CN116628137A - 基于人工智能的数据分析方法、装置、设备及存储介质 - Google Patents

基于人工智能的数据分析方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116628137A
CN116628137A CN202310699562.9A CN202310699562A CN116628137A CN 116628137 A CN116628137 A CN 116628137A CN 202310699562 A CN202310699562 A CN 202310699562A CN 116628137 A CN116628137 A CN 116628137A
Authority
CN
China
Prior art keywords
data
similarity
text
target
dialogue
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
Application number
CN202310699562.9A
Other languages
English (en)
Inventor
袁美璐
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.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China 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 Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202310699562.9A priority Critical patent/CN116628137A/zh
Publication of CN116628137A publication Critical patent/CN116628137A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3343—Query execution using phonetics
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Machine Translation (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种基于人工智能的数据分析方法，包括：获取用户与坐席在业务沟通过程中的语音对话数据；将语音对话数据转化为文本数据，并按照对文本数据进行转换得到对话文本；按照预设规则对对话文本进行分类处理，得到与对话文本对应的主题标签；基于对话文本与主题标签构建对应的有向图；基于预设的相似分析模型对有向图进行相似分析处理，生成各个有向图之间的相似结果。本申请还提供一种基于人工智能的数据分析装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，相似结果可存储于区块链中。本申请基于相似分析模型的使用对话术的主题路径的相似关系进行分析以实现快速准确地得到相应的相似结果。

Description

基于人工智能的数据分析方法、装置、设备及存储介质
技术领域
本申请涉及人工智能开发技术领域，尤其涉及基于人工智能的数据分析方法、装置、计算机设备及存储介质。
背景技术
在金融科技领域中，通常需要坐席与客户进行业务沟通以向客户进行业务推荐。目前对话术利用的仅仅还只停留在对话数据的主题分类中，无法根据主题分类为坐席的营销提供有用的信息，从而无法为坐席的工作提供有效的帮助。然而，不同的对话往往会具有相似的逻辑，如何发现不同对话之间的相似逻辑并进行合理利用，从而为坐席营销创造更多条件是当前急需解决的技术问题。
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分析方法、装置、计算机设备及存储介质，以解决现有的对话术利用的仅仅还只停留在对话数据的主题分类中，无法根据主题分类为坐席的营销提供有用的信息，不能发现不同对话之间的相似逻辑并进行合理利用，从而无法为坐席营销创造更多条件的技术问题。
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分析方法，采用了如下所述的技术方案：
获取用户与坐席在业务沟通过程中的语音对话数据；
将所述语音对话数据转化为文本数据，并按照预设的信息类型对所述文本数据进行转换得到对应的对话文本；
按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签；
基于所述对话文本与所述主题标签构建对应的有向图；其中，所述有向图的数量包括多个；
基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果；其中，所述相似分析模型由图卷积网络、张量神经网络与全连接层构成。
进一步的，所述基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果的步骤，具体包括：
通过所述相似分析模型中的图卷积网络对各个所述有向图中各个节点的特征进行重构处理，得到对应的节点表示向量；
基于预设的注意力机制对各个所述有向图进行编码处理，得到各个所述有向图的图特征向量；
基于所述相似分析模型中的张量神经网络对各个所述有向图的图特征向量进行处理，得到目标有向图之间的相似度向量；其中，目标有向图为所有所述有向图中的任意两个；
基于所述节点表示向量生成所述有向图的直方图特征；
基于所述相似分析模型中的全连接层对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行处理，得到所述目标有向图之间的目标相似结果。
进一步的，所述基于所述节点表示向量生成所述有向图的直方图特征的步骤，具体包括：
对所述有向图的节点表示向量进行内积计算，得到对应的相关性矩阵；
对所述相关性矩阵进行转换处理，得到与所述有向图对应的直方图特征。
进一步的，所述基于所述相似分析模型中的全连接层对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行处理，得到所述目标有向图之间的目标相似结果的步骤，具体包括：
对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行拼接处理，得到对应的拼接特征；
将所述拼接特征输入至所述相似分析模型中的全连接层内，获取所述全连接输出的与所述目标有向图对应的输出结果；
将所述输出结果作为所述目标相似结果。
进一步的，所述按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签的步骤，具体包括：
基于预设的文本表示模型对所述对话文本进行处理，生成与所述对话文本的文本表示数据；
基于预设的特征提取模型对所述文本表示数据进行特征提取，得到对应的特征数据；
将所述特征数据作为所述主题标签。
进一步的，所述基于所述对话文本与所述主题标签构建对应的有向图的步骤，具体包括：
获取预设的目标字段；
基于所述目标字段，从所述对话文本中获取所述目标字段对应的目标数据；
基于所述目标数据与所述主题标签构建所述有向图。
进一步的，在所述基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果的步骤之后，还包括：
获取所述相似结果；
基于所述相似结果生成对应的对话分析报告；
存储所述对话分析报告。
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分析装置，采用了如下所述的技术方案：
第一获取模块，用于获取用户与坐席在业务沟通过程中的语音对话数据；
转化模块，用于将所述语音对话数据转化为文本数据，并按照预设的信息类型对所述文本数据进行转换得到对应的对话文本；
分类模块，用于按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签；
构建模块，用于基于所述对话文本与所述主题标签构建对应的有向图；其中，所述有向图的数量包括多个；
处理模块，用于基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果；其中，所述相似分析模型由图卷积网络、张量神经网络与全连接层构成。
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：
获取用户与坐席在业务沟通过程中的语音对话数据；
将所述语音对话数据转化为文本数据，并按照预设的信息类型对所述文本数据进行转换得到对应的对话文本；
按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签；
基于所述对话文本与所述主题标签构建对应的有向图；其中，所述有向图的数量包括多个；
基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果；其中，所述相似分析模型由图卷积网络、张量神经网络与全连接层构成。
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：
获取用户与坐席在业务沟通过程中的语音对话数据；
将所述语音对话数据转化为文本数据，并按照预设的信息类型对所述文本数据进行转换得到对应的对话文本；
按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签；
基于所述对话文本与所述主题标签构建对应的有向图；其中，所述有向图的数量包括多个；
基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果；其中，所述相似分析模型由图卷积网络、张量神经网络与全连接层构成。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例首先加载获取用户与坐席在业务沟通过程中的语音对话数据；然后将所述语音对话数据转化为文本数据，并按照预设的信息类型对所述文本数据进行转换得到对应的对话文本；之后按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签；后续基于所述对话文本与所述主题标签构建对应的有向图；最后基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果。本申请实施例通过基于利用用户与坐席在业务沟通过程中的对话文本以及对话文本的主题标签来完成有向图的构建，进而使用相似分析模型对构建的有向图进行相似分析处理，可以实现快速准确地生成有向图之间的相似结果，提高了相似结果的生成效率，保证了相似结果的数据准确度。本申请基于相似分析模型对话术的主题路径的相似关系进行分析研究以得到相应的相似结果，有利于后续可以帮助坐席端从语音对话数据中发现共性对话路径，从而可以基于共性对话路径的相似逻辑及时进行合理话术调整以引导用户形成最优购买路径，有利于提高坐席的工作体验。
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根据本申请的基于人工智能的数据分析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分析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 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分析方法一般由服务器/终端设备执行，相应地，基于人工智能的数据分析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分析方法的一个实施例的流程图。所述的基于人工智能的数据分析方法，包括以下步骤：
步骤S201，获取用户与坐席在业务沟通过程中的语音对话数据。
在本实施例中，基于人工智能的数据分析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语音对话数据。。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。其中，客户与坐席之间的对话涉及到不同对话主题的跳转，这些通过主题路径的构建可以用图的形式来表示。这些图之间往往会有相似的逻辑，如何发现这些逻辑并进行合理利用，从而为坐席营销创造更多条件是至关重要的。之前对话术利用仅停留在对话语句的主题分类中，暂未涉及到对话术主题路径进行相似度研究。所以本申请提出了一种基于相似分析模型的坐席主题路径的相似度分析方案。
步骤S202，将所述语音对话数据转化为文本数据，并按照预设的信息类型对所述文本数据进行转换得到对应的对话文本。
在本实施例中，可通过采用现有的ASR技术(例如科大讯飞的ASR技术)，将语音以实时的方式转为文本数据。上述信息类型包括会话ID、坐席ID、时间戳、对话内容等类型，可基于信息类型将文本数据进行转换，以形成包括会话ID、坐席ID、时间戳、对话内容的格式化数据。
步骤S203，按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签。
在本实施例中，上述主题标签具体可包括确认报价意愿、确认报价方案、播报报价及返现、播报增值服务、确认投保信息、介绍支付流程、推荐***等。其中，一则对话会涉及不同主题的往复跳转，从而形成的主题路径会不一致。不同通话ID对应的不同对话路径之间往往会有一定的区别和联系。但先前的研究中并未对它们之间的相似关系进行挖掘，以至于错失掉对共性问题的发掘和讨论，进而影响导航场景的话术调节。另外，上述按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签的具体实施过程，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。
步骤S204，基于所述对话文本与所述主题标签构建对应的有向图；其中，所述有向图的数量包括多个。
在本实施例中，其中，上述基于所述对话文本与所述主题标签构建对应的有向图的具体实施过程，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。
步骤S205，基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果；其中，所述相似分析模型由图卷积网络、张量神经网络与全连接层构成。
在本实施例中，上述基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果的具体实施过程，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。其中，相似分析模型的训练生成过程可包括：在构建完训练数据集后，对训练数据集进行归一化处理，设置初始的有向图深度神经网络的参数，然后采用结合Adam优化算法在训练数据集上训练该有向图深度神经网络，迭代优化模型参数，以生成最终的相似分析模型。
本申请首先加载获取用户与坐席在业务沟通过程中的语音对话数据；然后将所述语音对话数据转化为文本数据，并按照预设的信息类型对所述文本数据进行转换得到对应的对话文本；之后按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签；后续基于所述对话文本与所述主题标签构建对应的有向图；最后基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果。本申请通过基于利用用户与坐席在业务沟通过程中的对话文本以及对话文本的主题标签来完成有向图的构建，进而使用相似分析模型对构建的有向图进行相似分析处理，可以实现快速准确地生成有向图之间的相似结果，提高了相似结果的生成效率，保证了相似结果的数据准确度。本申请基于相似分析模型对话术的主题路径的相似关系进行分析研究以得到相应的相似结果，有利于后续可以帮助坐席端从语音对话数据中发现共性对话路径，从而可以基于共性对话路径的相似逻辑及时进行合理话术调整以引导用户形成最优购买路径，有利于提高坐席的工作体验。
在一些可选的实现方式中，步骤S205包括以下步骤：
通过所述相似分析模型中的图卷积网络对各个所述有向图中各个节点的特征进行重构处理，得到对应的节点表示向量。
在本实施例中，可通过使用聚合函数对各个有向图中各个节点的特征进行加权以进行重构处理，具体可参见以下公式：其中，un为n个节点编码，/>为权重矩阵，/>为偏置，N(n)为邻接矩阵，f1(·)为ReLU激活函数。
基于预设的注意力机制对各个所述有向图进行编码处理，得到各个所述有向图的图特征向量。
在本实施例中，上述注意力机制具体可采用Att注意力机制。为了获取全局特征，在图级别编码环节可使用Att注意力机制求得每个点在全局中的重要程度，具体可参见以下公式：其中，h为图嵌入，它是点级别编码的加权和，um为m个节点编码，其中W2是一个可学习的权重矩阵，f2(·)为sigmoid激活函数。
基于所述相似分析模型中的张量神经网络对各个所述有向图的图特征向量进行处理，得到目标有向图之间的相似度向量；其中，目标有向图为所有所述有向图中的任意两个。
在本实施例中，经过图级别编码后得到了图的特征向量，为了计算这两个向量之间的相似性，可使用张量神经网络(Neural Tensor Networks，NTN)来计算两个有向图中每个点之间的相互关系，具体可采用以下公式计算图hi与图hj之间的关系特征：其中，/>是权重张量，[]为连接操作，f3(·)为激活函数，K为超参数。
基于所述节点表示向量生成所述有向图的直方图特征。
在本实施例中，上述基于所述节点表示向量生成所述有向图的直方图特征的具体实施过程，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。
基于所述相似分析模型中的全连接层对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行处理，得到所述目标有向图之间的目标相似结果。
在本实施例中，上述基于所述相似分析模型中的全连接层对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行处理，得到所述目标有向图之间的目标相似结果的具体实施过程，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。
本申请首先通过所述相似分析模型中的图卷积网络对各个所述有向图中各个节点的特征进行重构处理，得到对应的节点表示向量；然后基于预设的注意力机制对各个所述有向图进行编码处理，得到各个所述有向图的图特征向量；之后基于所述相似分析模型中的张量神经网络对各个所述有向图的图特征向量进行处理，得到目标有向图之间的相似度向量；后续基于所述节点表示向量生成所述有向图的直方图特征；最后基于所述相似分析模型中的全连接层对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行处理，得到所述目标有向图之间的目标相似结果。
在本实施例的一些可选的实现方式中，所述基于所述节点表示向量生成所述有向图的直方图特征，包括以下步骤：
对所述有向图的节点表示向量进行内积计算，得到对应的相关性矩阵。
在本实施例中，为了考虑到有向图中局部节点的信息，通过对节点的表示向量进行内积计算，从而得到一个相关性矩阵。
对所述相关性矩阵进行转换处理，得到与所述有向图对应的直方图特征。
本申请通过对所述有向图的节点表示向量进行内积计算，得到对应的相关性矩阵人；后续对所述相关性矩阵进行转换处理，得到与所述有向图对应的直方图特征，以实现对于有向图的直方图特征的快速获取，有利于后续可以基于相似分析模型中的全连接层对有向图的相似度向量与直方图特征进行处理，以实现快速准确地生成有向图之间的相似结果。本申请基于相似分析模型的使用对有向图进行相似分析处理，可以实现快速准确地生成有向图之间的相似结果，提高了相似结果的生成效率，保证了相似结果的数据准确度。
在一些可选的实现方式中，所述基于所述相似分析型中的全连接层对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行处理，得到所述目标有向图之间的目标相似结果，包括以下步骤：
对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行拼接处理，得到对应的拼接特征。
将所述拼接特征输入至所述相似分析模型中的全连接层内，获取所述全连接输出的与所述目标有向图对应的输出结果。
将所述输出结果作为所述目标相似结果。
本申请通过对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行拼接处理，得到对应的拼接特征；然后将所述拼接特征输入至所述相似分析模型中的全连接层内，获取所述全连接输出的与所述目标有向图对应的输出结果；后续将所述输出结果作为所述目标相似结果。本申请基于相似分析模型的使用，对经过有向图的相似度向量与直方图特征的拼接处理生成的拼接特征进行处理，可以实现快速准确地生成有向图之间的相似结果，提高了相似结果的生成效率，保证了相似结果的数据准确度。
在一些可选的实现方式中，所述步骤S203包括以下步骤：
基于预设的文本表示模型对所述对话文本进行处理，生成与所述对话文本的文本表示数据。
在本实施例中，上述文本表示模型具体可采用RoBERTa文本表示模型。在将所述对话文本中输入至RoBERTa文本表示模型后，对话文本中的语义知识会被RoBERTa文本表示模型进行充分挖掘，并生成相对应的。
基于预设的特征提取模型对所述文本表示数据进行特征提取，得到对应的特征数据。
在本实施例中，上述特征提取模型具体可采用RCNN特征提取模型。RCNN特征提取模型为双向循环结构的RNN网络，基于该RCNN特征提取模型能够获取到输入文本的上下文语法和语义信息，然后配合最大池化CNN网络自动地筛选出最重要的特征，最后输出与输入文本对应的主题标签。
将所述特征数据作为所述主题标签。
本申请通过基于预设的文本表示模型对所述对话文本进行处理，生成与所述对话文本的文本表示数据；然后基于预设的特征提取模型对所述文本表示数据进行特征提取，得到对应的特征数据；后续将所述特征数据作为所述主题标签。本申请通过文本表示模型与特征提取模型的使用，可以实现快速准确地生成与对话文本对应的主题标签，有效提高了对话文本的主题标签的生成效率，保证了主题标签的数据准确度。
在本实施例的一些可选的实现方式中，步骤S203包括以下步骤：
获取预设的目标字段。
在本实施例中，上述目标字段具体包括会话ID、坐席ID以及时间戳等字段。
基于所述目标字段，从所述对话文本中获取所述目标字段对应的目标数据。
在本实施例中，根据目标字段，可从对话文本中与目标字段匹配的字段数据，即对话文本中的会话ID、坐席ID以及时间戳。
基于所述目标数据与所述主题标签构建所述有向图。
在本实施例中，对话文本主题的有向图构建过程可包括：首先遍历对话文本中每一组会话的会话ID，并将该将其制作成torch_geometric可使用的格式；然后，将每个坐席的主题标签记录按照时间戳进行先后排序，得到每个坐席的对话主题序列文件；之后对对话主题序列文件进行Labelencoder编码以便制作成从0开始编号的边索引，对应点的特征表示即为分别生成每个点的源节点与下一个节点的编码；后续将坐席的对话反馈主题为研究对象，将每个对话反馈主题作为有向图中的点；根据各种对话反馈主题的上下游关系确定每个对话反馈主题与其他对话反馈主题的关系，将具有因果关系的点用向量连接；并将所有的点和向量构成有向图。
本申请通过获取预设的目标字段；然后基于所述目标字段，从所述对话文本中获取所述目标字段对应的目标数据；后续基于所述目标数据与所述主题标签构建所述有向图。本申请通过目标字段的使用可以快捷准确地从对话文本中获取相匹配的目标数据，进而后续可以基于得到的根据得到的目标数据与主题标签完成有向图的准确构建，有利于后续可以使用相似分析模型对构建的有向图进行处理，以自动智能地生成各个有向图之间的相似结果。
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：
获取所述相似结果。
基于所述相似结果生成对应的对话分析报告。
在本实施例中，可通过获取预设的分析报告模板，再基于报告模板内的数据填充规范，将所述相似结果对应填充至分析报告模板内，以生成对话分析报告。其中，分析报告模板为根据实际的业务需求预先构建生成的。
存储所述对话分析报告。
在本实施例中，对于上述对话分析报告的存储方式不做具体限定，例如可采用数据库存储、云端存储、区块链存储等方式。
本申请通过获取所述相似结果；然后基于所述相似结果生成对应的对话分析报告；后续存储所述对话分析报告。本申请通过利用相似结果生成对话分析报告并存储，有利于后续坐席可以通过对该对话分析报告进行分析，以帮助坐席端从语音对话数据中发现共性对话路径，并进行合理话术调整以引导用户形成最优购买路径，有利于提高坐席的工作体验。
需要强调的是，为进一步保证上述相似结果的私密和安全性，上述相似结果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，本申请提供了一种基于人工智能的数据分析装置的一个实施例，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分析装置300包括：第一获取模块301、转化模块302、分类模块303、构建模块304以及处理模块305。其中：
第一获取模块301，用于获取用户与坐席在业务沟通过程中的语音对话数据；
转化模块302，用于将所述语音对话数据转化为文本数据，并按照预设的信息类型对所述文本数据进行转换得到对应的对话文本；
分类模块303，用于按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签；
构建模块304，用于基于所述对话文本与所述主题标签构建对应的有向图；其中，所述有向图的数量包括多个；
处理模块305，用于基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果；其中，所述相似分析模型由图卷积网络、张量神经网络与全连接层构成。
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分析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，处理模块305包括：
第一处理子模块，用于通过所述相似分析模型中的图卷积网络对各个所述有向图中各个节点的特征进行重构处理，得到对应的节点表示向量；
子模块，用于基于预设的注意力机制对各个所述有向图进行编码处理，得到各个所述有向图的图特征向量；
第二处理子模块，用于基于所述相似分析模型中的张量神经网络对各个所述有向图的图特征向量进行处理，得到目标有向图之间的相似度向量；其中，目标有向图为所有所述有向图中的任意两个；
第一生成子模块，用于基于所述节点表示向量生成所述有向图的直方图特征；
第三处理子模块，用于基于所述相似分析模型中的全连接层对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行处理，得到所述目标有向图之间的目标相似结果。
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分析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,第一生成子模块包括：
计算单元，用于对所述有向图的节点表示向量进行内积计算，得到对应的相关性矩阵；
转换单元，用于对所述相关性矩阵进行转换处理，得到与所述有向图对应的直方图特征。
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分析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，第三处理子模块包括：
处理单元，用于对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行拼接处理，得到对应的拼接特征；
获取单元，用于将所述拼接特征输入至所述相似分析模型中的全连接层内，获取所述全连接输出的与所述目标有向图对应的输出结果；
确定单元，用于将所述输出结果作为所述目标相似结果。
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分析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，分类模块303包括：
第二生成子模块，用于基于预设的文本表示模型对所述对话文本进行处理，生成与所述对话文本的文本表示数据；
提取子模块，用于基于预设的特征提取模型对所述文本表示数据进行特征提取，得到对应的特征数据；
确定子模块，用于将所述特征数据作为所述主题标签。
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分析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，构建模块304，包括：
第一获取子模块，用于获取预设的目标字段；
第二获取子模块，用于基于所述目标字段，从所述对话文本中获取所述目标字段对应的目标数据；
构建子模块，用于基于所述目标数据与所述主题标签构建所述有向图。
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分析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分析装置还包括：
第二获取模块，用于获取所述相似结果；
生成模块，用于基于所述相似结果生成对应的对话分析报告；
存储模块，用于存储所述对话分析报告。
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分析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***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***和各类应用软件，例如基于人工智能的数据分析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分析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，首先加载获取用户与坐席在业务沟通过程中的语音对话数据；然后将所述语音对话数据转化为文本数据，并按照预设的信息类型对所述文本数据进行转换得到对应的对话文本；之后按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签；后续基于所述对话文本与所述主题标签构建对应的有向图；最后基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果。本申请实施例通过基于利用用户与坐席在业务沟通过程中的对话文本以及对话文本的主题标签来完成有向图的构建，进而使用相似分析模型对构建的有向图进行相似分析处理，可以实现快速准确地生成有向图之间的相似结果，提高了相似结果的生成效率，保证了相似结果的数据准确度。本申请基于相似分析模型对话术的主题路径的相似关系进行分析研究以得到相应的相似结果，有利于后续可以帮助坐席端从语音对话数据中发现共性对话路径，从而可以基于共性对话路径的相似逻辑及时进行合理话术调整以引导用户形成最优购买路径，有利于提高坐席的工作体验。
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分析方法的步骤。
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，首先加载获取用户与坐席在业务沟通过程中的语音对话数据；然后将所述语音对话数据转化为文本数据，并按照预设的信息类型对所述文本数据进行转换得到对应的对话文本；之后按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签；后续基于所述对话文本与所述主题标签构建对应的有向图；最后基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果。本申请实施例通过基于利用用户与坐席在业务沟通过程中的对话文本以及对话文本的主题标签来完成有向图的构建，进而使用相似分析模型对构建的有向图进行相似分析处理，可以实现快速准确地生成有向图之间的相似结果，提高了相似结果的生成效率，保证了相似结果的数据准确度。本申请基于相似分析模型对话术的主题路径的相似关系进行分析研究以得到相应的相似结果，有利于后续可以帮助坐席端从语音对话数据中发现共性对话路径，从而可以基于共性对话路径的相似逻辑及时进行合理话术调整以引导用户形成最优购买路径，有利于提高坐席的工作体验。
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分析方法，其特征在于，包括下述步骤：
获取用户与坐席在业务沟通过程中的语音对话数据；
将所述语音对话数据转化为文本数据，并按照预设的信息类型对所述文本数据进行转换得到对应的对话文本；
按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签；
基于所述对话文本与所述主题标签构建对应的有向图；其中，所述有向图的数量包括多个；
基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果；其中，所述相似分析模型由图卷积网络、张量神经网络与全连接层构成。
2.根据权利要求1所述的基于人工智能的数据分析方法，其特征在于，所述基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果的步骤，具体包括：
通过所述相似分析模型中的图卷积网络对各个所述有向图中各个节点的特征进行重构处理，得到对应的节点表示向量；
基于预设的注意力机制对各个所述有向图进行编码处理，得到各个所述有向图的图特征向量；
基于所述相似分析模型中的张量神经网络对各个所述有向图的图特征向量进行处理，得到目标有向图之间的相似度向量；其中，目标有向图为所有所述有向图中的任意两个；
基于所述节点表示向量生成所述有向图的直方图特征；
基于所述相似分析模型中的全连接层对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行处理，得到所述目标有向图之间的目标相似结果。
3.根据权利要求2所述的基于人工智能的数据分析方法，其特征在于，所述基于所述节点表示向量生成所述有向图的直方图特征的步骤，具体包括：
对所述有向图的节点表示向量进行内积计算，得到对应的相关性矩阵；
对所述相关性矩阵进行转换处理，得到与所述有向图对应的直方图特征。
4.根据权利要求2所述的基于人工智能的数据分析方法，其特征在于，所述基于所述相似分析模型中的全连接层对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行处理，得到所述目标有向图之间的目标相似结果的步骤，具体包括：
对所述目标有向图之间的相似度向量与所述目标有向图之间的目标直方图特征进行拼接处理，得到对应的拼接特征；
将所述拼接特征输入至所述相似分析模型中的全连接层内，获取所述全连接输出的与所述目标有向图对应的输出结果；
将所述输出结果作为所述目标相似结果。
5.根据权利要求1所述的基于人工智能的数据分析方法，其特征在于，所述按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签的步骤，具体包括：
基于预设的文本表示模型对所述对话文本进行处理，生成与所述对话文本的文本表示数据；
基于预设的特征提取模型对所述文本表示数据进行特征提取，得到对应的特征数据；
将所述特征数据作为所述主题标签。
6.根据权利要求1所述的基于人工智能的数据分析方法，其特征在于，所述基于所述对话文本与所述主题标签构建对应的有向图的步骤，具体包括：
获取预设的目标字段；
基于所述目标字段，从所述对话文本中获取所述目标字段对应的目标数据；
基于所述目标数据与所述主题标签构建所述有向图。
7.根据权利要求1所述的基于人工智能的数据分析方法，其特征在于，在所述基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果的步骤之后，还包括：
获取所述相似结果；
基于所述相似结果生成对应的对话分析报告；
存储所述对话分析报告。
8.一种基于人工智能的数据分析装置，其特征在于，包括：
第一获取模块，用于获取用户与坐席在业务沟通过程中的语音对话数据；
转化模块，用于将所述语音对话数据转化为文本数据，并按照预设的信息类型对所述文本数据进行转换得到对应的对话文本；
分类模块，用于按照预设规则对所述对话文本进行分类处理，得到与所述对话文本对应的主题标签；
构建模块，用于基于所述对话文本与所述主题标签构建对应的有向图；其中，所述有向图的数量包括多个；
处理模块，用于基于预设的相似分析模型对所述有向图进行相似分析处理，生成各个所述有向图之间的相似结果；其中，所述相似分析模型由图卷积网络、张量神经网络与全连接层构成。
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分析方法的步骤。
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分析方法的步骤。
CN202310699562.9A 2023-06-13 2023-06-13 基于人工智能的数据分析方法、装置、设备及存储介质 Pending CN116628137A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310699562.9A CN116628137A (zh) 2023-06-13 2023-06-13 基于人工智能的数据分析方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310699562.9A CN116628137A (zh) 2023-06-13 2023-06-13 基于人工智能的数据分析方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116628137A true CN116628137A (zh) 2023-08-22

Family

ID=87609846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310699562.9A Pending CN116628137A (zh) 2023-06-13 2023-06-13 基于人工智能的数据分析方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116628137A (zh)

Similar Documents

Publication Publication Date Title
US20190392258A1 (en) Method and apparatus for generating information
CN112463968B (zh) 文本分类方法、装置和电子设备
CN114358023B (zh) 智能问答召回方法、装置、计算机设备及存储介质
CN112182157B (zh) 在线序列标注模型的训练方法、在线标注方法及相关设备
CN112199954B (zh) 基于语音语义的疾病实体匹配方法、装置及计算机设备
CN116563034A (zh) 基于人工智能的购买预测方法、装置、设备及存储介质
CN117275466A (zh) 一种业务意图识别方法、装置、设备及其存储介质
CN113836235B (zh) 基于数据中台的数据处理方法及其相关设备
CN115827865A (zh) 一种融合多特征图注意力机制的不良文本分类方法及***
CN116628137A (zh) 基于人工智能的数据分析方法、装置、设备及存储介质
CN114637831A (zh) 基于语义分析的数据查询方法及其相关设备
CN116821298A (zh) 一种应用于投保信息的关键词自动识别方法、及相关设备
CN117251631A (zh) 基于人工智能的信息推荐方法、装置、设备及存储介质
CN116596680A (zh) 一种投保信息实时调整方法、装置、设备及其存储介质
CN118015639A (zh) 表格关系分析方法、装置、计算机设备及存储介质
CN117034114A (zh) 基于人工智能的数据预测方法、装置、设备及存储介质
CN116502624A (zh) 训练语料的扩充方法、装置、计算机设备及存储介质
CN116450943A (zh) 基于人工智能的话术推荐方法、装置、设备及存储介质
CN117057362A (zh) 基于人工智能的意图识别方法、装置、设备及存储介质
CN116932739A (zh) 基于人工智能的数据生成方法、装置、设备及存储介质
CN117909489A (zh) 基于人工智能的数据生成方法、装置、设备及存储介质
CN117235260A (zh) 基于人工智能的文本标注方法、装置、设备及存储介质
CN117217684A (zh) 指标数据的处理方法、装置、计算机设备及存储介质
CN116627416A (zh) 页面配置方法、装置、计算机设备及存储介质
CN116166858A (zh) 基于人工智能的信息推荐方法、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
SE01 Entry into force of request for substantive examination