CN108984655A - 一种客服机器人智能客服引导方法 - Google Patents

Abstract

本发明提供了一种客服机器人智能客服引导方法，将一个领域的相关句子输入训练模型，得到相应的机器人回复；分析该领域聊天语料，根据分析得到的规则进行数据清洗，过滤无效数据，删除冗余项；以该领域的产品分类名称为标签，对每一对问答对做标注；对语料中所有问句和对应的答案做分别分词，学习每个词的语义特征；当客户端输入问句时，记录当前客户端提到的产品分类名称数据；若产品分类数据不能根据客户端数据分析得到，则主动引导客户端给出相关信息，然后通过所述网络模型得到最佳的答案。与现有技术相比，由于加入了产品名称分类以及个人信息状态记录，使得整个对话不至于跑偏，提高服务质量。

Description

一种客服机器人智能客服引导方法

技术领域

本发明涉及一种客服机器人智能客服引导方法，涉及智能客服领域。

背景技术

目前常见的智能机器人包括聊天机器人和FAQ问答系统。聊天机器人是一个用来模拟人类对话或聊天的程序，由于聊天机器人涵盖的语料领域太大，进而在与人进行互动问答的时候，经常无法做出较为精确的回答或者出现答非所问的现象；而FAQ问答系统则只是从问答对语料中找到最相近的问答对给客户返回答案，并不能获取整个会话的主题，即原有的数据覆盖不够完整的时候，很难实现对用户进行常规引导和规则引导。

发明内容

本发明提供了一种客服机器人智能客服引导方法，具有能够在数据量足够大的时候可以得出很好的效果，减少整个人机对话内容偏移主题的概率，提高用户体验度的特点。

一种客服机器人智能客服引导方法，具体方法包括，

分析该领域聊天语料，根据分析得到的规则进行数据清洗，过滤无效数据，删除冗余项；

以该领域的产品分类名称为标签，对每一对问答对做标注；

对语料中所有问句和对应的答案做分别分词，用skip-gram学习每个词的语义特征；

将问句和/或答案中每个分词的tf-idf加权词向量之和的平均值拼接相关的产品分类名称的词向量作为每个句子的句子语义特征；

使用深度学习神经网络，学习每个问句与答案的关联性，得到网络模型；

当客户端输入问句时，记录当前客户端提到的产品分类名称数据；若产品分类数据不能根据客户端数据分析得到，则主动引导客户端给出相关信息，然后通过所述网络模型得到最佳的答案；所述相关信息包括产品分类名称信息；

将一个领域的相关句子输入训练模型，得到相应的机器人回复。

所述相关信息中的产品分类名称信息以可选方式给出。

所述相关信息还包括客户端个人信息。

所述方法还包括，采用每段对话的平均准确率来作为训练模型的评价指标。

所述方法还包括，结合规则及语义相似度算法引导客户端填充槽位，具体方法包括，

根据客户端所需求的产品分类及产品分类的各项需求引导客户端填充所关联的槽位，根据客户端需求与产品分类进行映射，制定客户端问题回答规则及反问规则，从而得到客户端所需求的产品分类及产品分类的各项需求，引导客户端填充所关联的槽位；

所述所关联的槽位包括用户基本联系信息；

所述各项需求包括产品需求、技术方案需求、时间需求、服务需求、价格需求、安全需求和风险需求中的任意一种或几种。

所述领域为医疗美容领域，所述产品分类名称为部位和项目分类名称。

所述各项需求包括项目详情/科普、项目技术、疗程/治疗方案、价格、副作用/复发、饮食、护理、预约/问地址/时间、手术失败、材料/设备/产品和安全性中的任意一种或几种。

所述所关联的槽位包括姓名、性别、年龄、症状、部位、项目、诊史、技术选择和获取用户电话号码中的任意一种或几种。

所述映射的映射规则为部位->项目->意图->结果。

与现有技术相比，本发明技术方案通过对语料的分析提取规则，加上用深度学习网络学习问题与答案间的关联关系，从而在回答用户问题的同时引导用户完成预约；节省人力物力，在数据量足够大的时候可以得出很好的效果；由于加入了产品名称分类以及个人信息状态记录，使得整个对话不至于跑偏，提高服务质量。

附图说明

图1为本发明引导方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，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。

本说明书(包括摘要)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

如图1所示，一种客服机器人智能客服引导方法，具体方法包括，

分析该领域聊天语料，根据分析得到的规则进行数据清洗，过滤无效数据，删除冗余项；

以该领域的产品分类名称为标签，对每一对问答对做标注；

对语料中所有问句和对应的答案做分别分词，用skip-gram学习每个词的语义特征；

将问句和/或答案中每个分词的tf-idf加权词向量之和的平均值拼接相关的产品分类名称的词向量作为每个句子的句子语义特征(word2vec)；

使用深度学习神经网络(deep learning)，学习每个问句与答案的关联性，得到网络模型；

当客户端输入问句时，记录当前客户端提到的产品分类名称数据；若产品分类数据不能根据客户端数据分析得到，则主动引导客户端给出相关信息，然后通过所述网络模型得到最佳的答案；所述相关信息包括产品分类名称信息；

将一个领域的相关句子输入训练模型，得到相应的机器人回复。

在本发明方案中，通过对语料的分析提取规则，加上用深度学习网络学习问题与答案间的关联关系，从而在回答用户问题的同时引导用户完成预约。涉及的内核算法包括FAQ，Word2vec，tf-idf，命名实体识别和深度学习网络，以输入一个短文本的形式，输出与输入句子关联的回答。

skip-gram为Word2vec训练的一种模型，Google的word2vec方法有两种：CBOW和skip-gram，这两种都是训练词向量的方法，根据经验，CBOW要更快一些，但是skip-gram效果要更好些。统计语言模型statistical language model就是给你几个词，在这几个词出现的前提下来计算某个词出现的(事后)概率。CBOW也是统计语言模型的一种，顾名思义就是根据某个词前面的C个词或者前后C个连续的词，来计算某个词出现的概率。Skip-GramModel相反，是根据某个词，然后分别计算它前后出现某几个词的各个概率。

TF-IDF(term frequency–inverse document frequency)是一种用于信息检索与数据挖掘的常用加权技术。TF意思是词频(Term Frequency)，IDF意思是逆文本频率指数(Inverse Document Frequency)。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。

本发明方案节省人力物力，在数据量足够大的时候可以得出很好的效果。由于加入了产品名称分类(相当于对话主题内容)以及个人信息状态记录，使得整个对话不至于跑偏，提高服务质量。

作为本发明的一种实施方式，所述相关信息中的产品分类名称信息以可选方式给出。

作为本发明的一种实施方式，所述相关信息还包括客户端个人信息，如性别、年龄等。

作为本发明的一种实施方式，将一个领域相关句子(通常是问句)输入系统，得到相应的机器人回复，采用每段对话的平均准确率来作为训练模型的评价指标。

作为本发明的一种实施方式，结合规则及语义相似度算法引导客户端填充槽位，具体方法包括，

根据客户端所需求的产品分类及产品分类的各项需求引导客户端填充所关联的槽位，根据客户端需求与产品分类进行映射，制定客户端问题回答规则及反问规则，从而得到客户端所需求的产品分类及产品分类的各项需求，引导客户端填充所关联的槽位；

所述所关联的槽位包括用户基本联系信息；

所述各项需求包括产品需求、技术方案需求、时间需求、服务需求、价格需求、安全需求和风险需求中的任意一种或几种。

作为本发明的一种实施方式，所述领域为医疗美容领域，所述产品分类名称为部位和项目分类名称(如面部，脱唇毛)。

作为本发明的一种实施方式，所述各项需求包括项目详情/科普、项目技术、疗程/治疗方案、价格、副作用/复发、饮食、护理、预约/问地址/时间、手术失败、材料/设备/产品和安全性中的任意一种或几种。

作为本发明的一种实施方式，所述所关联的槽位包括姓名、性别、年龄、症状、部位、项目、诊史、技术选择和获取用户电话号码中的任意一种或几种。以客户端的各项需求来对于用户意图，根据不同项目引导用户填写关联的槽位。

作为本发明的一种实施方式，根据用户的各项需求进行分类，数据整理，得到所述映射的映射规则为部位->项目->意图->结果，例如：鼻子->隆鼻->技术(材料、产品、产地、...)->价格。

以下面几种用户问题为例进行规则制定(此处槽点指的是：回答一个问题所要知道的所有相关联信息，槽模板＝》【问句类别，部位，项目类型/名称，症状关键词】)：

1.客户问句包含了项目所有槽点(直接问项目)

如：我想做面部疤痕修复

【问句类别->问项目，部位->皮肤(由面部得知)，面部疤痕修复->项目】，根据得到的映射数据可以得到相关的技术【此处是‘切割’技术】、价格、疗程等信息。

2.问句包含部分槽点(直接问项目，缺槽点)

如:我想做疤痕修复？

没有提到部位，对应的技术、价格范围可能不一样

机器人需要引导客户说出疤痕部位【得到面部或其他地方皮肤，每个部位的疤痕修复技术和价格可能不一样】。

再如：我想让鼻子更挺些

分类，得到相似关键词：隆鼻(此处需要进行相同语义分析、替换，可以由事先整理的同义词词库解决该问题，也可以用相似语义句子中的标准关键词替换，此处的鼻子更挺不是标准的专业名词)。

隆鼻相关项目有9种，(爱贝芙隆鼻，骨膜下隆鼻，韩式隆鼻，隆鼻，假体隆鼻，隆鼻术手术失败修复，隆鼻修复，玻尿酸隆鼻，自体隆鼻)；

根据已有信息在9个选项中排除不可能的项目；

进一步引导用户选择适合的项目，(包括技术介绍、器材、产品、价格……)；

鼻子，挺＝＝》隆鼻(实体命名或者关键词匹配、同义词替换)；

【问句类别，部位，项目类型，症状关键词】—>>【问项目，鼻子，隆鼻，[鼻子，挺]】。

3.包含多个部位(多意图)

如：client：脱毛多少钱？

Server：您想改善哪个部位的毛发问题呢？

Client：腋下

Client：嘴唇

Client：两个部位都要

可按项目引导填满槽位(可将所有项目存到项目列表，按顺序引导填槽或者按客户发言填槽)

【问句类别，部位，项目类型，症状关键词】—>>【问价格，腋下，腋下脱毛，[嘴唇，脱毛，多少钱]】。

治疗后复发问题

如：点完痣以后还会再长出来吗？脱毛后还会再生吗？

关键词：点完痣，再长出来；脱毛，再生

相应模板是【问复发，xx部位，点痣，[点完痣，再生]】。

用户问题的答案给出策略

例子：你们脱毛技术如何

【问项目技术，皮肤，脱毛，[脱毛，技术，如何]】。

对于不是需要确切细节的问题可以这样：关键词‘脱毛’【项目名称】；获取相关项目的语料(避免一次性使用所有项目类型数据做分析，减少不必要的计算量)-问句相似度匹配，得到相似度最高的问答对。

按照经验总结，如果觉得此问题需要回答的比较具体详细，可以利用模板中所有对应的槽点，按规则查找结果：{部位{项目：{意图：结果}}}。

这种方法对于小量的数据由于其规则加语义相似度结合主导对话，其问答效果会比较好；而对于大量的数据需要花费人力物力去总结大规模的分类及规则。

最后根据业务话术，引导用户预约或者留下电话号码。

Claims (9)

1.一种客服机器人智能客服引导方法，其特征在于：具体方法包括，

分析该领域聊天语料，根据分析得到的规则进行数据清洗，过滤无效数据，删除冗余项；

以该领域的产品分类名称为标签，对每一对问答对做标注；

对语料中所有问句和对应的答案做分别分词，用skip-gram学习每个词的语义特征；

将问句和/或答案中每个分词的tf-idf加权词向量之和的平均值拼接相关的产品分类名称的词向量作为每个句子的句子语义特征；

使用深度学习神经网络，学习每个问句与答案的关联性，得到网络模型；

当客户端输入问句时，记录当前客户端提到的产品分类名称数据；若产品分类数据不能根据客户端数据分析得到，则主动引导客户端给出相关信息，然后通过所述网络模型得到最佳的答案；所述相关信息包括产品分类名称信息；

将一个领域的相关句子输入训练模型，得到相应的机器人回复。

2.根据权利要求1所述的客服机器人智能客服引导方法，其特征在于：所述相关信息中的产品分类名称信息以可选方式给出。

3.根据权利要求2所述的客服机器人智能客服引导方法，其特征在于：所述相关信息还包括客户端个人信息。

4.根据权利要求1所述的客服机器人智能客服引导方法，其特征在于：所述方法还包括，采用每段对话的平均准确率来作为训练模型的评价指标。

5.根据权利要求1所述的客服机器人智能客服引导方法，其特征在于：所述方法还包括，结合规则及语义相似度算法引导客户端填充槽位，具体方法包括，根据客户端所需求的产品分类及产品分类的各项需求引导客户端填充所关联的槽位，根据客户端需求与产品分类进行映射，制定客户端问题回答规则及反问规则，从而得到客户端所需求的产品分类及产品分类的各项需求，引导客户端填充所关联的槽位；

所述所关联的槽位包括用户基本联系信息；

所述各项需求包括产品需求、技术方案需求、时间需求、服务需求、价格需求、安全需求和风险需求中的任意一种或几种。

6.根据权利要求5所述的客服机器人智能客服引导方法，其特征在于：所述领域为医疗美容领域，所述产品分类名称为部位和项目分类名称。

7.根据权利要求6所述的客服机器人智能客服引导方法，其特征在于：所述各项需求包括项目详情/科普、项目技术、疗程/治疗方案、价格、副作用/复发、饮食、护理、预约/问地址/时间、手术失败、材料/设备/产品和安全性中的任意一种或几种。

8.根据权利要求7所述的客服机器人智能客服引导方法，其特征在于：所述所关联的槽位包括姓名、性别、年龄、症状、部位、项目、诊史、技术选择和获取用户电话号码中的任意一种或几种。

9.根据权利要求6到8之一所述的客服机器人智能客服引导方法，其特征在于：所述映射的映射规则为部位->项目->意图->结果。