产品推荐方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种产品推荐方法、装置、设备及存储介质。


背景技术：

2.目前，在企业与客户接触的过程中，客服不仅仅起着服务客户、帮助客户解决问题的职能，还承担着发现潜在商机、及时识别舆情、挖掘客户声音的关键作用。随着业务的扩展，产品种类越来越多，业务规则也日渐复杂，在此情况下，客服就需要具备能够在海量信息中快速为客户推荐合适产品的能力。
3.然而，目前客服都是采用单屏作业模式的坐席作业辅助产品，在单屏作业模式下，客服服务客户时需要进行多层功能的翻找及界面的切换，操作路线冗长，导致响应客户需求的效率低下。此外，由于目前客服在作业时，缺少基于金融技术领域的客户数据，导致无法精准为客户推荐合适的产品。


技术实现要素：

4.鉴于以上内容，有必要提供一种产品推荐方法、装置、设备及存储介质，能够解决如何高效并精准为客户推荐合适产品的技术问题。
5.一方面，本发明提出一种产品推荐方法，应用于电子设备，所述电子设备包括第一设备界面及第二设备界面，所述产品推荐方法包括：
6.当所述第一设备界面接收到产品推荐请求时，根据所述产品推荐请求获取待推荐客户的客户信息、请求业务场景、客户来电标识及语音信息；
7.从所述第二设备界面中获取历史客户对历史推荐信息的指标结果；
8.根据所述指标结果对获取到的初始需求预测模型进行调整，得到目标需求预测模型，并对获取到的初始产品推荐模型进行调整，得到目标产品推荐模型；
9.根据所述请求业务场景从所述目标需求预测模型中筛选出场景网络层；
10.基于所述场景网络层对所述客户信息进行预测，得到所述待推荐用户在所述请求业务场景上的目标需求；
11.根据所述语音信息识别出所述待推荐客户的情绪信息及语音文本；
12.根据所述目标产品推荐模型对所述目标需求、所述客户来电标识、所述情绪信息及所述语音文本进行处理，生成所述待推荐客户的推荐产品。
13.根据本发明优选实施例，所述指标结果包括案例信息及推荐排名结果，所述案例信息包括基础信息、案例需求及案例产品，所述根据所述指标结果对获取到的初始需求预测模型进行调整，得到目标需求预测模型，并对获取到的初始产品推荐模型进行调整，得到目标产品推荐模型包括：
14.若所述推荐排名结果大于预设排名结果，则基于所述初始需求预测模型对所述基础信息进行预测，得到预测需求；
15.若所述预测需求与所述案例需求相同，则基于所述初始产品推荐模型对所述基础信息及所述案例需求进行分析，得到预测产品；
16.根据所述预测产品及所述案例产品，调整所述初始产品推荐模型，得到所述目标产品推荐模型；或者
17.若所述预测需求与所述案例需求不同，则根据所述预测需求及所述案例需求，调整所述初始需求预测模型，得到所述目标需求预测模型。
18.根据本发明优选实施例，所述根据所述产品推荐请求获取待推荐客户的客户信息、请求业务场景、客户来电标识及语音信息包括：
19.解析所述产品推荐请求的请求报文，得到所述请求报文携带的数据信息；
20.从所述数据信息中提取所述待推荐客户的客户识别码及请求标识；
21.从预设授权信息库中获取与所述客户识别码对应的信息作为所述客户信息；
22.根据所述请求标识获取对应的所述客户来电标识；
23.获取所述产品推荐请求的生成时刻；
24.根据所述生成时刻及预设时段生成目标时刻；
25.从与所述第一设备界面相通信的语音通道中获取与所述目标时刻对应的信息作为所述语音信息；
26.将所述语音信息与预设场景匹配，并将与所述语音信息匹配成功的预设场景确定为所述请求业务场景。
27.根据本发明优选实施例，所述目标需求预测模型包括信息分析网络层及需求分类网络层，所述需求分类网络层中包括与多个所述预设场景对应的场景分类层，所述根据所述请求业务场景从所述目标需求预测模型中筛选出场景网络层包括：
28.将与所述请求业务场景匹配成功的预设场景所对应的场景分类层确定为目标分类层；
29.根据所述信息分析网络层及所述目标分类层生成所述场景网络层。
30.根据本发明优选实施例，所述信息分析网络层包括信息提取网络及类型识别网络，所述客户信息包括所述待推荐客户的历史购买产品，所述基于所述场景网络层对所述客户信息进行预测，得到所述待推荐用户在所述请求业务场景上的目标需求包括：
31.基于所述信息提取网络，从所述客户信息中提取所述待推荐客户的关键信息；
32.基于所述类型识别网络对所述历史购买产品进行识别，得到产品类型；
33.基于所述目标分类层所对应的向量映射表对所述关键信息及所述产品类型进行向量编码，得到输入向量；
34.基于所述目标分类层对所述输入向量进行分类处理，得到所述目标需求。
35.根据本发明优选实施例，所述根据所述语音信息识别出所述待推荐客户的情绪信息及语音文本包括：
36.从所述语音信息中提取语调信息及语气信息；
37.根据所述语调信息及所述语气信息，从预设情绪中匹配出所述情绪信息；
38.对所述语音信息进行文本翻译，得到所述语音文本。
39.根据本发明优选实施例，所述目标产品推荐模型包括语义分析网络、反馈识别网络及需求产品列表，所述根据所述目标产品推荐模型对所述目标需求、所述客户来电标识、
所述情绪信息及所述语音文本进行处理，生成所述待推荐客户的推荐产品包括：
40.基于所述语义分析网络对所述语音文本进行分析，得到语义文本；
41.从所述语音文本中提取情绪词汇；
42.对所述客户来电标识、所述情绪信息、所述语义文本及所述情绪词汇进行向量编码，得到文本编码；
43.基于所述反馈识别网络对所述文本编码进行文本识别，得到所述待推荐客户对所述目标需求的反馈结果；
44.若所述反馈结果为正向结果，则从所述需求产品列表中获取与所述目标需求对应的产品作为所述推荐产品。
45.另一方面，本发明还提出一种产品推荐装置，运行于电子设备，所述电子设备包括第一设备界面及第二设备界面，所述产品推荐装置包括：
46.获取单元，用于当所述第一设备界面接收到产品推荐请求时，根据所述产品推荐请求获取待推荐客户的客户信息、请求业务场景、客户来电标识及语音信息；
47.所述获取单元，还用于从所述第二设备界面中获取历史客户对历史推荐信息的指标结果；
48.调整单元，用于根据所述指标结果对获取到的初始需求预测模型进行调整，得到目标需求预测模型，并对获取到的初始产品推荐模型进行调整，得到目标产品推荐模型；
49.筛选单元，用于根据所述请求业务场景从所述目标需求预测模型中筛选出场景网络层；
50.预测单元，用于基于所述场景网络层对所述客户信息进行预测，得到所述待推荐用户在所述请求业务场景上的目标需求；
51.识别单元，用于根据所述语音信息识别出所述待推荐客户的情绪信息及语音文本；
52.生成单元，用于根据所述目标产品推荐模型对所述目标需求、所述客户来电标识、所述情绪信息及所述语音文本进行处理，生成所述待推荐客户的推荐产品。
53.另一方面，本发明还提出一种电子设备，所述电子设备包括：
54.存储器，存储计算机可读指令；及
55.处理器，执行所述存储器中存储的计算机可读指令以实现所述产品推荐方法。
56.另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述产品推荐方法。
57.由以上技术方案可以看出，本技术通过所述电子设备的第一设备界面及第二设备界面，能够采用双拼模式辅助客服操作，由于能够从所述第一设备界面及所述第二设备界面中直接获取到所述待推荐客户的相关信息及所述指标结果，而无需从折叠界面中翻找信息，因此能够提高信息的获取效率，从而提高所述推荐产品的生成效率。本技术通过所述指标结果对所述初始需求预测模型及所述初始产品推荐模型进行调整，能够结合事后流程对所述初始需求预测模型及所述初始产品推荐模型进行调整，提高了所述目标需求预测模型及所述目标产品推荐模型的准确性。此外，本技术还通过所述请求业务场景筛选出所述场景网络层，基于所述场景网络层能够准确的生成所述待推荐客户在所述请求业务场景上的
目标需求，进而结合所述客户来电标识、所述情绪信息及所述语音文本进行处理，提高了所述推荐产品的准确性，通过所述推荐产品能够生成合理的目标话术，进而业务客服通过所述目标话术能够提高客户体验。
附图说明
58.图1是本发明产品推荐方法的应用环境图。
59.图2是本发明产品推荐方法的较佳实施例的流程图。
60.图3是本发明产品推荐装置的较佳实施例的功能模块图。
61.图4是本发明实现产品推荐方法的较佳实施例的电子设备的结构示意图。
具体实施方式
62.为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
63.如图1所示，是本发明产品推荐方法的应用环境图。在图1中，所述产品推荐方法应用于电子设备1中，所述电子设备1包括第一设备界面20及第二设备界面21。所述第一设备界面20用于接收并显示产品推荐请求，所述第二设备界面21中存储有历史客户针对历史推荐信息的指标结果。
64.如图2所示，是本发明产品推荐方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
65.所述产品推荐方法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、技术及应用系统。
66.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/交互系统、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。
67.所述产品推荐方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，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(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字信号处理器(digital signal processor，dsp)、嵌入式设备等。
68.所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能穿戴式设备等。
69.所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(cloud computing)的由大量主机或网络电子设备构成的云。
70.所述电子设备所在的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟
专用网络(virtual private network，vpn)等。
71.101，当所述第一设备界面接收到产品推荐请求时，根据所述产品推荐请求获取待推荐客户的客户信息、请求业务场景、客户来电标识及语音信息。
72.在本发明的至少一个实施例中，所述产品推荐请求可以在坐席客服的绑定设备接收到所述待推荐客户的来电时触发生成的请求，其中，所述绑定设备可以是所述电子设备。
73.所述待推荐客户是指向所述坐席客服的绑定设备发送来电请求的客户。
74.所述客户信息包括所述待推荐客户的历史购买产品，所述客户信息还包括所述待推荐客户在多维价值标签及多维敏感标签上的信息。
75.所述请求业务场景是指所述待推荐客户向所述坐席客服进行咨询的具体业务场景，例如，所述请求业务场景可以为银卡场景或者贷款场景等。
76.所述待推荐客户的来电次数与所述客户来电标识对应，例如，所述来电次数为2次，则所述客户来电标识可以为橙色标识等。所述来电次数越多，说明所述待推荐客户的重要程度越高。
77.所述语音信息是指在所述产品推荐请求生成后预设时段后所产生的语音片段。
78.在本发明的至少一个实施例中，所述电子设备根据所述产品推荐请求获取待推荐客户的客户信息、请求业务场景、客户来电标识及语音信息包括：
79.解析所述产品推荐请求的请求报文，得到所述请求报文携带的数据信息；
80.从所述数据信息中提取所述待推荐客户的客户识别码及请求标识；
81.从预设授权信息库中获取与所述客户识别码对应的信息作为所述客户信息；
82.根据所述请求标识获取对应的所述客户来电标识；
83.获取所述产品推荐请求的生成时刻；
84.根据所述生成时刻及预设时段生成目标时刻；
85.从与所述第一设备界面相通信的语音通道中获取与所述目标时刻对应的信息作为所述语音信息；
86.将所述语音信息与预设场景匹配，并将与所述语音信息匹配成功的预设场景确定为所述请求业务场景。
87.其中，所述客户识别码用于唯一标识所述待推荐客户，所述请求标识用于唯一标识所述产品推荐请求，不同请求标识对应有不同的客户来电标识。
88.所述预设授权信息库中存储有多个经客户授权许可的信息。
89.所述生成时刻是指生成所述产品推荐请求的具体时刻。
90.所述预设时段可以根据实际需求设定的时间段，例如，所述预设时段为50秒。
91.所述语音通道是指关联所述坐席客服的通道，所述语音通道中存储有所述待推荐客户与所述坐席客服之间的通话。
92.所述预设场景包括，但不限于：银卡场景、贷款场景等。
93.通过所述客户识别码及所述预设授权信息库，能够准确并安全的获取到所述客户信息，通过所述请求标识能够快速获取到所述客户来电标识，通过所述生成时刻及所述预设时段，能够从所述语音通道中合理的获取到所述语音信息，避免了获取到静音信息，进而将所述语音信息与所述预设场景进行匹配，能够准确地识别出所述请求业务场景。
94.具体地，所述电子设备将所述语音信息与预设场景匹配，并将与所述语音信息匹
配成功的预设场景确定为所述请求业务场景包括：
95.获取与所述预设场景对应的场景语音；
96.将所述语音信息与每个场景语音进行匹配；
97.将与所述语音信息匹配成功的场景语音所对应的预设场景确定为所述请求业务场景。
98.102，从所述第二设备界面中获取历史客户对历史推荐信息的指标结果。
99.在本发明的至少一个实施例中，所述历史客户是指所述坐席客服在历史时刻服务过的客户，所述历史推荐信息是指所述坐席客服向所述历史客户所推荐的具体产品。
100.所述指标结果包括案例信息及推荐排名结果，其中，所述案例信息包括基础信息、案例需求及案例产品，所述推荐排名结果是指所述坐席客服在所有业务客服中的服务排名，所述推荐排名结果越小，说明所述坐席客服的服务越好。
101.103，根据所述指标结果对获取到的初始需求预测模型进行调整，得到目标需求预测模型，并对获取到的初始产品推荐模型进行调整，得到目标产品推荐模型。
102.在本发明的至少一个实施例中，所述目标需求预测模型包括信息分析网络层及需求分类网络层，所述信息分析网络层包括信息提取网络及类型识别网络，所述需求分类网络层中包括与多个所述预设场景对应的场景分类层。
103.在本发明的至少一个实施例中，所述电子设备根据所述指标结果对获取到的初始需求预测模型进行调整，得到目标需求预测模型，并对获取到的初始产品推荐模型进行调整，得到目标产品推荐模型包括：
104.若所述推荐排名结果大于预设排名结果，则基于所述初始需求预测模型对所述基础信息进行预测，得到预测需求；
105.若所述预测需求与所述案例需求相同，则基于所述初始产品推荐模型对所述基础信息及所述案例需求进行分析，得到预测产品；
106.根据所述预测产品及所述案例产品，调整所述初始产品推荐模型，得到所述目标产品推荐模型；或者
107.若所述预测需求与所述案例需求不同，则根据所述预测需求及所述案例需求，调整所述初始需求预测模型，得到所述目标需求预测模型。
108.其中，所述预设排名结果可以根据实际需求设定。
109.通过上述实施方式，在所述推荐排名结果大于所述预设排名结果时，说明所述坐席客服的服务有待提升，因此，通过所述初始需求预测模型对所述基础信息进行预测，进而比较所述预测需求与所述案例需求，当所述预测需求与所述案例需求相同时，说明所述初始需求预测模型的模型效果好，因此通过直接调整所述初始产品推荐模型，能够避免对所述初始需求预测模型进行多余调整，当所述预测需求与所述案例需求不同时，说明所述初始需求预测模型的模型效果差，因此，通过直接调整所述初始需求预测模型，从而提高所述目标需求预测模型及所述目标产品推荐模型的生成效率。
110.在其他实施例中，若预测需求与所述案例需求相同，则将所述初始需求预测模型确定为所述目标需求预测模型。
111.在其他实施例中，若预测需求与所述案例需求不同，则将所述初始产品推荐模型确定为所述目标产品推荐模型。
112.104，根据所述请求业务场景从所述目标需求预测模型中筛选出场景网络层。
113.在本发明的至少一个实施例中，所述场景网络层包括所述信息分析网络层及与所述请求业务场景对应的场景分类层。
114.在本发明的至少一个实施例中，所述电子设备根据所述请求业务场景从所述目标需求预测模型中筛选出场景网络层包括：
115.将与所述请求业务场景匹配成功的预设场景所对应的场景分类层确定为目标分类层；
116.根据所述信息分析网络层及所述目标分类层生成所述场景网络层。
117.通过在所述目标需求预测模型中设定不同预设场景所对应的场景分类层，能够提高所述目标需求预测模型对所述多个预设场景的预测准确性，进而通过所述请求业务场景能够准确的筛选出所述场景网络层。
118.105，基于所述场景网络层对所述客户信息进行预测，得到所述待推荐用户在所述请求业务场景上的目标需求。
119.在本发明的至少一个实施例中，所述目标需求是指所述待推荐客户在所述请求业务场景上的具体需求。
120.在本发明的至少一个实施例中，所述电子设备基于所述场景网络层对所述客户信息进行预测，得到所述待推荐用户在所述请求业务场景上的目标需求包括：
121.基于所述信息提取网络，从所述客户信息中提取所述待推荐客户的关键信息；
122.基于所述类型识别网络对所述历史购买产品进行识别，得到产品类型；
123.基于所述目标分类层所对应的向量映射表对所述关键信息及所述产品类型进行向量编码，得到输入向量；
124.基于所述目标分类层对所述输入向量进行分类处理，得到所述目标需求。
125.其中，所述信息提取网络包括多个不同卷积核大小的卷积层及池化层。
126.所述类型识别网络中存储有多个产品与类型的映射关系。
127.所述目标分类层包括所述向量映射表、全连接层及激活函数等。
128.所述关键信息是指通过所述多个不同卷积核大小的卷积层及所述池化层对所述客户信息进行特征提取后所得到的信息。
129.所述输入向量是指拼接所述关键信息所对应的第一向量及所述产品类型所对应的第二向量所得到的向量。其中，所述第一向量是指所述关键信息在所述向量映射表中的编码信息，所述第二向量是指所述产品类型在所述向量映射表中的编码信息。
130.通过所述信息提取网络，能够准确的从所述客户信息中提取到所述关键信息，通过所述目标分类层所对应的向量映射表对所述关键信息及所述产品类型进行向量编码，能够使得所述关键信息及所述产品类型在同一表征维度，进而通过所述目标分类层能够准确的转换生成所述目标需求。
131.106，根据所述语音信息识别出所述待推荐客户的情绪信息及语音文本。
132.在本发明的至少一个实施例中，所述情绪信息包括，但不限于：高兴、生气等。
133.所述语音文本是指所述语音信息所对应的文本信息。
134.在本发明的至少一个实施例中，所述电子设备根据所述语音信息识别出所述待推荐客户的情绪信息及语音文本包括：
135.从所述语音信息中提取语调信息及语气信息；
136.根据所述语调信息及所述语气信息，从预设情绪中匹配出所述情绪信息；
137.对所述语音信息进行文本翻译，得到所述语音文本。
138.其中，所述语调信息及所述语气信息可以通过对所述语音信息进行傅里叶变换处理后所得到。
139.所述语音文本可以通过所述电子设备中自带的翻译模块对所述语音信息进行转换所生成的文本，所述语音文本也可以通过与所述电子设备相通信的翻译设备对所述语音信息进行转换所生成的文本。
140.通过结合所述语调信息及所述语气信息，能够从所述预设情绪中准确的匹配出所述情绪信息。
141.107，根据所述目标产品推荐模型对所述目标需求、所述客户来电标识、所述情绪信息及所述语音文本进行处理，生成所述待推荐客户的推荐产品。
142.需要强调的是，为进一步保证上述推荐产品的私密和安全性，上述推荐产品还可以存储于一区块链的节点中。
143.在本发明的至少一个实施例中，所述目标产品推荐模型包括语义分析网络、反馈识别网络及需求产品列表。
144.所述推荐产品是指所述请求业务场景上的具体产品。
145.在本发明的至少一个实施例中，所述电子设备根据所述目标产品推荐模型对所述目标需求、所述客户来电标识、所述情绪信息及所述语音文本进行处理，生成所述待推荐客户的推荐产品包括：
146.基于所述语义分析网络对所述语音文本进行分析，得到语义文本；
147.从所述语音文本中提取情绪词汇；
148.对所述客户来电标识、所述情绪信息、所述语义文本及所述情绪词汇进行向量编码，得到文本编码；
149.基于所述反馈识别网络对所述文本编码进行文本识别，得到所述待推荐客户对所述目标需求的反馈结果；
150.若所述反馈结果为正向结果，则从所述需求产品列表中获取与所述目标需求对应的产品作为所述推荐产品。
151.其中，所述语义分析网络可以包括双向长短期记忆网络。
152.所述情绪词汇是指所述语音文本中的文本词汇，所述情绪词汇可以通过所述文本词汇与预设词汇进行匹配所生成。例如，所述情绪词汇可以为：满意。
153.所述反馈结果是指所述待推荐客户对所述目标需求的反馈情况。
154.所述正向结果表征所述坐席客服所反馈出的目标需求符合所述待推荐客户的真实需求。
155.通过结合所述客户来电标识、所述情绪信息、所述语义文本及所述情绪词汇，能够准确的表征出所述待推荐客户的相关信息，进而通过所述反馈识别网络对所述文本编码的识别，能够生成所述反馈结果，进而利用所述反馈结果能够准确的筛选出所述推荐产品。
156.在其他实施例中，若所述反馈结果为负向结果，则根据所述场景网络层对所述客户信息及所述语音文本进行预测，得到更新需求。
157.其中，所述负向结果表征所述坐席客服所反馈出的目标需求不符合所述待推荐客户的真实需求。
158.通过上述实施方式，能够在所述反馈结果为负向结果时，通过所述场景网络层进行重新预测，能够重新确定出所述更新需求，以提高所述待推荐客户的满意度。
159.在本发明的至少一个实施例中，所述电子设备基于所述推荐产品生成所述产品推荐请求的目标话术，并将所述目标话术展示至所述第一设备界面中。
160.通过获取所述目标话术，进而在所述第一设备界面向所述坐席客服展示所述目标话术，由于能够将所述目标话术及所述产品推荐请求展示在同一界面中，因此能够提高所述坐席客服的体验度。
161.由以上技术方案可以看出，本技术通过所述电子设备的第一设备界面及第二设备界面，能够采用双拼模式辅助客服操作，由于能够从所述第一设备界面及所述第二设备界面中直接获取到所述待推荐客户的相关信息及所述指标结果，而无需从折叠界面中翻找信息，因此能够提高信息的获取效率，从而提高所述推荐产品的生成效率。本技术通过所述指标结果对所述初始需求预测模型及所述初始产品推荐模型进行调整，能够结合事后流程对所述初始需求预测模型及所述初始产品推荐模型进行调整，提高了所述目标需求预测模型及所述目标产品推荐模型的准确性。此外，本技术还通过所述请求业务场景筛选出所述场景网络层，基于所述场景网络层能够准确的生成所述待推荐客户在所述请求业务场景上的目标需求，进而结合所述客户来电标识、所述情绪信息及所述语音文本进行处理，提高了所述推荐产品的准确性，通过所述推荐产品能够生成合理的目标话术，进而业务客服通过所述目标话术能够提高客户体验。
162.如图3所示，是本发明产品推荐装置的较佳实施例的功能模块图。所述产品推荐装置11包括获取单元110、调整单元111、筛选单元112、预测单元113、识别单元114及生成单元115。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
163.所述产品推荐装置11运行于电子设备，所述电子设备包括第一设备界面及第二设备界面。
164.获取单元110，用于当所述第一设备界面接收到产品推荐请求时，根据所述产品推荐请求获取待推荐客户的客户信息、请求业务场景、客户来电标识及语音信息；
165.所述获取单元110，还用于从所述第二设备界面中获取历史客户对历史推荐信息的指标结果；
166.调整单元111，用于根据所述指标结果对获取到的初始需求预测模型进行调整，得到目标需求预测模型，并对获取到的初始产品推荐模型进行调整，得到目标产品推荐模型；
167.筛选单元112，用于根据所述请求业务场景从所述目标需求预测模型中筛选出场景网络层；
168.预测单元113，用于基于所述场景网络层对所述客户信息进行预测，得到所述待推荐用户在所述请求业务场景上的目标需求；
169.识别单元114，用于根据所述语音信息识别出所述待推荐客户的情绪信息及语音文本；
170.生成单元115，用于根据所述目标产品推荐模型对所述目标需求、所述客户来电标识、所述情绪信息及所述语音文本进行处理，生成所述待推荐客户的推荐产品。
171.在本发明的至少一个实施例中，所述指标结果包括案例信息及推荐排名结果，所述案例信息包括基础信息、案例需求及案例产品，所述调整单元111，还用于若所述推荐排名结果大于预设排名结果，则基于所述初始需求预测模型对所述基础信息进行预测，得到预测需求；
172.若所述预测需求与所述案例需求相同，则基于所述初始产品推荐模型对所述基础信息及所述案例需求进行分析，得到预测产品；
173.根据所述预测产品及所述案例产品，调整所述初始产品推荐模型，得到所述目标产品推荐模型；或者
174.若所述预测需求与所述案例需求不同，则根据所述预测需求及所述案例需求，调整所述初始需求预测模型，得到所述目标需求预测模型。
175.通过上述实施方式，在所述推荐排名结果大于所述预设排名结果时，说明所述坐席客服的服务有待提升，因此，通过所述初始需求预测模型对所述基础信息进行预测，进而比较所述预测需求与所述案例需求，当所述预测需求与所述案例需求相同时，说明所述初始需求预测模型的模型效果好，因此通过直接调整所述初始产品推荐模型，能够避免对所述初始需求预测模型进行多余调整，当所述预测需求与所述案例需求不同时，说明所述初始需求预测模型的模型效果差，因此，通过直接调整所述初始需求预测模型，从而提高所述目标需求预测模型及所述目标产品推荐模型的生成效率。
176.在其他实施例中，所述调整单元111，还用于若预测需求与所述案例需求相同，则将所述初始需求预测模型确定为所述目标需求预测模型。
177.在其他实施例中，所述调整单元111，还用于若预测需求与所述案例需求不同，则将所述初始产品推荐模型确定为所述目标产品推荐模型。
178.在本发明的至少一个实施例中，所述获取单元110，还用于解析所述产品推荐请求的请求报文，得到所述请求报文携带的数据信息；
179.从所述数据信息中提取所述待推荐客户的客户识别码及请求标识；
180.从预设授权信息库中获取与所述客户识别码对应的信息作为所述客户信息；
181.根据所述请求标识获取对应的所述客户来电标识；
182.获取所述产品推荐请求的生成时刻；
183.根据所述生成时刻及预设时段生成目标时刻；
184.从与所述第一设备界面相通信的语音通道中获取与所述目标时刻对应的信息作为所述语音信息；
185.将所述语音信息与预设场景匹配，并将与所述语音信息匹配成功的预设场景确定为所述请求业务场景。
186.通过所述客户识别码及所述预设授权信息库，能够准确并安全的获取到所述客户信息，通过所述请求标识能够快速获取到所述客户来电标识，通过所述生成时刻及所述预设时段，能够从所述语音通道中合理的获取到所述语音信息，避免了获取到静音信息，进而将所述语音信息与所述预设场景进行匹配，能够准确地识别出所述请求业务场景。
187.在本发明的至少一个实施例中，所述目标需求预测模型包括信息分析网络层及需
求分类网络层，所述需求分类网络层中包括与多个所述预设场景对应的场景分类层，所述筛选单元112，还用于将与所述请求业务场景匹配成功的预设场景所对应的场景分类层确定为目标分类层；
188.根据所述信息分析网络层及所述目标分类层生成所述场景网络层。
189.通过在所述目标需求预测模型中设定不同预设场景所对应的场景分类层，能够提高所述目标需求预测模型对所述多个预设场景的预测准确性，进而通过所述请求业务场景能够准确的筛选出所述场景网络层。
190.在本发明的至少一个实施例中，所述信息分析网络层包括信息提取网络及类型识别网络，所述客户信息包括所述待推荐客户的历史购买产品，所述预测单元113，还用于基于所述信息提取网络，从所述客户信息中提取所述待推荐客户的关键信息；
191.基于所述类型识别网络对所述历史购买产品进行识别，得到产品类型；
192.基于所述目标分类层所对应的向量映射表对所述关键信息及所述产品类型进行向量编码，得到输入向量；
193.基于所述目标分类层对所述输入向量进行分类处理，得到所述目标需求。
194.通过所述信息提取网络，能够准确的从所述客户信息中提取到所述关键信息，通过所述目标分类层所对应的向量映射表对所述关键信息及所述产品类型进行向量编码，能够使得所述关键信息及所述产品类型在同一表征维度，进而通过所述目标分类层能够准确的转换生成所述目标需求。
195.在本发明的至少一个实施例中，所述识别单元114，还用于从所述语音信息中提取语调信息及语气信息；
196.根据所述语调信息及所述语气信息，从预设情绪中匹配出所述情绪信息；
197.对所述语音信息进行文本翻译，得到所述语音文本。
198.通过结合所述语调信息及所述语气信息，能够从所述预设情绪中准确的匹配出所述情绪信息。
199.在本发明的至少一个实施例中，所述目标产品推荐模型包括语义分析网络、反馈识别网络及需求产品列表，所述生成单元115，还用于基于所述语义分析网络对所述语音文本进行分析，得到语义文本；
200.从所述语音文本中提取情绪词汇；
201.对所述客户来电标识、所述情绪信息、所述语义文本及所述情绪词汇进行向量编码，得到文本编码；
202.基于所述反馈识别网络对所述文本编码进行文本识别，得到所述待推荐客户对所述目标需求的反馈结果；
203.若所述反馈结果为正向结果，则从所述需求产品列表中获取与所述目标需求对应的产品作为所述推荐产品。
204.通过结合所述客户来电标识、所述情绪信息、所述语义文本及所述情绪词汇，能够准确的表征出所述待推荐客户的相关信息，进而通过所述反馈识别网络对所述文本编码的识别，能够生成所述反馈结果，进而利用所述反馈结果能够准确的筛选出所述推荐产品。
205.在其他实施例中，所述预测单元113，还用于若所述反馈结果为负向结果，则根据所述场景网络层对所述客户信息及所述语音文本进行预测，得到更新需求。
206.由以上技术方案可以看出，本技术通过所述电子设备的第一设备界面及第二设备界面，能够采用双拼模式辅助客服操作，由于能够从所述第一设备界面及所述第二设备界面中直接获取到所述待推荐客户的相关信息及所述指标结果，而无需从折叠界面中翻找信息，因此能够提高信息的获取效率，从而提高所述推荐产品的生成效率。本技术通过所述指标结果对所述初始需求预测模型及所述初始产品推荐模型进行调整，能够结合事后流程对所述初始需求预测模型及所述初始产品推荐模型进行调整，提高了所述目标需求预测模型及所述目标产品推荐模型的准确性。此外，本技术还通过所述请求业务场景筛选出所述场景网络层，基于所述场景网络层能够准确的生成所述待推荐客户在所述请求业务场景上的目标需求，进而结合所述客户来电标识、所述情绪信息及所述语音文本进行处理，提高了所述推荐产品的准确性，通过所述推荐产品能够生成合理的目标话术，进而业务客服通过所述目标话术能够提高客户体验。
207.如图4所示，是本发明实现产品推荐方法的较佳实施例的电子设备的结构示意图。
208.在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如产品推荐程序。
209.本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
210.所述处理器13可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
211.示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、调整单元111、筛选单元112、预测单元113、识别单元114及生成单元115。
212.所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、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(flash card)、至少一个磁盘
存储器件、闪存器件、或其他存储器件。
213.所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、tf卡(trans-flash card)等等。
214.所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
215.其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)。
216.本发明所指区块链是分布式产品推荐、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。
217.结合图2，所述电子设备1中的所述存储器12存储计算机可读指令实现一种产品推荐方法，所述处理器13可执行所述计算机可读指令从而实现：
218.当第一设备界面接收到产品推荐请求时，根据所述产品推荐请求获取待推荐客户的客户信息、请求业务场景、客户来电标识及语音信息；
219.从第二设备界面中获取历史客户对历史推荐信息的指标结果；
220.根据所述指标结果对获取到的初始需求预测模型进行调整，得到目标需求预测模型，并对获取到的初始产品推荐模型进行调整，得到目标产品推荐模型；
221.根据所述请求业务场景从所述目标需求预测模型中筛选出场景网络层；
222.基于所述场景网络层对所述客户信息进行预测，得到所述待推荐用户在所述请求业务场景上的目标需求；
223.根据所述语音信息识别出所述待推荐客户的情绪信息及语音文本；
224.根据所述目标产品推荐模型对所述目标需求、所述客户来电标识、所述情绪信息及所述语音文本进行处理，生成所述待推荐客户的推荐产品。
225.具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图2对应实施例中相关步骤的描述，在此不赘述。
226.在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
227.所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
228.当第一设备界面接收到产品推荐请求时，根据所述产品推荐请求获取待推荐客户
的客户信息、请求业务场景、客户来电标识及语音信息；
229.从第二设备界面中获取历史客户对历史推荐信息的指标结果；
230.根据所述指标结果对获取到的初始需求预测模型进行调整，得到目标需求预测模型，并对获取到的初始产品推荐模型进行调整，得到目标产品推荐模型；
231.根据所述请求业务场景从所述目标需求预测模型中筛选出场景网络层；
232.基于所述场景网络层对所述客户信息进行预测，得到所述待推荐用户在所述请求业务场景上的目标需求；
233.根据所述语音信息识别出所述待推荐客户的情绪信息及语音文本；
234.根据所述目标产品推荐模型对所述目标需求、所述客户来电标识、所述情绪信息及所述语音文本进行处理，生成所述待推荐客户的推荐产品。
235.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
236.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
237.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
238.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
239.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种产品推荐方法，其特征在于，应用于电子设备，所述电子设备包括第一设备界面及第二设备界面，所述产品推荐方法包括：当所述第一设备界面接收到产品推荐请求时，根据所述产品推荐请求获取待推荐客户的客户信息、请求业务场景、客户来电标识及语音信息；从所述第二设备界面中获取历史客户对历史推荐信息的指标结果；根据所述指标结果对获取到的初始需求预测模型进行调整，得到目标需求预测模型，并对获取到的初始产品推荐模型进行调整，得到目标产品推荐模型；根据所述请求业务场景从所述目标需求预测模型中筛选出场景网络层；基于所述场景网络层对所述客户信息进行预测，得到所述待推荐用户在所述请求业务场景上的目标需求；根据所述语音信息识别出所述待推荐客户的情绪信息及语音文本；根据所述目标产品推荐模型对所述目标需求、所述客户来电标识、所述情绪信息及所述语音文本进行处理，生成所述待推荐客户的推荐产品。2.如权利要求1所述的产品推荐方法，其特征在于，所述指标结果包括案例信息及推荐排名结果，所述案例信息包括基础信息、案例需求及案例产品，所述根据所述指标结果对获取到的初始需求预测模型进行调整，得到目标需求预测模型，并对获取到的初始产品推荐模型进行调整，得到目标产品推荐模型包括：若所述推荐排名结果大于预设排名结果，则基于所述初始需求预测模型对所述基础信息进行预测，得到预测需求；若所述预测需求与所述案例需求相同，则基于所述初始产品推荐模型对所述基础信息及所述案例需求进行分析，得到预测产品；根据所述预测产品及所述案例产品，调整所述初始产品推荐模型，得到所述目标产品推荐模型；或者若所述预测需求与所述案例需求不同，则根据所述预测需求及所述案例需求，调整所述初始需求预测模型，得到所述目标需求预测模型。3.如权利要求1所述的产品推荐方法，其特征在于，所述根据所述产品推荐请求获取待推荐客户的客户信息、请求业务场景、客户来电标识及语音信息包括：解析所述产品推荐请求的请求报文，得到所述请求报文携带的数据信息；从所述数据信息中提取所述待推荐客户的客户识别码及请求标识；从预设授权信息库中获取与所述客户识别码对应的信息作为所述客户信息；根据所述请求标识获取对应的所述客户来电标识；获取所述产品推荐请求的生成时刻；根据所述生成时刻及预设时段生成目标时刻；从与所述第一设备界面相通信的语音通道中获取与所述目标时刻对应的信息作为所述语音信息；将所述语音信息与预设场景匹配，并将与所述语音信息匹配成功的预设场景确定为所述请求业务场景。4.如权利要求3所述的产品推荐方法，其特征在于，所述目标需求预测模型包括信息分析网络层及需求分类网络层，所述需求分类网络层中包括与多个所述预设场景对应的场景
分类层，所述根据所述请求业务场景从所述目标需求预测模型中筛选出场景网络层包括：将与所述请求业务场景匹配成功的预设场景所对应的场景分类层确定为目标分类层；根据所述信息分析网络层及所述目标分类层生成所述场景网络层。5.如权利要求4所述的产品推荐方法，其特征在于，所述信息分析网络层包括信息提取网络及类型识别网络，所述客户信息包括所述待推荐客户的历史购买产品，所述基于所述场景网络层对所述客户信息进行预测，得到所述待推荐用户在所述请求业务场景上的目标需求包括：基于所述信息提取网络，从所述客户信息中提取所述待推荐客户的关键信息；基于所述类型识别网络对所述历史购买产品进行识别，得到产品类型；基于所述目标分类层所对应的向量映射表对所述关键信息及所述产品类型进行向量编码，得到输入向量；基于所述目标分类层对所述输入向量进行分类处理，得到所述目标需求。6.如权利要求1所述的产品推荐方法，其特征在于，所述根据所述语音信息识别出所述待推荐客户的情绪信息及语音文本包括：从所述语音信息中提取语调信息及语气信息；根据所述语调信息及所述语气信息，从预设情绪中匹配出所述情绪信息；对所述语音信息进行文本翻译，得到所述语音文本。7.如权利要求1所述的产品推荐方法，其特征在于，所述目标产品推荐模型包括语义分析网络、反馈识别网络及需求产品列表，所述根据所述目标产品推荐模型对所述目标需求、所述客户来电标识、所述情绪信息及所述语音文本进行处理，生成所述待推荐客户的推荐产品包括：基于所述语义分析网络对所述语音文本进行分析，得到语义文本；从所述语音文本中提取情绪词汇；对所述客户来电标识、所述情绪信息、所述语义文本及所述情绪词汇进行向量编码，得到文本编码；基于所述反馈识别网络对所述文本编码进行文本识别，得到所述待推荐客户对所述目标需求的反馈结果；若所述反馈结果为正向结果，则从所述需求产品列表中获取与所述目标需求对应的产品作为所述推荐产品。8.一种产品推荐装置，其特征在于，运行于电子设备，所述电子设备包括第一设备界面及第二设备界面，所述产品推荐装置包括：获取单元，用于当所述第一设备界面接收到产品推荐请求时，根据所述产品推荐请求获取待推荐客户的客户信息、请求业务场景、客户来电标识及语音信息；所述获取单元，还用于从所述第二设备界面中获取历史客户对历史推荐信息的指标结果；调整单元，用于根据所述指标结果对获取到的初始需求预测模型进行调整，得到目标需求预测模型，并对获取到的初始产品推荐模型进行调整，得到目标产品推荐模型；筛选单元，用于根据所述请求业务场景从所述目标需求预测模型中筛选出场景网络层；
预测单元，用于基于所述场景网络层对所述客户信息进行预测，得到所述待推荐用户在所述请求业务场景上的目标需求；识别单元，用于根据所述语音信息识别出所述待推荐客户的情绪信息及语音文本；生成单元，用于根据所述目标产品推荐模型对所述目标需求、所述客户来电标识、所述情绪信息及所述语音文本进行处理，生成所述待推荐客户的推荐产品。9.一种电子设备，其特征在于，所述电子设备包括：存储器，存储有计算机可读指令；及处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的产品推荐方法。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中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的产品推荐方法。

技术总结
本发明涉及人工智能，提供一种产品推荐方法、装置、设备及存储介质。该方法获取客户信息、请求业务场景、客户来电标识、语音信息及指标结果，根据指标结果对初始需求预测模型及初始产品推荐模型进行调整，得到目标需求预测模型及目标产品推荐模型，从目标需求预测模型中筛选出场景网络层对客户信息进行预测，得到目标需求，根据语音信息识别出情绪信息及语音文本，根据目标产品推荐模型对目标需求、客户来电标识、情绪信息及语音文本进行处理，高效并准确的生成推荐产品。此外，本发明还涉及区块链技术，所述推荐产品可存储于区块链中。所述推荐产品可存储于区块链中。所述推荐产品可存储于区块链中。


技术研发人员：周珍珍 李婷 张叙 陆敬敬
受保护的技术使用者：深圳平安综合金融服务有限公司
技术研发日：2023.04.11
技术公布日：2023/7/7