CN111611370A - 电费查询方法及电子设备 - Google Patents
电费查询方法及电子设备 Download PDFInfo
- Publication number
- CN111611370A CN111611370A CN202010455362.5A CN202010455362A CN111611370A CN 111611370 A CN111611370 A CN 111611370A CN 202010455362 A CN202010455362 A CN 202010455362A CN 111611370 A CN111611370 A CN 111611370A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- fed back
- code
- natural language
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000005611 electricity Effects 0.000 title claims abstract description 58
- 230000015654 memory Effects 0.000 claims description 31
- 230000014509 gene expression Effects 0.000 claims description 20
- 230000002123 temporal effect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 8
- 230000004044 response Effects 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 33
- 230000000875 corresponding effect Effects 0.000 description 28
- 239000013598 vector Substances 0.000 description 22
- 238000012549 training Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006835 compression Effects 0.000 description 6
- 238000007906 compression Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及电费查询方法及电子设备。方法包括获取与用户意图对应的自然语言问句;利用用户意图识别模型对自然语言问句进行自然语言的理解,以确定用户意图;当确定用户意图为电费查询时,向用户推送询问用户编码的消息;获取用户反馈的答复信息;基于用户反馈的答复信息,利用对话管理模型确定向用户推送的下一个消息与用户进行对话,以向用户推送所述电费查询的结果。利用用户意图识别模型对自然语言问句进行理解确定出用户意图;利用对话管理模型确定向用户推送下一个消息,以实现向用户推送电费查询的结果。该方法不仅能够满足用户随时随地的电费查询,且能够代替人工客服处理电费查询的业务,提高电费查询的效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及电费查询方法及电子设备。
背景技术
现有对于用户电费查询的受理一般分为两种模式:其一是,需要用户绑定待查询的账号,然后在每月的固定时间向用户推送该账号对应的上一个月的电费情况;其二是,用户联系客服进行电费查询。
对于第一种电费查询的方式,由于电费的推送是对应于固定的时间段的,用户不能对电费的查询时间段进行选择,导致电费查询的灵活性较低。
对于第二种电费查询的方式,电网客服工作的核心内容之一是对电力信息系统用户所提出的具体的描述进行准确分析,并及时将分析结果反馈给用户。其中,信息、通信和技术三个英文单词的词头组合(Information and Communications Technology,简称ICT),它是信息技术与通信技术相融合而形成的一个新的概念和新的技术领域。将ICT应用在电力系统中,对应的就可以称之为电力信息系统。由于当前的ICT客服(即,电力信息系统客服)工作主要采用电话渠道人工受理的方式,依靠坐席个人的处理效率以及处理时间的限制,导致电费查询的效率较低。
发明内容
有鉴于此,本发明实施例提供了一种电费查询方法及电子设备,以解决电费查询的问题。
根据第一方面,本发明实施例提供了一种电费查询方法,包括:
获取与用户意图对应的自然语言问句;
利用用户意图识别模型对所述自然语言问句进行自然语言的理解,以确定所述用户意图;
当确定用户意图为电费查询时,向用户推送询问用户编码的消息;
获取所述用户反馈的答复信息;
基于所述用户反馈的答复信息,利用对话管理模型确定向所述用户推送的下一个消息与所述用户进行对话,以向所述用户推送所述电费查询的结果。
本发明实施例提供的电费查询方法,利用用户意图识别模型对自然语言问句进行理解,确定出用户意图;在用户意图为电费查询时,再利用对话管理模型确定向用户推送的下一个消息,以与用户进行对话,从而获取到完成电费查询相关的信息,最终实现向用户推送电费查询的结果。因此,该方法不仅能够满足用户随时随地的电费查询,且能够代替人工客服处理电费查询的业务,提高了电费查询的效率。
结合第一方面,在第一方面第一实施方式中,当所述用户反馈的答复信息为知晓所述用户编码时,所述基于所述用户反馈的答复信息,利用对话管理模型确定向所述用户推送的下一个消息与所述用户进行对话,以向所述用户推送所述电费查询的结果,包括:
获取所述用户反馈的用户编码;
利用用户编码识别模型对所述用户编码进行识别,以得到所述用户编码;
判断识别出的所述用户编码是否正确;
当识别出的所述用户编码正确时,利用所述对话管理模型确定向所述用户推送询问查询时间的消息;
获取所述用户反馈的时间文本;
基于所述用户反馈的时间文本,向所述用户推送所述电费查询的结果。
本发明实施例提供的电费查询方法,利用用户编码识别模型对用户反馈的用户编码进行识别,以使得识别出的用户编码被电子设备所处理;且在识别出用户编码之后,利用对话管理模型确定向用户推送的下一个消息为询问查询时间的消息,以确定用户需要对哪个时间电费进行查询,保证了向用户推送的电费查询结果的可靠性。
结合第一方面第一实施方式,在第一方面第二实施方式中,所述基于所述用户反馈的时间文本,向所述用户推送所述电费查询的结果,包括:
利用时间文本识别模型识别出所述用户反馈的时间文本描述的边界;
基于预设正则表达式的匹配规则,将所述用户反馈的时间文本描述的边界转化成对应的时间信息;
判断所述时间信息是否正确;
当所述时间信息正确时,利用所述对话管理模型确定向所述用户推送与所述用户确认用户信息的消息;
当所述用户信息确认正确时,向所述用户推送所述电费的查询结果。
本发明实施例提供的电费查询方法,直接利用预设正则表达式的匹配规则将时间文本描述的边界转换成对应的时间信息,能够保证电费查询的效率。
结合第一方面,在第一方面第三实施方式中,当所述用户反馈的答复信息为不知晓所述用户编码时,所述基于用户反馈的答复信息,利用对话管理模型确定向用户推送的下一个消息与所述用户进行对话,以向所述用户推送所述电费查询的结果,包括:
利用所述对话管理模型确定向所述用户推送询问用户信息的消息;
获取所述用户反馈的用户信息;其中,所述用户信息包括地址信息;
利用地址信息识别模型对所述用户反馈的地址信息进行识别,以得到所述地址信息;
利用所述对话管理模型确定向所述用户推送与所述用户确认所述地址信息的消息;
当所述地址信息确认正确时,向所述用户推送所述电费的查询结果。
本发明实施例提供的电费查询方法,在用户不知晓用户编码的情况下,向用户推送询问用户信息的消息,以从另一方面促使用户进行电费查询,提高了该电费查询方法的可靠性。
结合第一方面第一实施方式,在第一方面第四实施方式中,当所述用户反馈的答复信息为不知晓所述用户编码时,所述基于用户反馈的答复信息,利用对话管理模型确定向用户推送的下一个消息与所述用户进行对话,以向所述用户推送所述电费查询的结果,包括:
利用所述对话管理模型确定向所述用户推送用户编码的提示信息,以使得所述用户基于所述提示信息反馈用户编码。
结合第一方面第二实施方式,或第三实施方式,在第一方面第五实施方式中,所述方法还包括:
将识别出的所述用户编码,或识别出的所述时间信息作为槽值填充至查询数据库中以进行数据填充以及数据查询。
本发明实施例提供的电费查询方法,通过将实体识别结果(即,用户编码,或时间信息)作为槽值进行数据填充和数据查询,大大简化了模板配置的难度和工作量,提高了电费查询的效率。
结合第一方面,在第一方面第六实施方式中,在向所述用户推送所述电费查询的结果的步骤之后,还包括:
利用所述对话管理模型确定向用户推送询问其他业务需求的消息的步骤。
结合第一方面,在第一方面第七实施方式中,所述利用用户意图识别模型对所述自然语言问句进行自然语言的理解,以确定用户意图,包括:
对所述自然语言问句进行预处理;其中,所述预处理包括分词;
将预处理后的所述自然语言问句进行文本向量化,以得到向量化的文本;
将所述向量化的文本输入所述用户意图识别模型中,得到所述用户意图。
本发明实施例提供的电费查询方法,通过对自然语言问句进行预处理以及向量化,将自然语言问句转化为适合于表示和分类的干净的词序列,以便于用户意图识别模型的处理。
根据第二方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中所述的电费查询方法。
根据第三方面,本发明实施例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存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的电费查询方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1是根据本发明实施例的任务型人机对话系统的结构框图;
图2是根据本发明实施例的电费查询方法的流程图;
图3是根据本发明实施例的电费查询方法的流程图;
图4是根据本发明实施例的时间识别模型的结构示意图;
图5是根据本发明实施例的电费查询方法的流程图;
图6是根据本发明实施例的用户意图识别模型的结构示意图;
图7是根据本发明实施例的电费查询方法的流程图;
图8是根据本发明实施例的电费查询装置的结构框图;
图9是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
需要说明的是,对话管理技术(Dialog Manager,DM)是自然语言处理的一部分,是整个对话系统的核心,负责协调各个模块、主导对话流程以及与控制系统和外部模块进行交互。对话管理模块根据NLU模块输出的结果,结合对话历史来更新当前的对话状态,进而选取系统下一步要进行的动作,并同后端模块交互,将系统动作和决策信息输出给自然语言生成模块。对话管理模块一般分成两部分,第一部分是对话状态追踪,负责跟踪和更新对话系统的状态以及记录对话历史;第二部分是对话策略选择,负责选择出对话系统的下一个动作;动作一般包括向用户询问更多信息,对用户问题进行确认等等。
任务型人机对话系统的基本结构如图1所示,整个系统包括三个主要的模块:自然语言理解,对话管理和自然语言生成。用户的输入可以为语音或者文本。自然语言理解模型负责分析用户的输入,获取用户输入中与任务相关的信息,例如在电费查询的场景中,用户编码以及查询时间是必要的信息,通过解析成为对话管理模块可理解的方式,传递给对话管理模块。对话管理模型负责控制整个对话的过程,根据当前用户表达的意图,并结合上下文历史信息,做出合理合适的动作,使用户与对话系统有序交互,完成预设目标,顺利地提供服务解决用户的问题。比如在上一轮对话中,系统已经获取了用户编码之后,下一步应该询问用户的查询时间。自然语言生成模型则是将对话管理模块输出的决策动作,结合需要填充的槽值情况,再根据当前的对话场景转换为用户可以理解的自然语言并输出。
本发明实施例提供的电费查询方法中问答答案的生成是动态跟踪对话管理状态进行答案决策过程。查询电费对话生成流程首先依据用户问题进行客户意图识别,将用户意图按照任务驱动对话场景分类,当被分到查询电费任务场景时,开始启动场景任务型驱动对话流程。
根据本发明实施例,提供了一种电费查询方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种电费查询方法,可用于电子设备,如手机、平板电脑等,图2是根据本发明实施例的电费查询的流程图,如图2所示,该流程包括如下步骤:
S11,获取与用户意图对应的自然语言问句。
所述的与用户意图对应的自然语言问句可以是用户在其他终端上输入发送至电子设备的,也可以是用户在电子设备上输入的等等。用户输入的可以是文字,也可以是语音。其中,当用户输入的是语音时,还需要将语音转换为文字。在此对与用户意图对应的自然语言问句的获取方式并不做任何限制,只需保证所获取到的自然语言问句是与用户意图对应的即可。
S12,利用用户意图识别模型对自然语言问句进行自然语言的理解,以确定用户意图。
在电子设备中预先存储有用户意图识别模型,所述的用户意图识别模型的输入为自然语言问句,输出为预测的用户意图。其中,所述的用户意图识别模型是基于神经网络模型建立的,也可以将其理解为分类模型,在此对用户意图识别模型的具体结构细节并不做任何限制。其中,关于用户意图识别模型将在下文中进行详细描述。
电子设备利用用户意图识别模型对获取到的自然语言问句进行自然语言的理解,确定出用户意图。当确定用户意图为电费查询时,执行S13;否则,执行其他操作。所述的其他操作可以是确定出的用户意图进行相应的处理,也可以是向用户推送相应的消息(例如,请输入电费查询)等等。其他操作的具体实现可以根据实际情况进行相应的设置,在此并不做任何限制。
S13,向用户推送询问用户编码的消息。
在电子设备确定出用户意图为电费查询时,向用户推送询问用户编码的消息。这是由于,用户编码是电费查询的必要条件。该步骤的目的就相当于为用户提供输入指引,一步步地引导用户输入相应的信息。
S14,获取用户反馈的答复信息。
电子设备在向用户推送询问用户编码的消息之后,用户基于这一消息就会给出相应的答复信息。其中,答复信息可以是用户编码,也可以是其他信息(例如,忘记用户编码)等等。
S15,基于用户反馈的答复信息,利用对话管理模型确定向用户推送的下一个消息与用户进行对话,以向用户推送电费查询的结果。
其中,对话管理模型用于管理整个电费查询方法,负责控制整个对话的过程,根据当前用户表达的意图,并结合上下文历史信息,做出合理合适的动作,使用户与对话系统有序交互,完成预设目标,顺利地向用户推送电费查询的结果。
关于对话管理模型的具体结构细节将在下文中进行详细描述。
本实施例提供的电费查询方法,利用用户意图识别模型对自然语言问句进行理解,确定出用户意图;在用户意图为电费查询时,再利用对话管理模型确定向用户推送的下一个消息,以与用户进行对话,从而获取到完成电费查询相关的信息,最终实现向用户推送电费查询的结果。因此,该方法不仅能够满足用户随时随地的电费查询,且能够代替人工客服处理电费查询的业务,提高了电费查询的效率。
在本实施例中提供了一种电费查询方法,可用于电子设备,如手机、平板电脑等,图3是根据本发明实施例的电费查询的流程图,如图3所示,该流程包括如下步骤:
S21,获取与用户意图对应的自然语言问句。
详细请参见图2所示实施例的S11,在此不再赘述。
S22,利用用户意图识别模型对自然语言问句进行自然语言的理解,以确定用户意图。
当确定用户意图为电费查询时,执行S23;否则,执行其他操作。
其余请参见图2所示实施例的S12,在此不再赘述。
S23,向用户推送询问用户编码的消息。
详细请参见图2所示实施例的S13,在此不再赘述。
S24,获取用户反馈的答复信息。
其余详细请参见图2所示实施例的S14,在此不再赘述。
S25,基于用户反馈的答复信息,利用对话管理模型确定向用户推送的下一个消息与用户进行对话,以向用户推送电费查询的结果。
当用户反馈的答复信息为知晓用户编码时,电子设备首先获取到用户编码,再利用用户编码识别模型对其进行识别,得到用户编码,以进行电费查询。具体地,上述S25包括如下步骤:
S251,获取用户反馈的用户编码。
电子设备获取到用户反馈的用户编码,由于用户反馈的用户编码是采用自然语言描述的,而对于电子设备而言其无法处理自然语言,因此需要将其转化为电子设备能够处理的语言。
S252,利用用户编码识别模型对用户编码进行识别,以得到用户编码。
所述的用户编码识别模型与上文所述的用户意图识别模型类似,均是通过对自然语言的理解,将用户输入的自然语言描述转化为电子设备能够处理的语言。
电子设备利用用户编码识别模型对用户输入的用户编码进行识别,得到用户编码。
S253,判断识别出的用户编码是否正确。
电子设备在得到用户编码之后,可以利用该用户编码与编码数据库中的用户编码进行比较,以判断识别出的用户编码是否正确。当识别出的用户编码正确时,执行S254;否则,向用户推送用户编码错误,提示重新输入的消息,返回执行S251。
S254,利用对话管理模型确定向用户推送询问查询时间的消息。
电子设备在获取到用户编码之后,按照电费查询的逻辑管理,就可以利用对话管理模型确定向用户推送的下一个消息为:询问查询时间的消息,以获取用户需要查询的时间。
S255,获取用户反馈的时间文本。
用户基于询问查询时间的消息,向电子设备反馈时间文本。
S256,基于用户反馈的时间文本,向用户推送电费查询的结果。
由于用户反馈的时间文本的形式不一,有各种各样的时间表示形式,那么对于电子设备而言,其就需要将形式不一的时间文本进行处理,以形成电子设备能够处理的时间信息。具体的处理方式将在下文中进行详细描述。
电子设备在得到用户编码以及时间文本之后,就可以向用户推送电费查询的结果;也可以在向相互推送电费查询的结果之前,与用户进行用户信息的确认,在用户信息确认无误的情况下,再向用户推送电费查询的结果。
具体地,上述S256可以包括如下步骤:
(1)利用时间文本识别模型识别出用户反馈的时间文本描述的边界。
所述的时间文本识别模型与上文所述的用户编码识别模型类似,具体将在下文中进行详细描述。
电子设备在获取到用户反馈的时间文本之后,利用时间文本识别模型识别出时间文本描述的边界。所述时间文本的边界即为时间的起点以及终点。
(2)基于预设正则表达式的匹配规则,将用户反馈的时间文本描述的边界转化成对应的时间信息。
在本实施例中时间文本理解的技术方法通过transformer进行实体识别确定日期描述的边界,然后再通过正则表达式结合规则的方式将转化成系统可以识别的日期信息。
其中,时间文本识别模型的具体结构如图4所示,所述编码层包括位置向量、6层多头注意力矩阵和残差网络,解码层同样包括位置向量、6层多头注意力矩阵、残差网络和归一化函数等。最后输出向量为转化得到的时间信息。
具体地,识别出日期的自然语言描述之后,在通过正则表达式或者规则、模板将其规范化并转换为时间槽值。用户输入的日期信息往往是多种多样的,例如:“2019.1.1-2019.3.1”,“3月1日”,“前天”,“2019年”,“去年5月”,“5月3日到7日”,“近3月”等等,所以电子设备需要准确理解用户输入信息的含义,主要将习惯性说法归纳成正则表达式的形式进行信息理解,其技术细节如下:
1.对“去”,“前”,“昨”,“近”,“上”,“当前”的信息的理解;
2.年份有可能是两位数,有可能是四位数
3.年月日之前的信息可以用圆点短横线分割,也可以用汉字分割,“日”也可以写成“号”。
4.日期区间可以用短横线分割
5.中文数字的理解,比如“二百六十五”理解成265;
6.匹配顺序的问题,一般的先匹配字数最长的正则表达式,再匹配短的正则表达式;
7.时间前缀理解问题,比如,5月指的是今年的5月,也就是2020年5月,去年5月到7月,指的是2019年5月到2019年7月;
根据以上细节,制定出的预设正则表达式的匹配规则,规则集和匹配说明分别如表1、表2所示,电子设备在匹配时按照序号顺序从小到大进行匹配,直到匹配成功为止。
表1正则表达式规则集
表2正则表达式规则说明
部分举例:(今天以2020-05-19为例)
query_time:昨天
key:yesterday
start_time:2020-05-18 00:00:00,end_time:2020-05-19 00:00:00
--------------------------
query_time:前天
key:day_before_yesterday
start_time:2020-05-17 00:00:00,end_time:2020-05-18 00:00:00
--------------------------
query_time:大前天
key:day_day_before_yesterday
start_time:2020-05-16 00:00:00,end_time:2020-05-17 00:00:00
--------------------------
query_time:这个月
key:current_month
start_time:2020-03-01 00:00:00,end_time:2020-03-19 10:12:13.038001
--------------------------
query_time:近3个月
key:recent_month
start_time:2019-12-19 10:12:13.038000,end_time:2020-03-1910:12:13.038001
--------------------------
电子设备利用上述的时间文本识别模型以及预设正则化表达式的匹配规则,就可以将用户反馈的时间文本转化为时间信息。
(3)判断时间信息是否正确;
电子设备在得到时间信息之后,就判断得出的时间信息是否正确。例如,可以调用系统的时间信息,通过对系统的时间信息进行相应的处理(例如,调用得到的系统的时间信息为当前的时间信息,若用户反馈的为昨天,那么电子设备可以在当前系统的时间信息的基础上,将天数减去1,就可以得到昨天对应的日期),与转化得到的时间信息进行比较。当时间信息正确时,执行(4);否则,可以返回执行S254。
(4)利用对话管理模型确定向用户推送与用户确认用户信息的消息。
电子设备在得到用户编码、时间信息之后,就可以利用对话管理模型确定出向相互推送的下一个消息为:与用户确认用户信息。例如,电子设备将获取到的用户编码、时间信息转化为自然语言的描述推送给用户,以进行用户信息的确认。
当用户信息确认用户信息正确时,执行(5);否则,可以向用户推送询问用户信息的消息。其中,关于向用户推送询问用户信息的消息将在下文中进行详细描述。
(5)向用户推送电费的查询结果。
电子设备在用户确认用户信息正确时,从系统中查询出与该用户信息对应的电费查询结果,并将该电费查询结果推送给用户。
本实施例提供的电费查询方法,利用用户编码识别模型对用户反馈的用户编码进行识别,以使得识别出的用户编码被电子设备所处理;且在识别出用户编码之后,利用对话管理模型确定向用户推送的下一个消息为询问查询时间的消息,以确定用户需要对哪个时间电费进行查询,保证了向用户推送的电费查询结果的可靠性。
作为本实施例的一种可选实施方式,所述的电费查询方法还包括:将识别出的所述用户编码,或识别出的所述时间信息作为槽值填充至查询数据库中以进行数据填充以及数据查询。
基于任务型驱动对话的答案生成利用问题理解引擎和对话引擎中识别出来的日期标准化或者地址文本作为查询数据库的槽值信息。
传统的槽值填充方法主要是基于模板的方法,也就是人工列举实体常见的语言表达形式,然后总结成各个正则表达式模板,程序根据正则表达式对实体进行抽取。该方法简单,不需要预训练,模板可重用性很强,而且能有把握细节,但也有缺点:其一是需要浪费大量人力成本对规则进行总结;其二是模板方法的性能一般,模板总结不出所有情况,一旦用户有新的表达方式就抽取失败;其三是采用模板的方法非常不灵活,如果模板修改了或者做一个新的领域的人机对话系统,就需要重新总结规则。
通过将实体识别结果(即,用户编码,或时间信息)作为槽值进行数据填充和数据查询,大大简化了模板配置的难度和工作量,提高了电费查询的效率。
在本实施例中提供了一种电费查询方法,可用于电子设备,如手机、平板电脑等,图5是根据本发明实施例的电费查询的流程图,如图5所示,该流程包括如下步骤:
S31,获取与用户意图对应的自然语言问句。
详细请参见图3所示实施例的S21,在此不再赘述。
S32,利用用户意图识别模型对自然语言问句进行自然语言的理解,以确定用户意图。
具体地,上述S32包括如下步骤:
S321,对自然语言问句进行预处理。
其中,所述预处理包括分词。
用户意图识别首先要做的工作是将用户输入的自然语言问句的描述文本转化为适合于表示和分类的干净的词序列,预处理包括分词、词干化、删除停用词、去除低频词等内容。
S322,将预处理后的自然语言问句进行文本向量化,以得到向量化的文本。
在文本的分布式表示中,选用词向量(Word Embedding or WordRepresentation)的表示方法。词向量是一种分布式的词表示形式,其基本思想是通过对大量语料的学习,将每个词映射到一个K维的实数向量,K的取值在几十到几百之间,远小于语料中词典的大小,从而解决了传统方法中向量稀疏和高维度的问题。此外,低维词向量之间的位置关系可以表示词语间语义层面上的相似程度,例如“他们”和“她们”两个词,在向量空间中的距离很近。
所述的文本向量化可以采用word2vec工具实现,可以采用其他文本向量化的方式,在此并不做任何限制。在本实施例中,以word2vec工具实现为例进行描述。
利用word2vec随机初始化每个词语表征为实数值向量,传统的基于规则或基于统计的自然语义处理方法将单词看作一个原子符号,在向量空间的范畴里,是一个0、1集合的向量:[0,0,0,0,...,0,1,0,...,0,0,0],即one-hot表示,这种表示方法存在一个重要的问题就是“词汇鸿沟”现象:任意两个词之间都是孤立的,仅从这两个向量中看不出两个词是否有关系。
而word2vec基本想法是直接用一个普通的向量表示一个词,如:[0.792,-0.177,-0.107,0.109,-0.542,...]。将所有这些向量放在一起形成一个词向量空间,而每一向量则为该空间中的一个点,在这个空间上的词向量之间的距离度量也可以表示对应的两个词之间的“距离”,这样就避免了传统文本表示的缺点。
S323,将向量化的文本输入所述用户意图识别模型中,得到用户意图。
电子设备在得到向量化文本之后,将其输入至用户意图识别模型中,以得到用户模型。具体地,通过端到端网络将词语的初始化向量作为输入,具体的用户意图识别模型如图6所示。
其中,编码器结构,解码器的两端的网络结构是一样的,区别在于解码器端是归一化后的残差网络作为解码器的多头(MultiHead),最后由解码器输出用户意图的类别概率。
用户输入的自然语言问句往往是一句话,通过上述的用户意图识别模型之后,其中每个字都含有这句话中其他所有字的信息。在对用户意图识别模型进行训练时,给每个样本问句的句头添加一个特殊字符,然后在句末再添加一个特殊字符,之后模型训练完毕之后,就可以用句头的特殊字符hidden state完成用户意图识别。
如图7所示,图7示出了用户意图识别模型的输入输出示意图。首先,采用向量算法word2vec将输入的用户问题按字进行向量化,然后如图7所示,进入编码、解码层。编码层包括位置向量、6层多头注意力矩阵和残差网络,解码层同样包括位置向量、6层多头注意力矩阵、残差网络和归一化函数等。最后输出意图的softmax(即意图标签的概率)。
当确定用户意图为电费查询时,执行S33;否则,执行其他操作。关于其他操作的具体描述请参见图3所示所示实施例的S22,在此不再赘述。
S33,向用户推送询问用户编码的消息。
详细请参见图3所示实施例的S23,在此不再赘述。
S34,获取用户反馈的答复信息。
其中,图3所示实施例中是以用户反馈的答复信息为用户编码为例进行描述,在本实施例中以用户反馈的答复信息为不知晓用户编码为例。
当用户反馈的答复信息为不知晓用户编码时,电子设备利用对话管理模型确定向用户推送用户编码的提示信息,以使得用户基于所述提示信息反馈用户编码。
例如,向用户推送用户编码的提示信息可以是:电费单子上的十位数字,或发票上的十位数字等等。
若用户在提示信息的基础上,能够知晓用户编码,则向电子设备输入用户编码,后续的处理方法请参见图3所示实施例的S24-S25,在此不再赘述;若用户在提示信息的基础上,还是不能获知用户编码,那么电子设备所获取到的答复信息可以为:不知晓用户编码,或其他类似的表述。
S35,基于用户反馈的答复信息,利用对话管理模型确定向用户推送的下一个消息与用户进行对话,以向用户推送电费查询的结果。
具体地,上述S35包括如下步骤:
S351,利用对话管理模型确定向用户推送询问用户信息的消息。
电子设备在获知用户不知晓用户编码之后,利用对话管理模型确定向用户推送询问用户信息的消息。即,从用户信息角度进行电费的查询。那么,电子设备就利用对话管理模型确定向用户推送询问用户信息的消息。
S352,获取用户反馈的用户信息。
其中,所述用户信息包括地址信息。
电子设备在向用户推送询问用户信息的消息之后,用户就会向电子设备反馈用户信息,所述的用户信息包括地址信息,也可以包括用户姓名等等。当然,也可以包括其他用户信息等等。
S353,利用地址信息识别模型对用户反馈的地址信息进行识别,以得到地址信息。
电子设备在获取地址信息之后,就可以利用地址信息识别模型对其进行识别,得到地址信息。
所述的地址信息识别模型的实现方法与时间文本识别模型类似,不同的是对于非常模糊的地址信息,采用结合地理信息坐标的方式,生成地理信息的文本描述。
实体的标签定义,适用于时间、地址信息的边界查找。具体实现时间实体、地址实体的训练模型,可以采用机器学习算法训练实体识别模型。举例:BiLSTM,GRU,stack-LSTM,transformer等等。其中,实体标签如表3所示:
表3实体标签
标签 | 标签定义 |
B-X | 某个短语X的第一个词 |
I-X | 短语X中的中间词 |
E-X | 短语X的最后一个词 |
S | 单个字符的实体 |
O | 分隔外的符号标记 |
S354,利用对话管理模型确定向用户推送与用户确认地址信息的消息。
电子设备在得到地址信息之后,利用对话管理模型确定向用户推送确认地址信息的消息,以与用户进行地址信息的确认。
S355,确认地址信息是否正确。
当地址信息确认正确时,S356;否则,向用户推送信息不匹配的消息,执行S351。
任务型对话是一个对上下文依赖非常强的对话,因为任意时刻的对话状态是依赖于之前的对话历史。那么在建模的过程中,就需要考虑建模任务型对话中的多轮输入。针对这个问题,通过建立层级结构的模型来联合建模自然语言理解模块和对话管理模块,层级结构能够有效建模对话中多轮交互的特性,通过模型结构的控制来保证模型解决问题的基本能力。此外,通过深度强化学习方式进行模型训练,得到的模型可以接收对话文本的输入,并根据输入的对话上下文生成恰当的对话状态,通过对每一个动作的Q值进行计算,选择合适的动作使得长期累积回报值最大,从而控制整个对话的进行。
在下文中将进行对话管理模型的详细描述:
对话管理往往是对话系统的核心,根据自然语言理解(Natural-languageunderstanding,简称为NLU)得到的结果和对话历史信息,来更新系统的状态,进而选取系统下一步要进行的动作。因此输入为NLU部分的结果和对话历史信息;输出为系统选取的下一步要进行的动作。对话管理模型常分成两部分:对话状态追踪和对话策略选择。对话状态追踪记录了对话历史和当前的状态,使每轮对话之间有所联系。对话策略选择决定了对话流程的方向,即下一步该怎么走,该做什么动作。
(1)对话状态追踪
基于层级压缩的对话状态追踪模块主要由6个部分组成,分别是:输入、输出、流程、实体类别名、最优动作和状态数组。
表4基于层级压缩的对话状态追踪
压缩状态数组(Compressed state array)定义:
由于下述流程1中KG state array有着明显的问题:状态空间过大,训练难以收敛。比如,当前领域的知识图谱若有N个实体,那么当前状态空间s的数量:2N<number(s)<3N;因此利用知识图谱的结构特点,对状态数组进行压缩,变成一个长度为3的一维数组(称为压缩数组Compressed state array);由于领域内用户输入的问题只有两种意图:询问意图(条件类问题)和确认意图(内容类问题),因此压缩数组设定如下:第一维代表条件类问题,共6种可能状态,第二维代表内容类问题,共4种可能状态,第三维代表终止,共2种可能状态,具体如表5所示;初始状态为[0,0,0]。
表5压缩数组
在表5的压缩数组状态中,可能的状态集合为{[0,0,0],[5,1,0],[5,2,0],[1,3,0],[2,3,0],[3,3,0],[4,3,0]},其余的状态均为不可能状态。注意此处的条件类问题和内容类问题是互斥的。也就是说,一个问题要么属于条件类问题,要么属于内容类问题。所以当条件类问题为1,2,3,4的时候,内容类问题只能为3,同样地,当内容类问题为1,2的时候,条件类问题只能为5。
算法1流程1的状态数组更新规则
输入:实体链接模块传来的实体类别名和当前状态数组KG state array
若此实体名对应多个实体,则将这些实体对应的数组值改变为1;
若此实体只对应一个实体,则将此实体对应的数组值变为2;
输出:更新后的状态数组KG state array
对当前对话状态来说,以下三个条件满足其一那么就可以判定当前对话状态属于终止状态:
1)上一轮的Compressed state array[2]==1;
2)上一轮的Compressed state array处于不可能状态;
3)当前对话轮次大于等于40。
具体的压缩层级算法如算法2所示。
算法2层级压缩算法
输入:当前的Compressed state array和流程一得到的KG state array
判断当前对话是否属于终止状态,若是,令Compressed state array[2]=1;若否,令Compressed state array[2]=0;
判断意图识别结果,如果当前用户输入属于询问意图,那么令Compressed statearray[0]=3;反之令Compressed state array[0]=5;
判断if Compressed state array[0]==3
if当前节点实体处于歧义状态(即KG state array[k]==1)
令Compressed state array[0]=4
if当前节点的父节点已被提及过
令Compressed state array[0]=1
else:令Compressed state array[0]=3
跳出结束
判断if Compressed state array[0]==5
if当前节点实体处于歧义状态(即KG state array[k]==1)
令Compressed state array[1]=1
else:令Compressed state array[1]=2
跳出结束
输出:更新后的Compressed state array
(2)对话策略选择
基于Q-learning的对话策略选择模块
这一部分的主要任务是根据压缩状态数组,通过基于MDP的Q-learning算法训练得到的Q表选择当前的最优动作传给自然语言生成模块。模块具体定义如表6。
表6基于Q-learning的对话策略选择模块
1)设定MDP四要素
马尔可夫决策过程用一个四元组来描述<A,S,T,R>,其中,S是指外部世界状态的集合;A指的是智能体(本文中指对话系统)的动作集合。T指的是状态转移函数;R是指回报函数,给出智能体在特定状态下执行动作带来的立即回报。本文的MDP的四要素中的A,S,R设计如下:
动作集合|A|如表7:
表7动作集合
动作 | 说明 |
问候(Greeting) | 当前状态为初始状态时,执行打招呼问候动作 |
再见(End) | 当前状态为终止状态时,执行再见动作 |
肯定(Yes) | 当前状态需要肯定回答时,执行肯定动作 |
否定(No) | 当前状态需要否定回答时,执行否定动作 |
询问(Ask) | 当前状态中有实体处于歧义状态时,对用户询问进而消除歧义 |
确认(Confirm) | 当需要向用户询问当前实体的父节点状态时,执行确认动作 |
告知(Inform) | 当向用户直接回答问题时,执行告知动作 |
状态集合|S|使用压缩数组来表示,见上压缩数组的定义;
回报函数R设计如表8。
表8 R设计表
S | A | R |
[5,2,0] | Inform | 10 |
[1,3,0] | Yes | 10 |
[2,3,0] | No | 10 |
[0,0,0] | Greeting | -1 |
[5,1,0] | Ask | -1 |
[3,3,0] | Confirm | -1 |
[4,3,0] | Ask | -1 |
[任意值,任意值,1] | End | -1 |
不可能状态 | End | -1 |
对话轮次>40 | End | -40 |
2)根据Q-learning算法训练Q表
要素设计完备后,就可以采用Q-learning算法来进行训练得到Q表;训练算法如算法3所示。
其中,s代表状态,a代表动作,Q表横排代表所有状态,纵列代表所有动作;ε-greedy代表以ε的概率随机选择动作,1-ε的概率选择当前状态中Q值最大的对应的动作;终止状态是指以下三种情况:状态为不可能状态,对话轮次超过40轮,用户主动说再见;训练过程中从s到s’需要用户模拟器的参与,本文的用户模拟器就根据经验值设定相应概率值。本文的训练参数设定:ε为0.3;学习率α为0.5;折扣因子γ为0.9;训练10000轮对话Q表达到收敛状态。
算法3Q-learning算法
随机初始化Q(s,a)
循环执行(对每一轮对话)
初始化s
循环执行(每一轮对话中的每一步)
采用ε-greedy策略,根据s选一个a
执行动作a,观测r,s’
Q(s,a)←Q(s,a)+α[r+γmax,Q(s',a')-Q(s,a)]
s←s’
直到终止状态
结束循环
3)根据训练好的Q表选最优动作
训练得到的Q表的横排是所有压缩后的状态,纵列是所有动作,这样对于每一个状态和每一个动作都有相应Q值Q(s,a)。因此每次根据对话状态追踪模块传来的压缩状态数组(compressed state array∈S),找到对应的Q值集合中最大Q值对应的动作作为最优动作,输出到自然语言生成模块。
S356,向用户推送电费的查询结果。
电子设备利用用户信息,从系统中进行对应于该用户信息的电费查询,得到查询结果,并将查询结果推送给用户。
本实施例提供的电费查询方法,在用户不知晓用户编码的情况下,向用户推送询问用户信息的消息,以从另一方面促使用户进行电费查询,提高了该电费查询方法的可靠性。
作为本实施例所述电费查询方法的一个具体应用实例,如图7所示,在下文中仅对电费查询方法进行简单的描述,其中具体的实现细节请参见上文所述实施例的相关描述。具体地,包括如下步骤:
(1)输入自然语言问句
(2)利用用户意图识别模型识别用户意图;在用户意图为电费查询时,执行(3);否则进行其他业务;
(3)询问用户编码;当用户知晓用户编码时,执行(4);否则,执行(15);
(4)获取用户编码;
(5)利用用户编码识别模型识别用户编码;
(6)判断用户编码是否正确;当用户编码正确时,执行(7);否则执行(8);
(7)询问查询时间,执行(9);
(8)推送用户编码错误,提示重新输入,执行(4);
(9)利用时间文本识别模型识别时间信息;
(10)判断时间信息是否正确;当时间信息正确时,执行(11);否则,执行(7);
(11)查询用户信息;
(12)确认用户信息;当用户信息正确时,执行(13);否则,执行(17);
(13)查询电费,向用户推送电费查询结果;
(14)询问是否有其他业务需求;若有,执行(1);否则,结束。
(15)判断询问次数是否超过2次;当询问次数没有超过2次时,执行(16);否则,执行(17);
(16)提示用户编码信息,执行(3);
(17)询问用户信息;
(18)获取地址信息以及用户姓名信息;
(19)利用地址信息识别模型识别地址信息,执行(12)。
本实施例提供的电费查询方法具有如下有益效果:
(1)查询无时间限制,通过国家电网自助缴费可以24小时连续服务,任何时候都可以进行查询,用户不用在担心因为忘记交电费,回家没电用了。
(2)省时省力,国家电网自助缴费操作非常方便快捷,图文并茂,简单易懂。用户不用到国家电网营业厅去费时排队,既节省时间,又节省人力。
(3)国家电网自助缴费功能强大,支持现金缴费、银行卡缴费、预交和磁卡表充值等多种功能,完全可以满足人们的需求。
(4)国家电网自助缴费系统不用人员值守,减少了国家电网营业厅及客服中心的工作负荷,大大降低了营运成本,增加营业收入,提高经济效益,改善服务质量和服务形象,增强市场竞争力。
在本实施例中还提供了一种电费查询装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种电费查询装置,如图8所示,包括:
第一获取模块41,用于获取与用户意图对应的自然语言问句;
用户意图理解模块42,用于利用用户意图识别模型对所述自然语言问句进行自然语言的理解,以确定所述用户意图;
第一推送模块43,用于当确定用户意图为电费查询时,向用户推送询问用户编码的消息;
第二获取模块44,用于获取所述用户反馈的答复信息;
第二推送模块45,用于基于所述用户反馈的答复信息,利用对话管理模型确定向所述用户推送的下一个消息与所述用户进行对话,以向所述用户推送所述电费查询的结果。
本实施例中的电费查询装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有上述图8所示的电费查询装置。
请参阅图9,图9是本发明可选实施例提供的一种电子设备的结构示意图,如图9所示,该电子设备可以包括:至少一个处理器51,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口53,存储器54,至少一个通信总线52。其中,通信总线52用于实现这些组件之间的连接通信。其中,通信接口53可以包括显示屏(Display)、键盘(Keyboard),可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。其中处理器51可以结合图8所描述的装置,存储器54中存储应用程序,且处理器51调用存储器54中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线52可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器54可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器54还可以包括上述种类的存储器的组合。
其中,处理器51可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器54还用于存储程序指令。处理器51可以调用程序指令,实现如本申请图2、3以及5实施例中所示的电费查询方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的电费查询方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种电费查询方法,其特征在于,包括:
获取与用户意图对应的自然语言问句;
利用用户意图识别模型对所述自然语言问句进行自然语言的理解,以确定所述用户意图;
当确定用户意图为电费查询时,向用户推送询问用户编码的消息;
获取所述用户反馈的答复信息;
基于所述用户反馈的答复信息,利用对话管理模型确定向所述用户推送的下一个消息与所述用户进行对话,以向所述用户推送所述电费查询的结果。
2.根据权利要求1所述的方法,其特征在于,当所述用户反馈的答复信息为知晓所述用户编码时,所述基于所述用户反馈的答复信息,利用对话管理模型确定向所述用户推送的下一个消息与所述用户进行对话,以向所述用户推送所述电费查询的结果,包括:
获取所述用户反馈的用户编码;
利用用户编码识别模型对所述用户编码进行识别,以得到所述用户编码;
判断识别出的所述用户编码是否正确;
当识别出的所述用户编码正确时,利用所述对话管理模型确定向所述用户推送询问查询时间的消息;
获取所述用户反馈的时间文本;
基于所述用户反馈的时间文本,向所述用户推送所述电费查询的结果。
3.根据权利要求2所述的方法,其特征在于,所述基于所述用户反馈的时间文本,向所述用户推送所述电费查询的结果,包括:
利用时间文本识别模型识别出所述用户反馈的时间文本描述的边界;
基于预设正则表达式的匹配规则,将所述用户反馈的时间文本描述的边界转化成对应的时间信息;
判断所述时间信息是否正确;
当所述时间信息正确时,利用所述对话管理模型确定向所述用户推送与所述用户确认用户信息的消息;
当所述用户信息确认正确时,向所述用户推送所述电费的查询结果。
4.根据权利要求1所述的方法,其特征在于,当所述用户反馈的答复信息为不知晓所述用户编码时,所述基于用户反馈的答复信息,利用对话管理模型确定向用户推送的下一个消息与所述用户进行对话,以向所述用户推送所述电费查询的结果,包括:
利用所述对话管理模型确定向所述用户推送询问用户信息的消息;
获取所述用户反馈的用户信息;其中,所述用户信息包括地址信息;
利用地址信息识别模型对所述用户反馈的地址信息进行识别,以得到所述地址信息;
利用所述对话管理模型确定向所述用户推送与所述用户确认所述地址信息的消息;
当所述地址信息确认正确时,向所述用户推送所述电费的查询结果。
5.根据权利要求1所述的方法,其特征在于,当所述用户反馈的答复信息为不知晓所述用户编码时,所述基于用户反馈的答复信息,利用对话管理模型确定向用户推送的下一个消息与所述用户进行对话,以向所述用户推送所述电费查询的结果,包括:
利用所述对话管理模型确定向所述用户推送用户编码的提示信息,以使得所述用户基于所述提示信息反馈用户编码。
6.根据权利要求3或4所述的方法,其特征在于,所述方法还包括:
将识别出的所述用户编码,或识别出的所述时间信息作为槽值填充至查询数据库中以进行数据填充以及数据查询。
7.根据权利要求1所述的方法,其特征在于,在向所述用户推送所述电费查询的结果的步骤之后,还包括:
利用所述对话管理模型确定向用户推送询问其他业务需求的消息的步骤。
8.根据权利要求1所述的方法,其特征在于,所述利用用户意图识别模型对所述自然语言问句进行自然语言的理解,以确定用户意图,包括:
对所述自然语言问句进行预处理;其中,所述预处理包括分词;
将预处理后的所述自然语言问句进行文本向量化,以得到向量化的文本;
将所述向量化的文本输入所述用户意图识别模型中,得到所述用户意图。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-8中任一项所述的电费查询方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的电费查询方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010455362.5A CN111611370B (zh) | 2020-05-26 | 2020-05-26 | 电费查询方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010455362.5A CN111611370B (zh) | 2020-05-26 | 2020-05-26 | 电费查询方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611370A true CN111611370A (zh) | 2020-09-01 |
CN111611370B CN111611370B (zh) | 2023-04-18 |
Family
ID=72196073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010455362.5A Active CN111611370B (zh) | 2020-05-26 | 2020-05-26 | 电费查询方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611370B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113010692A (zh) * | 2021-03-30 | 2021-06-22 | 国网江苏省电力有限公司营销服务中心 | 一种基于知识图谱的对话管理方法及对话系统 |
CN114140108A (zh) * | 2021-12-08 | 2022-03-04 | 国网雄安金融科技集团有限公司 | 一种基于5g消息的电费交纳方法和系统 |
CN117112065A (zh) * | 2023-08-30 | 2023-11-24 | 北京百度网讯科技有限公司 | 大模型插件调用方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170249309A1 (en) * | 2016-02-29 | 2017-08-31 | Microsoft Technology Licensing, Llc | Interpreting and Resolving Conditional Natural Language Queries |
CN109147768A (zh) * | 2018-09-13 | 2019-01-04 | 云南电网有限责任公司 | 一种基于深度学习的语音识别方法及系统 |
CN109740928A (zh) * | 2018-12-29 | 2019-05-10 | 北京中电普华信息技术有限公司 | 电力咨询业务处理方法和装置 |
CN110364251A (zh) * | 2019-06-14 | 2019-10-22 | 南京理工大学 | 一种基于机器阅读理解的智能交互导诊咨询系统 |
US20200005772A1 (en) * | 2018-06-28 | 2020-01-02 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Interactive method and device of robot, and device |
CN111125309A (zh) * | 2019-12-23 | 2020-05-08 | 中电云脑(天津)科技有限公司 | 自然语言处理方法、装置及计算设备、存储介质 |
-
2020
- 2020-05-26 CN CN202010455362.5A patent/CN111611370B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170249309A1 (en) * | 2016-02-29 | 2017-08-31 | Microsoft Technology Licensing, Llc | Interpreting and Resolving Conditional Natural Language Queries |
US20200005772A1 (en) * | 2018-06-28 | 2020-01-02 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Interactive method and device of robot, and device |
CN109147768A (zh) * | 2018-09-13 | 2019-01-04 | 云南电网有限责任公司 | 一种基于深度学习的语音识别方法及系统 |
CN109740928A (zh) * | 2018-12-29 | 2019-05-10 | 北京中电普华信息技术有限公司 | 电力咨询业务处理方法和装置 |
CN110364251A (zh) * | 2019-06-14 | 2019-10-22 | 南京理工大学 | 一种基于机器阅读理解的智能交互导诊咨询系统 |
CN111125309A (zh) * | 2019-12-23 | 2020-05-08 | 中电云脑(天津)科技有限公司 | 自然语言处理方法、装置及计算设备、存储介质 |
Non-Patent Citations (2)
Title |
---|
张紫璇;陆佳民;姜笑;冯钧;: "面向水利信息资源的智能问答系统构建与应用" * |
杨志明;王来奇;王泳;: "深度学习算法在问句意图分类中的应用研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113010692A (zh) * | 2021-03-30 | 2021-06-22 | 国网江苏省电力有限公司营销服务中心 | 一种基于知识图谱的对话管理方法及对话系统 |
CN113010692B (zh) * | 2021-03-30 | 2023-09-22 | 国网江苏省电力有限公司营销服务中心 | 一种基于知识图谱的对话管理方法及对话系统 |
CN114140108A (zh) * | 2021-12-08 | 2022-03-04 | 国网雄安金融科技集团有限公司 | 一种基于5g消息的电费交纳方法和系统 |
CN117112065A (zh) * | 2023-08-30 | 2023-11-24 | 北京百度网讯科技有限公司 | 大模型插件调用方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111611370B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611370B (zh) | 电费查询方法及电子设备 | |
US11216510B2 (en) | Processing an incomplete message with a neural network to generate suggested messages | |
CN108847241B (zh) | 将会议语音识别为文本的方法、电子设备及存储介质 | |
US20220337538A1 (en) | Customized message suggestion with user embedding vectors | |
US9892414B1 (en) | Method, medium, and system for responding to customer requests with state tracking | |
WO2021068352A1 (zh) | Faq问答对自动构建方法、装置、计算机设备及存储介质 | |
US20190155905A1 (en) | Template generation for a conversational agent | |
CN108959246A (zh) | 基于改进的注意力机制的答案选择方法、装置和电子设备 | |
WO2022095378A1 (zh) | 基于人工智能的培训方法、装置、计算机设备及存储介质 | |
CN111159415B (zh) | 序列标注方法及系统、事件要素抽取方法及系统 | |
US11900071B2 (en) | Generating customized digital documents using artificial intelligence | |
CN109344242B (zh) | 一种对话问答方法、装置、设备及存储介质 | |
WO2024098524A1 (zh) | 文本视频的互检索及模型训练方法、装置、设备及介质 | |
CN115795038B (zh) | 基于国产化深度学习框架的意图识别方法和装置 | |
CN110955770A (zh) | 一种智能对话系统 | |
CN111209297A (zh) | 数据查询方法、装置、电子设备及存储介质 | |
CN110489730A (zh) | 文本处理方法、装置、终端及存储介质 | |
CN112784573A (zh) | 文本情感内容分析方法、装置、设备及存储介质 | |
CN111507849A (zh) | 核保方法及相关装置、设备 | |
CN111159378A (zh) | 对问题描述信息进行分类的方法及装置 | |
CN116186259A (zh) | 一种会话线索评分方法、装置、设备及存储介质 | |
CN112328774B (zh) | 基于多文档的任务型人机对话任务的实现方法 | |
CN114756655A (zh) | 数据查询方法、装置、设备及存储介质 | |
CN117390181A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113987202A (zh) | 一种基于知识图谱的交互电话呼入方法及装置 |
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 |