CN110110066A - 一种交互数据处理方法、装置以及计算机可读存储介质 - Google Patents
一种交互数据处理方法、装置以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110110066A CN110110066A CN201910386042.6A CN201910386042A CN110110066A CN 110110066 A CN110110066 A CN 110110066A CN 201910386042 A CN201910386042 A CN 201910386042A CN 110110066 A CN110110066 A CN 110110066A
- Authority
- CN
- China
- Prior art keywords
- interaction data
- degree
- association
- business
- interaction
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种交互数据处理方法、装置以及计算机可读存储介质，该方法包括：获取目标用户的第一交互数据，确定第一交互数据的交互数据特征；根据第一交互数据获取测试任务，获取目标用户针对测试任务的测试结果；根据交互数据特征以及测试结果，确定与目标用户对应的业务对象以及业务对象对应的置信度；当置信度达到置信度阈值时，生成用于响应第一交互数据的第三交互数据；第三交互数据包含所述业务对象。采用本发明实施例，丰富了人机交互类型，同时提高了通过人机交互解决用户问题的准确性。
Description
技术领域
本发明涉及数据处理的技术领域，尤其涉及一种交互数据处理方法、装置以及计算机可读存储介质。
背景技术
随着计算机技术的不断发展，人机交互的类型与用途也随之丰富，比如通过人机对话解决用户存在的问题等。但是通过人机对话的方式发现用户的问题并回答用户的问题，此间技术实现过程复杂，对解决用户问题的准确度提出了更高的要求。
现有技术中，主要是通过人机对话对用户的意图以及想要咨询的问题进行推测，进而根据推测的结果向用户进行解答。但是，由于获取到的用户的对话数据中往往包含了大量无用的信息，从而很难准确地提取用户对话数据中的有效信息，导致推测结果与用户的实际问题不相符合，推测准确度低。
发明内容
本发明实施例提供了一种交互数据处理方法、装置以及计算机可读存储介质，提高了通过人机交互解决用户问题的准确性。
本发明实施例一方面提供了一种交互数据处理方法，包括：
获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
根据所述交互数据特征、测试结果以及业务特征生成所述第一交互数据对应的多个待选择交互数据；所述测试结果是由针对目标用户的测试任务所生成的；所述测试任务是根据所述第一交互数据得到的；所述业务特征是指基于所述交互数据特征以及所述测试结果所确定的业务对象的特征；
基于排序匹配模型确定所述多个待选择交互数据中的每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度；
将数值最高的匹配度对应的待选择交互数据确定为用于响应所述第一交互数据的第二交互数据。
其中，所述基于排序匹配模型确定所述多个待选择交互数据中的每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度，包括：
基于排序匹配模型确定所述第一交互数据中的业务实体对应的第一业务关联度，分别确定所述每个待选择交互数据中的业务实体对应的第二业务关联度；所述第一业务关联度为所述第一交互数据中的业务实体与所述业务对象对应的多个业务维度之间的关联度；所述第二业务关联度为所述待选择交互数据中的业务实体与所述业务对象对应的多个业务维度之间的关联度；
从知识库中分别获取所述第一交互数据中的每个业务实体对应的第一关联实体集，以及所述每个待选择交互数据中的每个业务实体对应的第二关联实体集；
基于每个第一关联实体集对应的第一卷积和，确定所述每个第一关联实体集对应的业务实体的第一引导业务关联度；
基于每个第二关联实体集对应的第二卷积和，确定所述每个第二关联实体集对应的业务实体的第二引导业务关联度；
根据所述第一业务关联度、所述第一引导业务关联度、所述第二业务关联度以及所述第二引导业务关联度，分别确定所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述候选回答关联度以及所述业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度。
其中，所述根据所述第一业务关联度、所述第一引导业务关联度、所述第二业务关联度以及所述第二引导业务关联度，分别确定所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述候选回答关联度以及所述业务问题关联度，分别确定所述第一交互数据与所述每个待选择交互数据之间的匹配度，包括：
根据所述第一业务关联度与所述第二业务关联度确定第一相似矩阵，根据所述第一引导业务关联度与所述第二引导业务关联度确定第二相似矩阵；
根据所述第一相似矩阵与所述第二相似矩阵确定行关联度之和以及列关联度之和；
根据所述列关联度之和、所述第一业务关联度以及所述第一引导业务关联度，确定所述业务问题关联度；
根据所述行关联度之和、所述第二业务关联度以及所述第二引导业务关联度，确定所述候选回答关联度；
根据所述业务问题关联度、所述候选回答关联度以及所述第一交互数据的交互数据特征，分别确定所述第一交互数据与所述每个待选择交互数据之间的匹配度。
其中，还包括：
获取样本用户的第一样本交互数据集，并获取用于响应所述样本用户的第二样本交互数据集；所述第一样本交互数据集中包括多个第一样本交互数据；所述第二样本交互数据集中包括多个第二样本交互数据；每个第一样本交互数据对应有多个第二样本交互数据；
基于初始模型获取所述每个第一样本交互数据分别与所对应的多个第二样本交互数据之间预测匹配度；
根据所述预测匹配度以及所述每个第一样本交互数据分别与所对应的多个第二样本交互数据之间的匹配度标签，确定所述初始模型的损失函数，基于所述损失函数修正所述初始模型的模型参数；
当所述损失函数满足模型收敛条件时，将包含修正后的模型参数的初始模型确定为所述排序匹配模型。
本发明实施例另一方面提供了一种交互数据处理方法，包括：
获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
根据所述第一交互数据获取测试任务，获取所述目标用户针对所述测试任务的测试结果；
根据所述交互数据特征以及所述测试结果，确定与所述目标用户对应的业务对象以及所述业务对象对应的置信度；
当所述置信度达到置信度阈值时，生成用于响应所述第一交互数据的第三交互数据；所述第三交互数据包含所述业务对象。
其中，所述根据所述第一交互数据获取测试任务，获取所述目标用户针对所述测试任务的测试结果，包括：
提取所述第一交互数据中与测试条件对应的关键参数类型相匹配的业务参数；
若基于所述业务参数确定所述目标用户具备所述测试条件，则获取所述业务参数对应的测试任务；
输出计时窗口以及录入窗口；所述计时窗口用于对所述目标用户对应的测试任务进行计时；
响应针对所述计时窗口中的开始计时指令，并开始计时，得到计时时长；
若所述计时时长等于计时时长阈值，则响应针对所述录入窗口的数据提交操作，获取所述录入窗口中的所述测试结果。
其中，所述根据所述交互数据特征以及所述测试结果，确定与所述目标用户对应的业务对象以及所述业务对象对应的置信度，包括：
将所述交互数据特征以及所述测试结果输入到贝叶斯模型的输入层；
根据所述贝叶斯模型、所述交互数据特征以及所述测试结果，确定所述目标用户对应的业务对象的先验概率；
基于调整因子对所述先验概率进行调整，得到所述目标用户对应的业务对象的后验概率，根据所述后验概率确定所述业务对象的置信度。
其中，所述确定所述第一交互数据的交互数据特征，包括：
对所述第一交互数据进行分词，得到待处理字符串，根据所述待处理字符串确定所述第一交互数据中的业务实体；
确定所述第一交互数据的文本表示类型，根据所述文本表示类型确定所述目标用户的交互意图；
根据所述第一交互数据中的业务实体以及所述交互意图确定所述交互数据特征。
其中，还包括：
当所述置信度小于所述置信度阈值时，提取所述业务对象的业务特征；
根据所述交互数据特征、所述测试结果以及所述业务特征，生成用于响应所述第一交互数据的第二交互数据；所述第二交互数据用于引导所述目标用户输入第四交互数据。
本发明实施例一方面提供了一种交互数据处理装置，包括：
获取模块，用于获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
第一生成模块，用于根据所述交互数据特征、测试结果以及业务特征生成所述第一交互数据对应的多个待选择交互数据；所述测试结果是由针对目标用户的测试任务所生成的；所述测试任务是根据所述第一交互数据得到的；所述业务特征是指基于所述交互数据特征以及所述测试结果所确定的业务对象的特征；
第一确定模块，用于基于排序匹配模型确定所述多个待选择交互数据中的每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度；
第二确定模块，用于将数值最高的匹配度对应的待选择交互数据确定为用于响应所述第一交互数据的第二交互数据。
其中，所述第一确定模块，包括：
第一关联度确定单元，用于基于排序匹配模型确定所述第一交互数据中的业务实体对应的第一业务关联度，分别确定所述每个待选择交互数据中的业务实体对应的第二业务关联度；所述第一业务关联度为所述第一交互数据中的业务实体与所述业务对象对应的多个业务维度之间的关联度；所述第二业务关联度为所述待选择交互数据中的业务实体与所述业务对象对应的多个业务维度之间的关联度；
实体获取单元，用于从知识库中分别获取所述第一交互数据中的每个业务实体对应的第一关联实体集，以及所述每个待选择交互数据中的每个业务实体对应的第二关联实体集；
第二关联度确定单元，用于基于每个第一关联实体集对应的第一卷积和，确定所述每个第一关联实体集对应的业务实体的第一引导业务关联度；
第三关联度确定单元，用于基于每个第二关联实体集对应的第二卷积和，确定所述每个第二关联实体集对应的业务实体的第二引导业务关联度；
匹配度确定单元，用于根据所述第一业务关联度、所述第一引导业务关联度、所述第二业务关联度以及所述第二引导业务关联度，分别确定所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述候选回答关联度以及所述业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度。
其中，所述匹配度确定单元，包括：
第五确定子单元，用于根据所述第一业务关联度与所述第二业务关联度确定第一相似矩阵，根据所述第一引导业务关联度与所述第二引导业务关联度确定第二相似矩阵；
第六确定子单元，用于根据所述第一相似矩阵与所述第二相似矩阵确定行关联度之和以及列关联度之和；
第七确定子单元，用于根据所述列关联度之和、所述第一业务关联度以及所述第一引导业务关联度，确定所述业务问题关联度；
第八确定子单元，用于根据所述行关联度之和、所述第二业务关联度以及所述第二引导业务关联度，确定所述候选回答关联度；
第九确定子单元，用于根据所述业务问题关联度、所述候选回答关联度以及所述第一交互数据的交互数据特征，分别确定所述第一交互数据与所述每个待选择交互数据之间的匹配度。
其中，所述交互数据处理装置，还包括：
样本获取模块，用于获取样本用户的第一样本交互数据集，并获取用于响应所述样本用户的第二样本交互数据集；所述第一样本交互数据集中包括多个第一样本交互数据；所述第二样本交互数据集中包括多个第二样本交互数据；每个第一样本交互数据对应有多个第二样本交互数据；
预测模块，用于基于初始模型获取所述每个第一样本交互数据分别与所对应的多个第二样本交互数据之间预测匹配度；
修正模块，用于根据所述预测匹配度以及所述每个第一样本交互数据分别与所对应的多个第二样本交互数据之间的匹配度标签，确定所述初始模型的损失函数，基于所述损失函数修正所述初始模型的模型参数；
确定模块，用于当所述损失函数满足模型收敛条件时，将包含修正后的模型参数的初始模型确定为所述排序匹配模型。
本发明实施例另一方面提供了一种交互数据处理装置，包括：
第一数据获取模块，用于获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
第一任务获取模块，用于根据所述第一交互数据获取测试任务，获取所述目标用户针对所述测试任务的测试结果；
第一置信度确定模块，用于根据所述交互数据特征以及所述测试结果，确定与所述目标用户对应的业务对象以及所述业务对象对应的置信度；
第一生成模块，用于当所述置信度达到置信度阈值时，生成用于响应所述第一交互数据的第三交互数据；所述第三交互数据包含所述业务对象。
其中，所述第一任务获取模块，包括：
提取单元，用于提取所述第一交互数据中与测试条件对应的关键参数类型相匹配的业务参数；
获取单元，用于若基于所述业务参数确定所述目标用户具备所述测试条件，则获取所述业务参数对应的测试任务；
输出单元，用于输出计时窗口以及录入窗口；所述计时窗口用于对所述目标用户对应的测试任务进行计时；
计时单元，用于响应针对所述计时窗口中的开始计时指令，并开始计时，得到计时时长；
提交单元，用于若所述计时时长等于计时时长阈值，则响应针对所述录入窗口的数据提交操作，获取所述录入窗口中的所述测试结果。
其中，所述第一置信度确定模块，包括：
输入单元，用于将所述交互数据特征以及所述测试结果输入到贝叶斯模型的输入层；
概率确定单元，用于根据所述贝叶斯模型、所述交互数据特征以及所述测试结果，确定所述目标用户对应的业务对象的先验概率；
第一确定单元，用于基于调整因子对所述先验概率进行调整，得到所述目标用户对应的业务对象的后验概率，根据所述后验概率确定所述业务对象的置信度。
其中，所述第一数据获取模块，包括：
分词单元，用于对所述第一交互数据进行分词，得到待处理字符串，根据所述待处理字符串确定所述第一交互数据中的业务实体；
意图确定单元，用于确定所述第一交互数据的文本表示类型，根据所述文本表示类型确定所述目标用户的交互意图；
第二确定单元，用于根据所述第一交互数据中的业务实体以及所述交互意图确定所述交互数据特征。
其中，所述交互数据处理装置，还包括：
提取模块，用于当所述置信度小于所述置信度阈值时，提取所述业务对象的业务特征；
第二生成模块，用于根据所述交互数据特征、所述测试结果以及所述业务特征，生成用于响应所述第一交互数据的第二交互数据；所述第二交互数据用于引导所述目标用户输入第四交互数据。
本发明一方面提供了一种交互数据处理装置，包括：处理器和存储器；
所述处理器和存储器相连，其中，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行如本发明实施例中一方面以及另一方面中的方法。
本发明实施例一方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令当被处理器执行时使该处理器执行上述一方面以及另一方面中的方法。
本发明实施例在与用户进行数据交互时，增加了建议用户进行测试任务的测试这一步骤，通过与用户的交互数据以及用户针对所述测试任务的测试结果，可以有效地对用户存在的问题进行解答，丰富了人机交互类型，增加了解决用户问题所依赖的条件信息，同时提高了通过人机交互解决用户问题的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种人机交互的架构示意图；
图2是本发明实施例提供的一种人机交互的结构示意图；
图3是本发明实施例提供的一种交互数据处理方法的流程示意图；
图4是本发明实施例提供的另一种交互数据处理方法的流程示意图；
图5是本发明实施例提供的另一种人机交互的结构示意图；
图6是本发明实施例提供的一种终端的界面示意图；
图7是本发明实施例提供的一种交互数据处理方法的时序示意图；
图8是本发明实施例提供的另一种交互数据处理方法的流程示意图；
图9是本发明实施例提供的另一种交互数据处理方法的流程示意图；
图10是本发明实施例提供的一种排序匹配模型的结构示意图；
图11是本发明实施例提供的一种模型训练方法的流程示意图；
图12是本发明实施例提供的一种交互数据处理装置的结构示意图；
图13是本发明实施例提供的另一种交互数据处理装置的结构示意图；
图14是本发明实施例提供的另一种交互数据处理装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参见图1，是本发明实施例提供的一种人机交互的架构示意图；如图1所示，终端设备200与服务器300之间可以相互通信。支持目标用户100在终端200中录入交互数据，终端设备200可以将目标用户100录入的交互数据发送至服务器300，使得所述服务器300可以根据接收到的所述目标用户200的交互数据，对应生成用于答复所述目标用户100录入的交互数据的回复交互数据，所述回复交互数据可以包括第三交互数据以及第二交互数据。服务器200将生成的回复交互数据发送至终端设备200，终端设备200可以在应用界面中显示所述回复交互数据，支持目标用户100通过终端设备200阅览所述回复交互数据。
请参见图2，图2是本发明实施例提供的一种人机交互结构示意图。如图2所示，首先，终端设备200可以获取到目标用户100录入的交互数据，可以将获取到的目标用户100的交互数据称之为第一交互数据。所述第一交互数据可以是当前目标用户100的对话数据，也可以是在此之前所述目标用户100的所有历史对话数据。终端设备200可以将获取到的所述目标用户100的交互数据发送给服务器300，所述服务器300可以通过NLP(NaturalLanguage Processing，自然语言)语言模型抽取所述第一交互数据中的业务实体。所述业务实体包括与业务术语相关的字符，比如业务名称、业务相关设备等。进一步地，服务器300基于所述第一交互数据对所述目标用户100的意图进行分析，可以通过所述NLP语言模型以及深度学习模型分析所述目标用户100的意图。比如，根据所述第一交互数据的文本表示类型分析所述目标用户100的意图。所述文本表示类型可以包括陈述句、问句以及反问句等，当所述文本表示类型为陈述句时，可以分析出所述目标用户100需要通过陈述的内容获取相关的业务信息。当所述文本表示类型为问句时，可以分析出所述目标用户100想要知道问句对应的答案等。服务器300可以通过上述得到的第一交互数据的实体以及意图，可以生成响应所述第一交互数据的交互数据，可以生成所述第一交互数据的多个回答，进行最佳回答的匹配。可以通过排序匹配模型在生成的多个回答中挑选出最佳答案，即最匹配的答案。服务器300可以将匹配出的最佳答案发送给终端设备200，终端设备200可以在应用界面中显示所述最佳答案，上述排序匹配模型可以是贝叶斯模型也可以是深度学习模型。上述得到的最佳答案是针对当前接收到的目标用户100的对话(即在最近的时间内接收到的所述目标用户100的对话数据)的回答。服务器300可以通过上述第一交互数据对所述目标用户100对应的业务对象进行业务预测(即业务匹配)。当根据所述第一交互数据判断出所述目标用户100不满足测试条件，可以判断此时预测到的业务对象的置信度(即预测准确度)。当所述置信度达到置信度阈值，则表明确认业务对象，直接输出包括预测得到的业务对象的交互数据。服务器300可以将该交互数据发送至终端设备200，终端设备200可以在应用界面中显示该交互数据，以向目标用户100展示该交互数据。当所述置信度未达到置信度阈值，则生成下一问题，继续与所述目标用户100进行数据交互，以进一步地预测所述目标用户100对应的业务对象。当根据所述第一交互数据判断出所述目标用户100满足测试条件，则获取所述第一交互数据对应的测试任务。服务器300可以将获取到的测试任务发送至终端设备200，终端设备200可以在应用界面中显示所述测试任务，以建议所述目标用户进行所述测试任务。终端设备200还可以获取目标用户录入的针对所述测试任务的测试结果，并将所述测试结果发送至服务器300。服务器300可以根据上述第一交互数据的交互数据特征(所述交互数据特征包括上述得到的实体与用户意图)以及所述测试结果进一步地对所述目标用户100对应的业务对象进行匹配。当匹配出的业务对象对应的置信度达到置信度阈值，则表明确认业务对象，输出包括匹配到的业务对象的第三交互数据。所述第三交互数据用于回复所述目标用户100的第一交互数据，所述第三交互数据中包含针对所述目标用户100对应的业务对象的信息。服务器300将该第三交互数据发送至终端设备200，终端设备200可以在应用界面中显示该第三交互数据，以向目标用户100展示该第三交互数据。当匹配出的业务对象对应的置信度未达到置信度阈值，则生成下一问题，继续与所述目标用户100进行数据交互，以进一步地预测所述目标用户100对应的业务对象，所述下一问题可以是第二交互数据，所述第二交互数据用于回复所述目标用户100的第一交互数据。服务器300将该第二交互数据发送至终端设备200，终端设备200可以在应用界面中显示所述第二交互数据，以向目标用户100展示所述第二交互数据。其中，模型层的NLP语言模型、贝叶斯模型以及深度学习模型可以与业务相关的知识库相关联，或者调用所述知识库，以从所述知识库中获取与所述目标用户相关的业务对象的业务信息。
通过在数据交互过程中建议所述目标用户进行测试任务的测试，可以从所述目标用户对应的真实以及实时的测试结果中获取更多的用户信息。根据与所述目标用户的交互数据以及所述目标用户的测试结果对所述目标用户对应的业务对象进行匹配，可以有效提高业务匹配的准确性，且丰富了业务匹配方法的类型。
请参见图3，是本发明实施例提供的一种交互数据处理方法的流程示意图，如图3所示，所述方法可以包括：
步骤S101，获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
具体的，执行主体可以是终端也可以是服务器，即所述终端或者服务器可以获取所述目标用户的第一交互数据。所述第一交互数据可以是获取到的所述目标用户当前的对话数据，即可以是获取到的最近时间内所述目标用户的对话数据，也可以是所述目标用户之前所有的历史对话数据。确定所述第一交互数据的交互数据特征，所述交互数据特征包括所述第一交互数据中与业务相关的业务实体以及所述目标用户的交互意图。通过分析所述目标用户的意图以及所述第一交互数据中与业务相关联的业务实体，可以判断出所述目标用户的业务问题所在，并给予回答。
步骤S102，根据所述第一交互数据获取测试任务，获取所述目标用户针对所述测试任务的测试结果；
具体的，根据所述第一交互数据获取测试任务，根据所述第一交互数据判断目标用户的意图以及所述目标用户需要的业务对象类型，根据所述目标用户需要的不同业务对象类型，可以给出不同的测试任务。比如，业务对象类型可以是游戏类型、医疗诊断类型、测评类型等。当所述第一交互数据中包含的数据内容为“我的计算能力是什么程度”，那么上述测试任务可以是一个用于测试计算能力的数字游戏。所述数字游戏的测试结果可以是通过所述数字游戏的测试时间，根据所述测试时间的长短判断所述目标用户的计算能力。所述计算能力可以通过0至100分的分数进行体现，即根据所述测试时间对所述目标用户的计算能力进行打分。所述计算能力也可以通过“很弱”、“弱”、“偏弱”、“良好”、“很好”、“非常好”以及“极强”等表征不同程度的词进行体现。当所述第一交互数据中包含的数据内容为“什么类型的穿衣风格更适合我”，那么上述测试任务可以是一个换装效果测试。可以获取目标用户的全身照片或者局部照片，预先存储若干套不同风格的服装，通过所述全身照片或者局部照片对所述目标用户进行模拟换装。换装完成之后，支持所述目标用户录入针对每一套模拟服装的满意度，所述满意度可以通过“不太满意”、“一般般满意”、“满意”以及“非常满意”对应的按键来获取。将所述目标用户针对每一套服装的模拟换装效果的满意度作为所述换装效果测试的测试结果，根据所述目标用户针对所述换装效果测试的测试结果，判断出适合所述目标用户的穿衣风格。进一步地，可以根据判断出的适合所述目标用户的穿衣风格向所述目标用户推荐同类型的服装。
步骤S103，根据所述交互数据特征以及所述测试结果，确定与所述目标用户对应的业务对象以及所述业务对象对应的置信度；
具体的，根据上述得到的交互数据特征以及针对上述测试任务的测试结果，可以确定所述目标用户对应的业务对象以及所述业务对象的置信度。当获取到所述目标用户的每一个交互数据(可以是对话数据，即用户录入的每一句/段话)时，都会根据所述每一个交互数据预测所述目标用户对应的业务对象。每个交互数据对应于一个业务对象(所述业务对象可以是业务对象集)，每个业务对象对应有一个置信度，所述置信度用于表征预测的业务对象的准确性。当测试任务为上述数字游戏时，所述目标用户对应的业务对象可以是计算能力的强弱(即计算能力的得分)。当测试任务为上述换装效果测试时，所述目标用户对应的业务对象可以是适合所述目标用户的穿衣风格。
步骤S104，当所述置信度达到置信度阈值时，生成用于响应所述第一交互数据的第三交互数据；所述第三交互数据包含所述业务对象；
具体的，当上述置信度达到置信度阈值时，表明当前匹配到的所述目标用户的业务对象的准确度达到设定要求，根据达到所述置信度阈值的置信度对应的业务对象生成所述第三交互数据，所述第三交互数据可以理解为答复所述目标用户的第一交互数据的数据(即响应回答所述目标用户的对话数据的机器对话)。所述第三交互数据中包含上述匹配到的所述目标用户对应的业务对象。
本发明实施例通过获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；根据所述第一交互数据获取测试任务，获取所述目标用户针对所述测试任务的测试结果；根据所述交互数据特征以及所述测试结果，确定与所述目标用户对应的业务对象以及所述业务对象对应的置信度；当所述置信度达到置信度阈值时，生成用于响应所述第一交互数据的第三交互数据；所述第三交互数据包含所述业务对象。由此可见，本发明实施例在与用户进行数据交互时，增加了建议用户进行测试任务的测试这一步骤，通过与用户的交互数据以及用户针对所述测试任务的测试结果，可以有效地对用户存在的问题进行解答，丰富了人机交互类型，增加了解决用户问题所依赖的条件信息，同时提高了通过人机交互解决用户问题的准确性。
请参见图4，是本发明实施例提供的另一种交互数据处理方法的流程示意图，图4所提供的方法可以用于医疗领域的初步诊断与筛选。如图4所示，所述方法可以包括：
步骤S201，获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
其中，所述步骤S201的具体实现过程可以参见图3对应的实施例对步骤S101的描述，这里不再进行赘述。
步骤S202，提取所述第一交互数据中与体征测试条件对应的关键参数类型相匹配的体征参数；
具体的，提取所述第一交互数据中与体征测试条件对应的关键参数类型相匹配的体征参数。例如，图4描述的方法可以用于心衰患者的初筛，用于心衰诊断的体征测试任务可以是6分钟步行测试，所述6分钟步行测试的体征测试条件对应的关键参数类型有5类：1)是否有不稳定心绞痛；2)是否有急性心肌梗死；3)静息状态心率是否大于120次/分；4)高血压是否大于180/100mmHg；5)平时是否需要持续吸氧。则提取所述第一交互数据中所述目标用户的上述5类关键参数类型对应的体征参数。即所述体征参数可以是所述目标用户的稳定心绞痛症状、急性心肌梗死症状、静息状态下的心率、血压以及吸氧情况。
步骤S203，若基于所述体征参数确定所述目标用户具备所述体征测试条件，则获取所述体征参数对应的体征测试任务；
具体的，若根据所述体征参数确定所述目标用户具备所述体征测试条件，则获取所述体征参数对应的体征测试任务。当所述体征测试任务是上述6分钟步行测试时，则当根据上述第一交互数据确定所述目标用户没有不稳定心绞痛、没有急性心肌梗死、静息状态心率不大于120次/分、高血压不大于180/100mmHg且平时无需持续吸氧，则判定所述目标用户满足所述体征测试任务的体征测试条件，则获取所述体征测试任务，即获取所述6分钟步行测试。不同的体征参数以及第一交互数据对应可以有不同的体征测试任务。比如，当所述第一交互数据中包含获取肺活量对应的体征测试条件的体征参数，那么上述体征测试任务可以闭气测试，所述闭气测试用于获取所述目标用户的肺活量。
步骤S204，显示计时窗口以及录入窗口；所述体征测试任务包括目标时长步行测试；所述计时窗口用于对所述目标用户对应的体征测试任务进行计时；
具体的，在应用界面中显示所述计时窗口以及录入窗口，上述体征测试任务包括目标时长步行测试，比如6分钟步行测试，所述目标时长步行测试的时间可以根据实际应用场景决定。所述计时窗口可以用于对所述目标时长步行测试进行计时，也可以用于对其他体征测试任务进行计时。所述录入窗口用于获取所述目标用户录入的针对体征测试任务的体征测试结果，比如6分钟步行测试对应的测试结果，即6分钟内步行距离。其中，6分钟步行测试通常用于判断患者的心衰程度。
步骤S205，响应针对所述计时窗口中的开始计时指令，并开始计时，得到计时时长；
具体的，响应针对所述计时窗口中的开始计时指令，可以提供一个“开始计时”的按钮，当检测到所述“开始计时”按钮的用户操作时，开始计时，得到计时时长。可以设置计时的时间，当到达设置的计时时间时，可以通过震动或者铃声进行提示。也可以设置计时的时间，进行倒计时，倒计时时间为设置的计时时间，当倒计时结束时，可以通过震动或者铃声进行提示。
步骤S206，若所述计时时长等于计时时长阈值，则响应针对所述录入窗口的数据提交操作，获取所述录入窗口中的所述体征测试结果；
具体的，所述计时时长阈值可以是上述设置的计时时间，当所述计时时长等于所述设置的计时时间(比如上述倒计时结束)时，响应所述录入窗口的数据提交操作，根据所述数据提交操作所提交的数据获取所述录入窗口中的体征测试结果。即支持所述目标用户在所述录入窗口录入自己针对体征测试任务的测试结果。其中，在通过所述计时窗口进行计时的过程中，可以选择暂停计时。或者直接跳过计时这一步骤，直接在所述录入窗口录入针对体征测试任务的体征测试结果。比如，当上述体征测试任务是6分钟步行测试时，上述计时时长阈值可以设置为6分钟，当计时时长达到6分钟时，响应针对所述录入窗口的数据提交操作。即支持所述目标用户在所述录入窗口中录入6分钟步行测试对应的步行距离，将在所述录入窗口获取到的所述目标用户的步行距离作为所述体征测试结果。
步骤S207，根据所述交互数据特征以及所述体征测试结果，确定与所述目标用户对应的体征诊断结果以及所述体征诊断结果对应的置信度；
具体的，根据上述交互数据特征得到的所述目标用户关于医疗诊断的用户信息，以及所述体征测试结果，确定所述目标用户对应的体征诊断结果。所述体征诊断结果可以是所述目标用户的心衰程度，所述心衰程度对应有置信度，所述置信度用于判断诊断出的所述目标用户的心衰程度的可信程度，即准确度。其中，在上述6分钟步行测试(6MWT)中，当6MWT对应的步行距离小于150米，则视为重度心衰；当6MWT对应的步行距离在150米到425米之间，则视为中度心衰；当6MWT对应的步行距离在425米到550米之间，则视为轻度心衰。
步骤S208，当所述置信度达到置信度阈值时，生成用于响应所述第一交互数据的第三交互数据，并在应用界面中显示所述第三交互数据；所述第三交互数据包含所述体征诊断结果；
具体的，当上述诊断出的所述目标用户的体征诊断结果对应的置信度大于或者等于置信度阈值时，表明当前得到的所述目标用户的体征诊断结果可靠度较高，则根据所述目标用户的体征测试结果生成用于响应所述第一交互数据的第三交互数据。所述第三交互数据中包括所述目标用户的体征诊断结果，在应用界面中显示所述第三交互数据，以向所述目标用户展示所述第三交互数据。
其中，图4所描述的方法是图3所描述的方法在医疗领域的一个具体实施例，即所述图3中确定的所述目标用户对应的业务对象可以是所述目标用户的心衰程度。
本发明实施例通过获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；根据所述第一交互数据获取测试任务，获取所述目标用户针对所述测试任务的测试结果；根据所述交互数据特征以及所述测试结果，确定与所述目标用户对应的业务对象以及所述业务对象对应的置信度；当所述置信度达到置信度阈值时，生成用于响应所述第一交互数据的第三交互数据；所述第三交互数据包含所述业务对象。由此可见，本发明实施例在与用户进行数据交互时，增加了建议用户进行测试任务的测试这一步骤，通过与用户的交互数据以及用户针对所述测试任务的测试结果，可以有效地对用户存在的问题进行解答，丰富了人机交互类型，增加了解决用户问题所依赖的条件信息，同时提高了通过人机交互解决用户问题的准确性。
请参见图5，是本发明实施例提供的另一种人机交互的结构示意图。如图5所示，描述了诊断所述目标用户的心衰严重程度的过程。首先，获取所述目标用户的第一交互数据，抽取所述第一交互数据中的业务实体。通过所述第一交互数据对所述目标用户的意图进行分析，并根据生成模块生成用于回答所述目标用户的第一交互数据的多个第三交互数据。通过排序匹配模型进行回答匹配，即在所述多个第三交互数据中选出最佳回答，以将所述最佳回答在应用界面中进行显示以回复所述目标用户。同时，对所述目标用户进行初步的心衰预测(即初步的体征诊断结果)，并得到初始心衰预测的置信度，通过上述获取到的第一交互数据判断所述目标用户是否具备心肺功能测试条件(即体征测试条件)。当判断出所述目标用户具备心肺功能测试条件，则获取心肺功能测试(即体征测试任务)，建议所述目标用户进行心肺功能测试。根据得到的所述目标用户针对所述心肺测试条件的测试结果以及上述第一交互数据，对所述目标用户的心衰程度进一步进行预测。当进一步预测得到的所述目标用户对应的心衰程度对应的置信度未达到置信度阈值，则表明还未确诊，继续生成下一问题，用于与所述目标用户进行数据交互(即对话)，以得到所述目标用户更多的心衰关联信息，并不断更新体征诊断结果。当所述体征诊断结果的置信度达到置信度阈值，则根据当前得到的置信度达到置信度阈值的体征诊断结果生成答复所述目标用户的交互数据。当判断出所述目标用户不具备心肺功能测试条件，则判断当前初步诊断出的体征诊断结果对应的置信度是否达到置信度阈值，当达到置信度阈值，则直接根据所述初始诊断出的体征诊断结果生成答复所述目标用户的交互数据，在应用界面中显示生成的交互数据；当未达到置信度阈值，则继续生成下一问题，用于与所述目标用户进行数据交互(即对话)，以得到所述目标用户更多的心衰关联信息，并不断更新体征诊断结果。当所述体征诊断结果的置信度达到置信度阈值，则根据当前得到的置信度达到置信度阈值的体征诊断结果生成答复所述目标用户的交互数据。上述实现过程可以通过NLP语言模型、贝叶斯模型以及深度学习模型实现，所述NLP语言模型、贝叶斯模型以及深度学习模型可以通过大量的医学教科书、医学诊断数据、网络知识(网络上与医学相关的知识)以及研究论文(医学研究相关论文)训练完成。
请参见图6，是本发明实施例提供的一种终端的界面示意图。如图6所示，支持所述目标用户与终端设备中的虚拟机器人“机器人-明明”进行对话，以达到诊断的目的。上述第一交互数据可以是图10中目标用户的对话“明明，我身体不舒服”、“我心跳很快”、“100次左右”，上述针对目标用户的对话“明明，我身体不舒服”的回复“请问您是哪儿不舒服呢”、“我心跳很快”的回复“在静息状态下您的心跳次数是多少呢？”以及“100次左右”的回复“建议您做一下6分钟步行测试呢。”3次回复，都可以通过生成模块生成当前接收得到的对话的多个回答，再通过排序匹配模型在多个回答中挑选出最佳回答作为回复。在应用界面中显示回复的内容，以回复所述目标用户。当根据所述第一交互数据判断出所述目标用户满足6分钟步行测试，则建议所述目标用户进行6分钟步行测试，并支持用户进行选择“是否做6分钟步行测试”，当接收到针对“是否做6分钟步行测试”的“是”的用户操作，则显示计时窗口j1以及录入窗口j3。当获取到开始计时按钮j2的用户操作，则开始计时，当计时时长达到6分钟，则停止计时，并响应所述录入窗口的数据提交操作，根据所述数据提交操作获取所述目标用户针对6分钟步行测试的步行距离。如图6所示，距离j4是6分钟步行测试的测试距离，所述测试距离可以是30.5米(100英尺)，获取到的所述目标用户针对6分钟步行测试的步行距离，为所述目标用户在长度为距离j4间往返走动的距离。根据获取到的步行距离与上述第一交互数据的交互数据特征对所述目标用户的心衰程度进行预测，当预测的置信度达到置信度阈值，则在应用界面中显示包括所述心衰预测结果的交互数据“诊断结果：您有轻微的心衰症状，建议您去医院进行更深入的检查。根据您所在位置的定位，目前离您最近的医院为XXX医院”。其中，在对用户进行诊断完毕之后，可以指导用户进行后续的诊治。更多的，支持所述目标用户对上述“机器人-明明”的名字进行设置。通过终端与目标用户进行模拟对话，从而初步诊断所述目标用户的身体状况，可以初步筛选出一些身体健康的人群，无需去医院就诊，提高了诊断效率，且节省了医疗资源。
请参见图7，是本发明实施例提供的另一种交互数据处理方法的流程示意图，图7所描述的方法可以用于上述图3与图4所描述的方法。如图7所示，所述方法可以包括：
步骤S301，终端设备获取目标用户的第一交互数据；
其中，所述步骤S201的具体实现过程请参见图3对应的实施例对步骤S101的描述，这里不再进行赘述。
步骤S302，终端设备发送所述第一交互数据到服务器；
步骤S303，服务器对所述第一交互数据进行分词，得到待处理字符串，根据所述待处理字符串确定所述第一交互数据中的业务实体；
具体的，服务器对所述第一交互数据进行分词。其中，分词指的是将一个汉字序列(即一句话)切分成一个个单独的词，即将连续的字序列按照一定的规范重新组合成词序列的过程。所述第一交互数据可以是所述目标用户录入的一句对话，将所述一句对话进行分词，得到待处理字符串，所述待处理字符串是通过分词将所述目标用户的一句对话分割成若干个词或者字对应的字符，根据所述待处理字符串确定所述第一交互数据中的业务实体，所述业务实体可以是根据所述待处理字符得到的与业务相关的业务名称、业务术语、业务特征、业务相关设备名称等。将抽取得到的所述业务实体保存在数据库中，便于后续进行调用。上述获取业务实体的过程可以基于NLP(Natural Language Processing，自然语言)语言模型以及深度学习模型实现。所述NLP语言模型以及深度学习模型通过业务相关的知识库进行训练完毕。
步骤S304，服务器确定所述第一交互数据的文本表示类型，根据所述文本表示类型确定所述目标用户的交互意图；
具体的，服务器确定所述第一交互数据的文本表示类型，根据所述文本表示类型确定所述目标用户的交互意图。所述文本表示类型可以是所述第一交互数据的陈述句类型、问句类型或者反问句类型等。所述目标用户的交互意图可以是基于提问获取提问内容的答案或者基于陈述获取陈述内容的相关信息等。可以将所述目标用户的交互意图匹配到意义图中，所述意义图相当于一个意图匹配模板，包含多种类型的意图，基于所述意义图进一步确定所述目标用户的交互意图。
步骤S305，服务器根据所述第一交互数据中的业务实体以及所述交互意图确定所述交互数据特征；
具体的，服务器根据所述第一交互数据中的业务实体以及所述交互意图确定所述交互数据特征，即所述交互数据特征包括所述业务实体对应的业务特征以及所述目标用户的交互意图。
步骤S306，服务器提取所述第一交互数据中与测试条件对应的关键参数类型相匹配的业务参数；
具体的，服务器提取所述第一交互数据中与测试条件对应的关键参数类型相匹配的业务参数。比如所述测试任务为6分钟步行测试时，需要通过所述第一交互数据判断所述目标用户的静息状态心率是否大于每分钟120次，若判断出每分钟大于120次，则不建议所述目标用户进行6分钟步行测试。其中，所述测试条件对应的关键参数类型可以是静息状态心率，上述所述第一交互数据中的与所述关键参数类型相匹配的业务参数可以是所述目标用户的静息状态心率。
步骤S307，若基于所述业务参数确定所述目标用户具备所述测试条件，则服务器获取所述业务参数对应的测试任务；
具体的，若根据上述业务参数确定所述目标用户具备所述测试条件，则服务器获取所述业务参数对应的测试任务。即当从所述第一交互数据中提取到的所述目标用户的静息状态心率为每分钟100次，小于每分钟120次，则确定所述目标用户具备所述测试条件，则获取业务参数对应的测试任务，即获取6分钟步行测试这一测试任务。其中，所述6分钟步行测试的测试条件不仅仅是判断静息状态心率的大小，还有其他测试条件，这里只是以静息状态心率为例作为测试条件进行说明。更多的，当确定所述目标用户具备所述测试条件时，可以建议用户进行测试任务的测试，可以提供一个“是”与“否”的按钮供所述目标用户选择是否进行所述测试任务的测试。例如，当获取到“是”这一按钮的操作指令，则执行下述步骤S206；当获取到“否”这一按钮的操作指令，则跳过测试任务的测试这一步骤，生成下一机器交互数据，与所述目标用户继续进行数据交互。
步骤S308，服务器输出计时窗口以及录入窗口到终端设备；
具体的，服务器输出所述计时窗口以及录入窗口至终端设备，以使所述终端设备在应用界面显示所述计时窗口以及录入窗口，所述计时窗口用于对所述目标用户对应的测试任务进行计时。
步骤S309，终端设备在应用界面中显示所述计时窗口以及录入窗口；
具体的，终端设备在应用中显示所述计时窗口以及录入窗口，使得上述目标用户可以基于所述终端设备针对自己的测试任务进行计时，以及基于所述终端设备录入自己针对测试任务的测试结果。
步骤S310，终端设备响应针对所述计时窗口中的开始计时指令，并开始计时，得到计时时长；
具体的，终端设备响应针对所述计时窗口中的开始计时指令，可以提供一个“开始计时”的按钮，当检测到所述“开始计时”按钮的用户操作时，开始计时，得到计时时长。所述用户操作可以是长按、点击、拖动或者双击等操作。可以设置计时的时间，当到达设置的计时时间时，可以通过震动或者铃声进行提示。也可以设置计时的时间，进行倒计时，倒计时时间为设置的计时时间，当倒计时结束时，可以通过震动或者铃声进行提示。
步骤S311，若所述计时时长等于计时时长阈值，则终端设备响应针对所述录入窗口的数据提交操作，获取所述录入窗口中的所述测试结果；
具体的，所述计时时长阈值可以是上述设置的计时时间，当所述计时时长等于所述设置的计时时间(比如上述倒计时结束)时，终端设备响应所述录入窗口的数据提交操作，根据所述数据提交操作所提交的数据获取所述录入窗口中的测试结果。即支持所述目标用户在所述录入窗口录入自己针对测试任务的测试结果。其中，在通过所述计时窗口进行计时的过程中，支持所述目标用户选择暂停计时，或者选择跳过计时这一步骤，直接在所述录入窗口录入针对测试任务的测试结果。
步骤S312，终端设备发送所述测试结果到服务器；
步骤S313，服务器将所述交互数据特征以及所述测试结果输入到贝叶斯模型的输入层；
具体的，服务器将上述获取到的包括业务实体以及所述目标用户的交互意图的交互数据特征以及所述测试结果，输入到所述贝叶斯模型的输入层。可以通过所述贝叶斯模型获取匹配出的所述目标用户对应的业务对象的置信度，也可以通过深度学习模型获取所述置信度，这里以贝叶斯模型为例进行说明。
步骤S314，服务器根据所述贝叶斯模型、所述交互数据特征以及所述测试结果，确定所述目标用户对应的业务对象的先验概率；
具体的，服务器根据所述交互数据特征以及所述测试结果确定所述目标用户对应的业务对象，即根据所述交互数据特征确定所述目标用户对应的业务类型以及想要解决的业务问题，根据针对业务的测试任务的测试结果、业务类型以及业务问题确定所述目标用户的对应的业务对象(比如上述根据所述目标用户通过上述数字游戏的时间得到的所述目标用户的计算能力，例如计算能力对应的分数)。贝叶斯模型可以调用知识库并综合上述得到的目标用户对应的业务实体、交互意图以及测试结果，确定所述目标业务人员对应的业务对象的先验概率。所述先验概率用于确定所述目标用户对应的业务对象的后验概率，所述后验概率用于确定所述目标用户对应的业务对象的置信度。
步骤S315，服务器基于调整因子对所述先验概率进行调整，得到所述目标用户对应的业务对象的后验概率，根据所述后验概率确定所述业务对象的置信度；
具体的，所述贝叶斯模型在训练完成时，对应有通过训练完成修正的调整因子，所述调整因子用于调整所述先验概率以得到后验概率。服务器通过所述调整因子对所述先验概率进行调整，得到所述目标用户对应的业务对象的后验概率。所述后验概率表征了所述目标用户对应的业务对象的置信度，所述后验概率与所述置信度为正比例关系，即所述后验概率越大，所述置信度也就越高，反之，所述后验概率越小，所述置信度也就越低。所述置信度用于判断得到的所述目标用户对应的业务对象的准确性或者匹配度，所述置信度越高，得到的所述目标用户对应的业务对象也就越准确。
步骤S316，当所述置信度达到置信度阈值时，服务器生成用于响应所述第一交互数据的第三交互数据；所述第三交互数据包含所述业务对象；
具体的，当所述置信度达到(等于或者大于)置信度阈值时，服务器生成用于响应所述第一交互数据的第三交互数据；所述第三交互数据包含所述业务对象。比如，当所述置信度范围为0到10，所述置信度阈值为8。当服务器根据上述贝叶斯模型确定所述目标用户对应的业务对象的置信度为9时，表明所述置信度达到了所述置信度阈值，则根据得到的所述目标用户对应的业务对象生成所述第三交互数据，即所述第三交互数据包含了得到的所述目标用户对应的业务对象的信息或特征。所述第三交互数据用于解答所述目标用户对应的业务问题。其中，每与所述目标用户进行一次数据交互，都会实时更新得到所述目标用户对应的业务对象，且会实时更新得到每一次确定的所述目标用户对应的业务对象的置信度。当所述目标用户对应的业务对象的置信度达到置信度阈值，则判定当前得到的目标用户对应的业务对象是比较准确且符合所述目标用户的用户信息特征的，则根据当前得到的目标用户对应的业务对象生成所述第三交互数据。
步骤S317，服务器发送所述第三交互数据到终端设备；
步骤S318，终端设备在应用界面中显示所述第三交互数据；
具体的，终端设备接收到服务器发送的第三交互数据之后，可以在应用界面中显示所述第三交互数据，以向所述目标用户展示所述第三交互数据。
更多的，上述图7中服务器所执行的步骤也可以由终端设备执行，即上述步骤S303－步骤S307以及步骤S313－步骤S316也可以通过终端设备完成，终端设备可以独立完成图7所描述的交互数据处理方法的所有步骤。
本发明实施例通过获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；根据所述第一交互数据获取测试任务，获取所述目标用户针对所述测试任务的测试结果；根据所述交互数据特征以及所述测试结果，确定与所述目标用户对应的业务对象以及所述业务对象对应的置信度；当所述置信度达到置信度阈值时，生成用于响应所述第一交互数据的第三交互数据；所述第三交互数据包含所述业务对象。由此可见，本发明实施例在与用户进行数据交互时，增加了建议用户进行测试任务的测试这一步骤，通过与用户的交互数据以及用户针对所述测试任务的测试结果，可以有效地对用户存在的问题进行解答，丰富了人机交互类型，增加了解决用户问题所依赖的条件信息，同时提高了通过人机交互解决用户问题的准确性。
请参见图8，是本发明实施例提供的另一种交互数据处理方法的流程示意图。如图8所示，所述方法可以包括：
步骤S401，获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
其中，所述步骤S401的具体实现过程可以参见上述图2对应的实施例中对步骤S101的描述。
步骤S402，根据所述交互数据特征、测试结果以及业务特征生成所述第一交互数据对应的多个待选择交互数据；所述测试结果是由针对目标用户的测试任务所生成的；所述测试任务是根据所述第一交互数据得到的；所述业务特征是指基于所述交互数据特征以及所述测试结果所确定的业务对象的特征；
具体的，提取所述业务对象的业务特征，例如，上述业务对象为心衰诊断结果，则提取所述心衰诊断结果指向的业务特征。根据所述交互数据特征、所述测试结果以及所述业务特征，生成所述第一交互数据对应的多个待选择交互数据。上述第一交互数据可以是最近的时间内接收到的目标用户的对话数据，需要针对接收到的所述目标用户的对话数据回复所述目标用户。更多的，每一次接收到所述目标用户的对话数据(即交互数据)，都会针对所述对话数据进行回复。回复时，会针对每一次接收到的所述目标用户对应的对话数据生成多个回答(即多个待选择交互数据)，进而根据所述多个回答分别与所述目标用户对应的对话数据的匹配度，选出最佳回答，即将匹配度最高的回答作为与所述目标用户对应的对话数据最匹配、最优的回答。将得到的最佳回答回复给所述目标用户。所述测试结果以及业务对象的具体获取过程请参见上述图3中对步骤S102-步骤S103，这里不再进行赘述。
步骤S403，基于排序匹配模型确定所述多个待选择交互数据中的每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度；
具体的，基于排序匹配模型确定所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，进而根据所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度。其中，所述候选回答关联度为所述待选择交互数据与业务问题相关的多个维度之间关联度，所述业务问题关联度为所述第一交互数据与业务问题相关的多个维度之间的关联度。所述候选回答关联度以及所述业务问题关联度的具体生成过程请参见下述图9中的步骤S503。
步骤S404，将数值最高的匹配度对应的待选择交互数据确定为用于响应所述第一交互数据的第二交互数据；
具体的，将数值最高的匹配度对应的待选择交互数据确定为用于响应所述第一交互数据的第二交互数据，即所述数值最高的匹配度对应的待选择交互数据为回复所述目标用户的第一交互数据的最佳回答。
其中，图8所描述的交互数据处理方法适用于各种业务场景的交互数据生成以及各种医疗场景中针对体征信息的交互数据生成。
可选的，当在上述图3对应的实施例、图4对应的实施例或者图7对应的实施例中获取到的业务对象的置信度小于所述置信度阈值时，也可以通过上述图8所提供的方法生成回复所述目标用户的最佳交互数据(即第二交互数据)。所述最佳交互数据可以是问句，即当得到的所述目标用户对应的业务对象的置信度小于所述置信度阈值时，表明当前得到的业务对象的确认程度还不够高，还需继续与所述目标用户进行数据交互，通过生成的问句类型的最佳交互数据与目标用户进行交互以得到更多目标用户的用户信息，从而进一步预测所述目标用户对应的更准确的业务对象。
本发明实施例通过获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；根据所述交互数据特征、测试结果以及业务特征生成所述第一交互数据对应的多个待选择交互数据；所述测试结果是由针对目标用户的测试任务所生成的；所述测试任务是根据所述第一交互数据得到的；所述业务特征是指基于所述交互数据特征以及所述测试结果所确定的业务对象的特征；基于排序匹配模型确定每个待选择交互数据与所述第一交互数据之间的匹配度；将数值最高的匹配度对应的待选择交互数据确定为用于响应所述第一交互数据的第二交互数据。由此可见，本发明实施例在与用户进行数据交互时，增加了建议用户进行测试任务的测试这一步骤，通过与用户的交互数据以及用户针对所述测试任务的测试结果，可以有效地对用户存在的问题进行解答，丰富了人机交互类型，增加了解决用户问题所依赖的条件信息，同时提高了通过人机交互解决用户问题的准确性。
请参见图9，是本发明实施例提供的另一种交互数据处理方法的流程示意图，图9可以用于根据获取到的目标用户的交互数据，对应生成与其最匹配的回复交互数据。如图9所示，所述方法可以包括：
步骤S501，基于排序匹配模型确定所述第一交互数据中的业务实体对应的第一业务关联度，分别确定每个待选择交互数据中的业务实体对应的第二业务关联度；
具体的，如图9所示，生成的所述第一交互数据对应的多个待选择交互数据可以有x个，即所述多个待选择交互数据包括待选择交互数据1、待选择交互数据2到待选择交互数据x。集合w1为第一交互数据中包括的n个业务实体组成的集合，可以通过排序匹配模型得到集合w1中每个业务实体对应的第一业务关联度，n的具体取值根据实际应用场景决定此处不作限制。具体的，将所述第一交互数据输入所述排序匹配模型的嵌入层，得到所述第一交互数据中的每个词(业务实体)的嵌入表示，再将每个词的嵌入表示输入到所述排序匹配模型的bi-LSTM(上下文关联层)层，进而确定所述第一交互数据中的业务实体对应的第一业务关联度。所述排序匹配模型包含了注意力机制，且具有知识感知能力，所述排序匹配模型用于确定所述目标用户的一个对话数据与所对应生成的多个回答之间的匹配度，进行根据匹配度的高低选出最佳的回答，将所述最佳的回答作为对所述目标用户的对话数据的回复。所述第一业务关联度表征了所述第一交互数据中的每个业务实体与所关联的多个业务维度之间的关联度，所述第一交互数据中的每个词的嵌入表示可以表示为q，所述第一业务关联度也可以称之为所述第一交互数据中的每一个词(业务实体)对应的上下文表示。所述第一交互数据中的每一个词的上下文表示可以表示为Qinit，则Qinit＝Bi-LSTM(q)，每一个词的上下文表示还包含有相邻的各个词之间的逻辑顺序关系。如图8所示，集合w2为待选择交互数据中包括的m个业务实体组成的集合，可以通过排序匹配模型得到集合w2中每个业务实体对应的第二业务关联度，m的具体取值根据实际应用场景决定此处不作限制。具体的，将所述待选择交互数据输入所述排序匹配模型的嵌入层，得到所述待选择交互数据中的每个词(业务实体)的嵌入表示，再将每个词的嵌入表示输入到所述排序匹配模型的bi-LSTM(上下文关联层)层，进而确定所述每个待选择交互数据中的业务实体对应的第二业务关联度。所述第二业务关联度表征了所述待选择交互数据中的每个业务实体与所关联的多个业务维度之间的关联度，所述待选择交互数据中的每个词的嵌入表示可以表示为a，所述第二业务关联度也可以称之为所述第三交互数据中的每一个词(业务实体)对应的上下文表示。所述第三交互数据中的每一个词对应的上下文表示可以表示为Ainit，则Ainit＝Bi-LSTM(a)，每一个词的上下文表示还包含有相邻的各个词之间的逻辑顺序关系。
步骤S502，从知识库中分别获取所述第一交互数据中的每个业务实体对应的第一关联实体集，以及所述每个待选择交互数据中的每个业务实体对应的第二关联实体集；确定所述每个第一关联实体集对应的业务实体的第一引导业务关联度，确定所述每个第二关联实体集对应的业务实体的第二引导业务关联度；
具体的，如图9所示，集合w1是第一交互数据中包括的n个业务实体组成的集合，可以从关联的知识库中获取所述集合w1中的每个业务实体对应的第一关联实体集。每个第一关联实体集中分别包含了与所述第一交互数据中的每一个业务实体相关联的多个业务实体，即所述每个第一业务实体集中的每一个业务实体分别与所述第一交互数据中的每个业务实体都有程度不同的关联性或者相似性。如图9所示，集合w2是待选择交互数据中包括的m个业务实体组成的集合，可以从关联的知识库中获取所述集合w2中的每个业务实体对应的第二关联实体集，每个第二关联实体集中分别包含了与所述待选择交互数据中的每一个业务实体相关联的多个业务实体，即所述每个第二业务实体集中的每一个业务实体分别与所述待选择交互数据中的每个业务实体都有程度不同的关联性或者相似性。
其中，通过上述集合w1中的每个词(业务实体)对应的第一关联实体集，可以得到所述集合w1中的每个词对应的自注意力后的结果，即根据所述集合w1中的每个词与其对应的第一关联实体集中的每个业务实体之间的重要程度。综合所述第一关联实体集中每个业务实体的特征，得到所述集合w1中的每个词对应的自注意力后的结果，可以将所述集合w1中的每个词对应的第一关联实体集中的业务实体表示为Eq(t)，将所述集合w1中的每个词对应的自注意力后的结果表示为Aq(t)，则Aq(t)＝Self-Attention(Eq(t))。将所述第一交互数据中的每个词对应的第一关联实体集中每一个业务实体Eq(t)输入到CNN(卷积神经网络)中，得到每个第一关联实体集对应的卷积和，进而通过所述卷积和得到经过知识库引导的第一引导业务关联度，可以将所述第一引导业务关联度称之为所述第一交互数据中的每个词经过知识库引导的上下文表示。上述第一业务关联度为所述第一交互数据中每个词原始的上下文表示，所述第一引导业务关联度可以表示为Qknow，则Qknow＝CNN(Aq(t))。更多的，可以在知识库中查找到所述第一交互数据中的每个词对应的L个关联实体，将每个词对应的L个关联实体组成的集合称之为所述每个词的第一关联实体集。当所述第一交互数据中有K个词时，则所述第一交互数据一共有KL个关联实体，上述第一交互数据中的每个词对应的Eq(t)有L个，即t的取值范围为1到L。
其中，通过上述集合w2中的每个词(业务实体)对应的第二关联实体集，可以得到所述集合w1中的每个词对应的自注意力后的结果，即根据所述集合w1中的每个词与其对应的第二关联实体集中的每个业务实体之间的重要程度。综合所述第二关联实体集中每个业务实体的特征，得到所述集合w1中的每个词对应的自注意力后的结果，可以将所述集合w1中的每个词对应的第二关联实体集中的业务实体表示为Ea(t)，将所述第一交互数据中的每个词对应的自注意力后的结果表示为Aa(t)，则Aa(t)＝Self-Attention(Ea(t))。将所述集合w1中的每个词对应的第二关联实体集中每一个业务实体Eq(t)输入到CNN(卷积神经网络)中，得到每个第二关联实体集对应的卷积和，进而通过所述卷积和得到经过知识库引导的第二引导业务关联度。可以将所述第二引导业务关联度称之为所述待选择交互数据中的每个词经过知识库引导的上下文表示，上述第二业务关联度为所述待选择交互数据中每个词原始的上下文表示，所述第二引导业务关联度可以表示为Aknow，则Aknow＝CNN(Aa(t))。更多的，可以在知识库中查找到所述待选择交互数据中的每个词对应的L个关联实体，将每个词对应的L个关联实体组成的集合称之为所述每个词的第二关联实体集。当所述待选择交互数据中有K个词时，则所述待选择交互数据一共有KL个关联实体，上述待选择交互数据中的每个词对应的Ea(t)有L个，即t的取值范围为1到L。
步骤S503，根据所述第一关联度、第一引导业务关联度、第二业务关联度以及第二引导业务关联度分别确定所述第一交互数据与所述每个待选择交互数据之间的匹配度；
具体的，可以通过tanh(双曲正切)函数，根据所述第一业务关联度Qinit与所述第二业务关联度Ainit确定第一相似矩阵，可以将所述第一相似矩阵表示为Minit，则Minit＝tanh(Qinit TUinitAinit)。当所述Qinit的维度为1*5，所述Ainit的维度为1*6时，所述第一相似相似矩阵的维度为5*6。其中，矩阵Uinit为所述排序匹配模型训练得到的参数，用于求解所述第一相似矩阵。可以通过tanh(双曲正切)函数，根据所述第一引导业务关联度Qknow与所述第二引导业务关联度Aknow确定第二相似矩阵，可以将所述第二相似矩阵表示为Mknow，则Mknow＝tanh(Qknow TUknowAknow)。当所述Qknow的维度为1*5，所述Aknow的维度为1*6时，所述第二相似相似矩阵的维度为5*6。其中，矩阵Uknow为所述排序匹配模型训练得到的参数，用于求解所述第二相似矩阵。
其中，根据所述第一相似矩阵与所述第二相似矩阵确定行关联度之和以及列关联度之和，所述行关联度之和又可以称之为行注意力系数之和，所述列关联度之和又可以称之为列注意力系数之和。其中，上述列关联度之和可以表示为Atq，则Atq＝Column-Attention(Minit)+Column-Attention(Mknow)，其中，Column-Attention(Minit)为Minit的列注意力系数之和，Column-Attention(Mknow)为Mknow的列注意力系数之和。上述行关联度之和可以表示为Ata，则Ata＝Row-Attention(Minit)+Row-Attention(Mknow)，其中，Row-Attention(Minit)为Minit的行注意力系数之和，Row-Attention(Mknow)为Mknow的行注意力系数之和。
其中，根据所述列关联度之和、所述第一业务关联度以及所述第一引导业务关联度，可以得到业务问题关联度，可以将所述业务问题关联度称之为所述第一交互数据的最终表示sq，则sq＝[Qinit:Qknow]TAtq。所述业务问题关联度是通过上述第一交互数据的原始上下文表示以及经知识库引导的上下文表示，得到的所述第一交互数据更精确的表示。根据所述行关联度之和、所述第二业务关联度以及所述第二引导业务关联度，可以得到所述候选回答关联度，可以将所述候选回答关联度称之为所述待选择交互数据的最终表示sa，则sa＝[Ainit:Aknow]TAta。所述候选回答关联度是通过上述待选择交互数据的原始上下文表示以及经知识库引导的上下文表示，得到的所述待选择交互数据更精确的表示。
其中，根据上述最终表示sq以及最终表示sa得到所述第一交互数据与每个待选择交互数据之间的相似度。例如，所述最终表示sq以及每个最终表示sa都可以表示为向量，则向量sa与每个向量sa之间的向量距离可以视为所述向量sa与每个向量sa之间的相似度。将上述业务问题关联度、候选回答关联度、上述业务问题关联度与候选回答关联度之间的相似度以及所述第一交互数据的交互数据特征进行合并。可以将所述业务问题关联度与候选回答关联度之间的相似度表示为sim(sq,sa)，可以将所述第一交互数据的交互数据特征表示为f，则合并之后可以得到将通过一个含有隐含层的神经网络，可以得到二分类结果，所述二分类结果为一个概率分布值，概率数值范围为0到1之间。所述第一交互数据与所述每个待选择交互数据间都分别对应有一个概率数值，该概率数值表征了所述第一交互数据与所述每个待选择交互数据之间的匹配度，概率数值越高，则表明匹配度越高。可以将得到的概率数值直接作为所述第一交互数据与所述每个待选择交互数据之间的匹配度。如图8所示，当上述多个待选择交互数据包括待选择交互数据1、待选择交互数据2到待选择交互数据x时，可以得到所述第一交互数据与所述待选择交互数据1、待选择交互数据2到待选择交互数据x中的每一个待选择交互数据之间的匹配度。其中，x的具体取值根据实际应用场景决定，此处不作限制。
步骤S504，将数值最高的匹配度对应的待选择交互数据确定为所述第二交互数据；
具体的，将上述得到的数值最高的匹配度的对应的待选择交互数据确定为所述第二交互数据，即选出匹配度最高的待选择交互数据作为回复所述目标用户的最佳回答。所述第二交互数据可以是一个问句，用于引导所述目标用户录入第四交互数据，即用于引导所述目标用户录入更多的用户信息以进一步更准确地匹配所述目标用户对应的业务对象。每一次回复目标用户的对话数据时都可以通过上述过程生成一个最佳回答以回复所述目标用户。可以创建一个对话模板，所述对话模板中包括用户对应的对话数据以及回答用户对应的对话数据的答复数据。当接收到上述目标用户的对话数据，可以在创建的对话模型中匹配对应的答复数据，也可以通过对话生成模块实时生成所述目标用户的对话数据对应的多个答复数据，再通过上述排序匹配模型从所述多个答复数据中匹配出最佳答复数据以答复所述目标用户。所述排序匹配模型可以是包含注意力机制的深度学习模型。可以将得到的第二交互数据输出到终端设备，在终端设备的应用界面中显示所述第二交互数据，以向目标用户展示所述第二交互数据。
其中，图9所描述的交互数据处理方法适用于各种业务场景的交互数据生成以及各种医疗场景中针对体征信息的交互数据生成。
可选的，当在上述图3对应的实施例、图4对应的实施例或者图7对应的实施例中获取到的业务对象的置信度小于所述置信度阈值时，也可以通过上述图9所提供的方法生成回复所述目标用户的最佳交互数据(即第二交互数据)。所述最佳交互数据可以是问句，即当得到的所述目标用户对应的业务对象的置信度小于所述置信度阈值时，表明当前得到的业务对象的确认程度还不够高，还需继续与所述目标用户进行数据交互，通过生成的问句类型的最佳交互数据与目标用户进行交互以得到更多目标用户的用户信息，从而进一步预测所述目标用户对应的更准确的业务对象。
请参见图10，是本发明实施例提供的一种排序匹配模型的结构示意图。如图10所示，模块g2是注意力机制模块，层g1是嵌入层，用于得到输入的第一交互数据中的每个词的嵌入表示a1以及多个待选择交互数据中的每个词的嵌入表示a3。将嵌入表示a1输入到上下文关联层bi-LSTM中，得到所述嵌入表示a1的上下文表示b1。将嵌入表示a3输入到上下文关联层bi-LSTM中，得到所述嵌入表示a3的上下文表示b3。将在知识库中查找到的所述第一交互数据中的每个词的关联实体输入到嵌入层g1，得到第一交互数据中的每个词的关联实体的嵌入表示a2。将在知识库中查找到的所述待选择交互数据中的每个词的关联实体输入到嵌入层g1，得到待选择交互数据中的每个词的关联实体的嵌入表示a4。将所述嵌入表示a2输入到知识模块(knowledge module)，得到第一交互数据中的每个词的自注意力后的结果。通过知识模块中的卷积神经网络s的期望预设h1得到第一交互数据中的每个词对应的第一关联实体集的卷积和h2，并调用所述上下文关联层得到所述待选择交互数据中的每个词的引导上下文表示b2。将所述嵌入表示a4输入到知识模块，得到待选择交互数据中的每个词的自注意力后的结果，通过知识模块中的卷积神经网络s，并调用所述上下文关联层得到所述待选择交互数据中的每个词的引导上下文表示b4。根据上下文表示b1与上下文表示b3得到相似矩阵c1，根据上下文表示b2与上下文表示b4得到相似矩阵c2。计算得到所述矩阵c1的列关联度之和d1与行关联度之和d3，计算得到所述矩阵c2的列关联度之和d2与行关联度之和d4。将关联度之和d1与关联度之和d2的和称之为综合的列注意力系数之和e2，将关联度之和d3与关联度之和d4的和称之为综合的行注意力系数之和e1。通过所述系数之和e1、所述上下文表示b1以及所述上下文表示b2得到所述第一交互数据的最终表示f1，通过所述系数之和e2、所述上下文表示b3以及所述上下文表示b4得到所述待选择交互数据的最终表示f3。通过最终表示f1与最终表示f3可以得到所述第一交互数据与待选择交互数据之间的相似度f2，所述f4是所述第一交互数据的语义特征，所述语义特征也可以理解为所述第一交互数据的交互数据特征。将上述最终表示f1、相似度f2、最终表示f3以及语义特征f4通过合并层(join layer)进行合并，再通过隐含层g3(hidden layer)进行二分类，最后通过输出层g4(softmax layer)输出所述第一交互数据分别与每个待选择交互数据之间的概率。此概率即表征了所述第一交互数据分别与每个待选择交互数据之间的匹配度。进而可以通过得到的匹配度，选出与所述第一交互数据最匹配的待选择交互数据，作为上述第二交互数据。
请参见图11，是本发明实施例提供的一种模型训练方法的流程示意图，如图11所示，可以通过图11所描述的方法生成上述排序匹配模型，所述方法可以包括：
步骤S601，获取样本用户的第一样本交互数据集，并获取用于响应所述样本用户的第二样本交互数据集；
具体的，获取样本用户的第一样本交互数据集，并获取用于响应所述样本用户的第二样本数据集。所述第一样本交互数据集为获取到的目标用户可能会录入的对话数据，所述第二样本交互数据集为针对所述目标用户可能会录入的第一样本交互数据对应的机器回复数据。如图10所示，集合v1为所述第一样本交互数据集，集合v2为所述第二样本交互数据集，集合v1中包括Q个第一样本交互数据，集合v2中包括P个第二样本交互数据。其中，Q和P的具体取值根据实际应用场景决定，此处不作限制。每个第一样本交互数据对应有多个第二样本交互数据，且每个第一样本交互数据与所对应的多个第二样本交互数据之间有不同的匹配度。可以将所述第一样本交互数据对应的多个第二样本交互数据，根据其与所述第一样本交互数据之间不同的匹配度打上匹配度标签，所述匹配度标签即表征了所述第二样本交互数据与第一样本交互数据之间的匹配度。
步骤S602，输入第一样本交互数据集以及第二样本交互数据集到初始模型以训练所述初始模型；
具体的，如图11所示，模型m1为所述初始模型，将上述第一样本交互数据集与上述第二样本交互数据集输入到模型m1的输入层，通过模型m1获取所述每个第一样本交互数据分别与其所对应的多个第二样本交互数据之间的预测匹配度。其中，所述模型m1可以是包含注意力机制的深度学习模型，可以通过所述深度学习模型预测所述每个第一样本交互数据分别与其对应的多个第二样本交互数据之间的预测匹配度。根据上述预测匹配度以及所述每个第一样本交互数据分别与所对应的多个第二样本交互数据之间的匹配度标签，确定所述模型m1的损失函数，即根据上述每个第一样本交互数据与所对应的多个第二样本交互数据之间的预测匹配度与实际匹配度之间的差异，确定所述模型m1的损失函数。所述损失函数可以是采用二阶规格化的交叉熵的函数，所述损失函数用于修正所述模型m1的模型参数，以使所述模型m1具备更准确的匹配度计算能力。通过上述样本交互数据不断训练所述模型m1，通过训练得到的损失函数不断修正所述模型m1的模型参数。所述模型参数用于将输入模型m1的数据转化为所述模型m1能识别的数据，通过模型m1能识别的数据进行第一样本交互数据与第二样本交互数据之间的匹配度预测，得到每个第二样本数据对应的预测匹配度。
步骤S603，将训练完成的初始模型确定为所述排序匹配模型；
具体的，通过上述第一样本交互数据集与上述第二样本交互数据集不断训练上述模型m1，直至训练到所述模型m1达到收敛状态，表明所述初始模型训练完成，得到收敛状态下的损失函数以及修正之后的模型参数。同时生成训练完成的模型m2，将训练达到收敛状态的模型m2称之为上述排序匹配模型。
请参见图12，是本发明实施例提供的一种交互数据处理装置的结构示意图。如图12所示，该交互数据处理装置1可以包括获取模块11、第一生成模块12、第一确定模块13和第二确定模块14：
获取模块11，用于获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
第一生成模块12，用于根据所述交互数据特征、测试结果以及业务特征生成所述第一交互数据对应的多个待选择交互数据；所述测试结果是由针对目标用户的测试任务所生成的；所述测试任务是根据所述第一交互数据得到的；所述业务特征是指基于所述交互数据特征以及所述测试结果所确定的业务对象的特征；
第一确定模块13，用于基于排序匹配模型确定所述多个待选择交互数据中的每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度；
第二确定模块14，用于将数值最高的匹配度对应的待选择交互数据确定为用于响应所述第一交互数据的第二交互数据。
其中，所述获取模块11、第一生成模块12、第一确定模块13和第二确定模块14的具体功能实现方式请参见图8对应的实施例中的步骤S401-步骤S404，这里不再进行赘述。
其中，所述第一确定模块13，包括第一关联度确定单元131、实体获取单元132、第二关联度确定单元133、第三关联度确定单元134和匹配度确定单元135：
第一关联度确定单元131，用于基于排序匹配模型确定所述第一交互数据中的业务实体对应的第一业务关联度，分别确定所述每个待选择交互数据中的业务实体对应的第二业务关联度；所述第一业务关联度为所述第一交互数据中的业务实体与所述业务对象对应的多个业务维度之间的关联度；所述第二业务关联度为所述待选择交互数据中的业务实体与所述业务对象对应的多个业务维度之间的关联度；
实体获取单元132，用于从知识库中分别获取所述第一交互数据中的每个业务实体对应的第一关联实体集，以及所述每个待选择交互数据中的每个业务实体对应的第二关联实体集；
第二关联度确定单元133，用于基于每个第一关联实体集对应的第一卷积和，确定所述每个第一关联实体集对应的业务实体的第一引导业务关联度；
第三关联度确定单元134，用于基于每个第二关联实体集对应的第二卷积和，确定所述每个第二关联实体集对应的业务实体的第二引导业务关联度；
匹配度确定单元135，用于根据所述第一业务关联度、所述第一引导业务关联度、所述第二业务关联度以及所述第二引导业务关联度，分别确定所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述候选回答关联度以及所述业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度。
其中，所述第一关联度确定单元131的具体功能实现方式请参见图9对应的实施例中的步骤S501，所述实体获取单元132、第二关联度确定单元133、第三关联度确定单元134的具体功能实现方式请参见图9对应的实施例中的步骤S502，所述匹配度确定单元135的具体功能实现方式请参见图9对应的实施例中的步骤S503，这里不再进行赘述。
其中，所述匹配度确定单元135，包括第五确定子单元1351、第六确定子单元1352、第七确定子单元1353、第八确定子单元1354和第九确定子单元1355：
第五确定子单元1351，用于根据所述第一业务关联度与所述第二业务关联度确定第一相似矩阵，根据所述第一引导业务关联度与所述第二引导业务关联度确定第二相似矩阵；
第六确定子单元1352，用于根据所述第一相似矩阵与所述第二相似矩阵确定行关联度之和以及列关联度之和；
第七确定子单元1353，用于根据所述列关联度之和、所述第一业务关联度以及所述第一引导业务关联度，确定所述业务问题关联度；
第八确定子单元1354，用于根据所述行关联度之和、所述第二业务关联度以及所述第二引导业务关联度，确定所述候选回答关联度；
第九确定子单元1355，用于根据所述业务问题关联度、所述候选回答关联度以及所述第一交互数据的交互数据特征，分别确定所述第一交互数据与所述每个待选择交互数据之间的匹配度。
其中，所述第五确定子单元1351、第六确定子单元1352、第七确定子单元1353、第八确定子单元1354和第九确定子单元1355的具体功能实现方式请参见图9对应的实施例中的步骤S503，这里不再进行赘述。
其中，所述交互数据处理装置1，还包括样本获取模块15、预测模块16、修正模块17和确定模块18：
样本获取模块15，用于获取样本用户的第一样本交互数据集，并获取用于响应所述样本用户的第二样本交互数据集；所述第一样本交互数据集中包括多个第一样本交互数据；所述第二样本交互数据集中包括多个第二样本交互数据；每个第一样本交互数据对应有多个第二样本交互数据；
预测模块16，用于基于初始模型获取所述每个第一样本交互数据分别与所对应的多个第二样本交互数据之间预测匹配度；
修正模块17，用于根据所述预测匹配度以及所述每个第一样本交互数据分别与所对应的多个第二样本交互数据之间的匹配度标签，确定所述初始模型的损失函数，基于所述损失函数修正所述初始模型的模型参数；
确定模块18，用于当所述损失函数满足模型收敛条件时，将包含修正后的模型参数的初始模型确定为所述排序匹配模型。
其中，所述样本获取模块15、预测模块16、修正模块17和确定模块18的具体功能实现方式请参见图11对应的实施例中的步骤S601-步骤S603，这里不再进行赘述。
请参见图13，是本发明实施例提供的另一种交互数据处理装置的结构示意图。如图13所示，该交互数据处理装置2可以包括：第一数据获取模块201、第一任务获取模块202、第一置信度确定模块203和第一生成模块204；
第一数据获取模块201，用于获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
第一任务获取模块202，用于根据所述第一交互数据获取测试任务，获取所述目标用户针对所述测试任务的测试结果；
第一置信度确定模块203，用于根据所述交互数据特征以及所述测试结果，确定与所述目标用户对应的业务对象以及所述业务对象对应的置信度；
第一生成模块204，用于当所述置信度达到置信度阈值时，生成用于响应所述第一交互数据的第三交互数据；所述第三交互数据包含所述业务对象。
其中，所述第一数据获取模块201、第一任务获取模块202、第一置信度确定模块203和第一生成模块204的具体功能实现方式请参见图3对应的实施例中的步骤S101-步骤S104，这里不再进行赘述。
其中，所述第一任务获取模块202，包括提取单元2021、获取单元2022、输出单元2023、计时单元2024和提交单元2025：
提取单元2021，用于提取所述第一交互数据中与测试条件对应的关键参数类型相匹配的业务参数；
获取单元2022，用于若基于所述业务参数确定所述目标用户具备所述测试条件，则获取所述业务参数对应的测试任务；
输出单元2023，用于输出计时窗口以及录入窗口；所述计时窗口用于对所述目标用户对应的测试任务进行计时；
计时单元2024，用于响应针对所述计时窗口中的开始计时指令，并开始计时，得到计时时长；
提交单元2025，用于若所述计时时长等于计时时长阈值，则响应针对所述录入窗口的数据提交操作，获取所述录入窗口中的所述测试结果。
其中，所述提取单元2021、获取单元2022、输出单元2023、计时单元2024和提交单元2025的具体功能实现方式请参见图7对应的实施例中的步骤S306-步骤S312，这里不再进行赘述。
其中，所述第一置信度确定模块203，包括输入单元2031、概率确定单元2032和第一确定单元2033：
输入单元2031，用于将所述交互数据特征以及所述测试结果输入到贝叶斯模型的输入层；
概率确定单元2032，用于根据所述贝叶斯模型、所述交互数据特征以及所述测试结果，确定所述目标用户对应的业务对象的先验概率；
第一确定单元2033，用于基于调整因子对所述先验概率进行调整，得到所述目标用户对应的业务对象的后验概率，根据所述后验概率确定所述业务对象的置信度。
其中，所述输入单元2031、概率确定单元2032和第一确定单元2033的具体功能实现方式请参见图7对应的实施例中的步骤S313-步骤S315，这里不再进行赘述。
其中，所述第一数据获取模块201，包括分词单元2011、意图确定单元2012和第二确定单元2013：
分词单元2011，用于对所述第一交互数据进行分词，得到待处理字符串，根据所述待处理字符串确定所述第一交互数据中的业务实体；
意图确定单元2012，用于确定所述第一交互数据的文本表示类型，根据所述文本表示类型确定所述目标用户的交互意图；
第二确定单元2013，用于根据所述第一交互数据中的业务实体以及所述交互意图确定所述交互数据特征。
其中，所述分词单元2011、意图确定单元2012和第二确定单元2013的具体功能实现方式请参见图7对应的实施例中的步骤S303-步骤S305，这里不再进行赘述。
其中，所述交互数据处理装置2，还包括提取模块205和第二生成模块206：
提取模块205，用于当所述置信度小于所述置信度阈值时，提取所述业务对象的业务特征；
第二生成模块206，用于根据所述交互数据特征、所述测试结果以及所述业务特征，生成用于响应所述第一交互数据的第二交互数据；所述第二交互数据用于引导所述目标用户输入第四交互数据。
其中，所述提取模块205的具体功能实现方式请参见图8对应的实施例中的步骤S402，所述第二生成模块206的具体功能实现方式请参见图8对应的实施例中的步骤S403-步骤S404，这里不再进行赘述。
请参见图14，是本发明实施例提供的另一种交互数据处理装置的结构示意图。如图14所示，所述交互数据处理装置1000可以包括：处理器1001，网络接口1004和存储器1005，此外，所述交互数据处理装置1000还可以包括：用户接口1003，和至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图14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、用户接口模块以及设备控制应用程序。
在图14所示的交互数据处理装置1000中，网络接口1004可提供网络通讯功能，以用于与终端设备进行通信；而用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以执行前文图3、图4、图7和图8中任一个所对应实施例中对所述交互数据处理方法的描述，也可执行前文图12所对应实施例中对所述交互数据处理装置1以及前文图13所对应实施例中对所述交互数据处理装置2的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。
此外，这里需要指出的是：本发明实施例还提供了一种计算机存储介质，且所述计算机存储介质中存储有前文提及的交互数据处理装置1以及交互数据处理装置2所执行的计算机程序，且所述计算机程序包括程序指令，当所述处理器执行所述程序指令时，能够执行前文图3、图4、图7和图8任一个所对应实施例中对所述交互数据处理方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本发明所涉及的计算机存储介质实施例中未披露的技术细节，请参照本发明方法实施例的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖范围。
Claims (13)
1.一种交互数据处理方法，其特征在于，包括：
获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
根据所述交互数据特征、测试结果以及业务特征生成所述第一交互数据对应的多个待选择交互数据；所述测试结果是由针对目标用户的测试任务所生成的；所述测试任务是根据所述第一交互数据得到的；所述业务特征是指基于所述交互数据特征以及所述测试结果所确定的业务对象的特征；
基于排序匹配模型确定所述多个待选择交互数据中的每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度；
将数值最高的匹配度对应的待选择交互数据确定为用于响应所述第一交互数据的第二交互数据。
2.根据权利要求1所述的方法，其特征在于，所述基于排序匹配模型确定所述多个待选择交互数据中的每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度，包括：
基于排序匹配模型确定所述第一交互数据中的业务实体对应的第一业务关联度，分别确定所述每个待选择交互数据中的业务实体对应的第二业务关联度；所述第一业务关联度为所述第一交互数据中的业务实体与所述业务对象对应的多个业务维度之间的关联度；所述第二业务关联度为所述待选择交互数据中的业务实体与所述业务对象对应的多个业务维度之间的关联度；
从知识库中分别获取所述第一交互数据中的每个业务实体对应的第一关联实体集，以及所述每个待选择交互数据中的每个业务实体对应的第二关联实体集；
基于每个第一关联实体集对应的第一卷积和，确定所述每个第一关联实体集对应的业务实体的第一引导业务关联度；
基于每个第二关联实体集对应的第二卷积和，确定所述每个第二关联实体集对应的业务实体的第二引导业务关联度；
根据所述第一业务关联度、所述第一引导业务关联度、所述第二业务关联度以及所述第二引导业务关联度，分别确定所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述候选回答关联度以及所述业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一业务关联度、所述第一引导业务关联度、所述第二业务关联度以及所述第二引导业务关联度，分别确定所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述候选回答关联度以及所述业务问题关联度，分别确定所述第一交互数据与所述每个待选择交互数据之间的匹配度，包括：
根据所述第一业务关联度与所述第二业务关联度确定第一相似矩阵，根据所述第一引导业务关联度与所述第二引导业务关联度确定第二相似矩阵；
根据所述第一相似矩阵与所述第二相似矩阵确定行关联度之和以及列关联度之和；
根据所述列关联度之和、所述第一业务关联度以及所述第一引导业务关联度，确定所述业务问题关联度；
根据所述行关联度之和、所述第二业务关联度以及所述第二引导业务关联度，确定所述候选回答关联度；
根据所述业务问题关联度、所述候选回答关联度以及所述第一交互数据的交互数据特征，分别确定所述第一交互数据与所述每个待选择交互数据之间的匹配度。
4.根据权利要求1所述的方法，其特征在于，还包括：
获取样本用户的第一样本交互数据集，并获取用于响应所述样本用户的第二样本交互数据集；所述第一样本交互数据集中包括多个第一样本交互数据；所述第二样本交互数据集中包括多个第二样本交互数据；每个第一样本交互数据对应有多个第二样本交互数据；
基于初始模型获取所述每个第一样本交互数据分别与所对应的多个第二样本交互数据之间预测匹配度；
根据所述预测匹配度以及所述每个第一样本交互数据分别与所对应的多个第二样本交互数据之间的匹配度标签，确定所述初始模型的损失函数，基于所述损失函数修正所述初始模型的模型参数；
当所述损失函数满足模型收敛条件时，将包含修正后的模型参数的初始模型确定为所述排序匹配模型。
5.一种交互数据处理方法，其特征在于，包括：
获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
根据所述第一交互数据获取测试任务，获取所述目标用户针对所述测试任务的测试结果；
根据所述交互数据特征以及所述测试结果，确定与所述目标用户对应的业务对象以及所述业务对象对应的置信度；
当所述置信度达到置信度阈值时，生成用于响应所述第一交互数据的第三交互数据；所述第三交互数据包含所述业务对象。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一交互数据获取测试任务，获取所述目标用户针对所述测试任务的测试结果，包括：
提取所述第一交互数据中与测试条件对应的关键参数类型相匹配的业务参数；
若基于所述业务参数确定所述目标用户具备所述测试条件，则获取所述业务参数对应的测试任务；
输出计时窗口以及录入窗口；所述计时窗口用于对所述目标用户对应的测试任务进行计时；
响应针对所述计时窗口中的开始计时指令，并开始计时，得到计时时长；
若所述计时时长等于计时时长阈值，则响应针对所述录入窗口的数据提交操作，获取所述录入窗口中的所述测试结果。
7.根据权利要求5所述的方法，其特征在于，所述根据所述交互数据特征以及所述测试结果，确定与所述目标用户对应的业务对象以及所述业务对象对应的置信度，包括：
将所述交互数据特征以及所述测试结果输入到贝叶斯模型的输入层；
根据所述贝叶斯模型、所述交互数据特征以及所述测试结果，确定所述目标用户对应的业务对象的先验概率；
基于调整因子对所述先验概率进行调整，得到所述目标用户对应的业务对象的后验概率，根据所述后验概率确定所述业务对象的置信度。
8.根据权利要求5所述的方法，其特征在于，所述确定所述第一交互数据的交互数据特征，包括：
对所述第一交互数据进行分词，得到待处理字符串，根据所述待处理字符串确定所述第一交互数据中的业务实体；
确定所述第一交互数据的文本表示类型，根据所述文本表示类型确定所述目标用户的交互意图；
根据所述第一交互数据中的业务实体以及所述交互意图确定所述交互数据特征。
9.根据权利要求5所述的方法，其特征在于，还包括：
当所述置信度小于所述置信度阈值时，提取所述业务对象的业务特征；
根据所述交互数据特征、所述测试结果以及所述业务特征，生成用于响应所述第一交互数据的第二交互数据；所述第二交互数据用于引导所述目标用户输入第四交互数据。
10.一种交互数据处理装置，其特征在于，包括：
获取模块，用于获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
第一生成模块，用于根据所述交互数据特征、测试结果以及业务特征生成所述第一交互数据对应的多个待选择交互数据；所述测试结果是由针对目标用户的测试任务所生成的；所述测试任务是根据所述第一交互数据得到的；所述业务特征是指基于所述交互数据特征以及所述测试结果所确定的业务对象的特征；
第一确定模块，用于基于排序匹配模型确定所述多个待选择交互数据中的每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，根据所述每个待选择交互数据的候选回答关联度以及所述第一交互数据的业务问题关联度，分别确定所述每个待选择交互数据与所述第一交互数据之间的匹配度；
第二确定模块，用于将数值最高的匹配度对应的待选择交互数据确定为第二交互数据。
11.一种交互数据处理装置，其特征在于，包括：
第一数据获取模块，用于获取目标用户的第一交互数据，确定所述第一交互数据的交互数据特征；
第一任务获取模块，用于根据所述第一交互数据获取测试任务，获取所述目标用户针对所述测试任务的测试结果；
第一置信度确定模块，用于根据所述交互数据特征以及所述测试结果，确定与所述目标用户对应的业务对象以及所述业务对象对应的置信度；
第二生成模块，用于当所述置信度达到置信度阈值时，生成用于响应所述第一交互数据的第三交互数据；所述第三交互数据包含所述业务对象。
12.一种交互数据处理装置，其特征在于，包括：处理器和存储器；
所述处理器和存储器相连，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以执行如权利要求1-9任一项所述的方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910386042.6A CN110110066B (zh) | 2019-05-09 | 2019-05-09 | 一种交互数据处理方法、装置以及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910386042.6A CN110110066B (zh) | 2019-05-09 | 2019-05-09 | 一种交互数据处理方法、装置以及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110110066A true CN110110066A (zh) | 2019-08-09 |
| CN110110066B CN110110066B (zh) | 2023-01-06 |
Family
ID=67489074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910386042.6A Active CN110110066B (zh) | 2019-05-09 | 2019-05-09 | 一种交互数据处理方法、装置以及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110110066B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112783324A (zh) * | 2021-01-14 | 2021-05-11 | 科大讯飞股份有限公司 | 人机交互方法及设备、计算机存储介质 |
| WO2021135322A1 (zh) * | 2019-12-30 | 2021-07-08 | 苏宁云计算有限公司 | 一种自动出题方法、装置及系统 |
| CN116721768A (zh) * | 2023-08-07 | 2023-09-08 | 华中科技大学协和深圳医院 | 一种包含可信度因素的交互数据的获取方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105141899A (zh) * | 2015-08-10 | 2015-12-09 | 北京科技大学 | 一种养老服务机器人的交互方法及系统 |
| WO2016078189A1 (zh) * | 2014-11-21 | 2016-05-26 | 广州华多网络科技有限公司 | 一种基于视频直播的互动方法及相关设备、系统 |
| CN105630960A (zh) * | 2015-12-24 | 2016-06-01 | 百度在线网络技术（北京）有限公司 | 测试领域任务型对话系统的方法和装置 |
| CN105824933A (zh) * | 2016-03-18 | 2016-08-03 | 苏州大学 | 基于主述位的自动问答系统及其实现方法 |
| CN106897206A (zh) * | 2015-12-18 | 2017-06-27 | 阿里巴巴集团控股有限公司 | 一种业务测试方法及装置 |
| CN107273661A (zh) * | 2017-05-18 | 2017-10-20 | 深圳市前海安测信息技术有限公司 | 用于健康管理的问卷调查系统及方法 |
| CN107316643A (zh) * | 2017-07-04 | 2017-11-03 | 科大讯飞股份有限公司 | 语音交互方法及装置 |
| CN107515944A (zh) * | 2017-08-31 | 2017-12-26 | 广东美的制冷设备有限公司 | 基于人工智能的交互方法、用户终端、及存储介质 |
| US20170371861A1 (en) * | 2016-06-24 | 2017-12-28 | Mind Lakes, Llc | Architecture and processes for computer learning and understanding |
| CN108182287A (zh) * | 2018-01-29 | 2018-06-19 | 百度在线网络技术（北京）有限公司 | 一种自动问答方法、装置及服务器 |
| CN109299320A (zh) * | 2018-10-30 | 2019-02-01 | 上海智臻智能网络科技股份有限公司 | 一种信息交互方法、装置、计算机设备和存储介质 |
-
2019
- 2019-05-09 CN CN201910386042.6A patent/CN110110066B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016078189A1 (zh) * | 2014-11-21 | 2016-05-26 | 广州华多网络科技有限公司 | 一种基于视频直播的互动方法及相关设备、系统 |
| CN105141899A (zh) * | 2015-08-10 | 2015-12-09 | 北京科技大学 | 一种养老服务机器人的交互方法及系统 |
| CN106897206A (zh) * | 2015-12-18 | 2017-06-27 | 阿里巴巴集团控股有限公司 | 一种业务测试方法及装置 |
| CN105630960A (zh) * | 2015-12-24 | 2016-06-01 | 百度在线网络技术（北京）有限公司 | 测试领域任务型对话系统的方法和装置 |
| CN105824933A (zh) * | 2016-03-18 | 2016-08-03 | 苏州大学 | 基于主述位的自动问答系统及其实现方法 |
| US20170371861A1 (en) * | 2016-06-24 | 2017-12-28 | Mind Lakes, Llc | Architecture and processes for computer learning and understanding |
| CN107273661A (zh) * | 2017-05-18 | 2017-10-20 | 深圳市前海安测信息技术有限公司 | 用于健康管理的问卷调查系统及方法 |
| CN107316643A (zh) * | 2017-07-04 | 2017-11-03 | 科大讯飞股份有限公司 | 语音交互方法及装置 |
| CN107515944A (zh) * | 2017-08-31 | 2017-12-26 | 广东美的制冷设备有限公司 | 基于人工智能的交互方法、用户终端、及存储介质 |
| CN108182287A (zh) * | 2018-01-29 | 2018-06-19 | 百度在线网络技术（北京）有限公司 | 一种自动问答方法、装置及服务器 |
| CN109299320A (zh) * | 2018-10-30 | 2019-02-01 | 上海智臻智能网络科技股份有限公司 | 一种信息交互方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| KUSHAL KAFLE 等: "Answer-Type Prediction for Visual Question Answering", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
| 张积宾 等: "面向大规模网络数据的社会化问答系统", 《哈尔滨工业大学学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021135322A1 (zh) * | 2019-12-30 | 2021-07-08 | 苏宁云计算有限公司 | 一种自动出题方法、装置及系统 |
| CN112783324A (zh) * | 2021-01-14 | 2021-05-11 | 科大讯飞股份有限公司 | 人机交互方法及设备、计算机存储介质 |
| CN112783324B (zh) * | 2021-01-14 | 2023-12-01 | 科大讯飞股份有限公司 | 人机交互方法及设备、计算机存储介质 |
| CN116721768A (zh) * | 2023-08-07 | 2023-09-08 | 华中科技大学协和深圳医院 | 一种包含可信度因素的交互数据的获取方法 |
| CN116721768B (zh) * | 2023-08-07 | 2024-01-16 | 华中科技大学协和深圳医院 | 一种包含可信度因素的交互数据的获取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110110066B (zh) | 2023-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Caire et al. | Visual notation design 2.0: Towards user comprehensible requirements engineering notations | |
| US7797261B2 (en) | Consultative system | |
| Rossen et al. | A crowdsourcing method to develop virtual human conversational agents | |
| CN110110066A (zh) | 一种交互数据处理方法、装置以及计算机可读存储介质 | |
| Fritz et al. | Improving the user experience through practical data analytics: gain meaningful insight and increase your bottom line | |
| Lao | Reorienting machine learning education towards tinkerers and ML-engaged citizens | |
| US20190150819A1 (en) | Automated correlation of neuropsychiatric test data | |
| CN110808038B (zh) | 普通话评测方法、装置、设备及存储介质 | |
| CN108763342A (zh) | 学习资源分配方法和装置 | |
| CN116541538B (zh) | 基于大数据的智慧学习知识点挖掘方法及系统 | |
| CN110399492A (zh) | 针对用户问句的问题分类模型的训练方法和装置 | |
| CN109886848A (zh) | 数据处理的方法、装置、介质和电子设备 | |
| Al-Ajmi et al. | Building an Arabic flight booking dialogue system using a hybrid rule-based and data driven approach | |
| Khan et al. | Automatic student modelling for detection of learning styles and affective states in web based learning management systems | |
| Shihab et al. | Revisiting the use of ChatGPT in business and educational fields: possibilities and challenges | |
| Ward et al. | My science tutor and the myst corpus | |
| Heinimäki et al. | Core and Activity-Specific Functional Participatory Roles in Collaborative Science Learning. | |
| Zheng et al. | Charting the Future of AI in Project-Based Learning: A Co-Design Exploration with Students | |
| CN116153152A (zh) | 一种用于在线课程学习的云教学平台及方法 | |
| Görer et al. | RoboREIT: An interactive robotic tutor with instructive feedback component for requirements elicitation interview training | |
| Xia | Addressing the Tasks and Opportunities of Agency Using AI-based Chatbots | |
| Aretz | Reasons to continue or stop using a virtual coach for quitting smoking and increasing physical activity: a mixed-methods analysis | |
| Zhu | Creating your own conversational artificial intelligence agents using convo, a conversational programming system | |
| Adeolu | Preservice teachers' construction of computational thinking practices through mathematical modeling activities | |
| CN114399821B (zh) | 策略推荐方法、装置、存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |