CN110222150A - 一种自动提醒方法、自动提醒装置及计算机可读存储介质 - Google Patents
一种自动提醒方法、自动提醒装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110222150A CN110222150A CN201910421283.XA CN201910421283A CN110222150A CN 110222150 A CN110222150 A CN 110222150A CN 201910421283 A CN201910421283 A CN 201910421283A CN 110222150 A CN110222150 A CN 110222150A
- Authority
- CN
- China
- Prior art keywords
- prompting message
- information
- user
- object statement
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06F16/3332—Query translation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种自动提醒方法、自动提醒装置及计算机可读存储介质,应用于智能城市领域,其中方法包括:通过信息交互界面接收目标语句,从目标语句中提取数值转移的趋向性信息;若目标语句中包含数值转移的趋向性信息,则使用深度学习模型对目标语句进行翻译,得到对应的提醒信息,提醒信息包含数值转移的提示信息;输出提醒信息。本申请自动提醒装置在通过信息交互界面与用户进行对话时,检测用户输入的目标语句中的趋向性信息,若检测到,便利用深度学习模型对目标语句进行翻译,以得到最适合于当前场景的提醒信息,最后输出该提醒信息,以指示用户按照该提醒信息进行数值转移。
Description
技术领域
本申请涉及聊天机器人领域,尤其涉及一种自动提醒方法、自动提醒装置及计算机可读存储介质。
背景技术
对于许多公司来说,公司日益增长的业务催生了与客户进行沟通的需求,尤其是一些因为特殊的业务需求,而需要对客户不时进行监督和提醒的公司来说,提醒业务的重要性是无法忽视的,良好的提醒业务是保障公司长久持续发展的能动力。
现有的提醒业务一般指的是由客服人员人工拨打客户的手机或者固定电话来进行外呼提醒。显然这种人工操作的方式十分的费时费力,而且容易造成遗漏,使得提醒的效率十分的低下,因此还缺少一种高效率的提醒方式。
发明内容
本申请实施例提供一种自动提醒方法,可以在自动提醒装置与用户对话的过程中实现自动提醒。
第一方面,本申请实施例提供了一种自动提醒方法,该方法包括:
通过信息交互界面接收目标语句,从所述目标语句中提取数值转移的趋向性信息;
若所述目标语句中包含数值转移的趋向性信息,则使用深度学习模型对所述目标语句进行翻译,得到对应的提醒信息,所述提醒信息包含数值转移的提示信息;
输出所述提醒信息。
第二方面,本申请实施例提供了一种自动提醒装置,该自动提醒装置包括用于执行上述第一方面的自动提醒方法的单元,该自动提醒装置包括:
接收单元,用于通过信息交互界面接收目标语句;
提取单元,用于从所述目标语句中提取数值转移的趋向性信息;
翻译单元,用于若所述目标语句中包含数值转移的趋向性信息,则使用深度学习模型对所述目标语句进行翻译,得到对应的提醒信息,所述提醒信息包含数值转移的提示信息;
输出单元,用于输出所述提醒信息。
第三方面,本申请实施例提供了另一种自动提醒装置,包括处理器、通信接口、输入设备、输出设备和存储器,所述处理器、通信接口、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储支持自动提醒装置执行上述自动提醒方法的计算机程序,所述通信接口用于与其他终端设备进行数据交互,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,用以执行上述第一方面至第一方面的任意一种实现方式的自动提醒方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机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,用以执行上述第一方面至第一方面的任意一种实现方式的自动提醒方法。
在本申请中,通过信息交互界面接收目标语句,然后在确定目标语句中包含数值转移的趋向性信息的情况下,利用深度学习模型对该目标语句进行翻译,以翻译得到对应的提醒信息,最后在信息交互界面中输出该提醒信息,用户便可以按照该提醒信息的指示进行数值转移。根据以上描述的方案来看,本申请至少包含以下四个方面的发明点:第一方面,本申请通过人工智能建模语言(AIML,Artificial Intelligence ModellingLanguage)实现了自动提醒装置在与用户对话的过程中进行自动提醒;第二方面,因为用户的目标语句体现了用户愿意进行数值转移的趋向,于是深度学习模型针对该目标语句翻译得到的提醒信息结合了用户愿意进行数值转移的趋向,是适合当前对话场景的回答,能提高提醒的效率;第三方面,相对于规则匹配来说,利用深度学习模型来翻译目标语句能识别用户的更多语术,具体的,虽然本申请的自动提醒方法是基于AIML的,但是却并没有采用AIML的规则匹配来生成提醒信息,而是采用了深度学习模型来对提醒信息进行翻译,从而得到更加精准的提醒信息,因为一般来说AIML是基于对话模板的匹配来实现机器与用户的对话,因而需要大量的对话库,在实际的开发过程中也需要考虑到全面的场景名称才能实现较好的对话体验,可见,本申请利用深度学习模型来翻译目标语句,不需要十分庞大的数据库来存放匹配规则,也不需要人工扩充匹配规则,便能识别用户的更多语术,也大大提高翻译的速度和精准度,深度学习模型甚至还可以自我学习和优化;第四方面,本申请中的深度学习模型与其他领域的深度学习模型不同,本申请中的深度学习模型应用于金融领域,且具体涉及的是提醒业务。总的来说,本申请提供了一种高效率的自动提醒方式。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种自动提醒方法的示意流程图;
图2是本申请另一实施例提供的一种自动提醒方法的示意流程图;
图3是本申请实施例提供的一种自动提醒装置的示意性框图;
图4是本申请实施例提供的一种自动提醒装置的结构性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
本申请主要应用于自动提醒装置,该自动提醒装置可以是传统自动提醒装置、大型存储系统、台式电脑、笔记本电脑、平板电脑、掌上电脑、智能手机、便携式数字播放器、智能手表以及智能手环等等,本申请对此不做限制。
本申请实施例中描述的终端设备包括但不限于带通讯功能的设备、智能手机、平板电脑、笔记本电脑、台式电脑、便携式数字播放器、智能手环以及智能手表等。当终端设备自动提醒装置发送数据的时候,按照预设格式进行对数据的特性进行记录并传送,其中,数据的特性包括时间、地点、类型等。
参见图1,是本申请实施例提供一种自动提醒方法的示意流程图,如图1所示自动提醒方法可包括:
101:通过信息交互界面接收目标语句,从该目标语句中提取数值转移的趋向性信息。
在本申请实施例中,自动提醒装置通过信息交互界面与用户进行聊天,并通过该信息交互界面接收用户输入的目标语句,在接收到目标语句之后,提取目标语句中与数值转移有关的趋向性信息,数值转移指的是有关于资产的数据调整操作,例如转账等操作,该趋向性信息为与数值转移有关的关键字符,例如转账、数值转移和银行账号等关键字符,具体来说,与数值转移有关指的是,趋向性信息的内容与数值转移有关,或者趋向性信息的格式与数值转移有关,所以该趋向性信息实质是与预设字符内容相匹配的关键字符,预设字符内容例如有字符、中文和数字等,或者该趋向性信息为与预设字符格式相匹配的关键字符,预设字符格式例如有日期格式和电话格式等,预设字符内容和预设字符格式都记载在数据库中。
需要说明的是,目标语句可以为用户输入的任意一句语句,或者用户最近一次输入的语句,自动提醒装置可以看做是聊天机器人,其功能是基于人工智能建模语言(AIML,Artificial Intelligence Modelling Language)来实现的,信息交互界面为自动提醒装置用于与用户进行数据交互的界面(例如对话框),可以是用户的终端设备的显示器上的显示界面上的信息交互界面,或者自动提醒装置的显示器上的显示界面上的信息交互界面等,本申请实施例对此不作限定。
可见,由于上述目标语句为用户输入的答复,于是当上述目标语句中包含数值转移的趋向性信息的时候,该目标语句可以反映用户当前的数值转移的进度和用户愿意进行数值转移的倾向程度等信息。
102:若上述目标语句中包含数值转移的趋向性信息,则使用深度学习模型对该目标语句进行翻译,得到对应的提醒信息。
在本申请申请实施例中,在确定上述目标语句包含数值转移的趋向性信息之后,使用深度学习模型对上述目标语句进行翻译得到提醒信息,该提醒信息用于指示用户按照该还款语句进行数值转移。由于目标语句反映了用户当前的数值转移的进度和用户愿意进行数值转移的倾向程度等信息,于是本申请实施例对目标语句翻译之后得到的提醒信息考虑到了用户当前的愿意进行数值转移的倾向程度,如果用户数值转移的意愿强烈,则该提醒信息用于指导用户数值转移的方式等,如果用户数值转移意愿薄弱,则该提醒信息不仅用于指导用户数值转移的方式,还用于通过比较强硬的语气告知用户不进行数值转移的后果等。其中,深度学习模型为卷积神经网络简介(CNN,Convolutional Neural Networks)、编码器-解码器(Seq2Seq,Sequence to Sequence),SGAN深度学习模型以及Dual Learning深度学习模型等中的任意一种。
需要说明的是,在使用深度学习模型对目标语句进行翻译之前,构建该深度学习模型。具体的,构建深度学习模型的框架,或者使用上述举例的任意一种框架作为本申请实施例中的深度学习模型的框架,然后利用训练样本对深度学习模型的框架不断进行训练,以调整模型的参数,使得模型最终能够正确翻译出目标语句对应的提醒信息。其中,训练样本包括用户输入的目标语句和用户输入的目标语句对应的提醒信息,上述利用训练样本对深度学习模型的框架进行训练指的是,先将训练样本中的目标语句输入到模型中,然后将模型翻译得到的提醒信息与训练样本中的正确的提醒信息进行对比,最后根据对比结果来对模型的参数进行调整,使得模型能够翻译的越来越准确。
还需要说明的是,由于本申请实施例中的深度学习模型是利用提醒领域的训练样本进行训练,于是本申请实施例中的深度学习模型其能够根据用户输入的目标语句,准确的翻译出本端的自动提醒装置的数据库中所包含的多个提醒信息中的一个,这与其他的深度学习模型不同。
在另外一种可实施的实现方式中,上述深度学习模型为seq2seq。其中,seq2seq是一个解码器-编码器(Encoder–Decoder)结构的网络,它的输入是一个序列,输出也是一个序列,Encoder将一个可变长度的信号序列变为固定长度的向量表达,Decoder将这个固定长度的向量变成可变长度的目标的信号序列。可见这个结构使得输入序列和输出序列的长度是可变的,于是seq2seq可以用于翻译,聊天机器人,句法分析,文本摘要等。其中编码解码的方式可以是循环神经网络(RNN,Recurrent Neural Network),卷积神经网络(CNN,convolutional neural network),长短期记忆网络(LSTM,Long Short-Term Memory)等。
相应的,在上述深度学习模型为seq2seq2的情况下,上述构建深度学习模型指的是,构建seq2seq的构架,利用金融领域的训练样本对seq2seq进行训练,先将问题信息输入到seq2seq中进行前向计算,计算得到seq2seq中的每个神经元的输出值,然后再将回复信息输入到seq2seq中,进行反向计算,得到每个神经元的误差项值,于是最后根据相应的误差项,重新确定seq2seq中每个权重的梯度,从而完成对seq2seq的训练。
在另一种可实施的实现方式中,所述深度学习模型为基于注意力机制的深度学习模型。
在本申请实施例中还可以在深度学习模型中引入注意力机制,接下来本申请实施例将以加入了注意力机制的seq2seq为例,来说明加入了注意力机制的深度学习模型。具体的,在引入注意力机制之前,seq2seq对目标语句中的每个词的关注度是一样的,这不符合人在读句子时的实际情况。因为一句话通常有几个词是关键的,可以涵盖这句话的意思。于是为了解决这个问题,本申请在seq2seq中引入了注意力机制,使得seq2seq在翻译的过程中给目标语句中不同的词予以不同程度的关注度,即给不同的词分配不同的权重,从而提高翻译的准确性。可见,本申请通过在seq2seq中引入注意力机制,可以进一步提高翻译的准确度。
举例来说,以数值转移为还款为例,在本申请的提醒场景中,seq2seq可以对下列对话中的加粗并含有下划线的词进行重点关注:
自动提醒装置:您好,我这边是贷后管理部,请问您是赵丽丽小姐吗?
用户:是我。
自动提醒装置:您在2018年1月15日,通过办理了20000元的借款已经逾期2天了,逾期可能会影响您的个人信用记录,并且导致罚息费用产生,所以跟您核实下还没处理的原因?
用户:现在就还。
自动提醒装置:您当期账单为2000元,请您在今天17点之前将当期款项存入尾号为4491的银行卡,或登陆APP操作还款。
用户:好的。
自动提醒装置:好的,那祝您生活愉快,再见。
103:输出上述提醒信息。
在本申请实施例中,在得到上述目标语句对应的提醒信息之后,可以直接在信息交互界面中输出该提醒信息。
在另一种可实施的实现方式中,在深度学习模型翻译得到上述提醒信息之后,在输出提醒信息之前,从数据库中获取用户信息,该用户信息包括身份信息和数据待转移信息中的至少一种,然后将该用户信息补充到提醒信息中。
在本申请实施例中,可以在数据库中获取用户信息,并将该用户信息补充到提醒信息中,使得提醒信息更加完整和符合当前场景名称。其中,用户信息包括身份信息和数据待转移信息中的至少一种,身份信息包括身份证号等身份标识,出生日期,姓名和银行卡卡号等,数据待转移信息包括待转移数值、待转移时间等,举例来说,假设数值转移指的是还款,那么数据待转移信息包含借款时间、借款金额、规定还款时间和分期还款期限等信息。
具体的,上述将用户信息补充到提醒信息指的是,通过对用户信息进行算数运算,得到提醒信息中的变量信息,然后通过嵌入变量,将变量信息嵌入到该提醒信息中。在提醒信息中预设有一些变量,若该变量中包含需要计算的变量(例如逾期时间和剩余待转移数值等),则AIML中的算数运算功能对上述用户信息进行计算(支持加减乘除等运算),得到需要的变量值,若上述提醒信息中包含不需要计算的变量,则直接从上述用户信息中获取需要的变量值,最后通过AIML嵌入变量的功能将变量值嵌入到提醒信息中,使得提醒信息更加完整和准确。
需要注意的是,本申请在AIML增加了嵌入变量和算数运算的标签,使得AIML能够生成更加完整和准确的提醒信息,这是现目前的AIML中所不具有的功能。以数值转移为还款为例,接下来将举例说明将用户信息补充到提醒信息之后的效果。
①从数据库中获取的提醒语句如下:
自动提醒装置:您好,我这边是贷后管理部,请问您是X先生吗?
用户:是我。
自动提醒装置:您在X年X月X日,通过办理了X元的借款已经逾期X天了,逾期可能会影响您的个人信用记录,并且导致罚息费用产生,所以跟您核实下还没处理的原因?
用户:现在就还。
自动提醒装置:您当期账单为X元,请您在今天X点之前将当期款项存入尾号为X的银行卡,或登陆APP操作催收。
用户:好的。
自动提醒装置:好的,那祝您生活愉快,再见。
②将用户信息补充到提醒语句之后,得到如下对话:
自动提醒装置:您好,我这边是贷后管理部,请问您是李四先生吗?
用户:是我
自动提醒装置:您2017年10月11日,通过办理了10000元的借款已经逾期3天了,逾期可能会影响您的个人信用记录,并且导致罚息费用产生,所以跟您核实下还没处理的原因?(//场景02-客户本人)
用户:现在就还。
自动提醒装置:您当期账单为1000元,请您在今天17点之前将当期款项存入尾号为1234的银行卡,或登陆APP操作催收。(//场景05-1,承诺当天催收)
用户:好的。
自动提醒装置:好的,那祝您生活愉快,再见。(//场景05-2-1,承诺催收无疑问)
在另一种可实施的实现方式中,在得到上述提醒信息之后,获取该提醒信息对应的场景名称对应的场景标识,然后将场景标识和场景名称保存在用户的提醒记录中。
在本申请实施例中,在确定上述目标语句对应的场景名称之后,获取该场景名称对应的场景标识,最后将该场景名称和场景标识记录在用户的提醒记录中,以方便后续管理人员查询提醒进度,以及对用户的信用进行评估等。
需要说明是,上述场景名称与对话编号的区别是场景名称通过人能直接读懂的字符进行表示,而对话编号通过机器能够识别,或者机器能够自行解析之后再识别的字符表示。于是将上述场景标识和场景名称记录在用户的提醒记录之后,管理人员等可以通过该提醒记录直接大致了解到当前的提醒进度,如果需要进一步详细了解具体的提醒进度,便可以在机器上查询提醒记录中的对话编号对应的详细信息,例如本端的自动提醒装置与用户的详细对话内容和对话时间等。
在另一种可实施的实现方式中,在上述获取场景名称对应的场景标识之后,获取上述场景名称对应的应对措施,生成包含场景标识、场景名称以及上述应对措施的反馈信息,并将该反馈信息发送给管理人员的终端设备,以提示管理人员执行上述应对措施。
除了可以将场景名称和场景标识保存在用户的提醒记录中方便管理人员日后查阅以外,本申请实施例还提供了一种方式可以及时将当前的提醒情况反馈给管理人员的方式,具体的,在获取到场景名称对应的场景标识之后,获取上述场景名称对应的应对措施,并生成包含上述场景名称、场景标识和上述应对措施的反馈信息,例如“张三正在与对话机器人进行对话,当前场景名称为‘承诺当天数值转移’,对话编号为‘05-1’,建议采取以下措施XX”,可见在将该反馈信息发送给发送给管理人员的终端设备之后,管理人员收到反馈信息之后可以及时了解的提醒进度,以及根据该反馈信息采取上述应对措施。需要说明的是,上述所举例的反馈信息只是一种举例,不应对本申请实施例中的反馈信息造成限定,反馈信息中还可以包含用户的标识和联系方式等。
需要说明的是,上述管理人员可以是所有管理人员,或者是上述用户的对接管理人,即不同的用户对应不同的管理人,该管理人通过查看用户的提醒记录或者第一时间接收用户的反馈信息,来随时掌握用户的数值转移的进度等,以方便管理人在线下进行提醒或者利用该提醒记录或者该反馈信息来评估用户的信用等,以随时调整用户可以享受的服务类别,该服务类别例如存储业务、转账业务和贷款业务等,本申请实施例对此不做限定。
在另一种可实施的实现方式中,在获取了场景名称对应的应对措施之后,在生成包含场景标识、场景名称以及应对措施的反馈信息之前,确定场景标识是否为预设场景标识,或者确定场景名称是否为预设场景名称,若确定用户的类别为预设类别,则执行上述生成包含场景标识和场景名称的反馈信息的步骤,其中,预设类别用于表示用户数值转移困难。其中,预设场景标识和预设场景名称分别为预设的表示数值转移困难的至少一个场景标识和至少一个场景名称。
本申请实施例是对上一个实施例的改进,本申请实施例在确定场景名称和场景标识之后,之后在确定该用户属于数值转移困难的用户之后,才生成上述包含场景名称和场景标识的反馈信息,并发送给管理人员。具体的,数据库中存放了场景名称或者场景标识与用户的类别对应的对照表,根据该对照表查找场景名称或者场景标识对应的类别作为上述用户的类别,若该用户的类别为预设类别,则生成包含上述反馈信息,并发送给管理人员。
需要说明的是,由于场景标识和场景名称是一一对应的,预设在确定数值转移是否困难的时候,只需要判断场景标识和场景名称中的任意一种是否为预设场景标识或者预设场景名称,便可以确定数值转移是否困难,于是本申请实施例在确定数值转移是否困难的时候,可以通过确定目标语句的场景标识是否为预设场景标识来进行确定,也可以通过确定目标语句的场景名称是否为预设场景名称来进行确定,且任选其中的一个方式即可,而不需要同时执行。
举例来说,随着数值转移的困难程度的递增,假设有三个场景名称,分别为第一场景名称,第二场景名称,第三场景名称,预设场景名称包括第二场景名称和第三场景名称,当目标语句的场景名称为第二场景名称或第三场景名称,则表示用户数值转移困难。
在本申请实施例中,通过信息交互界面接收目标语句,然后在确定目标语句中包含数值转移的趋向性信息的情况下,利用深度学习模型对该目标语句进行翻译,以翻译得到对应的提醒信息,最后在信息交互界面中输出该提醒信息,用户便可以按照该提醒信息的指示进行数值转移。根据以上描述的方案来看,本申请实施例至少包含以下四个方面的发明点:第一方面,本申请实施例通过人工智能建模语言(AIML,Artificial IntelligenceModelling Language)实现了自动提醒装置在与用户对话的过程中进行自动提醒;第二方面,因为用户的目标语句体现了用户愿意进行数值转移的趋向,于是深度学习模型针对该目标语句翻译得到的提醒信息结合了用户愿意进行数值转移的趋向,是适合当前对话场景的回答,能提高提醒的效率;第三方面,相对于规则匹配来说,利用深度学习模型来翻译目标语句能识别用户的更多语术,具体的,虽然本申请实施例的自动提醒方法是基于AIML的,但是却并没有采用AIML的规则匹配来生成提醒信息,而是采用了深度学习模型来对提醒信息进行翻译,从而得到更加精准的提醒信息,因为一般来说AIML是基于对话模板的匹配来实现机器与用户的对话,因而需要大量的对话库,在实际的开发过程中也需要考虑到全面的场景名称才能实现较好的对话体验,可见,本申请实施例利用深度学习模型来翻译目标语句,不需要十分庞大的数据库来存放匹配规则,也不需要人工扩充匹配规则,便能识别用户的更多语术,也大大提高翻译的速度和精准度,深度学习模型甚至还可以自我学习和优化;第四方面,本申请实施例中的深度学习模型与其他领域的深度学习模型不同,本申请实施例中的深度学习模型应用于金融领域,且具体涉及的是提醒业务。总的来说,本申请实施例提供了一种高效率的自动提醒方式。
参见图2,是本申请实施例提供另一种自动提醒方法的示意流程图,如图2所示自动提醒方法可包括:
201:通过信息交互界面接收目标语句,从该目标语句中提取数值转移的趋向性信息。
在本申请实施例中,自动提醒装置通过信息交互界面与用户进行聊天,并通过该信息交互界面接收用户输入的目标语句,在接收到目标语句之后,提取目标语句中与数值转移有关的趋向性信息,数值转移指的是有关于资产的数据调整操作,例如转账等操作,该趋向性信息为与数值转移有关的关键字符,例如转账、数值转移和银行账号等关键字符,具体来说,与数值转移有关指的是,趋向性信息的内容与数值转移有关,或者趋向性信息的格式与数值转移有关,所以该趋向性信息实质是与预设字符内容相匹配的关键字符,预设字符内容例如有字符、中文和数字等,或者该趋向性信息为与预设字符格式相匹配的关键字符,预设字符格式例如有日期格式和电话格式等,预设字符内容和预设字符格式都记载在数据库中。
需要说明的是,目标语句可以为用户输入的任意一句语句,或者用户最近一次输入的语句,自动提醒装置可以看做是聊天机器人,其功能是基于人工智能建模语言(AIML,Artificial Intelligence Modelling Language)来实现的,信息交互界面为自动提醒装置用于与用户进行数据交互的界面(例如对话框),可以是用户的终端设备的显示器上的显示界面上的信息交互界面,或者自动提醒装置的显示器上的显示界面上的信息交互界面等,本申请实施例对此不作限定。
可见,由于上述目标语句为用户输入的答复,于是当上述目标语句中包含数值转移的趋向性信息的时候,该目标语句可以反映用户当前的数值转移的进度和用户愿意进行数值转移的倾向程度等信息。
202:若上述目标语句中包含数值转移的趋向性信息,则使用深度学习模型对该目标语句进行翻译,得到对应的提醒信息。
在本申请申请实施例中,在确定上述目标语句包含数值转移的趋向性信息之后,使用深度学习模型对上述目标语句进行翻译得到提醒信息,该提醒信息用于指示用户按照该还款语句进行数值转移。由于目标语句反映了用户当前的数值转移的进度和用户愿意进行数值转移的倾向程度等信息,于是本申请实施例对目标语句翻译之后得到的提醒信息考虑到了用户当前的愿意进行数值转移的倾向程度,如果用户数值转移的意愿强烈,则该提醒信息用于指导用户数值转移的方式等,如果用户数值转移意愿薄弱,则该提醒信息不仅用于指导用户数值转移的方式,还用于通过比较强硬的语气告知用户不进行数值转移的后果等。其中,深度学习模型为卷积神经网络简介(CNN,Convolutional Neural Networks)、编码器-解码器(Seq2Seq,Sequence to Sequence),SGAN深度学习模型以及Dual Learning深度学习模型等中的任意一种。
需要说明的是,在使用深度学习模型对目标语句进行翻译之前,构建该深度学习模型。具体的,构建深度学习模型的框架,或者使用上述举例的任意一种框架作为本申请实施例中的深度学习模型的框架,然后利用训练样本对深度学习模型的框架不断进行训练,以调整模型的参数,使得模型最终能够正确翻译出目标语句对应的提醒信息。其中,训练样本包括用户输入的目标语句和用户输入的目标语句对应的提醒信息,上述利用训练样本对深度学习模型的框架进行训练指的是,先将训练样本中的目标语句输入到模型中,然后将模型翻译得到的提醒信息与训练样本中的正确的提醒信息进行对比,最后根据对比结果来对模型的参数进行调整,使得模型能够翻译的越来越准确。
还需要说明的是,由于本申请实施例中的深度学习模型是利用提醒领域的训练样本进行训练,于是本申请实施例中的深度学习模型其能够根据用户输入的目标语句,准确的翻译出本端的自动提醒装置的数据库中所包含的多个提醒信息中的一个,这与其他的深度学习模型不同。
在另外一种可实施的实现方式中,上述深度学习模型为seq2seq。其中,seq2seq是一个解码器-编码器(Encoder–Decoder)结构的网络,它的输入是一个序列,输出也是一个序列,Encoder将一个可变长度的信号序列变为固定长度的向量表达,Decoder将这个固定长度的向量变成可变长度的目标的信号序列。可见这个结构使得输入序列和输出序列的长度是可变的,于是seq2seq可以用于翻译,聊天机器人,句法分析,文本摘要等。其中编码解码的方式可以是循环神经网络(RNN,Recurrent Neural Network),卷积神经网络(CNN,convolutional neural network),长短期记忆网络(LSTM,Long Short-Term Memory)等。
相应的,在上述深度学习模型为seq2seq2的情况下,上述构建深度学习模型指的是,构建seq2seq的构架,利用金融领域的训练样本对seq2seq进行训练,先将问题信息输入到seq2seq中进行前向计算,计算得到seq2seq中的每个神经元的输出值,然后再将回复信息输入到seq2seq中,进行反向计算,得到每个神经元的误差项值,于是最后根据相应的误差项,重新确定seq2seq中每个权重的梯度,从而完成对seq2seq的训练。
在另一种可实施的实现方式中,所述深度学习模型为基于注意力机制的深度学习模型。
在本申请实施例中还可以在深度学习模型中引入注意力机制,接下来本申请实施例将以加入了注意力机制的seq2seq为例,来说明加入了注意力机制的深度学习模型。具体的,在引入注意力机制之前,seq2seq对目标语句中的每个词的关注度是一样的,这不符合人在读句子时的实际情况。因为一句话通常有几个词是关键的,可以涵盖这句话的意思。于是为了解决这个问题,本申请在seq2seq中引入了注意力机制,使得seq2seq在翻译的过程中给目标语句中不同的词予以不同程度的关注度,即给不同的词分配不同的权重,从而提高翻译的准确性。可见,本申请通过在seq2seq中引入注意力机制,可以进一步提高翻译的准确度。
举例来说,以数值转移为还款为例,在本申请的提醒场景中,seq2seq可以对下列对话中的加粗并含有下划线的词进行重点关注:
自动提醒装置:您好,我这边是贷后管理部,请问您是赵丽丽小姐吗?
用户:是我。
自动提醒装置:您在2018年1月15日,通过办理了20000元的借款已经逾期2天了,逾期可能会影响您的个人信用记录,并且导致罚息费用产生,所以跟您核实下还没处理的原因?
用户:现在就还。
自动提醒装置:您当期账单为2000元,请您在今天17点之前将当期款项存入尾号为4491的银行卡,或登陆APP操作还款。
用户:好的。
自动提醒装置:好的,那祝您生活愉快,再见。
203:从数据库中获取用户信息,该用户信息包括身份信息和数据待转移信息中的至少一种。
在本申请实施例中,可以在数据库中获取用户信息,用户信息包括身份信息和数据待转移信息中的至少一种,身份信息包括身份证号等身份标识,出生日期,姓名和银行卡卡号等,数据待转移信息包括待转移数值、待转移时间等,举例来说,假设数值转移指的是还款,那么数据待转移信息包含借款时间、借款金额、规定还款时间和分期还款期限等信息。
204:对上述用户信息进行算数运算,得到上述提醒信息中的变量信息。
在本申请实施例中,在获取到上述用户信息之后,对上述用户信息进行算数运算,以得到上述提醒信息中的变量信息。上述算数运算有例如支持加减乘除等运算,上述对用户信息进行算数运算指的是,利用AIML中的算数运算功能对上述用户信息进行计算(例如计算逾期时间,剩余还款金额和滞纳金等),得到需要的变量信息,同样的,有些变量信息不需要进行算数运算,则针对于这类变量信息则可以通过直接获取用户信息来得到。
205:将上述变量信息嵌入到上述提醒信息中。
在本申请实施例中,提醒信息中预设有一些变量,于是在得到上述变量信息之后,将该变量信息补充到提醒信息中,使得提醒信息更加完整和符合当前场景名称。
需要注意的是,本申请在AIML增加了嵌入变量和算数运算的标签,使得AIML能够生成更加完整和准确的提醒信息,这是现目前的AIML中所不具有的功能。以数值转移为还款为例,接下来将举例说明将用户信息补充到提醒信息之后的效果。
①从数据库中获取的提醒语句如下:
自动提醒装置:您好,我这边是贷后管理部,请问您是X先生吗?
用户:是我。
自动提醒装置:您在X年X月X日,通过办理了X元的借款已经逾期X天了,逾期可能会影响您的个人信用记录,并且导致罚息费用产生,所以跟您核实下还没处理的原因?
用户:现在就还。
自动提醒装置:您当期账单为X元,请您在今天X点之前将当期款项存入尾号为X的银行卡,或登陆APP操作催收。
用户:好的。
自动提醒装置:好的,那祝您生活愉快,再见。
②将用户信息补充到提醒语句之后,得到如下对话:
自动提醒装置:您好,我这边是贷后管理部,请问您是李四先生吗?
用户:是我
自动提醒装置:您2017年10月11日,通过办理了10000元的借款已经逾期3天了,逾期可能会影响您的个人信用记录,并且导致罚息费用产生,所以跟您核实下还没处理的原因?(//场景02-客户本人)
用户:现在就还。
自动提醒装置:您当期账单为1000元,请您在今天17点之前将当期款项存入尾号为1234的银行卡,或登陆APP操作催收。(//场景05-1,承诺当天催收)
用户:好的。
自动提醒装置:好的,那祝您生活愉快,再见。(//场景05-2-1,承诺催收无疑问)
206:输出嵌入了上述变量信息的提醒信息。
在本申请实施例中,在将上述变量信息嵌入到上述提醒信息中之后,在信息交互界面中输出该嵌入了上述变量信息的提醒信息。
在另一种可实施的实现方式中,在得到上述提醒信息之后,获取该提醒信息对应的场景名称对应的场景标识,然后将场景标识和场景名称保存在用户的提醒记录中。
在本申请实施例中,在确定上述目标语句对应的场景名称之后,获取该场景名称对应的场景标识,最后将该场景名称和场景标识记录在用户的提醒记录中,以方便后续管理人员查询提醒进度,以及对用户的信用进行评估等。
需要说明是,上述场景名称与对话编号的区别是场景名称通过人能直接读懂的字符进行表示,而对话编号通过机器能够识别,或者机器能够自行解析之后再识别的字符表示。于是将上述场景标识和场景名称记录在用户的提醒记录之后,管理人员等可以通过该提醒记录直接大致了解到当前的提醒进度,如果需要进一步详细了解具体的提醒进度,便可以在机器上查询提醒记录中的对话编号对应的详细信息,例如本端的自动提醒装置与用户的详细对话内容和对话时间等。
在另一种可实施的实现方式中,在上述获取场景名称对应的场景标识之后,获取上述场景名称对应的应对措施,生成包含场景标识、场景名称以及上述应对措施的反馈信息,并将该反馈信息发送给管理人员的终端设备,以提示管理人员执行上述应对措施。
除了可以将场景名称和场景标识保存在用户的提醒记录中方便管理人员日后查阅以外,本申请实施例还提供了一种方式可以及时将当前的提醒情况反馈给管理人员的方式,具体的,在获取到场景名称对应的场景标识之后,获取上述场景名称对应的应对措施,并生成包含上述场景名称、场景标识和上述应对措施的反馈信息,例如“张三正在与对话机器人进行对话,当前场景名称为‘承诺当天数值转移’,对话编号为‘05-1’,建议采取以下措施XX”,可见在将该反馈信息发送给发送给管理人员的终端设备之后,管理人员收到反馈信息之后可以及时了解的提醒进度,以及根据该反馈信息采取上述应对措施。需要说明的是,上述所举例的反馈信息只是一种举例,不应对本申请实施例中的反馈信息造成限定,反馈信息中还可以包含用户的标识和联系方式等。
需要说明的是,上述管理人员可以是所有管理人员,或者是上述用户的对接管理人,即不同的用户对应不同的管理人,该管理人通过查看用户的提醒记录或者第一时间接收用户的反馈信息,来随时掌握用户的数值转移的进度等,以方便管理人在线下进行提醒或者利用该提醒记录或者该反馈信息来评估用户的信用等,以随时调整用户可以享受的服务类别,该服务类别例如存储业务、转账业务和贷款业务等,本申请实施例对此不做限定。
在另一种可实施的实现方式中,在获取了场景名称对应的应对措施之后,在生成包含场景标识、场景名称以及应对措施的反馈信息之前,确定场景标识是否为预设场景标识,或者确定场景名称是否为预设场景名称,若确定用户的类别为预设类别,则执行上述生成包含场景标识和场景名称的反馈信息的步骤,其中,预设类别用于表示用户数值转移困难。其中,预设场景标识和预设场景名称分别为预设的表示数值转移困难的至少一个场景标识和至少一个场景名称。
本申请实施例是对上一个实施例的改进,本申请实施例在确定场景名称和场景标识之后,之后在确定该用户属于数值转移困难的用户之后,才生成上述包含场景名称和场景标识的反馈信息,并发送给管理人员。具体的,数据库中存放了场景名称或者场景标识与用户的类别对应的对照表,根据该对照表查找场景名称或者场景标识对应的类别作为上述用户的类别,若该用户的类别为预设类别,则生成包含上述反馈信息,并发送给管理人员。
需要说明的是,由于场景标识和场景名称是一一对应的,预设在确定数值转移是否困难的时候,只需要判断场景标识和场景名称中的任意一种是否为预设场景标识或者预设场景名称,便可以确定数值转移是否困难,于是本申请实施例在确定数值转移是否困难的时候,可以通过确定目标语句的场景标识是否为预设场景标识来进行确定,也可以通过确定目标语句的场景名称是否为预设场景名称来进行确定,且任选其中的一个方式即可,而不需要同时执行。
举例来说,随着数值转移的困难程度的递增,假设有三个场景名称,分别为第一场景名称,第二场景名称,第三场景名称,预设场景名称包括第二场景名称和第三场景名称,当目标语句的场景名称为第二场景名称或第三场景名称,则表示用户数值转移困难。
本申请实施例不仅更加详细的描述了上一个申请实施例的方案,还详细描述了将用户信息补充到提醒信息中的步骤,具体的,先在数据库中获取用户信息,然后通过嵌入到AIML中的计算功能对用户信息进行计算,得到变量信息,最后通过嵌入到AIML中的嵌入功能将上述变量信息嵌入到提醒信息中,使得提醒信息更加完整和准确。可见,本申请实施例不仅使用了对深度学习模型来生成提醒信息,还利用AIML来对生成的提醒信息进行完善,使得提醒信息更加的完整和准确,从大大提高了提醒的效率。
需要说明的是,上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本申请实施例还提供一种自动提醒装置,该自动提醒装置用于执行前述任一项的自动提醒方法的单元。具体地,参见图3,是本申请实施例提供的一种自动提醒装置的示意框图。本实施例的自动提醒装置包括:接收单元301、提取单元302、翻译单元303以及输出单元304。具体的:
接收单元301,用于通过信息交互界面接收目标语句;提取单元302,用于从上述目标语句中提取数值转移的趋向性信息;翻译单元303,用于若上述目标语句中包含数值转移的趋向性信息,则使用深度学习模型对上述目标语句进行翻译,得到对应的提醒信息,上述提醒信息包含数值转移的提示信息;输出单元304,用于输出上述提醒信息。
在另一种可实施的实现方式中,上述自动提醒装置还包括构建单元305,用于构建上述深度学习模型的框架;上述自动提醒装置还包括训练单元306,用于利用训练样本对上述深度学习模型的框架进行训练,得到上述深度学习模型,上述训练样本包括用户输入的目标语句和上述用户输入的目标语句对应的提醒信息。
在另一种可实施的实现方式中,上述自动提醒装置还包括获取单元307,用于从数据库中获取用户信息,上述用户信息包括身份信息和数据待转移信息中的至少一种;上述自动提醒方式还包括运算单元308,用于对上述用户信息进行算数运算,得到上述提醒信息中的变量信息;上述自动提醒方式还包括嵌入单元309,用于将上述变量信息嵌入到上述提醒信息中。
在另一种可实施的实现方式中,上述获取单元307还用于获取上述提醒信息对应的场景名称和场景标识;上述自动提醒装置还包括保存单元310,用于将上述场景标识和上述场景名称保存在上述用户的提醒记录中。
在另一种可实施的实现方式中,上述获取单元307,还用于获取上述场景名称对应的应对措施;上述自动提醒装置还包括生成单元311,用于生成包含上述场景标识、上述场景名称以及上述应对措施的反馈信息;上述自动提醒装置还包括发送单元312,用于将上述反馈信息发送给管理人员的终端设备,以提示上述管理人员执行上述应对措施。
在另一种可实施的实现方式中,上述深度学习模型为解码器-编码器。
在另一种可实施的实现方式中,上述深度学习模型为基于注意力机制的深度学习模型。
在本申请实施例中,接收单元通过信息交互界面接收目标语句,然后在提取单元提取到目标语句中的数值转移的趋向性信息的情况下,翻译单元利用深度学习模型对该目标语句进行翻译,以翻译得到对应的提醒信息,最后输出单元在信息交互界面中输出该提醒信息,用户便可以按照该提醒信息的指示进行数值转移。根据以上描述的方案来看,本申请实施例至少包含以下四个方面的发明点:第一方面,本申请实施例通过人工智能建模语言(AIML,Artificial Intelligence Modelling Language)实现了自动提醒装置在与用户对话的过程中进行自动提醒;第二方面,因为用户的目标语句体现了用户愿意进行数值转移的趋向,于是深度学习模型针对该目标语句翻译得到的提醒信息结合了用户愿意进行数值转移的趋向,是适合当前对话场景的回答,能提高提醒的效率;第三方面,相对于规则匹配来说,利用深度学习模型来翻译目标语句能识别用户的更多语术,具体的,虽然本申请实施例的自动提醒方法是基于AIML的,但是却并没有采用AIML的规则匹配来生成提醒信息,而是采用了深度学习模型来对提醒信息进行翻译,从而得到更加精准的提醒信息,因为一般来说AIML是基于对话模板的匹配来实现机器与用户的对话,因而需要大量的对话库,在实际的开发过程中也需要考虑到全面的场景名称才能实现较好的对话体验,可见,本申请实施例利用深度学习模型来翻译目标语句,不需要十分庞大的数据库来存放匹配规则,也不需要人工扩充匹配规则,便能识别用户的更多语术,也大大提高翻译的速度和精准度,深度学习模型甚至还可以自我学习和优化;第四方面,本申请实施例中的深度学习模型与其他领域的深度学习模型不同,本申请实施例中的深度学习模型应用于金融领域,且具体涉及的是提醒业务。总的来说,本申请实施例提供了一种高效率的自动提醒方式。
参见图4,是本申请另一实施例提供的一种自动提醒装置示意框图。如图所示的本实施例中的自动提醒装置可以包括:一个或多个处理器410、通信接口420、输入设备430、输出设备440和存储器450。上述处理器410、输入设备430、输出设备440和存储器450通过总线460连接。存储器450用于存储计算机程序,计算机程序包括程序指令,处理器410用于执行存储器450存储的程序指令。具体的:
通信接口420,用于执行接收单元301的功能,用于通过信息交互界面接收目标语句;还用于执行输出单元304的功能,用于输出上述提醒信息。
可选的,上述自动提醒装置还包括输入设备430,用于执行接收单元301的功能,用于用于通过信息交互界面接收目标语句;上述自动提醒装置还包括输出设备440,用于执行输出单元304的功能,用于输出上述提醒信息。
处理器410,用于执行提取单元302的功能,用于从上述目标语句中提取数值转移的趋向性信息;还用于执行翻译单元303的功能,用于用于若上述目标语句中包含数值转移的趋向性信息,则使用深度学习模型对上述目标语句进行翻译,得到对应的提醒信息,上述提醒信息包含数值转移的提示信息。
在另一种可实施的实现方式中,上述处理器410还用于执行构建单元305的功能,用于构建上述深度学习模型的框架;上述处理器410还用于执行训练单元306的功能,用于利用训练样本对上述深度学习模型的框架进行训练,得到上述深度学习模型,上述训练样本包括用户输入的目标语句和上述用户输入的目标语句对应的提醒信息。
在另一种可实施的实现方式中,上述处理器410还用于执行获取单元307的功能,用于从数据库中获取用户信息,上述用户信息包括身份信息和数据待转移信息中的至少一种;上述处理器410还用于执行运算单元308的功能,用于对上述用户信息进行算数运算,得到上述提醒信息中的变量信息;上述处理器410还用于执行嵌入单元309的功能,用于将上述变量信息嵌入到上述提醒信息中。
在另一种可实施的实现方式中,上述处理器410还用于获取上述提醒信息对应的场景名称和场景标识;上述处理器410还用于执行保存单元310的功能,用于将上述场景标识和上述场景名称保存在上述用户的提醒记录中。
在另一种可实施的实现方式中,上述处理器410还用于获取上述场景名称对应的应对措施;上述处理单元还用于执行生成单元311的功能,用于生成生成包含上述场景标识、上述场景名称以及上述应对措施的反馈信息;上述通信接口420,还用于执行发送单元312的功能,用于将上述反馈信息发送给管理人员的终端设备,以提示上述管理人员执行上述应对措施。
在另一种可实施的实现方式中,所述深度学习模型为解码器-编码器。
在另一种可实施的实现方式中,所述深度学习模型为基于注意力机制的深度学习模型。
应当理解,在本申请实施例中,所称处理器410可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器450可以包括只读存储器和随机存取存储器,并向处理器410提供指令和数据。存储器450的一部分还可以包括非易失性随机存取存储器。例如,存储器450还可以存储设备类型的信息。
具体实现中,本申请实施例中所描述的处理器410可执行本申请实施例提供的自动提醒方法的第一实施例和第二实施例中所描述的实现方式,也可执行本申请实施例所描述的自动提醒装置的实现方式,在此不再赘述。
在本申请的另一实施例中提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令被处理器执行。
计算机可读存储介质可以是前述任一实施例的自动提醒装置的内部存储单元,例如自动提醒装置的硬盘或内存。计算机可读存储介质也可以是自动提醒装置的外部存储设备,例如自动提醒装置上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括自动提醒装置的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序以及自动提醒装置所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同自动提醒方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的自动提醒装置和单元的具体工作过程,可以参考前述自动提醒方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的自动提醒装置和自动提醒方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,自动提醒装置,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于人工智能标记语言的自动提醒方法,其特征在于,包括:
通过信息交互界面接收目标语句,从所述目标语句中提取数值转移的趋向性信息;
若所述目标语句中包含数值转移的趋向性信息,则使用深度学习模型对所述目标语句进行翻译,得到对应的提醒信息,所述提醒信息包含数值转移的提示信息;
输出所述提醒信息。
2.根据权利要求1所述的方法,其特征在于,所述使用深度学习模型对所述目标语句进行翻译,得到对应的提醒信息之前,还包括:
构建所述深度学习模型的框架;
利用训练样本对所述深度学习模型的框架进行训练,得到所述深度学习模型,所述训练样本包括用户输入的目标语句和所述用户输入的目标语句对应的提醒信息。
3.根据权利要求1所述的方法,其特征在于,所述使用深度学习模型对所述目标语句进行翻译,得到对应的提醒信息之后,输出所述提醒信息之前,还包括:
从数据库中获取用户信息,所述用户信息包括身份信息和数据待转移信息中的至少一种;
对所述用户信息进行算数运算,得到所述提醒信息中的变量信息;
将所述变量信息嵌入到所述提醒信息中。
4.根据权利要求1所述的方法,其特征在于,所述使用深度学习模型对目标语句进行翻译,得到对应的提醒信息之后,还包括:
获取所述提醒信息对应的场景名称和场景标识;
将所述场景标识和所述场景名称保存在所述用户的提醒记录中。
5.根据权利要求4所述的方法,其特征在于,所述获取所述提醒信息对应的场景名称和场景标识之后,还包括:
获取所述场景名称对应的应对措施;
生成包含所述场景标识、所述场景名称以及所述应对措施的反馈信息;
将所述反馈信息发送给管理人员的终端设备,以提示所述管理人员执行所述应对措施。
6.根据权利要求1至5所述的方法,其特征在于,所述深度学习模型为解码器-编码器。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述深度学习模型为基于注意力机制的深度学习模型。
8.一种自动提醒装置,其特征在于,包括:
接收单元,用于通过信息交互界面接收目标语句;
提取单元,用于从所述目标语句中提取数值转移的趋向性信息;
翻译单元,用于若所述目标语句中包含数值转移的趋向性信息,则使用深度学习模型对所述目标语句进行翻译,得到对应的提醒信息,所述提醒信息包含数值转移的提示信息;
输出单元,用于输出所述提醒信息。
9.一种自动提醒装置,其特征在于,包括处理器、通信接口、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述通信接口用于与其他终端设备进行数据交互,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,用以执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机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使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910421283.XA CN110222150A (zh) | 2019-05-20 | 2019-05-20 | 一种自动提醒方法、自动提醒装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910421283.XA CN110222150A (zh) | 2019-05-20 | 2019-05-20 | 一种自动提醒方法、自动提醒装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222150A true CN110222150A (zh) | 2019-09-10 |
Family
ID=67821521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910421283.XA Pending CN110222150A (zh) | 2019-05-20 | 2019-05-20 | 一种自动提醒方法、自动提醒装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222150A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112138388A (zh) * | 2020-09-15 | 2020-12-29 | 北京智明星通科技股份有限公司 | 一种多人组队游戏的游戏提醒方法、系统及游戏服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020161699A1 (en) * | 2001-04-27 | 2002-10-31 | Fujitsu Limited | Method of invitation to alteration of contract of cash loan for consumption |
CN106557576A (zh) * | 2016-11-24 | 2017-04-05 | 百度在线网络技术(北京)有限公司 | 基于人工智能的提示信息推荐方法以及装置 |
CN109493074A (zh) * | 2018-10-29 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于即时通讯的记账方法、装置、设备及介质 |
CN109514586A (zh) * | 2019-01-30 | 2019-03-26 | 第四范式(北京)技术有限公司 | 实现智能客服机器人的方法及系统 |
CN109766355A (zh) * | 2018-12-28 | 2019-05-17 | 上海汇付数据服务有限公司 | 一种支持自然语言的数据查询方法和系统 |
-
2019
- 2019-05-20 CN CN201910421283.XA patent/CN110222150A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020161699A1 (en) * | 2001-04-27 | 2002-10-31 | Fujitsu Limited | Method of invitation to alteration of contract of cash loan for consumption |
CN106557576A (zh) * | 2016-11-24 | 2017-04-05 | 百度在线网络技术(北京)有限公司 | 基于人工智能的提示信息推荐方法以及装置 |
CN109493074A (zh) * | 2018-10-29 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于即时通讯的记账方法、装置、设备及介质 |
CN109766355A (zh) * | 2018-12-28 | 2019-05-17 | 上海汇付数据服务有限公司 | 一种支持自然语言的数据查询方法和系统 |
CN109514586A (zh) * | 2019-01-30 | 2019-03-26 | 第四范式(北京)技术有限公司 | 实现智能客服机器人的方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112138388A (zh) * | 2020-09-15 | 2020-12-29 | 北京智明星通科技股份有限公司 | 一种多人组队游戏的游戏提醒方法、系统及游戏服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106776936B (zh) | 智能交互方法和系统 | |
CN107992543A (zh) | 问答交互方法和装置、计算机设备及计算机可读存储介质 | |
CN109033068A (zh) | 基于注意力机制的用于阅读理解的方法、装置和电子设备 | |
CN105408891B (zh) | 用于多用户多语言通信的系统和方法 | |
CN109977207A (zh) | 对话生成方法、对话生成装置、电子设备及存储介质 | |
CN110162767A (zh) | 文本纠错的方法和装置 | |
CN110110062A (zh) | 机器智能问答方法、装置与电子设备 | |
CN109922213A (zh) | 语音咨询时的数据处理方法、装置、存储介质及终端设备 | |
CN110309299B (zh) | 通信防诈骗方法、装置、计算机可读介质及电子设备 | |
CN109492221A (zh) | 一种基于语义分析的信息回复方法及可穿戴设备 | |
CN116680093A (zh) | 基于LLM的web应用优化系统及服务实现方法和系统 | |
CN112632244A (zh) | 一种人机通话的优化方法、装置、计算机设备及存储介质 | |
CN110489747A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
CN109284979A (zh) | 业务处理方法、装置、电子设备和存储介质 | |
CN108632137A (zh) | 应答模型训练方法、智能聊天方法、装置、设备及介质 | |
CN110059178A (zh) | 问题派发方法及装置 | |
CN113128196A (zh) | 文本信息处理方法及其装置、存储介质 | |
CN114118451A (zh) | 智能交互模型的训练方法、交互方法、装置及设备 | |
CN117251547A (zh) | 用户提问应答方法及其装置、设备、介质 | |
CN113486166B (zh) | 智能客服机器人的构建方法、装置、设备以及存储介质 | |
CN110046344A (zh) | 添加分隔符的方法及终端设备 | |
CN110222150A (zh) | 一种自动提醒方法、自动提醒装置及计算机可读存储介质 | |
CN110222151A (zh) | 一种自动提醒方法、自动提醒装置及计算机可读存储介质 | |
CN113486174A (zh) | 模型训练、阅读理解方法、装置、电子设备及存储介质 | |
CN117332054A (zh) | 表格问答处理方法、装置及设备 |
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 |