CN111291170A - 一种基于智能客服的会话推荐方法及相关装置 - Google Patents

一种基于智能客服的会话推荐方法及相关装置 Download PDF

Info

Publication number
CN111291170A
CN111291170A CN202010067135.5A CN202010067135A CN111291170A CN 111291170 A CN111291170 A CN 111291170A CN 202010067135 A CN202010067135 A CN 202010067135A CN 111291170 A CN111291170 A CN 111291170A
Authority
CN
China
Prior art keywords
session
conversation
target
matching
reply information
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
Application number
CN202010067135.5A
Other languages
English (en)
Other versions
CN111291170B (zh
Inventor
童丽霞
张宇楠
雷植程
杨念民
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010067135.5A priority Critical patent/CN111291170B/zh
Publication of CN111291170A publication Critical patent/CN111291170A/zh
Application granted granted Critical
Publication of CN111291170B publication Critical patent/CN111291170B/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
    • 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
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种基于智能客服的会话推荐方法及相关装置，用于人工智能领域。本申请方法包括：获取历史会话集合；基于目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合；根据相似会话集合从样本库中获取候选回复信息集合；基于历史会话集合以及候选回复信息集合，通过第二匹配模型获取K个匹配分值；将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息。由于在输出匹配分值的过程中，考虑到了历史会话集合与候选回复集合之间的交互特征，从而在文本表征上具有更多的信息量，进而提升了智能问答的匹配能力，并且有利于实现精确匹配。

Description

一种基于智能客服的会话推荐方法及相关装置
技术领域
本申请涉及人工智能领域，尤其涉及一种基于智能客服的会话推荐方法及相关装置。
背景技术
智能客服相较于传统的人工客服方式，可以实现昼夜和节假日的全天候服务，分流人工客服负担，有效降低企业客服领域的运营成本。尽管智能客服越来越盛行，解决能力不断提升，但是由于技术的局限性，机器还无法达到完全思考的能力，人工仍无法被完全取代，在客服行业依然处于重要的地位。
目前，智能客服可以利用多视图(Multi-view)模型输出的内容作为答复，即直接将多轮问答语句合并为一个较长的文本，然后采用类似于“_SOS_”这样的分隔符分割文本内的连接处，最后对整句话进行编码，进行单轮的智能问答匹配。
然而，现有的智能问答匹配方式在文本表征上较为单一，将整个历史对话(即多轮问答语句)视为一个整体，从而忽略了历史对话中的内部特征，导致智能问答的匹配能力较差，并且降低了智能答复的准确性。
发明内容
本申请实施例提供了一种基于智能客服的会话推荐方法及相关装置，用于在输出匹配分值的过程中，考虑到了历史会话集合与候选回复集合之间的交互特征，从而在文本表征上具有更多的信息量，进而提升了智能问答的匹配能力，并且有利于实现精确匹配。
有鉴于此，本申请第一方面提供一种基于智能客服的会话推荐方法，包括：
获取历史会话集合，其中，历史会话集合包括至少一轮会话，且每轮会话包括至少一个句子信息，至少一轮会话包括当前轮次所对应的目标会话；
基于目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，其中，待匹配会话集合包括N个待匹配会话，相似会话集合包括K个相似会话，N为大于或等于1的整数，K为大于或等于1，且小于或等于N的整数；
根据相似会话集合从样本库中获取候选回复信息集合，其中，候选回复信息集合包括K个候选回复信息，且候选回复信息与相似会话具有对应关系；
基于历史会话集合以及候选回复信息集合，通过第二匹配模型获取K个匹配分值，其中，每个匹配分值对应一个候选回复信息；
将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，其中，目标匹配分值为K个匹配分值中的最大值。
本申请第二方面提供一种基于智能客服的会话推荐方法，包括：
获取历史会话集合，其中，历史会话集合包括至少一轮会话，且每轮会话包括至少一个句子信息，至少一轮会话包括当前轮次所对应的目标会话；
基于目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，其中，待匹配会话集合包括N个待匹配会话，相似会话集合包括K个相似会话，N为大于或等于1的整数，K为大于或等于1，且小于或等于N的整数；
根据相似会话集合从样本库中获取候选回复信息集合，其中，候选回复信息集合包括K个候选回复信息，且候选回复信息与相似会话具有对应关系；
基于历史会话集合以及候选回复信息集合，通过第二匹配模型获取K个匹配分值，其中，每个匹配分值对应一个候选回复信息；
将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，其中，目标匹配分值为K个匹配分值中的最大值；
向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息，且当第一客户端接收会话选择指令时，第一客户端向第二客户端发送推荐回复信息。
本申请第三方面提供一种会话推荐装置，包括：
获取模块，用于获取历史会话集合，其中，历史会话集合包括至少一轮会话，且每轮会话包括至少一个句子信息，至少一轮会话包括当前轮次所对应的目标会话；
获取模块，还用于基于目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，其中，待匹配会话集合包括N个待匹配会话，相似会话集合包括K个相似会话，N为大于或等于1的整数，K为大于或等于1，且小于或等于N的整数；
获取模块，还用于根据相似会话集合从样本库中获取候选回复信息集合，其中，候选回复信息集合包括K个候选回复信息，且候选回复信息与相似会话具有对应关系；
获取模块，还用于基于历史会话集合以及候选回复信息集合，通过第二匹配模型获取K个匹配分值，其中，每个匹配分值对应一个候选回复信息；
确定模块，用于将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，其中，目标匹配分值为K个匹配分值中的最大值。
在一种可能的设计中，在本申请实施例的第三方面的一种实现方式中，会话推荐装置还包括处理模块，
获取模块，还用于从样本库中获取待匹配会话集合的待匹配会话，其中，待匹配会话包括至少一个句子信息；
处理模块，用于对待匹配会话中的各个句子信息进行拼接处理，得到第一句子信息，其中，第一句子信息包括至少一个词语信息；
获取模块，还用于对目标会话中的各个句子信息进行拼接处理，得到第二句子信息，其中，第二子信息包括至少一个词语信息；
获取模块，具体用于：
基于待匹配会话对应的第一句子信息，通过第一匹配模型获取第一句子向量；
基于目标会话对应的第二句子信息，通过第一匹配模型获取第二句子向量；
基于第一句子向量以及第二句子向量，通过第一匹配模型输出待匹配会话与目标会话之间的目标相似度；
若目标相似度满足相似会话提取条件，则将待匹配会话确定为相似会话集合中的一个相似会话。
在一种可能的设计中，在本申请实施例的第三方面的另一实现方式中，会话推荐装置还包括排序模块，
排序模块，用于对目标相似度以及(N-1)个相似度进行从高至低排序，得到相似度序列，其中，(N-1)个相似度为待匹配会话集合中(N-1)个待匹配会话与目标会话之间的相似度；
获取模块，还用于从相似度序列中获取前K个相似度；
确定模块，还用于若目标相似度属于前K个相似度，则确定目标相似度满足相似会话提取条件；
确定模块，还用于若目标相似度不属于前K个相似度，则确定目标相似度不满足相似会话提取条件。
在一种可能的设计中，在本申请实施例的第三方面的另一实现方式中，
确定模块，还用于若目标相似度大于或等于相似性度量阈值，则确定目标相似度满足相似会话提取条件；
确定模块，还用于若目标相似度小于相似性度量阈值，则确定目标相似度不满足相似会话提取条件。
在一种可能的设计中，在本申请实施例的第三方面的另一实现方式中，
获取模块，具体用于：
基于历史会话集合以及候选回复信息集合中的候选回复信息，通过第二匹配模型所包括的输入层获取历史会话集合所对应的第一词向量特征集合，以及候选回复信息所对应的第二词向量特征，其中，第一词向量特征集合包括至少一个第一词向量特征，第一词向量特征与历史会话集合中的会话具有对应关系；
基于第一词向量特征集合以及第二词向量特征，通过第二匹配模型所包括的表示层获取第一词向量特征集合所对应的第一注意力值集合，以及第二词向量特征所对应的第二注意力值，其中，第一注意力值集合包括至少一个第一注意力值；
基于第一注意力值集合以及第二注意力值，通过第二匹配模型所包括的匹配层获取交互矩阵集合，其中，交互矩阵集合包括至少一个交互矩阵；
基于交互矩阵集合，通过第二匹配模型所包括的组合层获取匹配特征；
基于匹配特征，第二匹配模型所包括的输出层获取候选回复信息所对应的匹配分值。
在一种可能的设计中，在本申请实施例的第三方面的另一实现方式中，
获取模块，具体用于：
基于历史会话集合中的目标会话，通过第二匹配模型所包括的输入层获取目标会话所对应的第一词向量特征，其中，目标会话包括j个句子信息，第一词向量特征包括j个词向量子特征，j为大于或等于1的整数；
基于候选回复信息集合中的候选回复信息，通过第二匹配模型所包括的输入层获取第二词向量特征。
在一种可能的设计中，在本申请实施例的第三方面的另一实现方式中，
获取模块，具体用于：
基于第一词向量特征的j个词向量子特征，通过第二匹配模型所包括的编码层获取目标会话所对应的第一编码向量，其中，第一编码向量包括j个元素，编码层属于表示层；
基于第二词向量特征，通过第二匹配模型所包括的编码层获取第二编码向量；
基于目标会话所对应的第一编码向量，通过第二匹配模型所包括的注意力层，获取目标会话所对应的第一注意力值；
基于第二编码向量，通过第二匹配模型所包括的注意力层，获取第二注意力值。
在一种可能的设计中，在本申请实施例的第三方面的另一实现方式中，
获取模块，具体用于：
基于目标会话所对应的第一编码向量以及第二编码向量，通过第二匹配模型所包括的卷积层获取L个匹配矩阵，其中，卷积层属于匹配层，L为大于或等于1的整数；
基于目标会话所对应的第一注意力值、第二注意力值以及L个匹配矩阵，通过第二匹配模型所包括的匹配层获取目标会话所对应的交互矩阵。
在一种可能的设计中，在本申请实施例的第三方面的另一实现方式中，会话推荐装置还包括发送模块，
发送模块，用于向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息，且当第一客户端接收会话选择指令时，第一客户端向第二客户端发送推荐回复信息。
在一种可能的设计中，在本申请实施例的第三方面的另一实现方式中，会话推荐装置还包括接收模块，生成模块以及添加模块，
发送模块，还用于向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息；
接收模块，用于接收第一客户端发送的目标推荐回复信息；
生成模块，用于根据目标推荐回复信息与历史会话集合生成更新样本，其中，目标推荐回复信息与历史会话集合之间具有对应关系；
添加模块，用于将更新样本添加至样本库。
本申请第四方面提供一种会话推荐装置，包括：
获取模块，用于获取历史会话集合，其中，历史会话集合包括至少一轮会话，且每轮会话包括至少一个句子信息，至少一轮会话包括当前轮次所对应的目标会话；
获取模块，还用于基于目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，其中，待匹配会话集合包括N个待匹配会话，相似会话集合包括K个相似会话，N为大于或等于1的整数，K为大于或等于1，且小于或等于N的整数，
获取模块，还用于根据相似会话集合从样本库中获取候选回复信息集合，其中，候选回复信息集合包括K个候选回复信息，且候选回复信息与相似会话具有对应关系；
获取模块，还用于基于历史会话集合以及候选回复信息集合，通过第二匹配模型获取K个匹配分值，其中，每个匹配分值对应一个候选回复信息；
确定模块，用于将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，其中，目标匹配分值为K个匹配分值中的最大值；
发送模块，用于向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息，且当第一客户端接收会话选择指令时，第一客户端向第二客户端发送推荐回复信息。
本申请的第五方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例中，提供了一种基于智能客服的会话推荐方法，首先需要获取包括至少一轮会话的历史会话集合，然后基于目标会话以及样本库中已存储的包括N个待匹配会话的待匹配会话集合，通过第一匹配模型获取包括K个相似会话的相似会话集合，再根据相似会话集合从样本库中获取包括K个候选回复信息的候选回复信息集合，最后将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，该目标匹配分值为K个匹配分值中的最大值。通过上述方式，采用了两种不同模式的匹配模型进行会话的推荐，即先使用第一匹配模型筛选出候选回复信息集合，再使用第二匹配模型输出匹配分值，基于匹配分值选择合适的推荐回复信息，由此可见，在输出匹配分值的过程中，考虑到了历史会话集合与候选回复信息集合之间的交互特征，从而在文本表征上具有更多的信息量，进而提升了智能问答的匹配能力，并且有利于实现精确匹配。
附图说明
图1为本申请实施例中会话推荐系统的一个架构示意图；
图2为本申请实施例中基于智能客服的会话推荐方法一个实施例示意图；
图3为本申请实施例中基于第二匹配模型获取匹配分值一个流程示意图；
图4为本申请实施例中基于第二匹配模型获取匹配分值另一流程示意图；
图5为本申请实施例中基于第二匹配模型获取匹配分值另一流程示意图；
图6为本申请实施例中基于第二匹配模型获取匹配分值另一流程示意图；
图7为本申请实施例中基于智能客服的会话推荐方法另一实施例示意图；
图8为本申请实施例中基于智能客服的会话推荐方法一个流程示意图；
图9为本申请实施例中基于智能客服的会话推荐方法一个实施例示意图；
图10为本申请实施例中会话推荐装置一个实施例示意图；
图11为本申请实施例中会话推荐装置一个实施例示意图；
图12为本申请实施例中服务器一个实施例示意图。
具体实施方式
本申请实施例提供了基于智能客服的会话推荐方法及相关装置，用于在输出匹配分值的过程中，考虑到了历史会话集合与候选回复集合之间的交互特征，从而在文本表征上具有更多的信息量，进而提升了智能问答的匹配能力，并且有利于实现精确匹配。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应理解，本申请实施例可以应用于基于智能客服对会话进行处理的场景中，其中客服即为客户服务(Customer Service)，客户服务又可以包括但不限于文字客服、视频客服以及语音客服，文字客服表示以打字聊天的形式进行的客户服务，视频客服表示以语音视频的形式进行客户服务，语音客服表示以移动电话的形式进行的客服服务。本申请实施例中，将以文字客服为示例进行说明，应理解，在实际应用中，本实施例中所提供的智能客服的会话推荐方法还可以应用于视频客服以及语音客服。
以应用于售前服务的会话进行处理作为一个示例进行说明，售前服务可以包括但不限于提供产品说明书以及提供咨询服务等，当客户有对产品的说明书提出需求时，在进行会话处理时则需要根据客户的具体需求提供对应的说明书，当客户对产品进行咨询时，例如产品的用途，产品具体尺寸以及产品送至客户目的地所需时间的类似咨询服务，在进行会话处理时则需要根据客户的具体问题提供响应的会话处理。
以应用于售后服务的会话进行处理作为另一示例进行说明，售前服务可以包括但不限于送货、安装、产品退换、维修、保养以及使用技术培训等方面的服务，当商品售出后，客户可以对产品的送货进度、商品的安装提出问题，而产品送达至客户指定目的地后，客户还可以对产品进行退换，或者申请产品的维修以及保养，以上都需要对会话进行处理，以及时回复客户的问题以及需求。
目前，由于传统人工客服较难以全天候的服务实现对客户会话处理，而智能客服相较于传统的人工客服方式，可以实现昼夜和节假日的全天候服务，分流人工客服负担，还可以有效降低企业客服领域的运营成本。智能客服可以利用多视图(Multi-view)模型输出的内容作为答复，即直接将多轮问答语句合并为一个较长的文本，然后采用类似于“_SOS_”这样的分隔符分割文本内的连接处，最后对整句话进行编码，进行单轮的智能问答匹配。尽管智能客服越来越盛行，解决能力不断提升，但是由于技术的局限性，智能问答匹配方式在文本表征上较为单一，将整个历史对话(即多轮问答语句)视为一个整体，从而忽略了历史对话中的内部特征，导致智能问答的匹配能力较差，并且降低了智能答复的准确性。
为了在上述场景中，提升智能问答的匹配能力，并实现精确匹配，本申请提出了一种基于智能客服的会话推荐方法，该方法应用于图1所示的会话处理系统，请参阅图1，图1为本申请实施例中会话推荐系统的一个架构示意图，如图所示，会话推荐系统中包括服务器和终端设备。而会话推荐装置可以部署于服务器，也可以部署于具有较高计算力的终端设备，下面将以会话推荐装置部署于服务器为例进行介绍。
当会话推荐装置部署于服务器时，即由服务器向终端设备反馈推荐回复信息，由终端设备展示该推荐回复信息。当会话推荐装置部署于终端设备时，即由终端设备确定推荐回复信息，并展示该推荐回复信息。
其中，图1中的服务器可以是一台服务器或多台服务器组成的服务器集群或云计算中心等，具体此处均不限定。终端设备可以为图1中示出的平板电脑、笔记本电脑、掌上电脑、手机、个人电脑(personal computer，PC)及语音交互设备，也可以为监控设备、人脸识别设备等，此处不做限定。其中，语音交互设备包含但不仅限于智能音响以及智能家电。
虽然图1中仅示出了五个终端设备和一个服务器，但应当理解，图1中的示例仅用于理解本方案，具体终端设备和服务器的数量均应当结合实际情况灵活确定。
由于本申请实施例是应用于人工智能领域的，在对本申请实施例提供的模型训练的方法开始介绍之前，先对人工智能领域的一些基础概念进行介绍。人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。而机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
随着人工智能技术研究和进步，人工智能技术在多种方向展开研究，自然语言处理(Nature Language processing，NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
本申请实施例提供的方案涉及人工智能的自然语言处理技术，结合上述介绍，下面将对本申请中基于智能客服的会话推荐方法进行介绍，请参阅图2，图2为本申请实施例中基于智能客服的会话推荐方法一个实施例示意图，如图所示，本申请实施例中基于智能客服的会话推荐方法一个实施例包括：
101、获取历史会话集合，其中，历史会话集合包括至少一轮会话，且每轮会话包括至少一个句子信息，至少一轮会话包括当前轮次所对应的目标会话；
本实施例中，会话推荐装置首先可以获取到包括至少一轮会话的历史会话集合，并且每轮会话包括至少一个句子信息，至少一轮会话包括当前轮次所对应的目标会话。历史会话集合可以为会话推荐装置通过有线网络接收到的会话集合，还可以为会话推荐装置预先存储在数据库中的会话集合。
为了便于理解，以历史会话集合包括一轮会话，且该轮会话中的句子信息为“请问什么时候可以收到货？”为一个示例进行说明，则该轮会话中的所对应的目标会话可以为“请问什么时候可以收到货？”。以历史会话集合包括三轮会话，且三轮会话中的句子信息为“请问什么时候可以收到货？”，“发快递可以什么时候收到货？”以及“最晚什么时候可以收到货”为另一示例进行说明，当前轮次为第二轮次时，则当前轮次会话中的所对应的目标会话可以为“发快递可以什么时候收到货？”。以历史会话集合包括三轮会话，且三轮会话中的句子信息为“我身高160以及100斤，请问什么尺码合适？”，“我平常穿S码，想要宽松效果，请问尺码M可以不可以？”以及“尺码偏大还是偏小？”为又一示例进行说明，当前轮次为第三轮次时，则当前轮次会话中的所对应的目标会话可以为“尺码偏大还是偏小？”。应理解，本实施例中历史会话集合的示例仅用于理解本方案，历史会话集合具体包括几轮会话以及会话中所包括的句子信息均应当结合实际情况灵活确定。
需要说明的是，会话推荐装置可以部署于服务器，也可以部署于终端设备，本申请中以会话推荐装置部署于服务器为例进行说明，然而这不应理解为对本申请的限定。
102、基于目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，其中，待匹配会话集合包括N个待匹配会话，相似会话集合包括K个相似会话，N为大于或等于1的整数，K为大于或等于1，且小于或等于N的整数；
本实施例中，会话推荐装置通过步骤101获取到包括至少一轮会话的历史会话集合之后，可以将目标会话以及样本库中已存储的待匹配会话集合作为第一匹配模型的输入，然后第一匹配模型可以输出相似会话集合，该待匹配会话集合可以包括N个待匹配会话，而且相似会话集合包括K个相似会话，其中N为大于或等于1的整数，K为大于或等于1，且小于或等于N的整数。
为了便于理解，以目标会话为“请问什么时候可以收到货？”为一个示例进行说明，则待匹配会话集合可以包括但不限于“什么时候可以收到货？”，“发快递什么时候收到货？”，“最晚什么时候可以收到货？”，“明天能否收到货？”，“你们有没有收到货？”，“收到货发现货物有问题。”，“没收到货，但是我不想要了！”以及“都发货5天了，我还没收到货”，该待匹配会话集合包括8个待匹配会话。进一步地，可以看到目标会话为客户对物流问题进行提问，而因此基于目标会话以及包括8个待匹配会话的待匹配会话集合，可以通过第一匹配模型在待匹配会话集合获取到相同提出物流问题的相似会话集合，相似会话集合可以包括“什么时候可以收到货？”，“发快递什么时候收到货？”，“最晚什么时候可以收到货？”，“明天能否收到货？”以及“都发货5天了，我还没收到货”，该相似会话集合包括5个相似会话。
应理解，本实施例中目标会话，待匹配会话集合以及相似会话集合的示例仅用于理解本方案，具体目标会话，待匹配会话集合以及相似会话集合均应当结合实际情况灵活确定。
103、根据相似会话集合从样本库中获取候选回复信息集合，其中，候选回复信息集合包括K个候选回复信息，且候选回复信息与相似会话具有对应关系；
本实施例中，会话推荐装置通过步骤102获取到相似会话集合后，还可以根据相似会话集合从样本库中获取候选回复信息集合，该候选回复信息集合包括K个候选回复信息，并且候选回复信息与相似会话具有对应关系。
为了便于理解，以相似会话集合包括“什么时候可以收到货？”，“发快递什么时候收到货？”，“最晚什么时候可以收到货？”，“明天能否收到货？”以及“都发货5天了，我还没收到货”为示例进行说明，该相似会话集合中的相似会话在样本库中包括有具有对应关系的候选回复信息，因此可以根据该相似会话集合从样本库中获取包括5个候选回复信息的候选回复信息集合。具体地，相似会话“什么时候可以收到货？”可以对应于候选回复信息“由于快递和邮局速度，我们不能左右改变，我们不能承诺具体到货时间，请您理解与包容！”，相似会话“发快递什么时候收到货？”可以对应于候选回复信息“亲，如果您很着急的话，我们建议您采用快递快递，快递快递分为陆运以及空运，根据您的需求可以自行选择，陆运以及空运对应的到货时间也不相同呢”，相似会话“最晚什么时候可以收到货？”可以对应于候选回复信息“快递一般均2-3天左右到达。如遇节假日、自然灾害、交通意外以及较偏远地区等情况，均有可能到货时间延迟的哟。”，相似会话“明天能否收到货？”可以对应于候选回复信息“您好，正常情况下，申通快递2-4天内到达，有75％的概率为2天左右，而江浙沪地区基本是隔天就到。这个是快递公司的效率，我们不好控制的，希望您理解呦！”，相似会话“都发货5天了，我还没收到货”可以对应于候选回复信息“很抱歉，这里帮您联系快递进行查询，请稍后。”。
具体地，即该候选回复信息集合包括5个候选回复信息，该候选回复信息集合具体包括“由于快递和邮局速度，我们不能左右改变，我们不能承诺具体到货时间，请您理解与包容！”，“亲，如果您很着急的话，我们建议您采用快递快递，快递快递分为陆运以及空运，根据您的需求可以自行选择，陆运以及空运对应的到货时间也不相同呢”，“快递一般均2-3天左右到达。如遇节假日、自然灾害、交通意外以及较偏远地区等情况，均有可能到货时间延迟的哟。”，“您好，正常情况下，申通快递2-4天内到达，有75％的概率为2天左右，而江浙沪地区基本是隔天就到。这个是快递公司的效率，我们不好控制的，希望您理解呦！”以及“很抱歉，这里帮您联系快递进行查询，请稍后。”。
应理解，本实施例中相似会话集合以及候选回复信息集合的示例仅用于理解本方案，具体具体相似会话集合以及候选回复信息集合均应当结合实际情况灵活确定。
104、基于历史会话集合以及候选回复信息集合，通过第二匹配模型获取K个匹配分值，其中，每个匹配分值对应一个候选回复信息；
本实施例中，在通过前述步骤获取到历史会话集合以及候选回复信息集合之后，会话推荐装置可以将历史会话集合以及候选回复信息集合作为第二匹配模型的输入，第二匹配模型输出K个匹配分值，其中每个匹配分值对应一个候选回复信息。
为了便于理解，以历史会话集合包括一轮会话，该轮会话中的目标会话为“请问什么时候可以收到货？”，候选回复信息集合为步骤103所示例的集合作为一个示例进行说明。即对于目标会话“请问什么时候可以收到货？”，可以对应有5个候选回复信息，并且通过第二匹配模型可以获取到5个候选回复信息分别对应的5个匹配分值。应理解，本实施例中历史会话集合以及候选回复信息集合匹配分值的示例仅用于理解本方案，具体历史会话集合以及候选回复信息集合均应当结合实际情况灵活确定。
105、将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，其中，目标匹配分值为K个匹配分值中的最大值。
本实施例中，会话推荐装置通过步骤104获取到K个匹配分值后，可以将K个匹配分值中的最大值确定为目标匹配分值，然后根据该目标匹配分值所对应的候选回复信息确定为推荐回复信息。
为了便于理解，以候选回复信息“由于快递和邮局速度，我们不能左右改变，我们不能承诺具体到货时间，请您理解与包容！”对应的匹配分值为90，候选回复信息“亲，如果您很着急的话，我们建议您采用快递快递，快递快递分为陆运以及空运，根据您的需求可以自行选择，陆运以及空运对应的到货时间也不相同呢”对应的匹配分值为60，“快递一般均2-3天左右到达。如遇节假日、自然灾害、交通意外以及较偏远地区等情况，均有可能到货时间延迟的哟。”对应的匹配分值为75，候选回复信息“您好，正常情况下，申通快递2-4天内到达，有75％的概率为2天左右，而江浙沪地区基本是隔天就到。这个是快递公司的效率，我们不好控制的，希望您理解呦！”对应的匹配分值为80，候选回复信息“很抱歉，这里帮您联系快递进行查询，请稍后。”对应的匹配分值为20作为一个示例进行说明，即可以确定匹配分值为90为5个匹配分值中的最大值，即90为目标匹配分值，而90所对应的候选回复信息“由于快递和邮局速度，我们不能左右改变，我们不能承诺具体到货时间，请您理解与包容！”即为推荐回复信息。即某一轮次中，客户会话询问“请问什么时候可以收到货？”时，本实施例会确定推荐回复信息为“由于快递和邮局速度，我们不能左右改变，我们不能承诺具体到货时间，请您理解与包容！”。
应理解，本实施例中目标匹配分值以及推荐回复信息的示例仅用于理解本方案，具体目标匹配分值以及推荐回复信息均应当结合实际情况灵活确定。
本申请实施例中，提供了一种基于智能客服的会话推荐方法，通过上述方式，采用了两种不同模式的匹配模型进行会话的推荐，即先使用第一匹配模型筛选出候选回复集合，再使用第二匹配模型输出匹配分值，基于匹配分值选择合适的推荐会话，由此可见，在输出匹配分值的过程中，考虑到了历史会话集合与候选回复集合之间的交互特征，从而在文本表征上具有更多的信息量，进而提升了智能问答的匹配能力，并且有利于实现精确匹配。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的会话推荐的方法一个可选实施例中，基于目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合之前，会话推荐的方法还可以包括：
从样本库中获取待匹配会话集合的待匹配会话，其中，待匹配会话包括至少一个句子信息；
对待匹配会话中的各个句子信息进行拼接处理，得到第一句子信息，其中，第一句子信息包括至少一个词语信息；
对目标会话中的各个句子信息进行拼接处理，得到第二句子信息，其中，第二子信息包括至少一个词语信息；
基于目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，包括：
基于待匹配会话对应的第一句子信息，通过第一匹配模型获取第一句子向量；
基于目标会话对应的第二句子信息，通过第一匹配模型获取第二句子向量；
基于第一句子向量以及第二句子向量，通过第一匹配模型输出待匹配会话与目标会话之间的目标相似度；
若目标相似度满足相似会话提取条件，则将待匹配会话确定为相似会话集合中的一个相似会话。
本实施例中，通过第一匹配模型获取相似会话集合之前，会话推荐装置还可以从样本库中获取待匹配会话集合的包括至少一个句子信息的待匹配会话，然后对该待匹配会话中的各个句子信息进行拼接处理，得到第一句子信息，该第一句子信息包括至少一个词语信息，再对目标会话中的各个句子信息进行拼接处理，得到第二句子信息，该第二子信息包括至少一个词语信息。进一步地，会话推荐装置即可基于待匹配会话对应的第一句子信息，通过第一匹配模型获取第一句子向量，然后基于目标会话对应的第二句子信息，通过第一匹配模型获取第二句子向量，再将基于第一句子向量以及第二句子向量作为第一匹配模型的输入，第一匹配模型输出待匹配会话与目标会话之间的目标相似度，当目标相似度满足相似会话提取条件时，则可以将待匹配会话确定为相似会话集合中的一个相似会话。具体地，本实施例中目标相似度可以为相似度度量(Similarity)，即可以计算待匹配会话与目标会话间的相似程度，相似度度量的值越小，说明待匹配会话与目标会话间相似度越小，相似度的值越大说明待匹配会话与目标会话间差异越大。
为了便于理解，以从样本库中获取的8个待匹配会话的句子信息为“什么时候可以收到货？”，“发快递什么时候收到货？”，“最晚什么时候可以收到货？”，“明天能否收到货？”，“你们有没有收到货？”，“收到货发现货物有问题。”，“没收到货，但是我不想要了！”以及“都发货5天了，我还没收到货”为示例进行说明，将前述8个句子信息进行拼接处理，即可得到8个第一句子信息“什么时候收到货”，“快递什么时候收到货？”，“最晚什么时候收到货”，“明天收到货”，“有没有收到货”，“货物有问题。”，“不想要了”以及“发货5天，没收到货”。其次，以目标会话为“请问什么时候可以收到货？”为示例，即对目标会话中的各个句子信息进行拼接处理，可以得到包括至少一个词语信息的第二句子信息“什么时候收到货”。
进一步地，由于前述8个待匹配会话可以对应有8个第一句子信息，需要对第一句子信息进行加权稀释不重要的第一句子信息的权重，即每次从8个第一句子信息中取出一个第一句子信息，通过下述公式获取第一句子向量：
Figure BDA0002376315560000111
其中，a表示0.01，V1表示第一句子向量，ω1表示第一句子信息，s1表示待匹配会话，表示p(ω1)表示第一句子信息的频率，
Figure BDA0002376315560000112
表示第一句子信息的权重。
其次，由于前述目标会话仅对应有1个第二句子信息，即通过下述公式获取第二句子向量：
Figure BDA0002376315560000113
其中，a表示0.01，V2表示第二句子向量，ω2表示第二句子信息，s2表示目标会话，表示p(ω2)表示第二句子信息的频率，
Figure BDA0002376315560000114
表示第二句子信息的权重。
再进一步地，基于前述所获取得到的第一句子向量以及第二句子向量，通过第一匹配模型输出待匹配会话与目标会话之间的目标相似度，本实施例中目标相似度即为余弦相似度，当输出待匹配会话与目标会话之间的余弦相似度满足相似会话提取条件时，则将待匹配会话确定为相似会话集合中的一个相似会话。例如，8个第一句子信息“什么时候收到货”，“快递什么时候收到货？”，“最晚什么时候收到货”，“明天收到货”，“有没有收到货”，“货物有问题。”，“不想要了”以及“发货5天，没收到货”中，“什么时候收到货”，“快递什么时候收到货？”，“最晚什么时候收到货”，“明天收到货”以及“发货5天，没收到货”所对应的第一句子向量与第二句子向量之间的余弦相似度满足相似会话提取条件，即可以将前述5个第一句子信息所对应的待匹配会话确定为相似会话集合中的一个相似会话。应理解，本实施例中待匹配会话与目标会话的示例仅用于理解本方案，具体待匹配会话与目标会话之间均应当结合实际情况灵活确定。
具体地，余弦相似度是通过测量第一句子向量以及第二句子向量之间的夹角的余弦，从而度量第一句子向量以及第二句子向量之间的一个相似度。0度角的余弦值是1，其他的任何角度的余弦值都不大于1，最小值是-1，从而两个向量之间角度的余弦值确定了两个向量是否指向同一个方向。两个向量的指向相同时，余弦相似度为1，当两个向量的夹角是90度时，余弦相似度的值为0，两个向量的指向完全相反时，余弦相似度的值为-1。余弦相似度的结果与向量的长度无关，仅仅与向量的指向有关。因此可以得到相似度度量的值越小，待匹配会话与目标会话间相似度越小，相似度的值越大说明待匹配会话与目标会话间差异越大的结果。
本申请实施例中，提供了一种获取相似会话集合的方法，通过上述方式，待匹配会话以及目标会话分别确定第一句子向量以及第二句子向量，并且由此获取待匹配会话与目标会话之间的目标相似度，由于目标相似度可以反应待匹配会话与目标会话之间的相似性，因此根据该目标相似度与会话提取条件确定相似会话，可以提升相似会话集合的相关性和查全率。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的会话推荐的方法另一可选实施例中，基于第一句子向量以及第二句子向量，通过第一匹配模型输出待匹配会话与目标会话之间的目标相似度之后，会话推荐的方法还可以包括：
对目标相似度以及(N-1)个相似度进行从高至低排序，得到相似度序列，其中，(N-1)个相似度为待匹配会话集合中(N-1)个待匹配会话与目标会话之间的相似度；
从相似度序列中获取前K个相似度；
若目标相似度属于前K个相似度，则确定目标相似度满足相似会话提取条件；
若目标相似度不属于前K个相似度，则确定目标相似度不满足相似会话提取条件。
本实施例中，通过第一匹配模型输出待匹配会话与目标会话之间的目标相似度之后，会话推荐装置还可以对目标相似度以及(N-1)个相似度进行从高至低排序，得到相似度序列，该(N-1)个相似度为待匹配会话集合中(N-1)个待匹配会话与目标会话之间的相似度，然后从相似度序列中获取前K个相似度，当目标相似度属于前K个相似度时，则确定目标相似度满足相似会话提取条件，当目标相似度不属于前K个相似度时，则确定目标相似度不满足相似会话提取条件。
为了便于理解，以待匹配会话集合中包括有10个待匹配会话，并且K为6作为一个示例进行说明。10个待匹配会话即可以得到10个目标相似度，例如10个目标相似度可以为0.95，0.6，0.7，0.8，0.85，0.25，0.1，0.4，0.3以及0.5，将10个待匹配会话从高至低排序，可以得到相似度序列0.95，0.85，0.8，0.7，0.6，0.5，0.4，0.3，0.25，0.1，其中前6个相似度为0.95，0.85，0.8，0.7，0.6以及0.5。因此当目标相似度属于前6个相似度时，则可以确定目标相似度满足相似会话提取条件，并且将该目标相似度对应的待匹配会话确定为相似会话集合中的一个相似会话。而当目标相似度不属于前6个相似度时，则该目标相似度满足相似会话提取条件，因此将该目标相似度对应的待匹配会话不会被确定为相似会话。应理解，本实施例中目标相似度、目标相似度个数与相似度个数的示例仅用于理解本方案，具体目标相似度、目标相似度个数与相似度个数均应当结合实际情况灵活确定。
本申请实施例中，提供了另一种基于智能客服的会话推荐方法，通过上述方式，根据对目标相似度的从大到小排序，取前K个结果作为相似会话提取条件，由此确定相似会话，由此可以提升本申请实施例的可行性。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的会话推荐的方法另一可选实施例中，基于第一句子向量以及第二句子向量，通过第一匹配模型输出待匹配会话与目标会话之间的目标相似度之后，会话推荐的方法还可以包括：
若目标相似度大于或等于相似性度量阈值，则确定目标相似度满足相似会话提取条件；
若目标相似度小于相似性度量阈值，则确定目标相似度不满足相似会话提取条件。
本实施例中，通过第一匹配模型输出待匹配会话与目标会话之间的目标相似度之后，当目标相似度大于或等于相似性度量阈值时，则会话推荐装置可以确定目标相似度满足相似会话提取条件，当目标相似度小于相似性度量阈值时，则会话推荐装置可以确定目标相似度不满足相似会话提取条件。
为了便于理解，再次以待匹配会话集合中包括有10个待匹配会话，且相似性度量阈值为0.6作为一个示例进行说明。10个待匹配会话即可以得到10个目标相似度，例如10个目标相似度可以为0.95，0.6，0.7，0.8，0.85，0.25，0.1，0.4，0.3以及0.5，将前述10个目标相似度与相似性度量阈值0.6进行对比，可以确定目标相似度0.95，0.6，0.7，0.8以及0.85为大于或等于相似性度量阈值0.6的，因此确定目标相似度0.95，0.6，0.7，0.8以及0.85满足相似会话提取条件，并且目标相似度0.95，0.6，0.7，0.8以及0.85所对应的待匹配会话可以被确定为相似会话集合中的一个相似会话。其次，目标相似度0.25，0.1，0.4，0.3以及0.5目标相似度小于相似性度量阈值0.6，因此确定目标相似度0.25，0.1，0.4，0.3以及0.5不满足相似会话提取条件，且目标相似度度0.25，0.1，0.4，0.3以及0.5对应的待匹配会话不会被确定为相似会话。应理解，本实施例中目标相似度与相似性度量阈值的示例仅用于理解本方案，具体目标相似度与相似性度量阈值均应当结合实际情况灵活确定。
需要说明的是，在实际情况下，可以先采用阈值比对的方式选择相似会话，当相似会话数量不够时，再采用选择其他会话，直到达到K个会话。
本申请实施例中，提供了另一种基于智能客服的会话推荐方法，通过上述方式，根据对目标相似度大于相似性度量阈值作为相似会话提取条件，由此确定相似会话，由此可以提升本申请实施例的可行性。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的会话推荐的方法另一可选实施例中，基于历史会话集合以及候选回复信息集合，通过第二匹配模型获取K个匹配分值，可以包括：
基于历史会话集合以及候选回复信息集合中的候选回复信息，通过第二匹配模型所包括的输入层获取历史会话集合所对应的第一词向量特征集合，以及候选回复信息所对应的第二词向量特征，其中，第一词向量特征集合包括至少一个第一词向量特征，第一词向量特征与历史会话集合中的会话具有对应关系；
基于第一词向量特征集合以及第二词向量特征，通过第二匹配模型所包括的表示层获取第一词向量特征集合所对应的第一注意力值集合，以及第二词向量特征所对应的第二注意力值，其中，第一注意力值集合包括至少一个第一注意力值；
基于第一注意力值集合以及第二注意力值，通过第二匹配模型所包括的匹配层获取交互矩阵集合，其中，交互矩阵集合包括至少一个交互矩阵；
基于交互矩阵集合，通过第二匹配模型所包括的组合层获取匹配特征；
基于匹配特征，第二匹配模型所包括的输出层获取候选回复信息所对应的匹配分值。
本实施例中，会话推荐装置可以将历史会话集合以及候选回复信息集合中的候选回复信息作为第二匹配模型所包括的输入层的输入，第二匹配模型所包括的输入层输出历史会话集合所对应的第一词向量特征集合，以及候选回复信息所对应的第二词向量特征，该第一词向量特征集合包括至少一个第一词向量特征，并且第一词向量特征与历史会话集合中的会话具有对应关系，然后还可以再将第一词向量特征集合以及第二词向量特征作为第二匹配模型所包括的表示层的输入，第二匹配模型所包括的表示层输出第一词向量特征集合所对应的第一注意力值集合，以及第二词向量特征所对应的第二注意力值，该第一注意力值集合包括至少一个第一注意力值，再将第一注意力值集合以及第二注意力值作为第二匹配模型所包括的匹配层的输入，第二匹配模型所包括的匹配层输出交互矩阵集合，该交互矩阵集合包括至少一个交互矩阵，进而将该交互矩阵集合作为第二匹配模型所包括的组合层的输入，第二匹配模型所包括的组合层输出匹配特征，最后将该匹配特征作为第二匹配模型所包括的输出层的输入，第二匹配模型所包括的输出层输出候选回复信息所对应的匹配分值。
具体地，在第二匹配模型所包括的组合层中，可以首先通过将历史会话合集与候选回复信息进行充分的交互来提升对句子信息的获取能力，本实施中可以先对候选回复信息做一个层级的卷积操作，提取其局部特征，并把每类局部特征与第一词向量特征集合构建匹配矩阵，同时从第一词向量特征集合和第二词向量特征集合中提取表征交互信息，从表征交互和匹配矩阵交互两个层次来构建多种匹配模式，然后，将匹配层所得到的所有交互矩阵聚合起来，进行卷积和最大池化操作从历史会话合集中提取出匹配特征，最后将从组合层获得的匹配特征通过第二匹配模型所包括的输出层，该输出层通过单层感知机计算匹配分值，并将该匹配分值输出。
为了便于理解，请参阅图3，图3为本申请实施例中基于第二匹配模型获取匹配分值一个流程示意图，如图所示，A1指示候选回复信息集合中的候选回复信息，其中r即为候选回复信息，而A2表示历史会话集合，该历史会话合集中可以包括但不限于历史会话Ui-k，历史会话Ui-2，历史会话Ui-1以及目标会话Ui。然后将候选回复信息A1以及历史会话集合A2输入至第二匹配模型所包括的输入层A3，该输入层A3可以输出历史会话集合所对应的第一词向量特征集合，以及候选回复信息所对应的第二词向量特征。然后输入层A3将第一词向量特征集合以第二词向量特征输入至第二匹配模型所包括的表示层A4，该表示层A4输出可以第一词向量特征集合所对应的第一注意力值集合，以及第二词向量特征所对应的第二注意力值。表示层A4再将第一注意力值集合以及第二注意力值作为第二匹配模型所包括的匹配层A5的输入，该匹配层A5可以输出交互矩阵集合A6，该交互矩阵集合A6可以包括交互矩阵A61，交互矩阵A62，交互矩阵A63以及交互矩阵A64。进而匹配层A5将该交互矩阵集合A6作为第二匹配模型所包括的组合层A7的输入，该组合层A7可以输出匹配特征A8，最后组合层A7将该匹配特征A8作为第二匹配模型所包括的输出层A9的输入，该输出层A9即可输出候选回复信息所对应的匹配分值A10。应理解，本实施例中历史会话集合以及候选回复信息的示例仅用于理解本方案，具体历史会话集合以及候选回复信息均应当结合实际情况灵活确定。
本申请实施例中，提供了一种获取匹配分值的方法，通过上述方式，使用第二匹配模型所包括的输入层，表示层，匹配层，组合层以及输出层获取匹配分值，由于多层次的卷积匹配矩阵可以实现细粒度的局部匹配，因此可以提升捕获细微匹配关系，提升第二匹配模型的精确匹配能力，从而提升匹配分值的准确度。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的会话推荐的方法另一可选实施例中，基于历史会话集合以及候选回复信息集合中的候选回复信息，通过第二匹配模型所包括的输入层获取历史会话集合所对应的第一词向量特征集合，以及候选回复信息所对应的第二词向量特征，可以包括：
基于历史会话集合中的目标会话，通过第二匹配模型所包括的输入层获取目标会话所对应的第一词向量特征，其中，目标会话包括j个句子信息，第一词向量特征包括j个词向量子特征，j为大于或等于1的整数；
基于候选回复信息集合中的候选回复信息，通过第二匹配模型所包括的输入层获取第二词向量特征。
本实施例中，会话推荐装置可以基于历史会话集合中的目标会话，通过第二匹配模型所包括的输入层获取目标会话所对应的第一词向量特征，该目标会话可以包括j个句子信息，而第一词向量特征包括j个词向量子特征，其中j为大于或等于1的整数，最后基于候选回复信息集合中的候选回复信息，即可通过第二匹配模型所包括的输入层获取第二词向量特征。具体地，目标会话与候选回复信息是在相同的领域语料中，具有相同的数据分布，因此可以采用类似的词向量，并且分别根据第二匹配模型所包括的输入层得到对应的词向量特征。
为了便于理解，以历史会话集合中的目标会话为Ui以及候选回复信息为r作为一个示例进行说明，请参阅图4，图4为本申请实施例中基于第二匹配模型获取匹配分值另一流程示意图，如图所示，目标会话B11所表示的Ui可以包括j个句子信息，其中j个句子信息可以包括但不限于句子信息qi1，句子信息qi2，句子信息qi3以及句子信息qij。然后将包括j个句子信息的目标会话B11作为第二匹配模型所包括的输入层B2的输入，该输入层B2输出目标会话所对应的第一词向量特征B3，由于目标会话包括j个句子信息，因此第一词向量特征B3可以包括j个第一词向量子特征，且j个第一词向量子特征包括但不限于第一词向量子特征B31，第一词向量子特征B32，第一词向量子特征B33以及第一词向量子特征B34，并且一个第一词向量子特征与一个句子信息对应。进一步地，将候选回复信息集合中的候选回复信息B12作为第二匹配模型所包括的输入层B2的输入，该输入层B2即可输出第二词向量特征B4。应理解，本实施例中目标会话以及候选回复信息的示例仅用于理解本方案，具体目标会话以及候选回复信息均应当结合实际情况灵活确定。
本申请实施例中，提供了另一种基于智能客服的会话推荐方法，通过上述方式，目标会话与候选回复信息可以分别根据第二匹配模型所包括的输入层得到对应的词向量特征，由于目标会话与候选回复信息是在相同的领域语料中，具有相同的数据分布，所得到的词向量特征能够较为准确的体现会话语义，由此提升后续所得到的目标相似度，有利于实现精确匹配，提升会话处理匹配度。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的会话推荐的方法另一可选实施例中，基于第一词向量特征集合以及第二词向量特征，通过第二匹配模型所包括的表示层获取第一词向量特征集合所对应的第一注意力值集合，以及第二词向量特征所对应的第二注意力值，可以包括：
基于第一词向量特征的j个词向量子特征，通过第二匹配模型所包括的编码层获取目标会话所对应的第一编码向量，其中，第一编码向量包括j个元素，编码层属于表示层；
基于第二词向量特征，通过第二匹配模型所包括的编码层获取第二编码向量；
基于目标会话所对应的第一编码向量，通过第二匹配模型所包括的注意力层，获取目标会话所对应的第一注意力值；
基于第二编码向量，通过第二匹配模型所包括的注意力层，获取第二注意力值。
本实施例中，会话推荐装置可以基于第一词向量特征的j个词向量子特征，通过第二匹配模型所包括的编码层获取目标会话所对应的第一编码向量，该第一编码向量包括j个元素，编码层属于表示层，然后基于第二词向量特征，通过第二匹配模型所包括的编码层获取第二编码向量，再基于目标会话所对应的第一编码向量，通过第二匹配模型所包括的注意力层，获取目标会话所对应的第一注意力值，最后基于第二编码向量，通过第二匹配模型所包括的注意力层，获取第二注意力值。
为了便于理解，请参阅图5，图5为本申请实施例中基于第二匹配模型获取匹配分值另一流程示意图，如图所示，第一词向量特征C1中可以包括j个词向量子特征，且该j个词向量子特征可以包括但不限于第一词向量子特征C11，第一词向量子特征C12，第一词向量子特征C13至第一词向量子特征C14，其次，表示层C2中包括编码层，将第一词向量特征的j个词向量子特征作为表示层C2中编码层的输入，表示层C2中编码层输出目标会话所对应的第一编码向量，并且第一编码向量包括j个元素，j个元素分别与j个词向量子特征对应，第一编码向量可以包括但不限于如图所示出的元素C31至元素C37。然后将目标会话所对应的第一编码向量作为第二匹配模型所包括的注意力层的输入，该注意力层输出目标会话所对应的第一注意力值，应理解，由于第一编码向量作包括有j个元素，因此将元素C31以及元素C32作为注意力层的输入，该注意力层会输出注意力值C33，再将该注意力值C33以及元素C34作为注意力层的输入，该注意力层重复前述类似步骤，在第(j-1)个元素输入至注意力层后，该注意力层输出注意力值C35，将该注意力值C35以及第j个元素C36作为注意力层的输入，该注意力层会输出目标会话所对应的第一注意力值C37。
其次，将第二词向量特征C4，作为表示层C2中编码层的输入，表示层C2中编码层输出目标会话所对应的第二编码向量，然后将目标会话所对应的第二编码向量作为第二匹配模型所包括的注意力层的输入，该注意力层即可输出第二注意力值C5。
需要说明的是，图5中的第二词向量特征C4即为图4中的第二词向量特征B4，图5中的第一词向量特征C11即为图4中的第一词向量子特征B31，图5中的第一词向量特征C12即为图4中的第一词向量子特征B32，图5中的第一词向量特征C13即为图4中的第一词向量子特征B33，图5中的第一词向量特征C14即为图4中的第一词向量子特征B34。
本申请实施例中，提供了另一种基于智能客服的会话推荐方法，通过上述方式，可以基于第一词向量特征以及第二词向量特征通过编码层获取分别对应的编码向量，并进一步地通过注意力层，获取对应的注意力值。对于第一编码向量而言，经过多次的注意力层所获取第一注意力值，能更为准确的获取交互矩阵集合，提升匹配分值准确度，从而提升会话推荐的准确度。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的会话推荐的方法另一可选实施例中，基于第一注意力值集合以及第二注意力值，通过第二匹配模型所包括的匹配层获取交互矩阵集合，可以包括：
基于目标会话所对应的第一编码向量以及第二编码向量，通过第二匹配模型所包括的卷积层获取L个匹配矩阵，其中，卷积层属于匹配层，L为大于或等于1的整数；
基于目标会话所对应的第一注意力值、第二注意力值以及L个匹配矩阵，通过第二匹配模型所包括的匹配层获取目标会话所对应的交互矩阵。
本实施例中，会话推荐装置可以基于目标会话所对应的第一编码向量以及第二编码向量，通过第二匹配模型所包括的卷积层获取L个匹配矩阵，该卷积层属于匹配层，再基于目标会话所对应的第一注意力值、第二注意力值以及L个匹配矩阵，即可通过第二匹配模型所包括的匹配层获取目标会话所对应的交互矩阵，其中L为大于或等于1的整数。
为了便于理解，请参阅图6，图6为本申请实施例中基于第二匹配模型获取匹配分值另一流程示意图，如图所示，将第一编码向量D1以及第二编码向量D2作为第二匹配模型所包括的卷积层D3的输入，该卷积层D3对第一编码向量D1以及第二编码向量D2进行L次卷积操作，即可构建L个匹配矩阵，该卷积层D3输出L个匹配矩阵D4，其中匹配函数包括但不限于非线性方式、余弦(cosine)函数方式以及数量积(dot product)函数方式，其次，本实施例中卷积层属于匹配层。进一步地，将该L个匹配矩阵D4，第一注意力值D5以及第二注意力值D6作为第二匹配模型所包括的匹配层D7的输入，该匹配层D7输出目标会话所对应的交互矩阵D8。
需要说明的是，图6中的第二注意力值D6即为图5中的第二词向量特征C4，图6中的第一注意力值D5即为图5中的第一注意力值C37。
本申请实施例中，提供了一种获取交互矩阵集合的方法，通过上述方式，第二匹配模型所包括的卷积层对第一编码向量以及第二编码向量进行多次卷积操作，提取第一编码向量以及第二编码向量的局部特征，并把每类局部特征都构建为一个匹配矩阵，该匹配矩阵能够准确的指示目标会话的特性，因此由该匹配矩阵，第一注意力值以及第二注意力值所得到的交互矩阵，能够提升匹配特征获取的准确性，从而提升匹配分值的准确度。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的会话推荐的方法另一可选实施例中，将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息之后，会话推荐的方法还可以包括：
向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息，且当第一客户端接收会话选择指令时，第一客户端向第二客户端发送推荐回复信息。
本实施例中，会话推荐装置可以将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息之后，会话推荐装置还可以向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息，且当第一客户端接收会话选择指令时，第一客户端向第二客户端发送推荐回复信息。具体地，该第二客户端即为人工客服所对应的客户端。
为了便于理解，请参阅图7，图7为本申请实施例中基于智能客服的会话推荐方法另一实施例示意图，如图所示，图7中(A)所示出的为，当目标会话E1通过前述会话推荐方法确认推荐回复信息E2之后，可以向第一客户端发送推荐回复信息E2，第一客户端通过客服界面所展示推荐回复信息E2。并且当第一客户端接收会话选择指令时，图7中(A)所示出的第一客户端可以向图7中(B)所示出第二客户端发送推荐回复信息E2，图7中(B)所示出为第二客户端通过客服界面所展示的推荐回复信息E2，即可以展示客户在发送目标会话E1后，所接收到的推荐回复信息E2。
本申请实施例中，提供了另一种基于智能客服的会话推荐方法，通过上述方式，可以将基于智能客服的所确定推荐回复信息向人工客服展示，可以的使得人工客服学习并且更新会话推荐话术，提升会话推荐匹配率。其次，根据会话选择指令发送合适的推荐会话，由此也可以提升智能问答的匹配能力，并且有利于实现精确匹配，提升会话处理效率以及匹配度。
可选地，在上述图3对应的实施例的基础上，本申请实施例提供的会话推荐的方法另一可选实施例中，将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息之后，会话推荐的方法还可以包括：
向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息；
接收第一客户端发送的目标推荐回复信息；
根据目标推荐回复信息与历史会话集合生成更新样本，其中，目标推荐回复信息与历史会话集合之间具有对应关系；
将更新样本添加至样本库。
本实施例中，将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息之后，会话推荐装置还可以向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息，然后接收第一客户端发送的目标推荐回复信息，进而根据目标推荐回复信息与历史会话集合生成更新样本，该目标推荐回复信息与历史会话集合之间具有对应关系，最后将更新样本添加至样本库。
为了便于理解，以目标会话为“你们这个衣服颜色和模特图不符”，推荐回复信息为“亲，是颜色发错了么？可以申请退换货处理呢。”作为一个示例进行说明，客服服务在服务用户过程中可以看到所确定的推荐回复信息不合理，由此可以对该推荐回复信息进行修正，例如将该推荐回复信息“亲，是颜色发错了么？可以申请退换货处理呢。”修正为目标推荐回复信息“亲，我们店铺的图片都是实物拍摄的呢，没有经特别的处理，但是图片拍色过程中由于光照原因的影响可能会照成实物和图片有一点差异，但是请您放心差异肯定是非常小的呢，基本都是一样的哦。”，然后可以接收到该目标推荐回复信息，并且可以根据该目标推荐回复信息与历史会话集合生成更新样本，最后将该更新样本添加至样本库。即对可以对第一匹配模型以及第二匹配模型进行更新以及优化，是的后续出现目标会话时能够及时推荐更为合理对应的推荐回复信息。
本申请实施例中，提供了另一种基于智能客服的会话推荐方法，通过上述方式，通过将推荐回复信息修正为目标推荐回复信息，并且根据该目标推荐回复信息更新样本库，提升推荐回复信息的匹配度。
具体地，本申请实施例可以提升智能问答的匹配能力，并且有利于实现精确匹配，为了便于理解本申请实施例，请参阅图8，图8为本申请实施例中基于智能客服的会话推荐方法一个流程示意图，具体地：
步骤S1、获取历史会话集合；
步骤S2、获取相似会话集合；
步骤S3、获取候选回复信息集合；
步骤S4、确定目标匹配分数；
步骤S5、确定推荐回复信息；
步骤S6、判断推荐回复信息是否合理；
步骤S7、进行会话推荐；
步骤S8、输入目标推荐回复信息；
步骤S9，将更新样本添加至样本库。
其中，步骤S1可以获取到包括至少一轮会话的历史会话集合，并且每轮会话包括至少一个句子信息，至少一轮会话包括当前轮次所对应的目标会话，该目标会话为通过第二客户端得到的，并且第二客户端为客户所使用的客户端。然后通过步骤S2对该待匹配会话以及目标会话中的各个句子信息进行拼接处理，得到待匹配会话对应的第一句子信息以及目标会话对应的第二句子信息，将第一句子信息以及第二句子信息作为第一匹配模型的输入，第一匹配模型输出第一句子向量以及第二句子向量，再将第一句子向量以及第二句子向量作为第一匹配模型的输入，第一匹配模型输出目标相似度。当目标相似度满足相似会话提取条件，则将待匹配会话确定为相似会话集合中的一个相似会话，由此获取到相似会话集合，应理解，会话提取条件前述实施例中已进行详细描述，在此不再赘述。
进一步地，通过步骤S3根据相似会话集合从样本库中获取候选回复信息集合，该候选回复信息集合包括K个候选回复信息，并且候选回复信息与相似会话具有对应关系。进而步骤S4基于历史会话集合以及候选回复信息集合，通过第二匹配模型获取K个匹配分值，将K匹配分值中的最大值确定为目标匹配分值，应理解，获取K个匹配分值的方法前述实施例中已进行详细描述，在此不再赘述。而步骤S5即可将目标匹配分值所对应的候选回复信息确定为推荐回复信息。
再进一步地，步骤S6需要向第一客户端发送推荐回复信息，并需要人工客服判断该推荐回复信息是否合理，当推荐回复信息合理时，则执行步骤S7根据推荐回复信息进行会话推荐，即可以向第二客户端发送推荐回复信息。当推荐回复信息不合理时，则先执行步骤S8通过人工客服在第一客户端手动输入目标推荐回复信息，然后执行步骤S7根据目标推荐回复信息进行会话推荐，即可以向第二客户端发送目标推荐回复信息。并且步骤S9还可以根据目标推荐回复信息与历史会话集合生成更新样本，该目标推荐回复信息与历史会话集合之间具有对应关系，并将更新样本添加至样本库。可以看到，在对会话进行推荐之前，采用了两种不同模式的匹配模型进行会话的推荐，即先使用第一匹配模型筛选出候选回复信息集合，再使用第二匹配模型输出匹配分值，基于匹配分值选择合适的推荐回复信息，由此可见，在输出匹配分值的过程中，考虑到了历史会话集合与候选回复信息集合之间的交互特征，从而在文本表征上具有更多的信息量，进而提升了智能问答的匹配能力，并且有利于实现精确匹配。
结合上述描述下面对本申请中的基于智能客服的会话推荐方法进行详细描述，请参阅图9，图9为本申请实施例中基于智能客服的会话推荐方法一个实施例示意图，如图所示，本申请实施例中基于智能客服的会话推荐方法一个实施例包括：
201、获取历史会话集合，其中，历史会话集合包括至少一轮会话，且每轮会话包括至少一个句子信息，至少一轮会话包括当前轮次所对应的目标会话；
本实施例中，会话推荐装置可以获取到包括至少一轮会话的历史会话集合，并且每轮会话包括至少一个句子信息，至少一轮会话包括当前轮次所对应的目标会话。历史会话集合可以为会话推荐装置通过有线网络接收到的会话集合，还可以为会话推荐装置预先存储在数据库中的会话集合。
可以理解的是，具体方式与前述实施例中步骤101类似，在此不再赘述。
202、基于目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，其中，待匹配会话集合包括N个待匹配会话，相似会话集合包括K个相似会话，N为大于或等于1的整数，K为大于或等于1，且小于或等于N的整数；
本实施例中，会话推荐装置通过步骤201获取到包括至少一轮会话的历史会话集合之后，可以将目标会话以及样本库中已存储的待匹配会话集合作为第一匹配模型的输入，然后第一匹配模型可以输出相似会话集合，该待匹配会话集合可以包括N个待匹配会话，而且相似会话集合包括K个相似会话，其中N为大于或等于1的整数，K为大于或等于1，且小于或等于N的整数。
可以理解的是，具体方式与前述实施例中步骤102类似，在此不再赘述。
203、根据相似会话集合从样本库中获取候选回复信息集合，其中，候选回复信息集合包括K个候选回复信息，且候选回复信息与相似会话具有对应关系；
本实施例中，会话推荐装置通过步骤202获取到相似会话集合后，还可以根据相似会话集合从样本库中获取候选回复信息集合，该候选回复信息集合包括K个候选回复信息，并且候选回复信息与相似会话具有对应关系。
可以理解的是，具体方式与前述实施例中步骤103类似，在此不再赘述。
204、基于历史会话集合以及候选回复信息集合，通过第二匹配模型获取K个匹配分值，其中，每个匹配分值对应一个候选回复信息；
本实施例中，在通过前述步骤获取到历史会话集合以及候选回复信息集合之后，会话推荐装置可以将历史会话集合以及候选回复信息集合作为第二匹配模型的输入，第二匹配模型输出K个匹配分值，其中每个匹配分值对应一个候选回复信息。
可以理解的是，具体方式与前述实施例中步骤104类似，在此不再赘述。
205、将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，其中，目标匹配分值为K个匹配分值中的最大值；
本实施例中，会话推荐装置通过步骤204获取到K个匹配分值后，可以将K个匹配分值中的最大值确定为目标匹配分值，然后根据该目标匹配分值所对应的候选回复信息确定为推荐回复信息。
可以理解的是，具体方式与前述实施例中步骤105类似，在此不再赘述。
应理解，本实施例中目标匹配分值以及推荐回复信息的示例仅用于理解本方案，具体目标匹配分值以及推荐回复信息均应当结合实际情况灵活确定。
206、向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息，且当第一客户端接收会话选择指令时，第一客户端向第二客户端发送推荐回复信息。
本实施例中，会话推荐装置可以将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息之后，还可以向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息，且当第一客户端接收会话选择指令时，第一客户端向第二客户端发送推荐回复信息。具体地，该第二客户端即为人工客服所对应的客户端。
本申请实施例中，提供了一种基于智能客服的会话推荐方法，通过上述方式，采用了两种不同模式的匹配模型进行会话的推荐，即先使用第一匹配模型筛选出候选回复集合，再使用第二匹配模型输出匹配分值，基于匹配分值选择合适的推荐会话，在输出匹配分值的过程中，考虑到了历史会话集合与候选回复集合之间的交互特征，从而在文本表征上具有更多的信息量，其次，可以的使得人工客服学习并且更新会话推荐话术，提升会话推荐匹配率，还可以根据会话选择指令发送合适的推荐会话，由此提升智能问答的匹配能力，并且有利于实现精确匹配，提升会话处理效率以及匹配度。
下面对本申请中的会话推荐装置进行详细描述，请参阅图10，图10为本申请实施例中会话推荐装置一个实施例示意图，会话推荐装置300包括：
获取模块301，用于获取历史会话集合，其中，历史会话集合包括至少一轮会话，且每轮会话包括至少一个句子信息，至少一轮会话包括当前轮次所对应的目标会话；
获取模块301，还用于基于目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，其中，待匹配会话集合包括N个待匹配会话，相似会话集合包括K个相似会话，N为大于或等于1的整数，K为大于或等于1，且小于或等于N的整数；
获取模块301，还用于根据相似会话集合从样本库中获取候选回复信息集合，其中，候选回复信息集合包括K个候选回复信息，且候选回复信息与相似会话具有对应关系；
获取模块301，还用于基于历史会话集合以及候选回复信息集合，通过第二匹配模型获取K个匹配分值，其中，每个匹配分值对应一个候选回复信息；
确定模块302，用于将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，其中，目标匹配分值为K个匹配分值中的最大值。
本申请实施例中，提供了一种基于智能客服的会话推荐方法，通过上述方式，采用了两种不同模式的匹配模型进行会话的推荐，即先使用第一匹配模型筛选出候选回复集合，再使用第二匹配模型输出匹配分值，基于匹配分值选择合适的推荐会话，由此可见，在输出匹配分值的过程中，考虑到了历史会话集合与候选回复集合之间的交互特征，从而在文本表征上具有更多的信息量，进而提升了智能问答的匹配能力，并且有利于实现精确匹配。
可选地，在上述图11所对应的实施例的基础上，本申请实施例提供的会话推荐装置300的另一实施例中，会话推荐装置300还包括处理模块303，
获取模块301，还用于从样本库中获取待匹配会话集合的待匹配会话，其中，待匹配会话包括至少一个句子信息；
处理模块303，用于对待匹配会话中的各个句子信息进行拼接处理，得到第一句子信息，其中，第一句子信息包括至少一个词语信息；
获取模块301，还用于对目标会话中的各个句子信息进行拼接处理，得到第二句子信息，其中，第二子信息包括至少一个词语信息；
获取模块301，具体用于：
基于待匹配会话对应的第一句子信息，通过第一匹配模型获取第一句子向量；
基于目标会话对应的第二句子信息，通过第一匹配模型获取第二句子向量；
基于第一句子向量以及第二句子向量，通过第一匹配模型输出待匹配会话与目标会话之间的目标相似度；
若目标相似度满足相似会话提取条件，则将待匹配会话确定为相似会话集合中的一个相似会话。
本申请实施例中，提供了一种获取相似会话集合的方法，通过上述方式，待匹配会话以及目标会话分别确定第一句子向量以及第二句子向量，并且由此获取待匹配会话与目标会话之间的目标相似度，由于目标相似度可以反应待匹配会话与目标会话之间的相似性，因此根据该目标相似度与会话提取条件确定相似会话，可以提升相似会话集合的相关性和查全率。
可选地，在上述图11所对应的实施例的基础上，本申请实施例提供的会话推荐装置300的另一实施例中，会话推荐装置300还包括排序模块304，
排序模块304，用于对目标相似度以及(N-1)个相似度进行从高至低排序，得到相似度序列，其中，(N-1)个相似度为待匹配会话集合中(N-1)个待匹配会话与目标会话之间的相似度；
获取模块301，还用于从相似度序列中获取前K个相似度；
确定模块302，还用于若目标相似度属于前K个相似度，则确定目标相似度满足相似会话提取条件；
确定模块302，还用于若目标相似度不属于前K个相似度，则确定目标相似度不满足相似会话提取条件。
本申请实施例中，提供了另一种基于智能客服的会话推荐方法，通过上述方式，根据对目标相似度的从大到小排序，取前K个结果作为相似会话提取条件，由此确定相似会话，由此可以提升本申请实施例的可行性。
可选地，在上述图11所对应的实施例的基础上，本申请实施例提供的会话推荐装置300的另一实施例中，
确定模块302，还用于若目标相似度大于或等于相似性度量阈值，则确定目标相似度满足相似会话提取条件；
确定模块302，还用于若目标相似度小于相似性度量阈值，则确定目标相似度不满足相似会话提取条件。
本申请实施例中，提供了另一种基于智能客服的会话推荐方法，通过上述方式，根据对目标相似度大于相似性度量阈值作为相似会话提取条件，由此确定相似会话，由此可以提升本申请实施例的可行性。
可选地，在上述图11所对应的实施例的基础上，本申请实施例提供的会话推荐装置300的另一实施例中，
获取模块301，具体用于：
基于历史会话集合以及候选回复信息集合中的候选回复信息，通过第二匹配模型所包括的输入层获取历史会话集合所对应的第一词向量特征集合，以及候选回复信息所对应的第二词向量特征，其中，第一词向量特征集合包括至少一个第一词向量特征，第一词向量特征与历史会话集合中的会话具有对应关系；
基于第一词向量特征集合以及第二词向量特征，通过第二匹配模型所包括的表示层获取第一词向量特征集合所对应的第一注意力值集合，以及第二词向量特征所对应的第二注意力值，其中，第一注意力值集合包括至少一个第一注意力值；
基于第一注意力值集合以及第二注意力值，通过第二匹配模型所包括的匹配层获取交互矩阵集合，其中，交互矩阵集合包括至少一个交互矩阵；
基于交互矩阵集合，通过第二匹配模型所包括的组合层获取匹配特征；
基于匹配特征，第二匹配模型所包括的输出层获取候选回复信息所对应的匹配分值。
本申请实施例中，提供了一种获取匹配分值的方法，通过上述方式，使用第二匹配模型所包括的输入层，表示层，匹配层，组合层以及输出层获取匹配分值，由于多层次的卷积匹配矩阵可以实现细粒度的局部匹配，因此可以提升捕获细微匹配关系，提升第二匹配模型的精确匹配能力，从而提升匹配分值的准确度。
可选地，在上述图11所对应的实施例的基础上，本申请实施例提供的会话推荐装置300的另一实施例中，
获取模块301，具体用于：
基于历史会话集合中的目标会话，通过第二匹配模型所包括的输入层获取目标会话所对应的第一词向量特征，其中，目标会话包括j个句子信息，第一词向量特征包括j个词向量子特征，j为大于或等于1的整数；
基于候选回复信息集合中的候选回复信息，通过第二匹配模型所包括的输入层获取第二词向量特征。
本申请实施例中，提供了另一种基于智能客服的会话推荐方法，通过上述方式，目标会话与候选回复信息可以分别根据第二匹配模型所包括的输入层得到对应的词向量特征，由于目标会话与候选回复信息是在相同的领域语料中，具有相同的数据分布，所得到的词向量特征能够较为准确的体现会话语义，由此提升后续所得到的目标相似度，有利于实现精确匹配，提升会话处理匹配度。
可选地，在上述图11所对应的实施例的基础上，本申请实施例提供的会话推荐装置300的另一实施例中，
获取模块301，具体用于：
基于第一词向量特征的j个词向量子特征，通过第二匹配模型所包括的编码层获取目标会话所对应的第一编码向量，其中，第一编码向量包括j个元素，编码层属于表示层；
基于第二词向量特征，通过第二匹配模型所包括的编码层获取第二编码向量；
基于目标会话所对应的第一编码向量，通过第二匹配模型所包括的注意力层，获取目标会话所对应的第一注意力值；
基于第二编码向量，通过第二匹配模型所包括的注意力层，获取第二注意力值。
本申请实施例中，提供了另一种基于智能客服的会话推荐方法，通过上述方式，可以基于第一词向量特征以及第二词向量特征通过编码层获取分别对应的编码向量，并进一步地通过注意力层，获取对应的注意力值。对于第一编码向量而言，经过多次的注意力层所获取第一注意力值，能更为准确的获取交互矩阵集合，提升匹配分值准确度，从而提升会话推荐的准确度。
可选地，在上述图11所对应的实施例的基础上，本申请实施例提供的会话推荐装置300的另一实施例中，
获取模块301，具体用于：
基于目标会话所对应的第一编码向量以及第二编码向量，通过第二匹配模型所包括的卷积层获取L个匹配矩阵，其中，卷积层属于匹配层，L为大于或等于1的整数；
基于目标会话所对应的第一注意力值、第二注意力值以及L个匹配矩阵，通过第二匹配模型所包括的匹配层获取目标会话所对应的交互矩阵。
本申请实施例中，提供了一种获取交互矩阵集合的方法，通过上述方式，第二匹配模型所包括的卷积层对第一编码向量以及第二编码向量进行多次卷积操作，提取第一编码向量以及第二编码向量的局部特征，并把每类局部特征都构建为一个匹配矩阵，该匹配矩阵能够准确的指示目标会话的特性，因此由该匹配矩阵，第一注意力值以及第二注意力值所得到的交互矩阵，能够提升匹配特征获取的准确性，从而提升匹配分值的准确度。
可选地，在上述图11所对应的实施例的基础上，本申请实施例提供的会话推荐装置300的另一实施例中，会话推荐装置300还包括发送模块305，
发送模块305，用于向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息，且当第一客户端接收会话选择指令时，第一客户端向第二客户端发送推荐回复信息。
本申请实施例中，提供了另一种基于智能客服的会话推荐方法，通过上述方式，可以将基于智能客服的所确定推荐回复信息向人工客服展示，可以的使得人工客服学习并且更新会话推荐话术，提升会话推荐匹配率。其次，根据会话选择指令发送合适的推荐会话，由此也可以提升智能问答的匹配能力，并且有利于实现精确匹配，提升会话处理效率以及匹配度。
可选地，在上述图11所对应的实施例的基础上，本申请实施例提供的会话推荐装置300的另一实施例中，会话推荐装置300还包括接收模块306，生成模块307以及添加模块308，
发送模块305，还用于向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息；
接收模块306，用于接收第一客户端发送的目标推荐回复信息；
生成模块307，用于根据目标推荐回复信息与历史会话集合生成更新样本，其中，目标推荐回复信息与历史会话集合之间具有对应关系；
添加模块308，用于将更新样本添加至样本库。
本申请实施例中，提供了另一种基于智能客服的会话推荐方法，通过上述方式，通过将推荐回复信息修正为目标推荐回复信息，并且根据该目标推荐回复信息更新样本库，提升推荐回复信息的匹配度。
下面对本申请中的会话推荐装置进行详细描述，请参阅图11，图11为本申请实施例中会话推荐装置一个实施例示意图，会话推荐装置400包括：
获取模块401，用于获取历史会话集合，其中，历史会话集合包括至少一轮会话，且每轮会话包括至少一个句子信息，至少一轮会话包括当前轮次所对应的目标会话；
获取模块401，还用于基于目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，其中，待匹配会话集合包括N个待匹配会话，相似会话集合包括K个相似会话，N为大于或等于1的整数，K为大于或等于1，且小于或等于N的整数；
获取模块401，还用于根据相似会话集合从样本库中获取候选回复信息集合，其中，候选回复信息集合包括K个候选回复信息，且候选回复信息与相似会话具有对应关系；
获取模块401，还用于基于历史会话集合以及候选回复信息集合，通过第二匹配模型获取K个匹配分值，其中，每个匹配分值对应一个候选回复信息；
确定模块402，用于将K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，其中，目标匹配分值为K个匹配分值中的最大值；
发送模块403，用于向第一客户端发送推荐回复信息，以使第一客户端通过智能客服界面展示推荐回复信息，且当第一客户端接收会话选择指令时，第一客户端向第二客户端发送推荐回复信息。
本申请实施例中，提供了一种基于智能客服的会话推荐方法，通过上述方式，采用了两种不同模式的匹配模型进行会话的推荐，即先使用第一匹配模型筛选出候选回复集合，再使用第二匹配模型输出匹配分值，基于匹配分值选择合适的推荐会话，在输出匹配分值的过程中，考虑到了历史会话集合与候选回复集合之间的交互特征，从而在文本表征上具有更多的信息量，其次，可以的使得人工客服学习并且更新会话推荐话术，提升会话推荐匹配率，还可以根据会话选择指令发送合适的推荐会话，由此提升智能问答的匹配能力，并且有利于实现精确匹配，提升会话处理效率以及匹配度。
本申请实施例还提供了另一种会话推荐装置，会话推荐装置可以部署于电子设备上，该电子设备可以是服务器，请参阅图12，图12为本申请实施例中服务器一个实施例示意图如图所示，该服务器500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)522(例如，一个或一个以上处理器)和存储器532，一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器522可以设置为与存储介质530通信，在服务器500上执行存储介质530中的一系列指令操作。
服务器500还可以包括一个或一个以上电源526，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口558，和/或，一个或一个以上操作系统541，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图12所示的服务器结构。
在本申请实施例中，该服务器所包括的CPU 522用于执行如图2对应的各个实施例，该服务器所包括的CPU 522还用于执行如图9对应的各个实施例。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述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，所揭露的系统，装置和方法，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，所述单元的划分，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。另一点，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，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。
所述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，服务器，或者网络设备等)执行本申请各个实施例所述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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (15)

1.一种基于智能客服的会话推荐方法，其特征在于，包括：
获取历史会话集合，其中，所述历史会话集合包括至少一轮会话，且每轮会话包括至少一个句子信息，所述至少一轮会话包括当前轮次所对应的目标会话；
基于所述目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，其中，所述待匹配会话集合包括N个待匹配会话，所述相似会话集合包括K个相似会话，所述N为大于或等于1的整数，所述K为大于或等于1，且小于或等于所述N的整数；
根据所述相似会话集合从所述样本库中获取候选回复信息集合，其中，所述候选回复信息集合包括K个候选回复信息，且所述候选回复信息与所述相似会话具有对应关系；
基于所述历史会话集合以及所述候选回复信息集合，通过第二匹配模型获取K个匹配分值，其中，每个匹配分值对应一个候选回复信息；
将所述K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，其中，所述目标匹配分值为所述K个匹配分值中的最大值。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合之前，所述方法还包括：
从所述样本库中获取所述待匹配会话集合的待匹配会话，其中，所述待匹配会话包括至少一个句子信息；
对所述待匹配会话中的各个句子信息进行拼接处理，得到第一句子信息，其中，所述第一句子信息包括至少一个词语信息；
对所述目标会话中的各个句子信息进行拼接处理，得到第二句子信息，其中，所述第二子信息包括至少一个词语信息；
所述基于所述目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，包括：
基于所述待匹配会话对应的所述第一句子信息，通过所述第一匹配模型获取第一句子向量；
基于所述目标会话对应的所述第二句子信息，通过所述第一匹配模型获取第二句子向量；
基于所述第一句子向量以及所述第二句子向量，通过所述第一匹配模型输出所述待匹配会话与所述目标会话之间的目标相似度；
若所述目标相似度满足相似会话提取条件，则将所述待匹配会话确定为所述相似会话集合中的一个相似会话。
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一句子向量以及所述第二句子向量，通过所述第一匹配模型输出所述待匹配会话与所述目标会话之间的目标相似度之后，所述方法还包括：
对所述目标相似度以及(N-1)个相似度进行从高至低排序，得到相似度序列，其中，所述(N-1)个相似度为所述待匹配会话集合中(N-1)个待匹配会话与所述目标会话之间的相似度；
从所述相似度序列中获取前K个相似度；
若所述目标相似度属于所述前K个相似度，则确定所述目标相似度满足所述相似会话提取条件；
若所述目标相似度不属于所述前K个相似度，则确定所述目标相似度不满足所述相似会话提取条件。
4.根据权利要求2所述的方法，其特征在于，所述基于所述第一句子向量以及所述第二句子向量，通过所述第一匹配模型输出所述待匹配会话与所述目标会话之间的目标相似度之后，所述方法还包括：
若所述目标相似度大于或等于相似性度量阈值，则确定所述目标相似度满足所述相似会话提取条件；
若所述目标相似度小于所述相似性度量阈值，则确定所述目标相似度不满足所述相似会话提取条件。
5.根据权利要求1所述的方法，其特征在于，所述基于所述历史会话集合以及所述候选回复信息集合，通过第二匹配模型获取K个匹配分值，包括：
基于所述历史会话集合以及所述候选回复信息集合中的候选回复信息，通过所述第二匹配模型所包括的输入层获取所述历史会话集合所对应的第一词向量特征集合，以及所述候选回复信息所对应的第二词向量特征，其中，所述第一词向量特征集合包括至少一个第一词向量特征，所述第一词向量特征与所述历史会话集合中的会话具有对应关系；
基于所述第一词向量特征集合以及所述第二词向量特征，通过所述第二匹配模型所包括的表示层获取所述第一词向量特征集合所对应的第一注意力值集合，以及所述第二词向量特征所对应的第二注意力值，其中，所述第一注意力值集合包括至少一个第一注意力值；
基于所述第一注意力值集合以及所述第二注意力值，通过所述第二匹配模型所包括的匹配层获取交互矩阵集合，其中，所述交互矩阵集合包括至少一个交互矩阵；
基于所述交互矩阵集合，通过所述第二匹配模型所包括的组合层获取匹配特征；
基于所述匹配特征，所述第二匹配模型所包括的输出层获取所述候选回复信息所对应的匹配分值。
6.根据权利要求5所述的方法，其特征在于，所述基于所述历史会话集合以及所述候选回复信息集合中的候选回复信息，通过所述第二匹配模型所包括的输入层获取所述历史会话集合所对应的第一词向量特征集合，以及所述候选回复信息所对应的第二词向量特征，包括：
基于所述历史会话集合中的所述目标会话，通过所述第二匹配模型所包括的输入层获取所述目标会话所对应的第一词向量特征，其中，所述目标会话包括j个句子信息，所述第一词向量特征包括j个词向量子特征，所述j为大于或等于1的整数；
基于所述候选回复信息集合中的候选回复信息，通过所述第二匹配模型所包括的输入层获取所述第二词向量特征。
7.根据权利要求6所述的方法，其特征在于，所述基于所述第一词向量特征集合以及所述第二词向量特征，通过所述第二匹配模型所包括的表示层获取所述第一词向量特征集合所对应的第一注意力值集合，以及所述第二词向量特征所对应的第二注意力值，包括：
基于所述第一词向量特征的所述j个词向量子特征，通过所述第二匹配模型所包括的编码层获取所述目标会话所对应的第一编码向量，其中，所述第一编码向量包括j个元素，所述编码层属于所述表示层；
基于所述第二词向量特征，通过所述第二匹配模型所包括的编码层获取第二编码向量；
基于所述目标会话所对应的第一编码向量，通过所述第二匹配模型所包括的注意力层，获取所述目标会话所对应的第一注意力值；
基于所述第二编码向量，通过所述第二匹配模型所包括的注意力层，获取所述第二注意力值。
8.根据权利要求7所述的方法，其特征在于，所述基于所述第一注意力值集合以及所述第二注意力值，通过所述第二匹配模型所包括的匹配层获取交互矩阵集合，包括：
基于所述目标会话所对应的第一编码向量以及所述第二编码向量，通过所述第二匹配模型所包括的卷积层获取L个匹配矩阵，其中，所述卷积层属于所述匹配层，所述L为大于或等于1的整数；
基于所述目标会话所对应的第一注意力值、所述第二注意力值以及所述L个匹配矩阵，通过所述第二匹配模型所包括的匹配层获取所述目标会话所对应的交互矩阵。
9.根据权利要求1至8中任一项所述的方法，其特征在于，所述将所述K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息之后，所述方法还包括：
向第一客户端发送所述推荐回复信息，以使所述第一客户端通过智能客服界面展示所述推荐回复信息，且当所述第一客户端接收会话选择指令时，所述第一客户端向第二客户端发送所述推荐回复信息。
10.根据权利要求1至8中任一项所述的方法，其特征在于，所述将所述K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息之后，所述方法还包括：
向第一客户端发送所述推荐回复信息，以使所述第一客户端通过智能客服界面展示所述推荐回复信息；
接收所述第一客户端发送的目标推荐回复信息；
根据所述目标推荐回复信息与所述历史会话集合生成更新样本，其中，所述目标推荐回复信息与所述历史会话集合之间具有对应关系；
将所述更新样本添加至所述样本库。
11.一种基于智能客服的会话推荐方法，其特征在于，包括：
获取历史会话集合，其中，所述历史会话集合包括至少一轮会话，且每轮会话包括至少一个句子信息，所述至少一轮会话包括当前轮次所对应的目标会话；
基于所述目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，其中，所述待匹配会话集合包括N个待匹配会话，所述相似会话集合包括K个相似会话，所述N为大于或等于1的整数，所述K为大于或等于1，且小于或等于所述N的整数；
根据所述相似会话集合从所述样本库中获取候选回复信息集合，其中，所述候选回复信息集合包括K个候选回复信息，且所述候选回复信息与所述相似会话具有对应关系；
基于所述历史会话集合以及所述候选回复信息集合，通过第二匹配模型获取K个匹配分值，其中，每个匹配分值对应一个候选回复信息；
将所述K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，其中，所述目标匹配分值为所述K个匹配分值中的最大值；
向第一客户端发送所述推荐回复信息，以使所述第一客户端通过智能客服界面展示所述推荐回复信息，且当所述第一客户端接收会话选择指令时，所述第一客户端向第二客户端发送所述推荐回复信息。
12.一种会话推荐装置，其特征在于，包括：
获取模块，用于获取历史会话集合，其中，所述历史会话集合包括至少一轮会话，且每轮会话包括至少一个句子信息，所述至少一轮会话包括当前轮次所对应的目标会话；
所述获取模块，还用于基于所述目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，其中，所述待匹配会话集合包括N个待匹配会话，所述相似会话集合包括K个相似会话，所述N为大于或等于1的整数，所述K为大于或等于1，且小于或等于所述N的整数；
所述获取模块，还用于根据所述相似会话集合从所述样本库中获取候选回复信息集合，其中，所述候选回复信息集合包括K个候选回复信息，且所述候选回复信息与所述相似会话具有对应关系；
所述获取模块，还用于基于所述历史会话集合以及所述候选回复信息集合，通过第二匹配模型获取K个匹配分值，其中，每个匹配分值对应一个候选回复信息；
确定模块，用于将所述K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，其中，所述目标匹配分值为所述K个匹配分值中的最大值。
13.一种会话推荐装置，其特征在于，包括：
获取模块，用于获取历史会话集合，其中，所述历史会话集合包括至少一轮会话，且每轮会话包括至少一个句子信息，所述至少一轮会话包括当前轮次所对应的目标会话；
所述获取模块，还用于基于所述目标会话以及样本库中已存储的待匹配会话集合，通过第一匹配模型获取相似会话集合，其中，所述待匹配会话集合包括N个待匹配会话，所述相似会话集合包括K个相似会话，所述N为大于或等于1的整数，所述K为大于或等于1，且小于或等于所述N的整数，
所述获取模块，还用于根据所述相似会话集合从所述样本库中获取候选回复信息集合，其中，所述候选回复信息集合包括K个候选回复信息，且所述候选回复信息与所述相似会话具有对应关系；
所述获取模块，还用于基于所述历史会话集合以及所述候选回复信息集合，通过第二匹配模型获取K个匹配分值，其中，每个匹配分值对应一个候选回复信息；
确定模块，用于将所述K个匹配分值中目标匹配分值所对应的候选回复信息确定为推荐回复信息，其中，所述目标匹配分值为所述K个匹配分值中的最大值；
发送模块，用于向第一客户端发送所述推荐回复信息，以使所述第一客户端通过智能客服界面展示所述推荐回复信息，且当所述第一客户端接收会话选择指令时，所述第一客户端向第二客户端发送所述推荐回复信息。
14.一种计算机设备，其特征在于，包括：存储器、收发器、处理器以及总线系统；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，所述处理器用于根据所述程序代码中的指令执行权利要求1至10中任一项所述的会话推荐方法，或，执行权利要求11所述的会话推荐方法；
所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
15.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至10中任一项所述的方法，或，执行如权利要求11所述的方法。
CN202010067135.5A 2020-01-20 2020-01-20 一种基于智能客服的会话推荐方法及相关装置 Active CN111291170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010067135.5A CN111291170B (zh) 2020-01-20 2020-01-20 一种基于智能客服的会话推荐方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010067135.5A CN111291170B (zh) 2020-01-20 2020-01-20 一种基于智能客服的会话推荐方法及相关装置

Publications (2)

Publication Number Publication Date
CN111291170A true CN111291170A (zh) 2020-06-16
CN111291170B CN111291170B (zh) 2023-09-19

Family

ID=71022279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010067135.5A Active CN111291170B (zh) 2020-01-20 2020-01-20 一种基于智能客服的会话推荐方法及相关装置

Country Status (1)

Country Link
CN (1) CN111291170B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753073A (zh) * 2020-06-29 2020-10-09 北京联想软件有限公司 一种会话交互的处理方法、装置及电子设备
CN112597292A (zh) * 2020-12-29 2021-04-02 招联消费金融有限公司 问题回复推荐方法、装置、计算机设备和存储介质
CN112632252A (zh) * 2020-12-25 2021-04-09 中电金信软件有限公司 对话应答方法、装置、计算机设备和存储介质
CN113157896A (zh) * 2021-05-26 2021-07-23 中国平安人寿保险股份有限公司 一种语音对话生成方法、装置、计算机设备及存储介质
CN113343248A (zh) * 2021-07-19 2021-09-03 北京有竹居网络技术有限公司 一种漏洞识别方法、装置、设备和存储介质
CN116049375A (zh) * 2023-03-06 2023-05-02 环球数科集团有限公司 一种基于aigc的智能客服应答系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015028607A1 (en) * 2013-08-30 2015-03-05 Accenture Global Services Limited Agent system, agent control method, agent control program, and recording medium, with ability of natural conversation with users
WO2015176518A1 (zh) * 2014-05-22 2015-11-26 华为技术有限公司 一种回复信息推荐方法及装置
WO2017041370A1 (zh) * 2015-09-07 2017-03-16 百度在线网络技术（北京）有限公司 基于人工智能的人机聊天方法和装置
CN108491433A (zh) * 2018-02-09 2018-09-04 平安科技（深圳）有限公司 聊天应答方法、电子装置及存储介质
CN109597881A (zh) * 2018-12-17 2019-04-09 北京百度网讯科技有限公司 匹配度确定方法、装置、设备和介质
CN110008322A (zh) * 2019-03-25 2019-07-12 阿里巴巴集团控股有限公司 多轮对话场景下的话术推荐方法和装置
CN110059172A (zh) * 2019-04-19 2019-07-26 北京百度网讯科技有限公司 基于自然语言理解的推荐答案的方法和装置
CN110083693A (zh) * 2019-04-28 2019-08-02 腾讯科技（深圳）有限公司 机器人对话回复方法及装置
CN110209897A (zh) * 2018-02-12 2019-09-06 腾讯科技（深圳）有限公司 智能对话方法、装置、存储介质及设备
CN110309287A (zh) * 2019-07-08 2019-10-08 北京邮电大学 建模对话轮次信息的检索式闲聊对话打分方法
CN110390107A (zh) * 2019-07-26 2019-10-29 腾讯科技（深圳）有限公司 基于人工智能的下文关系检测方法、装置及计算机设备
US20190333020A1 (en) * 2018-04-27 2019-10-31 Microsoft Technology Licensing, Llc Generating personalized smart responses

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015028607A1 (en) * 2013-08-30 2015-03-05 Accenture Global Services Limited Agent system, agent control method, agent control program, and recording medium, with ability of natural conversation with users
WO2015176518A1 (zh) * 2014-05-22 2015-11-26 华为技术有限公司 一种回复信息推荐方法及装置
WO2017041370A1 (zh) * 2015-09-07 2017-03-16 百度在线网络技术（北京）有限公司 基于人工智能的人机聊天方法和装置
WO2019153613A1 (zh) * 2018-02-09 2019-08-15 平安科技（深圳）有限公司 聊天应答方法、电子装置及存储介质
CN108491433A (zh) * 2018-02-09 2018-09-04 平安科技（深圳）有限公司 聊天应答方法、电子装置及存储介质
CN110209897A (zh) * 2018-02-12 2019-09-06 腾讯科技（深圳）有限公司 智能对话方法、装置、存储介质及设备
US20190333020A1 (en) * 2018-04-27 2019-10-31 Microsoft Technology Licensing, Llc Generating personalized smart responses
CN109597881A (zh) * 2018-12-17 2019-04-09 北京百度网讯科技有限公司 匹配度确定方法、装置、设备和介质
CN110008322A (zh) * 2019-03-25 2019-07-12 阿里巴巴集团控股有限公司 多轮对话场景下的话术推荐方法和装置
CN110059172A (zh) * 2019-04-19 2019-07-26 北京百度网讯科技有限公司 基于自然语言理解的推荐答案的方法和装置
CN110083693A (zh) * 2019-04-28 2019-08-02 腾讯科技（深圳）有限公司 机器人对话回复方法及装置
CN110309287A (zh) * 2019-07-08 2019-10-08 北京邮电大学 建模对话轮次信息的检索式闲聊对话打分方法
CN110390107A (zh) * 2019-07-26 2019-10-29 腾讯科技（深圳）有限公司 基于人工智能的下文关系检测方法、装置及计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王益尧;: "基于多特征融合问句理解问答系统研究", 数据通信, no. 02, pages 41 - 45 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753073A (zh) * 2020-06-29 2020-10-09 北京联想软件有限公司 一种会话交互的处理方法、装置及电子设备
CN112632252A (zh) * 2020-12-25 2021-04-09 中电金信软件有限公司 对话应答方法、装置、计算机设备和存储介质
CN112597292A (zh) * 2020-12-29 2021-04-02 招联消费金融有限公司 问题回复推荐方法、装置、计算机设备和存储介质
CN112597292B (zh) * 2020-12-29 2024-04-26 招联消费金融股份有限公司 问题回复推荐方法、装置、计算机设备和存储介质
CN113157896A (zh) * 2021-05-26 2021-07-23 中国平安人寿保险股份有限公司 一种语音对话生成方法、装置、计算机设备及存储介质
CN113157896B (zh) * 2021-05-26 2024-03-29 中国平安人寿保险股份有限公司 一种语音对话生成方法、装置、计算机设备及存储介质
CN113343248A (zh) * 2021-07-19 2021-09-03 北京有竹居网络技术有限公司 一种漏洞识别方法、装置、设备和存储介质
CN116049375A (zh) * 2023-03-06 2023-05-02 环球数科集团有限公司 一种基于aigc的智能客服应答系统
CN116049375B (zh) * 2023-03-06 2023-05-30 环球数科集团有限公司 一种基于aigc的智能客服应答系统

Also Published As

Publication number Publication date
CN111291170B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN111291170B (zh) 一种基于智能客服的会话推荐方法及相关装置
CN110188182A (zh) 模型训练方法、对话生成方法、装置、设备及介质
CN111931062A (zh) 一种信息推荐模型的训练方法和相关装置
CN110020022B (zh) 数据处理方法、装置、设备及可读存储介质
CN115064020B (zh) 基于数字孪生技术的智慧教学方法、系统及存储介质
CN112989120B (zh) 一种视频片段查询系统和视频片段查询方法
CN116010684A (zh) 物品推荐方法、装置及存储介质
CN113761153A (zh) 基于图片的问答处理方法、装置、可读介质及电子设备
CN111949886A (zh) 一种用于信息推荐的样本数据生成方法和相关装置
CN114330966A (zh) 一种风险预测方法、装置、设备以及可读存储介质
CN116894711A (zh) 商品推荐理由生成方法及其装置、电子设备
CN113641797A (zh) 数据处理方法、装置、设备、存储介质及计算机程序产品
CN113779225A (zh) 实体链接模型的训练方法、实体链接方法及装置
CN114398973B (zh) 一种媒体内容标签识别方法、装置、设备及存储介质
CN114201516A (zh) 一种用户画像构建的方法、信息推荐的方法以及相关装置
CN112800339B (zh) 信息流搜索方法、装置及设备
CN111767953B (zh) 用于训练物品编码模型的方法和装置
CN116957128A (zh) 业务指标预测方法、装置、设备和存储介质
CN115587192A (zh) 关系信息抽取方法、设备及计算机可读存储介质
CN115700579A (zh) 广告文本生成方法及其装置、设备、介质
CN115309905A (zh) 广告文本生成方法及其装置、设备、介质
CN115130561A (zh) 池化算子的处理方法、装置、设备及存储介质
CN113741759A (zh) 评论信息的展示方法、装置、计算机设备和存储介质
CN117633540B (zh) 样本数据构建方法及装置
CN117149957B (zh) 文本处理方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40023542

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant