CN117688165B - 多边缘协同的客服方法、装置、设备和可读存储介质 - Google Patents
多边缘协同的客服方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN117688165B CN117688165B CN202410159064.XA CN202410159064A CN117688165B CN 117688165 B CN117688165 B CN 117688165B CN 202410159064 A CN202410159064 A CN 202410159064A CN 117688165 B CN117688165 B CN 117688165B
- Authority
- CN
- China
- Prior art keywords
- node
- data
- customer service
- module
- answer
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 36
- 238000004891 communication Methods 0.000 claims description 23
- 230000008451 emotion Effects 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 20
- 230000003993 interaction Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003032 molecular docking Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的实施例提供了多边缘协同的客服方法、装置、设备和可读存储介质。所述方法包括构建客服系统网络架构;基于所述客服系统网络架构,获取咨询数据;将所述咨询数据转换为对应的文本数据;通过大语言模型对所述文本数据进行处理,生成答案;将所述答案转换为与所述咨询数据格式相同的数据,将转换后的数据发送用户。以此方式,实现了互联网多渠道的接入,针对常见性的问题,能够快速精准的做出回复答案,减少了人力消耗,提高了工作效率;同时针对不同用户的咨询情况,实现了算力的动态调整。
Description
技术领域
本申请的实施例涉及智能客服领域,尤其涉及多边缘协同的客服方法、装置、设备和可读存储介质。
背景技术
随着互联网的飞速发展,人们服务意识的提高,智能客服已经普及到各行各业,深入到日常商业服务的各个环节。
智能客服是一项面向行业应用的综合技术,它包括大规模知识处理技术、自然语言理解技术、知识管理技术、自动问答系统、推理技术等等。由于智能客服具有行业通用性,可以为企业与海量用户之间的沟通建立了一种基于自然语言交流的技术手段,因此越来越多的企业使用智能客服来替代人工客服为用户提供服务。
但是,现有智能客服系统的优化方式需要大量的运营维护人员进行维护,且对客户的情绪处理存在严重的滞后性,体验感差。
发明内容
根据本申请的实施例,提供了一种多边缘协同的客服方案,实现了互联网多渠道的接入,针对常见性的问题,能够快速精准的做出回复答案,减少了人力消耗,提高了工作效率;同时针对不同用户的咨询情况,实现了算力的动态调整。
在本申请的第一方面,提供了一种多边缘协同的客服方法。该方法包括:
构建客服系统网络架构,所述客服系统网络架构包括智能客服系统中心主控节点、区域执行节点和客户启动节点,所述智能客服系统中心主控节点可通过一个区域执行节点连接多个客户启动节点,所述智能客服系统中心主控节点可通过一个客户启动节点连接多个区域执行节点;
基于所述客服系统网络架构,获取咨询数据;
将所述咨询数据转换为对应的文本数据;
通过大语言模型对所述文本数据进行处理,生成答案;
将所述答案转换为与所述咨询数据格式相同的数据,将转换后的数据发送用户。
进一步地,所述客服系统网络架构包括:
;
其中,为,主控节点;
为,执行节点有限集;
为,启动节点有限集;
为,主控节点与区域执行节点的通信交互节点;
为,执行节点与启动节点的通信交互节点。
进一步地,所述通过大语言模型对所述文本数据进行处理,生成答案包括:
通过预设的个性化知识图谱和大语言模型,对所述文本数据进行处理,得到与所述文本数据对应的答案;
其中,所述个性化知识图谱为:
;
其中,BT为公司业务类别;
M为业务类别数量;
KC为每类业务中的不同关键词;
N为关键词数量;
QA为每类关键词对应的预设问答文本;
P为生成的预设问答文本的数量。
进一步地,所述通过预设的个性化知识图谱和大语言模型,对所述文本数据进行处理,得到与所述文本数据对应的答案包括:
通过已训练的词提取模型,对所述文本数据进行处理,提取所述文本数据中的关键词和情感分词;
通过个性化知识图谱,对所述关键词和情感分词进行筛选,得到第一回复答案;
将所述情感分词,输入至大语言模型,得到第二回复答案;
通过所述第二回复答案对所述第一回复答案进行优化,生成最终回复答案。
进一步地,所述词提取模型通过如下方式进行训练:
生成训练样本集合,其中,训练样本包括带有标注信息的样本文件;所述标注信息为关键词标签和情感分词标签;
利用所述训练样本集合中的样本对词提取模型进行训练,以样本文件作为输入,以关键词标签和情感分词标签作为输出,当输出的关键词标签和情感分词标签与标注的关键词标签和情感分词标签的统一率满足预设阈值时,完成对所述词提取模型的训练。
进一步地,还包括:
基于用户的咨询数据总量,通过如下算法进行算力匹配:
;
其中,为公司f在t+1月份分配到的算力;
为/>节点的总算力;
为f公司在t月份的平均咨询数据量;
为专用于f公司建立的/>节点数量;
和/>为权重系数。
进一步地,还包括:
多个节点通过如下方法进行算力调度:
;
其中,为公司f在第g个/>节点在t+1月份分配到的总算力;
为该公司第g个/>节点所包含的客户数量;
、/>分别为公司f在第g个/>节点在t+1月份接收到的数据总量、数据输出预测总量;
为公司f在第g个/>节点的平均通信时延;
为权重系数,/>。
在本申请的第二方面,提供了一种多边缘协同的客服装置。该装置包括:
构建模块,用于构建客服系统网络架构,所述客服系统网络架构包括智能客服系统中心主控节点、区域执行节点和客户启动节点,所述智能客服系统中心主控节点可通过一个区域执行节点连接多个客户启动节点,所述智能客服系统中心主控节点可通过一个客户启动节点连接多个区域执行节点;
获取模块,用于基于所述客服系统网络架构,获取咨询数据;
转换模块,用于将所述咨询数据转换为对应的文本数据;
处理模块,用于通过大语言模型对所述文本数据进行处理,生成答案;
回复模块,用于将所述答案转换为与所述咨询数据格式相同的数据,将转换后的数据发送用户。
在本申请的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
在本申请的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本申请的第一方面的方法。
本申请实施例提供的多边缘协同的客服方法,通过构建客服系统网络架构;基于所述客服系统网络架构,获取咨询数据;将所述咨询数据转换为对应的文本数据;通过大语言模型对所述文本数据进行处理,生成答案;将所述答案转换为与所述咨询数据格式相同的数据,将转换后的数据发送用户,实现了互联网多渠道的接入,针对常见性的问题,能够快速精准的做出回复答案,减少了人力消耗,提高了工作效率;同时针对不同用户的咨询情况,实现了算力的动态调整。
应当理解,发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征,亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1为本申请的实施例提供的方法所涉及的示例性运行环境架构图;
图2为根据本申请的实施例的多边缘协同的客服方法的流程图;
图3为根据本申请的实施例的多边缘协同的客服装置的方框图;
图4为适于用来实现本申请实施例的终端设备或服务器的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1示出了能够在其中实现本公开的实施例的示例性运行环境的示意图。
在一些实施例中,建立应用于本公开的多边缘协同的智能客服系统网络模型架构,其模型表述为:
;
其中,105为,多边缘协同智能客服系统中心主控节点:
;
为,大语言模型预训练模块;
为,大语言模型反馈训练模块;
为,边缘算力整体调度模块;
为,外部个性化知识库对接模块:
;
为,外部公司唯一身份标识码;
为,外部公司历史客服初始化记录模块;
为,外部公司相关业务文档数据库模块;
为,大语言模型预设问答库生成模块;
为,外部公司个性化知识图谱模块;
为,外部公司知识库更新模块;
103为,多边缘协同智能客服系统区域执行节点有限集:
;
为,大语言模型执行生成模块;
为,客服与业务对接处理模块;
为,多边缘算力区域协同模块;
为,多边缘协同智能客服系统客户启动节点有限集:
;
为,客户个人信息库:
;
为,客户唯一身份标识码;
为,客户隐私信息模块;
为,客户偏好信息模块;
为,客户近期异常数据信息模块;
为,客户对话数据记录模块;
为,客户个性化冷启动语料库模块;
为,多边缘协同智能客服系统输入输出模块:
;
为,客户输入内容模块;
为,客户输出内容模块;
为,输入输出类别判定模块;
为,多模态转换模块;
为,客户群对话数据交互处理模块:
;
为,客户群对话数据输入模块;
为,客户群对话数据输出模块;
为,客户群对话数据交互决策模块;
104为,多边缘协同智能客服系统中心主控节点与区域执行节点的通信交互节点;
102为,多边缘协同智能客服系统区域执行节点与客户启动节点的通信交互节点;
网络结构中包含一个/>105节点,多个/>103节点和101节点,其中一个/>105节点可通过/>104节点连接多个/>103节点,一个/>103节点可通过/>102节点连接多个/>101节点。
图2示出了根据本公开实施例的多边缘协同的客服方法的流程图。所述方法可由图1中的客服系统网络架构执行。
S210,基于所述客服系统网络架构,获取咨询数据,所述客服系统网络架构包括智能客服系统中心主控节点、区域执行节点和客户启动节点,所述智能客服系统中心主控节点可通过一个区域执行节点连接多个客户启动节点,所述智能客服系统中心主控节点可通过一个客户启动节点连接多个区域执行节点。
基于图1示出的智能客服系统网络模型架构,获取个人或公司客户输入的咨询数据。
在一些实施例中,启动节点中的IO模块,通过IO模块中的IN模块,获取客户输入的咨询数据/>,其中,ID为该客户的唯一身份标识码。
其中,所述咨询数据包括语音数据和/或文本数据等。
S220,将所述咨询数据转换为对应的文本数据。
在一些实施例中,通过CA模块判定的数据类别,若/>为语音格式数据,则;若/>为文本格式数据,则/>。MC模块根据CA模块的判定结果对/>数据进行多模态转换,将语音格式的数据转换为文本格式。
在一些实施例中,通过数据交互上传的方式,通过节点,将文本格式的咨询数据(文本数据)上传至/>节点,用以减少多用户使用系统导致的数据传输压力。
具体地,将文本数据传输至/>客户群对话数据交互处理模块中的/>客户群对话数据输入模块,IM客户群对话数据交互决策模块,对满足咨询时间与距离相近且咨询内容相同的文本数据进行归并,将归并的文本数据存储到/>客户群对话数据输出模块,然后通过/>节点将/>中存储的数据上传至/>节点;
其中,IM模块的决策条件为:
;
其中,、/>为同一/>节点下包含的任意两个不同用户ID;
a、b为不同用户对话序列中的任意轮次;
DIS为判定两用户咨询IP距离的函数;
为用户平均分布距离;
为用户所属/>节点所覆盖的区域总面积;
Num为用户所属节点所包含的所有用户数量;
为判定任意两个文本数据输入时间间隔的函数;
为系统响应用户咨询服务的平均通信时延;
SORT为判别任意两个文本数据是否属于同一问题不同表达的函数,若两个文本数据属于同一问题不同表达则该函数取值为1,若不属于则该函数取值为0。
S230,通过大语言模型对所述文本数据进行处理,生成答案。
在一些实施例中,大语言模型的训练包括预训练和反馈训练。
其中,可通过如下方式进行预训练:
获取训练样本数据,所述训练样本数据包括客服历史数据、网络爬取数据以及人工经验模拟数据等。
将样本数据中的非文本数据(语音数据等)转换为文本格式;
其中,为第K轮对话的问题,K为大于0的正整数;
为第K轮对话的回复;
将问题数据依次传入/>节点中的/>大语言训练模块,/>提取训练数据中的关键词/>、情感分词/>,将关键词/>与/>模块中的/>外部公司个性化知识图谱进行筛选、匹配,生成第一回复答案/>;将提取的情感分词/>输入至/>,令其结合问题的情感倾向优化出初始回复答案,生成第二回复答案。通过所述第二回复答案对所述第一回复答案进行优化,生成最终回复答案(得到模型训练的最优参数)。
通过所述最终回复答案,对中的训练参数进行调整,完成对/>的预训练。即,/>节点将预训练后的模型最优参数,传输给/>节点的/>模块。
在一些实施例中,大语言训练模块,即词提取模型,可通过如下方式进行训练:
生成训练样本集合,其中,训练样本包括带有标注信息的样本文件;所述标注信息为关键词标签和情感分词标签;
利用所述训练样本集合中的样本对词提取模型进行训练,以样本文件作为输入,以关键词标签和情感分词标签作为输出,当输出的关键词标签和情感分词标签与标注的关键词标签和情感分词标签的统一率满足预设阈值时,完成对所述词提取模型的训练。
在一些实施例中,为减少公司业务更替与时间对模型文本生成准确性的影响,同时提升客户对生成文本的满意度,可通过如下方式进行的反馈训练,用以提升模型效率与精度:
运行模型,每隔/>时段对该模型进行反馈训练,/>的值可由公司根据客服系统评价自行决策,也可根据实际应用场景进行预先设置。
反馈训练模块具体表示为:
;
其中,为/>时段客服咨询记录;
为对话多任务分类与优化模块;
LS人工客户情况分析于优化模块;
为用户咨询评价分析于优化模块;
从客户的个人信息库中,提取客户对话数据记录,客户对话记录模块的表示为:
;
pre为当前对话文本记录;
pas表示历史对比文本记录;
进一步地,pas历史对话记录存储结构为:
;
其中,为客服咨询记录日期;
为客户咨询记录序号,取值为大于0的正整数;
为第/>次客户咨询记录内容;
text为客户咨询记录的每次咨询文本,包含每句话的关键词kw和文本内容con;
将每个客户pas模块中时段内的客服咨询记录上传至/>模块,通过/>模块读取/>中的数据,结合所有文本内容,按照外部公司知识图谱/>中的业务BT进行多任务分类,表示为:
;
其中,为对/>数据中第m种业务BT的咨询文本进行多叉树排序的结果;
为根据二叉树排序情况,筛选出的对业务BT回答的优化路径。
针对模块中的客服咨询记录,将每次咨询内容/>针对不同任务BT进行分割。即,针对第m种业务/>,得到多个短对话,将短对话中的问题记为/>,其中s为该问题所属短对话序列,r为该问题在短对话中所属的问题序列,s与r的取值为(1,2,3……)。
进一步地,多叉树排序方法为:
;
其中,V表示业务多叉树节点的集合;
E为业务多叉树的边的集合;
节点的集合包含根节点与该任务分类下所有短对话问题;边的集合表示节点间的排序关系;
为/>为每个短对话中第一个问题的父节点;
为针对每个短对话s将问题按照序列排列,即前一个问题为它紧接着下一个问题的父节点。
针对的多叉树排序结果,筛选出该多叉树的最优排序/>:
;
其中,为二叉树中/>每个从根节点开始的第/>种序列的长度;
为对第/>种序列的所有问题,是否进行解答任务/>的评分;
、/>为权重参数;优选为0.4、0.6;
为了权衡不同短对话的长度及解决任务能力,在本公开中,将最小值所属序列定义为针对该任务的最优回答路径。提取该路径所有问题的关键词kw和序列。基于所述关键词kw和序列,得到每个业务BT的最优回复文本,对/>模型进行参数微调。
进一步地,LS人工客服情况分析与优化模块筛选客户咨询后选择人工客服的咨询内容,结合人工客服咨询记录,优化大语言模型未解决的咨询问题,结合优化文本对模型进行参数微调。CE用户咨询评价分析与优化模块筛选出客户咨询结束后的客服服务评价内容,结合情感、文本回复准确度、回复速度等方面优化回复文本,结合优化文本对/>模型进行参数微调。/>节点将反馈训练后的模型最优参数传输给/>节点的/>模块。
在一些实施例中,个性化知识图谱,可通过如下方式生成:
为了统一对接不同公司,在节点中设置一个/>多边缘协同智能客服系统外部个性化知识库对接模块,快速生成外部公司个性化知识库便于/>模型生成文本时对其进行知识匹配;其中,/>。每个公司具有唯一身份标识码FID,公司将筛选后的有效历史客服记录上传至/>模块,将相关业务或产品说明书等文档、表格数据上传至/>模块。/>预设问答库生成模块基于GPT-4.0、文心一言等生成式语言大模型,先提取并学习/>模块中问答记录的格式模板,再结合/>模块中的识别的关键词数据,自动生成一系列预设问题与答案文本,省略人工设置步骤直接形成个性化专属预设问答库。对生成的一系列预设问题与答案文本进行分类,生成公司个性化知识图谱,存储在/>模块中,其具体架构为:
;
其中,BT为公司业务类别;
M为业务类别数量;
KC为每类业务中的不同关键词;
N为关键词数量;
QA为每类关键词对应的预设问答文本;
P为生成的预设问答文本的数量。
进一步地,UD为外部公司知识库更新模块,后续可将更新的资料或问答优化文本传输至该模块,通过该模块再持续对进行更新。
在一些实施例中,中的PEP模块,用于在对咨询问题生成回复前进行地域与长对话的经验池决策判定,可以表示为:
;
其中,PC为地域判定模块;
LC为长对话判定模块。
具体地,PC模块获取传入文本的用户所在地信息,LC模块判定当前传入文本的用户本次咨询是否属于长对话:
;
其中,i为所传入文本数据的咨询轮次序号;
为该公司历史对话记录的平均咨询轮次;
LC=1,则判定当前用户的咨询属于长对话咨询;
进一步地,将PEP模块的先验决策信息随咨询数据一起传入KGC模块中,使生成回复答案更贴合用户所在地域的特色知识文本,同时对长对话文本提取本次咨询的所有关键词序列,增强生成回复答案对上下文的理解能力。
在一些实施例中,通过大语言模型对所述文本数据进行处理,生成答案:
将文本数据传入/>模块进行文本生成式回答,该模块表示为:
;
其中,PEP为前置经验池;
KGC为连接知识图谱生成文本模块;
TO为文本优化输出模块。
文本数据先通过PEP模块进行前置经验池的决策判定,然后利用大语言模型在KGC模块中联结个性化知识图谱/>生成第一次咨询初始答案/>,该答案经过TO模块的优化生成第一次咨询优化答案/>。
具体地,所述PEP模块用于在对咨询问题生成回复前进行地域与长对话的经验池决策判定,可以表示为:
PEP=[PC,LC];
其中,PC为地域判定模块,用于获取传入文本的用户所在地信息;
LC为长对话判定模块,用于判定当前传入文本的用户本次咨询是否属于长对话:
;/>
其中,i为传入文本数据的咨询轮次序号;
为该公司历史对话记录的平均咨询轮次;
LC=1为当前用户的咨询已属于长对话咨询;
进一步地,可将PEP模型中的先验决策信息随咨询数据一起传入KGC模块中,以使得生成的回复答案更贴合用户所在地域的特色知识文本;同时对长对话文本提取本次咨询的所有关键词序列,可以大增强生成回复答案对上下文的理解能力。
进一步地,还包括:
为了提高系统咨询效率、节省客户时间,可在每位客户的个人信息库中设置一个个性化冷启动语料库模块CS,用于在客户进入咨询时预先提供可能咨询选项提升咨询效率。
其中,CS的生成步骤如下所示:
根据PRE客户偏好信息,筛选出偏好程度最突出的信息(如浏览记录、购买记录、登录地域信息等)结合,生成预设问题/>;
根据AD客户近期异常数据模块结合,生成预设问题/>;
根据近期T时段内客服咨询记录,筛选出咨询量最大的问题,生成预设问题;
当客户进入咨询界面后,启动CS模块,对用户提出启动问题,若用户选择其中的冷启动问题/>,则直接将该问题赋值给通过步骤S220得到的文本数据,作为用户的第一次咨询问题,直至客户选择结束咨询。若未直接选择冷启动问题,则执行S210-240中的相关步骤。
S240,将所述答案转换为与所述咨询数据格式相同的数据,将转换后的数据发送用户。
在一些实施例中,将传输到/>节点中的SE客服与业务对接处理模块:
;
其中,BD为为回复文本是否包含业务的判定模块;
DE为业务对接部门模块;
BC为下发业务内容模块;
PR为业务处理进程及反馈结果;
SE模块接收到后,通过BD模块判定答案是否涉及需要及时处理的业务,若不涉及,则BD=0;反之,则BD=1;
当BD=1时,将相应业务通过DE模块下发至相关业务负责部门(涉及问题相关的部分),BC模块记录具体下发任务的内容,PR模块接收对应部门处理业务的反馈结果;当BD=0是,/>为空。
进一步地,将与/>两个文本数据一同传输至/>节点的IO模块,若/>,则MC模块将/>与/>数据转换为语音格式数据,若/>,则不改变与/>的数据格式。
将MC模块转换后的结果,通过OUT模块发送至客户,同时将第一次咨询的问题及答案文本数据保存至SL客户对话数据记录模块中的当前对话记录pre中。
进一步地,客户收到第一次咨询的最终答案后,可选择是否继续客服咨询。若继续咨询,则输入第二次咨询数据,重复上述步骤,直至客户选择结束咨询。
进一步地,还包括:
针对不同的外部公司,可通过如下方式调整节点的算力:
模块,根据不同外部公司的咨询数据总量与建立/>节点数量,为其动态调配算力:
;
其中,为公司f在t+1月份分配到的算力;
为/>节点的总算力;
为f公司在t月份的平均咨询数据量;
为专用于f公司建立的/>节点数量;
和/>为权重系数,可根据实际应用场景进行设置,优选为0.7、0.3。
进一步地,还包括:
多个节点通过如下方法进行算力调度:
通过上述步骤得到FID=f的公司在t+1月份分配到的总算力为,假设其共部署G个/>节点。针对FID=f的公司,/>模块根据每个/>节点所包含的客户数量、对应/>模块传输数据量、对应SE模块处理业务数据量与不同/>节点的通信时延,为多个/>节点之间的算力进行动态调整,其具体算法如下所示:
;
其中,为公司f在第g个/>节点在t+1月份分配到的总算力;
为该公司第g个/>节点所包含的客户数量;
、/>分别为公司f在第g个/>节点在t+1月份接收到的数据总量、数据输出预测总量;
为公司f在第g个/>节点的平均通信时延;/>
为权重系数;
优选地:
;
进一步地,、/>数据的获取方式如下:
对于每一个外部公司,获取每个节点从/>模块中/>接收到的数据总量、SE模块中PR模块的数据输出总量的历史数值,将其方式LSTM长短时记忆模型中进行训练,得到一个可预测这两个数据量的神经网络。
再将t月份的节点从/>模块中/>接收到的数据总量、SE模块中PR模块的数据输出总量,输入至上述模型,得到t+1月份从/>模块中/>接收到的数据预测总量、SE模块中PR的数据输出预测总量。
根据本公开的实施例,实现了以下技术效果:
实现了互联网多渠道的接入,针对常见性的问题,能够快速精准的做出回复答案,减少了人力消耗,提高了工作效率;同时针对不同用户的咨询情况,实现了算力的动态调整。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本申请所述方案进行进一步说明。
图3示出了根据本申请的实施例的多边缘协同的客服装置的方框图300,如图3所示包括:
构建模块310,用于构建客服系统网络架构,所述客服系统网络架构包括智能客服系统中心主控节点、区域执行节点和客户启动节点,所述智能客服系统中心主控节点可通过一个区域执行节点连接多个客户启动节点,所述智能客服系统中心主控节点可通过一个客户启动节点连接多个区域执行节点;
获取模块320,用于基于所述客服系统网络架构,获取咨询数据;
转换模块330,用于将所述咨询数据转换为对应的文本数据;
处理模块340,用于通过大语言模型对所述文本数据进行处理,生成答案;
回复模块350,用于将所述答案转换为与所述咨询数据格式相同的数据,将转换后的数据发送用户。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图4示出了适于用来实现本申请实施例的终端设备或服务器的结构示意图。
如图4所示,终端设备或服务器包括CPU401,其可以根据存储在ROM402中的程序或者从存储部分408加载到RAM403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有终端设备或服务器操作所需的各种程序和数据。CPU 401、ROM402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本申请的实施例,上文方法流程步骤可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在机器可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或者多个程序,当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的申请范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离前述申请构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种多边缘协同的客服方法,其特征在于,包括:
构建客服系统网络架构,所述客服系统网络架构包括智能客服系统中心主控节点、区域执行节点和客户启动节点,所述智能客服系统中心主控节点可通过一个区域执行节点连接多个客户启动节点,所述智能客服系统中心主控节点可通过一个客户启动节点连接多个区域执行节点;
基于所述客服系统网络架构,获取咨询数据;
将所述咨询数据转换为对应的文本数据;
通过大语言模型对所述文本数据进行处理,生成答案;
将所述答案转换为与所述咨询数据格式相同的数据,将转换后的数据发送用户;
其中,所述客服系统网络架构包括:
;
其中,为,主控节点;
为,执行节点有限集;
为,启动节点有限集;
为,主控节点与区域执行节点的通信交互节点;
为,执行节点与启动节点的通信交互节点;
进一步地,还包括:
基于用户的咨询数据总量,通过如下算法进行算力匹配:
;
其中,为公司f在t+1月份分配到的算力;
为/>节点的总算力;
为f公司在t月份的平均咨询数据量;
为第i个公司在t月份的平均咨询数据量;
为专用于f公司建立的/>节点数量;
和/>为权重系数。
2.根据权利要求1所述的方法,其特征在于,所述通过大语言模型对所述文本数据进行处理,生成答案包括:
通过预设的个性化知识图谱和大语言模型,对所述文本数据进行处理,得到与所述文本数据对应的答案;
其中,所述个性化知识图谱为:
;
其中,BT为公司业务类别;
M为业务类别数量;
KC为每类业务中的不同关键词;
N为关键词数量;
QA为每类关键词对应的预设问答文本;
P为生成的预设问答文本的数量。
3.根据权利要求2所述的方法,其特征在于,所述通过预设的个性化知识图谱和大语言模型,对所述文本数据进行处理,得到与所述文本数据对应的答案包括:
通过已训练的词提取模型,对所述文本数据进行处理,提取所述文本数据中的关键词和情感分词;
通过个性化知识图谱,对所述关键词和情感分词进行筛选,得到第一回复答案;
将所述情感分词,输入至大语言模型,得到第二回复答案;
通过所述第二回复答案对所述第一回复答案进行优化,生成最终回复答案。
4.根据权利要求3所述的方法,其特征在于,所述词提取模型通过如下方式进行训练:
生成训练样本集合,其中,训练样本包括带有标注信息的样本文件;所述标注信息为关键词标签和情感分词标签;
利用所述训练样本集合中的样本对词提取模型进行训练,以样本文件作为输入,以关键词标签和情感分词标签作为输出,当输出的关键词标签和情感分词标签与标注的关键词标签和情感分词标签的统一率满足预设阈值时,完成对所述词提取模型的训练。
5.根据权利要求2所述的方法,其特征在于,还包括:
多个节点通过如下方法进行算力调度:
;
其中,为公司f在第g个/>节点在t+1月份分配到的总算力;
为该公司第g个/>节点所包含的客户数量;
、/>分别为公司f在第g个/>节点在t+1月份接收到的数据总量、数据输出预测总量;
为公司f在第g个/>节点的平均通信时延;
为公司f在第i个/>节点的平均通信时延;/>为权重系数,。
6.一种多边缘协同的客服装置,其特征在于,包括:
构建模块,用于构建客服系统网络架构,所述客服系统网络架构包括智能客服系统中心主控节点、区域执行节点和客户启动节点,所述智能客服系统中心主控节点可通过一个区域执行节点连接多个客户启动节点,所述智能客服系统中心主控节点可通过一个客户启动节点连接多个区域执行节点;
获取模块,用于基于所述客服系统网络架构,获取咨询数据;
转换模块,用于将所述咨询数据转换为对应的文本数据;
处理模块,用于通过大语言模型对所述文本数据进行处理,生成答案;
回复模块,用于将所述答案转换为与所述咨询数据格式相同的数据,将转换后的数据发送用户
其中,所述客服系统网络架构包括:
;
其中,为,主控节点;
为,执行节点有限集;
为,启动节点有限集;
为,主控节点与区域执行节点的通信交互节点;
为,执行节点与启动节点的通信交互节点;
进一步地,还包括:
基于用户的咨询数据总量,通过如下算法进行算力匹配:
;
其中,为公司f在t+1月份分配到的算力;
为/>节点的总算力;
为f公司在t月份的平均咨询数据量;
为第i个公司在t月份的平均咨询数据量;
为专用于f公司建立的/>节点数量;
和/>为权重系数。
7.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~5中任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410159064.XA CN117688165B (zh) | 2024-02-04 | 2024-02-04 | 多边缘协同的客服方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410159064.XA CN117688165B (zh) | 2024-02-04 | 2024-02-04 | 多边缘协同的客服方法、装置、设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117688165A CN117688165A (zh) | 2024-03-12 |
CN117688165B true CN117688165B (zh) | 2024-04-30 |
Family
ID=90139511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410159064.XA Active CN117688165B (zh) | 2024-02-04 | 2024-02-04 | 多边缘协同的客服方法、装置、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688165B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035652A (zh) * | 2020-10-30 | 2020-12-04 | 杭州云嘉云计算有限公司 | 一种基于机器阅读理解的智能问答交互方法及系统 |
CN115114421A (zh) * | 2022-06-21 | 2022-09-27 | 青岛海信网络科技股份有限公司 | 一种问答模型训练方法 |
CA3166079A1 (en) * | 2021-06-29 | 2022-12-29 | 10353744 Canada Ltd. | A processing method, device and electronic device for a question-and-answer statement |
CN116628172A (zh) * | 2023-07-24 | 2023-08-22 | 北京酷维在线科技有限公司 | 基于知识图谱的政务服务领域多策略融合的对话方法 |
CN116775847A (zh) * | 2023-08-18 | 2023-09-19 | 中国电子科技集团公司第十五研究所 | 一种基于知识图谱和大语言模型的问答方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190354557A1 (en) * | 2017-06-20 | 2019-11-21 | Tom Kornblit | System and Method For Providing Intelligent Customer Service |
-
2024
- 2024-02-04 CN CN202410159064.XA patent/CN117688165B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035652A (zh) * | 2020-10-30 | 2020-12-04 | 杭州云嘉云计算有限公司 | 一种基于机器阅读理解的智能问答交互方法及系统 |
CA3166079A1 (en) * | 2021-06-29 | 2022-12-29 | 10353744 Canada Ltd. | A processing method, device and electronic device for a question-and-answer statement |
CN115114421A (zh) * | 2022-06-21 | 2022-09-27 | 青岛海信网络科技股份有限公司 | 一种问答模型训练方法 |
CN116628172A (zh) * | 2023-07-24 | 2023-08-22 | 北京酷维在线科技有限公司 | 基于知识图谱的政务服务领域多策略融合的对话方法 |
CN116775847A (zh) * | 2023-08-18 | 2023-09-19 | 中国电子科技集团公司第十五研究所 | 一种基于知识图谱和大语言模型的问答方法和系统 |
Non-Patent Citations (1)
Title |
---|
K-VQA:一种知识图谱辅助下的视觉问答方法;高鸿斌;毛金莹;王会勇;;河北科技大学学报;20200815(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117688165A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020426B (zh) | 将用户咨询分配到客服业务组的方法及装置 | |
CN108052605A (zh) | 一种基于客户特征库的智能问答系统 | |
CN110516057B (zh) | 一种信访问题答复方法及装置 | |
CN108268450B (zh) | 用于生成信息的方法和装置 | |
CN116644145B (zh) | 会话数据处理方法、装置、设备和存储介质 | |
CN110489749B (zh) | 一种智能办公自动化系统的业务流程优化方法 | |
CN113312468B (zh) | 基于对话模式的话术推荐方法、装置、设备及介质 | |
CN114238607B (zh) | 深度交互式ai智能求职顾问方法、系统及存储介质 | |
CN116049360A (zh) | 基于客户画像的智能语音对话场景话术干预方法及系统 | |
CN117332072B (zh) | 对话处理、语音摘要提取以及目标对话模型训练方法 | |
CN111309887A (zh) | 一种训练文本关键内容提取模型的方法和系统 | |
Windiatmoko et al. | Developing FB chatbot based on deep learning using RASA framework for university enquiries | |
CN116775879A (zh) | 大语言模型的微调训练方法、合同风险评审方法及系统 | |
CN117688165B (zh) | 多边缘协同的客服方法、装置、设备和可读存储介质 | |
WO2020144636A1 (en) | Artificial intelligence system for business processes | |
CN116757855A (zh) | 一种智能保险服务方法、装置、设备及存储介质 | |
CN116703509A (zh) | 一种针对直播营销商品质量感知分析的网购助手构建方法 | |
CN111818290B (zh) | 一种在线访谈的方法及系统 | |
CN112860878A (zh) | 业务数据推荐方法、存储介质及设备 | |
CN113570114A (zh) | 一种资源服务智能匹配方法、系统和计算机设备 | |
CN112860873A (zh) | 智能应答方法、装置及存储介质 | |
CN115168603B (zh) | 一种彩铃业务流程自动反馈应答方法、装置及存储介质 | |
CN117453895B (zh) | 一种智能客服应答方法、装置、设备及可读存储介质 | |
CN116320171B (zh) | 基于大数据的人工智能呼叫系统、方法、装置及介质 | |
CN117998151A (zh) | 基于情感分析的自动生成融媒体调查问卷的方法及系统 |
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 |