基于深度强化学习的营销话术分析与挖掘方法技术

本发明专利技术公开了一种基于深度强化学习的营销话术分析与挖掘方法，涉及自然语言处理技术领域，所述方法包括：根据销售对话数据集构建初始销售话术分析模型；基于深度强化学习的自学习机制，训练所述初始销售话术分析模型，得到销售话术分析模型，基于训练好的销售话术分析模型得到的话术评分，能够更具针对性向销售人员推荐推荐销售话术，提高应答话术的标准化程度，提高用户体验感，能够实现销售人员用语质量的评价，方便管理者对销售人员进行考核。方便管理者对销售人员进行考核。方便管理者对销售人员进行考核。

【技术实现步骤摘要】
基于深度强化学习的营销话术分析与挖掘方法


[0001]本专利技术涉及自然语音处理
，具体涉及一种基于深度强化学习的营销话术分析与挖掘方法。

技术介绍

[0002]成功的营销是企业提高收入的关键，而营销的成功率高低依赖于企业销售人员沟通和洽谈水平。此外，普通销售人员往往流动性较高，新入职的销售人员一般需要较长时间的培训才能胜任工作。从大量的真实营销对话(主要指销售与客户之间的对话交流)中分析和挖掘出富有成果的话术，通过机器学习方法从中发现优秀话术和话题引导策略，不仅有助于促进文明销售和规范用语，也能够对新进销售人员进行培训，还可以在实际销售中进行用语推荐，进而提高企业销售的效率和水平。
[0003]目前企业对销售人员的销售对话管理，存在如下问题：一、用户体验差。由于用户提问具有不可控性，销售人员无法在第一时间给出最佳回复；二、无法对销售人员的用语质量和水平进行有效评估。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术提供一种基于深度强化学习的营销话术分析与挖掘方法。
[0005]本专利技术的方案为：一种基于深度强化学习的营销话术分析与挖掘方法，包括：
[0006]步骤1，根据销售对话数据集构建初始销售话术分析模型；
[0007]步骤2，基于深度强化学习的自学习机制，训练所述初始销售话术分析模型，得到销售话术分析模型。
[0008]优选地，所述步骤S1包括：
[0009]步骤11，对初始销售对话数据集进行预处理，得到销售对话数据集；
>[0010]步骤12，根据评价标准对所述销售对话数据集进行人工标注，所述人工标注包括销售话术评分、销售动作；
[0011]步骤13，提取所述销售动作对应的话术状态，利用词向量模型将所述销售动作和所述话术状态转换为词向量；
[0012]步骤14，构建初始销售话术分析模型。
[0013]优选地，步骤12之前包括：
[0014]步骤101：根据情感分析模型对所述销售对话数据集进行分析，确定销售人员和客户的情绪状态，根据所述情绪状态确定评价标准。
[0015]优选地，所述步骤2包括：
[0016]步骤21，利用Q
‑
Learning算法对所述初始销售话术分析模型训练，得到销售话术分析模型。
[0017]优选地，还包括：
[0018]步骤3,基于所述销售话术分析模型对销售人员进行评价。
[0019]优选地，所述步骤S3包括：
[0020]步骤31，获取销售人员的待评估销售对话集；
[0021]步骤32，基于所述销售话术分析模型对所述待评估销售对话集进行分析，得到所述待评估销售对话集中每条对话的评分；
[0022]步骤33，基于所述评分对所述销售人员进行评价。
[0023]优选地，还包括：
[0024]步骤4，基于所述销售话术分析模型向销售人员推荐销售话术。
[0025]优选地，所述步骤S4包括：
[0026]步骤41，获取当前销售对话及当前销售对话的上下文；
[0027]步骤42，根据所述当前销售对话与所述当前销售对话的上文的相似度从历史对话库中检索出与当前销售对话所匹配的库存话术；
[0028]步骤43，获取所述库存话术的评分，基于所述库存话术的评分对上述库存话术进行排名；
[0029]步骤44，筛选并推送预设数量的库存话术给销售人员。
[0030]本专利技术的有益效果体现在：基于训练好的销售话术分析模型得到的话术评分，能够更具针对性向销售人员推荐推荐销售话术，提高应答话术的标准化程度，提高用户体验感，能够实现销售人员用语质量的评价，方便管理者对销售人员进行考核。
附图说明
[0031]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0032]图1为本专利技术实施例所提供的一种基于深度强化学习的营销话术分析与挖掘方法的流程图；
[0033]图2为本专利技术实施例所提供的步骤1的流程图；
[0034]图3为本专利技术实施例所提供的步骤3的流程图；
[0035]图4为本专利技术实施例所提供的步骤4的流程图。
具体实施方式
[0036]下面将结合附图对本专利技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只作为示例，而不能以此来限制本专利技术的保护范围。
[0037]需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。
[0038]实施例
[0039]如图1所示，图1为本专利技术实施例所提供的一种基于深度强化学习的营销话术分析与挖掘方法的流程图，所述方法包括：
[0040]步骤1，根据销售对话数据集构建初始销售话术分析模型；
[0041]在本专利技术实施例中，所述步骤S1包括：步骤11，对初始销售对话数据集进行预处理，得到销售对话数据集；步骤12，根据评价标准对所述销售对话数据集进行人工标注，所述人工标注包括销售话术评分、销售动作；步骤13，提取所述销售动作对应的话术状态，利用词向量模型将所述销售动作和所述话术状态转换为词向量；步骤14，构建初始销售话术分析模型。
[0042]其中，所述预处理包括但不限于脱敏处理，所述初始销售对话数据集包括企业营销各个阶段(比如：初访、回访和收尾等)的销售人员与(潜在或当前)客户之间的对话数据集；所述词向量模型采用预训练的BERT。
[0043]具体的，在进行人工标注时，需要根据行业特点确定评价标准，然后按评价标准对销售对话进行人工标注，标注包括销售话术评分和销售过程中的销售动作，当然还可以包括客户动作；其中，销售动作和客户动作如表1和表2所示。
[0044]表1
[0045][0046]表2
[0047][0048][0049]步骤2，基于深度强化学习的自学习机制，训练所述初始销售话术分析模型，得到销售话术分析模型。
[0050]在本专利技术实施例中，利用Q
‑
Learning算法对所述初始销售话术分析模型训练，得到销售话术分析模型；具体的，利用Q
‑
Learning算法对所述初始销售话术分析模型训练，得到销售话术分析模型的方法包括：当有新的销售对话数据集产生的时候，重新训练模型，根据当前输入的话术状态产生的模型输出，判断模型效果，若效果更优，则产生正向激励，若效果更差，则产生负向激励，并更新相应的模型参数；在销售话术分析模型的使用过程中不断对销售话术分析模型进行优化，最终使得销售话术分析模型的达到最优。
[0051]需要说明的是，本专利技术实施例还提供了一种情感分析模型，情感分析模型不仅可以在销售过程中动态跟踪销售人员和客户的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度强化学习的营销话术分析与挖掘方法，其特征在于，包括：步骤1，根据销售对话数据集构建初始销售话术分析模型；步骤2，基于深度强化学习的自学习机制，训练所述初始销售话术分析模型，得到销售话术分析模型。2.根据权利要求1所述的基于深度强化学习的营销话术分析与挖掘方法，其特征在于，所述步骤S1包括：步骤11，对初始销售对话数据集进行预处理，得到销售对话数据集；步骤12，根据评价标准对所述销售对话数据集进行人工标注，所述人工标注包括销售话术评分、销售动作；步骤13，提取所述销售动作对应的话术状态，利用词向量模型将所述销售动作和所述话术状态转换为词向量；步骤14，构建初始销售话术分析模型。3.根据权利要求2所述的基于深度强化学习的营销话术分析与挖掘方法，其特征在于，步骤12之前包括：步骤101：根据情感分析模型对所述销售对话数据集进行分析，确定销售人员和客户的情绪状态，根据所述情绪状态确定评价标准。4.根据权利要求1所述的基于深度强化学习的营销话术分析与挖掘方法，其特征在于，所述步骤2包括：步骤21，利用Q
‑
Learning算法对所述初始销售话术分析模型训练，得到销售话术分析模型。5.根据...

【专利技术属性】
技术研发人员：沈凯，
申请(专利权)人：木栈智能科技上海有限公司，
类型：发明
国别省市：