一种基于大数据的涉外销售话术决策方法及系统技术方案

公开了一种基于大数据的涉外销售话术决策方法及系统，其针对在涉外销售的话术决策过程中遇到的客户需求的语义理解问题，构建一种基于大数据的涉外销售话术决策方案。具体地，本申请将人工智能技术和大数据处理相结合，来对客户的需求表达进行基于全局的多尺度语义理解，并基于语义理解结果生成决策建议，例如，决策建议包括坚持标定价格、给予折扣、直接拒绝客户等。这样，能够基于客户的需求表达来精准地进行话术决策。准地进行话术决策。准地进行话术决策。

【技术实现步骤摘要】
一种基于大数据的涉外销售话术决策方法及系统


[0001]本申请涉及智能销售领域，且更为具体地，涉及一种基于大数据的涉外销售话术决策方法及系统。

技术介绍

[0002]涉外销售策略的本质实际上就是涉外商务沟通的过程，对于我国目前的外销业务而言，重点仍然是依赖于外销人员的推广。因此，外销人员的涉外谈判技能和销售沟通技巧就成为外销业务成败的关键。而对外沟通，就必须考虑到沟通对象的特征、心理与对应策略，从商务领域出发的涉外商务沟通不得不牵涉到心与心的沟通以及相互的影响和尊重。涉外业务沟通高手善于利用买家心理，巧妙实现企业的销售任务，顺利完成企业销售战略目标。
[0003]但是，在实际的销售决策过程中，普遍的外销人员都无法基于客户的需求进行决策建议，这是由于现今没有实际准确的话术决策方案来实现涉外业务的沟通语义理解，以进行更为精准地话术决策。
[0004]因此，期望一种基于大数据的涉外销售话术决策方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的涉外销售话术决策方法及系统，其针对在涉外销售的话术决策过程中遇到的客户需求的语义理解问题，构建一种基于大数据的涉外销售话术决策方案。具体地，本申请将人工智能技术和大数据处理相结合，来对客户的需求表达进行基于全局的多尺度语义理解，并基于语义理解结果生成决策建议，例如，决策建议包括坚持标定价格、给予折扣、直接拒绝客户等。这样，能够基于客户的需求表达来精准地进行话术决策。
[0006]根据本申请的一个方面，提供了一种基于大数据的涉外销售话术决策方法，其包括：
[0007]获取客户需求的文本描述；
[0008]对所述客户需求的文本描述进行分词处理后通过包含词嵌入层的上下文编码器以得到多个需求表达词特征向量；
[0009]将所述多个需求表达词特征向量进行二维排列以得到需求表达词全局特征矩阵；
[0010]将所述需求表达词全局特征矩阵通过使用具有第一尺度的二维卷积核的第一文本卷积神经网络模型以得到第一尺度需求理解特征向量；
[0011]将所述需求表达词全局特征矩阵通过使用具有第二尺度的二维卷积核的第二文本卷积神经网络模型以得到第二尺度需求理解特征向量；
[0012]融合所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量以得到分类特征向量；以及
[0013]将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示话术决
策建议标签。
[0014]在上述基于大数据的涉外销售话术决策方法中，所述对所述客户需求的文本描述进行分词处理后通过包含词嵌入层的上下文编码器以得到多个需求表达词特征向量，包括：对所述客户需求的文本描述进行分词处理以获得多个需求表达词；将所述多个需求表达词通过嵌入层以将所述多个需求表达词各个需求表达词转化为需求表达词嵌入向量以得到需求表达词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个需求表达词进行嵌入编码；将所述需求表达词嵌入向量的序列通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述需求表达词嵌入向量的序列中各个需求表达词嵌入向量作为值向量分别进行相乘以得到所述多个需求表达词特征向量。
[0015]在上述基于大数据的涉外销售话术决策方法中，所述将所述需求表达词全局特征矩阵通过使用具有第一尺度的二维卷积核的第一文本卷积神经网络模型以得到第一尺度需求理解特征向量，包括：使用所述第一文本卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述具有第一尺度的二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一文本卷积神经网络模型的最后一层的输出为所述第一尺度需求理解特征向量，所述第一文本卷积神经网络模型的第一层的输入为所述需求表达词全局特征矩阵。
[0016]在上述基于大数据的涉外销售话术决策方法中，所述将所述需求表达词全局特征矩阵通过使用具有第二尺度的二维卷积核的第二文本卷积神经网络模型以得到第二尺度需求理解特征向量，包括：使用所述第二文本卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述具有第二尺度的二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二文本卷积神经网络模型的最后一层的输出为所述第二尺度需求理解特征向量，所述第二文本卷积神经网络模型的第一层的输入为所述需求表达词全局特征矩阵。
[0017]在上述基于大数据的涉外销售话术决策方法中，所述融合所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量以得到分类特征向量，包括：计算所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量之间的初始分类特征向量；计算所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量之间的图核游走节点分布融合特征矩阵，所述图核游走节点分布融合特征矩阵与所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量之间的距离矩阵有关；以及，将所述图核游走节点分布融合特征矩阵与所述初始分类特征向量进行相乘以得到所述分类特征向量。
[0018]在上述基于大数据的涉外销售话术决策方法中，所述计算所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量之间的初始分类特征向量，包括：以如下公式来计算所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量之间的初始分类特征向量；其中，所述公式为：
[0019][0020]其中，Vc为所述初始分类特征向量，Va为所述第一尺度需求理解特征向量，Vb为所述第二尺度需求理解特征向量，表示所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量相对应位置处的元素相加，α和β为用于控制所述初始分类特征向量中所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量之间的平衡的加权参数。
[0021]在上述基于大数据的涉外销售话术决策方法中，所述计算所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量之间的图核游走节点分布融合特征矩阵，包括：以如下公式计算所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量之间的所述图核游走节点分布融合特征矩阵；其中，所述公式为：
[0022][0023]其中，V1表示所述第一尺度需求理解特征向量，V2表示所述第二尺度需求理解特征向量，Mc表示所述图核游走节点分布融合特征矩阵，D(V1,V2)为所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量之间的距离矩阵，且V1和V2均为列向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的涉外销售话术决策方法，其特征在于，包括：获取客户需求的文本描述；对所述客户需求的文本描述进行分词处理后通过包含词嵌入层的上下文编码器以得到多个需求表达词特征向量；将所述多个需求表达词特征向量进行二维排列以得到需求表达词全局特征矩阵；将所述需求表达词全局特征矩阵通过使用具有第一尺度的二维卷积核的第一文本卷积神经网络模型以得到第一尺度需求理解特征向量；将所述需求表达词全局特征矩阵通过使用具有第二尺度的二维卷积核的第二文本卷积神经网络模型以得到第二尺度需求理解特征向量；融合所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示话术决策建议标签。2.根据权利要求1所述的基于大数据的涉外销售话术决策方法，其特征在于，所述对所述客户需求的文本描述进行分词处理后通过包含词嵌入层的上下文编码器以得到多个需求表达词特征向量，包括：对所述客户需求的文本描述进行分词处理以获得多个需求表达词；将所述多个需求表达词通过嵌入层以将所述多个需求表达词各个需求表达词转化为需求表达词嵌入向量以得到需求表达词嵌入向量的序列，其中，所述嵌入层使用可学习的嵌入矩阵对所述各个需求表达词进行嵌入编码；将所述需求表达词嵌入向量的序列通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及将所述自注意力特征矩阵与以所述需求表达词嵌入向量的序列中各个需求表达词嵌入向量作为值向量分别进行相乘以得到所述多个需求表达词特征向量。3.根据权利要求2所述的基于大数据的涉外销售话术决策方法，其特征在于，所述将所述需求表达词全局特征矩阵通过使用具有第一尺度的二维卷积核的第一文本卷积神经网络模型以得到第一尺度需求理解特征向量，包括：使用所述第一文本卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述具有第一尺度的二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一文本卷积神经网络模型的最后一层的输出为所述第一尺度需求理解特征向量，所述第一文本卷积神经网络模型的第一层的输入为所述需求表达词全局特征矩阵。4.根据权利要求3所述的基于大数据的涉外销售话术决策方法，其特征在于，所述将所
述需求表达词全局特征矩阵通过使用具有第二尺度的二维卷积核的第二文本卷积神经网络模型以得到第二尺度需求理解特征向量，包括：使用所述第二文本卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述具有第二尺度的二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二文本卷积神经网络模型的最后一层的输出为所述第二尺度需求理解特征向量，所述第二文本卷积神经网络模型的第一层的输入为所述需求表达词全局特征矩阵。5.根据权利要求4所述的基于大数据的涉外销售话术决策方法，其特征在于，所述融合所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量以得到分类特征向量，包括：计算所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量之间的初始分类特征向量；计算所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量之间的图核游走节点分布融合特征矩阵，所述图核游走节点分布融合特征矩阵与所述第一尺度需求理解特征向量和所述第二尺度需求理解特征向量之间的距离矩阵有关；以及将所述图核游走节点分布融合特征矩阵与所述初始分类特征向量进行相乘以得到所述分类特征向量。6.根据权利要求5...

【专利技术属性】
技术研发人员：李昂，
申请(专利权)人：吉林农业科技学院，
类型：发明
国别省市：