CN111368533B - 一种基于神经网络识别对话信息的方法及系统 - Google Patents
一种基于神经网络识别对话信息的方法及系统 Download PDFInfo
- Publication number
- CN111368533B CN111368533B CN201811501696.0A CN201811501696A CN111368533B CN 111368533 B CN111368533 B CN 111368533B CN 201811501696 A CN201811501696 A CN 201811501696A CN 111368533 B CN111368533 B CN 111368533B
- Authority
- CN
- China
- Prior art keywords
- dialogue information
- dialogue
- type
- neural network
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008451 emotion Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 235000019580 granularity Nutrition 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241000590419 Polygonia interrogationis Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Telephonic Communication Services (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于神经网络识别对话信息的方法及系统,本发明实施例首先根据设定的合并规则将同一内容主题下的对话信息进行合并,然后对合并的对话信息根据所设置类型进行划分,针对所划分的不同类型的对话信息,分别采用对应类型的神经网络处理后,得到不同类型的对话信息识别结果,最后将所得到不同类型的对话信息识别结果,输入到所设置的隐藏层进行处理,得到对话信息的识别结果。由于本发明实施例在对对话信息进行识别时,充分利用对话信息中非文本有用的特征信息。对于其中不同类型的对话信息进行有针对性的神经网络或识别规则进行分别处理后,再将不同类型的对话信息结果进行汇总,从而不像背景技术那样直接以文本识别方式识别对话信息,从而提高对话信息的识别率。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种基于神经网络识别对话信息的方法及系统。
背景技术
在社会生活的各个场景中,会出现各种具有具体含义的对话信息,比如,社交领域的聊天记录、服务领域的售后电话记录、或网约车司机与乘客的电话记录等等。这些对话信息中的一少部分对话信息可能会带来潜在风险,如某些人通过即时通讯工具获取其中的对话信息进行犯罪、或在电商领域对客服回复的对话信息而不满导致投诉、又或网约车司机与乘客的对话信息起冲突引发刑事案件。这时,就需要对对话信息进行潜在风险的识别。
目前,对对话信息的识别与通用的文本识别相同,可以采用诸如逻辑回归、朴素贝叶斯或最大熵模型的机器学习方法,也可以采用神经网络方法,诸如针对文本的卷积神经网络(CNN)或带注意力机制的长短时记忆网络等等。
但是,发明人发现,由于对话信息不同于单纯的文本信息,其具有对话双方的不同信息差异性,所以单纯地采用文本识别方式识别对话信息(采用机器学习方法或神经网络方法),就会混淆各自双方的语言特点,并未充分利用对话信息中非文本有用的特征信息,从而降低对话信息的识别率。
发明内容
有鉴于此,本发明实施例提供一种基于神经网络识别对话信息的方法,该方法能够提高对话信息的识别率。
本发明实施例还提供一种基于神经网络识别对话信息的系统,该系统能够提高对话信息的识别率。
本发明实施例是这样实现的:
一种基于神经网络识别对话信息的方法,该方法包括:
将同一主题内容的对话信息进行合并;
将合并后的对话信息根据设置的类型进行划分;
针对所划分的不同类型的对话信息,分别采用所设置神经网络模型中的对应类型的神经网络处理后,得到不同类型的对话信息识别结果;
将所得到不同类型的对话信息识别结果,输入到设置的神经网络模型中的隐藏层处理,得到对话信息的识别结果。
所述合并为:对同一客户标识的设定时间的对话信息进行合并。
在所述将合并后的对话信息根据设置的类型进行划分之前,还包括:
对合并的会话信息进行清洗,去除其中的模板语句、地址信息及重复语句。
所述设置的类型为客户通话类型和客服通话类型,所述将合并后的对话信息根据设置的类型进行划分的过程为:
分别建立对应客户通话类型的客户通话通道和对应客服通话类型的客服通话通道,将客户通话类型的会话信息输入到客户通话通道中,将客服通话类型的会话信息输入到客户通话通道中。
所述神经网络的结构为:词语编码层、词语级别的注意力机制层、语句编码层及语句级别的注意力机制层,其中,
词语编码层将客户通话类型或客服通话类型下的对话信息中的每个词语从词嵌入矩阵中取出并形成词向量,然后采用双向长短记忆单元,将两个方向的词向量生成词的编码后,输入到词语级别的注意力机制层进行处理后,得到客户通话类型或客服通话类型下的词语识别结果;
语句编码层将客户通话类型或客服通话类型下的对话信息中的语句嵌入矩阵取出并形成语句向量,然后采用长短记忆单元进行编码后,输入到语句级别的注意力机制层进行处理后,得到客户通话类型或客服通话类型下的语句识别结果;
将所述词语识别结果及所述语句识别结果汇总,得到客户通话类型或客服通话类型下的对话信息的识别结果。
所述设置的类型为对话特征类型和规则场景类型,所述将合并后的对话信息根据设置的类型进行划分的过程为:
分别建立对应对话特征类型的对话特征通道和对应规则场景类型的规则场景通道,将对话特征类型的会话信息输入到对话特征通道中,将规则场景类型的会话信息输入到规则场景通道中。
在所述输入到设置的神经网络模型中的隐藏层处理之前,还包括:
采用对应对话特征类型和规则场景类型分别设置的识别特征规则,分别对所划分的对应对话特征类型和规则场景类型的对话信息进行处理后,得到对应对话特征类型和规则场景类型的对话信息识别结果。
所述输入到设置的神经网络模型中的隐藏层处理为:
将不同类型的对话信息识别结果根据设置的对应类型的加权值进行加权后,汇总得到对话信息的识别结果。
一种基于神经网络识别对话信息的系统,包括:合并模块、划分模块及识别模块,其中,
合并模块,用于将同一主题内容的对话信息进行合并;
划分模块,用于将合并后的对话信息根据设置的类型进行划分;
识别模块,用于针对所划分的不同类型的对话信息,分别采用所设置神经网络模型中的对应类型的神经网络处理后,得到不同类型的对话信息识别结果;将所得到不同类型的对话信息识别结果,输入到设置的神经网络模型中的隐藏层处理,得到对话信息的识别结果。
一种基于神经网络识别对话信息的装置,包括:
存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行上述任一项所述的基于神经网络识别对话信息的方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述的基于神经网络识别对话信息的方法。
如上所见,本发明实施例首先根据设定的合并规则将同一内容主题下的对话信息进行合并,然后对合并的对话信息根据所设置类型进行划分,针对所划分的不同类型的对话信息,分别采用对应类型的神经网络处理后,得到不同类型的对话信息识别结果,最后将所得到不同类型的对话信息识别结果,输入到所设置的隐藏层进行处理,得到对话信息的识别结果。更进一步地,还可以采用对应类型设置的识别特征规则,对所划分的对应类型的对话信息进行处理后,得到对应类型的对话信息识别结果,并也作为隐藏层的输入,输入到隐藏层处理。由于本发明实施例在对对话信息进行识别时,充分利用对话信息中非文本有用的特征信息。对于其中不同类型的对话信息进行有针对性的神经网络或识别规则进行分别处理后,再将不同类型的对话信息结果进行汇总,从而不像背景技术那样直接以文本识别方式识别对话信息,从而提高对话信息的识别率。
附图说明
图1为本发明实施例提供的基于神经网络识别对话信息的方法流程图;
图2为本发明实施例提供的在同一主题内容下的对话信息的数据量分布示意图;
图3为本发明实施例提供的针对客户通话或客服通话的对话信息的神经网络结构示意图;
图4为本发明实施例提供的基于神经网络识别对话信息的系统。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明进一步详细说明。
本发明实施例为了提高对话信息的识别率,就需要充分利用对话信息中非文本有用的特征信息。对于其中不同类型的对话信息进行有针对性的神经网络或识别规则进行分别处理后,再将不同类型的对话信息结果进行汇总,从而不像背景技术那样直接以文本识别方式识别对话信息。因此,本发明实施例首先根据设定的合并规则将同一内容主题下的对话信息进行合并,然后对合并的对话信息根据所设置类型进行划分,针对所划分的不同类型的对话信息,分别采用对应类型的神经网络或对应的识别规则处理后,得到不同类型的对话信息识别结果,最后将所得到不同类型的对话信息识别结果,输入到所设置的隐藏层进行处理,得到对话信息的识别结果。
更进一步地,还可以采用对应类型设置的识别特征规则,对所划分的对应类型的对话信息进行处理后,得到对应类型的对话信息识别结果,也作为隐藏层的输入,输入到隐藏层处理。这时,隐藏层在处理时,基于的对话信息识别结果是针对不同类型的且处理过的,更加提高对话信息的识别率,比如风险或投诉的识别率。在这里,隐藏层的处理是将不同类型的对话信息识别结果按照类型设置加权值后,对不同类型的对话信息识别结果进行对应类型的加权值加权后,汇总得到的。所述设置不同类型的加权值是根据不同类型的对最终得到的对话信息识别结果的贡献度高低确定的。
图1为本发明实施例提供的基于神经网络识别对话信息的方法流程图,其具体步骤为:
步骤101、将同一主题内容的对话信息进行合并;
步骤102、将合并后的对话信息根据设置的类型进行划分;
步骤103、针对所划分的不同类型的对话信息,分别采用对应类型的神经网络处理后,得到不同类型的对话信息识别结果;
步骤104、将所得到不同类型的对话信息识别结果,输入到设置的隐藏层处理,得到对话信息的识别结果。
在本发明实施例中,所述对应类型的神经网络及后续的隐藏层都可以认为是建立了一个神经网络模型的一个单元,也就是将划分后的不同类型的对话信息输入到设置的神经网络模型中,最终输出得到了对话信息的识别结果。
在本发明实施例中,在执行步骤104之前,还包括:采用对应类型设置的识别特征规则,对所划分的对应类型的对话信息进行处理后,得到对应类型的对话信息识别结果。
在本发明实施例中,步骤104中输入到设置的隐藏层处理过程为:将不同类型的对话信息识别结果根据设置的对应类型的加权值进行加权后,汇总得到对话信息的识别结果。
在本发明实施例中,按照对话信息的实际发生场景,对话信息获取的基础粒度是按照条数确定的,单条对话信息一般表达信息量有限,且和上下文交互信息相关性强,所以以此方式确定同一主题内容的对话信息并不适用。对话信息的获取的粒度还可以以对话标识(ID)来获取,这样获取对话信息的缺点在于可能出现如客服换人、客户一段时间未反馈或切出窗口再重新进入等原因导致对话ID的更新,但是从语义角度出发仍然是让方讨论的基于同一主题内容的对话信息,所以以此方式确定同一主题内容的对话信息也不适用。因此,本发明实施例就需要考虑以合理的方式进行对话信息的合并,使得其在同一主题下。对于对话信息来说,针对不同客户的对话信息有不同的特点,同一客户也会在不同时间针对不同订单产生多次对话信息,在合并时,根据客户标识及设定的时间对对话信息进行合并。如图2所示,图2为本发明实施例提供的在同一主题内容下的对话信息的数据量分布示意图。在图中将对话信息表示为一个会话,如图所示,在合并对话信息前,有21%的同一主题内容下的对话信息只包含一个句子;同一主题内容下的对话信息的平均句数为5.07个句子,中位数为2个句子;客服说话的平均句数为4.77个句子,中位数为2个句子。因此,为了保证同一主题内容下的对话信息完整,尝试了各种粒度的对对话信息的合并,得出了结论,同一个客户在同一天内的沟通内容,大部分与同一个主题内容,诸如同一个订单相关,因此,在合并时基于同一客户标识及一天的时间段,对对话信息进行合并。
在本发明实施例将合并后的对话信息根据设置的类型进行划分之前,还包括:对合并的对话信息进行清洗,去除其中的模板语句、地址信息及重复语句。也就是说,在这个阶段,需要将所述合并后的对话信息中的机器人数据和噪声数据的干扰排除、自动客服系统会在对话中生成模板化的欢迎语句和回复语句,但是这些语句对客户投诉意向或威胁信息的识别并没有帮助,所以需要在清洗时是删除。处理明显的模板语句外,也需要对所述对话信息中的地址信息删除,比如统一资源定位符(URL)、电子邮件地址和一些超文本标记(HTML)标签等。更进一步地,在所述合并后的对话信息中,有些客户或客服还使用了繁体输入法,则对所有文本进行统一,将繁体字转换为简体字。
本发明所述的将合并后的对话信息根据设置的类型进行划分的过程为:建立对应类型的处理通道,将合并后的对话信息根据设置的类型进行划分,输入到对应类型的处理通道中。在这里,针对合并后的对话信息,建立了四个通道:客户通话通道、客服通话通道、对话特征通道及场景规则通道。
对于所建立的客户通话通道及客服通话通道,分别输入到对应类型的神经网络处理,这两个神经网络的结构相同,但是训练是采用不同的训练样本,所以两者得到的训练好的神经网络并不相同。这是因为,由于客户与客服在对话信息中的目的不同,而且不同人物有不同的语音特征,包括习惯用语或常用词等,因此在训练神经网络时,基于不同的训练样本进行训练。
对于所建立的客户通话通道及客服通话通道,所采用的神经网络的结构为:词语编码层、词语级别的注意力机制层、语句编码层及语句级别的注意力机制层。整个神经网络为一个分层结构,在不同层中捕捉不同的信息从而得到最终的对应客户通话或客服通话的对话信息识别结果。如图3所示,图3为本发明实施例提供的针对客户通话或客服通话的对话信息的神经网络结构示意图,其中,该神经网络包括了词语编码层、词语级别的注意力机制层、语句编码层及语句级别的注意力机制层。在该神经网络中,词语编码层首先将对话信息中的每个词语从词嵌入矩阵中取出并形成词向量,然后采用双向长短记忆(Bi-LSTM)单元,将两个方向的词向量生成词的编码后,输入到词语级别的注意力机制层进行处理后,得到词语识别结果,也就是词语对句子的贡献度值。在一个句子中,每个词语对句子意思的贡献度不同,因此采用注意力机制层,自动找到语句中包含信息量最高的词语、类型地,在语句编码层也使用了长短记忆(LSTM)单元,用于对对话信息中的语句嵌入矩阵取出并形成语句向量,然后进行编码。与词语编码层不同的是,这里使用的单向的长短记忆单元,这是因为,无论是客户通话还是客服通话,语句的输入都是顺序的,无法观测到还没有输入的语句。在对语句进行编码后,也设置了语句级别的注意力机制层对编码后的语句进行处理,得到语句识别结果,确定对所述对话信息的语句贡献度值。将词语识别结果及语句识别结果汇总,得到针对客户通话或客服通话的对话信息的识别结果。
在本发明实施例中,针对对话特征通道的对话信息,也就是对话特征类型的对话信息,采用了设置对应的识别特征规则识别。具体地说,对话特征通道中的对话信息包含了:
1)设置威胁词典,对对话信息中匹配威胁词典的词语设置标识,即tf_idf值,威胁词典是通过投诉用户历史对话记录训练得到,对判别是否投诉有较好的区分度;
2)客服或客户的情感倾向得分,情感是人的主观情绪的释放,虽然不完全和威胁、投诉直接相关,但是从侧面体现了用户的满意程度;
3)表情符号的出现频率,类似于情感倾向,表情符号具有一定规律,比如‘#E-s’加上两位数字代表一个特征表情;
4)特殊标点符号出现次数,如‘…’表示无语,是一种消极负面情绪,感叹号‘!’表示加强语气,人在愤怒时可能多个感叹号疑问号连发;
5)对话中所使用词数或语句数等统计指标。
在本发明实施例中,针对规则场景通道的对话信息,即规则场景类型的对话信息,采用了设置对应的识别特征规则进行识别。具体地说,客服和客户之间的对话信息之间交流一般会针对某件商品或某条订单,由此又衍生出一系列非对话文本,但对判断投诉威胁很有用的特征识别:
1)客户特征,该客户是否历史有投诉倾向,历史纠纷单及仲裁单统计;
2)商品特征,该订单商品在过去一个月内发生投诉的次数;
3)订单特征,如订单状态、是否催单或是否有订单留言等;
4)客服特征,客服等级及历史被投诉数等等。
在该方法中,为规则场景类型或对话特征类型设置的识别特征规则可以以特征隐藏层的形式融入到设置的神经网络模型中处理,对于神经网络模型的预测效果有较大的提高。
图4为本发明实施例提供的基于神经网络识别对话信息的系统结构示意图,包括:合并模块、划分模块及识别模块,其中,
合并模块,用于将同一主题内容的对话信息进行合并;
划分模块,用于将合并后的对话信息根据设置的类型进行划分;
识别模块,用于针对所划分的不同类型的对话信息,分别采用所设置神经网络模型中的对应类型的神经网络处理后,得到不同类型的对话信息识别结果;将所得到不同类型的对话信息识别结果,输入到设置的神经网络模型中的隐藏层处理,得到对话信息的识别结果。
一种基于神经网络识别对话信息的装置,包括:
存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行上述任一项所述的基于神经网络识别对话信息的方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述的基于神经网络识别对话信息的方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (11)
1.一种基于神经网络识别对话信息的方法,其特征在于,该方法包括:
将同一主题内容的对话信息进行合并;
将合并后的对话信息根据设置的类型进行划分;
针对所划分的不同类型的对话信息,分别采用所设置神经网络模型中的对应类型的神经网络处理后,得到不同类型的对话信息识别结果;
将所得到不同类型的对话信息识别结果,输入到设置的神经网络模型中的隐藏层处理,得到对话信息的识别结果。
2.如权利要求1所述的方法,其特征在于,所述合并为:对同一客户标识的设定时间的对话信息进行合并。
3.如权利要求1所述的方法,其特征在于,在所述将合并后的对话信息根据设置的类型进行划分之前,还包括:
对合并的会话信息进行清洗,去除其中的模板语句、地址信息及重复语句。
4.如权利要求1所述的方法,其特征在于,所述设置的类型为客户通话类型和客服通话类型,所述将合并后的对话信息根据设置的类型进行划分的过程为:
分别建立对应客户通话类型的客户通话通道和对应客服通话类型的客服通话通道,将客户通话类型的会话信息输入到客户通话通道中,将客服通话类型的会话信息输入到客户通话通道中。
5.如权利要求4所述的方法,其特征在于,所述神经网络的结构为:词语编码层、词语级别的注意力机制层、语句编码层及语句级别的注意力机制层,其中,
词语编码层将客户通话类型或客服通话类型下的对话信息中的每个词语从词嵌入矩阵中取出并形成词向量,然后采用双向长短记忆单元,将两个方向的词向量生成词的编码后,输入到词语级别的注意力机制层进行处理后,得到客户通话类型或客服通话类型下的词语识别结果;
语句编码层将客户通话类型或客服通话类型下的对话信息中的语句嵌入矩阵取出并形成语句向量,然后采用长短记忆单元进行编码后,输入到语句级别的注意力机制层进行处理后,得到客户通话类型或客服通话类型下的语句识别结果;
将所述词语识别结果及所述语句识别结果汇总,得到客户通话类型或客服通话类型下的对话信息的识别结果。
6.如权利要求1所述的方法,其特征在于,所述设置的类型为对话特征类型和规则场景类型,所述将合并后的对话信息根据设置的类型进行划分的过程为:
分别建立对应对话特征类型的对话特征通道和对应规则场景类型的规则场景通道,将对话特征类型的会话信息输入到对话特征通道中,将规则场景类型的会话信息输入到规则场景通道中。
7.如权利要求6所述的方法,其特征在于,在所述输入到设置的神经网络模型中的隐藏层处理之前,还包括:
采用对应对话特征类型和规则场景类型分别设置的识别特征规则,分别对所划分的对应对话特征类型和规则场景类型的对话信息进行处理后,得到对应对话特征类型和规则场景类型的对话信息识别结果。
8.如权利要求1~7任一所述的方法,其特征在于,所述输入到设置的神经网络模型中的隐藏层处理为:
将不同类型的对话信息识别结果根据设置的对应类型的加权值进行加权后,汇总得到对话信息的识别结果。
9.一种基于神经网络识别对话信息的系统,其特征在于,包括:合并模块、划分模块及识别模块,其中,
合并模块,用于将同一主题内容的对话信息进行合并;
划分模块,用于将合并后的对话信息根据设置的类型进行划分;
识别模块,用于针对所划分的不同类型的对话信息,分别采用所设置神经网络模型中的对应类型的神经网络处理后,得到不同类型的对话信息识别结果;将所得到不同类型的对话信息识别结果,输入到设置的神经网络模型中的隐藏层处理,得到对话信息的识别结果。
10.一种基于神经网络识别对话信息的装置,其特征在于,包括:
存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如权利要求1-8中任一项所述的基于神经网络识别对话信息的方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-8中任一项所述的基于神经网络识别对话信息的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811501696.0A CN111368533B (zh) | 2018-12-10 | 2018-12-10 | 一种基于神经网络识别对话信息的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811501696.0A CN111368533B (zh) | 2018-12-10 | 2018-12-10 | 一种基于神经网络识别对话信息的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368533A CN111368533A (zh) | 2020-07-03 |
CN111368533B true CN111368533B (zh) | 2023-11-07 |
Family
ID=71209737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811501696.0A Active CN111368533B (zh) | 2018-12-10 | 2018-12-10 | 一种基于神经网络识别对话信息的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368533B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217226A (zh) * | 2014-09-09 | 2014-12-17 | 天津大学 | 基于深度神经网络与条件随机场的对话行为识别方法 |
CN106528530A (zh) * | 2016-10-24 | 2017-03-22 | 北京光年无限科技有限公司 | 一种确定句子类型的方法及装置 |
CN108028043A (zh) * | 2015-09-24 | 2018-05-11 | 微软技术许可有限责任公司 | 在参与者之间的对话中检测可行动项 |
CN108376144A (zh) * | 2018-01-12 | 2018-08-07 | 上海大学 | 基于深度神经网络的场景自动切换的人机多轮对话方法 |
CN108829667A (zh) * | 2018-05-28 | 2018-11-16 | 南京柯基数据科技有限公司 | 一种基于记忆网络的多轮对话下的意图识别方法 |
CN108874782A (zh) * | 2018-06-29 | 2018-11-23 | 北京寻领科技有限公司 | 一种层次注意力lstm和知识图谱的多轮对话管理方法 |
CN108959482A (zh) * | 2018-06-21 | 2018-12-07 | 北京慧闻科技发展有限公司 | 基于深度学习的单轮对话数据分类方法、装置和电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10540967B2 (en) * | 2016-11-14 | 2020-01-21 | Xerox Corporation | Machine reading method for dialog state tracking |
-
2018
- 2018-12-10 CN CN201811501696.0A patent/CN111368533B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217226A (zh) * | 2014-09-09 | 2014-12-17 | 天津大学 | 基于深度神经网络与条件随机场的对话行为识别方法 |
CN108028043A (zh) * | 2015-09-24 | 2018-05-11 | 微软技术许可有限责任公司 | 在参与者之间的对话中检测可行动项 |
CN106528530A (zh) * | 2016-10-24 | 2017-03-22 | 北京光年无限科技有限公司 | 一种确定句子类型的方法及装置 |
CN108376144A (zh) * | 2018-01-12 | 2018-08-07 | 上海大学 | 基于深度神经网络的场景自动切换的人机多轮对话方法 |
CN108829667A (zh) * | 2018-05-28 | 2018-11-16 | 南京柯基数据科技有限公司 | 一种基于记忆网络的多轮对话下的意图识别方法 |
CN108959482A (zh) * | 2018-06-21 | 2018-12-07 | 北京慧闻科技发展有限公司 | 基于深度学习的单轮对话数据分类方法、装置和电子设备 |
CN108874782A (zh) * | 2018-06-29 | 2018-11-23 | 北京寻领科技有限公司 | 一种层次注意力lstm和知识图谱的多轮对话管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111368533A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10552544B2 (en) | Methods and systems of automated assistant implementation and management | |
CN106777018B (zh) | 一种智能聊天机器人中对输入语句的优化方法及装置 | |
US8516052B2 (en) | Dynamically managing online communication groups | |
CN111368538B (zh) | 语音交互方法、系统、终端及计算机可读存储介质 | |
CN112365894B (zh) | 基于ai的复合语音交互方法、装置及计算机设备 | |
US11429834B1 (en) | Neural-based agent assistance interface for providing answers based on a query vector | |
KR100695392B1 (ko) | 단문 메시지를 멀티미디어 메시지로 변환 및 전송하는방법과 이를 수행하는 문자 이미지 변환서버 | |
CN108959388B (zh) | 信息生成方法及装置 | |
US10897368B2 (en) | Integrating an interactive virtual assistant into a meeting environment | |
CN112818109B (zh) | 邮件的智能回复方法、介质、装置和计算设备 | |
CN114757176A (zh) | 一种获取目标意图识别模型的方法以及意图识别方法 | |
US11757805B2 (en) | Systems and methods for mediation using NLP and machine learning techniques | |
CN111193657A (zh) | 聊天表情回复方法、装置及存储介质 | |
CN116595148B (zh) | 一种利用大型语言模型实现对话流程的方法及系统 | |
US11748569B2 (en) | System and method for query authorization and response generation using machine learning | |
CN115309877A (zh) | 对话生成方法、对话模型训练方法及装置 | |
WO2019227629A1 (zh) | 文本信息的生成方法、装置、计算机设备及存储介质 | |
CN111666400A (zh) | 消息获取方法、装置、计算机设备及存储介质 | |
CN110390109B (zh) | 分析多条群聊消息间关联关系的方法和装置 | |
CN105227557A (zh) | 一种帐号处理方法及装置 | |
CN111800333B (zh) | 会话消息处理方法、装置、计算机可读存储介质及设备 | |
CN111506717B (zh) | 问题答复方法、装置、设备及存储介质 | |
CN111368533B (zh) | 一种基于神经网络识别对话信息的方法及系统 | |
KR100627853B1 (ko) | 단문 메시지를 멀티미디어 메시지로 변환하고 전송하는방법 및 문자 이미지 변환서버 | |
CN114004599A (zh) | 基于人工智能的物资需求计划审查系统 |
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 |