基于语音对话的知识推荐方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于语音对话的知识推荐方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.目前的保险等销售行业主要是代理人通过与客户沟通的方式进行产品销售或者业务拓展，这种方法需要代理人具有较强的专业知识储备与沟通技巧。为了保证销售的成功率，在代理人知识储备不够时，需要对代理人进行适时的知识推荐。
3.现有的针对代理人的知识推荐方法，主要是利用关键字检索得到对应的内容序列供代理人选择，但这种知识推荐方法只是将关键字对应的知识机械化的向代理人展示，没有根据对话数据的主题进行针对性的知识推荐，同时也没有将知识进行相对应的分类排序以保证更加全面的知识推荐，因此，现有知识推荐方法针对性不强，准确度较低。


技术实现要素：

4.本发明提供一种基于语音对话的知识推荐方法、装置及计算机可读存储介质，其主要目的在于提高知识推荐的针对性及准确度。
5.为实现上述目的，本发明提供的一种基于语音对话的知识推荐方法，包括：
6.实时获取坐席及客户的对话语音数据，对所述对话语音数据进行文本识别，得到语音文本；
7.提取所述语音文本的文本语义，根据所述文本语义确定所述对话语音数据的主题；
8.利用预训练完成的主题关系预测模型计算基于所述主题的一个或者多个主题关系、及每个主题关系与所述主题之间的相对概率值；
9.根据所述相对概率值将所述主题关系进行从大到小排序，得到主题关系序列；
10.基于所述主题关系序列在预构建的内容库中检索得到对应的主题关系内容，得到主题关系内容序列；
11.将所述主题关系内容序列发送给坐席。
12.可选地，所述对所述对话语音数据进行文本识别，得到语音文本，包括：
13.对所述对话语音数据进行语音端点选取，得到对话语音片段；
14.对所述对话语音片段进行文本识别，得到语音文本。
15.可选地，所述提取所述语音文本的文本语义，根据所述文本语义确定所述对话语音数据的主题，包括：
16.对所述语音文本进行分词处理，得到文本分词；
17.对所述文本分词执行向量转化，得到所述文本分词的词向量；
18.利用预设的分词权重算法对所述词向量进行加权计算，得到文本向量；
19.利用预设的语义分析模型对所述文本向量进行语音主题预测，得到所述对话语音
数据的主题。
20.可选地，所述利用预设的语义分析模型对所述文本向量进行语音主题预测，得到所述对话语音数据的主题，包括：
21.利用预设的语义分析模型对所述文本向量进行卷积、池化操作，得到所述文本向量的低维特征表达；
22.通过预设的映射函数将所述文本向量的低维特征表达映射至预先构建的高维空间，得到所述文本向量的高维特征表达；
23.利用预设的激活函数计算所述高维特征表达中每一个特征的特征输出值；
24.选取所述特征输出值最大的特征对应的主题为所述对话语音数据的主题。
25.可选地，所述利用预训练完成的主题关系预测模型计算得到基于所述对话主题的一个或者多个主题关系之前，所述方法还包括：
26.获取历史对话语音数据中的主题及基于所述主题的主题关系，并将所述历史对话语音数据中的主题及基于所述主题的主题关系作为训练样本集；
27.利用预构建的主题关系预测模型对所述训练样本集进行特征提取、激活操作，得到主题关系预测概率集；
28.计算所述主题关系预测概率集与所述训练样本集中的主题关系概率值之间的误差值，并判断所述误差值是否小于预设的误差值阈值；
29.若所述误差值大于或等于预设的误差值阈值，则调整所述主题关系预测模型中的参数，并返回利用预构建的主题关系预测模型对所述训练样本集进行特征提取、激活操作，得到主题关系预测概率集的步骤；
30.若所述误差值小于预设的误差值阈值，则训练完成，得到训练完成的主题关系预测模型。
31.可选地，所述计算所述主题关系预测概率集与所述训练样本集中的主题关系概率值之间的误差值，包括：
32.利用如下误差值计算公式计算所述主题关系预测概率集与所述训练样本集中的主题关系概率值之间的误差值：
[0033][0034]
其中，l为误差值，n为所述样本集中的样本数量，i为第几个训练样本，yi为第i个训练样本的真实概率值，y(i)为第i个训练样本的预测概率值。
[0035]
可选地，所述基于所述主题关系序列在预构建的内容库中检索得到对应的主题关系内容，得到主题关系内容序列，包括：
[0036]
利用聚类算法将所述主题关系序列中的主题关系分为主题异议集及主题关注集；
[0037]
根据所述主题异议集中的每一个主题异议在预构建的主题异议内容库中检索，得到对应的异议内容；及
[0038]
根据所述主题关注集中的每一个主题关注点在预构建的主题异议内容库中检索，得到对应的关注点内容；
[0039]
将所述异议内容及所述关注点内容按照所述主题关系序列进行排序，得到主题关系内容序列。
[0040]
为了解决上述问题，本发明还提供一种基于语音对话的知识推荐装置，所述装置包括：
[0041]
语音文本获取模块，用于实时获取坐席及客户的对话语音数据，对所述对话语音数据进行文本识别，得到语音文本；
[0042]
对话主题确定模块，用于提取所述语音文本的文本语义，根据所述文本语义确定所述对话语音数据的主题；
[0043]
主题关系预测模块，用于利用预训练完成的主题关系预测模型计算基于所述主题的一个或者多个主题关系、及每个主题关系与所述主题之间的相对概率值；
[0044]
主题关系排序模块，用于根据所述相对概率值将所述主题关系进行从大到小排序，得到主题关系序列；
[0045]
主题关系内容检索模块，用于基于所述主题关系序列在预构建的内容库中检索得到对应的主题关系内容，得到主题关系内容序列；
[0046]
主题关系内容发送模块，用于将所述主题关系内容序列发送给坐席。
[0047]
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
[0048]
至少一个处理器；以及，
[0049]
与所述至少一个处理器通信连接的存储器；其中，
[0050]
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于语音对话的知识推荐方法。
[0051]
为了解决上述问题，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中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于语音对话的知识推荐方法。
[0052]
本发明实施例通过实时获取坐席及客户的对话语音数据，并对所述对话语音数据进行文本识别，提取语音文本的文本语义，并根据语义确定对话主题，再利用预训练完成的主题关系预测模型计算基于所述主题的一个或多个主题关系、及每个主题关系的相对概率值，并根据相对概率值将主题关系进行排序，基于主题关系序列在预构建的内容库中检索得到对应的主题关系内容，得到主题关系内容序列，将所述主题关系内容序列发送给坐席，能够针对性的对坐席进行实时辅助，提高坐席的沟通能力。因此本发明提出的基于语音对话的知识推荐方法、装置、电子设备及计算机可读存储介质，可以提高知识推荐的针对性及准确度。
附图说明
[0053]
图1为本发明一实施例提供的基于语音对话的知识推荐方法的流程示意图；
[0054]
图2为本发明一实施例提供的确定对话主题的流程示意图；
[0055]
图3为本发明一实施例提供的构建主题关系预测模型的流程示意图；
[0056]
图4为本发明一实施例提供的基于语音对话的知识推荐装置的功能模块图；
[0057]
图5为本发明一实施例提供的实现所述基于语音对话的知识推荐方法的电子设备的结构示意图。
[0058]
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
[0059]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0060]
本技术实施例提供一种基于语音对话的知识推荐方法。所述基于语音对话的知识推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于语音对话的知识推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，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(contentdelivery 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。
[0061]
参照图1所示，为本发明一实施例提供的基于语音对话的知识推荐方法的流程示意图。在本实施例中，所述基于语音对话的知识推荐方法包括：
[0062]
s1、实时获取坐席及客户的对话语音数据，对所述对话语音数据进行文本识别，得到语音文本；
[0063]
本发明实施例中，所述坐席与客户的对话语音数据为坐席以及客户进行线上沟通时所产生的语音数据。
[0064]
本发明其中一个实际应用场景中，由于客户对线上沟通的产品的购买决定随时间的变化较快，因此，本发明实施例需要实时获取坐席以及客户的对话语音数据，以保证获取到的语音数据的时效性，及时的对坐席进行相对应的销售辅助，有利于提高销售成交率，避免潜在客户的流失。
[0065]
详细地，所述对所述语音文本数据进行文本识别，得到语音文本，包括：
[0066]
对所述对话语音数据进行语音端点选取，得到对话语音片段；
[0067]
对所述对话语音片段进行文本识别，得到语音文本。
[0068]
由于所述对话语音数据可能包含噪音以及大量无意义的内容，因此，为了提高后续对该语音识别的准确度，本发明实施例可以利用语音端点检测(voice activity detection，vad)技术对所述对话语音数据进行语音端点选取，准确地定位出语音的开始和结束点，将静音及噪音作为干扰信号从原始对话语音数据中删除。
[0069]
具体的，本发明实施例可以利用隐马尔科夫模型(hmm)、理论和矢量量化(vq)、神经网络方法(ann)等技术对所述语音数据进行文本识别，得到语音文本。
[0070]
s2、提取所述语音文本的文本语义，根据所述文本语义确定所述对话语音数据的主题；
[0071]
本发明实施例中，所述语音文本的文本语义可以为对所述语音文本进行语义分析后得到的特征词向量，所述语音数据主题为坐席与客户线上对话的实时讨论主题，根据所述主题能够进一步的了解当前线上沟通所进行的阶段，为后续计算提供更加准确的信息。
[0072]
详细地，参阅图2所示，所述提取所述语音文本的文本语义，根据所述文本语义确定所述对话语音数据的主题，包括：
[0073]
对所述语音文本进行分词处理，得到文本分词；
[0074]
对所述文本分词执行向量转化，得到所述文本分词的词向量；
[0075]
利用预设的分词权重算法对所述词向量进行加权计算，得到文本向量；
[0076]
利用预设的语义分析模型对所述文本向量进行语音主题预测，得到所述对话语音数据的主题。
[0077]
本发明实施例中，可利用训练完成的word2vec模型将所述文本分词转化得到词向量，所述分词权重模型可以为tf-idf模型，根据对不同的文本分词进行重要性预估，从而得到不同的权重。
[0078]
进一步地，本发明实施例中，所述利用预设的语义分析模型对所述文本向量进行语音主题预测，得到所述对话语音数据的主题，包括：
[0079]
利用预设的语义分析模型对所述文本向量进行卷积、池化操作，得到所述文本向量的低维特征表达；
[0080]
通过预设的映射函数将所述文本向量的低维特征表达映射至预先构建的高维空间，得到所述文本向量的高维特征表达；
[0081]
利用预设的激活函数计算所述高维特征表达中每一个特征的特征输出值；
[0082]
选取所述特征输出值最大的特征对应的主题为所述对话语音数据的主题。
[0083]
详细地，所述语义分析模型包括但不限于nlp(natural language processing,自然语言处理)，lda(latent dirichlet allocation,隐含狄利克雷模型)等。
[0084]
本发明实施例利用预设的语义分析模型对所述语音文本进行卷积、池化操作，可减少所述语音文本向量的数据维度，进一步地提取出所述文本向量的数据特征；但提取出的文本向量的低维特征表达中，可能存在着错误特征，因此，可利用预设的映射函数将所述文本向量的低维特征表达映射至预先构建的高维空间，得到所述文本向量的高维特征表达，能够提高所述文本特征筛选的准确度，所述映射函数包括但不限于remap函数、高斯函数。
[0085]
本发明实施例中进一步利用预设的激活函数计算所述高维特征表达中的每一个特征的特征输出值，其中，所述激活函数包含，但不限于relu激活函数、sigmoid激活函数等。
[0086]
例如，所述文本向量的高维特征表达中包含特征a、特征b及特征c，利用激活函数计算得到特征a的特征输出值为90，特征b的输出值为70，特征c的输出值为80，则选取所述特征a所对应的主题为所述对话语音数据的主题。
[0087]
s3、利用预训练完成的主题关系预测模型计算基于所述主题的一个或者多个主题关系、及每个主题关系与所述主题之间的相对概率值；
[0088]
本发明实施例中，所述主题关系为在所述主题下，客户在后续语音对话中提到的基于所述主题的关注点，一个主题会映射到多个主题关系，即在一个主题下，客户在后续的语音对话中所关注的主题关系是不同的，例如，在“保费”主题下，主题关系可以是：保费-保额、保费-保险太高用不上、保费-豁免等。
[0089]
详细地，参阅图3所示，所述利用预训练完成的主题关系预测模型计算得到基于所述对话主题的一个或者多个主题关系之前，所述方法还包括：
[0090]
s31、获取历史对话语音数据中的主题及基于所述主题的主题关系，并将所述历史对话语音数据中的主题及基于所述主题的主题关系作为训练样本集；
[0091]
s32、对所述训练样本集进行特征提取、激活操作，得到主题关系预测概率集；
[0092]
具体地，本发明实施例中，所述主题关系预测概率集为不同主题下的多个主题关
系与对应主题之间的相对概率值，所述主题关系预测模型包括特征提取网络和多层线性激活层。
[0093]
例如，所述训练测试集为“保费-保额、保费-保险太高用不上、保费-豁免等。”，利用所述多层线性激活层对所述训练测试集进行激活操作，得到主题关系预测结果集为【保费-保额，概率值为98％】、【保费-保险太高用不上，概率值为50％】、【保费-豁免，概率值为60％】，即得到基于保费主题下，客户接下来会有98％的概率提到“保额”这个主题关系，会有60％的概率提到“豁免”这个主题关系。
[0094]
s33、计算所述主题关系预测概率集与所述训练样本集中的主题关系概率值之间的误差值，并判断所述误差值是否小于预设的误差值阈值；
[0095]
本发明实施例中，可利用如下函数计算所述主题关系预测概率集与所述训练样本集中的主题关系概率值之间的误差值；
[0096][0097]
其中，l为误差值，n为所述样本集中的样本数量，i为第i个训练样本，yi为第i个训练样本的真实概率值，y(i)为第i个训练样本的预测概率值。
[0098]
若所述误差值大于或等于预设的误差值阈值，则s34、调整所述主题关系预测模型中的参数，并返回步骤s32；
[0099]
若所述误差值小于预设的误差值阈值，则s35、训练完成，得到训练完成的主题关系预测模型。
[0100]
本发明其中一实际应用场景中，防止得到的主题关系在后续语音对话中客户提及的概率很小，可以通过设置概率值阈值对得到的主题关系进行限制，以提高后续计算的效率。例如，可以设置概率值阈值为20％，则将所述相对概率值小于20％的主题关系删除，得到最终的主题关系。
[0101]
本发明实施例中，若所述误差值大于或等于预设误差值阈值，即所述主题关系预测模型预测所得到的主题关系及对应的主题关系概率值与真实的主题关系概率值之间的误差较大，不能直接用来进行主题关系的预测，需调整所述初始主题关系预测模型中的参数，直至所述误差值小于预设误差值阈值，才能得到较为准确的主题关系概率值。
[0102]
s4、根据所述相对概率值将所述主题关系进行从大到小排序，得到主题关系序列；
[0103]
本发明实施例中，所述相对概率值是基于所述主题下，后续的对话语音数据中客户会有多大的概率提到相对应的主题关系，所述相对概率值越大则后续的对话语音数据中客户提到对应主题关系的概率越大，将所述主题关系序列从大到小进行排序后，能够在后续的坐席与客户的对话中，提高对客户所提到的主题关系预测的准确性，避免主题关系的无意义。
[0104]
s5、基于所述主题关系序列在预构建的内容库中检索得到对应的主题关系内容，得到主题关系内容序列；
[0105]
本发明实施例中，所述内容库是将所述主题关系分为“主题-异议”内容库以及“主题-关注点”内容库，具体地，所述“主题-异议”是基于所述主题客户所产生的异议，例如“保费-理赔复杂”、“保费-收益低”等异议；所述“主题-关注点”是所述基于主题客户主要关注的重点，例如“保费-保额”，即基于保费这个主题下，客户关注的重点是保额。
[0106]
详细地，所述基于所述主题关系序列在预构建的内容库中检索得到对应的主题关系内容，得到主题关系内容序列，包括：
[0107]
利用聚类算法将所述主题关系序列中的主题关系分为主题异议集及主题关注集；
[0108]
根据所述主题异议集中的每一个主题异议在预构建的主题异议内容库中检索，得到对应的异议内容；及
[0109]
根据所述主题关注集中的每一个主题关注点在预构建的主题异议内容库中检索，得到对应的关注点内容；
[0110]
将所述异议内容及所述关注点内容按照所述主题关系序列进行排序，得到主题关系内容序列。
[0111]
本发明实施例中，可以利用k-means(k均值)聚类方法、高斯混合模型的最大期望聚类等聚类方法将所述主题关系序列中的主题关系分为主题异议及主题关注点。
[0112]
具体地，所述异议内容可以是关于所述异议的相应回答话术，所述关注点内容可以是对于所述关注点的对应知识点，将所述主题关系进行分类后能够提高辅助的准确性。
[0113]
s6、将所述主题关系内容序列发送给所述坐席。
[0114]
本发明实施例中，得到所述主题关系内容序列后，可以直接将所述主题关系内容序列发送给所述坐席，向坐席进行相关话术或\和对应知识的辅助，以提高坐席的服务质量。
[0115]
本发明实施例通过实时获取坐席及客户的对话语音数据，并对所述对话语音数据进行文本识别，提取语音文本的文本语义，并根据语义确定对话主题，再利用预训练完成的主题关系预测模型计算基于所述主题的一个或多个主题关系、及每个主题关系的相对概率值，并根据相对概率值将主题关系进行排序，基于主题关系序列在预构建的内容库中检索得到对应的主题关系内容，得到主题关系内容序列，将所述主题关系内容序列发送给坐席，能够针对性的对坐席进行实时辅助，提高坐席的沟通能力。因此本发明提出的基于语音对话的知识推荐方法，可以解决坐席线上沟通能力不足的问题。
[0116]
如图4所示，是本发明一实施例提供的基于语音对话的知识推荐装置的功能模块图。
[0117]
本发明所述基于语音对话的知识推荐装置100可以安装于电子设备中。根据实现的功能，所述基于语音对话的知识推荐装置100可以包括语音文本获取模块101、对话主题确定模块102、主体关系预测模块103、主题关系排序模块104、主题关系内容检索模块105及主体关系内容发送模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0118]
在本实施例中，关于各模块/单元的功能如下：
[0119]
所述语音文本获取模块101，用于实时获取坐席及客户的对话语音数据，对所述对话语音数据进行文本识别，得到语音文本；
[0120]
所述对话主题确定模块102，用于提取所述语音文本的文本语义，根据所述文本语义确定所述对话语音数据的主题；
[0121]
所述主体关系预测模块103，用于利用预训练完成的主题关系预测模型计算基于所述主题的一个或者多个主题关系、及每个主题关系与所述主题之间的相对概率值；
[0122]
所述题关系排序模块104，用于根据所述相对概率值将所述主题关系进行从大到小排序，得到主题关系序列；
[0123]
所述主题关系内容检索模块105，用用于基于所述主题关系序列在预构建的内容库中检索得到对应的主题关系内容，得到主题关系内容序列；
[0124]
所述主体关系内容发送模块106，用于将所述主题关系内容序列发送给所述坐席。
[0125]
详细地，本发明实施例中所述基于语音对话的知识推荐装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于语音对话的知识推荐方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0126]
如图5所示，是本发明一实施例提供的实现基于语音对话的知识推荐方法的电子设备的结构示意图。
[0127]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于语音对话的知识推荐程序。
[0128]
其中，所述处理器10在一些实施例中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。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于语音对话的知识推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0129]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于语音对话的知识推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0130]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0131]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示
器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0132]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0133]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、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。
[0134]
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。
[0135]
所述电子设备1中的所述存储器11存储的基于语音对话的知识推荐程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0136]
实时获取坐席及客户的对话语音数据，对所述对话语音数据进行文本识别，得到语音文本；
[0137]
提取所述语音文本的文本语义，根据所述文本语义确定所述对话语音数据的主题；
[0138]
利用预训练完成的主题关系预测模型计算基于所述主题的一个或者多个主题关系、及每个主题关系与所述主题之间的相对概率值；
[0139]
根据所述相对概率值将所述主题关系进行从大到小排序，得到主题关系序列；
[0140]
基于所述主题关系序列在预构建的内容库中检索得到对应的主题关系内容，得到主题关系内容序列；
[0141]
将所述主题关系内容序列发送给所述坐席。
[0142]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0143]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0144]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0145]
实时获取坐席及客户的对话语音数据，对所述对话语音数据进行文本识别，得到语音文本；
[0146]
提取所述语音文本的文本语义，根据所述文本语义确定所述对话语音数据的主题；
[0147]
利用预训练完成的主题关系预测模型计算基于所述主题的一个或者多个主题关系、及每个主题关系与所述主题之间的相对概率值；
[0148]
根据所述相对概率值将所述主题关系进行从大到小排序，得到主题关系序列；
[0149]
基于所述主题关系序列在预构建的内容库中检索得到对应的主题关系内容，得到主题关系内容序列；
[0150]
将所述主题关系内容序列发送给所述坐席。
[0151]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。
[0152]
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，即可以位于一个地方，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。
[0153]
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。
[0154]
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。
[0155]
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关联图标记视为限制所涉及的权利要求。
[0156]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0157]
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。
[0158]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求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。
[0159]
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。