基于人工智能的购买预测方法、装置、设备及存储介质与流程

1.本技术涉及人工智能开发技术领域，尤其涉及基于人工智能的购买预测方法、装置、计算机设备及存储介质。


背景技术：

2.在金融业务中，金融科技公司需要提前预测用户对小额保险、股票、基金等金融产品的购买倾向，有利于金融产品营销方提前做好营销和服务。
3.现有的产品购买预测方式，通常是依靠人工对客户在业务沟通中的个人反馈信息进行购买预测，这样的预测方式需要较高的人力成本，从而导致处理效率低下，并且人工预测依赖于较高的个人主观性，无法保证生成的保险预测结果的准确度。


技术实现要素：

4.本技术实施例的目的在于提出一种基于人工智能的购买预测方法、装置、计算机设备及存储介质，以解决现有的产品购买预测预测方式需要较高的人力成本，从而导致处理效率低下，并且人工预测依赖于较高的个人主观性，无法保证生成的保险预测结果的准确度的技术问题。
5.为了解决上述技术问题，本技术实施例提供一种基于人工智能的购买预测方法，采用了如下所述的技术方案：
6.获取用户与坐席的保险业务沟通过程中的语音对话；
7.将所述语音对话转化为文字数据，并按照预设格式对所述文字数据进行转换处理得到对话文本；
8.基于预设模型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；
9.基于所述对话文本与所述主题标签构建对应的有向图；
10.将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果；其中，所述购买预测模型由图卷积网络与全连接层构成。
11.进一步的，所述基于预设模型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：
12.获取所述语音对话中的对话内容；
13.基于预设的文本表示模型生成与所述对话内容对应的文本表示数据；
14.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；
15.将所述特征数据作为所述主题标签。
16.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：
17.获取预设的数据类型；
18.基于所述数据类型从所述对话文本中获取会话id、坐席id以及时间戳；
19.基于所述会话id、所述坐席id、所述时间戳以及所述主题标签构建有向图。
20.进一步的，所述将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果的步骤，具体包括：
21.将所述有向图中各个节点的特征向量输入至所述购买预测模型的图卷积网络内，通过所述图卷积网络对所述有向图中各个节点的特征向量进行处理，得到对应的第一输出结果；
22.将所述第一输出结果输入至所述全连接层内，得到对应的第二输出结果；
23.将所述第二输出结果作为所述保险购买预测结果。
24.进一步的，所述通过所述图卷积网络对所述有向图中各个节点的特征向量进行处理，得到对应的第一输出结果的步骤，具体包括：
25.步骤a，通过所述图卷积网络将所述有向图中各个节点的特征向量编码成预设维数的第一节点特征向量；
26.步骤b，基于预设网络对所述第一节点特征向量进行更新处理，得到第二节点特征向量；
27.步骤c，基于所述第二节点特征向量进行下采样处理，得到对应的采样结果；
28.步骤d，基于所述采样结果进行全局平均池化处理，得到指定输出结果；
29.重复执行预设次数的步骤a-步骤d，得到多个指定输出结果；
30.基于多个所述指定输出结果生成所述第一输出结果。
31.进一步的，所述基于多个所述指定输出结果生成所述第一输出结果的步骤，具体包括：
32.获取多个所述指定输出结果；
33.对所有所述指定输出结果进行相加处理，得到对应的和值；
34.将所述和值作为所述第一输出结果。
35.进一步的，在所述将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果的步骤之后，还包括：
36.获取目标坐席的通讯信息；
37.基于所述保险购买预测结果生成与所述用户对应的保险购买预测信息；
38.基于所述通讯信息，将所述保险购买预测信息推送给所述目标坐席。
39.为了解决上述技术问题，本技术实施例还提供一种基于人工智能的购买预测装置，采用了如下所述的技术方案：
40.第一获取模块，用于获取用户与坐席的保险业务沟通过程中的语音对话；
41.第一处理模块，用于将所述语音对话转化为文字数据，并按照预设格式对所述文字数据进行转换处理得到对话文本；
42.第二处理模块，用于基于预设模型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；
43.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；
44.第一生成模块，用于将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果；其中，所述购买预测模型由图卷积网络
与全连接层构成。
45.为了解决上述技术问题，本技术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：
46.获取用户与坐席的保险业务沟通过程中的语音对话；
47.将所述语音对话转化为文字数据，并按照预设格式对所述文字数据进行转换处理得到对话文本；
48.基于预设模型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；
49.基于所述对话文本与所述主题标签构建对应的有向图；
50.将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果；其中，所述购买预测模型由图卷积网络与全连接层构成。
51.为了解决上述技术问题，本技术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：
52.获取用户与坐席的保险业务沟通过程中的语音对话；
53.将所述语音对话转化为文字数据，并按照预设格式对所述文字数据进行转换处理得到对话文本；
54.基于预设模型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；
55.基于所述对话文本与所述主题标签构建对应的有向图；
56.将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果；其中，所述购买预测模型由图卷积网络与全连接层构成。
57.与现有技术相比，本技术实施例主要有以下有益效果：
58.本技术实施例中，首先获取用户与坐席的保险业务沟通过程中的语音对话；然后将所述语音对话转化为文字数据，并按照预设格式对所述文字数据进行转换处理得到对话文本；之后基于预设模型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；最后将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果。本技术实施例通过基于利用对话文本以及对话文本的主题标签完成有向图的构建，进而使用购买预测模型对构建的有向图进行处理，以自动智能地对用户进行保险购买的预测，并生成与用户对应的保险购买预测结果，可以有效提高保险预测的处理效率，同时提高了生成的保险购买预测结果的准确性。
附图说明
59.为了更清楚地说明本技术中的方案，下面将对本技术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技术的一些实施例，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。
60.图1是本技术可以应用于其中的示例性系统架构图；
61.图2根据本技术的基于人工智能的购买预测方法的一个实施例的流程图；
62.图3是根据本技术的基于人工智能的购买预测装置的一个实施例的结构示意图；
63.图4是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
64.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技术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，不是旨在于限制本技术；本技术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。本技术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。
65.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技术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。
66.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
67.如图1所示，系统架构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。
68.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。
69.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 experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts 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。
70.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。
71.需要说明的是，本技术实施例所提供的基于人工智能的购买预测方法一般由服务器/终端设备执行，相应地，基于人工智能的购买预测装置一般设置于服务器/终端设备中。
72.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。
73.继续参考图2，示出了根据本技术的基于人工智能的购买预测方法的一个实施例的流程图。所述的基于人工智能的购买预测方法，包括以下步骤：
74.步骤s201，获取用户与坐席的保险业务沟通过程中的语音对话。
75.在本实施例中，基于人工智能的购买预测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。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。客户在与坐席沟通的过程中会涉及到不同对话主题。当对话结束一段时间后，遍历完的对话主题会对应保险购买结果。它们之间会存在直接或者间接的联系，通过对这些主题进行链路训练与学习以发现坐席的引导特征，对主题顺序与购买结果之间的关系进行关联与预测，这对最后的购买结果进行预测对于保险销售是至关重要的。
76.步骤s202，将所述语音对话转化为文字数据，并按照预设格式对所述文字数据进行转换处理得到对话文本。
77.在本实施例中，可通过采用科大讯飞的asr技术，将语音以实时的方式转为文字。基于预设格式的转换处理是指将文字数据形成包括会话id、坐席id、时间戳、对话内容的格式化数据，
78.步骤s203，基于预设模型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。
79.在本实施例中，上述预设模型包括文本表示模型与特征提取模型。主题标签至少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、推荐信用卡。其中，上述基于预设模型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，本技术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。
80.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。
81.在本实施例中，可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。具体地，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，本技术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。
82.步骤s205，将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果；其中，所述购买预测模型由图卷积网络与全连接层构成。
83.在本实施例中，购买预测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，设置有向图深度神经网络的参数，例如可包括每个空间信息捕捉过程的卷积层个数和全连接层节点数，多层感知网络的感知层个数、隐藏层节点数以及输出层节点数，网络学习率，训练代数；然后采用结合adam优化算法在训练集上训练有向图深度神经网络，迭代优化模型参数，以生成最终的购买预测模型。其中，通过采用购买预测模型进行对于用户的保险购买预测的方式可以有效帮助管理者发现与调整坐席的对话逻辑、挖掘用户的购买特征、优化话术与引导客户购买路径，进而实现业务价值的增量提升。另外，上述将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果的具体实施过程，本技术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。
84.本技术首先获取用户与坐席的保险业务沟通过程中的语音对话；然后将所述语音对话转化为文字数据，并按照预设格式对所述文字数据进行转换处理得到对话文本；之后基于预设模型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；最后将所述有向图中各个节点的特
征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果。本技术通过基于利用对话文本以及对话文本的主题标签完成有向图的构建，进而使用购买预测模型对构建的有向图进行处理，以自动智能地对用户进行保险购买的预测，并生成与用户对应的保险购买预测结果，可以有效提高保险预测的处理效率，同时提高了生成的保险购买预测结果的准确性。
85.在一些可选的实现方式中，步骤s203包括以下步骤：
86.获取所述语音对话中的对话内容。
87.在本实施例中，可基于对话内容对应的内容数据类型，从语音对话中提取出与该内容数据类型对应的对话内容。
88.基于预设的文本表示模型生成与所述对话内容对应的文本表示数据。
89.在本实施例中，上述文本表示模型具体采用roberta文本表示模型。在将所述语音对话中的对话内容输入至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。
90.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。
91.在本实施例中，上述特征提取模型具体采用rcnn特征提取模型。双向循环结构的rnn网络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，最后输出对应的主题标签。
92.将所述特征数据作为所述主题标签。
93.本技术通过获取所述语音对话中的对话内容；然后基于预设的文本表示模型生成与所述对话内容对应的文本表示数据；后续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，并将所述特征数据作为所述主题标签。本技术基于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所述对话文本对应的主题标签，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。
94.在本实施例的一些可选的实现方式中，步骤s204包括以下步骤：
95.获取预设的数据类型。
96.在本实施例中，上述数据类型包括与会话id、坐席id以及时间戳对应的数据类型。
97.基于预设的数据类型从所述对话文本中获取会话id、坐席id以及时间戳。
98.基于所述会话id、所述坐席id、所述时间戳以及所述主题标签构建有向图。
99.在本实施例中，对话文本主题的有向图构建过程可包括：首先遍历对话文本数据中每一组的会话id以便将其制作成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，得到每个坐席对话主题序列文件。后续，对其进行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，以完成有向图的构建。举例地：边的顺序是从0—》0—》2—》1，对应节点的索引源节点为[0 0 2]，目标节点为[0 2 1]。
[0100]
本技术通过获取预设的数据类型；然后基于所述数据类型从所述对话文本中获取会话id、坐席id以及时间戳；后续基于所述会话id、所述坐席id、所述时间戳以及所述主题标签构建有向图。本技术通过基于数据类型的使用可以快捷准确地从对话文本中获取会话id、坐席id以及时间戳，进而后续可以基于得到的会话id、坐席id、时间戳以及主题标签完
成有向图的准确构建，有利于后续可以使用购买预测模型对构建的有向图进行处理，以自动智能地生成与所述用户对应的保险购买预测结果。
[0101]
在一些可选的实现方式中，步骤s205包括以下步骤：
[0102]
将所述有向图中各个节点的特征向量输入至所述购买预测模型的图卷积网络内，通过所述图卷积网络对所述有向图中各个节点的特征向量进行处理，得到对应的第一输出结果。
[0103]
在本实施例中，上述通过所述图卷积网络对所述有向图中各个节点的特征向量进行处理，得到对应的第一输出结果的具体实施过程，本技术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。
[0104]
将所述第一输出结果输入至所述全连接层内，得到对应的第二输出结果。
[0105]
在本实施例中，通过将所述第一输出结果输入至所述全连接层内，经过全连接和softmax处理后，即可获得对应的预测结果。
[0106]
将所述第二输出结果作为所述保险购买预测结果。
[0107]
在本实施例中，话术导航产品的以往的研究中根据坐席的对话反馈主题有以下几类：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、推荐信用卡。这些对话主题在对话的过程中因用户与坐席的差异可能主题跳转流程存在不同，并且这些不同可能对保险的购买结果产生一定的影响。但是之前的研究中并未对对话主题之间的关联进行挖掘，错失了对保险产品销售的话术把控。基于此，本技术通过对该对话主题路径进行图卷积神经网络构建，并利用图卷积神经网络进行保险购买结果的预测，可以有效提高保险预测的处理效率，同时提高了生成的保险购买预测结果的准确性。
[0108]
本技术通过将所述有向图中各个节点的特征向量输入至所述购买预测模型的图卷积网络内，通过所述图卷积网络对所述有向图中各个节点的特征向量进行处理，得到对应的第一输出结果；后续将所述第一输出结果输入至所述全连接层内，得到对应的第二输出结果，并将所述第二输出结果作为所述保险购买预测结果。本技术基于购买预测模型对构建的有向图进行处理，实现了自动智能地生成与所述用户对应的保险购买预测结果，可以有效提高保险预测的处理效率，以及提高生成的保险购买预测结果的准确性。
[0109]
在一些可选的实现方式中，所述通过所述图卷积网络对所述有向图中各个节点的特征向量进行处理，得到对应的第一输出结果，包括以下步骤：
[0110]
步骤a，通过所述图卷积网络将所述有向图中各个节点的特征向量编码成预设维数的第一节点特征向量。
[0111]
在本实施例中，上述预设维数具体可为128，可先将有向图中各个节点的特征向量使用embedding编码成128维的向量。
[0112]
步骤b，基于预设网络对所述第一节点特征向量进行更新处理，得到第二节点特征向量。
[0113]
在本实施例中，上述预设网络具体为sageconv网络。对于sageconv网络，其重构出来的点的特征向量x
′i由自身的点的特征向量xi乘以一个可学习的参数w1再加上邻居特征的平均mean
j∈n(i)
xj乘以另外一个可学习的参数w2，具体公式见下式(1)：x
′i＝w1xi+w2mean
j∈n(i)
xj(1)。
[0114]
步骤c，基于所述第二节点特征向量进行下采样处理，得到对应的采样结果。
[0115]
在本实施例中，通过使用topkpooling对所述第二节点特征向量进行下采样处理，以从有向图中取出最重要的k个点。对于topkpooling，其是对有向图进行下采样。其中x为图中的点特征矩阵，a为邻接矩阵，p可训练的权重参数，y为得分，topk可从得分中选出前k个得分，x
′
为图中重构后的点矩阵，a
′
为重构后的邻接矩阵，具体公式见下式(2)～(5)：i＝topk(y)(3)；x
′
＝(x
⊙
tanh(y))i(4)；a
′
＝a
i，i
(5)。
[0116]
步骤d，基于所述采样结果进行全局平均池化处理，得到指定输出结果。
[0117]
在本实施例中，通过使用全局平均池化global_mean_pool对采样结果进行处理以得到全局平均向量。对于global_mean_pool，其是获取全局平均向量。其中，ni是全局节点个数，xn为点的特征向量，具体公式见下式(6)：
[0118]
重复执行预设次数的步骤a-步骤d，得到多个指定输出结果。
[0119]
在本实施例中，对于上述预设次数的取值不做具体限定，可根据实际的使用需求进行设置，优选采用3作为该预设次数。具体的，图卷积网络中包含多个相连的用于执行上述步骤a-步骤d的处理层。将第一层处理层输出的节点的输出特征输入至第二层处理层中，将第二层处理层输出的节点的输出特征输入至第三层处理层中，依次至最后一层处理层，可以实现基于时间层次的信息对每个节点的特征进行更新，后续再将最后一层处理层的输出特征进行全连接后，便可获得保险购买预测结果。其中，可以通过将上一层处理层对节点的特征进行邻域信息聚合后获得的节点的输出特征输入下一层处理层中，从而获得当前层处理层输出的节点的输出特征。通过使用多个处理层结合来对每个节点的特征进行更新，随着层次数目的增加，最终的节点特征能够获得越来越多的全局信息，有利于保证后续生成的保险购买预测结果的准确性。
[0120]
基于多个所述指定输出结果生成所述第一输出结果。
[0121]
在本实施例中，上述基于多个所述指定输出结果生成所述第一输出结果的具体实施过程，本技术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。
[0122]
本技术基于购买预测模型内的图卷积网络对所述有向图中各个节点的特征向量进行处理，可以快速地生成对应的第一输出结果，有利于后续可以基于购买预测模型内的全连接层对该第一输出结果进行处理以实现了自动智能地生成与所述用户对应的保险购买预测结果，可以有效提高保险预测的处理效率，以及提高生成的保险购买预测结果的准确性。
[0123]
在本实施例的一些可选的实现方式中，所述基于多个所述指定输出结果生成所述第一输出结果，包括以下步骤：
[0124]
获取多个所述指定输出结果。
[0125]
在本实施例中，指定输出结果的数量可包括3个。
[0126]
对所有所述指定输出结果进行相加处理，得到对应的和值。
[0127]
将所述和值作为所述第一输出结果。
[0128]
本技术通过获取多个所述指定输出结果；然后对所有所述指定输出结果进行相加处理，得到对应的和值，并将所述和值作为所述第一输出结果。本技术通过对由图卷积网络
对对话文本进行处理后生成的多个指定输出结果进行相加处理，可以实现快速准确地生成图卷积网络的输出结果，保证了生成的第一输出结果的准确性。
[0129]
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：
[0130]
获取目标坐席的通讯信息。
[0131]
在本实施例中，上述目标坐席可为与用户匹配的对接坐席，上述通讯信息可包括电话信息或邮件信息。
[0132]
基于所述保险购买预测结果生成与所述用户对应的保险购买预测信息。
[0133]
在本实施例中，可通过获取保险业务对应的业务标识，再将该业务标识与所述保险购买预测结果填充至预设的信息模板内，以生成所述保险购买预测信息。其中，信息模板可根据实际的业务需求预先编写生成。
[0134]
基于所述通讯信息，将所述保险购买预测信息推送给所述目标坐席。
[0135]
在本实施例中，可将所述保险购买预测信息发送给与所述通讯信息对应的目标用户的终端设备。
[0136]
本技术通过获取目标坐席的通讯信息；然后基于所述保险购买预测结果生成与所述用户对应的保险购买预测信息；后续基于所述通讯信息，将所述保险购买预测信息推送给所述目标坐席。本技术在基于购买预测模型的使用生成用户对应的保险购买预测结果后，还会智能地基于保险购买预测结果生成与所述用户对应的保险购买预测信息，并会将保险购买预测信息推送给目标坐席，以便目标坐席能够根据该保险购买预测信息对用户进行相匹配的业务服务，进而实现业务价值的增量提升，有利于提高目标坐席的工作体验。
[0137]
需要强调的是，为进一步保证上述保险购买预测结果的私密和安全性，上述保险购买预测结果还可以存储于一区块链的节点中。
[0138]
本技术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。
[0139]
本技术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、技术及应用系统。
[0140]
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。
[0141]
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。
[0142]
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。
[0143]
进一步参考图3，作为对上述图2所示方法的实现，本技术提供了一种基于人工智能的购买预测装置的一个实施例，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。
[0144]
如图3所示，本实施例所述的基于人工智能的购买预测装置300包括：第一获取模块301、第一处理模块302、第二处理模块303、构建模块304以及第一生成模块305。其中：
[0145]
第一获取模块301，用于获取用户与坐席的保险业务沟通过程中的语音对话；
[0146]
第一处理模块302，用于将所述语音对话转化为文字数据，并按照预设格式对所述文字数据进行转换处理得到对话文本；
[0147]
第二处理模块303，用于基于预设模型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；
[0148]
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；
[0149]
第一生成模块305，用于将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果；其中，所述购买预测模型由图卷积网络与全连接层构成。
[0150]
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购买预测方法的步骤一一对应，在此不再赘述。
[0151]
在本实施例的一些可选的实现方式中，第二处理模块303包括：
[0152]
第一获取子模块，用于获取所述语音对话中的对话内容；
[0153]
生成子模块，用于基于预设的文本表示模型生成与所述对话内容对应的文本表示数据；
[0154]
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；
[0155]
第一确定子模块，用于将所述特征数据作为所述主题标签。
[0156]
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购买预测方法的步骤一一对应，在此不再赘述。
[0157]
在本实施例的一些可选的实现方式中,构建模块304包括：
[0158]
第二获取子模块，用于获取预设的数据类型；
[0159]
第三获取子模块，用于基于所述数据类型从所述对话文本中获取会话id、坐席id以及时间戳；
[0160]
构建子模块，用于基于所述会话id、所述坐席id、所述时间戳以及所述主题标签构建有向图。
[0161]
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
能的购买预测方法的步骤一一对应，在此不再赘述。
[0162]
在本实施例的一些可选的实现方式中，第一生成模块305包括：
[0163]
第一输入子模块，用于将所述有向图中各个节点的特征向量输入至所述购买预测模型的图卷积网络内，通过所述图卷积网络对所述有向图中各个节点的特征向量进行处理，得到对应的第一输出结果；
[0164]
第二输入子模块，用于将所述第一输出结果输入至所述全连接层内，得到对应的第二输出结果；
[0165]
第二确定子模块，用于将所述第二输出结果作为所述保险购买预测结果。
[0166]
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购买预测方法的步骤一一对应，在此不再赘述。
[0167]
在本实施例的一些可选的实现方式中，第一输入子模块包括：
[0168]
编码单元，用于步骤a，通过所述图卷积网络将所述有向图中各个节点的特征向量编码成预设维数的第一节点特征向量；
[0169]
更新单元，用于步骤b，基于预设网络对所述第一节点特征向量进行更新处理，得到第二节点特征向量；
[0170]
第一处理单元，用于步骤c，基于所述第二节点特征向量进行下采样处理，得到对应的采样结果；
[0171]
第二处理单元，用于步骤d，基于所述采样结果进行全局平均池化处理，得到指定输出结果；
[0172]
执行单元，用于重复执行预设次数的步骤a-步骤d，得到多个指定输出结果；
[0173]
生成单元，用于基于多个所述指定输出结果生成所述第一输出结果。
[0174]
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购买预测方法的步骤一一对应，在此不再赘述。
[0175]
在本实施例的一些可选的实现方式中，生成单元包括：
[0176]
获取子单元，用于获取多个所述指定输出结果；
[0177]
处理子单元，用于对所有所述指定输出结果进行相加处理，得到对应的和值；
[0178]
确定子单元，用于将所述和值作为所述第一输出结果。
[0179]
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购买预测方法的步骤一一对应，在此不再赘述。
[0180]
在本实施例的一些可选的实现方式中，基于人工智能的购买预测装置还包括：
[0181]
第二获取模块，用于获取目标坐席的通讯信息；
[0182]
第二生成模块，用于基于所述保险购买预测结果生成与所述用户对应的保险购买预测信息；
[0183]
推送模块，用于基于所述通讯信息，将所述保险购买预测信息推送给所述目标坐席。
[0184]
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购买预测方法的步骤一一对应，在此不再赘述。
[0185]
为解决上述技术问题，本技术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。
[0186]
所述计算机设备4包括通过系统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(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0187]
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。
[0188]
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(flash card)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的操作系统和各类应用软件，例如基于人工智能的购买预测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。
[0189]
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购买预测方法的计算机可读指令。
[0190]
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。
[0191]
与现有技术相比，本技术实施例主要有以下有益效果：
[0192]
本技术实施例中，首先获取用户与坐席的保险业务沟通过程中的语音对话；然后将所述语音对话转化为文字数据，并按照预设格式对所述文字数据进行转换处理得到对话文本；之后基于预设模型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；最后将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果。本技术实施例通过基于利用对话文本以及对话文本的主题标签完成有向图的构建，进而使用购买预测模型对构建的有向图进行处理，以自动智能地对用户进行保险购买的预测，并生成与用户对应的保险购买预测结果，可以有效提高保险预测的处理效率，同时提高了生成的保险购买预测结果的准确性。
[0193]
本技术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购买预测方法的步骤。
[0194]
与现有技术相比，本技术实施例主要有以下有益效果：
[0195]
本技术实施例中，首先获取用户与坐席的保险业务沟通过程中的语音对话；然后将所述语音对话转化为文字数据，并按照预设格式对所述文字数据进行转换处理得到对话文本；之后基于预设模型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；最后将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果。本技术实施例通过基于利用对话文本以及对话文本的主题标签完成有向图的构建，进而使用购买预测模型对构建的有向图进行处理，以自动智能地对用户进行保险购买的预测，并生成与用户对应的保险购买预测结果，可以有效提高保险预测的处理效率，同时提高了生成的保险购买预测结果的准确性。
[0196]
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，本技术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)执行本技术各个实施例所述的方法。
[0197]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术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技术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技术进行了详细的说明，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。凡是利用本技术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，均同理在本技术专利保护范围之内。

技术特征：
1.一种基于人工智能的购买预测方法，其特征在于，包括下述步骤：获取用户与坐席的保险业务沟通过程中的语音对话；将所述语音对话转化为文字数据，并按照预设格式对所述文字数据进行转换处理得到对话文本；基于预设模型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；将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果；其中，所述购买预测模型由图卷积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购买预测方法，其特征在于，所述基于预设模型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：获取所述语音对话中的对话内容；基于预设的文本表示模型生成与所述对话内容对应的文本表示数据；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。3.根据权利要求1所述的基于人工智能的购买预测方法，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：获取预设的数据类型；基于所述数据类型从所述对话文本中获取会话id、坐席id以及时间戳；基于所述会话id、所述坐席id、所述时间戳以及所述主题标签构建有向图。4.根据权利要求1所述的基于人工智能的购买预测方法，其特征在于，所述将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果的步骤，具体包括：将所述有向图中各个节点的特征向量输入至所述购买预测模型的图卷积网络内，通过所述图卷积网络对所述有向图中各个节点的特征向量进行处理，得到对应的第一输出结果；将所述第一输出结果输入至所述全连接层内，得到对应的第二输出结果；将所述第二输出结果作为所述保险购买预测结果。5.根据权利要求4所述的基于人工智能的购买预测方法，其特征在于，所述通过所述图卷积网络对所述有向图中各个节点的特征向量进行处理，得到对应的第一输出结果的步骤，具体包括：步骤a，通过所述图卷积网络将所述有向图中各个节点的特征向量编码成预设维数的第一节点特征向量；步骤b，基于预设网络对所述第一节点特征向量进行更新处理，得到第二节点特征向量；步骤c，基于所述第二节点特征向量进行下采样处理，得到对应的采样结果；步骤d，基于所述采样结果进行全局平均池化处理，得到指定输出结果；重复执行预设次数的步骤a-步骤d，得到多个指定输出结果；基于多个所述指定输出结果生成所述第一输出结果。6.根据权利要求5所述的基于人工智能的购买预测方法，其特征在于，所述基于多个所
述指定输出结果生成所述第一输出结果的步骤，具体包括：获取多个所述指定输出结果；对所有所述指定输出结果进行相加处理，得到对应的和值；将所述和值作为所述第一输出结果。7.根据权利要求1所述的基于人工智能的购买预测方法，其特征在于，在所述将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果的步骤之后，还包括：获取目标坐席的通讯信息；基于所述保险购买预测结果生成与所述用户对应的保险购买预测信息；基于所述通讯信息，将所述保险购买预测信息推送给所述目标坐席。8.一种基于人工智能的购买预测装置，其特征在于，包括：第一获取模块，用于获取用户与坐席的保险业务沟通过程中的语音对话；第一处理模块，用于将所述语音对话转化为文字数据，并按照预设格式对所述文字数据进行转换处理得到对话文本；第二处理模块，用于基于预设模型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；第一生成模块，用于将所述有向图中各个节点的特征向量输入至预设的购买预测模型中，生成与所述用户对应的保险购买预测结果；其中，所述购买预测模型由图卷积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购买预测方法的步骤。

技术总结
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购买预测方法，包括：获取用户与坐席的保险业务沟通过程中的语音对话；将语音对话转化为文字数据，并按照预设格式对文字数据进行转换处理得到对话文本；基于预设模型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；将有向图中各个节点的特征向量输入至预设的购买预测模型中，生成用户的保险购买预测结果。本申请还提供一种基于人工智能的购买预测装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，保险购买预测结果息可存储于区块链中。本申请有效提高了保险预测的处理效率，同时提高了生成的保险购买预测结果的准确性。准确性。准确性。


技术研发人员：袁美璐
受保护的技术使用者：中国平安财产保险股份有限公司
技术研发日：2023.05.05
技术公布日：2023/8/9