CN110162611B - 一种智能客服应答方法及系统 - Google Patents

一种智能客服应答方法及系统 Download PDF

Info

Publication number
CN110162611B
CN110162611B CN201910327536.7A CN201910327536A CN110162611B CN 110162611 B CN110162611 B CN 110162611B CN 201910327536 A CN201910327536 A CN 201910327536A CN 110162611 B CN110162611 B CN 110162611B
Authority
CN
China
Prior art keywords
customer service
keyword
user
answers
word
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
CN201910327536.7A
Other languages
English (en)
Other versions
CN110162611A (zh
Inventor
龚雪飞
周彬
汤毅平
杜柏圣
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.)
Nanjing Xingyun Digital Technology Co Ltd
Original Assignee
Suning Financial Technology Nanjing 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 Suning Financial Technology Nanjing Co Ltd filed Critical Suning Financial Technology Nanjing Co Ltd
Priority to CN201910327536.7A priority Critical patent/CN110162611B/zh
Publication of CN110162611A publication Critical patent/CN110162611A/zh
Application granted granted Critical
Publication of CN110162611B publication Critical patent/CN110162611B/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
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Abstract

本发明公开一种智能客服应答方法及系统，涉及智能客服技术领域，能够解决现有技术中依靠人工客服带来的应答效率低、用户体验不佳的问题。该方法包括：预处理客服历史聊天语句导出客服语料，通过对客服语料分词训练得到语言识别模型；通过对用户提问的语料进行意图识别匹配对应的业务模块，利用意图识别结果在业务模块对应的elasticsearch数据库进行检索分析，将输出的关联关键词答案汇总后构成预选数据集；将用户提问语料分词后形成的文本作为输入在预选数据集中进行elasticsearch检索输出候选关键词答案；将分词后关键词及候选关键词答案分别转化为词向量，同时使用WMD算法两两计算各分词后关键词与各候选关键词答案的相似度，并基于相似度值选择关键词答案应答用户。

Description

一种智能客服应答方法及系统
技术领域
本发明涉及智能客服技术领域，尤其涉及一种智能客服应答方法及系统。
背景技术
随着电商业务的快速发展，客服咨询量的迅速增加给平台的客服工作带来了不小的压力，特别是在“双十一”等重大购物节期间，仅仅通过人工客服系统已经不能满足业务的需求，同时也无法提供7*24小时不间断咨询服务，对于客户来说若不能及时得到准确的响应，将会导致用户体验不佳。
发明内容
本发明的目的在于提供一种智能客服应答方法及系统，能够解决现有技术中依靠人工客服产生的应答效率低、用户体验不佳的问题。
为了实现上述目的，本发明的一方面提供一种智能客服应答方法，包括：
步骤S1，预处理客服历史聊天语句导出客服语料，通过对客服语料分词训练得到语言识别模型，以及预设多个领域业务模块构建业务知识库，所述业务模块中存储有该领域知识数据的elasticsearch数据库，所述知识数据包括关键词答案、索引及对应检索字段；
步骤S3，预设问候关键字及对应答案构建问候场景知识库，当用户提问的语料通过语言识别模型分词后命中所述问候关键词，则从所述问候场景知识库中调取对应答案应答用户，当用户提问的语料通过语言识别模型分词后未命中所述问候关键词，执行步骤S4；
步骤S4，通过对用户提问的语料进行意图识别匹配对应的业务模块，同时利用意图识别结果在所述业务模块对应的elasticsearch数据库进行检索分析，将输出的关联关键词答案汇总后构成预选数据集；
步骤S5，将用户提问语料分词后形成的文本作为输入在预选数据集中进行elasticsearch检索输出候选关键词答案；
步骤S6，将分词后关键词及候选关键词答案分别转化为词向量，同时使用WMD算法两两计算各分词后关键词与各候选关键词答案的相似度，并基于相似度值选择关键词答案应答用户。
优选地，还包括：
步骤S2，设置人工应答和机器人应答两种客服模式，当用户主动选择人工应答时则自动分配人工客服，此时结束智能客服应答程序，当用户未选择人工应答时则自动启动机器人客服模式，继续执行如下步骤。
具体地，预处理客服历史聊天语句导出客服语料，通过对客服语料分词训练得到语言识别模型的方法包括：
从系统中调取多份客服历史聊天语句，分别对其编码处理和字符纯化处理后得到客服语料；
基于所述客服语料中词语的参数筛选关键词构建专用字典，所述参数包括词频、凝固度、熵中的一种或多种；
通过分词工具结合所述专用字典对所述客服语料分词，得到切好词的分词语料；
使用Glove模型、Word2vec模型或Elmo模型训练所述客服分词语料，得到语言识别模型。
可选地，所述业务模块领域包括售前咨询业务模块、售后服务业务模块、技术支持业务模块和金融知识业务模块中的一种或多种。
进一步地，通过对用户提问的语料进行意图识别匹配对应的业务模块，同时利用意图识别结果在所述业务模块对应的elasticsearch数据库进行检索分析，将输出的关联关键词答案汇总后构成预选数据集的方法包括：
将用户提问的语料进行字符纯化处理后进行意图识别，并根据意图识别结果匹配对应的业务模块；
基于意图识别结果在对应业务模块中的elasticsearch数据库中检索，汇总输出关联的关键词答案得到预选数据集。
进一步地，将分词后关键词及候选关键词答案分别转化为词向量，同时使用WMD算法两两计算各分词后关键词与各候选关键词答案的相似度，并基于相似度值选择关键词答案应答用户的方法包括：
对各分词后关键词及各候选关键词答案转化为词向量，同时分别将各分词后关键词的词向量与各候选关键词答案的词向量两两匹配；
基于两两匹配词向量的相似度值排序，顺序输出前n个关联的候选关键词答案供用户选择输出。
与现有技术相比，本发明提供的智能客服应答方法具有以下有益效果：
本发明提供的智能客服应答方法中，通过深度学习技术训练得到的语言识别模型能够对客户提问的语料准确分词以及精准的挖掘语料的语义特征，通过业务知识库的设置能够基于语义识别对用户提问的语料初步筛选，结合elasticsearch全文检索技术能够加快语义分析的检索性能，保证了检索结果的准确性，具体实现步骤为：当用户输入提问语料时，系统首先调用语言识别模型对提问语料分词提取出其中的关键词，并在该关键词命中了问候场景知识库时表明该提问语料为简单的常规问题，此时直接从问候场景知识库中调取对应的答案应答即可，从而在保证应答准确率的同时减轻了人工客服的服务工作量，当该关键词没有命中问候场景知识库时，此时说明问候场景知识库中不存在用户提问语料的答案，需进一步对用户提问语料执行智能语义识别，并根据识别结果结合elasticsearch全文检索技术输出候选关键词答案供用户选择，最终准确解答用户的提问。
可见，本发明提供了多种针对用户提问语料的应答方案，确保用户提问语料应答结果的准确性和实时性，在确保服务服务质量的同时减轻了人工客服的工作量，提高了用户体验。
本发明的另一方面提供一种智能客服应答系统，应用于上述技术方案的智能客服应答方法中，该系统包括：
模型训练单元1，用于预处理客服历史聊天语句导出客服语料，通过对客服语料分词训练得到语言识别模型，以及预设多个领域业务模块构建业务知识库，业务模块中存储有该领域知识数据的elasticsearch数据库，知识数据包括关键词答案、索引及对应检索字段；
问候场景单元3，用于预设问候关键字及对应答案构建问候场景知识库，当用户提问的语料通过语言识别模型分词后命中问候关键词，则从问候场景知识库中调取对应答案应答用户，当用户提问的语料通过语言识别模型分词后未命中问候关键词响应预筛选单元；
预筛选单元4，用于通过对用户提问的语料进行意图识别匹配对应的业务模块，同时利用意图识别结果在业务模块对应的elasticsearch数据库进行检索分析，将输出的关联关键词答案汇总后构成预选数据集；
答案候选单元5，将用户提问语料分词后形成的文本作为输入在预选数据集中进行elasticsearch检索输出候选关键词答案；
计算反馈单元6，用于将分词后关键词及候选关键词答案分别转化为词向量，同时使用WMD算法两两计算各分词后关键词与各候选关键词答案的相似度，并基于相似度值选择关键词答案应答用户。
较佳地，还包括：
客服模式单元2，用于设置人工应答和机器人应答两种客服模式，当用户主动选择人工应答时则自动分配人工客服，此时结束智能客服应答程序，当用户未选择人工应答时则自动相应机器人客服模式响应问候场景单元。
优选地，模型训练单元1包括：
语料处理模块，用于从系统中调取多份客服历史聊天语句，分别对其编码处理和字符纯化处理后得到客服语料；
专用字典模块，用于基于客服语料中词语的参数筛选关键词构建专用字典，参数包括词频、凝固度、熵中的一种或多种；
分词处理模块，用于通过分词工具结合专用字典对客服语料分词，得到切好词的分词语料；
模型训练模块，用于使用Glove模型、Word2vec模型或Elmo模型训练客服分词语料，得到语言识别模型。
优选地，计算反馈单元6包括：
词向量转化模块，用于对各分词后关键词及各候选关键词答案转化为词向量，同时分别将各分词后关键词的词向量与各候选关键词答案的词向量两两匹配；
选择输出模块，用于基于两两匹配词向量的相似度值排序，顺序输出前n个关联的候选关键词答案供用户选择输出。
与现有技术相比，本发明提供的智能客服应答系统的有益效果与上述技术方案提供的智能客服应答方法的有益效果相同，在此不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例一中智能客服应答方法的流程示意图；
图2为本发明实施例二中智能客服应答系统的结构框图。
附图标记：
1-模型训练单元， 2-客服模式单元；
3-问候场景单元， 4-预筛选单元；
5-答案候选单元， 6-计算反馈单元。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，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作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
实施例一
请参阅图1，本实施例提供一种智能客服应答方法，包括：
步骤S1，预处理客服历史聊天语句导出客服语料，通过对客服语料分词训练得到语言识别模型，以及预设多个领域业务模块构建业务知识库，业务模块中存储有该领域知识数据的elasticsearch数据库，知识数据包括关键词答案、索引及对应检索字段；步骤S3，预设问候关键字及对应答案构建问候场景知识库，当用户提问的语料通过语言识别模型分词后命中问候关键词，则从问候场景知识库中调取对应答案应答用户，当用户提问的语料通过语言识别模型分词后未命中问候关键词，执行步骤S4；步骤S4，通过对用户提问的语料进行意图识别匹配对应的业务模块，同时利用意图识别结果在业务模块对应的elasticsearch数据库进行检索分析，将输出的关联关键词答案汇总后构成预选数据集；步骤S5，将用户提问语料分词后形成的文本作为输入在预选数据集中进行elasticsearch检索输出候选关键词答案；步骤S6，将分词后关键词及候选关键词答案分别转化为词向量，同时使用WMD算法两两计算各分词后关键词与各候选关键词答案的相似度，并基于相似度值选择关键词答案应答用户。
本实施例提供的智能客服应答方法中，通过深度学习技术训练得到的语言识别模型能够对客户提问的语料准确分词以及精准的挖掘语料的语义特征，通过业务知识库的设置能够基于语义识别对用户提问的语料初步筛选，结合elasticsearch全文检索技术能够加快语义分析的检索性能，保证了检索结果的准确性，具体实现步骤为：当用户输入提问语料时，系统首先调用语言识别模型对提问语料分词提取出其中的关键词，并在该关键词命中了问候场景知识库时表明该提问语料为简单的常规问题，此时直接从问候场景知识库中调取对应的答案应答即可，从而在保证应答准确率的同时减轻了人工客服的服务工作量，当该关键词没有命中问候场景知识库时，此时说明问候场景知识库中不存在用户提问语料的答案，需进一步对用户提问语料执行智能语义识别，并根据识别结果结合elasticsearch全文检索技术输出候选关键词答案供用户选择，最终准确解答用户的提问。
可见，本实施例提供了多种针对用户提问语料的应答方案，确保用户提问语料应答结果的准确性和实时性，在确保服务服务质量的同时减轻了人工客服的工作量，提高了用户体验。
请继续参阅图1，考虑到用户可能会对机器人应答结果不满意，故基于上述实施例还包括：
步骤S2，设置人工应答和机器人应答两种客服模式，当用户主动选择人工应答时则自动分配人工客服，此时结束智能客服应答程序，当用户未选择人工应答时则自动启动机器人客服模式，继续执行如下步骤。
本方法采取了人工客服和机器人客服协同的工作模式，其中有两种情况下会优先转接人工客服模式，第一种为当用户主动选择人工应答时则自动分配人工客服，第二种为当用户的提问语料必须由人工客服解答情况下则自动必须由人工客服解答情况下，例如，通过预先录入人工场景关键字及对应人工场景编号，当用户的提问语料分词后命中人工场景关键字，则按照对应的人工场景编号转人工客服，除上述两种情况外，用户所有的提问语料均采用机器人客服应答，综上，通过上述多种应答策略的设置能够将简单且常规的问题交由机器人客服处理，不仅提高了客服的应答效率而且还减轻了人工客服的压力。
具体地，上述实施例中预处理客服历史聊天语句导出客服语料，通过对客服语料分词训练得到语言识别模型的方法包括：
从系统中调取多份客服历史聊天语句，分别对其编码处理和字符纯化处理后得到客服语料；基于客服语料中词语的参数筛选关键词构建专用字典，参数包括词频、凝固度、熵中的一种或多种；通过分词工具结合专用字典对客服语料分词，得到切好词的分词语料；使用Glove模型、Word2vec模型或Elmo模型训练客服分词语料，得到语言识别模型。
具体实施时，首先对历史聊天语句进行标准化编码，如将历史聊天语句转成utf-8编码，然后对其字符纯化去除无关字符得到客服语料，接着，分别对客服语料中出现的词语进行参数化计算，其中，参数包括词频、凝固度、熵中的一种或多种，通过筛选参数值大于阈值的词语构建专用字典，然后再利用分词工具(如jieba分词工具)结合专用字典对客服语料分词，具体地分词策略为，首先将客服语料输入专用字典，筛选出专用字典中对应存储的词语，然后使用分词工具对剩余语段进行分词得到全部分词语料，最后使用Glove模型、Word2vec模型或Elmo模型训练客服分词语料，得到语言识别模型。通过采用上述两种相结合的分词模式，以提高分词结果的准确性。
示例性地，上述业务模块领域包括售前咨询业务模块、售后服务业务模块、技术支持业务模块和金融知识业务模块中的一种或多种。
可以理解的是，本实施例提供的智能客服应答方法优选无监督机器学习算法，以方便业务人员实时调整elasticsearch数据库内容，对热点内容做修正补充。
具体地，上述实施例中通过对用户提问的语料进行意图识别匹配对应的业务模块，同时利用意图识别结果在业务模块对应的elasticsearch数据库进行检索分析，将输出的关联关键词答案汇总后构成预选数据集的方法包括：
将用户提问的语料进行字符纯化处理后进行意图识别，并根据意图识别结果匹配对应的业务模块，其中，字符纯化处理的技术手段为现有技术中常用的方法，例如，依次对用户的提问语料进行纯化处理、标准化处理、切词处理和意图识别处理，具体过程在此不做赘述；将意图识别结果转化为检索字段在对应业务模块中的elasticsearch数据库中检索，汇总输出关联的关键词答案得到预选数据集，由于业务模块中预存储有专用业务知识库，当用户输入问题语料后会自动识别出一条意图，例如，当用户咨询购买基金的风险时，会自动匹配到金融知识业务模块，然后基于基金风险的意图识别结果在金融知识业务模块的elasticsearch数据库中检索，查找关于基金风险的关键词答案得到预选数据集，实现初步筛选，之后将用户提问语料利用语言识别模型分词，同时将分词后形成的文本作为输入在预选数据集中进行elasticsearch检索输出候选关键词答案，本实施例通过将elasticsearch全文检索技术与机器学习算法融合，提高了语义分析的准确性。需要说明的是，elasticsearch检索技术为现有技术，本实施在此不再对其赘述。
进一步地，上述实施例中将分词后关键词及候选关键词答案分别转化为词向量，同时使用WMD算法两两计算各分词后关键词与各候选关键词答案的相似度，并基于相似度值选择关键词答案应答用户的方法包括：
对各分词后关键词及各候选关键词答案转化为词向量，同时分别将各分词后关键词的词向量与各候选关键词答案的词向量两两匹配；基于两两匹配词向量的相似度值排序，顺序输出前n个关联的候选关键词答案供用户选择输出。
具体实施时，候选关键词答案的数量可通过后台自由设置，本实施例对此不做限制，而相似度值的计算方法可采用现有的tf-idf算法，通过将分词后的每个关键词与各候选关键词答案遍历计算，能够得到多个词向量相似度值，然后按照词向量相似度值结果大小将对应的候选关键词答案顺序排列输出，可见，本实施例通过将elasticsearch检索技术与机器学习模型相融合，匹配出最接近的关键词答案并形成返回列表一目了然的呈现给用户，由用户选择认为准确的问题答案输出，提高了用户的参与体验。
实施例二
请参阅图1和图2，本实施例提供一种智能客服应答系统，包括：
模型训练单元1，用于预处理客服历史聊天语句导出客服语料，通过对客服语料分词训练得到语言识别模型，以及预设多个领域业务模块构建业务知识库，业务模块中存储有该领域知识数据的elasticsearch数据库，知识数据包括关键词答案、索引及对应检索字段；
问候场景单元3，用于预设问候关键字及对应答案构建问候场景知识库，当用户提问的语料通过语言识别模型分词后命中问候关键词，则从问候场景知识库中调取对应答案应答用户，当用户提问的语料通过语言识别模型分词后未命中问候关键词响应预筛选单元；
预筛选单元4，用于通过对用户提问的语料进行意图识别匹配对应的业务模块，同时利用意图识别结果在业务模块对应的elasticsearch数据库进行检索分析，将输出的关联关键词答案汇总后构成预选数据集；
答案候选单元5，将用户提问语料分词后形成的文本作为输入在预选数据集中进行elasticsearch检索输出候选关键词答案；
计算反馈单元6，用于将分词后关键词及候选关键词答案分别转化为词向量，同时使用WMD算法两两计算各分词后关键词与各候选关键词答案的相似度，并基于相似度值选择关键词答案应答用户。
优选地，还包括：
客服模式单元2，用于设置人工应答和机器人应答两种客服模式，当用户主动选择人工应答时则自动分配人工客服，此时结束智能客服应答程序，当用户未选择人工应答时则自动相应机器人客服模式响应问候场景单元。
优选地，模型训练单元1包括：
语料处理模块，用于从系统中调取多份客服历史聊天语句，分别对其编码处理和字符纯化处理后得到客服语料；
专用字典模块，用于基于客服语料中词语的参数筛选关键词构建专用字典，参数包括词频、凝固度、熵中的一种或多种；
分词处理模块，用于通过分词工具结合专用字典对客服语料分词，得到切好词的分词语料；
模型训练模块，用于使用Glove模型、Word2vec模型或Elmo模型训练客服分词语料，得到语言识别模型。
优选地，计算反馈单元6包括：
词向量转化模块，用于对各分词后关键词及各候选关键词答案转化为词向量，同时分别将各分词后关键词的词向量与各候选关键词答案的词向量两两匹配；
选择输出模块，用于基于两两匹配词向量的相似度值排序，顺序输出前n个关联的候选关键词答案供用户选择输出。
与现有技术相比，本发明实施例提供的智能客服应答系统的有益效果与上述实施例一提供的智能客服应答方法的有益效果相同，在此不做赘述。
本领域普通技术人员可以理解，实现上述发明方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，上述程序可以存储于计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种智能客服应答方法，其特征在于，包括：
步骤S1，预处理客服历史聊天语句导出客服语料，通过对客服语料分词训练得到语言识别模型，以及预设多个领域业务模块构建业务知识库，所述业务模块中存储有该领域知识数据的elasticsearch数据库，所述知识数据包括关键词答案、索引及对应检索字段；
步骤S3，预设问候关键字及对应答案构建问候场景知识库，当用户提问的语料通过语言识别模型分词后命中所述问候关键词，则从所述问候场景知识库中调取对应答案应答用户，当用户提问的语料通过语言识别模型分词后未命中所述问候关键词，执行步骤S4；
步骤S4，通过对用户提问的语料进行意图识别匹配对应的业务模块，同时利用意图识别结果在所述业务模块对应的elasticsearch数据库进行检索分析，将输出的关联关键词答案汇总后构成预选数据集；
步骤S5，将用户提问语料分词后形成的文本作为输入在预选数据集中进行elasticsearch检索输出候选关键词答案；
步骤S6，将分词后关键词及候选关键词答案分别转化为词向量，同时使用WMD算法两两计算各分词后关键词与各候选关键词答案的相似度，并基于相似度值选择关键词答案应答用户。
2.根据权利要求1所述的方法，其特征在于，还包括：
步骤S2，设置人工应答和机器人应答两种客服模式，当用户主动选择人工应答时则自动分配人工客服，此时结束智能客服应答程序，当用户未选择人工应答时则自动启动机器人客服模式，继续执行步骤S3至步骤S6。
3.根据权利要求1所述的方法，其特征在于，预处理客服历史聊天语句导出客服语料，通过对客服语料分词训练得到语言识别模型的方法包括：
从系统中调取多份客服历史聊天语句，分别对其编码处理和字符纯化处理后得到客服语料；
基于所述客服语料中词语的参数筛选关键词构建专用字典，所述参数包括词频、凝固度、熵中的一种或多种；
通过分词工具结合所述专用字典对所述客服语料分词，得到切好词的分词语料；
使用Glove模型、Word2vec模型或Elmo模型训练所述客服分词语料，得到语言识别模型。
4.根据权利要求1所述的方法，其特征在于，所述业务模块领域包括售前咨询业务模块、售后服务业务模块、技术支持业务模块和金融知识业务模块中的一种或多种。
5.根据权利要求1所述的方法，其特征在于，通过对用户提问的语料进行意图识别匹配对应的业务模块，同时利用意图识别结果在所述业务模块对应的elasticsearch数据库进行检索分析，将输出的关联关键词答案汇总后构成预选数据集的方法包括：
将用户提问的语料进行字符纯化处理后进行意图识别，并根据意图识别结果匹配对应的业务模块；
基于意图识别结果在对应业务模块中的elasticsearch数据库中检索，汇总输出关联的关键词答案得到预选数据集。
6.根据权利要求1所述的方法，其特征在于，将分词后关键词及候选关键词答案分别转化为词向量，同时使用WMD算法两两计算各分词后关键词与各候选关键词答案的相似度，并基于相似度值选择关键词答案应答用户的方法包括：
对各分词后关键词及各候选关键词答案转化为词向量，同时分别将各分词后关键词的词向量与各候选关键词答案的词向量两两匹配；
基于两两匹配词向量的相似度值排序，顺序输出前n个关联的候选关键词答案供用户选择输出。
7.一种智能客服应答系统，其特征在于，包括：
模型训练单元，用于预处理客服历史聊天语句导出客服语料，通过对客服语料分词训练得到语言识别模型，以及预设多个领域业务模块构建业务知识库，所述业务模块中存储有该领域知识数据的elasticsearch数据库，所述知识数据包括关键词答案、索引及对应检索字段；
问候场景单元，用于预设问候关键字及对应答案构建问候场景知识库，当用户提问的语料通过语言识别模型分词后命中所述问候关键词，则从所述问候场景知识库中调取对应答案应答用户，当用户提问的语料通过语言识别模型分词后未命中所述问候关键词响应预筛选单元；
预筛选单元，用于通过对用户提问的语料进行意图识别匹配对应的业务模块，同时利用意图识别结果在所述业务模块对应的elasticsearch数据库进行检索分析，将输出的关联关键词答案汇总后构成预选数据集；
答案候选单元，将用户提问语料分词后形成的文本作为输入在预选数据集中进行elasticsearch检索输出候选关键词答案；
计算反馈单元，用于将分词后关键词及候选关键词答案分别转化为词向量，同时使用WMD算法两两计算各分词后关键词与各候选关键词答案的相似度，并基于相似度值选择关键词答案应答用户。
8.根据权利要求7所述的系统，其特征在于，还包括：
客服模式单元，用于设置人工应答和机器人应答两种客服模式，当用户主动选择人工应答时则自动分配人工客服，此时结束智能客服应答程序，当用户未选择人工应答时则自动相应机器人客服模式响应问候场景单元。
9.根据权利要求7所述的系统，其特征在于，所述模型训练单元包括：
语料处理模块，用于从系统中调取多份客服历史聊天语句，分别对其编码处理和字符纯化处理后得到客服语料；
专用字典模块，用于基于所述客服语料中词语的参数筛选关键词构建专用字典，所述参数包括词频、凝固度、熵中的一种或多种；
分词处理模块，用于通过分词工具结合所述专用字典对所述客服语料分词，得到切好词的分词语料；
模型训练模块，用于使用Glove模型、Word2vec模型或Elmo模型训练所述客服分词语料，得到语言识别模型。
10.根据权利要求7所述的系统，其特征在于，所述计算反馈单元包括：
词向量转化模块，用于对各分词后关键词及各候选关键词答案转化为词向量，同时分别将各分词后关键词的词向量与各候选关键词答案的词向量两两匹配；
选择输出模块，用于基于两两匹配词向量的相似度值排序，顺序输出前n个关联的候选关键词答案供用户选择输出。
CN201910327536.7A 2019-04-23 2019-04-23 一种智能客服应答方法及系统 Active CN110162611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910327536.7A CN110162611B (zh) 2019-04-23 2019-04-23 一种智能客服应答方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910327536.7A CN110162611B (zh) 2019-04-23 2019-04-23 一种智能客服应答方法及系统

Publications (2)

Publication Number Publication Date
CN110162611A CN110162611A (zh) 2019-08-23
CN110162611B true CN110162611B (zh) 2021-03-26

Family

ID=67639720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910327536.7A Active CN110162611B (zh) 2019-04-23 2019-04-23 一种智能客服应答方法及系统

Country Status (1)

Country Link
CN (1) CN110162611B (zh)

Families Citing this family (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532374B (zh) * 2019-09-04 2022-05-10 深圳市慧择时代科技有限公司 保险信息的处理方法及装置
CN110581772B (zh) * 2019-09-06 2020-10-13 腾讯科技（深圳）有限公司 即时通讯消息的交互方法、装置以及计算机可读存储介质
CN110674273A (zh) * 2019-09-17 2020-01-10 安徽信息工程学院 一种分词的智能问答机器人训练方法
CN112749565A (zh) * 2019-10-31 2021-05-04 华为终端有限公司 基于人工智能的语义识别方法、装置和语义识别设备
CN111078832A (zh) * 2019-11-08 2020-04-28 杭州九阳小家电有限公司 一种智能客服的辅助应答方法及系统
CN110866089B (zh) * 2019-11-14 2023-04-28 国家电网有限公司 基于同义多语境分析的机器人知识库构建系统及方法
CN111225115B (zh) * 2019-11-25 2021-06-25 中国银行股份有限公司 信息提供方法及装置
CN111091826B (zh) * 2019-12-13 2023-09-01 中博信息技术研究院有限公司 基于深度学习和有限状态机的智能语音机器人系统
CN111127040A (zh) * 2019-12-19 2020-05-08 联想(北京)有限公司 数据处理的方法、智能客服系统、电子设备和介质
CN111104501A (zh) * 2019-12-23 2020-05-05 中国银行股份有限公司 一种针对测试服务的知识确定方法和装置
CN111159346A (zh) * 2019-12-27 2020-05-15 深圳物控智联科技有限公司 基于意图识别的智能答疑方法、服务器及存储介质
CN111143565A (zh) * 2019-12-29 2020-05-12 杭州睿沃科技有限公司 一种k-means自学习系统
CN113127612A (zh) * 2019-12-31 2021-07-16 深圳市优必选科技股份有限公司 一种答复反馈方法、答复反馈装置及智能设备
CN112287082A (zh) * 2019-12-31 2021-01-29 北京来也网络科技有限公司 结合rpa与ai的数据的处理方法、装置、设备及存储介质
CN113111155B (zh) * 2020-01-10 2024-04-19 阿里巴巴集团控股有限公司 信息展示方法、装置、设备及存储介质
CN111242508A (zh) * 2020-02-14 2020-06-05 厦门快商通科技股份有限公司 一种基于自然语言处理的客服质量评价方法和装置及设备
CN111339271A (zh) * 2020-02-20 2020-06-26 厦门快商通科技股份有限公司 一种人工智能客服转人工客服的方法和装置以及设备
CN111400340B (zh) * 2020-03-12 2024-01-09 杭州城市大数据运营有限公司 一种自然语言处理方法、装置、计算机设备和存储介质
CN111508494B (zh) * 2020-04-20 2023-03-07 广东工业大学 一种智能纳税语音咨询方法和系统
CN111538822B (zh) * 2020-04-24 2023-05-09 支付宝(杭州)信息技术有限公司 一种智能客户服务机器人训练数据的生成方法和系统
CN111897930A (zh) * 2020-06-13 2020-11-06 南京奥拓电子科技有限公司 一种自动问答方法与系统、智能设备及存储介质
CN111767714B (zh) * 2020-06-28 2022-02-11 平安科技（深圳）有限公司 一种文本通顺度确定方法、装置、设备及介质
CN112183051A (zh) * 2020-09-02 2021-01-05 北京源和汇升科技中心(有限合伙) 智能语音随访方法、系统、计算机设备、存储介质及程序产品
CN112148852A (zh) * 2020-09-10 2020-12-29 深圳康佳电子科技有限公司 一种智能客服方法、装置、存储介质及计算机设备
CN112527983A (zh) * 2020-11-27 2021-03-19 长威信息科技发展股份有限公司 一种个性化政务人机自然交互服务系统
CN112463949B (zh) * 2020-12-01 2022-09-16 贝壳技术有限公司 数据召回方法与系统、交互方法及交互系统
CN112527988A (zh) * 2020-12-14 2021-03-19 深圳市优必选科技股份有限公司 自动回复生成方法、装置及智能设备
CN112445904A (zh) * 2020-12-15 2021-03-05 税友软件集团股份有限公司 一种知识检索方法、装置、设备及计算机可读存储介质
CN112632220A (zh) * 2020-12-22 2021-04-09 平安普惠企业管理有限公司 基于ai模型的贷款资金去向分析方法及相关设备
CN112685550B (zh) * 2021-01-12 2023-08-04 腾讯科技（深圳）有限公司 智能问答方法、装置、服务器及计算机可读存储介质
CN112784030B (zh) * 2021-01-28 2022-08-26 北京三快在线科技有限公司 一种生成样本的方法、装置、存储介质及电子设备
CN113064980A (zh) * 2021-03-22 2021-07-02 苏宁金融科技(南京)有限公司 一种智能问答方法、装置、计算机设备及存储介质
CN113191145B (zh) * 2021-05-21 2023-08-11 百度在线网络技术（北京）有限公司 关键词的处理方法、装置、电子设备和介质
CN113468300B (zh) * 2021-05-28 2024-01-23 南京城市职业学院(南京开放大学) 一种基于微信交互的智能消息处理系统及方法
CN113569022B (zh) * 2021-06-30 2023-06-09 四川新网银行股份有限公司 一种基于级联式搜索的对话机器人应答引擎实现方法
CN113486152A (zh) * 2021-07-16 2021-10-08 上海淇馥信息技术有限公司 一种业务知识库构建方法、装置和电子设备
CN113282737B (zh) * 2021-07-21 2021-11-12 中信建投证券股份有限公司 人机协作的智能客服对话方法及装置
CN113434656B (zh) * 2021-07-21 2023-04-25 广州华多网络科技有限公司 电商客服匹配方法及其相应的装置、设备、介质
CN113590789A (zh) * 2021-07-30 2021-11-02 北京壹心壹翼科技有限公司 应用于智能问答系统的问题检索方法、装置、设备及介质
CN113743124B (zh) * 2021-08-25 2024-03-29 南京星云数字技术有限公司 一种智能问答异常的处理方法、装置及电子设备
CN113821621B (zh) * 2021-09-28 2023-10-27 中电万维信息技术有限责任公司 一种基于深度学习的开放式智能客服系统
CN113704444B (zh) * 2021-10-28 2022-08-19 江西中业智能科技有限公司 基于自然语言处理的问答方法、系统、设备及存储介质
CN114020153A (zh) * 2021-11-04 2022-02-08 上海元梦智能科技有限公司 一种多模态人机交互方法及装置
CN114490975B (zh) * 2021-12-31 2023-02-07 马上消费金融股份有限公司 用户问题的标注方法及装置
CN114297365B (zh) * 2022-03-04 2022-05-24 广东联讯科技发展股份有限公司 一种基于互联网的智能客服系统及方法
CN114818740B (zh) * 2022-06-30 2023-03-31 江苏微皓智能科技有限公司 一种基于领域知识图谱的人机协同方法及系统
CN115292461B (zh) * 2022-08-01 2024-03-12 北京伽睿智能科技集团有限公司 基于语音识别的人机交互学习方法及系统
CN115880120B (zh) * 2023-02-24 2023-05-16 江西微博科技有限公司 一种在线政务服务系统及服务方法
CN116431838B (zh) * 2023-06-15 2024-01-30 北京墨丘科技有限公司 文献检索方法、装置、系统及存储介质
CN116628173B (zh) * 2023-07-26 2023-10-31 成都信通信息技术有限公司 一种基于关键字提取的智能客服信息生成系统及生成方法
CN117312534B (zh) * 2023-11-28 2024-02-23 南京中孚信息技术有限公司 一种基于保密知识库的智能问答实现方法、装置及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5711674B2 (ja) * 2012-01-12 2015-05-07 Kddi株式会社 大量のコメント文章を用いた質問回答プログラム、サーバ及び方法
KR20140093303A (ko) * 2013-01-07 2014-07-28 삼성전자주식회사 디스플레이 장치 및 그의 제어 방법
US10095736B2 (en) * 2014-11-03 2018-10-09 International Business Machines Corporation Using synthetic events to identify complex relation lookups
CN108388558B (zh) * 2018-02-07 2022-04-19 平安普惠企业管理有限公司 问题匹配方法、装置、客服机器人和存储介质
CN109543014B (zh) * 2018-11-05 2021-06-15 腾讯科技（深圳）有限公司 人机对话方法、装置、终端及服务器

Also Published As

Publication number Publication date
CN110162611A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN110162611B (zh) 一种智能客服应答方法及系统
CN108153876B (zh) 智能问答方法及系统
CN110008322B (zh) 多轮对话场景下的话术推荐方法和装置
US11822605B2 (en) Multi domain real-time question answering system
CN108595696A (zh) 一种基于云平台的人机交互智能问答方法和系统
CN112364150A (zh) 一种结合检索与生成的智能问答方法和系统
CN105354300A (zh) 一种信息推荐方法及装置
CN110046230B (zh) 生成推荐话术集合的方法、推荐话术的方法和装置
CN112035599B (zh) 基于垂直搜索的查询方法、装置、计算机设备及存储介质
CN112052326A (zh) 一种基于长短文本匹配的智能问答方法及系统
CN111259130B (zh) 用于在对话中提供答复语句的方法及装置
CN111897930A (zh) 一种自动问答方法与系统、智能设备及存储介质
CN110516057B (zh) 一种信访问题答复方法及装置
CN111400453B (zh) 一种基于法律咨询的智能交互系统及方法
CN110895559A (zh) 模型训练、文本处理方法、装置以及设备
CN113064980A (zh) 一种智能问答方法、装置、计算机设备及存储介质
CN111368096A (zh) 基于知识图谱的信息分析方法、装置、设备和存储介质
CN111858854A (zh) 一种基于历史对话信息的问答匹配方法及相关装置
CN111429157A (zh) 投诉工单的评价处理方法、装置、设备及存储介质
CN112487810A (zh) 一种智能客服服务方法、装置、设备及存储介质
CN113468891A (zh) 文本处理方法以及装置
CN112632248A (zh) 问答方法、装置、计算机设备和存储介质
CN112597292B (zh) 问题回复推荐方法、装置、计算机设备和存储介质
CN110377803B (zh) 信息处理方法以及装置
CN113570380A (zh) 基于语义分析的业务投诉处理方法、装置、设备及计算机可读存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210218

Address after: Room 834, Yingying building, No.99, Tuanjie Road, yanchuangyuan, Jiangbei new district, Nanjing, Jiangsu Province

Applicant after: Suning financial technology (Nanjing) Co.,Ltd.

Address before: 210000 No. 1 Suning Avenue, Xuanwu District, Nanjing City, Jiangsu Province

Applicant before: SUNING GROUP Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 211800 No. 834, hatch Eagle building, No. 99, Tuanjie Road, yanchuang Park, Jiangbei new area, Nanjing, Jiangsu

Patentee after: Nanjing Xingyun Digital Technology Co.,Ltd.

Address before: Room 834, Yingying building, No.99, Tuanjie Road, yanchuangyuan, Jiangbei new district, Nanjing, Jiangsu Province

Patentee before: Suning financial technology (Nanjing) Co.,Ltd.