一种基于客户多维度参考的保险产品的匹配方法及系统与流程

本发明涉及人工智能，尤其涉及一种基于客户多维度参考的保险产品的匹配方法及系统。

背景技术：

1、在保险销售领域，尤其是企业微信等即时通讯渠道中，智能推荐系统通常依赖静态或准静态的客户画像进行产品匹配。客户画像的构建主要基于历史投保记录、年龄、性别、地域、职业等结构化信息，以及通过离线数据挖掘得到的标签（如“价格敏感型”，“健康关注型”）。此类画像的更新周期通常为天级甚至周级，无法反映客户在实时对话中动态变化的需求和状态。

2、现有技术中，已有部分方案尝试通过对话中的关键词匹配来辅助推荐，例如识别客户提及“重疾险”“保费”等词语后触发预设产品。然而，这类方法仍局限于对显式文本信号的捕捉，忽略了对其他维度的信息的解析，并将其一并纳入产品推荐参考中。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于多维度参考的保险产品匹配方法及系统。

2、为实现上述目的，本发明采用了如下技术方案：

3、s1.实时采集多模态数据，提取客户画像向量，对采集到的多模态数据进行预处理，生成动态特征；

4、s2.动态特征转化为特征向量和概率向量；

5、s3.意图融合智能体对概率向量进行冲突检测，得到冲突检测后的结果，依据冲突检测后的结果选择对特征向量进行加权融合输出综合意图向量或触发追问；

6、s4.意图融合智能体将特征向量融合为综合意图向量；

7、s5，产品匹配智能体依据综合意图向量进行产品匹配，并输出产品匹配结果。

8、进一步的，步骤s2包括如下步骤：

9、s2.动态特征转化为特征向量和概率向量；

10、s21.语义理解智能体将文本特征转化为语义特征向量和概率向量语义意图分布以及语义意图标签；

11、所述语义理解智能体基于轻量级bert（tinybert）的实时语义解析模型，使用onnxruntime部署，支持动态词向量更新。动态词向量利用transformer的自注意力机制，根据当前对话上下文动态调整词嵌入表示，使同一词汇在不同语境下具有不同的语义表征。最终输出语义特征向量和概率向量语义意图分布以及语义意图标签。

12、s22.情感倾向智能体将情感特征转化为情感特征向量和概率向量情感分布以及情感标签；

13、所述情感倾向智能体内融合有多模态输入的情感分类网络，并对文本情感使用预训练的bert-base-chinese进行调整，实现三大分类，所述三大分类包括，积极、中性、消极；同时融合表情符号映射特征和语音语调特征（语速、停顿）。具体地：

14、针对文本情感，采用bert-base-chinese微调，输出情感类别概率分布；

15、针对表情特征，构建表情-情感映射表，将表情符号映射为情感向量，并提取表情位置、频率等元特征；

16、针对语音语调特征，从语音消息中提取基频、能量、语速、mfcc等声学特征，通过cnn提取语音语调特征向量；

17、三种模态的特征通过注意力机制加权融合，最终输出情感特征向量和概率向量情感分布以及情感标签。

18、s23.行为模式智能体将行为特征和交互频率特征转化为行为特征向量和概率向量行为模式分布以及行为标签；

19、所述行为模式智能体基于lstm的时序模式挖掘网络，输入历史对话序列和当前行为特征，所述行为特征包括：是否点击产品卡片、查看条款停留时长、是否撤回消息、消息长度、响应时间、询问价格次数、对比产品数量；再由lstm网络输出行为模式编码，用于识别客户类型（价格敏感型、对比型、犹豫型、果断型、质疑型），并输出行为特征向量和概率向量行为模式分布以及行为标签。

20、进一步的，步骤s3包括如下步骤：

21、s3.意图融合智能体对概率向量进行冲突检测，得到冲突检测后的结果，依据冲突检测后的结果选择对特征向量进行加权融合输出综合意图向量或触发追问；

22、所述冲突检测后的结果为冲突系数c；

23、s31.意图融合智能体对概率向量进行冲突检测，计算冲突系数c；

24、具体的，采用加权相对熵（kl散度）计算语义意图分布、情感分布、行为模式分布两两概率分布之间的差异，并结合最大概率类别冲突指示函数，按以下公式量化冲突系数:

25、；

26、式中：

27、表示kl散度；

28、为最大概率类别冲突指示函数，当语义主类别与行为主类别不一致时=1，否则=0；

29、s32.根据冲突系数c的值所处的阈值区间，触发不同的处理策略；

30、低冲突：语义理解智能体、情感倾向智能体、行为模式智能体输出的概率向量高度一致，直接加权融合输出最终意图；

31、中冲突：语义理解智能体、情感倾向智能体、行为模式智能体输出的概率向量存在一定分歧，触发轻度追问，将冲突水平降低至低冲突区间，再根据回复调整权重后再融合输出；

32、高冲突：语义理解智能体、情感倾向智能体、行为模式智能体输出的概率向量存在严重分歧，触发强制追问，若追问结束后冲突降至低冲突区间则据回复调整权重后再融合输出；若多次追问或达到追问上限后仍无法将冲突降至低水平的情况下，则最终综合意图向量直接采用语义理解智能体的输出。

33、所述追问为当冲突达到预设的触发阈值时，意图融合智能体根据冲突的来源和内容，基于“冲突-问题”映射策略动态生成追问问题。

34、当冲突达到预设的触发阈值时，意图融合智能体根据冲突的来源和内容，基于“冲突-问题”映射策略动态生成追问问题，并将生成的问题发送至客户端。

35、根据语义理解智能体、情感倾向智能体、行为模式智能体三个智能体的输出标签,语义意图标签、情感标签、行为标签以及冲突系数c的分布，确定冲突的主要来源。定义冲突类型编码向量t=(t1,t2,t3,t4)：

36、其中：

37、t1为与构成预定义的矛盾对，表示语义-情感冲突，若存在冲突则t1=1，否则t1=0;

38、t2为与构成预定义的矛盾对，表示语义-行为冲突，若存在冲突则t2=1，否则t2=0;

39、t3为与构成预定义的矛盾对，表示情感-行为冲突，若存在冲突则t3=1，否则t3=0;

40、t4为、、构成预定义的矛盾对，表示语义-情感-行为全冲突，若存在冲突则t4=1，否则t4=0;

41、所述预定义的矛盾对通过领域知识构建；例如：语义“价格咨询”与情感“消极”为矛盾，语义“购买意向”与行为“对比型”为矛盾，情感“积极”与行为“犹豫型”为矛盾。

42、构建“冲突-问题”映射表，每条记录包含冲突类型、具体矛盾对、以及一个问题模板（含可填充槽位）。映射表通过离线人工设计，或利用历史对话数据学习得到；问题模板选择函数式为：

43、；

44、式中：

45、为映射表集合；

46、为冲突类型编码与模板编码的余弦相似度；

47、为矛盾对匹配指数函数，当前标签对与模板定义的矛盾对一致时取1，否则0。

48、模板中的槽位（如[产品类型]、[保费区间]）需要从当前对话上下文中动态提取，槽位填充函数为：

49、;

50、问题模板公式化表达为：

51、模板字符串为,其中包含个槽位{},填充后的问题为：

52、。

53、进一步的，步骤s4包括如下步骤：

54、s4.意图融合智能体将特征向量融合为综合意图向量；

55、s41.意图融合智能体将语义理解智能体、情感倾向智能体、行为模式智能体三个智能体分别输出的语义特征向量、情感特征向量、行为特征向量，通过线性映射变换到同一维度d，得到，

56、；

57、；

58、；

59、式中：

60、为场景特征映射矩阵；

61、为偏置向量，与配合完成线性变换；

62、为场景特征映射矩阵；

63、为偏置向量，与配合完成线性变换；

64、为场景特征映射矩阵；

65、为偏置向量，与配合完成线性变换；

66、为语义特征向量经线性映射得到的值；

67、为情感特征向量经线性映射得到的值；

68、为行为特征向量经线性映射得到的值；

69、s42.采用注意力机制计算语义理解智能体、情感倾向智能体、行为模式智能体所对应的注意力权重；

70、；

71、；

72、；

73、式中：

74、为语义理解智能体对应的权重；

75、为情感倾向智能体对应的权重；

76、为行为模式智能体对应的权重；

77、为可学习的权重向量；

78、为偏置项（标量）；

79、s33.加权融合得到最终的综合意图向量；

80、加权融合计算公式为：

81、；

82、式中：

83、为综合意图向量。

84、进一步的，步骤s5包括如下步骤：

85、s5，产品匹配智能体依据综合意图向量进行产品匹配，并输出产品匹配结果；

86、s51，生成客户查询向量；

87、产品匹配智能体将综合意图向量、情感特征向量、行为特征向量及客户画像向量拼接为统一的客户查询向量；通过客户查询向量表示客户的查询意图；

88、；

89、式中，表示向量拼接操作；

90、拼接后维度为：

91、；

92、式中，d为拼接后客户查询向量的维度；

93、为综合意图向量的维度；

94、为情感特征向量的维度；

95、为行为特征向量的维度；

96、为客户画像向量的维度；

97、s52，生成产品节点向量；

98、所述产品节点向量表示保险产品知识图谱中的产品，产品节点向量与保险产品知识图谱中产品的对应关系为，一个产品节点向量对应保险产品知识图谱中一款产品；

99、产品节点向量的生成步骤如下：

100、保险产品知识图谱中，每个产品节点的嵌入向量通过多层异构图卷积更新。第层的表示由下式给出：

101、；

102、式中：

103、为第层的产品节点向量；

104、为边类型集合；

105、为通过类型与产品相连的邻居节点集合；

106、为可学习权重矩阵；

107、为可学习权重矩阵；

108、为场景感知注意力权重；

109、进一步的，上式中的计算公式如下：

110、；

111、式中：

112、为向量拼接；

113、为场景特征向量；

114、为产品节点的特征向量，下标表示产品节点；

115、为邻居节点的特征向量，用于表示与产品节点相连的其他类型节点（如关键词节点、条款节点）；

116、为场景映射矩阵；

117、为边类型对应的权重矩阵，不同关系（边类型）使用不同的线性变换；

118、为注意力参数向量;

119、上标t表示矩阵或向量的转置，用于计算内积。

120、经上述方法经

l层传播后，得到最终产品节点向量。

121、s53，双线性匹配计算匹配度得分；

122、通过双线性计算方法计算客户查询向量与产品节点向量的匹配度得分；

123、；

124、式中：

125、为可学习双线性权重矩阵；

126、为 sigmoid 激活函数，用于将匹配度压缩至 (0,1) 区间；

127、上标t表示矩阵或向量的转置，用于计算内积。

128、所述匹配度得分用于表示客户意图与产品的匹配程度。

129、s54，依据匹配度得分进行产品召回，并输出匹配度最高的产品及匹配分数；

130、产品匹配智能体计算所有产品与客户查询向量的匹配度得分；按得分从高到低排序，召回top-k个候选产品，再经业务规则过滤，最终输出匹配度最高的m款产品及其匹配分数。

131、一种基于客户多维度参考的保险产品的匹配系统，包括数据采集模块、语义理解智能体、情感倾向智能体、行为模式智能体、意图融合智能体、产品匹配智能体；各组件之间通过标准化的信息接口进行通信对接；所述数据采集模块用于实时采集多模态数据，提取客户画像向量，对采集到的多模态数据进行预处理，生成动态特征；所述语义理解智能体用于将文本特征转化为语义特征向量和概率向量语义意图分布以及语义意图标签；所述情感倾向智能体用于将情感特征转化为情感特征向量和概率向量情感分布以及情感标签；所述行为模式智能体用于将行为特征和交互频率特征转化为行为特征向量和概率向量行为模式分布以及行为标签；所述意图融合智能体内设有冲突检测模块、问题生成模块、向量融合模块；所述冲突检测模块用于对概率向量进行冲突检测，计算冲突系数c，并根据冲突系数c的值所处的阈值区间，触发不同的处理策略；所述问题生成模块用于在语义理解智能体、情感倾向智能体、行为模式智能体输出的概率向量的含义表达存在分歧，生成追问问题，并将追问问题发送至客户端；所述向量融合模块用于将特征向量融合为综合意图向量；所述产品匹配智能体内设有产品匹配模块、保险产品知识图谱、规则过滤模块；所述产品匹配模块用于生成客户查询向量和产品节点向量，并计算所有产品与客户查询向量的匹配度得分，并将经业务规则过滤后的产品及其匹配分数进行输出；所述产品节点向量与保险产品知识图谱中的产品对应；所述规则过滤模块用于在产品召回后，通过约束规则对候选产品进行过滤。

132、与现有技术相比，本发明的有益效果为：

133、一、本发明构建了保险产品知识图谱，并设计了场景感知的异构图神经网络（hgnn）用于更新产品节点嵌入。在hgnn的消息传递过程中，引入从对话上下文中提取的场景特征向量作为注意力偏置，动态调节不同邻居节点的聚合权重，使产品嵌入能够感知当前对话的特定场景。配合双线性匹配函数计算客户查询向量与产品嵌入的匹配度得分，系统能够从海量产品中召回与客户实时需求最契合的候选产品，解决了传统静态画像推荐滞后、无法适应对话语境变化的问题。

134、二、本发明通过语义理解、情感倾向、行为模式三个智能体并行解析客户的多模态交互数据，并采用加权相对熵（kl散度）与最大概率类别冲突指示函数定量计算冲突系数，实现了对客户语言、情感、行为三者一致性的实时量化评估。当冲突系数处于中高阈值区间时，系统主动触发追问机制，通过“冲突-问题”映射策略动态生成针对性问题，引导客户澄清真实意图，并根据回复调整各模态的融合权重，直至冲突降至低水平。该闭环验证机制有效解决了传统单模态或简单加权融合在信息矛盾时的决策困境，显著提升了综合意图向量的可靠性与置信度，为后续精准产品匹配奠定了坚实基础。

135、三、本发明还设有追问机制，追问的核心在于主动消除歧义，使系统能够从客户后续回复中获取更明确的信号，从而修正语义理解智能体、情感倾向智能体、行为模式智能体三个智能体之间输出含义的不一致。当语义、情感、行为三者的判断出现分歧时，系统无法确定客户的真实意图，若强行加权融合可能导致错误推荐。通过追问，系统可以引导客户澄清需求、补充信息，从而降低冲突系数。降低冲突系数的作用在于提升综合意图向量的可靠性与置信度。当冲突系数降至低水平时，语义、情感、行为三个维度的输出的含义表达一致，此时加权融合得到的意图向量能够准确地反映客户的真实状态，后续的产品匹配也是都基于这一高置信度输入，从而显著提高推荐的精准度、减少误推送，同时避免因矛盾信息引发的业务风险（如向犹豫客户强行推销或忽视客户负面情绪）。此外，低冲突也意味着系统对客户的理解具有更好的可解释性，便于后续审计与优化。

136、四、本发明在智能体匹配召回top-k候选产品后，进一步引入业务规则过滤层。规则引擎依次执行产品在售状态、客户资格校验、产品互斥、监管合规、销售人员权限及历史推荐去重等非模型化约束条件，仅保留同时满足所有业务规则且匹配度最高的m款产品。该设计有效避免了无效推荐、监管违规风险、产品内部冲突以及重复推荐被拒产品，显著提升了推荐结果的实际落地转化率和客户满意度，同时降低了公司的合规风险与销售纠纷。

137、五、本发明将语音语调、表情符号、行为序列等非文本模态信息纳入特征采集与融合范围，并通过注意力机制对各模态特征进行动态加权，突破了传统方法仅依赖文本关键词匹配的局限。同时，各智能体（语义理解、情感倾向、行为模式、意图融合、产品匹配）之间通过标准化的向量接口进行协同工作，形成“采集到解析到冲突检测到追问修正到融合到匹配到过滤”的完整处理链路，各模块相互支撑而非割裂运行，整体服务效能大幅提升。