基于语音分析的产品推荐方法、装置、设备及存储介质与流程

本发明属于语音分析领域，更具体地说，是涉及一种基于语音分析的产品推荐方法、装置、设备及存储介质。

背景技术：

目前，用户在进行理财产品购买前，通常会打电话或在线咨询客服。然而，由于没有一对一的客服服务，新的客服不知道用户以往的咨询情况，因此无法有针对性地对用户提供服务，用户往往只能多次重复咨询，体验较差。另外，由于没有足够的用户资料，客服也无法针对用户的实际情况来推荐产品，使得推荐的理财产品与用户符合度较低，导致推荐的产品用户接受度不高。

技术实现要素：

本发明实施例提供一种基于语音分析的产品推荐方法、装置、设备及存储介质，以解决产品推广的符合度较低的问题。

一种基于语音分析的产品推荐方法，包括：

根据预设风险识别问题获取用户音频数据，其中，预设风险识别问题为n个，n为正整数；

将所述用户音频数据输入至预设自然语言处理模型中，获取用户回答文本；

将所述用户回答文本与预设的回答评分表进行匹配，根据匹配的结果获取第一用户评分；

根据所述第一用户评分确定推荐产品信息。

一种基于语音分析的产品推荐装置，包括：

音频数据获取模块，用于根据预设风险识别问题获取用户音频数据，其中，预设风险识别问题为n个，n为正整数；

回答文本获取模块，用于将所述用户音频数据输入至预设自然语言处理模型中，获取用户回答文本；

第一评分获取模块，用于将所述用户回答文本与预设的回答评分表进行匹配，根据匹配的结果获取第一用户评分；

信息确定模块，用于根据所述第一用户评分确定推荐产品信息。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于语音分析的产品推荐方法的步骤。

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程序，所述计算机程序被处理器执行时实现上述基于语音分析的产品推荐方法的步骤。

上述基于语音分析的产品推荐方法、装置、计算机设备及存储介质，通过根据预设风险识别问题获取用户音频数据，然后将用户音频数据输入至预设自然语言处理模型中，获取用户回答文本，接着将用户回答文本与预设的回答评分表进行匹配，根据匹配的结果获取第一用户评分，最后根据第一用户评分确定推荐产品信息。通过预设自然语言处理模型来获取用户的回答，使用户不需要输入文字，方便用户的操作；进一步地，根据用户回答文本确定用户风险承受类型，再在确定的用户风险承受类型确定推荐产品信息，可以根据用户的实际情况进行产品的推荐，使推荐的产品更加符合用户，提高推荐产品的符合度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中基于语音分析的产品推荐方法的一应用环境示意图；

图2是本发明一实施例中基于语音分析的产品推荐方法的一流程图；

图3是本发明一实施例中基于语音分析的产品推荐方法的另一流程图；

图4是本发明一实施例中基于语音分析的产品推荐方法的另一流程图；

图5是本发明一实施例中基于语音分析的产品推荐方法的另一流程图；

图6是本发明一实施例中基于语音分析的产品推荐方法的另一流程图；

图7是本发明一实施例中基于语音分析的产品推荐方法的另一流程图；

图8是本发明一实施例中基于语音分析的产品推荐方法的另一流程图；

图9是本发明一实施例中基于语音分析的产品推荐装置的一原理框图；

图10是本发明一实施例中计算机设备的一示意图。

具体实施方式

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作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。

本申请提供的基于语音分析的产品推荐方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信，服务端根据预设风险识别问题通过客户端获取用户音频数据，然后将用户音频数据输入至预设自然语言处理模型中，获取用户回答文本，接着将用户回答文本与预设的回答评分表进行匹配，根据匹配的结果获取第一用户评分，最后根据第一用户评分确定推荐产品信息返回客户端。其中，客户端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种基于语音分析的产品推荐方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：

s10：根据预设风险识别问题获取用户音频数据，其中，预设风险识别问题为n个，n为正整数。

其中，预设风险识别问题是指用于识别用户风险承受能力的问题，例如：“您愿意拿出百分之几的存款用于投资？”，“您愿意承担百分之几以内的投资损失？”，“您愿意投资的最长期限是多久？”等等。可以理解，预设风险识别问题为n个，n为正整数。预设风险识别问题可以预置于服务端，根据实际情况进行具体设定，这里不做具体限定。可选地，预设风险识别问题由语音机器人播放给用户听取，即语音机器人首先从服务端获取预设风险识别问题，再将文字转化为语音播放给用户。其中，语音机器人为服务端的一个模块，用于将预设风险识别问题的文字转化为语音。进一步地，预设风险识别问题也可以为文字信息，通过在客户端对代表预设风险识别问题的文字信息进行显示的方式提供给用户。

其中，用户音频数据是指用户根据预设风险识别问题进行回答的音频数据，可以通过客户端的录音工具来采集获取。

具体地，服务端向客户端输出预设风险识别问题后，客户端打开录音工具对用户的回答进行录制，当用户回答结束后，客户端停止录音的录制，将录制的录音发送至服务端，服务端将录制的录音作为该预设问题的用户音频数据。可选地，当客户端检测到静音时间超过一定值时，例如10秒，客户端判定用户已经根据该预设风险识别问题回答结束，则停止录音的录制。

在一个具体的实施例中，如图3所示，步骤s10具体可以包括：

s11：根据预设风险识别问题获取用户视频数据。

其中，用户视频数据是指用户根据预设风险识别问题进行回答时的视频数据，可以通过客户端的拍摄工具(例如相机)对用户进行视频录制获取。

具体地，服务端向客户端输出预设风险识别问题后，客户端打开拍摄工具对用户的回答进行视频录制，当用户回答结束后，客户端停止视频的录制，将录制的视频发送至服务端，服务端将录制的视频作为该预设问题的用户视频数据。可选地，当客户端检测到静音时间超过一定值时，例如10秒，客户端判定用户已经根据该预设风险识别问题回答结束，则停止视频的录制。

s12：从用户视频数据中提取用户音频数据。

具体地，服务端从用户视频数据中提取音频数据，将提取的音频数据作为用户音频数据。

在图3对应的实施例中，根据预设风险识别问题获取用户视频数据，从用户视频数据提取用户音频数据。视频数据不仅可以用于获取到用户的音频数据，为后面的自然语言处理提供数据，也可以为后续获取用户的人脸图像提供数据进行微表情分析。

s20：将用户音频数据输入至预设自然语言处理模型中，获取用户回答文本。

其中，自然语言处理(naturallanguageprocessing，简称nlp)是能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。预设自然语言处理模型是指用于对用户音频数据进行语音转化为文字文本的处理模型，包括自然语言理解和自然语言生成两个过程，例如可以通过隐马尔可夫模型对获取的用户音频数据转化为词汇(自然语言理解过程)，再通过词法分析、句法分析、语义分析和文本生成等技术生成用户回答文本(自然语言生成过程)。可选地，预设自然语言处理模型采用深度学习的训练模型，通过大量语音数据进行批注，形成语音样本，输入至训练模型中进行训练，使训练模型可以根据语音数据得到相应的文本数据，从而得到预设自然语言处理模型。

具体地，服务端将用户音频数据输入至预设自然语言处理模型中，使用户音频数据转化为文本数据，从而得到用户回答文本。

s30：将用户回答文本与预设的回答评分表进行匹配，根据匹配的结果获取第一用户评分。

其中，预设的回答评分表是指根据回答的具体情况进行相应评分的评分表。可选地，预设风险识别问题为与数值有关的问题，例如：“您愿意投资的期限是多长？”、“您愿意拿出几成的存款用于投资？”或“您目前的收入范围是？”等等；预设的回答评分表根据预设风险识别问题设置几个范围，根据设置的范围进行相应的评分。当用户回答文本与评分表中的某个范围符合时，取相应的评分作为该预设风险识别问题的评分，最后将所有的预设风险识别问题的评分汇总在一起得到第一用户评分。

可选地，预设的回答评分表也可以根据是或否来进行相应的评分，即预设风险识别问题也可以设置为判断题，例如：预设风险识别问题为“您觉得您可以承受20％的本金损失吗？”，然后根据用户的回答是或否来进行相应的评分。可选地，预设自然语言处理模型还用于通过语义分析将用户回答文本与预设的回答评分表的相应文本进行匹配，例如：当用户回答文本为“还不错”或“还可以”时，预设自然语言处理模型确定用户的意思为肯定，则将用户回答文本与预设的回答评分表中的“是”答案进行匹配；当用户回答文本为“可能比较难”或“可能不行”时，则将用户回答文与预设的回答评分表中的“否”答案进行匹配。其中，预设自然语言处理模型的语义分析可以通过对用户回答文本的词性的分析统计来实现，具体地，预设自然语言处理模型将获取的用户回答文本与预设的词库进行匹配，根据匹配的结果获取对应的词性，最后根据词性的统计分析出用户回答文本的意思。例如，根据预设的词库对用户回答文本进行匹配，若用户回答文本中出现“不行”、“很难”或“不能”等词汇，预设自然语言处理模型根据预设的词库匹配的结果获取对应的词性为否定性，则将用户回答文本的意思统计为否定；若用户回答文本出现“可以”、“能”或“不错”等词汇，预设自然语言处理模型根据预设的词库匹配的结果获取对应的词性为肯定性，则将用户回答文本的意思统计为肯定。其中，预设的词库可以为普通的汉语词库，包括词性的分类信息，可以存储于服务端的数据库中，也可以连接外部的词库作为预设的词库。

具体地，服务端将用户根据预设风险识别问题获取的用户回答文本与预设的回答评分表一一进行匹配，获取相应的分数，最后统计在一起得到第一用户评分。

s40：根据第一用户评分确定推荐产品信息。

具体地，服务端可以预先设置一个用户评分与产品信息的对应表，然后将第一用户评分与对应表的用户评分进行匹配，将匹配成功的产品信息确定为推荐产品信息。

在一个具体的实施例中，如图4所示，步骤s40具体可以包括：

s41：根据第一用户评分确定第一用户风险承受类型。

其中，第一用户风险承受类型是指用户对风险的承受程度的类型，例如，第一用户承受类型可以包括保守型、谨慎型、稳健型、进取型或激进型等，也可以进行其它形式的分类，例如c1、c2或c3等等，还可以对保守型、谨慎型、稳健型、进取型或激进型等类型进一步细分为高、中和低等等。

可选地，服务端预设一个风险承受类型对应表，根据获取的第一用户评分与预设的风险承受类型对应表进行匹配，根据匹配的结果确定第一用户风险承受类型。例如，当评分为80-90分时，对应的风险承受类型为进取型，若第一用户评分为85分，则可以确定第一用户风险承受类型为进取型。

s42：根据第一用户风险承受类型确定第一推荐产品信息。

可选地，服务端可以设置一个风险承受类型与产品信息的信息关联表，当服务端获取到第一用户风险承受类型时，将第一用户风险承受类型与信息关联表进行匹配，将匹配成功的风险承受类型对应的产品信息确定为该用户的第一推荐产品信息。

在图4对应的实施例中，根据第一用户评分确定第一用户风险承受类型，再根据第一用户风险承受类型确定第一推荐产品信息。根据用户评分确定用户的风险承受类型，再根据用户风险承受类型确定推荐产品信息，可以使推荐的产品信息更加符合用户，提高推荐产品的符合度。

在图2对应的实施例中，通过根据预设风险识别问题获取用户音频数据，然后将用户音频数据输入至预设自然语言处理模型中，获取用户回答文本，接着将用户回答文本与预设的回答评分表进行匹配，根据匹配的结果获取第一用户评分，最后根据第一用户评分确定推荐产品信息。通过预设自然语言处理模型来获取用户的回答，使用户不需要输入文字，方便用户的操作；进一步地，根据用户评分来确定推荐产品信息，可以根据用户的实际情况进行产品的推荐，使推荐的产品更加符合用户，提高推荐产品的符合度。

在一实施例中，如图5所示，服务端还可以根据用户在回答预设风险识别问题时获取用户的表情来进一步确定推荐产品信息，即在步骤s40中，根据第一用户评分确定推荐产品信息，具体包括以下步骤：

s41’：根据用户视频数据获取第一用户人脸图像。

其中，第一用户人脸图像是指用户根据预设风险识别问题回答时的人脸图像。

具体地，服务端将获取的用户视频数据进行分帧和归一化处理后提取出第一用户人脸图像。其中，分帧处理是指按照预设时间对用户视频数据进行划分，以获取至少一帧的待处理图像。归一化处理是指通过一系列变换,将待处理图像转换成相应的唯一标准形式(该标准形式图像对平移、旋转、缩放等仿射变换具有不变特性)，得到归一化后的图像。

s42’：将第一用户人脸图像输入至预设微表情识别模型中，获取用户回答微表情。

其中，预设微表情识别模型可以采用深度学习算法的训练模型，先对大量的人脸图像进行批注形成样本，再将样本图像输入至训练模型进行训练，使训练模型学习从人脸图像中获取微表情，从而得到预设微表情识别模型。

具体地，服务端将第一用户人脸图像输入至预设微表情识别模型中，获取用户回答微表情。可选地，预设微表情识别模型可以根据获取的微表情动作单元来判断用户回答微表情，例如通过“眉毛上扬”、“嘴巴上移”或“头部抬起”等等微表情动作单元确定用户回答微表情为高兴。

s43’：根据用户回答微表情获取第二用户评分。

具体地，可以设置与用户回答微表情对应的评分表，根据预设微表情识别模型获得的用户回答微表情进行相应的评分，最后根据所有预设风险识别问题的用户回答微表情获取的最终评分作为第二用户评分。例如，当用户回答微表情为紧张、不安或担忧等等微表情时，表示用户对相应的预设风险识别问题的回答为不真实，则相应扣分；当用户回答微表情为自然、镇定或高兴等微表情时，表示用户对相应的预设风险识别问题的回答是真实的，则相应加分；最后根据所有预设风险识别问题进行汇总得到第二用户评分。

s44’：根据第二用户评分和第一用户评分确定第二用户风险承受类型。

具体地，服务端可以分别对第一用户评分和第二用户评分设置一个相应的权重，然后根据权重将第二用户评分和第一用户评分进行求和，得到一个总的用户评分，最后根据总的用户评分确定第二用户风险承受类型。其中，第一用户评分和第二用户评分对应的权重可以根据实际情况进行设置，这里不做具体限定。

s45’：根据第二用户风险承受类型确定第二推荐产品信息。

可选地，服务端可以根据步骤s42设置的风险承受类型与产品信息的信息关联表来确定第二推荐产品信息，即服务端将第二用户风险承受类型与该信息关联表进行匹配，将匹配成功的风险承受类型对应的推荐产品信息确定为该用户的第二推荐产品信息。可选地，服务端也可以另外设置一个信息关联表来确定第二推荐产品信息，具体可以根据实际需要进行设置，这里不做限定。

在图5对应的实施例中，通过用户视频数据获取第一用户人脸图像，然后将第一用户人脸图像输入至预设微表情识别模型中，获取用户回答微表情，根据用户回答微表情获取第二用户评分，最后根据第二用户评分和第一用户评分确定第二用户风险承受类型，根据第二用户风险承受类型确定第二推荐信息。通过获取用户回答风险识别问题时的微表情，可以根据微表情进一步校正用户评分，使根据校正后的用户评分确定的第二用户风险承受类型更加贴合用户的实际情况，从而使根据第二用户风险承受类型确定的第二推荐产品信息更加适合用户，使用户的接受度增加，进一步提高推荐产品的符合度。

在一实施例中，如图6所示，在步骤s40中，即根据第一用户评分确定推荐产品信息，具体包括以下步骤：

s41”：获取用户标识。

其中，用户标识是指用于区分不同用户的标识。可选地，用户标识可以为用户手机号、用户账号或用户身份证号等。可选地，在步骤s10之前，即在根据预设风险识别问题获取用户音频数据之前，用户可以通过客户端进行登录，服务端再获取用户的相关信息作为用户标识。

s42”：根据用户标识从大数据系统中获取用户资料。

其中，大数据系统可以由服务端的内部数据库进行构建，例如在用户注册时要求用户输入相关资料来收集用户资料；也可以由服务端根据用户标识从其它平台来获取相应的用户资料的数据组成大数据系统，例如根据用户标识从支付宝平台、银行平台或公共信息平台等等平台获取相应的用户资料。

具体地，服务端与大数据系统进行连接，根据获取的用户标识，例如用户手机号，从大数据系统中获取与用户标识相关的用户资料，例如存款、学历或职业等等用户资料。

可以理解，服务端在获取到用户资料后，可以根据用户资料进一步对用户回答文本进行校对，例如：若其中一个预设风险识别问题为“您的存款是多少？”，用户回答文本为30w，若服务端获取的用户资料中用户的存款为10w，则服务端可以确定用户回答文本存在虚假的成分，则服务端在该回答文本与预设的回答评分表进行匹配时，根据用户资料中的数据进行匹配，从而获取更加真实的第一用户评分。

s43”：根据预设字段从用户资料提取用户能力数据。

可以理解，服务端从大数据系统获取的用户资料中有部分的数据与用户投资的能力相关，因此，服务端可以根据预设字段从获取的用户资料提取用户能力数据。例如，根据“学历”字段获取用户的数据为“本科”，根据“存款”字段获取用户的数据为“30w”等等。其中，预设字段可以根据预设风险识别问题的实际情况进行具体的设定，这里不做限定，例如为学历、职业、存款、贷款或家庭人口等字段。

s44”：基于预设的评分标准对用户能力数据进行评分，获得用户能力评分。

其中，用户能力评分是指对用户的投资能力的评分，而预设的评分标准可以根据实际情况进行具体设置，这里不做限定。例如，当获取的职业的数据为“律师”时，根据大数据的统计结果可知律师这一职业的平均工资为“月薪2w”，再根据平均工资对律师职业设置相应的能力评分，例如设置为90分。

具体地，服务端根据获取的用户能力数据和预设的评分标准对用户的投资能力进行评分，得到用户能力评分。

s45”：根据用户能力评分和第一用户评分确定第三用户风险承受类型。

具体地，服务端可以设置相应的权重将用户能力评分和第一用户评分综合在一起，例如将用户能力评分设置为0.4，将第一用户评分设置为0.6，然后根据综合在一起的分数确定用户风险承受类型作为第三用户风险承受类型。其中，服务端可以根据步骤s41预设的风险承受类型对应表来确定第三用户风险承受类型，即将综合在一起的用户评分与预设的风险承受类型对应表进行匹配，根据匹配的结果确定第三用户风险承受类型。

可选地，服务端还可以根据用户能力评分、第一用户评分和第二用户评分确定第三用户风险承受类型，即分别对用户能力评分、第一用户评分和第二用户评分设置相应的权重，将三个评分综合在一起的用户评分来确定第三用户风险承受类型。

s46”：根据第三用户风险承受类型确定第三推荐产品信息。

可选地，服务端可以根据步骤s42设置的风险承受类型与产品信息的信息关联表来确定第三推荐产品信息，即服务端将第三用户风险承受类型与该信息关联表进行匹配，将匹配成功的风险承受类型对应的推荐产品信息确定为该用户的第三推荐产品信息。可选地，服务端也可以另外设置一个信息关联表来确定第三推荐产品信息，具体可以根据实际需要进行设置，这里不做限定。

在图6对应的实施例中，通过获取用户标识，根据用户标识从大数据系统中获取用户资料，然后根据预设字段从用户资料提取用户能力数据，接着基于预设的评分标准对用户能力数据进行评分，获得用户能力评分，最后根据用户能力评分和第一用户评分确定第三用户承受类型，并根据第三用户承受类型确定第三推荐产品信息。通过获取用户资料，根据用户资料进行用户能力评分，再根据用户能力评分和第一用户评分确定用户风险承受类型，使用户风险承受类型更加符合用户的实际情况，同时使在此用户风险承受类型基础上确定的第三推荐产品信息更加符合用户的实际情况，从而更加为用户所接受，提高产品的推广效率。另外，服务端可以根据获取的用户资料对用户回答文本进行修正，使第一用户评分更加符合用户的实际情况，从而进一步提高产品推荐的精度和推荐产品的符合度。

在一实施例中，如图7所示，在步骤s40之后，即在根据第一用户评分确定推荐产品信息的步骤之后，本实施提供的基于语音分析的产品推荐方法还包括以下步骤：

s51：获取用户标识。

其中，用户标识的获取方法可以与步骤s41”相同，这里不再赘述。

s52：根据用户标识获取用户历史记录。

其中，用户历史记录包括用户历史咨询记录和用户历史购买记录，历史咨询记录是指用户过去咨询的产品记录。用户历史购买记录是指用户过去购买过的产品记录。可选地，用户历史记录与用户标识绑定存储于服务端的数据库中，服务端根据用户标识可以从服务端的数据库中获取到用户历史记录。

s53：根据用户历史记录获取产品偏好类型。

其中，产品偏好类型是指用户倾向选择的产品类型。可以理解，当根据用户标识在服务端的数据库中查找到相应的用户历史咨询记录或用户历史购买记录时，可以根据用户历史咨询记录和用户历史购买记录判定用户的产品偏好类型。例如在用户历史咨询记录中，曾咨询过a和b产品，那么可以将a和b产品对应的产品类型作为该用户的产品偏好类型；又例如，在用户历史购买记录中，曾购买过c和d两种产品，则可以将c和d两种产品对应的类型作为该用户的产品偏好类型。可选地，当用户历史记录中同时存在用户历史咨询记录和用户历史购买记录时，服务端优先将用户历史购买记录作为用户的产品偏好类型。

s54：根据产品偏好类型对推荐产品信息进行筛选，得到第四推荐产品信息。

具体地，服务端在根据第一用户评分确定推荐产品信息后，根据用户的产品偏好类型将推荐产品信息作进一步的筛选，将符合产品偏好类型的推荐产品作为第四推荐产品信息推荐给用户，而不符合产品偏好类型的推荐产品信息则不推荐给用户。可选地，当根据产品偏好类型筛选出来的推荐产品信息为空时，将第一用户评分确定的推荐产品信息推荐给用户，即不作进一步的筛选。

在图7对应的实施例中，通过获取用户标识，根据用户标识获取用户历史记录，根据用户历史记录获取产品偏好类型，再根据产品偏好类型对推荐产品信息进行筛选，得到第四推荐产品信息。在根据第一用户评分确定推荐产品信息的基础上，根据用户的产品偏好类型对推荐产品信息作进一步的筛选，使推荐产品信息更加适合用户的实际需要，可以提高推荐产品信息的用户接受度，从而提高推荐产品的符合度。

在一实施例中，如图8所示，在步骤s41”中或步骤s51中，即获取用户标识，具体可以包括以下步骤：

s511：获取第二用户人脸图像。

其中，第二用户人脸图像可以通过客户端的拍摄工具采集来获取。

可选地，用户可以在客户端发起咨询请求，例如在客户端的咨询接口点击发起咨询请求；当服务端获取到用户的咨询请求时，打开客户端的拍摄工具，对用户的脸部进行拍照，将获取的人脸图像作为第二用户人脸图像。

s512：将第二用户人脸图像输入至预设的人脸识别模型中，获取第二用户人脸特征。

其中，预设的人脸识别模型用于获取输入的人脸图像的特征。可选地，预设的人脸识别模型采用深度学习的训练模型，可以先通过大量的人脸图像进行特征点的批注，形成样本图像，使训练模型学习获取输入的人脸图像的特征点，再通过预设的算法计算出输入图像的人脸特征向量。可选地，预设的人脸识别模型采用的算法可以是尺度不变特征变换(sift)特征提取算法、加速稳健特征(surf)特征提取算法、orb((orientedfastandrotatedbrief)特征提取算法、hog(histogramoforientedgridients)特征提取算法、局部二值模式(lbp，localbinarypatterns)特征提取算法、harr特征提取算法、小波特征提取算法或者边缘模板提取算法，也可以是其他的特征提取算法。

具体地，服务端将第二用户人脸图像输入至预设的人脸识别模型中，识别出人脸特征点并根据预设的算法获取第二用户人脸图像的特征向量，作为第二用户人脸特征。

s513：将第二用户人脸特征与预设的人脸数据库的m个基准特征进行相似度计算，得到第二用户人脸特征的m个特征相似度，m为正整数。

其中，预设的人脸数据库可以由内部数据进行构建，例如在用户注册时获取用户的人脸图像作为基准图像，将基准图像输入至预设的人脸识别模型中得到基准特征。其中，基准特征的个数为m个，与用户的人数相同。可选地，预设的人脸数据库的人脸图像也可以从其它存储有人脸图像的平台中获取，例如全国公民信息系统。

可选地，预设的人脸数据库设置于服务端中，在预设的人脸数据库中的基准特征对应有用户信息，例如用户账号、手机号或身份证号等信息。

具体地，服务端将第二用户人脸特征与预设的人脸数据库中的m个基准特征进行相似度计算，从而得到第二用户人脸特征与m个基准特征的m个特征相似度。可选地，进行特征相似度的计算可以采用欧几里得距离算法、曼哈顿距离算法、明可夫斯基距离算法或者余弦相似度算法等特征相似度计算算法。

s514：若m个特征相似度中数值最高的特征相似度超过预设阈值，则获取数值最高的特征相似度对应的基准特征，根据对应的基准特征获取对应的用户信息。

其中，预设阈值可以根据实际情况进行设定，例如根据大数据统计的结果可知，当特征相似度超过85％时可以判定当前用户与基准特征对应的用户为同一人，则可以将预设阈值设为85％。

具体地，服务端将m个特征相似度与预设阈值进行比较，若m个特征相似度中数值最高的特征相似度超过预设阈值，则获取数值最高的特征相似度的基准特征对应的基准特征，再根据对应的基准特征从预设的人脸数据库中获取对应的用户信息。

s515：根据用户信息获取用户标识。

具体地，服务端根据获取的用户信息选择预设的信息作为用户标识。例如，选择用户账号、用户手机号或用户身份证号等用户信息作为用户标识。可选地，当预设的人脸数据库中的用户信息只有一种信息时，例如只有用户账号时，服务端可以根据用户账号从服务端的其它数据库中获取其它的信息作为用户标识，例如根据用户账号从服务端的其它数据库中获取用户手机号作为用户标识。

在图8对应的实施例中，通过获取第二用户人脸图像，然后将第二用户人脸图像输入至预设的人脸识别模型中，获取第二用户人脸特征；再将第二用户人脸特征与预设的人脸数据库的m个基准特征进行相似度计算，得到第二用户人脸特征的m个特征相似度；若m个特征相似度中数值最高的特征相似度超过预设阈值，则获取数值最高的特征相似度对应的基准特征，根据对应的基准特征获取对应的用户信息，最后根据用户信息获取用户标识。通过用户人脸图像来获取用户信息，再根据用户信息获取用户标识，可以使用户跳过登录验证的过程，方便用户的操作，同时也提高获取用户标识的效率。进一步地，根据用户标识可以获取用户资料，从而为第一用户评分、第二用户评分和用户能力评分提供相关的数据依据，进一步提高推荐产品信息的精度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种基于语音分析的产品推荐装置，该基于语音分析的产品推荐装置与上述实施例中基于语音分析的产品推荐方法一一对应。如图9所示，该基于语音分析的产品推荐装置包括音频数据获取模块10、回答文本获取模块20、第一评分获取模块30和推荐信息确定模块40。各功能模块详细说明如下：

音频数据获取模块10，用于根据预设风险识别问题获取用户音频数据，其中，预设风险识别问题为n个，n为正整数。

回答文本获取模块20，用于将用户音频数据输入至预设自然语言处理模型中，获取用户回答文本。

第一评分获取模块30，用于将用户回答文本与预设的回答评分表进行匹配，根据匹配的结果获取第一用户评分。

推荐信息确定模块40，用于根据第一用户评分确定推荐产品信息。

进一步地，音频数据获取模块10还用于：

根据第一用户评分确定第一用户风险承受类型；

根据第一用户风险承受类型确定第一推荐产品信息。

进一步地，推荐信息确定模块40还用于：

根据预设风险识别问题获取用户视频数据；

从用户视频数据中提取用户音频数据。

进一步地，基于语音分析的产品推荐装置还包括第二推荐信息确定模块，第二推荐信息确定模块包括第一图像获取单元、微表情获取单元、第二评分获取单元、第二风险类型确定单元和第二推荐信息确定单元。

第一图像获取单元，用于根据用户视频数据获取第一用户人脸图像。

微表情获取单元，用于将第一用户人脸图像输入至预设微表情识别模型中，获取用户回答微表情。

第二评分获取单元，用于根据用户回答微表情获取第二用户评分。

第二风险类型确定单元，用于根据第二用户评分和第一用户评分确定第二用户风险承受类型。

第二推荐信息确定单元，用于根据第二用户风险承受类型确定第二推荐产品信息。

进一步地，基于语音分析的产品推荐装置还包括第三推荐信息确定模块，第三推荐信息确定模块包括用户标识获取单元、用户资料获取单元、能力数据提取单元、能力评分获取单元、第三风险类型确定单元和第三推荐信息确定单元。

用户标识获取单元，用于获取用户标识。

用户资料获取单元，用于根据用户标识从大数据系统中获取用户资料。

能力数据获取单元，用于根据预设字段从用户资料提取用户能力数据。

能力评分获取单元，用于基于预设的评分标准对用户能力数据进行评分，获得用户能力评分。

第三风险类型确定单元，用于根据用户能力评分和第一用户评分确定第三用户风险承受类型。

第三推荐信息确定单元，用于根据第三用户风险承受类型确定第三推荐产品信息。

进一步地，基于语音分析的产品推荐装置还包括第四推荐信息确定模块，第四推荐信息确定模块具体用于：

获取用户标识；

根据用户标识获取用户历史记录；

根据用户历史记录获取产品偏好类型；

根据产品偏好类型对推荐产品信息进行筛选，得到第四推荐产品信息。

进一步地，用户标识获取单元具体还用于：

获取第二用户人脸图像；

将第二用户人脸图像输入至预设的人脸识别模型中，获取第二用户人脸特征；

将第二用户人脸特征与预设的人脸数据库的m个基准特征进行相似度计算，得到第二用户人脸特征的m个特征相似度，m为正整数；

若m个特征相似度中数值最高的特征相似度超过预设阈值，则获取数值最高的特征相似度对应的基准特征，根据对应的基准特征获取对应的用户信息；

根据用户信息获取用户标识。

关于基于语音分析的产品推荐装置的具体限定可以参见上文中对于基于语音分析的产品推荐方法的限定，在此不再赘述。上述基于语音分析的产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设风险识别问题、预设自然语言处理模型、预设的回答评分表、产品信息、第一用户人脸图像、预设微表情识别模型、用户历史记录、第二用户人脸图像和预设的人脸数据库等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现前述任意一种基于语音分析的产品推荐方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

根据预设风险识别问题获取用户音频数据，其中，预设风险识别问题为n个，n为正整数；

将用户音频数据输入至预设自然语言处理模型中，获取用户回答文本；

将用户回答文本与预设的回答评分表进行匹配，根据匹配的结果获取第一用户评分；

根据第一用户评分确定推荐产品信息。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

根据预设风险识别问题获取用户音频数据，其中，预设风险识别问题为n个，n为正整数；

将用户音频数据输入至预设自然语言处理模型中，获取用户回答文本；

将用户回答文本与预设的回答评分表进行匹配，根据匹配的结果获取第一用户评分；

根据第一用户评分确定推荐产品信息。

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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。