CN109658271A - 一种基于保险专业场景的智能客服系统及方法 - Google Patents
一种基于保险专业场景的智能客服系统及方法 Download PDFInfo
- Publication number
- CN109658271A CN109658271A CN201811561552.4A CN201811561552A CN109658271A CN 109658271 A CN109658271 A CN 109658271A CN 201811561552 A CN201811561552 A CN 201811561552A CN 109658271 A CN109658271 A CN 109658271A
- Authority
- CN
- China
- Prior art keywords
- answer
- module
- knowledge
- corpus
- insurance
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 20
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 19
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims description 55
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 239000002585 base Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003637 basic solution Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于保险专业场景的智能客服系统及方法，该智能客服系统包括：语音识别单元、中文分词单元、以及保险场景智能问答单元、答案优化单元、语音合成单元。本发明通过知识图谱引导和语料数据学习，能够实现快速回答和高准确率；杜绝了相关的主观和道德风险，对反馈效率和客户的体验来说，都是质的飞跃；与人类客服人员相比，智能客服系统可以二十四小时工作，不用休息，随时服务；同时客服了保险业务员的主观性，不吹不黑不忽悠。
Description
技术领域
本发明涉及保险客服领域，特别涉及一种基于保险专业场景的智能客服系统及方法。
背景技术
保险客服是保险行业中的最接近客户的服务之一，不但关系到保险知识的宣传、保险业务的拓展、售前售后的咨询等，更直接牵动着保险公司的业务量和业绩。因此优秀的客服将会不断吸引更多客户，提升客户的保险服务体验度。然而自然人的保险客服目前到达了一个瓶颈阶段。不但劳动力成本越来越高，保险客服专业度参差不齐，保险服务质量客观性不足等缺点，而且跟不上社会发展越来越互联网化、越来越智能化的大势。因此保险领域的客服亟需一次变革。
目前保险行业中的客户服务仍是一个劳动力密集型行业。绝大部分的保险公司的客服仍是电话客服。虽然基于互联网的客服服务开始普及，但提供问答服务的仍然是自然人，因此高成本、服务品质高低不一的问题没有得到根本的解决。随着人工智能技术和自然语言技术发展，特别是随着深度学习技术和发展，自然语言理解得到长足的方法，使用在保险专业场景这个垂直领域，机器代替自然人提供客服问答服务逐渐变得可行。
发明内容
针对现有技术存在的问题，本发明提供一种基于保险专业场景的智能客服系统及方法。
为实现上述目的，本发明具体技术方案如下：
一种基于保险专业场景的智能客服系统，包括：语音识别单元、中文分词单元、以及保险场景智能问答单元、答案优化单元、语音合成单元；
所述语音识别单元将客户的声音信息转化为文本信息；
所述中文分词单元将中文文本信息进行分词，获得词语及词性信息；
所述保险场景智能问答单元将分词后的文本信息输入，通过对语义的分析理解，在知识图谱和语料库中获得保险专业的答案，并将候选答案输出；
所述答案优化单元利用输出的候选答案，进行答案的优化处理；
所述语音合成单元将优化后的答案，输入语音合成引擎，生成声音信息，使得客户能够听懂答案。
优选地，所述保险场景智能问答单元包括语义理解模块、控制器、实体关系识别模块、图谱搜索模块、快速检索模块、深度重排序模块、答案融合模块、语言生成模块；所述语义理解模块将分词后的文本输入到语义理解引擎，将客户问题文本进行分类，输出知识类问题和语料类问题；所述控制器根据输入的文本信息以及文本分类信息，将数据分流分别输入到知识图谱模型和语料库模型；所述实体关系识别模块利用保险专业知识图谱，对输入的文本信息进行实体抽取和关系识别，然后输入图谱搜索模块；所述快速检索基于已经搜集的问答语料库，利用关键词匹配快速检索技术，获得候选问答对集合，然后输入到深度重排序操作；所述图谱搜索模块基于保险专业知识图谱，利用已经抽取的实体和关系，在知识图谱中进行检索和推理，或者知识图谱的候选答案知识点，输入到答案融合模块操作；所述深度重排序模块使用一个双向LSTM深度网络用来获取问题和答案的向量表示，然后用余弦相似度得分来选出与问题相似度最高的若干答案，输入到答案融合模块操作；所述答案融合模块根据知识类问题置信度和语料类问题置信度，以及知识图谱候选答案知识点和语料候选答案，进行融合处理操作；所述语言生成模块对融合后的候选答案生成自然语言答案，最终输出自然答案到答案优化单元。
优选地，所述深度重排序模块使用一个双向LSTM深度网络用来获取问题和答案的向量表示，然后用余弦相似度得分来选出与问题相似度最高的若干答案，输入到答案融合模块操作，具体计算过程为：
首先，对问题q做分词，并获取对应的词向量序列：
q＝(q1,...,ql)
使用LSTM，获取qt对应的隐层表示ht:
ht＝LSTM(ht-1,qt)
采用max pooling，获取定长的表征问题qemb的向量：
qemb＝max_pool(h1..,hl)
然后，对答案a做分词，并获取对应的词向量序列：
a＝(a1,...,al)
使用LSTM，获取at对应的隐层表示ht:
ht＝LSTM(ht-1,at)
利用qemb对答案的隐层表示做基于Attention的权重计算，获取定长的表征答案aemb的向量：
st＝cos(qemb,ht)
αt＝softmax(st)
aemb＝∑αt ht
最后，通过计算qemb和aemb的相似度，获取问题q与答案a的匹配度：
sim(q,a)＝cos(qemb,aemb)
优选地，所述答案融合模块根据知识类问题置信度和语料类问题置信度，以及知识图谱候选答案知识点和语料候选答案，进行融合处理操作的具体方式为：
若知识类的置信度为0，则答案融合只取语料候选答案；若语料类问题置信度为0，则答案融合只取知识图谱候选答案；否则将两种答案根据置信度进行融合处理。
优选地，所述语言生成模块对融合后的候选答案生成自然语言答案的方法包括补充缺省的信息、定制答案模板。
本发明还提供一种基于保险专业场景的智能客服方法，包括如下步骤：
采用语音识别单元将客户的声音信息转化为文本信息；
以中文分词单元将中文文本信息进行分词，获得词语及词性信息；
配置保险场景智能问答单元将分词后的文本信息输入，通过对语义的分析理解，在知识图谱和语料库中获得保险专业的答案，并将候选答案输出；
使用答案优化单元利用输出的候选答案，进行答案的优化处理；
设置语音合成单元将优化后的答案，输入语音合成引擎，生成声音信息，使得客户能够听懂答案。
优选地，所述保险场景智能问答单元包括语义理解模块、控制器、实体关系识别模块、图谱搜索模块、快速检索模块、深度重排序模块、答案融合模块、语言生成模块；所述语义理解模块将分词后的文本输入到语义理解引擎，将客户问题文本进行分类，输出知识类问题和语料类问题；所述控制器根据输入的文本信息以及文本分类信息，将数据分流分别输入到知识图谱模型和语料库模型；所述实体关系识别模块利用保险专业知识图谱，对输入的文本信息进行实体抽取和关系识别，然后输入图谱搜索模块；所述快速检索基于已经搜集的问答语料库，利用关键词匹配快速检索技术，获得候选问答对集合，然后输入到深度重排序操作；所述图谱搜索模块基于保险专业知识图谱，利用已经抽取的实体和关系，在知识图谱中进行检索和推理，或者知识图谱的候选答案知识点，输入到答案融合模块操作；所述深度重排序模块使用一个双向LSTM深度网络用来获取问题和答案的向量表示，然后用余弦相似度得分来选出与问题相似度最高的若干答案，输入到答案融合模块操作；所述答案融合模块根据知识类问题置信度和语料类问题置信度，以及知识图谱候选答案知识点和语料候选答案，进行融合处理操作；所述语言生成模块对融合后的候选答案生成自然语言答案，最终输出自然答案到答案优化单元。
优选地，所述答案融合模块根据知识类问题置信度和语料类问题置信度，以及知识图谱候选答案知识点和语料候选答案，进行融合处理操作的具体方式为：
若知识类的置信度为0，则答案融合只取语料候选答案；若语料类问题置信度为0，则答案融合只取知识图谱候选答案；否则将两种答案根据置信度进行融合处理。
优选地，所述语言生成模块对融合后的候选答案生成自然语言答案的方法包括补充缺省的信息、定制答案模板。
本发明采用了深度网络学习技术和知识图谱技术，对保险专业场景的客户问题进行专业型的回答。其中知识推理性的问题由知识图谱回答，而常见问题由基于深度LSTM网络回答。知识图谱中存储了结构化的保险知识数据，不但能够回答直接的实体和关系，而且还能够进行语义推理。深度LSTM网络从语料库中学习获得问答和答案之间的关系，建立了问题和答案之间的映射。本发明实现了自动化的、专业化的客服服务。
本发明智能客服系统具备如下能力：
(1)售前咨询，为客户提供保险产品的咨询服务，具有客观、专业的优点；
(2)知识问题，为客户提供保险领域的知识问答服务，为客户提供专业的保险知识咨询和推理；
(3)产品推荐，能够根据客户提供的信息，提取客户用户画像，为客户推荐产品。
本发明实现的效果如下：
(1)通过知识图谱引导和语料数据学习，本发明实现的保险专业场景智能客服系统，能够实现快速回答和高准确率。平均回复速度不超过1秒，准确率达90.7％；
(2)杜绝了相关的主观和道德风险，对反馈效率和客户的体验来说，都是质的飞跃；
(3)与人类客服人员相比，智能客服系统可以二十四小时工作，不用休息，随时服务；同时客服了保险业务员的主观性，不吹不黑不忽悠。
附图说明
图1为本发明系统组成框图；
图2为本发明智能客服系统处理流程图。
具体实施方式
以下结合附图和具体实施例，对本发明进一步说明。
参照图1与图2所示，本发明提供一种基于保险专业场景的智能客服系统，包括：语音识别单元、中文分词单元、以及保险场景智能问答单元、答案优化单元、语音合成单元；
所述语音识别单元将客户的声音信息转化为文本信息；
所述中文分词单元将中文文本信息进行分词，获得词语及词性信息；
所述保险场景智能问答单元将分词后的文本信息输入，通过对语义的分析理解，在知识图谱和语料库中获得保险专业的答案，并将候选答案输出；
所述答案优化单元利用输出的候选答案，进行答案的优化处理；
所述语音合成单元将优化后的答案，输入语音合成引擎，生成声音信息，使得客户能够听懂答案。
作为本发明一优选实施例，所述保险场景智能问答单元包括语义理解模块、控制器、实体关系识别模块、图谱搜索模块、快速检索模块、深度重排序模块、答案融合模块、语言生成模块；所述语义理解模块将分词后的文本输入到语义理解引擎，将客户问题文本进行分类，输出知识类问题和语料类问题；所述控制器根据输入的文本信息以及文本分类信息，将数据分流分别输入到知识图谱模型和语料库模型；所述实体关系识别模块利用保险专业知识图谱，对输入的文本信息进行实体抽取和关系识别，然后输入图谱搜索模块；所述快速检索基于已经搜集的问答语料库，利用关键词匹配快速检索技术，获得候选问答对集合，然后输入到深度重排序操作；所述图谱搜索模块基于保险专业知识图谱，利用已经抽取的实体和关系，在知识图谱中进行检索和推理，或者知识图谱的候选答案知识点，输入到答案融合模块操作；所述深度重排序模块使用一个双向LSTM深度网络用来获取问题和答案的向量表示，然后用余弦相似度得分来选出与问题相似度最高的若干答案，输入到答案融合模块操作具体计算过程为：
首先，对问题q做分词，并获取对应的词向量序列：
q＝(q1,...,ql)
使用LSTM，获取qt对应的隐层表示ht:
ht＝LSTM(ht-1,qt)
采用max pooling，获取定长的表征问题qemb的向量：
qemb＝max_pool(h1..,hl)
然后，对答案a做分词，并获取对应的词向量序列：
a＝(a1,...,al)
使用LSTM，获取at对应的隐层表示ht:
ht＝LSTM(ht-1,at)
利用qemb对答案的隐层表示做基于Attention的权重计算，获取定长的表征答案aemb的向量：
st＝cos(qemb,ht)
αt＝softmax(st)
aemb＝∑αt ht
最后，通过计算qemb和aemb的相似度，获取问题q与答案a的匹配度：
sim(q,a)＝cos(qemb,aemb)
所述答案融合模块根据知识类问题置信度和语料类问题置信度，以及知识图谱候选答案知识点和语料候选答案，进行融合处理操作；所述语言生成模块对融合后的候选答案生成自然语言答案，最终输出自然答案到答案优化单元。
作为本发明一优选实施例，所述答案融合模块根据知识类问题置信度和语料类问题置信度，以及知识图谱候选答案知识点和语料候选答案，进行融合处理操作的具体方式为：
若知识类的置信度为0，则答案融合只取语料候选答案；若语料类问题置信度为0，则答案融合只取知识图谱候选答案；否则将两种答案根据置信度进行融合处理。
作为本发明一优选实施例，所述语言生成模块对融合后的候选答案生成自然语言答案的方法包括补充缺省的信息、定制答案模板。
本发明还提供一种基于保险专业场景的智能客服方法，包括如下步骤：
采用语音识别单元将客户的声音信息转化为文本信息；
以中文分词单元将中文文本信息进行分词，获得词语及词性信息；
配置保险场景智能问答单元将分词后的文本信息输入，通过对语义的分析理解，在知识图谱和语料库中获得保险专业的答案，并将候选答案输出；
使用答案优化单元利用输出的候选答案，进行答案的优化处理；
设置语音合成单元将优化后的答案，输入语音合成引擎，生成声音信息，使得客户能够听懂答案。
其中，所述保险场景智能问答单元同上述所述。
本发明的具体工作原理如下：
如图1所示，本发明提出的保险专业场景智能客服系统包含五大模型，包括语音识别、语音合成、中文分词、答案优化以及保险场景智能问答单元。其中保险场景智能问答单元，利用了知识图谱和长短时记忆模型(LSTM)处理问答逻辑，是本系统的核心模块。
保险专业场景智能客服系统步骤如下：
步骤1：语音识别单元。将客户的声音信息转化为文本信息。客户系统交互中，语音交互是最自然的交互方式之一，我们利用第三方的语音识别引擎，将客户的语音输入转换为文本输出。
步骤2：中文分词单元。将中文文本信息进行分词，获得词语及词性等信息。不同于英文，中文文本中的字一般不是一个有意义的词语，因此需要进行分词操作。
步骤3：保险场景智能问答单元。将分词后的文本信息输入到智能问题模块，智能问答单元通过对语义的分析理解，在知识图谱和语料库中获得保险专业的答案，并将候选答案输出。
步骤4：答案优化单元。利用输出的候选答案，进行答案的优化处理。如输出一些顺滑语句、安抚语句，根据情况将不同的候选答案输出(如输出分数最高的前K个答案)。
步骤5：语音合成单元。将优化后的答案，输入语音合成引擎，生成声音信息，使得客户能够听懂答案。
步骤6：不断重复步骤1、2、3、4和5，直到客户结束对该保单核赔的咨询。
更具体的说，步骤3中的保险场景智能问答单元，对客户输入的问题生成候选答案的操作流程如下：
操作1：语义理解。将分词后的文本输入到语义理解引擎。语义理解引擎主要判断问题的类型，即将客户问题文本进行分类，输出知识类问题和语料类问题的置信度。其中语义理解引擎由建立的知识类问题库和语料类问题库进行文本分类学习。
操作2：控制器。控制器根据输入的文本信息以及文本分类信息，将数据分流分别输入到后面两个模型。
操作3.1：实体关系识别。利用保险专业知识图谱，对输入的文本信息进行实体抽取和关系识别，然后输入图谱搜索。实体抽取和关系识别分别基于知识图谱的实体库和关系库进行智能匹配处理。
操作3.2：快速检索。基于已经搜集的问答语料库，利用关键词匹配快速检索技术，获得候选问答对集合，然后输入到深度重排序操作。关键词库可以预先从语料库中提取出。
操作4.1：图谱搜索。基于保险专业知识图谱，利用已经抽取的实体和关系，在知识图谱中进行检索和推理，或者知识图谱的候选答案知识点。输入到答案融合操作。
操作4.2：深度重排序。使用一个双向LSTM深度网络用来获取问题和答案的向量表示，然后用余弦相似度得分来选出与问题相似度最高的若干答案。输入到答案融合操作。
操作5：答案融合。根据知识类问题置信度和语料类问题置信度，以及知识图谱候选答案知识点和语料候选答案，进行融合处理操作。若知识类的置信度为0，则答案融合只取语料候选答案；若语料类问题置信度为0，则答案融合只取知识图谱候选答案；否则将两种答案根据置信度进行融合处理。将融合后的答案输出到语言生成操作。
操作6：语言生成操作。对融合后的候选答案生成自然语言答案，包括补充缺省的信息、定制答案模板等。最终输出自然答案到答案优化单元。
区别于现有的技术，本发明具有如下创新点：
(1)、保险知识引导。利用里知识图谱进行客服问题，能够利用保险知识进行知识推理问答；
(2)、语料数据学习。从大量语料数据中，利用先进的LSTM深度网络，学习得到问题和答案之间的映射关系，针对保险专业场景的客户问题提供专业解答；
(3)、智能客服系统专业、客观、成本低。能够提供全天候、专业化和客观的回答。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (9)
1.一种基于保险专业场景的智能客服系统，其特征在于，包括：语音识别单元、中文分词单元、以及保险场景智能问答单元、答案优化单元、语音合成单元；
所述语音识别单元将客户的声音信息转化为文本信息；
所述中文分词单元将中文文本信息进行分词，获得词语及词性信息；
所述保险场景智能问答单元将分词后的文本信息输入，通过对语义的分析理解，在知识图谱和语料库中获得保险专业的答案，并将候选答案输出；
所述答案优化单元利用输出的候选答案，进行答案的优化处理；
所述语音合成单元将优化后的答案，输入语音合成引擎，生成声音信息，使得客户能够听懂答案。
2.根据权利要求1所述的智能客服系统，其特征在于，所述保险场景智能问答单元包括语义理解模块、控制器、实体关系识别模块、图谱搜索模块、快速检索模块、深度重排序模块、答案融合模块、语言生成模块；所述语义理解模块将分词后的文本输入到语义理解引擎，将客户问题文本进行分类，输出知识类问题和语料类问题；所述控制器根据输入的文本信息以及文本分类信息，将数据分流分别输入到知识图谱模型和语料库模型；所述实体关系识别模块利用保险专业知识图谱，对输入的文本信息进行实体抽取和关系识别，然后输入图谱搜索模块；所述快速检索基于已经搜集的问答语料库，利用关键词匹配快速检索技术，获得候选问答对集合，然后输入到深度重排序操作；所述图谱搜索模块基于保险专业知识图谱，利用已经抽取的实体和关系，在知识图谱中进行检索和推理，或者知识图谱的候选答案知识点，输入到答案融合模块操作；所述深度重排序模块使用一个双向LSTM深度网络用来获取问题和答案的向量表示，然后用余弦相似度得分来选出与问题相似度最高的若干答案，输入到答案融合模块操作；
所述答案融合模块根据知识类问题置信度和语料类问题置信度，以及知识图谱候选答案知识点和语料候选答案，进行融合处理操作；所述语言生成模块对融合后的候选答案生成自然语言答案，最终输出自然答案到答案优化单元。
3.根据权利要求2所述的智能客服系统，其特征在于，所述深度重排序模块使用一个双向LSTM深度网络用来获取问题和答案的向量表示，然后用余弦相似度得分来选出与问题相似度最高的若干答案，输入到答案融合模块操作，具体计算过程为：
首先，对问题q做分词，并获取对应的词向量序列：
q＝(q1,...,ql)
使用LSTM，获取qt对应的隐层表示ht:
ht＝LSTM(ht-1,qt)
采用max pooling，获取定长的表征问题qemb的向量：
qemb＝max_pool(h1..,hl)
然后，对答案a做分词，并获取对应的词向量序列：
a＝(a1,...,al)
使用LSTM，获取at对应的隐层表示ht:
ht＝LSTM(ht-1,at)
利用qemb对答案的隐层表示做基于Attention的权重计算，获取定长的表征答案aemb的向量：
st＝cos(qemb,ht)
αt＝softmax(st)
aemb＝∑αtht
最后，通过计算qemb和aemb的相似度，获取问题q与答案a的匹配度：
sim(q,a)＝cos(qemb,aemb)
4.根据权利要求2所述的智能客服系统，其特征在于，所述答案融合模块根据知识类问题置信度和语料类问题置信度，以及知识图谱候选答案知识点和语料候选答案，进行融合处理操作的具体方式为：
若知识类的置信度为0，则答案融合只取语料候选答案；若语料类问题置信度为0，则答案融合只取知识图谱候选答案；否则将两种答案根据置信度进行融合处理。
5.根据权利要求2所述的智能客服系统，其特征在于，所述语言生成模块对融合后的候选答案生成自然语言答案的方法包括补充缺省的信息、定制答案模板。
6.一种基于保险专业场景的智能客服方法，其特征在于，包括如下步骤：
采用语音识别单元将客户的声音信息转化为文本信息；
以中文分词单元将中文文本信息进行分词，获得词语及词性信息；
配置保险场景智能问答单元将分词后的文本信息输入，通过对语义的分析理解，在知识图谱和语料库中获得保险专业的答案，并将候选答案输出；
使用答案优化单元利用输出的候选答案，进行答案的优化处理；
设置语音合成单元将优化后的答案，输入语音合成引擎，生成声音信息，使得客户能够听懂答案。
7.根据权利要求6所述的智能客服方法，其特征在于，所述保险场景智能问答单元包括语义理解模块、控制器、实体关系识别模块、图谱搜索模块、快速检索模块、深度重排序模块、答案融合模块、语言生成模块；所述语义理解模块将分词后的文本输入到语义理解引擎，将客户问题文本进行分类，输出知识类问题和语料类问题；所述控制器根据输入的文本信息以及文本分类信息，将数据分流分别输入到知识图谱模型和语料库模型；所述实体关系识别模块利用保险专业知识图谱，对输入的文本信息进行实体抽取和关系识别，然后输入图谱搜索模块；所述快速检索基于已经搜集的问答语料库，利用关键词匹配快速检索技术，获得候选问答对集合，然后输入到深度重排序操作；所述图谱搜索模块基于保险专业知识图谱，利用已经抽取的实体和关系，在知识图谱中进行检索和推理，或者知识图谱的候选答案知识点，输入到答案融合模块操作；所述深度重排序模块使用一个双向LSTM深度网络用来获取问题和答案的向量表示，然后用余弦相似度得分来选出与问题相似度最高的若干答案，输入到答案融合模块操作；所述答案融合模块根据知识类问题置信度和语料类问题置信度，以及知识图谱候选答案知识点和语料候选答案，进行融合处理操作；所述语言生成模块对融合后的候选答案生成自然语言答案，最终输出自然答案到答案优化单元。
8.根据权利要求7所述的智能客服系统，其特征在于，所述答案融合模块根据知识类问题置信度和语料类问题置信度，以及知识图谱候选答案知识点和语料候选答案，进行融合处理操作的具体方式为：
若知识类的置信度为0，则答案融合只取语料候选答案；若语料类问题置信度为0，则答案融合只取知识图谱候选答案；否则将两种答案根据置信度进行融合处理。
9.根据权利要求7所述的智能客服系统，其特征在于，所述语言生成模块对融合后的候选答案生成自然语言答案的方法包括补充缺省的信息、定制答案模板。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811561552.4A CN109658271A (zh) | 2018-12-19 | 2018-12-19 | 一种基于保险专业场景的智能客服系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811561552.4A CN109658271A (zh) | 2018-12-19 | 2018-12-19 | 一种基于保险专业场景的智能客服系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109658271A true CN109658271A (zh) | 2019-04-19 |
Family
ID=66115253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811561552.4A Pending CN109658271A (zh) | 2018-12-19 | 2018-12-19 | 一种基于保险专业场景的智能客服系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109658271A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175227A (zh) * | 2019-05-10 | 2019-08-27 | 神思电子技术股份有限公司 | 一种基于组队学习和层级推理的对话辅助系统 |
| CN110347811A (zh) * | 2019-06-11 | 2019-10-18 | 福建奇点时空数字科技有限公司 | 一种基于人工智能的专业知识问答机器人系统 |
| CN110427475A (zh) * | 2019-08-05 | 2019-11-08 | 安徽赛福贝特信息技术有限公司 | 一种语音识别智能客服系统 |
| CN110457684A (zh) * | 2019-07-15 | 2019-11-15 | 广州九四智能科技有限公司 | 智能电话客服的语义分析方法 |
| CN110992956A (zh) * | 2019-11-11 | 2020-04-10 | 上海市研发公共服务平台管理中心 | 语音转换的信息处理方法、装置、设备和存储介质 |
| CN111046154A (zh) * | 2019-11-20 | 2020-04-21 | 泰康保险集团股份有限公司 | 信息检索方法、装置、介质及电子设备 |
| CN111090726A (zh) * | 2019-12-04 | 2020-05-01 | 中国南方电网有限责任公司 | 一种基于nlp的电力行业文字客服交互方法 |
| CN111402071A (zh) * | 2020-04-10 | 2020-07-10 | 深圳新致软件有限公司 | 保险业智能客服机器人系统以及设备 |
| CN111507849A (zh) * | 2020-03-25 | 2020-08-07 | 上海商汤智能科技有限公司 | 核保方法及相关装置、设备 |
| CN111651554A (zh) * | 2020-04-17 | 2020-09-11 | 世纪保众(北京)网络科技有限公司 | 基于自然语言理解及处理的保险问答回答的方法和装置 |
| WO2021135561A1 (zh) * | 2019-12-31 | 2021-07-08 | 思必驰科技股份有限公司 | 技能语音唤醒方法及装置 |
| CN113724036A (zh) * | 2021-07-29 | 2021-11-30 | 阿里巴巴（中国）有限公司 | 提供问题咨询服务的方法及电子设备 |
| CN113821621A (zh) * | 2021-09-28 | 2021-12-21 | 中电万维信息技术有限责任公司 | 一种基于深度学习的开放式智能客服系统 |
| CN117391515A (zh) * | 2023-10-24 | 2024-01-12 | 科讯嘉联信息技术有限公司 | 一种基于通用大语言模型的服务质量管理方法与系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105068661A (zh) * | 2015-09-07 | 2015-11-18 | 百度在线网络技术（北京）有限公司 | 基于人工智能的人机交互方法和系统 |
| CN106550156A (zh) * | 2017-01-23 | 2017-03-29 | 苏州咖啦魔哆信息技术有限公司 | 一种基于语音识别的人工智能客服系统及其实现方法 |
| CN107301213A (zh) * | 2017-06-09 | 2017-10-27 | 腾讯科技（深圳）有限公司 | 智能问答方法及装置 |
| CN107562792A (zh) * | 2017-07-31 | 2018-01-09 | 同济大学 | 一种基于深度学习的问答匹配方法 |
| CN107958091A (zh) * | 2017-12-28 | 2018-04-24 | 北京贝塔智投科技有限公司 | 一种基于金融垂直知识图谱的nlp人工智能方法及交互系统 |
| CN108108449A (zh) * | 2017-12-27 | 2018-06-01 | 哈尔滨福满科技有限责任公司 | 一种面向医疗领域的基于多源异构数据问答系统及该系统的实现方法 |
| CN108153876A (zh) * | 2017-12-26 | 2018-06-12 | 爱因互动科技发展（北京）有限公司 | 智能问答方法及系统 |
| CN108647233A (zh) * | 2018-04-02 | 2018-10-12 | 北京大学深圳研究生院 | 一种用于问答系统的答案排序方法 |
| CN108984778A (zh) * | 2018-07-25 | 2018-12-11 | 南京瓦尔基里网络科技有限公司 | 一种智能交互自动问答系统以及自我学习方法 |
| CN109002519A (zh) * | 2018-07-09 | 2018-12-14 | 北京慧闻科技发展有限公司 | 基于卷积循环神经网络的答案选择方法、装置和电子设备 |
-
2018
- 2018-12-19 CN CN201811561552.4A patent/CN109658271A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105068661A (zh) * | 2015-09-07 | 2015-11-18 | 百度在线网络技术（北京）有限公司 | 基于人工智能的人机交互方法和系统 |
| WO2017041372A1 (zh) * | 2015-09-07 | 2017-03-16 | 百度在线网络技术（北京）有限公司 | 基于人工智能的人机交互方法和系统 |
| CN106550156A (zh) * | 2017-01-23 | 2017-03-29 | 苏州咖啦魔哆信息技术有限公司 | 一种基于语音识别的人工智能客服系统及其实现方法 |
| CN107301213A (zh) * | 2017-06-09 | 2017-10-27 | 腾讯科技（深圳）有限公司 | 智能问答方法及装置 |
| CN107562792A (zh) * | 2017-07-31 | 2018-01-09 | 同济大学 | 一种基于深度学习的问答匹配方法 |
| CN108153876A (zh) * | 2017-12-26 | 2018-06-12 | 爱因互动科技发展（北京）有限公司 | 智能问答方法及系统 |
| CN108108449A (zh) * | 2017-12-27 | 2018-06-01 | 哈尔滨福满科技有限责任公司 | 一种面向医疗领域的基于多源异构数据问答系统及该系统的实现方法 |
| CN107958091A (zh) * | 2017-12-28 | 2018-04-24 | 北京贝塔智投科技有限公司 | 一种基于金融垂直知识图谱的nlp人工智能方法及交互系统 |
| CN108647233A (zh) * | 2018-04-02 | 2018-10-12 | 北京大学深圳研究生院 | 一种用于问答系统的答案排序方法 |
| CN109002519A (zh) * | 2018-07-09 | 2018-12-14 | 北京慧闻科技发展有限公司 | 基于卷积循环神经网络的答案选择方法、装置和电子设备 |
| CN108984778A (zh) * | 2018-07-25 | 2018-12-11 | 南京瓦尔基里网络科技有限公司 | 一种智能交互自动问答系统以及自我学习方法 |
Non-Patent Citations (5)
| Title |
|---|
| CAI, RC 等: "An CNN-LSTM Attention Approach to Understanding User Query Intent from Online Health Communities", 《2017 17TH IEEE INTERNATIONAL CONFERENCE ON DATA MINING WORKSHOPS (ICDMW 2017)》, 12 March 2018 (2018-03-12), pages 430 - 437 * |
| JUNBEI ZHANG等: "Exploring question representation and adaptation with neural networks", 《2017 3RD IEEE INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATIONS (ICCC)》, 26 March 2018 (2018-03-26), pages 1975 - 1984 * |
| 刘宝瑞等: "基于Deep QA的图书馆数字参考咨询问答系统研究", 《情报科学》, no. 04, pages 103 - 108 * |
| 周博通;孙承杰;林磊;刘秉权;: "InsunKBQA:一个基于知识库的问答系统", 智能计算机与应用, no. 05, pages 166 - 168 * |
| 高旭杨: "基于语句相似度计算的FAQ问答系统设计", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 12, 15 December 2018 (2018-12-15), pages 138 - 2040 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175227B (zh) * | 2019-05-10 | 2021-03-02 | 神思电子技术股份有限公司 | 一种基于组队学习和层级推理的对话辅助系统 |
| CN110175227A (zh) * | 2019-05-10 | 2019-08-27 | 神思电子技术股份有限公司 | 一种基于组队学习和层级推理的对话辅助系统 |
| CN110347811A (zh) * | 2019-06-11 | 2019-10-18 | 福建奇点时空数字科技有限公司 | 一种基于人工智能的专业知识问答机器人系统 |
| CN110457684A (zh) * | 2019-07-15 | 2019-11-15 | 广州九四智能科技有限公司 | 智能电话客服的语义分析方法 |
| CN110427475A (zh) * | 2019-08-05 | 2019-11-08 | 安徽赛福贝特信息技术有限公司 | 一种语音识别智能客服系统 |
| CN110992956A (zh) * | 2019-11-11 | 2020-04-10 | 上海市研发公共服务平台管理中心 | 语音转换的信息处理方法、装置、设备和存储介质 |
| CN111046154A (zh) * | 2019-11-20 | 2020-04-21 | 泰康保险集团股份有限公司 | 信息检索方法、装置、介质及电子设备 |
| CN111090726A (zh) * | 2019-12-04 | 2020-05-01 | 中国南方电网有限责任公司 | 一种基于nlp的电力行业文字客服交互方法 |
| EP4086892A4 (en) * | 2019-12-31 | 2023-05-31 | Ai Speech Co., Ltd. | VOICE WAKE-UP METHOD AND DEVICE FOR COMPETENCES |
| US11721328B2 (en) | 2019-12-31 | 2023-08-08 | Ai Speech Co., Ltd. | Method and apparatus for awakening skills by speech |
| WO2021135561A1 (zh) * | 2019-12-31 | 2021-07-08 | 思必驰科技股份有限公司 | 技能语音唤醒方法及装置 |
| JP7436077B2 (ja) | 2019-12-31 | 2024-02-21 | エーアイ スピーチ カンパニー リミテッド | スキルの音声ウェイクアップ方法および装置 |
| JP2023506087A (ja) * | 2019-12-31 | 2023-02-14 | エーアイ スピーチ カンパニー リミテッド | スキルの音声ウェイクアップ方法および装置 |
| CN111507849A (zh) * | 2020-03-25 | 2020-08-07 | 上海商汤智能科技有限公司 | 核保方法及相关装置、设备 |
| CN111402071B (zh) * | 2020-04-10 | 2022-09-09 | 深圳新致软件有限公司 | 保险业智能客服机器人系统以及设备 |
| CN111402071A (zh) * | 2020-04-10 | 2020-07-10 | 深圳新致软件有限公司 | 保险业智能客服机器人系统以及设备 |
| CN111651554A (zh) * | 2020-04-17 | 2020-09-11 | 世纪保众(北京)网络科技有限公司 | 基于自然语言理解及处理的保险问答回答的方法和装置 |
| CN113724036A (zh) * | 2021-07-29 | 2021-11-30 | 阿里巴巴（中国）有限公司 | 提供问题咨询服务的方法及电子设备 |
| CN113821621B (zh) * | 2021-09-28 | 2023-10-27 | 中电万维信息技术有限责任公司 | 一种基于深度学习的开放式智能客服系统 |
| CN113821621A (zh) * | 2021-09-28 | 2021-12-21 | 中电万维信息技术有限责任公司 | 一种基于深度学习的开放式智能客服系统 |
| CN117391515A (zh) * | 2023-10-24 | 2024-01-12 | 科讯嘉联信息技术有限公司 | 一种基于通用大语言模型的服务质量管理方法与系统 |
| CN117391515B (zh) * | 2023-10-24 | 2024-06-07 | 科讯嘉联信息技术有限公司 | 一种基于通用大语言模型的服务质量管理方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109658271A (zh) | 一种基于保险专业场景的智能客服系统及方法 | |
| CN110765257B (zh) | 一种知识图谱驱动型的法律智能咨询系统 | |
| CN107492379B (zh) | 一种声纹创建与注册方法及装置 | |
| CN108614875B (zh) | 基于全局平均池化卷积神经网络的中文情感倾向性分类方法 | |
| CN109460737A (zh) | 一种基于增强式残差神经网络的多模态语音情感识别方法 | |
| CN108319720A (zh) | 基于人工智能的人机交互方法、装置及计算机设备 | |
| CN110750635B (zh) | 一种基于联合深度学习模型的法条推荐方法 | |
| CN111104498A (zh) | 一种任务型对话系统中的语义理解方法 | |
| CN110502610A (zh) | 基于文本语义相似度的智能语音签名方法、装置及介质 | |
| CN110532398A (zh) | 基于多任务联合神经网络模型的家族图谱自动构建方法 | |
| CN110750646B (zh) | 一种旅店评论文本的属性描述提取方法 | |
| CN111462752B (zh) | 基于注意力机制、特征嵌入及bi-lstm的客户意图识别方法 | |
| CN113051914A (zh) | 一种基于多特征动态画像的企业隐藏标签抽取方法及装置 | |
| CN112632244A (zh) | 一种人机通话的优化方法、装置、计算机设备及存储介质 | |
| CN117076693A (zh) | 一种数字人教师多模态大语言模型预训练学科语料库的构建方法 | |
| CN110532363A (zh) | 一种基于决策树的任务导向型自动对话方法 | |
| CN108876643A (zh) | 一种社交策展网络上采集（Pin）的多模态表示方法 | |
| CN110347812A (zh) | 一种面向司法文本的搜索排序方法及系统 | |
| KR20190023722A (ko) | 소셜 빅데이터 기반 감성 분석 키워드 확장 장치 및 방법 | |
| US20240037941A1 (en) | Search results within segmented communication session content | |
| CN114298011B (zh) | 神经网络、训练方法、方面级情感分析方法、装置及存储介质 | |
| CN110472032A (zh) | 医疗自定义实体词词性标签的多分类智能问答检索方法 | |
| CN114491265B (zh) | 一种经营性空间平台运营服务系统的构建方法 | |
| CN110059179A (zh) | 一种基于深度学习的歌曲文本命名实体识别方法 | |
| Karpagam et al. | Deep learning approaches for answer selection in question answering system for conversation agents |
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 |