CN111651571A - 基于人机协同的会话实现方法、装置、设备及存储介质 - Google Patents
基于人机协同的会话实现方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111651571A CN111651571A CN202010425658.2A CN202010425658A CN111651571A CN 111651571 A CN111651571 A CN 111651571A CN 202010425658 A CN202010425658 A CN 202010425658A CN 111651571 A CN111651571 A CN 111651571A
- Authority
- CN
- China
- Prior art keywords
- target
- session
- intention
- data
- reply
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例公开了一种基于人机协同的轻交互会话实现方法、装置、设备及存储介质。该基于人机协同的轻交互会话实现方法包括:获取并根据人机交互界面的会话请求,对当前会话的会话记录进行分词处理得到会话记录的目标分词;调用预设的词向量表征策略对目标分词进行表征处理得到目标句向量;对目标句向量进行特征提取处理得到会话记录的序列信息;根据序列信息确定会话记录对应的目标意图数据;从预设的答复策略库中,获取与目标意图数据对应的目标答复模板数据作为当前会话的目标答复信息;当接收到目标答复信息的确认信息时,推送目标答复信息至当前会话。本申请实施例中可以提高人机交互时会话回复的准确性,同时节省人力。
Description
技术领域
本申请实施例涉及人机交互技术领域,具体涉及一种基于人机协同的轻交互会话实现方法、装置、设备及存储介质。
背景技术
人机交互是一门研究系统与用户之间交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。
随着人工智能(AI,Artificial Intelligence)的发展,AI在人机交互上的应用也越来越广泛,如为了节省人工客服、提高回复效率,可以应用AI技术作为智能客服。
但是,由于AI技术的局限性,大部分智能客服采用一问一答的模式,导致会话回复比较生硬,且会存在会话回复不准确的情况。
发明内容
本申请实施例提供一种基于人机协同的轻交互会话实现方法、装置、设备及存储介质,可以提高人机交互时会话回复的准确性,同时节省人力。
第一方面,本申请实施例提供一种基于人机协同的轻交互会话实现方法,所述方法包括:
获取人机交互界面的会话请求,所述会话请求中包括当前会话的会话记录;
根据所述会话请求,对当前会话的会话记录进行分词处理得到所述会话记录的目标分词;
调用预设的词向量表征策略对所述目标分词进行表征处理,得到所述会话记录对应的目标句向量;
对所述目标句向量进行特征提取处理得到所述会话记录的序列信息;
根据所述序列信息确定所述会话记录对应的目标意图数据;
从预设的答复策略库中,获取与所述目标意图数据对应的目标答复模板数据;
将所述目标答复模板数据作为所述会话请求的目标答复信息,其中,所述答复策略库包括预设的意图数据和预设的答复模板数据;
当接收到所述目标答复信息的确认信息时,推送所述目标答复信息至所述当前会话。
第二方面,本申请实施例提供一种会话实现装置,所述会话实现装置包括:
处理单元,用于获取人机交互界面的会话请求,所述会话请求中包括当前会话的会话记录;
所述处理单元,还用于根据所述会话请求,对当前会话的会话记录进行分词处理得到所述会话记录的目标分词;
表征单元,用于调用预设的词向量表征策略对所述目标分词进行表征处理,得到所述会话记录对应的目标句向量;
特征提取单元,用于对所述目标句向量进行特征提取处理得到所述会话记录的序列信息;
确定单元,用于根据所述序列信息确定所述会话记录对应的目标意图数据;
获取单元,用于从预设的答复策略库中,获取与所述目标意图数据对应的目标答复模板数据;
所述获取单元,还用于将所述目标答复模板数据作为所述会话请求的目标答复信息,其中,所述答复策略库包括预设的意图数据和预设的答复模板数据;
推送单元,用于当接收到所述目标答复信息的确认信息时,推送所述目标答复信息至所述当前会话。
第三方面,本申请实施例还提供一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行本申请实施例提供的任一种基于人机协同的轻交互会话实现方法中的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的基于人机协同的轻交互会话实现方法中的步骤。
本申请实施例可以获取并根据人机交互界面的会话请求,对当前会话的会话记录进行分词处理得到会话记录的目标分词;调用预设的词向量表征策略对目标分词进行表征处理,得到会话记录对应的目标句向量;对目标句向量进行特征提取处理得到会话记录的序列信息;根据序列信息确定会话记录对应的目标意图数据;从预设的答复策略库中,获取与目标意图数据对应的目标答复模板数据;将目标答复模板数据作为会话请求的目标答复信息;当接收到目标答复信息的确认信息时(即在人工客服确认目标答复信息无误后),推送目标答复信息至当前会话。一方面,使得用户可以接收到与其意图匹配的会话答复信息。另一方面,由于在自动生成目标答复信息后,通过人工确认后再推送给用户,因此能够提高用户所接收到的会话答复信息与其意图的匹配度。同时,通过自动生成目标答复信息,人工只需确认而无需主动答复,节省了维护人机交互的所需人力。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的基于人机协同的轻交互会话实现方法的场景示意图;
图2是本申请实施例提供的基于人机协同的轻交互会话实现方法的一种流程示意图;
图3是本申请实施例提供的意图检测网络的框架示意图;
图4是本申请实施例提供的用户与客服交互的客服页面的场景示意图;
图5是本申请实施例提供的会话实现装置展示目标意图数据的场景示意图;
图6是本申请实施例中预设的答复策略库的一种示意图;
图7是本申请实施例中预设的答复策略库的又一种示意图;
图8是本申请实施例提供的推送目标答复信息至当前会话的一种场景示意图;
图9是本申请实施例提供的基于人机协同的轻交互会话实现方法的一个具体例子的流程示意图;
图10是本申请实施例提供的基于人机协同的轻交互会话实现方法的又一种流程示意图;
图11是本申请实施例中提供的会话实现装置的一个实施例结构示意图;
图12是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请实施例的描述中,需要理解的是,术语“第一”、“第二”用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。
本申请实施例提供一种基于人机协同的轻交互会话实现方法、装置、计算机设备和计算机可读存储介质。其中,该会话实现装置可以集成在计算机设备中,该计算机设备可以是服务器,也可以是终端等设备。
本申请实施例提供的会话响应方案涉及人工智能的自然语言处理(NatureLanguage processing,NLP)。可以通过人工智能的自然语言处理实现人机交互时会话答复信息的确定,得到目标答复信息。
其中,自然语言处理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。
本申请实施例中,所谓会话实现,是指在人机交互过程中,根据用户与客服(可以包括人工客服、AI智能客服)的聊天记录识别出用户意图;并针对用户意图,作出具体的会话答复反馈至用户。以使得用户通过人机交互,可以快速地获取到准确的问题答复。
例如,参见图1,以该会话实现装置集成在计算机设备中为例,该计算机设备可以获取人机交互界面的会话请求,并根据会话请求对当前会话(如用户与AI智能客服交互时、用户与人工客服交互时)的会话记录进行分词处理得到会话记录的目标分词。调用预设的词向量表征策略对目标分词进行表征处理,得到会话记录对应的目标句向量;对目标句向量进行特征提取处理得到会话记录的序列信息;并根据序列信息确定会话记录对应的目标意图数据;从预设的答复策略库中,获取与目标意图数据对应的目标答复模板数据;将目标答复模板数据作为会话请求的目标答复信息;当接收到目标答复信息的确认信息时,将目标答复信息推送至当前会话。
以下结合附图分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于附图所示的顺序执行所示出或描述的步骤。
本实施例将从会话实现装置的角度进行描述,该会话实现装置具体可以集成在计算机设备中,该计算机设备可以是服务器,也可以是终端等设备;其中,该终端可以包括平板电脑、笔记本电脑、个人计算(PC,Personal Computer)、微型处理盒子、或者其他设备等。
如图2所示,该基于人机协同的轻交互会话实现方法的具体流程可以如下步骤201~208,其中:
201、获取人机交互界面的会话请求。
其中,会话请求中包括当前会话的会话记录。
例如,用户在基于人机交互界面,与AI智能客服的交互时,当AI智能客服的回复不符合用户的实际意图时,用户可以选择人工客服来回复,即用户基于人机交互界面发送会话请求;此时,会话实现装置将获取人机交互界面的会话请求。
其中,当前会话可以是用户与AI智能客服的交互,或者是用户与人工客服的交互,又或者是用户与AI智能客服、人工客服的交互。
例如,用户通过人机交互界面接入客服页面,在本次接入客服页面时,前5分钟是AI智能客服与用户进行交互、后5分钟是人工客服与用户进行交互,则当前会话是AI智能客服与用户交互、人工客服与用户交互的整个交互过程。如图4(a)所示。
又如,在本次接入客服页面时,全程是AI智能客服与用户进行交互,则当前会话是AI智能客服与用户的交互过程。如图4(b)所示。
又如,在本次接入客服页面时,全程是人工客服与用户进行交互,则当前会话是人工客服与用户的交互过程。如图4(c)所示。
其中,会话记录可以是当前会话中,客服(为了简化描述,此处以及后续描述中若没有特别指明,客服可以是人工客服和AI智能客服)与用户交互的整个交互过程中的问句(如,用户提出的问句、客服提出的问句、或用户和客服提出的问题)。也可以是当前会话中,客服与用户交互的整个交互过程中的所有语句(如,用户发送的所有语句、客服发送的所有语句、或用户和客服发送的所有语句)。
例如,①将用户在当前会话中提出所有的问题(如“你可以陪我聊天吗”、“有更优惠的套餐吗”、“可以帮我取消吗”)作为当前会话的会话记录。②或者,将客服在当前会话中提出所有的问题(如“您需要变更套餐吗”、“您现在的主要问题是不清楚收费,对吗”、“需要帮您查询当前状态吗”)作为当前会话的会话记录。③又或者,将用户在当前会话中提出所有的问题(如“你可以陪我聊天吗”、“有更优惠的套餐吗”、“可以帮我取消吗”)、以及客服在当前会话中提出所有的问题(如“您需要变更套餐吗”、“您现在的主要问题是不清楚收费,对吗”、“需要帮您查询当前状态吗”),作为当前会话的会话记录。
又如,①将用户在当前会话中发送的所有语句(如“我没有预定过这个套餐”、“有更优惠的套餐吗”、“可以帮我取消吗”)作为当前会话的会话记录。②或者,将客服在当前会话中发送的所有语句(如“您需要变更套餐吗”、“您于3月20日预订了某某套餐”、“需要帮您查询当前状态吗”)作为当前会话的会话记录。③又或者,将用户在当前会话中发送的所有语句(如“我没有预定过这个套餐”、“有更优惠的套餐吗”、“可以帮我取消吗”)、以及客服在当前会话中发送的所有语句(如如“您需要变更套餐吗”、“您于3月20日预订了某某套餐”、“需要帮您查询当前状态吗”),作为当前会话的会话记录。
进一步地,会话记录可以是当前会话中,当前时间点过去预设时长内客服与用户交互过程中的问句。也可以是当前会话中,当前时间点过去预设时长内客服与用户交互过程中的所有语句。
例如,当前会话中,用户在10:00提出问句1、在10:02提出问句2、在12:30提出问句3,获取当前时间点(如,12:32)过去预设时长内(如,1h)内客服与用户交互过程中的问句(问句1)作为当前会话的会话记录。
又如,当前会话中,用户在10:00提出问句a1、在10:02提出问句a2、在10:03发送了非问句b1(如答复语句、感叹句等)、在12:30提出问句a3、在12:31发送了非问句b2。客服在10:02发送了非问句B1、在10:03提出问句A1、在10:03发送了非问句B2。获取当前时间点(如12:32)过去预设时长内(如1h)内客服与用户交互过程中所有的语句(问句a1、问句a2、问句a3、非问句b1、非问句b2、问句A1、非问句B1、非问句B2)作为当前会话的会话记录。
202、根据会话请求,对当前会话的会话记录进行分词处理得到会话记录的目标分词。
在一些实施例中,首先,获取用户与客服交互的当前会话的聊天记录。
然后,从用户与客服交互的当前会话的聊天记录中,获取符合预设要求语句作为当前会话的会话记录(如,获取当前时间点过去预设时长内用户提出的问句、获取当前时间点过去预设时长内用户和客服提出的所有的问句、或获取当前会话的聊天记录中的所有语句,等等)。
最后,通过预设的词向量表征策略(如Bert模型),对会话记录(用Q表示,即Q表示会话记录包含的语句的集合)中的每个语句(用q表示)进行分词,得到每个语句(q)的分词(用W表示),即得到会话记录的目标分词。
203、调用预设的词向量表征策略对目标分词进行表征处理,得到会话记录对应的目标句向量。
其中,目标句向量包括至少一个句向量。
在一些实施例中,调用预设的词向量表征策略(如Bert模型等),对会话记录的目标分词进行表征处理。具体地,对会话记录(Q)中的每个语句(q)的分词(W)进行表征,得到每个语句(q)的句向量(用qe表示)。即得到会话记录的目标句向量(用QE表示)。
其中,qe可以通过以下公式(1)表示,QE可以通过以下公式(2)表示,公式(1)和(2)如下:
qe={W1,W2,...,Wi} 公式(1)
其中,i表示语句q的分词数量,Wi表示语句q第i个分词的词向量,qe表示语句q的句向量。
QE={qe1,qe2,...,qen} 公式(2)
其中,n表示会话记录Q包含的语句q的数量,qen表示会话记录中第n个语句q的句向量,QE表示会话记录中所有语句的句向量的集合(即会话记录的目标句向量)。
其中,会话记录可能包含一个或一个以上的语句,对应地,目标句向量也可以包含一个或一个以上的句向量。
例如,会话记录1中包含以下语句:“我没有预定过这个套餐”(记为q1)、“可以帮我取消吗”(记为q2)。通过词向量表征算法(如Bert模型),对会话记录1中的每个语句(q1、q2)进行分词,得到q1的分词(“我”、“没有”、“预定”、“过”、“这个”、“套餐”)、q2的分词(“可以”、“帮我”、“取消”、“吗”)。并通过Bert模型,对每个语句(q1、q2)的分词进行表征,得到语句q1的句向量、语句q2的句向量,即得到了会话记录1的目标句向量。
由于用户每次接入客服页面后,客服与用户的整个交互过程可能有多个交互语句。若将整个交互过程的所有语句作为会话记录进行表征,一方面,会导致向量表征时数据处理量大。另一方面,有些交互语句(如用户挑逗的闲聊语句)与用户意图并没有联系,若这些语句用于后续的意图识别,将导致无效的数据处理。
为了减少数据处理量、进而提高后续对用户意图识别的速度,在一些实施例中,“根据生成指令对当前会话的会话记录进行分词处理得到会话记录的目标分词”具体包括以下步骤A1~A2,其中:
A1、根据生成指令,从当前会话的会话记录中提取会话问句数据。
此处,当前会话的会话记录可以是当前会话中,用户与客服交互的所有交互语句。也可以是当前会话中,用户发送的语句。还可以是当前会话中,当前时间点过去预设时长内用户与客服交互的所有交互语句;等等。
具体地,步骤A1的一种实施方式为,从当前会话的会话记录中,提取用户所发送的问句数据作为会话问句的数据。
步骤A1的另一种实施方式为,从当前会话的会话记录中,提取用户发送的问句数据、以及客服发送的问句数据,作为会话问句的数据。
例如,当前会话的会话记录包括以下语句:“为什么我的账号自动订购了某某套餐?”、“我没有订购过这个套餐。”、“我不知道怎么取消某某套餐。”、“可以帮我取消吗?”、“我不需要某某套餐。”,则从当前会话的会话记录中,提取会话问句的数据得到:“为什么我的账号自动订购了某某套餐?”、“可以帮我取消吗?”等数据。
A2、对会话问句数据进行分词处理得到会话记录的目标分词。
其中,会话问句数据至少包括一个问句数据,每个会话问句数据进行分词可以得到至少一个分词。由于目标分词包括至少一个会话问句数据的分词,因此目标分词包括至少一个分词。
“对会话问句数据进行分词处理得到会话记录的目标分词”的实施方式,可以参照以上步骤201中“对会话记录中的每个语句进行分词,得到每个语句的分词,即得到会话记录的目标分词”的实施方式,在此不再赘述。
由以上内容可以看出,通过从当前会话的会话记录中,提取会话问句再进行表征,一方面,极大地减少了会话记录表征时的数据处理量,进而减少了后续的数据处理量。另一方面,可以减少与用户意图并没有联系的交互语句,对会话问句进行表征用于后续的意图识别,减少了无效的数据处理、并提高了数据的针对性,进而使得目标答复信息更贴合用户意图。
204、对目标句向量进行特征提取处理得到会话记录的序列信息。
步骤S203可以由AI的深度学习网络来实现,例如,在获取当前会话的会话记录后,可以基于神经网络,如LSTM(Long Short-Term Memory,长短期记忆网络)、Transformer、Text-CNN(Text-Convolutional Neural Networks)等网络对目标句向量进行特征提取处理得到会话记录的序列信息。
例如,参考图3,该神经网络可以包括输入层(input layer)、编码层(encoderlayer)。
其中,输入层,可以用于对会话记录进行表征得到目标句向量,并将目标句向量输入至编码层。
编码层为两层双向的LSTM网络(可以理解的是,该LSTM网络也可以替换为Transformer网络、Text-CNN网络等)。编码层,可以用于对目标句向量进行编码,得到会话记录中每个语句的句向量的集合(用QSE表示)。并根据会话记录所包含语句的句向量的集合(QSE),捕捉会话记录中多个语句之间的序列信息,即得到会话记录的序列信息。
205、根据序列信息确定会话记录对应的目标意图数据。
其中,目标意图数据是指会话实现装置根据目标句向量所确定的用户当前的意图。例如,会话实现装置确定用户当前的意图为:取消当前业务。又如,会话实现装置确定用户当前的意图为:查询账号的当前状态。
步骤204也可以由AI的深度学习网络来实现,例如,可以基于神经网络,如LSTM(Long Short-Term Memory,长短期记忆网络)、Transformer、Text-CNN(Text-Convolutional Neural Networks)等网络来根据会话记录的序列信息确定会话记录对应的目标意图数据。
例如,请继续参考图3,该神经网络可以包括输入层(input layer)、编码层(encoder layer)和输出层(output layer)。
该神经网络可以包括输入层(input layer)、编码层(encoder layer)和输出层(output layer)。
其中,输入层,可以用于对会话记录进行表征得到目标句向量,并将目标句向量输入至编码层。
编码层为两层双向的LSTM网络(可以理解的是,该LSTM网络也可以替换为Transformer网络、Text-CNN网络等)。编码层,可以用于对目标句向量进行编码,得到会话记录中每个语句的句向量的集合(用QSE表示)。并根据会话记录所包含语句的句向量的集合(QSE),捕捉会话记录中多个语句之间的序列信息,并提取出多个语句(Q)中的有用信息,编码得到会话记录(Q)的隐藏向量(用QSE_lstm表示)。
输出层,可以用于从编码层获取会话记录(Q)的隐藏向量(QSE_lstm)输入至两层全连接层中,以根据会话记录(Q)的隐藏向量(QSE_lstm),输出会话记录对应的目标意图数据。
在一实施例中,为了提升所确定的目标意图数据的效率和准确性,可以通过基于意图检测网络根据会话记录对应的目标句向量,预测并输出会话记录对应的目标意图数据。
即步骤“对目标句向量进行特征提取处理得到会话记录的序列信息;根据序列信息确定会话记录对应的目标意图数据”可以包括:将目标句向量输入训练后的意图检测网络,以使得意图检测网络对目标句向量进行特征提取处理得到会话记录的序列信息,并对序列信息进行分类处理得到序列信息的目标类别,根据目标类别确定会话记录对应的目标意图数据。
例如,请继续参考图3,该意图检测网络可以包括输入层(input layer)、编码层(encoder layer)和输出层(output layer)。
在一些实施例中,“将目标句向量输入训练后的意图检测网络,以使得意图检测网络对目标句向量进行特征提取处理得到会话记录的序列信息,并对序列信息进行分类处理得到序列信息的目标类别,根据目标类别确定会话记录对应的目标意图数据”的步骤,具体包括:
将目标句向量输入至LSTM网络(即编码层)并通过LSTM网络对每个语句(q)进行编码。具体地,采用LSTM网络作为编码层来对会话记录对应的目标句向量进行编码,得到会话记录中每个语句(q)的句向量(用qe_lstm表示)的集合(用QSE表示)。
针对会话记录的句向量的集合(QSE),采用双层双向的LSTM网络捕捉会话记录中多个语句(q)之间的序列信息,并提取出多个语句(Q)中的有用信息,编码得到会话记录(Q)的隐藏向量(用QSE_lstm表示)。
从编码层获取会话记录(Q)的隐藏向量(QSE_lstm)输入至两层全连接层中,以对会话记录(Q)的隐藏向量(QSE_lstm)进行分类,得到会话记录的序列信息的目标类别,并输出目标类别)。其中,目标类别用于指示会话记录的意图数据,即编码层输出了会话记录对应的目标意图数据。
其中,QSE可以通过以下公式(3)表示,QE可以通过以下公式(4)表示,公式(3)和(4)如下:
QSE={qe1_lstm,qe2_lstm,...,qen_lstm} 公式(3)
其中,n表示会话记录Q包含的语句q的数量,qen_lstm表示LSTM网络对会话记录中第n个语句q的句向量的编码结果,QSE表示LSTM网络对会话记录Q所包含语句q的句向量的编码结果的集合。
QSE_lstm={qse1_bilstm,qse2_bilstm,...,qsen_bilstm} 公式(4)
其中,n表示会话记录Q包含的语句q的数量,qsen_bilstm表示会话记录中第n个语句q的隐藏向量,QSE_lstm表示会话记录Q所包含的语句q的隐藏向量的集合。
进一步地,为了避免意图检测网络所输出的目标意图数据存在不准确的情况,在意图检测网络输出目标意图数据后,人工客服可以对意图检测网络输出的目标意图数据进行确认并修改。例如,在输出目标意图数据后,若接收到人工客服的确认信息,则将当前所确定的目标意图数据作为会话记录对应的目标意图数据。又如,在输出目标意图数据后,若接收到人工客服的修改信息,则根据修改信息,将当前所确定的目标意图数据进行修改,并将修改后的目标意图数据作为会话记录对应的目标意图数据。
由以上内容可以看出,通过将目标句向量输入训练后的意图检测网络,意图检测网络可以根据目标句向量准确、快速地预测并输出会话记录对应的目标意图数据。
在一实施例中,该意图检测网络通过以下步骤B1~B5得到,其中:
B1、获取目标会话记录,以及获取目标会话记录对应的意图标签.
其中,目标会话记录与步骤201中的会话记录类似,可以是客服与用户交互的整个交互过程中的问句(如,用户提出的问句、客服提出的问句、或用户和客服提出的问题)。也可以是客服与用户交互的整个交互过程中的所有语句(如,用户发送的所有语句、客服发送的所有语句、或用户和客服发送的所有语句)。
由于用户单次接入客服页面的整个交互过程时间可能较长,整个交互过程用户可能存在多个意图,即目标会话记录可能对应了多个用户意图。一方面,由于要准确地确定用户意图只能针对单个语句进行意图识别并标注,若分别针对目标会话记录中的单个语句进行意图标注,无法得出整个目标会话记录对应的用户意图。另一方面,若人工对每个目标会话记录进行读取并标注用户意图,则获取目标会话记录对应的意图标签需花费较长的时间。
为了可以快速地标注出目标会话记录对应的用户意图,在一些实施例中,“获取目标会话记录对应的意图标签”的步骤包括:
识别目标会话记录得到目标会话记录的备选意图数据;
若备选意图数据属于预设意图数据,且目标词汇的数量大于或等于预设阈值,则将备选意图数据作为目标会话记录对应的意图标签;
若备选意图数据不属于预设意图数据,或目标词汇的数量小于预设阈值,则从目标会话记录中获取与当前时间最近的目标会话问句的数据,并获取与目标会话问句对应的意图数据,以作为目标会话记录对应的意图标签。
其中,目标词汇是指备选意图所对应的交互语句的词汇中,与预设词汇库中的对比词汇相同的词汇。
具体地,在一些实施例中,首先,识别目标会话记录所包含的每个交互语句(如,语句1、语句2、语句3),以确定每个交互语句对应的用户意图数据,从而得到目标会话记录对应的多个用户意图数据,作为备选意图数据(如,意图1、意图2、意图3,其中意图1对应的交互语句为语句1、意图2对应的交互语句为语句2、意图3对应的交互语句为语句3)。
然后,获取与预设意图数据(如,预设意图为:意图1、意图2、意图4、意图5)相同的备选意图数据(如,意图1、意图2)对应的交互语句(语句1、语句2)。并检测与预设意图数据相同的备选意图数据对应的交互语句,命中预设词汇库中的对比词汇的数量(即备选意图对应的目标词汇的数量,如语句1命中对比词汇的数量为5、语句2命中对比词汇的数量为3)。
若与预设意图数据相同的备选意图数据对应的交互语句,命中预设词汇库中的对比词汇的数量大于或等于预设阈值(如,预设阈值为4),则将该备选意图数据(如意图1)作为目标会话记录对应的意图标签。
若与预设意图数据相同的备选意图数据对应的交互语句,命中预设词汇库中的对比词汇的数量均小于预设阈值,则获取与当前时间最近的会话问句对应的用户意图数据,以作为目标会话记录对应的意图标签。
进一步地,若对应的目标词汇的数量大于或等于预设阈值的备选意图数据有多个,则从中选取优先级最高的备选意图数据,作为目标会话记录对应的意图标签。
例如,识别目标会话记录所包含的每个交互语:语句1、语句2、语句3,得到备选意图数据:意图1、意图2、意图3,其中,意图1对应的交互语句为语句1、意图2对应的交互语句为语句2、意图3对应的交互语句为语句3。
与预设意图数据(如意图1、意图2、意图4、意图5)相同的备选意图数据(即:意图1、意图2)对应的交互语句为:语句1、语句2。意图1、意图2对应的目标词汇的数量分别为:4、5,意图1、意图2分别对应的目标词汇的数量大于预设阈值(如3)。
若意图1、意图2的优先级分别为:1、2(其中,优先级数值越小、优先级越高),则将意图1作为目标会话记录对应的意图标签。
由上述内容可以看出,由于不是基于单句话标注用户意图、且无需人工针对整个会话标注用户意图;一方面,提高了意图检测网络对用户意图检测的准确性;另一方面,可以快速地标注出目标会话记录对应的用户意图,减少了标注时间。
B2、调用预设的词向量表征策略对目标会话记录进行表征处理,得到目标会话记录的句向量。
例如,预设意图检测网络如图3所示,其中,输入层(input layer)对目标会话记录所包含的每个语句表征为句向量。
进一步地,通过预设意图检测网络的输入层,将目标会话记录的句向量输入至编码层(encoder layer)。
B3、调用预设意图检测网络中的提取网络,对目标会话记录的句向量进行特征提取处理,得到目标会话记录的目标序列信息。
例如,预设意图检测网络如图3所示,编码层作为预设意图检测网络的提取网络,主要是双层双向的LSTM网络。在目标会话记录的句向量输入至编码层后,采用编码层对目标会话记录的句向量进行编码,得到目标会话记录中每个语句的句向量的集合。
针对目标会话记录的句向量的集合,调用编码层捕捉目标会话记录中多个语句之间的序列信息,并提取出多个语句中的有用信息,编码得到目标会话记录的隐藏向量,即得到目标会话记录的目标序列信息。其中,目标序列信息是指针对目标会话记录的句向量的集合,采用编码层捕捉目标会话记录中多个语句之间的序列信息,并提取出多个语句中的有用信息,编码得到的目标会话记录的隐藏向量。
B4、调用预设意图检测网络中的分类网络,对目标序列信息进行分类处理,得到目标会话记录的分类预测结果。
例如,如图3所示,输出层(output layer)作为预设意图检测网络的分类网络。调用输出层,从编码层获取目标会话记录的隐藏向量输入至输出层的两层全连接层中,以根据目标会话记录的隐藏向量,输出目标会话记录的分类预测结果。其中,分类预测结果是指对目标会话记录预测得到的用户意图数据。
B5、根据意图标签对应的意图数据和分类预测结果对应的意图数据,对预设意图检测网络进行训练,得到训练后的意图检测网络。
其中,预设意图检测网络对应设置了目标函数。例如,根据意图标签对应的意图数据和分类预测结果对应的意图数据,迭代更新预设意图检测网络的目标函数,并将训练好的预设意图检测网络作为意图检测网络,意图检测网络可以用于根据会话记录预测对应的目标意图数据。其中,预设意图检测网络的目标函数如下公式(5)所示:
g(Q)=g(QSE_lstm+b) 公式(5)
其中,g(Q)表示会话记录Q对应的目标意图数据,QSE_lstm表示会话记录Q的隐藏向量。
由上述内容可以看出,通过根据意图标签对应的意图数据和意图检测网络的分类预测结果对应的意图数据,更新预设意图检测网络的目标函数,进而提高意图检测网络输出的目标意图数据的精确度。
由于会话实现装置所确定的(或者意图检测网络输出的)目标意图数据可能会存在与实际的用户意图不符的情况,为了保证所获取的目标答复信息与实际的用户意图相符,可以通过人工对会话实现装置所确定的(或者意图检测网络输出的)目标意图数据进行确认并修改。即在一些实施例中,“对目标句向量进行特征提取得到会话记录的序列信息,并根据序列信息确定会话记录对应的目标意图数据”,之后还包括:
当接收到目标意图数据的修改信息时,根据修改信息对目标意图数据进行修改处理,得到修改后的意图数据。
具体地,在会话实现装置确定会话记录对应的目标意图数据后,可以通过会话实现装置(或者其他电子设备)展示会话实现装置所确定的目标意图数据,以使得人工客服可以查看到会话实现装置所确定的目标意图数据,并对会话实现装置所确定的目标意图数据进行确认并修改(其中,人工客服对会话实现装置所确定的目标意图数据进行修改时,会输入修改信息)。当接收到人工客服输入的修改信息时,根据修改信息对会话实现装置所确定的目标意图数据进行修改处理,得到修改后的意图数据。
可以理解的是,此处人工客服是指对会话实现装置所确定的目标意图数据进行修改的后台服务者,而不是特指在当前会话中与用户交互的人工客服。
例如,会话实现装置确定会话记录对应的目标意图数据为“查询某套餐的账单信息”,通过会话实现装置展示目标意图数据“查询某套餐的账单信息”,如图5(a)所示,若人工客服确认目标意图数据无误,则可以点击“确认”。若经过人工客服确认发现实际的用户意图数据为“变更套餐A为套餐B”,则人工客服可以点击“修改”,并将目标意图数据“查询某套餐的账单信息”修改为“变更套餐A为套餐B”。当会话实现装置接收到人工客服输入的修改信息时,将会话实现装置所确定的目标意图数据“查询某套餐的账单信息”修改为“变更套餐A为套餐B”,如图5(b)所示。
由上述内容可以看出,在会话实现装置确定(或者意图检测网络输出的)目标意图数据后,通过人工对会话实现装置所确定的(或者意图检测网络输出的)目标意图数据进行确认并修改,避免了目标意图数据与实际的用户意图数据不符的情况,进而保证了所获取的目标答复信息与实际的用户意图数据相符。
此外,为了提高意图检测网络所输出的目标意图数据的准确性,在对会话实现装置所确定的目标意图数据进行修改,得到修改后的意图数据后,采用当前会话的会话记录、修改后的意图数据作为会话记录的意图标签,对意图检测网络进行训练。即在一些实施例中,“获取目标会话记录,以及获取目标会话记录对应的意图标签”包括:
将会话记录作为目标会话记录,并将修改后的意图数据作为目标会话记录对应的意图标签。
具体地,将当前会话的会话记录作为目标会话记录,并执行以上步骤B2~B4,得到目标会话记录的分类预测结果。并根据修改后的意图数据和目标会话记录的分类预测结果,对意图检测网络进行训练。其中,“根据修改后的意图数据和目标会话记录的分类预测结果,对意图检测网络进行训练”的步骤可以参照以上步骤B5的实施方式,在此不再赘述。
例如,针对会话记录a,会话实现装置所确定的目标意图数据为“取消A套餐”(记为意图1),经过人工客服确认并修改后的意图数据为“变更套餐A为套餐C”(记为意图2),则采用会话记录a作为目标会话记录,并执行以上步骤B2~B3得到会话记录a的分类预测结果为“变更套餐A为套餐B”(记为意图3)。并根据会话记录a的意图标签对应的意图数据(即意图2)和分类预测结果对应的意图数据(即意图3),更新意图检测网络的模型参数。
由上述内容可以看出,通过采用当前会话的会话记录作为目标会话记录、采用人工客服修改后的意图数据作为目标会话记录的意图标签,对意图检测网络进行训练,进而提高了意图检测网络所输出的目标意图数据的精确度。
206、从预设的答复策略库中,获取与目标意图数据对应的目标答复模板数据。
其中,答复策略库包括预设的意图数据和预设的答复模板数据。
其中,预设的策略库中存储了多个预设的意图数据、以及与意图数据关联存储的多个预设的答复模板数据,每个预设的意图数据均存在映射的答复模板数据。
例如,预设的答复策略库中配置了产品X的答复模板数据(模板A、模板B、模板C),每个答复模板数据都映射了一个用户意图数据(如,模板A映射了用户意图1、模板B映射了用户意图2、模板C映射了用户意图3),如图6所示,图6是本申请实施例中预设的答复策略库的一种示意图。
207、将目标答复模板数据作为会话请求的目标答复信息。
在一些实施例中,首先,从预设的答复策略库中,查找出与目标意图数据相同的预设的用户意图数据,作为目标数据。然后,从预设的答复策略库中,获取与目标数据存在映射关系的答复模板数据,以作为与目标意图数据对应的目标答复信息。
进一步地,为了提高推送给用户的目标答复信息的准确性,在会话实现装置获取答复模板数据后,人工客服可以对答复模板数据进行修改。即在会话实现装置获取与目标意图数据存在映射关系的答复模板数据后,获取并根据人工客服对答复模板数据进行修改的修改信息,对答复模板数据进行修改,得到与目标意图数据对应的目标答复信息。
由于同一种用户意图,在不同情况下对应的答复会存在细小的区别,若穷举所有情况下的答复作为答复模板,会导致预设的答复模板的数量较多。例如,针对用户意图“了解提现到账时间”,可以存在以下答复情况:“您提现到A银行的一笔资金已于1月1日到账”(记为答复模板1)、“您提现到B银行的一笔资金已于1月1日到账”(记为答复模板2)、“您提现到C银行的一笔资金已于1月1日到账”(记为答复模板3)、“您提现到A银行的一笔资金已于1月2日到账”(记为答复模板4)。
可见,答复模板1、2、3和4之间的区别较小,答复模板的数量较多。
为了减少答复模板的数量,答复模板可以不配置为会话答复的最终内容,而是配置为两部分(一部分为话术内容、一部分为待填内容),例如,可以将答复模板1、2、3和4改为“您提现到**银行的一笔资金已于*月*日到账”(记为答复模板5,其中“*”表示待填内容)。并根据待填内容选取追问问题,向用户下发追问问题,获取用户对追问问题的答复;最后,根据用户的答复和话术内容,确定最终的目标答复信息。
即在一些实施例中,“根据序列信息确定会话记录对应的目标意图数据”,之后还包括:从预设的答复策略库中,获取与目标意图数据映射的目标追问问题的数据。
“将目标答复模板数据作为会话请求的目标答复信息”,具体包括:当接收到目标追问问题的对象答复信息时,根据对象答复信息和目标答复模板数据,确定与目标意图数据对应的目标答复信息
其中,追问问题包括至少一个问题。
具体地,在一些实施例中,首先,从预设的答复策略库中,查找出与目标意图数据相同的预设的用户意图数据,作为目标数据。其中,预设的策略库中存储了多个预设的用户意图数据、多个预设的答复模板数据、以及每个答复模板数据对应关联的多个追问问题的数据,每个预设的用户意图数据均存在映射的答复模板数据、映射的一个或以上的追问问题的数据。
然后,从预设的答复策略库中,获取与目标数据存在映射关系的目标答复模板数据、目标追问问题的数据(例如,可以由会话实现装置获取与目标数据对应默认的目标追问问题的数据、或者人工客服根据实际情况所选取的目标追问问题的数据)。并将目标追问问题发送至当前会话,以使得用户基于目标追问问题作出答复信息。其中,对象答复信息是指用户基于目标追问问题所作出的答复信息。
最后,根据用户基于目标追问问题作出的答复信息、以及所获取的目标答复模板数据(包括话术内容和待填内容),确定与目标意图数据对应的目标答复信息。具体地,根据用户基于目标追问问题作出的答复信息确定目标答复模板数据的待填内容;再根据所确定的待填内容和答复模板数据的话术内容,生成与目标意图数据对应的目标答复信息。
例如,预设的答复策略库中配置了:用户意图1、2和3,答复模板A、B和C,与答复模板A对应关联的追问问题a1、a2和a3,与答复模板B对应关联的追问问题b1和b2,与答复模板C对应关联的追问问题c1、c2和c3,如图7所示,图7是本申请实施例中预设的答复策略库的又一种示意图。
如,会话实现装置所确定的目标意图数据为“了解提现到账时间”,首先,从预设的答复策略库中,查找出与目标意图数据相同的预设的用户意图数据(即用户意图2),作为目标数据。
然后,从预设的答复策略库中,获取与目标数据(即用户意图2)存在映射关系的目标答复模板数据(即答复模板B,如“您最近提现的一笔资金已提现到**银行”)、追问问题的数据(即b1和b2),并将目标答复模板数据和追问问题的数据向人工客服展示。若人工发现目标答复模板数据描述不够清晰,人工客服将会从追问问题(即b1和b2)中选取了b2(如,您记得您提现到哪张银行卡上吗?),则会话实现装置将追问问题b2(追问问题b2作为目标追问问题)下发至当前会话,以使得用户基于追问问题b2发送回复内容(如“A银行”)。
或者从预设的答复策略库中,获取与目标数据(即用户意图2)存在映射关系的目标答复模板(即答复模板B,如“您最近提现的一笔资金已提现到**银行”)、追问问题的数据(即b1和b2),会话实现装置根据目标答复模板数据缺失的内容,自动选取追问问题b2(追问问题b2作为目标追问问题)下发至当前会话。
最后,当获取到用户的回复内容后,会话实现装置根据用户基于目标追问问题作出的答复信息(即“A银行”)、以及所获取的目标答复模板数据(即“您最近提现的一笔资金已提现到**银行”),确定目标答复信息为“您最近提现的一笔资金已提现到A银行”。
由上述内容可以看出,通过将预设的答复策略库配置答复模板(答复模板又配置为话术内容和待填内容)和追问问题两部分,通过追问问题来确定答复模板的待填内容,进而根据所确定的待填内容和话术内容,生成目标答复信息;可以在保证目标答复信息的准确性、全面性的同时,减少答复模板的数量。
208、当接收到目标答复信息的确认信息时,推送目标答复信息至当前会话。
为了提高用户所接收的目标答复信息与其实际意图的匹配度,在会话实现装置获取与目标意图数据对应的目标答复信息后,可以通过人工客服对目标答复信息进行确认,再将目标答复信息推送至当前会话。
具体地,在一些实施例中,在确定目标答复信息后,通过会话实现装置显示目标答复信息,以使得人工客服在看到目标答复信息后,对目标答复信息进行确认(在人工客服对目标答复信息确认后,生成确认信息)。当接收到目标答复信息的确认信息时,将目标答复信息推送至当前会话,以使得用户可以查看到与其实际意图匹配的会话答复信息。
例如,会话实现装置在确定目标答复信息为“您最近提现的一笔资金已提现到某某银行。您可以查看银行流水明细核对。建议不要只以银行的短信判断是否到账哦,请您一定要以银行流水明细为准,您可以在银行官网、银行柜台等地方来查看银行流水明细”后,显示该目标答复信息。人工客服在看到会话实现装置推荐的目标答复信息后,点击“确认”按钮。在人工客服点击“确认”按钮后,会话实现装置将该目标答复信息推送至当前会话中,如图8所示。
由上述内容可以看出,本申请实施例可以获取并根据人机交互界面的会话请求,对当前会话的会话记录进行分词处理得到会话记录的目标分词;调用预设的词向量表征策略对目标分词进行表征处理,得到会话记录对应的目标句向量;对目标句向量进行特征提取处理得到会话记录的序列信息;根据序列信息确定会话记录对应的目标意图数据;从预设的答复策略库中,获取与目标意图数据对应的目标答复模板数据;将目标答复模板数据作为会话请求的目标答复信息;当接收到目标答复信息的确认信息时(即在人工客服确认目标答复信息无误后),推送目标答复信息至当前会话。一方面,使得用户可以接收到与其意图匹配的会话答复信息。另一方面,由于在自动生成目标答复信息后,通过人工确认后再推送给用户,因此能够提高用户所接收到的会话答复信息与其意图的匹配度。同时,通过自动生成目标答复信息,人工只需确认而无需主动答复,节省了维护人机交互的所需人力。
根据前面实施例所描述的方法,以下将举例作进一步详细说明。
在本实施例中,将以该会话实现装置具体集成在计算机设备、当前会话为AI智能客服与用户的聊天记录为例进行说明。
(一)意图检测网络的训练。
其中,意图检测网络可以包括输入层(input layer)、编码层(encoder layer)和输出层(output layer),如图3所示。该意图检测网络的结构可以参考上述实施例的介绍。
首先,计算机设备获取AI智能客服与用户的聊天记录,并从中提取所有的问句(记为目标会话记录)作为训练数据。其中,目标会话记录包含意图标签。
计算机设备可以对所提取的问句进行分词、表征为句向量、对句向量进行特征提取得到目标序列信息、对目标序列信息进行分类以确定目标会话记录对应的用户意图(即得到分类预测结果)。
然后,计算机设备在得到分类预测结果之后,可以根据分类预测结果和该目标会话记录实际对应的用户意图(即意图标签对应的用户意图),迭代更新意图检测网络的目标函数,得到训练后的意图检测网络。具体地,意图检测网络的训练方式可以参考上述实施例的描述。
(二)通过训练后的意图检测网络对当前会话的会话记录进行表征,得到并根据会话记录对应目标句向量,确定会话记录对应的目标意图数据。
请参照图9,图9是本申请实施例提供的基于人机协同的轻交互会话实现方法的一个具体例子的流程示意图。
例如,计算机设备从AI智能客服与用户当前会话的聊天记录中,提取所有问句(即图9中的会话记录),并通过意图检测网络对每个问句进行分词并表征为词向量,进而得到每个问句的句向量。此外,还通过意图检测网络的编码层捕捉多个问句之间的序列信息,提取出多个问句中的有用信息,编码得到所有问句的隐藏向量;并通过意图检测网络的输出层根据隐藏向量,确定用户意图(如主意图A)。
并在人工客服确认该主意图A无误后,计算机设备在再将该主意图A确定为会话记录对应的目标意图数据。
若人工对该主意图A进行修改,则计算机设备采用所有问句作为意图检测网络的训练数据、并采用用户修改后的意图数据作为训练数据的意图标签,更新意图检测网络的模型参数。
(三)根据预设的答复策略库确定目标答复信息,并推送目标答复信息至当前会话。
例如,以业务产品X为例,X的主意图(即预设的意图数据)用L4表示。X的L4对应的答复策略包括需要反问用户的追问问题、及答复模板(答复模板包括话术内容和待填内容)等,将追问问题的数据和答复模板的数据作为预设的答复策略存入答复策略库。
其中,追问问题可以配置一到多个。比如主意图是提现到账时间,追问问题配置为:①您提现后有收到公众号的消息提醒吗?②您记得您提现到哪张银行卡上不?③您是否有收到银行短信呢?
答复模板配置为:“您最近提现的一笔资金已提现到***银行。您可以查看银行流水明细核对。建议不要只以银行的短信判断是否到账哦,请您一定要以银行流水明细为准,您可以在银行官网、银行柜台等地方来查看银行流水明细。”。其中,“***”表示待填内容,其余为话术内容。
在确定目标意图数据后,计算机设备从策略库中拉取该目标意图数据(L4)对应的答复策略。如果该目标意图数据(L4)对应的答复策略中配置有追问问题,则计算机设备将追问问题展示到平台页面,再由人工客服判断是否需要追问。
如果需要追问,计算机设备自动下发追问问题,并回收用户基于追问问题的答复信息。计算机设备根据用户基于追问问题的答复信息确定答复模板的待填内容,再根据所确定待填的内容和话术内容,确定目标答复信息。
如,计算机设备自动下发追问问题②“您记得您提现到哪张银行卡上不?”,用户基于追问问题②的答复信息可能是“AB银行”,则计算机设备确定答复模板的待填内容为“AB银行”,目标答复信息为“您最近提现的一笔资金已提现到AB银行。您可以查看银行流水明细核对。建议不要只以银行的短信判断是否到账哦,请您一定要以银行流水明细为准,您可以在银行官网、银行柜台等地方来查看银行流水明细。”
在人工客服确认目标答复信息无误后,计算机设备将目标答复信息发送给用户(具体地,计算机设备将目标答复信息推送至当前会话,以使得用户得到回复)。
或者,在计算机设备确定该目标意图数据(L4)的答复模板后,通过人工客服直接对推荐答复模板的内容进行校验修改后,计算机设备将人工客服修改后的答复模板的内容发送给用户。
如图10所示,在本申请实施例的一个具体应用场景中,该基于人机协同的轻交互会话实现方法,具体流程如下:
1001、获取人机交互界面的会话请求;根据会话请求,从当前会话的会话记录中提取会话问句数据;对会话问句数据进行分词处理得到会话记录的目标分词。
1002、调用预设的词向量表征策略对目标分词进行表征处理,得到会话记录对应的目标句向量。
1003、将目标句向量输入训练后的意图检测网络,以使得意图检测网络对目标句向量进行特征提取处理得到会话记录的序列信息;
1004、对序列信息进行分类处理得到序列信息的目标类别;根据目标类别确定会话记录对应的意图数据。
1005、当接收到目标意图数据的修改信息时,根据修改信息对目标意图数据进行修改处理,得到修改后的意图数据。
1006、将当前会话的会话记录作为目标会话记录、并将修改后的意图数据作为目标会话记录对应的意图标签,更新训练后的意图检测网络。
807、从预设的答复策略库中,获取与修改后的意图数据映射的目标追问问题的数据、以及与修改后的意图数据对应的目标答复模板数据。
1008、当接收到目标追问问题的对象答复信息时,根据对象答复信息和目标答复模板数据,确定与目标意图数据对应的目标答复信息。
1009、当接收到目标答复信息的确认信息时,推送目标答复信息至当前会话。
由此可见,第一方面,由于在自动生成目标答复信息后,通过人工确认后再推送给用户,因此能够提高用户所接收到的会话答复信息与其意图的匹配度。同时,通过自动生成目标答复信息,人工只需确认而无需主动答复,节省了维护人机交互的所需人力。第二方面,由于可以采用人工客服修改后的意图数据对意图检测网络进行更新,进而提高了意图检测网络所输出的目标意图数据的精确度。第三方面,由于提取了会话记录中的问句数据确定目标意图数据,因此可以减少与用户意图并没有联系的交互语句,对会话问句进行表征用于后续的意图识别,减少了无效的数据处理、并提高了数据的针对性,进而使得目标答复信息更贴合用户意图。
为了更好实施本申请实施例中基于人机协同的轻交互会话实现方法,在基于人机协同的轻交互会话实现方法基础之上,本申请实施例中还提供一种会话实现装置,该会话实现装置可以集成在计算机设备,比如服务器或终端等设备中。
例如,如图11所示,为本申请实施例中会话实现装置的一个实施例结构示意图,该会话实现装置可以包括处理单元1101、表征单元1102、特征提取单元1103、确定单元1104、获取单元1105、推送单元1106等,如下:
处理单元1101,用于获取人机交互界面的会话请求,所述会话请求中包括当前会话的会话记录;
所述处理单元1101,还用于根据所述会话请求,对当前会话的会话记录进行分词处理得到所述会话记录的目标分词
表征单元1102,用于调用预设的词向量表征策略对所述目标分词进行表征处理,得到所述会话记录对应的目标句向量;
特征提取单元1103,用于对所述目标句向量进行特征提取处理得到所述会话记录的序列信息;
确定单元1104,用于根据所述序列信息确定所述会话记录对应的目标意图数据;
获取单元1105,用于从预设的答复策略库中,获取与所述目标意图数据对应的目标答复模板数据;
所述获取单元1105,还用于将所述目标答复模板数据作为所述会话请求的目标答复信息,其中,所述答复策略库包括预设的意图数据和预设的答复模板数据;
推送单元1106,用于当接收到所述目标答复信息的确认信息时,推送所述目标答复信息至所述当前会话。
在本申请的一些实施例中,所述答复策略库还包括预设的追问问题的数据,根据所述序列信息确定所述会话记录对应的目标意图数据的步骤之后,所述获取单元1105具体还用于:
从预设的答复策略库中,获取与所述目标意图数据映射的目标追问问题的数据,其中,所述目标追问问题包括至少一个问题;
当接收到所述目标追问问题的对象答复信息时,根据所述对象答复信息和所述目标答复模板数据,确定与所述目标意图数据对应的目标答复信息。
在本申请的一些实施例中,所述处理单元1101具体还用于:
根据所述会话请求,从当前会话的会话记录中提取会话问句数据;
对所述会话问句数据进行分词处理得到所述会话记录的目标分词。
在本申请的一些实施例中,所述特征提取单元1103具体还用于:
将所述目标句向量输入训练后的意图检测网络,以使得所述意图检测网络对所述目标句向量进行特征提取处理得到所述会话记录的序列信息;
在本申请的一些实施例中,所述确定单元1104具体还用于:
对所述序列信息进行分类处理得到所述序列信息的目标类别;
根据所述目标类别确定所述会话记录对应的目标意图数据。
在本申请的一些实施例中,所述会话实现装置还包括训练单元(图中未示出),所述训练单元具体用于:
获取目标会话记录,以及获取所述目标会话记录对应的意图标签;
调用预设的词向量表征策略对所述目标会话记录进行表征处理,得到所述目标会话记录的句向量;
调用预设意图检测网络中的提取网络,对所述目标会话记录的句向量进行特征提取处理,得到所述目标会话记录的目标序列信息;
调用预设意图检测网络中的分类网络,对所述目标序列信息进行分类处理,得到所述目标会话记录的分类预测结果;
根据所述意图标签对应的意图数据和所述分类预测结果对应的意图数据,对所述预设意图检测网络进行训练,得到训练后的意图检测网络。
在本申请的一些实施例中,所述训练单元具体还用于:
识别所述目标会话记录得到所述目标会话记录的备选意图数据;
若所述备选意图数据属于预设意图数据,且目标词汇的数量大于或等于预设阈值,则将所述备选意图数据作为所述目标会话记录对应的意图标签,其中,所述目标词汇是指所述备选意图数据所对应的交互语句的词汇中,与预设词汇库中的对比词汇相同的词汇;
若所述备选意图数据不属于所述预设意图数据,或所述目标词汇的数量小于所述预设阈值,则从所述目标会话记录中获取与当前时间最近的目标会话问句的数据,并获取与所述目标会话问句对应的意图数据,以作为所述目标会话记录对应的意图标签。
在本申请的一些实施例中,根据所述序列信息确定所述会话记录对应的目标意图数据的步骤之后,所述确定单元1104具体还用于:
当接收到所述目标意图数据的修改信息时,根据所述修改信息对所述目标意图数据进行修改处理,得到修改后的意图数据;
在本申请的一些实施例中,所述训练单元具体还用于:
将所述会话记录作为目标会话记录,并将所述修改后的意图数据作为所述目标会话记录对应的意图标签。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由于该会话实现装置可以执行本申请如图1至图10对应任意实施例中基于人机协同的轻交互会话实现方法中的步骤,因此,可以实现本申请如图1至图10对应任意实施例中基于人机协同的轻交互会话实现方法所能实现的有益效果,详见前面的说明,在此不再赘述。
此外,为了更好实施本申请实施例中基于人机协同的轻交互会话实现方法,在基于人机协同的轻交互会话实现方法基础之上,本申请实施例还提供一种计算机设备,如图12所示,其示出了本申请实施例所涉及的计算机设备的结构示意图,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器1201、一个或一个以上计算机可读存储介质的存储器1202、电源1203和输入单元1204等部件。本领域技术人员可以理解,图12中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器1201是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器1202内的软件程序和/或模块,以及调用存储在存储器1202内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器1201可包括一个或多个处理核心;优选的,处理器1201可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1201中。
存储器1202可用于存储软件程序以及模块,处理器1201通过运行存储在存储器1202的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器1202可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、影像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器1202可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器1202还可以包括存储器控制器,以提供处理器1201对存储器1202的访问。
计算机设备还包括给各个部件供电的电源1203,优选的,电源1203可以通过电源管理系统与处理器1201逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1203还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元1204,该输入单元1204可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理器1201会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1202中,并由处理器1201来运行存储在存储器1202中的应用程序,从而实现以上方法实施例中的各步骤。
以上各个操作具体可参见前面的实施例,在此不作赘述。
由于该计算机设备可以执行本申请如图1至图10对应任意实施例中基于人机协同的轻交互会话实现方法中的步骤,因此,可以实现本申请如图1至图10对应任意实施例中基于人机协同的轻交互会话实现方法所能实现的有益效果,详见前面的说明,在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有计算机程序,该计算机程序能够被处理器进行加载,以执行本申请实施例所提供的任一种物体检测方法中的步骤。
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,上述描述的会话实现装置、设备及其相应单元的具体工作过程,可以参考如图1至图10对应任意实施例中基于人机协同的轻交互会话实现方法的说明,具体在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请如图1至图10对应任意实施例中基于人机协同的轻交互会话实现方法中的步骤,因此,可以实现本申请如图1至图10对应任意实施例中基于人机协同的轻交互会话实现方法所能实现的有益效果,详见前面的说明,在此不再赘述。
以上对本申请实施例所提供的一种基于人机协同的轻交互会话实现方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于人机协同的轻交互会话实现方法,其特征在于,所述方法包括:
获取人机交互界面的会话请求,所述会话请求中包括当前会话的会话记录;
根据所述会话请求,对当前会话的会话记录进行分词处理得到所述会话记录的目标分词;
调用预设的词向量表征策略对所述目标分词进行表征处理,得到所述会话记录对应的目标句向量;
对所述目标句向量进行特征提取处理得到所述会话记录的序列信息;
根据所述序列信息确定所述会话记录对应的目标意图数据;
从预设的答复策略库中,获取与所述目标意图数据对应的目标答复模板数据;
将所述目标答复模板数据作为所述会话请求的目标答复信息,其中,所述答复策略库包括预设的意图数据和预设的答复模板数据;
当接收到所述目标答复信息的确认信息时,推送所述目标答复信息至所述当前会话。
2.根据权利要求1所述的基于人机协同的轻交互会话实现方法,其特征在于,所述答复策略库还包括预设的追问问题的数据,所述根据所述序列信息确定所述会话记录对应的目标意图数据,之后还包括:
从预设的答复策略库中,获取与所述目标意图数据映射的目标追问问题的数据,其中,所述目标追问问题包括至少一个问题;
将所述目标答复模板数据作为所述会话请求的目标答复信息,包括:
当接收到所述目标追问问题的对象答复信息时,根据所述对象答复信息和所述目标答复模板数据,确定与所述目标意图数据对应的目标答复信息。
3.根据权利要求1所述的基于人机协同的轻交互会话实现方法,其特征在于,所述根据所述会话请求,对当前会话的会话记录进行分词处理得到所述会话记录的目标分词,包括:
根据所述会话请求,从当前会话的会话记录中提取会话问句数据;
对所述会话问句数据进行分词处理得到所述会话记录的目标分词。
4.根据权利要求1-3任一项所述的基于人机协同的轻交互会话实现方法,其特征在于,所述对所述目标句向量进行特征提取处理得到所述会话记录的序列信息,包括:
将所述目标句向量输入训练后的意图检测网络,以使得所述意图检测网络对所述目标句向量进行特征提取处理得到所述会话记录的序列信息;
根据所述序列信息确定所述会话记录对应的目标意图数据,包括:
对所述序列信息进行分类处理得到所述序列信息的目标类别;
根据所述目标类别确定所述会话记录对应的目标意图数据。
5.根据权利要求4所述的基于人机协同的轻交互会话实现方法,其特征在于,所述方法还包括:
获取目标会话记录,以及获取所述目标会话记录对应的意图标签;
调用预设的词向量表征策略对所述目标会话记录进行表征处理,得到所述目标会话记录的句向量;
调用预设意图检测网络中的提取网络,对所述目标会话记录的句向量进行特征提取处理,得到所述目标会话记录的目标序列信息;
调用预设意图检测网络中的分类网络,对所述目标序列信息进行分类处理,得到所述目标会话记录的分类预测结果;
根据所述意图标签对应的意图数据和所述分类预测结果对应的意图数据,对所述预设意图检测网络进行训练,得到训练后的意图检测网络。
6.根据权利要求5所述的基于人机协同的轻交互会话实现方法,其特征在于,所述获取所述目标会话记录对应的意图标签,包括:
识别所述目标会话记录得到所述目标会话记录的备选意图数据;
若所述备选意图数据属于预设意图数据,且目标词汇的数量大于或等于预设阈值,则将所述备选意图数据作为所述目标会话记录对应的意图标签,其中,所述目标词汇是指所述备选意图数据所对应的交互语句的词汇中,与预设词汇库中的对比词汇相同的词汇;
若所述备选意图数据不属于所述预设意图数据,或所述目标词汇的数量小于所述预设阈值,则从所述目标会话记录中获取与当前时间最近的目标会话问句的数据,并获取与所述目标会话问句对应的意图数据,以作为所述目标会话记录对应的意图标签。
7.根据权利要求5所述的基于人机协同的轻交互会话实现方法,其特征在于,所述根据所述序列信息确定所述会话记录对应的目标意图数据,之后还包括:
当接收到所述目标意图数据的修改信息时,根据所述修改信息对所述目标意图数据进行修改处理,得到修改后的意图数据;
所述获取目标会话记录,以及获取所述目标会话记录对应的意图标签,包括:
将所述会话记录作为目标会话记录,并将所述修改后的意图数据作为所述目标会话记录对应的意图标签。
8.一种会话实现装置,其特征在于,所述会话实现装置包括:
处理单元,用于获取人机交互界面的会话请求,所述会话请求中包括当前会话的会话记录;
所述处理单元,还用于根据所述会话请求,对当前会话的会话记录进行分词处理得到所述会话记录的目标分词;
表征单元,用于调用预设的词向量表征策略对所述目标分词进行表征处理,得到所述会话记录对应的目标句向量;
特征提取单元,用于对所述目标句向量进行特征提取处理得到所述会话记录的序列信息;
确定单元,用于根据所述序列信息确定所述会话记录对应的目标意图数据;
获取单元,用于从预设的答复策略库中,获取与所述目标意图数据对应的目标答复模板数据;
所述获取单元,还用于将所述目标答复模板数据作为所述会话请求的目标答复信息,其中,所述答复策略库包括预设的意图数据和预设的答复模板数据;
推送单元,用于当接收到所述目标答复信息的确认信息时,推送所述目标答复信息至所述当前会话。
9.一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010425658.2A CN111651571B (zh) | 2020-05-19 | 2020-05-19 | 基于人机协同的会话实现方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010425658.2A CN111651571B (zh) | 2020-05-19 | 2020-05-19 | 基于人机协同的会话实现方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111651571A true CN111651571A (zh) | 2020-09-11 |
CN111651571B CN111651571B (zh) | 2023-10-17 |
Family
ID=72346778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010425658.2A Active CN111651571B (zh) | 2020-05-19 | 2020-05-19 | 基于人机协同的会话实现方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111651571B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069302A (zh) * | 2020-09-15 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 会话意图识别模型的训练方法、会话意图识别方法及装置 |
CN112256846A (zh) * | 2020-09-28 | 2021-01-22 | 南方电网深圳数字电网研究院有限公司 | 一种人机对话交互方法及系统 |
CN112988993A (zh) * | 2021-02-19 | 2021-06-18 | 车智互联(北京)科技有限公司 | 一种问答方法和计算设备 |
CN113220852A (zh) * | 2021-05-06 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 人机对话方法、装置、设备和存储介质 |
CN113326373A (zh) * | 2021-05-19 | 2021-08-31 | 武汉大学 | 一种融合会话场景信息的微信群聊天记录识别方法及系统 |
CN113535805A (zh) * | 2021-06-17 | 2021-10-22 | 科大讯飞股份有限公司 | 数据挖掘方法及相关装置和电子设备、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509417A (zh) * | 2018-03-20 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 标题生成方法及设备、存储介质、服务器 |
CN109522393A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
CN110413788A (zh) * | 2019-07-30 | 2019-11-05 | 携程计算机技术(上海)有限公司 | 会话文本的场景类别的预测方法、系统、设备和存储介质 |
WO2020007214A1 (zh) * | 2018-07-06 | 2020-01-09 | 阿里巴巴集团控股有限公司 | 人机交互方法、设备、系统及存储介质 |
CN110827247A (zh) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | 一种识别标签的方法及设备 |
CN110969173A (zh) * | 2018-09-28 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 目标分类方法及装置 |
CN111159346A (zh) * | 2019-12-27 | 2020-05-15 | 深圳物控智联科技有限公司 | 基于意图识别的智能答疑方法、服务器及存储介质 |
-
2020
- 2020-05-19 CN CN202010425658.2A patent/CN111651571B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509417A (zh) * | 2018-03-20 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 标题生成方法及设备、存储介质、服务器 |
WO2020007214A1 (zh) * | 2018-07-06 | 2020-01-09 | 阿里巴巴集团控股有限公司 | 人机交互方法、设备、系统及存储介质 |
CN110969173A (zh) * | 2018-09-28 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 目标分类方法及装置 |
CN109522393A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
CN110413788A (zh) * | 2019-07-30 | 2019-11-05 | 携程计算机技术(上海)有限公司 | 会话文本的场景类别的预测方法、系统、设备和存储介质 |
CN110827247A (zh) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | 一种识别标签的方法及设备 |
CN111159346A (zh) * | 2019-12-27 | 2020-05-15 | 深圳物控智联科技有限公司 | 基于意图识别的智能答疑方法、服务器及存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069302A (zh) * | 2020-09-15 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 会话意图识别模型的训练方法、会话意图识别方法及装置 |
CN112069302B (zh) * | 2020-09-15 | 2024-03-08 | 腾讯科技(深圳)有限公司 | 会话意图识别模型的训练方法、会话意图识别方法及装置 |
CN112256846A (zh) * | 2020-09-28 | 2021-01-22 | 南方电网深圳数字电网研究院有限公司 | 一种人机对话交互方法及系统 |
CN112988993A (zh) * | 2021-02-19 | 2021-06-18 | 车智互联(北京)科技有限公司 | 一种问答方法和计算设备 |
CN112988993B (zh) * | 2021-02-19 | 2023-10-20 | 车智互联(北京)科技有限公司 | 一种问答方法和计算设备 |
CN113220852A (zh) * | 2021-05-06 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 人机对话方法、装置、设备和存储介质 |
CN113220852B (zh) * | 2021-05-06 | 2023-04-25 | 支付宝(杭州)信息技术有限公司 | 人机对话方法、装置、设备和存储介质 |
CN113326373A (zh) * | 2021-05-19 | 2021-08-31 | 武汉大学 | 一种融合会话场景信息的微信群聊天记录识别方法及系统 |
CN113326373B (zh) * | 2021-05-19 | 2022-08-05 | 武汉大学 | 一种融合会话场景信息的微信群聊天记录识别方法及系统 |
CN113535805A (zh) * | 2021-06-17 | 2021-10-22 | 科大讯飞股份有限公司 | 数据挖掘方法及相关装置和电子设备、存储介质 |
CN113535805B (zh) * | 2021-06-17 | 2024-06-04 | 科大讯飞股份有限公司 | 数据挖掘方法及相关装置和电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111651571B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377911B (zh) | 对话框架下的意图识别方法和装置 | |
CN111651571A (zh) | 基于人机协同的会话实现方法、装置、设备及存储介质 | |
US11847422B2 (en) | System and method for estimation of interlocutor intents and goals in turn-based electronic conversational flow | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN112346567B (zh) | 基于ai的虚拟交互模型生成方法、装置及计算机设备 | |
CN110717514A (zh) | 会话意图识别方法、装置、计算机设备和存储介质 | |
CN112732911A (zh) | 基于语义识别的话术推荐方法、装置、设备及存储介质 | |
CN112183101A (zh) | 文本意图识别方法、装置、电子设备及存储介质 | |
WO2021208696A1 (zh) | 用户意图分析方法、装置、电子设备及计算机存储介质 | |
CN110597952A (zh) | 信息处理方法、服务器及计算机存储介质 | |
CN113688221B (zh) | 基于模型的话术推荐方法、装置、计算机设备和存储介质 | |
CN111179935B (zh) | 一种语音质检的方法和设备 | |
CN111098312A (zh) | 窗口政务服务机器人 | |
CN110222145A (zh) | 一种智能法律评估方法和系统 | |
CN114007131A (zh) | 视频监控方法、装置及相关设备 | |
CN113807103B (zh) | 基于人工智能的招聘方法、装置、设备及存储介质 | |
CN112632244A (zh) | 一种人机通话的优化方法、装置、计算机设备及存储介质 | |
US20230237276A1 (en) | System and Method for Incremental Estimation of Interlocutor Intents and Goals in Turn-Based Electronic Conversational Flow | |
CN112434501A (zh) | 工单智能生成的方法、装置、电子设备及介质 | |
WO2023173554A1 (zh) | 坐席违规话术识别方法、装置、电子设备、存储介质 | |
CN112395887A (zh) | 对话应答方法、装置、计算机设备和存储介质 | |
CN115455982A (zh) | 对话处理方法、装置、电子设备及存储介质 | |
CN112287091A (zh) | 智能问答方法及相关产品 | |
CN112053205A (zh) | 通过机器人情绪识别的产品推荐方法及装置 | |
CN113553431B (zh) | 用户标签提取方法、装置、设备及介质 |
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 |