CN110012176B - 智能客服的实现方法和装置 - Google Patents

智能客服的实现方法和装置 Download PDF

Info

Publication number
CN110012176B
CN110012176B CN201910170817.6A CN201910170817A CN110012176B CN 110012176 B CN110012176 B CN 110012176B CN 201910170817 A CN201910170817 A CN 201910170817A CN 110012176 B CN110012176 B CN 110012176B
Authority
CN
China
Prior art keywords
customer service
nodes
node
directed
prediction
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
Application number
CN201910170817.6A
Other languages
English (en)
Other versions
CN110012176A (zh
Inventor
王雅芳
龙翀
张晓彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201910170817.6A priority Critical patent/CN110012176B/zh
Publication of CN110012176A publication Critical patent/CN110012176A/zh
Application granted granted Critical
Publication of CN110012176B publication Critical patent/CN110012176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/42—Systems providing special services or facilities to subscribers
    • H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
    • H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/42—Systems providing special services or facilities to subscribers
    • H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
    • H04M3/527—Centralised call answering arrangements not requiring operator intervention

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明披露一种智能客服的实现方法和装置。该方法包括：将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，所述有向客服关系图包括：标准问题节点、人工客服小组节点和若干层业务类目节点，所述有向客服关系图中的连边方向代表所连接的节点之间按照所述方向具有指定的逻辑关系；从所述有向客服关系图中的人工客服小组节点出发，依次更新所述人工客服小组节点与标准问题节点之间的可达路径上各个节点的预测评分；根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点。

Description

智能客服的实现方法和装置
技术领域
本说明书涉及人工智能领域，尤其涉及一种智能客服的实现方法和装置。
背景技术
随着互联网在线业务的快速发展，为应对大量的用户咨询、投诉，需要越来越多的线上客服人员，这给业务提供方带来了巨大的人力成本。
发明内容
有鉴于此，本说明书提供一种智能客服的实现方法和装置。
具体地，本说明书是通过如下技术方案实现的：
一种智能客服的实现方法，包括：
将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，所述有向客服关系图包括：标准问题节点、人工客服小组节点和若干层业务类目节点，所述有向客服关系图中的连边方向代表所连接的节点之间按照所述方向具有指定的逻辑关系；
从所述有向客服关系图中的人工客服小组节点出发，依次更新所述人工客服小组节点与标准问题节点之间的可达路径上各个节点的预测评分；
根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点。
一种智能客服的实现装置，包括：
问题输入单元，将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，所述有向客服关系图包括：标准问题节点、人工客服小组节点和若干层业务类目节点，所述有向客服关系图中的连边方向代表所连接的节点之间按照所述方向具有指定的逻辑关系；
评分更新单元，从所述有向客服关系图中的人工客服小组节点出发，依次更新所述人工客服小组节点与标准问题节点之间的可达路径上各个节点的预测评分；
结果确定单元，根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点。
一种智能客服的实现装置，包括：
处理器；
用于存储机器可执行指令的存储器；
其中，通过读取并执行所述存储器存储的与智能客服的实现逻辑对应的机器可执行指令，所述处理器被促使：
将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，所述有向客服关系图包括：标准问题节点、人工客服小组节点和若干层业务类目节点，所述有向客服关系图中的连边方向代表所连接的节点之间按照所述方向具有指定的逻辑关系；
从所述有向客服关系图中的人工客服小组节点出发，依次更新所述人工客服小组节点与标准问题节点之间的可达路径上各个节点的预测评分；
根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点。
由以上描述可以看出，本说明书可将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，进而对所述有向客服关系图中人工客服小组节点与标准问题节点之间可达路径上的各节点的预测评分进行更新，并可根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点，同时实现标准问题和人工客服小组的预测。
附图说明
图1是本说明书一示例性实施例示出的一种有向客服关系图中连边方向示意图。
图2是本说明书一示例性实施例示出的另一种有向客服关系图中连边方向示意图。
图3是本说明书一示例性实施例示出的一种有向客服树的示意图。
图4是本说明书一示例性实施例示出的一种有向客服关系图的示意图。
图5是本说明书一示例性实施例示出的一种过滤后的有向客服关系图的示意图。
图6是本说明书一示例性实施例示出的一种智能客服的实现的方法的流程示意图。
图7是本说明书一示例性实施例示出的一种客服模型的结构示意图。
图8是本说明书一示例性实施例示出的一种用于智能客服的实现装置的一结构示意图。
图9是本说明书一示例性实施例示出的一种智能客服的实现装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书提供一种智能客服的实现方案，可将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，进而对所述有向客服关系图中人工客服小组节点与标准问题节点之间可达路径上的各节点的预测评分进行更新，并可根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点，同时实现标准问题和人工客服小组的预测。
在本实施例中，所述有向客服关系图可包括标准问题节点、人工客服小组节点和若干层业务类目节点，所述有向客服关系图中的连边方向代表所连接的节点之间按照所述方向具有指定的逻辑关系，例如：包含关系、属于关系等。
其中，每个标准问题节点可对应唯一的一个标准问题。所述标准问题及其对应的答案可由客服服务提供方预先设置。
例如，标准问题为“发什么快递”，对应的答案是“默认百世汇通”。
再例如，标准问题为“什么时候发货”，对应的答案是“下单后24小时内发货”等。
所述业务类目可基于客服服务提供方的业务架构划分。
例如，一级业务类目为“风险管理”，“风险管理”还可包括下一级业务类目“风险解限”和“风险池”，而“风险解限”还可包括下一级业务类目“如何解限”等。
在本实施例中，每个标准问题都可划分到一个业务类目中。
例如，标准问题“如何解冻账号”属于业务类目“如何解限”。
请参考图1的示例，假设在有向客服关系图中，节点A代表“如何解冻账号”的标准问题，节点111代表“如何解限”的业务类目。
当有向客服关系图中的连边方向是从节点A到节点111时，该连边方向代表逻辑关系“属于”，即标准问题“如何解冻账号”属于业务类目“如何解限”。
当有向客服关系图中的连边方向是从节点111到节点A时，该连边方向代表逻辑关系“包含”，即业务类目“如何解限”中包含标准问题“如何解冻账号”。
在本实施例中，每个人工客服小组节点可对应唯一的一个人工客服小组，所述人工客服小组通常是按照对接的业务类目划分出的客服人员小组，所述客服人员小组中的客服人员具有解答对接的业务类目下的各种用户问题的技能。
举例来说，某人工客服小组“安全组”对接业务类目“风险解限”，则该人工客服小组中的客服人员具有解答业务类目“风险解限”下各种用户问题的技能。例如，可解答业务类目“如何解限”下的各种用户问题等。
请参考图2，假设在有向客服关系图中，节点x代表人工客服小组“安全组”，节点11代表“风险解限”的业务类目。
当有向客服关系图中的连边方向是从节点x到节点11时，该连边方向代表逻辑关系“包含”，即人工客服小组“安全组”包含(可对接)业务类目“风险解限”下的各种用户问题。
当有向客服关系图中的连边方向是从节点11到节点x时，该连边方向代表逻辑关系“属于”，即业务类目“风险解限”下的各种用户问题属于人工客服小组“安全组”的解答范围。
在本实施例中，所述有向客服关系图可基于各标准问题所属的业务类目以及各人工客服小组所对接的业务类目构建。
例如，可先根据各标准问题所属的业务类目构建有向客服树，然后在所述有向客服树中增加人工客服小组节点，以构建出有向客服关系图。
在构建有向客服树时，可先构建若干层业务类目树，然后将各标准问题按照所属的业务类目添加到业务类目树中。
请参考图3所示的有向客服树，方形节点代表业务类目节点，圆形节点代表标准问题节点，用虚线框出来的根节点“业务类目”无实际含义，连边方向代表所连接的节点之间按照所述方向具有包含关系。
举例来说，节点1代表业务类目节点“风险管理”，节点11代表业务类目节点“风险解限”，节点111代表业务类目节点“如何解限”，节点A代表标准问题节点“如何解冻账号”等。
在本实施例中，在构建出有向客服树之后，可根据各人工客服小组所对接的业务类目，将人工客服小组节点添加到有向客服树中，以得到有向客服关系图。
请参考图4所示的有向客服关系图，三角形节点代表人工客服小组节点，人工客服小组节点和业务类目之间的连边方向也代表包含关系。
举例来说，节点x代表人工客服小组节点“安全组”，“安全组”和业务类目节点11“风险解限”连接，代表“安全组”包含(可对接)业务类目“风险解限”下的各种用户问题。
上述有向客服关系图的构建过程仅为示例性的说明，在其他例子中，也可先根据人工客服小组所对接的业务类目构建包括人工客服小组和业务类目的有向图，然后再将标准问题节点添加到所述有向图中，得到有向客服关系图。当然，也可以根据人工客服小组所对接的业务类目以及各标准问题所属的业务类目直接构建出有向客服关系图，本说明书对此不作特殊限制。
在本实施例中，所述有向客服关系图通过业务类目节点连接人工客服小组节点和标准问题节点。
针对所述有向客服关系图中的每个人工客服小组节点，均存在至少一个标准问题节点与之存在可达路径。
Figure BDA0001987828100000071
表1
请继续参考图4所示的有向客服关系图，以人工客服小组节点x为例，请参考表1的示例，人工客服小组节点x与标准问题节点A、B和D之间存在可达路径。
从另一个角度来看，针对所述有向客服关系图中的每个标准问题节点，均存在至少一个人工客服小组节点与之存在可达路径。例如，标准问题节点C和人工客服小组节点y之间存在可达路径等。
在本实施例中，在构建出有向客服关系图之后，还可对所述有向客服关系图中不在人工客服小组节点和标准问题节点之间可达路径上的业务类目节点进行过滤。
请继续参考图4所示的有向客服关系图，业务类目节点1和业务类目节点3不在人工客服小组节点和标准问题节点之间的任何可达路径上，可将业务类目节点1、业务类目节点3以及无实际含义的根节点过滤掉，得到图5所示的有向客服关系图。
在本实施例中，通过对节点的过滤，可有效简化有向客服关系图的结构，降低后续计算的复杂度，提升计算效率。
基于前述构建的有向客服关系图，本说明书提供一种智能客服的实现方法，请参考图6，所述智能客服的实现方法可包括以下步骤：
步骤602，将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分。
在本实施例中，所述用户问题是用户在触发客户服务后输入的问题，所述用户问题通常为文本。
例如，当用户触发线上客服时，所述用户问题通常是用户在客服系统提交的文本。
再例如，当用户拨打语音客服时，可将用户输入的语音转换为文本作为所述用户问题。
在本实施例中，所述用户特征可包括：连续型特征和离散型特征。
所述连续型特征通常指具有先后顺序的特征，例如：用户浏览轨迹等。
举例来说，假设用户在APP(Application，应用程序)中的浏览轨迹为首页-花呗-我的账单，则该浏览轨迹可对应连续型特征(a，b，c)，其中，a表示该APP的首页，b表示该APP中被称为“花呗”的页面，c表示该APP中被称为“我的账单”的页面。
所述离散型特征通常为分散性的特征，例如用户属性特征、用户在指定维度下的状态特征等。
举例来说，用户年龄、用户性别、用户职业、用户常住地、用户是否已还清本期欠款、用户账号是否存在安全风险等都可作为离散型特征。
在本实施例中，请参考图7，所述客服模型可包括：文本预测子模型、连续预测子模型、离散预测子模型、Concat层和分类器。
其中，所述文本预测子模型的输入是所述用户问题，所述文本预测子模型可采用CNN(Convolutional Neural Networks，卷积神经网络)，或RNN(Recurrent NeuralNetwork，循环神经网络)，或DNN(Deep Neural Networks，深度神经网络)建模。
所述连续预测子模型的输入是用户特征中的连续型特征，例如，用户浏览轨迹等。所述连续预测子模型可采用RNN、LSTM(Long Short-Term Memory，长短期记忆网络)和GRU(Gated Recurrent Unit，门循环单元)等神经网络建模。
所述离散预测子模型的输入是用户特征中的离散型特征，例如，用户年龄、用户是否已还清本期欠款等。所述离散型预测子模型可采用DNN(Deep Neural Networks，深度神经网络)建模。
所述Concat层(拼接层)可拼接文本预测子模型、连续预测子模型和离散预测子模型输出的结果。
所述分类器可对Concat层的输出结果进行归一化处理，输出与有向客服关系图中各节点一一对应的预测评分。所述分类器可以为Softmax等函数，本说明书对此不作特殊限制。
在本实施例中，将所述用户问题和用户特征输入已训练的客服模型后，可输出若干预测评分，所述若干预测评分与有向客服关系图中的节点一一对应。
其中，预测评分与节点的对应关系可在客服模型训练时确定，例如：可将客服模型输出的预测评分分为三层，第一层预测评分与有向客服关系图中的人工客服小组节点一一对应，第二层预测评分与有向客服关系图中的业务类目节点一一对应，第三层预测评分与有向客服关系图中的标准问题节点一一对应。
当然，在其他例子中，也可采用其他的对应方式实现预测评分与有向客服关系图中各节点的一一对应，本说明书对此不作特殊限制。
步骤604，从所述有向客服关系图中的人工客服小组节点出发，依次更新所述人工客服小组节点与标准问题节点之间的可达路径上各个节点的预测评分。
基于前述步骤602，在得到有向客服关系图中各节点的预测评分后，可进行预测评分的更新。
在本实施例中，针对每条人工客服小组节点与标准问题节点之间的可达路径，可从人工客服小组节点出发，依次更新该可达路径上各个节点的预测评分。
请参考表1，以人工客服小组节点x与标准问题节点A之间的可达路径为例，可依次更新节点11、节点111和节点A的预测评分。其中，预测评分的更新算法为当前节点的预测评分与其上一跳节点的预测评分的乘积。
节点 客服模型输出的预测评分 更新后的预测评分
节点x S<sub>x</sub> S<sub>x</sub>
节点11 S<sub>11</sub> S<sub>x</sub>×S<sub>11</sub>
节点111 S<sub>111</sub> S<sub>x</sub>×S<sub>11</sub>×S<sub>111</sub>
节点A S<sub>A</sub> S<sub>x</sub>×S<sub>11</sub>×S<sub>111</sub>×S<sub>A</sub>
表2
请参考表2的示例，假设Sx、S11、S111和SA分别表示预测模型输出的节点x、节点11、节点111和节点A的预测评分，则在更新时，先更新节点11的预测评分，其预测评分等于自身的预测评分S11和上一跳节点x的预测评分Sx的乘积，然后再更新节点111的预测评分，其预测评分等于自身的预测评分S111和上一跳节点11的预测评分Sx×S11的乘积，最后更新节点A的预测评分。
类似的，还可更新人工客服小组节点x与标准问题节点B、D之间可达路径上各节点的预测评分，更新人工客服小组节点y与标准问题节点C、E、F和G之间可达路径上各节点的预测评分。
值得注意的是，预测评分的更新是从人工客服小组节点出发，若有向客服关系图中连边的方向代表的逻辑关系与图4所示的逻辑关系不同，导致连边方向与图4所示的连边方向相反，则在更新预测评分时是逆着可达路径的方向进行更新。
举例来说，假设人工客服小组节点x与标准问题节点A之间的可达路径是：节点A-＞节点111-＞节点11-＞节点x，则在更新预测评分时，依然从人工客服节点x出发，逆向更新，即也是先更新节点11的预测评分，然后更新节点111的预测评分，最后更新节点A的预测评分。
步骤606，根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点。
基于前述步骤604，在预测评分更新完毕后，可在标准问题节点中确定预测评分满足指定评分条件的标准问题节点，例如预测评分最高等，为便于区分，可将确定出的标准问题节点称为目标标准问题节点。
在确定出目标标准问题节点之后，一方面，可将该目标标准问题节点作为前述用户问题对应的标准问题节点。可将该目标标准问题节点所对应的标准问题返回给用户确认，也可以直接查找该标准问题的答案返回给用户，本说明书对此不作特殊限制。
另一方面，可确定与该目标标准问题节点存在可达路径的人工客服小组节点，并可将该人工客服小组节点作为与所述用户问题对应的人工客服小组节点。例如，后续在将上述用户问题分配给人工客服处理时，可直接将该用户问题分配给确定的所述人工客服小组节点对应的人工客服小组。
若与所述目标标准问题存在可达路径的人工客服小组有多个，则可将这些人工客服小组节点均作为所述用户问题对应的人工客服小组节点，后续在分配人工客服处理时，可依据各人工客服小组的负载情况进行分配，也可随机分配，本说明书对此不作特殊限制。
若与所述目标标准问题存在可达路径的人工客服小组有多个，也可以从中选取一个作为所述用户问题对应的人工客服小组节点，例如：从中选取预测评分最高的人工客服小组节点等，本说明书对此不作特殊限制。
由以上描述可以看出，本说明书可将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，进而对所述有向客服关系图中人工客服小组节点与标准问题节点之间可达路径上的各节点的预测评分进行更新，并可根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点，同时实现标准问题和人工客服小组的预测。
在本说明书中，客服模型的训练过程也可参考前述图6所示的实施例，例如基于历史上标记有标准问题和人工客服小组的用户问题对所述客服模型进行训练等，本说明书在此不再一一赘述。
与前述智能客服的实现方法的实施例相对应，本说明书还提供了智能客服的实现装置的实施例。
本说明书智能客服的实现装置的实施例可以应用在服务器上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在服务器的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图8所示，为本说明书智能客服的实现装置所在服务器的一种硬件结构图，除了图8所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的服务器通常根据该服务器的实际功能，还可以包括其他硬件，对此不再赘述。
图9是本说明书一示例性实施例示出的一种智能客服的实现装置的框图。
请参考图9，所述智能客服的实现装置800可以应用在前述图8所示的服务器中，包括有：问题输入单元801、评分更新单元802和结果确定单元803。
其中，问题输入单元801，将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，所述有向客服关系图包括：标准问题节点、人工客服小组节点和若干层业务类目节点，所述有向客服关系图中的连边方向代表所连接的节点之间按照所述方向具有指定的逻辑关系；
评分更新单元802，从所述有向客服关系图中的人工客服小组节点出发，依次更新所述人工客服小组节点与标准问题节点之间的可达路径上各个节点的预测评分；
结果确定单元803，根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点。
可选的，所述结果确定单元803：
在更新完毕后，将预测评分满足指定评分条件的标准问题节点确定为与所述用户问题对应的标准问题节点；
将与所述预测评分满足指定评分条件的标准问题节点存在可达路径的人工客服小组节点确定为与所述用户问题对应的人工客服小组节点。
可选的，所述有向客服关系图基于各标准问题所属的业务类目以及各人工客服小组所对接的业务类目构建。
可选的，还包括：
在所述有向客服关系图构建完毕后，对不在所述可达路径上的业务类目节点进行过滤。
可选的，所述评分更新单元802：
针对待更新预测评分的节点，计算所述节点的预测评分与其上一跳节点的预测评分的乘积，并使用该乘积更新本节点的预测评分。
可选的，所述客服模型包括：文本预测子模型、连续预测子模型和离散预测子模型；
其中，所述文本预测子模型的输入是所述用户问题；
所述连续预测子模型的输入是所述用户特征中的连续型特征；
所述离散预测子模型的输入是所述用户特征中的离散型特征。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
与前述智能客服的实现方法的实施例相对应，本说明书还提供一种智能客服的实现装置，该装置包括：处理器以及用于存储机器可执行指令的存储器。其中，处理器和存储器通常借由内部总线相互连接。在其他可能的实现方式中，所述设备还可能包括外部接口，以能够与其他设备或者部件进行通信。
在本实施例中，通过读取并执行所述存储器存储的与智能客服的实现逻辑对应的机器可执行指令，所述处理器被促使：
将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，所述有向客服关系图包括：标准问题节点、人工客服小组节点和若干层业务类目节点，所述有向客服关系图中的连边方向代表所连接的节点之间按照所述方向具有指定的逻辑关系；
从所述有向客服关系图中的人工客服小组节点出发，依次更新所述人工客服小组节点与标准问题节点之间的可达路径上各个节点的预测评分；
根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点。
可选的，在根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点时，所述处理器被促使：
在更新完毕后，将预测评分满足指定评分条件的标准问题节点确定为与所述用户问题对应的标准问题节点；
将与所述预测评分满足指定评分条件的标准问题节点存在可达路径的人工客服小组节点确定为与所述用户问题对应的人工客服小组节点。
可选的，所述有向客服关系图基于各标准问题所属的业务类目以及各人工客服小组所对接的业务类目构建。
可选的，所述处理器还被促使：
在所述有向客服关系图构建完毕后，对不在所述可达路径上的业务类目节点进行过滤。
可选的，在节点预测评分的更新时，所述处理器被促使：
针对待更新预测评分的节点，计算所述节点的预测评分与其上一跳节点的预测评分的乘积，并使用该乘积更新本节点的预测评分。
可选的，所述客服模型包括：文本预测子模型、连续预测子模型和离散预测子模型；
其中，所述文本预测子模型的输入是所述用户问题；
所述连续预测子模型的输入是所述用户特征中的连续型特征；
所述离散预测子模型的输入是所述用户特征中的离散型特征。
与前述智能客服的实现方法的实施例相对应，本说明书还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现以下步骤：
将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，所述有向客服关系图包括：标准问题节点、人工客服小组节点和若干层业务类目节点，所述有向客服关系图中的连边方向代表所连接的节点之间按照所述方向具有指定的逻辑关系；
从所述有向客服关系图中的人工客服小组节点出发，依次更新所述人工客服小组节点与标准问题节点之间的可达路径上各个节点的预测评分；
根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点。
可选的，所述根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点，包括：
在更新完毕后，将预测评分满足指定评分条件的标准问题节点确定为与所述用户问题对应的标准问题节点；
将与所述预测评分满足指定评分条件的标准问题节点存在可达路径的人工客服小组节点确定为与所述用户问题对应的人工客服小组节点。
可选的，所述有向客服关系图基于各标准问题所属的业务类目以及各人工客服小组所对接的业务类目构建。
可选的，还包括：
在所述有向客服关系图构建完毕后，对不在所述可达路径上的业务类目节点进行过滤。
可选的，节点预测评分的更新过程包括：
针对待更新预测评分的节点，计算所述节点的预测评分与其上一跳节点的预测评分的乘积，并使用该乘积更新本节点的预测评分。
可选的，所述客服模型包括：文本预测子模型、连续预测子模型和离散预测子模型；
其中，所述文本预测子模型的输入是所述用户问题；
所述连续预测子模型的输入是所述用户特征中的连续型特征；
所述离散预测子模型的输入是所述用户特征中的离散型特征。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (13)

1.一种智能客服的实现方法，包括：
将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，所述有向客服关系图包括：标准问题节点、人工客服小组节点和若干层业务类目节点，所述有向客服关系图中的连边方向代表所连接的节点之间按照所述方向具有指定的逻辑关系；所述有向客服关系图通过业务类目节点连接人工客服小组节点和标准问题节点；
从所述有向客服关系图中的人工客服小组节点出发，依次更新所述人工客服小组节点与标准问题节点之间的可达路径上各个节点的预测评分；
根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点；所述标准问题节点用于确定与该用户问题对应的标准问题。
2.根据权利要求1所述的方法，所述根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点，包括：
在更新完毕后，将预测评分满足指定评分条件的标准问题节点确定为与所述用户问题对应的标准问题节点；
将与所述预测评分满足指定评分条件的标准问题节点存在可达路径的人工客服小组节点确定为与所述用户问题对应的人工客服小组节点。
3.根据权利要求1所述的方法，
所述有向客服关系图基于各标准问题所属的业务类目以及各人工客服小组所对接的业务类目构建。
4.根据权利要求3所述的方法，还包括：
在所述有向客服关系图构建完毕后，对不在所述可达路径上的业务类目节点进行过滤。
5.根据权利要求1所述的方法，节点预测评分的更新过程包括：
针对待更新预测评分的节点，计算所述节点的预测评分与其上一跳节点的预测评分的乘积，并使用该乘积更新本节点的预测评分。
6.根据权利要求1所述的方法，
所述客服模型包括：文本预测子模型、连续预测子模型和离散预测子模型；
其中，所述文本预测子模型的输入是所述用户问题；
所述连续预测子模型的输入是所述用户特征中的连续型特征；
所述离散预测子模型的输入是所述用户特征中的离散型特征。
7.一种智能客服的实现装置，包括：
问题输入单元，将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，所述有向客服关系图包括：标准问题节点、人工客服小组节点和若干层业务类目节点，所述有向客服关系图中的连边方向代表所连接的节点之间按照所述方向具有指定的逻辑关系；所述有向客服关系图通过业务类目节点连接人工客服小组节点和标准问题节点；
评分更新单元，从所述有向客服关系图中的人工客服小组节点出发，依次更新所述人工客服小组节点与标准问题节点之间的可达路径上各个节点的预测评分；
结果确定单元，根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点；所述标准问题节点用于确定与该用户问题对应的标准问题。
8.根据权利要求7所述的装置，所述结果确定单元：
在更新完毕后，将预测评分满足指定评分条件的标准问题节点确定为与所述用户问题对应的标准问题节点；
将与所述预测评分满足指定评分条件的标准问题节点存在可达路径的人工客服小组节点确定为与所述用户问题对应的人工客服小组节点。
9.根据权利要求7所述的装置，
所述有向客服关系图基于各标准问题所属的业务类目以及各人工客服小组所对接的业务类目构建。
10.根据权利要求9所述的装置，还包括：
在所述有向客服关系图构建完毕后，对不在所述可达路径上的业务类目节点进行过滤。
11.根据权利要求7所述的装置，所述评分更新单元：
针对待更新预测评分的节点，计算所述节点的预测评分与其上一跳节点的预测评分的乘积，并使用该乘积更新本节点的预测评分。
12.根据权利要求7所述的装置，
所述客服模型包括：文本预测子模型、连续预测子模型和离散预测子模型；
其中，所述文本预测子模型的输入是所述用户问题；
所述连续预测子模型的输入是所述用户特征中的连续型特征；
所述离散预测子模型的输入是所述用户特征中的离散型特征。
13.一种智能客服的实现装置，包括：
处理器；
用于存储机器可执行指令的存储器；
其中，通过读取并执行所述存储器存储的与智能客服的实现逻辑对应的机器可执行指令，所述处理器被促使：
将用户问题和用户特征输入已训练的客服模型，输出与有向客服关系图中各节点一一对应的预测评分，所述有向客服关系图包括：标准问题节点、人工客服小组节点和若干层业务类目节点，所述有向客服关系图中的连边方向代表所连接的节点之间按照所述方向具有指定的逻辑关系；所述有向客服关系图通过业务类目节点连接人工客服小组节点和标准问题节点；
从所述有向客服关系图中的人工客服小组节点出发，依次更新所述人工客服小组节点与标准问题节点之间的可达路径上各个节点的预测评分；
根据预测评分的更新结果确定与所述用户问题对应的标准问题节点和人工客服小组节点；所述标准问题节点用于确定与该用户问题对应的标准问题。
CN201910170817.6A 2019-03-07 2019-03-07 智能客服的实现方法和装置 Active CN110012176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910170817.6A CN110012176B (zh) 2019-03-07 2019-03-07 智能客服的实现方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910170817.6A CN110012176B (zh) 2019-03-07 2019-03-07 智能客服的实现方法和装置

Publications (2)

Publication Number Publication Date
CN110012176A CN110012176A (zh) 2019-07-12
CN110012176B true CN110012176B (zh) 2021-03-16

Family

ID=67166579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910170817.6A Active CN110012176B (zh) 2019-03-07 2019-03-07 智能客服的实现方法和装置

Country Status (1)

Country Link
CN (1) CN110012176B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1455357A (zh) * 2003-05-23 2003-11-12 郑方 一种实现多路对话的人－机汉语口语对话系统的方法
CN105512153A (zh) * 2014-10-20 2016-04-20 中国电信股份有限公司 一种在线客服系统的服务提供方法、装置及系统
CN106407271A (zh) * 2016-08-26 2017-02-15 厦门快商通科技股份有限公司 一种智能客服系统及其智能客服知识库的更新方法
CN106447346A (zh) * 2016-08-29 2017-02-22 北京中电普华信息技术有限公司 一种智能电力客服系统的构建方法及系统
CN107292412A (zh) * 2016-03-31 2017-10-24 阿里巴巴集团控股有限公司 一种问题预测方法及预测系统
CN109033223A (zh) * 2018-06-29 2018-12-18 北京百度网讯科技有限公司 用于跨类型对话的方法、装置、设备以及计算机可读存储介质
CN109214674A (zh) * 2018-08-27 2019-01-15 联想(北京)有限公司 客服系统管理方法、客服系统及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9042540B2 (en) * 2012-10-30 2015-05-26 Teletech Holdings, Inc. Method for providing support using answer engine and dialog rules
CN104731895B (zh) * 2015-03-18 2018-09-18 北京京东尚科信息技术有限公司 自动应答的方法和装置
CN106897334B (zh) * 2016-06-24 2020-07-14 阿里巴巴集团控股有限公司 一种问题推送方法和设备
CN106970936B (zh) * 2017-02-09 2020-07-03 阿里巴巴集团控股有限公司 数据处理方法及装置、数据查询方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1455357A (zh) * 2003-05-23 2003-11-12 郑方 一种实现多路对话的人－机汉语口语对话系统的方法
CN105512153A (zh) * 2014-10-20 2016-04-20 中国电信股份有限公司 一种在线客服系统的服务提供方法、装置及系统
CN107292412A (zh) * 2016-03-31 2017-10-24 阿里巴巴集团控股有限公司 一种问题预测方法及预测系统
CN106407271A (zh) * 2016-08-26 2017-02-15 厦门快商通科技股份有限公司 一种智能客服系统及其智能客服知识库的更新方法
CN106447346A (zh) * 2016-08-29 2017-02-22 北京中电普华信息技术有限公司 一种智能电力客服系统的构建方法及系统
CN109033223A (zh) * 2018-06-29 2018-12-18 北京百度网讯科技有限公司 用于跨类型对话的方法、装置、设备以及计算机可读存储介质
CN109214674A (zh) * 2018-08-27 2019-01-15 联想(北京)有限公司 客服系统管理方法、客服系统及电子设备

Also Published As

Publication number Publication date
CN110012176A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
JP7288446B2 (ja) ヒューマンマシン対話方法および電子デバイス
CN111930366B (zh) 一种基于jit实时编译的规则引擎实现方法及系统
CN109360097A (zh) 基于深度学习的股票预测方法、装置、设备及存储介质
US20150142703A1 (en) Driving an Interactive Decision Service From a Forward-Chaining Rule Engine
CN111523831B (zh) 风险团伙的识别方法、装置、存储介质和计算机设备
CN107704625A (zh) 字段匹配方法和装置
CN109214674B (zh) 客服系统管理方法、客服系统及电子设备
CN109885452A (zh) 性能监控方法、装置及终端设备
CN109766454A (zh) 一种投资者分类方法、装置、设备及介质
CN112085615B (zh) 图神经网络的训练方法及装置
CN109670624B (zh) 一种预估用餐等候时间的方法及装置
CN115270001A (zh) 基于云端协同学习的隐私保护推荐方法及系统
US20160315944A1 (en) System and method for dynamic network data validation
CN104484365B (zh) 一种多源异构在线社会网络中网络主体之间社会关系的预测方法与系统
CN113486166B (zh) 智能客服机器人的构建方法、装置、设备以及存储介质
CN112308749B (zh) 培养计划的生成装置、方法、电子设备及可读存储介质
US20210118433A1 (en) Detecting extraneous topic information using artificial intelligence models
CN110012176B (zh) 智能客服的实现方法和装置
CN116861107A (zh) 业务内容展示方法、装置、设备、介质和产品
CN116521832A (zh) 对话交互方法、装置及系统、电子设备和存储介质
US20190304040A1 (en) System and Method for Vetting Potential Jurors
CN107544248A (zh) 一种移动机器人中的任务优化方法及设备
CN113255231B (zh) 一种数据处理方法、装置、设备及存储介质
CN115391666A (zh) 医院在线推荐方法、装置、计算机设备和存储介质
CN112507185B (zh) 用户肖像的确定方法和装置

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
TA01 Transfer of patent application right

Effective date of registration: 20201019

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20201019

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

GR01 Patent grant
GR01 Patent grant