本技術(shù)涉及人工智能和大數(shù)據(jù)，尤其涉及用戶線索挖掘方法、裝置、計算機(jī)設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、在保險客服領(lǐng)域中，如何促成客戶復(fù)購新品類的保險，即從存量客戶中挖掘潛在的新品客戶，這是一個重要的研究方向，相比對外挖掘潛在新用戶，對于存量客戶的線索挖掘成本更低，交易成功率更高。

2、傳統(tǒng)的線索挖掘流程，主要是通過從業(yè)務(wù)方收集關(guān)鍵詞，基于關(guān)鍵詞召回數(shù)據(jù)，再由人工標(biāo)注，最后訓(xùn)練一個線索模型，利用線索模型進(jìn)行線索挖掘。

3、然而，這種方式的局限在于標(biāo)注數(shù)據(jù)完全依賴于人工，無法直接從通話文本中獲取線索，且無法主動發(fā)現(xiàn)新的線索或關(guān)鍵詞，線索挖掘效率低下，無法處理大量的歷史通話數(shù)據(jù)。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例的目的在于提出一種用戶線索挖掘方法、裝置、計算機(jī)設(shè)備及存儲介質(zhì)，以解決傳統(tǒng)線索挖掘流程無法主動發(fā)現(xiàn)新的線索以及線索挖掘效率低下，無法處理大量的歷史數(shù)據(jù)的技術(shù)問題。

2、為了解決上述技術(shù)問題，本技術(shù)實(shí)施例提供一種用戶線索挖掘方法，采用了如下所述的技術(shù)方案：

3、獲取用戶通話文本，所述用戶通話文本包括潛在用戶通話文本以及成交用戶通話文本；

4、將所述成交用戶通話文本進(jìn)行數(shù)據(jù)清洗處理，得到目標(biāo)文本數(shù)據(jù)；

5、將所述目標(biāo)文本數(shù)據(jù)輸入至預(yù)設(shè)的標(biāo)簽處理大模型進(jìn)行文本關(guān)鍵詞提取處理，得到第一用戶數(shù)據(jù)標(biāo)簽，所述第一用戶數(shù)據(jù)標(biāo)簽包括若干個成交關(guān)鍵詞；

6、通過所述第一用戶數(shù)據(jù)標(biāo)簽對所述潛在用戶通話文本進(jìn)行數(shù)據(jù)召回處理，得到弱標(biāo)簽數(shù)據(jù)；

7、將所述弱標(biāo)簽數(shù)據(jù)作為線索訓(xùn)練數(shù)據(jù)集，對通用模型進(jìn)行訓(xùn)練，得到線索模型；

8、將所述潛在用戶通話文本輸入所述線索模型進(jìn)行線索搜索處理，生成第二用戶數(shù)據(jù)標(biāo)簽，所述第二用戶數(shù)據(jù)標(biāo)簽包括若干個線索關(guān)鍵詞；

9、將所述第一用戶數(shù)據(jù)標(biāo)簽以及所述第二用戶數(shù)據(jù)標(biāo)簽上傳至標(biāo)簽信息庫，對所述成交關(guān)鍵詞以及所述線索關(guān)鍵詞進(jìn)行分類處理，得到用戶線索信息。

10、進(jìn)一步的，所述標(biāo)簽處理大模型包括llm模型、bce?embedding模型以及文本聚類模型，所述將所述目標(biāo)文本數(shù)據(jù)輸入至預(yù)設(shè)的標(biāo)簽處理大模型進(jìn)行文本關(guān)鍵詞提取處理，得到第一用戶數(shù)據(jù)標(biāo)簽的步驟，具體包括：

11、通過所述llm模型對所述目標(biāo)文本數(shù)據(jù)執(zhí)行prompt指令，得到目標(biāo)文本關(guān)鍵詞；

12、通過所述bce?embedding模型對所述目標(biāo)文本關(guān)鍵詞進(jìn)行embedding向量化處理，得到目標(biāo)文本向量；

13、通過所述文本聚類模型對所述目標(biāo)文本向量進(jìn)行聚類處理，得到聚類類別，所述聚類類別內(nèi)包含若干個成交關(guān)鍵詞；

14、通過所述llm模型對所述成交關(guān)鍵詞進(jìn)行類別解釋處理，生成所述第一用戶數(shù)據(jù)標(biāo)簽。

15、進(jìn)一步的，所述通過所述第一用戶數(shù)據(jù)標(biāo)簽對所述潛在用戶通話文本進(jìn)行數(shù)據(jù)召回處理，得到弱標(biāo)簽數(shù)據(jù)的步驟，具體包括：

16、對所述第一用戶數(shù)據(jù)標(biāo)簽內(nèi)的全部成交關(guān)鍵詞進(jìn)行隨機(jī)篩選，得到目標(biāo)成交關(guān)鍵詞；

17、基于所述目標(biāo)成交關(guān)鍵詞對所述潛在用戶通話文本進(jìn)行上下文定位，得到所述目標(biāo)成交關(guān)鍵詞在所述潛在用戶通話文本的文本位置信息；

18、基于所述文本位置信息對所述潛在用戶通話文本進(jìn)行上下文字段截取處理，得到文本召回數(shù)據(jù)；

19、將所述文本召回數(shù)據(jù)輸入所述llm模型進(jìn)行數(shù)據(jù)標(biāo)注處理，得到所述弱標(biāo)簽數(shù)據(jù)。

20、進(jìn)一步的，所述將所述文本召回數(shù)據(jù)通過所述llm模型進(jìn)行數(shù)據(jù)標(biāo)注處理，得到所述弱標(biāo)簽數(shù)據(jù)的步驟，具體包括：

21、將所述文本召回數(shù)據(jù)通過所述文本聚類模型進(jìn)行意圖劃分處理，得到類別樣本；

22、通過所述llm模型對所述類別樣本進(jìn)行標(biāo)簽分類處理，生成目標(biāo)標(biāo)簽數(shù)據(jù)；

23、計算所述目標(biāo)標(biāo)簽數(shù)據(jù)的文本置信度；

24、若所述文本置信度大于或等于預(yù)設(shè)的置信度閾值時，則對所述目標(biāo)標(biāo)簽數(shù)據(jù)進(jìn)行標(biāo)注，得到所述弱標(biāo)簽數(shù)據(jù)，并將所述目標(biāo)標(biāo)簽數(shù)據(jù)保存到所述標(biāo)簽信息庫；

25、若所述文本置信度大于或等于預(yù)設(shè)的置信度閾值時，則直接將所述目標(biāo)標(biāo)簽數(shù)據(jù)保存到所述標(biāo)簽信息庫。

26、進(jìn)一步的，所述將所述弱標(biāo)簽數(shù)據(jù)作為線索訓(xùn)練數(shù)據(jù)集，對通用模型進(jìn)行訓(xùn)練，得到線索模型的步驟，具體包括：

27、對所述線索訓(xùn)練數(shù)據(jù)集進(jìn)行文本特征提取，以獲取所述線索訓(xùn)練數(shù)據(jù)集的文本標(biāo)簽特征；

28、通過所述線索訓(xùn)練數(shù)據(jù)集的文本標(biāo)簽特征估算所述線索模型的模型參數(shù)；

29、將所述線索模型的模型參數(shù)導(dǎo)入到所述通用模型中，并利用所述線索訓(xùn)練數(shù)據(jù)集對所述通用模型進(jìn)行訓(xùn)練，得到所述線索模型。

30、進(jìn)一步的，所述將所述第一用戶數(shù)據(jù)標(biāo)簽以及所述第二用戶數(shù)據(jù)標(biāo)簽上傳至標(biāo)簽信息庫，并對所述成交關(guān)鍵詞以及所述線索關(guān)鍵詞進(jìn)行分類處理，得到用戶線索信息的步驟，具體包括：

31、對所述第一用戶數(shù)據(jù)標(biāo)簽內(nèi)的所有成交關(guān)鍵詞以及所述第二用戶數(shù)據(jù)標(biāo)簽內(nèi)的所有線索關(guān)鍵詞進(jìn)行遍歷，得到目標(biāo)線索數(shù)據(jù)集；

32、獲取所述目標(biāo)線索數(shù)據(jù)集內(nèi)所有關(guān)鍵詞的文本置信度，基于所述文本置信度進(jìn)行分類，得到所述用戶線索信息。

33、進(jìn)一步的，在所述將所述第一用戶數(shù)據(jù)標(biāo)簽以及所述第二用戶數(shù)據(jù)標(biāo)簽上傳至標(biāo)簽信息庫，得到用戶線索信息的步驟之后，還包括：

34、通過消息隊列將所述標(biāo)簽信息庫與監(jiān)控調(diào)度平臺進(jìn)行訂閱連接，所述監(jiān)控調(diào)度平臺包括監(jiān)控子平臺以及調(diào)度子平臺，所述監(jiān)控調(diào)度平臺通過消息隊列與所述線索模型、所述預(yù)設(shè)的標(biāo)簽處理大模型以及所述標(biāo)簽信息庫進(jìn)行數(shù)據(jù)交互；

35、通過所述監(jiān)控子平臺對所述用戶線索信息進(jìn)行數(shù)據(jù)監(jiān)控，得到線索監(jiān)控數(shù)據(jù)，所述線索監(jiān)控數(shù)據(jù)包括有效線索量、標(biāo)簽的有效線索量以及標(biāo)簽置信度；

36、基于所述線索監(jiān)控數(shù)據(jù)，通過所述調(diào)度子平臺的路由規(guī)則對所述標(biāo)簽信息庫進(jìn)行數(shù)據(jù)調(diào)度，得到線索調(diào)度數(shù)據(jù)。

37、為了解決上述技術(shù)問題，本技術(shù)實(shí)施例還提供一種用戶線索挖掘裝置，采用了如下所述的技術(shù)方案：

38、獲取模塊，用于獲取用戶通話文本，所述用戶通話文本包括潛在用戶通話文本以及成交用戶通話文本；

39、數(shù)據(jù)清洗模塊，用于將所述成交用戶通話文本進(jìn)行數(shù)據(jù)清洗處理，得到目標(biāo)文本數(shù)據(jù)；

40、處理模塊，用于將所述目標(biāo)文本數(shù)據(jù)輸入至預(yù)設(shè)的標(biāo)簽處理大模型進(jìn)行文本關(guān)鍵詞提取處理，得到第一用戶數(shù)據(jù)標(biāo)簽，所述第一用戶數(shù)據(jù)標(biāo)簽包括若干個成交關(guān)鍵詞；

41、數(shù)據(jù)召回模塊，用于通過所述第一用戶數(shù)據(jù)標(biāo)簽對所述潛在用戶通話文本進(jìn)行數(shù)據(jù)召回處理，得到弱標(biāo)簽數(shù)據(jù)；

42、訓(xùn)練模塊，用于將所述弱標(biāo)簽數(shù)據(jù)作為線索訓(xùn)練數(shù)據(jù)集，對通用模型進(jìn)行訓(xùn)練，得到預(yù)訓(xùn)練的線索模型；

43、輸入模塊，用于將所述潛在用戶通話文本輸入所述線索模型進(jìn)行線索搜索處理，生成第二用戶數(shù)據(jù)標(biāo)簽，所述第二用戶數(shù)據(jù)標(biāo)簽包括若干個線索關(guān)鍵詞；

44、分類模塊，用于將所述第一用戶數(shù)據(jù)標(biāo)簽以及所述第二用戶數(shù)據(jù)標(biāo)簽上傳至標(biāo)簽信息庫，并將所述成交關(guān)鍵詞以及所述線索關(guān)鍵詞進(jìn)行分類處理，得到用戶線索信息。

45、為了解決上述技術(shù)問題，本技術(shù)實(shí)施例還提供一種計算機(jī)設(shè)備，采用了如下所述的技術(shù)方案：

46、一種計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器中存儲有計算機(jī)可讀指令，所述處理器執(zhí)行所述計算機(jī)可讀指令時實(shí)現(xiàn)所述的用戶線索挖掘方法的步驟。

47、為了解決上述技術(shù)問題，本技術(shù)實(shí)施例還提供一種計算機(jī)可讀存儲介質(zhì)，采用了如下所述的技術(shù)方案：

48、一種計算機(jī)可讀存儲介質(zhì)，其特征在于，所述計算機(jī)可讀存儲介質(zhì)上存儲有計算機(jī)可讀指令，所述計算機(jī)可讀指令被處理器執(zhí)行時實(shí)現(xiàn)所述的用戶線索挖掘方法的步驟。

49、與現(xiàn)有技術(shù)相比，本技術(shù)實(shí)施例主要有以下有益效果：

50、本技術(shù)實(shí)施例通過獲取用戶通話文本，將成交用戶通話文本進(jìn)行預(yù)處理后，輸入預(yù)設(shè)的標(biāo)簽處理大模型進(jìn)行文本關(guān)鍵詞提取處理，得到第一用戶數(shù)據(jù)標(biāo)簽，通過第一用戶數(shù)據(jù)標(biāo)簽對潛在用戶通話文本進(jìn)行數(shù)據(jù)召回處理，得到弱標(biāo)簽數(shù)據(jù)，將弱標(biāo)簽數(shù)據(jù)作為線索訓(xùn)練數(shù)據(jù)集，對通用模型進(jìn)行訓(xùn)練，得到線索模型，將潛在用戶通話文本輸入線索模型進(jìn)行線索搜索處理，生成第二用戶數(shù)據(jù)標(biāo)簽，將第一用戶數(shù)據(jù)標(biāo)簽以及第二用戶數(shù)據(jù)標(biāo)簽上傳至標(biāo)簽信息庫，對成交關(guān)鍵詞以及線索關(guān)鍵詞進(jìn)行分類處理，得到用戶線索信息，實(shí)現(xiàn)了一個完整線索挖掘過程的閉環(huán)，充分利用大模型的能力，使其在線索挖掘的各個子任務(wù)發(fā)揮最大優(yōu)勢，有效降低標(biāo)注成本，提高了線索挖掘的效率，還可以主動發(fā)現(xiàn)新的線索或關(guān)鍵詞，減少線索的遺漏，提高從存量客戶中挖掘的線索量。