本技术涉及软件，特别是涉及一种数据处理装置、方法及智能车辆。
背景技术：
1、随着汽车市场的发展，用户购车时对于汽车市场的选择也变得越来越多，这就加大了销售人员的工作压力，在汽车销售领域中，市场竞争也越来越激烈，为了提供更好的用户服务，通常需要以用户喜欢的销售文本与其进行沟通。现有技术中，将采集到的用户侧特征数据，比如，用户id、用户收到的历史销售文本以及用户对该历史销售文本的反馈，作为样本数据，并通过专业的分析软件对该样本数据进行分析，确定出与用户适配度最高的销售文本。但该分析软件只对单一性样本数据进行分析，可能会导致确定出销售文本与用户的实际适配度并不高，从而无法为用户提供更好的服务。
技术实现思路
1、本技术提供了一种数据处理装置、方法及智能车辆，可以解决目前分析软件只对单一性样本数据进行分析，可能会导致确定出销售文本与用户的实际适配度并不高，从而无法为用户提供更好的服务的问题。
2、第一方面，本技术提供了一种数据处理装置，包括处理器和存储器，所述存储器用于存储所述处理器可执行的程序，所述处理器用于读取所述存储器中的程序并执行如下步骤：
3、响应于接收到特征参数，匹配与所述特征参数关联的各个候选特征集合，其中，所述特征参数为用户姓名和销售员姓名；
4、在各个所述候选特征集合中选择出目标特征集合，其中，所述目标特征集合中至少包括所述用户姓名和所述销售员姓名、用户侧特征数据、销售侧特征数据、事件特征数据以及销售模板特征数据，所述用户侧特征数据表征所述用户姓名关联的数据，所述销售侧特征数据表征所述销售员姓名关联的数据，所述事件特征数据表征发生事件的时间数据；
5、对所述目标特征集合进行转换，得到目标文本。
6、通过该装置，只需要输入用户姓名和销售员姓名，就能快速输出与用户适配度最高的销售方式以及个性化销售文本，提高用户服务的满意度以及用户激活的成功率。
7、在一种可选的实施例中，所述处理器具体被配置为执行：
8、基于所述用户侧特征数据计算各个所述候选特征集合各自的推荐分值；或
9、基于所述用户侧特征数据、所述销售侧特征数据和/或所述事件特征数据和/或所述销售模板特征数据计算各个所述候选特征集合各自的推荐分值；
10、在各个推荐分值中选择出推荐分值最高的候选特征集合作为所述目标特征集合。
11、通过该方式，可以选择出与用户适配度最高的目标特征集合。
12、在一种可选的实施例中，所述用户侧特征数据至少包括所述用户侧特征数据至少包括用户身份信息id、年龄、性别、位置、销售员与用户之间的销售方式、用户对收到的历史销售文本的反馈；所述销售侧特征数据至少包括销售员身份信息id、年龄、性别、所属门店、所述所属门店的位置、接待客户数以及车辆的销售量；所述事件特征数据至少包括当前时间、节假日、发生促销活动的时间以及用户生日；所述销售模板特征数据至少包括销售模板id以及销售模板的文本数据；
13、所述销售方式至少包括电话沟通、文本沟通、应用程序app弹窗以及上门拜访；所述用户对收到的历史销售文本的反馈至少包括点击、转发、下载、分享、阅读时间、沉默时间、聊天时长、试驾以及购买。
14、通过该方式，使得输出的目标特征集合中包含多个维度的特征数据，从而可以保证目标特征集合与用户之间的适配度。
15、在一种可选的实施例中，所述处理器具体被配置为执行：
16、将所述用户身份信息id、所述年龄、所述性别、所述位置、所述销售员与用户之间的销售方式、所述用户对收到的历史销售文本的反馈进行有效编码，得到各个第一编码，并将所述各个第一编码进行词嵌入embedding向量化，得到所述用户侧特征数据；
17、将所述销售员身份信息id、所述年龄、所述性别、所述所属门店、所述所属门店的位置、所述接待客户数以及所述车辆的销售量进行有效编码，得到各个第二编码，并对各个所述第二编码进行embedding向量化，得到所述销售侧特征数据；
18、将所述当前时间、所述节假日、所述发生促销活动的时间以及所述用户生日进行有效编码，得到各个第三编码，并对各个所述第三编码进行embedding向量化，得到所述事件特征数据；
19、将所述销售模板id进行有效编码，得到第四编码，并将所述销售模板的文本数据进行字节对编码，得到第五编码；
20、将所述第四编码以及所述第五编码特征进行embedding向量化，得到所述销售模板特征数据。
21、通过该方式，按照不同的编码方式对多种维度的特征进行编码，从而可以提高计算效率。
22、第二方面，本技术提供了一种数据处理装置，包括处理器和存储器，所述存储器用于存储所述处理器可执行的程序，所述处理器用于读取所述存储器中的程序并执行如下步骤：
23、获取用户侧特征数据、销售侧特征数据、事件特征数据以及销售模板特征数据，其中，所述用户侧特征数据表征用户姓名关联的数据，所述销售侧特征数据表征销售员姓名关联的数据，所述事件特征数据表征发生事件的时间数据；
24、基于所述用户侧特征数据、所述销售侧特征数据、所述事件特征数据以及所述销售模板特征数据进行训练，得到目标神经网络模型。
25、通过该装置，基于多个维度的特征数据进行训练，使得训练得到的目标神经网络模型更准确，进而可以使用该目标神经网络模型输出与用户适配度最高的销售方式以及个性化销售文本。
26、在一种可选的实施例中，所述处理器具体被配置为执行：
27、将所述用户侧特征数据、所述销售侧特征数据以及所述销售模板特征数据输入到第一神经网络层进行训练，得到特征集合；
28、将所述用户姓名、所述销售员姓名以及所述特征集合输入到第二神经网络层进行训练，得到所述目标神经网络模型。
29、通过该方式，可以提高目标神经网络模型的准确度。
30、在一种可选的实施例中，所述处理器具体被配置为执行：
31、分别对所述用户侧特征数据、所述销售侧特征数据以及所述销售模板特征数据中的销售模板id进行有效编码，得到各个第一编码；
32、对所述销售模板特征数据中的销售模板的文本数据进行字节对编码，得到第二编码；
33、分别将各个所述第一编码以及所述第二编码进行词嵌入embedding向量化，得到各个所述第一编码各自的第一embedding向量，以及所述第二编码的第二embedding向量；
34、将各第一embedding向量以及所述第二embedding向量输入到所述第一神经网络层进行训练，得到所述特征集合。
35、通过该方式，可以提高第一神经网络层模的训练效率。
36、在一种可选的实施例中，所述处理器具体被配置为执行：
37、将所述各第一embedding向量中的第三embedding向量和第四embedding向量作为期望样本，其中，所述第三embedding向量表征所述用户侧特征数据中用户对历史销售文本的反馈，所述第四embedding向量表征所述用户侧特征数据中销售员与用户之间的销售方式；
38、将所述各第一embedding向量以及所述第二embedding向量作为训练样本；
39、将所述期望样本和所述训练样本输入到所述第一神经网络层进行训练，得到所述特征集合。
40、在一种可选的实施例中，所述处理器具体被配置为执行：
41、基于隐藏层的权重参数对所述训练样本进行加权计算，得到初始特征集合；
42、计算所述初始特征集合和所述期望样本之间的总损失值，并判断所述损失值是否处于预设损失值范围；
43、若是，则将当前第一神经网络层的输出结果作为所述特征集合；
44、若否，则将所述损失值进行反向传播，更新所述权重参数。
45、在一种可选的实施例中，所述处理器具体被配置为执行：
46、对所述用户姓名和所述销售员姓名进行字节对编码，得到第三编码；
47、对所述事件特征数据进行有效编码，得到第四编码；
48、分别将所述第三编码以及所述第四编码进行embedding向量化，得到第五embedding向量以及第六embedding向量；
49、将所述第五embedding向量、所述第六embedding向量以及所述特征集合输入到所述第二神经网络层进行训练，得到所述目标神经网络模型。
50、通过该方式，可以提高第二神经网络层的训练效率。
51、第三方面，本技术提供了一种数据处理方法，所述方法包括：
52、响应于接收到特征参数，匹配与所述特征参数关联的各个候选特征集合，其中，所述特征参数为用户姓名和销售员姓名；
53、在各个所述候选特征集合中选择出目标特征集合，其中，所述目标特征集合中至少包括所述用户姓名和所述销售员姓名、用户侧特征数据、销售侧特征数据、事件特征数据以及销售模板特征数据，所述用户侧特征数据表征所述用户姓名关联的数据，所述销售侧特征数据表征所述销售员姓名关联的数据，所述事件特征数据表征发生事件的时间数据；
54、对所述目标特征集合进行转换，得到目标文本。
55、在一种可选的实施例中，所述在各个所述候选特征集合中选择出目标特征集合，包括：
56、基于所述用户侧特征数据计算各个所述候选特征集合各自的推荐分值；或
57、基于所述用户侧特征数据、所述销售侧特征数据和/或所述事件特征数据和/或所述销售模板特征数据计算各个所述候选特征集合各自的推荐分值；
58、在各个推荐分值中选择出推荐分值最高的候选特征集合作为所述目标特征集合。
59、在一种可选的实施例中，所述用户侧特征数据至少包括所述用户侧特征数据至少包括用户身份信息id、年龄、性别、位置、销售员与用户之间的销售方式、用户对收到的历史销售文本的反馈；所述销售侧特征数据至少包括销售员身份信息id、年龄、性别、所属门店、所述所属门店的位置、接待客户数以及车辆的销售量；所述事件特征数据至少包括当前时间、节假日、发生促销活动的时间以及用户生日；所述销售模板特征数据至少包括销售模板id以及销售模板的文本数据；
60、所述销售方式至少包括电话沟通、文本沟通、应用程序app弹窗以及上门拜访；所述用户对收到的历史销售文本的反馈至少包括点击、转发、下载、分享、阅读时间、沉默时间、聊天时长、试驾以及购买。
61、在一种可选的实施例中，所述方法还包括：
62、将所述用户身份信息id、所述年龄、所述性别、所述位置、所述销售员与用户之间的销售方式、所述用户对收到的历史销售文本的反馈进行有效编码，得到各个第一编码，并将所述各个第一编码进行词嵌入embedding向量化，得到所述用户侧特征数据；
63、将所述销售员身份信息id、所述年龄、所述性别、所述所属门店、所述所属门店的位置、所述接待客户数以及所述车辆的销售量进行有效编码，得到各个第二编码，并对各个所述第二编码进行embedding向量化，得到所述销售侧特征数据；
64、将所述当前时间、所述节假日、所述发生促销活动的时间以及所述用户生日进行有效编码，得到各个第三编码，并对各个所述第三编码进行embedding向量化，得到所述事件特征数据；
65、将所述销售模板id进行有效编码，得到第四编码，并将所述销售模板的文本数据进行字节对编码，得到第五编码；
66、将所述第四编码以及所述第五编码特征进行embedding向量化，得到所述销售模板特征数据。
67、第四方面，本技术提供了一种数据处理方法，所述方法包括：
68、获取用户侧特征数据、销售侧特征数据、事件特征数据以及销售模板特征数据，其中，所述用户侧特征数据表征用户姓名关联的数据，所述销售侧特征数据表征销售员姓名关联的数据，所述事件特征数据表征发生事件的时间数据；
69、基于所述用户侧特征数据、所述销售侧特征数据、所述事件特征数据以及所述销售模板特征数据进行训练，得到目标神经网络模型。
70、在一种可选的实施例中，所述基于所述用户侧特征数据、所述销售侧特征数据、所述事件特征数据以及所述销售模板特征数据进行训练，得到目标神经网络模型，包括：
71、将所述用户侧特征数据、所述销售侧特征数据以及所述销售模板特征数据输入到第一神经网络层进行训练，得到特征集合；
72、将所述用户姓名、所述销售员姓名以及所述特征集合输入到第二神经网络层进行训练，得到所述目标神经网络模型。
73、在一种可选的实施例中，所述将所述用户侧特征数据、所述销售侧特征数据以及所述销售模板特征数据输入到第一神经网络层进行训练，得到特征集合，包括：
74、分别对所述用户侧特征数据、所述销售侧特征数据以及所述销售模板特征数据中的销售模板id进行有效编码，得到各个第一编码；
75、对所述销售模板特征数据中的销售模板的文本数据进行字节对编码，得到第二编码；
76、分别将各个所述第一编码以及所述第二编码进行词嵌入embedding向量化，得到各个所述第一编码各自的第一embedding向量，以及所述第二编码的第二embedding向量；
77、将各第一embedding向量以及所述第二embedding向量输入到所述第一神经网络层进行训练，得到所述特征集合。
78、在一种可选的实施例中，所述将各第一embedding向量以及所述第二embedding向量输入到所述第一神经网络层进行训练，得到所述特征集合，包括：
79、将所述各第一embedding向量中的第三embedding向量和第四embedding向量作为期望样本，其中，所述第三embedding向量表征所述用户侧特征数据中用户对历史销售文本的反馈，所述第四embedding向量表征所述用户侧特征数据中销售员与用户之间的销售方式；
80、将所述各第一embedding向量以及所述第二embedding向量作为训练样本；
81、将所述期望样本和所述训练样本输入到所述第一神经网络层进行训练，得到所述特征集合。
82、在一种可选的实施例中，所述将所述期望样本和所述训练样本输入到所述第一神经网络层进行训练，得到所述特征集合，包括：
83、基于隐藏层的权重参数对所述训练样本进行加权计算，得到初始特征集合；
84、计算所述初始特征集合和所述期望样本之间的总损失值，并判断所述损失值是否处于预设损失值范围；
85、若是，则将当前第一神经网络层的输出结果作为所述特征集合；
86、若否，则将所述损失值进行反向传播，更新所述权重参数。
87、在一种可选的实施例中，所述将所述用户姓名、所述销售员姓名以及所述特征集合输入到第二神经网络层进行训练，得到所述目标神经网络模型，包括：
88、对所述用户姓名和所述销售员姓名进行字节对编码，得到第三编码；
89、对所述事件特征数据进行有效编码，得到第四编码；
90、分别将所述第三编码以及所述第四编码进行embedding向量化，得到第五embedding向量以及第六embedding向量；
91、将所述第五embedding向量、所述第六embedding向量以及所述特征集合输入到所述第二神经网络层进行训练，得到所述目标神经网络模型。
92、第五方面，本技术提供了一种智能车辆，所述智能车辆包括上述的一种数据处理装置。
93、第六方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种数据处理方法。
94、第七方面，本技术提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述的一种数据处理方法。
1.一种数据处理装置，其特征在于，包括处理器和存储器，所述存储器用于存储所述处理器可执行的程序，所述处理器用于读取所述存储器中的程序并执行如下步骤：
2.如权利要求1所述的装置，其特征在于，所述处理器具体被配置为执行：
3.如权利要求1所述的装置，其特征在于，所述用户侧特征数据至少包括用户身份信息id、年龄、性别、位置、销售员与用户之间的销售方式、用户对收到的历史销售文本的反馈；所述销售侧特征数据至少包括销售员身份信息id、年龄、性别、所属门店、所述所属门店的位置、接待客户数以及车辆的销售量；所述事件特征数据至少包括当前时间、节假日、发生促销活动的时间以及用户生日；所述销售模板特征数据至少包括销售模板id以及销售模板的文本数据；
4.如权利要求3所述的装置，其特征在于，所述处理器具体被配置为执行：
5.一种数据处理装置，其特征在于，包括处理器和存储器，所述存储器用于存储所述处理器可执行的程序，所述处理器用于读取所述存储器中的程序并执行如下步骤：
6.如权利要求5所述的装置，其特征在于，所述处理器具体被配置为执行：
7.如权利要求6所述的装置，其特征在于，所述处理器具体被配置为执行：
8.如权利要求7所述的装置，其特征在于，所述处理器具体被配置为执行：
9.如权利要求8所述的装置，其特征在于，所述处理器具体被配置为执行：
10.如权利要求6所述的装置，其特征在于，所述处理器具体被配置为执行：
11.一种数据处理方法，其特征在于，所述方法包括：
12.一种数据处理方法，其特征在于，所述方法包括：
13.一种智能车辆，其特征在于，所述智能车辆包括如权利要求1-10中任一项所述的装置。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求11-12中任一项所述的方法。
15.一种计算机程序产品，其特征在于，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述如权利要求11-12中任一项所述的方法。
