CN111309882A - 用于实现智能客服问答的方法和装置 - Google Patents
用于实现智能客服问答的方法和装置 Download PDFInfo
- Publication number
- CN111309882A CN111309882A CN202010089800.0A CN202010089800A CN111309882A CN 111309882 A CN111309882 A CN 111309882A CN 202010089800 A CN202010089800 A CN 202010089800A CN 111309882 A CN111309882 A CN 111309882A
- Authority
- CN
- China
- Prior art keywords
- information
- question text
- question
- service
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- G06F16/35—Clustering; Classification
Abstract
本说明书的实施例提供了用于实现智能客服问答的方法、装置、计算设备和机器可读存储介质。该方法可以包括:获取用户的问句文本;对问句文本进行分类识别处理,以确定问句文本是否包括有效信息,其中,有效信息包括业务词和诉求信息中的至少一项,业务词表示问句文本涉及的业务,诉求信息表示用户的疑问点;基于问句文本是否包括有效信息,确定针对问句文本的答复。
Description
技术领域
本说明书的实施例涉及信息技术领域,并且更具体地,涉及用于实现智能客服问答的方法、装置、计算设备和机器可读存储介质。
背景技术
目前针对各种不同的业务都有专门的客服工作。客服工作主要是对用户所提出的问题或需求等进行回应。传统的客服工作是由人工来完成。为了降低客服工作的人工成本,现有技术中已提出了智能客服方案。在智能客服方案中,可以通过机器来自动回复用户的问题,从而能够将人工客服从大量重复性问答中解放出来。
然而,在用户与机器的交互过程中,用户的问句可能并非都是标准问句,比如较为口语化或简略化等等,这样容易导致机器的自动回复的准确率和匹配度相对较差,影响用户的服务体验。
发明内容
考虑到现有技术的上述问题,本说明书的实施例提供了用于实现智能客服问答的方法、装置、计算设备和机器可读存储介质。
一方面,本说明书的实施例提供了一种用于实现智能客服问答的方法,包括:获取用户的问句文本;对所述问句文本进行分类识别处理,以确定所述问句文本是否包括有效信息,其中,所述有效信息包括业务词和诉求信息中的至少一项,所述业务词表示所述问句文本涉及的业务,所述诉求信息表示所述用户的疑问点;基于所述问句文本是否包括所述有效信息,确定针对所述问句文本的答复。
另一方面,本说明书的实施例提供了一种用于实现智能客服问答的装置,包括:获取单元,被配置为:获取用户的问句文本;识别单元,被配置为:对所述问句文本进行分类识别处理,以确定所述问句文本是否包括有效信息,其中,所述有效信息包括业务词和诉求信息中的至少一项,所述业务词表示所述问句文本涉及的业务,所述诉求信息表示所述用户的疑问点;确定单元,被配置为:基于所述问句文本是否包括所述有效信息,确定针对所述问句文本的答复。
另一方面,本说明书的实施例提供了一种计算设备,包括:至少一个处理器;与所述至少一个处理器耦合的存储器,其上存储有可执行指令,所述可执行指令在被所述至少一个处理器执行时使得所述至少一个处理器实现上述方法。
另一方面,本说明书的实施例提供了一种机器可读存储介质,其存储有可执行指令,所述可执行指令在被执行时使得机器执行上述方法。
在该技术方案中,通过对用户的问句文本进行二元分类识别处理,然后基于识别结果来确定相应的答复,能够有效地提高答复的准确性和匹配度。此外,这种方式也能够更好地利用各个业务之间的公共信息,并且能够更好地应对问句不完整导致的模糊性问题,从而有效地提升用户的服务体验和智能客服的服务质量。
附图说明
通过结合附图对本说明书的实施例的更详细的描述,本说明书的实施例的上述以及其它目的、特征和优势将变得更加明显,其中,在本说明书的实施例中,相同的附图标记通常代表相同的元素。
图1是根据一个实施例的用于实现智能客服问答的方法的示意性流程图。
图2是根据一个实施例的用于实现智能客服问答的过程的示意性流程图。
图3是根据一个实施例的用于实现智能客服问答的装置的示意性框图。
图4是根据一个实施例的用于实现智能客服问答的计算设备的硬件结构图。
具体实施方式
现在将参考各实施例讨论本文描述的主题。应当理解的是,讨论这些实施例仅是为了使得本领域技术人员能够更好地理解并且实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离权利要求书的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个实施例可以根据需要,省略、替换或者添加各种过程或组件。
由于智能客服能够通过机器来自动答复用户的问题,极大地降低客服工作的人工成本,因此智能客服越来越常见。
目前,智能客服通常依赖于自然语言处理(Natural Language Processing,NLP)技术来实现。例如,可以通过将用户的问句文本作为整体进行分析,确定问句文本与目标文本之间的文本相似度,进而确定相应的答复。为了使得答复较为匹配或准确,这种处理方式通常需要用户的问句文本是标准的或完整的。然而,用户在与机器进行交互的过程中,可能经常会使用较为口语化或简略化的语言来提问,而非标准的或完整的问句。例如,用户可能提问“如何开通”、“额度是多少”等等这种简化的问句,在这种情况下,可能会产生问句模糊性问题,导致机器的自动答复不太准确或匹配,从而影响用户的服务体验和智能客服的服务质量。
鉴于此,本说明书提供了一种用于实现智能客服问答的技术方案。在该技术方案中,可以针对问句文本进行分类识别处理,以便确定问句文本是否包括有效信息。例如,有效信息可以包括业务词和诉求信息中的至少一项。业务词可以表示问句文本所涉及的业务,而诉求信息可以表示用户的疑问点。
具体而言,在该技术方案中,实际上是针对问句文本进行二元分类识别。例如,分类标签可以是“业务词”和“诉求”。在针对问句文本进行“业务词”和“诉求”识别之后,可以基于识别结果来确定针对问句文本的答复。这样,通过对问句文本的这种二元结构分解,能够提高答复的准确性和匹配度,而且能够更好地利用各个业务之间的公共信息,并且能够更好地应对问句不完整导致的模糊性问题,从而有效地提升用户的服务体验和智能客服的服务质量。
下面将结合具体实施例来描述本说明书的技术方案。
图1是根据一个实施例的用于实现智能客服问答的方法的示意性流程图。
如图1所示,在步骤102中,可以获取用户的问句文本。
在步骤104中,可以对问句文本进行分类识别处理,以确定问句文本是否包括有效信息。
有效信息可以包括业务词和诉求信息中的至少一项。业务词可以表示问句文本涉及的业务,诉求信息可以表示用户的疑问点。
在步骤106中,可以基于问句文本是否包括有效信息,确定针对问句文本的答复。
在该技术方案中,通过对用户的问句文本进行二元分类识别处理,然后基于识别结果来确定相应的答复,能够有效地提高答复的准确性和匹配度。此外,这种方式也能够更好地利用各个业务之间的公共信息,并且能够更好地应对问句不完整导致的模糊性问题,从而有效地提升用户的服务体验和智能客服的服务质量。
在一个实施例中,用户的问句文本可以是用户在用户界面上直接输入的文本。或者,用户的问句文本也可以是通过对用户在用户界面上输入的语音转换得到的。例如,用户界面可以是用于进行客服的界面。
在一个实施例中,在步骤104中,可以基于文本分析算法,对问句文本进行二元分类识别处理,以便确定问句文本是否包括有效消息,比如业务词和/或诉求信息。在实现时,可以通过一个模型来实现对业务词和诉求信息的识别,从而能够提供识别准确性。
文本分析算法可以包括任何适用的算法,比如包括本领域中已知的各种算法以及未来可能开发的各种适用算法。例如,可以采用深度学习的各种算法来对问句文本进行二元分类识别处理,比如循环神经网络(Recurrent Neural Network,RNN)、长短期记忆(LongShort Term Memory,LSTM)、基于Transformer的双向编码器表征(Bidirectional EncoderRepresentations from Transformers,BERT)等等。
例如,用户的问句文本为:“我想要开通某银行,需要什么样的条件?”那么,针对该问句文本进行二元分类识别,识别出如下的业务词和诉求信息。
业务词:某银行;
诉求信息:开通条件。
可见,通过对问句文本的这种二元结构分解,能够清晰地确定用户的提问的意图,从而提供更为准确的答复,提升用户的服务体验。
在一个实施例中,在步骤106中,如果问句文本包括有效信息,则可以基于有效信息,确定针对问句文本的有效答复。例如,可以基于问句文本中的业务词和/或诉求信息,确定相应的有效答复。例如,这样的有效答复可以包括针对问句文本的知识点。
如果问句文本不包括有效信息,则可以确定针对问句文本的闲聊答复。例如,闲聊答复可以包括“您好”、“对不起”之类的答复等等。
此外,在确定针对问句文本的答复之后,可以向用户输出该答复。
在一个实施例中,针对问句文本包括有效信息而言,可以存在多种不同的情况来确定有效答复。
在一种实现中,有效信息可以包括业务词和诉求信息。这样,可以基于业务词和诉求信息,确定与问句文本相匹配的答案。
例如,可以基于业务词和诉求信息的组合来确定相应的答案。比如,在上面的例子中,业务词为“某银行”,诉求信息为“开通条件”,那么业务词与诉求信息的组合为“某银行的开通条件”,那么可以确定针对“某银行的开通条件”的具体答案。之后,可以向用户输出该答案。
在一种实现中,有效信息可以包括诉求信息,而不包括业务词。在这种情况下,可以执行业务词填充操作。然后,可以基于业务词填充操作的执行结果和诉求信息,确定针对问句文本的有效答复。
例如,可以尝试基于因子信息、问句文本的上下文信息等来获取业务词。例如,因子信息可以包括用户的行为信息、用户的属性信息等等。比如,用户的行为信息可以包括用户对某个应用的浏览轨迹等等。用户的属性信息可以包括用户的账户信息、用户的订单状态信息、用户最近是否有提现操作等等。
如果获取到业务词,则可以基于业务词和诉求信息,确定与问句文本相匹配的答案。
例如,假设用户的问句文本为“如何开通”,而在此之前,用户提问了“贷款产品1的额度是多少”等这类的问题,那么,可以确定业务词为“贷款产品1”。这样,基于业务词“贷款产品1”和诉求信息“如何开通”,可以确定针对“如何开通贷款产品1”的具体答案。之后,可以向用户输出该答案。
可见,通过根据上下文信息、用户的行为信息、用户的属性信息等等来填充业务词,能够向用户提供更为准确的答复,从而提升智能客服的服务质量。
如果未能获取到业务词,则可以基于诉求信息,确定第一应答文本。第一应答文本可以包括用于由用户进行选择的至少一个候选业务词。
例如,如果无法获取到业务词,则可以采用对话状态跟踪(Dialogue StateTracking,DST)技术,基于诉求信息来确定第一应答文本。在第一应答文本中,可以提供至少一个候选业务词,以便用户从中选择最有可能的业务词。这也可以理解为,将业务词补全之后,向用户提出反问。这样,可以基于用户针对至少一个候选业务词的选择,从而进行下一轮答复。
至少一个候选业务词可以是基于各种信息来确定的。例如,可以基于大量用户的行为信息、属性信息、历史问答信息等等,结合上述用户的行为信息和属性信息以及问句文本的上下文信息,确定高频的业务词作为候选业务词。
比如,用户的问句文本为“开通”,则基于诉求信息“开通”,可以确定第一应答文本为“您是要开通贷款产品1还是贷款产品2”。
可见,通过向用户提供至少一个候选业务词以供用户选择,能够进一步明确用户提问的意图,从而提供更为准确的答复,由此提升智能客服的服务质量。
在一种实现中,有效信息可以包括业务词,而不包括诉求信息。在这种情况下,可以基于业务词,确定第二应答文本。第二应答文本可以包括用于由用户进行选择的至少一项候选诉求信息。
例如,可以采用DST技术,基于业务词来确定第二应答文本。在第二应答文本中,可以提供至少一项候选诉求信息,使得用户能够选择最有可能的诉求信息。之后,可以基于用户对至少一项候选诉求信息的选择,进行下一轮答复。
至少一项候选诉求信息可以是基于各种信息来确定的。例如,可以基于大量用户的行为信息、属性信息、历史问答信息等等,结合上述用户的行为信息和属性信息以及问句文本的上下文信息,确定高频的诉求信息作为候选诉求信息。
比如,用户的问句文本为“贷款产品1”,则基于业务词“贷款产品1”,可以确定第二应答文本为“贷款产品1开通”、“贷款产品1提高限额”等等。
可见,通过向用户提供至少一项候选诉求信息以供用户选择,能够进一步明确用户提问的意图,从而提供更为准确的答复,由此提升智能客服的服务质量。
为了本领域技术人员更好地理解本说明书的技术方案,下面将结合具体例子进行描述。应当理解的是,这些例子仅是示例性说明,并非对本说明书的技术方案进行限制。
图2是根据一个实施例的用于实现智能客服问答的过程的示意性流程图。
如图2所示,在步骤202中,可以获取用户的问句文本。
在步骤204中,可以对问句文本进行分类识别处理,以确定问句文本是否包括有效信息。
有效信息可以包括业务词和诉求信息中的至少一项。例如,可以基于文本分析算法,针对业务词和诉求信息来对问句文本进行分类识别。
在步骤206中,可以确定问句文本是否包括业务词。
如果问句文本不包括业务词,则在步骤208中,可以确定问句文本是否包括诉求信息。
如果问句文本也不包括诉求信息,则在步骤210中,确定针对问句文本的闲聊答复。
如果问句文本不包括业务词,但是包括诉求信息,则在步骤212中,可以基于用户的行为信息、属性信息、问句文本的上下文信息等等执行业务词填充操作。
在步骤214中,可以确定是否成功填充业务词。
如果未能获取到业务词,则在步骤216中,可以基于诉求信息来确定第一应答文本。第一应答文本可以包括用于由用户进行选择的至少一个候选业务词。
如果获取到业务词,则在步骤218中,可以基于业务词和诉求信息来确定与问句文本相匹配的答案。
如果问句文本包括业务词,则在步骤220中,可以确定问句文本是否包括诉求信息。
如果问句文本不包括诉求信息,则在步骤222中,可以基于业务词来确定第二应答文本。第二应答文本可以包括用于由用户进行选择的至少一项候选诉求信息。
如果问句文本包括业务词和诉求信息,则在步骤224中,可以基于业务词和诉求信息来确定针对问句文本的答案。
为了便于理解,下面通过具体的例子来进行说明。
例如,如果用户的问句文本是“理财产品1购买是否有限额”,那么针对该问句文本进行分类识别,可以确定业务词为“理财产品1”,而诉求信息为“是否限额”。这样,可以基于业务词和诉求信息,确定针对“理财产品1是否限额”的答案。
再例如,如果用户的问句文本是“你好”,那么针对该问句文本进行分类识别,可以确定不存在业务词和诉求信息,则可以确定闲聊答复,例如“您好”。
再例如,如果用户的问句文本是“理财产品1”,则可以确定该问句文本仅包括业务词“理财产品1”,而不包括诉求信息。这样,可以采用DST,基于业务词来确定应答文本,例如,该应答文本可以包括“如何开通”、“收益计算方式”、“简介”等候选诉求信息,以供用户进行选择。在用户针对候选诉求信息进行选择之后,可以基于业务词和用户所选择的诉求信息,确定相应的答案。
再例如,如果用户的问句文本是“购买限额是多少”,那么可以确定该问句文本仅包括诉求信息“购买限额是多少”,而不包括业务词。这样,可以执行业务词填充操作。
比如,如果在该问句文本的上文中,用户已经提问“理财产品1如何开通”、“理财产品1利息”等等,则可以推断出当前问句文本的最可能的业务词为“理财产品1”。然后,可以基于推断的业务词和诉求信息,确定针对“理财产品1是否限额”的答案。
如果通过用户的行为信息、属性信息、问句文本的上下文信息等并没有获取到相关的业务词,则可以采用DST,基于诉求信息来确定应答文本,例如,该应答文本可以包括“理财产品1”、“理财产品2”、“借款产品1”等候选业务词,以供用户进行选择。在用户针对候选业务词进行选择之后,可以基于用户所选择的业务词和诉求信息来确定相应的答案。
在该技术方案中,通过对用户的问句文本进行二元分类识别处理,然后基于识别结果来确定相应的答复,能够有效地提高答复的准确性和匹配度,并且能够更好地应对问句不完整导致的模糊性问题,从而有效地提升用户的服务体验和智能客服的服务质量。
图3是根据一个实施例的用于实现智能客服问答的装置的示意性框图。
如图3所示,装置300可以包括获取单元302、识别单元304和确定单元306。
获取单元302可以获取用户的问句文本。
识别单元304可以对问句文本进行分类识别处理,以确定问句文本是否包括有效信息。有效信息可以包括业务词和诉求信息中的至少一项,业务词可以表示问句文本涉及的业务,诉求信息可以表示用户的疑问点。
确定单元306可以基于问句文本是否包括有效信息,确定针对问句文本的答复。
在该技术方案中,通过对用户的问句文本进行二元分类识别处理,然后基于识别结果来确定相应的答复,能够有效地提高答复的准确性和匹配度。此外,这种方式也能够更好地利用各个业务之间的公共信息,并且能够更好地应对问句不完整导致的模糊性问题,从而有效地提升用户的服务体验和智能客服的服务质量。
在一个实施例中,如果问句文本包括有效信息,则确定单元306可以基于有效信息,确定针对问句文本的有效答复。
如果问句文本不包括有效信息,则确定单元306可以确定针对问句文本的闲聊答复。
在一个实施例中,有效信息可以包括业务词和诉求信息。
确定单元306可以基于业务词和诉求信息,确定与问句文本相匹配的答案。
在一个实施例中,有效信息可以包括诉求信息。
确定单元306可以执行业务词填充操作,并且基于业务词填充操作的执行结果和诉求信息,确定针对问句文本的有效答复。
在一个实施例中,确定单元306可以尝试基于以下信息来获取业务词:用户的行为信息、用户的属性信息、问句文本的上下文信息。
如果获取到业务词,则确定单元306基于业务词和诉求信息,确定与问句文本相匹配的答案。
如果未能获取到业务词,则确定单元306可以基于诉求信息,确定第一应答文本。第一应答文本可以包括用于由用户进行选择的至少一个候选业务词。
在一个实施例中,有效信息可以包括业务词。
确定单元306可以基于业务词,确定第二应答文本。第二应答文本可以包括用于由用户进行选择的至少一项候选诉求信息。
在一个实施例中,识别单元304可以采用以下算法中的一种算法,对问句文本进行分类识别处理:RNN、LSTM、BERT。
装置300的各个单元可以执行图1和2的方法实施例中的相应步骤,因此,为了描述的简洁,装置300的各个单元的具体操作和功能此处不再赘述。
上述装置300可以采用硬件实现,也可以采用软件实现,或者可以通过软硬件的组合来实现。例如,装置300在采用软件实现时,其可以通过其所在设备的处理器将存储器(比如非易失性存储器)中对应的可执行指令读取到内存中运行来形成。
图4是根据一个实施例的用于实现智能客服问答的计算设备的硬件结构图。如图4所示,计算设备400可以包括至少一个处理器402、存储器404、内存406和通信接口408,并且至少一个处理器402、存储器404、内存406和通信接口408经由总线410连接在一起。至少一个处理器402执行在存储器404中存储或编码的至少一个可执行指令(即,上述以软件形式实现的元素)。
在一个实施例中,在存储器404中存储的可执行指令在被至少一个处理器402执行时,使得计算设备实现以上结合图1-2描述的各种过程。
计算设备400可以采用本领域任何适用的形式来实现,例如,其包括但不限于台式计算机、膝上型计算机、智能电话、平板计算机、消费电子设备、可穿戴智能设备等等。
本说明书的实施例还提供了一种机器可读存储介质。该机器可读存储介质可以存储有可执行指令,可执行指令在被机器执行时使得机器实现上面参照图1-2描述的方法实施例的具体过程。
例如,机器可读存储介质可以包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、电可擦除可编程只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、静态随机存取存储器(Static Random Access Memory,SRAM)、硬盘、闪存等等。
应当理解的是,本说明书中的各个实施例均采用递进的方式来描述,各个实施例之间相同或相似的部分相互参见即可,每个实施例重点说明的都是与其它实施例的不同之处。例如,对于上述关于装置的实施例、关于计算设备的实施例以及关于机器可读存储介质的实施例而言,由于它们基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上文对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
应当理解的是,对于本领域普通技术人员来说,对本说明书中的实施例进行的各种修改将是显而易见的,并且可以在不脱离权利要求书的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。
Claims (16)
1.一种用于实现智能客服问答的方法,包括:
获取用户的问句文本;
对所述问句文本进行分类识别处理,以确定所述问句文本是否包括有效信息,其中,所述有效信息包括业务词和诉求信息中的至少一项,所述业务词表示所述问句文本涉及的业务,所述诉求信息表示所述用户的疑问点;
基于所述问句文本是否包括所述有效信息,确定针对所述问句文本的答复。
2.根据权利要求1所述的方法,其中,基于所述问句文本是否包括所述有效信息,确定针对所述问句文本的答复,包括:
如果所述问句文本包括所述有效信息,则基于所述有效信息,确定针对所述问句文本的有效答复;
如果所述问句文本不包括所述有效信息,则确定针对所述问句文本的闲聊答复。
3.根据权利要求2所述的方法,其中,所述有效信息包括所述业务词和所述诉求信息;
基于所述有效信息,确定针对所述问句文本的有效答复,包括:
基于所述业务词和所述诉求信息,确定与所述问句文本相匹配的答案。
4.根据权利要求2所述的方法,其中,所述有效信息包括所述诉求信息;
基于所述有效信息,确定针对所述问句文本的有效答复,包括:
执行业务词填充操作;
基于所述业务词填充操作的执行结果和所述诉求信息,确定针对所述问句文本的有效答复。
5.根据权利要求3所述的方法,其中,
执行业务词填充操作,包括:
尝试基于以下信息来获取所述业务词:所述用户的行为信息、所述用户的属性信息、所述问句文本的上下文信息;
基于所述业务词填充操作的执行结果和所述诉求信息,确定针对所述问句文本的有效答复,包括:
如果获取到所述业务词,则基于所述业务词和所述诉求信息,确定与所述问句文本相匹配的答案;
如果未能获取到所述业务词,则基于所述诉求信息,确定第一应答文本,其中,所述第一应答文本包括用于由所述用户进行选择的至少一个候选业务词。
6.根据权利要求2所述的方法,其中,所述有效信息包括所述业务词;
基于所述有效信息,确定针对所述问句文本的有效答复,包括:
基于所述业务词,确定第二应答文本,其中,所述第二应答文本包括用于由所述用户进行选择的至少一项候选诉求信息。
7.根据权利要求1至6中任一项所述的方法,其中,对所述问句文本进行分类识别处理,包括:
采用以下算法中的一种算法,对所述问句文本进行分类识别处理:
循环神经网络、长短期记忆、基于Transformer的双向编码器表征。
8.一种用于实现智能客服问答的装置,包括:
获取单元,被配置为:获取用户的问句文本;
识别单元,被配置为:对所述问句文本进行分类识别处理,以确定所述问句文本是否包括有效信息,其中,所述有效信息包括业务词和诉求信息中的至少一项,所述业务词表示所述问句文本涉及的业务,所述诉求信息表示所述用户的疑问点;
确定单元,被配置为:基于所述问句文本是否包括所述有效信息,确定针对所述问句文本的答复。
9.根据权利要求8所述的装置,其中,所述确定单元被配置为:
如果所述问句文本包括所述有效信息,则基于所述有效信息,确定针对所述问句文本的有效答复;
如果所述问句文本不包括所述有效信息,则确定针对所述问句文本的闲聊答复。
10.根据权利要求9所述的装置,其中,所述有效信息包括所述业务词和所述诉求信息;
所述确定单元被配置为:
基于所述业务词和所述诉求信息,确定与所述问句文本相匹配的答案。
11.根据权利要求9所述的装置,其中,所述有效信息包括所述诉求信息;
所述确定单元被配置为:
执行业务词填充操作;
基于所述业务词填充操作的执行结果和所述诉求信息,确定针对所述问句文本的有效答复。
12.根据权利要求11所述的装置,其中,所述确定单元被配置为:
尝试基于以下信息来获取所述业务词:所述用户的行为信息、所述用户的属性信息、所述问句文本的上下文信息;
如果获取到所述业务词,则基于所述业务词和所述诉求信息,确定与所述问句文本相匹配的答案;
如果未能获取到所述业务词,则基于所述诉求信息,确定第一应答文本,其中,所述第一应答文本包括用于由所述用户进行选择的至少一个候选业务词。
13.根据权利要求9所述的装置,其中,所述有效信息包括所述业务词;
所述确定单元被配置为:
基于所述业务词,确定第二应答文本,其中,所述第二应答文本包括用于由所述用户进行选择的至少一项候选诉求信息。
14.根据权利要求8至13中任一项所述的装置,其中,所述识别单元被配置为:
采用以下算法中的一种算法,对所述问句文本进行分类识别处理:
循环神经网络、长短期记忆、基于Transformer的双向编码器表征。
15.一种计算设备,包括:
至少一个处理器;
与所述至少一个处理器耦合的存储器,其上存储有可执行指令,所述可执行指令在被所述至少一个处理器执行时使得所述至少一个处理器实现根据权利要求1至7中任一项所述的方法。
16.一种机器可读存储介质,其存储有可执行指令,所述可执行指令在被执行时使得机器执行根据权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010089800.0A CN111309882B (zh) | 2020-02-13 | 2020-02-13 | 用于实现智能客服问答的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010089800.0A CN111309882B (zh) | 2020-02-13 | 2020-02-13 | 用于实现智能客服问答的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111309882A true CN111309882A (zh) | 2020-06-19 |
CN111309882B CN111309882B (zh) | 2023-06-09 |
Family
ID=71148352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010089800.0A Active CN111309882B (zh) | 2020-02-13 | 2020-02-13 | 用于实现智能客服问答的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111309882B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680148A (zh) * | 2020-08-14 | 2020-09-18 | 支付宝(杭州)信息技术有限公司 | 针对用户问句进行智能应答的方法和装置 |
CN113515705A (zh) * | 2021-07-27 | 2021-10-19 | 平安普惠企业管理有限公司 | 应答信息生成方法、装置、设备及计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104503998A (zh) * | 2014-12-05 | 2015-04-08 | 百度在线网络技术(北京)有限公司 | 针对用户查询句的类型识别方法及装置 |
US20150293970A1 (en) * | 2014-04-10 | 2015-10-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Information searching method and device |
CN107679082A (zh) * | 2017-08-31 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 问答搜索方法、装置以及电子设备 |
CN107748757A (zh) * | 2017-09-21 | 2018-03-02 | 北京航空航天大学 | 一种基于知识图谱的问答方法 |
CN107992543A (zh) * | 2017-11-27 | 2018-05-04 | 上海智臻智能网络科技股份有限公司 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
CN108536708A (zh) * | 2017-03-03 | 2018-09-14 | 腾讯科技(深圳)有限公司 | 一种自动问答处理方法及自动问答系统 |
CN110008320A (zh) * | 2019-03-05 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 用于回答用户问题的方法和装置 |
CN110427467A (zh) * | 2019-06-26 | 2019-11-08 | 深圳追一科技有限公司 | 问答处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-02-13 CN CN202010089800.0A patent/CN111309882B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150293970A1 (en) * | 2014-04-10 | 2015-10-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Information searching method and device |
CN104503998A (zh) * | 2014-12-05 | 2015-04-08 | 百度在线网络技术(北京)有限公司 | 针对用户查询句的类型识别方法及装置 |
CN108536708A (zh) * | 2017-03-03 | 2018-09-14 | 腾讯科技(深圳)有限公司 | 一种自动问答处理方法及自动问答系统 |
CN107679082A (zh) * | 2017-08-31 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 问答搜索方法、装置以及电子设备 |
CN107748757A (zh) * | 2017-09-21 | 2018-03-02 | 北京航空航天大学 | 一种基于知识图谱的问答方法 |
CN107992543A (zh) * | 2017-11-27 | 2018-05-04 | 上海智臻智能网络科技股份有限公司 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
CN110008320A (zh) * | 2019-03-05 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 用于回答用户问题的方法和装置 |
CN110427467A (zh) * | 2019-06-26 | 2019-11-08 | 深圳追一科技有限公司 | 问答处理方法、装置、计算机设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680148A (zh) * | 2020-08-14 | 2020-09-18 | 支付宝(杭州)信息技术有限公司 | 针对用户问句进行智能应答的方法和装置 |
CN113515705A (zh) * | 2021-07-27 | 2021-10-19 | 平安普惠企业管理有限公司 | 应答信息生成方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111309882B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003624B (zh) | 情绪识别方法、装置、计算机设备及存储介质 | |
CN104951428B (zh) | 用户意图识别方法及装置 | |
CN108021934B (zh) | 多要素识别的方法及装置 | |
CN111178940B (zh) | 一种自动生成销售话术图谱的方法和系统 | |
CN112732911A (zh) | 基于语义识别的话术推荐方法、装置、设备及存储介质 | |
CN110890088B (zh) | 语音信息反馈方法、装置、计算机设备和存储介质 | |
KR20200143991A (ko) | 텍스트의 내용 및 감정 분석에 기반한 답변 추천 시스템 및 방법 | |
CN111340616A (zh) | 线上贷款的审批方法、装置、设备及介质 | |
CN112732871A (zh) | 一种机器人催收获取客户意向标签的多标签分类方法 | |
CN111309882B (zh) | 用于实现智能客服问答的方法和装置 | |
CN112926471A (zh) | 业务单据影像内容识别方法及装置 | |
CN109693244B (zh) | 优化对话机器人的方法及装置 | |
CN116628163A (zh) | 客服服务处理方法、装置、设备及存储介质 | |
US20220277229A1 (en) | Design learning: learning design policies based on interactions | |
CA3064116A1 (en) | Systems and methods for performing automated interactive conversation with a user | |
CN113297365B (zh) | 一种用户意向判定方法、装置、设备及存储介质 | |
WO2020042164A1 (en) | Artificial intelligence systems and methods based on hierarchical clustering | |
CN110704599A (zh) | 为预测模型生成样本、预测模型训练的方法及装置 | |
WO2019191337A1 (en) | Systems and methods for enhanced natural language processing for machine learning conversations | |
KR102152081B1 (ko) | 딥러닝 기반의 가치 평가 방법 및 그 장치 | |
CN112434953A (zh) | 一种基于计算机数据处理的客服人员考核方法和装置 | |
US20210304760A1 (en) | System and Method for Structuring Chat History Using Machine-Learning-Based Natural Language Processing | |
CN115617998A (zh) | 一种基于智能营销场景的文本分类方法及装置 | |
CN111400484B (zh) | 一种关键词提取方法和系统 | |
CN111782792A (zh) | 用于信息处理的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |