CN118113828A - 推荐话术内容生成方法及电子设备 - Google Patents

Abstract

本申请实施例公开了推荐话术内容生成方法及电子设备，所述方法包括：对客服人员与用户进行对话的过程中产生的对话内容进行监测；如果所述客服人员针对所述用户的第一诉求执行了向所述用户发送解决方案的操作，则构造用于与内容生成模型进行交互的提示文本，并将所述用户关联的对话内容输入到所述内容生成模型中，以便所述内容生成模型确定所述用户对解决方案是否认可或者是否产生第二诉求/问题，并生成对应的推荐话术；将所述推荐话术提供给所述客服人员，以便所述客服人员根据所述推荐话术与所述用户进行对话。通过本申请实施例，可以提升沟通的效率及用户体验，同时降低对客服人员在使用语言方面的技巧等技能的依赖。

Description

推荐话术内容生成方法及电子设备

技术领域

本申请涉及内容生成技术领域，特别是涉及推荐话术内容生成方法及电子设备。

背景技术

在商品信息服务***中，经常会产生一些售后问题，在消费者与商家之间就一些问题无法达成一致，甚至出现纠纷等情况时，消费者可以通过平台方的客服***进行投诉，之后，可以由平台方的人工客服通过在线对话或者电话等方式了解消费者的诉求，并为消费者提供解决方案。当然，除了售后问题，消费者还可以就平台方发起的营销活动等问题向平台方客服发起咨询，等等。

在上述由人工客服人员向消费者进行服务的过程中，除了为消费者提供适合的解决方案之外，客服人员通常还需要与消费者进行一些对话，包括了解用户的诉求，等等。其中，这种对话过程中，客服人员采用怎样的话术与消费者进行沟通也是很重要的，适合的话术能够提升沟通效果，更切实地帮消费者解决问题。但是，这就对客服人员的能力提出了比较高的要求，另外，客服人员在思考如何表达时也会耗费比较多的时间，以至于影响服务效率，等等。

为了帮助客服人员提升服务效果，一些***中能够为客服人员推荐一些话术，但是，这种推荐的话术大部分是预先配置好的，主要用于情绪安抚和打招呼等，通常难以起到解决用户问题等作用。

发明内容

本申请提供了推荐话术内容生成方法及电子设备，可以提升沟通的效率及用户体验，同时降低对客服人员在使用语言方面的技巧等技能的依赖。

本申请提供了如下方案：

一种推荐话术内容生成方法，包括：

对客服人员与用户进行对话的过程中产生的对话内容进行监测；

如果所述客服人员针对所述用户的第一诉求执行了向所述用户发送解决方案的操作，则构造用于与内容生成模型进行交互的提示文本，并将所述用户关联的对话内容输入到所述内容生成模型中，以便所述内容生成模型确定所述用户对解决方案是否认可或者是否产生第二诉求/问题，并生成对应的推荐话术；

将所述推荐话术提供给所述客服人员，以便所述客服人员根据所述推荐话术与所述用户进行对话。

其中，所述推荐话术用于针对用户对解决方案的认可/不认可情况或者所述第二诉求/问题，向用户进行追问/追答。

其中，所述对所述内容生成模型进行调用之前还包括：

根据所述用户提交的对所述解决方案认可或不认可的反馈信息，或者，通过对所述用户收到所述解决方案之后产生的对话内容中包含的关键词，对所述用户对所述解决方案认可或不认可情况进行预判，并将反馈信息或预判结果信息输入到所述内容生成模型中，以便所述内容生成模型在生成所述推荐话术的过程中进行参考。

其中，在根据所述用户关联的对话内容构造用于与内容生成模型进行交互的提示文本时，所述用户关联的对话内容包括：所述用户与所述客服人员在当前对话过程中，所述解决方案发送前后产生的对话内容，以及所述用户的历史咨询过程中产生的历史对话内容。

其中，所述内容生成模型通过以下方式进行预训练：

对服务流程执行规范中的解决方案关键节点的信息进行提取；

获取多种解决方案对应的标准问题，枚举出解决方案可能被认可或者不认可的理由，并针对多种理由分别追问/追答提供对应的话术样例；

收集多个客服人员与多个用户之间的历史对话记录信息；

通过将所述话术样例以及所述历史对话记录信息输入到人工智能AI大语言模型中，由所述AI大语言模型通过对所述多种解决方案在多种情况下追问/追答的话术样例进行总结，并按照所述服务流程执行规范对所述历史对话记录信息中涉及到的用户问题、信息状态进行服务流程模拟，确定出合理的解决方案以及追问/追答话术样例，通过将模拟结果与所述历史对话记录中客服人员实际给出的解决方案以及追问/追答话术进行比对，确定所述历史对话记录中客服人员实际给出的解决方案以及追问/追答话术是否合理，并进行标注；

利用标注后的数据对所述内容生成模型进行预训练。

其中，还包括：

在所述客服人员与用户进行对话之前，确定内容生成模型所需的核心输入参数信息，所述核心输入参数信息包括：所述用户在当前服务会话中已产生的对话内容，和/或关联的历史服务会话中产生的历史对话内容；

构造用于与所述内容生成模式进行对话的提示文本，并将所述核心输入参数信息输入到所述内容生成模型中，以使得所述内容生成模型根据所述核心输入参数信息进行关键问题提取，并对用户诉求、历史处理结果和/或对话双方争议点进行分析后，生成推荐的首问话术内容，所述推荐的首问话术内容中包括对所述用户可能需要提问的问题进行描述，以及基于总结出的用户诉求进行反问。

其中，所述内容生成模型还用于：对用户关联的对话内容进行情绪识别，并对生成的推荐话术进行同理心润色处理。

一种内容生成模型的预训练方法，包括：

对客户服务流程执行规范中的解决方案关键节点的信息进行提取；

获取多种解决方案对应的标准问题，枚举出解决方案可能被认可或者不认可的理由，并针对多种理由分别追问/追答提供对应的话术样例；

收集多个历史服务会话中客服人员与用户之间的历史对话内容信息；

通过将所述话术样例以及所述历史对话内容信息输入到人工智能AI大语言模型中，由所述AI大语言模型通过对所述多种解决方案在多种情况下追问/追答的话术样例进行总结，并按照所述服务流程执行规范对所述历史对话记录信息中涉及到的用户问题、信息状态进行标准服务流程模拟，确定出合理的解决方案以及追问/追答话术样例，通过将模拟结果与所述历史对话内容中客服人员实际给出的解决方案以及追问/追答话术进行比对，确定所述历史对话内容中客服人员实际给出的解决方案以及追问/追答话术是否合理，并进行标注；

利用标注后的数据对所述内容生成模型进行预训练，以使得在客服人员针对用户的第一诉求向用户提供解决方案后，由所述内容生成模型根据用户关联的对话内容，确定用户对解决方案是否认可或者是否产生第二诉求/问题，并生成对应的推荐话术。

一种推荐话术内容生成方法，包括：

在客服人员与用户进行对话之前，确定内容生成模型所需的核心输入参数信息，所述核心输入参数信息包括：所述用户在当前服务会话中已产生的对话内容，和/或关联的历史服务会话中产生的历史对话内容；

构造用于与所述内容生成模式进行对话的提示文本，并将所述核心输入参数信息输入到所述内容生成模型中，以使得所述内容生成模型根据所述核心输入参数信息进行关键问题提取，并对用户诉求、历史处理结果和/或对话双方争议点进行分析后，生成推荐的首问话术内容，所述推荐的首问话术内容中包括对所述用户可能需要提问的问题进行描述，以及基于总结出的用户诉求进行反问。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述的方法的步骤。

一种电子设备，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行前述任一项所述的方法的步骤。

一种计算机程序产品，包括计算机程序/计算机可执行指令，其特征在于，所述计算机程序/计算机可执行指令被电子设备中的处理器执行时实现前述任一项所述方法的步骤。

根据本申请提供的具体实施例，本申请公开了以下技术效果：

通过本申请实施例，在由客服人员向用户提供咨询服务的过程中，可以对双方产生的对话内容进行监测，如果客服人员针对用户的第一诉求执行了向所述用户发送解决方案的操作，则可以构造用于与内容生成模型进行交互的提示文本，并将所述用户关联的对话内容输入到所述内容生成模型中，以便所述内容生成模型确定判断所述用户对解决方案是否认可或者是否产生了第二诉求/问题，并生成对应的推荐话术。进而，可以将所述推荐话术提供给所述客服人员，以便所述客服人员根据所述推荐话术与所述用户进行对话。通过这种方式，在客服人员提供了某个解决方案之后，可以通过内容生成模型推理出用户对该解决方案是否认可或者是否产生了第二诉求/问题诉求，并且可以针对具体的情况生成推荐的话术，因此，客服人员可以使用这种推荐话术对用户进行进一步的对话，从而可以提升沟通的效率及用户体验，同时降低对客服人员在使用语言方面的技巧等技能的依赖。

当然，实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本申请实施例提供的***架构的示意图；

图2是本申请实施例提供的第一方法的流程图；

图3是本申请实施例提供的第一界面的示意图；

图4是本申请实施例提供的第二界面的示意图；

图5是本申请实施例提供的第二方法的流程图；

图6是本申请实施例提供的第三方法的流程图；

图7是本申请实施例提供的电子设备的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，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。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。

在本申请实施例中，为了帮助客服人员提供服务效率，同时帮助用户解决问题，提供了相应的解决方案。在该方案中，可以智能生成推荐话术，其中，所谓话术，也即说话过程中语言使用的技巧、方法等。高质量的话术可以更加完善的表达出自己的意思，增加所传递讯息的清晰性，进而收获到良好的结果或者预期的结果。

具体的，考虑到客服人员在与用户进行沟通的过程中，通常需要通过一轮或者多轮对话了解用户诉求后，可以给出解决方案，而在给出解决方案之后，用户可能认可该解决方案也可能不认可，或者还可能产生了额外的诉求或提出新的问题，此时，客服人员可能需要通过对用户进行进一步的追问/追答，以便为用户提供满意的解决方案，等等。在上述过程中，对用户的追问/追答过程采用怎样的话术是很重要的，需要考虑的因素也会更多，因此，对于客服人员而言，这种追问/追答过程中的话术能力要求会更高，同时客服人员在思考如何进行追问/追答时也会耗费比较多的时间。

针对该情况，在本申请实施例中，提供了基于AIGC(Artificial IntelligenceGeneral Computationalism，人工智能生产内容)来生成用于追问/追答的推荐话术，以使得客服人员可以基于这种推荐话术与用户进行对话，从而提升服务效率，并有利于提升用户的满意度。

AIGC描述了一种理论框架，它认为人工智能***可以通过模仿人类的智能行为和思维过程来实现智能。AIGC的核心思想是，人工智能***可以通过使用计算模型来模拟人类的大脑和认知过程，从而实现智能行为。换言之，计算模型可以提供对人类智能的解释和模拟，同时也可以用于构建更高级别的人工智能***。AIGC的目标是建立一种理论框架，以便更好地理解和实现人工智能。在上述框架的基础上，业内涌现出了多种生成式模型，包括“文生文”模型(基于文本生成文本)，“文生图”模型(基于文本生成图像)，“图生文”模型(基于图像生成文本)，等等。在本申请实施例中，就可以利用这种“文生文”的AI大模型来实现与推荐话术相关的内容生成。

具体的，可以对客服人员与用户进行对话的过程中产生的对话内容进行监测，如果所述客服人员向用户发送了某个解决方案，则可以构造用于与内容生成模型进行交互的提示文本(Prompt)，并将用户关联的对话内容(可以包括当前咨询过程中，在上述解决方案被发送前后产生的对话内容，还可以包括最近一段时间产生的历史对话内容，等等)输入到内容生成模型中，以使得内容生成模型确定用户对当前提供的解决方案是否认可或是否产生了额外的第二诉求/问题，并生成用于针对认可或不认可情况或第二诉求/问题进行追问/追答的推荐话术。这样，客服人员可以基于这种推荐话术与用户进行对话。

其中，为了使得内容生成模型具有上述能力，或者为了保证生成的推荐话术的质量，还可以预先对内容生成模型进行预训练。其中，与训练时，首先可以对服务流程执行规范中的解决方案(客服人员可以基于该规范向用户提供具体的解决方案)关键节点的信息进行提取，并获取多种解决方案对应的标准问题，枚举出解决方案可能被认可或者不认可的理由，并针对多种理由分别进行追问/追答时提供对应的话术样例。另外，还可以收集多个客服人员与多个用户之间的历史对话记录信息，通过将所述话术样例以及所述历史对话记录信息输入到AI大语言模型(与前述内容生成模型可以是不同的，该AI大语言模型主要用来对训练样本进行自动标注，以此省去人工标注的过程)中，由AI大语言模型通过对所述多种解决方案在多种情况下追问/追答时的话术样例进行总结，并对所述历史对话记录信息中客服人员给出的解决方案以及追问/追答的话术是否合理进行标注。这样进行标注后，可以利用这种带有标注信息的训练样本，对内容生成模型进行训练，以使得内容生成模型能够在多种不同的场景中，生成高质量的推荐话术。

从***架构角度而言，参见图1，本申请实施例可以本申请实施例可以应用于商品信息服务***中，具体可以是在客服人员的工作台***中提供具体的智能生成推荐话术的服务功能。具体实现时，用户在向平台方发出投诉等咨询请求后，可以由平台中的客服人员为用户提供服务，在服务的过程中，本申请实施例就可以对双方产生的对话内容进行监测，如果客服人员执行了向所述用户发送解决方案的操作，则可以通过内容生成模型生成用于对用户进行追问/追答的推荐话术。这种内容生成模型可以是预先通过样本进行预训练的，具体样本的标注过程也可以在人工提供部分样例的基础上，由AI大模型来自动完成。

下面对本申请实施例提供的具体实现方案进行详细介绍。

实施例一

首先，该实施例一提供了一种推荐话术内容生成方法，参见图2，该方法可以包括：

S201：对客服人员与用户进行对话的过程中产生的对话内容进行监测。

其中，客服人员可以包括人工客服，还可以包括客服机器人，等等。具体的，在用户需要针对与商家之前产生的纠纷等进行投诉，或者，需要对平台方的营销活动进行咨询，等等，都可以与平台方的客服人员进行沟通。在本申请实施例中，用户可以通过客户端中提供的具体访问入口与平台方的客服人员进行在线的对话，用户可以通过界面中提供的聊天窗口等输入自己的问题等需要投诉或者咨询的内容，客服人员回复的内容也可以展示在该聊天窗口中。

S202：如果所述客服人员针对所述用户的第一诉求执行了向所述用户发送解决方案的操作，则构造用于与内容生成模型进行交互的提示文本，并将所述用户关联的对话内容输入到所述内容生成模型中，以便所述内容生成模型确定所述用户对解决方案是否认可或者是否产生第二诉求/问题/，并生成对应的推荐话术。

具体的，客服人员与用户进行对话的过程中，双方每做一个动作(例如，双方每输入一句话，等等)都可以调用内容生成模型进行话术推荐。由于从客服人员角度而言，具体产生的对话内容可以包括两种，一种是通过打字等方式输入具体的对话内容等，另一种则是向用户发送解决方案。其中，对于解决方案，由于通常可以是从标准的服务流程执行规范中进行选择，不需要执行具体的文字输入工作，因此，在对这种对话内容进行监测的过程中，可以根据输入方式的不同等，区分出这两类对话内容。进而，可以根据具体对话内容的不同类别，进行不同的话术内容推荐。具体的，如果具体动作对应的只是普通的对话内容，不涉及向用户发送解决方案，则可以推荐普通的通用话术。而如果客服人员针对用户的第一诉求向用户发送了某个解决方案，则可以进入到专业话术推荐流程。

具体的，在进行专业话术推荐流程中，可以自动构造出用于与内容生成模型进行交互的提示文本(Prompt，内容生成模型理论上可以生成任意内容，但需要通过“Prompt”理解需要它生成什么内容)，例如，“假设你是一个客服，已经给用户发送了某解决方案，你应该怎么对用户进行进一步的追问/追答？”，等等。另外，还可以将用户关联的对话内容作为输入参数输入给内容生成模型。其中，用户关联的对话内容可以包括当前咨询过程中用户与客服人员之间产生的对话内容，另外还可以包括该用户在历史咨询过程中产生的历史对话内容，等等。

其中，当前咨询过程中产生的对话内容中可以包括客服人员最近发送的解决方案信息，还可以包括发送该解决方案前后，双方的对话内容，等等。其中，发送解决方案之后的对话内容可以包括用户针对当前解决方案作出的反馈动作，或者收到解决方案之后进一步输入的对话内容，等等。具体的，在向用户发送解决方案时，可以以信息卡片等形式承载解决方案信息，使得用户可以执行点击等操作，以跳转到具体解决方案对应的承接页面，等等。在这种情况下，还可以在信息卡片中提供“认可”、“不认可”等选项，用户可以通过这种选项作出反馈。当然，用户也可以不理会该操作选项，而是在看到解决方案之后继续与客服人员进行对话，在这种对话内容中可能会表达出自己对该解决方案是否认可，或者，还可能提出进一步的额外诉求/问题，等等。因此，也可以将这种在收到解决方案之后进一步产生的对话内容提供给内容生成模型，由内容生成模型通过对这种对话内容进行自然语言理解等，确定出用户是否对当前解决方案认可，或者是否具有某种额外的第二诉求/问题，等等。其中，在客服场景中，用户的问题与诉求通常是不同的概念，问题通常是用户针对某个订单等提出的售前或者售后的问题，诉求则用于表达用户具体想要让客服人员帮忙做什么。例如，假设用户输入的对话内容是：“某订单收到货之后，有坏果怎么办？可以退换货或者理赔吗？”，则用户的问题是“该订单收到的货品有质量问题”，诉求是“退换货或者获得相应的理赔”，等等。这里需要说明的是，关于具体的解决方案，在用户输入的对话内容中，可能直接包括诉求，或者可能仅对问题进行了描述，此时，也可以由大模型根据用户输入的问题对用户可能需要的诉求进行预测。例如，客服人员给出的解决方案是关于“赔付”的，用户进一步输入的对话内容为：“处罚商家”，则可以推断出用户在自己获得赔付基础上，还具有“对商家进行处罚”的进一步诉求，等等。或者，用户在看到客服人员给出的解决方案之后，也可能只是追问了某个问题，例如，客服人员给出的解决方案是关于“赔付”的，用户可能会问：“我什么时候能收到赔付款？”或者，“是原路退回吗？”，等等，这些都属于单纯的追问，等等。

历史对话内容可以是最近一段时间(例如，最近7天等)内通过多种不同的咨询渠道进行咨询时产生的对话内容，另外，如果当前咨询与某个订单相关，则也可以从历史对话内容中筛寻出与该订单有关的历史对话内容，等等。这种历史对话内容可以辅助生成具体的推荐话术。

内容生成模型在收到具体的提示文本以及上述对话内容之后，可以根据用户在收到当前解决方案之后作出的反馈动作或者输入的对话内容等，判断出用户是否认可当前解决方案，或者，是否具有进一步的额外诉求/问题。在此基础上，可以基于当前咨询过程中产生的对话内容，历史对话内容等，生成用于针对认可/不认可情况或所述额外诉求/问题进行追问/追答的推荐话术。

例如，如图3所示，假设用户与客服人员沟通过程中，表达自己的诉求为“针对某订单的商家服务态度问题进行投诉”，客服人员了解情况后给出的解决方案是，给客户进行“亲，您反馈的问题小二已经仔细登记，本次投诉卖家服务态度问题将记录卖家的考核指标(包括但不限于对店铺进行警告、扣分、降权等处罚)，同时平台也会持续加强监督，非常抱歉给您带来不好的购物体验”；用户在收到该解决方案之后，继续输入的对话内容为：“处罚”，该内容可以是用户追问的内容。将上述信息输入到内容生成模型之后，内容生成模型通过对用户在收到解决方案之后输入的对话内容可以理解到该用户对当前给出的“记录卖家的考核指标”方案可能是认可的，但是需要强调其中对商家进行“处罚”的部分，此时，可以针对这种情况生成推荐的话术。例如，具体的话术可以为：“某平台很重视您的消费者权益，我们有专门的部门监管商家，如果发现有商家违规，我们会根据情况进行处罚，譬如警告、扣分、甚至降权。请您放心，我们会尽力保障您的购物体验”。

需要说明的是，在具体实现时，内容生成模型在生成推荐话术的过程中，还可以进行用户情绪识别，并根据情绪识别的结果对推荐话术进行同理心润色。也即，可以通过情况识别，判断用户诉求的轻重缓急，进而对具体生成的话术给与不同情感的润色，以保证具体的话术能够启动同理心印象。例如，假设用户追问时加了多个“问号”，或者多个“感叹号”等，则代表用户当时的情绪可能比较激动，或者对当前遇到的问题比较看重，或比较紧急，此时，在生成推荐话术时，可以更多地表达出“设身处地的觉知、把握与理解了对用户的情绪和情感”方面的内容，以体现出客服人员在换位思考、倾听能力以及表达尊重等方面的能力。

另外，为了进一步提升内容生成模型生成的话术内容的质量，除了直接将用户关联的对话内容原文作为参数输入给内容生成模型，还可以根据所述用户提交的对所述解决方案认可或不认可的反馈信息，或者，通过对所述用户收到所述解决方案之后产生的对话内容中包含的关键词，对所述用户对所述解决方案认可或不认可情况进行预判，并将反馈信息或预判结果信息输入到所述内容生成模型中，以便所述内容生成模型在生成所述推荐话术的过程中进行参考。

需要说明的是，具体实现时，为了使得内容生成模型具有上述生成推荐话术的能力，或者，使得生成的推荐话术更合理准确，可以预先对内容生成模型进行预训练。也就是说，市面上的“文生文”类的内容生成模型，虽然理论上可以生成任意的内容，但是，如果不加以专门针对某应用场景的训练，则在该场景下进行内容生成时，实际生成的内容可能不一定适合该场景的需求，生成的内容可能是乱的，等等。因此，在具体实现时，可以针对本申请实施例中的场景需求对内容生成模型进行预训练。

具体在对内容生成模型进行预训练时，为了实现生成的推荐话术的多样性，可以收集客服***中的历史对话记录作为样本数据，使得内容生成模型能够从这些数据中学习到在各种情况下生成推荐话术的能力。但是，由于客服人员的服务能力各有不同，有些客服人员在为用户提供服务的过程中，所提供的解决方案、所使用的话术等可能是不合理的，因此，还需要对历史对话记录进行标注，从而产生正样本、负样本，这样可以提升内容生成模型的学习效果。

但是，由于历史对话记录数量众多，如果人工地对这些历史对话记录进行添加标签，则工作量会非常巨大，需要耗费大量的人力以及时间成本。因此，在本申请实施例中，还提供了通过AI大模型对历史对话记录进行自动标注的实现方案。

为了达到上述自动标注的目的，首先可以对服务流程执行规范中的关键节点进行提取，其中，服务流程执行规范也即标准动作执行规范，具体可以以流程树等形式存在，其中包括了多种标准问题下，分别需要对用户的哪些信息进行确认，各种信息状态下分别对应怎样的解决方案，或者也可以包括一些推荐话术等，当然，这里的推荐话术通常是人工配置的，属于常规话术。例如，某个标准问题(也即，用户可能会问到的问题)是，“我想退货退款怎么办”，则对应的流程树中的第一个节点就可以是确认是什么商品，之后，确定价格是多少，下单时间，物流状态(有没有发货、收货等)，有没有超过期限，等等。各种不同的状态都可以具有对应预先配置好的解决方案，这样，可以帮助客服人员快速确定出应该为用户提供怎样的解决方案。在本申请实施例中，具体提取出的关键节点的信息，就可以包括具体某个节点对应的信息状态、解决方案、人工配置的话术，等等。

在提取出上述关键节点上的信息之后，还可以通过人工的方式枚举出具体的解决方案可能被用户认可或者不认可的理由、用户可能具有的额外诉求等信息，并人工配置在认可/不认可、产生第二诉求/问题等情况下，分别对应的用于对用户进行追问/追答的话术。这些人工配置的数据可以作为样例，提供给AI大模型。另外，还可以将***中的历史对话记录输入到AI大模型中，这样，AI大模型就可以通过从对样例信息进行理解，从中总结出多种不同的情况下应该给出怎样的解决方案，以及应该采用怎样的话术进行追问/追答。进而，该AI大模型就可以按照服务流程执行规范对历史对话记录中的用户诉求、各个关键节点上的信息状态等进行服务流程模拟，这样可以确定出应该给出的解决方案以及追问/追答话术。之后，可以将模拟出的解决方案及话术与历史对话记录中客服人员实际给出的解决方案及话术进行对比，即可确定出客服人员实际给出的解决方案及追问/追答话术是否合理，并进行标注。这样可以标注出具体历史对话记录中客服人员给出的解决方案、追问/追答话术等是否合理。通过这种方式，即可完成对历史对话记录的自动标注。

需要说明的是，上述用于对历史对话记录进行自动标注的AI大模型，与具体用于进行推荐话术生成的内容生成模型，可以是不同的模型，当然，在实际应用中，也可以采用相同的模型来完成上述两个任务，等等。

在完成对历史对话记录的标注后，就可以利用带有标注结果的历史对话记录，对内容生成模型进行预训练，这样，内容生成模型就可以获取到针对各种不同情况生成用于对用户进行追问/追答的推荐话术。

S203：将所述推荐话术提供给所述客服人员，以便所述客服人员根据所述推荐话术与所述用户进行对话。

在内容生成模型生成推荐话术之后，便可以将这种推荐话术提供给客服人员，以使得客服人员能够根据这种推荐话术与用户进行对话，包括针对用户对解决方案的认可/不认可情况或者所述第二诉求/问题，向用户进行追问/追答，等等。例如，如图3所示，其示出了客服人员侧的对话窗口界面，在该对话窗口的31处，可以展示出内容生成模型生成的推荐话术内容，另外，还可以展示出对用户对当前解决方案是否认可或者是否具有额外的第二诉求/问题的判断结果。例如，在该图3所示的例子中，基于用户在收到解决方案之后做出的反馈动作或者输入的对话内容，判断出用户追问的第二诉求是“对商家进行处罚”，则可以在展示生成的推荐话术内容时，还展示出“会员追问：要求处罚商家”等对用户是否认可当前解决方案，或者是否具有额外的第二诉求/问题的判断结果，这样可以体现出当前给出的推荐话术的理由，便于帮助客服人员确认是否可以使用该推荐话术与用户进行对话。

以上所述对客服人员给出解决方案之后，根据用户的进一步反馈或者输入的更多对话内容，判断出用户是否认可或不认可该解决方案，或者是否具有进一步的额外的第二诉求/问题等情况下，向客服人员提供推荐的话术，以用于在用户认可或不认可或者具有第二诉求/问题的情况下，向用户进行追问/追答。而在实际应用中，除了上述追问/追答环节对于客服人员而言存在难点，或者，存在对客服人员的能力要求比较高之外，在用户进线发起咨询请求后，客服人员向用户提出的第一个问题(可以简称为“首问”)也是很重要的。在传统的方式下，“首问”的问题通常是对用户进行询问，让用户描述问题。但是，对于这种向平台客服发起咨询的情况而言，可能有很大一部分比例是可能是从其他咨询过程中转接进线，例如，用户进线后可能是首先通过客服机器人与用户进行对话，用户已经描述过自己的问题，但是客服机器人无法解决，需要转接人工客服时，当前的客服人员才会进线，等等。或者，用户之前进线咨询过，但是并未解决问题或遗留了部分问题等等，之后又重新进线发起咨询，等等。对于上述情况而言，如果客服人员的“首问”仍然是让用户描述问题，则对于用户而言的感受是被重复询问，然后需要重复描述自己的问题，因此，效率会比较低，用户体验比较差。当然，一种方式下，可以将用户的历史对话记录展示给当前客服人员，当前客服人员可以通过回顾历史对话记录来大致了解用户可能所需要解决的问题，但是，如果历史对话记录比较长，这个回顾的过程中也会比较耗费时间，可能会造成用户的长时间等待，等等。

因此，在本申请实施例中，针对这种转接进线或者重复进线的情况，也可以通过内容生成模型，生成关于“首问”的推荐话术。具体的，在用户进线后，可以获取推理所需要的核心参数信息(包括当前进线服务或历史进线服务过程中产生的历史对话记录信息等)、订单信息等。然后，可以通过内容生成模型从中进行关键问题提取，还可以对用户诉求、历史处理结果、双方争议点等进行分析，在此基础上，可以生成推荐的“首问”话术，该话术主要可以在上述分析的基础上，对用户进行反问。例如，分析出用户当前进线可能需要提问的问题是什么，然后在该“首问”话术中描述出该问题，另外还可以对用户针对该问题可能需要客服人员提供的帮助，向用户进行反问。这样，在推理正确的情况下，用户只需要回答“是的”等即可，而不需要再重复描述自己的问题及诉求，从而可以有效提升沟通效率，提升用户体验。

例如，如图4所示，假设某用户在几天前曾经进线过一次，描述了自己的问题是“退货不处理怎么办？”，客服人员进行了问题确认：“亲亲，请问是商家一直没有同意退货吗？”但是之后用户没有再进行回复，客服***由于用户长时间未收到用户响应而结束了会话。当该用户再次进线时，由于上次的问题可能尚未解决，因此，很可能是继续咨询上次的问题，因此，就可以通过内容生成模型推理出该情况，并生成推荐的“首问”话术，例如，如图4中的41处所示，推荐的“首问”话术可以是：“看到您说退货后商家不处理，请问是需要小二帮您催促商家同意退货吗？”，等等。该推荐话术可以展示在客服人员侧的对话窗口中，并提供“复制到输入框”等操作选项，如果客服人员确实需要使用该推荐话术，则可以通过该选项复制该推荐话术内容到输入框并点击发送即可，而不再需要客服人员自行回顾历史对话记录，可以提升效率，缩短用户的等待时间。另外，如果用户确实是需要继续咨询该退货问题，则直接回复“是的”即可，而不需要重复描述自己的问题及诉求。在确定了用户的问题及诉求之后，如果客服人员给出了某个解决方案，则可以基于前文所述的方案，通过对用户是否认可或不认可该解决方案，或者是否有额外的第二诉求/问题等，向客服人员提供用于针对用户针对上述解决方案的其中某种反馈情况向用户进行追问/追答的推荐话术，等等。

总之，通过本申请实施例，在由客服人员向用户提供咨询、投诉等服务的过程中，可以对双方产生的对话内容进行监测，如果客服人员执行了向所述用户发送解决方案的操作，则可以构造用于与内容生成模型进行交互的提示文本，并将所述用户关联的对话内容输入到所述内容生成模型中，以便所述内容生成模型判断所述用户对解决方案是否认可或者是否产生第二诉求/问题，并生成对应的推荐话术。进而，可以将所述推荐话术提供给所述客服人员，以便所述客服人员根据所述推荐话术与所述用户进行对话。通过这种方式，在客服人员提供了某个解决方案之后，可以通过内容生成模型推理出用户对该解决方案是否认可或者是否产生第二诉求/问题，并且可以针对具体的情况生成推荐的话术，因此，客服人员可以使用这种推荐话术与用户进行进一步的对话，从而可以提升沟通的效率及用户体验，同时降低对客服人员在使用语言方面的技巧等技能的依赖。

实施例二

该实施例二针对内容生成模型的预训练过程，提供了一种内容生成模型的预训练方法，参见图5，该方法可以包括：

S501：对客户服务流程执行规范中的解决方案关键节点的信息进行提取，并获取多种解决方案对应的标准问题，枚举出解决方案可能被认可或者不认可的理由，并针对多种理由分别进行追问/追答时提供对应的话术样例；

S502：收集多个历史服务会话中客服人员与用户之间的历史对话内容信息；

S503：通过将所述话术样例以及所述历史对话内容信息输入到人工智能AI大语言模型中，由所述AI大语言模型通过对所述多种解决方案在多种情况下追问/追答时的话术样例进行总结，并按照所述服务流程执行规范对所述历史对话记录信息中涉及到的用户问题、信息状态进行标准服务流程模拟，确定出合理的解决方案以及用于追问/追答的话术样例，通过将模拟结果与所述历史对话内容中客服人员实际给出的解决方案以及追问/追答的话术进行比对，确定所述历史对话内容中客服人员实际给出的解决方案以及追问/追答的话术是否合理，并进行标注；

S504：利用标注后的数据对所述内容生成模型进行预训练，以使得在客服人员针对用户的第一诉求向用户提供解决方案后，由所述内容生成模型根据用户关联的对话内容，确定用户对解决方案是否认可或者是否具有产生第二诉求/问题，并生成对应的推荐话术。

实施例三

该实施例三针对为客服人员生成首问推荐话术的方案，提供了一种推荐话术内容生成方法，参见图6，该方法可以包括：

S601：在客服人员与用户进行对话之前，确定内容生成模型所需的核心输入参数信息，所述核心输入参数信息包括：所述用户在当前服务会话中已产生的对话内容，和/或关联的历史服务会话中产生的历史对话内容；

S602：构造用于与所述内容生成模式进行对话的提示文本，并将所述核心输入参数信息输入到所述内容生成模型中，以使得所述内容生成模型根据所述核心输入参数信息进行关键问题提取，并对用户诉求、历史处理结果和/或对话双方争议点进行分析后，生成推荐的首问话术内容，所述推荐的首问话术内容中包括对所述用户可能需要提问的问题进行描述，以及基于总结出的用户诉求进行反问。

关于上述实施例二、三中的未详述部分内容，可以参见实施例一以及本说明书其他部分的记载，这里不再赘述。

需要说明的是，本申请实施例中可能会涉及到对用户数据的使用，在实际应用中，可以在符合所在国的适用法律法规要求的情况下(例如，用户明确同意，对用户切实通知，等)，在适用法律法规允许的范围内在本文描述的方案中使用用户特定的个人数据。

与实施例一相对应，本申请实施例还提供了一种推荐话术内容生成装置，该装置可以包括：

对话内容监测单元，用于对客服人员与用户进行对话的过程中产生的对话内容进行监测；

推荐话术生成单元，用于如果所述客服人员针对所述用户的第一诉求执行了向所述用户发送解决方案的操作，则构造用于与内容生成模型进行交互的提示文本，并将所述用户关联的对话内容输入到所述内容生成模型中，以便所述内容生成模型确定所述用户对解决方案是否认可或者是否产生第二诉求/问题，并生成对应的推荐话术；

将所述推荐话术提供给所述客服人员，以便所述客服人员根据所述推荐话术与所述用户进行对话。

具体的，所述推荐话术用于针对用户对解决方案的认可/不认可情况或者所述第二诉求/问题，向用户进行追问/追答。

具体实现时，该装置还可以包括：

预判单元，用于所述对所述内容生成模型进行调用之前，根据所述用户提交的对所述解决方案认可或不认可的反馈信息，或者，通过对所述用户收到所述解决方案之后产生的对话内容中包含的关键词，对所述用户对所述解决方案认可或不认可情况进行预判，并将反馈信息或预判结果信息输入到所述内容生成模型中，以便所述内容生成模型在生成所述推荐话术的过程中进行参考。

其中，在根据所述用户关联的对话内容构造用于与内容生成模型进行交互的提示文本时，所述用户关联的对话内容包括：所述用户与所述客服人员在当前对话过程中，所述解决方案发送前后产生的对话内容，以及所述用户的历史咨询过程中产生的历史对话内容。

具体的，所述内容生成模型可以通过以下方式进行预训练：

对服务流程执行规范中的解决方案关键节点的信息进行提取；

获取多种解决方案对应的标准问题，枚举出解决方案可能被认可或者不认可的理由，并针对多种理由分别追问/追答提供对应的话术样例；

收集多个客服人员与多个用户之间的历史对话记录信息；

通过将所述话术样例以及所述历史对话记录信息输入到人工智能AI大语言模型中，由所述AI大语言模型通过对所述多种解决方案在多种情况下追问/追答的话术样例进行总结，并按照所述服务流程执行规范对所述历史对话记录信息中涉及到的用户问题、信息状态进行服务流程模拟，确定出合理的解决方案以及追问/追答话术样例，通过将模拟结果与所述历史对话记录中客服人员实际给出的解决方案以及追问/追答话术进行比对，确定所述历史对话记录中客服人员实际给出的解决方案以及追问/追答话术是否合理，并进行标注；

利用标注后的数据对所述内容生成模型进行预训练。

另外，该装置还可以包括：

输入参数信息确定单元，用于在所述客服人员与用户进行对话之前，确定内容生成模型所需的核心输入参数信息，所述核心输入参数信息包括：所述用户在当前服务会话中已产生的对话内容，和/或关联的历史服务会话中产生的历史对话内容；

首问推荐话术生成单元，用于构造用于与所述内容生成模式进行对话的提示文本，并将所述核心输入参数信息输入到所述内容生成模型中，以使得所述内容生成模型根据所述核心输入参数信息进行关键问题提取，并对用户诉求、历史处理结果和/或对话双方争议点进行分析后，生成推荐的首问话术内容，所述推荐的首问话术内容中包括对所述用户可能需要提问的问题进行描述，以及基于总结出的用户诉求进行反问。

其中，所述内容生成模型还用于：对用户关联的对话内容进行情绪识别，并对生成的推荐话术进行同理心润色处理。

与实施例二相对应，本申请实施例还提供了一种内容生成模型的预训练装置，该装置可以包括：

信息提取单元，用于对客户服务流程执行规范中的解决方案关键节点的信息进行提取；

话术样例提供单元，用于获取多种解决方案对应的标准问题，枚举出解决方案可能被认可或者不认可的理由，并针对多种理由分别追问/追答提供对应的话术样例；

历史对话内容收集单元，用于收集多个历史服务会话中客服人员与用户之间的历史对话内容信息；

标注单元，用于通过将所述话术样例以及所述历史对话内容信息输入到人工智能AI大语言模型中，由所述AI大语言模型通过对所述多种解决方案在多种情况下追问/追答的话术样例进行总结，并按照所述服务流程执行规范对所述历史对话记录信息中涉及到的用户问题、信息状态进行标准服务流程模拟，确定出合理的解决方案以及追问/追答话术样例，通过将模拟结果与所述历史对话内容中客服人员实际给出的解决方案以及追问/追答话术进行比对，确定所述历史对话内容中客服人员实际给出的解决方案以及追问/追答话术是否合理，并进行标注；

训练单元，用于利用标注后的数据对所述内容生成模型进行预训练，以使得在客服人员针对用户的第一诉求向用户提供解决方案后，由所述内容生成模型根据用户关联的对话内容，确定用户对解决方案是否认可或者是否产生第二诉求/问题，并生成对应的推荐话术。

与实施例三相对应，本申请实施例还提供了一种推荐话术内容生成装置，该装置可以包括：

输入参数信息确定单元，用于在客服人员与用户进行对话之前，确定内容生成模型所需的核心输入参数信息，所述核心输入参数信息包括：所述用户在当前服务会话中已产生的对话内容，和/或关联的历史服务会话中产生的历史对话内容；

首问推荐话术生成单元，用于构造用于与所述内容生成模式进行对话的提示文本，并将所述核心输入参数信息输入到所述内容生成模型中，以使得所述内容生成模型根据所述核心输入参数信息进行关键问题提取，并对用户诉求、历史处理结果和/或对话双方争议点进行分析后，生成推荐的首问话术内容，所述推荐的首问话术内容中包括对所述用户可能需要提问的问题进行描述，以及基于总结出的用户诉求进行反问。

另外，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述方法实施例中所述的方法的步骤。

以及一种电子设备，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行前述方法实施例中所述的方法的步骤。

一种计算机程序产品，包括计算机程序/计算机可执行指令，其特征在于，所述计算机程序/计算机可执行指令被电子设备中的处理器执行时实现前述方法实施例所述方法的步骤。

其中，图7示例性的展示出了电子设备的架构，具体可以包括处理器710，视频显示适配器711，磁盘驱动器712，输入/输出接口713，网络接口714，以及存储器720。上述处理器710、视频显示适配器711、磁盘驱动器712、输入/输出接口713、网络接口714，与存储器720之间可以通过通信总线730进行通信连接。

其中，处理器710可以采用通用的CPU(Central Processing Unit，处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请所提供的技术方案。

存储器720可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器720可以存储用于控制电子设备700运行的操作***721，用于控制电子设备700的低级别操作的基本输入输出***(BIOS)。另外，还可以存储网页浏览器723，数据存储管理***724，以及推荐话术内容生成***725等等。上述推荐话术内容生成***725就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本申请所提供的技术方案时，相关的程序代码保存在存储器720中，并由处理器710来调用执行。

输入/输出接口713用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

网络接口714用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线730包括一通路，在设备的各个组件(例如处理器710、视频显示适配器711、磁盘驱动器712、输入/输出接口713、网络接口714，与存储器720)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器710、视频显示适配器711、磁盘驱动器712、输入/输出接口713、网络接口714，存储器720，总线730等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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，该计算机软件产品可以存储在存储介质中，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)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，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***或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的***及***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劳动的情况下，即可以理解并实施。

以上对本申请所提供的推荐话术内容生成方法及电子设备，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (12)

1.一种推荐话术内容生成方法，其特征在于，包括：

对客服人员与用户进行对话的过程中产生的对话内容进行监测；

如果所述客服人员针对所述用户的第一诉求执行了向所述用户发送解决方案的操作，则构造用于与内容生成模型进行交互的提示文本，并将所述用户关联的对话内容输入到所述内容生成模型中，以便所述内容生成模型确定所述用户对解决方案是否认可或者是否产生第二诉求/问题，并生成对应的推荐话术；

将所述推荐话术提供给所述客服人员，以便所述客服人员根据所述推荐话术与所述用户进行对话。

2.根据权利要求1所述的方法，其特征在于，

所述推荐话术用于针对用户对解决方案的认可/不认可情况或者所述第二诉求/问题，向用户进行追问/追答。

3.根据权利要求1所述的方法，其特征在于，

所述对所述内容生成模型进行调用之前还包括：

根据所述用户提交的对所述解决方案认可或不认可的反馈信息，或者，通过对所述用户收到所述解决方案之后产生的对话内容中包含的关键词，对所述用户对所述解决方案认可或不认可情况进行预判，并将反馈信息或预判结果信息输入到所述内容生成模型中，以便所述内容生成模型在生成所述推荐话术的过程中进行参考。

4.根据权利要求1所述的方法，其特征在于，

在根据所述用户关联的对话内容构造用于与内容生成模型进行交互的提示文本时，所述用户关联的对话内容包括：所述用户与所述客服人员在当前对话过程中，所述解决方案发送前后产生的对话内容，以及所述用户的历史咨询过程中产生的历史对话内容。

5.根据权利要求1所述的方法，其特征在于，

所述内容生成模型通过以下方式进行预训练：

对服务流程执行规范中的解决方案关键节点的信息进行提取；

获取多种解决方案对应的标准问题，枚举出解决方案可能被认可或者不认可的理由，并针对多种理由分别追问/追答提供对应的话术样例；

收集多个客服人员与多个用户之间的历史对话记录信息；

通过将所述话术样例以及所述历史对话记录信息输入到人工智能AI大语言模型中，由所述AI大语言模型通过对所述多种解决方案在多种情况下追问/追答的话术样例进行总结，并按照所述服务流程执行规范对所述历史对话记录信息中涉及到的用户问题、信息状态进行服务流程模拟，确定出合理的解决方案以及追问/追答话术样例，通过将模拟结果与所述历史对话记录中客服人员实际给出的解决方案以及追问/追答话术进行比对，确定所述历史对话记录中客服人员实际给出的解决方案以及追问/追答话术是否合理，并进行标注；

利用标注后的数据对所述内容生成模型进行预训练。

6.根据权利要求1所述的方法，其特征在于，还包括：

在所述客服人员与用户进行对话之前，确定内容生成模型所需的核心输入参数信息，所述核心输入参数信息包括：所述用户在当前服务会话中已产生的对话内容，和/或关联的历史服务会话中产生的历史对话内容；

构造用于与所述内容生成模式进行对话的提示文本，并将所述核心输入参数信息输入到所述内容生成模型中，以使得所述内容生成模型根据所述核心输入参数信息进行关键问题提取，并对用户诉求、历史处理结果和/或对话双方争议点进行分析后，生成推荐的首问话术内容，所述推荐的首问话术内容中包括对所述用户可能需要提问的问题进行描述，以及基于总结出的用户诉求进行反问。

7.根据权利要求1或6所述的方法，其特征在于，

所述内容生成模型还用于：对用户关联的对话内容进行情绪识别，并对生成的推荐话术进行同理心润色处理。

8.一种内容生成模型的预训练方法，其特征在于，包括：

对客户服务流程执行规范中的解决方案关键节点的信息进行提取；

获取多种解决方案对应的标准问题，枚举出解决方案可能被认可或者不认可的理由，并针对多种理由分别追问/追答提供对应的话术样例；

收集多个历史服务会话中客服人员与用户之间的历史对话内容信息；

通过将所述话术样例以及所述历史对话内容信息输入到人工智能AI大语言模型中，由所述AI大语言模型通过对所述多种解决方案在多种情况下追问/追答的话术样例进行总结，并按照所述服务流程执行规范对所述历史对话记录信息中涉及到的用户问题、信息状态进行标准服务流程模拟，确定出合理的解决方案以及追问/追答话术样例，通过将模拟结果与所述历史对话内容中客服人员实际给出的解决方案以及追问/追答话术进行比对，确定所述历史对话内容中客服人员实际给出的解决方案以及追问/追答话术是否合理，并进行标注；

利用标注后的数据对所述内容生成模型进行预训练，以使得在客服人员针对用户的第一诉求向用户提供解决方案后，由所述内容生成模型根据用户关联的对话内容，确定用户对解决方案是否认可或者是否产生第二诉求/问题，并生成对应的推荐话术。

9.一种推荐话术内容生成方法，其特征在于，包括：

在客服人员与用户进行对话之前，确定内容生成模型所需的核心输入参数信息，所述核心输入参数信息包括：所述用户在当前服务会话中已产生的对话内容，和/或关联的历史服务会话中产生的历史对话内容；

构造用于与所述内容生成模式进行对话的提示文本，并将所述核心输入参数信息输入到所述内容生成模型中，以使得所述内容生成模型根据所述核心输入参数信息进行关键问题提取，并对用户诉求、历史处理结果和/或对话双方争议点进行分析后，生成推荐的首问话术内容，所述推荐的首问话术内容中包括对所述用户可能需要提问的问题进行描述，以及基于总结出的用户诉求进行反问。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至9任一项所述的方法的步骤。

11.一种电子设备，其特征在于，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行权利要求1至9任一项所述的方法的步骤。

12.一种计算机程序产品，包括计算机程序/计算机可执行指令，其特征在于，所述计算机程序/计算机可执行指令被电子设备中的处理器执行时实现权利要求1至9任一项所述方法的步骤。