银行智能业务引导方法及系统

技术领域

本申请涉及语义处理技术领域，具体涉及一种银行智能业务引导方法及一种银行智能业务引导系统。

背景技术

传统的银行业务引导方法依赖于人工客服和现有的智能引导系统，但存在以下技术问题：

(1)人工客服工作量大、响应速度慢和一致性差，由于银行业务的复杂性和客户数量的增加，人工客服可能无法及时响应大量用户的需求，导致用户等待时间长，并且不同客服之间的解答可能存在不一致性，影响用户体验和满意度；

(2)现有智能引导系统的领域知识限制和缺乏个性化，现有智能引导系统在特定领域的业务理解和解答方面可能表现出较好的准确性，但在处理复杂的银行业务或个性化需求时可能存在局限性。缺乏对银行业务的深入理解和个性化服务，无法满足用户多样化的需求。

可见，目前缺乏针对银行业务咨询场景的业务咨询方案，虽然存在部分大场景下的人工智能引导方案，但针对银行业务的特殊性，现有的人工只能引导方案并不能很好地理解用户意图，并基于用户意图提供精准的业务引导。针对现有引导方案无法满足银行业务咨询需求的问题，需要提出一种针对银行业务咨询的引导方案。

发明内容

本申请实施例的目的是提供一种银行智能业务引导方法及系统，以解决现有引导方案无法满足银行业务咨询需求的问题。

为了实现上述目的，本申请第一方面提供一种银行智能业务引导方法，包括：采集用户咨询信息，并将所述咨询信息处理为文本信息；采集银行业务历史数据，并对所述银行业务历史数据进行至少包括脱敏处理的安全性预处理，将完成预处理后的历史数据拆分为多个训练集，并基于各训练集进行对应语言模型训练，获得多个语言模型；按照预设顺序排列多个语言模型，组成混合语言模型，并将所述文本信息作为所述混合语言模型的入参，执行语义识别，获得语义信息；基于用户是否存在留存信息的判定结果和所述语义信息生成并推送对应用户的业务回答信息。

在本申请实施例中，所述用户咨询信息包括：语音咨询信息、文本录入咨询信息、图像录入咨询信息。

在本申请实施例中，所述将所述咨询信息处理为文本信息，包括：若用户咨询信息为语音咨询信息，则基于对应的语音识别算法，将用户录入的语音咨询信息完整处理为文本信息；若用户咨询信息为文本录入咨询信息，则直接将用户的录入文本作为处理后的文本信息；若用户咨询信息为图像录入咨询信息，则基于OCR识别算法识别图像中的文本信息。

在本申请实施例中，所述预设多个语言模型包括：语言知识获取模型、意图识别模型和银行业务对应模型。

在本申请实施例中，所述按照预设顺序排列多个语言模型，组成混合语言模型，包括：基于预设顺序对多个语言模型进行首位串接排序，获得模型序列；所述模型序列的第一模型的入参为所述文本信息；所述模型序列的其他模型的入参为相邻上一个模型的输出数据。

在本申请实施例中，所述对所述银行业务历史数据进行安全性预处理，包括：遍历所述银行业务数据，对各数据项进行属性识别，并基于识别结果判断各数据项的敏感等级和语义识别价值等级；基于所述敏感等级和所述语义识别价值等级，确定对应各数据项的预处理方案，包括：若数据项的敏感等级大于预设敏感等级阈值，但语义识别价值等级小于预设价值等级阈值，则对该数据项执行脱敏处理；若数据项的敏感等级大于预设敏感等级阈值，且语义识别价值等级不小于预设价值等级阈值，则对该数据执行数据加密处理；若数据项的敏感等级不大于预设敏感等级阈值，则取消对应数据项的安全性预处理。

在本申请实施例中，所述方法还包括：在各语言模型的训练算法中，增加解密层和加密层；各训练算法接入训练样本数据后，在训练样本数据中识别加密数据，并在所述解密层中对所述加密数据进行解密，将解密获得的数据更新到训练样本中；基于更新后的训练样本执行模型训练，并在加密层中对解密后的数据进行再次加密。

在本申请实施例中，所述基于所述文本信息预设多个语言模型逐级训练，获得语义信息，包括：将所述文本信息作为所述语言知识获取模型的入参进行模型训练，提取文本信息中的关键词信息，并建立前后关键词的联系信息，作为第一中间信息；将所述第一中间信息作为所述意图识别模型的入参进行模型训练，基于文本信息中的关键词信息和前后关键词的联系信息识别用户意图，作为第二中间信息；将所述第二中间信息作为所述银行业务对应模型的入参进行模型训练，基于用户意图进行银行相关业务关联，作为语义信息。

在本申请实施例中，在获得语义信息后，所述方法还包括：基于用户意图计算各关联的银行相关业务的关联性，并基于关联性进行各银行相关业务排序。

在本申请实施例中，所述基于用户是否留存信息的判定结果和所述语义信息生成对应用户的业务回答信息，包括：若用户存在留存信息，则对用户身份信息进行审核，并在审核通过后基于用户的留存信息读取用户画像，基于用户画像确定用户的偏好信息；基于所述偏好信息对所述语义信息进行偏好设置，并基于偏好设置后的语义信息生成业务回答信息；若用户不存在留存信息，则直接基于所述语义信息生成业务回答信息。

在本申请实施例中，所述推送所述业务回答信息，包括：若业务回答信息为问题回答信息，则直接输出咨询问题答案，通过语音或文本的方式推送业务回答信息；若业务回答信息为业务指引信息，则生成业务办理流程图表或流程文本信息，通过图表或文本的方式推送业务回答信息。

本申请第二方面提供一种银行智能业务引导系统，包括：采集单元，用于采集用户咨询信息，并将所述咨询信息处理为文本信息；训练单元，用于基于所述文本信息对预设多个语言模型进行逐级训练，获得语义信息；答案生成单元，用于基于用户是否存在留存信息的判定结果和所述语义信息生成对应用户的业务回答信息；推送单元，用于推送所述业务回答信息。

本申请第三方面提供一种处理器，被配置成执行上述的银行智能业务引导方法。

本申请第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的银行智能业务引导方法。

本申请第五方面提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的银行智能业务引导方法。

通过上述技术方案，本发明方案通过结合银行业务特点和需求，针对银行业务数据安全性要求高的特征，进行训练集处理时，增加安全预处理过程，并保证在安全预处理过程中执行数据脱敏处理，保证数据安全性。进一步针对常规语义识别模型在应对银行业务场景下时无法理解用于意图或语义识别不准确的问题，提出了多语言模型训练的方案，通过多模型组合使用，切断模型层之间的数据强制关联，保证特殊场景下的语义识别精准度。通过智能引导助手，用户可以获得更快速、一致性更好且个性化的银行业务引导，提升用户满意度和体验。

本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：

图1示意性示出了根据本申请实施例的银行智能业务引导方法的步骤流程图；

图2示意性示出了根据本申请实施例的银行智能业务引导系统的系统结构图；

图3示意性示出了根据本申请实施例的计算机设备的内部结构图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明，若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

传统的银行业务引导方法依赖于人工客服和现有的智能引导系统，但存在以下技术问题：

(1)人工客服工作量大、响应速度慢和一致性差：：由于银行业务的复杂性和客户数量的增加，人工客服可能无法及时响应大量用户的需求，导致用户等待时间长，并且不同客服之间的解答可能存在不一致性，影响用户体验和满意度；

(2)现有智能引导系统的领域知识限制和缺乏个性化：现有智能引导系统在特定领域的业务理解和解答方面可能表现出较好的准确性，但在处理复杂的银行业务或个性化需求时可能存在局限性。缺乏对银行业务的深入理解和个性化服务，无法满足用户多样化的需求。

接近解决上述技术问题的实现方案是基于预训练语言模型的智能对话系统。这些系统利用预训练的大型语言模型(如GPT等)进行对话生成和理解，能够更好地理解用户的问题和意图，并生成自然流畅的回复，但它们缺乏对银行业务的深入理解和个性化服务，无法准确解答复杂的银行相关问题，同时也未能充分考虑数据安全、客户隐私和合规性等银行业特有的需求。与这些方案相比，本发明提供的创新性在于基于预训练语言模型的银行智能业务引导助手，将预训练语言模型与银行业务的特点和需求相结合，提供高效准确、个性化、安全和合规的银行业务引导服务。该发明旨在弥补现有技术的局限性，并为银行业务引导领域带来显著的改进和提升。

在现有技术中，传统的银行业务引导方法依赖于人工客服和现有的智能引导系统。然而，人工客服存在工作量大、响应速度慢和一致性差的问题，而现有的智能引导系统在领域知识限制和个性化方面存在局限性。

针对这些缺点，本发明方案旨在提供一种基于预训练语言模型的银行智能业务引导助手。通过结合银行业务特点和需求，利用预训练语言模型的能力，本发明方案旨在提供高效准确、个性化、安全和合规的银行业务引导服务。通过智能引导助手，用户可以获得更快速、一致性更好且个性化的银行业务引导，提升用户满意度和体验。

因此，本发明方案的目的是克服传统方法的局限性，提供更高效、准确、安全、私密和合规的银行业务引导服务，以满足用户对高质量、个性化和安全性的银行业务引导的需求。

图1示意性示出了根据本申请实施例的银行智能业务引导方法的流程示意图。如图1所示，在本申请一实施例中，提供了一种银行智能业务引导方法，包括以下步骤：

步骤S10：采集用户咨询信息，并将所述咨询信息处理为文本信息。

具体的，在实际应用场景中，用户往往通过多种方式发起咨询请求。例如针对导航机器人发起语音咨询请求，基于线上引导机器人传输咨询文本或图像信息发起请求。为了满足多样化的咨询请求受理方案，本发明方案提出了一种多样化的咨询信息采集方案。

优选的，所述用户咨询信息包括：语音咨询信息、文本录入咨询信息、图像录入咨询信息。

具体的，所述将所述咨询信息处理为文本信息，包括：若用户咨询信息为语音咨询信息，则基于对应的语音识别算法，将用户录入的语音咨询信息完整处理为文本信息；若用户咨询信息为文本录入咨询信息，则直接将用户的录入文本作为处理后的文本信息；若用户咨询信息为图像录入咨询信息，则基于OCR识别算法识别图像中的文本信息。

在本发明实施例中，后续系统进行语义识别是，是基于文本信息执行的语义识别模型训练，所以，即使提出了多样化的咨询问题采集方案，但依旧需要将所有采集的咨询问题处理为对应的文本信息，以便于后续计算机进行信息处理。对于语音咨询问题，可以直接基于成熟的语义识别算法，将用户语音信息处理为对应的文本信息。优选的，为了避免遗漏关键信息，或错误识别信息，对于用户录入的语义信息，需要进行无差别记录，记录所有的录入明细。进一步的，若存在识别歧义信息，需要同时保留多种识别信息，即针对同一段语音信息可能存在多个识别结果，需要同时保留这些结果，后续进行语义识别时，再进行无效文本过滤，采集阶段需要采集完整的录入信息。

进一步的，对于用户直接录入的文本信息，仅需要将所有录入信息作为处理后的文本信息便可。而对于用户录入的图像信息，则需要使用OCR等图像文本识别算法，从图像中提取文本关键信息，然后将提取的文本信息作为待训练的文本信息。

步骤S20：采集银行业务历史数据，并对所述银行业务历史数据进行至少包括脱敏处理的安全性预处理，将完成预处理后的历史数据拆分为多个训练集，并基于各训练集进行对应语言模型训练，获得多个语言模型。

具体的，本发明方案想要对用户的语义进行精准识别，以推算用户的咨询意图，想用户进行精准的业务引导，现有的人工智能语音识别方案无法满足银行特定业务场景下的语义识别需求。基于此，本发明方案需要针对银行业务特征进行适应性的模型训练，且为了保证业务引导精准性，本发明方案提出了多级模型训练的方案，即并非基于单一的语义识别模型进行文本语义识别，而是通过语言知识获取模型、意图识别模型和银行业务对应模型三级模型进行语义提取、意图识别和业务引导。

优选的，所述方法还包括：进行多个语言模型训练，包括：采集银行业务历史数据，并对所述银行业务历史数据进行安全性预处理；将完成安全性预处理后的银行业务历史数据依照各模型需求内容进行分类处理，获得多个数据集；基于各数据集进行对应语言模型训练，获得多个语言模型。

优选的，所述安全性预处理包括：数据加密处理和隐私脱敏处理。

在本发明实施例中，为了保证训练获得的模型能够适应银行业务场景，本发明方案需要将银行业务历史信息作为训练样本进行模型训练。但是，银行业务场景又存在对应的特殊性，即历史信息中存在大量的敏感数据，用户个人信息、账户信息等，这些信息关乎用户的信息安全，若对所有数据进行直接利用，则势必容易造成用户个人信息泄漏。基于此，本发明方案在生成训练样本时，需要对基础信息中的敏感数据进行脱敏操作，必要的敏感数据需要进行对应的加密操作，以保证获得适应于银行业务模型的同时，不会造成信息安全问题。

优选的，所述对所述银行业务历史数据进行安全性预处理，包括：遍历所述银行业务数据，对各数据项进行属性识别，并基于识别结果判断各数据项的敏感等级和语义识别价值等级；基于所述敏感等级和所述语义识别价值等级，确定对应各数据项的预处理方案，包括：若数据项的敏感等级大于预设敏感等级阈值，但语义识别价值等级小于预设价值等级阈值，则对该数据项执行脱敏处理；若数据项的敏感等级大于预设敏感等级阈值，且语义识别价值等级不小于预设价值等级阈值，则对该数据执行数据加密处理；若数据项的敏感等级不大于预设敏感等级阈值，则取消对应数据项的安全性预处理。

在本发明实施例中，通过预先构建分级库，标定各种数据项属性对应的敏感性等级和语义识别价值等级。例如，某些个体用户的个人身份信息，这些信息的敏感度特别高，但是其对进行广泛适用的语义识别模型的训练价值是很小的，那么这种数据便可以直接进行数据过滤，不需要放入训练样本中，避免个人身份信息泄漏。而部分敏感度很高，但是对语义识别模型的价值也很大的数据，便不得不放入训练样本，这部分数据为了避免因为泄漏而引发数据安全问题，需要在生成训练样本时进行加密处理。本发明方案通过构建分级库，确定各数据项的安全预处理方案，实现了各数据项的差异化处理，保证了数据安全。

优选的，所述方法还包括：在各语言模型的训练算法中，增加解密层和加密层；各训练算法接入训练样本数据后，在训练样本数据中识别加密数据，并在所述解密层中对所述加密数据进行解密，将解密获得的数据更新到训练样本中；基于更新后的训练样本执行模型训练，并在加密层中对解密后的数据进行再次加密。

在本发明实施例中，训练样本作为基础数据，其有很大的泄漏风险，因为需要对接大量的数据接口，以便于广泛采集历史数据，这些数据接口都有被攻击的风险。本发明方案保证训练样本状态下，数据是持续加密状态的。但是在训练过程中，现有的训练算法是无法对加密数据进行训练的，基于此，本发明方案对训练算法进行改进，增加解密层和加密层。输入引入算法后，首先通过解密层，将数据解密后获得原始数据，以便于基于原始数据执行模型训练。完成模型训练后，可能存在数据导出，为避免泄漏，对导出数据中解密获得的数据重新执行加密操作，保证数据脱离算法后的其他状态下，均是加密状态，进一步保证数据安全。

在一种可能的实施方式中，使用大规模的银行业务数据对语言知识获取模型进行训练，以获取银行业务的语言知识和上下文理解能力。可以采用Transformer架构和BERT(Bidirectional Encoder Representations from Transformers)算法进行模型的训练和优化，以提升模型的性能和效果。

在另一种可能的实施方式中，通过意图识别模型，对用户问题进行业务理解和意图识别，以确定用户的具体需求。可以采用基于BERT的分类模型或序列标注模型，如BERT-Intent、BERT-NER等，进行问题分类和意图识别，以提高问题理解和意图识别的准确性和效率。

在另一种可能的实施方案中，基于银行业务对应模型的理解能力，生成准确、连贯的引导和解答，为用户提供相关的银行业务信息和建议。可以采用生成式模型，如GPT(Generative Pre-trained Transformer)等，进行引导和解答的生成，以生成高质量的引导和解答。

步骤S30：按照预设顺序排列多个语言模型，组成混合语言模型，并将所述文本信息作为所述混合语言模型的入参，执行语义识别，获得语义信息。

具体的，将所述文本信息作为所述语言知识获取模型的入参进行模型训练，提取文本信息中的关键词信息，并建立前后关键词的联系信息，作为第一中间信息；将所述第一中间信息作为所述意图识别模型的入参进行模型训练，基于文本信息中的关键词信息和前后关键词的联系信息识别用户意图，作为第二中间信息；将所述第二中间信息作为所述银行业务对应模型的入参进行模型训练，基于用户意图进行银行相关业务关联，作为语义信息。

优选的，基于用户意图计算各关联的银行相关业务的关联性，并基于关联性进行各银行相关业务排序。

具体的，所述基于用户是否留存信息的判定结果和所述语义信息生成对应用户的业务回答信息，包括：若用户存在留存信息，则对用户身份信息进行审核，并在审核通过后基于用户的留存信息读取用户画像，基于用户画像确定用户的偏好信息；基于所述偏好信息对所述语义信息进行偏好设置，并基于偏好设置后的语义信息生成业务回答信息；若用户不存在留存信息，则直接基于所述语义信息生成业务回答信息。

优选的，所述按照预设顺序排列多个语言模型，组成混合语言模型，包括：基于预设顺序对多个语言模型进行首位串接排序，获得模型序列；所述模型序列的第一模型的入参为所述文本信息；所述模型序列的其他模型的入参为相邻上一个模型的输出数据。

在本发明实施例中，根据用户的个人信息、历史记录和偏好，提供个性化的银行业务引导和建议，满足用户特定的需求和要求。可以采用推荐算法、个性化排序等技术，结合用户数据和模型预测，提供个性化的服务体验。

步骤S40：基于用户是否存在留存信息的判定结果和所述语义信息生成并推送对应用户的业务回答信息。

具体的，若业务回答信息为问题回答信息，则直接输出咨询问题答案，通过语音或文本的方式推送业务回答信息；若业务回答信息为业务指引信息，则生成业务办理流程图表或流程文本信息，通过图标或文本的方式推送业务回答信息。

在本发明实施例中，对应多样化的咨询问题采集方案，本发明方案同样提出了多样化的咨询答案推送方案，针对用户喜好、回答类型进行适应性的答案推送，提高用户的使用体验。

图1为一个实施例中银行智能业务引导方法的流程示意图。应该理解的是，虽然图1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，这些步骤可以以其它的顺序执行。而且，图1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，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它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。

在一个实施例中，如图2所示，提供了一种银行智能业务引导系统，所述系统包括：

采集单元，用于采集用户咨询信息，并将所述咨询信息处理为文本信息。

具体的，在实际应用场景中，用户往往通过多种方式发起咨询请求。例如针对导航机器人发起语音咨询请求，基于线上引导机器人传输咨询文本或图像信息发起请求。为了满足多样化的咨询请求受理方案，本发明方案提出了一种多样化的咨询信息采集方案。

优选的，所述用户咨询信息包括：语音咨询信息、文本录入咨询信息、图像录入咨询信息。

具体的，所述将所述咨询信息处理为文本信息，包括：若用户咨询信息为语音咨询信息，则基于对应的语音识别算法，将用户录入的语音咨询信息完整处理为文本信息；若用户咨询信息为文本录入咨询信息，则直接将用户的录入文本作为处理后的文本信息；若用户咨询信息为图像录入咨询信息，则基于OCR识别算法识别图像中的文本信息。

在本发明实施例中，后续系统进行语义识别是，是基于文本信息执行的语义识别模型训练，所以，即使提出了多样化的咨询问题采集方案，但依旧需要将所有采集的咨询问题处理为对应的文本信息，以便于后续计算机进行信息处理。对于语音咨询问题，可以直接基于成熟的语义识别算法，将用户语音信息处理为对应的文本信息。优选的，为了避免遗漏关键信息，或错误识别信息，对于用户录入的语义信息，需要进行无差别记录，记录所有的录入明细。进一步的，若存在识别歧义信息，需要同时保留多种识别信息，即针对同一段语音信息可能存在多个识别结果，需要同时保留这些结果，后续进行语义识别时，再进行无效文本过滤，采集阶段需要采集完整的录入信息。

进一步的，对于用户直接录入的文本信息，仅需要将所有录入信息作为处理后的文本信息便可。而对于用户录入的图像信息，则需要使用OCR等图像文本识别算法，从图像中提取文本关键信息，然后将提取的文本信息作为待训练的文本信息。

训练单元，用于基于所述文本信息对预设多个语言模型进行逐级训练，获得语义信息。

具体的，本发明方案想要对用户的语义进行精准识别，以推算用户的咨询意图，想用户进行精准的业务引导，现有的人工智能语音识别方案无法满足银行特定业务场景下的语义识别需求。基于此，本发明方案需要针对银行业务特征进行适应性的模型训练，且为了保证业务引导精准性，本发明方案提出了多级模型训练的方案，即并非基于单一的语义识别模型进行文本语义识别，而是通过语言知识获取模型、意图识别模型和银行业务对应模型三级模型进行语义提取、意图识别和业务引导。

优选的，所述方法还包括：进行多个语言模型训练，包括：采集银行业务历史数据，并对所述银行业务历史数据进行安全性预处理；将完成安全性预处理后的银行业务历史数据依照各模型需求内容进行分类处理，获得多个数据集；基于各数据集进行对应语言模型训练，获得多个语言模型。

优选的，所述安全性预处理包括：数据加密处理和隐私脱敏处理。

在本发明实施例中，为了保证训练获得的模型能够适应银行业务场景，本发明方案需要将银行业务历史信息作为训练样本进行模型训练。但是，银行业务场景又存在对应的特殊性，即历史信息中存在大量的敏感数据，用户个人信息、账户信息等，这些信息关乎用户的信息安全，若对所有数据进行直接利用，则势必容易造成用户个人信息泄漏。基于此，本发明方案在生成训练样本时，需要对基础信息中的敏感数据进行脱敏操作，必要的敏感数据需要进行对应的加密操作，以保证获得适应于银行业务模型的同时，不会造成信息安全问题。

在一种可能的实施方式中，使用大规模的银行业务数据对语言知识获取模型进行训练，以获取银行业务的语言知识和上下文理解能力。可以采用Transformer架构和BERT(Bidirectional Encoder Representations from Transformers)算法进行模型的训练和优化，以提升模型的性能和效果。

在另一种可能的实施方式中，通过意图识别模型，对用户问题进行业务理解和意图识别，以确定用户的具体需求。可以采用基于BERT的分类模型或序列标注模型，如BERT-Intent、BERT-NER等，进行问题分类和意图识别，以提高问题理解和意图识别的准确性和效率。

在另一种可能的实施方案中，基于银行业务对应模型的理解能力，生成准确、连贯的引导和解答，为用户提供相关的银行业务信息和建议。可以采用生成式模型，如GPT(Generative Pre-trained Transformer)等，进行引导和解答的生成，以生成高质量的引导和解答。

答案生成单元，用于基于用户是否存在留存信息的判定结果和所述语义信息生成对应用户的业务回答信息。

具体的，将所述文本信息作为所述语言知识获取模型的入参进行模型训练，提取文本信息中的关键词信息，并建立前后关键词的联系信息，作为第一中间信息；将所述第一中间信息作为所述意图识别模型的入参进行模型训练，基于文本信息中的关键词信息和前后关键词的联系信息识别用户意图，作为第二中间信息；将所述第二中间信息作为所述银行业务对应模型的入参进行模型训练，基于用户意图进行银行相关业务关联，作为语义信息。

优选的，基于用户意图计算各关联的银行相关业务的关联性，并基于关联性进行各银行相关业务排序。

具体的，所述基于用户是否留存信息的判定结果和所述语义信息生成对应用户的业务回答信息，包括：若用户存在留存信息，则对用户身份信息进行审核，并在审核通过后基于用户的留存信息读取用户画像，基于用户画像确定用户的偏好信息；基于所述偏好信息对所述语义信息进行偏好设置，并基于偏好设置后的语义信息生成业务回答信息；若用户不存在留存信息，则直接基于所述语义信息生成业务回答信息。

在本发明实施例中，根据用户的个人信息、历史记录和偏好，提供个性化的银行业务引导和建议，满足用户特定的需求和要求。可以采用推荐算法、个性化排序等技术，结合用户数据和模型预测，提供个性化的服务体验。

推送单元，用于推送所述业务回答信息。

具体的，若业务回答信息为问题回答信息，则直接输出咨询问题答案，通过语音或文本的方式推送业务回答信息；若业务回答信息为业务指引信息，则生成业务办理流程图表或流程文本信息，通过图标或文本的方式推送业务回答信息。

在本发明实施例中，对应多样化的咨询问题采集方案，本发明方案同样提出了多样化的咨询答案推送方案，针对用户喜好、回答类型进行适应性的答案推送，提高用户的使用体验。

本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述银行智能业务引导方法。

本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述银行智能业务引导方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种银行智能业务引导方法。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的银行智能业务引导方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。