CN108319720A - 基于人工智能的人机交互方法、装置及计算机设备 - Google Patents

Abstract

本发明提出一种基于人工智能的人机交互方法、装置及计算机设备，其中，方法包括：获取目标用户的用户特征集；针对问题库中的每个问题，提取问题的问题特征集；根据用户特征集和问题特征集，对目标用户对问题的感兴趣程度进行预测，得到预测概率；根据每个问题的预测概率，从问题库中选取推送问题推送给目标用户。由此，根据用户特征集和问题特征集，对用户对问题的感兴趣程度进行预测，进而将用户感兴趣的问题进行推送，使得推送的问题更符合用户需求，实现了个性化的问题推送。

Description

基于人工智能的人机交互方法、装置及计算机设备

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的人机交互方法、装置及计算机设备。

背景技术

人工智能(Artificial Intelligence，简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语音识别、图像识别、自然语言处理和专家系统等。

目前，很多应用程序(APP)或者网站会设置在线客服系统，在客服系统的问题库中会存储常见的问题及其对应的答案。在用户输入问题之前，系统会从问题库中选取几个问题及其对应的答案，主动推荐给用户。

相关技术中，主要是通过人工根据经验，为在线客服系统配置一些常见问题，当用户进入到在线客服系统中时，将常见问题推荐给用户。人工配置的常见问题，往往在一定时间内是固定的不变的。实际应用中，不同的用户对问题的需求往往是不同，通过人工配置的常规问题与用户对问题的实际需求的匹配度普遍不高，缺乏针对用户的个性化推荐。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种基于人工智能的人机交互方法，以实现根据用户特征集和问题特征集，预测目标用户对问题的感兴趣程度，进而将目标用户感兴趣的问题推送给目标用户，实现了对不同用户进行个性化问题推送的目的，使得推送给用户的问题更符合用户的实际需求。

本发明的第二个目的在于提出一种基于人工智能的人机交互装置。

本发明的第三个目的在于提出一种计算机设备。

本发明的第四个目的在于提出一种计算机程序产品。

本发明的第五个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本发明第一方面实施例提出了一种基于人工智能的人机交互方法，包括：

获取目标用户的用户特征集；

针对问题库中的每个问题，提取所述问题的问题特征集；

根据所述用户特征集和所述问题特征集，对所述目标用户对所述问题的感兴趣程度进行预测，得到预测概率；

根据每个问题的预测概率，从所述问题库中选取推送问题推送给所述目标用户。

本发明实施例的基于人工智能的人机交互方法，通过获取目标用户的用户特征集，进而针对问题库中的每个问题，提取问题的问题特征集，进一步根据用户特征集和问题特征集，对目标用户对问题的感兴趣程度进行预测，得到预测概率，最后根据每个问题的预测概率，从问题库中选取推送问题推送给目标用户。本实施例中，根据用户特征集和问题特征集，预测目标用户对问题的感兴趣程度，进而将目标用户感兴趣的问题推送给目标用户，实现了针对不同用户进行个性化问题推送的目的，使得推送给用户的问题更符合用户的实际需求。并且，对用户特征集和问题特征集进行获取的抽取逻辑一致，模型结构一致，通用性强。

另外，根据本发明上述实施例的基于人工智能的人机交互方法还可以具有如下附加技术特征：

可选地，所述获取目标用户的用户特征集，包括：根据所述目标用户的标识信息，从第一数据库中获取所述目标用户的业务特征；采集所述目标用户进入人机交互界面前预设时长内的网络行为特征；根据所述目标用户的标识信息，从第二数据库中获取所述目标用户的个人信息，从所述个人信息中提取所述目标用户的身份特征；将所述业务特征、网络行为特征和所述身份特征进行拼接，形成所述目标用户的用户特征集。

可选地，所述提取所述问题的问题特征集，包括：根据所述问题的问题标识，确定所述问题的类型标识；对所述问题的文本进行分词，得到第一分词结果；对所述问题对应的答案文本进行分词，得到第二分词结果；利用所述问题标识、所述类型标识、所述第一分词结果和所述第二分词结果，形成所述问题的问题特征集。

可选地，所述根据所述用户特征集和所述问题特征集，对所述目标用户对所述问题的感兴趣程度进行预测，得到预测概率，包括：将所述用户特征集和所述问题特征集，输入到问题预测模型中进行预测，得到所述问题的预测概率。

可选地，所述获取目标用户的用户特征集之前，还包括：从人机交互的历史对话中，提取历史用户感兴趣的第一问题，针对每个第一问题，获取所述历史用户的第一用户特征集和所述第一问题的第一问题特征集；利用每个第一问题的所述第一用户特征集和所述第一问题特征集，形成用于训练的正样本数据；从所述问题库中随机选取除所述第一问题之外的第二问题，获取每个第二问题的第二问题特征集；将每个第二问题与每个第一用户特征集进行匹配；利用每个第二问题对应的所述第一用户特征集和所述第二问题特征集，形成用于训练的负样本数据；利用所述正样本数据和所述负样本数据，训练得到所述问题预测模型。

可选地，所述从人机交互的历史对话中，提取历史用户感兴趣的第一问题之前，还包括：对所有历史用户的用户特征进行提取；获取所有历史用户的每个用户特征的出现频次；根据所述出现频次，从所有历史用户的所有用户特征中，选取部分用户特征构建用户特征词典。

可选地，所述获取所述历史用户的第一用户特征集，包括：将所述第一用户特征集中的每个用户特征，与所述用户特征词典中的每个用户特征进行匹配，从所述第一用户特征集中去除未存在于所述用户特征词典中的用户特征。

可选地，所述获取目标用户的用户特征集，包括：将所述用户特征集中的每个用户特征，在所述用户特征词典中进行匹配，从所述用户特征集去除未存在于所述用户特征词典中的用户特征。

可选地，所述的方法，还包括：每个用户特征以键值组合的形式表示。

为达上述目的，本发明第二方面实施例提出了一种基于人工智能的人机交互装置，包括：

获取模块，用于获取目标用户的用户特征集；

提取模块，用于针对问题库中的每个问题，提取所述问题的问题特征集；

预测模块，用于根据所述用户特征集和所述问题特征集，对所述目标用户对所述问题的感兴趣程度进行预测，得到预测概率；

推送模块，同于根据每个问题的预测概率，从所述问题库中选取推送问题推送给所述目标用户。

本发明实施例的基于人工智能的人机交互装置，通过获取目标用户的用户特征集，进而针对问题库中的每个问题，提取问题的问题特征集，进一步根据用户特征集和问题特征集，对目标用户对问题的感兴趣程度进行预测，得到预测概率，最后根据每个问题的预测概率，从问题库中选取推送问题推送给目标用户。本实施例中，根据用户特征集和问题特征集，预测目标用户对问题的感兴趣程度，进而将目标用户感兴趣的问题推送给目标用户，实现了针对不同用户进行个性化问题推送的目的，使得推送给用户的问题更符合用户的实际需求。

为达上述目的，本发明第三方面实施例提出了一种计算机设备，包括处理器和存储器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如第一方面实施例所述的基于人工智能的人机交互方法。

为达上述目的，本发明第四方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时实现如第一方面实施例所述的基于人工智能的人机交互方法。

为达上述目的，本发明第五方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的基于人工智能的人机交互方法。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例所提供的一种基于人工智能的人机交互方法的流程示意图；

图2为本发明实施例所提供的另一种基于人工智能的人机交互方法的流程示意图；

图3为本发明实施例所提供的又一种基于人工智能的人机交互方法的流程示意图；

图4为本发明实施例所提供的再一种基于人工智能的人机交互方法的流程示意图；

图5为本发明实施例所提供的一种问题预测实际应用流程示意图；

图6a为本发明实施例所提供的一种用户原始特征示意图；

图6b为本发明实施例所提供的一种特征转换示意图；

图7a-图7d为本发明实施例所提供的不同形式的历史对话数据的应用示意图；

图8为本发明实施例所提供的一种模型结构示意图；

图9为本发明实施例所提供的一种问题预测模型训练流程示意图；

图10为本发明实施例所提供的一种基于人工智能的人机交互装置的结构示意图；

图11为本发明实施例所提供的另一种基于人工智能的人机交互装置的结构示意图；

图12示出了适于用来实现本申请实施方式的示例性计算机设备的框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的基于人工智能的人机交互方法、装置及计算机设备、程序产品及存储介质。

图1为本发明实施例所提供的一种基于人工智能的人机交互方法的流程示意图，如图1所示，该基于人工智能的人机交互方法包括：

步骤101，获取目标用户的用户特征集。

其中，用户特征集包括但不限于用户业务状态、用户行为、身份信息等用户特征，例如借贷相关的APP中用户的用户特征集可以包括户龄、是否有借款、用户点击行为、性别、年龄等。作为一种可能的实现方式，用户业务状态、身份信息可以存储于相应的数据库中，并通过关系映射表建立用户账号与用户业务状态以及身份信息的对应关系，在目标用户登录账号之后，通过查询关系映射表获取目标用户账号对应的用户业务状态和身份信息；可以在APP或者网址中进行埋点，在目标用户进入APP或者网站后，通过埋点统计出目标用户的点击和浏览等用户行为。

作为一种示例，可以采集样本用户的用户业务状态、用户行为、身份信息，形成训练数据，利用训练数据对机器学习模型进行训练，得到一个可以提取用户特征集的机器学习模型。在获取到目标用户的用户业务状态、用户行为和身份信息等数据后，输入到训练好的机器学习模型对目标用户的进行用户特征集的提取，从而获得目标用户的用户特征集。

本实施例中，在构建机器学习模型时，可以对用户采用通用手段建模，例如，对不同类型的APP或者网站采用统一的技术对用户建模。由此，通过通用手段建模得到的用户特征集可以适用于不同类型的APP或者网站，通用性强，降低了成本。

可以理解，具有不同用户特征集的用户感兴趣的问题往往也是不同的，而具有相同用户特征的用户感兴趣的问题存在相似性，为了实现个性化问题推送，本实施例中，在目标用户进入APP或网站的客服系统时，需要获取目标用户的用户特征集，具体地，就是通过采集目标用户的用户业务状态、用户行为、身份信息等用户特征，通过训练好的机器学习模型，得到用户特征集，以便于进一步根据用户特征集预测目标用户对不同问题感兴趣的概率，从而实现个性化的问题推送。

步骤102，针对问题库中的每个问题，提取问题的问题特征集。

其中，问题特征集包括但不限于问题标识、类型标识、问题文本的分词结果和问题答案文本的分词结果等问题特征。

作为一种示例，可以采集样本问题，对样本问题进行打标签，将样本问题和打的标签作为训练数据，利用训练数据对机器学习模型进行训练，得到一个可以提取问题特征集的机器学习模型。针对问题库中的问题，可以将问题输入到训练好的机器学习模型，对问题的问题特征集进行提取，从而得到每个问题的问题特征集。

可以理解，问题库中的每个问题都有一个对应的问题特征集，作为一种可能的实现方式，可以通过关系映射表实现问题与问题特征集之间的对应关系，例如可以通过问题的问题标识，将问题与问题特征集关联起来。

步骤103，根据用户特征集和问题特征集，对目标用户对问题的感兴趣程度进行预测，得到预测概率。

在本发明的一个实施例中，在获得用户特征集与问题特征集之后，可以通过问题预测模型，预测目标用户对问题的感兴趣程度，问题预测模型可以输出预测概率。可以理解的是，预测概率越高，目标用户对该问题越感兴趣。

其中，问题预测模型可以为深度学习模型，例如词袋模型(Bag-of-words model，简称BOW)等。

本实施例中，需要预先对问题预测模型进行训练，具体地，可以从历史对话中提取历史用户感兴趣的问题，获取历史用户感兴趣的问题的问题特征集和历史用户的用户特征集作为正样本。进一步地，将问题库中未被用户访问或者推荐过的问题作为历史用户不感兴趣的问题，可以从问题库中抽取出历史用户不感兴趣的问题，然后获取不感兴趣的问题的问题特征集。由于不感兴趣的问题无法采集历史用户的用户特征集，所以为了能够形成训练样本，可以为不感兴趣的问题，设置相应的用户特征集，本实施例中，可以将从正样本中选取部分用户特征集，作为不感兴趣的问题对应的用户特征集，然后形成负样本。在获取到正负样本后，可以利用正负样本对构建的问题预测模型进行训练。

本实施例中，由于问题预测模型是事先训练好的，因此，在获取到目标用户的用户特征集和问题库中的问题特征集后，将用户特征集和问题特征集输入到问题预测模型中，就可以得到的预测概率，通过该预测概率可以反映出用户对问题的感兴趣程度。

具体地，如图5所示，将目标用户的用户特征集和每个问题的问题特征集输入到预先训练好的问题预测模型中，进而对于每个问题计算目标用户感兴趣的概率。

在本发明的一个实施例中，可以预先构建一个由用户特征集和问题特征集作为输入的预测函数，在获取到用户特征集和问题特征集之后，可以输入到预测函数，通过该预测函数输出预测概率，通过该预测概率表征出目标用户对问题的感兴趣程度。

步骤104，根据每个问题的预测概率，从问题库中选取推送问题推送给目标用户。

在本发明的一个实施例中，可以对每个问题的预测概率进行排序，进而选取排序靠前的问题，推送给目标用户。或者，将预测概率与预设的阈值进行比较，选取预测概率高出阈值的问题，作为向目标用户推送的问题。进一步地，可以限定向目标用户推送的问题的个数。本实施例中，根据用户特征集和问题特征集的匹配，能够选取用户感兴趣的问题，使得用户与推送问题的匹配度高，而且由于推送的问题更加符合用户的预期，使得用户对推送的问题更感兴趣，能够提升用户对在线客服系统的正向反馈。

综上所述，本发明实施例的基于人工智能的人机交互方法，通过获取目标用户的用户特征集，进而针对问题库中的每个问题，提取问题的问题特征集，进一步根据用户特征集和问题特征集，对目标用户对问题的感兴趣程度进行预测，得到预测概率，最后根据每个问题的预测概率，从问题库中选取推送问题推送给目标用户。本实施例中，根据用户特征集和问题特征集，预测目标用户对问题的感兴趣程度，进而将目标用户感兴趣的问题推送给目标用户，实现了针对不同用户进行个性化问题推送的目的，使得推送给用户的问题更符合用户的实际需求。

为了清楚说明上一实施例，下面对如何获取目标用户的用户特征集进行详细说明。图2为本发明实施例所提供的另一种基于人工智能的人机交互方法的流程示意图，如图2所示，该方法包括：

步骤201，根据目标用户的标识信息，从第一数据库中获取目标用户的业务特征。

其中，标识信息可以为用户的账号，第一数据库用于存储用户的业务特征。目标用户可以通过账号登录的方式进入APP或网站，在检测到目标用户账号登录之后，从第一数据库中获取目标用户的业务特征。作为一种可能的实现方式，可以通过查询目标用户账号与业务特征之间映射关系表，以获取目标用户的业务特征。

通过用户的业务特征可以反映出用户对业务的喜欢。比如，在借贷相关的APP或者网站中，用户的业务特征可以是户龄、是否有贷款、借款时间、还款时间等，通过业务特征可以反映出有贷款的用户可能对贷款业务更感兴趣。

步骤202，采集目标用户进入人机交互界面前预设时长内的网络行为特征。

其中，预设时长可以根据需要进行设置，例如可以设置为10分钟。

在本发明的一个实施例中，可以在APP或者网址中进行埋点，通过预先设置的埋点，获取目标用户的网络行为特征。例如，在目标用户进入APP或者网站后，通过埋点统计出目标用户的点击和浏览行为，进而从中筛选出目标用户进入客服前10分钟内的所有点击和浏览行为作为目标用户的网络行为特征。

步骤203，根据目标用户的标识信息，从第二数据库中获取目标用户的个人信息，从个人信息中提取目标用户的身份特征。

其中，第二数据库用于存储用户的个人信息。在目标用户通过账号登录之后，从第二数据库中获取目标用户的个人信息，进而根据个人信息提取出目标用户的身份特征。例如，可以通过用户所填的性别、年龄、身份证号以及互联网协议地址(Internet ProtocolAddress，简称IP地址)等个人信息，数据挖掘出用户的性别、年龄、地域等作为身份特征。

作为一种可能的实现方式，可以通过查询目标用户账号与个人信息之间映射关系表，以获取目标用户的个人信息。

步骤204，将业务特征、网络行为特征和身份特征进行拼接，形成目标用户的用户特征集。

在本发明的一个实施例中，每个用户特征以键值(Key-Value)组合的形式表示，比如，键(Key)为数字类型的用户特征，该用户特征的对应的值(Value)为统计出来的区间分段；Key为时间类型的用户特征，则该用户特征对应的Value为该用户特征对应的时间与系统时间以及其他的时间特征的比较结果；Key为字符串类型的用户特征，则将用户特征对应的字符串直接作为Value；通过行为埋点获得的用户特征，直接以埋点的标识(名称)作为Value，进一步地，可以对埋点获得的用户特征按照时间进行过滤。

进而，通过键值拼接的方式，将业务特征、网络行为特征和身份特征进行拼接，形成用户特征集。图6a是用户原始特征示意图，图6b是用户特征转换示意图，经过用户特征转换后，同一用户特征采用统一的数据格式进行表示，可以避免同一用户特征的不同形式的表示，从而能够实现根据业务特征、网络行为特征和身份特征等用户特征对用户建模。

综上所述，本发明实施例的基于人工智能的人机交互方法，将业务特征、网络行为特征和身份特征进行拼接，形成目标用户的用户特征集，以便于进一步输入问题预测模型得到预测概率，进而将预测概率高的问题推送给用户，实现了个性化的问题推送。

为了更加清楚的说明上述实施例，下面对如何提取问题的问题特征集进行详细说明，图3为本发明实施例所提供的又一种基于人工智能的人机交互方法的流程示意图，如图3所示，该方法包括：

步骤301，根据问题的问题标识，确定问题的类型标识。

其中，问题标识为每个问题在问题库中具有的一个唯一的编号，该编号可以是数字、字母或者符号等的任意组合。

进而，对每个问题所属的类型进行分类，每个分类具有一个唯一的编号。

作为一种示例，对于问题A、问题B、问题C，其中问题A和B属于同一类型a，问题C属于类型b。则问题A的问题标识为0001，类型标识为a；问题B的问题标识为0002，类型标识为a；问题C的问题标识为0003，类型标识为b。

步骤302，对问题的文本进行分词，得到第一分词结果。

步骤303，对问题对应的答案文本进行分词，得到第二分词结果。

作为一种可能的实现方式，可以通过基于字符串匹配的方式进行分词，即扫描字符串，在发现字符串子串和词相同时，得到分词结果。

作为另一种可能的实现方式，可以通过基于统计以及机器学习的方式进行分词。具体地，基于人工标注的分词特征和统计特征，对文本进行建模，进而在分词阶段通过模型计算各种分词出现的概率，将概率最大的分词结果作为最终分词结果。

步骤304，利用问题标识、类型标识、第一分词结果和第二分词结果，形成问题的问题特征集。

具体地，利用问题标识、类型标识、第一分词结果和第二分词结果，获取问题的四维特征向量，将问题的四维特征向量，输入到预先建立的问题特征集提取模型中，得到问题的问题特征集。

综上所述，本发明实施例的基于人工智能的人机交互方法，利用问题标识、类型标识、第一分词结果和第二分词结果，形成问题的问题特征集，以便于进一步输入问题预测模型得到预测概率，进而将预测概率高的问题推送给用户，实现了个性化的问题推送。并且，通过对问题建模的方式获得问题特征集，可以适用于不同类型的客服，通用性强。

基于上述实施例，为了使得推送的问题更符合用户需求，实现个性化的推送，还需要对问题预测模型进行训练。图4为本发明实施例所提供的再一种基于人工智能的人机交互方法的流程示意图，如图4所示，该方法包括：

步骤401，从人机交互的历史对话中，提取历史用户感兴趣的第一问题，针对每个第一问题，获取历史用户的第一用户特征集和第一问题的第一问题特征集。

其中，人机交互的历史对话数据的形式包括但不限于：客服系统在用户输入之前推荐的问题；用户主动输入的问题；用户输入部分关键词后，系统根据联想匹配推荐给用户的问题；系统根据用户上一轮的问题，推荐给用户的相关的问题。如图7a-图7d所示，历史对话数据可以有多种形式，通过将不同形式的历史对话数据汇总，进而提取出历史用户感兴趣的第一问题。

本实施例中，可以将一段时间内(例如一个月)的历史对话数据作为模型的训练数据，进而提取出历史用户感兴趣的第一问题。例如，可以将历史用户点击或者输入的问题作为用户感兴趣的第一问题。

需要说明的是，针对每个第一问题，可能会存在有多个历史用户对该问题感兴趣的情况，因此可以对所有对该问题感兴趣的历史用户的用户特征集进行统计筛选，将相同用户特征集中数量最多的作为第一用户特征集。其中，每个第一问题对应一个第一用户特征集。

步骤402，利用每个第一问题的第一用户特征集和第一问题特征集，形成用于训练的正样本数据。

步骤403，从问题库中随机选取除第一问题之外的第二问题，获取每个第二问题的第二问题特征集。

本实施例中，可以将问题库中历史用户感兴趣的问题作为第一问题，将其他问题作为历史用户不感兴趣的第二问题。

步骤404，将每个第二问题与每个第一用户特征集进行匹配。

由于历史用户对第二问题不感兴趣，因此无法采集历史用户的用户特征集，为了能够形成对问题进行分类的模型，不仅需要第一问题形成的正样本数据，还需要第二问题形成的负样本数据。本实施例中，从正样本数据中选取部分用户特征集，作为不感兴趣的第二问题对应的用户特征集，然后形成负样本数据。在获取到正负样本数据后，可以利用正负样本数据对构建的问题预测模型进行训练。

在本发明的一个实施例中，在选取出部分或者全部第一用户特征集后，可以通过随机匹配的方式将每个第二问题与第一用户特征集进行匹配。

需要说明的是，正样本和负样本会存在一定的比例，因此，可以按照该比例，从正样本数据中选取部分第一用户特征集。当第二问题的数量超出第一问题的数量时，可以多个第二问题同时对应一个第一用户特征集。例如，对于第一用户特征集A、B，第二问题a、b、c，可以将A与a进行匹配，B与b进行匹配，A与c进行匹配。

步骤405，利用每个第二问题对应的第一用户特征集和第二问题特征集，形成用于训练的负样本数据。

步骤406，利用正样本数据和负样本数据，训练得到问题预测模型。

在本发明的一个实施例中，可以采用深度学习中的BOW模型进行训练，模型结构示意图如图8所示。

具体地，训练的目标是判断用户对问题是否感兴趣，可以采用0/1分类的训练方式进行训练，0为不感兴趣。1为感兴趣。缺失的特征用特殊的id代替。对于每个特征id，通过映射(Embedding)层，转换为d维向量，然后对于不同的特征经过不同的全连接(FullConnect，简称FC)层，得到新的向量后，把所有的特征相加(每个类别的特征可以有多个)，得到问题特征与用户特征的整体表示。对这个问题特征与用户特征再各自做一次FC层变化，进而将连接后的问题特征与用户特征的整体表示，做0/1分类。其中，模型各层的参数可以通过BP算法进行更新。

在本发明的一个实施例中，还可以采用其他的机器学习模型代替BOW模型，可以采用文档对方法(Pairwise)，文档列表方法(Listwise)等的手段代替0/1分类的训练方式，此处不做限制。

下面结合具体应用对问题预测模型训练进行说明：

图9为本发明实施例所提供的一种问题预测模型训练流程示意图，如图9所示，通过历史对话数据提取历史用户感兴趣的问题作为第一问题，将问题库中其他问题作为历史用户不感兴趣的第二问题，对于每个第一问题，从问题库中获取第一问题对应的第一问题特征集，并根据历史用户业务状态、行为埋点以及身份信息获得历史用户的第一用户特征集，进而将相应的第一问题特征集和第一用户特征集作为正样本训练数据，输入到问题预测模型中进行训练；对于每个第二问题，从问题库中获取第二问题对应的第二问题特征集，并随机匹配一个第一用户特征集，进而将相应的第二问题特征集和第一用户特征集作为负样本训练数据，输入到问题预测模型中进行训练。由此，实现了问题预测模型的训练。

基于上述实施例，在对所有的用户特征进行搜索时，会得到大量的特征，因此，还可以从中选取部分特征进行保留，以降低运算量。

具体地，可以对所有历史用户的用户特征进行提取，并获取所有历史用户的每个用户特征的出现频次，进而对出现频次进行排序，从所有历史用户的所有用户特征中，选取部分出现频次较高的用户特征构建用户特征词典。

进一步地，根据构建出的用户特征词典，可以与用户特征集中的用户特征进行匹配，并去除未存在于用户特征词典中的用户特征，以降低运算量，提高效率。

作为一种示例，在针对每个第一问题获取历史用户的第一用户特征集时，可以将第一用户特征集中的每个用户特征，与用户特征词典中的每个用户特征进行匹配，进而从第一用户特征集中去除未存在于用户特征词典中的用户特征。

作为另一种示例，在获取目标用户的用户特征集时，可以将用户特征集中的每个用户特征，与用户特征词典中的每个用户特征进行匹配，从用户特征集去除未存在于用户特征词典中的用户特征。

综上所述，本发明实施例的基于人工智能的人机交互方法，通过人机交互的历史对话数据对问题预测模型进行训练，进而在一个新的用户进入客服时，根据问题预测模型可以针对以往相似用户感兴趣的问题，进行个性化地推荐。并且，模型可以自动更新，保证推送问题的时效性；还可以筛选出部分出现频次较高的用户特征，以减少运算量，提高了效率。

为了实现上述实施例，本发明还提出一种基于人工智能的人机交互装置。图10为本发明实施例所提供的一种基于人工智能的人机交互装置的结构示意图，如图10所示，该基于人工智能的人机交互装置包括：获取模块71，提取模块72，预测模块73，推送模块74。

其中，获取模块71，用于获取目标用户的用户特征集。

提取模块72，用于针对问题库中的每个问题，提取问题的问题特征集。

预测模块73，用于根据用户特征集和问题特征集，对目标用户对问题的感兴趣程度进行预测，得到预测概率。

推送模块74，用于根据每个问题的预测概率，从问题库中选取推送问题推送给目标用户。

在图10的基础上，图11提供的基于人工智能的人机交互装置还包括：训练模块75，筛选模块76。

其中，获取模块71，具体用于：

根据所述目标用户的标识信息，从第一数据库中获取所述目标用户的业务特征；

采集所述目标用户进入人机交互界面前预设时长内的网络行为特征；

根据所述目标用户的标识信息，从第二数据库中获取所述目标用户的个人信息，从所述个人信息中提取所述目标用户的身份特征；

将所述业务特征、网络行为特征和所述身份特征进行拼接，形成所述目标用户的用户特征集。

提取模块72，具体用于：

根据所述问题的问题标识，确定所述问题的类型标识；

对所述问题的文本进行分词，得到第一分词结果；

对所述问题对应的答案文本进行分词，得到第二分词结果；

利用所述问题标识、所述类型标识、所述第一分词结果和所述第二分词结果，形成所述问题的问题特征集。

预测模块73，具体用于将所述用户特征集和所述问题特征集，输入到问题预测模型中进行预测，得到所述问题的预测概率。

训练模块75，用于：

从人机交互的历史对话中，提取历史用户感兴趣的第一问题，针对每个第一问题，获取所述历史用户的第一用户特征集和所述第一问题的第一问题特征集；

利用每个第一问题的所述第一用户特征集和所述第一问题特征集，形成用于训练的正样本数据；

从所述问题库中随机选取除所述第一问题之外的第二问题，获取每个第二问题的第二问题特征集；

将每个第二问题与每个第一用户特征集进行匹配；

利用每个第二问题对应的所述第一用户特征集和所述第二问题特征集，形成用于训练的负样本数据；

利用所述正样本数据和所述负样本数据，训练得到所述问题预测模型

筛选模块76，用于：对所有历史用户的用户特征进行提取；

获取所有历史用户的每个用户特征的出现频次；

根据所述出现频次，从所有历史用户的所有用户特征中，选取部分用户特征构建用户特征词典。

进一步地，筛选模块76，还用于将所述第一用户特征集中的每个用户特征，与所述用户特征词典中的每个用户特征进行匹配，从所述第一用户特征集中去除未存在于所述用户特征词典中的用户特征。

进一步地，筛选模块76，还用于将目标用户的用户特征集中的每个用户特征，在所述用户特征词典中进行匹配，从所述目标用户的用户特征集去除未存在于所述用户特征词典中的用户特征。

需要说明的是，前述对基于人工智能的人机交互方法实施例的解释说明也适用于该实施例的基于人工智能的人机交互装置，此处不再赘述。

综上所述，本发明实施例的基于人工智能的人机交互装置，通过获取目标用户的用户特征集，进而针对问题库中的每个问题，提取问题的问题特征集，进一步根据用户特征集和问题特征集，对目标用户对问题的感兴趣程度进行预测，得到预测概率，最后根据每个问题的预测概率，从问题库中选取推送问题推送给目标用户。本实施例中，根据用户特征集和问题特征集，预测目标用户对问题的感兴趣程度，进而将目标用户感兴趣的问题推送给目标用户，实现了针对不同用户进行个性化问题推送的目的，使得推送给用户的问题更符合用户的实际需求。并且，对用户特征集和问题特征集进行获取的抽取逻辑一致，模型结构一致，通用性强。进一步，通过人机交互的历史对话数据对问题预测模型进行训练，进而在一个新的用户进入客服时，根据问题预测模型可以针对以往相似用户感兴趣的问题，进行个性化地推荐。并且，模型可以自动更新，保证推送问题的时效性；还可以筛选出部分出现频次较高的用户特征，以减少运算量，提高了效率。

为了实现上述实施例，本发明还提出一种计算机设备，包括处理器和存储器；其中，处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现如前述任一实施例所述的基于人工智能的人机交互方法。

为了实现上述实施例，本发明还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时实现如前述任一实施例所述的基于人工智能的人机交互方法。

为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如前述任一实施例所述的基于人工智能的人机交互方法。

图12示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图12显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图12所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图12未显示，通常称为“硬盘驱动器”)。尽管图12中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local AreaNetwork；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (13)

1.一种基于人工智能的人机交互方法，其特征在于，包括：

获取目标用户的用户特征集；

针对问题库中的每个问题，提取所述问题的问题特征集；

根据所述用户特征集和所述问题特征集，对所述目标用户对所述问题的感兴趣程度进行预测，得到预测概率；

根据每个问题的预测概率，从所述问题库中选取推送问题推送给所述目标用户。

2.根据权利要求1所述的方法，其特征在于，所述获取目标用户的用户特征集，包括：

根据所述目标用户的标识信息，从第一数据库中获取所述目标用户的业务特征；

采集所述目标用户进入人机交互界面前预设时长内的网络行为特征；

根据所述目标用户的标识信息，从第二数据库中获取所述目标用户的个人信息，从所述个人信息中提取所述目标用户的身份特征；

将所述业务特征、网络行为特征和所述身份特征进行拼接，形成所述目标用户的用户特征集。

3.根据权利要求1所述的方法，其特征在于，所述提取所述问题的问题特征集，包括：

根据所述问题的问题标识，确定所述问题的类型标识；

对所述问题的文本进行分词，得到第一分词结果；

对所述问题对应的答案文本进行分词，得到第二分词结果；

利用所述问题标识、所述类型标识、所述第一分词结果和所述第二分词结果，形成所述问题的问题特征集。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述用户特征集和所述问题特征集，对所述目标用户对所述问题的感兴趣程度进行预测，得到预测概率，包括：

将所述用户特征集和所述问题特征集，输入到问题预测模型中进行预测，得到所述问题的预测概率。

5.根据权利要求4所述的方法，其特征在于，所述获取目标用户的用户特征集之前，还包括：

从人机交互的历史对话中，提取历史用户感兴趣的第一问题，针对每个第一问题，获取所述历史用户的第一用户特征集和所述第一问题的第一问题特征集；

利用每个第一问题的所述第一用户特征集和所述第一问题特征集，形成用于训练的正样本数据；

从所述问题库中随机选取除所述第一问题之外的第二问题，获取每个第二问题的第二问题特征集；

将每个第二问题与每个第一用户特征集进行匹配；

利用每个第二问题对应的所述第一用户特征集和所述第二问题特征集，形成用于训练的负样本数据；

利用所述正样本数据和所述负样本数据，训练得到所述问题预测模型。

6.根据权利要求5所述的方法，其特征在于，所述从人机交互的历史对话中，提取历史用户感兴趣的第一问题之前，还包括：

对所有历史用户的用户特征进行提取；

获取所有历史用户的每个用户特征的出现频次；

根据所述出现频次，从所有历史用户的所有用户特征中，选取部分用户特征构建用户特征词典。

7.根据权利要求6所述的方法，其特征在于，所述获取所述历史用户的第一用户特征集，包括：

将所述第一用户特征集中的每个用户特征，与所述用户特征词典中的每个用户特征进行匹配，从所述第一用户特征集中去除未存在于所述用户特征词典中的用户特征。

8.根据权利要求6所述的方法，其特征在于，所述获取目标用户的用户特征集，包括：

将所述用户特征集中的每个用户特征，在所述用户特征词典中进行匹配，从所述用户特征集去除未存在于所述用户特征词典中的用户特征。

9.根据权利要求6所述的方法，其特征在在于，每个用户特征以键值组合的形式表示。

10.一种基于人工智能的人机交互装置，其特征在于，包括：

获取模块，用于获取目标用户的用户特征集；

提取模块，用于针对问题库中的每个问题，提取所述问题的问题特征集；

预测模块，用于根据所述用户特征集和所述问题特征集，对所述目标用户对所述问题的感兴趣程度进行预测，得到预测概率；

推送模块，同于根据每个问题的预测概率，从所述问题库中选取推送问题推送给所述目标用户。

11.一种计算机设备，其特征在于，包括处理器和存储器；

其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-9中任一所述的基于人工智能的人机交互方法。

12.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令处理器执行时实现如权利要求1-9中任一所述的基于人工智能的人机交互方法。

13.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的基于人工智能的人机交互方法。