基于人工智能的客户筛选方法、装置、电子设备及介质与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于人工智能的客户筛选方法、装置、电子设备及介质。


背景技术：

2.随着产品种类日益繁多，营销人员对应的客户类型复杂，如何管理客户群体成为了一个技术难题，现有技术一般采用机器学习客户上传的个人信息或者资料进行客户分类管理。
3.然而，机器学习的数据中未考虑到客户个人与他人之间的互动信息，例如，群体聊天信息等，机器学习的数据单一，完整性差，无法准确的进行客户分类，导致客户筛选的准确率低。


技术实现要素：

4.鉴于以上内容，有必要提出一种基于人工智能的客户筛选方法、装置、电子设备及介质，通过对待分类客户进行分类，基于分类结果筛选出目标客户，提高了客户筛选的准确率。
5.本发明的第一方面提供一种基于人工智能的客户筛选方法，所述方法包括：
6.响应于接收的客户筛选请求，获取推荐产品类别及待分类客户的特征集；
7.基于所述推荐产品类别，从预设的多个第一数据源中提取第一特征集，及从预设的多个第二数据源中提取第二特征集；
8.基于所述第一特征集和所述第二特征集训练神经网络模型，得到分类模型；
9.采用所述分类模型对所述待分类客户进行分类，得到分类结果；
10.基于所述分类结果，从所述待分类客户中筛选出目标客户。
11.可选地，所述从预设的多个第一数据源中提取第一特征集包括：
12.根据所述推荐产品类别确定预设的多个第一数据源；
13.识别每个所述第一数据源的第一接口和第二接口；
14.调用每个第一数据源的第一接口获取第一样本集，及调用每个第一数据源的第二接口获取第二样本集；
15.将所述多个第一数据源的多个第一样本集和多个第二样本集确定为第一特征集。
16.可选地，所述从预设的多个第二数据源中提取第二特征集包括：
17.根据所述推荐产品类别确定预设的多个第二数据源；
18.识别每个所述第二数据源的第三接口；
19.通过所述第三接口，采用爬虫技术从对应第二数据源中爬取互动信息；
20.将所述互动信息中的音频对话转换为第一文本；
21.采用实体识别算法对所述第一文本进行实体识别，得到第二文本；
22.根据互动信息的互动时间，将所述第一文本和所述第二文本进行合并，得到第三
文本；
23.对所述第三文本进行依存句法分析，根据所述依存句法分析的结果抽取对应句子的句子主干，得到第四文本；
24.识别所述第四文本中的指代关系，基于识别得到的指代关系对所述第四文本进行指代消解处理，得到第五文本；
25.将所述第五文本输入至预先训练好的bert模型中，得到第二特征集。
26.可选地，所述采用所述分类模型对所述待分类客户进行分类，得到分类结果包括：
27.将所述待分类客户的特征集输入至所述分类模型的第一个全连接层中，提取第一特征集；
28.将所述第一特征集映射至归一化层，接收所述归一化层输出的第二特征集，及将所述第一特征集映射至dropout层，接收所述dropout层输出的第三特征集；
29.将所述第二特征集输入至第二个全连接层中，输出第四特征集，及将所述第三特征集输入至第三个全连接层中，输出第五特征集；
30.将所述第四特征集和所述第五特征集输入至包含有多个神经元的卷积层中，得到每个待分类客户的多个类别；
31.基于softmax层，得到所述多个类别对应的概率值，将所述多个类别对应的概率值确定为每个待分类客户的分类结果。
32.可选地，所述基于所述分类结果，从所述待分类客户中筛选出目标客户包括：
33.从所述分类结果中获取每个待分类客户的多个类别对应的概率值；
34.将每个类别对应的概率值与对应类别的概率阈值进行比较；
35.保留概率值大于或者等于对应类别的概率阈值的类别确定为每个待分类客户的目标类别；
36.将相同目标类别的待分类客户划分为一个集合；
37.按照预设的筛选规则，从每个集合中筛选出目标客户。
38.可选地，所述基于所述分类结果，从所述待分类客户中筛选出目标客户包括：
39.从所述分类结果中获取每个待分类客户的多个类别对应的概率值，并选取概率最大的类别作为每个待分类客户的目标类别；
40.将相同目标类别的待分类客户划分为一个集合；
41.按照预设的筛选规则，从每个集合中筛选出目标客户。
42.可选地，所述方法还包括：
43.识别所述目标客户的客户类型；
44.当所述目标客户的客户类型为询价客户时，获取所述目标客户的分类结果，从所述分类结果中提取所述目标客户的多个类别及每个类别对应的概率值；基于所述多个类别的多个概率值生成产品推荐策略，并根据所述产品推荐策略对所述目标客户执行产品推荐；
45.当所述目标客户的客户类型不为询价客户时，识别所述目标客户对应目标类别的概率值；在预设的产品库中选取出所述概率值对应的产品推荐策略；基于所述产品推荐策略对所述目标客户执行产品推荐。
46.本发明的第二方面提供一种基于人工智能的客户筛选装置，所述装置包括：
47.获取模块，用于响应于接收的客户筛选请求，获取推荐产品类别及待分类客户的特征集；
48.提取模块，用于基于所述推荐产品类别，从预设的多个第一数据源中提取第一特征集，及从预设的多个第二数据源中提取第二特征集；
49.训练模块，用于基于所述第一特征集和所述第二特征集训练神经网络模型，得到分类模型；
50.分类模块，用于采用所述分类模型对所述待分类客户进行分类，得到分类结果；
51.筛选模块，用于基于所述分类结果，从所述待分类客户中筛选出目标客户。
52.本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的基于人工智能的客户筛选方法。
53.本发明的第四方面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计算机程序，所述计算机程序被处理器执行时实现所述的基于人工智能的客户筛选方法。
54.综上所述，本发明所述的基于人工智能的客户筛选方法、装置、电子设备及介质，能够推动智慧城市的建设，应用于智慧建筑、智慧安防、智慧社区、智慧生活、物联网等领域，基于所述推荐产品类别，从预设的多个第一数据源中提取第一特征集，及从预设的多个第二数据源中提取第二特征集，在进行特征集提取时，从询价客户、历史询价过且已承保的客户及客户的实际意图三个维度进行了考虑，确保了提取的特征集的客观性和完整性，后续在进行客户筛选时，采用提取的特征集训练的分类模型进行客户筛选，提高了客户筛选的准确率。采用训练好的分类模型对所述待分类客户的特征集中的待分类客户进行类别预测，并基于预测结果，从所述待分类客户中筛选出目标客户，在进行目标客户筛选时，通过将每个待分类客户的每个类别对应的概率值与对应类别的概率阈值进行比较，初步筛选掉不满足概率阈值的待分类客户，减少了待分类客户的数量，提高了待分类客户的筛选效率。
附图说明
55.图1是本发明实施例一提供的基于人工智能的客户筛选方法的流程图。
56.图2是本发明实施例二提供的基于人工智能的客户筛选装置的结构图。
57.图3是本发明实施例三提供的电子设备的结构示意图。
具体实施方式
58.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
59.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
60.实施例一
61.图1是本发明实施例一提供的基于人工智能的客户筛选方法的流程图。
62.在本实施例中，所述基于人工智能的客户筛选方法可以应用于电子设备中，对于需要进行基于人工智能的客户筛选的电子设备，可以直接在电子设备上集成本发明的方法所提供的基于人工智能的客户筛选的功能，或者以软件开发工具包(software development kit，sdk)的形式运行在电子设备中。
63.本发明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。
64.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。
65.如图1所示，所述基于人工智能的客户筛选方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
66.101，响应于接收的客户筛选请求，获取推荐产品类别及待分类客户的特征集。
67.本实施例中，针对营销领域，特别是保险领域，保险种类繁多，同时不断的更新和升级，为了更好的维护客户群体及产品推荐，通过不断的发送客户筛选请求，筛选出高品质客户和潜在客户。
68.本实施例中，当电子设备接收到客户筛选请求时，解析所述客户筛选请求，获取客户筛选请求报文，从所述报文中获取推荐产品类别和待分类客户的特征集，例如，所述推荐产品类别可以包含有一种或者多种，推荐产品类别可以为重疾险、意外险等；所述待分类客户的特征集中包含有待分类客户的性别、年龄、地址、籍贯、购买产品名称、购买产品意愿等。
69.102，基于所述推荐产品类别，从预设的多个第一数据源中提取第一特征集，及从预设的多个第二数据源中提取第二特征集。
70.本实施例中，不同的领域包含的特征集不同，例如，针对保险领域，所述特征集中包含有客户的基本信息、询价信息及承保产品信息，其中，所述客户的基本信息可以包括性别、年龄、地址、籍贯、职业等；客户的询价信息可以包括询价产品、价格、产品保期时长、询价次数、产品类别(一级类别、二级类别、三级类别，类别属于关系)、询价购买意向程度等；所述客户的承保产品信息可以包括客户询价信息、承保时间间隔等。
71.本实施例中，预设的多个第一数据源可以为保险平台、与保险平台关联的第三方平台等，具体地，第一数据源为客户上传的个人信息或者资料的平台。
72.在一个可选的实施例中，所述从预设的多个第一数据源中提取第一特征集包括：
73.根据所述推荐产品类别确定预设的多个第一数据源；
74.识别每个所述第一数据源的第一接口和第二接口；
75.调用每个第一数据源的第一接口获取第一样本集，及调用每个第一数据源的第二接口获取第二样本集；
76.将所述多个第一数据源的多个第一样本集和多个第二样本集确定为第一特征集。
77.本实施例中，所述第一接口是指获取询价客户的数据对应的接口；所述第二接口
是指获取历史询价过且已承保的客户的数据对应的接口。
78.在一个可选的实施例中，所述从预设的多个第二数据源中提取第二特征集包括：
79.根据所述推荐产品类别确定预设的多个第二数据源；
80.识别每个所述第二数据源的第三接口；
81.通过所述第三接口，采用爬虫技术从对应第二数据源中爬取互动信息；
82.将所述互动信息中的音频对话转换为第一文本；
83.采用实体识别算法对所述第一文本进行实体识别，得到第二文本；
84.根据互动信息的互动时间，将所述第一文本和所述第二文本进行合并，得到第三文本；
85.对所述第三文本进行依存句法分析，根据所述依存句法分析的结果抽取对应句子的句子主干，得到第四文本；
86.识别所述第四文本中的指代关系，基于识别得到的指代关系对所述第四文本进行指代消解处理，得到第五文本；
87.将所述第五文本输入至预先训练好的bert模型中，得到第二特征集。
88.本实施例中，第二数据源为客户个人与他人之间的互动信息平台，例如，可以为a群聊平台，每个第二数据源对应一个数据获取接口，即第三接口。
89.本实施例中，通过所述互动信息平台发送互动信息，所述互动信息中可以包含有以下一种或者多种组合：音频对话；文本对话，具体地，根据所述互动信息平台中的互动信息可以确定客户的实际意图，所述实际意图可以为客户偏好的产品或者客户期望的产品，将具有实际意图的上述客户也可以确定为询价客户。
90.本实施例中，所述实体识别是指采用实体识别算法识别出所述第一文本中的实体，具体地，所述实体可以为名词、动词等，例如，针对音频对话中的客户需求信息识别过程中，若产品的种类比较繁多，并且产品的名称比较相近，为了避免在客户需求信息识别过程中将产品名称混淆，需要对所述第一文本进行实体识别，每个实体代表一个产品的名称，提高了文本识别的准确率；所述句子主干抽取是指将第三文本中的每个句子，根据依存句法分析结果进行句子主干抽取；所述指代消解处理是指将所述第四文本中具有相同指代关系的名词、代词和零代词中至少一种进行消解，从而使具有相同指代关系的成分可以采用统一的表达方式，例如，上一句：“我最近想要购买m产品”，当前句：“该产品具有什么功效”，基于对话上下文确定上一句与当前句的指代关系，将当前句“该产品具有什么功效”进行指代消解处理后得到“m产品具有什么功效”，使得语义信息更加的清晰。
91.本实施例中，可以预先训练bert模型，采用bert模型采集特征集为现有技术，本实施例在此不做详述。
92.本实施例中，在进行特征集提取时，从询价客户、历史询价过且已承保的客户及客户的实际意图三个维度进行了考虑，确保了提取的特征集的客观性和完整性，后续在进行客户筛选时，采用提取的特征集训练的分类模型进行客户筛选，提高了客户筛选的准确率。
93.103，基于所述第一特征集和所述第二特征集训练神经网络模型，得到分类模型。
94.本实施例中，所述神经网络模型可以为深度学习神经网络模型，通过第一特征集和第二特征集训练神经网络模型，得到分类模型。
95.具体地，在进行神经网络模型训练时，特征输入层按照询价客户的特征维度设计，
特征输入层与具有256个神经元的第一个全连接层相连接，并采用relu函数做为激活函数；归一化层和dropout层分别与第一个全连接层连接，通过使用归一化层和dropout层可以防止分类模型过拟合，其中，dropout参数设置为0.5；接着归一化层与具有128个神经元的第二个全连接层连接，dropout层与具有64个神经元第三个全连接层连接，均采用relu函数作为激活函数，以完成对数据特征的进一步抽象表示；第二个全连接层和第三个全连接层与包含有多个神经元的卷积层进行连接，决定每个客户所属的预测类别，softmax函数会输出客户对应预测类别的概率。
96.本实施例中，通过使用归一化层和dropout层可以防止分类模型过拟合，提高了训练得到的分类模型的准确率，同时通过设置包含有多个神经元的卷积层输出多个类别的概率值，后续进行客户筛选时，可以根据输出的多个类别的概率值进行二次筛选，提高了客户筛选的准确率。
97.104，采用所述分类模型对所述待分类客户进行分类，得到分类结果。
98.本实施例中，训练好分类模型之后，将待分类客户的特征集输入至训练好的分类模型中，对待分类客户进行分类，得到每个待分类客户所属的预测类别，便于后续根据每个待分类客户所属的预测类别进行客户筛选，例如，预测类别可以为预测购买a产品的概率值0.9、购买b产品的概率值0.5、购买c产品的概率值0.2等。
99.在一个可选的实施例中，所述采用所述分类模型对所述待分类客户进行分类，得到分类结果包括：
100.将所述待分类客户的特征集输入至所述分类模型的第一个全连接层中，提取第一特征集；
101.将所述第一特征集映射至归一化层，接收所述归一化层输出的第二特征集，及将所述第一特征集映射至dropout层，接收所述dropout层输出的第三特征集；
102.将所述第二特征集输入至第二个全连接层中，输出第四特征集，及将所述第三特征集输入至第三个全连接层中，输出第五特征集；
103.将所述第四特征集和所述第五特征集输入至包含有多个神经元的卷积层中，得到每个待分类客户的多个类别；
104.基于softmax层，得到所述多个类别对应的概率值，将所述多个类别对应的概率值确定为每个待分类客户的分类结果。
105.本实施例中，通过分类模型输出待分类客户的预测类别，便于后续采用预测类别进行客户筛选。
106.105，基于所述分类结果，从所述待分类客户中筛选出目标客户。
107.本实施例中，分类模型输出的每个待分类客户包含有多个预测类别，基于所述多个预测类别确定出每个待分类客户的最优类别，再根据所述最优类别从多个待分类客户中筛选出优质客户，即目标客户，所述目标客户可以为一个或者多个。
108.在一个可选的实施例中，所述基于所述分类结果，从所述待分类客户中筛选出目标客户包括：
109.从所述分类结果中获取每个待分类客户的多个类别对应的概率值，并选取概率最大的类别作为每个待分类客户的目标类别；
110.将相同目标类别的待分类客户划分为一个集合；
111.按照预设的筛选规则，从每个集合中筛选出目标客户。
112.本实施例中，可以预先设置筛选规则，筛选规则可以为从相同目标类别对应的待分类客户中筛选出概率值较大的多个待分类客户。
113.本实施例中，通过从所述相同目标类别中筛选出目标客户，更加具有针对性，提高了筛选的目标客户的准确率。
114.在其他可选的实施例中，所述基于所述分类结果，从所述待分类客户中筛选出目标客户包括：
115.从所述分类结果中获取每个待分类客户的多个类别对应的概率值；
116.将每个类别对应的概率值与对应类别的概率阈值进行比较；
117.保留概率值大于或者等于对应类别的概率阈值的类别确定为每个待分类客户的目标类别；
118.将相同目标类别的待分类客户划分为一个集合；
119.按照预设的筛选规则，从每个集合中筛选出目标客户。
120.本实施例中，在进行目标客户筛选时，通过将每个待分类客户的每个类别对应的概率值与对应类别的概率阈值进行比较，初步筛选掉不满足概率阈值的待分类客户，减少了待分类客户的数量，提高了待分类客户的筛选效率。
121.进一步地，所述方法还包括：
122.识别所述目标客户的客户类型；
123.当所述目标客户的客户类型为询价客户时，获取所述目标客户的分类结果，从所述分类结果中提取所述目标客户的多个类别及每个类别对应的概率值；基于所述多个类别的多个概率值生成产品推荐策略，并根据所述产品推荐策略对所述目标客户执行产品推荐。
124.进一步地，所述基于所述多个类别的多个概率值生成产品推荐策略包括：
125.获取每个所述类别对应的询价产品，及与所述询价产品相似的相似产品；
126.在预设的产品库中选取出所述询价产品的概率值对应的第一产品推荐策略和所述相似产品对应的第二产品推荐策略；
127.将所述第一产品推荐策略和所述第二产品推荐确定为所述目标客户的产品推荐策略。
128.本实施例中，所述产品推荐策略预先存储在产品库中，每种产品对应的概率值不同，对应的产品推荐策略也不同，具体地，第一产品推荐策略为所述目标客户的每个所述类别对应的询价产品的概率值对应的产品推荐策略；第二产品推荐策略为与所述询价产品相似的相似产品对应的产品推荐策略。
129.本实施例中，当目标客户的客户类型为询价客户时，确定所述目标客户未购买过该询价产品，需要分析所述目标客户询价的所有询价产品，及与每个询价产品相似的相似产品，根据所有询价产品及所有相似产品对应的产品推荐策略执行产品推荐，提高了产品推荐的效率及准确率。
130.进一步地，所述识别所述目标客户的客户类型还包括：
131.当所述目标客户的客户类型不为询价客户时，识别所述目标客户对应目标类别的概率值；
132.在预设的产品库中选取出所述概率值对应的产品推荐策略；
133.基于所述产品推荐策略对所述目标客户执行产品推荐。
134.本实施例中，根据所述目标客户对应类别的概率值，从所述产品库中识别出与对应类别的概率值相匹配的产品及产品推荐策略，提高了产品推荐的准确率和效率。
135.综上所述，本实施例所述的基于人工智能的客户筛选方法，基于所述推荐产品类别，从预设的多个第一数据源中提取第一特征集，及从预设的多个第二数据源中提取第二特征集，在进行特征集提取时，从询价客户、历史询价过且已承保的客户及客户的实际意图三个维度进行了考虑，确保了提取的特征集的客观性和完整性，后续在进行客户筛选时，采用提取的特征集训练的分类模型进行客户筛选，提高了客户筛选的准确率。采用训练好的分类模型对所述待分类客户的特征集中的待分类客户进行类别预测，并基于预测结果，从所述待分类客户中筛选出目标客户，在进行目标客户筛选时，通过将每个待分类客户的每个类别对应的概率值与对应类别的概率阈值进行比较，初步筛选掉不满足概率阈值的待分类客户，减少了待分类客户的数量，提高了待分类客户的筛选效率。
136.实施例二
137.图2是本发明实施例二提供的基于人工智能的客户筛选装置的结构图。
138.在一些实施例中，所述基于人工智能的客户筛选装置20可以包括多个由程序代码段所组成的功能模块。所述基于人工智能的客户筛选装置20中的各个程序段的程序代码可以存储于电子设备的存储器中，并由所述至少一个处理器所执行，以执行(详见图1描述)基于人工智能的客户筛选的功能。
139.本实施例中，所述基于人工智能的客户筛选装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块201、提取模块202、训练模块203、分类模块204、筛选模块205及识别模块206。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
140.获取模块201，用于响应于接收的客户筛选请求，获取推荐产品类别及待分类客户的特征集。
141.本实施例中，针对营销领域，特别是保险领域，保险种类繁多，同时不断的更新和升级，为了更好的维护客户群体及产品推荐，通过不断的发送客户筛选请求，筛选出高品质客户和潜在客户。
142.本实施例中，当电子设备接收到客户筛选请求时，解析所述客户筛选请求，获取客户筛选请求报文，从所述报文中获取推荐产品类别和待分类客户的特征集，例如，所述推荐产品类别可以包含有一种或者多种，推荐产品类别可以为重疾险、意外险等；所述待分类客户的特征集中包含有待分类客户的性别、年龄、地址、籍贯、购买产品名称、购买产品意愿等。
143.提取模块202，用于基于所述推荐产品类别，从预设的多个第一数据源中提取第一特征集，及从预设的多个第二数据源中提取第二特征集。
144.本实施例中，不同的领域包含的特征集不同，例如，针对保险领域，所述特征集中包含有客户的基本信息、询价信息及承保产品信息，其中，所述客户的基本信息可以包括性别、年龄、地址、籍贯、职业等；客户的询价信息可以包括询价产品、价格、产品保期时长、询
价次数、产品类别(一级类别、二级类别、三级类别，类别属于关系)、询价购买意向程度等；所述客户的承保产品信息可以包括客户询价信息、承保时间间隔等。
145.本实施例中，预设的多个第一数据源可以为保险平台、与保险平台关联的第三方平台等，具体地，第一数据源为客户上传的个人信息或者资料的平台。
146.在一个可选的实施例中，所述提取模块202从预设的多个第一数据源中提取第一特征集包括：
147.根据所述推荐产品类别确定预设的多个第一数据源；
148.识别每个所述第一数据源的第一接口和第二接口；
149.调用每个第一数据源的第一接口获取第一样本集，及调用每个第一数据源的第二接口获取第二样本集；
150.将所述多个第一数据源的多个第一样本集和多个第二样本集确定为第一特征集。
151.本实施例中，所述第一接口是指获取询价客户的数据对应的接口；所述第二接口是指获取历史询价过且已承保的客户的数据对应的接口。
152.在一个可选的实施例中，所述提取模块202从预设的多个第二数据源中提取第二特征集包括：
153.根据所述推荐产品类别确定预设的多个第二数据源；
154.识别每个所述第二数据源的第三接口；
155.通过所述第三接口，采用爬虫技术从对应第二数据源中爬取互动信息；
156.将所述互动信息中的音频对话转换为第一文本；
157.采用实体识别算法对所述第一文本进行实体识别，得到第二文本；
158.根据互动信息的互动时间，将所述第一文本和所述第二文本进行合并，得到第三文本；
159.对所述第三文本进行依存句法分析，根据所述依存句法分析的结果抽取对应句子的句子主干，得到第四文本；
160.识别所述第四文本中的指代关系，基于识别得到的指代关系对所述第四文本进行指代消解处理，得到第五文本；
161.将所述第五文本输入至预先训练好的bert模型中，得到第二特征集。
162.本实施例中，第二数据源为客户个人与他人之间的互动信息平台，例如，可以为a群聊平台，每个第二数据源对应一个数据获取接口，即第三接口。
163.本实施例中，通过所述互动信息平台发送互动信息，所述互动信息中可以包含有以下一种或者多种组合：音频对话；文本对话，具体地，根据所述互动信息平台中的互动信息可以确定客户的实际意图，所述实际意图可以为客户偏好的产品或者客户期望的产品，将具有实际意图的上述客户也可以确定为询价客户。
164.本实施例中，所述实体识别是指采用实体识别算法识别出所述第一文本中的实体，具体地，所述实体可以为名词、动词等，例如，针对音频对话中的客户需求信息识别过程中，若产品的种类比较繁多，并且产品的名称比较相近，为了避免在客户需求信息识别过程中将产品名称混淆，需要对所述第一文本进行实体识别，每个实体代表一个产品的名称，提高了文本识别的准确率；所述句子主干抽取是指将第三文本中的每个句子，根据依存句法分析结果进行句子主干抽取；所述指代消解处理是指将所述第四文本中具有相同指代关系
的名词、代词和零代词中至少一种进行消解，从而使具有相同指代关系的成分可以采用统一的表达方式，例如，上一句：“我最近想要购买m产品”，当前句：“该产品具有什么功效”，基于对话上下文确定上一句与当前句的指代关系，将当前句“该产品具有什么功效”进行指代消解处理后得到“m产品具有什么功效”，使得语义信息更加的清晰。
165.本实施例中，可以预先训练bert模型，采用bert模型采集特征集为现有技术，本实施例在此不做详述。
166.本实施例中，在进行特征集提取时，从询价客户、历史询价过且已承保的客户及客户的实际意图三个维度进行了考虑，确保了提取的特征集的客观性和完整性，后续在进行客户筛选时，采用提取的特征集训练的分类模型进行客户筛选，提高了客户筛选的准确率。
167.训练模块203，用于基于所述第一特征集和所述第二特征集训练神经网络模型，得到分类模型。
168.本实施例中，所述神经网络模型可以为深度学习神经网络模型，通过第一特征集和第二特征集训练神经网络模型，得到分类模型。
169.具体地，在进行神经网络模型训练时，特征输入层按照询价客户的特征维度设计，特征输入层与具有256个神经元的第一个全连接层相连接，并采用relu函数做为激活函数；归一化层和dropout层分别与第一个全连接层连接，通过使用归一化层和dropout层可以防止分类模型过拟合，其中，dropout参数设置为0.5；接着归一化层与具有128个神经元的第二个全连接层连接，dropout层与具有64个神经元第三个全连接层连接，均采用relu函数作为激活函数，以完成对数据特征的进一步抽象表示；第二个全连接层和第三个全连接层与包含有多个神经元的卷积层进行连接，决定每个客户所属的预测类别，softmax函数会输出客户对应预测类别的概率。
170.本实施例中，通过使用归一化层和dropout层可以防止分类模型过拟合，提高了训练得到的分类模型的准确率，同时通过设置包含有多个神经元的卷积层输出多个类别的概率值，后续进行客户筛选时，可以根据输出的多个类别的概率值进行二次筛选，提高了客户筛选的准确率。
171.分类模型204，用于采用所述分类模型对所述待分类客户进行分类，得到分类结果。
172.本实施例中，训练好分类模型之后，将待分类客户的特征集输入至训练好的分类模型中，对待分类客户进行分类，得到每个待分类客户所属的预测类别，便于后续根据每个待分类客户所属的预测类别进行客户筛选，例如，预测类别可以为预测购买a产品的概率值0.9、购买b产品的概率值0.5、购买c产品的概率值0.2等。
173.在一个可选的实施例中，所述分类模型204采用所述分类模型对所述待分类客户进行分类，得到分类结果包括：
174.将所述待分类客户的特征集输入至所述分类模型的第一个全连接层中，提取第一特征集；
175.将所述第一特征集映射至归一化层，接收所述归一化层输出的第二特征集，及将所述第一特征集映射至dropout层，接收所述dropout层输出的第三特征集；
176.将所述第二特征集输入至第二个全连接层中，输出第四特征集，及将所述第三特征集输入至第三个全连接层中，输出第五特征集；
177.将所述第四特征集和所述第五特征集输入至包含有多个神经元的卷积层中，得到每个待分类客户的多个类别；
178.基于softmax层，得到所述多个类别对应的概率值，将所述多个类别对应的概率值确定为每个待分类客户的分类结果。
179.本实施例中，通过分类模型输出待分类客户的预测类别，便于后续采用预测类别进行客户筛选。
180.筛选模块205，用于基于所述分类结果，从所述待分类客户中筛选出目标客户。
181.本实施例中，分类模型输出的每个待分类客户包含有多个预测类别，基于所述多个预测类别确定出每个待分类客户的最优类别，再根据所述最优类别从多个待分类客户中筛选出优质客户，即目标客户，所述目标客户可以为一个或者多个。
182.在一个可选的实施例中，所述筛选模块205基于所述分类结果，从所述待分类客户中筛选出目标客户包括：
183.从所述分类结果中获取每个待分类客户的多个类别对应的概率值，并选取概率最大的类别作为每个待分类客户的目标类别；
184.将相同目标类别的待分类客户划分为一个集合；
185.按照预设的筛选规则，从每个集合中筛选出目标客户。
186.本实施例中，可以预先设置筛选规则，筛选规则可以为从相同目标类别对应的待分类客户中筛选出概率值较大的多个待分类客户。
187.本实施例中，通过从所述相同目标类别中筛选出目标客户，更加具有针对性，提高了筛选的目标客户的准确率。
188.在其他可选的实施例中，所述筛选模块205基于所述分类结果，从所述待分类客户中筛选出目标客户包括：
189.从所述分类结果中获取每个待分类客户的多个类别对应的概率值；
190.将每个类别对应的概率值与对应类别的概率阈值进行比较；
191.保留概率值大于或者等于对应类别的概率阈值的类别确定为每个待分类客户的目标类别；
192.将相同目标类别的待分类客户划分为一个集合；
193.按照预设的筛选规则，从每个集合中筛选出目标客户。
194.本实施例中，在进行目标客户筛选时，通过将每个待分类客户的每个类别对应的概率值与对应类别的概率阈值进行比较，初步筛选掉不满足概率阈值的待分类客户，减少了待分类客户的数量，提高了待分类客户的筛选效率。
195.进一步地，识别模块206，用于识别所述目标客户的客户类型；当所述目标客户的客户类型为询价客户时，获取所述目标客户的分类结果，从所述分类结果中提取所述目标客户的多个类别及每个类别对应的概率值；基于所述多个类别的多个概率值生成产品推荐策略，并根据所述产品推荐策略对所述目标客户执行产品推荐。
196.进一步地，所述基于所述多个类别的多个概率值生成产品推荐策略包括：
197.获取每个所述类别对应的询价产品，及与所述询价产品相似的相似产品；
198.在预设的产品库中选取出所述询价产品的概率值对应的第一产品推荐策略和所述相似产品对应的第二产品推荐策略；
199.将所述第一产品推荐策略和所述第二产品推荐确定为所述目标客户的产品推荐策略。
200.本实施例中，所述产品推荐策略预先存储在产品库中，每种产品对应的概率值不同，对应的产品推荐策略也不同，具体地，第一产品推荐策略为所述目标客户的每个所述类别对应的询价产品的概率值对应的产品推荐策略；第二产品推荐策略为与所述询价产品相似的相似产品对应的产品推荐策略。
201.本实施例中，当目标客户的客户类型为询价客户时，确定所述目标客户未购买过该询价产品，需要分析所述目标客户询价的所有询价产品，及与每个询价产品相似的相似产品，根据所有询价产品及所有相似产品对应的产品推荐策略执行产品推荐，提高了产品推荐的效率及准确率。
202.进一步地，所述识别模块206识别所述目标客户的客户类型还包括：
203.当所述目标客户的客户类型不为询价客户时，识别所述目标客户对应目标类别的概率值；
204.在预设的产品库中选取出所述概率值对应的产品推荐策略；
205.基于所述产品推荐策略对所述目标客户执行产品推荐。
206.本实施例中，根据所述目标客户对应类别的概率值，从所述产品库中识别出与对应类别的概率值相匹配的产品及产品推荐策略，提高了产品推荐的准确率和效率。
207.综上所述，本实施例所述的基于人工智能的客户筛选装置，基于所述推荐产品类别，从预设的多个第一数据源中提取第一特征集，及从预设的多个第二数据源中提取第二特征集，在进行特征集提取时，从询价客户、历史询价过且已承保的客户及客户的实际意图三个维度进行了考虑，确保了提取的特征集的客观性和完整性，后续在进行客户筛选时，采用提取的特征集训练的分类模型进行客户筛选，提高了客户筛选的准确率。采用训练好的分类模型对所述待分类客户的特征集中的待分类客户进行类别预测，并基于预测结果，从所述待分类客户中筛选出目标客户，在进行目标客户筛选时，通过将每个待分类客户的每个类别对应的概率值与对应类别的概率阈值进行比较，初步筛选掉不满足概率阈值的待分类客户，减少了待分类客户的数量，提高了待分类客户的筛选效率。
208.实施例三
209.参阅图3所示，为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
210.本领域技术人员应该了解，图3示出的电子设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
211.在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
212.需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品
如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
213.在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述电子设备3中的基于人工智能的客户筛选装置20，并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(read-only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子擦除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
214.在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(control unit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。
215.在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
216.尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，可选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
217.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
218.上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
219.在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的基于人工智能的客户筛选装置20)、程序代码等，例如，上述的各个模块。
220.所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到基于人工智能的客户筛选的目的。
221.示例性的，所述程序代码可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器32执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述
所述程序代码在所述电子设备3中的执行过程。例如，所述程序代码可以被分割成获取模块201、提取模块202、训练模块203、分类模块204、筛选模块205及识别模块206。
222.在本发明的一个实施例中，所述存储器31存储多个计算机可读指令，所述多个计算机可读指令被所述至少一个处理器32所执行以实现基于人工智能的客户筛选的功能。
223.具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
224.在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
225.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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模块来实现本实施例方案的目的。
226.另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
227.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
228.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。