一种客户情绪引导模型的制作方法

本发明涉及数据处理，特别涉及一种客户情绪引导模型。

背景技术：

1、随着人工智能的兴起和发展，诞生了很多能大数据模型，通过特有的语言训练模型进行训练，能够根据服务对象的需求进行问题解答，因此很多的语言模型都应用在了客服的领域，例如电商平台的客户机器人，或者群聊中的聊天机器人等，目前的客服机器人大体上分为两类。第一类以解答客户咨询问诉为主，即分析客户问题，通过各种nlp（naturallanguageprocessing即自然语言处理）领域的语义相似性计算方法，找出在faq（即常见的问题项目与对应问题的解答）知识库与该问题最相似的问题，并推送相应答案。另一类融合了产品推荐、业务办理等功能，这类系统通过机器学习、深度学习等技术，建立端到端的神经网络模型，以客户与客服机器人的对话上下文，客户历史行为数据等作为输入，实现解答客户提问、进行产品推荐等功能。

2、专利号为202011459385.x的发明专利公开了一种基于强化学习的客服机器人对话方法及其相关组件，方法包括：获取用户输入的上一轮的第一文本信息，并选择对应的行动策略进行回复；获取用户对行动策略反馈的第二文本信息，利用预训练的情绪分类模型对第二文本信息进行情绪分类，获取用户的情绪，并根据最大期望算法计算得到回复价值总得分；将用户输入的文本信息转化为文本向量，并输入至多层神经网络进行强化学习，得到选择对应的行动策略的概率，根据回复价值总得分与行动策略的概率，对多层神经网络进行优化，得到客服机器人回复模型。本发明基于强化学习技术的客服机器人回复模型，引导客服机器人学会不断调整回复行动，提高了对话过程中的客户满意度，降低了用户流失度。

3、上述技术通过强化学习技术对客服模型进强化学习以持续提升客服机器人的回复准确度，但是仅对客户的文本信息进行情绪分类，对客户的情绪把控不够精确，而且客户的情绪是变化的，上述技术也仅是通过客户的情绪值进行消息回复，即通过客户的情绪变化完成对应情绪的消息回复，没有对客户情绪进行引导，例如在客户坏情绪时通过对积极消息的内容进行回复，引导其情绪向积极的方向发展，使其情绪变好。将上述技术应用在知识产权行业，面向老客户能够维持服务，提升客户的感官体验，但是仍然存在无法对客户的情绪进行定向引导，特别是在对客户进行消息汇报时，例如客户的知识产权授权情况，以及其他的知识产权业务情况汇报时，有好消息和坏消息，如何对其排序汇报。遂现需要一种技术，能够在对知识产权行业的老客户服务时，对将要汇报的消息进行排序，提升客户的情绪。

技术实现思路

1、本发明提供了一种客户情绪引导模型，能够在对知识产权行业的老客户服务时，对将要汇报的消息进行排序，提升客户的情绪。

2、为了解决上述技术问题，本技术提供如下技术方案：

3、一种客户情绪引导模型，包括：

4、情绪获取模块：用于获取客户在交流前的浏览信息，将其转化成文本信息后通过预设的情绪分类模型对客户交流前的情绪值进行计算；

5、信息获取模块：用于在交流过程中对客户的文本信息、声音信息进行获取；

6、排序模块：用于获取要传输给客户的待推送信息数据，并将每条数据通过情绪获取模块计算获得每条信息数据的评分数值，然后通过数值进行降序排列；

7、客户终端：用于获取排序后的信息数据；

8、其中，所述信息获取模块还对客户平时的打字速度/说话速度进行获取，通过在交流过程中用户的打字速度/说话速度与平时的速度进行对比，若打字速度/说话速度与平时速度相差达到阈值，则生成异常信号，根据相差的比例作为变量，更新用户的当前情绪值；所述情绪获取模块还用于根据信息数据的评分数据预测用户在接收一条推送信息数据后的预测情绪值，通过对比接收信息数据后的预测情绪值和接收信息数据后的当前情绪值，若差值在阈值范围内，则判定情绪获取模块对于情绪预测合理，反之则对情绪获取模块后续预测的数值进行差值的定向增减；所述排序模块通过设置客户最低情绪值，针对待推送数据信息进行排序时，首先获取用户接收到数据信息时的预测情绪值，所述预测情绪值需大于最低情绪值。

9、基本原理及有益效果：通过情绪获取模块对客户交流前的情绪值进行初步获取，即通过客户在交流前的浏览记录，例如网页浏览记录，app浏览记录等，由于现今有的网站的信息推荐依赖于客户的个人喜好，即客户喜欢什么便推荐什么，通过客户的浏览记录能够获取用户在交流前的情绪状态，然后通过预设的情绪分类模型得出情绪值；在交流过程中，对客户的交流行为进行捕捉，即线上交流，采集客户的打字速度或者说话速度，线下交流采集客户的说话速度，即采集的是客户的内容输出速度，如果交流时的速度与客户平时的打字速度/说话速度相差不大（阈值内），则不对其情绪值进行更改，如果相差超过阈值，则对客户的当前情绪值进行更新；排序模块用于对待推送给客户的信息数据进行排序，首先通过情绪获取模块对每条待推送的信息数据进行情绪值的评分，即得到评分数值，然后通过预测客户在获取该推送信息数据后的预测情绪值，如果预测的情绪高于最低情绪值，便可推送给客户，如果预测的情绪值低于最低情绪值，则通过适配不同的信息数据以促使客户情绪值高于最低情绪值，即在情绪低落时推送好消息，对客户的情绪进行积极方向的引导。

10、本方案针对客户的承受能力（最低情绪值）对待推送的信息数据进行排序，在完成对客户的信息数据推送的前提下，完成了对客户情绪的定向引导。

11、本方案不同于现有技术根据客户的喜好定向推送信息数据，而是在已知推送信息的前提下对推送信息的顺序进行排序，保证了信息数据推送的完整性，即规避了现有技术中存在的信息茧房的问题，不管好消息或者坏消息均会对客户完成推送。

12、进一步，还包括情绪补偿模块，用于在客户的预测情绪值低于最低客户情绪值时，通过获取用户浏览信息中的收藏列表，提取其内部积极内容，所述积极内容的领域至少包括成功学、心灵鸡汤类、励志类；然后根据收藏列表中的积极内容搜索相似信息发送至客户终端。

13、进一步，还包括激励模块，所述激励模块用于收集客户所在行业的政策信息，并对符合客户申请条件的政策信息进行提取，在对客户进行信息数据推送前将符合客户申请条件的政策信息进行展示。

14、进一步，所述政策信息包括政策奖励和申请条件，所述排序模块还用于将政策信息中的政策奖励前置于申请条件。

15、进一步，所述排序模块在对待推送信息数据的评分数值进行排列时，将最高评分数值的信息数据单独挪出，在其他待推送信息数据排序完成后，将最高评分数值的信息数据排列在最后推送。

16、进一步，所述声音信息中包括客户的声音响度，在交流过程中，信息获取模块对用户间隔时间内的声音响度进行获取，若一句话中声音响度变化超过阈值，则对该句话的内容的关键词进行标记，针对后续推送中出现与该关键词相关的信息数据的预测值进行阈值变化。

17、进一步，所述信息获取模块还用于在交流时获取客户的面部特征；所述情绪获取模块还内置有面部情绪识别神经网络模块，用于根据客户的面部特征识别出客户的当前情绪类型，并根据消极情绪至积极情绪的面部特征进行升序预设分值，当识别到客户的面部特征为某一情绪类型时，便提取当前的预设分值，通过预设分值同当前情绪值进行加权计算，生成新的当前情绪值。