CN107330130B - 一种向人工客服推荐回复内容的对话机器人的实现方法 - Google Patents

一种向人工客服推荐回复内容的对话机器人的实现方法 Download PDF

Info

Publication number
CN107330130B
CN107330130B CN201710753876.7A CN201710753876A CN107330130B CN 107330130 B CN107330130 B CN 107330130B CN 201710753876 A CN201710753876 A CN 201710753876A CN 107330130 B CN107330130 B CN 107330130B
Authority
CN
China
Prior art keywords
vector
network model
lstm neural
customer service
tensor network
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
CN201710753876.7A
Other languages
English (en)
Other versions
CN107330130A (zh
Inventor
马晓宇
辛欣
李理
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.)
Beijing Yi Zhang Yun Feng Technology Co ltd
Original Assignee
Beijing Yi Zhang Yun Feng 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 Beijing Yi Zhang Yun Feng Technology Co ltd filed Critical Beijing Yi Zhang Yun Feng Technology Co ltd
Priority to CN201710753876.7A priority Critical patent/CN107330130B/zh
Publication of CN107330130A publication Critical patent/CN107330130A/zh
Application granted granted Critical
Publication of CN107330130B publication Critical patent/CN107330130B/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
    • G06F16/90—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
    • 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
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种向人工客服推荐回复内容的对话机器人的实现方法，包括以下步骤：步骤1、通过第一个LSTM神经张量网络模型对问题进行特征抽取，得到客户问题分词的结果，并用第一个LSTM神经张量网络模型将客户问题分词的结果编码为向量c；步骤2、通过第二个LSTM神经张量网络模型对客服答复进行特征抽取，得到客服答复分词的结果并用第二个LSTM神经张量网络模型将客服答复分词的结果编码为向量r；步骤3、获取问题所在商店的个性化特征，并编码为商家的特征向量s；步骤4、通过神经张量网络层将所述向量c、向量r与向量s通过张量进行直接交互计算；步骤5、输出客户问题对应的相似答复的筛选推荐功能选项。本发明能够智能地向人工客服推荐回复内容。

Description

一种向人工客服推荐回复内容的对话机器人的实现方法
技术领域
本发明涉及计算机网络领域，尤其涉及一种向人工客服推荐回复内容的客服对话机器人的实现方法。
背景技术
客服对话系统是一种特定领域的对话系统，目前该领域是一项比较前沿的研究内容，主要目标是实现客服自动的内容回复，同时提高解决客户问题的效率。
社区问答系统(CQA)是一种用户可以给提问者分享自己专业知识的平台，这种问答数据与客服系统有些类似，通常可以借鉴CQA中的一些解决方法。但是，客服对话系统中的答案往往是视情况而定的回答，而且不同商家销售商品的属性不同，所以客服对话系统还需要解决针对不同商家同种问题的自动回复。
另外，现有技术中的卷积神经张量网络(CNTN)模型，该模型是分别将问题和答案使用卷积网络进行特征提取，然后将问答对的特征通过一个张量层计算相似度分数，通过排序分数较高的问答对实现问题和答案的匹配。
现有卷积神经张量网络(CNTN)模型采用卷积神经网络提取句子的特征，卷积神经网络通过滤波器提取的主要是空间特征，记忆句子的整体信息，而问题中有一种递进序列关系，前面的文本描述为问题背景，而最后一个问题是核心问题，所以卷积神经网络不适合处理长依赖关系和时间序列的问题。
因此，本领域迫切需要开发一种适用性广并且能够针对所有商家的情况提供一种较准确的智能答复服务。
发明内容
本发明之目的是提供一种向人工客服推荐回复内容的对话机器人的实现方法，能够解决句子中的长短期依赖关系的记忆和时间序列输入的问题，并且能够智能地向人工客服推荐回复内容。
本发明提供一种向人工客服推荐回复内容的对话机器人的实现方法，包括以下步骤：
步骤1、通过第一个LSTM神经张量网络模型(LNTN)对问题进行特征抽取，得到客户问题分词的结果q1、q2、…、qm，并用第一个LSTM神经张量网络模型将客户问题分词的结果q1、q2、…、qm编码为向量c；
其中，qm表示客户问题的第m个词对应的向量；
步骤2、通过第二个LSTM神经张量网络模型对客服答复进行特征抽取，得到客服答复分词的结果a1、a2、…、an，并用第二个LSTM神经张量网络模型将客服答复分词的结果a1、a2、…、an编码为向量r；
其中，an表示客服答复的第n个词对应的向量；
步骤3、获取问题所在商店的个性化特征，并编码为商家的特征向量s；
步骤4、通过神经张量网络层(NTN)将所述向量c、向量r与向量s通过张量进行直接交互计算，实现特征表示与相似度匹配；
步骤5、输出客户问题对应的相似答复的筛选推荐功能选项。
优选地，所述步骤3包括：
将所有商店的数据同时用来训练神经张量网络模型进行答复内容的协同推荐，进而得出训练出的商店个性化特征，并将其编码为向量s。
优选地，所述步骤4包括：
1)、将所述qm或an作为LSTM神经张量网络模型的输入，经过LSTM神经张量网络模型的记忆单元运算，输出客户问题或客服答复的句向量，即向量c与向量r；
2)、将步骤1)中输出的向量c与向量r结合训练好的商店个性化特征向量s，通过张量进行直接交互计算问题与答复的相似性。
优选地，所述记忆单元包括输入门、遗忘门、输出门与cell单元，所述cell单元用于将当前状态与之后状态产生关联，即将cell单元信息返回至所述输入门、遗忘门与输出门中进行下一步的计算；
所述记忆单元的运算公式为：
输入门：it＝f(Wxixt+Whiht-1+Wcict-1+bi)；
遗忘门：ft＝f(Wxfxt+Whfht-1+Wcfct-1+bf)；
Cell状态：
Figure GDA0002647912560000031
Figure GDA0002647912560000032
输出门：ot＝f(Wxoxt+Whoht-1+Wcoct+bo)；
隐层状态输出：ht＝ot⊙g(ct)；
其中，xt，ht-1，ct-1是神经元的输入，即是来自前级神经元的轴突的信息A，Wxf，Whf，Wcf分别是神经元对xt，ht-1，ct-1的权系数，也即突触的传递效率；it，ft，ct，ot是神经元的输出；f()是激发函数，它决定神经元受到输入xt，ht-1，ct-1的共同刺激达到阀值时以何种方式输出。
优选地，所述隐形状态输出为LSTM神经张量网络模型的映射输出，所述LSTM神经张量网络模型的映射输出为问题或答复的句向量表示。
优选地，所述步骤3中的个性化特征包括商家的类别、商家的星级或商家的服务质量。
优选地，所述LSTM模型能用GRU模型代替。
优选地，所述步骤1中的第一个LSTM神经张量网络模型和步骤2中的第二个LSTM神经张量网络模型为相同的网络结构。
优选地，所述步骤1中的第一个LSTM神经张量网络模型为一层300个神经元的网络结构。
优选地，所述步骤2中的第二个LSTM神经张量网络模型为一层300个神经元的网络结构。
本发明的一种向人工客服推荐回复内容的对话机器人的实现方法具有如下有益效果：
1、本发明将所有商店的数据同时用来训练神经网络模型进行回复内容的协同推荐，解决了每家商店数据不足的问题。
2、本发明采用LSTM神经网络提取问题和回复的特征，解决了句子中的长短期依赖关系的记忆和时间序列输入的问题。
3、本发明的方法中没有人工制定规则和先验知识的干预，完全是自动特征提取和相似度匹配，是一个通用模型，因此形成的模型具有适用性广、通用性强的特点。
4、本发明中的将特征提取部分的LSTM模型还可以用其他的循环神经网络模型替代，例如GRU模型，也同样可以达到该模型的目标。
附图说明
下面将简要说明本申请所使用的附图，显而易见地，这些附图仅用于解释本发明的构思。
图1是本发明的一种向人工客服推荐回复内容的对话机器人的实现方法的应用场景图；
图2是本发明的一种向人工客服推荐回复内容的对话机器人的实现方法的原理示意图；
图3是本发明的一种向人工客服推荐回复内容的对话机器人的实现方法的模型示意图。
具体实施方式
在下文中，将参照附图描述本发明的一种向人工客服推荐回复内容的对话机器人的实现方法的实施例。
在此记载的实施例为本发明的特定的具体实施方式，用于说明本发明的构思，均是解释性和示例性的，不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外，本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案，这些技术方案包括对在此记载的实施例做出任何显而易见的替换和修改的技术方案。
本说明书的附图为示意图，辅助说明本发明的构思，示意性地表示各部分的相互关系。
图1是本发明的一种向人工客服推荐回复内容的对话机器人的实现方法的应用场景图，图2是本发明的一种向人工客服推荐回复内容的对话机器人的实现方法的原理示意图，图3是本发明的一种向人工客服推荐回复内容的对话机器人的实现方法的模型示意图。
如图2所示，本发明提供一种向人工客服推荐回复内容的对话机器人的实现方法，其中，包括以下步骤：
步骤1、通过第一个LSTM神经张量网络模型(LNTN)对问题进行特征抽取，得到客户问题分词的结果q1、q2、…、qm，并用第一个LSTM神经张量网络模型将客户问题分词的结果q1、q2、…、qm编码为向量c；
其中，qm表示客户问题的第m个词对应的向量；
步骤2、通过第二个LSTM神经张量网络模型对答案进行特征抽取，得到客服答复分词的结果a1、a2、…、an，并用第二个LSTM神经张量网络模型将客服答复分词的结果a1、a2、…、an编码为向量r；
其中，an表示客服答复的第n个词对应的向量；
步骤3、获取问题所在商店的个性化特征，并编码为商家的特征向量s；
步骤4、通过神经张量网络层(NTN)将所述向量c、向量r与向量s通过张量进行直接交互计算，实现特征表示与相似度匹配；
步骤5、输出客户问题对应的相似答复的筛选推荐功能选项。
如图1所示，应用本发明的向人工客服推荐回复内容的对话机器人的实现方法可以智能地出现与客户问题相对应的多个答复选项，并且还会智能提示优选答复，便于客户可以直观看到答复内容。这样设置的方法具有适用性广且通用性强的优点。
需要说明的是，本发明中主要选择Adam作为优化器进行训练LSTM模型。
本发明通过在客户问题与客服答复特征中加入了每家商店的个性化特征信息，在方法上体现在使用张量将问题特征、答案特征和问题所在商店的个性化特征进行直接交互，解决了每家商店的个性化特征表示问题，该方法能够实施运行成功并且对最终的判别结果有明显的提升效果。
在本发明的进一步实施例中，如图3所示，上述步骤3包括：将所有商店的数据同时用来训练神经张量网络模型进行答复内容的协同推荐，进而得出训练出的商店个性化特征，并将其编码为向量s。
在本发明的进一步实施例中，上述步骤4包括：
1)、将qm或an作为LSTM神经张量网络模型的输入，经过LSTM神经张量网络模型的记忆单元运算，输出客户问题或客服答复的句向量，即向量c与向量r；
2)、将步骤1)中输出的向量c与向量r结合训练好的商店个性化特征向量s，通过张量进行直接交互计算问题与答复的相似性。
在本发明的进一步实施例中，记忆单元包括输入门、遗忘门、输出门与cell单元，cell单元用于将当前状态与之后状态产生关联，即将cell单元信息返回至输入门、遗忘门与输出门中进行下一步的计算；
上述记忆单元的运算公式为：
输入门：it＝f(Wxixt+Whiht-1+Wcict-1+bi)；
遗忘门：ft＝f(Wxfxt+Whfht-1+Wcfct-1+bf)；
Cell状态：
Figure GDA0002647912560000071
Figure GDA0002647912560000072
输出门：ot＝f(Wxoxt+Whoht-1+Wcoct+bo)；
隐层状态输出：ht＝ot⊙g(ct)；
其中，xt，ht-1，ct-1是神经元的输入，即是来自前级神经元的轴突的信息A，Wxf，Whf，Wcf分别是神经元对xt，ht-1，ct-1的权系数，也即突触的传递效率；it，ft，ct，ot是神经元的输出；f()是激发函数，它决定神经元受到输入xt，ht-1，ct-1的共同刺激达到阀值时以何种方式输出，g()也是激发函数。
在本发明的进一步实施例中，隐形状态的输出为LSTM神经张量网络模型的映射输出，LSTM神经张量网络模型的映射输出为问题或答复的句向量表示。
在本发明的进一步实施例中，步骤3中的个性化特征包括商家的类别、商家的星级或商家的服务质量。
在本发明的进一步实施例中，LSTM模型能用GRU模型代替。
在本发明的进一步实施例中，步骤1中的第一个LSTM神经张量网络模型和步骤2中的第二个LSTM神经张量网络模型为相同的网络结构。优选地，本发明中将步骤1中的第一个LSTM神经张量网络模型为一层300个神经元的网络结构，本发明中将步骤2中的第二个LSTM神经张量网络模型为一层300个神经元的网络结构。也就是说，本发明是使用了不同权重的两套LSTM分别将问题和答复进行映射，最终的隐层输出即为LSTM模型的映射输出，也是问题或答复的句向量表示。
本发明中使用两个LSTM模型的隐层输出，进而本发明可以计算并排序问题与回复的相关概率：
p(s，c，r)＝f(sT(c TMd))
其中，s，c，r，M在优化时通过张量分解得到，s是每家商店的个性化特征信息表示，M是经过张量分解后的核心张量。
也就是说，本发明的LNTN模型通过两个LSTM神经网络分别对问题和答案进行特征抽取，两个LSTM神经网络的结构是相同的，且均为一层300个神经元的网络结构，然后将问题和答案句的每个词按顺序依次输入LSTM，得到问题和答案的特征向量表示，最后联合训练好的商店个性化特征通过张量进行直接交互计算相似性打分，实现了特征表示和相似度匹配，进而实现了为客户问题进行相似回复的筛选推荐功能。
以上对本发明的一种向人工客服推荐回复内容的对话机器人的实现方法的实施方式进行了说明。对于本发明的一种向人工客服推荐回复内容的对话机器人的实现方法的具体特征可以根据上述披露的特征的作用进行具体设计，这些设计均是本领域技术人员能够实现的。而且，上述披露的各技术特征并不限于已披露的与其它特征的组合，本领域技术人员还可根据本发明之目的进行各技术特征之间的其它组合，以实现本发明之目的为准。

Claims (4)

1.一种向人工客服推荐回复内容的对话机器人的实现方法，其特征在于，包括以下步骤：
步骤1、通过第一个LSTM神经张量网络模型(LNTN)对问题进行特征抽取，得到客户问题分词的结果q1、q2、…、qm，并用第一个LSTM神经张量网络模型将客户问题分词的结果q1、q2、…、qm编码为向量c；
其中，qm表示客户问题的第m个词对应的向量；
步骤2、通过第二个LSTM神经张量网络模型对客服答复进行特征抽取，得到客服答复分词的结果a1、a2、…、an，并用第二个LSTM神经张量网络模型将客服答复分词的结果a1、a2、…、an编码为向量r；
其中，an表示客服答复的第n个词对应的向量；
步骤3、获取问题所在商店的个性化特征，并编码为商家的特征向量s；
步骤4、通过神经张量网络层(NTN)将所述向量c、向量r与向量s通过张量进行直接交互计算，实现特征表示与相似度匹配；
步骤5、输出客户问题对应的相似答复的筛选推荐功能选项；
所述步骤3包括：
将所有商店的数据同时用来训练神经张量网络模型进行答复内容的协同推荐，进而得出训练出的商店个性化特征，并将其编码为向量s；
所述步骤3中的个性化特征包括商家的类别、商家的星级或商家的服务质量；
所述步骤4包括：
1)、将所述qm或an作为LSTM神经张量网络模型的输入，经过LSTM神经张量网络模型的记忆单元运算，输出客户问题或客服答复的句向量，即向量c与向量r；
2)、将步骤1)中输出的向量c与向量r结合训练好的商店个性化特征向量s，通过张量进行直接交互计算问题与答复的相似性；
所述记忆单元包括输入门、遗忘门、输出门与cell单元，所述cell单元用于将当前状态与之后状态产生关联，即将cell单元信息返回至所述输入门、遗忘门与输出门中进行下一步的计算；
所述记忆单元的运算公式为：
输入门：it＝f(Wxixt+Whibt-1+Wcict-1+bi)；
遗忘门：ft＝f(Wxfxt+Whfht-1+Wcfct-1+bf)；
Cell状态：
Figure FDA0002647912550000021
Figure FDA0002647912550000022
输出门：ot＝f(Wxoxt+Whoht-1+Wcoct+bo)；
隐层状态输出：ht＝ot⊙g(ct)；
其中，xt，ht-1，ct-1是神经元的输入，即是来自前级神经元的轴突的信息A，Wxf，Whf，Wcf分别是神经元对xt，ht-1，ct-1的权系数，也即突触的传递效率；it，ft，ct，ot是神经元的输出；f()是激发函数，它决定神经元受到输入xt，ht-1，ct-1的共同刺激达到阀值时以何种方式输出；
所述隐层 状态输出为LSTM神经张量网络模型的映射输出，所述LSTM神经张量网络模型的映射输出为问题或答复的句向量表示；
所述步骤1中的第一个LSTM神经张量网络模型和步骤2中的第二个LSTM神经张量网络模型为相同的网络结构。
2.根据权利要求1所述的一种向人工客服推荐回复内容的对话机器人的实现方法，其特征在于，所述LSTM模型能用GRU模型代替。
3.根据权利要求1所述的一种向人工客服推荐回复内容的对话机器人的实现方法，其特征在于，所述步骤1中的第一个LSTM神经张量网络模型为一层300个神经元的网络结构。
4.根据权利要求1所述的一种向人工客服推荐回复内容的对话机器人的实现方法，其特征在于，所述步骤2中的第二个LSTM神经张量网络模型为一层300个神经元的网络结构。
CN201710753876.7A 2017-08-29 2017-08-29 一种向人工客服推荐回复内容的对话机器人的实现方法 Active CN107330130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710753876.7A CN107330130B (zh) 2017-08-29 2017-08-29 一种向人工客服推荐回复内容的对话机器人的实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710753876.7A CN107330130B (zh) 2017-08-29 2017-08-29 一种向人工客服推荐回复内容的对话机器人的实现方法

Publications (2)

Publication Number Publication Date
CN107330130A CN107330130A (zh) 2017-11-07
CN107330130B true CN107330130B (zh) 2020-10-20

Family

ID=60204565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710753876.7A Active CN107330130B (zh) 2017-08-29 2017-08-29 一种向人工客服推荐回复内容的对话机器人的实现方法

Country Status (1)

Country Link
CN (1) CN107330130B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3486842A1 (en) * 2017-11-17 2019-05-22 Digital Genius Limited Template generation for a conversational agent
US10503834B2 (en) 2017-11-17 2019-12-10 Digital Genius Limited Template generation for a conversational agent
US10515155B2 (en) 2018-02-09 2019-12-24 Digital Genius Limited Conversational agent
CN108897723B (zh) * 2018-06-29 2022-08-02 北京百度网讯科技有限公司 场景对话文本识别方法、装置以及终端
CN109241268B (zh) * 2018-07-05 2020-08-18 腾讯科技（深圳）有限公司 一种相似信息推荐方法、装置、设备及存储介质
CN109145292B (zh) * 2018-07-26 2022-05-27 黑龙江工程学院 释义文本深度匹配模型构建方法与释义文本深度匹配方法
CN109033463B (zh) * 2018-08-28 2021-11-26 广东工业大学 一种基于端到端记忆网络的社区问答内容推荐方法
CN109284406B (zh) * 2018-09-03 2021-12-03 四川长虹电器股份有限公司 基于差异循环神经网络的意图识别方法
CN111309875B (zh) * 2018-12-10 2023-08-04 百度在线网络技术（北京）有限公司 问题应答的方法、装置、设备和存储介质
CN111382573A (zh) * 2018-12-12 2020-07-07 百度在线网络技术（北京）有限公司 用于答案质量评估的方法、装置、设备和存储介质
CN112308571A (zh) * 2019-07-15 2021-02-02 北京京东尚科信息技术有限公司 智能客服应答方法、装置、存储介质及电子设备
CN110543554A (zh) * 2019-08-12 2019-12-06 阿里巴巴集团控股有限公司 针对多轮对话的分类方法和装置
CN110674256B (zh) * 2019-09-25 2023-05-12 携程计算机技术（上海）有限公司 Ota酒店的点评与回复的相关度的检测方法及系统
CN113435399B (zh) * 2021-07-14 2022-04-15 电子科技大学 一种基于多层次排序学习的多轮视觉对话方法
CN115712706B (zh) * 2022-11-07 2023-09-15 贝壳找房(北京)科技有限公司 一种基于会话确定动作决策的方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106997375A (zh) * 2017-02-28 2017-08-01 浙江大学 基于深度学习的客服回复推荐方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008009197A1 (fr) * 2006-07-14 2008-01-24 Huawei Technologies Co., Ltd. Réseau par paquets et procédé permettant de réaliser ce réseau
KR20080013684A (ko) * 2006-08-09 2008-02-13 엘지전자 주식회사 Ｐｔ 서비스의 자동 응답 모드에서의 프라이버시 확보 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106997375A (zh) * 2017-02-28 2017-08-01 浙江大学 基于深度学习的客服回复推荐方法

Also Published As

Publication number Publication date
CN107330130A (zh) 2017-11-07

Similar Documents

Publication Publication Date Title
CN107330130B (zh) 一种向人工客服推荐回复内容的对话机器人的实现方法
US11631147B2 (en) Social recommendation method based on multi-feature heterogeneous graph neural networks
CN109564783A (zh) 在自动聊天中辅助心理治疗
CN111966800A (zh) 情感对话生成方法、装置及情感对话模型训练方法、装置
CN109992781B (zh) 文本特征的处理方法、装置和存储介质
CN111159368A (zh) 一种个性化对话的回复生成方法
CN106875940A (zh) 一种基于神经网络的机器自学习构建知识图谱训练方法
CN109857865B (zh) 一种文本分类方法及系统
CN110059220A (zh) 一种基于深度学习与贝叶斯概率矩阵分解的电影推荐方法
CN114153955B (zh) 一种融合闲聊和常识的多技能任务型对话系统构建方法
CN112818106B (zh) 一种生成式问答的评价方法
CN110597968A (zh) 一种回复选择方法及装置
CN108733652B (zh) 基于机器学习的影评情感倾向性分析的测试方法
CN111199149A (zh) 一种对话系统的语句智能澄清方法及系统
CN113987167A (zh) 基于依赖感知图卷积网络的方面级情感分类方法及系统
CN111324736B (zh) 人机对话模型训练方法、人机对话方法及系统
CN113761156A (zh) 人机交互对话的数据处理方法、装置、介质及电子设备
CN113420129A (zh) 一种基于大型通用预训练模型控制对话生成的方法
CN112364148A (zh) 一种基于深度学习方法的生成型聊天机器人
CN112364236A (zh) 目标对象推荐系统、方法、装置、数据处理方法及装置
CN113569017B (zh) 一种模型处理方法、装置、电子设备及存储介质
CN114154839A (zh) 一种基于在线教育平台数据的课程推荐方法
CN109727091A (zh) 基于对话机器人的产品推荐方法、装置、介质及服务器
CN113627550A (zh) 一种基于多模态融合的图文情感分析方法
CN115186071A (zh) 意图识别方法、装置、电子设备及可读存储介质

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