营销话术推荐系统、方法、装置及设备与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及数据处理技术领域，具体涉及营销话术推荐系统、方法和装置，营销话术推荐方法和装置，营销话术抽取模型处理方法和装置，营销话术处理方法和装置，客服机器人系统，机器人对话方法和装置，以及电子设备。背景技术：2.在营销领域，包括传统的人工话务营销，以及新型的客服机器人系统中，一线客服人员通常根据自己的经验以及标准操作过程(standard operating procedure，sop)来回复消费者。3.一种典型的开展营销活动的处理过程如下所述。采用标准话术库的形式，由人工录入标准话术，逐渐积累而成标准话术库。使用时采用人工查询的方式找到回复的标准话术。也就是说，客服人员通过人工查询标准操作过程中的标准话术来回复消费者。4.然而，在实现本发明过程中，发明人发现上述方案至少存在如下问题：一方面，通过人工方式确定合适的话术，会影响营销回复速度；另一方面，客服人员水平各异，且人工确定的标准话术极为有限、且更新通常较慢，因此往往很难给到消费者更好的回答。另外，标准话术并不一定对当前的营销场景做到非常契合。综上所述，现有技术存在营销质量及营销效率均较低的问题，从而导致较高的营销失败率。技术实现要素：5.本技术提供营销话术推荐系统，以解决现有技术存在的营销质量及营销效率均较低的问题。本技术另外提供营销话术推荐方法和装置，营销话术推荐方法和装置，营销话术抽取模型处理方法和装置，营销话术处理方法和装置，客服机器人系统，机器人对话方法和装置，以及电子设备。6.本技术提供一种营销话术推荐系统，包括：7.服务端模块，用于从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的第一用户与第二用户的营销对话数据，从多个营销话术中确定针对第一用户的目标营销话术，向第一客户端模块发送所述目标营销话术；8.第一客户端模块，用于展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。9.可选的，还包括：10.服务端模块，具体用于将通过营销话术抽取模型确定的营销话术发送至第二客户端模块；以及，接收第二客户端模块回送的审核结果，若审核结果为是，则将营销话术作为有效的营销话术；11.第二客户端模块，用于展示营销话术，确定第三用户对营销话术的审核结果，向服务端模块发送审核结果。12.可选的，服务端模块，还用于确定营销话术所属的营销场景；确定营销对话所属的营销场景；并具体用于根据所述营销对话数据，从与营销对话所属的营销场景对应的多个营销话术中确定所述目标营销话术。13.可选的，服务端模块，具体用于通过多任务学习方式，从多营销场景的训练数据中学习得到所述营销话术预测模型和场景分类模型；所述场景分类模型与所述营销话术预测模型共用编码层；所述训练数据包括：营销话务数据、是否为营销话术的标注数据和营销场景标注数据；通过场景分类模型，确定营销话术所属的营销场景和营销对话所属的营销场景。14.本技术还提供一种营销话术推荐方法，包括：15.从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；16.通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；17.根据第一用户与第二用户的营销对话数据，从多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。18.可选的，还包括：19.确定第三用户对通过营销话术抽取模型确定的营销话术的审核结果；20.若审核结果为是，则将营销话术作为有效的营销话术。21.可选的，还包括：22.确定营销话术所属的营销场景；23.确定营销对话所属的营销场景；24.所述根据第一用户与第二用户的营销对话数据，从多个营销话术中确定向第二用户推荐的针对第一用户的目标营销话术，包括：25.根据所述营销对话数据，从与营销对话所属的营销场景对应的多个营销话术中确定所述目标营销话术。26.可选的，所述从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型，包括：27.通过多任务学习方式，从多营销场景的训练数据中学习得到所述营销话术预测模型和场景分类模型；所述场景分类模型与所述营销话术预测模型共用编码层；所述训练数据包括：营销话务数据、是否为营销话术的标注数据和营销场景标注数据；28.通过场景分类模型，确定营销话术所属的营销场景和营销对话所属的营销场景。29.可选的，若营销话术抽取条件成立，则通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术。30.可选的，所述营销话术抽取条件包括：当前时间距离上次抽取营销话术的时长大于时长阈值；31.所述历史营销话务数据包括上次抽取营销话术后新增的营销话务数据。32.可选的，所述根据第一用户与第二用户的营销对话数据，从多个营销话术中确定针对第一用户的目标营销话术，包括：33.确定所述营销话术关联的上下文对话数据与所述营销对话数据的匹配度；34.根据所述匹配度，确定所述目标营销话术。35.本技术还提供一种营销话术抽取模型处理方法，包括：36.确定训练数据集；所述训练数据包括：营销话务数据，是否为营销话术的标注数据；37.构建营销话术抽取模型的网络结构；38.从训练数据集内学习得到所述营销话术抽取模型的网络参数。39.可选的，所述网络结构包括：话术特征提取器和话术判别器；40.所述话术特征提取器，用于确定营销话务数据的话术特征数据；41.所述话术判别器，用于根据所述话术特征数据，判断营销话务数据是否为营销话术。42.可选的，所述话术特征提取器包括：词嵌入层，文本片段嵌入层，编码层，话术特征聚合层；43.所述词嵌入层，用于确定营销话务数据中的词向量；44.所述文本片段嵌入层，用于根据所述词向量，确定营销话务数据中的文本片段向量；45.所述编码层，用于根据所述文本片段向量，确定营销话务数据的编码数据；46.所述话术特征聚合层，用于根据编码数据，确定所述话术特征数据。47.可选的，所述训练数据还包括：营销场景标注数据；48.所述网络结构还包括：场景特征提取器和场景分类器；49.所述场景特征提取器，用于确定营销话务数据的场景特征数据；50.所述场景分类器，用于根据所述场景特征数据，确定营销话务数据所属的营销场景；51.所述场景特征提取器包括：所述词嵌入层，所述文本片段嵌入层，所述编码层，场景特征聚合层；52.所述场景特征聚合层，用于根据所述编码数据，确定所述场景特征数据；53.通过多任务学习方式，从多营销场景的训练数据中学习得到所述营销话术预测模型和场景分类模型；所述场景分类模型包括所述场景特征提取器和所述场景分类器。54.可选的，所述训练数据还包括：营销领域标注数据；55.所述网络结构还包括：领域特征提取器和领域分类器；56.所述领域特征提取器，用于确定营销话务数据的领域特征数据；57.所述领域分类器，用于根据所述领域特征数据，确定营销话务数据所属的营销领域；58.所述领域特征提取器包括：所述词嵌入层，所述文本片段嵌入层，所述编码层，领域特征聚合层；59.所述领域特征聚合层，用于根据所述编码数据，确定所述领域特征数据；60.通过多任务学习方式，从多营销领域的训练数据中学习得到所述营销话术预测模型和领域分类模型；所述领域分类模型包括所述领域特征提取器和所述领域分类器。61.可选的，所述多营销领域包括：通信运营商领域，电商领域，教育培训领域，保险领域。62.本技术还提供一种营销话术处理方法，包括：63.确定历史营销话务数据；64.通过营销话术抽取模型中的话术特征提取器，确定历史营销话务数据的话术特征数据；65.通过营销话术抽取模型中的话术判别器，根据所述特征数据，判断历史营销话务数据是否为营销话术。66.可选的，还包括：67.确定历史营销话务数据所属的营销场景；68.将判定为营销话术的历史营销话务数据作为所属营销场景的营销话术。69.可选的，还包括：70.通过多任务学习方式，从多营销场景的训练数据中学习得到所述营销话术抽取模型和场景分类模型；所述场景分类模型包括：场景特征提取器和场景分类器，所述场景特征提取器和所述话术特征提取器共用编码层；所述训练数据包括：营销话务数据、是否为营销话术的标注数据和营销场景标注数据；71.通过场景分类模型，确定历史营销话务数据所属的营销场景。72.可选的，还包括：73.通过多任务学习方式，从多营销领域的训练数据中学习得到所述营销话术抽取模型和领域分类模型；所述领域分类模型包括：领域特征提取器和领域分类器，所述领域特征提取器和所述话术特征提取器共用编码层；所述训练数据包括：营销话务数据、是否为营销话术的标注数据和营销领域标注数据；74.通过领域分类模型，确定历史营销话务数据所属的营销领域。75.可选的，所述确定历史营销话务数据，包括：76.获取历史营销过程中的第一用户与第二用户间的营销对话数据；77.将第二用户的历史营销对话数据作为历史营销话务数据。78.可选的，所述历史营销话务数据包括：营销话务语音数据；79.所述方法还包括：80.通过语音识别算法，将营销话务语音数据转换为营销话务文本。81.可选的，还包括：82.根据噪声数据过滤规则，清除历史营销话务数据中的噪声数据。83.可选的，还包括：84.根据营销话务数据标准化规则，对历史营销话务数据执行标准化处理。85.本技术还提供一种营销话术处理方法，包括：86.接收服务端模块发送的通过营销话术抽取模型从历史营销话务数据中确定的营销话术；所述营销话术抽取模型从多个营销话务数据与其是否为营销话术的标注数据中学习得到；87.确定第三用户对所述营销话术的审核结果；88.向服务端模块发送审核结果，以使得服务端模块根据审核结果确定营销话术是否有效。89.本技术还提供一种营销话术推荐方法，包括：90.接收服务端模块发送的针对第一用户的目标营销话术；所述服务端模块采用如下方式确定所述目标营销话术：从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的第一用户与第二用户的营销对话数据，从多个营销话术中确定目标营销话术；91.展示目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。92.本技术还提供一种营销话术推荐系统，包括：93.至少一个第一服务端模块，用于发送目标领域的历史营销话务数据；以及，发送第一用户与第二用户的营销对话数据；94.第二服务端模块，用于从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；以及，根据所述营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术，发送所述目标营销话术；95.客户端模块，用于展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。96.可选的，第一服务端模块，具体用于根据预设的时间间隔，发送所述历史营销话务数据，所述历史营销话务数据包括在所述时间间隔内目标领域新增的营销话务数据。97.可选的，不同的第一服务端模块对应的目标领域包括：通信运营商领域，电商领域，教育培训领域，保险领域。98.本技术还提供一种营销话术推荐方法，包括：99.将目标领域的历史营销话务数据发送至服务端模块，以使得服务端模块通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；服务端模块从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；100.将第一用户与第二用户的营销对话数据发送至服务端模块，以使得服务端模块根据所述营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。101.本技术还提供一种营销话术推荐方法，包括：102.从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；103.针对接收到的目标领域的历史营销话务数据，通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；104.针对接收到的第一用户与第二用户的营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。105.本技术还提供一种营销话术推荐方法，包括：106.接收服务端模块发送的针对第一用户的目标营销话术；所述服务端模块采用如下方式确定目标营销话术：从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；针对接收到的目标领域的历史营销话务数据，通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；针对接收到的第一用户与第二用户的营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术；107.展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。108.本技术还提供一种客服机器人系统，包括：109.服务端模块，用于从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的目标用户的营销对话数据，从多个营销话术中确定针对目标用户的目标营销话术，向客户端模块发送目标营销话术；110.客户端模块，用于展示目标营销话术。111.本技术还提供一种机器人对话方法，包括：112.从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；113.通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；114.根据目标用户的营销对话数据，从多个营销话术中确定针对目标用户的目标营销话术。115.本技术还提供一种机器人对话方法，包括：116.接收服务端模块发送的针对目标用户的目标营销话术；所述服务端模块采用如下方式确定所述目标营销话术：从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，根据目标用户的营销对话数据，从多个营销话术中确定针对目标用户的目标营销话术；117.展示目标营销话术。118.本技术还提供一种营销话术推荐装置，包括：119.模型构建单元，用于从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；120.话术挖掘单元，用于通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；121.话术推荐单元，用于根据第一用户与第二用户的营销对话数据，从多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。122.本技术还提供一种营销话术推荐装置，包括：123.推荐话术接收单元，用于接收服务端模块发送的针对第一用户的目标营销话术；所述服务端模块采用如下方式确定所述目标营销话术：从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的第一用户与第二用户的营销对话数据，从多个营销话术中确定目标营销话术；124.推荐话术展示单元，用于展示目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。125.本技术还提供一种营销话术抽取模型处理装置，包括：126.训练数据确定单元，用于确定训练数据集；所述训练数据包括：营销话务数据，是否为营销话术的标注数据；127.网络结构构建单元，用于构建营销话术抽取模型的网络结构；128.模型训练单元，用于从训练数据集内学习得到所述营销话术抽取模型的网络参数。129.本技术还提供一种营销话术处理装置，包括：130.话务数据确定单元，用于确定历史营销话务数据；131.话术特征提取单元，用于通过营销话术抽取模型中的话术特征提取器，确定历史营销话务数据的话术特征数据；132.话术判断单元，用于通过营销话术抽取模型中的话术判别器，根据所述特征数据，判断历史营销话务数据是否为营销话术。133.本技术还提供一种营销话术处理装置，包括：134.话术接收单元，用于接收服务端模块发送的通过营销话术抽取模型从历史营销话务数据中确定的营销话术；所述营销话术抽取模型从多个营销话务数据与其是否为营销话术的标注数据中学习得到；135.话术审核单元，用于确定第三用户对所述营销话术的审核结果；136.审核结果发送单元，用于向服务端模块发送审核结果，以使得服务端模块根据审核结果确定营销话术是否有效。137.本技术还提供一种营销话术推荐装置，包括：138.历史话务数据发送单元，用于将目标领域的历史营销话务数据发送至服务端模块，以使得服务端模块通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；服务端模块从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；139.当前对话数据发送单元，用于将第一用户与第二用户的营销对话数据发送至服务端模块，以使得服务端模块根据所述营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。140.本技术还提供一种营销话术推荐装置，包括：141.模型构建单元，用于从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；142.话术挖掘单元，用于针对接收到的目标领域的历史营销话务数据，通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；143.话术推荐单元，用于针对接收到的第一用户与第二用户的营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。144.本技术还提供一种营销话术推荐装置，包括：145.推荐话术接收单元，用于接收服务端模块发送的针对第一用户的目标营销话术；所述服务端模块采用如下方式确定目标营销话术：从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；针对接收到的目标领域的历史营销话务数据，通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；针对接收到的第一用户与第二用户的营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术；146.推荐话术展示单元，用于展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。147.本技术还提供一种机器人对话装置，包括：148.模型构建单元，用于从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；149.话术挖掘单元，用于通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；150.话术推荐单元，用于根据目标用户的营销对话数据，从多个营销话术中确定针对目标用户的目标营销话术。151.本技术还提供一种机器人对话装置，包括：152.推荐话术接收单元，用于接收服务端模块发送的针对目标用户的目标营销话术；所述服务端模块采用如下方式确定所述目标营销话术：从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，根据目标用户的营销对话数据，从多个营销话术中确定针对目标用户的目标营销话术；153.推荐话术展示单元，用于展示目标营销话术。154.本技术还提供一种电子设备，包括：155.处理器和存储器；156.存储器，用于存储实现上述方法的程序，该设备通电并通过所述处理器运行该方法的程序。157.本技术还提供一种营销话术推荐方法，包括：158.根据历史营销对话数据，构建营销话术库；159.获取当前营销对话数据；160.根据当前营销对话数据，从营销话术库中确定目标营销话术。161.可选的，所述根据当前营销对话数据，从营销话术库中确定目标营销话术，包括：162.确定所述营销话术关联的历史上下文对话数据与所述当前营销对话数据的匹配度；163.根据所述匹配度，确定所述目标营销话术。164.本技术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指令，当其在计算机上运行时，使得计算机执行上述各种方法。165.本技术还提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各种方法。166.与现有技术相比，本技术具有以下优点：167.本技术实施例提供的营销话术推荐系统，通过服务端模块从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的第一用户与第二用户的营销对话数据，从多个营销话术中确定针对第一用户的目标营销话术，向第一客户端模块发送所述目标营销话术；通过第一客户端模块展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。采用这种处理方式，使得通过对优秀客服人员群体日常话务数据的挖掘，筛选、过滤出蕴含优良话术的话务，并在客服营销人员(第二用户)向消费者(第一用户)开展营销活动的对话过程中，基于挖掘出的优良话术实时地向客服营销人员推荐较高质量且更为丰富的营销话术，辅助客服营销人员开展营销活动；因此，可以有效提升营销质量及效率，从而提升营销成功率。此外，该系统采用的话术推荐处理过程可复用性强，仅需要更换不同领域数据(如运营商领域、电商领域、教育机构领域、保险领域等)，营销话术抽取模型的结构可直接复用，因此可以有效提升营销领域的可扩展性。168.进一步的，所述营销话术推荐系统还可通过服务端模块将通过营销话术抽取模型确定的营销话术发送至第二客户端模块；通过第二客户端模块展示营销话术，确定第三用户对所述营销话术的审核结果，向服务端模块发送审核结果；若审核结果为是，服务端模块将营销话术作为有效的营销话术。采用这种处理方式，使得在从优秀客服人员群体日常话务数据中筛选、过滤出可能蕴含优良话术的话务后，再由话术处理人员对缩小范围后的话术进行人工评比，最后确定有助于提升营销服务能力的优良话术。169.进一步的，所述服务端模块还可通过确定营销话术所属的营销场景；确定营销对话所属的营销场景；并根据所述营销对话数据，从与营销对话所属的营销场景对应的多个营销话术中确定所述目标营销话术。采用这种处理方式，使得能够实时识别和感知客服在话务中的上下文场景，可为多个场景的营销活动提供话术推荐服务；因此，可以有效提升场景服务能力。170.进一步的，所述服务端模块还可通过多任务学习方式，从多营销场景的训练数据中学习得到营销话术预测模型和场景分类模型；所述场景分类模型与所述营销话术预测模型共用编码层；所述训练数据包括：营销话务数据、是否为营销话术的标注数据和营销场景标注数据；通过场景分类模型，确定营销话术所属的营销场景和营销对话所属的营销场景。采用这种处理方式，使得通过一次模型训练处理，可同时学习得到营销话术抽取模型和场景分类模型，营销话术抽取模型和场景分类模型共用编码层；因此，可以有效提升跨场景的应用效率。171.进一步的，如果编码层采用可以学习到上下文的长距离语义依赖的网络结构，则还可以解决关键词歧义问题，因此可以进一步提升话术挖掘准确率。172.进一步的，所述服务端模块还可在营销话术抽取条件成立时，通过营销话术抽取模型，从历史营销话务数据中选取作为营销话术的营销话务数据，如营销话术抽取条件为当前时间距离上次抽取营销话术的时长大于时长阈值(如1天、7天、1月等)，历史营销话务数据包括上次抽取营销话术后新增的营销话务数据(如1天、7天、1月等时间段内新增的话务数据)。采用这种处理方式，使得可定期根据增量话务数据补充营销话术；因此，可以有效提升话术丰富度，从而提升营销质量，同时还可节约计算资源。173.本技术实施例提供的营销话术处理方法，通过确定历史营销话务数据；通过营销话术抽取模型中的话术特征提取器，确定历史营销话务数据的话术特征数据；通过营销话术抽取模型中的话术判别器，根据所述话术特征数据，判断历史营销话务数据是否为营销话术。采用这种处理方式，至少可以达到以下技术效果：174.1)由于利用先验知识建立营销话术抽取模型，采用神经网络自动学习拟合出营销话务数据中的某些特定的模板/风格，如优秀话术的特征数据，因此可以有效提升话术挖掘准确率；175.2)通过该模型可对优秀客服人员群体日常话务数据的挖掘，从中筛选、过滤出蕴含优良话术的话务，因此可以有效提升话术丰富度；176.3)由于不涉及启发式算法阈值的调整，因此可以有效提升话术挖掘的稳定性；177.4)该方式为抽取式的话术挖掘方式，可从营销话术原文中抽取出已有表达并做标准化展示，不存在话术挖掘结果不可控的情况，因此可以有效提升话术质量和可读性；178.5)由于确定营销话术时不依赖词库，因此可以有效提升营销话术挖掘的泛化性。179.6)如果营销话术抽取模型的训练数据包括多场景的营销话务文本，则不同营销场景可共用一个营销话术抽取模型进行营销话术的挖掘处理，避免构建适用于不同场景的多个营销话术抽取模型，因此可以提升营销话术挖掘的跨场景应用效率。180.7)如果营销话术抽取模型的训练数据包括多场景的营销话务文本，且采用多任务学习方式同时学习营销话术抽取模型和场景分类模型，则这两个模型共用编码器，因此可以进一步提升营销话术挖掘的跨场景应用效率。181.8)如果编码器采用可以学习到上下文的长距离语义依赖的网络结构，则还可以解决关键词歧义问题，因此可以进一步提升话术挖掘准确率；182.9)该话术挖掘过程可复用性强，仅需要更换不同领域数据(如运营商领域、电商领域等)，模型结构可直接复用，因此可以有效提升话术挖掘领域的可扩展性。183.本技术实施例提供的营销话术抽取模型处理方法，通过确定训练数据集；构建营销话术抽取模型的网络结构；从训练数据集内学习得到所述营销话术抽取模型的网络参数。采用这种处理方式，使得利用先验知识建立营销话术抽取模型，该模型采用神经网络自动学习拟合出营销话务文本中的某些特定的模板/风格，如优秀话术的特征数据，通过该模型可对优秀客服人员群体日常话务数据的挖掘，从中筛选、过滤出蕴含优良话术的话务；因此，可以有效提升话术挖掘的准确率、丰富度、稳定性和泛化性，以及提升话术质量和可读性。184.本技术实施例提供的营销话术推荐系统，通过至少一个第一服务端模块发送目标领域的历史营销话务数据；通过第二服务端模块从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；以及，通过至少一个第一服务端模块发送第一用户与第二用户的营销对话数据；通过第二服务端模块根据所述营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术，发送所述目标营销话术；通过客户端模块展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。采用这种处理方式，使得通过通用的话术推荐平台向多个领域的第三方营销活动提供实时话术推荐服务，实现跨领域的实时话术推荐，其中话术推荐平台对多个领域的第三方营销活动的优秀客服人员群体日常话务数据的挖掘，筛选、过滤出蕴含优良话术的话务，形成多个营销领域的营销话术库，并在客服营销人员向消费者开展营销活动的对话过程中，基于挖掘出的优良话术实时地向客服营销人员推荐较高质量且更为丰富的营销话术，辅助客服人员开展营销活动；因此，可以有效提升领域服务能力，以及提升营销质量及效率，从而提升营销成功率。185.进一步的，所述第一服务端模块可根据预设的时间间隔，发送所述历史营销话务数据，所述历史营销话务数据包括在所述时间间隔内目标领域新增的营销话务数据，如每天发送一次新增的话务数据，每天对新增话务数据进行一次话术挖掘处理。采用这种处理方式，使得可定期根据增量话务数据补充营销话术；因此，可以有效提升话术丰富度，从而提升营销质量。186.本技术实施例提供的客服机器人系统，通过服务端模块从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的目标用户的营销对话数据，从多个营销话术中确定针对目标用户的目标营销话术，向客户端模块发送目标营销话术；通过客户端模块展示目标营销话术。采用这种处理方式，使得通过对优秀客服人员群体日常话务数据的挖掘，筛选、过滤出蕴含优良话术的话务，并在客服机器人向消费者(目标用户)开展营销活动的对话过程中，基于挖掘出的优良话术实时地确定较高质量且更为丰富的营销话术，通过客服机器人自动化地开展营销活动；因此，可以有效提升营销质量及效率，从而提升营销成功率。187.本技术实施例提供的营销话术推荐方法，通过根据历史营销对话数据，构建营销话术库；获取当前营销对话数据；根据当前营销对话数据，从营销话术库中确定目标营销话术。采用这种处理方式，使得通过对优秀客服人员群体日常话务数据的挖掘，筛选、过滤出蕴含优良话术的话务，并在向消费者开展营销活动时，基于挖掘出的优良话术实时地进行营销话术的推荐，由此可实现能够完全自动化地开展营销活动的客服机器人系统，也可实现能够辅助客服营销人员开展营销活动的营销话术推荐系统；因此，可以有效提升营销质量及效率，从而提升营销成功率。附图说明188.图1本技术提供的营销话术推荐系统的实施例的应用场景示意图；189.图2本技术提供的营销话术推荐系统的实施例的设备交互示意图；190.图3本技术提供的营销话术推荐系统的实施例的营销话术抽取模型示意图；191.图4本技术提供的营销话术推荐方法的实施例的流程示意图；192.图5本技术提供的营销话术抽取模型处理方法的实施例的流程示意图；193.图6本技术提供的营销话术处理方法的实施例的流程示意图；194.图7本技术提供的营销话术处理方法的实施例的流程示意图；195.图8本技术提供的营销话术推荐方法的实施例的流程示意图；196.图9本技术提供的营销话术推荐系统的实施例的又一应用场景示意图；197.图10本技术提供的客服机器人系统的实施例的应用场景示意图。具体实施方式198.在下面的描述中阐述了很多具体细节以便于充分理解本技术。但是本技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似推广，因此本技术不受下面公开的具体实施的限制。199.在本技术中，提供了营销话术推荐系统、方法和装置，营销话术推荐方法和装置，营销话术抽取模型处理方法和装置，营销话术处理方法和装置，客服机器人系统，机器人对话方法和装置，以及电子设备。在下面的实施例中逐一对各种方案进行详细说明。200.第一实施例201.本实施例提供的营销话术推荐系统，包括：服务端模块和第一客户端模块。其中，服务端模块可部署在服务端侧，第一客户端模块可部署在营销人员(第二用户)使用的终端设备侧。202.所述服务端，可以是部署在云端服务器上的服务端，也可以是部署在专用于提供营销话术推荐服务的服务器上的服务端。203.所述终端设备，包括但不限于：个人电脑，还包括移动通讯设备，即：通常所说的手机或者智能手机，以及智能音箱、pad、ipad等终端设备。204.请参考图1，其为本技术的营销话术推荐系统的应用场景示意图。在本实施例中，某个通信运营商的客服营销人员(第二用户)要向手机用户(第一用户)推销服务套餐(如5g套餐、宽带安装、充值缴费等)，在客服营销人员与手机用户通话过程中，服务端可根据两个用户间的实时会话流和从优秀客服人员群体日常话务数据中挖掘出的与服务套餐对应的多个营销话术，实时地向营销人员使用的个人电脑发送推荐的营销话术，营销人员可根据推荐的营销话术回复消费者。其中，营销话术是销售人员与客户沟通的范文资料，视销售行业类别而定。销售很大程度是语言的科学，销售的核心智慧就是销售的话术。205.由图1可见，服务端可先利用与服务套餐相关的一部分历史营销话务数据是否为营销话术的标注数据来建立营销话术抽取模型，该模型可采用神经网络自动学习拟合出营销话务数据中的某些特定的模板/风格；然后，可通过该模型从与服务套餐相关的另一部分历史营销话务文本中挖掘出与服务套餐对应的营销话术，由此可实现对优秀客服人员群体日常话务数据的挖掘，从中筛选、过滤出蕴含优良话术的话务。206.请参考图2，其为本技术的营销话术推荐系统的设备交互示意图。在本实施例中，服务端模块从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的第一用户与第二用户的营销对话数据，从多个营销话术中确定针对第一用户的目标营销话术，向第一客户端模块发送所述目标营销话术；第一客户端模块展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。207.由此可见，所述系统的处理过程包括三个阶段。其中，第一个阶段为服务端构建营销话术抽取模型的阶段；第二个阶段为服务端通过营销话术抽取模型，从历史营销话务数据中挖掘营销话术的阶段；第三个阶段为在营销人员向消费者开展营销活动时，基于前一阶段挖掘到的营销话术进行实时话术推荐的阶段。下面分别对这三个阶段的处理过程进行说明。208.第一个阶段：构建营销话术抽取模型。209.所述营销话术预测模型，可采用有监督的机器学习算法从训练数据集中学习得到。所述训练数据，可包括：营销话务数据，以及营销话务数据是否为营销话术的标注数据。其中，所述营销话务数据可来源于客服营销人员的历史营销话务数据。具体而言，所述营销话务数据可以是能够沉淀为营销话术的优秀客服营销人员的营销对话数据，如消费者(第一用户)：“我们家已经办过宽带了”，第用户(客服营销人员)：“这个没关系的，一条上网、一条看电视，两不误，还很顺畅，而且我们现在宽带办理还有xxx元的优惠”(挽留口径)；也可以是优秀客服营销人员或者普通客服营销人员的一般性营销对话数据，如消费者：“你好”，客服：“您好，请问您是139xxx的机主吗”。具体实施时，可由人工对所述营销话务数据是否为营销话术进行识别及标注。210.在本实施例中，服务端模块可采用如下方式构建所述营销话术预测模型：1)确定训练数据集；2)构建营销话术预测模型的网络结构；3)将所述营销话务数据作为营销话术预测模型的输入数据，将营销话务数据是否为营销话术的标注数据作为营销话术预测模型的输出数据，训练营销话术预测模型的网络参数。211.1)确定训练数据集。212.在一个示例中，所述训练数据中的营销话务数据可采用如下方式确定：获取历史营销过程中的第一用户与第二用户间的营销对话数据，包括第一用户的对话数据和第二用户的对话数据；将第二用户的营销对话数据作为所述营销话务数据。采用这种处理方式，可从历史营销对话数据中抽取出客服人员的营销对话数据，形成训练数据中的营销话务数据，避免出现与营销话术无关的消费者的对话数据，因此可以有效提升训练数据的有效性。213.在实际应用中，第一用户与第二用户间的营销对话数据通常为多轮问答数据。在这种情况下，要从多轮问答数据中抽取出第二用户的营销对话数据，可采用如下方式：对所述多轮问答数据执行分句处理，得到营销分句数据；确定营销分句数据的用户角色信息；将所述用户角色信息为第二用户的营销分句数据作为训练数据中的营销话务数据。214.在实际应用中，客服营销人员原始的历史营销话务数据通常为语音形式的营销话务数据，即：营销话务语音数据。在这种情况下，要确定所述训练数据中的营销话务数据，还可包括如下步骤：通过语音识别算法，将营销话务语音数据转换为营销话务文本数据，作为训练数据中的营销话务数据。由于语音识别算法属于较为成熟的现有技术，因此此处不再赘述。215.在实际应用中，客服营销人员原始的历史营销话务数据还通常包括一些噪声数据，如网页链接地址、订单标识、通信号码、表情符号、订单号等。在这种情况下，要确定所述训练数据中的营销话务数据，还可包括如下步骤：根据噪声文本过滤规则，清除营销话务数据中的噪声数据。所述噪声数据过滤规则，包括但不限于：清除网页链接地址、订单标识、通信号码、表情符号、订单号等。216.在实际应用中，客服营销人员原始的历史营销话务数据还通常包括一些非标准化的对话内容，如停用词、表达同一含义时用多种同义词、口语表达的形式(主要是语气词、方言常用短语等)等。在这种情况下，要确定所述训练数据中的营销话务数据，还可包括如下步骤：根据营销话务数据标准化规则，对营销话务数据执行标准化处理。所述营销话务数据标准化规则，包括但不限于：停用词过滤、同义词归一化，同时将口语表达的形式(主要是语气词、方言常用短语等)做归一化表达等。217.表1示出了单一营销场景的训练数据。[0218][0219]由表1可见，具体实施时，所述营销话术预测模型可从单一营销场景的训练数据集中学习得到，这样构建得到的营销话术预测模型适用于从该单一营销场景的历史营销话务数据中挖掘得到营销话术。[0220]2)构建营销话术预测模型的网络结构。[0221]在本实施例中，采用有监督的机器学习算法从训练数据集中学习得到所述营销话术预测模型。所述营销话术抽取模型，可采用神经网络结构自动学习拟合出输入的营销话务数据中的某些特定的模板/风格，如优秀话术的特征数据。所述营销话术抽取模型，包括话术特征提取器和话术判别器。其中，所述话术特征提取器用于确定营销话务数据的话术特征数据，所述话术特征数据包括拟合出的标注数据的营销话术特征；所述话术判别器用于根据所述特征数据，判断营销话务数据是否为营销话术。[0222]所述营销话术抽取模型，可采用分层设计的神经网络结构，以提升设计灵活性和复用性。在一个示例中，所述特征提取器包括：词嵌入层、编码层、话术特征聚合层，所述话术判别器包括：全连接层和话术判别层。[0223]其中，词嵌入层用于确定模型输入数据“营销话务数据”中的词向量。所述营销话务数据包括多个词，不同词对应不同的词向量，词向量包括词的语义信息。所述词向量，可以是在所述营销话术抽取模型的训练过程中确定的词向量。[0224]具体实施时，可选取现有分词技术(如jieba分词)确定营销话务数据中的多个词，可选取现有技术中常见的bert、elmo、word2vec、fasttext等算法生成词向量，本实施例采用fasttext算法生成词向量。由于所述词向量及其确定方式属于较为成熟的现有技术，因此此处不再赘述。[0225]所述编码层用于根据所述词向量，确定营销话务数据的编码数据。也就是说，编码层可负责对输入的营销话务数据做向量化表征和特征表示。所述编码层可采用双向长短期时序模型(bilstm)，也可采用其他结构的神经网络，只要能实现对营销话务数据的编码功能即可。[0226]所述话术特征聚合层用于根据编码数据，确定营销话务数据的话术特征数据。也就是说，聚合层可输出拟合的标注数据的营销话术特征。[0227]所述话术判别器，可根据全连接层输出的特征数据，判断所述营销话务数据是否为营销话术。所述话术判别层完成一个二分类任务，判断模型的输入数据是否为优秀话术。具体实施时，所述话术判别层可采用逻辑回归函数(如softmax函数)实现，也可采用其他分类器实现。[0228]在另一个示例中，所述话术特征提取器还可包括：文本片段嵌入层。所述文本片段嵌入层，用于根据所述词向量，确定营销话务数据中的文本片段向量；相应的，所述编码层用于根据所述文本片段向量，确定营销话务数据的编码数据。所述文本片段向量，可以为营销话务数据中多个相邻词构成的文本片段的向量。[0229]请参考图3，其为本技术的营销话术推荐系统的营销话术抽取模型的具体示意图。由图3可见，所述编码层可采用深度金字塔卷积神经网络(dpcnn)，所述话术特征提取器包括：文本片段嵌入层。采用这种处理方式，使得可学习到营销话务数据上下文的长距离语义依赖，这样可解决关键词歧义问题，因而可以有效提升话术挖掘准确率。例如：“苹果”既可以指手机，也可以指水果，这个词就存在歧义，需要看其周边的上下文语境在讲什么。[0230]3)将所述营销话务数据作为营销话术预测模型的输入数据，将营销话务数据是否为营销话术的标注数据作为营销话术预测模型的输出数据，训练营销话术预测模型的网络参数。[0231]在确定训练数据集，并构建所述营销话务文本模型的网络结构后，即可采用有监督的机器学习方式，从训练数据集内学习得到所述营销话务文本模型的网络参数。具体实施时，可将营销话务数据作为模型的输入数据，将是否为营销话术的标注数据作为模型的输出数据，计算损失值，在损失值达到优化目标后结束训练。由于机器学习方式属于较为成熟的现有技术，因此此处不再赘述。[0232]至此，对营销话术抽取模型的基本网络结构及模型构建方式进行了说明。下面结合实际应用情况，对构建营销话术抽取模型的优选实施方式进行说明。[0233]在实际应用中，一种典型的情况是企业要向消费者营销的产品或者服务通常为多个，如通信运营商可向手机用户提供5g套餐、宽带安装、充值缴费等服务。本实施例将企业的多个营销对象称为营销场景，如与通信运营商关联的营销场景包括5g套餐场景、宽带安装场景、充值缴费场景等。[0234]面对上述实际应用情况，本实施例通过多任务学习方式，从多营销场景的训练数据中学习得到所述营销话术预测模型和场景分类模型。在这种情况下，所述训练数据还包括：营销场景标注数据，所述场景分类模型包括场景特征提取器和场景分类器。其中，所述场景特征提取器，用于确定营销话务数据的场景特征数据；所述场景分类器用于根据所述特征数据，确定营销话务数据所属的营销场景,由此可进一步确定挖掘出的营销话术所属的营销场景，构建营销场景与营销话术的对应关系。[0235]具体实施时，所述场景特征提取器可包括：所述词嵌入层，所述文本片段嵌入层，所述编码层，场景特征聚合层；所述场景特征聚合层，用于根据所述编码数据，确定所述场景特征数据。整个模型的优化目标可包括两个损失函数，一个为营销话术损失函数，另一个为场景分类损失函数。表2示出了多营销场景的训练数据。[0236][0237]本实施例提供的所述系统，通过在一次模型训练中，从多营销场景的训练数据同时学习得到适用于多个营销场景的营销话术抽取模型、及营销场景分类模型，使得不同营销场景可共用一个营销话术抽取模型进行营销话术的挖掘处理，通过场景分类模型可确定挖掘出的营销话术所属的营销场景，这样，既可避免构建适用于专用于不同营销场景的多个营销话术抽取模型，又使得场景分类模型与营销话术预测模型共用编码器，因此可以提升营销话术挖掘的跨场景应用效率。[0238]具体实施时，也可以为不同营销场景构建不同的营销话术抽取模型，同时可构建一个独立的场景分类模型。例如，从不同营销场景的训练数据中学习得到不同的营销话术抽取模型，从多个营销场景的营销话术数据的场景标注数据中学习得到场景分类模型。所述营销话术抽取模型和所述场景分类模型，可采用相同的编码层网络结构，以提升跨场景的应用效率。[0239]在实际应用中，另一种典型的情况是不同企业要向消费者营销产品或者服务，如通信运营商可向手机用户提供5g套餐、宽带安装、充值缴费等服务，保险企业要向消费者销售健康险、意外险、寿险、年金险等险种，教育机构要像消费者推荐英语体系课、小说精读课、考级等课程，手机销售商要向消费者销售多款手机。本实施例将多个企业的营销对象称为营销领域，如通信运营商领域，电商领域，教育培训领域，保险领域等。[0240]面对上述实际应用情况，本实施例通过多任务学习方式，从多营销领域的训练数据中学习得到所述营销话术预测模型和领域分类模型。在这种情况下，所述训练数据还包括：营销领域标注数据，所述领域分类模型包括领域特征提取器和领域分类器。其中，所述领域特征提取器用于确定营销话务数据的领域特征数据；所述领域分类器用于根据所述领域特征数据，确定营销话务数据所属的营销领域,由此可进一步确定挖掘出的营销话术所属的营销领域，构建营销领域与营销话术的对应关系。[0241]具体实施时，所述领域特征提取器可包括：所述词嵌入层，所述文本片段嵌入层，所述编码层，领域特征聚合层；所述领域特征聚合层，用于根据所述编码数据，确定所述领域特征数据。整个模型的优化目标可包括两个损失函数，一个为营销话术损失函数，另一个为领域分类损失函数。表3示出了多营销领域、多营销场景的训练数据。[0242][0243][0244]本实施例提供的所述系统，通过在一次模型训练中，从多营销领域的训练数据同时学习得到适用于多个营销领域的营销话术抽取模型、及营销领域分类模型，使得不同营销领域可共用一个营销话术抽取模型进行营销话术的挖掘处理，通过领域分类模型可确定挖掘出的营销话术所属的营销领域，这样，既可避免构建适用于专用于不同营销领域的多个营销话术抽取模型，又使得领域分类模型与营销话术预测模型共用编码器，因此可以提升营销话术挖掘的跨领域应用效率。[0245]至此，对营销话术预测模型的构建方式进行了说明，下面对营销话术挖掘方式进行说明。[0246]第二个阶段：通过构建好的营销话术抽取模型，从历史营销话务文本中挖掘营销话术。[0247]本实施例通过构建好的营销话术抽取模型，对优秀客服人员群体日常话务数据进行挖掘，筛选、过滤出蕴含优良话术的话务。第一阶段模型训练的结果，以一定方式存储，第二阶段通过加载并还原网络参数，对于任意输入的待识别是否为营销话术的历史营销话务数据，给出对应的营销话术得分(如概率)，若满足得分阈值，则将该历史营销话务数据作为营销话术落库。[0248]例如，待识别是否为营销话术的历史营销话务数据为“您放心，现在宽带几乎都不走明线的，小区家里一般都有口，对房东的房子不会有什么影响的。”，通过营销话术抽取模型打分95，则判定该营销话术数据为营销话术。[0249]在本实施例中，要通过构建好的营销话术抽取模型，从历史营销话务文本中挖掘营销话术，可采用如下方式实施：1)确定历史营销话务数据；2)通过营销话术抽取模型中的话术特征提取器，确定历史营销话务数据的话术特征数据；3)通过营销话术抽取模型中的话术判别器，根据所述话术特征数据，判断历史营销话务数据是否为营销话术。[0250]1)确定历史营销话务数据。[0251]所述历史营销话务数据为待识别是否为营销话术的营销话务数据。[0252]在一个示例中，所述待识别是否为营销话术的历史营销话务数据可采用如下方式确定：获取历史营销过程中的第一用户与第二用户间的营销对话数据，包括第一用户的对话数据和第二用户的对话数据；将第二用户的营销对话数据作为待识别是否为营销话术的历史营销话务数据。采用这种处理方式，可从历史营销对话数据中抽取出客服人员的营销对话数据，作为待识别是否为营销话术的历史营销话务数据，避免出现与营销话术无关的消费者的对话数据，因此可以有效提升话术挖掘效率。[0253]在实际应用中，第一用户与第二用户间的营销对话数据通常为多轮问答数据。所述多轮问答数据，可为用户会话(session)的信息。在用户session中，通常包括客服与用户间多次问答的数据，既包含消费者的对话数据，又包含客服的对话数据。将多轮问答数据中客服人员的对话数据作为待识别是否为营销话术的历史营销话务数据。在这种情况下，要从多轮问答数据中抽取出第二用户的营销对话数据，需要对这些与用户角色对应的对话数据做拆分和标记处理，同时还可保留上下文。其中，保留上下文是指一段对话中第一用户和第二用户的每个句子的顺序要予以保留，这样可确定营销话术对应的是第一用户的哪个问题。[0254]具体实施时，可采用如下方式从所述多轮问答文本中抽取历史营销话务数据：对所述多轮问答数据执行分句处理，得到营销分句数据；确定营销分句数据的用户角色信息；将所述用户角色信息为第二用户的营销分句数据作为待识别是否为营销话术的历史营销话务数据。[0255]具体实施时，用户角色的区分可看数据的情况：当语音数据已区分了音轨，则转换成文本以后，会自动携带角色标记(第一用户还是第二用户)；当语音数据未做音轨区分，则转换成文本以后，则无法直接分辨哪些是第一用户发言，哪些是第二用户发言，此时需要用二分类模型加以区分。由于分句技术、角色标记技术均属于较为成熟的现有技术，因此此处不再赘述。[0256]在实际应用中，营销人员主要通过语音方式对消费者用户开展营销活动，因此客服营销人员原始的历史营销话务数据通常为语音形式的营销话务数据，即：营销话务语音数据。在这种情况下，要确定待识别是否为营销话术的历史营销话务数据，还可包括如下步骤：通过语音识别算法，将历史营销话务语音数据转换为历史营销话务文本数据，作为待识别是否为营销话术的历史营销话务数据。由于语音识别算法属于较为成熟的现有技术，因此此处不再赘述。[0257]在实际应用中，客服营销人员原始的历史营销话务数据还通常包括一些噪声数据，如网页链接地址、订单标识、通信号码、表情符号、订单号等。在这种情况下，要确定待识别是否为营销话术的历史营销话务数据，还可包括如下步骤：根据噪声文本过滤规则，清除历史营销话务数据中的噪声数据。所述噪声数据过滤规则，包括但不限于：清除网页链接地址、订单标识、通信号码、表情符号、订单号等。其中，订单号通常是电商的系统中，涉及到消费者的订单号会做隐私数据过滤处理。[0258]在实际应用中，客服营销人员原始的历史营销话务数据还通常包括一些非标准化的对话内容，如停用词、表达同一含义时用多种同义词、口语表达的形式(主要是语气词、方言常用短语等)等。在这种情况下，要确定待识别是否为营销话术的历史营销话务数据，还可包括如下步骤：根据营销话务数据标准化规则，对历史营销话务数据执行标准化处理。所述营销话务数据标准化规则，包括但不限于：停用词过滤、同义词归一化，同时将口语表达的形式(主要是语气词、方言常用短语等)做归一化表达等。[0259]2)通过营销话术抽取模型中的话术特征提取器，确定历史营销话务数据的话术特征数据。[0260]在一个示例中，所述通过营销话术抽取模型中的话术特征提取器，确定历史营销话务数据的话术特征数据，可采用如下方式实施：通过所述话术特征提取器中的词嵌入层，确定历史营销话务数据中的词向量；通过所述特征提取器中的编码层，根据所述词向量，确定历史营销话务数据的编码数据；通过所述话术特征提取器中的话术特征聚合层，根据编码数据，确定话术特征数据。[0261]在另一个示例中，所述通过营销话术抽取模型中的话术特征提取器，确定历史营销话务数据的话术特征数据，还可包括如下步骤：通过所述话术特征提取器中的文本片段嵌入层，根据所述词向量，确定历史营销话务数据中的文本片段向量；相应的，通过所述编码层，根据所述文本片段向量，确定所述编码数据。采用这种处理方式，使得可确定营销话务数据上下文的长距离语义依赖，这样可解决关键词歧义问题，因而可以有效提升话术挖掘准确率。[0262]3)通过营销话术抽取模型中的话术判别器，根据所述话术特征数据，判断历史营销话务数据是否为营销话术。[0263]在一个示例中，所述话术判别器可根据全连接层输出的话术特征数据，判断所述营销话务数据是否为营销话术。[0264]至此，对通过构建好的营销话术抽取模型，从历史营销话务文本中挖掘营销话术的基本处理方式进行了说明。下面结合实际应用情况，对挖掘营销话术的优选实施方式进行说明。[0265]在一个示例中，若营销话术抽取条件成立，则通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术。所述营销话术抽取条件包括但不限于：当前时间距离上次抽取营销话术的时长大于时长阈值；相应的，所述历史营销话务数据包括上次抽取营销话术后新增的营销话务数据。例如，时长阈值为1天、7天或1月，历史营销话务数据包括最近1天、7天或者1月内新增的话务数据。采用这种处理方式，使得可定期根据增量话务数据补充营销话术；因此，可以有效提升话术丰富度，从而提升营销质量，同时还可节约计算资源。[0266]在一个示例中，所述营销话术推荐系统还可通过服务端模块将通过营销话术抽取模型确定的营销话术发送至第二客户端模块；通过第二客户端模块展示营销话术，确定第三用户对所述营销话术的审核结果，向服务端模块发送审核结果；若审核结果为是，服务端模块将营销话术作为有效的营销话术。采用这种处理方式，使得在从优秀客服人员群体日常话务数据中筛选、过滤出可能蕴含优良话术的话务后，再由话术处理人员(第三用户)对缩小范围后的话术进行人工评比，最后确定有助于提升营销服务能力的优良话术，这样可以有效提升营销话术质量。[0267]在实际应用中，待识别是否为营销话术的历史营销话务数据不仅限于一个营销场景的营销话务数据，在这种情况下，还需要确定历史营销话务数据所属的营销场景；将判定为营销话术的历史营销话务数据作为所属营销场景的营销话术。[0268]具体实施时，可以根据历史营销话务数据的来源确定所属营销场景，如历史营销话务数据来源于5g套餐的营销话务日志数据，则可直接确定所属营销场景为5g套餐。[0269]在一个示例中，通过多任务学习方式，从多营销场景的训练数据中学习得到所述营销话术抽取模型和场景分类模型；因此，可通过场景分类模型，确定历史营销话务数据所属的营销场景。[0270]表4示出了多营销场景的营销话术。[0271][0272]由表4可见，营销话术库包括了营销上下文的消费者对话内容。具体实施时，营销话术库也可不包括营销上下文的消费者对话内容，而是包括与营销话术对应的用户会话标识sessionid和对话标识chatid，如sessionid“20210324-usera”表示在20210324这个日期的用户a会话，chatid“5”表示在本次会话中的第5句话。这样，就可以通过反向搜索在原始营销对话数据(日志数据)中查找到营销上下文的消费者对话内容。采用这种处理方式，可以有效节约存储资源。[0273]在实际应用中，另一种典型的情况是待识别是否为营销话术的历史营销话务数据不仅限于一个营销领域的营销话务数据，在这种情况下，还需要确定历史营销话务数据所属的营销领域；将判定为营销话术的历史营销话务数据作为所属营销领域的营销话术。[0274]具体实施时，可以根据历史营销话务数据的来源确定所属营销领域，如历史营销话务数据来源于通信运营商的营销话务日志数据，则可直接确定所属营销场景为通信运营商领域。[0275]在一个示例中，通过多任务学习方式，从多营销领域的训练数据中学习得到所述营销话术抽取模型和领域分类模型；因此，可通过领域分类模型，确定历史营销话务数据所属的营销领域。[0276]表5示出了多营销领域、多营销场景的营销话术。[0277][0278]至此，对通过构建好的营销话术抽取模型，从历史营销话务文本中挖掘营销话术的处理方式进行了说明，下面对营销话术实施推荐方式进行说明。[0279]第三个阶段：在开展营销活动时，基于挖掘到的营销话术进行实时话术推荐。[0280]本实施例提供的所述系统，可根据第一用户与第二用户的当前营销对话数据，从多个营销话术中确定针对第一用户的目标营销话术，向第一客户端模块发送所述目标营销话术；第一客户端模块展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。具体实施时，第一客户端模块可通过内嵌窗口、弹窗等形式，实时展示推荐的话术。[0281]在一个示例中，可采用如下方式确定目标营销话术：1)确定所述营销话术关联的上下文对话数据与所述营销对话数据的匹配度；2)根据所述匹配度，确定所述目标营销话术。所述上下文对话数据，包括营销话术的营销上下文，如第一用户在营销过程中的对话数据。[0282]具体实施时，可通过文本匹配算法，确定当前第一用户的营销对话数据与各个候选营销话术关联的上下文对话数据(第一用户的营销对话数据)的匹配度，将匹配度排在高位的营销话术作为目标营销话术。[0283]例如，在当前开展的营销活动中，消费者(第一用户)：“我们家已经办过宽带了”，该当前对话内容与预先挖掘出的营销话术“这个没关系的，一条上网、一条看电视，两不误，还很顺畅，而且我们现在宽带办理还有xxx元的优惠”(挽留口径)关联的营销上下文“我们家已经办过宽带了”匹配度更高，因此确定目标营销话术为“这个没关系的，一条上网、一条看电视，两不误，还很顺畅，而且我们现在宽带办理还有xxx元的优惠”(挽留口径),当前客服(第二用户)可根据该目标营销话术回复当前消费者。[0284]所述营销话术关联的上下文对话数据，可存储在营销话术库中，如表4所示的营销上下文。在这种情况下，可直接将当前对话内容与营销话术库中的营销上下文进行匹配。采用这种处理方式，可以有效节约计算资源。但是，这种处理方式会导致上下文对话数据冗余，因此消耗较多的存储资源，且无法确保冗余数据的一致性。[0285]在本实施例中，营销话术库也可不包括营销上下文的消费者对话内容，而是包括与营销话术对应的用户会话标识sessionid和对话标识chatid。这样，就可以通过反向搜索在原始营销对话数据(日志数据)中查找到各个候选话术关联的上下文对话数据。采用这种处理方式，可以有效节约存储资源，还可以提高数据准确度。[0286]在实际应用中，服务端模块要处理的所述营销对话数据不仅限于一个营销场景的营销对话数据，在这种情况下，还需要确定营销对话所属的营销场景；根据所述营销对话数据，从与营销对话所属的营销场景对应的多个营销话术中确定所述目标营销话术。[0287]具体实施时，所述根据所述营销对话数据，从与营销对话所属的营销场景对应的多个营销话术中确定所述目标营销话术，可采用如下实施方式：1)话务检索：通过对实时qa数据的场景识别结果，结合营销话术库中已有的优秀话术场景标签做匹配，检索召回对应场景下的优秀营销话术，生成候选集；2)根据当前的对话上下文，对候选集中的优秀话术做排序；3)取得分top-n(n为优秀话术条数)，作为最终返回话术结果。[0288]本技术实施例提供的所述系统，通过确定营销对话所属的营销场景；根据所述营销对话数据，从与营销对话所属的营销场景对应的多个营销话术中确定所述目标营销话术，使得能够实时识别和感知客服在话务中的上下文场景，可为多个场景的营销活动提供话术推荐服务；因此，可以有效提升场景服务能力。[0289]具体实施时，可通过基于多任务学习方式构建的场景分类模型，确定营销对话所属的营销场景。采用这种处理方式，可以有效提升跨场景的应用效率。[0290]在实际应用中，服务端模块要处理的所述营销对话数据不仅限于一个营销领域的营销对话数据，在这种情况下，还需要确定营销对话所属的营销领域；根据所述营销对话数据，从与营销对话所属的营销领域对应的多个营销话术中确定所述目标营销话术。[0291]具体实施时，可通过基于多任务学习方式构建的领域分类模型，确定营销对话所属的营销领域。采用这种处理方式，可以有效提升跨领域的应用效率。[0292]从上述实施例可见，本技术实施例提供的营销话术推荐系统，通过服务端模块从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的第一用户与第二用户的营销对话数据，从多个营销话术中确定针对第一用户的目标营销话术，向第一客户端模块发送所述目标营销话术；通过第一客户端模块展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。采用这种处理方式，使得通过对优秀客服人员群体日常话务数据的挖掘，筛选、过滤出蕴含优良话术的话务，并在客服营销人员(第二用户)向消费者(第一用户)开展营销活动的对话过程中，基于挖掘出的优良话术实时地向客服营销人员推荐较高质量且更为丰富的营销话术，辅助客服营销人员开展营销活动；因此，可以有效提升营销质量及效率，从而提升营销成功率。此外，该系统采用的话术推荐处理过程可复用性强，仅需要更换不同领域数据(如运营商领域、电商领域、教育机构领域、保险领域等)，营销话术抽取模型的结构可直接复用，因此可以有效提升营销领域的可扩展性。[0293]第二实施例[0294]在上述的实施例中，提供了一种营销话术推荐系统，与之相对应的，本技术还提供一种营销话术处理方法，该方法可对优秀客服人员群体日常话务数据的挖掘，从中筛选、过滤出蕴含优良话术的话务。[0295]为了说明本技术实施例提供的营销话术处理方法的技术效果，下面首先对现有技术中的话术挖掘技术及其存在的技术问题进行简要说明。[0296]在营销领域，一线客服人员通常根据自己的经验来回复消费者，由于客服人员水平各异，往往很难给到消费者更好的回答。为了提高营销效果，越来越多的企业开始构建营销话术库，客服人员可基于话术库向消费者开展营销活动。[0297]话术库中可包括人为定义的标准操作过程(standard operating procedure，sop)中的标准话术，还可包括基于话术挖掘技术确定的优秀话术。目前，常用的话术挖掘方案包括：基于启发式搜索的话术挖掘方案，根据话术原文来生成优秀话术的生成式话术挖掘方案，以及，基于关键词和场景模板的方案。下面对上述三种方案的实现方式及其优缺点进行简要说明。[0298]方案一、基于启发式搜索的话术挖掘方案。[0299]该方案的搜索空间为全量话务数据，利用人工标注的种子数据(人工标注的优秀话术)，来做启发式的搜索，其核心即为通过定义种子数据与目标话务数据之间的度量，来渐进式的迭代挖掘。然而，其存在以下几个明显的不足：1)对相似度度量的阈值非常敏感，实际落地中很难调节，导致结果不稳定；2)准确率上限较低；3)受到数据集和相似度度量方式的影响，可扩展性不足。[0300]方案二、根据话术原文来生成优秀话术的生成式话术挖掘方案。[0301]该方案采用话术到话术(seq-to-seq)的方法，根据话术原文来生成优秀话术，其特点是所生成的话术不一定出自原文。但是，也存在如下不足：1)生成的结果不可控，质量难以保证；2)可读性不足。[0302]方案二、基于关键词和场景模板的方案。[0303]该方案采用人工梳理的关键词库，以及人工根据具体场景定义的不同模板，来实现话术的挖掘。其不足之处包括：1)严重依赖词库，泛化不足；2)不同的数据和场景，都要重新设定模板，效率低；3)关键词匹配的方式无法解决上下文的语义歧义问题。[0304]综上所述，现有的话术挖掘技术存在话术挖掘准确率较低等问题。[0305]针对现有技术存在的技术问题，本技术提供一种营销话术处理方法，可对优秀客服人员群体日常话务数据的挖掘，从中筛选、过滤出蕴含优良话术的话务。该方法是与上述系统的实施例中第二阶段的处理过程相对应。由于方法实施例基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。[0306]请参考图4，其为本技术的营销话术处理方法的流程示意图。在本实施例中，所述营销话术处理方法包括如下步骤：[0307]步骤s401：确定历史营销话务数据。[0308]在一个示例中，步骤s401可包括如下子步骤：获取历史营销过程中的第一用户与第二用户间的营销对话数据；将第二用户的历史营销对话数据作为历史营销话务数据。[0309]在一个示例中，所述历史营销话务数据包括：营销话务语音数据；所述方法还可包括如下步骤：通过语音识别算法，将营销话务语音数据转换为营销话务文本。[0310]在一个示例中，所述方法还可包括如下步骤：根据噪声数据过滤规则，清除历史营销话务数据中的噪声数据。[0311]在一个示例中，所述方法还可包括如下步骤：根据营销话务数据标准化规则，对历史营销话务数据执行标准化处理。[0312]步骤s403：通过营销话术抽取模型中的话术特征提取器，确定历史营销话务数据的话术特征数据。[0313]步骤s405：通过营销话术抽取模型中的话术判别器，根据所述特征数据，判断历史营销话务数据是否为营销话术。[0314]在一个示例中，所述方法可包括如下步骤：确定历史营销话务数据所属的营销场景；将判定为营销话术的历史营销话务数据作为所属营销场景的营销话术。[0315]在一个示例中，所述方法可包括如下步骤：通过多任务学习方式，从多营销场景的训练数据中学习得到所述营销话术抽取模型和场景分类模型；所述场景分类模型包括：场景特征提取器和场景分类器，所述场景特征提取器和所述话术特征提取器共用编码层；所述训练数据包括：营销话务数据、是否为营销话术的标注数据和营销场景标注数据；相应的，通过场景分类模型，确定历史营销话务数据所属的营销场景。[0316]在一个示例中，所述方法可包括如下步骤：通过多任务学习方式，从多营销领域的训练数据中学习得到所述营销话术抽取模型和领域分类模型；所述领域分类模型包括：领域特征提取器和领域分类器，所述领域特征提取器和所述话术特征提取器共用编码层；所述训练数据包括：营销话务数据、是否为营销话术的标注数据和营销领域标注数据；相应的，通过领域分类模型，确定历史营销话务数据所属的营销领域。[0317]从上述实施例可见，本技术实施例提供的营销话术处理方法，通过确定历史营销话务数据；通过营销话术抽取模型中的特征提取器，确定历史营销话务数据的特征数据；通过营销话术抽取模型中的话术判别器，根据所述特征数据，判断历史营销话务数据是否为营销话术。采用这种处理方式，至少可以达到以下技术效果：[0318]1)由于利用先验知识建立营销话术抽取模型，采用神经网络自动学习拟合出营销话务数据中的某些特定的模板/风格，如优秀话术的特征数据，因此可以有效提升话术挖掘准确率；[0319]2)通过该模型可对优秀客服人员群体日常话务数据的挖掘，从中筛选、过滤出蕴含优良话术的话务，因此可以有效提升话术丰富度；[0320]3)由于不涉及启发式算法阈值的调整，因此可以有效提升话术挖掘的稳定性；[0321]4)该方式为抽取式的话术挖掘方式，可从营销话术原文中抽取出已有表达并做标准化展示，不存在话术挖掘结果不可控的情况，因此可以有效提升话术质量和可读性；[0322]5)由于确定营销话术时不依赖词库，因此可以有效提升营销话术挖掘的泛化性。[0323]6)如果营销话术抽取模型的训练数据包括多场景的营销话务文本，则不同营销场景可共用一个营销话术抽取模型进行营销话术的挖掘处理，避免构建适用于不同场景的多个营销话术抽取模型，因此可以提升营销话术挖掘的跨场景应用效率。[0324]7)如果营销话术抽取模型的训练数据包括多场景的营销话务文本，且采用多任务学习方式同时学习营销话术抽取模型和场景分类模型，则这两个模型共用编码器，因此可以进一步提升营销话术挖掘的跨场景应用效率。[0325]8)如果编码器采用可以学习到上下文的长距离语义依赖的网络结构，则还可以解决关键词歧义问题，因此可以进一步提升话术挖掘准确率；[0326]9)该话术挖掘过程可复用性强，仅需要更换不同领域数据(如运营商领域、电商领域等)，模型结构可直接复用，因此可以有效提升话术挖掘领域的可扩展性。[0327]第三实施例[0328]在上述的实施例中，提供了一种营销话术处理方法，与之相对应的，本技术还提供一种营销话术处理装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。[0329]本技术另外提供一种营销话术处理装置，包括：[0330]话务数据确定单元，用于确定历史营销话务数据；[0331]话术特征提取单元，用于通过营销话术抽取模型中的话术特征提取器，确定历史营销话务数据的话术特征数据；[0332]话术判断单元，用于通过营销话术抽取模型中的话术判别器，根据所述特征数据，判断历史营销话务数据是否为营销话术。[0333]第四实施例[0334]在上述的实施例中，提供了一种营销话术推荐系统，与之相对应的，本技术还提供一种营销话术抽取模型处理方法，可构建营销话术抽取模型。该方法是与上述系统的实施例中第一阶段的处理过程相对应。由于方法实施例基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。[0335]请参考图5，其为本技术的营销话术抽取模型处理方法的流程示意图。在本实施例中，所述营销话术抽取模型处理方法包括如下步骤：[0336]步骤s501：确定训练数据集。[0337]所述训练数据包括：营销话务数据，是否为营销话术的标注数据。[0338]步骤s503：构建营销话术抽取模型的网络结构。[0339]在一个示例中，所述网络结构包括：话术特征提取器和话术判别器；所述话术特征提取器，用于确定营销话务数据的话术特征数据；所述话术判别器，用于根据所述话术特征数据，判断营销话务数据是否为营销话术。[0340]在一个示例中，所述话术特征提取器包括：词嵌入层，文本片段嵌入层，编码层，话术特征聚合层；所述词嵌入层，用于确定营销话务数据中的词向量；所述文本片段嵌入层，用于根据所述词向量，确定营销话务数据中的文本片段向量；所述编码层，用于根据所述文本片段向量，确定营销话务数据的编码数据；所述话术特征聚合层，用于根据编码数据，确定所述话术特征数据。[0341]步骤s505：从训练数据集内学习得到所述营销话术抽取模型的网络参数。[0342]在一个示例中，所述训练数据还包括：营销场景标注数据；所述网络结构还包括：场景特征提取器和场景分类器；所述场景特征提取器，用于确定营销话务数据的场景特征数据；所述场景分类器，用于根据所述场景特征数据，确定营销话务数据所属的营销场景；所述场景特征提取器包括：所述词嵌入层，所述文本片段嵌入层，所述编码层，场景特征聚合层；所述场景特征聚合层，用于根据所述编码数据，确定所述场景特征数据；通过多任务学习方式，从多营销场景的训练数据中学习得到所述营销话术预测模型和场景分类模型；所述场景分类模型包括所述场景特征提取器和所述场景分类器。[0343]在一个示例中，所述训练数据还包括：营销领域标注数据；所述网络结构还包括：领域特征提取器和领域分类器；所述领域特征提取器，用于确定营销话务数据的领域特征数据；所述领域分类器，用于根据所述领域特征数据，确定营销话务数据所属的营销领域；所述领域特征提取器包括：所述词嵌入层，所述文本片段嵌入层，所述编码层，领域特征聚合层；所述领域特征聚合层，用于根据所述编码数据，确定所述领域特征数据；通过多任务学习方式，从多营销领域的训练数据中学习得到所述营销话术预测模型和领域分类模型；所述领域分类模型包括所述领域特征提取器和所述领域分类器。所述多营销领域包括但不限于：通信运营商领域，电商领域，教育培训领域，保险领域。[0344]从上述实施例可见，本技术实施例提供的营销话术抽取模型处理方法，通过确定训练数据集；构建营销话术抽取模型的网络结构；从训练数据集内学习得到所述营销话术抽取模型的网络参数。采用这种处理方式，使得利用先验知识建立营销话术抽取模型，该模型采用神经网络自动学习拟合出营销话务文本中的某些特定的模板/风格，如优秀话术的特征数据，通过该模型可对优秀客服人员群体日常话务数据的挖掘，从中筛选、过滤出蕴含优良话术的话务；因此，可以有效提升话术挖掘的准确率、丰富度、稳定性和泛化性，以及提升话术质量和可读性。[0345]第五实施例[0346]在上述的实施例中，提供了一种营销话术抽取模型处理方法，与之相对应的，本技术还提供一种营销话术抽取模型处理装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。[0347]本技术另外提供一种营销话术抽取模型处理装置，包括：[0348]训练数据确定单元，用于确定训练数据集；所述训练数据包括：营销话务数据，是否为营销话术的标注数据；[0349]网络结构构建单元，用于构建营销话术抽取模型的网络结构；[0350]模型训练单元，用于从训练数据集内学习得到所述营销话术抽取模型的网络参数。[0351]第六实施例[0352]在上述的实施例中，提供了一种营销话术推荐系统，与之相对应的，本技术还提供一种营销话术推荐方法，可构建营销话术抽取模型。该方法是与上述系统的实施例相对应。由于方法实施例基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。[0353]请参考图6，其为本技术的营销话术推荐方法的流程示意图。在本实施例中，所述营销话术推荐方法包括如下步骤：[0354]步骤s601：从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型。[0355]步骤s603：通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术。[0356]步骤s605：根据第一用户与第二用户的营销对话数据，从多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。[0357]在一个示例中，所述方法还可包括如下步骤：确定第三用户对通过营销话术抽取模型确定的营销话术的审核结果；若审核结果为是，则将营销话术作为有效的营销话术。[0358]在一个示例中，所述方法还可包括如下步骤：确定营销话术所属的营销场景；确定营销对话所属的营销场景；步骤s605可采用如下方式实现：根据所述营销对话数据，从与营销对话所属的营销场景对应的多个营销话术中确定所述目标营销话术。[0359]在一个示例中，步骤s601可采用如下方式实现：通过多任务学习方式，从多营销场景的训练数据中学习得到所述营销话术预测模型和场景分类模型；所述场景分类模型与所述营销话术预测模型共用编码层；所述训练数据包括：营销话务数据、是否为营销话术的标注数据和营销场景标注数据；相应的，通过场景分类模型，确定营销话术所属的营销场景和营销对话所属的营销场景。[0360]在一个示例中，若营销话术抽取条件成立，则通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术。例如，所述营销话术抽取条件包括：当前时间距离上次抽取营销话术的时长大于时长阈值；相应的，所述历史营销话务数据包括上次抽取营销话术后新增的营销话务数据。[0361]在一个示例中，步骤s605可包括如下子步骤：确定所述营销话术关联的上下文对话数据与所述营销对话数据的匹配度；根据所述匹配度，确定所述目标营销话术。[0362]从上述实施例可见，本技术实施例提供的营销话术推荐方法，通过从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；根据第一用户与第二用户的营销对话数据，从多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。采用这种处理方式，使得通过对优秀客服人员群体日常话务数据的挖掘，筛选、过滤出蕴含优良话术的话务，并在客服营销人员(第二用户)向消费者(第一用户)开展营销活动的对话过程中，基于挖掘出的优良话术实时地向客服营销人员推荐较高质量且更为丰富的营销话术，辅助客服营销人员开展营销活动；因此，可以有效提升营销质量及效率，从而提升营销成功率。此外，该系统采用的话术推荐处理过程可复用性强，仅需要更换不同领域数据(如运营商领域、电商领域、教育机构领域、保险领域等)，营销话术抽取模型的结构可直接复用，因此可以有效提升营销领域的可扩展性。[0363]第七实施例[0364]在上述的实施例中，提供了一种营销话术推荐方法，与之相对应的，本技术还提供一种营销话术推荐装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。[0365]本技术另外提供一种营销话术推荐装置，包括：[0366]模型构建单元，用于从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；[0367]话术挖掘单元，用于通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；[0368]话术推荐单元，用于根据第一用户与第二用户的营销对话数据，从多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。[0369]第八实施例[0370]在上述的实施例中，提供了一种营销话术推荐系统，与之相对应的，本技术还提供一种营销话术处理方法，可对通过营销话术抽取模型挖掘的营销话术进行人工审核处理。该方法是与上述系统的实施例相对应。由于方法实施例基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。[0371]请参考图7，其为本技术的营销话术处理方法的流程示意图。在本实施例中，所述营销话术处理方法包括如下步骤：[0372]步骤s701：接收服务端模块发送的通过营销话术抽取模型从历史营销话务数据中确定的营销话术。[0373]所述营销话术抽取模型，从多个营销话务数据与其是否为营销话术的标注数据中学习得到。[0374]步骤s703：确定第三用户对所述营销话术的审核结果；[0375]步骤s705：向服务端模块发送审核结果，以使得服务端模块根据审核结果确定营销话术是否有效。[0376]从上述实施例可见，本技术实施例提供的营销话术处理方法，通过接收服务端发送的通过营销话术抽取模型从历史营销话务数据中确定的营销话术；所述营销话术抽取模型从多个营销话务数据与其是否为营销话术的标注数据中学习得到；确定第三用户对所述营销话术的审核结果；向服务端发送审核结果，以使得服务端根据审核结果确定营销话术是否有效。采用这种处理方式，使得在从优秀客服人员群体日常话务数据中筛选、过滤出可能蕴含优良话术的话务后，再由话术处理人员对缩小范围后的话术进行人工评比，最后确定有助于提升营销服务能力的优良话术。[0377]第九实施例[0378]在上述的实施例中，提供了一种营销话术处理方法，与之相对应的，本技术还提供一种营销话术处理装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。[0379]本技术另外提供一种营销话术处理装置，包括：[0380]话术接收单元，用于接收服务端模块发送的通过营销话术抽取模型从历史营销话务数据中确定的营销话术；所述营销话术抽取模型从多个营销话务数据与其是否为营销话术的标注数据中学习得到；[0381]话术审核单元，用于确定第三用户对所述营销话术的审核结果；[0382]审核结果发送单元，用于向服务端模块发送审核结果，以使得服务端模块根据审核结果确定营销话术是否有效。[0383]第十实施例[0384]在上述的实施例中，提供了一种营销话术推荐系统，与之相对应的，本技术还提供一种营销话术推荐方法，所述方法的执行主体包括但不限于第二用户的终端设备。该方法是与上述系统的实施例相对应。由于方法实施例基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。[0385]请参考图8，其为本技术的营销话术推荐方法的流程示意图。在本实施例中，所述营销话术推荐方法包括如下步骤：[0386]步骤s801：接收服务端模块发送的针对第一用户的目标营销话术。[0387]所述服务端模块采用如下方式确定所述目标营销话术：从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的第一用户与第二用户的营销对话数据，从多个营销话术中确定目标营销话术。[0388]步骤s803：展示目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。[0389]从上述实施例可见，本技术实施例提供的营销话术推荐方法，通过接收服务端发送的针对第一用户的目标营销话术；所述服务端采用如下方式确定所述目标营销话术：从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的第一用户与第二用户的营销对话数据，从多个营销话术中确定目标营销话术；展示目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。采用这种处理方式，使得通过对优秀客服人员群体日常话务数据的挖掘，筛选、过滤出蕴含优良话术的话务，并在客服营销人员(第二用户)向消费者(第一用户)开展营销活动的对话过程中，基于挖掘出的优良话术实时地向客服营销人员推荐较高质量且更为丰富的营销话术，辅助客服营销人员开展营销活动；因此，可以有效提升营销质量及效率，从而提升营销成功率。此外，该系统采用的话术推荐处理过程可复用性强，仅需要更换不同领域数据(如运营商领域、电商领域、教育机构领域、保险领域等)，营销话术抽取模型的结构可直接复用，因此可以有效提升营销领域的可扩展性。[0390]第十一实施例[0391]在上述的实施例中，提供了一种营销话术推荐方法，与之相对应的，本技术还提供一种营销话术推荐装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。[0392]本技术另外提供一种营销话术推荐装置，包括：[0393]推荐话术接收单元，用于接收服务端模块发送的针对第一用户的目标营销话术；所述服务端模块采用如下方式确定所述目标营销话术：从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的第一用户与第二用户的营销对话数据，从多个营销话术中确定目标营销话术；[0394]推荐话术展示单元，用于展示目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。[0395]第十二实施例[0396]在上述的实施例中，提供了一种营销话术推荐系统，与之相对应的，本技术还提供一种营销话术推荐系统。该系统是与上述系统的实施例相对应。两个系统实施例相似之处参见实施例一的部分说明即可。下述描述的系统实施例仅仅是示意性的。[0397]本实施例的一种营销话术推荐系统，包括：至少一个第一服务端模块，第二服务端模块，客户端模块。[0398]请参考图9，其为本技术的营销话术推荐系统的又一应用场景示意图。在本实施例中，至少一个第一服务端模块可部署在不同营销企业的第一服务端侧，第二服务端模块部署在向多个营销企业提供营销话术推荐服务的通用营销话术推荐平台的服务端，客户端部署在营销人员的终端设备侧，可展示第二服务端推荐的营销话术，由此可实现跨领域、跨场景的实时话术推荐。[0399]例如，某个通信运营商的话务系统部署在第一服务端a侧，该话务系统包括第一服务端模块a’，该模块a’向第二服务端模块发送该通信运营商(通信运营商领域)的历史营销话务数据，并发送该通信运营商的第一用户与第二用户的营销对话数据；某个教育培训机构的话务系统部署在第一服务端b侧，该话务系统包括第一服务端模块b’，该模块b’向第二服务端模块发送该教育培训机构(教育培训领域)的历史营销话务数据，并发送该教育培训机构的第一用户与第二用户的营销对话数据；某个保险公司的话务系统部署在第一服务端c侧，该话务系统包括第一服务端模块c’，该模块c’向第二服务端模块发送该保险公司(保险领域)的历史营销话务数据，并发送该保险公司的第一用户与第二用户的营销对话数据。[0400]在本实施例中，第一服务端模块用于发送目标领域的历史营销话务数据；以及，发送第一用户与第二用户的营销对话数据；第二服务端模块用于从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；以及，根据所述营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术，发送所述目标营销话术；客户端模块用于展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。其中，不同的第一服务端模块对应的目标领域包括但不限于：通信运营商领域，电商领域，教育培训领域，保险领域，等等。[0401]具体实施时，可从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到一个适用于多营销领域的通用的营销话术抽取模型，也可分别从不同营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多个适用于不同营销领域的通用的营销话术抽取模型。[0402]在一个示例中，所述第一服务端模块可根据预设的时间间隔，发送所述历史营销话务数据，所述历史营销话务数据包括在所述时间间隔内目标领域新增的营销话务数据，如每天发送一次新增的话务数据，每天对新增话务数据进行一次话术挖掘处理。采用这种处理方式，使得可定期根据增量话务数据补充营销话术；因此，可以有效提升话术丰富度，从而提升营销质量。[0403]从上述实施例可见，本技术实施例提供的营销话术推荐系统，通过至少一个第一服务端模块发送目标领域的历史营销话务数据；通过第二服务端模块从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；以及，通过至少一个第一服务端模块发送第一用户与第二用户的营销对话数据；通过第二服务端模块根据所述营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术，发送所述目标营销话术；通过客户端模块展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。采用这种处理方式，使得通过通用的话术推荐平台向多个领域的第三方营销活动提供实时话术推荐服务，实现跨领域的实时话术推荐，其中话术推荐平台对多个领域的第三方营销活动的优秀客服人员群体日常话务数据的挖掘，筛选、过滤出蕴含优良话术的话务，形成多个营销领域的营销话术库，并在客服营销人员向消费者开展营销活动的对话过程中，基于挖掘出的优良话术实时地向客服营销人员推荐较高质量且更为丰富的营销话术，辅助客服人员开展营销活动；因此，可以有效提升领域服务能力，以及提升营销质量及效率，从而提升营销成功率。[0404]第十三实施例[0405]在上述的实施例中，提供了一种营销话术推荐系统，与之相对应的，本技术还提供一种营销话术推荐方法。该系统是与上述方法的实施例相对应。该方法是与上述系统的实施例中第一服务端模块的处理过程相对应。由于方法实施例基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。下述描述的系统实施例仅仅是示意性的。[0406]本技术还提供一种营销话术推荐方法，可包括如下步骤：[0407]1、将目标领域的历史营销话务数据发送至服务端模块，以使得服务端模块通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；服务端模块从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；[0408]2、将第一用户与第二用户的营销对话数据发送至服务端模块，以使得服务端模块根据所述营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。[0409]第十四实施例[0410]在上述的实施例中，提供了一种营销话术推荐方法，与之相对应的，本技术还提供一种营销话术推荐装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。[0411]本技术另外提供一种营销话术推荐装置，包括：[0412]历史话务数据发送单元，用于将目标领域的历史营销话务数据发送至服务端模块，以使得服务端模块通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；服务端模块从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；[0413]当前对话数据发送单元，用于将第一用户与第二用户的营销对话数据发送至服务端模块，以使得服务端模块根据所述营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。[0414]第十五实施例[0415]在上述的实施例中，提供了一种营销话术推荐系统，与之相对应的，本技术还提供一种营销话术推荐方法。该系统是与上述方法的实施例相对应。该方法是与上述系统的实施例中第二服务端模块的处理过程相对应。由于方法实施例基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。下述描述的系统实施例仅仅是示意性的。[0416]本技术还提供一种营销话术推荐方法，可包括如下步骤：[0417]1、从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；[0418]2、针对接收到的目标领域的历史营销话务数据，通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；[0419]3、针对接收到的第一用户与第二用户的营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。[0420]第十六实施例[0421]在上述的实施例中，提供了一种营销话术推荐方法，与之相对应的，本技术还提供一种营销话术推荐装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。[0422]本技术另外提供一种营销话术推荐装置，包括：[0423]模型构建单元，用于从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；[0424]话术挖掘单元，用于针对接收到的目标领域的历史营销话务数据，通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；[0425]话术推荐单元，用于针对接收到的第一用户与第二用户的营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。[0426]第十七实施例[0427]在上述的实施例中，提供了一种营销话术推荐系统，与之相对应的，本技术还提供一种营销话术推荐方法。该系统是与上述方法的实施例相对应。该方法是与上述系统的实施例中客户端模块的处理过程相对应。由于方法实施例基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。下述描述的系统实施例仅仅是示意性的。[0428]本技术还提供一种营销话术推荐方法，可包括如下步骤：[0429]1、接收服务端模块发送的针对第一用户的目标营销话术；所述服务端模块采用如下方式确定目标营销话术：从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；针对接收到的目标领域的历史营销话务数据，通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；针对接收到的第一用户与第二用户的营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术；[0430]2、展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。[0431]第十八实施例[0432]在上述的实施例中，提供了一种营销话术推荐方法，与之相对应的，本技术还提供一种营销话术推荐装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。[0433]本技术另外提供一种营销话术推荐装置，包括：[0434]推荐话术接收单元，用于接收服务端模块发送的针对第一用户的目标营销话术；所述服务端模块采用如下方式确定目标营销话术：从多营销领域的营销话务数据与其是否为营销话术的标注数据中学习得到多营销领域的营销话术抽取模型；针对接收到的目标领域的历史营销话务数据，通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为目标领域的营销话术；针对接收到的第一用户与第二用户的营销对话数据，从目标领域的多个营销话术中确定针对第一用户的目标营销话术；[0435]推荐话术展示单元，用于展示所述目标营销话术，以便于第二用户根据所述目标营销话术与第一用户对话。[0436]第十九实施例[0437]在上述的实施例中，提供了一种营销话术推荐系统，与之相对应的，本技术还提供一种客服机器人系统。该系统是与上述系统的实施例相对应。两个系统实施例相似之处参见实施例一的部分说明即可。下述描述的系统实施例仅仅是示意性的。[0438]本实施例的一种客服机器人系统，包括：服务端模块和客户端模块。[0439]请参考图10，其为本技术的客服机器人系统的应用场景示意图。在本实施例中，服务端模块可部署在客服机器人平台的服务端侧，客户端模块部署在消费者用户的终端设备(如智能音箱、智能手机、个人电脑等)侧，可展示客服机器人基于营销话术回复的信息，由此可实现通过客服机器人开展营销活动。[0440]在本实施例中，服务端模块用于从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的目标用户的营销对话数据，从多个营销话术中确定针对目标用户的目标营销话术，向客户端模块发送目标营销话术；客户端模块用于展示目标营销话术。[0441]从上述实施例可见，本技术实施例提供的客服机器人系统，通过服务端模块从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，针对接收到的目标用户的营销对话数据，从多个营销话术中确定针对目标用户的目标营销话术，向客户端模块发送目标营销话术；通过客户端模块展示目标营销话术。采用这种处理方式，使得通过对优秀客服人员群体日常话务数据的挖掘，筛选、过滤出蕴含优良话术的话务，并在客服机器人向消费者(目标用户)开展营销活动的对话过程中，基于挖掘出的优良话术实时地确定较高质量且更为丰富的营销话术，通过客服机器人自动化地开展营销活动；因此，可以有效提升营销质量及效率，从而提升营销成功率。[0442]第二十实施例[0443]在上述的实施例中，提供了一种客服机器人系统，与之相对应的，本技术还提供一种机器人对话方法。该系统是与上述方法的实施例相对应。该方法是与上述系统的实施例中服务端模块的处理过程相对应。由于方法实施例基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。下述描述的系统实施例仅仅是示意性的。[0444]本技术还提供一种机器人对话方法，可包括如下步骤：[0445]1、从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；[0446]2、通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；[0447]3、根据目标用户的营销对话数据，从多个营销话术中确定针对目标用户的目标营销话术。[0448]第二十一实施例[0449]在上述的实施例中，提供了一种机器人对话方法，与之相对应的，本技术还提供一种机器人对话装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。[0450]本技术另外提供一种机器人对话装置，包括：[0451]模型构建单元，用于从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；[0452]话术挖掘单元，用于通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；[0453]话术推荐单元，用于根据目标用户的营销对话数据，从多个营销话术中确定针对目标用户的目标营销话术。[0454]第二十二实施例[0455]在上述的实施例中，提供了一种客服机器人系统，与之相对应的，本技术还提供一种机器人对话方法。该系统是与上述方法的实施例相对应。该方法是与上述系统的实施例中客户端模块的处理过程相对应。由于方法实施例基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。下述描述的系统实施例仅仅是示意性的。[0456]本技术还提供一种机器人对话方法，可包括如下步骤：[0457]1、接收服务端模块发送的针对目标用户的目标营销话术；所述服务端模块采用如下方式确定所述目标营销话术：从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，根据目标用户的营销对话数据，从多个营销话术中确定针对目标用户的目标营销话术；[0458]2、展示目标营销话术。[0459]第二十三实施例[0460]在上述的实施例中，提供了一种机器人对话方法，与之相对应的，本技术还提供一种机器人对话装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。[0461]本技术另外提供一种机器人对话装置，包括：[0462]推荐话术接收单元，用于接收服务端模块发送的针对目标用户的目标营销话术；所述服务端模块采用如下方式确定所述目标营销话术：从多个营销话务数据与其是否为营销话术的标注数据中学习得到营销话术抽取模型；通过营销话术抽取模型，从历史营销话务数据中选取营销话务数据，作为营销话术；以及，根据目标用户的营销对话数据，从多个营销话术中确定针对目标用户的目标营销话术；[0463]推荐话术展示单元，用于展示目标营销话术。[0464]第二十四实施例[0465]在上述的实施例中，提供了一种营销话术推荐系统实施，与之相对应的，本技术还提供一种营销话术推荐方法。该方法是与上述系统实施的实施例相对应。由于方法实施例基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。下述描述的系统实施例仅仅是示意性的。[0466]本技术还提供一种营销话术推荐方法，可包括如下步骤：[0467]1、根据历史营销对话数据，构建营销话术库；[0468]2、获取当前营销对话数据；[0469]3、根据当前营销对话数据，从营销话术库中确定目标营销话术。[0470]在本实施例中，所述根据当前营销对话数据，从营销话术库中确定目标营销话术的步骤，可包括如下子步骤：确定所述营销话术关联的历史上下文对话数据与所述当前营销对话数据的匹配度；根据所述匹配度，确定所述目标营销话术。[0471]从上述实施例可见，本技术实施例提供的营销话术推荐方法，通过根据历史营销对话数据，构建营销话术库；获取当前营销对话数据；根据当前营销对话数据，从营销话术库中确定目标营销话术。采用这种处理方式，使得通过对优秀客服人员群体日常话务数据的挖掘，筛选、过滤出蕴含优良话术的话务，并在向消费者开展营销活动时，基于挖掘出的优良话术实时地进行营销话术的推荐，由此可实现能够完全自动化地开展营销活动的客服机器人系统，也可实现能够辅助客服营销人员开展营销活动的营销话术推荐系统；因此，可以有效提升营销质量及效率，从而提升营销成功率。[0472]第二十五实施例[0473]在上述的实施例中，提供了一种营销话术推荐方法，与之相对应的，本技术还提供一种营销话术推荐装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。[0474]本技术另外提供一种营销话术推荐装置，包括：[0475]话术库构建单元，用于根据历史营销对话数据，构建营销话术库；[0476]营销对话获取单元，用于获取当前营销对话数据；[0477]话术推荐单元，用于根据当前营销对话数据，从营销话术库中确定目标营销话术。[0478]第二十六实施例[0479]在上述的实施例中，提供了一种多种有关营销话术的处理方法，与之相对应的，本技术还提供一种电子设备。该装置是与上述方法的实施例相对应。由于设备实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。[0480]本实施例的一种电子设备，该电子设备包括：处理器和存储器；存储器，用于存储实现上述方法的程序，该设备通电并通过所述处理器运行该方法的程序。[0481]本技术虽然以较佳实施例公开如上，但其并不是用来限定本技术，任何本领域技术人员在不脱离本技术的精神和范围内，都可以做出可能的变动和修改，因此本技术的保护范围应当以本技术权利要求所界定的范围为准。[0482]在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。[0483]内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。[0484]1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。[0485]2、本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!