[发明专利]客户意图分析方法、系统、设备及存储介质

说明书

本申请提供了一种客户意图分析方法、系统、设备及存储介质，根据客户通话交互信息进行客户意图识别，得到多个客户的多个意图序列；意图序列包括按照时间进行排列的多个客户意图；通过多个客户的多个意图序列训练词嵌入网络，得到客户意图模型；将待预测客户的至少一次交互信息输入客户意图模型，得到多个客户意图向量；计算多个客户意图向量与成功意图向量之间的余弦距离并对比，选取最小的余弦距离对应的客户意图向量；相应得到的客户意图为客户意图预测结果；所述成功意图向量为预先存储的业务成单客户的成功意图向量。本申请根据客户意图序列进行客户意图建模，不仅可以提高客户意图的准确性，还可以在有利于业务成单方向进行预测。

技术领域

本申请属于人工智能技术领域，具体地，涉及一种客户意图分析方法、系统、设备及存储介质。

背景技术

意图的识别在现代AI对话系统中扮演了重要角色，自然语言处理NLP(NaturalLanguage Processing)是研究人与计算机交互的语言问题的一门学科。通过NLP系统产生的客户意图在对用户简历用户画像和业务推荐的过程中起着非常重要的作用。

但，NLP系统产生的客户意图通常是被当做孤立的组件进行独立分析，忽视了客户意图之间的关系，例如时间信息，导致客户意图分析时很难捕捉到客户的连续意图变化，从而无法进行准确的意图分析和建模。即使是多轮的意图识别算法采取的方式也只是粗暴的将之前的独立客户信息输入到模型中，也无法得到向着业务有利的方向干预的意图识别结果。

发明内容

本发明提出了一种客户意图分析方法、系统、设备及存储介质，旨在解决现有AI对话系统中，客户意图识别不准确的问题。

根据本申请实施例的第一个方面，提供了一种客户意图分析方法，包括以下步骤：

根据客户通话交互信息进行客户意图识别，得到多个客户的多个意图序列；意图序列包括按照时间进行排列的多个客户意图；

通过多个客户的多个意图序列训练词嵌入网络，得到客户意图模型；

将待预测客户的至少一次交互信息输入客户意图模型，得到多个客户意图向量；

计算多个客户意图向量与成功意图向量之间的余弦距离并对比，选取最小的余弦距离对应的客户意图向量；相应得到的客户意图为客户意图预测结果；成功意图向量为预先存储的业务成单客户的成功意图向量。

在本申请一些实施方式中，通过多个客户的多个意图序列训练词嵌入网络，得到客户意图模型，具体包括：

将多个意图序列进行排列得到意图有向图；意图有向图节点为客户意图，意图有向图的边的权重为意图有向图节点之间跃迁的概率；

遍历意图有向图得到多个随机意图序列，并根据多个随机意图序列训练词嵌入网络，得到客户意图模型。

在本申请一些实施方式中，意图有向图节点之间跃迁的概率的计算公式为：

Pmn＝Cn/Cm；

其中，Cm为意图有向图节点m上经过m但不为终点的意图序列数，Cn为从意图有向图节点m到意图有向图节点n经过的意图序列数，Pmn为意图有向图节点m与意图有向图节点n之间跃迁的概率。

在本申请一些实施方式中，通过多个客户的多个意图序列训练词嵌入网络，得到客户意图模型之后，还包括：

输入客户成单成功的客户意图序列至客户意图模型，得到成功意图向量。

在本申请一些实施方式中，词嵌入网络为Word2vec模型，Word2vec模型采用CBOW模型与skip-gram模型相结合，并采用负采样与层次softmax方法。

在本申请一些实施方式中，将客户通话交互信息进行客户意图识别，得到多个客户的多个意图序列，具体包括：