基于音频交互的营销方法、装置以及存储介质与流程

本申请涉及计算技术领域，特别是涉及一种基于音频交互的营销方法、装置以及存储介质。

背景技术：

当今社会，随着物质的极大丰富以及人们的需求不断攀升，商家们的营销方式也开始变得多种多样。其中，最为普遍的一种就是通过电话向用户进行销售。但是，这种方式也存在弊端，例如：面对海量的客户，利用人工的方式进行电话销售，会产生大量的人力成本。为了解决上述问题，开始利用外呼程序组件(即外呼机器人)与客户进行与营销业务相关的音频交互。但是现有的利用外呼程序组件进行音频营销的问题在于，外呼流程所采用的语言与思维都是提前设置好的，因此对话内容以及对话的流程往往是一成不变的，甚至于外呼程序组件面对的用户对象也都是一成不变的，而不判定该用户对象是否与营销业务匹配。因此外呼程序组件与客户沟通的过程都是盲目的进行的，因此营销成功率不高。

针对上述的现有技术中存在的外呼程序组件对话内容与思维固定，不能满足营销的需求的技术问题，目前尚未提出有效的解决方案。

技术实现要素：

本公开的实施例提供了一种基于音频交互的营销方法、装置以及存储介质，以至少解决现有技术中存在的外呼程序组件对话内容与思维固定，不能满足营销的需求的技术问题。

根据本公开实施例的一个方面，提供了一种基于音频交互的营销方法，包括：获取与营销业务相关的数据信息；根据所获取的数据信息，确定与营销业务对应的用户画像，其中用户画像包括用户标签集合，用户标签集合包括分别用于描述用户画像的不同属性的多个用户标签；根据多个用户标签，确定与营销业务匹配的用户对象以及营销策略；以及根据所确定的营销策略，对外呼程序组件进行配置，使得外呼程序组件能够与所确定的用户对象进行与营销业务相关的音频交互。

根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上所述的方法。

根据本公开实施例的另一个方面，还提供了一种基于音频交互的营销装置，包括：营销数据获取模块，用于获取与营销业务相关的数据信息；用户画像确定模块，用于根据所获取的数据信息，确定与营销业务对应的用户画像，其中用户画像包括用户标签集合，用户标签集合包括分别用于描述用户画像的不同属性的多个用户标签；用户对象及营销策略确定模块，用于根据多个用户标签，确定与营销业务匹配的用户对象以及营销策略；以及音频交互模块，用于根据所确定的营销策略，对外呼程序组件进行配置，使得外呼程序组件能够与所确定的用户对象进行与营销业务相关的音频交互。

根据本公开实施例的另一个方面，还提供了一种基于音频交互的营销装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取与营销业务相关的数据信息；根据所获取的数据信息，确定与营销业务对应的用户画像，其中用户画像包括用户标签集合，用户标签集合包括分别用于描述用户画像的不同属性的多个用户标签；根据多个用户标签，确定与营销业务匹配的用户对象以及营销策略；以及根据所确定的营销策略，对外呼程序组件进行配置，使得外呼程序组件能够与所确定的用户对象进行与营销业务相关的音频交互。

从而本申请的实施例根据与营销业务相关的数据信息确定与营销业务对应的用户画像，然后根据用户画像中的用户标签确定与营销业务匹配的用户对象以及营销策略，并根据确定的营销策略对外呼程序组件进行配置。从而使得能够根据营销业务利用外呼程序组件有针对性地对匹配的用户对象进行与营销业务相关的音频交互，从而提高了营销的成功率。从而，解决了现有技术中存在的外呼程序组件对话内容与思维固定，不能满足营销的需求的技术问题。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图；

图2是根据本公开实施例1所述的基于音频交互的营销系统的示意图；

图3是根据本公开实施例1所述的基于音频交互的营销系统中的各个系统的模块结构示意图；

图4是根据本公开实施例1的第一个方面所述的基于音频交互的营销方法的流程示意图；

图5是根据本公开实施例1所述的用户画像的用户标签集合的一个示例性示意图；

图6是根据本公开实施例1所述的bert模型的示意图；

图7a是根据本公开实施例1所述的bert模型将用户标签集合转换为相应的字符向量、片段向量以及位置向量的示意图；

图7b是根据本公开实施例1所述的bert模型将与用户标签集合对应的字符向量、片段向量以及位置向量转换为相应的语境向量的示意图；

图7c是根据本公开实施例1所述的根据用户标签向量生成分类向量的卷积神经网络的示意图。

图8是根据本公开实施例2所述的基于音频交互的营销装置的示意图；以及

图9是根据本公开实施例3所述的基于音频交互的营销装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本实施例，还提供了一种基于音频交互的营销方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例所提供的方法实施例可以在服务器或者类似的计算设备中执行。图1示出了一种用于实现基于音频交互的营销方法的计算设备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器可用于存储应用软件的软件程序以及模块，如本公开实施例中的基于音频交互的营销方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的基于音频交互的营销方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算设备的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算设备中的部件的类型。

图2是根据本实施例所述的基于音频交互的营销系统的示意图。参照图2所示，该系统包括：智能客服系统100、大数据系统200以及呼叫中心系统300。其中，智能客服系统100通过网络与大数据系统200以及呼叫中心系统300通信。大数据系统200用于向智能客服系统100提供用于进行智能营销的数据。大数据系统200用于向呼叫中心系统300提供用于进行营销业务的外呼程序组件(即外呼机器人)以及其他用于外呼的服务。

具体地，图3示出了智能客服系统100、大数据系统200以及呼叫中心系统300的具体模块结构图。正如图3所示，大数据系统200收集爬虫数据、客户数据、第三方数据以及大数据系统200的数据库的数据，并进行数据的集成和存储。此外大数据系统300还包括数据建模模块、数据挖掘模块以及计划引擎模块等，用于对收集到的数据进行相应的处理从而生成与营销业务相关的数据，然后大数据系统300能够通过服务引擎将数据提供给智能客服系统100。

智能客服系统100从大数据系统300获取与营销业务相关的数据。并且根据呼叫中心系统200的挂载请求，将智能外呼程序组件、智能ivr程序组件以及智能质检程序组件挂载至呼叫中心系统200。从而呼叫中心系统200可以通过挂载由智能客服系统100提供的外呼程序组件(即，外呼机器人)实现与用户对象的音频交互。

需要说明的是，系统中的智能客服系统100、大数据系统200以及呼叫中心系统300均可适用上面所述的硬件结构。

在上述运行环境下，根据本实施例的第一个方面，提供了一种基于音频交互的营销方法，该方法由图2和图3中所示的智能客服系统100实现。图4示出了该方法的流程示意图，参考图4所示，该方法包括：

s402：获取与营销业务相关的数据信息；

s404：根据所获取的数据信息，确定与营销业务对应的用户画像，其中用户画像包括用户标签集合，用户标签集合包括分别用于描述用户画像的不同属性的多个用户标签；

s406：根据多个用户标签，确定与营销业务匹配的用户对象以及营销策略；以及

s408：根据所确定的营销策略，对外呼程序组件进行配置，使得外呼程序组件能够与所确定的用户对象进行与营销业务相关的音频交互。

具体地，智能客服系统100可以从大数据系统300获取与营销业务相关的数据信息(s402)。其中，营销业务例如可以是针对某项增值服务的推广，或者是针对某个商品的推广等等。其中大数据系统300可以拉取爬虫数据、第三方数据、客户数据以及从智能客服系统100的数据库中获取数据，并对数据进行治理挖掘，然后提供给智能客服系统100。从而，智能客服系统100能够从大数据系统300获取与营销业务相关的数据信息。数据信息包括都有哪些用户与营销业务相关联，以及营销业务的场景等等。

然后，智能客服系统100可以根据从大数据系统300获取的数据，通过“用户画像/营销策略模块”确定与营销业务对应的用户画像。其中用户画像包括用户标签集合，用户标签集合包括分别用于描述用户画像的不同属性的多个用户标签。(s404)

其中，图5示出了所确定的用户画像的一个实例，参考图5所示，该用户画像包括用户标签集合，该用户标签集合包括多个用户标签，分别与不同的用户属性对应，例如：性别、出生年代、居住地、职业类型、婚姻状况等等。从而通过对多个用户属性赋予不同的用户标签(例如“女性”、“80后”、“北京”、“白领”等等)，可以形成一个比较具体的用户画像，从而可以根据该用户画像进行有针对性的营销活动。

然后，智能客服系统100根据所确定的多个用户标签，确定与营销业务匹配的用户对象以及营销策略(s406)。具体地，智能客服系统100可以通过“用户画像/营销策略模块”确定与营销业务匹配的用户对象以及营销策略。

然后智能客服系统100通过智能外呼模块，根据所确定的营销策略，对智能外呼模块中配置的外呼程序组件(即外呼机器人)进行配置(s408)，使得配置后的外呼程序组件能够与确定的用户对象进行与营销业务相关的音频交互。具体地，营销策略包括对应的营销场景以及在营销场景下进行音频交互的知识图谱，参见下文详述。

正如背景技术中所述的，现有的利用外呼程序组件进行音频营销存在以下问题：外呼流程所采用的语言与思维都是提前设置好的，因此对话内容以及对话的流程往往是一成不变的，甚至于外呼程序组件面对的用户对象也都是一成不变的，而不判定该用户对象是否与营销业务匹配。因此外呼程序组件与客户沟通的过程都是盲目的进行的，导致营销成功率不高。

针对背景技术中存在的问题，本实施例根据与营销业务相关的数据信息确定与营销业务对应的用户画像，然后根据用户画像中的用户标签确定与营销业务匹配的用户对象以及营销策略，并根据确定的营销策略对外呼程序组件进行配置。从而使得能够根据营销业务利用外呼程序组件有针对性地对匹配的用户对象进行与营销业务相关的音频交互，从而提高了营销的成功率。

可选地，根据多个用户标签，确定用户对象以及营销策略的操作，包括：根据用户标签集合的多个用户标签，生成与用户标签集合对应的用户标签向量集合，其中用户标签向量集合包括多个用户标签向量，多个用户标签向量分别与多个用户标签对应；以及根据用户标签向量集合，确定用户对象以及营销策略。

具体地，如何根据用户画像的多个用户标签，精确地确定用户对象以及营销策略，这无疑是决定营销成功的一个非常重要的因素。现有的方法通常都是使用简单的关键词匹配的方式，根据多个用户标签中存在的关键词，来确定用户对象以及营销策略。

例如，参考图5所示，用户标签包括“女性”、“80后”、“北京”、“白领”等等。那么现有技术会采用关键词匹配的方式，匹配出用户标签相同的用户作为用户对象，并且确定与上述标签匹配的营销策略。

这种匹配方式最大的缺点在于，不能对相关联的用户标签进行匹配。例如“厨师”和“炊事员”实际上是两个意思相近的词语，如果被打上不同的用户标签，其虽然词语不同，但实际上含义差别不大。再比如“医生”与“护士”、“司机”与“乘务员”等等，尽管这些词语含义不同，但是从职业角度上看，又有较强的相关性。因此如果采用关键词进行匹配，容易漏掉很多有价值的客户。

为了克服这种缺陷，本实施例提出了根据用户标签生成对应的词向量，并且利用词向量来确定相应的用户对象以及营销策略的技术手段，从而解决了上述问题。

具体地，例如可以通过word2vector深度学习模型产生的词向量的一个特点就是可以通过词向量之间的距离反映出相应的词汇之间的相关性。因此可以利用大数据系统300爬取的语料信息加工成训练样本，从而训练用于将用户标签转换成向量形式的word2vector深度学习模型。从而，可以利用该word2vector深度学习模型，将用户标签集合中的用户标签转换为词向量，从而生成词向量集合。从而可以基于根据用户画像中的用户标签生成的词向量集合来进行进一步的匹配和分类操作。

但是，进一步优选地，用户标签向量为能够体现所对应的用户标签在标签集合语境下的特征的词向量。这是因为，通过word2vector模型生成的词向量有一个非常大的缺点，就是word2vector模型生成的词向量针对每一个词只能生成一个词向量，其无法区分同形词和多义词的不同义项。

同样，当用word2vector模型为用户画像中的标签生成词向量时，该词向量体现不出该用户标签在该用户画像的标签集合语境下的特征。即，体现不出标签集合中的各个标签集合之间的关联性。

例如，以图5中所示出的用户标签集合中的词语“女性”为例，由于标签集合中还包括“白领”、“看美剧”、“中高档宾馆”、“关注时尚”等，因此当“女性”标签与这些标签关联在一起时，就体现出了类似于“小资女”这样的一个特征含义。

同样“女性”标签如果与标签集合中的其他标签，例如“瑜伽”以及“早睡早起”等标签相关联时，会体现出“健康女性”的一个特征含义。

因此，为了能够更好地区分不同类型的用户画像之间的区别，以及更好地将类型相近的用户画像分类在一起，希望即便是对于相同的标签词汇，也能够在不同的标签集合(即用户画像)的语境下，生成不同的词向量。然后再根据生成的用户标签向量集合，确定用户对象以及营销策略。这样就能更加准确地对用户对象以及营销策略进行匹配。从而得到更准确的匹配结果，从而进一步提高营销的成功率。

因此，进一步可选地，根据标签集合的多个用户标签，生成与标签集合对应的标签向量集合的操作，包括：将多个用户标签依序排列，生成用户标签序列；以及利用基于多注意力机制的深度学习模型，根据用户标签序列，生成标签向量集合。

正如上面所述，为了能够更好地区分不同类型的用户画像之间的区别，以及更好地将类型相近的用户画像分类在一起，希望即便是对于相同的标签词汇，也能够在不同的标签集合(即用户画像)的语境下，能够生成不同的词向量。因此，本实施例的技术方案利用基于多注意力机制的深度学习模型，根据用户标签生成标签向量集合。

具体地，该基于多注意力机制的深度学习模型，例如可以是bert模型(基于transformer的双向编码表示，“bidirectionalencoderrepresentationfromtransformers”)。

其中，图6示出了bert模型的示意图。bert模型是由多个transformer模型的编码器堆叠而成，并且参考图6所示，bert模型在两个方向上进行编码表示。从而bert模型能够进一步增加词向量模型泛化能力，充分描述字符级、词级、句子级甚至句间关系特征。因此使用bert模型对标签集合中的各个用户标签进行编码从而产生用户标签向量时，能够体现用户标签在标签集合这个语境下的特征。

参考图7a所示，根据本实施例的技术方案，可以将用户画像的标签集合的所有标签排列在一起作为一个句子进行输入。并且最终的输入会变成字符向量(tokenembeddings)、片段向量(segmentembeddings)以及位置向量(positionembeddings)拼接而成。

然后参考图7b所示，与标签集合中的用户标签对应的字符向量(tokenembeddings)、片段向量(segmentembeddings)以及位置向量(positionembeddings)输入至bert模型后，生成与用户标签对应的语境向量(即权利要求2中所述的用户标签向量)。从而该语境向量能够反映所对应的用户标签在所述标签集合语境下的特征。

进一步地，根据用户标签向量集合，确定用户对象的操作，包括：根据标签向量集合，利用预先训练的第一分类模型，确定用户画像所对应的用户画像类型；确定用户画像类型所包含的用户画像；以及根据所确定的用户画像，确定与营销业务匹配的用户对象。

进一步地，参考图7c所示，本实施的技术方案将用户标签集合中的用户标签的用户标签向量进行排列，从而能够构成一个二维矩阵，其中每一个用户标签向量构成矩阵的一个列。然后就可以利用卷积神经网络对该二维矩阵进行分类处理，从而根据该二维矩阵输出一个分类向量，其中分类向量的各个元素用于表示该用户画像属于的各个用户画像类型的概率。从而将概率最高的元素对应的用户画像类型确定为该用户画像所对应的用户画像类型。

参考图7c所示，卷积层例如可以包括多个卷积核，多个卷积核用于对二维矩阵进行卷积操作，从而分别输出不同的特征图。池化层用于对卷积层输出的特征图进行子采样，从而有利于特征提取的快速收敛。全连接层用于作为分类器输出最后的输出结果，全连接层例如可以包括与用户画像的类型数量相同的神经元，从而输出一个向量，其中向量中的每个元素代表相应的用户画像类型的分值。全连接层输出的向量经过softmax分类器的处理后，转换为各个用户画像类型的概率，从而概率值最高的元素所对应的用户画像类型，即为输入的二维矩阵所对应的用户画像类型。

然后本实施例的技术方案根据所确定的用户画像类型，确定该用户画像类型所包含的用户画像。然后根据所确定的用户画像类型所包含的用户画像，根据这些用户画像中的用户标签进行查询，从而确定与营销业务匹配的用户对象。

从而通过这种方式，可以利用深度学习的方法，以用户画像作为纽带，根据最初确定的与营销业务相对应的用户画像，去确定与该用户画像相同类型的所有用户画像的所对应的用户对象，从而通过这种方式，能够精确而全面的确定进行音频交互的用户对象，在增加营销成功率的同时，还能够提高营销活动的成功率。

其中，图7c仅仅是示例性的示出了所采用的卷积神经网络的示意图，由于采用卷积神经网络模型对二维矩阵进行分类操作属于本领域的现有技术，因此本领域技术人员可以根据实际的用户画像类型的数量以及根据实际需要设置卷积层、池化层、全连接层以及softmax分类器的结构，并且采用现有技术中已知的训练方法进行卷积神经网络模型的训练。

当然，尽管图7c中示出了卷积神经网络作为分类模型，但是也可以采用其他的分类模型，例如利用全连接层以及后续连接的softmax分类器进行分类也是可以的。

其中，本实施例中所述的基于多注意力机制的深度学习模型例如可以通过以下方式来进行训练：

首先，通过对用户画像的不同属性确定不同的标签，获得用于进行训练的用户画像样本集。例如，通过随机定义用户画像的不同属性，获得5000个用户画像作为用户画像样本集。

然后，根据预先设定的用户类型，通过人工统计和标注的方式，确定用户画像样本集中的不同用户画像的类型。例如，根据用户的特征，可以分为以下4种类型：

然后将以上4种类型结合用户的性别，可以得到8个不同的类型：

然后，用标注好的用户画像样本集合对基于多注意力机制的深度学习模型以及后续的分类模型进行训练，直到结果收敛为止。

最后，利用训练好的模型，根据用户画像生成对应的用户标签向量集合，并且根据后续的分类器，确定用户画像对应的分类。

此外，进一步可选地，本实施例的技术方案还包括通过以下操作，确定包括该用户画像类型的多个用户画像类型：获取用户画像样本集合，其中用户画像样本集合包含多个用户画像样本；根据多个用户画像样本的用户标签集合，利用第二深度学习模型生成分别与多个用户画像样本对应的多个用户标签向量集合；分别将多个用户标签向量集合组合排列成多个矩阵；以及根据基于矩阵的聚类算法，对多个矩阵进行聚类操作，从而确定用于划分多个用户画像样本的多个用户画像类型。

具体地，尽管前面提到了可以通过人工统计和标注的方式，人为地将用户画像的类型分为多个不同的类型。但是，也可以通过聚类的方式，根据用户画像样本集包含的不同的用户画像，生成针对用户画像的多个不同类别。

例如，可以首先获取用户画像的样本集合，其中用户画像样本集合中包含多个不同的用户画像，其中例如可以选取1000个常用的用户画像作为用户画像样本。

然后，利用第二深度学习模型，根据选取的1000个用户画像样本所包含的用户标签生成相应的用户标签向量，从而得到1000个用户标签向量集合。其中选用的第二深度学习模型例如可以采用word2vector模型，并且可以利用从大数据系统300中获取的语料数据，对该word2vector模型进行训练。

对于每个用户画像样本，例如可以将用户画像样本中包含的用户标签拼接成一个句子，让后输入到训练好的word2vector模型中，从而针对每个用户标签生成一个对应的用户标签向量，从而每一个用户画像样本可以生成一个对应的用户标签向量集合。

然后，将这1000个用户标签向量集合看作是1000个二维矩阵。其中，对于与每个用户标签向量集合对应的二维矩阵中，每个用户标签向量对应于二维矩阵中的一个列。在此基础上，可以利用基于二维矩阵的聚类算法(例如可以使用k-means聚类算法)经过多次迭代，最终确定用户画像的多个不同类型。

进一步可选地，根据用户标签向量集合，确定营销策略的操作，包括：根据标签向量集合，根据预先训练的第二分类模型，确定营销策略。

具体地方法，可以参考上面的根据标签向量集合确定用户画像类型的操作。由于可以将用户标签向量集合整理成二维矩阵(例如，一个用户标签向量可以看作是二维矩阵的一列)，因此可以通过例如卷积神经网络模型或者其他分类模型(例如全连接层+softmax分类器)确定该用户画像所对应的营销策略。

例如分类模型输出一个用于确定营销策略的分类向量，其中分类向量的每一个元素代表一个营销策略的概率值，从而可以将概率值最高的元素所对应的营销策略作为与该用户画像对应的营销策略。

从而通过这种方式，可以充分利用智能客服系统100的算力，准确地完成用户画像与营销策略之间的匹配。从而节省了人工的参与，同时也有利于提高营销业务的成功率。

此外，进一步可选地，确定用户画像所对应的营销策略的操作，包括：确定与营销策略对应的营销场景以及用于在营销场景下进行音频交互的知识图谱，其中知识图谱用于记录在营销场景下，与用户对象进行交互的内容和流程。

具体地，图3所示，在图3所示的智能客服系统100中，包括场景/知识库模块。该场景/知识库模块例如可以是一个数据库，其中包括用于外呼机器人的多个知识图谱。其中，图5示出了一个知识图谱的示意图。其中该知识图谱中包括了与东方金卡的业务相关的多个主题场景，从而并且各个主题场景之间的连接关系反映了该业务的外呼业务流程。从而，本实施例的智能客服系统100的智能外呼模块可以根据场景/知识库中的知识图谱来设置外呼程序组件。从而可以通过外呼程序组件，自动与用户对象进行与营销业务相关的音频交互。

从而，进一步可选地，通过预先设置的外呼程序组件，根据所确定的营销策略，与所确定的用户对象进行与营销业务相关的音频交互的操作，包括：通过预先设置的外呼程序组件，根据所确定的营销场景以及知识图谱，与用户对象进行与营销业务相关的音频交互。

此外，可选地，通过预先设置的外呼程序组件，根据所确定的营销策略，与所确定的用户对象进行与营销业务相关的音频交互之前，还包括：从远程的呼叫中心系统接收挂载外呼程序组件的第一挂载请求；以及根据第一挂载请求，将外呼程序组件挂载至呼叫中心系统。

具体地，参考图3所示，智能客服系统100向呼叫中心200提供外呼程序组件的服务，从而智能客服系统100从呼叫中心系统200接收挂载外呼程序组件的请求。响应于该请求，智能客服系统100将配置好的外呼程序组件挂载至呼叫中心系统200。

从而，本实施例的智能客服系统100可以为不同的呼叫中心200提供其需要的智能外呼服务。从而，智能客服系统100可以从大数据系统300获取与营销相关的数据，并且根据获取的数据以及呼叫中心系统200的具体需求，确定与营销相关的用户画像。并且配置适用于呼叫中心系统200的外呼程序组件。

从而通过这种方式，本技术方案为各个企业提供了与营销相关的外呼程序组件，从而避免各个企业各自开发自己的外呼程序组件。由于智能客服系统100能够为各个企业提供外呼程序组件服务，因此极大地节省了社会资源。

可选地，还包括从呼叫中心系统接收挂载对外呼过程进行质检的质检程序组件的第二挂载请求；以及响应于第二挂载请求，将质检程序组件挂载至呼叫中心系统，其中质检程序组件配置用于获取外呼过程的音频数据，并执行以下操作：根据所获取的音频数据，利用设置的语音识别模型，判定外呼过程是否存在违规操作；和/或将所获取的音频数据转换为文本信息，并检测文本信息中是否包含违规用语。

从而，智能客服系统100可以为呼叫中心系统200提供质检服务。其中质检服务包括：智能质检功能和实时质检功能。其中，实时质检用于实时发现外呼过程中存在的违规，及时进行预警以便减缓投诉。智能质检用于在预定时间之后(例如第二天)对整个呼叫中心的呼叫过程的音频转换为文字，然后针对文字进行质检。其中质检规则包括(但不限于)：金融服务不能提到“保本”二字；一开始要进行公司介绍；不能先挂断电话，等等。

此外，可选地，还包括从呼叫中心系统获取外呼过程的音频数据，并执行以下操作：根据所获取的音频数据，利用设置的语音识别模型，判定外呼过程是否存在违规操作；和/或将所获取的音频数据转换为文本信息，并检测文本信息中是否包含违规用语。

即，智能客服系统100可以直接从呼叫中心系统200获取外呼过程的音频数据，然后进行质检。

此外，参考图1所示，根据本实施例的第二个方面，提供了一种存储介质。存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。

从而本实施例根据与营销业务相关的数据信息确定与营销业务对应的用户画像，然后根据用户画像中的用户标签确定与营销业务匹配的用户对象以及营销策略，并根据确定的营销策略对外呼程序组件进行配置。从而使得能够根据营销业务利用外呼程序组件有针对性地对匹配的用户对象进行与营销业务相关的音频交互，从而提高了营销的成功率。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

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根据上述实施例的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，本发明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，或者网络设备等)执行本发明各个实施例所述的方法。

实施例2

图8示出了根据本实施例的所述的基于音频交互的营销装置800，该装置800与根据实施例1的第一个方面所述的方法相对应。参考图8所示，该装置800包括：营销数据获取模块810，用于获取与营销业务相关的数据信息；用户画像确定模块820，用于根据所获取的数据信息，确定与营销业务对应的用户画像，其中用户画像包括用户标签集合，用户标签集合包括分别用于描述用户画像的不同属性的多个用户标签；用户对象及营销策略确定模块830，用于根据多个用户标签，确定与营销业务匹配的用户对象以及营销策略；以及外呼程序组件配置模块840，用于根据所确定的营销策略，对外呼程序组件进行配置，使得外呼程序组件能够与所确定的用户对象进行与营销业务相关的音频交互。

可选地，用户对象及营销策略确定模块830，包括：用户标签向量生成子模块，用于根据用户标签集合的多个用户标签，生成与用户标签集合对应的用户标签向量集合，其中用户标签向量集合包括多个用户标签向量，多个用户标签向量分别与多个用户标签对应；以及用户对象以及营销策略确定子模块，用于根据用户标签向量集合，确定用户对象以及营销策略。

可选地，用户标签向量生成子模块，包括：用户标签序列生成模块，用于将多个用户标签依序排列，生成用户标签序列；以及标签向量生成子模块，用于利用基于多注意力机制的第一深度学习模型，根据用户标签序列，生成标签向量集合。

可选地，用户对象及营销策略确定模块830，还包括：用户画像类型确定子模块，用于根据标签向量集合，根据预先训练的第一分类模型，确定用户画像所对应的用户画像类型；以及用户画像确定子模块，用于确定用户画像类型所包含的用户画像；以及用户对象匹配子模块，用于根据所确定的用户画像，确定与营销业务匹配的用户对象。

可选地，还包括：用户画像样本集合获取模块，用于获取用户画像样本集合，其中用户画像样本集合包含多个用户画像样本；用户标签向量确定模块，用于根据多个用户画像样本的用户标签集合，利用第二深度学习模型生成分别与多个用户画像样本对应的多个用户标签向量集合；用户标签向量集合排列模块，用于分别将多个用户标签向量集合组合排列成多个矩阵；以及聚类模块，用于根据基于矩阵的聚类算法，对多个矩阵进行聚类操作，从而确定用于划分多个用户画像样本的多个用户画像类型。

可选地，用户对象及营销策略确定模块830，包括：营销策略确定子模块，用于根据标签向量集合，根据预先训练的第二分类模型，确定营销策略。

可选地，用户对象及营销策略确定模块830，包括：营销场景及知识图谱确定子模块，用于确定与营销策略对应的营销场景以及用于在营销场景下进行音频交互的知识图谱，其中知识图谱用于记录在营销场景下，与用户对象进行交互的内容和流程。

可选地，外呼程序组件配置模块840，包括：外呼程序组件配置子模块，用于根据所确定的营销场景以及知识图谱，对外呼程序组件进行配置。

可选地，还包括：第一挂载请求接收模块，用于从远程的呼叫中心系统接收挂载外呼程序组件的第一挂载请求；以及外呼程序组件挂载模块，用于根据第一挂载请求，将外呼程序组件挂载至呼叫中心系统。

可选地，还包括：第二挂载请求接收模块，用于从呼叫中心系统接收挂载对外呼过程进行质检的质检程序组件的第二挂载请求；以及质检程序组件挂载模块，用于响应于第二挂载请求，将质检程序组件挂载至呼叫中心系统，其中质检程序组件配置用于获取外呼过程的音频数据，并执行以下操作：根据所获取的音频数据，利用设置的语音识别模型，判定外呼过程是否存在违规操作；和/或将所获取的音频数据转换为文本信息，并检测文本信息中是否包含违规用语。

可选地，还包括质检模块，用于从呼叫中心系统获取外呼过程的音频数据，并执行以下操作：根据所获取的音频数据，利用设置的语音识别模型，判定外呼过程是否存在违规操作；和/或将所获取的音频数据转换为文本信息，并检测文本信息中是否包含违规用语。

从而本实施例根据与营销业务相关的数据信息确定与营销业务对应的用户画像，然后根据用户画像中的用户标签确定与营销业务匹配的用户对象以及营销策略，并根据确定的营销策略对外呼程序组件进行配置。从而使得能够根据营销业务利用外呼程序组件有针对性地对匹配的用户对象进行与营销业务相关的音频交互，从而提高了营销的成功率。从而，解决了现有技术中存在的外呼程序组件对话内容与思维固定，不能满足营销的需求的技术问题。

实施例3

图9示出了根据本实施例所述的基于音频交互的营销装置900，该装置900与根据实施例1的第一个方面所述的方法相对应。参考图9所示，该装置900包括：处理器(910)；以及

存储器(920)，与处理器(910)连接，用于为处理器(910)提供处理以下处理步骤的指令：获取与营销业务相关的数据信息；根据所获取的数据信息，确定与营销业务对应的用户画像，其中用户画像包括用户标签集合，用户标签集合包括分别用于描述用户画像的不同属性的多个用户标签；根据多个用户标签，确定与营销业务匹配的用户对象以及营销策略；以及根据所确定的营销策略，对外呼程序组件进行配置，使得外呼程序组件能够与所确定的用户对象进行与营销业务相关的音频交互。

可选地，根据多个用户标签，确定用户对象以及营销策略的操作，包括：根据用户标签集合的多个用户标签，生成与用户标签集合对应的用户标签向量集合，其中用户标签向量集合包括多个用户标签向量，多个用户标签向量分别与多个用户标签对应；以及根据用户标签向量集合，确定用户对象以及营销策略。

可选地，根据标签集合的多个用户标签，生成与标签集合对应的标签向量集合的操作，包括：将多个用户标签依序排列，生成用户标签序列；以及利用基于多注意力机制的第一深度学习模型，根据用户标签序列，生成标签向量集合。

可选地，根据用户标签向量集合，确定用户对象的操作，包括：根据标签向量集合，根据预先训练的第一分类模型，确定用户画像所对应的用户画像类型；确定用户画像类型所包含的用户画像；以及根据所确定的用户画像，确定与营销业务匹配的用户对象。

可选地，存储器(920)还提供以下步骤的指令，以便确定包括用户画像类型的多个用户画像类型：获取用户画像样本集合，其中用户画像样本集合包含多个用户画像样本；根据多个用户画像样本的用户标签集合，利用第二深度学习模型生成分别与多个用户画像样本对应的多个用户标签向量集合；分别将多个用户标签向量集合组合排列成多个矩阵；以及根据基于矩阵的聚类算法，对多个矩阵进行聚类操作，从而确定用于划分多个用户画像样本的多个用户画像类型。

可选地，根据用户标签向量集合，确定营销策略的操作，包括：根据标签向量集合，根据预先训练的第二分类模型，确定营销策略。

可选地，确定用户画像所对应的营销策略的操作，包括：确定与营销策略对应的营销场景以及用于在营销场景下进行音频交互的知识图谱，其中知识图谱用于记录在营销场景下，与用户对象进行交互的内容和流程。

可选地，根据所确定的营销策略，对外呼程序组件进行配置的操作，包括：根据所确定的营销场景以及知识图谱，对外呼程序组件进行配置。

可选地，存储器920还提供以下处理步骤的指令：从远程的呼叫中心系统接收挂载外呼程序组件的第一挂载请求；以及根据第一挂载请求，将外呼程序组件挂载至呼叫中心系统。

可选地，存储器920还提供以下处理步骤的指令：从呼叫中心系统接收挂载对外呼过程进行质检的质检程序组件的第二挂载请求；以及响应于第二挂载请求，将质检程序组件挂载至呼叫中心系统，其中质检程序组件配置用于获取外呼过程的音频数据，并执行以下操作：根据所获取的音频数据，利用设置的语音识别模型，判定外呼过程是否存在违规操作；和/或将所获取的音频数据转换为文本信息，并检测文本信息中是否包含违规用语。

可选地，存储器920还提供以下处理步骤的指令：从呼叫中心系统获取外呼过程的音频数据，并执行以下操作：根据所获取的音频数据，利用设置的语音识别模型，判定外呼过程是否存在违规操作；和/或将所获取的音频数据转换为文本信息，并检测文本信息中是否包含违规用语。

从而本实施例根据与营销业务相关的数据信息确定与营销业务对应的用户画像，然后根据用户画像中的用户标签确定与营销业务匹配的用户对象以及营销策略，并根据确定的营销策略对外呼程序组件进行配置。从而使得能够根据营销业务利用外呼程序组件有针对性地对匹配的用户对象进行与营销业务相关的音频交互，从而提高了营销的成功率。从而，解决了现有技术中存在的外呼程序组件对话内容与思维固定，不能满足营销的需求的技术问题

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。

所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。