CN106570708A - 一种智能客服知识库的管理方法及系统 - Google Patents
一种智能客服知识库的管理方法及系统 Download PDFInfo
- Publication number
- CN106570708A CN106570708A CN201610927667.5A CN201610927667A CN106570708A CN 106570708 A CN106570708 A CN 106570708A CN 201610927667 A CN201610927667 A CN 201610927667A CN 106570708 A CN106570708 A CN 106570708A
- Authority
- CN
- China
- Prior art keywords
- answer
- vector
- question
- visitor
- customer service
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90332—Natural language query formulation or dialogue systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种智能客服知识库的管理方法及系统,通过利用主题模型对各个对话记录进行对话主题的分类,得到不同主题类别的对话组;利用文本深度表示模型计算得到每一个问题的向量值及每一个答案的向量值;并根据所述向量值对所述对话组的每一个问题进行分组,得到问题组;以及对所述问题组进行向量平均值的计算,得到每个问题组的向量平均值;根据所述向量值和所述向量平均值进行分组管理,极大的提高了知识库的管理效率,并加快了客服回答问题的响应速度,提高了客服推荐答案的准确率,用户体验更好。
Description
技术领域
本发明涉及通信技术领域,特别是一种智能客服方法及其知识库的管理方法及应用该方法的系统。
背景技术
随着互联网及电子商务的普及应用,智能客服也越来越多。智能客服是在大规模知识处理基础上发展起来的一项面向行业的应用,适用于大规模知识处理、自然语言理解、知识管理、自动问答系统、推理等等技术行业,智能客服不仅为企业提供了细粒度知识管理技术,还为企业与海量用户之间的沟通建立了一种基于自然语言的快捷有效的技术手段;同时还能够为企业提供精细化管理所需的统计分析信息。
目前大部分智能客服都是基于大数据知识处理技术的应用,即提前将智能客服需要的数据存储于知识库中,在智能客服工作时,随时去读取知识库中存储的知识。数据即是由大量的“问答对”组成的,问题和对应答案匹配成一组,这些“问答对”来自平时访客和人工客服的交流沟通,或者其它对话场合,然后经人工梳理形成可供智能客服使用的知识库。
但是,由于中文语言的原因,存在大量近义词、同义词等,所以同一句话通常会有多种表达方式,这就造成了智能客服的知识库存在一个问题对应多个答案的问题所在。目前大部分系统采用的方法都是将问题的备选答案按词频进行排序,然后回答问题时选择调用频率最高的答案给访客。但按这种较为机械呆板的方法推荐的问题却并不是每次都是最适合访客的答案,使得用户体验感下降。
并且,知识库储存了大量的对话数据,智能客服在每次检索答案时,需要运算的数据量庞大。且随着系统知识库不断的更新,运算量会越来越大,所需要的时间也越来越长,从而影响智能客服回答问题的响应时间,延长了访客的等待时间。
发明内容
本发明为解决上述问题,提供了一种智能客服知识库的管理方法及系统,通过采用基于向量的分组管理方法,极大的提高了知识库的管理效率,并加快了客服回答问题的响应速度,提高了客服推荐答案的准确率,用户体验更好。
为实现上述目的,本发明采用的技术方案为:
一种智能客服知识库的管理方法,其包括以下步骤:
10.利用主题模型对各个对话记录进行对话主题的分类,并根据对话主题的类别将所述对话记录进行分组,得到不同主题类别的对话组;
20.利用文本深度表示模型对所述对话组的每一个问题及每一个答案进行文本内容的向量运算,得到每一个问题的向量值及每一个答案的向量值;
30.对所述对话组的每一个问题及其对应的答案进行提取问答对,并根据所述向量值对所述对话组的每一个问题进行分组,得到问题组,使每个问题组内的问题都是相同问题或者相似问题;
40.对所述问题组进行向量平均值的计算,得到每个问题组的向量平均值;
50.利用主题模型对访客问题进行对话主题的分类,根据分类得到的主题类型进行判断所对应的对话组;利用文本深度表示模型对所述访客问题进行文本内容的向量运算,得到所述访客问题的向量值,并根据该向量值进行判断所对应的问题组;再根据所述的对应的问题组的向量平均值进行查找最接近该向量平均值的问题作为相似问题,得到该相似问题所属问答对中对应的答案,作为所述访客问题的答案。
优选的,所述的步骤10中,所述的主题模型可采用LDA模型、SVD模型或者TF-IDF模型。
优选的,所述的步骤20中,所述的文本深度表示模型可采用Doc2vec模型或者Word2vec模型。
优选的,所述的步骤30中,所述问答对包括一个问题对应一个答案、一个问题对应多个相似答案、或者一个答案对应多个相似问题。
优选的,所述的步骤40中,对所述问题组进行向量平均值的计算,计算所述问题组中所有相同问题或者相似问题的向量平均值,还进一步计算得到每个问题所属问答对中对应的所有相同答案或者相似答案的向量平均值。
优选的,所述的步骤50中,得到所述相似问题所属问答对中对应的答案,作为所述访客问题的答案,是指在所述问题组内查找最接近所述向量平均值的作为相似问题,并将向量值与所述相似问题所属问答对中对应的所有相同答案或者相似答案的向量平均值最接近的答案,作为所述访客问题的答案。
对应的,本发明还提供了一种智能客服知识库的管理系统,其包括:
一级分组模块,利用主题模型对各个对话记录进行对话主题的分类,并根据对话主题的类别将所述对话记录进行分组,得到不同主题类别的对话组;
向量运算模块,利用文本深度表示模型对所述对话组的每一个问题及每一个答案进行文本内容的向量运算,得到每一个问题的向量值及每一个答案的向量值;
二级分组模块,对所述对话组的每一个问题及其对应的答案进行提取问答对,并根据所述向量值对所述对话组的每一个问题进行分组,得到问题组,使每个问题组内的问题都是相同问题或者相似问题;
平均向量统计模块,对所述问题组进行向量平均值的计算,得到每个问题组的向量平均值;
问题答案检索模块,利用主题模型对访客问题进行对话主题的分类,根据分类得到的主题类型进行判断所对应的对话组;利用文本深度表示模型对所述访客问题进行文本内容的向量运算,得到所述访客问题的向量值,并根据该向量值进行判断所对应的问题组;再根据所述的对应的问题组的向量平均值进行查找最接近该向量平均值的问题作为相似问题,得到该相似问题所属问答对中对应的答案,作为所述访客问题的答案。
优选的,所述二级分组模块中进行提取问答对,该问答对包括一个问题对应一个答案、一个问题对应多个相似答案、或者一个答案对应多个相似问题。
优选的,所述问题答案检索模块中得到所述访客问题的答案,是通过在所述问题组内查找最接近所述向量平均值的作为相似问题,并将向量值与所述相似问题所属问答对中对应的所有相同答案或者相似答案的向量平均值最接近的答案,作为所述访客问题的答案。
本发明的有益效果是:
(1)本发明基于主题分类及向量平均值作为参考后,智能客服所回答的访客问题,将更为接近访客所期望的答案,提高答案的准备率,及用户体验感;
(2)采用本发明的方法后,系统在知识库中检索问题及答案所需的运算量和时间将大大降低,大大提高了智能客服回答问题的速度,从而提高了沟通效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一种智能客服知识库的主题分类过程示意图;
图2为本发明一种智能客服知识库的问答对提取过程示意图;
图3为本发明一种智能客服知识库的基于向量运算的问题分组过程示意图;
图4为本发明一种智能客服知识库的问题答案检索过程示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图及实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1至4所示,本发明的一种智能客服知识库的管理方法,其包括以下步骤:
10.利用主题模型对各个对话记录进行对话主题的分类,并根据对话主题的类别将所述对话记录进行分组,得到不同主题类别的对话组;
20.利用文本深度表示模型对所述对话组的每一个问题及每一个答案进行文本内容的向量运算,得到每一个问题的向量值及每一个答案的向量值;
30.对所述对话组的每一个问题及其对应的答案进行提取问答对,并根据所述向量值对所述对话组的每一个问题进行分组,得到问题组,使每个问题组内的问题都是相同问题或者相似问题;
40.对所述问题组进行向量平均值的计算,得到每个问题组的向量平均值;
50.利用主题模型对访客问题进行对话主题的分类,根据分类得到的主题类型进行判断所对应的对话组;利用文本深度表示模型对所述访客问题进行文本内容的向量运算,得到所述访客问题的向量值,并根据该向量值进行判断所对应的问题组;再根据所述的对应的问题组的向量平均值进行查找最接近该向量平均值的问题作为相似问题,得到该相似问题所属问答对中对应的答案,作为所述访客问题的答案。
所述的步骤10中,所述的主题模型可采用LDA模型、SVD模型或者TF-IDF模型,通过收集大量的访客与客服的对话记录进行分类,利用所述的主题模型将共同主题类型的对话记录列为同一个组别,例如,可按对话主题分为以下分组,包括:医疗服务、健康咨询、餐饮服务、电子产品等。主题模型是对文本中隐含主题的一种建模方法;每个主题其实是词表上单词的概率分布。主题模型是一种生成模型,每个对话记录的每个词都是通过“以一定概率选择了某个主题,并从这个主题中以一定概率选择某个词语”这样一个过程得到的。
其中,LDA(Latent Dirichlet Allocation)是一个三层贝叶斯概率模型,包含词、主题和文档三层结构,文档到主题服从多项式分布,主题到词服从多项式分布,LDA是一种非监督机器学习技术,对于知识库中的每个对话记录,LDA定义了如下生成过程(generativeprocess):
1.对每一个对话记录,从主题分布中抽取一个主题;
2.从上述被抽到的主题所对应的单词分布中抽取一个单词;
3.重复上述过程直至遍历所示对话记录中的每一个单词。
SVD(Singular Value Decomposition)是一种奇异值模型,其通过奇异值分解,奇异值分解是线性代数中一种重要的矩阵分解,是对矩阵的一种因素分解,将一个矩阵分解成若干个各有其应用意义的成分。SVD模型所提取的主题中包含正向词语和负向词语。
TF-IDF是在抽取文档关键词、文档分类等领域比较经典的算法。TF词频(TermFrequency)是指一个词汇在一篇文章中出现的次数文档总次数之比。IDF逆向文件频率(Inverse Document Frequency)是一个词语普遍重要性的度量。tf-idf模型的主要思想是:如果词w在一篇文档d中出现的频率高,并且在其他文档中很少出现,则认为词w具有很好的区分能力,适合用来把文章d和其他文章区分开来。因此,TF-IDF倾向于过滤掉常见的词语,保留重要的词语。
所述的步骤20中,所述的文本深度表示模型可采用Doc2vec模型或者Word2vec模型。其中,Word2vec模型是一款将词表征为实数值向量的高效工具,其利用深度学习的思想,可以通过训练,把对文本内容的处理简化为K维向量空间中的向量运算,而向量空间上的相似度可以用来表示文本语义上的相似度。其基本思想是通过训练将每个词映射成K维实数向量(K一般为模型中的超参数),通过词之间的距离(比如cosine相似度、欧氏距离等)来判断它们之间的语义相似度。Word2vec模型还进一步增加一个段落向量,利用了词的上下文,语义信息更加地丰富。这样,通过所述的文本深度表示模型的向量运算,使得每个问题、每个答案都将得到一个向量值。
所述的步骤30中,所述问答对包括一个问题对应一个答案、一个问题对应多个相似答案、或者一个答案对应多个相似问题。原始数据一般是一问一答的形式,即一个问题对应一个答案,但是,可根据相似性分析,进行抽取更复杂的一对多、多对一、多对多等问答对组,从而能够提高答案的准确率。利用每个问题的向量数值将上一步抽取的问题进行分类管理,这样同一个主题内的对话记录会按照向量数值再次被分为不同的问题组,每个问题组内的问题都是相同问题或相似问题。此时每个问题组内,都是同个对话主题(同个对话组)下的相同或相似问题。
所述的步骤40中,对所述问题组进行向量平均值的计算,计算所述问题组中所有相同问题或者相似问题的向量平均值,还进一步计算得到每个问题所属问答对中对应的所有相同答案或者相似答案的向量平均值。从而使每一个问题组将会得到一个平均向量数值。
所述的步骤50中,得到所述相似问题所属问答对中对应的答案,作为所述访客问题的答案,是指在所述问题组内查找最接近所述向量平均值的作为相似问题,并将向量值与所述相似问题所属问答对中对应的所有相同答案或者相似答案的向量平均值最接近的答案,作为所述访客问题的答案。
另外,本发明还提供了一种智能客服知识库的管理系统,其包括:
一级分组模块,利用主题模型对各个对话记录进行对话主题的分类,并根据对话主题的类别将所述对话记录进行分组,得到不同主题类别的对话组;
向量运算模块,利用文本深度表示模型对所述对话组的每一个问题及每一个答案进行文本内容的向量运算,得到每一个问题的向量值及每一个答案的向量值;
二级分组模块,对所述对话组的每一个问题及其对应的答案进行提取问答对,并根据所述向量值对所述对话组的每一个问题进行分组,得到问题组,使每个问题组内的问题都是相同问题或者相似问题;
平均向量统计模块,对所述问题组进行向量平均值的计算,得到每个问题组的向量平均值;
问题答案检索模块,利用主题模型对访客问题进行对话主题的分类,根据分类得到的主题类型进行判断所对应的对话组;利用文本深度表示模型对所述访客问题进行文本内容的向量运算,得到所述访客问题的向量值,并根据该向量值进行判断所对应的问题组;再根据所述的对应的问题组的向量平均值进行查找最接近该向量平均值的问题作为相似问题,得到该相似问题所属问答对中对应的答案,作为所述访客问题的答案。
所述二级分组模块中进行提取问答对,该问答对包括一个问题对应一个答案、一个问题对应多个相似答案、或者一个答案对应多个相似问题。
所述问题答案检索模块中得到所述访客问题的答案,是通过在所述问题组内查找最接近所述向量平均值的作为相似问题,并将向量值与所述相似问题所属问答对中对应的所有相同答案或者相似答案的向量平均值最接近的答案,作为所述访客问题的答案。
智能客服在回答访客问题的流程如下:
1.智能客服接收到访客的问题时,首先利用主题模型判断访客的问题属于哪个主题分类,确定后接下来的搜索运算将只在此主题分类内展开;
2.确定问题主题分类后,再利用文本深度表示模型对问题进行向量值的计算,然后将计算后的结果与该问题主题分类下的多组问题的向量平均值进行比较,找到最为接近的一个向量值后,接下来的搜索运算将只在此问题分组中展开;
3.将访客问题的向量值与步骤2计算得到的问题组的向量平均值相比较,确定所属的问题组,再与该问题组中的问题的向量值进行比较,取向量值最接近的一个问题,作为访客问题的标准对应问题(即相似问题),然后再进行答案的检索;
4此时回答访客的问题,有两种方案:
4.1根据步骤3所确定的标准对应问题,取标准对应问题的对应答案,作为访客问题的答案;
4.2在步骤2中,除了计算每个问题组的向量平均值外,还对该问题组内相对应的答案也同样计算向量平均值。这样在回答访客的问题时,取该问题组内与答案的向量平均值最为接近的一个答案,作为访客问题的答案。
采用此方法后,系统在知识库中检索问题及答案所需的运算量和时间将大大降低,大大提高了智能客服回答问题的速度,和沟通效率。例如,假设知识库有10000条数据记录,按传统技术是直接在10000条记录中进行检索计算;而现在,采用本发明的方法和系统,假设10000条数据记录分为100个对话主题,每个主题按向量数量分为100个分组。首先确定对话主题,只需要在这100个主题中进行检索,确定主题后,再进行向量数据的比对,也只有100个分组,然后继续在该分组内的具体问题进行比对,最多只需要计算300次。相对于传统技术方法的10000次运算,则速度大大提高,对计算机硬件的要求也降低很多。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。并且,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
上述说明示出并描述了本发明的优选实施例,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种智能客服知识库的管理方法,其特征在于,包括以下步骤:
10.利用主题模型对各个对话记录进行对话主题的分类,并根据对话主题的类别将所述对话记录进行分组,得到不同主题类别的对话组;
20.利用文本深度表示模型对所述对话组的每一个问题及每一个答案进行文本内容的向量运算,得到每一个问题的向量值及每一个答案的向量值;
30.对所述对话组的每一个问题及其对应的答案进行提取问答对,并根据所述向量值对所述对话组的每一个问题进行分组,得到问题组,使每个问题组内的问题都是相同问题或者相似问题;
40.对所述问题组进行向量平均值的计算,得到每个问题组的向量平均值;
50.利用主题模型对访客问题进行对话主题的分类,根据分类得到的主题类型进行判断所对应的对话组;利用文本深度表示模型对所述访客问题进行文本内容的向量运算,得到所述访客问题的向量值,并根据该向量值进行判断所对应的问题组;再根据所述的对应的问题组的向量平均值进行查找最接近该向量平均值的问题作为相似问题,得到该相似问题所属问答对中对应的答案,作为所述访客问题的答案。
2.根据权利要求1所述的一种智能客服知识库的管理方法,其特征在于:所述的步骤10中,所述的主题模型可采用LDA模型、SVD模型或者TF-IDF模型。
3.根据权利要求1所述的一种智能客服知识库的管理方法,其特征在于:所述的步骤20中,所述的文本深度表示模型可采用Doc2vec模型或者Word2vec模型。
4.根据权利要求1所述的一种智能客服知识库的管理方法,其特征在于:所述的步骤30中,所述问答对包括一个问题对应一个答案、一个问题对应多个相似答案、或者一个答案对应多个相似问题。
5.根据权利要求4所述的一种智能客服知识库的管理方法,其特征在于:所述的步骤40中,对所述问题组进行向量平均值的计算,计算所述问题组中所有相同问题或者相似问题的向量平均值,还进一步计算得到每个问题所属问答对中对应的所有相同答案或者相似答案的向量平均值。
6.根据权利要求5所述的一种智能客服知识库的管理方法,其特征在于:所述的步骤50中,得到所述相似问题所属问答对中对应的答案,作为所述访客问题的答案,是指在所述问题组内查找最接近所述向量平均值的作为相似问题,并将向量值与所述相似问题所属问答对中对应的所有相同答案或者相似答案的向量平均值最接近的答案,作为所述访客问题的答案。
7.一种智能客服知识库的管理系统,其特征在于,包括:
一级分组模块,利用主题模型对各个对话记录进行对话主题的分类,并根据对话主题的类别将所述对话记录进行分组,得到不同主题类别的对话组;
向量运算模块,利用文本深度表示模型对所述对话组的每一个问题及每一个答案进行文本内容的向量运算,得到每一个问题的向量值及每一个答案的向量值;
二级分组模块,对所述对话组的每一个问题及其对应的答案进行提取问答对,并根据所述向量值对所述对话组的每一个问题进行分组,得到问题组,使每个问题组内的问题都是相同问题或者相似问题;
平均向量统计模块,对所述问题组进行向量平均值的计算,得到每个问题组的向量平均值;
问题答案检索模块,利用主题模型对访客问题进行对话主题的分类,根据分类得到的主题类型进行判断所对应的对话组;利用文本深度表示模型对所述访客问题进行文本内容的向量运算,得到所述访客问题的向量值,并根据该向量值进行判断所对应的问题组;再根据所述的对应的问题组的向量平均值进行查找最接近该向量平均值的问题作为相似问题,得到该相似问题所属问答对中对应的答案,作为所述访客问题的答案。
8.根据权利要求7所述的一种智能客服知识库的管理系统,其特征在于:所述二级分组模块中进行提取问答对,该问答对包括一个问题对应一个答案、一个问题对应多个相似答案、或者一个答案对应多个相似问题。
9.根据权利要求8所述的一种智能客服知识库的管理系统,其特征在于:所述问题答案检索模块中得到所述访客问题的答案,是通过在所述问题组内查找最接近所述向量平均值的作为相似问题,并将向量值与所述相似问题所属问答对中对应的所有相同答案或者相似答案的向量平均值最接近的答案,作为所述访客问题的答案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610927667.5A CN106570708B (zh) | 2016-10-31 | 2016-10-31 | 一种智能客服知识库的管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610927667.5A CN106570708B (zh) | 2016-10-31 | 2016-10-31 | 一种智能客服知识库的管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106570708A true CN106570708A (zh) | 2017-04-19 |
CN106570708B CN106570708B (zh) | 2020-09-11 |
Family
ID=60414349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610927667.5A Active CN106570708B (zh) | 2016-10-31 | 2016-10-31 | 一种智能客服知识库的管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106570708B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107329949A (zh) * | 2017-05-24 | 2017-11-07 | 北京捷通华声科技股份有限公司 | 一种语义匹配方法和系统 |
CN108256056A (zh) * | 2018-01-12 | 2018-07-06 | 广州杰赛科技股份有限公司 | 智能问答方法与系统 |
CN108509617A (zh) * | 2018-04-04 | 2018-09-07 | 上海智臻智能网络科技股份有限公司 | 知识库构建、基于知识库的智能问答方法及装置、存储介质、终端 |
CN108710613A (zh) * | 2018-05-22 | 2018-10-26 | 平安科技(深圳)有限公司 | 文本相似度的获取方法、终端设备及介质 |
CN108763199A (zh) * | 2018-05-14 | 2018-11-06 | 浙江口碑网络技术有限公司 | 文本反馈信息的排查方法及装置 |
CN108804456A (zh) * | 2017-04-28 | 2018-11-13 | 微软技术许可有限责任公司 | 基于特定于对象的知识库的聊天会话 |
CN108920603A (zh) * | 2018-06-28 | 2018-11-30 | 厦门快商通信息技术有限公司 | 一种基于客服机器模型的客服引导方法 |
CN109086303A (zh) * | 2018-06-21 | 2018-12-25 | 深圳壹账通智能科技有限公司 | 基于机器阅读理解的智能对话方法、装置、终端 |
CN109408619A (zh) * | 2018-10-10 | 2019-03-01 | 桂林电子科技大学 | 一种面向问答领域动态计算问句与答案相似性的方法 |
CN109460448A (zh) * | 2018-08-31 | 2019-03-12 | 厦门快商通信息技术有限公司 | 一种可自主配置的faq服务框架 |
CN109933658A (zh) * | 2019-03-21 | 2019-06-25 | 中国联合网络通信集团有限公司 | 客服通话分析方法及装置 |
CN109947909A (zh) * | 2018-06-19 | 2019-06-28 | 平安科技(深圳)有限公司 | 智能客服应答方法、设备、存储介质及装置 |
CN110209763A (zh) * | 2018-02-12 | 2019-09-06 | 北京京东尚科信息技术有限公司 | 数据处理方法、装置以及计算机可读存储介质 |
CN110377721A (zh) * | 2019-07-26 | 2019-10-25 | 京东方科技集团股份有限公司 | 自动问答方法、装置、存储介质及电子设备 |
CN110391917A (zh) * | 2018-04-23 | 2019-10-29 | 广东亿迅科技有限公司 | 基于群组方式的客服平台多用户同时服务方法及装置 |
CN111046151A (zh) * | 2018-10-15 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种消息处理方法及装置 |
CN111177350A (zh) * | 2019-12-20 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 智能语音机器人的话术形成方法、装置和系统 |
CN111177343A (zh) * | 2019-12-17 | 2020-05-19 | 厦门快商通科技股份有限公司 | 一种自动构造医美问诊引导逻辑的方法及系统 |
CN111625632A (zh) * | 2020-04-17 | 2020-09-04 | 北京捷通华声科技股份有限公司 | 一种问答对推荐方法、装置、设备及存储介质 |
CN111737435A (zh) * | 2020-06-24 | 2020-10-02 | 全球能源互联网研究院有限公司 | 问答故障诊断的辅助决策模型构建、决策方法及系统 |
CN112905785A (zh) * | 2021-02-05 | 2021-06-04 | 杭州微洱网络科技有限公司 | 基于电商对话语料的问答知识库构建方法 |
WO2021159668A1 (zh) * | 2020-02-14 | 2021-08-19 | 深圳壹账通智能科技有限公司 | 机器人对话方法、装置、计算机设备和存储介质 |
CN113963234A (zh) * | 2021-10-25 | 2022-01-21 | 北京百度网讯科技有限公司 | 数据标注处理方法、装置、电子设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309963A (zh) * | 2013-06-03 | 2013-09-18 | 苏州阔地网络科技有限公司 | 一种智能客服的处理方法及系统 |
CN104636456A (zh) * | 2015-02-03 | 2015-05-20 | 大连理工大学 | 一种基于词向量的问题路由方法 |
US20160306684A1 (en) * | 2015-04-15 | 2016-10-20 | International Business Machines Corporation | Automated transfer of user data between applications utilizing different interaction modes |
-
2016
- 2016-10-31 CN CN201610927667.5A patent/CN106570708B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309963A (zh) * | 2013-06-03 | 2013-09-18 | 苏州阔地网络科技有限公司 | 一种智能客服的处理方法及系统 |
CN104636456A (zh) * | 2015-02-03 | 2015-05-20 | 大连理工大学 | 一种基于词向量的问题路由方法 |
US20160306684A1 (en) * | 2015-04-15 | 2016-10-20 | International Business Machines Corporation | Automated transfer of user data between applications utilizing different interaction modes |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804456B (zh) * | 2017-04-28 | 2023-04-18 | 微软技术许可有限责任公司 | 基于特定于对象的知识库的聊天会话 |
CN108804456A (zh) * | 2017-04-28 | 2018-11-13 | 微软技术许可有限责任公司 | 基于特定于对象的知识库的聊天会话 |
CN107329949A (zh) * | 2017-05-24 | 2017-11-07 | 北京捷通华声科技股份有限公司 | 一种语义匹配方法和系统 |
CN108256056A (zh) * | 2018-01-12 | 2018-07-06 | 广州杰赛科技股份有限公司 | 智能问答方法与系统 |
CN110209763A (zh) * | 2018-02-12 | 2019-09-06 | 北京京东尚科信息技术有限公司 | 数据处理方法、装置以及计算机可读存储介质 |
CN108509617A (zh) * | 2018-04-04 | 2018-09-07 | 上海智臻智能网络科技股份有限公司 | 知识库构建、基于知识库的智能问答方法及装置、存储介质、终端 |
CN110391917A (zh) * | 2018-04-23 | 2019-10-29 | 广东亿迅科技有限公司 | 基于群组方式的客服平台多用户同时服务方法及装置 |
CN108763199A (zh) * | 2018-05-14 | 2018-11-06 | 浙江口碑网络技术有限公司 | 文本反馈信息的排查方法及装置 |
CN108710613B (zh) * | 2018-05-22 | 2022-04-08 | 平安科技(深圳)有限公司 | 文本相似度的获取方法、终端设备及介质 |
CN108710613A (zh) * | 2018-05-22 | 2018-10-26 | 平安科技(深圳)有限公司 | 文本相似度的获取方法、终端设备及介质 |
CN109947909B (zh) * | 2018-06-19 | 2024-03-12 | 平安科技(深圳)有限公司 | 智能客服应答方法、设备、存储介质及装置 |
CN109947909A (zh) * | 2018-06-19 | 2019-06-28 | 平安科技(深圳)有限公司 | 智能客服应答方法、设备、存储介质及装置 |
WO2019242090A1 (zh) * | 2018-06-19 | 2019-12-26 | 平安科技(深圳)有限公司 | 智能客服应答方法、设备、存储介质及装置 |
CN109086303A (zh) * | 2018-06-21 | 2018-12-25 | 深圳壹账通智能科技有限公司 | 基于机器阅读理解的智能对话方法、装置、终端 |
CN108920603A (zh) * | 2018-06-28 | 2018-11-30 | 厦门快商通信息技术有限公司 | 一种基于客服机器模型的客服引导方法 |
CN108920603B (zh) * | 2018-06-28 | 2021-12-21 | 厦门快商通信息技术有限公司 | 一种基于客服机器模型的客服引导方法 |
CN109460448A (zh) * | 2018-08-31 | 2019-03-12 | 厦门快商通信息技术有限公司 | 一种可自主配置的faq服务框架 |
CN109408619B (zh) * | 2018-10-10 | 2021-09-07 | 桂林电子科技大学 | 一种面向问答领域动态计算问句与答案相似性的方法 |
CN109408619A (zh) * | 2018-10-10 | 2019-03-01 | 桂林电子科技大学 | 一种面向问答领域动态计算问句与答案相似性的方法 |
CN111046151A (zh) * | 2018-10-15 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种消息处理方法及装置 |
CN109933658A (zh) * | 2019-03-21 | 2019-06-25 | 中国联合网络通信集团有限公司 | 客服通话分析方法及装置 |
CN109933658B (zh) * | 2019-03-21 | 2021-05-11 | 中国联合网络通信集团有限公司 | 客服通话分析方法及装置 |
CN110377721A (zh) * | 2019-07-26 | 2019-10-25 | 京东方科技集团股份有限公司 | 自动问答方法、装置、存储介质及电子设备 |
US11475068B2 (en) | 2019-07-26 | 2022-10-18 | Beijing Boe Technology Development Co., Ltd. | Automatic question answering method and apparatus, storage medium and server |
CN111177343A (zh) * | 2019-12-17 | 2020-05-19 | 厦门快商通科技股份有限公司 | 一种自动构造医美问诊引导逻辑的方法及系统 |
CN111177350A (zh) * | 2019-12-20 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 智能语音机器人的话术形成方法、装置和系统 |
WO2021159668A1 (zh) * | 2020-02-14 | 2021-08-19 | 深圳壹账通智能科技有限公司 | 机器人对话方法、装置、计算机设备和存储介质 |
CN111625632A (zh) * | 2020-04-17 | 2020-09-04 | 北京捷通华声科技股份有限公司 | 一种问答对推荐方法、装置、设备及存储介质 |
CN111737435A (zh) * | 2020-06-24 | 2020-10-02 | 全球能源互联网研究院有限公司 | 问答故障诊断的辅助决策模型构建、决策方法及系统 |
CN112905785A (zh) * | 2021-02-05 | 2021-06-04 | 杭州微洱网络科技有限公司 | 基于电商对话语料的问答知识库构建方法 |
CN113963234A (zh) * | 2021-10-25 | 2022-01-21 | 北京百度网讯科技有限公司 | 数据标注处理方法、装置、电子设备和介质 |
CN113963234B (zh) * | 2021-10-25 | 2024-02-23 | 北京百度网讯科技有限公司 | 数据标注处理方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106570708B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570708A (zh) | 一种智能客服知识库的管理方法及系统 | |
US11645317B2 (en) | Recommending topic clusters for unstructured text documents | |
CN106844658B (zh) | 一种中文文本知识图谱自动构建方法及系统 | |
Silver et al. | Using software in qualitative research: A step-by-step guide | |
US20150074112A1 (en) | Multimedia Question Answering System and Method | |
CA2773194C (en) | Displaying relationships between electronically stored information to provide classification suggestions via inclusion | |
US7971150B2 (en) | Document categorisation system | |
CN107608960B (zh) | 一种命名实体链接的方法和装置 | |
CN111190997A (zh) | 一种使用神经网络和机器学习排序算法的问答系统实现方法 | |
CN112632228A (zh) | 一种基于文本挖掘的辅助评标方法及系统 | |
CN110750995B (zh) | 一种基于自定义图谱的文件管理方法 | |
Benavent et al. | Multimedia information retrieval based on late semantic fusion approaches: Experiments on a wikipedia image collection | |
CN109359201A (zh) | 多媒体教学资源的编码、存储方法及其设备 | |
García-Floriano et al. | Social web content enhancement in a distance learning environment: intelligent metadata generation for resources | |
JP4931114B2 (ja) | データ表示装置、データ表示方法及びデータ表示プログラム | |
Premalatha et al. | Text processing in information retrieval system using vector space model | |
Mustafa et al. | Optimizing document classification: Unleashing the power of genetic algorithms | |
CN109446520A (zh) | 用于构建知识库的数据聚类方法及装置 | |
CN116049376B (zh) | 一种信创知识检索回复的方法、装置和系统 | |
CN116882414A (zh) | 基于大规模语言模型的评语自动生成方法及相关装置 | |
CN116257618A (zh) | 一种基于细粒度情感分析的多源智能旅游推荐方法 | |
Ksibi et al. | Semi-automatic soft collaborative annotation for semantic video indexing | |
CN112579666A (zh) | 智能问答系统和方法及相关设备 | |
Mahyoub et al. | Hierarchical text clustering and categorisation using a semi-supervised framework | |
CN100378713C (zh) | 为对象分类的自动确定显著特点的方法和装置 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A management method and system of intelligent customer service knowledge base Effective date of registration: 20221202 Granted publication date: 20200911 Pledgee: Industrial Bank Limited by Share Ltd. Xiamen branch Pledgor: XIAMEN KUAISHANGTONG TECH. Corp.,Ltd. Registration number: Y2022980024751 |