CN109635080A - 应答策略生成方法及装置 - Google Patents

Abstract

本申请公开了一种应答策略生成方法及装置。该方法包括：接收目标用户的问题信息，并进行情绪分析；根据所述情绪分析的分析结果和预设意图分类规则，得到所述目标用户的用户意图；根据所述用户意图和所述用户画像，得到预设知识图谱中对应的应答信息，其中，所述用户画像是根据目标用户的用户数据构建的；采用接收目标用户的问题信息，并进行情绪分析的方式，通过情绪分析的分析结果和预设意图分类规则，得到目标用户的用户意图，达到了根据用户意图和用户画像，得到预设知识图谱中对应的应答信息的目的，从而实现了提高机器人应答准确度的技术效果，进而解决了相关技术中机器人的应答准确度低的问题。

Description

应答策略生成方法及装置

技术领域

本申请涉及对话策略领域，具体而言，涉及一种应答策略生成方法及装置。

背景技术

目前在贷后催收的场景中，相关技术中的机器人与用户进行实时对话时，往往只采用固定的决策树来生成应答策略，话术比较机械，无论对品牌传播效果还是转化率效果都是没有起到很好的作用，机器人所做出的应答准确度低下，且都是通用话术模板，没有针对用户进行个性化处理，用户也难以接受。

针对相关技术中机器人的应答准确度低的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种应答策略生成方法及装置，以解决相关技术中机器人的应答准确度低的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种应答策略生成方法。

根据本申请的应答策略生成方法包括：接收目标用户的问题信息，并进行情绪分析；根据所述情绪分析的分析结果和预设意图分类规则，得到所述目标用户的用户意图；根据所述用户意图和所述用户画像，得到预设知识图谱中对应的应答信息，其中，所述用户画像是根据目标用户的用户数据构建的。

进一步的，所述接收目标用户的问题信息，并进行情绪分析包括：根据深度学习的序列到序列学习Seq2Seq算法对所述目标用户的问题信息进行情绪分析，得到所述目标用户的当前情绪状态。

进一步的，所述根据情绪分析的分析结果和预设意图分类规则，得到所述目标用户的用户意图包括：根据所述目标用户的当前情绪状态和监督式机器学习的分类算法，确定所述目标用户的当前意图。

进一步的，所述根据用户意图和所述用户画像，得到预设知识图谱中对应的应答信息包括：根据所述用户的当前意图和所述用户画像，通过深度学习的LSTM循环神经网络，得到预设知识图谱中对应的应答信息。

进一步的，用于构建所述用户画像的用户数据包括：历史应答数据、历史情绪分析数据、第三方征信数据、第三方消费数据和社交数据中的至少一种。

进一步的，所述根据目标用户的用户数据构建用户画像包括：根据所述用户数据中的第三方征信数据构建用户画像，得到所述用户画像中所述目标用户的还款意愿。

进一步的，所述根据目标用户的用户数据构建用户画像包括：根据所述用户数据中的第三方消费数据构建用户画像，得到所述用户画像中所述目标用户的还款能力。

进一步的，所述根据目标用户的用户数据构建用户画像包括：根据所述用户数据中的社交数据构建用户画像，得到所述用户画像中所述目标用户的还款目的。

为了实现上述目的，根据本申请的另一方面，提供了一种应答策略生成装置。

根据本申请的应答策略生成装置包括：用户画像构建单元，用于根据目标用户的用户数据构建用户画像；情绪分析单元，用于接收目标用户的问题信息，并进行情绪分析；意图分类单元，用于根据所述情绪分析单元的分析结果和预设意图分类规则，得到所述目标用户的用户意图；应答单元，用于根据所述意图分类单元得到的用户意图和所述用户画像，得到预设知识图谱中对应的应答信息。

在本申请实施例中，采用接收目标用户的问题信息，并进行情绪分析的方式，通过情绪分析的分析结果和预设意图分类规则，得到目标用户的用户意图，达到了根据用户意图和用户画像，得到预设知识图谱中对应的应答信息的目的，从而实现了提高机器人应答准确度的技术效果，进而解决了相关技术中机器人的应答准确度低的问题。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请第一实施例所述的应答策略生成方法的示意图；

图2是根据本申请第一实施例所述的应答策略生成装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

考虑到：相关技术中的机器人与用户进行实时对话时，往往只采用固定的决策树来生成应答策略，话术比较机械，无论对品牌传播效果还是转化率效果都是没有起到很好的作用，机器人所做出的应答准确度低下，且都是通用话术模板，没有针对用户进行个性化处理，用户也难以接受，本申请提供了一种应答策略生成方法及装置。

如图1所示，该方法包括如下的步骤S101至步骤S103：

步骤S101，接收目标用户的问题信息，并进行情绪分析；

优选的，接收目标用户的问题信息可以为音频信息，即从通话音频数据中提取所述目标用户的音频信息，可以通过语音识别技术将所述音频信息转化为文字记录，并通过所述目标用户的声纹波动频率的变化，确定所述目标用户的情绪状态。

具体的，可以采用深度学习的序列到序列学习Seq2Seq算法对所述目标用户的问题信息进行情绪分析，Seq2Seq算法模型就像一个翻译模型，输入是一个序列(比如一个英文句子)，输出也是一个序列(比如该英文句子所对应的法文翻译)，这种结构最重要的地方在于输入序列和输出序列的长度是可变的，例如，在对话机器中，我们提出(输入)一个问题，机器会自动生成(输出)回答，这里的输入和输出是长度没有确定的序列(sequences)。

步骤S102，根据所述情绪分析的分析结果和预设意图分类规则，得到所述目标用户的用户意图；

优选的，根据有监督学习中的分类器，结合所述情绪分析的分析结果，判断所述目标用户的用户意图，具体的，所述预设意图分类规则包括但不限于：肯定态度、否定态度和中性态度。

步骤S103，根据所述用户意图和所述用户画像，得到预设知识图谱中对应的应答信息，其中，所述用户画像是根据目标用户的用户数据构建的。

优选的，所述用户画像可以从多个维度采集目标用户的用户数据，包括但不限于：历史对话文字信息、历史对话情绪信息、第三方征信数据、消费数据、社交数据和行为数据。

具体的，通过所述第三方征信数据能够得到所述目标用户的贷款记录和还款记录，能够进一步的判断所述目标用户的还款意愿是否满足预设条件；通过所述消费数据能够得到所述目标用户的购买种类、购买数量和购买价格，能够进一步的判断出所述目标用户的经济实力；通过从政府管理机构获取所述目标用户的违法信息和诉讼信息，能够进一步的判断所述目标用户的守法程度；通过从社交数据中得到的所述目标用户的聊天记录和所述目标用户从属的社群类型，能够进一步的判断所述目标用户的还款意愿。

实施例一，

在电话催收贷款的场景中，机器人接听到用户发出的语音，首先进行语音识别，将所述语音转化为文字，并检测用户发出的所述语音的声纹波动频率，以此判断所述用户发出所述语音时的情绪状态，比如，经过语音识别后得到的文字为“我最近没有钱”，且声纹波动频率超过预设稳定数值，则判断所述用户在发出所述语音时的情绪状态为“激动状态”；然后，通过机器学习的决策树、生成树、马尔科夫链算法以及有监督学习的分类器，得到所述用户发出所述语音时为“否定态度”，即得到所述用户意图；最后，根据用户画像得到所述用户近期频繁进行消费，具备还款能力，根据用户画像得到所述用户有多次逾期还款行为，缺乏还款意愿，基于序列到序列学习Seq2Seq算法和LSTM循环神经网络，从预设知识图谱中匹配对应的应答信息“我们评估您完全具备还款能力，逾期不还会导致较为严重的法律后果，请您及时还款”，并向所述用户发出应答语音。

从以上的描述中，可以看出，本发明实现了如下技术效果：

在本申请实施例中，采用接收目标用户的问题信息，并进行情绪分析的方式，通过情绪分析的分析结果和预设意图分类规则，得到目标用户的用户意图，达到了根据用户意图和用户画像，得到预设知识图谱中对应的应答信息的目的，从而实现了提高机器人应答准确度的技术效果，进而解决了相关技术中机器人的应答准确度低的问题。

根据本发明实施例，作为本实施例中的优选，所述接收目标用户的问题信息，并进行情绪分析包括：根据深度学习的序列到序列学习Seq2Seq算法对所述目标用户的问题信息进行情绪分析，得到所述目标用户的当前情绪状态。

优选的，可以采用深度学习的序列到序列学习Seq2Seq算法对所述目标用户的问题信息进行情绪分析，Seq2Seq算法模型就像一个翻译模型，输入是一个序列(比如一个英文句子)，输出也是一个序列(比如该英文句子所对应的法文翻译)，这种结构最重要的地方在于输入序列和输出序列的长度是可变的，例如，在对话机器中，我们提出(输入)一个问题，机器会自动生成(输出)回答，这里的输入和输出是长度没有确定的序列(sequences)。

根据本发明实施例，作为本实施例中的优选，所述根据情绪分析的分析结果和预设意图分类规则，得到所述目标用户的用户意图包括：根据所述目标用户的当前情绪状态和监督式机器学习的分类算法，确定所述目标用户的当前意图。

优选的，根据有监督学习中的分类器，结合所述情绪分析的分析结果，判断所述目标用户的用户意图，具体的，所述预设意图分类规则包括但不限于：肯定态度、否定态度和中性态度，有监督学习通过标记的训练数据推断出分类函数，分类函数可以用来将新样本映射到对应的标签。在监督学习方式中，每个训练样本包括训练样本的特征和相对应的标签。监督学习的流程包括确定训练样本的类型、收集训练样本集、确定学习函数的输入特征表示、确定学习函数的结构和对应的学习算法、完成整个训练模块设计、评估分类器的正确率。

根据本发明实施例，作为本实施例中的优选，所述根据用户意图和所述用户画像，得到预设知识图谱中对应的应答信息包括：根据所述用户的当前意图和所述用户画像，通过深度学习的LSTM(Long Short-Term Memory)循环神经网络，得到预设知识图谱中对应的应答信息。

优选的，可以使用两个LSTM的结构，LSTM1将输入的对话编码成一个固定长度的实数向量，LSTM2根据这个向量不停地预测后面的输出(解码)。只是在对话模型中，使用的语料是可以是所述目标用户说的话(input)和机器人应答的话(output)。

根据本发明实施例，作为本实施例中的优选，用于构建所述用户画像的用户数据包括：历史应答数据、历史情绪分析数据、第三方征信数据、第三方消费数据和社交数据中的至少一种。

优选的，在本申请的其他实施例中，所述用户数据也可以是其他类型的数据，具体的，通过所述第三方征信数据能够得到所述目标用户的贷款记录和还款记录，能够进一步的判断所述目标用户的还款意愿是否满足预设条件；通过所述消费数据能够得到所述目标用户的购买种类、购买数量和购买价格，能够进一步的判断出所述目标用户的经济实力；通过从政府管理机构获取所述目标用户的违法信息和诉讼信息，能够进一步的判断所述目标用户的守法程度；通过从社交数据中得到的所述目标用户的聊天记录和所述目标用户从属的社群类型，能够进一步的判断所述目标用户的还款意愿。

根据本发明实施例，作为本实施例中的优选，所述根据目标用户的用户数据构建用户画像包括：根据所述用户数据中的第三方征信数据构建用户画像，得到所述用户画像中所述目标用户的还款意愿。

优选的，通过所述第三方征信数据能够得到所述目标用户的贷款记录和还款记录，能够进一步的判断所述目标用户的还款意愿是否满足预设条件。

根据本发明实施例，作为本实施例中的优选，所述根据目标用户的用户数据构建用户画像包括：根据所述用户数据中的第三方消费数据构建用户画像，得到所述用户画像中所述目标用户的还款能力。

优选的，通过所述消费数据能够得到所述目标用户的购买种类、购买数量和购买价格，能够进一步的判断出所述目标用户的经济实力。

根据本发明实施例，作为本实施例中的优选，所述根据目标用户的用户数据构建用户画像包括：根据所述用户数据中的社交数据构建用户画像，得到所述用户画像中所述目标用户的还款目的。

优选的，通过从社交数据中得到的所述目标用户的聊天记录和所述目标用户从属的社群类型，能够进一步的判断所述目标用户的还款目的。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本发明实施例，还提供了一种用于实施上述应答策略生成方法的装置，如图2所示，该装置包括：用户画像构建单元10，用于根据目标用户的用户数据构建用户画像；情绪分析单元20，用于接收目标用户的问题信息，并进行情绪分析；意图分类单元30，用于根据所述情绪分析单元的分析结果和预设意图分类规则，得到所述目标用户的用户意图；应答单元40，用于根据所述意图分类单元得到的用户意图和所述用户画像，得到预设知识图谱中对应的应答信息。

根据本申请所述的用户画像构建单元10用于根据目标用户的用户数据构建用户画像，优选的，所述用户画像可以从多个维度采集目标用户的用户数据，包括但不限于：历史对话文字信息、历史对话情绪信息、第三方征信数据、消费数据、社交数据和行为数据。

根据本申请所述的情绪分析单元20用于接收目标用户的问题信息，并进行情绪分析，优选的，接收目标用户的问题信息可以为音频信息，即从通话音频数据中提取所述目标用户的音频信息，可以通过语音识别技术将所述音频信息转化为文字记录，并通过所述目标用户的声纹波动频率的变化，确定所述目标用户的情绪状态。

根据本申请所述的意图分类单元30用于根据所述情绪分析单元的分析结果和预设意图分类规则，得到所述目标用户的用户意图，优选的，根据有监督学习中的分类器，结合所述情绪分析的分析结果，判断所述目标用户的用户意图，具体的，所述预设意图分类规则包括但不限于：肯定态度、否定态度和中性态度。

根据本申请所述的应答单元40用于根据所述意图分类单元得到的用户意图和所述用户画像，得到预设知识图谱中对应的应答信息，优选的，所述用户画像可以从多个维度采集目标用户的用户数据，包括但不限于：历史对话文字信息、历史对话情绪信息、第三方征信数据、消费数据、社交数据和行为数据。

根据本发明实施例，作为本实施例中的优选，所述用户画像构建单元10还包括还款意愿计算模块11，根据所述用户数据中的第三方征信数据构建用户画像，得到所述用户画像中所述目标用户的还款意愿，优选的，通过所述第三方征信数据能够得到所述目标用户的贷款记录和还款记录，能够进一步的判断所述目标用户的还款意愿是否满足预设条件。

根据本发明实施例，作为本实施例中的优选，所述用户画像构建单元10还包括还款能力计算模块12，根据所述用户数据中的第三方消费数据构建用户画像，得到所述用户画像中所述目标用户的还款能力，优选的，通过所述消费数据能够得到所述目标用户的购买种类、购买数量和购买价格，能够进一步的判断出所述目标用户的经济实力。

根据本发明实施例，作为本实施例中的优选，所述用户画像构建单元10还包括还款目的计算模块13，根据所述用户数据中的社交数据构建用户画像，得到所述用户画像中所述目标用户的还款目的，优选的，通过从社交数据中得到的所述目标用户的聊天记录和所述目标用户从属的社群类型，能够进一步的判断所述目标用户的还款目的。

根据本发明实施例，作为本实施例中的优选，所述情绪分析单元20还包括Seq2Seq算法计算模块21，根据深度学习的序列到序列学习Seq2Seq算法对所述目标用户的问题信息进行情绪分析，得到所述目标用户的当前情绪状态，优选的，可以采用深度学习的序列到序列学习Seq2Seq算法对所述目标用户的问题信息进行情绪分析，Seq2Seq算法模型就像一个翻译模型，输入是一个序列(比如一个英文句子)，输出也是一个序列(比如该英文句子所对应的法文翻译)，这种结构最重要的地方在于输入序列和输出序列的长度是可变的，例如，在对话机器中，我们提出(输入)一个问题，机器会自动生成(输出)回答，这里的输入和输出是长度没有确定的序列(sequences)。

根据本发明实施例，作为本实施例中的优选，所述意图分类单元30还包括监督学习分类模块31，根据所述目标用户的当前情绪状态和监督式机器学习的分类算法，确定所述目标用户的当前意图，优选的，根据有监督学习中的分类器，结合所述情绪分析的分析结果，判断所述目标用户的用户意图，具体的，所述预设意图分类规则包括但不限于：肯定态度、否定态度和中性态度，有监督学习通过标记的训练数据推断出分类函数，分类函数可以用来将新样本映射到对应的标签。在监督学习方式中，每个训练样本包括训练样本的特征和相对应的标签。监督学习的流程包括确定训练样本的类型、收集训练样本集、确定学习函数的输入特征表示、确定学习函数的结构和对应的学习算法、完成整个训练模块设计、评估分类器的正确率。

根据本发明实施例，作为本实施例中的优选，所述应答单元40还包括LSTM循环神经网络计算模块41，根据所述用户的当前意图和所述用户画像，通过深度学习的LSTM(LongShort-Term Memory)循环神经网络，得到预设知识图谱中对应的应答信息，优选的，可以使用两个LSTM的结构，LSTM1将输入的对话编码成一个固定长度的实数向量，LSTM2根据这个向量不停地预测后面的输出(解码)。只是在对话模型中，使用的语料是可以是所述目标用户说的话(input)和机器人应答的话(output)。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种应答策略生成方法，其特征在于，所述方法包括：

接收目标用户的问题信息，并进行情绪分析；

根据所述情绪分析的分析结果和预设意图分类规则，得到所述目标用户的用户意图；以及

根据所述用户意图和所述用户画像，得到预设知识图谱中对应的应答信息，其中，所述用户画像是根据目标用户的用户数据构建的。

2.根据权利要求1所述的应答策略生成方法，其特征在于，所述接收目标用户的问题信息，并进行情绪分析包括：

根据深度学习的序列到序列学习Seq2Seq算法对所述目标用户的问题信息进行情绪分析，得到所述目标用户的当前情绪状态。

3.根据权利要求2所述的应答策略生成方法，其特征在于，所述根据情绪分析的分析结果和预设意图分类规则，得到所述目标用户的用户意图包括：

根据所述目标用户的当前情绪状态和监督式机器学习的分类算法，确定所述目标用户的当前意图。

4.根据权利要求3所述的应答策略生成方法，其特征在于，所述根据用户意图和所述用户画像，得到预设知识图谱中对应的应答信息包括：

根据所述用户的当前意图和所述用户画像，通过深度学习的LSTM循环神经网络，得到预设知识图谱中对应的应答信息。

5.根据权利要求1所述的应答策略生成方法，其特征在于，用于构建所述用户画像的用户数据包括：历史应答数据、历史情绪分析数据、第三方征信数据、第三方消费数据和社交数据中的至少一种。

6.根据权利要求5所述的应答策略生成方法，其特征在于，所述根据目标用户的用户数据构建用户画像包括：

根据所述用户数据中的第三方征信数据构建用户画像，得到所述用户画像中所述目标用户的还款意愿。

7.根据权利要求5所述的应答策略生成方法，其特征在于，所述根据目标用户的用户数据构建用户画像包括：

根据所述用户数据中的第三方消费数据构建用户画像，得到所述用户画像中所述目标用户的还款能力。

8.根据权利要求5所述的应答策略生成方法，其特征在于，所述根据目标用户的用户数据构建用户画像包括：

根据所述用户数据中的社交数据构建用户画像，得到所述用户画像中所述目标用户的还款目的。

9.一种应答策略生成装置，其特征在于，包括：

用户画像构建单元，用于根据目标用户的用户数据构建用户画像；

情绪分析单元，用于接收目标用户的问题信息，并进行情绪分析；

意图分类单元，用于根据所述情绪分析单元的分析结果和预设意图分类规则，得到所述目标用户的用户意图；以及

应答单元，用于根据所述意图分类单元得到的用户意图和所述用户画像，得到预设知识图谱中对应的应答信息。