技术领域
[0001] 本申请涉及人工智能和金融科技技术领域，尤其涉及一种个性化文案的生成方法、装置、计算机设备及存储介质。
相关背景技术
[0002] 随着宠物经济的蓬勃发展，宠物保险市场作为其中的重要组成部分，近年来呈现出快速增长的态势。然而，这一市场的竞争也日益激烈，传统依赖广泛投放广告、利用固定词库和人工筛选关键词的营销方式，在面对日益多元化的宠物主需求及高度细分的市场时，显得力不从心。传统营销手段在精准定位目标客户群体、实现个性化推荐及提升用户体验方面存在明显局限，难以有效激发市场潜力，满足日益增长的市场需求。
[0003] 当前，宠物保险行业的线上营销主要依赖于预先设定的词库和人工干预的关键词选择策略。这种方式不仅效率低下，且因缺乏实时数据分析和用户行为洞察能力，导致营销内容往往缺乏针对性和创新性，难以精准触达潜在客户的兴趣点。此外，随着自然语言处理(NLP)和人工智能(AI)技术的飞速发展，市场对于自动化、智能化营销解决方案的需求愈发迫切。
具体实施方式
[0031] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
[0032] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0033] 为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0034] 如图1所示，系统架构100可以包括终端设备101、网络102和服务器103，终端设备101可以是笔记本电脑1011、平板电脑1012或手机1013。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。
[0035] 用户可以使用终端设备101通过网络102与服务器103交互，以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
[0036] 终端设备101可以是具有显示屏并且支持网页浏览的各种电子设备，除了笔记本电脑1011、平板电脑1012或手机1013以外，终端设备101还可以是电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面III)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面IV)播放器、膝上型便携计算机和台式计算机等。
[0037] 服务器103可以是提供各种服务的服务器，例如对终端设备101上显示的页面提供支持的后台服务器。
[0038] 需要说明的是，本申请实施例所提供的个性化文案的生成方法一般由服务器/终端设备执行，相应地，个性化文案的生成装置一般设置于服务器/终端设备中。
[0039] 应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0040] 继续参考图2，示出了根据本申请的个性化文案的生成方法的一个实施例的流程图，包括以下步骤：
[0041] 步骤S201，获取历史客户特征数据，根据历史客户特征数据对全部客户进行分类，得到不同的客户群体。
[0042] 获取宠物保险平台上全部来访历史客户的客户数据，包括客户年龄、信息留存情况、使用宠物保险服务情况、客户的理赔记录、宠物饲养经验、客户的职业背景、客户的消费能力、对宠物保险产品的偏好以及购买模式等多维度数据。
[0043] 采用数据清洗技术，对获取到的历史客户特征数据进行预处理，剔除缺失值、异常值等噪声数据，得到预处理后的历史客户特征数据。通过特征工程方法，从预处理后的历史客户特征数据中提取出对客户群体划分有显著影响的客户关键特征，如客户年龄段、信息留存时长、购买宠物保险频次等，根据提取出的客户关键特征，采用聚类算法将历史客户特征数据划分为不同的客户群体，每个客户群体具有相似的特征和购买倾向。
[0044] 在本实施例中，个性化文案的生成方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式获取历史客户特征数据。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
[0045] 需要强调的是，为进一步保证历史客户特征数据的私密和安全性，上述历史客户特征数据还可以存储于一区块链的节点中。
[0046] 本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0047] 在本实施例的一些可选的实现方式中，参见图3所示，所述根据历史客户特征数据对全部客户进行分类，得到不同的客户群体的步骤包括：
[0048] 步骤S301，对历史客户特征数据进行标准化处理，得到规范化客户特征数据，并从规范化客户特征数据中提取客户关键特征；
[0049] 步骤S302，通过K‑means聚类算法，根据客户关键特征确定K个初始聚类中心，其中，K为正整数；
[0050] 步骤S303，遍历客户关键特征中的每个元素，计算元素与每个初始聚类中心的距离，确定元素对应的分组；
[0051] 步骤S304，各分组的聚类中心，得到各分组的实际聚类中心；
[0052] 步骤S305，重复计算客户关键特征中的每个元素与每个实际聚类中心的距离，不断更新各分组的聚类中心，直至分组不再变化，得到不同的客户群体。
[0053] 其中，标准化处理包括对数值型特征进行归一化处理，使其分布在0到1之间。在本实施例中，根据提取出来的客户关键特征进行聚类。
[0054] 在步骤S303中，每个元素表示一个客户关键特征。步骤S305中则是表示重复执行步骤S303至步骤S304，直至分组不再变化，每个分组为一个聚类簇。在本实施例中，计算每个元素与聚类中心的距离可以采用欧式距离算法计算。
[0055] 在本实施例中，客户划分为不同的客户群体之后，可以根据客户所属的客户群体生成个性化文案，示例的，若客户属于A类群体(如年轻人、无信息留存、未购买过保险)，则推送新手入门型文案；若客户属于B类群体(如中年人、最近有信息留存、偶尔购买保险)，则推送性价比优势文案。
[0056] 通过划分不同的客户群体，能够实现群体的精准定位，并针对不同的客户群体提供个性化服务，提高营销的精准度和转化率。
[0057] 在一些可选的实现方式中，根据历史客户特征数据对全部客户进行分类的步骤包括：
[0058] 步骤A，对历史客户特征数据进行标准化处理，得到规范化客户特征数据，并从所述规范化客户特征数据中提取客户关键特征；
[0059] 步骤B，将客户关键特征输入决策树规则，采用基于信息增益或基尼指数的特征选择算法，选出对客户分类贡献度最大的特征作为决策树的分裂节点；
[0060] 步骤C，根据选定的分裂特征，将客户关键特征划分为不同的子集，并递归地在每个子集上重复步骤B，直到满足预设的停止条件，如叶子节点的最小样本数、树的最大深度等；
[0061] 步骤D，在决策树的叶子节点上，根据落入该节点的客户关键特征分布情况，确定该节点所代表的客户群体，并为其打上相应的标签。
[0062] 在本实施例中，获得不同的客户群体后，通过遍历决策树的所有叶子节点，获取不同的客户群体及其对应的特征组合规则，形成客户群体知识库；当有新的客户数据到来时，根据其特征向量，从根节点开始，沿着决策树的分支路径向下遍历，直到达到某个叶子节点，即可判断该客户属于哪个客户群体。通过客户反馈和业务数据分析，持续优化决策树规则，并定期更新客户群体知识库，以适应市场变化和客户需求的动态演变。
[0063] 步骤S202，获取每个客户群体的历史文案，对历史文案提取语义特征，得到对应的客户群体的文案关键词组合。
[0064] 历史文案为每个客户群体的历史营销文案数据，通过数据库查询、API接口调用或爬虫技术从宠物保险平台获取每个客户群体的历史营销文案数据，并对历史营销文案数据进行语义特征提取，根据提取出来的语义特征，断不同客户群体的文案关键词偏好，自动生成个性化的文案关键词组合。
[0065] 在本实施例的一些可选的实现方式中，所述对历史文案提取语义特征，得到对应的客户群体的文案关键词组合的步骤包括：
[0066] 将历史文案输入语义特征提取模型中，语义特征提取模型包括向量嵌入层、注意力机制层和关键词输出层；
[0067] 通过向量嵌入层对历史文案进行预处理，并将预处理后的历史文案转换为文本向量；
[0068] 通过注意力机制层对文本向量进行语义理解和特征提取，得到文案语义特征；
[0069] 通过关键词输出层对文案语义特征进行预测判断，生成客户群体对应的文案关键词组合。
[0070] 在本实施例中，采用训练好的语义特征提取模进行语义特征提取，通过向量嵌入层对历史文案进行预处理，包括分词、词性标注等，然后将预处理后的历史文案转换为模型可以理解的文本向量。通过注意力机制层，采用多头自注意力机制对文本向量行语义理解和特征提取，捕捉文本中蕴含的深层语义信息，得到文案语义特征。最后，通过关键词输出层，根据文案语义特征对不同客户群体的文案关键词偏好进行预测，根据预测概率值由高到低排序，选取排序在前的预设数量的关键词作为该客户群体的文案关键词组合。
[0071] 通过深入分析历史文案，生成客户群体关键词组合，可以更准确地把握客户需求，提供更符合客户兴趣和需求的内容，提升客户体验和满意度，同时通过生成客户群体文案关键词，能够实现客户群体的精准定位，可以更加合理地分配资源，提高营销效率和效果。
[0072] 步骤S203，提取客户群体的客户群体特征，根据客户群体特征和文案关键词组合构建客户群体画像。
[0073] 在本实施例中，提取客户群体的客户群体特征，包括客户年龄信息、信息留存情况、宠物保险使用情况，将客户群体特征与客户群体文案关键词组合进行关联，构建客户群体画像。
[0074] 具体地，根据客户年龄信息，采用年龄分段方法，将客户划分为不同的年龄段，得到客户年龄段属性；获取客户的信息留存情况，通过信息留存时间长短，判断客户是为新客户、老客户或流失客户，确定客户的信息留存属性；获取客户的宠物保险使用情况，根据使用频率和时间，判断客户是高频使用者、低频使用者还是从未使用过宠物保险，确定客户的宠物保险使用属性；将客户的年龄段属性、信息留存属性和宠物保险使用属性作为客户画像的三个维度，构建客户画像基本框架；在客户画像基本框架中，根据客户的年龄段属性和文案关键词组合，关联相应的宠物喂养知识、常见宠物疾病等信息，丰富年龄段维度的信息；在客户画像基本框架中，根据客户的信息留存情况和文案关键词组合，关联客户的联系方式、宠物信息、历史沟通记录等，丰富信息留存维度的信息；在客户画像基本框架中，根据客户的宠物保险使用情况和文案关键词组合，关联客户购买的宠物保险产品、理赔记录、服务评价等信息，丰富宠物保险使用维度的信息，得到最终的客户群体画像。
[0075] 其中，采用知识图谱嵌入技术，将客户群体画像中的结构化信息进行向量化表示，得到客户群体画像的低维语义表示，用于作为模型的输入。
[0076] 步骤S204，获取目标客户的客户特征，根据客户特征匹配目标客户群体画像。
[0077] 在本实施例中，目标客户是当前在宠物保险平台咨询的客户，获取该客户的客户特征，包括客户的年龄、信息留存情况和使用宠物保险的情况。
[0078] 通过特征匹配算法，将客户特征与每个客户群体画像进行特征匹配，将匹配度最高的客户群体画像作为标客户群体画像。其中，特征匹配算法包括Jaccard相似系数、余弦相似度、欧式距离等。
[0079] 步骤S205，根据客户特征和目标客户群体画像，通过产品推荐模型获取目标客户的产品推荐方案。
[0080] 在本实施例中，根据客户特征和目标客户群体画像，通过产品推荐模型预测目标客户的潜在需求和购买倾向，得到适合的推荐产品，其中，推荐产品即为适合目标客户的宠物保险产品。示例的，如果目标客户有较高的购买力和风险意识，则推荐适合的高保障型宠物保险产品；如果目标客户的理赔频次较高，则推荐适合的附加险种，如宠物医疗险、手术险等。根据目标客户的潜在需求和购买倾向，匹配最适合的宠物保险产品组合，形成个性化的产品推荐方案。
[0081] 在本实施例的一些可选的实现方式中，所述根据客户特征和目标客户群体画像，通过产品推荐模型获取目标客户的产品推荐方案的步骤包括：
[0082] 将客户特征和目标客户群体画像输入产品推荐模型中，其中，产品推荐模型包括特征嵌入层、注意力多层感知层、矩阵分解层以及预测层；
[0083] 通过特征嵌入层对客户特征和目标客户群体画像进行嵌入操作，得到客户特征嵌入向量；
[0084] 通过注意力多层感知层对客户特征嵌入向量进行深度特征提取，得到多层感知客户特征；
[0085] 通过矩阵分解层对客户特征嵌入向量进行隐含特征提取，得到隐藏客户特征；
[0086] 将多层感知客户特征和隐藏客户特征输入预测层进行预测，得到产品推荐方案。
[0087] 其中，特征嵌入层用于将客户特征和目标客户群体画像进行向量转换，得到客户特征嵌入向量；注意力多层感知层结合了注意力机制和多层感知机(MLP)，用于增强对客户特征嵌入向量中关键信息的捕捉能力；矩阵分解层能够提取出客户特征嵌入向量中的隐含信息和潜在结构，用于缓解客户特征数据的稀疏问题。预测层可以采用全连接层，将学习到的多层感知客户特征和隐藏客户特征进行拼接，得到其联合表示，输入到全连接层中，为联合表示中不同部分的特征分配不同的权重，进而输出预测结果，即预测分数，根据预测结果得到产品推荐方案。
[0088] 在一些可选的实现方式中，还可以根据客户特征和目标客户群体画像，采用关联规则挖掘算法Apriori，获取适合目标客户的产品推荐方案。
[0089] 通过结合目标客户的客户特征和目标客户群体画像，预测产品推荐方案，能够进一步挖掘客户与产品之间的潜在联系，根据客户的实际情况生成符合目标客户需求的产品推荐方案，使推荐结果更趋近客户的隐藏需求，提高推荐的精准度，进而提升转化率和客户满意度，促进业务增长。
[0090] 步骤S206，将客户特征、客户群体画像特征和产品推荐方案输入预训练的文案生成大模型中，生成针对目标客户的个性化文案。
[0091] 在本实施例中，预训练的文案生成大模型包括文本位置嵌入层、多层解码器和文案输出层，其中，解码器对个性化文案进行自回归生成，每一步都根据之前生成的个性化文案和编码器的输出来预测下一个单词。
[0092] 具体地，将客户特征、客户群体画像特征和产品推荐方案输入预训练的文案生成大模型中；通过文本位置嵌入层对客户特征、目标客户群体画像和产品推荐方案分别进行文本嵌入和位置嵌入，得到输入向量；将输入向量输入多层解码器中，通过多头注意力机制和交叉注意力机制进行计算，得到预测文本序列；通过文案输出层对预测文本序列进行解码，得到针对目标客户的个性化文案。
[0093] 其中，每个编码器包括掩码多头自注意力层、编码器‑解码器注意力层和前馈网络层。通过掩码多头自注意力层对输入向量进行多头注意力机制计算，得到掩码注意力特征；通过编码器‑解码器注意力层对掩码注意力特征进行交叉注意力机制计算，得到全局注意力特征；将全局注意力特征输入前馈网络层进行文案生成，得到预测文本序列。
[0094] 预测输出层包括全连接层和softmax层，由于最后一个解码器输出的是预测文本序列，通过全连接层将输出的预测文本序列映射为更长的序列，每个位置的文本代表相应文本的分数，通过softmax层将分数转换为概率，输出概率排在前面的预设数量的文字，得到每个预测文本的概率分布。
[0095] 接着，采用序列解码技术如Beam Search(集束搜索算法)对多个可能的预测文本进行搜索和打分，选择得分最高的文案作为最终输出的个性化文案。
[0096] 在本实施例中，基于目标客户的客户特征和对应的个性化文案更新客户群体画像。
[0097] 通过采用文案生成大模型自动生成针对目标客户的个性化文案，实现了对客户特征的精准分析和个性化文案的智能生成，提升文案生成的效率和精准度，提高客户满意度和忠诚度。
[0098] 本申请通过根据历史客户特征数据对全部客户进行分类，得到不同的客户群体，并根据每个客户群体的历史文案，得到对应的客户群体的文案关键词组合，根据客户群体特征和客户群体文案关键词组合构建客户群体画像，根据目标客户的客户特征匹配目标客户群体画像，能够实现对目标客户的精准定位，实现生成文案精准投放，提升营销效果，降低成本；通过产品推荐模型根据客户特征和目标客户群体画像，能够形成个性化的产品推荐方案，为生成针对性文案内容提供数据支撑；通过将客户特征、客户群体画像特征和产品推荐方案输入预训练的文案生成大模型中，生成与目标客户高度匹配且富有吸引力的个性化文案，从而实现营销信息的精准推送和高效传播，提升营销效果和客户满意度。
[0099] 在一些可选的实现方式中，在所述生成针对目标客户的个性化文案的步骤之后还包括：
[0100] 获取客户群体中每个客户的实时互动数据，基于实时互动数据对文案生成大模型的文案生成策略不断调整和优化。
[0101] 其中，实时互动数据包括客户反馈数据和客户行为数据，客户反馈数据包括对生成的文案内容满意、不满意等反馈信息，客户行为数据包括浏览时长、点击次数、购买行为等。
[0102] 在生成个性化文案后，获取目标客户实时的反馈数据和行为数据，根据实时的反馈数据和行为数据动态调整文案生成大模型，进而调整文案生成策略，得到更符合该目标客户偏好的关键词、语气和内容。示例的，如果目标客户对当前个性化文案的反应积极，则文案生成大模型加强该策略的权重，生成更多相似风格的文案；若目标客户反应消极，则降低该策略权重，尝试其他文案生成策略；通过不断的尝试和优化，文案生成大模型逐步找到能够最大化客户积极反馈的文案生成策略，提高营销的精准度和转化率。
[0103] 将优化后的文案生成策略应用于新客户，根据客户特征自动匹配最优策略，生成个性化文案，吸引客户购买宠物保险；持续收集客户反馈和行为数据，定期对文案生成大模型进行再训练和优化，以适应客户需求的变化，保持文案生成的有效性和精准性。
[0104] 在本实施例中，所述基于实时互动数据对文案生成大模型的文案生成策略不断调整和优化的步骤包括：
[0105] 提取实时互动数据中的客户反馈数据和客户行为数据，并对客户反馈数据进行语义分析，提取关键词和情感倾向，得到客户偏好特征；
[0106] 将客户特征数据、客户偏好特征和客户行为数据对文案生成大模型进行调整和优化。
[0107] 其中，情感倾向包括积极反馈、消极反馈等，通过常用的语义分析算法对客户反馈数据进行情感分析，获得客户偏好特征；通过文案生成大模型，根据客户特征数据、客户偏好特征和客户行为数据生成新的个性化文案，计算新的个性化文案和在先个性化文案之间的相似度，相似度作为模型的评估结果调整文案生成大模型的模型参数。
[0108] 通过不断调整和优化文案生成大模型，能够提升文案的针对性和吸引力，不断提升营销效果和转化率，进而可以吸引更多的潜在客户。
[0109] 本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0110] 人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read‑Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
[0111] 应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0112] 进一步参考图4，作为对上述图2所示方法的实现，本申请提供了一种个性化文案的生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0113] 如图4所示，本实施例所述的个性化文案的生成装置400包括：分类模块401、提取模块402、构建模块403、匹配模块404、推荐模块405以及文案生成模块406。其中：
[0114] 分类模块401用于获取历史客户特征数据，根据所述历史客户特征数据对全部客户进行分类，得到不同的客户群体；
[0115] 提取模块402用于获取每个所述客户群体的历史文案，对所述历史文案提取语义特征，得到对应的所述客户群体的文案关键词组合；
[0116] 构建模块403用于提取所述客户群体的客户群体特征，根据所述客户群体特征和所述文案关键词组合构建客户群体画像；
[0117] 匹配模块404用于获取目标客户的客户特征，根据所述客户特征匹配目标客户群体画像；
[0118] 推荐模块405用于根据所述客户特征和所述目标客户群体画像，通过产品推荐模型获取所述目标客户的产品推荐方案；
[0119] 文案生成模块406用于将所述客户特征、所述目标客户群体画像和所述产品推荐方案输入预训练的文案生成大模型中，生成针对所述目标客户的个性化文案。
[0120] 需要强调的是，为进一步保证历史客户特征数据的私密和安全性，上述历史客户特征数据还可以存储于一区块链的节点中。
[0121] 基于上述个性化文案的生成装置400，通过根据历史客户特征数据分为不同的客户群体，并根据每个客户群体的历史文案，得到对应的客户群体的文案关键词组合，根据客户群体特征和客户群体文案关键词组合构建客户群体画像，根据目标客户的客户特征匹配目标客户群体画像，能够实现对目标客户的精准定位，实现生成文案精准投放，提升营销效果，降低成本；通过产品推荐模型根据客户特征和目标客户群体画像，能够形成个性化的产品推荐方案，为生成针对性文案内容提供数据支撑；通过将客户特征、客户群体画像特征和产品推荐方案输入预训练的文案生成大模型中，生成与目标客户高度匹配且富有吸引力的个性化文案，从而实现营销信息的精准推送和高效传播，提升营销效果和客户满意度。
[0122] 在本实施例的一些可选的实现方式中，分类模块401进一步用于：
[0123] 对所述历史客户特征数据进行标准化处理，得到规范化客户特征数据，并从所述规范化客户特征数据中提取客户关键特征；
[0124] 通过K‑means聚类算法，根据所述客户关键特征确定K个初始聚类中心，其中，K为正整数；
[0125] 遍历所述客户关键特征中的每个元素，计算所述元素与每个所述初始聚类中心的距离，确定所述元素对应的分组；
[0126] 更新各所述分组的聚类中心，得到各所述分组的实际聚类中心；
[0127] 重复计算所述客户关键特征中的每个元素与每个所述实际聚类中心的距离，不断更新各所述分组的聚类中心，直至分组不再变化，得到不同的客户群体。
[0128] 通过划分不同的客户群体，能够实现群体的精准定位，并针对不同的客户群体提供个性化服务，提高营销的精准度和转化率。
[0129] 在本实施例的一些可选的实现方式中，提取模块402包括：
[0130] 输入子模块，用于将所述历史文案输入语义特征提取模型中，所述语义特征提取模型包括向量嵌入层、注意力机制层和关键词输出层；
[0131] 嵌入子模块，用于通过所述向量嵌入层对历史文案进行预处理，并将预处理后的历史文案转换为文本向量；
[0132] 语义特征子模块，用于通过注意力机制层对所述文本向量进行语义理解和特征提取，得到文案语义特征；
[0133] 预测子模块，用于通过所述关键词输出层对所述文案语义特征进行预测判断，生成所述客户群体对应的文案关键词组合。
[0134] 通过深入分析历史文案，生成客户群体关键词组合，可以更准确地把握客户需求，提供更符合客户兴趣和需求的内容，提升客户体验和满意度，同时通过生成客户群体文案关键词，能够实现客户群体的精准定位，可以更加合理地分配资源，提高营销效率和效果。
[0135] 在一些可选的实现方式中，推荐模块405进一步用于：
[0136] 将所述客户特征和所述目标客户群体画像输入所述产品推荐模型中，其中，所述产品推荐模型包括特征嵌入层、注意力多层感知层、矩阵分解层以及预测层；
[0137] 通过所述特征嵌入层对所述客户特征和所述目标客户群体画像进行嵌入操作，得到客户特征嵌入向量；
[0138] 通过所述注意力多层感知层对所述客户特征嵌入向量进行深度特征提取，得到多层感知客户特征；
[0139] 通过所述矩阵分解层对所述客户特征嵌入向量进行隐含特征提取，得到隐藏客户特征；
[0140] 将所述多层感知客户特征和所述隐藏客户特征输入所述预测层进行预测，得到产品推荐方案。
[0141] 通过结合目标客户的客户特征和目标客户群体画像，预测产品推荐方案，能够进一步挖掘客户与产品之间的潜在联系，根据客户的实际情况生成符合目标客户需求的产品推荐方案，使推荐结果更趋近客户的隐藏需求，提高推荐的精准度。
[0142] 在一些可选的实现方式中，文案生成模块406进一步用于：
[0143] 将所述客户特征、所述目标客户群体画像和所述产品推荐方案输入预训练的文案生成大模型中，所述文案生成大模型包括文本位置嵌入层、多层解码器和文案输出层；
[0144] 通过所述文本位置嵌入层对所述客户特征、所述目标客户群体画像和所述产品推荐方案分别进行文本嵌入和位置嵌入，得到输入向量；
[0145] 将所述输入向量输入多层所述解码器中，通过多头注意力机制和交叉注意力机制进行计算，得到预测文本序列；
[0146] 通过所述文案输出层对所述预测文本序列进行解码，得到针对所述目标客户的个性化文案。
[0147] 通过采用文案生成大模型自动生成针对目标客户的个性化文案，实现了对客户特征的精准分析和个性化文案的智能生成，提升文案生成的效率和精准度。
[0148] 在一些可选的实现方式中，个性化文案的生成装置400还包括优化模块，用于：
[0149] 获取所述客户群体中每个客户的实时互动数据，基于所述实时互动数据对所述文案生成大模型的文案生成策略不断调整和优化。
[0150] 通过持续收集客户反馈和行为数据，定期对文案生成大模型进行再训练和优化，以适应客户需求的变化，保持文案生成的有效性和精准性。
[0151] 在本实施例中，优化模块包括：
[0152] 特征提取子模块，用于提取所述实时互动数据中的客户反馈数据和客户行为数据，并对所述客户反馈数据进行语义分析，提取关键词和情感倾向，得到客户偏好特征；
[0153] 调整优化子模块，用于将客户特征数据、所述客户偏好特征和所述客户行为数据对所述文案生成大模型进行调整和优化。
[0154] 通过不断调整和优化文案生成大模型，能够提升文案的针对性和吸引力，不断提升营销效果和转化率，进而可以吸引更多的潜在客户。
[0155] 为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图5，图5为本实施例计算机设备基本结构框图。
[0156] 所述计算机设备5包括通过系统总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是，图中仅示出了具有存储器51、处理器52、网络接口53的计算机设备5，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
[0157] 所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0158] 所述存储器51至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器51可以是所述计算机设备5的内部存储单元，例如该计算机设备5的硬盘或内存。在另一些实施例中，所述存储器51也可以是所述计算机设备5的外部存储设备，例如该计算机设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中，所述存储器51通常用于存储安装于所述计算机设备5的操作系统和各类应用软件，例如个性化文案的生成方法的计算机可读指令等。此外，所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0159] 所述处理器52在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中，所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据，例如运行所述个性化文案的生成方法的计算机可读指令。
[0160] 所述网络接口53可包括无线网络接口或有线网络接口，该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
[0161] 通过根据历史客户特征数据分为不同的客户群体，并根据每个客户群体的历史文案，得到对应的客户群体的文案关键词组合，根据客户群体特征和客户群体文案关键词组合构建客户群体画像，根据目标客户的客户特征匹配目标客户群体画像，能够实现对目标客户的精准定位，实现生成文案精准投放，提升营销效果，降低成本；通过产品推荐模型根据客户特征和目标客户群体画像，能够形成个性化的产品推荐方案，为生成针对性文案内容提供数据支撑；通过将客户特征、客户群体画像特征和产品推荐方案输入预训练的文案生成大模型中，生成与目标客户高度匹配且富有吸引力的个性化文案，从而实现营销信息的精准推送和高效传播，提升营销效果和客户满意度。
[0162] 本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的个性化文案的生成方法的步骤。
[0163] 通过根据历史客户特征数据分为不同的客户群体，并根据每个客户群体的历史文案，得到对应的客户群体的文案关键词组合，根据客户群体特征和客户群体文案关键词组合构建客户群体画像，根据目标客户的客户特征匹配目标客户群体画像，能够实现对目标客户的精准定位，实现生成文案精准投放，提升营销效果，降低成本；通过产品推荐模型根据客户特征和目标客户群体画像，能够形成个性化的产品推荐方案，为生成针对性文案内容提供数据支撑；通过将客户特征、客户群体画像特征和产品推荐方案输入预训练的文案生成大模型中，生成与目标客户高度匹配且富有吸引力的个性化文案，从而实现营销信息的精准推送和高效传播，提升营销效果和客户满意度。
[0164] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
[0165] 显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
