CN105701088B - 从机器对话切换到人工对话的方法和装置 - Google Patents
从机器对话切换到人工对话的方法和装置 Download PDFInfo
- Publication number
- CN105701088B CN105701088B CN201610109500.8A CN201610109500A CN105701088B CN 105701088 B CN105701088 B CN 105701088B CN 201610109500 A CN201610109500 A CN 201610109500A CN 105701088 B CN105701088 B CN 105701088B
- Authority
- CN
- China
- Prior art keywords
- session
- user
- satisfaction
- sentence
- keyword
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Telephonic Communication Services (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请公开了从机器对话切换到人工对话的方法和装置。所述方法的一具体实施方式包括:获取用户发送的会话的语句数量;当所述会话的语句数量大于预设的第一阈值时,提取所述会话的关键词,并将所述关键词与预设的关键词集合匹配,其中,所述关键词用于表征所述用户的情绪特征;当所述关键词集合与所述关键词不匹配时,提取所述会话的会话特征,并将所述会话特征输入到预先训练的分类模型得到所述用户的满意程度,其中,所述分类模型用于通过会话特征预测用户的满意程度;当所述用户的满意程度小于预设的第二阈值时,将所述会话从机器对话切换到人工对话。该实施方式提高了从机器对话切换到人工对话的时机判断的准确率,进而提高了会话的效率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及从机器对话切换到人工对话的方法和装置。
背景技术
随着人工智能技术的发展,越来越多的问答系统采用人工智能技术。现有的人工智能问答系统只能按照预先设计好的流程回答用户提出的问题,例如通过用户会话特征(如关键词),与已经设置好的问题进行匹配,而后将对应生成的答案反馈给用户。但是这种通过机器对话的方式不能及时的发现用户是否出现情绪激动、愤怒或对机器回答不满意的情况。而采用人工对话的方式虽然能够解决上述问题,但是却会造成人工成本的极大浪费。进一步的,目前虽然存在一些问答系统采用将机器对话与人工对话相结合的方式构成人工智能问答系统,但是由于此种问答系统不能准确的判断出从机器对话转人工对话的最佳时机,仍然不能有效的提高用户体验。
发明内容
本申请的目的在于提出一种改进的从机器对话切换到人工对话的方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请提供了一种从机器对话切换到人工对话的方法,所述方法包括:获取用户发送的会话的语句数量;当所述会话的语句数量大于预设的第一阈值时,提取所述会话的关键词,并将所述关键词与预设的关键词集合匹配,其中,所述关键词用于表征所述用户的情绪特征;当所述关键词集合与所述关键词不匹配时,提取所述会话的会话特征,并将所述会话特征输入到预先训练的分类模型得到所述用户的满意程度,其中,所述分类模型用于通过会话特征预测用户的满意程度;当所述用户的满意程度小于预设的第二阈值时,将所述会话从机器对话切换到人工对话。
在一些实施例中,所述预先训练的分类模型通过如下方式得到:获取多个会话样本,其中,各所述会话样本包括用户关于该次会话的满意程度、该次会话的会话特征以及该次会话中各所述会话特征的数目;根据所述会话样本的会话特征和各所述会话特征的数目,生成所述会话特征的特征向量;将所述特征向量和与之对应的满意程度作为训练样本,得到所述预先训练的分类模型。
在一些实施例中,所述会话特征包括以下至少一项:会话的来源入口、会话内容的关联信息、用户的关联信息。
在一些实施例中,所述获取用户发送的会话的语句数量,包括:获取所述用户发送的当前语句和所述当前语句之前的各语句组成的会话;确定所述会话的语句数量。
在一些实施例中,所述提取所述会话的会话特征,并将所述会话特征输入到预先训练的分类模型得到所述用户的满意程度,包括:获取所述用户发送的当前语句和所述当前语句之前的各语句组成的会话;提取所述会话的会话特征,统计各所述会话特征的数目;根据所述会话特征和各所述会话特征的数目,生成所述会话特征的特征向量;将所述特征向量输入到所述分类模型得到所述用户的满意程度。
在一些实施例中,所述方法还包括:当所述会话的语句数量小于或等于第一预设阈值时,继续保持机器对话;以及当所述关键词集合与所述关键词匹配时,将所述会话从机器对话切换到人工对话。
第二方面,本申请提供了一种从机器对话切换到人工对话的装置,所述装置包括:语句数量获取模块,配置用于获取用户发送的会话的语句数量;关键词匹配模块,配置用于当所述会话的语句数量大于预设的第一阈值时,提取所述会话的关键词,并将所述关键词与预设的关键词集合匹配,其中,所述关键词用于表征所述用户的情绪特征;满意程度获取模块,配置用于当所述关键词集合与所述关键词不匹配时,提取所述会话的会话特征,并将所述会话特征输入到预先训练的分类模型得到所述用户的满意程度,其中,所述分类模型用于通过会话特征预测用户的满意程度;第一人工对话切换模块,配置用于当所述用户的满意程度小于预设的第二阈值时,将所述会话从机器对话切换到人工对话。
在一些实施例中,所述预先训练的分类模型通过如下方式得到:获取多个会话样本,其中,各所述会话样本包括用户关于该次会话的满意程度、该次会话的会话特征以及该次会话中各所述会话特征的数目;根据所述会话样本的会话特征和各所述会话特征的数目,生成所述会话特征的特征向量;将所述特征向量和与之对应的满意程度作为训练样本,得到所述预先训练的分类模型。
在一些实施例中,所述会话特征包括以下至少一项:会话的来源入口、会话内容的关联信息、用户的关联信息。
在一些实施例中,所述语句数量获取模块进一步配置用于:获取所述用户发送的当前语句和所述当前语句之前的各语句组成的会话;确定所述会话的语句数量。
在一些实施例中,所述满意程度获取模块进一步配置用于:获取所述用户发送的当前语句和所述当前语句之前的各语句组成的会话;提取所述会话的会话特征,统计各所述会话特征的数目;根据所述会话特征和各所述会话特征的数目,生成所述会话特征的特征向量;将所述特征向量输入到所述分类模型得到所述用户的满意程度。
在一些实施例中,所述装置还包括:机器对话模块,配置用于当所述会话的语句数量小于或等于第一预设阈值时,继续保持机器对话;以及第二人工对话切换模块,配置用于当所述关键词集合与所述关键词匹配时,将所述会话从机器对话切换到人工对话。
本申请提供的从机器对话切换到人工对话的方法和装置,通过判断用户发送的会话语句的数量是否大于第一阈值,并在会话语句的数量大于第一阈值时提取该会话的关键词,之后将该关键词与预设的关键词集合相匹配,当确定该关键词与所述关键词集合不匹配情况下,则通过预先训练的分类模型预测用户的满意程度,而后将满意程度小于第二预设阈值的会话从机器对话切换到人工对话,从而利用多次判断,提高了从机器对话切换到人工对话的时机判断的准确率,进而可以提高会话效率,节省会话交互所产生的网络流量。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的从机器对话切换到人工对话的方法的一个实施例的流程图;
图3是根据本申请的从机器对话切换到人工对话的方法中,获得预先训练的分类模型的一种实现方式的示意性流程图;
图4是根据本申请的从机器对话切换到人工对话的方法的又一个实施例的流程图;
图5是根据本申请的从机器对话切换到人工对话的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
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。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的从机器对话切换到人工对话的方法或从机器对话切换到人工对话的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如即时通信软件、购物类应用、搜索类应用、网页浏览器应用、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持人机会话的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的会话语句提供支持的后台服务器。后台服务器可以对接收到的会话语句等数据进行统计、分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本申请实施例所提供的从机器对话切换到人工对话的方法一般由服务器105执行,相应地,从机器对话切换到人工对话的装置一般设置于服务器105中。
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。
继续参考图2,其示出了根据本申请的从机器对话切换到人工对话的方法的一个实施例的流程200。所述的从机器对话切换到人工对话的方法,包括以下步骤:
步骤201,获取用户发送的会话的语句数量。
在本实施例中,从机器对话切换到人工对话的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行人机会话交流的终端接收会话的语句,而后通过分析获取该通会话的语句数量。人工智能问答系统通常采用一问一答的形式进行问答对话,因此上述电子设备可以通过统计用户输入问题的次数来确定该会话的语句数量。需要指出的是,上述无线连接方式可以包括但不限于3G/4G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。
步骤202,当会话的语句数量大于预设的第一阈值时,提取会话的关键词,并将该键词与预设的关键词集合匹配。
在本实施例中,基于步骤201中得到的上述会话的语句数量,上述电子设备(例如图1所示的服务器)可以预先设置第一阈值和关键词集合。之后将上述获取的会话的语句数量与上述第一阈值进行比较,若上述会话的语句数量大于该第一阈值,则提取该会话中的关键词。这里的关键词用于表征用户的情绪特征,例如可以是某些用于表达用户不满情绪的词或短句等。而后将提取到的上述关键词与预设的关键词集合进行匹配。这里,可以从历史数据中获取上述的关键词集合,具体地,可以预先获取历史会话语料库,而后从中提取用于表达用户不满情绪的或者明确表示想转人工会话的词和短语等构成上述的关键词集合。
需要说明的是,上述用于将关键词和关键词集合进行匹配的匹配方式可以根据需要设置为精确匹配,例如,在预设的关键词集合中存在与上述提取的关键词字面完全相同的关键词。或者,也可以设置为模糊匹配,例如,在预设的关键词集合中存在与上述提取的关键词具有一定的关联性的关键词,这里,具有一定的关联性的关键词可以是上述提取的关键词的相关词、同义词、近义词等。关键词的匹配是目前广泛研究和应用的公知技术,在此不再赘述。
在本实施例的一些可选的实现方式中,当上述电子设备确定上述会话的语句数量小于或等于预设的第一阈值时,则可以使得该会话继续以机器对话的方式进行。例如,上述第一阈值设置为2,当上述会话的语句数量为1或2时,该会话仍然采用机器对话的方式,而当用户继续输入会话语句而使得该会话的语句数量增加到3时,则需要执行提取会话的关键词的步骤,以便于最终确定该对话是否需要从机器对话切换到人工对话。
步骤203,当关键词集合与关键词不匹配时,提取会话的会话特征,并将会话特征输入到预先训练的分类模型得到用户的满意程度。
在本实施例中,从机器对话切换到人工对话的方法运行于其上的电子设备可以预先训练一个分类模型,该分类模型用于通过会话特征预测用户的满意程度。上述电子设备在确定上述关键词集合与提取的关键词不匹配后,还不能明确地辨别用户是否需要从机器对话切换到人工对话,这时可以从上述会话中提取出该会话的会话特征,然后将提取的会话特征导入到上述分类模型,预测用户对于机器对话是否满意以及对应的满意程度,从而进一步确认用户是否需要从机器对话切换到人工对话。
在本实施例的一些可选的实现方式中,当上述电子设备确定上述键词集合与关键词可以匹配时,则可以认定用户已经出现不满的情绪或者明确想转人工对话,这时可以将该会话方式从机器对话切换到人工对话。
在本实施例的一些可选的实现方式中,上述会话特征包括以下至少一项:会话的来源入口、会话内容的关联信息、用户的关联信息。这里,会话来源入口可以包括:搜索引擎、直接输入、友情链接等,会话内容的关联信息可以包括:该会话中提及物品的三级分类、该会话中的主题词、该会话问题的分类、以及处理该会话问题分类的模型等,用户的关联信息包括:发起该会话的用户的年龄、性别、地址等。其中,上述的物品的三级分类可以例如1个护化妆-2口腔处理-3漱口水等,上述会话中的主题词可以例如退货等,上述会话问题的分类可以为库存咨询、订单查询等。
在本实施例的一些可选的实现方式中,上述电子设备可以通过例如N-gram算法、分词特征算法、神经网络算法等来提取会话中的会话特征。
步骤204,当用户的满意程度小于预设的第二阈值时,将会话从机器对话切换到人工对话。
在本实施例中,基于步骤203中得到的用户对于机器对话的满意程度,上述电子设备可以将其与预设的第二阈值相对比,当确定上述的满意程度小于预设的第二阈值时,可以将该会话的方式从机器对话切换到人工对话。
在本实施例的一些可选的实现方式中,当上述电子设备确定上述的满意程度大于或等于第二阈值时,则可以认定用户对机器对话的方式比较满意,这时可以使得该会话继续以机器对话的方式进行。
本申请的上述实施例提供的从机器对话切换到人工对话的方法,通过多次判断,提高了从机器对话切换到人工对话的时机判断的准确率,进而可以提高会话效率,节省会话交互所产生的网络流量。
在一些可选的方案中,步骤203中用到的预先训练的分类模型可以通过如图3所示的流程300来建立。
步骤301,获取多个会话样本。
在本实现方式中,上述电子设备可以从历史会话语料库等中获取多个用于训练分类模型的会话样本。其中,上述各会话样本至少包括用户关于该次会话的满意程度、该次会话的会话特征以及该次会话中各会话特征的数目。这里,该次会话的会话特征可以包括该次会话的来源入口、用户的年龄、用户的性别、用户的地址、会话中的关键词、会话中提及物品的三级分类、该会话问题的分类以及处理该会话问题分类的模型等,其中,会话的来源入口、用户的年龄、用户的性别等会话特征的数目可以为1,而会话中的关键词、该会话问题的分类等可以大于1。例如,在一同对话中多次提到“退货”这个关键词,那么最终得到的该次会话的会话特征中可以包括“退货”关键词的出现的次数。
步骤302,根据会话样本的会话特征和各会话特征的数目,生成会话特征的特征向量。
在本实现方式中,上述电子设备在获取会话样本的会话特征和各会话特征的数目后,生成该会话样本的特征向量。这里的特征向量中各会话特征和各会话特征的数目,根据其对应关系可以一一对应。
步骤303,将特征向量和与之对应的满意程度作为训练样本,得到预先训练的分类模型。
在本实现方式中,可以将基于步骤302生成的会话样本的特征向量作为训练数据,而对应的用户的满意程度作为目标值进行分类模型训练,得到上述分类模型。这里的分类模型用于根据用户输入语句的特征向量预测用户的满意程度。
需要说明的是,这里的分类模型可以包括逻辑回归、随机森林等模型,可以通过会话特征将会话分到该分类模型的已知类别。例如,可以采用逻辑回归算法训练上述的分类模型,其中,分类模型的惩罚系数(C)和停止标准值(eps)可以分别设置为0.01和0.98,而后将会话特征的特征向量输入上述训练的分类模型,该会话可以被分到一个已知的类别中。
本申请的上述实施例的实现方式提供的分类模型的训练步骤,通过选择合适的会话样本和会话特征等,训练出用于预测用户满意程度的分类模型,提高了从机器对话切换到人工对话的时机判断的准确率。
进一步参考图4,其示出了从机器对话切换到人工对话的方法的又一个实施例的流程400。该从机器对话切换到人工对话的方法的流程400,包括以下步骤:
步骤401,获取用户发送的会话的语句数量。
在本实施例中,从机器对话切换到人工对话的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行人机会话交流的终端接收会话的语句,而后通过分析获取该通会话的语句数量。人工智能问答系统通常采用一问一答的形式进行问答对话,因此上述电子设备可以通过统计用户输入问题的次数来确定该会话的语句数量。
在本实施例的一些可选的实现方式中,上述电子设备可以获取上述用户发送的当前语句和当前语句之前的各语句组成的会话,之后再确定上述会话的语句数量。
步骤402,会话的语句数量是否大于第一阈值。
在本实施例中,上述电子设备可以预先设置第一阈值,之后将上述获取的会话的语句数量与上述第一阈值进行比较,若上述会话的语句数量大于第一阈值,则转到步骤403,若上述会话的语句数量小于第一阈值,则转到步骤408,继续保持机器对话。
步骤403,提取会话的关键词,并将该键词与预设的关键词集合匹配。
在本实施例中,基于步骤402确定的上述会话的语句数量大于预设的第一阈值,上述电子设备提取上述会话中的关键词。这里的关键词用于表征用户的情绪特征,例如某些可以表达用户不满情绪的词或短句等,而后将提取到的上述关键词与预设的关键词集合进行匹配。这里,可以从历史数据中获取上述的关键词,具体地,可以预先获取历史会话语料库,而后从中提取用于表达用户不满情绪的或者明确表示想转人工会话的词和短语等构成上述的关键词集合。
步骤404,预设的关键词集合与关键词是否匹配。
在本实施例中,将上述会话中提取的关键词在预设关键词集合中进行匹配,若在上述预设的关键词集合中可以匹配到上述关键词,则转到步骤407,从机器对话切换到人工对话,若上述关键词与预设的关键词集合中的各个关键词均不匹配,则转到步骤405。
步骤405,提取会话的会话特征,并将会话特征输入到预先训练的分类模型得到用户的满意程度。
在本实施例中,上述电子设备可以获取用户发送的当前语句和当前语句之前的各语句组成的会话。之后提取上述会话的会话特征,统计各上述会话特征的数目。而后根据上述提取的会话特征和各会话特征的数目,生成该会话特征的特征向量。最后将上述生成的特征向量输入到上述训练的分类模型得到上述用户的满意程度。
步骤406,用户的满意程度是否大于第二阈值。
在本实施例中,基于步骤405获取的用户满意程度,上述电子设备判断上述满意程度是否大于第二阈值,若满意程度大于上述第二阈值,则转到步骤408,继续保持机器对话,若满意程度小于或等于预设阈值,则转到步骤407,从机器对话切换到人工对话。
步骤407,从机器对话切换到人工对话。
在本实施例中,基于步骤404确定的上述关键词集合与在上述会话中提取的关键词不匹配,或者步骤406确定的用户的满意程度小于或等于第二阈值,上述电子设备可以将对话从机器对话方式转到人工对话方式。
步骤408,机器对话。
在本实施例中,基于步骤402确定的上述会话的语句数量小于或等于第一阈值,或者步骤406确定的用户的满意程度大于第二阈值,该对话继续保持机器对话的方式。
本申请的上述实施例提供的从机器对话切换到人工对话的方法,通过多次判断,提高了从机器对话切换到人工对话时机判断的准确率。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种从机器对话切换到人工对话的装置的一个实施例,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。
如图5所示,本实施例所述的从机器对话切换到人工对话的装置500包括:语句数量获取模块501、关键词匹配模块502、满意程度获取模块503和第一人工对话切换模块504。其中,语句数量获取模块501配置用于获取用户发送的会话的语句数量;关键词匹配模块502配置用于当会话的语句数量大于预设的第一阈值时,提取上述会话的关键词,并将上述关键词与预设的关键词集合匹配,其中,关键词用于表征上述用户的情绪特征;满意程度获取模块503配置用于当上述关键词集合与上述关键词不匹配时,提取会话的会话特征,并将会话特征输入到预先训练的分类模型得到上述用户的满意程度,其中,分类模型用于通过会话特征预测用户的满意程度;第一人工对话切换模块504配置用于当用户的满意程度小于预设的第二阈值时,将上述会话从机器对话切换到人工对话。
在本实施例的一些可选的实现方式中,上述装置还可以通过如下方式得到上述预先训练的分类模型:获取多个会话样本,其中,各会话样本包括用户关于该次会话的满意程度、该次会话的会话特征以及该次会话中各会话特征的数目;根据上述会话样本的会话特征和各会话特征的数目,生成会话特征的特征向量;将上述特征向量和与之对应的满意程度作为训练样本,得到上述预先训练的分类模型。
在本实施例的一些可选的实现方式中,会话特征可以包括以下至少一项:会话的来源入口、会话内容的关联信息、用户的关联信息。
在本实施例中,语句数量获取模块501还可以进一步配置用于:获取上述用户发送的当前语句和当前语句之前的各语句组成的会话;确定上述会话的语句数量。
在本实施例中,满意程度获取模块503还可以进一步配置用于:获取用户发送的当前语句和当前语句之前的各语句组成的会话;提取上述会话的会话特征,统计各会话特征的数目;根据上述会话特征和各会话特征的数目,生成上述会话特征的特征向量;将上述特征向量输入到上述分类模型得到用户的满意程度。
在本实施例中,上述装置还可以进一步包括:机器对话模块(未示出),配置用于当会话的语句数量小于或等于第一预设阈值时,继续保持机器对话;以及第二人工对话切换模块(未示出),配置用于当上述关键词集合与关键词匹配时,将会话从机器对话切换到人工对话。
下面参考图6,其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计算机系统600的结构示意图。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述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609从网络上被下载和安装,和/或从可拆卸介质611被安装。
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,所述模块、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。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括语句数量获取模块、关键词匹配模块、满意程度获取模块和第一人工对话切换模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,语句数量获取模块还可以被描述为“获取用户发送的会话的语句数量的模块”。
作为另一方面,本申请还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质;也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当所述一个或者多个程序被一个设备执行时,使得所述设备:获取用户发送的会话的语句数量;当所述会话的语句数量大于预设的第一阈值时,提取所述会话的关键词,并将所述关键词与预设的关键词集合匹配,其中,所述关键词用于表征所述用户的情绪特征;当所述关键词集合与所述关键词不匹配时,提取所述会话的会话特征,并将所述会话特征输入到预先训练的分类模型得到所述用户的满意程度,其中,所述分类模型用于通过会话特征预测用户的满意程度;当所述用户的满意程度小于预设的第二阈值时,将所述会话从机器对话切换到人工对话。
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,本申请中所涉及的发明范围,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所述发明构思的情况下,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公开的(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 (13)
1.一种从机器对话切换到人工对话的方法,其特征在于,所述方法包括:
获取用户发送的会话的语句数量,其中,所述会话包括当前语句和当前语句之前的各语句;
当所述会话的语句数量大于预设的第一阈值时,提取所述会话的关键词,并将所述关键词与预设的关键词集合匹配,其中,所述关键词用于表征所述用户的情绪特征;
当所述关键词集合与所述关键词不匹配时,提取所述会话的会话特征,并将所述会话特征输入到预先训练的分类模型得到所述用户的满意程度,其中,所述分类模型用于通过会话特征预测用户的满意程度;
当所述用户的满意程度小于预设的第二阈值时,将所述会话从机器对话切换到人工对话。
2.根据权利要求1所述的方法,其特征在于,所述预先训练的分类模型通过如下方式得到:
获取多个会话样本,其中,各所述会话样本包括用户关于该次会话的满意程度、该次会话的会话特征以及该次会话中各所述会话特征的数目;
根据所述会话样本的会话特征和各所述会话特征的数目,生成所述会话特征的特征向量;
将所述特征向量和与之对应的满意程度作为训练样本,得到所述预先训练的分类模型。
3.根据权利要求2所述的方法,其特征在于,所述会话特征包括以下至少一项:会话的来源入口、会话内容的关联信息、用户的关联信息。
4.根据权利要求1所述的方法,其特征在于,所述获取用户发送的会话的语句数量,包括:
获取所述用户发送的当前语句和所述当前语句之前的各语句组成的会话;
确定所述会话的语句数量。
5.根据权利要求1或2所述的方法,其特征在于,所述提取所述会话的会话特征,并将所述会话特征输入到预先训练的分类模型得到所述用户的满意程度,包括:
获取所述用户发送的当前语句和所述当前语句之前的各语句组成的会话;
提取所述会话的会话特征,统计各所述会话特征的数目;
根据所述会话特征和各所述会话特征的数目,生成所述会话特征的特征向量;
将所述特征向量输入到所述分类模型得到所述用户的满意程度。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
当所述会话的语句数量小于或等于第一预设阈值时,继续保持机器对话;以及
当所述关键词集合与所述关键词匹配时,将所述会话从机器对话切换到人工对话。
7.一种从机器对话切换到人工对话的装置,其特征在于,所述装置包括:
语句数量获取模块,配置用于获取用户发送的会话的语句数量,其中,所述会话包括当前语句和当前语句之前的各语句;
关键词匹配模块,配置用于当所述会话的语句数量大于预设的第一阈值时,提取所述会话的关键词,并将所述关键词与预设的关键词集合匹配,其中,所述关键词用于表征所述用户的情绪特征;
满意程度获取模块,配置用于当所述关键词集合与所述关键词不匹配时,提取所述会话的会话特征,并将所述会话特征输入到预先训练的分类模型得到所述用户的满意程度,其中,所述分类模型用于通过会话特征预测用户的满意程度;
第一人工对话切换模块,配置用于当所述用户的满意程度小于预设的第二阈值时,将所述会话从机器对话切换到人工对话。
8.根据权利要求7所述的装置,其特征在于,所述预先训练的分类模型通过如下方式得到:
获取多个会话样本,其中,各所述会话样本包括用户关于该次会话的满意程度、该次会话的会话特征以及该次会话中各所述会话特征的数目;
根据所述会话样本的会话特征和各所述会话特征的数目,生成所述会话特征的特征向量;
将所述特征向量和与之对应的满意程度作为训练样本,得到所述预先训练的分类模型。
9.根据权利要求8所述的装置,其特征在于,所述会话特征包括以下至少一项:会话的来源入口、会话内容的关联信息、用户的关联信息。
10.根据权利要求7所述的装置,其特征在于,所述语句数量获取模块进一步配置用于:
获取所述用户发送的当前语句和所述当前语句之前的各语句组成的会话;
确定所述会话的语句数量。
11.根据权利要求7或8所述的装置,其特征在于,所述满意程度获取模块进一步配置用于:
获取所述用户发送的当前语句和所述当前语句之前的各语句组成的会话;
提取所述会话的会话特征,统计各所述会话特征的数目;
根据所述会话特征和各所述会话特征的数目,生成所述会话特征的特征向量;
将所述特征向量输入到所述分类模型得到所述用户的满意程度。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
机器对话模块,配置用于当所述会话的语句数量小于或等于第一预设阈值时,继续保持机器对话;以及
第二人工对话切换模块,配置用于当所述关键词集合与所述关键词匹配时,将所述会话从机器对话切换到人工对话。
13.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610109500.8A CN105701088B (zh) | 2016-02-26 | 2016-02-26 | 从机器对话切换到人工对话的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610109500.8A CN105701088B (zh) | 2016-02-26 | 2016-02-26 | 从机器对话切换到人工对话的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105701088A CN105701088A (zh) | 2016-06-22 |
CN105701088B true CN105701088B (zh) | 2018-12-28 |
Family
ID=56222733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610109500.8A Active CN105701088B (zh) | 2016-02-26 | 2016-02-26 | 从机器对话切换到人工对话的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701088B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590159A (zh) * | 2016-07-08 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 机器人客服转人工客服的方法和装置 |
WO2019079922A1 (zh) * | 2017-10-23 | 2019-05-02 | 腾讯科技(深圳)有限公司 | 会话信息处理方法及其装置、存储介质 |
CN108363745B (zh) | 2018-01-26 | 2020-06-30 | 阿里巴巴集团控股有限公司 | 机器人客服转人工客服的方法和装置 |
CN110519472A (zh) * | 2018-03-16 | 2019-11-29 | 苏州思必驰信息科技有限公司 | 为客户提供对话服务的方法及装置 |
CN108446388A (zh) * | 2018-03-22 | 2018-08-24 | 平安科技(深圳)有限公司 | 文本数据质检方法、装置、设备及计算机可读存储介质 |
CN110392168B (zh) * | 2018-04-16 | 2021-06-01 | 华为技术有限公司 | 呼叫处理方法、装置、服务器、存储介质和系统 |
CN109241256B (zh) * | 2018-08-20 | 2022-09-27 | 百度在线网络技术(北京)有限公司 | 对话处理方法、装置、计算机设备和可读存储介质 |
CN109036413A (zh) * | 2018-09-18 | 2018-12-18 | 深圳市优必选科技有限公司 | 语音交互方法及终端设备 |
CN109299242A (zh) * | 2018-10-19 | 2019-02-01 | 武汉斗鱼网络科技有限公司 | 一种会话生成方法、装置、终端设备及存储介质 |
CN111310882A (zh) * | 2018-12-11 | 2020-06-19 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
CN111143537A (zh) * | 2019-12-30 | 2020-05-12 | 税友软件集团股份有限公司 | 一种基于智能客服系统的服务方法、装置、设备及介质 |
CN111274374B (zh) * | 2020-01-19 | 2023-05-23 | 出门问问信息科技有限公司 | 一种数据处理方法、装置及计算机存储介质和电子设备 |
CN112087726B (zh) * | 2020-09-11 | 2022-08-23 | 携程旅游网络技术(上海)有限公司 | 彩铃识别的方法及系统、电子设备及存储介质 |
CN112101046B (zh) * | 2020-11-02 | 2022-04-29 | 北京淇瑀信息科技有限公司 | 一种基于通话行为的会话分析方法、装置和系统 |
CN112732886A (zh) * | 2021-01-08 | 2021-04-30 | 京东数字科技控股股份有限公司 | 一种会话管理方法、装置、系统及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103546881A (zh) * | 2013-11-06 | 2014-01-29 | 从兴技术有限公司 | 上行短信的识别方法及装置 |
CN104699769A (zh) * | 2015-02-28 | 2015-06-10 | 北京京东尚科信息技术有限公司 | 基于表情识别的交互方法和执行该方法的设备 |
CN104750674A (zh) * | 2015-02-17 | 2015-07-01 | 北京京东尚科信息技术有限公司 | 一种人机会话满意度预测方法及系统 |
CN104809197A (zh) * | 2015-04-24 | 2015-07-29 | 同程网络科技股份有限公司 | 基于智能机器人的在线问答方法 |
-
2016
- 2016-02-26 CN CN201610109500.8A patent/CN105701088B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103546881A (zh) * | 2013-11-06 | 2014-01-29 | 从兴技术有限公司 | 上行短信的识别方法及装置 |
CN104750674A (zh) * | 2015-02-17 | 2015-07-01 | 北京京东尚科信息技术有限公司 | 一种人机会话满意度预测方法及系统 |
CN104699769A (zh) * | 2015-02-28 | 2015-06-10 | 北京京东尚科信息技术有限公司 | 基于表情识别的交互方法和执行该方法的设备 |
CN104809197A (zh) * | 2015-04-24 | 2015-07-29 | 同程网络科技股份有限公司 | 基于智能机器人的在线问答方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105701088A (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105701088B (zh) | 从机器对话切换到人工对话的方法和装置 | |
CN105654950B (zh) | 自适应语音反馈方法和装置 | |
US10635695B2 (en) | Systems and methods for facilitating dialogue mining | |
KR102288249B1 (ko) | 정보 처리 방법, 단말기, 및 컴퓨터 저장 매체 | |
US9489625B2 (en) | Rapid development of virtual personal assistant applications | |
CN110888990B (zh) | 文本推荐方法、装置、设备及介质 | |
US20210200948A1 (en) | Corpus cleaning method and corpus entry system | |
CN111708869B (zh) | 人机对话的处理方法及装置 | |
CN108021691A (zh) | 答案查找方法、客服机器人以及计算机可读存储介质 | |
US20210142291A1 (en) | Virtual business assistant ai engine for multipoint communication | |
CN107797982A (zh) | 用于识别文本类型的方法、装置和设备 | |
CN108268450B (zh) | 用于生成信息的方法和装置 | |
CN109582788A (zh) | 垃圾评论训练、识别方法、装置、设备及可读存储介质 | |
CN109325121A (zh) | 用于确定文本的关键词的方法和装置 | |
CN112084334A (zh) | 语料的标签分类方法、装置、计算机设备及存储介质 | |
CN111861596A (zh) | 一种文本分类方法和装置 | |
CN112052316A (zh) | 模型评估方法、装置、存储介质及电子设备 | |
CN115658889A (zh) | 对话处理方法、装置、设备及存储介质 | |
US20220253610A1 (en) | Systems and method for intent messaging | |
US11972467B2 (en) | Question-answer expansion | |
CN112307200A (zh) | 情感属性获取方法、装置、设备、及存储介质 | |
CN114548092A (zh) | 客服会话调度方法及其装置、设备、介质、产品 | |
CN113743973A (zh) | 分析市场热点趋势的方法和装置 | |
CN114218431A (zh) | 视频搜索方法、装置、电子设备以及存储介质 | |
CN116541517A (zh) | 文本信息处理方法、装置、设备、软件程序以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |