CN111552818A - 一种客服知识库查询方法及装置 - Google Patents

一种客服知识库查询方法及装置 Download PDF

Info

Publication number
CN111552818A
CN111552818A CN202010343633.8A CN202010343633A CN111552818A CN 111552818 A CN111552818 A CN 111552818A CN 202010343633 A CN202010343633 A CN 202010343633A CN 111552818 A CN111552818 A CN 111552818A
Authority
CN
China
Prior art keywords
label
query data
neural network
network model
feedforward neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010343633.8A
Other languages
English (en)
Inventor
申亚坤
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202010343633.8A priority Critical patent/CN111552818A/zh
Publication of CN111552818A publication Critical patent/CN111552818A/zh
Pending legal-status Critical Current

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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • 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
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Human Computer Interaction (AREA)
  • Technology Law (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种客服知识库查询方法及装置，方法包括获取查询数据；将查询数据输入到预先建立的多层前馈神经网络模型中，获得查询数据对应的图谱标签；基于图谱标签确定查询数据对应的个性标签；通过图谱标签与个性标签，在客服知识库中查找查询数据对应的答案数据。通过预先建立的多层前馈神经网络模型，能够较快的分析查询数据在客服知识库中对应的图谱标签，即基于用户意图缩小查询数据在客服知识库中所属的范围，不仅提高了查询问题答案的命中率，还提高了搜索速度。通过个性标签，从而根据个性标签进一步缩小查询问题在客服知识库中所属的范围，从而提高搜索速度，降低用户的等待时间，提高用户的体验感。

Description

一种客服知识库查询方法及装置
技术领域
本发明涉及数据处理技术领域，尤其是涉及一种客服知识库查询方法及装置。
背景技术
客服知识库是存储客服知识的数据库。例如，银行业中的客服知识库包括常见问题解答知识、网点知识、理财知识、坐席常用知识等。银行业的客服知识库用于解答客户问题和为银行机器人提供数据支撑。
目前，当接收到用户的问题后，使用用户提问的原生问题在客服知识库中进行整句搜索，但是在进行整句搜索时，系统不了解用户真实意图，基于预设的规则对句子进行分词，分词差别大，导致问题答案的不够准确，且客服知识库包括的内容庞大，基于整句进行搜索，用户等待时间长，致使用户体验感差。
因此，急需一种能够提高问题答案命中率、缩短搜索时间长的查询客服知识库的方法。
发明内容
针对上述问题，本申请提供一种客服知识库查询方法及装置，用于解决在查询客服知识库时问题答案命中率低，搜索时间长的问题。
本申请实施例第一方面提供一种客服知识库查询方法，所述方法包括：
获取查询数据；
将所述查询数据输入到预先建立的多层前馈神经网络模型中，获得所述查询数据对应的图谱标签；其中，所述图谱标签为所述查询数据在所述客服知识库中的类别标签；
基于所述图谱标签确定所述查询数据对应的个性标签；其中，所述个性标签为对应的图谱标签下的预设标签；
通过所述图谱标签与所述个性标签，在所述客服知识库中查找所述查询数据对应的答案数据。
可选的，所述将所述查询数据输入到预先建立的多层前馈神经网络模型中，获得所述查询数据对应的图谱标签，包括：
将所述查询数据输入到预先建立的多层前馈神经网络模型中，利用遗传算法调节多层前馈神经网络模型的学习率与多层前馈神经网络模型的批大小，获得所述查询数据对应的图谱标签。
可选的，预先建立所述多层前馈神经网络模型，具体包括：
将历史查询数据和所述历史查询数据的属性标签数据输入至所述多层前馈神经网络模型进行训练，得到所述多层前馈神经网络模型；
其中，所述历史查询数据的属性标签数据包括知识场景、知识标题、提问时间、产品标签、客户标签和渠道标签中的一种或多种。
可选的，所述将历史查询数据和所述历史查询数据的属性标签数据输入至所述多层前馈神经网络模型进行训练，得到所述多层前馈神经网络模型，具体包括：
将所述历史查询数据输入到所述多层前馈神经网络模型中，获得所述历史查询数据对应的预测图谱标签；
基于所述图谱标签、所述历史查询数据的属性标签数据与所述多层前馈神经网络模型的损失函数训练调整所述多层前馈神经网络模型的参数，获得所述预先建立的多层前馈神经网络模型。
可选的，上述任一项所述的方法，应用于银行客户服务，所述图谱标签包括产品、分行、客户类型和渠道。
本申请实施例第二方面提供一种客服知识库查询装置，所述装置包括：
获取单元、图谱标签单元、个性标签单元与查询单元；
所述获取单元，用于获取查询数据；
所述图谱标签单元，用于将所述查询数据输入到预先建立的多层前馈神经网络模型中，获得所述查询数据对应的图谱标签；其中，所述图谱标签为所述查询数据在所述客服知识库中的类别标签；
所述个性标签单元，用于基于所述图谱标签确定所述查询数据对应的个性标签；其中，所述个性标签为对应的图谱标签下的预设标签；
所述查询单元，用于通过所述图谱标签与所述个性标签，在所述客服知识库中查找所述查询数据对应的答案数据。
可选的，所述图谱标签单元具体用于将所述查询数据输入到预先建立的多层前馈神经网络模型中，利用遗传算法调节多层前馈神经网络模型的学习率与多层前馈神经网络模型的批大小，获得所述查询数据对应的图谱标签。
可选的，所述装置还包括训练单元，用于将历史查询数据和所述历史查询数据的属性标签数据输入至所述多层前馈神经网络模型进行训练，得到所述多层前馈神经网络模型；
其中，所述历史查询数据的属性标签数据包括知识场景、知识标题、提问时间、产品标签、客户标签和渠道标签中的一种或多种。
可选的，所述训练单元具体用于将所述历史查询数据输入到所述多层前馈神经网络模型中，获得所述历史查询数据对应的预测图谱标签；
基于所述图谱标签、所述历史查询数据的属性标签数据与所述多层前馈神经网络模型的损失函数训练调整所述多层前馈神经网络模型的参数，获得所述预先建立的多层前馈神经网络模型。
可选的，上述任一项所述的装置，应用于银行客户服务，所述图谱标签包括产品、分行、客户类型和渠道。
相对于现有技术，本申请上述技术方案的优点在于：
本申请实施例提供一种客服知识库查询方法，所述方法包括获取查询数据；将所述查询数据输入到预先建立的多层前馈神经网络模型中，获得所述查询数据对应的图谱标签；其中，所述图谱标签为所述查询数据在所述客服知识库中的类别标签；基于所述图谱标签确定所述查询数据对应的个性标签；其中，所述个性标签为对应的图谱标签下的预设标签；通过所述图谱标签与所述个性标签，在所述客服知识库中查找所述查询问题数据对应的答案数据。
通过预先建立的多层前馈神经网络模型，能够较快的分析查询数据在客服知识库中对应的图谱标签，即基于用户意图缩小查询数据在客服知识库中所属的范围，不仅提高了查询问题答案的命中率，还提高了搜索速度。通过获得的图谱标签进一步获得查询问题对应的个性标签，从而根据个性标签进一步缩小查询问题在客服知识库中所属的范围，从而提高搜索速度，降低用户的等待时间，提高用户的体验感。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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中记载的一些实施例，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，还可以根据这些附图获得其它的附图。
图1为本申请提供的一种客服知识库查询方法的流程图；
图2为本申请提供的一种客服知识库查询装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
参见图1，示出了本申请实施例中一种客服知识库查询方法的流程示意图。在本实施例中，所述方法例如可以包括以下步骤：
S101：获取查询数据。
需要说明的是，获取的查询数据可以是一段代码，或者一段语音，又或者是一段文字，本申请实施例不限定查询数据的具体形式。
S102：将所述查询数据输入到预先建立的多层前馈神经网络模型中，获得所述查询数据对应的图谱标签；其中，所述图谱标签为所述查询数据的属性。
需要说明的是，由于客服知识属于非常繁杂的业务场景，例如银行的客服知识库，具备各种各样的问题和问题对应的答案。但是若使用用户提问的原生问题在客服知识库中进行搜索时，由于原生问题是由一个或多个整句组成的，系统会基于简单的预设规则对句子进行分词，分词差别大，导致问题答案的不够准确，且客服知识库包括的内容庞大，基于整句进行搜索，用户等待时间长，致使用户体验感差。
发明人发现答案数据不够准确是由于系统在不了解用户意图的情况下，仅基于简单的预设规则对原生问题进行分词，且由于客服知识库内数据庞大，用户原生问题与客服知识库内的标准问题可能语义相同，但是表达形式具有很大的差异，整句搜索导致搜索时间长，用户等待时间长，致使用户体验感差。
基于此，发明人预先建立了多层前馈神经网络模型。该神经网络模型具有强大的非线性映射能力，能够实现以任意精度逼近任何非线性连续函数，从而能够在查询问题中分析用户的意图，并将缩小该查询问题在客服知识库中所属的范围。
需要说明的是，可以先通过图谱标签将客服知识库按照知识类别进行分类。例如，在银行客户服务场景中，图谱标签包括产品、分行、客户类型、渠道，即将银行的客服知识库按照例如产品、分行、客户类型、渠道进行分类。
将获得的查询数据输入到预先建立的多层前馈神经网络模型中，可以获得该查询数据在客服知识库中对应的图谱标签。该图谱标签是查询数据在所述客服知识库中对应的类别标签。
例如，查询数据为“我想办一个中国银行X主题的Visa信用卡，我需要什么材料？”，将该查询数据输入到预先建立的多层前馈神经网络模型中，会获得一个关于“产品”的图谱标签。同时还可以将该查询数据由“我想办一个中国银行X主题的Visa信用卡，我需要什么材料？”变为基于用户意图的问题“如何办理X主题信用卡？”。
在一种可能实现的方式中，用户提出一个问题需要在短时间内对该问题进行回答，这就需要快速的响应用户，提高对问题答案的查找速度。又由于客服知识库是一个非常庞大的数据库，遍历查找起来会使用户的等待时间较长，从而导致用户的体验感差。所以，可以通过遗传算法对预先建立的多层前馈神经网络模型进行参数调节。
采用较小惯性因子与随机权重的原则，其中较小惯性因子有利于对当前的搜索区域进行精确局部搜索，加速算法收敛，随机的选择权重，使得随机设定的初始值对算法收敛的影响是随机的，以实现利用遗传算法快速调节多层前馈神经网络模型的学习率与批大小。
具体的，可以将所述查询数据输入到预先建立的多层前馈神经网络模型中，利用遗传算法调节所述多层前馈神经网络模型的学习率和所述多层前馈神经网络模型的批大小，获得所述查询数据对应的图谱标签。
通过采用遗传算法可以提高搜索速度和搜索效率、且遗传算法简单，非常适合高响应低延迟的客服服务领域。
具体应用中，多层前馈神经网络模型的训练过程实际上是指在获取历史查询数据以及对应的属性标签数据的基础上，将历史查询数据和所述历史查询数据的属性标签数据输入至所述多层前馈神经网络模型进行训练，不断迭代优化参数，例如当模型指标中的auc最高时，停止迭代，将此时的优化参数代入到模型中，得到较优的多层前馈神经网络模型。
获取历史查询数据的属性标签数据是通过例如特征工程等方式获得的，可以是知识场景、知识标题、提问时间、产品标签、客户标签和渠道标签中的一种或多种。
在本申请实施例一种可选的实施方式中，预先建立的多层神经网络模型的训练步骤例如可以包括以下步骤：
步骤A：将所述历史查询数据输入到所述多层前馈神经网络模型中，获得所述历史查询数据对应的预测图谱标签；
步骤B：基于所述图谱标签、所述历史查询数据的属性标签数据与所述多层前馈神经网络模型的损失函数训练调整所述多层前馈神经网络模型的参数，获得所述预先建立的多层前馈神经网络模型。
S103:基于所述图谱标签确定所述查询数据对应的个性标签；其中，所述个性标签为对应的图谱标签下的预设标签。
为了进一步提高答案数据的搜索效率，可以在图谱标签的基础上进一步缩小查询数据的所属范围。具体的，在获得图谱标签后，还可以基于图谱标签获得查询数据对应的个性标签。
例如，在银行客户服务场景中，可以将银行的客服知识库按照例如产品、分行、客户类型、渠道进行分类。但是在“产品”类别下具有多种类型的问题数据。例如“富登通知存款”、“富登定活两便”、“富登整存整取”、“富登零存整取”、“富等大额存单”等等。逐一搜索上述的问题依然会使搜索时间较长。
由此，可以在每一个图谱标签下预先设置多个个性标签。依然以上述例子为例，在产品图谱标签下，还具有通知存款、定活两便、整存整取、零存整取、大额存单等个性标签。
S104：通过所述图谱标签与所述个性标签，在所述客服知识库中查找所述查询数据对应的答案数据。
在客服知识库中，通过图谱标签缩小查询数据所属的范围，再通过个性标签进一步缩小查找范围，从而在较小的范围中查找到查询数据对应的答案数据。
本申请实施例提供一种客服知识库查询方法，所述方法包括获取查询数据；将所述查询数据输入到预先建立的多层前馈神经网络模型中，获得所述查询数据对应的图谱标签；其中，所述图谱标签为所述查询数据在所述客服知识库中的类别标签；基于所述图谱标签确定所述查询数据对应的个性标签；其中，所述个性标签为对应的图谱标签下的预设标签；通过所述图谱标签与所述个性标签，在所述客服知识库中查找所述查询问题数据对应的答案数据。
通过预先建立的多层前馈神经网络模型，能够较快的分析查询数据在客服知识库中对应的图谱标签，即基于用户意图缩小查询数据在客服知识库中所属的范围，不仅提高了查询问题答案的命中率，还提高了搜索速度。通过获得的图谱标签进一步获得查询问题对应的个性标签，从而根据个性标签进一步缩小查询问题在客服知识库中所属的范围，从而提高搜索速度，降低用户的等待时间，提高用户的体验感。
本发明实施例除了提供的一种客服知识库查询方法外，还提供了一种客服知识库查询装置，如图2所示，包括获取单元、图谱标签单元、个性标签单元与查询单元，其中：
获取单元201，用于获取查询数据；
图谱标签单元202，用于将查询数据输入到预先建立的多层前馈神经网络模型中，获得查询数据对应的图谱标签；其中，图谱标签为查询数据在客服知识库中的类别标签；
个性标签单元203，用于基于图谱标签确定查询数据对应的个性标签；其中，个性标签为对应的图谱标签下的预设标签；
查询单元204，用于通过图谱标签与个性标签，在客服知识库中查找查询数据对应的答案数据。
在一种可能的实施方式中，图谱标签单元202具体用于将查询数据输入到预先建立的多层前馈神经网络模型中，利用遗传算法调节多层前馈神经网络模型的学习率与多层前馈神经网络模型的批大小，获得查询数据对应的图谱标签。
在一种可能的实施方式中，装置还包括训练单元，用于将历史查询数据和历史查询数据的属性标签数据输入至多层前馈神经网络模型进行训练，得到多层前馈神经网络模型；
其中，历史查询数据的属性标签数据包括知识场景、知识标题、提问时间、产品标签、客户标签和渠道标签中的一种或多种。
在一种可能的实施方式中，训练单元具体用于将历史查询数据输入到多层前馈神经网络模型中，获得历史查询数据对应的预测图谱标签；
基于图谱标签、历史查询数据的属性标签数据与多层前馈神经网络模型的损失函数训练调整多层前馈神经网络模型的参数，获得预先建立的多层前馈神经网络模型。
在一种可能的实施方式中，上述任一项的装置，应用于银行客户服务，图谱标签包括产品、分行、客户类型、渠道。
采用本申请实施例提供的客服知识库查询装置，通过预先建立的多层前馈神经网络模型，能够较快的分析查询数据在客服知识库中对应的图谱标签，即基于用户意图缩小查询数据在客服知识库中所属的范围，不仅提高了查询问题答案的命中率，还提高了搜索速度。通过获得的图谱标签进一步获得查询问题对应的个性标签，从而根据个性标签进一步缩小查询问题在客服知识库中所属的范围，从而提高搜索速度，降低用户的等待时间，提高用户的体验感。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元及模块可以是或者也可以不是物理上分开的。另外，还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种客服知识库查询方法，其特征在于，所述方法包括：
获取查询数据；
将所述查询数据输入到预先建立的多层前馈神经网络模型中，获得所述查询数据对应的图谱标签；其中，所述图谱标签为所述查询数据在所述客服知识库中的类别标签；
基于所述图谱标签确定所述查询数据对应的个性标签；其中，所述个性标签为对应的图谱标签下的预设标签；
通过所述图谱标签与所述个性标签，在所述客服知识库中查找所述查询数据对应的答案数据。
2.根据权利要求1所述的方法，其特征在于，所述将所述查询数据输入到预先建立的多层前馈神经网络模型中，获得所述查询数据对应的图谱标签，包括：
将所述查询数据输入到预先建立的多层前馈神经网络模型中，利用遗传算法调节多层前馈神经网络模型的学习率与多层前馈神经网络模型的批大小，获得所述查询数据对应的图谱标签。
3.根据权利要求1所述的方法，其特征在于，预先建立所述多层前馈神经网络模型，具体包括：
将历史查询数据和所述历史查询数据的属性标签数据输入至所述多层前馈神经网络模型进行训练，得到所述多层前馈神经网络模型；
其中，所述历史查询数据的属性标签数据包括知识场景、知识标题、提问时间、产品标签、客户标签和渠道标签中的一种或多种。
4.根据权利要求3所述的方法，其特征在于，所述将历史查询数据和所述历史查询数据的属性标签数据输入至所述多层前馈神经网络模型进行训练，得到所述多层前馈神经网络模型，具体包括：
将所述历史查询数据输入到所述多层前馈神经网络模型中，获得所述历史查询数据对应的预测图谱标签；
基于所述图谱标签、所述历史查询数据的属性标签数据与所述多层前馈神经网络模型的损失函数训练调整所述多层前馈神经网络模型的参数，获得所述预先建立的多层前馈神经网络模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，应用于银行客户服务，所述图谱标签包括产品、分行、客户类型和渠道。
6.一种客服知识库查询装置，其特征在于，所述装置包括：
获取单元、图谱标签单元、个性标签单元与查询单元；
所述获取单元，用于获取查询数据；
所述图谱标签单元，用于将所述查询数据输入到预先建立的多层前馈神经网络模型中，获得所述查询数据对应的图谱标签；其中，所述图谱标签为所述查询数据在所述客服知识库中的类别标签；
所述个性标签单元，用于基于所述图谱标签确定所述查询数据对应的个性标签；其中，所述个性标签为对应的图谱标签下的预设标签；
所述查询单元，用于通过所述图谱标签与所述个性标签，在所述客服知识库中查找所述查询数据对应的答案数据。
7.根据权利要求6所述的装置，其特征在于，所述图谱标签单元具体用于将所述查询数据输入到预先建立的多层前馈神经网络模型中，利用遗传算法调节多层前馈神经网络模型的学习率与多层前馈神经网络模型的批大小，获得所述查询数据对应的图谱标签。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括训练单元，用于将历史查询数据和所述历史查询数据的属性标签数据输入至所述多层前馈神经网络模型进行训练，得到所述多层前馈神经网络模型；
其中，所述历史查询数据的属性标签数据包括知识场景、知识标题、提问时间、产品标签、客户标签和渠道标签中的一种或多种。
9.根据权利要求8所述的装置，其特征在于，所述训练单元具体用于将所述历史查询数据输入到所述多层前馈神经网络模型中，获得所述历史查询数据对应的预测图谱标签；
基于所述图谱标签、所述历史查询数据的属性标签数据与所述多层前馈神经网络模型的损失函数训练调整所述多层前馈神经网络模型的参数，获得所述预先建立的多层前馈神经网络模型。
10.根据权利要求5-9任一项所述的装置，其特征在于，应用于银行客户服务，所述图谱标签包括产品、分行、客户类型和渠道。
CN202010343633.8A 2020-04-27 2020-04-27 一种客服知识库查询方法及装置 Pending CN111552818A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010343633.8A CN111552818A (zh) 2020-04-27 2020-04-27 一种客服知识库查询方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010343633.8A CN111552818A (zh) 2020-04-27 2020-04-27 一种客服知识库查询方法及装置

Publications (1)

Publication Number Publication Date
CN111552818A true CN111552818A (zh) 2020-08-18

Family

ID=72001202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010343633.8A Pending CN111552818A (zh) 2020-04-27 2020-04-27 一种客服知识库查询方法及装置

Country Status (1)

Country Link
CN (1) CN111552818A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112035483A (zh) * 2020-09-01 2020-12-04 中国银行股份有限公司 知识库知识存储、检索方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1716244A (zh) * 2003-12-29 2006-01-04 西安迪戈科技有限责任公司 智能搜索、智能文件系统和自动智能助手的方法
US20160163311A1 (en) * 2014-12-09 2016-06-09 Microsoft Technology Licensing, Llc Communication system
US20180052913A1 (en) * 2016-08-16 2018-02-22 Ebay Inc. Selecting next user prompt types in an intelligent online personal assistant multi-turn dialog
CN108052605A (zh) * 2017-12-13 2018-05-18 广州佰聆数据股份有限公司 一种基于客户特征库的智能问答系统
CN110377719A (zh) * 2019-07-25 2019-10-25 广东工业大学 医疗问答方法及装置
CN110516260A (zh) * 2019-08-30 2019-11-29 腾讯科技（深圳）有限公司 实体推荐方法、装置、存储介质及设备
CN110929016A (zh) * 2019-12-10 2020-03-27 北京爱医生智慧医疗科技有限公司 一种基于知识图谱的智能问答方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1716244A (zh) * 2003-12-29 2006-01-04 西安迪戈科技有限责任公司 智能搜索、智能文件系统和自动智能助手的方法
US20160163311A1 (en) * 2014-12-09 2016-06-09 Microsoft Technology Licensing, Llc Communication system
US20180052913A1 (en) * 2016-08-16 2018-02-22 Ebay Inc. Selecting next user prompt types in an intelligent online personal assistant multi-turn dialog
CN108052605A (zh) * 2017-12-13 2018-05-18 广州佰聆数据股份有限公司 一种基于客户特征库的智能问答系统
CN110377719A (zh) * 2019-07-25 2019-10-25 广东工业大学 医疗问答方法及装置
CN110516260A (zh) * 2019-08-30 2019-11-29 腾讯科技（深圳）有限公司 实体推荐方法、装置、存储介质及设备
CN110929016A (zh) * 2019-12-10 2020-03-27 北京爱医生智慧医疗科技有限公司 一种基于知识图谱的智能问答方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112035483A (zh) * 2020-09-01 2020-12-04 中国银行股份有限公司 知识库知识存储、检索方法及装置
CN112035483B (zh) * 2020-09-01 2024-04-16 中国银行股份有限公司 知识库知识存储、检索方法及装置

Similar Documents

Publication Publication Date Title
CN110008322B (zh) 多轮对话场景下的话术推荐方法和装置
CN110390108B (zh) 基于深度强化学习的任务型交互方法和系统
CN107329967B (zh) 基于深度学习的问答系统以及方法
US9449271B2 (en) Classifying resources using a deep network
WO2020177282A1 (zh) 一种机器对话方法、装置、计算机设备及存储介质
CN110162611A (zh) 一种智能客服应答方法及系统
US20220164683A1 (en) Generating a domain-specific knowledge graph from unstructured computer text
US20180082184A1 (en) Context-aware chatbot system and method
WO2018033030A1 (zh) 自然语言文句库的生成方法及装置
CN104462600A (zh) 实现来电原因自动分类的方法及装置
CN106528845A (zh) 基于人工智能的检索纠错方法及装置
CN111708869B (zh) 人机对话的处理方法及装置
CN107291840B (zh) 一种用户属性预测模型构建方法和装置
US20210234814A1 (en) Human-machine interaction
CN110096581A (zh) 一种基于用户行为构建问答体系推荐问的系统及方法
US20200051451A1 (en) Short answer grade prediction
CN109993543A (zh) 一种投诉处理方法及系统
CN111339277A (zh) 基于机器学习的问答交互方法及装置
CN106844344A (zh) 用于对话的贡献度计算方法及主题抽取方法和系统
CN112925888A (zh) 一种问答响应及小样本文本匹配模型的训练方法和装置
Kaur et al. Review of artificial intelligence with retailing sector
CN116049360A (zh) 基于客户画像的智能语音对话场景话术干预方法及系统
CN111858854A (zh) 一种基于历史对话信息的问答匹配方法及相关装置
CN111552789B (zh) 一种客服知识库自学习方法及装置
Bockhorst et al. Predicting self-reported customer satisfaction of interactions with a corporate call center

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200818