CN111046162A - 信息处理方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种信息处理方法、装置及电子设备，通过获取由具有关联关系的节点组成的第一信息；将第一信息转换为特定信息格式的目标信息，以使得所述评价模型对所述目标信息进行处理，获得与所述第一信息对应的评价信息，并输出所述评价信息。实现了可以通过评价模型对不同的节点组成的信息进行有效评价，并且可以对信息进行格式转换，也实现了能够处理不同格式的信息，提升了处理设备对信息进行评价处理的处理效率和精度。

Description

信息处理方法、装置及电子设备

技术领域

本申请涉及信息处理技术领域，更具体的说是涉及一种信息处理方法、装置及电子设备。

背景技术

随着信息技术的发展，智能设备能够越多越多地辅助用户的生活和学习，因此，运维人员会将越来越多的流程序列添加到智能设备中，以便于其能够产生更多的智能应用。

但是，在现有技术中无法有效地对添加的流程序列进行评价，更多的是依靠人为进行评价，并且由于不同流程序列对应的编写语言不同，造成无法利用统一的方式进行评价处理，使得现有技术中利用处理设备对流程序列进行评价的效率较低且精准度不高。

发明内容

有鉴于此，本申请提供如下技术方案：

一种信息处理方法，包括：

获取第一信息，所述第一信息由具有关联关系的节点组成；

依据特定信息格式的转换条件，将所述第一信息转换为目标信息；

利用预创建的评价模型对所述目标信息进行处理，获得与所述第一信息对应的评价信息，其中，所述评价模型为通过样本信息训练获得的神经网络模型，所述样本信息为日志数据转换得到的，所述日志数据的节点与所述第一信息的节点具有特定对应关系；

输出所述评价信息。

可选地，所述方法还包括训练所述评价模型，包括：

将获取到的日志数据，依据特定信息格式的转换条件转换为样本信息；

确定所述样本信息中每个样本信息对应的评价信息；

基于所述样本信息以及每个样本信息对应的评价信息，训练神经网络模型得到评价模型。

可选地，所述方法还包括：

按照特定拆分条件对所述第一信息进行节点拆分，得到拆分后的节点，所述特征拆分条件表征拆分后的每个节点能够实现第一信息部分信息的功能；

对拆后的节点进行类型统计，将同一类型的节点进行归类，得到所述第一信息的多个节点。

可选地，所述依据特定信息格式的转换条件，将所述第一信息转换为目标信息，包括：

为第一信息的每个节点匹配与特定信息格式对应的节点标签；

依据所述节点标签，生成目标信息。

可选地，所述基于所述样本信息以及每个样本信息对应的评价信息，训练神经网络模型得到评价模型，包括：

确定每个样本信息的节点标签；

确定所述样本信息的每个节点标签对应的评价信息；

基于所述样本信息、节点标签以及每个节点标签对应的评价信息，训练神经网络模型得到评价模型。

可选地，所述方法还包括：

利用预创建的评价模型对所述第一信息进行节点分级评价，获得目标节点，所述目标节点为根据所述预创建的评价模型确定出的第一信息中的关键节点；

输出所述目标节点，以使得能够获得与所述目标节点相匹配的信息，来更新所述第一信息。

可选地，所述将所述第一信息转换为特定信息格式的目标信息，包括：

利用预创建的处理模型，对所述第一信息进行处理，得到与所述第一信息相匹配的目标信息，所述处理模型为通过格式样本信息训练获得的神经网络模型，所述格式样本信息的每个样本信息包括第二信息和标注的与所述第二信息对应的特定格式的目标信息。

可选地，所述特定格式包括信息描述格式，所述方法还包括：

获取信息描述格式的信息；

将所述信息描述格式的信息输入至所述预创建的处理模型，获得与所述信息描述格式的信息相匹配的第三信息。

一种信息处理装置，包括：

信息获取单元，用于获取第一信息，所述第一信息由具有关联关系的节点组成；

转换单元，用于依据特定信息格式的转换条件，将所述第一信息转换为目标信息；

处理单元，用于利用预创建的评价模型对所述目标信息进行处理，获得与所述第一信息对应的评价信息，其中，所述评价模型为通过样本信息训练获得的神经网络模型，所述样本信息为日志数据转换得到的，所述日志数据的节点与所述第一信息的节点具有特定对应关系；

输出单元，用于输出所述评价信息。

一种电子设备，包括：

存储器，用于存储程序；

处理器，用于执行所述程序，所述程序具体用于：

获取第一信息，所述第一信息由具有关联关系的节点组成；

依据特定信息格式的转换条件，将所述第一信息转换为目标信息；

利用预创建的评价模型对所述目标信息进行处理，获得与所述第一信息对应的评价信息，其中，所述评价模型为通过样本信息训练获得的神经网络模型，所述样本信息为日志数据转换得到的，所述日志数据的节点与所述第一信息的节点具有特定对应关系；

输出所述评价信息。

经由上述的技术方案可知，本申请公开一种信息处理方法、装置及电子设备，通过获取由具有关联关系的节点组成的第一信息；将第一信息转换为特定信息格式的目标信息，以使得所述评价模型对所述目标信息进行处理，获得与所述第一信息对应的评价信息，并输出所述评价信息。实现了可以通过评价模型对不同的节点组成的信息进行有效评价，并且可以对信息进行格式转换，也实现了能够处理不同格式的信息，提升了处理设备对信息进行评价处理的处理效率和精度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供了一种智能客服的人机交互的场景示意图；

图2为本申请实施例提供的一种信息处理方法的流程示意图；

图3为本申请实施例提供的评价模型训练过程的场景示意图；

图4为本申请实施例提供的一种信息处理装置的结构示意图。

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，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

目前通过智能会话系统能够进行人机会话。例如，将智能会话系统应用于电子设备中，如将智能会话系统以APP(应用程序)的方式安装在电子设备中，当电子设备运行该APP时可以使得用户通过电子设备进行人机会话。对应的，智能会话系统也可以是电子设备中安装的业务APP中的一个会话流程。如，在购物APP中会有与智能客服进行交流的会话流程。使得越来越多的智能会话系统、用户和客户端使用智能客服来解决问题，智能客服运维人员为了能够使得智能客服流程满足场景需求，会对智能客服流程进行添加或者修改。而对智能客服流程的评价信息能够促使智能客服运维人员，更好地维护智能客服流程。在本申请实施例中实现了对智能客服流程的自动评级，能够提升运营人员对智能客服流程的运维效率，提升用户的体验效果。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

参见图1，其示出了本申请实施例提供的一种智能客服的人机交互的场景示意图，在该场景100中，用户可以与智能客服进行人机交互。参见图1，用户与智能客服的信息交互过程如下：

用户：您好。

智能客服：您好，请问有什么可以帮助您？

用户：我想查找一下我的包裹的物流信息。

智能客服：请问是哪一个包裹？

用户：包裹编号123**456。

智能客服：该包裹9月6日由城市A发出，9月7日到达城市B分拣中心，9月8日到达目的地网点，正在派送。

上述智能客服与用户进行交互的整个流程信息是本申请实施例中需要进行处理的信息。下面对该信息处理过程进行详细说明。

参见图2，其示出了本申请实施例提供的一种信息处理方法的流程示意图，该方法可以包括以下步骤：

S201、获取第一信息。

第一信息由具有关联关系的节点组成。在本申请实施例中的第一信息是可以进行节点划分的信息，即其是包括若干个节点组成的信息。而该第一信息中的节点是具有一定关联关系的节点。该关联关系可以表征各个节点之间的关联关系，也可以表征各个节点与第一信息之间的关联关系。如，关联关系表征各个节点之间的关联关系时，可以是各个节点之间的先后顺序或者因果关系等。关联关系表征各个节点与第一信息之间的关联关系时，即各个节点组合后能够反映该第一信息的完整的语义。

以第一信息为智能客服会话流程为例，该智能客服会话流程会包括若干个节点，而每个节点通过彼此之间的联系实现了该智能客服会话流程的功能。具体的，可以参见图1中所示智能客服会话流程，其中包括的节点可以概括为“打招呼”、“询问问题”“反问”这三个节点，对应的“打招呼”的节点呈现给用户的信息为“您好”；“询问问题”的节点呈现给用户的信息为“请问有什么可以帮助您”；“反问”的节点呈现给用户的信息为“请问是哪一个包裹”。

S202、依据特定信息格式的转换条件，将第一信息转换为目标信息。

S203、利用预创建的评价模型对目标信息进行处理，获得第一信息对应的评价信息。

第一信息可以是运维人员根据场景需要进行编写的流程信息，由于编写语言的格式不同，或者对第一信息的运行场景不同，会使得对第一信息在进行评价的过程中，无法利用一个统一的方式进行评价，只能人工进行评价，或者需要专业的人员进行分析后评价。

在本申请实施例中对第一信息进行评价时利用了统一的评价模型，而为了便于评价模型对第一信息的评价处理，需要将第一信息转换为目标信息。在转换过程中依据了特定信息格式的转换条件，该特定信息格式的转换条件表征了转换称为目标信息的转换条件。而目标信息需要作为评价模型的输入信息，则该该转换条件实质上是与评价模型的数据处理格式相匹配的。

例如，评价模型实现的是对自然语言的处理，则需要将第一信息转换为自然语言。具体的，可以将第一信息的各个节点类比于自然语言中的字母(或单词)，从而整个第一信息可以认为是一种自然语言。具体的，对第一信息转换为目标信息的处理流程将在本申请后续的实施例中进行详细说明。

在将第一信息转换为目标信息之后，利用预创建的评价模型对目标信息进行处理，获得与第一信息对应的评价信息。其中，评价模型为通过样本信息训练获得的神经网络模型。而训练该神经网络模型的样本信息为日志数据转换得到的，该日志数据的节点与第一信息的节点具有特定对应关系。日志数据来源于第一信息的应用系统或者应用程序。若第一信息表征智能客服与用户的会话流程，则日志信息可以来源于智能客服应用和系统中的数据加载。需要说明的是，该日志数据中包括了用户对智能客服的会话流程的评价。即智能交互APP为例，通过获取该APP的数据来分析用户日志，找出用户对流程进行的评价。并且，日志数据的节点与第一信息的节点具有特定对应关系，该对应关系可以是日志数据的节点与第一信息的节点在节点划分时是利用的同一处理方式，或者日志数据的节点与第一信息的节点具有相同的分类条件，又或者日志数据的节点与第一信息的节点具有包含或者被包含的关系，也可以是日志数据的节点与第一信息的节点来源于同一节点数据库。从而说明评价模型的样本信息的来源数据日志数据与第一信息属性相同，即都可以转换成目标信息的格式，都由具有关联关系的节点组成。

然后将日志数据转换为目标信息的信息格式。将该日志数据作为样本信息，在对神经网络进行训练时，可以将该样本信息分为训练集和测试集，然后对神经网络进行训练，得到评价模型，评价模型可以利用分类算法如决策树、逻辑回归、朴索贝叶斯、神经网络、支持向量机SVM(Support Vector Machine)、K最近邻KNN(k-NearestNeighbor)等算法实现建模。例如，将这些样本信息作为分类算法SVM或KNN的输入样本数据，并进行模型训练，从而构造出分类器，即评价模型，将以上采集的需要进行评价的第一信息输入到该评价模型中进行处理，从而得到针对该第一信息的评价信息。

S204、输出评价信息。

评价信息可以与第一信息进行匹配输出。在智能客服应用场景中，可以对每一个会话流程进行评价，从而可以辅助运维人员根据评价结果对添加或者修改的会话流程进行再次确认，或者改进。

需要说明的是，可以在运维人员每生成一个会话流程，就通过评价模型对该流程进行评价，然后将评价信息展示在该流程对应的位置，使得运维人员可以实时获得生成的流程的评价信息。也可以在对生成的流程进行测试的过程中输出评价信息。该评价信息可以在当前的电子设备进行输出，也可以输出到指定的电子设备，即只要为评价信息设定对应的输出路径即可。

本申请实施例公开了一种信息处理方法，通过获取由具有关联关系的节点组成的第一信息；将第一信息转换为特定信息格式的目标信息，以使得所述评价模型对所述目标信息进行处理，获得与所述第一信息对应的评价信息，并输出所述评价信息。实现了可以通过评价模型对不同的节点组成的信息进行有效评价，并且可以对信息进行格式转换，也实现了能够处理不同格式的信息，提升了处理设备对信息进行评价处理的处理效率和精度。

为了便于描述，在下面的各个实施例的说明中将第一信息作为智能客服应用场景中智能客服会话流程进行描述。下面具体对本申请实施例中的评价模型进行说明，参见图3，其示出了本申请实施例的评价模型训练过程的场景示意图，该训练过程包括：

从服务器301获取日志数据302，该日志数据302可以包括历史用户对智能客服会话流程的评价信息，也可以包括目标用户或者目标用户群对特定智能客服会话流程的评价信息，即日志数据302中不仅包括了智能客服会话流程还包括了与之对应的评价信息。可以根据应用场景的需要选择特定的用户、或者特定的会话流程作为训练样本，使得训练得到的模型可以应用于对整个智能客服、某些目标用户、特定会话流程的评价。

在获得了日志数据302后，将日志数据302依据特定信息格式的转换条件转换为样本信息303，其中，特定信息格式的转换条件与转换成的样本信息的信息格式或者信息处理模式相匹配。然后将样本信息与评价信息进行匹配。将样本信息以及每个样本信息对应的评价信息作为模型的输入，即将标注有评价信息的样本信息作为训练模型的输入，例如，输入到卷积神经网络304(Convolutional Neural Networks，CNN)中进行训练，得到评价模型305。

需要说明的是，该过程可以应用机器学习方法，即采用及其学习方法建立第一信息对应的分类器，该分类器的作用是对第一信息进行特征提取，然后将特征分类到对应的评价信息，从而得到与第一信息对应的评价信息。所述机器学习方法包括：人工神经网络方法、支持向量机方法、决策树方法、贝叶斯方法、随机森林方法、逻辑回归方法。在具体实施的过程中，还可以采用不同的机器学习方法建立同一所述样本信息对应的分类器；例如，可以建立人工神经网络方法的分类器，建立贝叶斯方法的分类器，建立随机森林方法的分类；然后将准确率最高的分类器作为所述第一信息所对应的分类器。

由于在本申请实施例中第一信息是由具有关联关系的节点组成，因此，还可以对第一信息进行节点拆分，来获得其组成节点。在实际应用过程中，若需要对第一信息进行调试和修改，无需进行整个信息的修改，可以修改对应的节点信息。

具体的，在本申请实施例还提供了一种信息拆分的方法，该方法可以包括以下步骤：

S401、按照特定拆分条件对第一信息进行节点拆分，得到拆分后的节点；

S402、对拆分后的节点进行类型统计，将同一类型的节点进行归类，得到第一信息的多个节点。

其中，特定拆分条件表征拆分后的每个节点能够实现第一信息部分信息功能。

例如，第一信息表征的是智能客服会话流程，可以将该智能客服会话流程进行节点拆分，将每个子功能对应的流程确定为一个节点。如，表征问候信息的节点、表征提问信息的节点、表征反问信息的节点、表征请求评价的节点等等。为了便于对信息的分析，需要对拆分后的节点按照类型进行统计，当然也可以按照其他统计条件进行统计，如，按照节点的修改时间等。这样可以实现对节点的归类，便于后续的应用和分析。

具体的，所述依据特定信息格式的转换条件，将第一信息转换为目标信息，包括：

S501、为第一信息的每个节点匹配与特定信息格式对应的节点标签；

S502、依据节点标签，生成目标信息。

在获得了第一信息之后，对第一信息进行拆分，得到第一信息的各个节点，然后将节点按照类型进行统计，给每一种类型的节点分别设定一个与目标信息格式相匹配的标签。例如，目标信息表征自然语言的格式。则可以为第一信息的每一种类型的节点设置一个编号，而这些编号相当于自然语言中的字母(或者单词)，那么第一信息就可以转换为类似自然语言中的文章的格式。这样可以将流程节点作为单词，整个流程作为一句话，根据自然语言处理，用来评价流程的好坏。

在一些实施例中，所述基于所述样本信息以及每个样本信息对应的评价信息，训练神经网络模型得到评价模型，包括：

确定每个样本信息的节点标签；

确定每个样本信息的节点标签对应的评价信息；

基于样本信息、节点标签以及每个节点标签对应的评价信息，训练神经网络模型得到评价模型。

例如，将智能客服的流程节点表征为一种新的语言，按照文章自动分级的方式对智能客服流程进行自动评级，方便对智能客服运营人员添加的流程进行评价考核，提高智能客服运营人员的积极性，提高智能客服的满意程度。

具体的，通过分析用户日志，找出用户对智能客服流程进行的评价；然后将流程节点按照类型进行统计，给每一种类型分别设定一个标签，将这些标签类比于语言中的字母，那么就可以将一个流程表征为一篇文章，然后可以为流程设定级别，按照文章分级的思想进行训练，得到的评价模型，可以输出各个流程以及每个流程中的节点的评价信息。

为了便于运维人员对智能客服流程的管控，在本申请实施例中还可以对流程进行节点分级评价。具体的该过程包括：

S601、利用预创建的评价模型对第一信息进行节点分级评价，获得目标节点；

S602、输出目标节点，以使得能够获得与目标节点相匹配的信息，来更新第一信息。

目标节点为根据预创建的评价模型确定出的第一信息的关键节点。由于评价模型可以根据第一信息中的各个节点对应的流程信息得到对各个节点的评价信息，若评价信息满足某个特定条件，则表征该节点为第一信息中的关键节点。例如，评价信息表征用户对该节点的满意程度，若得到某个节点的评价信息表征用户该节点的满意程度较差，则将该节点确定为目标节点，即第一信息的关键节点。然后，可以使得运维人员在获得了该目标节点后，来进行该节点对应的流程信息的更改，即获取与该目标节点的匹配信息，从而实现完善整个第一信息，即完善整个智能客服交互流程。

例如，运维人员设计了一套智能客服交互流程，其中，包括打招呼节点、提问节点和反问节点，将该智能客服交互流程输入至评价模型，得到的打招呼节点的评分较低，则运维人员可以获知该节点对应的具体流程信息不满足用户的实际需求，或者使得用户体验效果较差，然后会修改该节点对应的流程信息。例如，原来打招呼节点对应的流程信息为用户发出打招呼信息，智能客服直接生成问题。对应可以修改为在收到用户的打招呼信息后，先进行打招呼信息的反馈，然后生成问题。

对应的，将第一信息转换为特定信息格式的目标信息时，也可以利用预创建的处理模型，对第一信息进行处理，得到与第一信息相匹配的目标信息。其中，处理模型为通过格式样本信息训练获得神经网络模型。所述格式样本信息的每个样本信息和标注的与所述第二信息对应的特定格式的目标信息。即通过机器学习的方法，学习原信息格式与目标信息格式之间的特征，从而可以通过神经网络模型自动完成格式转换的过程，对于处理模型的创建过程，可以依据评价模型的创建过程作为参考，在该实施例不进行追溯。

需要说明的是，在创建处理模型的时候，其学习的目标信息的格式可以根据实际需求进行样本选取，即样本中的信息格式直接影响了处理模型可以完成的格式信息的转换过程。

在一些实施例中，特定格式包括信息描述格式，该方法还包括：

获取信息描述格式的信息；

将信息描述格式的信息输入至预创建的处理模型，获得与信息描述格式的信息相匹配的第三信息。

在智能客服应用场景中，若无法得到一个完整的会话流程，可以根据需求生成一个对该会话流程的描述信息，然后输入到该预创建的处理模型中，根据其描述信息可以得到对应的第三信息，即与该描述信息相匹配的会话流程。例如，信息描述格式的信息为“针对用户的物流信息查询的会话”，将该描述信息输入至处理模型，得到的第三信息为流程序列{打招呼、提问、反问、查询}。

下面以具体的应用场景对本申请实施例提供的信息处理方法进行说明。

在其中的一个应用场景中，实现了对智能客服流程的评价。在该场景中，首先统计智能客服的日志中，用户对智能客服进行评价的流程，然后统计每种流程用户的评价信息，如用户的好评数目，此处只是一个示例性说明，包括但不限定于用户的好评，还可以包括其他形式的评价方式。然后，依据用户的评价信息来评价流程的好坏。当得到这些统计数据之后，可以基于专家和相关人员进行级别划分。每种流程都可以设定一个级别。将流程节点类比于字母，流程序列则可以认为是一种语言。那么对流程的评级可以当做一种标签，可以构建<流程序列，标签>的样本信息。然后就可以按照文章分级的相关算法构建评价模型，对流程进行分级，即获得评价信息。其中，文章分级的相关算法包括但不局限于分类的算法、机器学习、深度学习以及上述算法的组合方式。

例如，当智能客服运营人员添加完成<“打招呼”、“询问问题”、“反问机型”、“推出答案”>这流程序列之后，可以将流程序列转换为评价模型能够识别的方式，如采用特征向量的方式，然后模型经过计算之后，输出这个流程序列的评价信息，或者评价级别。

在该场景中将智能客服的流程节点看作是一种新的语言，按照文章自动分级的方式对智能客服流程进行自动评级，方便对智能客服运营人员添加的流程进行评价考核，提高智能客服运营人员的积极性，提高智能客服的满意度。

在另一个应用场景中，还可以根据本申请实施例提供的信息处理方法，对添加的流程序列进行关键流程节点的提取。具体的，通过分析用户日志，找出所有智能客服会话流程，将流程节点按照类型进行统计，给每一种类型分别设定一个编号，将这些编号表征为语言中的字母，从而使得一个流程序列可以表征为一句话，使用提取关键词的方式训练模型，提取关键词，也就是流程关键节点。使得智能客服运营人员在添加完成流程序列后，提取关键流程节点。

具体的，当将流程序列表征为一个句子时，可以生成包括所有“句子”的语料库，使用自然语言处理中的提取关键词的相关算法进行提取。如采用TF-IDF的方式。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜索引擎应用，作为文件与用户查询之间相关程度的度量或评级。除了TF-IDF以外，因特网上的搜索引擎还会使用基于链接分析的评级方法，以确定文件在搜寻结果中出现的顺序。具体的，TF-IDF算法的过程为：计算词频，对应于该应用场景是计算流程节点在流程序列中的出现次数，然后计算逆文档频率，再计算词频与逆文档频率的乘积，得到TF-IDF，实现提取了流程序列中的关键节点。

举例说明，智能客服运营人员在添加完一个“连接wifi“的流程序列之后，智能客服流程关键节点模型会先将这个流程中的相关节点转化为TF-IDF模型能够识别的形式，然后在传入到模型中进行关键节点的提取，在这里提取出了“反问机型”这个节点为关键节点，符合智能客服运营人员的预期，将这个结果告知测试人员，方便测试人员准备好相关的测试数据。

通过将智能客服的流程节点看作是一种新的语言，按照自然语言中的提取关键词的相关算法，在智能客服运营人员添加完一个流程序列后，提取流程序列中的关键流程节点，方便智能客服运营人员查看，也方便相关测试人员对新添加的流程序列测试，提高智能客服的满意度。

在又一个应用场景中，还可以根据本申请实施例提供的信息处理方法，实现智能客服运维人员通过自然语言描述自动生成相关流程序列的过程。该过程包括：

通过分析用户日志，找出智能客服运营人员对相关流程的描述和对应的完整流程；将流程节点按照类型(或其他形式)进行统计，给每一种类型分别赋予一个编号；将这些编号类比于语言中的字母(或者单词)，将其表示是目标语言，将智能客服运营人员对流程序列的描述表示是源语言，按照序列到序列的相关算法进行训练，得到模型；在智能客服运营人员在自然语言描述完成后，将该描述信息输入到模型中生成相关的流程序列。

将流程节点按照类型(或其他形式)进行统计，给每一种类型分别赋予一个编号。将这些编号类比于语言中的字母(或者单词)，可以认为流程序列是一种自然语言，那么一个流程序列就是一个“句子”。这个“句子”和其相关描述是一个“句子对”，也就是<源语言，目标语言>。而这些“句子对”就是语料库。我们就可以通过序列到序列的方式(包括不限于RNN，Transformer等)进行训练。在智能客服运营人员完成对流程的自然语言描述之后，智能客服生成模块将自然语言描述预处理之后，送入模型中，模型就会通过序列到序列的方式产生出来多个流程序列。智能客服流程过滤模块，会将这些智能客服流程中的明显不满足要求的排除掉。如果还有多个的话，智能客服流程排序模块会对这些流程进行排序，从中选取出最佳的多个。

例如，智能客服运营人员输入“这是一个连接wifi的流程”，首先将这句话转换为模型能够识别的形式(这里包括不限于向量的形式)，就会通过序列到序列的方式生成多个流程序列。过滤模块会过滤不符合要求的流程序列。过滤之后的模块会进入到排序模块进行相关排序。

该场景实施例通过将智能客服的流程节点表示为语言当中的字母，那么流程节点就是一种新的语言，通过序列到序列的方式生成相关流程，实现智能客服运营人员通过自然语言描述从而自动生成相关流程，提高运营人员的可操作性，提高智能客服的满意度。

对应的，在本申请实施例还提供了一种信息处理装置，参见图4，该装置包括：

信息获取单元701，用于获取第一信息，所述第一信息由具有关联关系的节点组成；

转换单元702，用于依据特定信息格式的转换条件，将所述第一信息转换为目标信息；

处理单元703，用于利用预创建的评价模型对所述目标信息进行处理，获得与所述第一信息对应的评价信息，其中，所述评价模型为通过样本信息训练获得的神经网络模型，所述样本信息为日志数据转换得到的，所述日志数据的节点与所述第一信息的节点具有特定对应关系；

输出单元704，用于输出所述评价信息。

在上述实施例的基础上，所述装置还包括第一训练单元，用于训练所述评价模型；所述第一训练单元包括：

转换子单元，用于将获取到的日志数据，依据特定信息格式的转换条件转换为样本信息；

确定子单元，用于确定所述样本信息中每个样本信息对应的评价信息；

训练子单元，用于基于所述样本信息以及每个样本信息对应的评价信息，训练神经网络模型得到评价模型。

在上述实施例的基础上，所述装置还包括：

节点拆分单元，用于按照特定拆分条件对所述第一信息进行节点拆分，得到拆分后的节点，所述特定拆分条件表征拆分后的每个节点能够实现第一信息部分信息的功能；

节点统计单元，用于对拆分后的节点进行类型统计，将同一类型的节点进行归类，得到所述第一信息的多个节点。

在上述实施例的基础上，所述转换单元具体用于：

为第一信息的每个所述节点匹配与特定信息格式对应的节点标签；

依据所述节点标签，生成目标信息。

在上述实施例的基础上，所述第一训练子单元具体用于：

确定每个样本信息的节点标签；

确定所述样本信息的每个节点标签对应的评价信息；

基于所述样本信息、节点标签以及每个节点标签对应的评价信息，训练神经网络模型得到评价模型。

在上述实施例的基础上，所述装置还包括：

分级评价子单元，用于利用预创建的评价模型对所述第一信息进行节点分级评价，获得目标节点，所述目标节点为根据所述预创建的评价模型确定出的第一信息中的关键节点；

节点输出子单元，用于输出所述目标节点，以使得能够获得与所述目标节点相匹配的信息，来更新所述第一信息。

在上述实施例的基础上，所述转换单元具体用于：

利用预创建的处理模型，对所述第一信息进行处理，得到与所述第一信息相匹配的目标信息，所述处理模型为通过格式样本信息训练获得的神经网络模型，所述格式样本信息的每个样本信息包括第二信息和标注的与所述第二信息对应的特定格式的目标信息。

在上述实施例的基础上，所述特定格式包括信息描述格式，所述装置还包括：

获取子单元，用于获取信息描述格式的信息；

模型处理子单元，用于将所述信息描述格式的信息输入至所述预创建的处理模型，获得与所述信息描述格式的信息相匹配的第三信息。

在本申请实施例中还提供了一种一种电子设备，包括：

存储器，用于存储程序；

处理器，用于执行所述程序，所述程序具体用于：

获取第一信息，所述第一信息由具有关联关系的节点组成；

依据特定信息格式的转换条件，将所述第一信息转换为目标信息；

利用预创建的评价模型对所述目标信息进行处理，获得与所述第一信息对应的评价信息，其中，所述评价模型为通过样本信息训练获得的神经网络模型，所述样本信息为日志数据转换得到的，所述日志数据的节点与所述第一信息的节点具有特定对应关系；

输出所述评价信息。

所述程序还用于执行上述任一实施例中描述的信息处理方法以及与所述信息处理方法相关联的步骤和方法。

在本申请实施例中还提供了一种存储介质，所述存储介质存储有计算机程序代码，所述计算机程序代码执行时实现如上任意一项所述的信息处理方法。

该存储介质是指计算机存储介质，其可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种信息处理方法，包括：

获取第一信息，所述第一信息由具有关联关系的节点组成；

依据特定信息格式的转换条件，将所述第一信息转换为目标信息；

利用预创建的评价模型对所述目标信息进行处理，获得与所述第一信息对应的评价信息，其中，所述评价模型为通过样本信息训练获得的神经网络模型，所述样本信息为日志数据转换得到的，所述日志数据的节点与所述第一信息的节点具有特定对应关系；

输出所述评价信息。

2.根据权利要求1所述的方法，所述方法还包括训练所述评价模型，包括：

将获取到的日志数据，依据特定信息格式的转换条件转换为样本信息；

确定所述样本信息中每个样本信息对应的评价信息；

基于所述样本信息以及每个样本信息对应的评价信息，训练神经网络模型得到评价模型。

3.根据权利要求1所述的方法，所述方法还包括：

按照特定拆分条件对所述第一信息进行节点拆分，得到拆分后的节点，所述特定拆分条件表征拆分后的每个节点能够实现第一信息部分信息的功能；

对拆分后的节点进行类型统计，将同一类型的节点进行归类，得到所述第一信息的多个节点。

4.根据权利要求3所述的方法，所述依据特定信息格式的转换条件，将所述第一信息转换为目标信息包括：

为第一信息的每个所述节点匹配与特定信息格式对应的节点标签；

依据所述节点标签，生成目标信息。

5.根据权利要求2所述的方法，所述基于所述样本信息以及每个样本信息对应的评价信息，训练神经网络模型得到评价模型，包括：

确定每个样本信息的节点标签；

确定所述样本信息的每个节点标签对应的评价信息；

基于所述样本信息、节点标签以及每个节点标签对应的评价信息，训练神经网络模型得到评价模型。

6.根据权利要求5所述的方法，所述方法还包括：

利用预创建的评价模型对所述第一信息进行节点分级评价，获得目标节点，所述目标节点为根据所述预创建的评价模型确定出的第一信息中的关键节点；

输出所述目标节点，以使得能够获得与所述目标节点相匹配的信息，来更新所述第一信息。

7.根据权利要求1所述的方法，所述将所述第一信息转换为特定信息格式的目标信息，包括：

利用预创建的处理模型，对所述第一信息进行处理，得到与所述第一信息相匹配的目标信息，所述处理模型为通过格式样本信息训练获得的神经网络模型，所述格式样本信息的每个样本信息包括第二信息和标注的与所述第二信息对应的特定格式的目标信息。

8.根据权利要求7所述的方法，所述特定格式包括信息描述格式，所述方法还包括：

获取信息描述格式的信息；

将所述信息描述格式的信息输入至所述预创建的处理模型，获得与所述信息描述格式的信息相匹配的第三信息。

9.一种信息处理装置，包括：

信息获取单元，用于获取第一信息，所述第一信息由具有关联关系的节点组成；

转换单元，用于依据特定信息格式的转换条件，将所述第一信息转换为目标信息；

处理单元，用于利用预创建的评价模型对所述目标信息进行处理，获得与所述第一信息对应的评价信息，其中，所述评价模型为通过样本信息训练获得的神经网络模型，所述样本信息为日志数据转换得到的，所述日志数据的节点与所述第一信息的节点具有特定对应关系；

输出单元，用于输出所述评价信息。

10.一种电子设备，包括：

存储器，用于存储程序；

处理器，用于执行所述程序，所述程序具体用于：

获取第一信息，所述第一信息由具有关联关系的节点组成；

依据特定信息格式的转换条件，将所述第一信息转换为目标信息；

利用预创建的评价模型对所述目标信息进行处理，获得与所述第一信息对应的评价信息，其中，所述评价模型为通过样本信息训练获得的神经网络模型，所述样本信息为日志数据转换得到的，所述日志数据的节点与所述第一信息的节点具有特定对应关系；

输出所述评价信息。

Images