本发明总体涉及一种说服系统，更具体地，涉及一种计算机辅助说服系统。
背景技术：
说服是在不使用强制或欺骗的情况下尝试改变他人态度或行为或两者。在设计有效的市场和销售活动时，已经对消费者行为进行了大量的说服研究。随着计算机技术的快速发展，说服的心理理论被应用到计算机技术中。传统上，说服被分类为三个类别，即，人际说服、计算机介导的说服和人机说服。当人们彼此交互时，发生人际说服。人际交流包括口头和非口头形式的行为、个人反馈、行为的一致性和改变其他人的态度和/或行为的意图。计算机技术的发展提供了其它说服方法。人们可以通过电子邮件、即时消息或其他计算机技术来说服其他人。这被称为计算机介导的说服。这样的示例是某人阅读博客并被该博客中呈现的论点所说服。随着人机交互技术的发展，说服技术也随之发展。它被定义为当与计算机技术交互时如何说服人们的研究。这在这里被称为人机说服。具体而言，说服技术被定义为一类被有意地设计为改变他人态度或行为的技术。它也被称为“计算机说服学(captology)”，是由斯坦福大学的一名教授fogg创造的术语。它集中于“正在被开发以改变人们的态度或行为的计算产品的设计、研究和分析”。另一方面，说服系统是计算机化的软件，被设计为在没有任何强制或欺骗的情况下增强、改变或塑造态度或行为或两者。
这三种说服方式之间的主要区别在于说服者的来源或起源。在人际说服和计算机介导的说服中，说服者是发起想要说服另一人的过程的人。人机说服与这两种说服不同，因为不总是可能知道实际的说服者是谁。计算机技术没有它们自己的意图。然而，创建、分发或采用该技术的人具有影响某人的态度或行为的意图和动机。在某种意义上，总是有计算机技术背后的“人”。与人际交互和交流的基于ai的社交机器人技术的最近发展高度表明类似于社交交流的交互在人机交互中是可能的。例如，半仿人机器人可以辅助银行中的客户。其他社交机器人被证明在帮助儿童自闭症方面是有效的。个性化web代理或聊天机器人(chatbot)与用户之间的交互可以被认为是有说服力的交流。从纯粹的人际说服到计算机介导的说服，到人机说服，计算机智能扮演了越来越重要的角色。然而，社交机器人技术受到物理硬件(即机器人)的限制。当前的技术缺乏说服者、目标(即，被说服者)、对象(即，说服主题)和计算机系统之间的交互式集成。当前计算机系统中交互式集成的缺乏大大降低了说服技术的有效性。需要将新的基于ai的技术集成到说服系统中，以提高系统的准确性和效率。
需要改进和增强说服计算机系统。
技术实现要素：
本发明提供了用于基于ai的计算机辅助说服系统(caps)的方法和系统。基于ai的caps在说服会话期间获得并监控来自目标和代理两者的针对对象的输入。caps基于对输入的分析动态地生成说服参考。在一个实施例中，caps通过使用基于递归网络(rnn)深度学习模型的自动语音识别(asr)分析代理音频流和目标音频流来获得代理内容输出和目标内容输出，获得针对代理音频流的代理情绪分类器和针对目标音频流的目标情绪分类器，其中每个情绪分类器从由对应的音频流的卷积神经网络(cnn)模型分析所产生的情感分类器导出，基于先前的和当前的内容输出以及针对代理和目标的情绪分类器来更新包括先前的和当前的音频流分析的对话矩阵，以及基于所更新的对话矩阵来生成说服参考。在另一实施例中，说服参考是基于使用rnn模型从对话矩阵生成的接受可能性结果。在一个实施例中，说服参考包括一个或多个指导，该一个或多个指导包括：第一对象的参考资料、第一对象的指导资料、针对代理的声音情绪改变的建议、以及一个或多个建议的新对象。在另一实施例中，对说服参考中的一个或多个指导进行排名。在一个实施例中，所述一个或多个建议的新对象是使用具有来自与所述第一对象相关联的主题大数据的输入的cnn来生成的。在又一实施例中，说服参考还基于一个或多个先前的说服参考来生成。在一个实施例中，对话矩阵指示没有遵循关于一个或多个先前的说服参考的一系列指导。在另一实施例中，情感分类器选自包括愤怒的情感、激动的情感、沮丧的情感、快乐的情感、中性的情感、悲伤的情感和惊讶的情感在内的情感群组，以及情绪分类器选自包括极端积极、积极、中性、消极、极端消极和惊讶在内的情绪群组。在又一实施例中，caps还使用具有目标大数据的输入的cnn来生成目标简档，其中目标简档包括一个或多个对象，以及其中基于所生成的简档和一个或多个所选择的对象来选择代理。
其它实施例和优点在以下详细描述中描述。本发明内容并不旨在限定本发明。本发明由权利要求书限定。
附图说明
附图示出本发明的实施例，其中相同的附图标记表示相同的组件。
图1示出根据本发明的实施例的包括基于ai的计算机辅助说服系统(caps)的不同计算机说服系统的示例性示图。
图2示出根据本发明的实施例的基于ai的计算机辅助说服系统的示例性示图。
图3示出根据本发明的实施例的基于输入音频流的语音情绪分类器生成的示例性示图。
图4示出根据本发明的实施例的使用直接映射基于音频流的语音情感分类器来获得用于音频流的情绪分类器的示例性示图。
图5示出根据本发明的实施例的基于ai的计算机辅助说服系统的示例性系统示图。
图6示出根据本发明的实施例的使用基于ai的计算机辅助说服系统在至少代理、目标、对象和尝试之间执行n元匹配的示例性示图。
图7示出根据本发明的实施例的执行基于ai的计算机辅助说服的采取计算机系统形式的机器的示例性框图。
图8示出根据本发明的实施例的用于基于ai的计算机辅助说服系统的示例性流程图。
具体实施例
现在将详细参考本发明的一些实施例，其示例在附图中示出。
图1示出根据本发明的实施例的包括基于ai的计算机辅助说服系统(caps)的不同计算机说服系统的示例性示图。在典型的说服通信中，存在三个主要组件，诸如代理102之类的说服者、诸如目标103之类的被说服者和诸如对象104之类的说服主题。目标103是指说服尝试想要针对的实体或实体组，例如消费者、学生或投票者。代理102指的是负责设计和构建对象的说服尝试的实体，例如负责广告活动的公司、个人销售人员或教师。对象104是诸如产品、服务、投票、学习概念或技能之类的说服主题。说服尝试是指代理在呈现被设计为影响目标的信念、态度、决策或动作的信息时的策略性行为。尝试是说服传递模态。例如，尝试可以是亲自或通过电话或使用虚拟会议的一对一会议。这些年来开发了不同的说服模型。人际说服112使用代理102与目标103之间的直接的人对人交流。随着技术的发展，诸如计算机系统101之类的计算机系统被开发用于说服交流。人机说服者113使用目标103与计算机系统101之间的直接的人机交流。“背后有人”计算机系统101创建算法和内容以与目标103交流。如果诸如产品和服务选择之类的对象104比较简单，则人机说服113是有效的。例如，使用有效的聊天机器人直接与目标103交流。然而，存在比较复杂以致消费者花费大量时间和努力来浏览和分类信息的产品，尤其是服务。对于这样的服务和产品，在线与聊天机器人对话是低效的，并且可能给目标103增加挫折感。例如，考虑订阅新的健康计划、购买新的人寿保险、决定新的金融产品、购买新的房子、干预患者的行为改变、向学生教授新的主题等。所有这些情况使得作为产品或服务的说服者的人“中介”成为消费者所必需的。然后，说服变成传统意义上的人际说服的问题。计算机系统在计算机介导的说服114中起作用，代理102指示计算机系统101与目标103交流。计算机介导的说服114用于在线商店。诸如在线购物者之类的目标103直接与计算机系统交互，而代理102在后端更新内容。计算机介导的说服114缺乏人际交互。近来，存在消费者正寻求只能由另一人服务的离线服务的活动。另外，当前的说服计算机系统缺少最新的技术，例如基于ai的简档分析和语音情绪分类。
在一个新颖方面，计算机系统101是基于ai的计算机辅助说服系统。计算机辅助说服111具有代理102与目标103之间的直接交流路径，其具有由计算机系统101提供的集成服务，该计算机系统101是计算机辅助说服系统(caps)。caps101基于对目标、代理、对象和一次或多个尝试之间的n元关系的分析，给代理102提供说服参考。为caps101实现ai技术，例如数据挖掘/深度学习。目标是针对整个过程的焦点。基于目标简档、他们已经获取或购买的对象以及代理在特定领域的尝试中的简档来开发领域特定深度学习模型。例如，考虑典型的人寿保险销售过程。目标是人寿保险产品的消费者。对象是不同类型的人寿保险产品。代理是人寿保险销售代理。尝试是目标与代理之间的1对1销售会议。
图2示出根据本发明的实施例的基于ai的计算机辅助说服系统的示例性示图。在一个新颖的方面，在caps中使用特定领域的深度学习模型。深度学习模块201识别针对目标的对象的集合、可以针对所识别的对象最佳地服务目标组的代理的集合、以及最佳尝试/传递模态，其中代理可以使成功最大化。领域特定的深度学习模块201生成领域特定的数据库的集合，包括对象知识库(koy)211、尝试知识库(kom)212、目标知识库(kot)213和代理知识库(koa)214。获得针对每个特定领域的大数据，以开发和训练关于目标、对象、代理和尝试的深度学习模型201。在一个实施例中，在步骤221，给定潜在的目标，深度学习模块201识别参考尝试模态、一个或多个对象以及一个或多个匹配的代理，以最大化说服的成功。深度学习模块201支持其他类型的查询。在另一实施例中，给定一个或多个对象，深度学习模块201识别潜在目标组、参考尝试模态和一个或多个匹配代理，以最大化说服的成功。在一个实施例中，对所识别的对象、目标和/或代理进行排序。
基于ai的计算机辅助系统包括动态说服指导子系统230。动态说服指导子系统230包括说服指导生成器231、动态内容生成器235、语音分析模块236和说服尝试模块237。caps生成说服内容和指导并传递到代理。在一个实施例中，通过内容流将说服内容和指导传递到代理。在另一实施例中，内容流被传递到代理的移动设备。在另一实施例中，类似于音频增强现实(aar)，音频内容流被传递到代理的头戴式耳机。在一个实施例中，说服尝试模块237获得用于说服对话的代理和目标的音频流。在其他实施例中，通过说服尝试模块237获得一个或多个说服尝试的记录，例如视频流或其他说服交换的手段。语音分析模块236分析来自说服尝试模块237的音频流或目标与代理之间的其他形式的交换。来自分析模块236的分析结果被发送到说服生成器231。说服生成器237基于分析的输入来动态地更新说服参考和/或说服指导。
在一个实施例中，说服交换是音频流。针对内容交换和伴随的情绪分类器，分析来自目标和代理的音频流。针对内容以及针对并发情感和/或情绪分析每个音频流。增强的语音分析使得caps能够更好地模拟人际交互场景，以提高对话的内容的准确性。
图3示出根据本发明的实施例的基于输入音频流的语音情绪分类器生成的示例性示图。在一个新颖方面中，除了对音频流或作为音频流的一部分的音频剪辑的内容评估之外，基于音频流/音频剪辑的情感分类器来生成并发情绪分类器。一般而言，情绪分类器生成300包括音频捕获系统301、语音情感分类器处理311、结果情感分类器312和结果情绪分类器350。
音频捕获系统301接收输入音频流，例如目标音频流或与说服对话的一部分对应的代理音频流。音频捕获系统301将所识别的音频流发送到语音情感分类器处理311。语音情感分类器处理311使用语音情感识别过程来识别针对音频流/剪辑的情情感分类器。语音情感识别基于采取两个步骤的机器学习模型。第一步是特征提取。第二步是建模。特征提取具有不同的方法。一种方法是直接从原始声音样本中检测显著特征。另一种方法仅使用声音文件的一个特定的特征作为学习模型的输入。后一种方法本质上是使用手工的特征声音文件的有监督的机器学习模型。有监督的学习模型产生更好的准确性。然而，它更昂贵，并且它需要专家或专业知识。一旦提取了特征，就可以开发、训练、评估和微调分类器模型。已经提出了许多数据挖掘模型，包括支持向量机(svm)、逻辑回归、隐藏马尔可夫模型和诸如卷积神经网络(cnn)和深度神经网络(dnn)之类的神经网络。存在基于所使用的不同模型的不同的情感分类器。一旦针对对应的音频流/剪辑生成情感分类器312，则生成情绪分类器350。在一个实施例中，使用直接映射来基于预定义的规则将每个情感分类器映射到预定义的情绪分类器的集合。
在一个实施例中，使用1维(1d)cnnlstm320来生成语音情感分类器。针对对应的对话捕获音频剪辑文件302。1dcnnlstm321处理音频剪辑。1dcnnlstm从音频剪辑的原始数据中识别语音情感。经处理的数据被发送到分类器322，以生成情感分类器结果处理器323。结果处理323为音频流/剪辑生成预定义的情感分类器。所生成的语音情感分类器351被映射到情绪分类器352。
在另一实施例中，使用2维(2d)cnnlstm330来生成情感分类器。针对说服对话的所识别的对应部分产生音频流/剪辑303。2dcnnlstm331处理音频流。2dcnnlstm从手工特征中学习全局上下文信息。经处理的数据被发送到分类器332以生成情感分类器结果处理器333。结果处理333为音频剪辑生成预定义的情感分类器。所生成的情感分类器351被映射到情绪分类器352。
可以使用不同的语音情感识别方法来从音频流获得语音情感分类器。在一个实施例中，语音情感分类器用于生成与音频流的内容输出相关的情绪分类器。
图4示出根据本发明的实施例的用于使用直接映射基于音频流的情感分类器来获得针对音频流的情绪分类器的示例性示图。情绪分类器生成器400包括映射规则403、情感分类器401和情绪分类器402。使用诸如1dcnnlstm和2dcnnlstm之类的语音情感识别方法来获得针对音频剪辑的情感分类器401。在一个实施例中，限定七个不同的情感分类器，以识别音频剪辑的情感结果。表410的列1示出七个情感分类器的示例，包括激动、快乐、中性、悲伤、沮丧、愤怒和惊讶。在一个实施例中，使用每个情感分类器到情绪分类器的映射。映射规则403用于映射过程。表410示出七个情感分类器到对应的情绪分类器的示例性映射。情绪分类器与其对应的相同的音频剪辑的评估结果一起使用。映射规则403是预定义或预配置的。映射规则403也可以动态地改变。表410中示出映射的示例。例如，情感分类器“激动”被映射到情绪分类器“极端积极”。类似地，“快乐”被映射到“积极”，“中性”被映射到“中性”，“悲伤”被映射到“消极”，“沮丧”被映射到“消极”，“愤怒”被映射到“极端消极”，以及“惊讶”被映射到“惊讶”。
图5示出根据本发明的实施例的基于ai的计算机辅助说服系统的示例性系统示图。基于ai的caps500包括：音频输入模块510，用于当代理与目标进行对话时从目标获得目标音频流并且从代理获得代理音频流，对话是针对第一对象的说服尝试；内容输出模块520，用于通过使用递归网络(rnn)模型分析代理音频流和目标音频流来获得代理内容输出和目标内容输出；语音分类器模块530，用于获得针对代理音频流的代理情绪分类器和针对目标音频流的目标情绪分类器，每个情感分类器是从由对应的音频流的卷积神经网络(cnn)模型分析产生的情感分类器导出的；对话处理模块550，用于基于先前的和当前的内容输出以及针对代理和目标的情绪分类器来更新包括先前的和当前的音频流分析的对话矩阵；以及说服参考模块560，用于基于所更新的对话矩阵来生成说服参考。在一个实施例中，基于ai的caps500还包括简档模块580，该简档模块580使用具有目标大数据的输入的cnn来生成目标简档，目标简档包括一个或多个对象，以及基于所生成的简档和一个或多个所选择的对象来选择代理。
音频输入模块510获得两个音频流，一个来自代理501，一个来自目标502。代理音频流输入511从代理501捕获音频流，并且将其传递到语音分析器540。目标音频流输入521从目标502捕获音频流，并且将其传递到语音分析器540。语音分析器540包括内容输出模块520和语音分类器模块530。
在一个新颖的方面，caps500分析目标音频流和代理音频流两者。在步骤521，内容输出模块520执行基于rnn的自动语音识别(asr)。rnn(nlp/nlu)模型522分析并分类文本。在步骤523，内容输出模块520基于对应的音频流(例如目标音频流和代理音频流)来执行评估。内容输出模块520生成代理内容输出551和目标内容输出552。语音情感分类器530还分析目标音频流代理音频流两者。语音分类器530针对对应的音频流生成代理情绪分类器553和目标情绪分类器554。语音分析器540识别尝试中的若干主要发现，即，(1)目标感兴趣的新对象，(2)目标的一般的和特定于某些对象的情感，和(3)代理的情感。对目标的语音情感分析指示兴趣的等级。可以基于目标的兴趣等级来即时添加新的对象内容。对目标的语音情感分析还提供指导以帮助代理参与目标。如果兴趣的等级低，则代理可以丢弃该主题并移到另一主题。如果兴趣的等级是中性的，则代理可以尝试不同的策略，以更积极地推动它或者和缓地推动它，这取决于目标的简档。该策略指导也被动态创建，并且可由代理访问。
在一个实施例中，使用语音分析器540的输出来更新对话矩阵。对话矩阵维持说服对话的分析结果的历史的输出。caps500使用对话矩阵550来生成说服参考560。基于输入和对来自目标和代理的输入的分析来动态地更新说服参考560。在一个实施例中，在尝试期间，动态对象内容和指导被流传输到代理的设备。可以以若干方式实现指导。例如，脚本可以显示在代理应用的ui上，设备上的ui可以是彩色编码的，或者可以将表情符号添加到ui。另外，如果技术上可能，则通过代理的耳机的声音指导可以实时同步动态对象内容，类似于音频增强现实(aar)技术。在另一实施例中，还基于一个或多个先前的说服参考561来生成说服参考560。在一个实施例中，caps500基于音频流输入来确定代理没有遵循先前的说服参考和/或说服指导。caps500基于对先前的说服参考的分析和来自代理和/或目标的输入来生成针对代理的经更新的说服参考。在另一实施例中，先前说服参考561被维持为对话矩阵560的部分。在一个实施例中，对话矩阵560包括针对对应的条目的时间戳。
在一个实施例中，caps500还包括生成和匹配代理简档581和目标简档582的简档模块580。简档模块580使用大数据来匹配说服者、代理、被说服者、目标、说服主题和对象。在以下段落中进一步说明三个一组匹配。
图6示出根据本发明的实施例的使用基于ai的计算机辅助说服系统，在至少代理、目标、对象和尝试之间执行n元匹配的示例性示图。传统的说服系统不提供有效的方式来进行用于说服过程的n元匹配。caps通过训练和获得至少目标、对象、代理和尝试的简档来执行n元匹配。领域特定深度学习模块601基于目标大数据611生成目标简档621。在一个实施例中，基于对象大数据612，领域特定深度学习模块601生成相关联的潜在对象622。从代理池631中选择一个或多个代理。每个所选择的代理具有与目标简档621和潜在对象622相匹配的代理简档。由于目标大数据611和对象大数据612随着越来越多的数据变得可用而动态地更新，所以在至少目标、对象和代理之间的n元匹配是更新且更准确的。说服过程更有效。在另一实施例中，使用尝试大数据来生成传递模态/尝试参考(未示出)。使用传递模态参考来更准确地选择代理。例如，基于代理简档，从候选代理池中选择在与目标和/或对象相关联的参考列表上的一种类型的模态中更熟练的代理。
图7示出根据本发明的实施例的执行基于ai的计算机辅助说服的采取计算机系统形式的机器的示例性框图。在一个实施例中，装置/设备700具有指令集，该指令集使得设备执行用于面试问题的语音情感识别的任何一种或多种方法。在另一实施例中，该设备作为独立设备操作或者可以通过网络连接到其他设备。采取计算机系统形式的装置700包括一个或多个处理器701、主存储器702、以及静态存储器单元703，通过总线711与其他组件通信。网络接口712将装置700连接到网络720。装置700还包括用户接口和i/o组件713、控制器731、驱动器单元732以及信号和/或传感器单元733。驱动器单元732包括机器可读介质，在其上存储一个或多个指令集和数据结构，例如由一种或多种方法实现或利用的用于语音情感识别功能的软件。软件在执行期间还可以完全或部分地驻留在主存储器702、一个或多个处理器701内。在一个实施例中，一个或多个处理器701被配置为：当代理正在与目标进行对话时，从目标获得目标音频流并且从代理获得代理音频流，其中对话是针对第一对象的说服尝试；通过使用递归网络(rnn)模型分析代理音频流和目标音频流来获得代理内容输出和目标内容输出；获得针对代理音频流的代理情绪分类器和针对目标音频流的目标情绪分类器，其中每个情感分类器是从由对应的音频流的卷积神经网络(cnn)模型分析产生的情感分类器导出的；基于先前的和当前的内容输出以及针对代理和目标的情绪分类器来更新包括先前的和当前的音频流分析的对话矩阵；以及基于所更新的对话矩阵生成说服参考。在一个实施例中，运行一个或多个处理器701的软件组件在不同的联网设备上运行，并且经由预定义的网络消息彼此通信。在另一实施例中，这些功能可以采取软件、固件、硬件或任意组合来实现。
图8示出根据本发明的实施例的基于ai的计算机辅助说服系统的示例性流程图。在步骤801，当代理正在与目标进行对话时，caps从目标获得目标音频流并且从代理获得代理音频流，其中对话是针对第一对象的说服尝试。在步骤802，caps通过使用递归网络(rnn)模型分析代理音频流和目标音频流来获得代理内容输出和目标内容输出。在步骤803，caps获得针对代理音频流的代理情绪分类器和针对目标音频流的目标情绪分类器，其中每个情绪分类器是从由对应音频流的卷积神经网络(cnn)模型分析产生的情感分类器导出的。在步骤804，caps基于先前和当前的内容输出以及针对代理和目标的情绪分类器来更新包括先前和当前的音频流分析的对话矩阵。在步骤805，caps基于所更新的对话矩阵来生成说服参考。
尽管出于指导的目的已经结合某些特定实施例描述了本发明，但是本发明不限于此。因此，在不偏离根据权利要求书中所阐述的本发明的范围的情况下，可以实践所描述的实施例的各种特征的各种修改、适配和组合。
1.一种方法，包括：
当代理正在与目标进行对话时，由计算机系统从所述目标获得目标音频流并且从所述代理获得代理音频流，其中所述计算机系统具有与至少一个存储器单元耦接的一个或多个处理器，以及其中对话是针对第一对象的说服尝试；
通过使用递归网络(rnn)模型分析所述代理音频流和所述目标音频流来获得代理内容输出和目标内容输出；
获得针对所述代理音频流的代理情绪分类器和针对所述目标音频流的目标情绪分类器，其中每个情绪分类器是从由对应的音频流的卷积神经网络(cnn)模型分析所产生的情感分类器导出的；
基于先前的和当前的内容输出以及针对所述代理和所述目标的情绪分类器来更新包括先前的和当前的音频流分析的对话矩阵；以及
基于所更新的对话矩阵来生成说服参考。
2.根据权利要求1所述的方法，其中所述说服参考是基于使用rnn模型从所述对话矩阵生成的接受可能性结果。
3.根据权利要求1所述的方法，其中所述说服参考包括一个或多个指导，所述一个或多个指导包括：所述第一对象的参考资料、所述第一对象的指导资料、针对所述代理的声音情绪改变的建议、以及一个或多个建议的新对象。
4.根据权利要求3所述的方法，其中对所述说服参考中的一个或多个指导进行排名。
5.根据权利要求3所述的方法，其中所述一个或多个建议的新对象是使用具有来自与所述第一对象相关联的主题大数据的输入的cnn来生成的。
6.根据权利要求1所述的方法，其中所述说服参考还基于一个或多个先前的说服参考来生成。
7.根据权利要求6所述的方法，其中所述对话矩阵指示没有遵循关于所述一个或多个先前的说服参考的一系列指导。
8.根据权利要求1所述的方法，其中所述情感分类器选自包括愤怒的情感、激动的情感、沮丧的情感、快乐的情感、中性的情感、悲伤的情感和惊讶的情感在内的情感群组，以及所述情绪分类器选自包括极端积极、积极、中性、消极、极端消极和惊讶在内的情绪群组。
9.根据权利要求1所述的方法，还包括：
使用具有目标大数据的输入的cnn来生成目标简档，其中所述目标简档包括一个或多个对象，以及其中基于所生成的简档和一个或多个所选择的对象来选择所述代理。
10.根据权利要求1所述的方法，其中通过内容流将所述说服参考传递到所述代理所使用的移动设备。
11.一种系统，包括：
音频输入模块，当代理正在与目标进行对话时，所述音频输入模块从所述目标获得目标音频流并且从所述代理获得代理音频流，其中对话是针对第一对象的说服尝试；
内容输出模块，所述内容输出模块通过使用递归网络(rnn)模型分析所述代理音频流和所述目标音频流来获得代理内容输出和目标内容输出；
语音分类器模块，所述语音分类器模块获得针对所述代理音频流的代理情绪分类器和针对所述目标音频流的目标情绪分类器，其中每个情绪分类器是从由对应的音频流的卷积神经网络(cnn)模型分析所产生的情感分类器导出的；
对话处理模块，所述对话处理模块基于先前的和当前的内容输出以及针对所述代理和所述目标的情绪分类器来更新包括先前的和当前的音频流分析的对话矩阵；以及
说服参考模块，所述说服参考模块基于所更新的对话矩阵来生成说服参考。
12.根据权利要求11所述的系统，其中所述说服参考是基于使用rnn模型从所述对话矩阵生成的接受可能性结果。
13.根据权利要求11所述的系统，其中所述说服参考包括一个或多个指导，所述一个或多个指导包括：所述第一对象的参考资料、所述第一对象的指导资料、针对所述代理的声音情绪改变的建议、以及一个或多个建议的新对象。
14.根据权利要求13所述的系统，其中对所述说服参考中的一个或多个指导进行排名。
15.根据权利要求13所述的系统，其中所述一个或多个建议的新对象是使用具有来自与所述第一对象相关联的主题大数据的输入的cnn来生成的。
16.根据权利要求11所述的系统，其中所述说服参考还基于一个或多个先前的说服参考来生成。
17.根据权利要求16所述的系统，其中所述对话矩阵指示没有遵循关于所述一个或多个先前的说服参考的一系列指导。
18.根据权利要求11所述的系统，其中所述情感分类器选自包括愤怒的情感、激动的情感、沮丧的情感、快乐的情感、中性的情感、悲伤的情感和惊讶的情感在内的情感群组，以及所述情绪分类器选自包括极端积极、积极、中性、消极、极端消极和惊讶在内的情绪群组。
19.根据权利要求11所述的系统，其中通过内容流将所述说服参考传递到所述代理所使用的移动设备。
20.根据权利要求11所述的系统，还包括：
简档模块，所述简档模块使用具有目标大数据的输入的cnn来生成目标简档，其中所述目标简档包括一个或多个对象，以及其中基于所生成的简档和一个或多个所选择的对象来选择所述代理。
技术总结