CN109514586B - 实现智能客服机器人的方法及系统 - Google Patents
实现智能客服机器人的方法及系统 Download PDFInfo
- Publication number
- CN109514586B CN109514586B CN201910089592.1A CN201910089592A CN109514586B CN 109514586 B CN109514586 B CN 109514586B CN 201910089592 A CN201910089592 A CN 201910089592A CN 109514586 B CN109514586 B CN 109514586B
- Authority
- CN
- China
- Prior art keywords
- information
- client
- state
- intention
- learning model
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/0005—Manipulators having means for high-level communication with users, e.g. speech generator, face recognition means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/008—Manipulators for service tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
Abstract
提供了一种实现智能客服机器人的方法及系统。所述方法包括:获取预设的状态机;向客户输出与所述状态机当前所处的状态对应的对话信息;在向客户输出所述对话信息的过程中或之后,获取客户的对话信息;利用机器学习模型确定所获取的客户的对话信息的意图,并当所述意图与所述状态机的当前状态的一个跳转条件匹配时,使所述状态机跳转到该匹配的跳转条件对应的状态。根据所述方法及系统,能够基于状态机和机器学习模型来便捷、有效地实现智能客服机器人以获取客户的意图。
Description
技术领域
本发明总体说来涉及人工智能领域,更具体地讲,涉及一种实现智能客服机器人的方法及系统。
背景技术
在众多行业中,客服已经成为必不可少的一个部分,而很多公司都会面临这样的问题:随着业务量上升、客户增多,需要聘用的人工客服也越来越多。近年来,人机对话因其潜在的、具有吸引力的商业价值而吸引了越来越多的研究者的注意。随着大数据和机器学习技术的发展,创建自动人机对话系统作为智能客服来代替人工客服不再是幻想。
目前,实现智能客服的方法通常为基于生成性的方法,例如,使用序列到序列模型的生成性的方法,基于生成性的方法的智能客服能够在与客户的对话过程中产生全新的回复,比较灵活,但基于生成性的方法中所使用的模型往往复杂度较高,为了避免模型对数据的过拟合,需要大量的历史数据来使模型学习得更加充分,因此,相比于训练一般的模型,需要花费更多的时间和人力来标注语料、训练模型。
发明内容
本发明的示例性实施例在于提供一种实现智能客服机器人的方法及系统,其能够解决现有技术存在的无法便捷有效地实现智能客服的问题。
根据本发明的示例性实施例,提供一种实现智能客服机器人的方法,其中,所述方法包括:获取预设的状态机;向客户输出与所述状态机当前所处的状态对应的对话信息;在向客户输出所述对话信息的过程中或之后,获取客户的对话信息;利用机器学习模型确定所获取的客户的对话信息的意图,并当所述意图与所述状态机的当前状态的一个跳转条件匹配时,使所述状态机跳转到该匹配的跳转条件对应的状态。
可选地,该方法还包括:当跳转到的状态不是所述状态机的终止状态时,执行向客户输出与所述状态机当前所处的状态对应的对话信息的步骤;当跳转到的状态是所述状态机的终止状态时,按照预设方式输出所述意图。
可选地,利用机器学习模型确定所获取的客户的对话信息的意图的步骤包括:利用与所述状态机的当前状态对应的机器学习模型确定所获取的客户的对话信息的意图,其中,所述状态机的每个状态对应一个机器学习模型,且每个状态对应的机器学习模型是基于与该状态对应的训练语料训练得到的。
可选地,在所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤之前,该方法还包括:检测所获取的客户的对话信息是否包括第一类预设词;当确定不包括第一类预设词时,执行所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤;当确定包括第一类预设词时,重复执行所述向客户输出与所述状态机当前所处的状态对应的对话信息的步骤。
可选地,在所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤之前,该方法还包括:检测所获取的客户的对话信息是否包括第二类预设词;当确定不包括第二类预设词时,执行所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤;当确定包括第二类预设词时,向客户输出与所包括的第二类预设词对应的对话信息,然后重复执行所述向客户输出与所述状态机当前所处的状态对应的对话信息的步骤。
可选地,所述机器学习模型是深度神经网络机器学习模型,所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤包括:将所获取的客户的对话信息按照字/词粒度进行切分,并利用字/词向量模型将所获取的客户的对话信息中的每一个字/词分别映射为对应的一个向量,并将得到的向量输入到所述深度神经网络机器学习模型来获得模型预测出的意图。
可选地,所述向客户输出与所述状态机当前所处的状态对应的对话信息的步骤包括:输出文本信息和/或语音信息;所述获取客户的对话信息的步骤包括:获取客户的文本信息或语音信息;当获取到的是客户的语音信息时,在所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤之前,还执行将语音信息转换成文本信息的步骤。
可选地,当对话信息是语音信息时,通过电话装置输出和获取语音信息,或者,通过扬声器现场输出语音信息以及通过拾音器获取现场的语音信息;当对话信息是文本信息时,通过即时通信应用输出和获取文本信息。
可选地,所述获取预设的状态机的步骤包括:根据接收到的选择指令从指定的数据库获取与所述选择指令对应的状态机,其中,所述指定的数据库中保存有一个以上的状态机,不同状态机对应不同的客服场景。
根据本发明的另一示例性实施例,提供一种实现智能客服机器人的系统,其中,所述系统包括:状态机维护装置,适于获取预设的状态机;对话信息输出装置,适于向客户输出与所述状态机当前所处的状态对应的对话信息;对话信息获取装置,适于在向客户输出所述对话信息的过程中或之后,获取客户的对话信息;意图确定装置,适于利用机器学习模型确定所获取的客户的对话信息的意图,并当所述意图与所述状态机的当前状态的一个跳转条件匹配时,使所述状态机跳转到该匹配的跳转条件对应的状态。
可选地,所述对话信息输出装置,还适于当跳转到的状态不是所述状态机的终止状态时,向客户输出与所述状态机当前所处的状态对应的对话信息;其中,该系统还包括:意图输出装置,适于当跳转到的状态是所述状态机的终止状态时,按照预设方式输出所述意图。
可选地,所述意图确定装置,适于利用与所述状态机的当前状态对应的机器学习模型确定所获取的客户的对话信息的意图,其中,所述状态机的每个状态对应一个机器学习模型,且每个状态对应的机器学习模型是基于与该状态对应的训练语料训练得到的。
可选地,该系统还包括:第一预设词检测装置,适于在意图确定装置利用机器学习模型确定所获取的客户的对话信息的意图之前,检测所获取的客户的对话信息是否包括第一类预设词;所述意图确定装置,适于当所述第一预设词检测装置确定所获取的客户的对话信息不包括第一类预设词时,利用机器学习模型确定所获取的客户的对话信息的意图;所述对话信息输出装置,适于当所述第一预设词检测装置确定所获取的客户的对话信息包括第一类预设词时,重复向客户输出与所述状态机当前所处的状态对应的对话信息。
可选地,该系统还包括:第二预设词检测装置,适于在意图确定装置利用机器学习模型确定所获取的客户的对话信息的意图之前,检测所获取的客户的对话信息是否包括第二类预设词;所述意图确定装置,适于当所述第二预设词检测装置确定所获取的客户的对话信息不包括第二类预设词时,利用机器学习模型确定所获取的客户的对话信息的意图;所述对话信息输出装置,适于当所述第二预设词检测装置确定所获取的客户的对话信息包括第二类预设词时,向客户输出与所包括的第二类预设词对应的对话信息,然后重复向客户输出与所述状态机当前所处的状态对应的对话信息。
可选地,所述机器学习模型是深度神经网络机器学习模型;所述意图确定装置,适于将所获取的客户的对话信息按照字/词粒度进行切分,并利用字/词向量模型将所获取的客户的对话信息中的每一个字/词分别映射为对应的一个向量,并将得到的向量输入到所述深度神经网络机器学习模型来获得模型预测出的意图。
可选地,所述对话信息输出装置,适于输出文本信息和/或语音信息;所述对话信息获取装置,适于获取客户的文本信息或语音信息;所述意图确定装置,适于当所述对话信息获取装置获取到的是客户的语音信息时,在利用机器学习模型确定所获取的客户的对话信息的意图之前,还将语音信息转换成文本信息。
可选地,所述对话信息输出装置,适于当对话信息是语音信息时,通过电话装置输出语音信息,或者,通过扬声器现场输出语音信息;适于当对话信息是文本信息时,通过即时通信应用输出文本信息;所述对话信息获取装置,适于当对话信息是语音信息时,通过电话装置获取语音信息,或者,通过拾音器获取现场的语音信息;适于当对话信息是文本信息时,通过即时通信应用获取文本信息。
可选地,所述状态机维护装置,适于根据接收到的选择指令从指定的数据库获取与所述选择指令对应的状态机,其中,所述指定的数据库中保存有一个以上的状态机,不同状态机对应不同的客服场景。
根据本发明的另一示例性实施例,提供一种包括至少一个计算装置和至少一个存储指令的存储装置的系统,其中,所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行如上所述的实现智能客服机器人的方法。
根据本发明的另一示例性实施例,提供一种存储指令的计算机可读存储介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如上所述的实现智能客服机器人的方法。
根据本发明示例性实施例的实现智能客服机器人的方法及系统,基于状态机和机器学习模型来获取客户的意图,从而能够在训练数据较少的情况下便捷、有效地实现智能客服,以替代人工客服从事重复性工作,为企业提供精细化管理所需的统计分析信息。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本发明总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述,本发明示例性实施例的上述和其他目的和特点将会变得更加清楚,其中:
图1示出根据本发明示例性实施例的实现智能客服机器人的方法的流程图;
图2示出根据本发明示例性实施例的基于催收场景构建的状态机的图关系的示例;
图3示出根据本发明示例性实施例的实现智能客服机器人的系统的框图。
具体实施方式
现将详细参照本发明的实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例,以便解释本发明。
图1示出根据本发明示例性实施例的实现智能客服机器人的方法的流程图。这里,作为示例,所述方法可通过计算机程序来执行,也可由专门的用于实现智能客服机器人的硬件设备或软硬件资源的集合体来执行。
参照图1,在步骤S10中,获取预设的状态机。
作为示例,所述预设的状态机可包括多个状态,除终止状态之外的不同状态可分别与所针对的客服场景的不同对话信息(例如,问题、播报的相关信息等)相对应,通过跳转条件实现在不同状态之间的跳转,并且,当状态机处于某一状态时,如果满足该状态的一个跳转条件,则会跳转到与该跳转条件对应的另一状态或该状态本身,相应地,在完成该次跳转之后,状态机处于该另一状态或该状态。应该理解,每个状态的跳转条件可为一个或多个,跳转条件不同时,该状态跳转到的状态可能相同或不同。
作为示例,可根据接收到的选择指令从指定的数据库获取与所述选择指令对应的状态机,其中,所述指定的数据库中保存有一个以上的状态机,不同状态机对应不同的客服场景。例如,可分别针对不同的客服场景,预先设置对应的状态机,从而根据本发明示例性实施例的实现智能客服机器人的方法能够用于一种客服场景或多种不同的客服场景。
在步骤S20中,向客户输出与所述状态机当前所处的状态对应的对话信息。
作为示例,步骤S20可包括:输出文本信息和/或语音信息。应该理解,除文本和语音的形式之外,对话信息也可以其他适当的形式被输出,例如,视频形式。
应该理解,可通过各种适当的方式,向客户输出与所述状态机当前所处的状态对应的对话信息。作为示例,可通过客户的个人电子终端(例如,座机、手机等电话装置等)或现场公用电子装置向客户输出与所述状态机当前所处的状态对应的对话信息。例如,当对话信息是语音信息时,可通过电话装置输出语音信息,或者,可通过扬声器现场输出语音信息。
作为另一示例,可通过个人电子终端上安装的应用(例如,即时通信应用等)来向客户输出与所述状态机当前所处的状态对应的对话信息。例如,当对话信息是文本信息或语音信息时,可通过即时通信应用输出文本信息或语音信息。这里的即时通信应用可以是微信、QQ等应用,也可以是某个平台专用的客服应用,例如,阿里旺旺。
在步骤S30中,在向客户输出所述对话信息的过程中或之后,获取客户的对话信息。
作为示例,步骤S30可包括:获取客户的文本信息和/或语音信息。应该理解,除文本和语音的形式之外,客户的对话信息也可为其他形式。
应该理解,可通过各种适当的方式来获取客户的对话信息。作为示例,可通过客户的个人电子终端(例如,电话装置等)或现场公用电子装置来获取客户的对话信息。例如,当对话信息是语音信息时,可通过电话装置输出和获取语音信息,或者,可通过扬声器现场输出语音信息以及通过拾音器获取现场的语音信息。
作为另一示例,可通过个人电子终端上安装的应用(例如,即时通信应用等)来获取客户的对话信息。例如,当对话信息是文本信息时,可通过即时通信应用输出和获取文本信息。
作为示例,可在向客户输出所述对话信息的过程中或之后的预设时间段内,获取客户的对话信息,其中,根据本发明示例性实施例的实现智能客服机器人的方法还可包括:当在向客户输出所述对话信息的过程中或之后的所述预设时间段内未获取到客户的对话信息时,重复执行步骤S20。
在步骤S40中,利用机器学习模型确定所获取的客户的对话信息的意图,并当所述意图与所述状态机的当前状态的一个跳转条件匹配时,使所述状态机跳转到该匹配的跳转条件对应的状态。
应理解,不同的意图与不同的跳转条件相匹配,相应地,可跳转到不同的状态。即,确定的客户的对话信息的意图不同,所匹配的跳转条件就不同,相应地,跳转到的状态可能不同。
作为示例,可利用与所述状态机的当前状态对应的机器学习模型确定所获取的客户的对话信息的意图,其中,所述状态机的每个状态对应一个机器学习模型,且每个状态对应的机器学习模型是基于与该状态对应的训练语料训练得到的。通过有针对性地训练与每个状态对应的机器学习模型,能够提高机器学习模型对意图预测的准确度。
作为示例,与状态机的每个状态对应的训练语料可包括:对与该状态对应的对话信息进行反馈的对话信息。
作为示例,所述机器学习模型可以是深度神经网络机器学习模型。
作为示例,所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤可包括:将所获取的客户的对话信息按照字粒度进行切分,并利用字向量模型将所获取的客户的对话信息中的每一个字分别映射为对应的一个向量,并将得到的向量输入到所述深度神经网络机器学习模型来获得模型预测出的意图,这里,将每一个字分别映射为的向量为基于分布式表示(distributed representation)的字向量;
或者,将所获取的客户的对话信息按照词粒度进行切分,并利用词向量模型将所获取的客户的对话信息中的每一个词分别映射为对应的一个向量,并将得到的向量输入到所述深度神经网络机器学习模型来获得模型预测出的意图,这里,将每一个词分别映射为的向量为基于分布式表示(distributed representation)的词向量。
作为示例,所述状态机的每个状态可分别对应一个字/词向量模型,且每个状态对应的字/词向量模型是基于用于训练与该状态对应的识别意图的机器学习模型的训练语料训练得到的。这里,符号“/”表示“或”。
此外,作为示例,所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤可包括:将所获取的客户的对话信息按照字/词粒度进行切分,并将所获取的客户的对话信息中的每一个字/词分别映射为对应的一个独热(one-hot)向量,并将得到的向量输入到所述深度神经网络机器学习模型来获得模型预测出的意图。应该理解,也可将所获取的客户的对话信息中的每一个字/词分别映射为对应的一个其他类型的向量,本发明对此不作限制。
此外,作为示例,当在步骤S30获取到的是客户的语音信息时,可在利用机器学习模型确定所获取的客户的对话信息的意图之前,先执行将语音信息转换成文本信息的步骤,然后基于转换成的文本信息,利用机器学习模型确定客户的对话信息的意图。
作为示例,根据本发明示例性实施例的实现智能客服机器人的方法还可包括:当跳转到的状态不是所述状态机的终止状态时,执行步骤S20;当跳转到的状态是所述状态机的终止状态时,按照预设方式输出在步骤S40确定的意图。应该理解,当跳转到的状态不是所述状态机的终止状态时,执行步骤S20时,此时所述状态机当前所处的状态已变为在步骤S40中所跳转到的状态。根据本发明的示例性实施例的实现智能客服机器人的方法,可自动与客户进行多轮对话,并基于客户的对话信息准确确定客户的意图。
考虑到在步骤S30获取到的客户的对话信息可能是客户响应于向其输出的对话信息的具体内容所反馈的对话信息(例如,响应于向其输出的问题反馈的回答等),也可能是与向客户输出的对话信息的具体内容无关的对话信息,例如,客户在听不清楚的情况下回复的对话信息或客户答非所问的情况下回复的对话信息。
作为示例,在步骤S40之前,根据本发明示例性实施例的实现智能客服机器人的方法还可包括:检测所获取的客户的对话信息是否包括第一类预设词;当确定不包括第一类预设词时,执行步骤S40;当确定包括第一类预设词时,重复执行步骤S20。作为示例,第一类预设词可包括预先设置的客户在听不清楚向其输出的对话信息的情况下可能回复的对话信息的关键词,例如,“听不清楚”、“再说一遍”、“什么”、“多少”、“请重复一遍”等,从而实现在客户听不清楚向其输出的对话信息的情况下,重复向客户输出对话信息。
作为示例,在步骤S40之前,根据本发明示例性实施例的实现智能客服机器人的方法还可包括:检测所获取的客户的对话信息是否包括第二类预设词;当确定不包括第二类预设词时,执行步骤S40;当确定包括第二类预设词时,向客户输出与所包括的第二类预设词对应的对话信息,然后重复执行步骤S20。
当然,在本发明的一个实施例中,也可以同时检测所获取的客户的对话信息是否包括第一类预设词或第二类预设词;当确定不包括第一类预设词和第二类预设词时,执行步骤S40;当确定包括第一类预设词时,重复执行步骤S20;当确定包括第二类预设词时,向客户输出与所包括的第二类预设词对应的对话信息,然后重复执行步骤S20。
作为示例,第二类预设词可包括预先设置的客户可能提出的咨询类问题的关键词或申请的关键词,相应地,与所包括的第二类预设词对应的对话信息可包括:预设的对与所包括的第二类预设词对应的咨询类问题的回复信息或申请的回复信息,从而能够实时地回复客户的咨询。例如,在催收场景下,第二类预设词可包括:“询问欠款金额”、“询问欠款天数”、“询问扣款日期”、“询问罚息规则”、“申请调整扣款日期”等的关键词。
图2示出根据本发明示例性实施例的针对催收场景构建的状态机的图关系的示例。参照图2,在银行贷款/信用卡借款催收场景下,所述状态机可包括多个状态,其中,状态4至7、以及状态9为终止状态,其他为非终止状态,每个非终止状态与一个对话信息相对应,两个状态之间的连线指示跳转方向以及跳转条件。
状态机首先处于初始状态(状态1),可向客户输出与状态1对应的对话信息(例如在本催收场景下的实施例中,是询问对方是否是本人),并获取客户的对话信息,然后利用与状态1对应的机器学习模型确定所获取的客户的对话信息的意图,如果确定客户意图为“不是本人”,则与状态1的跳转条件1匹配,相应地,使该状态机从状态1跳转到与跳转条件1对应的状态2,如果确定客户意图为“是本人”,则与状态1的跳转条件2匹配,相应地,使该状态机从状态1跳转到与跳转条件2对应的状态3。
由于状态2不是终止状态,如果跳转到状态2,则继续向客户输出与状态2对应的对话信息(例如,询问对方是否能联系到本人),并获取客户的对话信息,当利用与状态2对应的机器学习模型确定所获取的客户的对话信息的意图为“能联系到本人”时,从状态2跳转到与该意图匹配的跳转条件所对应状态4;当利用该机器学习模型确定所获取的客户的对话信息的意图为“不联系到本人”时,从状态2跳转到与该意图匹配的跳转条件所对应状态5,由于状态4和状态5是终止状态,因此,如果跳转到状态4,则可按照预设方式输出客户的意图“能联系到本人”;如果跳转到状态5,则可按照预设方式输出客户的意图“不能联系到本人”。
由于状态3不是终止状态,如果跳转到状态3,则继续向客户输出与状态3对应的对话信息(例如,播报欠款信息),并获取客户的对话信息,当利用与状态3对应的机器学习模型确定所获取的客户的对话信息的意图为“否认欠款”时,从状态3跳转到与该意图匹配的跳转条件所对应的状态6,并按照预设方式输出客户的意图“否认欠款”;当利用该机器学习模型确定所获取的客户的对话信息的意图为“质疑欠款”时,从状态3跳转到与该意图匹配的跳转条件所对应的状态6,并按照预设方式输出客户的意图“质疑欠款”;当利用该机器学习模型确定所获取的客户的对话信息的意图为“拒绝欠款”时,从状态3跳转到与该意图匹配的跳转条件所对应的状态7,并按照预设方式输出客户的意图“拒绝欠款”;当利用该机器学习模型确定所获取的客户的对话信息的意图为“确认欠款”时,从状态3跳转到与该意图匹配的跳转条件所对应的状态8;当利用该机器学习模型确定所获取的客户的对话信息的意图为“解释欠款”时,从状态3跳转到与该意图匹配的跳转条件所对应的状态8。
由于状态8不是终止状态,如果跳转到状态8,则继续向客户输出与状态8对应的对话信息(例如,询问还款日期),当利用与状态8对应的机器学习模型确定所获取的客户的对话信息(例如,尽快还款、明确的还款日期等)的意图为“确定还款日期”时,从状态8跳转到与该意图匹配的跳转条件所对应的状态9,并按照预设方式输出客户的意图“确定还款日期”;当利用该机器学习模型确定所获取的客户的对话信息的意图为“未确定还款日期”时,从状态8跳转到与该意图匹配的跳转条件所对应的状态8(即,跳转回其本身),相应地,继续向客户输出与状态8对应的对话信息,即继续询问客户的还款日期。此外,作为示例,跳转到状态9之后,还可向客户输出用于播报扣款日和/或提醒罚息的对话信息,以便客户获知详细的还款情况。
此外,例如,如果向客户输出与状态3对应的对话信息之后,获取到的客户的对话信息包括第一类预设词(例如,没听清楚等),则不会从状态3进行跳转,而是重复向客户输出与状态3对应的对话信息。例如,如果向客户输出与状态3对应的对话信息之后,获取到的客户的对话信息包括第二类预设词(例如,包括询问扣款日期的关键词),则向客户输出关于具体扣款日期的回复信息,然后再重复向客户输出与状态3对应的对话信息。
图3示出根据本发明示例性实施例的实现智能客服机器人的系统的框图。
如图3所示,根据本发明示例性实施例的实现智能客服机器人的系统包括:状态机维护装置10、对话信息输出装置20、对话信息获取装置30、意图确定装置40。
具体说来,状态机维护装置10适于获取预设的状态机。
作为示例,状态机维护装置10可适于根据接收到的选择指令从指定的数据库获取与所述选择指令对应的状态机,其中,所述指定的数据库中保存有一个以上的状态机,不同状态机对应不同的客服场景。
对话信息输出装置20适于向客户输出与所述状态机当前所处的状态对应的对话信息。
作为示例,对话信息输出装置20可适于输出文本信息和/或语音信息。
作为示例,对话信息输出装置20可适于当对话信息是语音信息时,通过电话装置输出语音信息,或者,通过扬声器现场输出语音信息。
作为另一示例,对话信息输出装置20可适于当对话信息是文本信息时,通过即时通信应用输出文本信息。
对话信息获取装置30适于在向客户输出所述对话信息的过程中或之后,获取客户的对话信息。
作为示例,对话信息获取装置30可适于获取客户的文本信息或语音信息。
作为示例,对话信息获取装置30可适于当对话信息是语音信息时,通过电话装置获取语音信息,或者,通过拾音器获取现场的语音信息。
作为另一示例,对话信息获取装置30可适于当对话信息是文本信息时,通过即时通信应用获取文本信息。
意图确定装置40适于利用机器学习模型确定所获取的客户的对话信息的意图,并当所述意图与所述状态机的当前状态的一个跳转条件匹配时,使所述状态机跳转到该匹配的跳转条件对应的状态。
作为示例,意图确定装置40可适于利用与所述状态机的当前状态对应的机器学习模型确定所获取的客户的对话信息的意图,其中,所述状态机的每个状态对应一个机器学习模型,且每个状态对应的机器学习模型是基于与该状态对应的训练语料训练得到的。
作为示例,所述机器学习模型可以是深度神经网络机器学习模型。
作为示例,意图确定装置40可适于将所获取的客户的对话信息按照字/词粒度进行切分,并利用字/词向量模型将所获取的客户的对话信息中的每一个字/词分别映射为对应的一个向量,并将得到的向量输入到所述深度神经网络机器学习模型来获得模型预测出的意图。
作为示例,意图确定装置40可适于当对话信息获取装置30获取到的是客户的语音信息时,在利用机器学习模型确定所获取的客户的对话信息的意图之前,还将语音信息转换成文本信息。
作为示例,对话信息输出装置20还可适于当跳转到的状态不是所述状态机的终止状态时,向客户输出与所述状态机当前所处的状态对应的对话信息;该系统还可包括:意图输出装置(未示出),意图输出装置适于当跳转到的状态是所述状态机的终止状态时,按照预设方式输出所述意图。
作为示例,该系统还可包括:第一预设词检测装置(未示出),第一预设词检测装置适于在意图确定装置40利用机器学习模型确定所获取的客户的对话信息的意图之前,检测所获取的客户的对话信息是否包括第一类预设词;意图确定装置40适于当第一预设词检测装置确定所获取的客户的对话信息不包括第一类预设词时,利用机器学习模型确定所获取的客户的对话信息的意图;对话信息输出装置20适于当第一预设词检测装置确定所获取的客户的对话信息包括第一类预设词时,重复向客户输出与所述状态机当前所处的状态对应的对话信息。
作为另一示例,该系统还可包括:第二预设词检测装置(未示出),第二预设词检测装置适于在意图确定装置40利用机器学习模型确定所获取的客户的对话信息的意图之前,检测所获取的客户的对话信息是否包括第二类预设词;意图确定装置40适于当第二预设词检测装置确定所获取的客户的对话信息不包括第二类预设词时,利用机器学习模型确定所获取的客户的对话信息的意图;对话信息输出装置20适于当第二预设词检测装置确定所获取的客户的对话信息包括第二类预设词时,向客户输出与所包括的第二类预设词对应的对话信息,然后重复向客户输出与所述状态机当前所处的状态对应的对话信息。
应该理解,根据本发明示例性实施例的实现智能客服机器人的系统的具体实现方式可参照结合图1和图2描述的相关具体实现方式来实现,在此不再赘述。
根据本发明示例性实施例的实现智能客服机器人的系统所包括的装置可被分别配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如,这些装置可对应于专用的集成电路,也可对应于纯粹的软件代码,还可对应于软件与硬件相结合的模块。此外,这些装置所实现的一个或多个功能也可由物理实体设备(例如,处理器、客户端或服务器等)中的组件来统一执行。
应理解,根据本发明示例性实施例的实现智能客服机器人的方法可通过记录在计算可读介质上的程序来实现,例如,根据本发明的示例性实施例,可提供一种实现数据表拼接的计算机可读介质,其中,在所述计算机可读介质上记录有用于执行以下方法步骤的计算机程序:获取预设的状态机;向客户输出与所述状态机当前所处的状态对应的对话信息;在向客户输出所述对话信息的过程中或之后,获取客户的对话信息;利用机器学习模型确定所获取的客户的对话信息的意图,并当所述意图与所述状态机的当前状态的一个跳转条件匹配时,使所述状态机跳转到该匹配的跳转条件对应的状态。
上述计算机可读介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行,应注意,所述计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理,这些附加步骤和进一步处理的内容已经参照图1和图2进行了描述,这里为了避免重复将不再进行赘述。
应注意,根据本发明示例性实施例的实现智能客服机器人的系统可完全依赖计算机程序的运行来实现相应的功能,即,各个装置与计算机程序的功能架构中与各步骤相应,使得整个系统通过专门的软件包(例如,lib库)而被调用,以实现相应的功能。
另一方面,根据本发明示例性实施例的实现智能客服机器人的系统所包括的各个装置也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时,用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中,使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。
例如,本发明的示例性实施例还可以实现为计算装置,该计算装置包括存储部件和处理器,存储部件中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述处理器执行时,执行实现智能客服机器人的方法。
具体说来,所述计算装置可以部署在服务器或客户端中,也可以部署在分布式网络环境中的节点装置上。此外,所述计算装置可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。
这里,所述计算装置并非必须是单个的计算装置,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制系统或系统管理器的一部分,或者可被配置为与本地或远程(例如,经由无线传输)以接口互联的便携式电子装置。
在所述计算装置中,处理器可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制,处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
根据本发明示例性实施例的实现智能客服机器人的方法中所描述的某些操作可通过软件方式来实现,某些操作可通过硬件方式来实现,此外,还可通过软硬件结合的方式来实现这些操作。
处理器可运行存储在存储部件之一中的指令或代码,其中,所述存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收,其中,所述网络接口装置可采用任何已知的传输协议。
存储部件可与处理器集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储部件可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储部件和处理器可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器能够读取存储在存储部件中的文件。
此外,所述计算装置还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。
根据本发明示例性实施例的实现智能客服机器人的方法所涉及的操作可被描述为各种互联或耦合的功能块或功能示图。然而,这些功能块或功能示图可被均等地集成为单个的逻辑装置或按照非确切的边界进行操作。
例如,如上所述,根据本发明示例性实施例的实现智能客服机器人的计算装置可包括存储部件和处理器,其中,存储部件中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述处理器执行时,执行下述步骤:获取预设的状态机;向客户输出与所述状态机当前所处的状态对应的对话信息;在向客户输出所述对话信息的过程中或之后,获取客户的对话信息;利用机器学习模型确定所获取的客户的对话信息的意图,并当所述意图与所述状态机的当前状态的一个跳转条件匹配时,使所述状态机跳转到该匹配的跳转条件对应的状态。
例如,如上所述,根据本发明示例性实施例的实现智能客服机器人的计算装置可包括存储部件和处理器,其中,存储部件中存储有计算机可执行指令集合,当所述计算机可执行指令集合被所述处理器执行时,执行下述步骤:获取预设的状态机;向客户输出与所述状态机当前所处的状态对应的对话信息;在向客户输出所述对话信息的过程中或之后,获取客户的对话信息;利用机器学习模型确定所获取的客户的对话信息的意图,并当所述意图与所述状态机的当前状态的一个跳转条件匹配时,使所述状态机跳转到该匹配的跳转条件对应的状态。
以上描述了本发明的各示例性实施例,应理解,上述描述仅是示例性的,并非穷尽性的,本发明不限于所披露的各示例性实施例。在不偏离本发明的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此,本发明的保护范围应该以权利要求的范围为准。
Claims (18)
1.一种实现智能客服机器人的方法,其中,所述方法包括:
获取预设的状态机;
向客户输出与所述状态机当前所处的状态对应的对话信息;
在向客户输出所述对话信息的过程中或之后,获取客户的对话信息;
利用机器学习模型确定所获取的客户的对话信息的意图,并当所述意图与所述状态机的当前状态的一个跳转条件匹配时,使所述状态机跳转到该匹配的跳转条件对应的状态,
其中,利用机器学习模型确定所获取的客户的对话信息的意图的步骤包括:利用与所述状态机的当前状态对应的机器学习模型确定所获取的客户的对话信息的意图,其中,所述状态机的每个状态对应一个机器学习模型,且每个状态对应的机器学习模型是基于与该状态对应的训练语料训练得到的。
2.如权利要求1所述的方法,其中,该方法还包括:
当跳转到的状态不是所述状态机的终止状态时,执行向客户输出与所述状态机当前所处的状态对应的对话信息的步骤;
当跳转到的状态是所述状态机的终止状态时,按照预设方式输出所述意图。
3.如权利要求1所述的方法,其中,在所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤之前,该方法还包括:
检测所获取的客户的对话信息是否包括第一类预设词;
当确定不包括第一类预设词时,执行所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤;
当确定包括第一类预设词时,重复执行所述向客户输出与所述状态机当前所处的状态对应的对话信息的步骤。
4.如权利要求1所述的方法,其中,在所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤之前,该方法还包括:
检测所获取的客户的对话信息是否包括第二类预设词;
当确定不包括第二类预设词时,执行所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤;
当确定包括第二类预设词时,向客户输出与所包括的第二类预设词对应的对话信息,然后重复执行所述向客户输出与所述状态机当前所处的状态对应的对话信息的步骤。
5.如权利要求1所述的方法,其中,所述机器学习模型是深度神经网络机器学习模型,所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤包括:
将所获取的客户的对话信息按照字/词粒度进行切分,并利用字/词向量模型将所获取的客户的对话信息中的每一个字/词分别映射为对应的一个向量,并将得到的向量输入到所述深度神经网络机器学习模型来获得模型预测出的意图。
6.如权利要求1所述的方法,其中,
所述向客户输出与所述状态机当前所处的状态对应的对话信息的步骤包括:输出文本信息和/或语音信息;
所述获取客户的对话信息的步骤包括:获取客户的文本信息或语音信息;
当获取到的是客户的语音信息时,在所述利用机器学习模型确定所获取的客户的对话信息的意图的步骤之前,还执行将语音信息转换成文本信息的步骤。
7.如权利要求1所述的方法,其中,
当对话信息是语音信息时,通过电话装置输出和获取语音信息,或者,通过扬声器现场输出语音信息以及通过拾音器获取现场的语音信息;
当对话信息是文本信息时,通过即时通信应用输出和获取文本信息。
8.如权利要求1-7中任一项中所述的方法,其中,所述获取预设的状态机的步骤包括:
根据接收到的选择指令从指定的数据库获取与所述选择指令对应的状态机,其中,所述指定的数据库中保存有一个以上的状态机,不同状态机对应不同的客服场景。
9.一种实现智能客服机器人的系统,其中,所述系统包括:
状态机维护装置,适于获取预设的状态机;
对话信息输出装置,适于向客户输出与所述状态机当前所处的状态对应的对话信息;
对话信息获取装置,适于在向客户输出所述对话信息的过程中或之后,获取客户的对话信息;
意图确定装置,适于利用机器学习模型确定所获取的客户的对话信息的意图,并当所述意图与所述状态机的当前状态的一个跳转条件匹配时,使所述状态机跳转到该匹配的跳转条件对应的状态,
其中,所述意图确定装置适于利用与所述状态机的当前状态对应的机器学习模型确定所获取的客户的对话信息的意图,其中,所述状态机的每个状态对应一个机器学习模型,且每个状态对应的机器学习模型是基于与该状态对应的训练语料训练得到的。
10.如权利要求9所述的系统,其中,
所述对话信息输出装置,还适于当跳转到的状态不是所述状态机的终止状态时,向客户输出与所述状态机当前所处的状态对应的对话信息;
其中,该系统还包括:意图输出装置,适于当跳转到的状态是所述状态机的终止状态时,按照预设方式输出所述意图。
11.如权利要求9所述的系统,其中,该系统还包括:第一预设词检测装置,适于在意图确定装置利用机器学习模型确定所获取的客户的对话信息的意图之前,检测所获取的客户的对话信息是否包括第一类预设词;
所述意图确定装置,适于当所述第一预设词检测装置确定所获取的客户的对话信息不包括第一类预设词时,利用机器学习模型确定所获取的客户的对话信息的意图;
所述对话信息输出装置,适于当所述第一预设词检测装置确定所获取的客户的对话信息包括第一类预设词时,重复向客户输出与所述状态机当前所处的状态对应的对话信息。
12.如权利要求9所述的系统,其中,该系统还包括:第二预设词检测装置,适于在意图确定装置利用机器学习模型确定所获取的客户的对话信息的意图之前,检测所获取的客户的对话信息是否包括第二类预设词;
所述意图确定装置,适于当所述第二预设词检测装置确定所获取的客户的对话信息不包括第二类预设词时,利用机器学习模型确定所获取的客户的对话信息的意图;
所述对话信息输出装置,适于当所述第二预设词检测装置确定所获取的客户的对话信息包括第二类预设词时,向客户输出与所包括的第二类预设词对应的对话信息,然后重复向客户输出与所述状态机当前所处的状态对应的对话信息。
13.如权利要求9所述的系统,其中,所述机器学习模型是深度神经网络机器学习模型;
所述意图确定装置,适于将所获取的客户的对话信息按照字/词粒度进行切分,并利用字/词向量模型将所获取的客户的对话信息中的每一个字/词分别映射为对应的一个向量,并将得到的向量输入到所述深度神经网络机器学习模型来获得模型预测出的意图。
14.如权利要求9所述的系统,其中,
所述对话信息输出装置,适于输出文本信息和/或语音信息;
所述对话信息获取装置,适于获取客户的文本信息或语音信息;
所述意图确定装置,适于当所述对话信息获取装置获取到的是客户的语音信息时,在利用机器学习模型确定所获取的客户的对话信息的意图之前,还将语音信息转换成文本信息。
15.如权利要求9所述的系统,其中,
所述对话信息输出装置,适于当对话信息是语音信息时,通过电话装置输出语音信息,或者,通过扬声器现场输出语音信息;适于当对话信息是文本信息时,通过即时通信应用输出文本信息;
所述对话信息获取装置,适于当对话信息是语音信息时,通过电话装置获取语音信息,或者,通过拾音器获取现场的语音信息;适于当对话信息是文本信息时,通过即时通信应用获取文本信息。
16.如权利要求9-15中任一项中所述的系统,其中,
所述状态机维护装置,适于根据接收到的选择指令从指定的数据库获取与所述选择指令对应的状态机,其中,所述指定的数据库中保存有一个以上的状态机,不同状态机对应不同的客服场景。
17.一种包括至少一个计算装置和至少一个存储指令的存储装置的系统,其中,所述指令在被所述至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求1到8中的任一权利要求所述的实现智能客服机器人的方法。
18.一种存储指令的计算机可读存储介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求1到8中的任一权利要求所述的实现智能客服机器人的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089592.1A CN109514586B (zh) | 2019-01-30 | 2019-01-30 | 实现智能客服机器人的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089592.1A CN109514586B (zh) | 2019-01-30 | 2019-01-30 | 实现智能客服机器人的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109514586A CN109514586A (zh) | 2019-03-26 |
CN109514586B true CN109514586B (zh) | 2020-03-17 |
Family
ID=65798663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910089592.1A Active CN109514586B (zh) | 2019-01-30 | 2019-01-30 | 实现智能客服机器人的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109514586B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222151A (zh) * | 2019-05-20 | 2019-09-10 | 平安普惠企业管理有限公司 | 一种自动提醒方法、自动提醒装置及计算机可读存储介质 |
CN110222150A (zh) * | 2019-05-20 | 2019-09-10 | 平安普惠企业管理有限公司 | 一种自动提醒方法、自动提醒装置及计算机可读存储介质 |
CN110472007A (zh) * | 2019-07-04 | 2019-11-19 | 深圳追一科技有限公司 | 信息推送方法、装置、设备及存储介质 |
CN110413758B (zh) * | 2019-07-30 | 2022-03-25 | 中国工商银行股份有限公司 | 基于机器学习的会话框架构建方法和装置 |
CN111027667B (zh) * | 2019-12-06 | 2023-10-17 | 北京金山安全软件有限公司 | 意图类别的识别方法和装置 |
CN111131005A (zh) * | 2019-12-31 | 2020-05-08 | 联想(北京)有限公司 | 一种客服系统的对话方法及装置、设备、存储介质 |
CN111291157B (zh) * | 2020-01-21 | 2023-08-08 | 招商银行股份有限公司 | 应答响应方法、装置、终端及存储介质 |
CN111508488A (zh) * | 2020-04-13 | 2020-08-07 | 江苏止芯科技有限公司 | 一种机器人智能对话系统 |
CN113065362A (zh) * | 2021-03-19 | 2021-07-02 | 联想(北京)有限公司 | 一种智能回复方法及装置 |
CN113127618B (zh) * | 2021-04-16 | 2023-09-01 | 北京奇艺世纪科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN117216230A (zh) * | 2023-11-09 | 2023-12-12 | 智慧眼科技股份有限公司 | 一种ai心理医生对话交互处理方法、系统、终端及介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280521A (zh) * | 2017-01-06 | 2018-07-13 | 南通使爱智能科技有限公司 | 智能机器人服务系统 |
CN107437416B (zh) * | 2017-05-23 | 2020-11-17 | 创新先进技术有限公司 | 一种基于语音识别的咨询业务处理方法及装置 |
CN108197191B (zh) * | 2017-12-27 | 2018-11-23 | 神思电子技术股份有限公司 | 一种多轮对话的场景意图中断方法 |
CN108804536B (zh) * | 2018-05-04 | 2022-10-04 | 科沃斯商用机器人有限公司 | 人机对话与策略生成方法、设备、系统及存储介质 |
CN108984655B (zh) * | 2018-06-28 | 2021-01-01 | 厦门快商通信息技术有限公司 | 一种客服机器人智能客服引导方法 |
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 |
CN109145104B (zh) * | 2018-09-29 | 2023-04-18 | 北京百度网讯科技有限公司 | 用于对话交互的方法和装置 |
-
2019
- 2019-01-30 CN CN201910089592.1A patent/CN109514586B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109514586A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109514586B (zh) | 实现智能客服机器人的方法及系统 | |
CN110334201B (zh) | 一种意图识别方法、装置及系统 | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
WO2018231472A1 (en) | Identifying relationships from communication content | |
CN111340574B (zh) | 风险用户的识别方法、装置和电子设备 | |
CN109710939B (zh) | 用于确定主题的方法和装置 | |
CN116628163A (zh) | 客服服务处理方法、装置、设备及存储介质 | |
CN111143529A (zh) | 一种与对话机器人进行对话的方法与设备 | |
KR20210009885A (ko) | 오프라인 오브젝트에 관한 콘텐츠 자동 생성 방법, 장치 및 컴퓨터 판독가능 저장 매체 | |
CN111949776B (zh) | 一种用户标签评估的方法、装置和电子设备 | |
CN112149426B (zh) | 阅读任务处理方法及相关设备 | |
CN114138943A (zh) | 对话消息生成方法、装置、电子设备及存储介质 | |
CN112632241A (zh) | 智能会话的方法、装置、设备和计算机可读介质 | |
CN110990528A (zh) | 一种问答方法、装置及电子设备 | |
CN116911313B (zh) | 一种语义漂移文本的识别方法及装置 | |
CN111292766B (zh) | 用于生成语音样本的方法、装置、电子设备和介质 | |
CN114501112B (zh) | 用于生成视频笔记的方法、装置、设备、介质和产品 | |
CN111899747B (zh) | 用于合成音频的方法和装置 | |
CN116844530A (zh) | 语音信息的处理方法、装置、可读存储介质和电子装置 | |
CN116933800A (zh) | 一种基于模版的生成式意图识别方法及装置 | |
CN116596680A (zh) | 一种投保信息实时调整方法、装置、设备及其存储介质 | |
CN117251631A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN117453273A (zh) | 一种程序代码智能补全方法及装置 | |
CN117874269A (zh) | 一种图像的推送方法、装置、电子设备及可读存储介质 | |
CN116684529A (zh) | 外呼处理方法、装置、计算机设备及存储介质 |
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 |