先筛选基础因子同样为“理赔率”的题目，然后根据预设的属性标识“高”对应的属性值范围是“[80％，100％]”，保留属性值范围在[80％，100％]内的题目，得到初选题目。

影响因子可以有多个，可以根据影响因子之间的关系，对各影响因子所对应的初选题目进行重组，根据重组后的题目生成针对用户的问卷。例如，当两个影响因子A与B为与关系时，则对两个影响因子所对应的初选题目进行与操作。其中，影响因子之间的关系可以包括与、或、非等逻辑关系。举例说明，影响因子包括“高理赔率”与“高投保率”，分别根据影响因子“高理赔率”得到一批初选题目，根据影响因子“高投保率”得到另一批初选题目；“高理赔率”与“高投保率”是且关系，则对两批初选题目取交集。

在一个实施例中，在对初选题目进行合并时，还可以获取问卷模板，根据问卷模板生成问卷。问卷可以定义题目的数量，题目的类型(题目可以包含判断题、选择题、主观题等)等。根据问卷模板生成对合并后的初选题目进行选取，确保了生成的问卷的合理性。例如，题目模板中包含5道判断题、5道选择题以及3道主观题，则从合并后得到的初选题目中，分别选取5道判断题、5道选择题以及3道主观题。

本实施例中，根据影响因子对题库中的题目进行筛选得到初选题目，其中，影响因子的基础因子与初选题目的基础因子相同，且影响因子的属性标识与初选题目的属性值相匹配；再对各影响因子所对应的初选题目进行重组，实现了根据需求自动生成具有较高针对性的问卷。

进一步的，上述问卷生成方法还可以包括：对于每种产品类型，获取产品类型所对应的历史问卷；获取历史问卷所对应的产品数据；基于产品数据确定历史问卷中各题目的基础因子的属性值；根据历史问卷中各题目的基础因子及其属性值构建产品类型所对应的题库。

具体地，本申请需要预先构建题库。构建题库时，对于每种产品类型，获取该产品类型的产品所关联的历史问卷。历史问卷可以是过去生成且由用户答复的问卷。

历史问卷具有产品数据，产品数据可以包含转化数据以及售后数据。转化数据用于记录历史问卷到产品的转化信息，记录用户答复历史问卷后对产品的购买情况。售后数据记录用户购买产品后相关的数据，例如是否发生理赔、是否违约等。

对历史问卷所对应的产品数据进行大数据统计，可以得到历史问卷中各题目的基础因子的属性值。在进行大数据统计时，先根据历史问卷中的题目所关联的产品类型对题目进行分类，得到不同产品类型的题库。然后确定题库中每道题目的基础因子及其属性值。其中，基础因子包含预设的、固定的基础因子，例如“理赔率”、“投保率”。对于题目A，统计包含题目A的历史问卷的数量M，然后统计数量M的历史问卷产生了N次产品购买行为，即完成了N次从问卷到产品的转化，则得到题目A的投保率为N/M；在N次购买产品后，产生了P次理赔，则得到题目A的理赔率为P/N或者P/M。基础因子可以包含关键词，则对题目A进行自然语言处理以提取其中的关键词，根据题库中全部题目所构成的集合确定关键词的词频率，然后可以将关键词作为题目A的一个基础因子，将词频率作为对应的属性值。

本实施例中，对于每种产品类型，获取其相关的历史问卷，并根据历史问卷的产品数据统计出历史问卷中各题目的基础因子的属性值，从而构建出某种产品类型的题库。

进一步的，基础因子包含关键词，当基础因子为关键词时，上述对于每种产品类型，获取产品类型所对应的历史问卷的步骤之后，还可以包括：对于各历史问卷所包含的每道题目，对题目进行分词处理得到若干个子词；基于各历史问卷计算各子词的TF-IDF值；根据TF-IDF值确定题目中的关键词；根据各历史问卷，确定关键词的词频率；将关键词确定为基础因子，并将词频率确定为基础因子的属性值。

具体地，基础因子还可以是关键词，即可以根据特定的关键词选取题目。当基础因子为关键词时，对于各历史问卷所包含的每道题目，对题目进行分词处理得到多个子词，然后基于某产品类型所对应的各历史问卷，计算每个子词的TF-IDF值，其中，TF为子词的词频，IDF为子词的逆文档频率，TF与IDF相乘即可得到子词的TF-IDF值。

TF-IDF值的大小可以反映子词的重要性以及意义，根据TF-IDF值可以确定题目中的关键词。根据该关键词在历史问卷包含该关键词的题目数量以及历史问卷所包含的题目总数，可以得到该关键词的词频率。将关键词作为基础因子时，词频率即为该基础因子的属性值。

本实施例中，还可以将关键词作为基础因子，基于历史问卷确定各题目中的关键词及其对应的词频率，从而得到关键词作为基础因子时的属性值。

进一步的，上述步骤S203之后，还可以包括：获取用户针对问卷的问卷答复信息；将问卷答复信息输入用户评估模型，得到用户评估结果；将用户评估结果输入匹配模型，得到用户与各候选产品的适配评估值；根据适配评估值在各候选产品中确定目标产品，并根据目标产品进行产品推荐。

具体地，在生成问卷后，获取用户针对问卷的问卷答复信息，将问卷答复信息输入用户评估模型，用户评估模型可以基于神经网络搭建，可以根据问卷答复信息对用户进行评估，得到用户评估结果。在一个实施例中，用户评估结果可以是用户画像。

将用户评估结果输入匹配模型，匹配模型可以是多分类模型，可以计算用户评估结果与各候选产品之间的关联性，得到适配评估值，其中，候选产品以及匹配模型与产品类型相对应。适配评估值越高，代表用户与候选产品越匹配。根据适配评估值，在各候选产品中确定目标产品，例如，选取适配评估值大于预设阈值的候选产品作为目标产品，或者将适配评估值排在前N(N为正整数)位的候选产品作为目标产品，然后将目标产品推荐给用户实现产品推荐。

本实施例中，根据用户的问卷答复信息对用户进行评估得到用户评估结果，实现对用户的分析；通过匹配模型计算用户评估结果与各候选产品的适配评估值，根据适配评估值选取候选产品进行产品推荐，提高了产品推荐的准确性。

进一步的，上述将问卷答复信息输入用户评估模型，得到用户评估结果的步骤之后，还可以包括：获取用户评估结果中的用户评估值；将用户评估值与预设的评估值阈值相比较；当用户评估值大于评估值阈值时，将用户评估结果输入匹配模型，得到用户与各候选产品的适配评估值；当用户评估值小于等于评估值阈值时，生成针对用户的警示信息。

具体地，用户评估结果中还可以包括用户评估值，用户评估值可以是用户购买产品的可能性的评估值，此时，用户购买产品的可能性越高，则用户评估值数值越大；用户评估值还可以是对用户进行风险评估的评估值，用户安全性越高，用户评估值越高。

将用户评估值与预设的评估值阈值相比较，如果用户评估值大于评估值阈值，则将用户评估结果输入匹配模型，计算用户与各候选产品的适配评估值；如果用户评估值小于预设的评估值阈值，代表用户购买产品的可能性较低，或者用户具有较高的风险性，此时，可以根据用户评估值生成该用户的警示信息，并推送至业务员的账号所登录的终端，从而进行提醒。

本实施例中，获取用户评估结果中的用户评估值，当用户评估值小于预设的评估值阈值时，生成针对该用户的警示信息，从而实现提前告警，避免资源浪费。

需要强调的是，为进一步保证上述题库的私密和安全性，上述题库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***。

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***、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，本申请提供了一种问卷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，本实施例所述的问卷生成装置300包括：获取模块301、题库确定模块302以及问卷生成模块303，其中：

获取模块301，用于获取产品类型以及影响因子，影响因子包含基础因子以及与基础因子相对应的属性标识；

题库确定模块302，用于确定产品类型所对应的题库，题库中的题目预先关联有基础因子以及与基础因子相对应的属性值；

问卷生成模块303，用于根据影响因子中的基础因子和属性标识，以及题库中的题目的基础因子以及属性值，对题库中的题目进行筛选，得到针对用户的问卷。

本实施例中，获取产品类型以及影响因子，影响因子包含基础因子及其对应的属性标识，其中，基础因子是问卷、问卷所关联产品相关的特征因子，属性标识用于对基础因子进行限定；确定产品类型所对应的题库，题库中的题目预先关联有基础因子以及与基础因子相对应的属性值，其中，题目的基础因子与影响因子中基础因子含义相同，属性值以数值衡量题目与基础因子之间的关联性；根据影响因子中的基础因子和属性标识，以及题库中题目的基础因子以及属性值，对题库中的题目进行筛选，得到针对用户的问卷；本申请中，问卷根据选取的产品类型以及影响因子生成，更符合业务员的需求，使得生成的问卷更加具有针对性。

在本实施例的一些可选的实现方式中，获取模块301可以包括：对话获取子模块、语音识别子模块、对话输入子模块以及确定子模块，其中：

对话获取子模块，用于获取与用户相关的对话数据。

语音识别子模块，用于对对话数据进行语音识别，得到对话文本。

对话输入子模块，用于将对话文本输入意图识别模型，得到意图识别结果。

确定子模块，用于根据意图识别结果确定用户所对应的产品类型以及影响因子。

本实施例中，获取与用户相关的对话数据，对其进行语音识别得到对话文本，将对话文本输入意图识别模型识别用户意图，从而自动确定产品类型以及影响因子。

在本实施例的一些可选的实现方式中，问卷生成模块303可以包括：题目确定子模块以及题目重组子模块，其中：

题目确定子模块，用于对于每个影响因子，在题库中确定与影响因子相对应的初选题目；影响因子的基础因子与初选题目的基础因子相同，且影响因子的属性标识与初选题目的属性值相匹配。

题目重组子模块，用于基于各影响因子之间的关系，对各影响因子所对应的初选题目进行重组，得到针对用户的问卷。

本实施例中，根据影响因子对题库中的题目进行筛选得到初选题目，其中，影响因子的基础因子与初选题目的基础因子相同，且影响因子的属性标识与初选题目的属性值相匹配；再对各影响因子所对应的初选题目进行重组，实现了根据需求自动生成具有较高针对性的问卷。

在本实施例的一些可选的实现方式中，问卷生成装置300还可以包括：历史获取模块、数据获取模块、属性值确定模块以及题库构建模块，其中：

历史获取模块，用于对于每种产品类型，获取产品类型所对应的历史问卷。

数据获取模块，用于获取历史问卷所对应的产品数据。

属性值确定模块，用于基于产品数据确定历史问卷中各题目的基础因子的属性值。

题库构建模块，用于根据历史问卷中各题目的基础因子及其属性值构建产品类型所对应的题库。

本实施例中，对于每种产品类型，获取其相关的历史问卷，并根据历史问卷的产品数据统计出历史问卷中各题目的基础因子的属性值，从而构建出某种产品类型的题库。

在本实施例的一些可选的实现方式中，基础因子包含关键词，当基础因子为关键词时，问卷生成装置300还可以包括：分词处理模块、计算模块、关键词确定模块、词频率确定模块以及确定模块，其中：

分词处理模块，用于对于各历史问卷所包含的每道题目，对题目进行分词处理得到若干个子词。

计算模块，用于基于各历史问卷计算各子词的TF-IDF值。

关键词确定模块，用于根据TF-IDF值确定题目中的关键词。

词频率确定模块，用于根据各历史问卷，确定关键词的词频率。

确定模块，用于将关键词确定为基础因子，并将词频率确定为基础因子的属性值。

本实施例中，还可以将关键词作为基础因子，基于历史问卷确定各题目中的关键词及其对应的词频率，从而得到关键词作为基础因子时的属性值。

在本实施例的一些可选的实现方式中，问卷生成装置300还可以包括：答复获取模块、用户评估模块、候选匹配模块以及产品确定模块，其中：

答复获取模块，用于获取用户针对问卷的问卷答复信息。

用户评估模块，用于将问卷答复信息输入用户评估模型，得到用户评估结果。

候选匹配模块，用于将用户评估结果输入匹配模型，得到用户与各候选产品的适配评估值。

产品确定模块，用于根据适配评估值在各候选产品中确定目标产品，并根据目标产品进行产品推荐。

本实施例中，根据用户的问卷答复信息对用户进行评估得到用户评估结果，实现对用户的分析；通过匹配模型计算用户评估结果与各候选产品的适配评估值，根据适配评估值选取候选产品进行产品推荐，提高了产品推荐的准确性。

在本实施例的一些可选的实现方式中，问卷生成装置300还可以包括：评估值获取模块、评估值比较模块以及信息生成模块，其中：

评估值获取模块，用于获取用户评估结果中的用户评估值。

评估值比较模块，用于将用户评估值与预设的评估值阈值相比较。

所述候选匹配模块还用于当用户评估值大于评估值阈值时，将用户评估结果输入匹配模型，得到用户与各候选产品的适配评估值。

信息生成模块，用于当用户评估值小于等于评估值阈值时，生成针对用户的警示信息。

本实施例中，获取用户评估结果中的用户评估值，当用户评估值小于预设的评估值阈值时，生成针对该用户的警示信息，从而实现提前告警，避免资源浪费。

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***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(SmartMediaCard,SMC)，安全数字(SecureDigital,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***和各类应用软件，例如问卷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，例如运行所述问卷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。

本实施例中提供的计算机设备可以执行上述问卷生成方法。此处问卷生成方法可以是上述各个实施例的问卷生成方法。

本实施例中，获取产品类型以及影响因子，影响因子包含基础因子及其对应的属性标识，其中，基础因子是问卷、问卷所关联产品相关的特征因子，属性标识用于对基础因子进行限定；确定产品类型所对应的题库，题库中的题目预先关联有基础因子以及与基础因子相对应的属性值，其中，题目的基础因子与影响因子中基础因子含义相同，属性值以数值衡量题目与基础因子之间的关联性；根据影响因子中的基础因子和属性标识，以及题库中题目的基础因子以及属性值，对题库中的题目进行筛选，得到针对用户的问卷；本申请中，问卷根据选取的产品类型以及影响因子生成，更符合业务员的需求，使得生成的问卷更加具有针对性。

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问卷生成方法的步骤。

本实施例中，获取产品类型以及影响因子，影响因子包含基础因子及其对应的属性标识，其中，基础因子是问卷、问卷所关联产品相关的特征因子，属性标识用于对基础因子进行限定；确定产品类型所对应的题库，题库中的题目预先关联有基础因子以及与基础因子相对应的属性值，其中，题目的基础因子与影响因子中基础因子含义相同，属性值以数值衡量题目与基础因子之间的关联性；根据影响因子中的基础因子和属性标识，以及题库中题目的基础因子以及属性值，对题库中的题目进行筛选，得到针对用户的问卷；本申请中，问卷根据选取的产品类型以及影响因子生成，更符合业务员的需求，使得生成的问卷更加具有针对性。

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)

1.一种问卷生成方法，其特征在于，包括下述步骤：

获取产品类型以及影响因子，所述影响因子包含基础因子以及与所述基础因子相对应的属性标识；

确定所述产品类型所对应的题库，所述题库中的题目预先关联有基础因子以及与所述基础因子相对应的属性值；

根据所述影响因子中的基础因子和属性标识，以及所述题库中的题目的基础因子以及属性值，对所述题库中的题目进行筛选，得到针对用户的问卷。

2.根据权利要求1所述的问卷生成方法，其特征在于，所述获取产品类型以及影响因子的步骤包括：

获取与用户相关的对话数据；

对所述对话数据进行语音识别，得到对话文本；

将所述对话文本输入意图识别模型，得到意图识别结果；

根据所述意图识别结果确定所述用户所对应的产品类型以及影响因子。

3.根据权利要求1所述的问卷生成方法，其特征在于，所述根据所述影响因子中的基础因子和属性标识，以及所述题库中的题目的基础因子以及属性值，对所述题库中的题目进行筛选，得到针对用户的问卷的步骤包括：

对于每个影响因子，在所述题库中确定与所述影响因子相对应的初选题目；所述影响因子的基础因子与所述初选题目的基础因子相同，且所述影响因子的属性标识与所述初选题目的属性值相匹配；

基于各影响因子之间的关系，对所述各影响因子所对应的初选题目进行重组，得到针对用户的问卷。

4.根据权利要求1所述的问卷生成方法，其特征在于，所述方法还包括：

对于每种产品类型，获取所述产品类型所对应的历史问卷；

获取所述历史问卷所对应的产品数据；

基于所述产品数据确定所述历史问卷中各题目的基础因子的属性值；

根据所述历史问卷中各题目的基础因子及其属性值构建所述产品类型所对应的题库。

5.根据权利要求4所述的问卷生成方法，其特征在于，所述基础因子包含关键词，当所述基础因子为所述关键词时，所述对于每种产品类型，获取所述产品类型所对应的历史问卷的步骤之后，还包括：

对于各历史问卷所包含的每道题目，对所述题目进行分词处理得到若干个子词；

基于所述各历史问卷计算各子词的TF-IDF值；

根据所述TF-IDF值确定所述题目中的关键词；

根据所述各历史问卷，确定所述关键词的词频率；

将所述关键词确定为基础因子，并将所述词频率确定为所述基础因子的属性值。

6.根据权利要求1所述的问卷生成方法，其特征在于，在所述根据所述影响因子对所述题库中的题目进行筛选，得到针对用户的问卷的步骤之后，还包括：

获取用户针对所述问卷的问卷答复信息；

将所述问卷答复信息输入用户评估模型，得到用户评估结果；

将所述用户评估结果输入匹配模型，得到所述用户与各候选产品的适配评估值；

根据所述适配评估值在所述各候选产品中确定目标产品，并根据所述目标产品进行产品推荐。

7.根据权利要求6所述的问卷生成方法，其特征在于，在所述将所述问卷答复信息输入用户评估模型，得到用户评估结果的步骤之后，还包括：

获取所述用户评估结果中的用户评估值；

将所述用户评估值与预设的评估值阈值相比较；

当所述用户评估值大于所述评估值阈值时，执行所述将所述用户评估结果输入匹配模型，得到所述用户与各候选产品的适配评估值的步骤；

当所述用户评估值小于等于所述评估值阈值时，生成针对所述用户的警示信息。

8.一种问卷生成装置，其特征在于，包括：

获取模块，用于获取产品类型以及影响因子，所述影响因子包含基础因子以及与所述基础因子相对应的属性标识；

题库确定模块，用于确定所述产品类型所对应的题库，所述题库中的题目预先关联有基础因子以及与所述基础因子相对应的属性值；

问卷生成模块，用于根据所述影响因子中的基础因子和属性标识，以及所述题库中的题目的基础因子以及属性值，对所述题库中的题目进行筛选，得到针对用户的问卷。

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中任一项所述的问卷生成方法的步骤。

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中任一项所述的问卷生成方法的步骤。

Images