CN109947909A - 智能客服应答方法、设备、存储介质及装置 - Google Patents

Abstract

本发明公开了一种智能客服应答方法、设备、存储介质及装置，该方法包括：获取用户的初始问询，对初始问询进行预处理，获得目标问询；通过快速文本模型确定目标问询对应的目标类别；获取与目标类别对应的目标知识分库；从目标知识分库中筛选出与目标问询匹配的候选知识集合；计算目标问询与候选知识集合中的候选问题之间的相似度，将相似度最高的候选问题作为目标候选问题；获取与目标候选问题对应的目标应答，将目标应答进行展示。通过对问询进行分类，获得目标类别，从目标类别对应的目标知识分库中查找与问询最相似的目标获选问题，将目标获选问题对应的目标应答进行展示，以提高回复用户问询的准确度。

Description

智能客服应答方法、设备、存储介质及装置

技术领域

本发明涉及智能客服的技术领域，尤其涉及一种智能客服应答方法、设备、存储介质及装置。

背景技术

随着科技的发展，智能客服系统越来越得到重视，但用户通常在使用智能客服系统时，提出的问题经常出现问题内容不明确的情况，无法确定用户意图，导致智能客服系统在和用户进行交流时，经常出现答非所问的情况，无法解决用户的问题，导致用户体验差。因此，如何提高智能客服回复用户问询的准确度是亟待解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种智能客服应答方法、设备、存储介质及装置，旨在解决现有技术中智能客服回复用户问询的准确度低的技术问题。

为实现上述目的，本发明提供一种智能客服应答方法，所述智能客服应答方法包括以下步骤：

获取用户的初始问询，对所述初始问询进行预处理，获得目标问询；

通过快速文本模型确定所述目标问询对应的目标类别；

查找与所述目标类别对应的目标知识分库；

从所述目标知识分库中筛选出与所述目标问询匹配的候选知识集合；

计算所述目标问询与所述候选知识集合中的候选问题之间的相似度，将所述相似度最高的候选问题作为目标候选问题；

获取与所述目标候选问题对应的目标应答，并将所述目标应答进行展示。

优选地，所述通过快速文本模型确定所述目标问询对应的目标类别，包括：

通过快速文本模型对所述目标问询进行分类，获得所述目标问询属于各预设类别的置信度；

判断各预设类别的置信度中是否存在目标置信度超过预设置信度阈值；

若存在，则认定所述目标问询属于所述目标置信度对应的目标类别。

优选地，所述判断各预设类别的置信度中是否存在目标置信度超过预设置信度阈值之后，所述智能客服应答方法还包括：

若不存在，则展示引导问询；

接收用户根据所述引导问询所做的引导应答；

根据所述引导应答确定所述目标问询对应的目标类别。

优选地，所述从所述目标知识分库中筛选出与所述目标问询匹配的候选知识集合，包括：

将所述目标问询进行分词，获得所述目标问询中所有的第一词语；

通过倒排索引从所述目标知识分库中筛选出包含所述第一词语的候选知识集合。

优选地，所述计算所述目标问询与所述候选知识集合中的候选问题之间的相似度，将所述相似度最高的候选问题作为目标候选问题，包括：

对所述候选知识集合中的各候选问题进行分词，获得各候选问题中所有的第二词语；

计算所述第一词语的第一词频逆文件频率值和所述第二词语的第二词频逆文件频率值；

将所述目标问询表示为以所述第一词语和所述第一词频逆文件频率值组成的第一词向量，并将各候选问题表示为以所述第二词语和所述第二词频逆文件频率值组成的各第二词向量；

计算所述第一词向量与各第二词向量之间的余弦距离，并将所述余弦距离作为所述目标问询与所述候选知识集合中的各候选问题之间的相似度；

将所述相似度最高的候选问题作为目标候选问题。

优选地，所述获取用户的初始问询，对所述初始问询进行预处理，获得目标问询，包括：

获取用户的初始问询，对所述初始问询进行繁简转换、分词、词性识别和/或命名实体识别，获得目标问询。

优选地，所述查找与所述目标类别对应的目标知识分库，包括：

从预设映射关系表中查找与所述目标类别对应的目标知识分库，所述预设映射关系表包括类别与知识分库之间的对应关系。

此外，为实现上述目的，本发明还提出一种智能客服应答设备，所述智能客服应答设备包括存储器、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智能客服应答程序，所述智能客服应答程序配置为实现如上文所述的智能客服应答方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有智能客服应答程序，所述智能客服应答程序被处理器执行时实现如上文所述的智能客服应答方法的步骤。

此外，为实现上述目的，本发明还提出一种智能客服应答装置，所述智能客服应答装置包括：预处理模块、确定模块、查找模块、筛选模块、计算模块和展示模块；

所述预处理模块，用于获取用户的初始问询，对所述初始问询进行预处理，获得目标问询；

所述确定模块，用于通过快速文本模型确定所述目标问询对应的目标类别；

所述查找模块，用于查找与所述目标类别对应的目标知识分库；

所述筛选模块，用于从所述目标知识分库中筛选出与所述目标问询匹配的候选知识集合；

所述计算模块，用于计算所述目标问询与所述候选知识集合中的候选问题之间的相似度，将所述相似度最高的候选问题作为目标候选问题；

所述展示模块，用于获取与所述目标候选问题对应的目标应答，并将所述目标应答进行展示。

本发明中，通过获取用户的初始问询，对所述初始问询进行预处理，获得相对简洁明确的目标问询；通过快速文本模型确定所述目标问询对应的目标类别，查找与所述目标类别对应的目标知识分库，从所述目标知识分库中筛选出与所述目标问询匹配的候选知识集合，通过对问询的分类，从而明确用户的意图类别；计算所述目标问询与所述候选知识集合中的候选问题之间的相似度，将所述相似度最高的候选问题作为目标候选问题，获取与所述目标候选问题对应的目标应答，并将所述目标应答进行展示，与用户的问询相似度最高的目标候选问题的目标应答作为用户问询的回复，从而提高了回复用户问询的准确度，提升用户体验。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的智能客服应答设备的结构示意图；

图2为本发明智能客服应答方法第一实施例的流程示意图；

图3为本发明智能客服应答方法第二实施例的流程示意图；

图4为本发明智能客服应答方法第三实施例的流程示意图；

图5为本发明智能客服应答装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的智能客服应答设备结构示意图。

如图1所示，该智能客服应答设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对智能客服应答设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及智能客服应答程序。

在图1所示的智能客服应答设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述智能客服应答设备通过处理器1001调用存储器1005中存储的智能客服应答程序，并执行本发明实施例提供的智能客服应答方法。

基于上述硬件结构，提出本发明智能客服应答方法的实施例。

参照图2，图2为本发明智能客服应答方法第一实施例的流程示意图，提出本发明智能客服应答方法第一实施例。

在第一实施例中，所述智能客服应答方法包括以下步骤：

步骤S10：获取用户的初始问询，对所述初始问询进行预处理，获得目标问询。

应理解的是，本实施例的执行主体是智能客服应答设备，其中，所述智能客服应答设备可为个人电脑、服务器等电子设备。不同的用户表达习惯不同，对于同一个问题，用户表达出的初始问询内容可能存在差异，比如，咨询信用卡分期还款的利息是多少，用户A的初始问询为:请问我有1万块钱想分12期还，利息多少？用户B的初始问询为：想了解下分期还款的利息是多少。为了更加明确用户的问询意图，使得智能客服应答设备能够查找到更精准的回复，需要对所述初始问询进行预处理，所述预处理包括：对所述初始问询进行繁简转换、分词、词性识别和/或命名实体识别，从而获得相对简洁明确的目标问询。因此，本实施例中，所述步骤S10，包括：获取用户的初始问询，对所述初始问询进行繁简转换、分词、词性识别和命名实体识别中的至少一项，获得目标问询。

步骤S20：通过快速文本模型确定所述目标问询对应的目标类别。

可理解的是，通过快速文本(FastText)模型对所述目标问询进行分类，首先构建词表，词表可以看做是一个巨大的集合，所述目标问询的训练集文本中所有词都保存在词表内，在构建过程中还会计算每个词的数量、索引、类型(语料还是标签)。在词向量空间中，有与所述目标问询近似的词向量，这些近似的词向量又对应相同的分类标签，在迭代训练过程中，这种相关性会不断传播，直至训练出准确的分类模型。FastText使用了一个分层分类器Softmax，对标签进行编码，能够极大地缩小模型预测目标的数量，即极大缩小模型预测所述目标问询的数量。FastText还加入了N-gram特征，来将局部词序考虑在内，从而实现更精确的分类。通过将所述目标问询输入所述FastText模型，则输出所述目标问询属于不同预设类别的置信度。当置信度比较高时，表明用户的问询的类别明确，从而可确定出对应的目标类别。当置信度比较低时，表明用户的问询的类别不明确，此时可通过与用户进行交互，再次明确用户意图，从而确定出对应的目标类别。

步骤S30：查找与所述目标类别对应的目标知识分库。

需要说明的是，为了提高查找效率，通常知识库中的各知识文档都是按照类别进行分类存储的，不同类别对应不同的知识分库，确定所述目标问询对应的目标类别，则可对知识库中属于所述目标类别的知识分库进行检索，获取与所述目标问询相关的候选知识集合，所述候选知识集合中包括候选问题及各候选问题对应的候选答复。

在具体实现中，为了提高查找效率，可预先设置各知识分库与不同类别之间的对应关系，建立预设映射关系表，在确定了所述目标问询所属的目标类别时，可从所述预设映射关系表中查找到对应的目标知识分库。本实施例中，所述步骤S30，包括：从预设映射关系表中获取与所述目标类别对应的目标知识分库，所述预设映射关系表包括类别与知识分库之间的对应关系。

步骤S40：从所述目标知识分库中筛选出与所述目标问询匹配的候选知识集合。

应理解的是，所述目标知识分库中包括与所述目标类别相关的所有问询和对应的答复，需要对所述目标知识分库中的问询进行筛选，从而获得与所述目标问询匹配的候选知识集合，所述候选知识集合中包括候选问题和与所述候选问题对应的答复。对所述目标知识分库中的各问询进行筛选，可通过ES(Elaticsearch的简写)检索实现，Elasticsearch是一个开源的高扩展的分布式全文检索引擎，主要基于倒排索引的方式快速筛选出所述候选知识集合。

步骤S50：计算所述目标问询与所述候选知识集合中的候选问题之间的相似度，将所述相似度最高的候选问题作为目标候选问题。

可理解的是，所述候选知识集合中通常包括多个与所述目标问询相近的问询，为了更加准确的识别出所述目标问询的意图，可通过计算所述目标问询与所述候选知识集合中的候选问题之间的相似度，所述相似度的计算可以是：对所述候选知识集合中的候选问题进行分词处理，以获得所述候选问题中所有的词语，计算所述词语的TF-IDF(TF*IDF，TF词频，Term Frequency，IDF逆向文件频率，Inverse Document Frequency)值，将各候选问题表示为以词语和词语的TF-IDF值组成的词向量，计算各词向量之间的余弦距离，并将所述余弦距离作为各候选问题之间的相似度。所述相似度的计算还可以是：计算所述候选问题与所述目标问询之间的统计特征、语义特征和主题特征；通过逻辑回归将所述统计特征、所述语义特征和所述主题特征进行聚合，获得所述候选问题与所述目标问询之间的相似度；将所述相似度最高的候选问题作为目标候选问题。

需要说明的是，所述统计特征包括：词共现率、TF-IDF值、编辑距离和最长公共子串。可计算所述候选知识集合中的候选问题与所述目标问询之间的词共现率、TF-IDF值、编辑距离和最长公共子串作为所述统计特征。基于长短期记忆网络(Long Short-TermMemory，LSTM)构建所述候选知识集合中的候选问题和所述目标问询的向量，计算所述向量之间的余弦相似度，将该余弦相似度作为所述语义特征。通过文档主题生成模型(LatentDirichlet Allocation，LDA)对所述候选知识集合中的候选问题和所述目标问询进行对应的主题特征的生成。

在具体实现中，所述逻辑回归(Logistic Regression，LR)在线性回归的基础上，套用了一个逻辑函数，通过所述逻辑回归可将所述统计特征、所述语义特征和所述主题特征进行聚合，获得所述候选知识集合中的候选问题与所述目标问询之间的相似度。

应理解的是，可通过所述相似度将所述候选知识集合中的候选问题进行排序，相似度最高的候选问题与所述目标问询的真实意图最接近，甚至所述相似度最高的候选问题与所述目标问询一致，则可将所述相似度最高的候选问题作为目标候选问题，所述目标候选问题对应的目标应答，即可作为用户的初始问询的回复，使得回复的内容更符合用户的意图。

步骤S60：获取与所述目标候选问题对应的目标应答，并将所述目标应答进行展示。

在具体实现中，所述候选知识集合中包括候选问题和与所述候选问题对应的答复，可从所述候选知识集合中获取与所述目标候选问题对应的目标应答，由于所述目标候选问题是与所述目标问询相似度最高的问题，则所述目标候选问题对应的目标应答，可作为用户的初始问询的回复进行展示，使得回复的内容更符合用户的意图。通常可将所述目标应答以语音形式进行展示，还可以是将所述目标应答展示在所述智能客服应答设备的显示界面上，或者将所述目标应答以信息文本的形式发送至用户的用户设备上进行展示，本实施例对此不加以限制。

在第一实施例中，通过获取用户的初始问询，对所述初始问询进行预处理，获得相对简洁明确的目标问询；通过快速文本模型确定所述目标问询对应的目标类别，查找与所述目标类别对应的目标知识分库，从所述目标知识分库中筛选出与所述目标问询匹配的候选知识集合，通过对问询的分类，从而明确用户的意图类别；计算所述目标问询与所述候选知识集合中的候选问题之间的相似度，将所述相似度最高的候选问题作为目标候选问题，获取与所述目标候选问题对应的目标应答，并将所述目标应答进行展示，与用户的问询相似度最高的目标候选问题的目标应答作为用户问询的回复，从而提高了回复用户问询的准确度，提升用户体验。

参照图3，图3为本发明智能客服应答方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明智能客服应答方法的第二实施例。

在第二实施例中，所述步骤S20，包括：

步骤S201：通过快速文本模型对所述目标问询进行分类，获得所述目标问询属于各预设类别的置信度。

可理解的是，通过快速文本(FastText)模型对所述目标问询进行分类，通过将所述目标问询输入所述FastText模型，则输出所述目标问询属于不同预设类别的置信度。当置信度比较高时，表明用户的问询的类别明确，从而可确定出对应的目标类别。当置信度比较低时，表明用户的问询的类别不明确，此时可通过与用户进行交互，再次明确用户意图，从而确定出对应的目标类别。

例如，针对平安储蓄卡业务场景和信用卡业务场景，所述预设类别为储蓄卡类别和信用卡类别，则将所述目标问询输入所述FastText模型，输出所述目标问询属于储蓄卡类别的第一置信度和属于信用卡类别的第二置信度，根据所述第一置信度和所述第二置信度，若所述第一置信度较高，则用户的问询属于储蓄卡类别，若所述第二置信度较高，则用户的问询属于信用卡类别。

步骤S202：判断各预设类别的置信度中是否存在目标置信度超过预设置信度阈值。

需要说明的是，若各预设类别的置信度中存在目标置信度超过预设置信度阈值，表明所述目标问询的类别明确，可直接调用所述目标类别对应的客服系统，对所述目标问询进行相应的应答。所述预设置信度阈值可根据历史数据，将类别明确的各历史问询的置信度进行统计，从而确定出合适的预设置信度阈值，比如，类别明确的各历史问询的概率大多数都在60％以上，则可将所述预设置信度阈值设置为60％。若各预设类别的置信度中存在目标置信度超过60％，则认定所述目标问询属于所述目标置信度对应的目标类别；若各预设类别的置信度中不存在目标置信度超过60％，则不能确定所述目标问询属于哪个类别，还需所述智能客服应答设备与用户进行交互，从而进一步确定用户的意图，确定出所述目标问询所属的目标类别。

步骤S203：若存在，则认定所述目标问询属于所述目标置信度对应的目标类别。

需要说明的是，若各预设类别的置信度中存在目标置信度超过预设置信度阈值，说明用户的问询的意图较明确，能够区分出所属的类别，可认定所述目标问询属于所述目标置信度对应的目标类别。

例如，平安储蓄卡业务场景和信用卡业务场景，若所述预设置信度阈值为60％，通过快速文本模型对所述目标问询进行分类，所述目标问询属于储蓄卡类别的第一置信度为30％，属于信用卡类别的第二置信度为70％，所述第二置信度高于所述预设置信度阈值，所述目标置信度即为所述第二置信度，认定所述目标问询属于所述第二置信度对应的目标类别，即所述目标类别为信用卡类别。

在第二实施例中，所述步骤S202之后，还包括：

步骤S204：若不存在，则展示引导问询。

在具体实现中，若各预设类别的置信度中不存在目标置信度超过预设置信度阈值，说明用户的问询的意图不太明确，不能够区分出所属的类别，可需要与用户进行交互，通过进一步的引导问询，明确用户的意图。可将所述引导问询以语音形式进行展示，还可以是将所述引导问询展示在所述智能客服应答设备的显示界面上，或者将所述引导问询以信息文本的形式发送至用户的用户设备上进行展示，本实施例对此不加以限制。

步骤S205：接收用户根据所述引导问询所做的引导应答。

可理解的是，用户在接收到所述引导问询时，根据所述引导问询做出相应的引导应答，用户可通过语音形式做出相应的引导应答，或者通过所述智能客服应答设备的显示界面输入文本形式的引导应答，或者通过用户设备发送所述引导应答至所述智能客服应答设备，本实施例对此不加以限制。

步骤S206：根据所述引导应答确定所述目标问询对应的目标类别。

应理解的是，通常所述引导问询为意图明确的问询，用户在对所述引导问询进行相应的引导应答时，则通过所述引导应答能够明确地确定所述目标问询对应的目标类别。

例如：若各预设类别的置信度均不超过所述预设置信度阈值，针对平安储蓄卡业务场景和信用卡业务场景，所述预设置信度阈值设置为60％，所述目标问询属于储蓄卡类别的第一置信度为45％，属于信用卡类别的第二置信度为55％，所述第一置信度及所述第二置信度都不超过预设置信度阈值60％，表明所述目标问询的类别不明确，不能区分用户的意图是咨询储蓄卡业务问题还是咨询信用卡业务问题，则可发出引导问询，所述引导问询可直接询问客户想要咨询的业务类别，比如所述引导问询为：请问您需要咨询的业务为储蓄卡业务还是信用卡业务？用户针对该引导问询的引导应答为：储蓄卡业务，则可确定所述目标问询对应的目标类别为储蓄卡类别。

在第二实施例中，通过快速文本模型对所述目标问询进行分类，获得所述目标问询属于各预设类别的置信度，判断各预设类别的置信度中是否存在目标置信度超过预设置信度阈值，若存在，说明用户的问询意图明确，则认定所述目标问询属于所述目标置信度对应的目标类别，若不存在，说明用户的问询意图不明确，则展示引导问询，接收用户根据所述引导问询所做的引导应答，根据所述引导应答确定所述目标问询对应的目标类别，从而准确地区分出用户问询所述的类别，从而进行相应的答复，提高对用户问询的答复准确度。

参照图4，图4为本发明智能客服应答方法第三实施例的流程示意图，基于上述图3所示的第二实施例，提出本发明智能客服应答方法的第三实施例。

在第三实施例中，所述步骤S40，包括：

步骤S401：将所述目标问询进行分词，获得所述目标问询中所有的第一词语。

步骤S402：通过倒排索引从所述目标知识分库中筛选出包含所述第一词语的候选知识集合。

应理解的是，为了提高筛选的效率和准确度，可对知识库中属于所述目标类别的知识分库进行倒排索引，获取与所述目标问询相关的候选知识集合，所述候选知识集合中包括候选问题及各候选问题对应的候选答复。

可理解的是，通过分词系统将知识分库中各知识文档自动切分成单词序列，这样每个知识文档就转换为由单词序列构成的数据流，为了后续处理方便，需要对每个不同的单词赋予唯一的单词编号，同时记录下所述目标知识分库中哪些候选问题包含这个单词，从而得到最简单的倒排索引。比如，知识分库中包括5个候选问题，倒排索引中，“单词ID”一栏记录每个单词的单词编号，第二栏可记录对应的单词，第三栏可记录每个单词对应的倒排列表。比如单词“储蓄卡”，其单词编号为1，倒排列表为{1,2,3,4,5}，说明所述目标知识分库中中每个候选问题都包含了这个单词。则可通过将所述目标问询进行分词，获得所述目标问询中所有的第一词语，所有的所述第一词语构成目标单词序列，从所述目标知识分库中通过ES检索的倒排索引方式快速筛选出包含目标单词序列的待选候选问题，所述待选候选问题和对应的应答构成所述候选知识集合。

在第三实施例中，所述步骤S50，包括：

步骤S501：对所述候选知识集合中的各候选问题进行分词，获得各候选问题中所有的第二词语。

步骤S502：计算所述第一词语的第一词频逆文件频率值和所述第二词语的第二词频逆文件频率值。

在具体实现中，所述第一频逆文件频率值(Term Frequency-Inverse DocumentFrequency，简写TF-IDF)，TF表示词条在文档d中出现的频率。IDF的主要思想是：如果包含词条t的文档越少，IDF越大，则说明词条t具有很好的类别区分能力。所述目标问询的高词语频率，以及所述第一词语在所述目标问询中的低文档频率，可以产生出高权重的TF-IDF值。所述候选知识集合中的各候选问题的高词语频率，以及所述第二词语在各候选问题中的低文档频率，可以产生出高权重的TF-IDF值。

步骤S503：将所述目标问询表示为以所述第一词语和所述第一词频逆文件频率值组成的第一词向量，并将各候选问题表示为以所述第二词语和所述第二词频逆文件频率值组成的各第二词向量。

步骤S504：计算所述第一词向量与各第二词向量之间的余弦距离，并将所述余弦距离作为所述目标问询与所述候选知识集合中的各候选问题之间的相似度。

需要说明的是，为了计算所述目标问询与所述候选知识集合中的各候选问题之间的相似度，所述第一词向量由所述第一词语和所述第一词频逆文件频率值组成，不仅考虑了所述目标问询的所述第一词语的数量，并且考虑了各第一词语的词频和第文档频率，从而能够更准确的表示出所述目标问询的意图。所述目标问询表示为以所述第一词语和所述第一词频逆文件频率值组成的第一词向量，各候选问题表示为以所述第二词语和所述第二词频逆文件频率值组成的各第二词向量，则计算所述第一词向量和所述第二词向量之间的余弦距离，即可将所述余弦距离作为述目标问询与所述候选知识集合中的各候选问题之间的相似度。

步骤S505：将所述相似度最高的候选问题作为目标候选问题。

可理解的是，相似度最高的候选问题与所述目标问询的真实意图最接近，甚至所述相似度最高的候选问题与所述目标问询一致，则可将所述相似度最高的候选问题作为目标候选问题，所述目标候选问题对应的目标应答，即可作为用户的初始问询的回复，使得回复的内容更符合用户的意图。

在第三实施例中，通过倒排索引从所述目标知识分库中筛选出与所述目标问询匹配的候选知识集合，提高筛选的效率和准确度；对所述候选知识集合中的各候选问题进行分词，获得各候选问题中所有的第二词语，计算所述第一词语的第一词频逆文件频率值和所述第二词语的第二词频逆文件频率值，将所述目标问询表示为以所述第一词语和所述第一词频逆文件频率值组成的第一词向量，并将各候选问题表示为以所述第二词语和所述第二词频逆文件频率值组成的各第二词向量，计算所述第一词向量与各第二词向量之间的余弦距离，并将所述余弦距离作为所述目标问询与所述候选知识集合中的各候选问题之间的相似度，将所述相似度最高的候选问题作为目标候选问题，相似度最高的候选问题与所述目标问询的真实意图最接近，使得回复的内容更符合用户的意图，提高回复的准确度。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有智能客服应答程序，所述智能客服应答程序被处理器执行时实现如上文所述的智能客服应答方法的步骤。

此外，参照图5，本发明实施例还提出一种智能客服应答装置的实施例，在所述智能客服应答装置的实施例中，所述智能客服应答装置包括：预处理模块10、确定模块20、查找模块30、筛选模块40、计算模块50和展示模块60；

所述预处理模块10，用于获取用户的初始问询，对所述初始问询进行预处理，获得目标问询；

所述确定模块20，用于通过快速文本模型确定所述目标问询对应的目标类别；

所述查找模块30，用于查找与所述目标类别对应的目标知识分库；

所述筛选模块40，用于从所述目标知识分库中筛选出与所述目标问询匹配的候选知识集合；

所述计算模块50，用于计算所述目标问询与所述候选知识集合中的候选问题之间的相似度，将所述相似度最高的候选问题作为目标候选问题；

所述展示模块60，用于获取与所述目标候选问题对应的目标应答，并将所述目标应答进行展示。

本发明所述智能客服应答装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上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，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种智能客服应答方法，其特征在于，所述智能客服应答方法包括以下步骤：

获取用户的初始问询，对所述初始问询进行预处理，获得目标问询；

通过快速文本模型确定所述目标问询对应的目标类别；

查找与所述目标类别对应的目标知识分库；

从所述目标知识分库中筛选出与所述目标问询匹配的候选知识集合；

计算所述目标问询与所述候选知识集合中的候选问题之间的相似度，将所述相似度最高的候选问题作为目标候选问题；

获取与所述目标候选问题对应的目标应答，并将所述目标应答进行展示。

2.如权利要求1所述的智能客服应答方法，其特征在于，所述通过快速文本模型确定所述目标问询对应的目标类别，包括：

通过快速文本模型对所述目标问询进行分类，获得所述目标问询属于各预设类别的置信度；

判断各预设类别的置信度中是否存在目标置信度超过预设置信度阈值；

若存在，则认定所述目标问询属于所述目标置信度对应的目标类别。

3.如权利要求2所述的智能客服应答方法，其特征在于，所述判断各预设类别的置信度中是否存在目标置信度超过预设置信度阈值之后，所述智能客服应答方法还包括：

若不存在，则展示引导问询；

接收用户根据所述引导问询所做的引导应答；

根据所述引导应答确定所述目标问询对应的目标类别。

4.如权利要求3所述的智能客服应答方法，其特征在于，所述从所述目标知识分库中筛选出与所述目标问询匹配的候选知识集合，包括：

将所述目标问询进行分词，获得所述目标问询中所有的第一词语；

通过倒排索引从所述目标知识分库中筛选出包含所述第一词语的候选知识集合。

5.如权利要求4所述的智能客服应答方法，其特征在于，所述计算所述目标问询与所述候选知识集合中的候选问题之间的相似度，将所述相似度最高的候选问题作为目标候选问题，包括：

对所述候选知识集合中的各候选问题进行分词，获得各候选问题中所有的第二词语；

计算所述第一词语的第一词频逆文件频率值和所述第二词语的第二词频逆文件频率值；

将所述目标问询表示为以所述第一词语和所述第一词频逆文件频率值组成的第一词向量，并将各候选问题表示为以所述第二词语和所述第二词频逆文件频率值组成的各第二词向量；

计算所述第一词向量与各第二词向量之间的余弦距离，并将所述余弦距离作为所述目标问询与所述候选知识集合中的各候选问题之间的相似度；

将所述相似度最高的候选问题作为目标候选问题。

6.如权利要求1至5中任一项所述的智能客服应答方法，其特征在于，所述获取用户的初始问询，对所述初始问询进行预处理，获得目标问询，包括：

获取用户的初始问询，对所述初始问询进行繁简转换、分词、词性识别和命名实体识别中的至少一项，获得目标问询。

7.如权利要求6所述的智能客服应答方法，其特征在于，所述查找与所述目标类别对应的目标知识分库，包括：

从预设映射关系表中查找与所述目标类别对应的目标知识分库，所述预设映射关系表包括类别与知识分库之间的对应关系。

8.一种智能客服应答设备，其特征在于，所述智能客服应答设备包括：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智能客服应答程序，所述智能客服应答程序被所述处理器执行时实现如权利要求1至7中任一项所述的智能客服应答方法的步骤。

9.一种存储介质，其特征在于，所述存储介质上存储有智能客服应答程序，所述智能客服应答程序被处理器执行时实现如权利要求1至7中任一项所述的智能客服应答方法的步骤。

10.一种智能客服应答装置，其特征在于，所述智能客服应答装置包括：预处理模块、确定模块、查找模块、筛选模块、计算模块和展示模块；

所述预处理模块，用于获取用户的初始问询，对所述初始问询进行预处理，获得目标问询；

所述确定模块，用于通过快速文本模型确定所述目标问询对应的目标类别；

所述查找模块，用于查找与所述目标类别对应的目标知识分库；

所述筛选模块，用于从所述目标知识分库中筛选出与所述目标问询匹配的候选知识集合；

所述计算模块，用于计算所述目标问询与所述候选知识集合中的候选问题之间的相似度，将所述相似度最高的候选问题作为目标候选问题；

所述展示模块，用于获取与所述目标候选问题对应的目标应答，并将所述目标应答进行展示。