产品智能匹配方法、装置、设备及可读存储介质与流程

本发明涉及人工智能技术领域，尤其涉及一种产品智能匹配方法、装置、设备及计算机可读存储介质。

背景技术：

目前市面上存在的所谓的智能产品手主要运用的几个渠道的保险产品的数量和类型都非常有限。与此同时，主流的智能配置平台只能做简单的信息收集和少量的产品匹配，若用户信息量增大则配置成几何级数的上升，运营无法实质展开配置。

用户信息收集方面是预设信息供用户选择，限制了用户信息获取的维度和精度。在用户信息收集的过程中不能准确的判断用户的情绪信息和用户的真实意图，容易被不真实的信息误导，从而无法确定用户的真实需求，产品和用户的匹配度不够精确。

技术实现要素：

本发明的主要目的在于提供一种产品智能匹配方法、装置、设备及计算机可读存储介质，旨在解决现有用户意图及用户情绪识别准确度低，提高产品与用户的匹配准确度的技术问题。

为实现上述目的，本发明提供一种产品智能匹配方法，所述产品智能匹配方法包括以下步骤：

输出预置问题集至用户，并获取所述用户对预置问题集中每一问题的用户答复信息；

对所述用户答复信息进行情绪识别，得到所述用户情绪信息；

对所述用户答复信息进行意图识别，得到所述用户意图信息，并基于所述用户情绪信息及所述用户意图信息，确定所述用户购买意图；

若所述用户购买意图为正向意图，则基于所述用户信息，查询预置产品适配表，输出与所述用户信息匹配的产品。

可选地，所述输出预置问题集至用户，并获取所述用户对预置问题集中每一问题的用户答复信息之前，还包括：

通过网络爬虫技术，采集指定网站显示的预置格式的所有产品文档信息；

对所述产品文档信息进行实体关系抽取处理，得到所述产品文档信息中各产品知识点的命名实体对象以及命名实体对象之间的实体关系；

根据各产品知识点的命名实体对象，采用正则表达式识别所述产品文档信息中各命名实体对象对应的实体属性；

以各产品知识点对应的命名实体对象、实体属性以及实体关系为源数据，构建基于图数据库的产品知识图谱；

基于所述产品知识图谱，创建所述问题集与所述产品适配表。

可选地，所述输出预置问题集至用户，并获取所述用户对预置问题集中每一问题的用户答复信息包括：

获取每一轮对话的用户答复信息；

将所述用户答复信息与预置问题集中的预设槽位进行匹配；

若所述用户答复信息与所述预设槽位匹配成功，则抽取所述预设槽位；

若所述用户答复信息中存在与所述预设槽位匹配的答案信息，则将所述答案信息与所述预设槽位关联；

基于所述关联结果，收集用户信息。

可选地，所述对所述用户答复信息进行情绪识别，得到所述用户情绪信息包括：

将所述用户答复信息分割成多个数据区段；

分别对所述数据区段进行情绪判断，得到各种情绪的程度属性数值；

基于所述各数据区段情绪的程度属性数值，分别确定所述数据区段的情绪标签；

基于所述各数据区段的情绪标签，输出各情绪对应的情绪标签概率分布图；

基于所述情绪标签概率分布图，得到所述用户情绪信息。

可选地，所述对所述用户答复信息进行意图识别，得到所述用户意图信息，并基于所述用户情绪信息及所述用户意图信息，确定所述用户购买意图包括：

对所述用户答复信息以词为单位进行分析得到命名实体作为用户意图参数候选；

对所述用户答复信息进行解析，并根据预设的用户意图关键候选集逐词模糊匹配，得到意图关键词；

基于所述意图关键词输出用户意图识别结果；

基于所述用户意图识别结果和所述用户情绪信息，确定所述用户的购买意图。

可选地，所述若所述用户购买意图为正向意图，则基于所述用户信息，查询预置产品适配表，输出与所述用户信息匹配的产品包括：

将所述用户信息转译为标签格式，生成所述用户信息对应的多个标签；

若所述用户购买意图为正向意图，则基于所述标签的预设权重值，分别将所述各标签与预置产品适配表中的产品进行匹配，计算并输出各标签与对应产品的匹配得分；

基于所述各标签与对应产品的匹配得分，将所述各标签与对应产品的匹配得分进行求和，得到各产品的匹配程度得分；

若所述产品的匹配程度得分高于预设阈值，则将所述产品标记为推荐，若否，则标记为非推荐；

将标记为推荐的预设数量个产品作为推荐结果，并输出。

进一步地，本发明还提供一种产品智能匹配装置，所述产品智能匹配装置包括：

获取模块，输出预置问题集至用户，并获取所述用户对预置问题集中每一问题的用户答复信息；

情绪识别模块，用于对所述用户答复信息进行情绪识别，得到当前用户情绪信息；

意图识别模块，对所述用户答复信息进行意图识别，得到所述用户意图信息，并基于所述用户情绪信息及所述用户意图信息，确定所述用户购买意图；

产品匹配模块，用于当用户的意图为正向意图时，基于所述用户信息，查询预置产品适配表，输出与所述用户信息匹配的产品。

可选地，所述产品智能匹配装置还包括：

采集模块，用于通过网络爬虫技术，采集指定网站显示的预置格式的所有产品文档信息；

构建模块，用于对所述产品文档信息进行实体关系抽取处理，得到所述产品文档信息中各产品知识点的命名实体对象以及命名实体对象之间的实体关系；根据各产品知识点的命名实体对象，采用正则表达式识别所述产品文档信息中各命名实体对象对应的实体属性；以各产品知识点对应的命名实体对象、实体属性以及实体关系为源数据，构建基于图数据库的产品知识图谱；

创建模块，用于基于所述产品知识图谱，创建所述问题集与所述产品适配表。

可选地，所述获取模块具体用于：

获取每一轮对话的用户答复信息，将所述用户答复信息与预置问题集中的预设槽位进行匹配；当所述用户答复信息与所述预设槽位匹配成功时，则抽取所述预设槽位；当所述用户答复信息中存在与所述预设槽位匹配的答案信息时，则将所述答案信息与所述预设槽位关联，基于所述关联结果，收集用户信息。

可选地，所述情绪识别模块具体用于：

将所述用户答复信息分割成多个数据区段，分别对所述数据区段进行情绪判断，得到各种情绪的程度属性数值；基于所述各数据区段情绪的程度属性数值，分别确定所述数据区段的情绪标签，输出各情绪对应的情绪标签概率分布图，得到所述用户情绪。

可选地，所述意图识别模块具体用于：

对所述用户答复信息以词为单位进行分析得到命名实体作为用户意图参数候选，对所述用户答复信息进行解析，并根据预设的用户意图关键候选集逐词模糊匹配，得到意图关键词，输出用户意图识别结果，基于所述用户意图识别结果和所述用户情绪，确定所述用户的购买意图。

可选地，所述产品推荐模块具体用于：

将所述用户信息转译为标签格式，生成所述用户信息对应的多个标签，当所述用户购买意图为正向意图时，则基于所述标签的预设权重值，分别将所述各标签与预置产品适配表中的产品进行匹配，计算并输出各标签与对应产品的匹配得分，将所述各标签与对应产品的匹配得分进行求和，得到各产品的匹配程度得分，当所述产品的匹配程度得分高于预设阈值时，则将所述产品标记为推荐，若否，则标记为非推荐；将标记为推荐的预设数量个产品作为推荐结果并输出。

进一步地，为实现上述目的，本发明还提供一种产品智能匹配设备，所述产品智能匹配设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的产品智能匹配程序，所述产品智能匹配程序被所述处理器执行时实现如上述任一项所述的产品智能匹配方法的步骤。

进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有产品智能匹配程序，所述产品智能匹配程序被处理器执行时实现如上述任一项所述的产品智能匹配方法的步骤。

本发明提出的产品智能匹配方法，完善了目前市面上存在的所谓的智能产品助手业务模式和技术方面的缺陷，提供了以用户信息和用户需求为基准的产品智能匹配方法。通过网络爬虫技术采集指定网站的产品文档信息，并对产品文档信息进行加工整理，构建针对产品知识点的问题集，以供进行多轮对话收集用户信息从而避免简单的正向收集用户信息时可能造成的信息缺失或对保险理解不一致。同时，基于多个维度收集用户个性化信息，通过预设模型的知识图谱问答解决用户需求和产品匹配的问题。通过用户&产品适配模型匹配后，能进行精准的产品推荐。

附图说明

图1为本发明产品智能匹配设备实施例方案涉及的设备硬件运行环境的结构示意图；

图2为本发明产品智能匹配方法一实施例的流程示意图；

图3为图2中步骤s110一实施例的细化流程示意图；

图4为本发明产品智能匹配方法第二实施例的流程示意图；

图5为图2中步骤s120一实施例的细化流程示意图；

图6为图2中步骤s130一实施例的细化流程示意图；

图7为图2中步骤s140一实施例的细化流程示意图；

图8为本发明产品智能匹配装置一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提供一种产品智能匹配设备。

参照图1，图1为本发明产品智能匹配设备实施例方案涉及的设备硬件运行环境的结构示意图。

如图1所示，该产品智能匹配设备可以包括：处理器1001，例如cpu，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。

本领域技术人员可以理解，图1中示出的产品智能匹配设备的硬件结构并不构成对产品智能匹配设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及产品智能匹配程序。其中，操作系统是管理和控制产品智能匹配设备与软件资源的程序，支持网络通信模块、用户接口模块、产品智能匹配程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1004；用户接口模块用于管理和控制用户接口1003。

在图1所示的产品智能匹配设备硬件结构中，网络接口1004主要用于连接系统后台，与系统后台进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；产品智能匹配设备通过处理器1001调用存储器1005中存储的产品智能匹配程序，并执行以下产品智能匹配方法的各实施例的操作。

基于上述产品智能匹配设备硬件结构，提出本发明产品智能匹配方法的各个实施例。

参照图2，图2为本发明产品智能匹配方法一实施例的流程示意图。本实施例中，所述产品智能匹配方法包括以下步骤：

步骤s110，输出预置问题集至用户，并获取所述用户对预置问题集中每一问题的用户答复信息；

本实施例中，问题集是通过阅读理解模型对保险产品文档中保险知识的解析提取，自动生成的针对保险文档各知识点的问答库，能支持多轮对话收集用户信息。进一步地避免了简单的正向收集用户信息时可能造成的信息缺失或对保险理解不一致。基于多轮对话中每一轮对话所收集到的用户答复信息，多维度收集用户信息。

本实施例中，用户信息是指用户个人信息、家庭关系信息、家庭资产状况、风险配好信息以及保险用途信息等。根据多维度用户信息，为用户提供更精准的保险产品配置。

步骤s120，对所述用户答复信息进行情绪识别，得到所述用户情绪信息；

本实施例中，用户答复信息是指在多轮对话过程中，根据预置问题集进行对话收集到的用户的答复信息。对用户答复信息进行情绪识别，提取用户答复信息的音频特征或语义特征等，根据所述情绪识别结果中，确定用户情绪信息。

本实施例中，用户情绪信息是指多轮对话时，用户回答问题时候的情绪信息，若用户回答情绪消极，则要在多轮对话中，对目标问题进行委婉的二次确认，从而获取用户的真实需求。比如说，多轮对话中，系统提问“您是否想了解重疾险”，若用户回答“是的，请具体介绍一下重疾险的详细内容”，则判定用户的情绪信息是积极的，想要了解“重疾险”，同时也说明用户对重疾险有一定的购买需求。若用户回答的是“还行吧”或者“可以了解一下”，则判定用户对重疾险并不感兴趣，情绪信息是消极的。

步骤s130，对所述用户答复信息进行意图识别，得到所述用户意图信息，并基于所述用户情绪信息及所述用户意图信息，确定所述用户购买意图；

本实施例中，对用户答复信息进行意图识别是指，对用户答复信息进行语义识别和文本解析，根据语义识别和文本分析结果，判断用户的基本意图信息。然后再根据情绪识别结果，确定用户的购买意图。比如说，系统提问“您是否熟悉我公司少儿险的具体条款内容”，用户的答复信息为“不太了解，可以详细介绍一下少儿险吗”对用户的答复信息进行语义分析和文本解析，判断出用户意图信息为：“用户不了解少儿险”“用户希望具体了解一下少儿险的具体条款内容”，同时也可以判断出用户的态度是积极的，根据用户的意图信息和用户的情绪信息，进一步的判断出用户的购买意图：用户有购买少儿险的意图。

步骤s140，若所述用户购买意图为正向意图，则基于所述用户信息，查询预置产品适配表，输出与所述用户信息匹配的产品。

本实施例中，正向意图也可以说是真实购买意图。若用户的购买意图为正向的，则说明用户对产品有兴趣，有购买意愿和需求。根据收集到的用户信息，查询预置的产品适配表，输出与用户的购买需求相匹配的产品。

本实施例中，产品适配表是指根据用户年龄、工作性质、收入状况(当前及预期)、家庭状况、风险偏好、理财能力等多维度信息设计的适合该用户的保险产品的集合。比如说，根据用户的信息来看，用户可以买产品的适配表为a、c、s、h、k，但是用户的需求是买产品a、d、h，根据用户的正向购买意图和用户信息，查询产品适配表，输出匹配的产品。

本实施例中，通过由保险文档知识点生成的问题集与用户进行多轮对话，基于多个维度收集更精准的用户信息，避免了预设信息供用户选择，而造成的用户信息获取维度和精准度受限的问题。同时在多轮对话收集用户信息过程中增加使用情绪识别能力，对用户答复信息中的所携带的情绪进行识别，判断用户的情绪。若用户的情绪为积极的，则可以确定该答复为用户的真实意图；若用户的情绪比较消极，则进行委婉的二次确认，以确认用户的真实意图提升了对用户真实意图判断的精度，从而获取用户的真实需求，避免被不真实的信息误导。

进一步地，根据用户的答复信息对用户的意图进行识别，得到用户意图识别结果。将用户意图和用户情绪两者结合在一起，根据用户信息，查询产品适配表，输出比较适合用户的产品。其中，产品适配表是依据用户年龄、工作性质、收入状况(当前及预期)、家庭状况、风险偏好、理财能力等多维度信息设计的比较适合用户购买的保险产品的集合，通过适配规则，根据用户的主观需求配置适合的产品推荐给用户。

参照图3，图3为图2中步骤s110一实施例的细化流程示意图。本实施例中，上述步骤s110包括：

步骤s1101，获取每一轮对话的用户答复信息；

本实施例中，多轮对话适用于封闭场景，是一种在人机对话中，初步明确用户意图之后，获取必要信息以最终得到明确用户指令的方式。根据多轮对话收集到的用户答复信息，其本身所包含的信息也只占总传递信息量的一小部分，更多信息来源于说话人的身份、当前的时间/地点等一系列场景信息。所以多轮对话的信息获取方式也不应当只局限于用户所说的话。

多轮对话在形式上并不一定表现为与用户的多次对话交互，比如说，如果用户的话语中已经提供了充足的信息，或者其它来源的补充信息已经足够将用户的初步意图转化为一条明确的用户指令，那就不会存在与用户的多次对话交互。根据多轮对话，获取用户答复信息。

本实施例中，用户答复信息可以是用户的个人基本信息，也可以是用户的风险配置偏好信息等。

步骤s1102，将所述用户答复信息与预置问题集中的预设槽位进行匹配；

本实施例中，将获取的用户答复信息与预置问题集中的预设槽位进行匹配。

本实施例中，槽位是在多轮对话过程中将初步用户意图转化为明确用户指令所需要补全的信息。一个槽位与一件事情的处理中所需要获取的一种信息相对应。其中，需要说明的是，并非所有的槽位都要被匹配成功并关联，以以下对话为例：我：【去萧山机场多少钱】，出租车司机：【70】；对话中的【70】，应当被理解为70元人民币，而不必再去追问：【你说的是人民币、美元、日元还是港币？】。这类信息应当以默认值的形式存在，也即槽有必关联与非必关联之分，与上文所说的【信息未必需要通过与用户的对话获取】相对应。

步骤s1103，若所述用户答复信息与所述预设槽位匹配成功，则抽取所述预设槽位；

本实施例中，槽位分为词槽与接口槽两种槽位类型，若用户答复信息与预设槽位匹配成功，则提取该匹配成功的槽位，比如说，用户表达“不了”，“不行”，“不是”，“没有”等一系列说法均可以与槽位【不】匹配成功，则提取该槽位。

步骤s1104，若所述用户答复信息中存在与所述预设槽位匹配的答案信息，则将所述答案信息与所述预设槽位关联，并输出关联结果；

本实施例中，若用户答复信息中存在与该匹配成功的槽位匹配的答案信息，则将相关的答案信息填入该槽位中，并输出。这里需要分成两种情况来讨论，一种是：我们明确知道相关的答案信息，可以直接填入槽位中，不需要向用户确认。比如说，在多轮对话中，系统问到用户“请问您家庭收入怎么样呢？”用户回答“我一年收入大概10万”，那就会与“年收入”这个槽位匹配成功。另一种是：我们知道相关的答案信息只能作为参考，需要用户的协助才能进行槽位的填写，比如说用户表达“不了”，“不行”，“不是”，“没有”等一系列说法均可以与槽位【不】匹配成功，这种情况下，需要提供选项，让用户最终决定该槽位的填入值。

步骤s1105，基于所述关联结果，收集用户信息。

本实施例中，若用户答复信息与问题集中的预设槽位匹配成功，则称用户答复信息与槽位有关联。比如说，在多轮对话中，系统问到用户“请问您家庭收入怎么样呢？”用户回答“我一年收入大概10万”，那就会与“年收入”这个槽位匹配成功。将用户回答中的“10万”与这个槽位相关联，并输出关联结果。其中的关联结果就是“年收入10万”，根据关联结果收集用户信息，用户的年收入是10万元。

参照图4，图4为本发明产品智能匹配方法第二实施例的流程示意图。本实施例中，上述步骤s110之前，还包括：

步骤s210，通过网络爬虫技术，采集指定网站显示的预置格式的所有产品文档信息；

本实施例中，通过网络爬虫技术可以将互联网中数以百亿计的网页信息保存到本地。具体为通过爬虫代码程序模拟浏览器向网络服务器发送请求，以便将网络资源从网络流中读取出来并保存到本地，此外，还进一步基于相关信息提取规则，从爬取的信息中提取用户需要的信息。

本实施例中，基于爬取的网站类型的不同，因此采集的产品文档信息内容亦不相同。比如，从某一网站中爬取数据，则采集的内容为产险相关的信息，而如果是从某一科技公司官方网站中爬取数据，则采集的内容为科技知识，比如大数据管理，数据精算，ai等。基于爬取的内容的不同，因此构建的产品知识图谱亦不相同。

本实施例中，对于爬取方式不限。优选通过docker容器作为媒介部署指定的爬虫程序，以爬取指定的网站内容。例如爬取保险公司网站中的保险产品信息及对应产品的价位、对应购买人群等内容。爬取的网站包括指定的公示网站以及通过搜索引擎搜索到的网站。

本实施例中，通过网络爬虫技术从市面上所有保险公司的官网爬取最新的保险产品文档入库，并添加保险状态信息。爬虫每周爬取一次，以更新保险产品的状态，以此获取全网的保险产品文档信息。

本实施例中，保险状态信息是指是保险产品的销售状态信息，包括新上线、在售、停售信息，在此基础上增加保险的销售地域信息和保险公司在当地的分支机构信息。通过销售状态和销售地域，才能确定给用户推荐的保险产品集，否则部分产品已停售、或地区不支持，该类保险产品再好也不适合推荐。

步骤s220，对所述产品数据进行实体关系抽取处理，得到所述产品文档信息中各产品知识点的命名实体对象以及命名实体对象之间的实体关系；

本实施例中，为便于根据产品知识点生成针对保险文档各知识点的问题集，支持多轮对话反向确认用户信息，因此需要预先获得产品知识点以及各产品知识点之间的实体关系，本实施例中具体采用自然语言处理技术进行实体关系抽取处理，也即抽取出产品文档信息中各产品知识点的命名实体对象以及命名实体对象之间的实体关系。

自然语言处理技术(naturallanguageprocessing，nlp)的主要目的在于帮助机器更好地理解人的语言，包括基础的词法、句法等语义理解，以及需求、情感等高层面的理解，进而弥补人类交流(自然语言)和计算机理解(机器语言)之间的差距。

本实施例中，在爬取到网站中预先指定的相关内容后，需要通过自然语言处理技术从爬取的内容中抽取产品知识点，例如，产品价格信息、产品条款信息、产品常用词和常用问答以及相关引用的产品文档内容等。

本实施例通过基于自然语言处理的知识抽取技术，获取对应的保险产品详情、保险产品专有名词以及常用保险产品概念等知识点。具体基于保险产品文档信息中的产品名称、状态信息以及赔付范围从爬取的网站内容中进行知识点抽取。

步骤s230，根据各产品知识点的命名实体对象，采用正则表达式识别所述产品文档信息中各命名实体对象对应的实体属性；

本实施例中，本实施例中，为构建产品知识结构图，在抽取出产品文档信息中各产品知识点的命名实体对象后，进一步采用正则表达式识别出产品文档中各命名实体对象对应的实体属性。

正则表达式描述了一种字符串匹配的模式，可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。它的设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，则认为该字符串与正则表达式“匹配”。

本实施例中预先编写出可用于识别产品文档信息中命名实体对象的实体属性的正则表达式模式，一个正则表达式模式可以是由简单的字符构成，也可以是由多种字符、不同方法组合而成。

例如，保险产品信息中中通常都有如下表达方式：xx保险，是以xx人作为被保险人的保险,或者是xx保险险种之一，分为xx健康保险、教育保险等，则可设置与上述表达方式相匹配的正则表达式模式，进而识别出保险产品信息中中具体属性内容的表达方式。

步骤s240，以各产品知识点对应的命名实体对象、实体属性以及实体关系为源数据，构建基于图数据库的产品知识图谱；

本实施例中，以各产品知识点对应的命名实体对象、实体属性以及实体关系为源数据，构建基于图数据库的产品知识结构图，比如构建保险产品知识图谱。同时，基于抽取到的保险产品知识点类型的不同，对应构建不同的保险产品知识结构图。

步骤s250，基于所述产品知识图谱，创建所述问题集与所述产品适配表。

本实施例中，基于构建的产品知识图谱中主体内容的不同，因此可创建不同产品知识的查询页面，以供用户进行不同产品知识内容检索。例如，既可以提供少儿健康保险知识点检索，还可以少儿教育保险等相似险种检索，从而为用户提供更全面高效的信息检索服务。

本实施例通过网络爬虫技术采集指定网站的产品文档信息，并对产品文档信息进行加工整理以形成产品知识结构图；然后再基于产品知识结构图，创建针对产品文档各知识点的问题集，以供进行多轮对话，收集用户信息。通过爬取方式采集产品文档信息，因而采集到的产品文档信息能够满足一般用户对于产品知识的查询需求。此外，本实施例将产品知识结构图作为产品查询服务的检索数据库，这不仅能够提供海量产品文档知识，同时还能为用户提供更高效快速的产品知识查询服务，进而优化了产品配置。

本实施例中，产品适配表是依据用户年龄、工作性质、收入状况(当前及预期)、家庭状况、风险偏好、理财能力等多维度信息设计的比较适合用户购买的保险产品的集合，通过适配规则，根据用户的主观需求配置适合的产品推荐给用户。

参照图5，图5为图2中步骤s120一实施例的细化流程示意图。基于上述实施例，本实施例中，上述步骤s120进一步包括：

步骤s1201，将所述用户答复信息分割成多个数据区段；

本实施例中，将用户答复信息进行解析处理，将解析处理之后生成的数据信息分割成多个数据区段，分别对每一个数据区段进行情绪判断。比如，用户的答复信息为“寿险和少儿险两个，哪一个买给孩子比较合适呢，可以推荐一下吗”，将起分割为多个数据片段“寿险和少儿险两个”、“哪一个买给孩子比较合适呢”、“推荐”。

步骤s1202，分别对所述数据区段进行情绪判断，得到各种情绪的程度属性数值；

本实施例中，情绪类别可以包括但不限于开心、惊喜、正常、愤怒、厌烦、伤心等。分别对用户答复信息的每一个数据区段进行情绪判断，得到各种情绪对应的程度属性值。比如说，用户的答复信息为“寿险和少儿险两个，哪一个买给孩子比较合适呢，可以推荐一下吗”，将起分割为多个数据区段“寿险和少儿险两个”、“哪一个买给孩子比较合适呢”、“推荐”，分别对每一个数据区段进行情绪判断。

步骤s1203，基于所述数据区段情绪的程度属性数值，分别确定所述数据区段的情绪标签；

本实施例中，分别得到每一个数据区段中可能包括好几种情绪，同时，各种情绪的程度属性值是不同的，其中程度属性数值最大的对应的情绪标签即为为该数据区段的情绪标签。例如：可以得到“开心”情绪标签的程度属性值为0.522，“惊喜”情绪标签的程度属性值为0.1，“正常”情绪标签的程度属性值为0.3，“愤怒”情绪标签的程度属性值为0.01，“厌烦”情绪标签的程度属性值为0.01，“伤心”情绪标签的程度属性值为0.01，此时，可“开心”情绪标签的程度属性值最大，则该数据区段的情绪类别为开心。

步骤s1204，基于所述各数据区段的情绪标签，输出所述用户答复信息中各数据区段对应的情绪标签概率分布图；

步骤s1205，基于所述情绪标签的概率分布图，得到所述用户情绪。

本实施例中，根据各数据区段的情绪标签，输出该用户答复信息中各数据区段对应的情绪标签的概率分布图。例如：可以得到用户答复信息中的各数据区段的情绪标签分别为，“开心”情绪标签的概率为0.522，“惊喜”情绪标签的概率为0.12，“正常”情绪标签的概率为0.32，“愤怒”情绪标签的概率为0.018，“厌烦”情绪标签的概率为0.01，“伤心”情绪标签的概率为0.01，此时，可将各个情绪标签的概率进行阈值判断，并根据该阈值判断结果从这些情绪标签中确定出该用户的情绪类别。若所有情绪标签的概率均小于预设阈值，则将概率最大的情绪标签作为用户情绪输出。

另外，该方法不仅可以识别出用户情绪，还可以有利于后续对话交互流程，使系统能对用户作出不同的情感反馈，比如说，如果判断用户情绪消极，则可以在多轮对话中对问题进行委婉的二次确认，从而获取用户真实的需求，避免被不真实的信息误导。

参照图6，图6为图2中步骤s130的细化流程示意图。基于上述实施例，本实施例中，上述步骤s130进一步包括：

步骤s1301，对所述用户答复信息以词为单位进行分析得到命名实体作为用户意图参数候选；

本实施例中，根据用户答复信息的具体数据内容，并以词为单位进行意图分析，得到对应的命名实体，作为用户意图的参数候选。具体实现步骤如下，比如说“给我妈妈购买一份重疾险”，其中，分词、词性标注、命名实体识别：给/p我/r妈妈/n购买/v一/m份/q重疾险/n，命名实体集合为空。获得意图参数候选：由分词和词性标注结果可知，一份重疾险为数词m+量词q+名词n组合，且该名词“重疾险”归于保险产品意图参数，则可置保险＝一份重疾险。

步骤s1302，对所述用户答复信息进行解析，并根据预设的用户意图关键候选集逐词模糊匹配，得到意图关键词；

本实施例中，对用户答复信息进行解析，并根据预设的用户意图关键候选集逐词模糊匹配，得到意图关键词。比如说“给我妈妈购买一份重疾险”，依存句法分析：0:给/p3:adv1:我/r2:att2:妈妈/n0:pob3:买/v-1:hed4:一/m5:att5:份/q6:att6:重疾险/n3:vob。

获得意图关键词：将整理出的买重疾险意图关键词(例如“购买一份重疾险”)同用户答复信息的分词结果进行相似度比较，计算可得cosine(购买，一份重疾险)＝1.89，符合相似要求，将“购买”作为意图关键词。

步骤s1303，基于所述意图关键词输出用户意图识别结果；

本实施例中，根据得到的意图关键词，判断用户意图参数候选之间的依存关系。由依存句法分析的结果可知，意图参数一份重疾险和意图关键词“购买”之间存在依存关系(购买，一份重疾险，vob)，可以得出用户意图为“购买重疾险”

步骤s1304，基于所述用户意图识别结果和所述用户情绪，确定所述用户的购买意图。

本实施例中，根基用户的基本意图信息和用户的情绪，确定用户深层次的需求，也即用户的购买意图。基本意图信息对应的是用户答复数据所直观反映出的意图，但并无法反映用户当前状态下的真实需求，因此才需要结合用户的情绪来综合确定用户答复信息所实际想要表达的真实购买意图和情绪需求。比如说“我要买保险，重疾险比较适合我，还是寿险比较适合我？”和“我要购买保险的话，重疾险比较适合我，寿险也适合我吗”虽然二者内容差不多，但是因为情绪不同，用户想表达的真实购买需求是完全不相同的。

参照图7，图7为图2中步骤s140一实施例的细化流程示意图。基于上述实施例，本实施例中，上述步骤s140进一步包括：

步骤s1401，将所述用户信息转译为标签格式，生成所述用户信息对应的多个标签；

本实施例中，将用户信息按照预先设置好的标签格式进行处理，生成标签格式的字段信息，其中，生成的每一个标签格式的字段信息，就是标签。其中，生成的多个标签组成的集合，就叫标签集。比如，用户答复信息为“我叫李四，性别女，是一名教师，今年43岁，年收入15万元，家庭资产大概有200万，想买一份重疾险”，其中对各个标签赋值，“性别”标签为2，“年龄”标签为,6，“职业”标签为5，“年收入”标签为9，“家庭资产”标签为13，分别将其转译为标签形式，则为李四＝{2,6，5，9，13，}。

步骤s1402，若所述用户购买意图为正向意图，则基于所述标签的预设权重值，分别将所述各标签与预置产品适配表中的产品进行匹配，计算并输出各标签与对应产品的匹配得分；

本实施例中，若用户的购买意图为正向意图，则根据各个标签的权重值，分别将各个标签与产品适配表中的多个保险产品进行匹配，计算每个标签与产品适配表中每种产品的匹配得分。比如，将用户答复信息“我叫李四，性别女，是一名教师，今年43岁，年收入15万元，家庭资产大概有200万，想买一份重疾险”转译为标签形式，则为李四＝{2,6，5，9，13}，分别将标签2,标签6，标签5，标签9，标签13与预置产品适配表中的产品a，产品b，产品c，产品d，产品e进行匹配，根据各标签的权重值，计算并输出各标签与对应产品的匹配得分。

步骤s1403，基于所述各标签与对应产品的匹配得分，将所述各标签与对应产品的匹配得分进行求和，得到各产品的匹配程度得分；

本实施例中，根据每个标签与每种产品的匹配得分，将每个标签的匹配得分进行求和，得到产品适配表中每种产品的匹配程度的分。比如说，用户答复信息“我叫李四，性别女，是一名教师，今年43岁，年收入15万元，家庭资产大概有200万，想买一份重疾险”转译为标签形式，则为李四＝{2,6，5，9，13}，分别将标签2,标签6，标签5，标签9，标签13，将各标签与预置产品适配表中的产品a进行匹配，匹配得分分别为5,7,2,11,7，将这些标签的匹配得分进行求和，所以产品a的匹配程度的分为5+7+2+11+7＝32，依次得到预置产品适配表中所有产品的匹配程度的分。

步骤s1404，若所述产品的匹配程度得分高于预设阈值，则将所述产品标记为推荐，若否，则标记为非推荐；

本实施例中，根据各个产品的匹配度得分，若产品匹配度得分高于预设值，则将该产品标记为推荐，若产品匹配度得分低于预设值，则标记为非推荐。比如，预置产品适配表中的所有产品的匹配得分分别为35,47,55,55,85，若产品的匹配程度得分高于预设阈值，则将该产品标记为推荐。若否，则标记为非推荐。

骤s1405，将标记为推荐的预设数量个产品作为推荐结果，并输出。

本实施例中，将标记为推荐的一定数量个产品作为推荐结果，发送至客户端，呈现给用户。比如，预置产品适配表中的所有产品产品a，产品b，产品c，产品d，产品e的匹配得分分别为35,47,55,55,85，若产品的匹配程度得分高于预设阈值50，则将产品c，产品d，产品e标记为推荐，并将产品c，产品d，产品e推荐给用户。

参照图8，图8为本发明产品智能匹配装置一实施例的功能模块示意图。本实施例中，所述产品智能匹配装置包括：

获取模块10，用于基于预置问题集与用户进行多轮对话，并获取每一轮对话的用户答复信息，以收集用户信息；

情绪识别模块20，用于对所述用户答复信息进行情绪识别，得到当前用户情绪；

意图识别模块30，对所述用户答复信息进行意图识别，并基于所述用户情绪，确定所述用户购买意图；

产品推荐模块40，用于当用户的意图为正向意图时，基于所述用户信息，查询预置产品适配表，输出与所述用户信息匹配的产品。

可选地，在一具体实施例中，所述产品智能匹配装置还包括：

采集模块，用于通过网络爬虫技术，采集指定网站显示的预置格式的所有产品文档信息；

构建模块，用于对所述产品文档信息进行实体关系抽取处理，得到所述产品文档信息中各产品知识点的命名实体对象以及命名实体对象之间的实体关系；根据各产品知识点的命名实体对象，采用正则表达式识别所述产品文档信息中各命名实体对象对应的实体属性；以各产品知识点对应的命名实体对象、实体属性以及实体关系为源数据，构建基于图数据库的产品知识图谱；

创建模块，用于基于所述产品知识图谱，创建所述问题集与所述产品适配表。

可选地，在一具体实施例中，所述获取模块包括：

获取单元，用于获取每一轮对话的用户答复信息；

槽位匹配单元，用于将所述用户答复信息与预置问题集中的预设槽位进行匹配；

抽取单元，用于若所述用户答复信息与所述预设槽位匹配成功，则抽取所述预设槽位；

关联单元，用于若所述用户答复信息中存在与所述预设槽位匹配的答案信息，则将所述答案信息与所述预设槽位关联；

收集单元，用于基于所述关联结果，收集用户信息。

可选地，在一具体实施例中，所述情绪识别模块包括：

分割单元，用于将所述用户答复信息分割成多个数据区段；

判断单元，用于分别对所述数据区段进行情绪判断，得到各种情绪的程度属性数值；

情绪识别单元，用于基于所述各数据区段情绪的程度属性数值，分别确定所述数据区段的情绪标签；基于所述各数据区段的情绪标签，输出各情绪对应的情绪标签概率分布图；基于所述情绪标签概率分布图，得到所述用户情绪。

可选地，在一具体实施例中，所述意图识别模块包括：

分析单元，用于对所述用户答复信息以词为单位进行分析得到命名实体作为用户意图参数候选；

意图匹配单元，用于对所述用户答复信息进行解析，并根据预设的用户意图关键候选集逐词模糊匹配，得到意图关键词；

意图识别单元，用于基于所述意图关键词输出用户意图识别结果；基于所述用户意图识别结果和所述用户情绪，确定所述用户的购买意图。

可选地，在一具体实施例中，所述产品推荐模块包括：

格式转译单元，用于将所述用户信息转译为标签格式，生成所述用户信息对应的多个标签；

计算单元，用于若所述用户购买意图为正向意图，则基于所述标签的预设权重值，分别将所述各标签与预置产品适配表中的产品进行匹配，计算并输出各标签与对应产品的匹配得分；基于所述各标签与对应产品的匹配得分，将所述各标签与对应产品的匹配得分进行求和，得到各产品的匹配程度得分；

产品推荐单元，用于若所述产品的匹配程度得分高于预设阈值，则将所述产品标记为推荐，若否，则标记为非推荐；将标记为推荐的预设数量个产品作为推荐结果并输出。

本实施例提出的产品智能匹配方法，完善了目前市面上存在的所谓的智能保险助手业务模式和技术方面的缺陷，提供了以用户信息和用户需求为基准的产品智能匹配方法。通过网络爬虫技术采集指定网站的产品文档信息，并对产品文档信息进行加工整理，构建针对产品知识点的问题集，以供进行多轮对话收集用户信息从而避免简单的正向收集用户信息时可能造成的信息缺失或对保险理解不一致。同时，基于多个维度收集用户个性化信息，通过预设模型的知识图谱问答解决用户需求和产品匹配的问题。通过用户与产品适配模型匹配后，能进行精准的产品推荐。

基于与上述本发明产品智能匹配方法相同的实施例说明内容，因此本实施例对产品智能匹配装置的实施例内容不做过多赘述。

本发明还提供一种计算机可读存储介质。

本实施例中，所述计算机可读存储介质上存储有产品智能匹配程序，所述产品智能匹配程序被处理器执行时实现如上述任一项实施例中所述的产品智能匹配方法的步骤。其中，产品智能匹配程序被处理器执行时所实现的方法可参照本发明产品智能匹配方法的各个实施例，因此不再过多赘述。

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)中，包括若干指令用以使得一台终端(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。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本发明的保护之内。