一种智能保险推荐方法、装置及智能保险机器人设备与流程

本发明涉及人工智能技术领域，特别涉及一种智能保险推荐方法、装置及智能保险机器人设备。

背景技术：

基于场景的风险识别，个性化生成风险保障方案是一项非常有挑战的任务，且具有非常广阔的市场前景，帮助用户识别和防范风险。现有的风险识别，有对话场景，但不是基于语音体系；而有语音识别场景的，却没有和保险推荐结合。

推荐系统与真实的应用场景非常相关。在保险场景下，现有技术多是基于预设流程的推荐，不能够给用户真实可靠的使用体验，或者部分系统由于保险知识积累较少，或者对用户信息几乎不掌握，推荐不够系统专业，致使保险机器人不能很好响应用户输入，这是目前面临的很大问题。

技术实现要素：

为了解决现有技术的问题，本发明实施例提供了一种智能保险推荐方法、装置及智能保险机器人设备，提供了一种基于语音语义分析结合用户画像推荐生成风险管理综合解决方案，实现在特定场景下智能地进行保险推荐，从而实现快速下单购买保险和相关服务，解决用户风险管理需求。

所述技术方案如下：

第一方面，提供了一种智能保险推荐方法，所述方法包括：

对通过语音交互获取的用户语音信息进行预处理；将预处理后的文本信息分别进行意图分类和实体识别，获取意图信息和实体识别信息；结合所述意图信息、实体识别信息和保险用户画像信息，进行相应保险推荐。

结合第一方面，在第一种可能的实现方式中，对用户输入的语音信息进行预处理，包括：将用户输入的语音信息去除环境杂音，然后转换为文字信息，并对所述文字信息进行包括去除语气词和分词的预处理。

结合第一方面及第一方面的第一种可能实现方式的任一种，在第二至三种可能的实现方式中，对用户输入的语音信息进行预处理，还包括：根据保险知识库，通过自动纠错模型，对分词后的文本信息进行自动纠错。

结合第一方面的第二至三种可能实现方式的任一种，在第四至五种可能的实现方式中，根据保险知识库，通过自动纠错模型，对分词后的文本信息进行自动纠错，包括：根据保险知识库，统计前序词和当前词的条件概率p(当前词|前序词)，具体包括：遍历所述保险知识库中的保险领域词典跟当前词的编辑距离为1的全部词汇v，找出其中使得p(vi|前序词)最大的词汇vi，记作v，对于v，如果p(v|前序词)的概率大于p(当前词|前序词)，并且p(v)大于p(当前词)，那么把当前词替换成v。

结合第一方面及第一方面的第一种可能实现方式的任一种，在第六至七种可能的实现方式中，将预处理后的文本信息分别进行意图分类和实体识别，获取意图信息和实体识别信息，其中，所述意图分类包括：通过训练好的意图分类模型对所述文本信息进行意图识别分类；和/或所述实体识别包括：根据所述保险领域词典通过自然语言理解进行关键词抓取，以进行实体识别。

结合第一方面的第六至七种可能实现方式的任一种，在第八至九种可能的实现方式中，通过训练好的意图分类模型对所述文本信息进行意图识别分类，包括：通过利用保险领域的语料训练出一个词向量，并进行将不同句子标记为相应种类保险意图的训练集标注；通过卷积神经网络和所述训练集训练得到意图分类模型；通过所述意图分类模型，获得不同语料归属于相应保险意图的概率，然后通过确定的语料对应意图的映射关系进行意图识别分类。

结合第一方面及第一方面的第一种可能实现方式的任一种，在第十至十一种可能的实现方式中，结合所述意图信息、实体识别信息和保险用户画像信息，进行相应保险推荐，包括：结合所述意图信息、实体识别信息、保险产品属性因子和根据所述语音信息获取的用户动态特征信息以及经过清洗并落库的用户静态特征信息，训练得到保险推荐模型；根据所述保险推荐模型，进行保险产品匹配的相应保险推荐，并将匹配结果返回所述保险推荐模型进行微调。

第二方面，提供了一种智能保险推荐装置，包括：预处理模块，用于对通过语音交互获取的用户语音信息进行预处理；意图分类模块，用于将预处理后的文本信息分别进行意图分类，获取意图信息；实体识别模块，用于将预处理后的文本信息进行实体识别，获取实体识别信息；推荐模块，用于结合所述意图信息、实体识别信息和保险用户画像信息，进行相应保险推荐。

结合第二方面，在第一种可能的实现方式中，所述预处理模块用于：将用户输入的语音信息去除环境杂音，然后转换为文字信息，并对所述文字信息进行包括去除语气词和分词的预处理。

结合第二方面及第二方面的第一种可能实现方式的任一种，在第二至三种可能的实现方式中，所述预处理模块还用于：根据保险知识库，通过自动纠错模型，对分词后的文本信息进行自动纠错。

结合第二方面的第二至三种可能实现方式的任一种，在第四至五种可能的实现方式中，根据保险知识库，通过自动纠错模型，对分词后的文本信息进行自动纠错，包括：根据保险知识库，统计前序词和当前词的条件概率p(当前词|前序词)，具体包括：遍历所述保险知识库中的保险领域词典跟当前词的编辑距离为1的全部词汇v，找出其中使得p(vi|前序词)最大的词汇vi，记作v，对于v，如果p(v|前序词)的概率大于p(当前词|前序词)，并且p(v)大于p(当前词)，那么把当前词替换成v。

结合第二方面及第二方面的第一种可能实现方式的任一种，在第六至七种可能的实现方式中，所述意图分类模块用于：通过训练好的意图分类模型对所述文本信息进行意图识别分类；和/或所述实体识别模块用于：根据所述保险领域词典通过自然语言理解进行关键词抓取，以进行实体识别。

结合第二方面的第六至七种可能实现方式的任一种，在第八至九种可能的实现方式中，所述意图分类模块包括标注子模块、第一训练子模块和分类识别子模块，所述标注子模块用于：通过利用保险领域的语料训练出一个词向量，并进行将不同句子标记为相应种类保险意图的训练集标注；所述第一训练子模块用于：通过卷积神经网络和所述训练集训练得到意图分类模型；所述分类识别子模块用于：通过所述意图分类模型，获得不同语料归属于相应保险意图的概率，然后通过确定的预料对应意图的映射关系进行意图识别分类。

结合第二方面及第二方面的第一种可能实现方式的任一种，在第十至十一种可能的实现方式中，所述推荐模块包括第二训练子模块和产品匹配子模块，所述第二训练子模块用于：结合所述意图信息、实体识别信息、保险产品属性因子和根据所述语音信息获取的用户动态特征信息以及经过清洗并落库的用户静态特征信息，训练得到保险推荐模型；所述产品匹配子模块，用于根据所述保险推荐模型，进行保险产品匹配的相应保险推荐，并将匹配结果返回所述保险推荐模型进行微调。

第三方面，提供了一种智能保险机器人设备，其特征在于，包括：

处理器；存储器，用于存储有所述处理器的可执行指令；其中，所述处理器配置为经由所述可执行指令来执行第一方面中任一项所述的智能的保险推荐方法的步骤。

本发明实施例提供的技术方案带来的有益效果是：

1、提出了一种通过语音交互识别场景下的智能保险推荐方案，有效且适用于各种保险推荐以及类似的多个应用场景；

2、提出了一种根据意图准确推荐保险产品的方案，智能性地通过深度学习匹配推荐保险产品，满足用户的智能需求；

3、提供了一种训练推荐模型算法，采用大数据分析，通过结果不断优化推荐模型，实现了精准推荐保险产品；

4、预处理过程中，结合自定义的保险知识库词典和条件概率，自动纠错用户的错误输入，这种自动纠错的机制大大增加了用户输入的有效性。

5、实体识别过程中利用高质量的词典实现准确分词和实体抽取，结合知识库，找出该实体所属概念。通过把实体映射成概念，大大提高了语料库的抽象能力。

6、意图分类器是在语料库上利用卷积神经网络进行训练得到的，包含投保、理赔、保险知识、产品咨询、核保、核赔等若干保险领域的意图，提高了意图识别的准确率；

7、推荐过程把语义信息与现有的用户画像系统结合起来，使得能够推荐更适合的保险给到不同的用户。

要做到基于语音交互，提取语意分析，结合风险场景关键词，以及用户画像，生成个性化风险管理解决方案，为此，本发明提出了一种基于语音和用户画像推荐生成风险管理综合解决方案，实现在特定场景下识别风险，实现快速下单购买保险和相关服务，解决用户风险管理需求。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。

图1是本发明实施例1提供的智能保险推荐方法流程图；

图2是本发明实施例2提供的智能保险推荐方法流程图；

图3是意图分类过程流程示意图；

图4是本发明实施例3提供的智能保险推荐装置流程示意图；

图5是本发明实施例4提供的智能保险机器人设备结构示意图；

图6是本发明应用实施例提供的智能保险推荐方法、装置及保险机器人设备的推荐系统结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例提供的智能保险推荐方法、装置及智能保险机器人设备，通过在语音交互场景下，将获取的用户获取的语音进行预处理，然后结合意图识别分类和实体识别，最终结合意图分类结果、实体识别结果以及用户画像信息，通过大数据结合分析，智能性地进行保险推荐，满足了现有技术中用户对智能保险服务(典型的，保险机器人)的需求，适用于类似保险的多种涉及智能识别、推荐的技术领域，具有良好的应用前景。

下面结合实施例及附图，对本发明实施例提供的智能保险推荐方法、装置及保险机器人设备作具体说明。

实施例1

图1是本发明实施例1提供的智能保险推荐方法流程图。如图1所示，本发明实施例提供的智能保险推荐方法，包括以下步骤：

101、对通过语音交互获取的用户语音信息进行预处理。

具体的，将用户输入的语音信息去除环境杂音，然后转换为文字信息，并对文字信息进行包括去除语气词和分词的预处理。在与保险用户语音交互的场景下，用户输入对话语音后，首先对输入的语音信息去除环境杂音，然后将去除噪音后的语音信息进行文本预处理，这里的预处理包括去除语气词、去除句子中的标点和停词(stopwords)、分词等，以便为后续的处理作准备。

优选的，上述预处理过程还包括：

根据保险知识库，通过自动纠错模型，对分词后的文本信息进行自动纠错。根据保险知识库，统计前序词和当前词的条件概率p(当前词|前序词)，具体包括：

遍历保险知识库中的保险领域词典跟当前词的编辑距离为1的全部词汇v，找出其中使得p(vi|前序词)最大的词汇vi，记作v，对于v，如果p(v|前序词)的概率大于p(当前词|前序词)，并且p(v)大于p(当前词)，那么把当前词替换成v。

由于本案的用户输入形式是语音，在真实场景中，汉语本身的同音不同字和用户读音标准化问题，会出现识别错误的情况。为了提高文本的准确性，可以基于海量的用户数据，结合自定义的保险知识库中的保险领域词典和条件概率，通过自动纠错模型，进行上述自动纠错过程，从而自动纠正用户的错误输入。如“旅行险”，不少用户因为前后鼻音不分，经常读成“旅行箱”，在保险场景下，“旅行险”出现的概率要远远高于“旅行箱”，因此通过上述纠错过程就可以自动地纠正为“旅行险”，这种自动纠错的机制大大增加了用户输入的有效性，提高语音识别的准确率。

102、将预处理后的文本信息分别进行意图分类和实体识别，获取意图信息和实体识别信息。

具体的，通过训练好的意图分类模型对文本信息进行意图识别分类；以及根据保险领域词典通过自然语言理解进行关键词抓取，以进行实体识别。

其中意图分类过程可以按如下方式进行：

为了判断一句输入属于哪个意图的分类问题，通过利用保险领域的语料训练出一个词向量，并进行将不同句子标记为相应种类保险意图的训练集标注；

通过卷积神经网络和训练集训练得到意图分类模型；

通过意图分类模型，获得不同语料归属于相应保险意图的概率，然后通过确定的语料对应意图的映射关系进行意图识别分类。

通过维护一个关键词(组)到意图的映射关系，能够更加准确地得到一句话的意图，比如“买”+“保险”可以映射到投保这个意图。

保险领域的语料可以基于保险领域大量的现有资讯数据进行采集，根据不同的专项意图进行相应采集，包含投保、理赔、保险知识、产品咨询、核保、核赔等若干保险领域的意图，从而得到上述保险领域的语料。然后根据语料进行上述训练集标注、意图分类模型训练过程及意图识别分类过程。这里采用的意图分类模型，是通过运用自然语言理解(naturallanguageunderstanding，nlu)以及深度学习大量数据而训练得到的识别分类模型，具有较好的意图识别准确率和识别效果。

其中实体识别过程可以按如下方式进行：

通过自然语言理解(nlu)来抓取语句的词槽(slot)，即关键词利用高质量的词典实现准确分词和实体抽取，结合知识库，找出该实体所属概念。比如，“我下周要去美国旅游”，可以获取出关键词为：下周、美国、旅游。

实体识别的过程是基于分词并且自动纠错以后的文本，分词过程加载了自定义的保险领域专有词典，可以准确识别保险领域的专有名词和术语，系统把这些术语分为两大部分：动作(如投保、续保)和实体(包括通用词汇，如健康险，和专有名词，如尊享e生)，对每类术语，构建同义词、上位词和下位词，存入知识库。如健康险，同义词是健康保险，上位词是保险，下位词包括医疗险、重疾险等等。用户输入的内容经过同义词替换(替换成最常用的表达)、上位词映射扩展，成为判断句子表达意图的参数。比如“我要投保尊享e生”，“投保”被同义替换成“买”。“尊享e生”的上位词是“健康险”，“健康险”的上位词是“保险”。所以最后提取的关键词是“买，尊享e生，健康险，保险”。

通过上述实体过程，把实体映射成概念，大大提高了语料库的抽象能力。

值得注意的是，在本发明实施例中，对预处理后的文本信息可以分别同时进行意图分类过程和实体识别过程，也可以先进行意图分类过程后进行实体识别过程，或者先进行实体识别过程再进行意图分类过程，本发明实施例对其实施的顺序不作特别限定。

103、结合意图信息、实体识别信息和保险用户画像信息，进行相应保险推荐。

具体的，结合意图信息、实体识别信息、保险产品属性因子和根据语音信息获取的用户动态特征信息以及经过清洗并落库的用户静态特征信息，训练得到保险推荐模型；

根据保险推荐模型，进行保险产品匹配的相应保险推荐，并将匹配结果返回保险推荐模型进行微调。

通过意图分类后，如果用户输入的信息文本落入某个意图的概率或置信度比较高，那接下来将确定的此分类意图与抽取的关键词以及现有保险用户画像信息进行训练获得深度学习的保险推荐模型，将这些信息作为推荐系统的参数，可以实现精准营销。比如如果用户已经成立家庭，那么需要保障的可能就是全部家庭成员。这里的用户画像信息涵盖了保险产品属性因子和根据语音信息获取的用户动态特征信息以及经过清洗并落库的用户静态特征信息。保险产品属性因子主要是根据保险产品多种属性的不同特点，而确定的影响用户画像的一些信息，比如产品适用人群(老人、儿童等)等。

由于保险推荐使用了临时的用户动态特征和经过清洗并落库的用户静态特征，结合保险仓库里面对每个保险(组合)的特征描述，结合自定义规则，可以实现动态匹配。另外，除了将保险推荐模型获得的匹配结果返回给保险推荐模型外，还可将用户对于匹配结果的反馈结果反馈给推荐模型，进而对保险推荐模型进行微调，从而能够不断提高推荐模型的准确度。

实施例2

图2是本发明实施例2提供的智能保险推荐方法流程图。如图2所示，本发明实施例提供的智能保险推荐方法，包括以下步骤：

201、将用户输入的语音信息去除环境杂音，然后转换为文字信息，并对文字信息进行包括去除语气词和分词的预处理。

具体的，将用户输入的语音信息去除环境杂音，然后转换为文字信息，并对文字信息进行包括去除语气词和分词的预处理。在与保险用户语音交互的场景下，用户输入对话语音后，首先对输入的语音信息去除环境杂音，然后将去除噪音后的语音信息进行文本预处理，这里的预处理包括去除语气词、去除句子中的标点和停词(stopwords)、分词等，以便为后续的处理作准备。

另外，上述预处理过程还包括：

根据保险知识库，通过自动纠错模型，对分词后的文本信息进行自动纠错。根据保险知识库，统计前序词和当前词的条件概率p(当前词|前序词)，具体包括：

遍历保险知识库中的保险领域词典跟当前词的编辑距离为1的全部词汇v，找出其中使得p(vi|前序词)最大的词汇vi，记作v，对于v，如果p(v|前序词)的概率大于p(当前词|前序词)，并且p(v)大于p(当前词)，那么把当前词替换成v。

由于本案的用户输入形式是语音，在真实场景中，汉语本身的同音不同字和用户读音标准化问题，会出现识别错误的情况。为了提高文本的准确性，可以基于海量的用户数据，结合自定义的保险知识库中的保险领域词典和条件概率，通过自动纠错模型，进行上述自动纠错过程，从而自动纠正用户的错误输入。如“旅行险”，不少用户因为前后鼻音不分，经常读成“旅行箱”，在保险场景下，“旅行险”出现的概率要远远高于“旅行箱”，因此通过上述纠错过程就可以自动地纠正为“旅行险”，这种自动纠错的机制大大增加了用户输入的有效性，提高语音识别的准确率。

值得注意的是，步骤201的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。

202、通过训练好的意图分类模型对文本信息进行意图识别分类。

图3是意图分类过程流程示意图。

具体的，如图3所示，为了判断一句输入属于哪个意图的分类问题，202步骤进一步包括以下步骤：

2021、通过利用保险领域的语料训练出一个词向量，并进行将不同句子标记为相应种类保险意图的训练集标注；

2022、通过卷积神经网络和训练集训练得到意图分类模型；

2023、通过意图分类模型，获得不同语料归属于相应保险意图的概率，然后通过确定的语料对应意图的映射关系进行意图识别分类。

通过维护一个关键词(组)到意图的映射关系，能够更加准确地得到一句话的意图，比如“买”+“保险”可以映射到投保这个意图。

保险领域的语料可以基于保险领域大量的现有资讯数据进行采集，根据不同的专项意图进行相应采集，包含投保、理赔、保险知识、产品咨询、核保、核赔等若干保险领域的意图，从而得到上述保险领域的语料。然后根据语料进行上述训练集标注、意图分类模型训练过程及意图识别分类过程。这里采用的意图分类模型，是通过运用自然语言理解(naturallanguageunderstanding，nlu)以及深度学习大量数据而训练得到的识别分类模型，具有较好的意图识别准确率和识别效果。

值得注意的是，步骤201a的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。

203、根据保险领域词典通过自然语言理解进行关键词抓取，以进行实体识别。

具体的，通过自然语言理解(nlu)来抓取语句的词槽(slot)，即关键词利用高质量的词典实现准确分词和实体抽取，结合知识库，找出该实体所属概念。比如，“我下周要去美国旅游”，可以获取出关键词为：下周、美国、旅游。

实体识别的过程是基于分词并且自动纠错以后的文本，分词过程加载了自定义的保险领域专有词典，可以准确识别保险领域的专有名词和术语，系统把这些术语分为两大部分：动作(如投保、续保)和实体(包括通用词汇，如健康险，和专有名词，如尊享e生)，对每类术语，构建同义词、上位词和下位词，存入知识库。如健康险，同义词是健康保险，上位词是保险，下位词包括医疗险、重疾险等等。用户输入的内容经过同义词替换(替换成最常用的表达)、上位词映射扩展，成为判断句子表达意图的参数。比如“我要投保尊享e生”，“投保”被同义替换成“买”。“尊享e生”的上位词是“健康险”，“健康险”的上位词是“保险”。所以最后提取的关键词是“买，尊享e生，健康险，保险”。

通过上述实体过程，把实体映射成概念，大大提高了语料库的抽象能力。

值得注意的是，步骤203的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。

需要说明的是，上述202步骤与203步骤都是基于201步骤获取的文本信息基础上而先后进行的步骤，在其他实施例中，两步骤可以同时分别进行。

204、结合意图信息、实体识别信息、保险产品属性因子和根据语音信息获取的用户动态特征信息以及经过清洗并落库的用户静态特征信息，训练得到保险推荐模型。

通过意图分类后，如果用户输入的信息文本落入某个意图的概率或置信度比较高，那接下来将确定的此分类意图与抽取的关键词以及现有保险用户画像信息进行训练获得深度学习的保险推荐模型，将这些信息作为推荐系统的参数，可以实现精准营销。比如如果用户已经成立家庭，那么需要保障的可能就是全部家庭成员。这里的用户画像信息涵盖了保险产品属性因子和根据语音信息获取的用户动态特征信息以及经过清洗并落库的用户静态特征信息。保险产品属性因子主要是根据保险产品多种属性的不同特点，而确定的影响用户画像的一些信息，比如产品适用人群(老人、儿童等)等。

值得注意的是，步骤204的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。

205、根据保险推荐模型，进行保险产品匹配的相应保险推荐，并将匹配结果返回保险推荐模型进行微调。

由于保险推荐使用了临时的用户动态特征和经过清洗并落库的用户静态特征，结合保险仓库里面对每个保险(组合)的特征描述，结合自定义规则，可以实现动态匹配。另外，除了将保险推荐模型获得的匹配结果返回给保险推荐模型外，还可将用户对于匹配结果的反馈结果反馈给推荐模型，进而对保险推荐模型进行微调，从而能够不断提高推荐模型的准确度。

值得注意的是，步骤205的过程，除了上述步骤所述的方式之外，还可以通过其他方式实现该过程，本发明实施例对具体的方式不加以限定。

实施例3

图4是本发明实施例3提供的智能保险推荐装置流程示意图。如图3所示，本发明实施例提供的智能保险推荐装置，包括：

预处理模块41，用于对保险用户输入的语音信息进行预处理。具体的，预处理模块41用于：将用户输入的语音信息去除环境杂音，然后转换为文字信息，并对文字信息进行包括去除语气词和分词。

优选地，预处理模块41还用于：根据保险知识库，通过自动纠错模型，对分词后的文本信息进行自动纠错。具体的，根据保险知识库，通过自动纠错模型，对分词后的文本信息进行自动纠错，包括：根据保险知识库，统计前序词和当前词的条件概率p(当前词|前序词)，具体包括：

遍历保险知识库中的保险领域词典跟当前词的编辑距离为1的全部词汇v，找出其中使得p(vi|前序词)最大的词汇vi，记作v，对于v，如果p(v|前序词)的概率大于p(当前词|前序词)，并且p(v)大于p(当前词)，那么把当前词替换成v。

意图分类模块42，用于将预处理后的文本信息分别进行意图分类，获取意图信息。具体的，意图分类模块42用于通过训练好的意图分类模型对文本信息进行意图识别分类。

进一步地，意图分类模块42包括标注子模块421、第一训练子模块422和分类识别子模块423。其中，标注子模块421用于：通过利用保险领域的语料训练出一个词向量，并进行将不同句子标记为相应种类保险意图的训练集标注；第一训练子模块422用于：通过卷积神经网络和训练集训练得到意图分类模型；分类识别子模块423用于：通过意图分类模型，获得不同语料归属于相应保险意图的概率，然后通过确定的语料对应意图的映射关系进行意图识别分类。

实体识别模块43，用于将预处理后的文本信息进行实体识别，获取实体识别信息。具体的，实体识别模块43用于：根据自定义的保险领域词典通过自然语言理解进行关键词抓取，以进行实体识别。

推荐模块44，用于结合意图信息、实体识别信息和保险用户画像信息，进行相应保险推荐。进一步地，推荐模块44包括第二训练子模块441和产品匹配子模块442。其中，第二训练子模块441用于：结合意图信息、实体识别信息、保险产品属性因子和根据语音信息获取的用户动态特征信息以及经过清洗并落库的用户静态特征信息，训练得到保险推荐模型；产品匹配子模块442，用于根据保险推荐模型，进行保险产品匹配的相应保险推荐，并将匹配结果返回保险推荐模型进行微调。

实施例4

图5是本发明实施例4提供的智能保险机器人设备结构示意图。如图5所示，本发明实施例提供的智能保险机器人设备，包括：

处理器51；

存储器52，用于存储有处理器51的可执行指令；

其中，处理器51配置为经由可执行指令来执行实施例1、实施例2所述的智能保险推荐方法的任一步骤，步骤的实施过程具体详见实施例1、实施例2，在此不再赘述。

应用实施例

图6是本发明应用实施例提供的智能保险推荐方法、装置及保险机器人设备的推荐系统结构示意图，如图6所示，本应用实施例提供了一种语音场景下保险产品推荐系统，用以改变用户获取保险产品的交互方式，主要包括以下功能模块：智能语音交互功能模块61、意图识别功能模块62、实体识别功能模块63、产品推荐功能模块64和数据分析功能模块64。

下面具体介绍各个功能模块。

智能语音交互功能模块61：通过阿里云智能语音交互(intelligentspeechinteraction)服务，获取用户的语音输入，转化系统的语音输出，实现人机交互体验。

意图识别功能模块62：根据深度学习和神经网络的意图分类模型识别出用户的意图，比如：旅游、出行等。

实体识别功能模块63：根据自定义的保险领域词典通过自然语言理解进行关键词抓取，以进行实体识别

产品推荐功能模块64：通过搜索引擎，根据用户意图、关键词及其他自定义因子，获取匹配的保险产品。

数据分析功能模块65：对推荐结果以及用户反馈结果进行数据分析，补充并优化推荐模型，提高推荐模型的精准度。

系统具体流程如下：

1、人机入口获取用户语音输入；

2、根据智能语音交互功能模块61将语音转化成文字；

3、通过意图识别功能模块62和实体识别功能模块63识别出用户的意图和关键词；

4、使用推荐模型推荐具体的保险产品，使用智能语音交互功能转化成语音播报；

5、匹配结果反馈给推荐模型。

上述技术方案是通过语音交互，获取用户场景和相应的关键词，在此基础上利用保险推荐系统给用户推荐相匹配的保险产品。

需要说明的是：上述实施例提供的智能保险推荐装置、智能保险机器人设备在触发智能保险推荐业务时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置或设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的触发智能保险推荐的装置、设备与触发智能网业务的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。

综上所述，本发明实施例提供的智能保险推荐方法、装置及保险机器人设备，相比现有技术，具有以下有益效果：

1、提出了一种通过语音交互识别场景下的智能保险推荐方案，有效且适用于各种保险推荐以及类似的多个应用场景；

2、提出了一种根据意图准确推荐保险产品的方案，智能性地通过深度学习匹配推荐保险产品，满足用户的智能需求；

3、提供了一种训练推荐模型算法，采用大数据分析，通过结果不断优化推荐模型，实现了精准推荐保险产品；

4、预处理过程中，结合自定义的保险知识库词典和条件概率，自动纠错用户的错误输入，这种自动纠错的机制大大增加了用户输入的有效性。

5、实体识别过程中利用高质量的词典实现准确分词和实体抽取，结合知识库，找出该实体所属概念。通过把实体映射成概念，大大提高了语料库的抽象能力。

6、意图分类器是在语料库上利用卷积神经网络进行训练得到的，包含投保、理赔、保险知识、产品咨询、核保、核赔等若干保险领域的意图，提高了意图识别的准确率；

7、推荐过程把语义信息与现有的用户画像系统结合起来，使得能够推荐更适合的保险给到不同的用户。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

本申请实施例中是参照根据本申请实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。