客户意向预测方法、装置、设备和介质

技术领域

本公开涉及金融科技技术领域，具体涉及人工智能技术领域，更具体地涉及一种客户意向预测方法、装置、设备和介质。

背景技术

在客户经理可能通过多种方式营销不同客户，例如通过电话外拨、短信外拨、网点服务以及外出营销等多种方式。在客户经理完成营销服务后，需记录营销服务日志，包括服务方式，客户信息，服务内容等内容。目前，记录来源于交易基本信息和客户经理手工录入信息，智能化程度较低，同时，由于客户经理的工作特性，不易于完成营销后及时记录，通常采用完成一天营销工作后再统一进行记录服务日志的方式，此时，往往记录的精确度不高，很难高质量的完成记录工作。一般而言，服务日志中需要记载某次服务的过程，并分析得出客户意向的结论，其中，该客户意向可以形成营销任务，进而实现下一步精准营销。因此，客户经理记录服务日志，仅记录服务内容，存在缺失客户意向，客户意向不准确的情况。

发明内容

鉴于上述问题，本公开提供了提高预测精准度和工作效率的客户意向预测方法、装置、设备和介质。

根据本公开的第一个方面，提供了一种客户意向预测方法，包括：在得到用户充分授权的情况下，获取服务过程中的第一对话语音；识别所述第一对话语音中的有效对话作为第二对话语音；将所述第二对话语音转化为有效对话文本；以及基于所述有效对话文本输出意向结果。

根据本公开的实施例，所述识别所述第一对话语音中的有效对话作为第二对话语音，包括：提取所述第一对话语音中的声学特征样本集；将所述声学特征样本集输入到预设的分类器中，输出声学分类结果，所述声学分类结果包括有效对话结果和无效对话结果；以及将所述第一对话语音中所述有效对话结果的部分作为第二对话语音。

根据本公开的实施例，所述声学特征样本集中包括P个声学特征样本，P为正整数，所述预设的分类器包括KNN，所述将所述声学特征样本集输入到预设的分类器中，输出声学分类结果，包括：对于任一声学特征样本，获取所述声学特征样本的K个近邻样本的K个类平均距离，K为正整数；计算所述声学特征样本与所述K个近邻样本的K个样本距离；基于所述K个类平均距离和所述K个样本距离，K个距离比值；保留K个距离比值中T个距离比值，Y为小于K的正整数；基于所述T个距离比值计算对应的T个近邻样本的权重；以及基于所述T个近邻样本的权重进行加权投票，确定所述声学分类结果。

根据本公开的实施例，所述声学分类结果包括情绪结果。

根据本公开的实施例，所述基于所述有效对话文本输出意向结果，包括：提取所述有效对话文本中的对话特征，得到对话特征序列；对所述对话特征序列进行上下文层级编码，得到序列上下文特征；以及基于所述序列上下文特征通过构建对话者语句交互有向图模型，输出意向结果。

根据本公开的实施例，所述有效对话文本包括N个有效对话语句，所述N个有效对话语句对应M个对话者，N和M为大于1的正整数，所述提取所述有效对话文本中的对话特征，得到对话特征序列，包括：对于任一所述有效对话语句，将所述有效对话语句转化为有效对话语句特征。

根据本公开的实施例，所述对所述对话特征序列进行上下文层级编码，得到序列上下文特征，包括：对于任一所述有效对话语句，分别计算所述有效对话语句的前向特征和后项特征，形成所述有效对话语句对应的上下文特征。

根据本公开的实施例，所述基于所述序列上下文特征通过构建对话者语句交互有向图模型，输出意向结果，包括：获取语句节点、对话者节点、信息集合以及关系类型，其中，语句节点是的所述有效对话语句的节点；基于所述语句节点、所述对话者节点、所述信息集合以及所述关系类型构建特征矩阵；基于特征矩阵形成融合特征；以及基于所述融合特征输出意向结果。

本公开的第二方面提供了一种客户意向预测装置，包括：第一对话语音获取模块，用于在得到用户充分授权的情况下，获取服务过程中的第一对话语音；第二对话语音获取模块，用于识别所述第一对话语音中的有效对话作为第二对话语音；有效对话文本转化模块，用于将所述第二对话语音转化为有效对话文本；以及意向结果输出模块，用于基于所述有效对话文本输出意向结果。

根据本公开的实施例，所述第二对话语音获取模块，包括：声学样本提取单元、分类单元以及第二对话语音确定单元，所述声学样本提取单元，用于提取所述第一对话语音中的声学特征样本集；所述分类单元，用于将所述声学特征样本集输入到预设的分类器中，输出声学分类结果，所述声学分类结果包括有效对话结果和无效对话结果；以及所述第二对话语音确定单元，用于将所述第一对话语音中所述有效对话结果的部分作为第二对话语音。

根据本公开的实施例，所述声学特征样本集中包括P个声学特征样本，P为正整数，所述预设的分类器包括KNN，所述分类单元，具体用于对于任一声学特征样本，获取所述声学特征样本的K个近邻样本的K个类平均距离，K为正整数；计算所述声学特征样本与所述K个近邻样本的K个样本距离；基于所述K个类平均距离和所述K个样本距离，K个距离比值；保留K个距离比值中T个距离比值，Y为小于K的正整数；基于所述T个距离比值计算对应的T个近邻样本的权重；以及基于所述T个近邻样本的权重进行加权投票，确定所述声学分类结果。

根据本公开的实施例，所述声学分类结果包括情绪结果。

根据本公开的实施例，所述意向结果输出模块，包括：对话特征提取单元、上下文特征生成单元以及意向结果输出单元，所述对话特征提取单元，用于提取所述有效对话文本中的对话特征，得到对话特征序列；所述上下文特征生成单元，用于对所述对话特征序列进行上下文层级编码，得到序列上下文特征；以及所述意向结果输出单元，用于基于所述序列上下文特征通过构建对话者语句交互有向图模型，输出意向结果。

根据本公开的实施例，所述有效对话文本包括N个有效对话语句，所述N个有效对话语句对应M个对话者，N和M为大于1的正整数，所述对话特征提取单元，具体用于对于任一所述有效对话语句，将所述有效对话语句转化为有效对话语句特征。

根据本公开的实施例，所述上下文特征生成单元，具体用于对于任一所述有效对话语句，分别计算所述有效对话语句的前向特征和后项特征，形成所述有效对话语句对应的上下文特征。

根据本公开的实施例，所述意向结果输出单元，具体用于获取语句节点、对话者节点、信息集合以及关系类型，其中，语句节点是的所述有效对话语句的节点；基于所述语句节点、所述对话者节点、所述信息集合以及所述关系类型构建特征矩阵；基于特征矩阵形成融合特征；以及基于所述融合特征输出意向结果。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述客户意向预测方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述客户意向预测方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述客户意向预测方法。

在本公开的实施例中，为了解决现有技术中客户意向预测不准确的技术问题，本公开的实施例通过对采集到的服务过程中的第一对话语音，剔除掉其中的无效对话，保留有效对话，进而通过有效对话分析意向结果，可以准确并及时地得知客户的意向结果，减少人工维护的工作量，并提升服务质量。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的客户意向预测的应用场景图；

图2示意性示出了根据本公开实施例的客户意向预测方法的流程图；

图3示意性示出了根据本公开实施例的有效对话识别方法的流程图；

图4示意性示出了根据本公开实施例的意向结果输出方法的流程图；

图5示意性示出了根据本公开实施例的客户意向预测方法的全流程图；

图6示意性示出了根据本公开实施例的客户意向预测装置的结构框图；以及

图7示意性示出了根据本公开实施例的适于实现客户意向预测方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

在本发明的技术方案中，所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息，例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。

在利用个人信息进行自动化决策的场景下，本发明实施例提供的方法、设备和系统均为用户提供相应的操作入口，供用户选择同意或者拒绝自动化决策结果；若用户选择拒绝，则进入专家决策流程。此处的表述“自动化决策”是指通过计算机程序自动分析、评估个人的行为习惯、兴趣爱好或者经济、健康、信用状况等，并进行决策的活动。此处的表述“专家决策”是指专门从事某一领域的工作、具有专门的经验、知识和技能并达到一定的专业水平的人员进行决策的活动。

在对本公开的实施例进行详细揭示之前，对本公开实施例中涉及的关键技术术语进行一一说明，如下所示：

交互图神经网络：(Feature Interaction Graph Neural Network，简称为Fi-GNN)，是一种基于图神经网络(GNN)和特征图的模型，用于对特征域对之间的交互进行建模。该模型的核心部分只要执行初始化参数、状态聚合、状态更新三种操作。

K最近邻：(K-Nearest Neighbors，简称为KNN)，是一种常见的监督学习算法，用于分类或回归问题。其基本思想为根据样本之间的距离确定最近的邻居，然后根据这些邻居的类别或值来对新样本进行预测。在KNN算法中，对于一个新的样本，首先计算它与训练集中所有样本的距离，然后选择离它最近的K个样本。最后，根据这K个邻居的类别或值，通过多数表决或平均等方式来确定新样本的类别或预测值。

双向门控循环单元：(Bidirectional Gated Recurrent Unit，简称为BiGRU)，是一种改进的循环神经网络(RNN)结构。它由两个独立的GRU层组成，一个沿正向处理序列，另一个沿反向处理序列。这种双向结构使得BiGRU能够捕捉到序列中的长距离依赖关系，从而提升模型的性能。BiGRU模型在自然语言处理任务中表现优秀，如机器翻译、语音识别、文本分类等。

在一个典型的场景中，服务日志是银行客户经理记录维护客户情况的功能，包括通过营销系统打电话联络客户，给客户发短信、网点服务、外出营销。部分机构对客户经理每天维护服务日志篇数有数量要求，目前均需客户经理手工进行维护。且客户经理往往完成一天的营销工作后统一记录服务日志，此时，该记录的准确性并不高。进而，客户经理在服务日志中对于客户意向的记录，存在缺失客户意向，客户意向不准确的情况。

为此，如何减少客户经理工作量并提高客户意向准确度是亟待解决的技术问题。

为了解决现有技术中存在的技术问题，本公开的实施例提供了一种客户意向预测方法，所述方法包括：在得到用户充分授权的情况下，获取服务过程中的第一对话语音；识别所述第一对话语音中的有效对话作为第二对话语音；将所述第二对话语音转化为有效对话文本；以及基于所述有效对话文本输出意向结果。

在本公开的实施例中，为了解决现有技术中客户意向预测不准确的技术问题，本公开的实施例通过对采集到的服务过程中的第一对话语音，剔除掉其中的无效对话，保留有效对话，进而通过有效对话分析意向结果，可以准确地得知客户的意向结果，减少人工维护的工作量，并提升服务质量。

图1示意性示出了根据本公开实施例的客户意向预测的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103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，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

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、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，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的客户意向预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的客户意向预测装置一般可以设置于服务器105中。本公开实施例所提供的客户意向预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的客户意向预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

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。

以下将基于图1描述的场景，通过图2～图5对公开实施例的客户意向预测方法进行详细描述。

图2示意性示出了根据本公开实施例的客户意向预测方法的流程图。

如图2所示，该实施例的客户意向预测方法包括操作S210～操作S230，该客户意向预测方法可以服务器105执行。

在操作S210中，在得到用户充分授权的情况下，获取服务过程中的第一对话语音。

在本公开的实施例中，在获取用户的信息之前，可以获得用户的同意或授权。例如，在操作S210之前，可以向用户发出获取用户信息的请求。在用户同意或授权可以获取用户信息的情况下，执行所述操作S210。

在用户允许的情况下，由音频采集设备采集第一对话语音以上送后台进行分析记录，该第一对话语音是原始的、未经裁剪的对话语音，其中，上述第一对话语音是多个人之间的对话语音，例如，在一对一的营销场景下，上述第一对话语音是两人之间的对话语音。

在操作S220中，识别所述第一对话语音中的有效对话作为第二对话语音。

在本公开的实施例中，可以为用户提供相应的操作入口，供用户选择同意或者拒绝自动化决策结果。即，在对所述用户信息进行处理/决策之前，可以获得用户通过相应的操作入口输入的同意或拒绝进行所述处理/决策的指令。如果用户同意进行所述处理/决策，则对所述用户信息进行处理/决策，即执行操作S220。如果用户拒绝进行所述处理/决策，则进入专家决策流程。

识别第一对话语音中的有效对话，并仅保留该有效对话，作为第二对话语音，由于接收到的对话是以语音信息存在的，因此，通过识别语音信息，保留其中的有效部分。

发明人发现，在一次对话中，同一内容用不同语调说出来的含义差距较大，不同的语调对应不同的情绪，在某些特定情绪下的对话信息并不具备针对意向结果的可分析性，即这些信息可以看作是无效信息。因此，为了收集有效客户意向，先对对话语音的语调进行情感分析，保留其中的有效对话，用作后续意向结果的分析。

图3示意性示出了根据本公开实施例的有效对话识别方法的流程图。

如图3所示，该实施例的有效对话识别方法包括操作S310～操作S330，该操作S310～操作S330至少可以部分执行上述操作S220。

在操作S310中，提取所述第一对话语音中的声学特征样本集。

根据本公开的实施例，所述声学特征样本集中包括P个声学特征样本，P为正整数。

第一对话语音中包括多个归属于不同对话者的对话语句，每一对话语句对应一个声学特征样本，所有的声学特征样本的集合为声学特征样本集。

在操作S320中，将所述声学特征样本集输入到预设的分类器中，输出声学分类结果，所述声学分类结果包括有效对话结果和无效对话结果。

根据本公开的实施例，所述声学分类结果包括情绪结果。

通过分别对声学特征样本集中每一对话语句的声学样本特征进行分类，判断其是否为有效对话。具体地，可以通过分类器进行通过情绪识别，将某一语句的声学特征通过该分类器中，进而，通过分类器对其进行情绪分类，其中，情绪分类的类别可自行定义，在此不再赘述。

根据本公开的实施例，所述预设的分类器包括KNN，所述将所述声学特征样本集输入到预设的分类器中，输出声学分类结果，包括：对于任一声学特征样本，获取所述声学特征样本的K个近邻样本的K个类平均距离，K为正整数；计算所述声学特征样本与所述K个近邻样本的K个样本距离；基于所述K个类平均距离和所述K个样本距离，K个距离比值；保留K个距离比值中T个距离比值，Y为小于K的正整数；基于所述T个距离比值计算对应的T个近邻样本的权重；以及基于所述T个近邻样本的权重进行加权投票，确定所述声学分类结果。

在一个典型的场景中，首先提取出第一对话语音中常用的声学特征，该声学特征包括韵律学特征、基于谱的相关特征以及音质特征等。然后，可以按照采集的声学特征通过分类器对第一对话语音中不同的语音进行分类，其中，该分类器可采用例如：KNN和SVM等常用模型，在此不再赘述。

可选地，本公开的实施例提出一种基于距离加权的改进KNN算法，引入类平均距离作为加权依据，提了语音情感识别率。

本公开实施例的情绪识别过程如下所示：

步骤1：对类平均距离计算，先计算一个类中每个样本与其同类最邻近样本的平均距离。

步骤2：再对该类所有样本与其同类最近邻样本的平均距离求平均值，以此平均值作为该类的类平均距离。

步骤3：求出待分类样本的K近邻样本，计算每个近邻样本类平均距离和该近邻样本与待分类样本之间距离的差值之比。

步骤4：删除差值之比最大的若干近邻样本(一般情况下设置为1个近邻样本)，认为这几个近邻样本与待测样本的距离和分别对应的类平均距离偏差大，与待分类样本属于同一类的可能性小。

步骤5：使用基于类平均距离的改进加权KNN分类器。

步骤6：对余下的每个近邻样本，根据其差值之比计算权重。

步骤7：最后对待分类样本根据余下的近邻样本和权重进行加权多数投票，确定待分类样本的类别。

在操作S330中，将所述第一对话语音中所述有效对话结果的部分作为第二对话语音。

具体地，保留上述P个对话语句中N个有效对话语句的集合作为第二对话语音。应理解的是，上述第一对话语音和第二对话语音中，不同语句对应有不同的对话者，因此，在后续有效对话的意向分析中，也会保留这些对话者的信息。例如，对话情感可以包括：生气、中性、高兴、悲伤以及惊恐五种情绪，其中，挑选中性和高兴这两种情绪时的对话语音作为有效对话，以便后续分析意向结果。

在操作S230中，将所述第二对话语音转化为有效对话文本。

将第二对话语音中N个有效对话语句转化为N个有效对话文本，对于每一有效对话文本，保留其对应的对话者。

在操作S240中，基于所述有效对话文本输出意向结果。

将有效对话文本作为输入，通过机器学习模型输出不同的意向结果，其中，意向结果的分类方式由人为自行定义，在此不再赘述，例如，意向结果包括：高意向、中意向以及低意向等。

图4示意性示出了根据本公开实施例的意向结果输出方法的流程图。

如图4所示，该实施例的意向结果输出方法包括操作S410～操作S430，该操作S410～操作S430至少可以部分执行上述操作S240。

在操作S410中，提取所述有效对话文本中的对话特征，得到对话特征序列。

根据本公开的实施例，所述有效对话文本包括N个有效对话语句，所述N个有效对话语句对应M个对话者，N和M为大于1的正整数，所述提取所述有效对话文本中的对话特征，得到对话特征序列，包括：对于任一所述有效对话语句，将所述有效对话语句转化为有效对话语句特征。

其中，可以将有效对话语句由自然语言的形式通过转化工具，转化为特征向量的表现形式，例如，一个有效对话语句特征包括多个向量特征，多个向量特征以序列形式存在。

在一个典型的场景中，提取有效对话中的对话特征，其中，对话特征是以序列形式存在的。具体地，一个完整的对话由多个语句组成，那么在对话情感分析任务中，给定对话文本U＝u

u

其中，RoBERTa是一种基于BERT的预训练模型。可以理解的是，对于对话者特征表示，将训练集中一个对话者所说的所有语句特征的平均值设为该对话者的特征表示。

在操作S420中，对所述对话特征序列进行上下文层级编码，得到序列上下文特征。

可以理解的是，对话的进行是连续且有序的，上下文信息会根据对话顺序流动，所以对话的语句顺序上下文信息是对话中的重要特征，因此，对上下文特征进行提取可以使得后续分类结果更准确。

根据本公开的实施例，所述对所述对话特征序列进行上下文层级编码，得到序列上下文特征，包括：对于任一所述有效对话语句，分别计算所述有效对话语句的前向特征和后项特征，形成所述有效对话语句对应的上下文特征。

在一个典型的场景中，对对话特征的序列进行上下文层级编码，得到序列上下文特征。具体地，，引入Bi-GRU模型来生成文本的序列上下文特征，该序列上下文特征能够捕捉序列中的长距离依赖关系，其数学模型如下式2所示：

其中，

可以理解的是，针对对话的不连贯性和弱逻辑性，结合上下文语境，建模对话者之间的情绪交互，进行营销对话时的情感分析。

在操作S430中，基于所述序列上下文特征通过构建对话者语句交互有向图模型，输出意向结果。

根据本公开的实施例，所述基于所述序列上下文特征通过构建对话者语句交互有向图模型，输出意向结果，包括：获取语句节点、对话者节点、信息集合以及关系类型，其中，语句节点是的所述有效对话语句的节点；基于所述语句节点、所述对话者节点、所述信息集合以及所述关系类型构建特征矩阵；基于特征矩阵形成融合特征；以及基于所述融合特征输出意向结果。

其中，语句节点即上述N个序列上下文特征的作为有向图的语句节点；对话者节点即上述M个对话者作为有向图的对话者节点；信息集合即这些节点和边的信息集合；关系类型即边的关系类型；特征矩阵包括：邻接矩阵、语句节点的特征矩阵以及对话者节点的特征矩阵。

在一个典型的场景中，构建对话者语句交互有向图模型。将对话图定义为G＝{V

对于语句节点需要考虑上下文及对话者信息，而对于对话者节点，只需考虑对于语句。由此，邻接矩阵A分为不同模块，A

是由

给定对话者的所有语句的聚合特征可以通过邻接矩阵4计算，如下式5所示：

得到对话者及其语句聚合特征

将所有图网络层的对话语句隐藏层状态拼接为对话语句的最终表示，通过一个全连接层和softmax层可预测对话语句的情绪标签，以实现情感分类。

在本公开的实施例中，为了解决现有技术中客户意向预测不准确的技术问题，本公开的实施例通过对采集到的服务过程中的第一对话语音，剔除掉其中的无效对话，保留有效对话，进而通过有效对话分析意向结果，可以准确地得知客户的意向结果，减少人工维护的工作量，并提升服务质量。

图5示意性示出了根据本公开实施例的客户意向预测和日志记录方法的全流程图。

如图5所示，该实施例的客户意向预测方法包括操作S501～操作S508。

在操作S501中，对语音内容进行语调情感分析。

在操作S502中，去掉识别为生气、悲伤、惊恐的对话。

在操作S503中，将语音内容转换为文本。

在操作S504中，对话特征提取。

在操作S505中，对序列上下文层级编码。

在操作S506中，构建对话者语句交互有向图模型。

在操作S507中，情感分类。

在操作S508中，分析出的结果记录到服务日志。

在操作S509中，将客户意向提供给任务生成模块，更新营销任务。

在操作S510中，客户经理根据更新后的营销任务进行客户服务。

在本公开的实施例中，将上述意向结果记录到服务日志中，为更好进行营销，将结果和目前任务分配相结合，提升营销精准度。

基于上述客户意向预测方法，本公开还提供了一种客户意向预测装置。以下将结合图6对该装置进行详细描述。

图6示意性示出了根据本公开实施例的客户意向预测装置的结构框图。

如图6所示，该实施例的客户意向预测装置600包括第一对话语音获取模块610、第二对话语音获取模块620、有效对话文本转化模块630和意向结果输出模块640。

第一对话语音获取模块610用于在得到用户充分授权的情况下，获取服务过程中的第一对话语音。在一实施例中，第一对话语音获取模块610可以用于执行前文描述的操作S210，在此不再赘述。

第二对话语音获取模块620用于识别所述第一对话语音中的有效对话作为第二对话语音。在一实施例中，第二对话语音获取模块620可以用于执行前文描述的操作S220，在此不再赘述。

有效对话文本转化模块630用于将所述第二对话语音转化为有效对话文本。在一实施例中，有效对话文本转化模块630可以用于执行前文描述的操作S230，在此不再赘述。

意向结果输出模块640用于基于所述有效对话文本输出意向结果。在一实施例中，意向结果输出模块640可以用于执行前文描述的操作S240，在此不再赘述。

在本公开的实施例中，为了解决现有技术中客户意向预测不准确的技术问题，本公开的实施例通过对采集到的服务过程中的第一对话语音，剔除掉其中的无效对话，保留有效对话，进而通过有效对话分析意向结果，可以准确并及时地得知客户的意向结果，减少人工维护的工作量，并提升服务质量。

根据本公开的实施例，所述第二对话语音获取模块，包括：声学样本提取单元、分类单元以及第二对话语音确定单元，所述声学样本提取单元，用于提取所述第一对话语音中的声学特征样本集；所述分类单元，用于将所述声学特征样本集输入到预设的分类器中，输出声学分类结果，所述声学分类结果包括有效对话结果和无效对话结果；以及所述第二对话语音确定单元，用于将所述第一对话语音中所述有效对话结果的部分作为第二对话语音。

根据本公开的实施例，所述声学特征样本集中包括P个声学特征样本，P为正整数，所述预设的分类器包括KNN，所述分类单元，具体用于对于任一声学特征样本，获取所述声学特征样本的K个近邻样本的K个类平均距离，K为正整数；计算所述声学特征样本与所述K个近邻样本的K个样本距离；基于所述K个类平均距离和所述K个样本距离，K个距离比值；保留K个距离比值中T个距离比值，Y为小于K的正整数；基于所述T个距离比值计算对应的T个近邻样本的权重；以及基于所述T个近邻样本的权重进行加权投票，确定所述声学分类结果。

根据本公开的实施例，所述声学分类结果包括情绪结果。

根据本公开的实施例，所述意向结果输出模块，包括：对话特征提取单元、上下文特征生成单元以及意向结果输出单元，所述对话特征提取单元，用于提取所述有效对话文本中的对话特征，得到对话特征序列；所述上下文特征生成单元，用于对所述对话特征序列进行上下文层级编码，得到序列上下文特征；以及所述意向结果输出单元，用于基于所述序列上下文特征通过构建对话者语句交互有向图模型，输出意向结果。

根据本公开的实施例，所述有效对话文本包括N个有效对话语句，所述N个有效对话语句对应M个对话者，N和M为大于1的正整数，所述对话特征提取单元，具体用于对于任一所述有效对话语句，将所述有效对话语句转化为有效对话语句特征。

根据本公开的实施例，所述上下文特征生成单元，具体用于对于任一所述有效对话语句，分别计算所述有效对话语句的前向特征和后项特征，形成所述有效对话语句对应的上下文特征。

根据本公开的实施例，所述意向结果输出单元，具体用于获取语句节点、对话者节点、信息集合以及关系类型，其中，语句节点是的所述有效对话语句的节点；基于所述语句节点、所述对话者节点、所述信息集合以及所述关系类型构建特征矩阵；基于特征矩阵形成融合特征；以及基于所述融合特征输出意向结果。

根据本公开的实施例，第一对话语音获取模块610、第二对话语音获取模块620、有效对话文本转化模块630和意向结果输出模块640中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一对话语音获取模块610、第二对话语音获取模块620、有效对话文本转化模块630和意向结果输出模块640中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一对话语音获取模块610、第二对话语音获取模块620、有效对话文本转化模块630和意向结果输出模块640中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图7示意性示出了根据本公开实施例的适于实现客户意向预测方法的电子设备的方框图。

如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。

在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。