CN110377692B - 一种训练机器人模仿学习人工客服方法及装置 - Google Patents

一种训练机器人模仿学习人工客服方法及装置 Download PDF

Info

Publication number
CN110377692B
CN110377692B CN201910476560.7A CN201910476560A CN110377692B CN 110377692 B CN110377692 B CN 110377692B CN 201910476560 A CN201910476560 A CN 201910476560A CN 110377692 B CN110377692 B CN 110377692B
Authority
CN
China
Prior art keywords
client
client message
classification result
training
intention
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910476560.7A
Other languages
English (en)
Other versions
CN110377692A (zh
Inventor
杜剑文
李辉权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Youlan Robot Technology Co ltd
Original Assignee
Guangdong Youlan Robot Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Youlan Robot Technology Co ltd filed Critical Guangdong Youlan Robot Technology Co ltd
Priority to CN201910476560.7A priority Critical patent/CN110377692B/zh
Publication of CN110377692A publication Critical patent/CN110377692A/zh
Application granted granted Critical
Publication of CN110377692B publication Critical patent/CN110377692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种训练机器人模仿学习人工客服方法及装置，引入训练座席机制，将机器人预训练、智能客服服务及更新维护监督学习扁平化统一处理，优化了服务上线及训练学习流程，即时上线，由引擎过滤足够置信的问题进行应答；一方面，客户得到及时准确的消息反馈，服务范围涵括引擎以外的服务内容，与引擎服务无缝对接；另一方面，训练座席的判定会以“监督学习样本”的形式写入引擎特征分析器，样本积累、训练和智能服务并行不悖，极大节省各种上线的时间成本，随着引擎的不断自训练学习，能过滤的问题越来越多，训练座席的监督学习工作量会日渐减少。

Description

一种训练机器人模仿学习人工客服方法及装置
技术领域
本公开涉及机器人技术领域，具体涉及一种训练机器人模仿学习人工客服方法及装置。
背景技术
客服机器人应用是自然语言处理的一个分支。客服机器人的发展是伴随着自然语言处理技术的革新的，大致有四类：第一阶段是基于关键词匹配的“检索式机器人”；第二阶段是运用一定的模板，支持多个词匹配，并具有模糊查询能力；第三阶段是在关键词匹配的基础上引入了搜索技术，根据文本相关性进行排序，第四阶段是以机器学习为基础，应用深度学习理解意图的智能客服技术。现代智能客服机器人，是由传统自然语言处理发展过来的，它是自然语言理解的一个高阶应用。
客服机器人已经在第四阶段越走越远，即便如此，智能客服服务依然面对着“不可预见”的挑战：它是基于样本学习的结果，一方面，“样本的收集”和监督学习下的“人工干预”工作必然是繁琐的持续的，另一方面，即使经过“充分”(事实无法完全充分)的学习训练，也无法避免信息盲点，在自动运行的状态下无法保证智能反馈的准确，虽然在“样本积累-训练学习-应用服务”的循环中“日趋完善”，但必然付出前期服务质量的“低谷”。
现在，客服机器人的自动应答的客服系统主要有三种方式：
1、基于关键字检索匹配，输出推荐问题及答案的自动应答；
2、围绕着具有“问题辨识度”的关键字，枚举各种可能的意图，并针对各个单独的3、意图，罗列枚举多种句式句法，进行正则匹配，定位意图，再做出相应应答；
基于机器学习的文本特征归纳，划分意图空间；
第一种解决方案属于最初的自动应答系统，由用户给出关键字，系统找出“包含该关键字”的“问题”或“答案”，进行罗列，由用户选择自己感兴趣的列项。这种解决方案下，可能出现以下几方面的问题：(1)用户输入关键字与预设的QA库关键字“同义字异”，无法进行有效的推荐；(2)同一关键字的QA可能太多，用户需要进行较为复杂的二次筛选找到自己期待的答案；
第二种解决方案中，针对同一意图，表达(句式句法)可以千差万别，这意味着前期句式句法归纳及句式正则编写将会非常繁重，修改运维的成本非常庞大，而且需要专业人员进行维护操作；
第三种解决方案中，基于机器学习的智能客服系统，需要前期投入大量的样本积累及学习训练成本，上线时间较长；而同时，由于用于学习训练的样本盲点的出现，在投产的过程中出现不可预知的错误应答。
发明内容
本公开提供一种训练机器人模仿学习人工客服方法及装置，引入“训练座席”机制，将机器人预训练、智能客服服务及更新维护监督学习扁平化统一处理，优化了服务上线及训练学习流程。
为了实现上述目的，根据本公开的一方面，提供一种训练机器人模仿学习人工客服方法，所述方法包括以下步骤：
步骤1，读取客户消息；
步骤2，将客户消息通过引擎特征分类器进行分类得到客户消息分类结果；
步骤3，判断客户消息分类结果是否落入应答置信的置信区间，如果落入区间，则将客户消息分类结果推送给客户；
步骤4，如果客户消息分类结果没有落入应答置信的置信区间，则训练坐席进行判定客户消息分类结果是否与客户的意图相关；
步骤5，如果训练坐席判定客户消息分类结果与客户的意图相关，则将客户消息分类结果写入引擎特征分类器；
步骤6，如果训练坐席判定客户消息分类结果与客户的意图不相关则转到人工应答。
进一步地，在步骤1中，所述客户消息为文本格式或者语音格式。
进一步地，在步骤2中，所述引擎特征分类器包括一个意图库和特征分类器，所述意图库为针对客户消息意图的应答库，应答库中包括多个应答，应答的数据为文本格式的数据，所述特征分类器为根据对客户消息的表达分词后进行特征分类判定识别并从应答库输出客户意图的应答，即输出客户消息分类的结果，并附上引擎的判定置信值。
进一步地，在步骤2中，所述客户消息分类结果包括客户的意图和判定置信值，所述判定置信值为通过基于N-最短路径分词算法将客户消息分词，构造词语切分为有向无环图，每个词对应图中的一条有向边，并赋给相应的边长即权值，在起点到终点的所有路径中，求出长度值按严格升序排列，计算有向无环图中的关键路径,并计算关键路径弧上的权值之和作为判定置信值。
进一步地，在步骤3中，判断客户消息分类结果是否落入应答置信的置信区间的方法为，从客户消息分类结果读取判定置信值，判断判定置信值是否落入应答库的正态总体的置信区间，正态总体为应答库中的应答数据的标准正态分布的总体。
进一步地，在步骤4中，所述训练坐席进行判定客户消息分类结果是否与客户的意图相关的方法为，在训练坐席，为每一个客户消息分类结果设置一个计数器，如果不存在客户消息分类结果则新建一个计数器，当同一个客户消息分类结果被训练坐席判定客户消息分类结果与客户的意图不相关3次以上时,记录下人工应答的答案并写入引擎特征分类器，当与客户消息分类结果对应的计数器大于或等于3时相关，当不存在计数器时或与客户消息分类结果对应的计数器小于3时则判定为不相关。
本发明还提供了一种训练机器人模仿学习人工客服装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：
客户消息读取单元，用于读取客户消息；
引擎特征分类单元，用于将客户消息通过引擎特征分类器进行分类得到客户消息分类结果；
置信判断单元，用于判断客户消息分类结果是否落入应答置信的置信区间，如果落入区间，则将客户消息分类结果推送给客户；
训练坐席判定单元，用于在如果客户消息分类结果没有落入应答置信的置信区间，则训练坐席进行判定客户消息分类结果是否与客户的意图相关；
机器人学习单元，用于在如果训练坐席判定客户消息分类结果与客户的意图相关，则将客户消息分类结果写入引擎特征分类器；
人工应答单元，用于在如果训练坐席判定客户消息分类结果与客户的意图不相关则转到人工应答。
本公开的有益效果为：本发明提供一种训练机器人模仿学习人工客服方法及装置，有益效果主要有以下几方面的体现：
1.即时上线，由引擎过滤足够置信的问题进行应答；哪些需要人工静默座席应答的问题，能够有效及时准确的应答，弥补了智能客服机器人业务范畴以外或未深度学习完备的漏网之鱼。
2.由训练座席人工做出判别的应答：一方面，客户得到及时准确的消息反馈，服务范围涵括引擎以外的服务内容，与引擎服务无缝对接；另一方面，训练座席的判定会以“监督学习样本”的形式写入引擎特征分析器，样本积累、训练和智能服务并行不悖，极大节省各种上线的时间成本；
3.随着引擎的不断自训练学习，能过滤的问题越来越多，训练座席的监督学习工作量会日渐减少。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种训练机器人模仿学习人工客服方法的流程图；
图2所示为一种训练机器人模仿学习人工客服的系统设计模式图；
图3所示为一种训练机器人模仿学习人工客服装置图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的一种训练机器人模仿学习人工客服方法的流程图，下面结合图1来阐述根据本公开的实施方式的一种训练机器人模仿学习人工客服方法。
本公开提出一种训练机器人模仿学习人工客服方法，具体包括以下步骤：
步骤1，读取客户消息；
步骤2，将客户消息通过引擎特征分类器进行分类得到客户消息分类结果；
步骤3，判断客户消息分类结果是否落入应答置信的置信区间，如果落入区间，则将客户消息分类结果推送给客户；
步骤4，如果客户消息分类结果没有落入应答置信的置信区间，则训练坐席进行判定客户消息分类结果是否与客户的意图相关；
步骤5，如果训练坐席判定客户消息分类结果与客户的意图相关，则将客户消息分类结果写入引擎特征分类器；
步骤6，如果训练坐席判定客户消息分类结果与客户的意图不相关则转到人工应答。
进一步地，在步骤1中，所述客户消息为文本格式或者语音格式。
进一步地，在步骤2中，所述引擎特征分类器包括一个意图库和特征分类器，所述意图库为针对客户消息意图的应答库，应答库中包括多个应答，应答的数据为文本格式的数据，所述特征分类器为根据对客户消息的表达分词后进行特征分类判定识别并从应答库输出客户意图的应答，即输出客户消息分类的结果，并附上引擎的判定置信值。
进一步地，在步骤2中，所述客户消息分类结果包括客户的意图和判定置信值，所述判定置信值为通过基于N-最短路径分词算法将客户消息分词，构造词语切分为有向无环图，每个词对应图中的一条有向边，并赋给相应的边长即权值，在起点到终点的所有路径中，求出长度值按严格升序排列，计算有向无环图中的关键路径,并计算关键路径弧上的权值之和作为判定置信值。
进一步地，在步骤3中，判断客户消息分类结果是否落入应答置信的置信区间的方法为，从客户消息分类结果读取判定置信值，判断判定置信值是否落入应答库的正态总体的置信区间，正态总体为应答库中的应答数据的标准正态分布的总体。
进一步地，在步骤4中，所述训练坐席进行判定客户消息分类结果是否与客户的意图相关的方法为，在训练坐席，为每一个客户消息分类结果设置一个计数器，如果不存在客户消息分类结果则新建一个计数器，当同一个客户消息分类结果被训练坐席判定客户消息分类结果与客户的意图不相关3次以上时,记录下人工应答的答案并写入引擎特征分类器，当与客户消息分类结果对应的计数器大于或等于3时相关，当不存在计数器时或与客户消息分类结果对应的计数器小于3时则判定为不相关。
优选地，客户消息会先经过引擎特征分类器，对客户表达进行特征分类判定，识别客户的意图，并附上引擎的“判定置信值”：对于机器足够“自信”的意图判定，系统自动调度意图应答反馈到客户终端；而对于机器“置信度”不高的应答，自动转发到训练座席进行判定，对训练座席判定为“正确意图”，一方面，系统根据所选意图判定调度应答反馈给客户，另一方面，对客户表达和“正确意图”进行关联，写入监督学习样本库，供引擎再次学习使用。
优选地，如图2所示，图2所示为一种训练机器人模仿学习人工客服的系统设计模式图，本公开的系统设计模式，实现了“训练样本收集”、“上线服务”和“监督学习”三大流程的统一，简化上线服务及学习训练流程，节省时间成本的同时，避免“无监督”的服务时自动应答可能存在的错漏，提高服务质量。
本公开的实施例提供的一种训练机器人模仿学习人工客服装置，如图3所示为本公开的一种训练机器人模仿学习人工客服装置图，该实施例的一种训练机器人模仿学习人工客服装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种训练机器人模仿学习人工客服装置实施例中的步骤。
所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：
客户消息读取单元，用于读取客户消息；
引擎特征分类单元，用于将客户消息通过引擎特征分类器进行分类得到客户消息分类结果；
置信判断单元，用于判断客户消息分类结果是否落入应答置信的置信区间，如果落入区间，则将客户消息分类结果推送给客户；
训练坐席判定单元，用于在如果客户消息分类结果没有落入应答置信的置信区间，则训练坐席进行判定客户消息分类结果是否与客户的意图相关；
机器人学习单元，用于在如果训练坐席判定客户消息分类结果与客户的意图相关，则将客户消息分类结果写入引擎特征分类器；
人工应答单元，用于在如果训练坐席判定客户消息分类结果与客户的意图不相关则转到人工应答。
所述一种训练机器人模仿学习人工客服装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种训练机器人模仿学习人工客服装置，可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种训练机器人模仿学习人工客服装置的示例，并不构成对一种训练机器人模仿学习人工客服装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种训练机器人模仿学习人工客服装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种训练机器人模仿学习人工客服装置运行装置的控制中心，利用各种接口和线路连接整个一种训练机器人模仿学习人工客服装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种训练机器人模仿学习人工客服装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (6)

1.一种训练机器人模仿学习人工客服方法，其特征在于，所述方法包括以下步骤：
步骤1，读取客户消息；
步骤2，将客户消息通过引擎特征分类器进行分类得到客户消息分类结果；
步骤3，判断客户消息分类结果是否落入应答置信的置信区间，如果落入区间，则将客户消息分类结果推送给客户；
步骤4，如果客户消息分类结果没有落入应答置信的置信区间，则训练坐席进行判定客户消息分类结果是否与客户的意图相关；
步骤5，如果训练坐席判定客户消息分类结果与客户的意图相关，则将客户消息分类结果写入引擎特征分类器；
步骤6，如果训练坐席判定客户消息分类结果与客户的意图不相关则转到人工应答；
其中，在步骤2中，所述引擎特征分类器包括一个意图库和特征分类器，所述意图库为针对客户消息意图的应答库，所述特征分类器为根据对客户消息的表达分词后进行特征分类判定识别并从应答库输出客户意图的应答，即输出客户消息分类的结果，并附上引擎的判定置信值。
2.根据权利要求1所述的一种训练机器人模仿学习人工客服方法，其特征在于，在步骤1中，所述客户消息为文本格式或者语音格式。
3.根据权利要求1所述的一种训练机器人模仿学习人工客服方法，其特征在于，在步骤2中，所述客户消息分类结果包括客户的意图和判定置信值，所述判定置信值为通过基于N-最短路径分词算法将客户消息分词，构造词语切分为有向无环图，每个词对应图中的一条有向边，并赋给相应的边长即权值，在起点到终点的所有路径中，求出长度值按严格升序排列，计算有向无环图中的关键路径,并计算关键路径弧上的权值之和作为判定置信值。
4.根据权利要求1所述的一种训练机器人模仿学习人工客服方法，其特征在于，在步骤3中，判断客户消息分类结果是否落入应答置信的置信区间的方法为，从客户消息分类结果读取判定置信值，判断判定置信值是否落入应答库的正态总体的置信区间。
5.根据权利要求1所述的一种训练机器人模仿学习人工客服方法，其特征在于，在步骤4中，所述训练坐席进行判定客户消息分类结果是否与客户的意图相关的方法为，在训练坐席，为每一个客户消息分类结果设置一个计数器，如果不存在客户消息分类结果则新建一个计数器，当同一个客户消息分类结果被训练坐席判定客户消息分类结果与客户的意图不相关3次以上时,记录下人工应答的答案并写入引擎特征分类器，当与客户消息分类结果对应的计数器大于或等于3时相关，当不存在计数器时或与客户消息分类结果对应的计数器小于3时则判定为不相关。
6.一种训练机器人模仿学习人工客服装置，其特征在于，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：
客户消息读取单元，用于读取客户消息；
引擎特征分类单元，用于将客户消息通过引擎特征分类器进行分类得到客户消息分类结果；
置信判断单元，用于判断客户消息分类结果是否落入应答置信的置信区间，如果落入区间，则将客户消息分类结果推送给客户；
训练坐席判定单元，用于在如果客户消息分类结果没有落入应答置信的置信区间，则训练坐席进行判定客户消息分类结果是否与客户的意图相关；
机器人学习单元，用于在如果训练坐席判定客户消息分类结果与客户的意图相关，则将客户消息分类结果写入引擎特征分类器；
人工应答单元，用于在如果训练坐席判定客户消息分类结果与客户的意图不相关则转到人工应答；
其中，所述引擎特征分类器包括一个意图库和特征分类器，所述意图库为针对客户消息意图的应答库，所述特征分类器为根据对客户消息的表达分词后进行特征分类判定识别并从应答库输出客户意图的应答，即输出客户消息分类的结果，并附上引擎的判定置信值。
CN201910476560.7A 2019-06-03 2019-06-03 一种训练机器人模仿学习人工客服方法及装置 Active CN110377692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910476560.7A CN110377692B (zh) 2019-06-03 2019-06-03 一种训练机器人模仿学习人工客服方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910476560.7A CN110377692B (zh) 2019-06-03 2019-06-03 一种训练机器人模仿学习人工客服方法及装置

Publications (2)

Publication Number Publication Date
CN110377692A CN110377692A (zh) 2019-10-25
CN110377692B true CN110377692B (zh) 2021-10-08

Family

ID=68249666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910476560.7A Active CN110377692B (zh) 2019-06-03 2019-06-03 一种训练机器人模仿学习人工客服方法及装置

Country Status (1)

Country Link
CN (1) CN110377692B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113742478B (zh) * 2020-05-29 2023-09-05 国家计算机网络与信息安全管理中心 一种针对海量文本数据的定向筛选装置及方法
CN111737440B (zh) * 2020-07-31 2021-03-05 支付宝(杭州)信息技术有限公司 一种问题生成方法及装置
CN116546138B (zh) * 2023-04-27 2023-11-21 科讯嘉联信息技术有限公司 一种电话机器人对话人工介入流程控制以及流程优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105207890A (zh) * 2015-08-24 2015-12-30 北京智齿博创科技有限公司 一种在线客服的方法
CN105591882A (zh) * 2015-12-10 2016-05-18 北京中科汇联科技股份有限公司 一种智能机器人与人混合客服的方法及系统
CN106021403A (zh) * 2016-05-12 2016-10-12 北京奔影网络科技有限公司 客服方法及装置
CN107679234A (zh) * 2017-10-24 2018-02-09 上海携程国际旅行社有限公司 客服信息提供方法、装置、电子设备、存储介质
CN109697226A (zh) * 2017-10-24 2019-04-30 上海易谷网络科技股份有限公司 文本静默座席监控机器人人机对话方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9141660B2 (en) * 2012-12-17 2015-09-22 International Business Machines Corporation Intelligent evidence classification and notification in a deep question answering system
CN103279528A (zh) * 2013-05-31 2013-09-04 俞志晨 一种基于人机结合的问答系统及方法
US10839404B2 (en) * 2016-06-06 2020-11-17 Epiance Software Pvt. Ltd. Intelligent, interactive, and self-learning robotic process automation system
JP6744679B2 (ja) * 2016-12-07 2020-08-19 深▲セン▼前▲海▼▲達▼▲闥▼▲雲▼端智能科技有限公司Ｃｌｏｕｄｍｉｎｄｓ （Ｓｈｅｎｚｈｅｎ） Ｒｏｂｏｔｉｃｓ Ｓｙｓｔｅｍｓ Ｃｏ．， Ｌｔｄ． ヒューマンマシンハイブリッド意思決定方法および装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105207890A (zh) * 2015-08-24 2015-12-30 北京智齿博创科技有限公司 一种在线客服的方法
CN105591882A (zh) * 2015-12-10 2016-05-18 北京中科汇联科技股份有限公司 一种智能机器人与人混合客服的方法及系统
CN106021403A (zh) * 2016-05-12 2016-10-12 北京奔影网络科技有限公司 客服方法及装置
CN107679234A (zh) * 2017-10-24 2018-02-09 上海携程国际旅行社有限公司 客服信息提供方法、装置、电子设备、存储介质
CN109697226A (zh) * 2017-10-24 2019-04-30 上海易谷网络科技股份有限公司 文本静默座席监控机器人人机对话方法

Also Published As

Publication number Publication date
CN110377692A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
US20210182611A1 (en) Training data acquisition method and device, server and storage medium
CN110377692B (zh) 一种训练机器人模仿学习人工客服方法及装置
CN107729468B (zh) 基于深度学习的答案抽取方法及系统
CN110442718A (zh) 语句处理方法、装置及服务器和存储介质
CN110309514A (zh) 一种语义识别方法及装置
CN1637744A (zh) 为在大量电子文档中搜索而确定文档相关性的机器学习方法
JP2015087903A (ja) 情報処理装置及び情報処理方法
CN110163376B (zh) 样本检测方法、媒体对象的识别方法、装置、终端及介质
CN109492230B (zh) 一种基于感兴趣文本域卷积神经网络提取保险合同关键信息的方法
Coelho et al. Building Machine Learning Systems with Python: Explore machine learning and deep learning techniques for building intelligent systems using scikit-learn and TensorFlow
CN110175519B (zh) 一种变电站的分合标识仪表识别方法、装置与存储介质
CN110955766A (zh) 一种自动扩充智能客服标准问题对的方法和系统
CN111914159A (zh) 一种信息推荐方法及终端
CN110245232A (zh) 文本分类方法、装置、介质和计算设备
KR20200029351A (ko) 샘플 처리 방법, 장치, 기기 및 저장 매체
CN114996464B (zh) 一种利用有序信息的文本分级方法及装置
CN110377708B (zh) 一种多情景对话切换方法及装置
CN111178196A (zh) 一种细胞分类的方法、装置及设备
WO2021174814A1 (zh) 众包任务的答案验证方法、装置、计算机设备及存储介质
CN116049376B (zh) 一种信创知识检索回复的方法、装置和系统
CN110059743B (zh) 确定预测的可靠性度量的方法、设备和存储介质
CN111767710B (zh) 印尼语的情感分类方法、装置、设备及介质
CN117501283A (zh) 文本到问答模型系统
CN112560463A (zh) 文本多标注方法、装置、设备及存储介质
CN110059180B (zh) 文章作者身份识别及评估模型训练方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant