线上会话的参考信息输出方法、装置、设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种线上会话的参考信息输出方法、装置、计算机设备及存储介质。


背景技术：

2.目前，由于智能终端的发展，线上业务办理越来越普及，业务的办理大多数以web网页、app交互或者线下人工结合线上页面方式引导客户完成业务办理流程。而单一的线上业务办理流程，客户需要面对复杂、冗长、繁琐的导航菜单和交互页面，复杂的交互逻辑对潜在客户产生了一定的准入门槛，增加了线上业务办理的操作门槛儿，从而导致客户办理线上业务办理中的操作难度较大。


技术实现要素：

3.本技术提供一种线上会话的参考信息输出方法、装置、计算机设备及存储介质，解决了现有技术中，线上会话的参考信息输出流程复杂，交互页面繁琐，从而导致客户办理线上业务办理中的操作难度大的问题。
4.第一方面，本技术实施例提供了一种线上会话的参考信息输出方法，包括：
5.在与客户端建立视频会话时，获取所述客户端的客户资料；
6.将所述客户资料中的多个属性信息进行离散化处理，得到属性信息离散值集合；
7.利用训练后的业务审核模型根据所述属性信息离散值集合创建初始审核策略，且执行所述初始审核策略向所述客户端发送初始询问信息，用于接收所述客户端返回的初始答复信息；所述初始审核策略包括至少一个由目标答复信息触发的策略更新节点；
8.若在执行所述初始审核策略的过程中，接收到所述目标答复信息，则停止执行所述初始审核策略，且利用所述训练后的业务审核模型根据所述目标答复信息创建最新审核策略；
9.执行所述最新审核策略向所述客户端发送最新询问信息，以接收所述客户端返回的最新答复信息；
10.通过所述训练后的业务审核模型根据所述最新答复信息输出会话参考信息。
11.第二方面，本技术实施例还提供了一种线上会话的参考信息输出装置，包括：
12.资料获取模块，在与客户端建立视频会话时，获取所述客户端的客户资料；
13.离散化处理模块，将所述客户资料中的多个属性信息进行离散化处理，得到属性信息离散值集合；
14.初始审核策略执行模块，利用训练后的业务审核模型根据所述属性信息离散值集合创建初始审核策略，且执行所述初始审核策略向所述客户端发送初始询问信息，用于接收所述客户端返回的初始答复信息；所述初始审核策略包括至少一个由目标答复信息触发的策略更新节点；
15.最新审核策略执行模块，若在执行所述初始审核策略的过程中，接收到所述目标
答复信息，则停止执行所述初始审核策略，且利用所述训练后的业务审核模型根据所述目标答复信息创建最新审核策略；执行所述最新审核策略向所述客户端发送最新询问信息，以接收所述客户端返回的最新答复信息；
16.结果输出模块，通过所述训练后的业务审核模型根据所述最新答复信息输出会话参考信息。
17.第三方面，本技术实施例还提供了一种计算机设备，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线上会话的参考信息输出方法的步骤。
18.第四方面，本技术实施例还提供了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线上会话的参考信息输出方法的步骤。
19.本技术提供的线上会话的参考信息输出方法、装置、计算机设备及存储介质，其中，一种线上会话的参考信息输出方法，对客户资料的属性信息进行离散化处理，根据属性信息离散值集合通过训练后的业务审核模型创建对应的初始审核策略，较少了单一的线上业务办理模式，根据接收到初始答复信息，判断触发初始审核策略中的策略更新节点，并根据触发策略更新节点的目标答复信息创建最新审核策略，从而提高了客户线上业务办理的便捷性，降低了线上业务办理中的操作难度。
附图说明
20.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例的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技术的一些实施例，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。
21.图1是本技术一实施例提供的一种线上会话的参考信息输出方法的应用环境示意图；
22.图2是本技术一实施例提供的一种线上会话的参考信息输出方法的实现流程图；
23.图3是本技术一实施例提供的一种线上会话的参考信息输出方法中步骤s30的流程图；
24.图4是本技术一实施例提供的一种线上会话的参考信息输出方法中步骤s40的流程图；
25.图5是本技术另一实施例提供的一种线上会话的参考信息输出方法中步骤s71-s72的流程图；
26.图6是本技术再一实施例提供的一种线上会话的参考信息输出方法中步骤s81-s83的流程图；
27.图7是本技术一实施例提供的线上会话的参考信息输出装置的结构示意图；
28.图8是本技术一实施例提供的计算机设备的示意图。
具体实施方式
29.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
30.本技术实施例提供的线上会话的参考信息输出方法，可应用在如图1示出的应用环境中。如图1所示，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
31.本实施例提供的线上会话的参考信息输出方法可以由服务端执行，例如，通过用户的客户端连接至服务端建立线上会话，服务端通过该视频会话，执行本实施例提供的线上会话的参考信息输出方法，进而得到预测后的会话参考信息。
32.在图1之外的一些场景中，还可以是由审核方的客户端执行该线上会话的参考信息输出方法，直接与用户的客户端进行线上会话，通过执行本实施例提供的线上会话的参考信息输出方法，得到预测后的会话参考信息，然后将该预测后的会话参考信息发送至服务端进行存储。
33.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
34.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
35.图2示出了本技术一实施例提供的线上会话的参考信息输出方法的实现流程图。如图2所示，提供一种线上会话的参考信息输出方法，其技术方案主要包括以下步骤s10-s60：
36.步骤s10、在与客户端建立视频会话时，获取所述客户端的客户资料；
37.在步骤s10中，审核方通过与客户端建立视频会话从而进行线上业务的办理，并在业务办理时，根据客户端的所提供的用户信息，检索数据库中该用户信息对应的客户资料。
38.在一实施例中，审核方可以利用网页即时通信(web real-time communication，webrtc)实现与客户端建立视频会话，其中，webrtc包括音视频的采集、编解码、网络传输、展示等功能，并且还支持跨平台，包括linux、windows、mac、android。利用webrtc技术为客户端的建立连接提高了便利性。
39.可以理解地，webrtc实现了基于网页的视频会话，标准是whatwg协议，通过浏览器提供简单的javascript就可以达到实时通讯(real-time communications(rtc))。webrtc可基于包括chrome浏览器、ie浏览器和firefox浏览器等浏览器进行视频会话，无需下载安装任何插件。
40.步骤s20、将所述客户资料中的多个属性信息进行离散化处理，得到属性信息离散
值集合；
41.在步骤s20中，客户资料中包括多个维度关于客户的属性信息，得到对应的属性信息集合，通过将各个属性信息离散化处理后，得到各个属性信息所对应的属性信息离散值，从而得到属性信息离散值集合。以减少后续会话参考信息的分类计算量，保证运算速度，提高模型对属性信息的分类聚类能力和抗噪声能力。
42.在一实施例中，通过利用独热算法(one-hot)根据多个属性信息中的元素处理为对应的属性信息离散值。在本实施例中，属性信息转换属性信息离散值的示例如下，某属性信息中包括客户性别：["男"，"女"]，按照n位状态寄存器来对n个状态进行编码的原理，该属性信息只有两个状态，所以n＝2)，处理后如下：(男
→
10)(女
→
01)；属性信息为婚姻状况：["未婚"，"已婚，"离异"](n＝3)：(未婚
→
100)(已婚
→
010)(离异
→
001)；属性信息为职业状况：["私企"，"国企"，"个体商户"，"职务人员"](n＝4)：(私企
→
1000)(国企
→
0100)(个体商户
→
0010)(职务人员
→
0001)。当一个样本为["女"，"未婚"，"职务人员"]的时候，完整的属性信息离散化结果为：[1，0，1，0，0，0，0，0，1]，其所对应的为女(01)，未婚(100)，职务人员(0001)合起来的编码。
[0043]
在另一实施例中，可以利用word2vec算法作为分词器，word2vec算法为将词语转换成词嵌入向量的算法，将属性信息中的每个字或者词语进行向量转换，将向量转换后的字符嵌入向量和词嵌入向量进行拼接，得到属性词向量，向量转换包括将字符转换成字符嵌入向量和将词语转换成词嵌入向量的转换过程，所向量文本为包括字符嵌入向量和/或词嵌入向量的向量数组。
[0044]
可以理解地，one-hot编码，又称为一位有效编码，主要是采用n位状态寄存器来对n个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。对于每一个特征，如果它有m个可能值，那么经过one-hot编码后，就变成了m个二元特征。并且，这些特征互斥，每次只有一个激活。
[0045]
步骤s30、利用训练后的业务审核模型根据所述属性信息离散值集合创建初始审核策略，且执行所述初始审核策略向所述客户端发送初始询问信息，用于接收所述客户端返回的初始答复信息；所述初始审核策略包括至少一个由目标答复信息触发的策略更新节点；
[0046]
在步骤s30中，通过训练后的业务审核模型，可提高对于该只能业务模型在线上业务审核的应用场景下，分析线上会话从而所输出会话参考信息的准确度。利用业务审核模型中的分类算法单元根据待审核客户端对应的属性信息离散值集合，创建对应的初始审核策略并执行，向客户端发送初始询问信息，并接收客户端返回的初始答复信息，用以业务审核模型输出会话参考信息。
[0047]
在一实施例中，为应对当客户端对于初始询问信息所返回的初始答复信息与客户端的属性信息不同时，基于初始审核策略中的对于审核影响所占权重较高的初始询问信息设置为策略更新节点，并策略更新节点所对应被触发的初始答复信息作为对应的目标答复信息。
[0048]
在另一实施例中，当策略更新节点未被触发时，根据初始答复信息中的多个特征，通过训练后的业务审核模型中的分类算法单元进行分类决策，从而输出会话参考信息。
[0049]
图3示出了本技术一实施例提供的一种线上会话的参考信息输出方法中步骤s30
的流程图，如图4所示，作为一个实施例，步骤s30包括：
[0050]
步骤s301、通过所述训练后的业务审核模型中的神经网络单元，基于所述属性信息离散值集合确定多个初始询问信息；
[0051]
步骤s302、根据各所述初始询问信息的权重,将一个或多个所述初始询问信息设置为所述策略更新节点，且基于多个所述初始询问信息和所述策略更新节点创建所述初始审核策略；
[0052]
步骤s303、执行所述初始审核策略向所述客户端逐一发送初始询问信息，接收所述客户端返回的初始答复信息。
[0053]
在一实施例中，通过训练后的业务审核模型中的神经网络单元基于属性信息离散值集合所对应的业务场景，并设置多个针对属性信息集合中的不同属性信息的初始询问信息，由多个初始询问信息组成初始审核策略。根据训练后的业务审核模型所测算出影响审核结果的各属性信息的权重，将高权重的属性信息所对应的初始询问信息设置为策略更新节点，其中策略更新节点可以为一个或多个。执行初始审核策略，将多个初始询问信息依次通过视频会话或文字文本发送至客户端，并对应接收客户端对各初始询问信息所返回的初始答复信息，根据初始答复信息进行业务审核。
[0054]
在一实施例中，根据客户资料中的多个属性信息不同的权重，筛选出若干个属性信息，设置对应的多个初始询问信息。示例如下，根据客户端的属性信息集合筛选出属性信息为身份信息、工作信息和信用信息，生成核实客户端的客户资料的审核策略，对应审核对话如下“您的工作单位叫什么？”，“您的工作地址在哪里？”，“您的职位以及日常工作是什么？”。
[0055]
步骤s40、若在执行所述初始审核策略的过程中，接收到所述目标答复信息，则停止执行所述初始审核策略，且利用所述训练后的业务审核模型根据所述目标答复信息创建最新审核策略。
[0056]
在步骤s40中，在业务办理的过程中资料有着滞后性，根据用户对于初始审核策略中的的答案与客户资料不尽相同时，作为目标答复信息触发策略更新节点，则停止执行初始审核策略，根据目标答复信息创建最新审核策略。
[0057]
图4示出了本技术一实施例提供的一种线上会话的参考信息输出方法中步骤s40的流程图，如图4所示，作为一个实施例，步骤s40包括：
[0058]
步骤s401、当接收到所述客户端对应的初始答复信息时，通过语音识别技术将所述初始答复信息转化为对应的客户答复文本；
[0059]
步骤s402、将所述客户答复文本通过语音识别技术提取业务关键词进行离散化，输入所述训练后的业务审核模型；
[0060]
步骤s403、当所述训练后的业务审核模型接收到所述客户端对于所述策略更新节点返回的所述目标答复信息时，根据所述目标答复信息对应的所述属性信息，确认所述目标答复信息是否处于所述策略更新节点的触发条件；
[0061]
步骤s404、若所述目标答复信息处于所述策略更新节点的触发条件，则停止执行所述初始审核策略；.
[0062]
步骤s405、利用所述训练后的业务审核模型根据所述目标答复信息创建最新审核策略。
[0063]
在一实施例中，将高权重的属性信息所对应的初始询问信息设置为策略更新节点，并根据属性信息设置策略更新节点的触发条件，当所收到的目标答复信息不为原属性信息对应的含义，就是策略更新节点的触发条件。例如某一业务对于职业的属性信息对业务审核影响所占比重较大，将属性信息为“职位信息”设置为策略更新节点，客户资料中的该属性信息为“软件工程师”。当策略更新节点针对属性信息为“职位信息”进行询问时，所接收的目标答复信息不为“软件工程师”而是“平面设计师”的时候，则停止执行所述初始审核策略，且神经网络单元根据“职位信息”为“平面设计师”时的场景，结合客户资料生成最新审核策略。
[0064]
在一实施例中，接收客户端返回的初始答复信息，并通过语音识别技术将所述初始答复信息转化为对应的客户答复文本，提取业务关键词进行离散化后，输入训练后的业务审核模型，当接收到客户端对于策略更新节点返回的目标答复信息时，根据目标答复信息对应的属性信息，确认目标答复信息是否处于策略更新节点的触发条件，若目标答复信息处于策略更新节点的触发条件，则停止执行初始审核策略。当接收到客户端不为对策略更新节点的答复时，等待初始策略执行完成后，将离散化后的多个初始答复信息输入训练后的业务审核模型中的分类算法单元进行分类决策。
[0065]
在一实施例中，业务审核模型交互方式如下示例如下，向客户端发送对话“您的职位以及日常工作是什么”，其发送的方式包括语音播放和文字显示。初始答复信息按照客户资料“职位信息：前端工程师，工作内容：负责前端开发”，该初始答复信息中，应该包括“前端、前端开发”两个关键词，。若答复内容为“我是搞前端的，平常进行前端开发”，将初始答复信息的语音通过语音识别技术转化为客户答复文本，并提取业务关键词进行离散化，输入所述训练后的业务审核模型中的神经网络单元，该答复的语义与答复条件相同，符合原审核对话的答复条件；若答复内容为“我的职位是设计师，工作内容为海报设计”，业务审核模型通过分析可知该答复内容不符合原审核对话的答复条件。
[0066]
可以理解地，所述语音识别技术(automatic speech recognition，asr)就是把语音信号转变为相应的文本的技术，通过语音识别技术可以将所述通话音频文件转换成文本内容，即对通话音频文件进行信号处理后，按帧(毫秒级)拆分出预设段的波形，并对拆分出的预设段波形按照人耳特征转换成多维向量信息，将转换后的多维向量信息进行识别出状态信息，在将状态信息组合成音素，最后将音素组成字词并串连成句的技术，识别过程为运用所述语音识别技术识别所述通话音频文件中音频包含的文本内容的过程，经过识别之后输出客户答复文本，客户答复文本为所述通话音频文件中的文本内容。
[0067]
步骤s50、执行所述最新审核策略向所述客户端发送最新询问信息，以接收所述客户端返回的最新答复信息；
[0068]
在步骤s50中，针对策略更新节点已被触发，执行根据目标答复信息和客户资料创建的最新审核策略，向客户端发送最新询问信息，从而达到灵活应对客户端的业务的办理。
[0069]
作为一个实施例，步骤s50包括：
[0070]
步骤s51、执行所述最新审核策略，将所述最新审核策略中的多个最新询问信息逐一发送至所述客户端；
[0071]
步骤s52、接收最新答复信息，基于多个所述最新答复信息进行业务审核。
[0072]
在一实施例中，执行所述最新审核策略将多个最新询问信息逐一发送至客户端，
并接收客户端返回的最新答复信息，当接收到客户端对应的最新答复信息时，通过语音识别技术将所述最新答复信息转化为对应的客户答复文本，并提取业务关键词进行离散化，输入所述训练后的业务审核模型中的神经网络单元进行业务审核，从而输出会话参考信息。
[0073]
步骤s60、通过所述训练后的业务审核模型根据所述最新答复信息输出会话参考信息。
[0074]
在步骤s60中，当客户端完成业务审核模型所提出的最新询问信息后，将离散化后的多个最新答复信息输入训练后的业务审核模型中的分类算法单元进行分类决策，并输出会话参考信息。
[0075]
在一实施例中，会话参考信息是客户端进行线上业务办理时的各最新答复信息通过训练后的分类算法单元进行的分类决策，从而得到的分类决策结果提供给业务审核人员，审核人员根据会话参考信息中的建议，对客户端的用户进行业务办理的最终决策，也可以直接使服务器根据会话参考信息进行下一流程。其中，分类算法单元可以为随机森林算法，通过训练后的分类算法单元，提高在该业务场景下，根据多个最新答复信息分类决策的准确性。
[0076]
在另一实施例中，对于未触发策略更新节点的多个初始答复信息，通过多个初始答复信息利用训练后的分类算法单元进行的分类决策，并输出会话参考信息，从而得到的分类决策结果提供给业务审核人员。
[0077]
可以理解地，随机森林算法(random forest，rf)为一种利用多个决策树对样本进行训练并预测的一种分类算法，它属于bagging类型，通过组合多个弱分类器，最终结果通过投票或取均值，使得整体模型的结果具有较高的精确度和泛化性能。其可以取得不错成绩，主要归功于“随机”和“森林”，一个使它具有抗过拟合能力，一个使它更加精准。
[0078]
图5是本技术另一实施例提供的一种线上会话的参考信息输出方法的流程图。如图5所示，与图2示出的实施例不同的是，在步骤s10、在与客户端建立视频会话时，获取所述客户端的客户资料的步骤之前还包括步骤s71～s72，具体地：
[0079]
步骤s71、根据所接收的客户端的连接请求建立视频通话连接，向客户端发送办理确认请求；所述办理确认请求包括办理意愿确认和身份信息确认。
[0080]
在步骤s71中，当接受到客户端的连接请求时，获取服务器中的客户资料，确认后建立与客户端的视频连接，并进行线上业务审查。通过向客户端发送办理确认请求，再次确定客户端的身份，以及线上业务审查的办理意愿。
[0081]
其中，所述连接请求包括用户的业务办理请求，所述办理确认请求包括办理意愿确认和身份信息确认。
[0082]
在一实施例中，办理确认请求可以通过语音播报的形式发送至客户端，也可以通过文本形式发送至客户端。
[0083]
在一实施例中，用户的客户资料包括用户的人物面部资料和人物声纹资料，通过该客户资料可以较为准确地识别用户，增加业务办理的安全性。用户的客户资料还包括身份信息、信用信息和工作信息等，用于常见金融业务的办理。
[0084]
步骤s72、接收客户端的办理答复信息，并根据所述办理答复信息中的人物认证视频比对数据库中的人物信息进行确认，当所述人物信息确认后，建立所述业务审核模型与
所述客户端的业务办理视频对话。
[0085]
在步骤s72中，客户端在接收到办理确认请求后，按照要求通过视频的方式录入生物特征后，作为办理答复信息对办理确认请求进行回复。确认接收到客户端的第一确定请求回复信息是否符合要求，将符合要求的第一确定请求回复信息中的人物认证视频进行核对，基于用户的客户资料核对人物认证视频的语音声纹和人物面部图像，核对成功后业务审核模型与客户端的用户进行业务视频对话。
[0086]
作为一个实施例，步骤s72包括：
[0087]
步骤s721、根据所述人物认证视频的语音声纹和人物面部图像，与基于所述办理确认请求所匹配的数据库中的人物信息进行比对；
[0088]
步骤s722、当所述人物认证视频的语音声纹和人物面部图像与所述人物信息相匹配时，建立所述业务审核模型与所述客户端的业务办理视频对话；
[0089]
步骤s723、当所述人物认证视频的语音声纹和人物面部图像与所述人物信息不相匹配时，拒绝本次业务办理。
[0090]
在一实施例中，基于客户端的客户资料利用声纹识别技术核对人物认证视频的语音声纹，通过对人物认证视频中的语音进行声纹识别，得到人物认证视频中的语音声纹，并调用该客户端客户资料中的人物声纹资料进行比对，判断人物认证视频中是否为该客户端的声音，进而判断是否为客户端本人。还基于客户端的客户资料利用人脸识别技术核对人物认证视频的人物面部图像，通过调用该客户端客户资料中的人物面部资料与人物认证视频的人物面部图像进行比对，判断人物认证视频中的人物是否为客户端本人。
[0091]
在另一实施例中，基于人物认证视频中的语音结合人物认证视频的人物面部图像进行进一步判断。首先，通过语音识别技术识别人物认证视频中语音所讲的文字信息，利用文字信息中的每个文字在人物进行讲话时所对应的人物面部图像的表情，匹配人物认证视频中客户端讲话时每个字体所对应的人物面部图像，进而判断人物认证视频中的人物是否为客户端本人。
[0092]
在再一实施例中，在业务办理过程中，要保证视频中人始终为本人亲自办理，所以需要对视频中的人物面部图像进行对比，常见的方法是通过对比对话中人物面部图像对应的口型变化和表情变化。通过输入多个视频对话样本对业务审核模型的神经网络进行训练，学习对话中人物面部图像对应的口型变化和表情变化，并根据多个样本进行纠正，以提高识别的准确率。
[0093]
可以理解地，声纹识别为生物识别技术的一种，其原理为语音信号通过音频采集设备进入系统，进行端点检测和噪声消除等环节，端点检测环节对输入的音频流进行分析，自动删除音频中静音或非人声等无效部分，保留有效语音后进行特征提取阶段，从说话人的语音信号中提取出能够表征说话人特定器官结构或行为习惯的频谱特征参数。该特征参数对同一说话人具有相对稳定性，不随时间或环境变化而变化，对同一说话人的不同话语一致，具有不易模仿性和较强的抗噪性。
[0094]
可以理解地，人脸识别同样为生物识别技术的一种，用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，利用分析比较人脸视觉特征信息进行身份鉴别。
[0095]
图6是本技术另一实施例提供的一种线上会话的参考信息输出方法的流程图。如
图6所示，与图2示出的实施例不同的是，在步骤s10、利用训练后的业务审核模型根据所述属性信息离散值集合创建初始审核策略，基于所述初始审核策略对所述客户端进行业务审核的步骤之前还包括步骤s81～s83，具体地：
[0096]
步骤s81、获取往期离散化后的多个业务样本作为业务样本集合；
[0097]
步骤s82、将所述业务样本集合输入所述业务审核模型，通过所述业务审核模型中的分类算法单元，测算各个所述属性信息在审核中所占权重；
[0098]
步骤s83、将所述业务样本集合输入所述业务审核模型中的神经网络单元，训练所述神经网络单元，得到训练后的业务审核模型；其中，所述训练后的业务审核模型用于根据多个客户资料创建相应的审核策略。
[0099]
在一实施例中，利用业务样本集合输入所述业务审核模型进行预先训练，所述业务审核模型基于神经网络单元学习业务样本集合中的对话情景；所述对话情景包括针对用户不同的初始答复信息，业务样本集合中的审核策略调整方式。获取该业务的人工办理历史记录作为业务样本集合，通过将多个业务样本集合输入所述业务审核模型进行预先训练，通过该预先训练可以提高业务审核模型在业务办理的对话场景下应用的准确率。
[0100]
在一实施例中，通过利用随机森林算法作为分类算法单元，其中随机森林算法中的多个决策树，通过输入业务样本集合进行信息增益/熵减，通过信息增益/熵减的量化，我们可以一定程度上评估决策树分裂的收益大小，通过最大化信息增益，同时测算出业务样本集合中不同属性信息的在决策中所占权重。同时将业务样本集合分为正业务样本集合和负业务样本集合，输入分类算法单元根据正业务样本集合和负业务样本集合中的属性信息，进行分类决策的训练。
[0101]
在一实施例中，神经网络包括但不限于循环神经网络、递归神经网络和卷积神经网络，主要用于学习该场景下，结合自然语言处理模块处理与客户的沟通，训练后的神经网络可以将该场景下的用户问题转译为信息，从而作为合适的回应。
[0102]
可以理解地，神经网络(neural network，nn)全程一般为人工神经网络(artificial neural network，ann)，是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
[0103]
在一实施例中，提供一种线上会话的参考信息输出装置，该线上会话的参考信息输出装置与上述实施例中线上会话的参考信息输出方法一一对应。如图7所示，该线上会话的参考信息输出装置包括资料获取模块11、离散化处理模块12、初始审核策略执行模块13、最新审核策略执行模块14和结果输出模块15，各功能模块详细说明如下：
[0104]
资料获取模块11，在与客户端建立视频会话时，获取所述客户端的客户资料；
[0105]
离散化处理模块12，将所述客户资料中的多个属性信息进行离散化处理，得到属性信息离散值集合；
[0106]
初始审核策略执行模块13，利用训练后的业务审核模型根据所述属性信息离散值集合创建初始审核策略，且执行所述初始审核策略向所述客户端发送初始询问信息，用于接收所述客户端返回的初始答复信息；所述初始审核策略包括至少一个由目标答复信息触
发的策略更新节点；
[0107]
最新审核策略执行模块14，若在执行所述初始审核策略的过程中，接收到所述目标答复信息，则停止执行所述初始审核策略，且利用所述训练后的业务审核模型根据所述目标答复信息创建最新审核策略；执行所述最新审核策略向所述客户端发送最新询问信息，以接收所述客户端返回的最新答复信息；
[0108]
结果输出模块15，通过所述训练后的业务审核模型根据所述最新答复信息输出会话参考信息。
[0109]
关于线上会话的参考信息输出装置的具体限定可以参见上文中对于线上会话的参考信息输出方法的限定，在此不再赘述。上述线上会话的参考信息输出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。
[0110]
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客户端或者服务端，其内部结构图可以如图8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可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为可读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一种线上会话的参考信息输出方法。
[0111]
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上述实施例中线上会话的参考信息输出方法。
[0112]
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上述实施例中线上会话的参考信息输出方法。
[0113]
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，本技术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。
[0114]
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。
[0115]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实
施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。