CN109800410A - 一种基于在线聊天记录的表单生成方法和系统 - Google Patents
一种基于在线聊天记录的表单生成方法和系统 Download PDFInfo
- Publication number
- CN109800410A CN109800410A CN201711146457.3A CN201711146457A CN109800410A CN 109800410 A CN109800410 A CN 109800410A CN 201711146457 A CN201711146457 A CN 201711146457A CN 109800410 A CN109800410 A CN 109800410A
- Authority
- CN
- China
- Prior art keywords
- chat
- text information
- mapping model
- records
- text
- 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 36
- 238000013507 mapping Methods 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims description 75
- 239000013598 vector Substances 0.000 claims description 44
- 230000011218 segmentation Effects 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 16
- 230000009467 reduction Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000005429 filling process Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Information Transfer Between Computers (AREA)
Abstract
本申请提供一种基于聊天记录的表单生成方法和系统，所述方法包括：获取客户与客服之间的聊天记录；对所述聊天记录进行向量化；利用表单映射模型，将各向量化结果映射至表单项；根据所述聊天记录以及对应的表单项，生成基于聊天记录的表单。可以自动生成基于聊天记录的表单，省时、省力、有效地提高表单的生成效率；提高表单准确性。
Description
【技术领域】
本申请涉及通讯系统领域，尤其涉及一种基于在线聊天记录的表单生成方法和系统。
【背景技术】
目前，客服人员在提供人工服务时，与客户进行语音或文字聊天，了解客户咨询的问题，为客户提供解决方案。在聊天结束后，基于上述问题创建表单。
但是，传统的在线聊天系统形式的客服平台只保存聊天记录，这样做的缺点是：
1.聊天记录中存在大量和客户咨询问题无关的内容，这些内容对分析客户问题毫无作用，会占用大量存储空间和质检人力；
2.聊天结束后，客服需要手动创建表单来记录客户的问题和解决方案，费时、费力、生成效率较低；并且，客服填写的问题和解决方案可能与聊天记录冲突，表单准确性不好把控。
【发明内容】
本申请的多个方面提供一种基于在线聊天记录的表单生成方法和系统，用以提高表单生成的效率和准确性。
本申请的一方面，提供一种基于在线聊天记录的表单生成方法，包括：
获取客户与客服之间的聊天记录；
对所述聊天记录进行向量化；
利用表单映射模型，将各向量化结果映射至表单项；
根据所述聊天记录以及对应的表单项，生成基于聊天记录的表单。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取客户与客服之间的聊天记录包括：
对语音聊天记录中进行转换得到聊天文本信息；或，
从文字聊天记录中抽取出聊天文本信息。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，对所述聊天记录进行向量化包括：
对聊天记录中聊天文本信息进行分词处理和词频统计，将聊天文本信息中的各文本单位转化成词频表示的向量。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，利用表单映射模型，将各向量化结果映射至表单项包括：
将各文本单位转化成的词频表示的向量输入至表单映射模型，获取表单映射模型输出的表单项。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据所述聊天记录以及对应的表单项，生成基于聊天记录的表单包括：
利用聊天记录中的各文本单元对其对应的表单项进行填充，生成基于聊天记录的表单。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述表单映射模型采用以下方式预先训练得到：
选取训练样本，所述训练样本包括：聊天文本信息的各文本单元、对应的表单项；
将各文本单元的向量化结果作为原始深层神经网络的输入，对应的表单项作为所述原始深层神经网络的输出，训练所述原始深层神经网络，得到所述表单映射模型。
根据本发明的另一方面，提供一种基于聊天记录的表单生成系统，包括：
获取模块，用于获取客户与客服之间的聊天记录；
向量化模块，用于对所述聊天记录进行向量化；
表单映射模块，用于利用表单映射模型，将各向量化结果映射至表单项；
表单生成模块，用于根据所述聊天记录以及对应的表单项，生成基于聊天记录的表单。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取模块具体用于：
对语音聊天记录中进行转换得到聊天文本信息；或，
从文字聊天记录中抽取出聊天文本信息。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述向量化模块具体用于：
对聊天记录中聊天文本信息进行分词处理和词频统计，将聊天文本信息中的各文本单位转化成词频表示的向量。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述表单映射模块具体用于：
将各文本单位转化成的词频表示的向量输入至表单映射模型，获取表单映射模型输出的表单项。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述表单生成模块，具体用于：
利用聊天记录中的各文本单元对其对应的表单项进行填充，生成基于聊天记录的表单。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述系统还包括
表单映射模型训练模块，用于，
聊天文本信息的各文本单元、对应的表单项；
将各文本单元的向量化结果作为原始深层神经网络的输入，对应的表单项作为所述原始深层神经网络的输出，训练所述原始深层神经网络，得到所述表单映射模型。
本发明的另一方面，提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
本发明的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
由所述技术方案可知，本申请实施例，提高了表单生成的效率和准确性。
【附图说明】
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的基于聊天记录的表单生成方法的流程示意图；
图2为本申请一实施例提供的基于聊天记录的表单生成系统的结构示意图；
图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。
【具体实施方式】
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，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作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。
图1为本申请一实施例提供的基于聊天记录的表单生成方法的流程示意图，如图1所示，包括以下步骤：
步骤S11、获取客户与客服之间的在线聊天记录；
步骤S12、对所述在线聊天记录进行向量化；
步骤S13、利用表单映射模型，将各向量化结果映射至表单项；
步骤S14、根据所述聊天记录以及对应的表单项，生成基于聊天记录的表单。
在本实施例的一种实现方式中，对客户与客服的聊天记录进行统一处理。
在步骤S11的一种优选实现方式中，
若所述在线聊天记录为客户与客服之间的语音聊天记录，本实施例的基于在线聊天记录的表单生成装置接收每一客户与客服之间的语音聊天记录，并对所述语音聊天记录进行语音识别，转换为文字聊天记录，从文字聊天记录中抽取出聊天文本信息。
若所述在线聊天记录为文字聊天记录，从文字聊天记录中抽取出聊天文本信息。
在步骤S12的一种优选实现方式中，
对所述在线聊天记录进行向量化包括对聊天记录中聊天文本信息进行分词处理和词频统计，将聊天文本信息中的各文本单位转化成词频表示的向量。
所述向量化包括如下步骤：
步骤S121、对聊天文本信息进行分词处理，将聊天文本信息中的各文本单位，例如句子，转化为单词列表；
步骤S122、根据所述单词列表进行词频统计，将聊天文本信息中的各文本单位，例如句子，转化成词频表示的向量，即每个句子的词向量组合作为这个句子的特征参数。
其中，所述预先设置的词典包括：停用词词典、专有名词词典、分词生成的词典。
在分词后的直接结果中，有大量的无效项，例如空格，逗号等等。因此，一般在分词以后，还要根据停用词词典进行预处理。例如去掉停用词(stopwords，指的是没什么意义的词，例如空格，逗号，句号，啊，呀，等等)，去掉出现频率过低和过高的词等等。
所述专有名词词典，可以包括覆盖客服针对的服务提供商的所有产品的提问以及解答方面的所有专有名词，聊天记录中的专有名词不会被切分。
所述分词生成的词典，是根据在线客服的历史聊天记录进行分词所生成的。将词典中的无数个词语按照顺序排列，并建立一个大小等于词典中词语数量的特征向量，特征向量中每一个位置对应词典中一个词语。
分析聊天文本信息中的各文本单位，例如句子，进行分词处理得到的单词是否命中词典中的某词语，若命中，将特征向量中与分词对应位置的元素设置为1，否则该位置的元素为0。得到聊天文本信息中的个文本单位，例如句子，中所有单词的词频，将聊天文本信息中的各文本单位转化成词频表示的向量。
在大规模的聊天文本信息的处理中，由于特征的维度对应分词词汇表的大小，所以维度可能非常恐怖，此时需要进行降维，最常用的文本降维方法是Hash Trick。
在步骤S13的一种优选实现方式中，
将聊天文本信息中各文本单位，例如句子，转化成的词频表示的向量输入至表单映射模型，获取表单映射模型输出的表单项。
将聊天文本信息中各文本单位，例如句子，转化成的词频表示的向量输入至表单映射模型中，使得表单映射模型输出聊天文本信息中句子对应的表单项，将聊天文本信息中的文本单位，例如句子，分类，每类对应一个意图，即一个表单项。例如，“请问您的姓名是？”对应“客户姓名”意图，“有什么可以帮您的？”对应“问题描述”意图，“张三”对应“客户姓名”意图，“我的XX钱包无法还款”对应“问题描述”意图。
在步骤S14的一种优选实现方式中，
利用聊天记录中的各文本单位，例如句子，对其对应的表单项进行填充，便可以生成基于聊天记录的表单。例如，将“张三”填充到“客户姓名”表单项，“我的XX钱包无法还款”填充到“问题描述”表单项，聊天记录就自动填充到表单项生成基于聊天记录的表单所述表单包括“客户姓名”表单项、“问题描述”表单项以及对应的内容。
在填充过程中，可以剔除聊天记录中一些闲聊和无关紧要的词，如“好啊”、“知道了”、“我觉得”等等。
优选地，所述表单映射模型采用以下方式预先训练得到：
选取训练样本，所述训练样本包括：聊天文本信息的各文本单位、对应的表单项；
将各文本单元的向量化结果作为原始深层神经网络的输入，对应的表单项作为所述原始深层神经网络的输出，训练所述原始深层神经网络，得到所述表单映射模型。
具体地，选择一个卷积神经网络，如TextCNN模型，作为表单映射模型的训练模型，并给该表单映射模型中的各参数赋予初始值。
针对每条训练数据中的聊天文本信息，根据各条训练数据的聊天文本信息与预先设置的词典，获取各文本单元的向量化结果。
将各文本单元的向量化结果输入至原始卷积神经网络中，获取所述原始卷积神经网络输出的预测值，并根据所述原始卷积神经网络基于所述训练数据的预测值与所述训练数据之间的相关性偏序，计算损失函数；沿着最小化损失函数的方向，反向逐层更新所述原始卷积网络中各层的加权参数，以使得损失函数最小。
该类方法统称为BP(Back Propagation，反向传播)算法，具体的权值更新算法有各种梯度下降法，例如LBFGS(拟牛顿算法)，或者SGD(随机梯度下降)等，其中SGD收敛速度更快，使用较多。
本实施例中采集的训练数据的条数可以达到260万条以上，采集的训练数据的条数越多，训练的表单映射模型就越准确。可以根据实际需求设定训练结束条件，例如，训练的回合数(例如，1000次，或者2000次等)或者神经网络对训练样本的总误差值等，本实施例对此并不进行限制。
在本实施例的另一种实现方式中，对客户聊天记录与客服的聊天记录分别进行处理。
在步骤S11的一种优选实现方式中，
若所述在线聊天记录为客户与客服之间的语音聊天记录，本实施例的基于在线聊天记录的表单生成装置接收每一客户与客服之间的语音聊天记录，并对所述语音聊天记录进行语音识别，转换为文字聊天记录，从文字聊天记录中抽取出聊天文本信息。
由于所述语音聊天记录为客户与客服之间的，因此，需要分别抽取客户的聊天文本信息和客服的聊天文本信息；
具体地，不同的人的语音具有不同的声音特征，本实施例中，可以在对语音聊天记录进行语音识别的时候，对不同声音特征的人的语音识别时做不同的标记，即将客户和客服的聊天文本信息采用不同的标识来区分。这样，可以从语音聊天记录中抽取出客户的语音进行转换，得到客户的聊天文本信息；抽取出客服的语音进行转换，得到客服的聊天文本信息。
若所述在线聊天记录为文字聊天记录。所述文字聊天记录包括客户和客服的标识。根据所述标识从文字聊天记录中抽取出客户的聊天文本信息和客服的聊天文本信息。
在步骤S12的一种优选实现方式中，
对所述在线聊天记录进行向量化包括：
对客户的聊天文本信息进行分词处理和词频统计，将聊天文本信息中的各文本单位，例如句子，转化成词频表示的向量；
对客服的聊天文本信息进行分词处理和词频统计，将聊天文本信息中的各文本单位，例如句子，转化成词频表示的向量；
具体地，包括如下步骤：
步骤S121、对聊天文本信息进行分词处理，将聊天文本信息中的各文本单位，例如句子，转化为单词列表；
步骤S122、根据所述单词列表进行词频统计，将聊天文本信息中的各文本单位，例如句子，转化成词频表示的向量，即每个句子的词向量组合作为这个句子的特征参数。
其中，所述预先设置的词典包括：停用词词典、专有名词词典、分词生成的词典。
在分词后的直接结果中，有大量的无效项，例如空格，逗号等等。因此，一般在分词以后，还要根据停用词词典进行预处理。例如去掉停用词(stop words，指的是没什么意义的词，例如空格，逗号，句号，啊，呀，等等)，去掉出现频率过低和过高的词等等。
所述专有名词词典，可以包括覆盖客服针对的服务提供商的所有产品的提问以及解答方面的所有专有名词，聊天记录中的专有名词不会被切分。
所述分词生成的词典，是根据在线客服的历史聊天记录进行分词所生成的。将词典中的无数个词语按照顺序排列，并建立一个大小等于词典中词语数量的特征向量，特征向量中每一个位置对应词典中一个词语。
分析聊天文本信息中的各文本单位，例如句子，进行分词处理得到的单词是否命中词典中的某词语，若命中，将特征向量中与分词对应位置的元素设置为1，否则该位置的元素为0。得到聊天文本信息中的个文本单位，例如句子，中所有单词的词频，将聊天文本信息中的各文本单位转化成词频表示的向量。
在大规模的聊天文本信息的处理中，由于特征的维度对应分词词汇表的大小，所以维度可能非常恐怖，此时需要进行降维，最常用的文本降维方法是Hash Trick。
在步骤S13的一种可选实现方式中，
将客户的聊天文本信息中各文本单位，例如句子，转化成的词频表示的向量输入至客户表单映射模型中，使得表单映射模型输出客户的聊天文本信息中各文本单位对应的表单项，将客服的聊天文本信息中的各文本单位分类，每类对应一个意图，即一个表单项。例如，“张三”对应“客户姓名”意图，“我的XX钱包无法还款”对应“问题描述”意图。
将客服的聊天文本信息中各文本单位，例如句子，转化成的词频表示的向量输入至客服表单映射模型中使得表单映射模型输出客服的聊天文本信息中各文本单位对应的表单项，将客户的聊天文本信息中的各文本单位分类，每类对应一个意图，即一个表单项。例如，“请问您的姓名是？”对应“客户姓名”意图，“有什么可以帮您的？”对应“问题描述”意图。
在步骤S14的一种优选实现方式中，
利用聊天记录中的各文本单位，例如句子，对其对应的表单项进行填充，便可以生成基于聊天记录的表单。例如，将“张三”填充到“客户姓名”表单项，“我的XX钱包无法还款”填充到“问题描述”表单项，聊天记录就自动填充到表单项，生成基于聊天记录的表单，所述表单包括“客户姓名”表单项、“问题描述”表单项以及对应的内容。
在填充过程中，可以剔除聊天记录中一些闲聊和无关紧要的词，如“好啊”、“知道了”、“我觉得”等等。
可以分别根据客户的聊天文本信息训练客户表单映射模型，根据客服的聊天文本信息训练客服表单映射模型。
采用以下方式预先训练客户表单映射模型：
选取训练样本，所述训练样本包括：客户的聊天文本信息的各文本单元、对应的表单项；
将各文本单元的向量化结果作为原始深层神经网络的输入，对应的表单项作为所述原始深层神经网络的输出，训练所述原始深层神经网络，得到所述客户表单映射模型。
采用类似方式预先训练客服表单映射模型：
选取训练样本，所述训练样本包括：客服的聊天文本信息的各文本单元、对应的表单项；
将各文本单元的向量化结果作为原始深层神经网络的输入，对应的表单项作为所述原始深层神经网络的输出，训练所述原始深层神经网络，得到所述客服表单映射模型。
具体地，选择一个卷积神经网络，如TextCNN模型，作为表单映射模型的训练模型，并给该表单映射模型中的各参数赋予初始值。
针对每条训练数据中的聊天文本信息，根据各条训练数据的聊天文本信息与预先设置的词典，获取各文本单元的向量化结果。
将各文本单元的向量化结果输入至原始卷积神经网络中，获取所述原始卷积神经网络输出的预测值，并根据所述原始卷积神经网络基于所述训练数据的预测值与所述训练数据之间的相关性偏序，计算损失函数；沿着最小化损失函数的方向，反向逐层更新所述原始卷积网络中各层的加权参数，以使得损失函数最小。
该类方法统称为BP(Back Propagation，反向传播)算法，具体的权值更新算法有各种梯度下降法，例如LBFGS(拟牛顿算法)，或者SGD(随机梯度下降)等，其中SGD收敛速度更快，使用较多。
本实施例中采集的训练数据的条数可以达到260万条以上，采集的训练数据的条数越多，训练的表单映射模型就越准确。可以根据实际需求设定训练结束条件，例如，训练的回合数(例如，1000次，或者2000次等)或者神经网络对训练样本的总误差值等，本实施例对此并不进行限制。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在所述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
图2为本申请一实施例提供的基于在线聊天记录的表单生成系统的结构示意图，如图2所示，包括：
获取模块21，用于获取客户与客服之间的在线聊天记录；
向量化模块22，用于对所述在线聊天记录进行向量化；
表单映射模块23，用于利用表单映射模型，将各向量化结果映射至表单项；
表单生成模块24，用于根据所述聊天记录以及对应的表单项，生成基于聊天记录的表单。
在本实施例的一种实现方式中，对客户与客服的聊天记录进行统一处理。
在获取模块21的一种优选实现方式中，
若所述在线聊天记录为客户与客服之间的语音聊天记录，本实施例的基于在线聊天记录的表单生成装置接收每一客户与客服之间的语音聊天记录，并对所述语音聊天记录进行语音识别，转换为文字聊天记录，从文字聊天记录中抽取出聊天文本信息。
若所述在线聊天记录为文字聊天记录，从文字聊天记录中抽取出聊天文本信息。
在向量化模块22的一种优选实现方式中，
向量化模块22用于对聊天文本信息进行分词处理，将聊天文本信息中的各文本单位，例如句子，转化为单词列表；根据所述单词列表进行词频统计，将聊天文本信息中的各文本单位，例如句子，转化成词频表示的向量，即每个句子的词向量组合作为这个句子的特征参数。
其中，所述预先设置的词典包括：停用词词典、专有名词词典、分词生成的词典。
在分词后的直接结果中，有大量的无效项，例如空格，逗号等等。因此，一般在分词以后，还要根据停用词词典进行预处理。例如去掉停用词(stop words，指的是没什么意义的词，例如空格，逗号，句号，啊，呀，等等)，去掉出现频率过低和过高的词等等。
所述专有名词词典，可以包括覆盖客服针对的服务提供商的所有产品的提问以及解答方面的所有专有名词，聊天记录中的专有名词不会被切分。
所述分词生成的词典，是根据在线客服的历史聊天记录进行分词所生成的。将词典中的无数个词语按照顺序排列，并建立一个大小等于词典中词语数量的特征向量，特征向量中每一个位置对应词典中一个词语。
分析聊天文本信息中的各文本单位，例如句子，进行分词处理得到的单词是否命中词典中的某词语，若命中，将特征向量中与分词对应位置的元素设置为1，否则该位置的元素为0。得到聊天文本信息中的个文本单位，例如句子，中所有单词的词频，将聊天文本信息中的各文本单位转化成词频表示的向量。
在大规模的聊天文本信息的处理中，由于特征的维度对应分词词汇表的大小，所以维度可能非常恐怖，此时需要进行降维，最常用的文本降维方法是Hash Trick。
在表单映射模块23的一种优选实现方式中，
表单映射模块23将聊天文本信息中各文本单位，例如句子，转化成的词频表示的向量输入至表单映射模型中，使得表单映射模型输出聊天文本信息中各文本单位，例如句子，对应的表单项，将聊天文本信息中的各文本单位，例如句子，分类，每类对应一个意图，即一个表单项。例如，“请问您的姓名是？”对应“客户姓名”意图，“有什么可以帮您的？”对应“问题描述”意图，“张三”对应“客户姓名”意图，“我的XX钱包无法还款”对应“问题描述”意图。
在表单生成模块24的一种优选实现方式中，
表单生成模块24利用聊天记录中的各文本单位，例如句子，对其对应的表单项进行填充，便可以生成基于聊天记录的表单。例如，将“张三”填充到“客户姓名”表单项，“我的XX钱包无法还款”填充到“问题描述”表单项，聊天记录就自动填充到表单项，生成基于聊天记录的表单，所述表单包括“客户姓名”表单项、“问题描述”表单项以及对应的内容。
在填充过程中，可以剔除聊天记录中一些闲聊和无关紧要的词，如“好啊”、“知道了”、“我觉得”等等。
优选地，所述系统还包括表单映射模型训练模块25，用于：
选取训练样本，所述训练样本包括：聊天文本信息的文本单位，例如句子、对应的表单项；
将各文本单元的向量化结果作为原始深层神经网络的输入，对应的表单项作为所述原始深层神经网络的输出，训练所述原始深层神经网络，得到所述表单映射模型。
具体地，选择一个卷积神经网络，如TextCNN模型，作为表单映射模型的训练模型，并给该表单映射模型中的各参数赋予初始值。
针对每条训练数据中的聊天文本信息，根据各条训练数据的聊天文本信息与预先设置的词典，获取各文本单元的向量化结果。
将各文本单元的向量化结果输入至原始卷积神经网络中，获取所述原始卷积神经网络输出的预测值，并根据所述原始卷积神经网络基于所述训练数据的预测值与所述训练数据之间的相关性偏序，计算损失函数；沿着最小化损失函数的方向，反向逐层更新所述原始卷积网络中各层的加权参数，以使得损失函数最小。
该类方法统称为BP(Back Propagation，反向传播)算法，具体的权值更新算法有各种梯度下降法，例如LBFGS(拟牛顿算法)，或者SGD(随机梯度下降)等，其中SGD收敛速度更快，使用较多。
本实施例中采集的训练数据的条数可以达到260万条以上，采集的训练数据的条数越多，训练的表单映射模型就越准确。可以根据实际需求设定训练结束条件，例如，训练的回合数(例如，1000次，或者2000次等)或者神经网络对训练样本的总误差值等，本实施例对此并不进行限制。
在本实施例的另一种实现方式中，对客户聊天记录与客服的聊天记录分别进行处理。
在获取模块21的一种优选实现方式中，
若所述在线聊天记录为客户与客服之间的语音聊天记录，本实施例的基于在线聊天记录的表单生成装置接收每一客户与客服之间的语音聊天记录，并对所述语音聊天记录进行语音识别，转换为文字聊天记录，从文字聊天记录中抽取出聊天文本信息。
由于所述语音聊天记录为客户与客服之间的，因此，需要分别抽取客户的聊天文本信息和客服的聊天文本信息；
具体地，不同的人的语音具有不同的声音特征，本实施例中，可以在对语音聊天记录进行语音识别的时候，对不同声音特征的人的语音识别时做不同的标记，即将客户和客服的聊天文本信息采用不同的标识来区分。这样，可以从语音聊天记录中抽取出客户的语音进行转换，得到客户的聊天文本信息；抽取出客服的语音进行转换，得到客服的聊天文本信息。
若所述在线聊天记录为文字聊天记录。所述文字聊天记录包括客户和客服的标识。根据所述标识从文字聊天记录中抽取出客户的聊天文本信息和客服的聊天文本信息。
在向量化模块22的一种优选实现方式中，
向量化模块22对所述在线聊天记录进行向量化包括：
对客户的聊天文本信息进行分词处理和词频统计，将聊天文本信息中的各文本单位，例如句子，转化成词频表示的向量；
对客服的聊天文本信息进行分词处理和词频统计，将聊天文本信息中的各文本单位，例如句子，转化成词频表示的向量。
具体地，
对聊天文本信息进行分词处理，将聊天文本信息中的各文本单位，例如句子，转化为单词列表；根据所述单词列表进行词频统计，将聊天文本信息中的各文本单位，例如句子，转化成词频表示的向量，即每个句子的词向量组合作为这个句子的特征参数。
其中，所述预先设置的词典包括：停用词词典、专有名词词典、分词生成的词典。
在分词后的直接结果中，有大量的无效项，例如空格，逗号等等。因此，一般在分词以后，还要根据停用词词典进行预处理。例如去掉停用词(stop words，指的是没什么意义的词，例如空格，逗号，句号，啊，呀，等等)，去掉出现频率过低和过高的词等等。
所述专有名词词典，可以包括覆盖该服务提供商的所有产品的提问以及解答方面的所有专有名词，聊天记录中的专有名词不会被切分。
所述分词生成的词典，是根据在线客服的历史聊天记录进行分词所生成的。将词典中的无数个词语按照顺序排列，并建立一个大小等于词典中词语数量的特征向量，特征向量中每一个位置对应词典中一个词语。
分析聊天文本信息中的各文本单位，例如句子，进行分词处理得到的单词是否命中词典中的某词语，若命中，将特征向量中与分词对应位置的元素设置为1，否则该位置的元素为0。得到聊天文本信息中的个文本单位，例如句子，中所有单词的词频，将聊天文本信息中的各文本单位转化成词频表示的向量。
在大规模的聊天文本信息的处理中，由于特征的维度对应分词词汇表的大小，所以维度可能非常恐怖，此时需要进行降维，最常用的文本降维方法是Hash Trick。
在表单生成模块23的一种优选实现方式中，
所述表单生成模块23包括客户表单映射子模块和客服表单映射子模块；其中，
客服表单映射子模块用于将客服的聊天文本信息中各文本单位，例如句子，转化成的词频表示的向量输入至客服表单映射模型中，使得表单映射模型输出客服的聊天文本信息中各文本单位对应的表单项，将客户的聊天文本信息中的各文本单位分类，每类对应一个意图，即一个表单项。例如，“请问您的姓名是？”对应“客户姓名”意图，“有什么可以帮您的？”对应“问题描述”意图。
客户表单映射子模块用于将客户的聊天文本信息中各文本单位，例如句子，转化成的词频表示的向量输入至客户表单映射模型中，使得表单映射模型输出客户的聊天文本信息中各文本单位对应的表单项，将客服的聊天文本信息中的各文本单位分类，每类对应一个意图，即一个表单项。例如，“张三”对应“客户姓名”意图，“我的XX钱包无法还款”对应“问题描述”意图。
在表单生成模块24的一种优选实现方式中，
所述表单生成模块24利用聊天记录中的各文本单位，例如句子，对其对应的表单项进行填充，便可以生成基于聊天记录的表单。例如，将“张三”填充到“客户姓名”表单项，“我的XX钱包无法还款”填充到“问题描述”表单项，聊天记录就自动填充到表单项，生成基于聊天记录的表单，所述表单包括“客户姓名”表单项、“问题描述”表单项以及对应的内容。
在填充过程中，可以剔除聊天记录中一些闲聊和无关紧要的词，如“好啊”、“知道了”、“我觉得”等等。
优选地，所述系统还包括训练模块25，
所述训练模块25采用以下方式预先训练客户表单映射模型：
选取训练样本，所述训练样本包括：客户的聊天文本信息的各文本单元、对应的表单项；
将各文本单元的向量化结果作为原始深层神经网络的输入，对应的表单项作为所述原始深层神经网络的输出，训练所述原始深层神经网络，得到所述客户表单映射模型。
所述训练模块25采用类似方式预先训练客服表单映射模型：
选取训练样本，所述训练样本包括：客服的聊天文本信息的各文本单元、对应的表单项；
将各文本单元的向量化结果作为原始深层神经网络的输入，对应的表单项作为所述原始深层神经网络的输出，训练所述原始深层神经网络，得到所述客服表单映射模型。
具体地，选择一个卷积神经网络，如TextCNN模型，作为表单映射模型的训练模型，并给该表单映射模型中的各参数赋予初始值。
针对每条训练数据中的聊天文本信息，根据各条训练数据的聊天文本信息与预先设置的词典，获取各文本单元的向量化结果。
将各文本单元的向量化结果输入至原始卷积神经网络中，获取所述原始卷积神经网络输出的预测值，并根据所述原始卷积神经网络基于所述训练数据的预测值与所述训练数据之间的相关性偏序，计算损失函数；沿着最小化损失函数的方向，反向逐层更新所述原始卷积网络中各层的加权参数，以使得损失函数最小。
该类方法统称为BP(Back Propagation，反向传播)算法，具体的权值更新算法有各种梯度下降法，例如LBFGS(拟牛顿算法)，或者SGD(随机梯度下降)等，其中SGD收敛速度更快，使用较多。
本实施例中采集的训练数据的条数可以达到260万条以上，采集的训练数据的条数越多，训练的表单映射模型就越准确。可以根据实际需求设定训练结束条件，例如，训练的回合数(例如，1000次，或者2000次等)或者神经网络对训练样本的总误差值等，本实施例对此并不进行限制。
采用上述实施例提供的技术方案，可以自动生成基于聊天记录的表单，省时、省力、有效地提高表单的生成效率；提高表单准确性。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图3显示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012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016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。
总线018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(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器012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系统/服务器012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。
系统存储器028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(RAM)030和/或高速缓存存储器032。计算机系统/服务器012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034可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3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CD-ROM,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018相连。存储器028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发明各实施例的功能。
具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042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042通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012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022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图3所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图3中未示出，可以结合计算机系统/服务器012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016通过运行存储在系统存储器028中的程序，从而执行本发明所描述的实施例中的功能和/或方法。
上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。
随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (14)
1.一种基于聊天记录的表单生成方法，如其特征在于，包括：
获取客户与客服之间的聊天记录；
对所述聊天记录进行向量化；
利用表单映射模型，将各向量化结果映射至表单项；
根据所述聊天记录以及对应的表单项，生成基于聊天记录的表单。
2.根据权利要求1所述的方法，其特征在于，所述获取客户与客服之间的聊天记录包括：
对语音聊天记录中进行转换得到聊天文本信息；或，
从文字聊天记录中抽取出聊天文本信息。
3.根据权利要求1所述的方法，其特征在于，对所述聊天记录进行向量化包括：
对聊天记录中聊天文本信息进行分词处理和词频统计，将聊天文本信息中的各文本单位转化成词频表示的向量。
4.根据权利要求3所述的方法，其特征在于，利用表单映射模型，将各向量化结果映射至表单项包括：
将各文本单位转化成的词频表示的向量输入至表单映射模型，获取表单映射模型输出的表单项。
5.根据权利要求4所述的方法，其特征在于，根据所述聊天记录以及对应的表单项，生成基于聊天记录的表单包括：
利用聊天记录中的各文本单元对其对应的表单项进行填充，生成基于聊天记录的表单。
6.根据权利要求1所述的方法，其特征在于，所述表单映射模型采用以下方式预先训练得到：
选取训练样本，所述训练样本包括：聊天文本信息的各文本单元、对应的表单项；
将各文本单元的向量化结果作为原始深层神经网络的输入，对应的表单项作为所述原始深层神经网络的输出，训练所述原始深层神经网络，得到所述表单映射模型。
7.一种基于聊天记录的表单生成系统，其特征在于，包括：
获取模块，用于获取客户与客服之间的聊天记录；
向量化模块，用于对所述聊天记录进行向量化；
表单映射模块，用于利用表单映射模型，将各向量化结果映射至表单项；
表单生成模块，用于根据所述聊天记录以及对应的表单项，生成基于聊天记录的表单。
8.根据权利要求7所述的系统，其特征在于，所述获取模块具体用于：
对语音聊天记录中进行转换得到聊天文本信息；或，
从文字聊天记录中抽取出聊天文本信息。
9.根据权利要求7所述的系统，其特征在于，所述向量化模块具体用于：
对聊天记录中聊天文本信息进行分词处理和词频统计，将聊天文本信息中的各文本单位转化成词频表示的向量。
10.根据权利要求9所述的系统，其特征在于，所述表单映射模块具体用于：
将各文本单位转化成的词频表示的向量输入至表单映射模型，获取表单映射模型输出的表单项。
11.根据权利要求10所述的系统，其特征在于，所述表单生成模块，具体用于：
利用聊天记录中的各文本单元对其对应的表单项进行填充，生成基于聊天记录的表单。
12.根据权利要求7所述的系统，其特征在于，所述系统还包括
表单映射模型训练模块，用于，
聊天文本信息的各文本单元、对应的表单项；
将各文本单元的向量化结果作为原始深层神经网络的输入，对应的表单项作为所述原始深层神经网络的输出，训练所述原始深层神经网络，得到所述表单映射模型。
13.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6中任一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711146457.3A CN109800410A (zh) | 2017-11-17 | 2017-11-17 | 一种基于在线聊天记录的表单生成方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711146457.3A CN109800410A (zh) | 2017-11-17 | 2017-11-17 | 一种基于在线聊天记录的表单生成方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109800410A true CN109800410A (zh) | 2019-05-24 |
Family
ID=66554817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711146457.3A Pending CN109800410A (zh) | 2017-11-17 | 2017-11-17 | 一种基于在线聊天记录的表单生成方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109800410A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705250A (zh) * | 2019-09-23 | 2020-01-17 | 义语智能科技(广州)有限公司 | 一种用于识别聊天记录中目标内容的方法与系统 |
| CN111861379A (zh) * | 2020-06-23 | 2020-10-30 | 五八有限公司 | 一种聊天数据的检测方法和装置 |
| CN113270114A (zh) * | 2021-07-19 | 2021-08-17 | 北京明略软件系统有限公司 | 一种语音质检方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184204A (zh) * | 2011-04-28 | 2011-09-14 | 常州大学 | 一种智能Web表单自动填充方法及系统 |
| CN103455338A (zh) * | 2013-09-22 | 2013-12-18 | 广州中国科学院软件应用技术研究所 | 一种数据获取方法及装置 |
| CN104951428A (zh) * | 2014-03-26 | 2015-09-30 | 阿里巴巴集团控股有限公司 | 用户意图识别方法及装置 |
| CN105550353A (zh) * | 2015-12-28 | 2016-05-04 | 歌尔声学股份有限公司 | 基于正则表达式的表单录入方法及系统 |
| US20170206891A1 (en) * | 2016-01-16 | 2017-07-20 | Genesys Telecommunications Laboratories, Inc. | Material selection for language model customization in speech recognition for speech analytics |
| CN107239564A (zh) * | 2017-06-13 | 2017-10-10 | 南京大学 | 一种基于监督主题模型的文本标签推荐方法 |
-
2017
- 2017-11-17 CN CN201711146457.3A patent/CN109800410A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184204A (zh) * | 2011-04-28 | 2011-09-14 | 常州大学 | 一种智能Web表单自动填充方法及系统 |
| CN103455338A (zh) * | 2013-09-22 | 2013-12-18 | 广州中国科学院软件应用技术研究所 | 一种数据获取方法及装置 |
| CN104951428A (zh) * | 2014-03-26 | 2015-09-30 | 阿里巴巴集团控股有限公司 | 用户意图识别方法及装置 |
| CN105550353A (zh) * | 2015-12-28 | 2016-05-04 | 歌尔声学股份有限公司 | 基于正则表达式的表单录入方法及系统 |
| US20170206891A1 (en) * | 2016-01-16 | 2017-07-20 | Genesys Telecommunications Laboratories, Inc. | Material selection for language model customization in speech recognition for speech analytics |
| CN107239564A (zh) * | 2017-06-13 | 2017-10-10 | 南京大学 | 一种基于监督主题模型的文本标签推荐方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705250A (zh) * | 2019-09-23 | 2020-01-17 | 义语智能科技(广州)有限公司 | 一种用于识别聊天记录中目标内容的方法与系统 |
| CN111861379A (zh) * | 2020-06-23 | 2020-10-30 | 五八有限公司 | 一种聊天数据的检测方法和装置 |
| CN113270114A (zh) * | 2021-07-19 | 2021-08-17 | 北京明略软件系统有限公司 | 一种语音质检方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107492379B (zh) | 一种声纹创建与注册方法及装置 | |
| CN107273503B (zh) | 用于生成同语言平行文本的方法和装置 | |
| CN109523989B (zh) | 语音合成方法、语音合成装置、存储介质及电子设备 | |
| CN111680159B (zh) | 数据处理方法、装置及电子设备 | |
| CN107797985B (zh) | 建立同义鉴别模型以及鉴别同义文本的方法、装置 | |
| CN107610709A (zh) | 一种训练声纹识别模型的方法及系统 | |
| CN109389971A (zh) | 基于语音识别的保险录音质检方法、装置、设备和介质 | |
| CN109740167B (zh) | 用于生成信息的方法和装置 | |
| CN111709240A (zh) | 实体关系抽取方法、装置、设备及其存储介质 | |
| EP4075430A2 (en) | Method and apparatus for speech generation | |
| CN109192225B (zh) | 语音情感识别和标注的方法及装置 | |
| US20220319493A1 (en) | Learning device, learning method, learning program, retrieval device, retrieval method, and retrieval program | |
| CN110019758B (zh) | 一种核心要素提取方法、装置及电子设备 | |
| JP6720764B2 (ja) | テキスト解析装置及びプログラム | |
| CN111061877A (zh) | 文本主题提取方法和装置 | |
| CN116402166B (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
| CN109800410A (zh) | 一种基于在线聊天记录的表单生成方法和系统 | |
| CN107766498B (zh) | 用于生成信息的方法和装置 | |
| US20240202499A1 (en) | Element text processing method and apparatus, electronic device, and storage medium | |
| CN112463989A (zh) | 一种基于知识图谱的信息获取方法及系统 | |
| CN115730590A (zh) | 意图识别方法以及相关设备 | |
| CN116703659A (zh) | 一种应用于工程咨询的数据处理方法、装置及电子设备 | |
| CN111597807A (zh) | 分词数据集生成方法、装置、设备及其存储介质 | |
| CN113761875B (zh) | 事件抽取方法、装置、电子设备及存储介质 | |
| US10824920B2 (en) | Method and apparatus for recognizing video fine granularity, computer device and storage medium |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20191206 Address after: Room j1328, floor 3, building 8, No. 55, Yuanlu Road, Jiading District, Shanghai 201210 Applicant after: SHANGHAI YOUYANG NEW MEDIA INFORMATION TECHNOLOGY Co.,Ltd. Address before: 100085 Baidu building, No. 10, ten Street, Haidian District, Beijing Applicant before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190524 Assignee: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. Assignor: SHANGHAI YOUYANG NEW MEDIA INFORMATION TECHNOLOGY Co.,Ltd. Contract record no.: X2019110000009 Denomination of invention: A form generation method and system based on an online chat record License type: Exclusive License Record date: 20191218 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |
|
| RJ01 | Rejection of invention patent application after publication |