CN111782782B - 智能客服的咨询回复方法、装置、计算机设备和存储介质 - Google Patents

智能客服的咨询回复方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111782782B
CN111782782B CN202010518498.6A CN202010518498A CN111782782B CN 111782782 B CN111782782 B CN 111782782B CN 202010518498 A CN202010518498 A CN 202010518498A CN 111782782 B CN111782782 B CN 111782782B
Authority
CN
China
Prior art keywords
knowledge point
maturity
target
knowledge
maturity level
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
Application number
CN202010518498.6A
Other languages
English (en)
Other versions
CN111782782A (zh
Inventor
李加庆
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.)
Suning Financial Technology Nanjing Co Ltd
Original Assignee
Suning Financial Technology Nanjing Co 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 Suning Financial Technology Nanjing Co Ltd filed Critical Suning Financial Technology Nanjing Co Ltd
Priority to CN202010518498.6A priority Critical patent/CN111782782B/zh
Publication of CN111782782A publication Critical patent/CN111782782A/zh
Application granted granted Critical
Publication of CN111782782B publication Critical patent/CN111782782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Abstract

本申请涉及一种智能客服的咨询回复方法、装置、计算机设备和存储介质。所述方法包括：在接收到用户发送的咨询信息时，确定咨询信息对应的知识点类别；获取知识点类别对应的用户的目标成熟度等级，目标成熟度等级根据知识点类别中用户对应的行为数据确定，用于表示用户对知识点类别的认知程度；根据知识点类别从预设的语料知识库提取知识点；根据目标成熟度等级从知识点中获取第一知识点集合；根据咨询信息从第一知识点集合中提取目标知识点；将目标知识点对应目标成熟度等级的回复信息反馈给用户。采用本方法能够提高智能客服的咨询回复质量。

Description

智能客服的咨询回复方法、装置、计算机设备和存储介质
技术领域
本申请涉及智能客服技术领域，特别是涉及一种智能客服的咨询回复方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的发展，智能客服机器人开始在各行各业日益普及。然而，在实际使用时，智能客服的服务质量经常不尽如人意。比如，一方面，资深用户往往会问一些与产品相关的更高阶的扩展类问题，但由于知识库的静态设计，这类深度咨询通常得不到合适的解答，不能解决资深用户的疑惑；另一方面，初级用户咨询的往往是非常基础的入门知识，很可能并不包括在知识库中，智能客服的通用回复对于初级用户可能太过专业和冗长，并不能有效地解答入门客户的问题。由此可见，现有智能客服的回复答案往往缺乏针对性，回复内容的准确性较差，难以满足成熟度不同的用户的咨询需求。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高咨询回复内容的准确性的智能客服的咨询回复方法、装置、计算机设备和存储介质。
一种智能客服的咨询回复方法，所述方法包括：
在接收到用户发送的咨询信息时，确定咨询信息对应的知识点类别；
获取知识点类别对应的用户的目标成熟度等级，目标成熟度等级根据知识点类别中用户对应的行为数据确定，用于表示用户对知识点类别的认知程度；
根据知识点类别从预设的语料知识库提取知识点；
根据目标成熟度等级从知识点中获取第一知识点集合；
根据咨询信息从第一知识点集合中提取目标知识点；
将目标知识点对应目标成熟度等级的回复信息反馈给用户。
在其中一个实施例中，所述确定咨询信息对应的知识点类别，包括：
将咨询信息输入预设的意图识别模型，得到咨询信息对应的知识点类别，意图识别模型是基于样本咨询信息和语料知识库，采用长短期记忆神经网络或卷积神经网络进行意图分类模型训练而得到的。
在其中一个实施例中，目标成熟度等级根据行为数据、知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定，行为数据用于表示用户对知识点类别对应的产品业务线中的各产品的购买情况，根据行为数据、知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定目标成熟度等级，包括：
获取行为数据；
对行为数据和各产品的成熟度权重参数进行加权计算，得到知识点类别对应的成熟度值；
根据成熟度等级阈值对成熟度值进行判断，根据判断结果得到目标成熟度等级。
在其中一个实施例中，成熟度等级阈值包括第一成熟度等级阈值和第二成熟度等级阈值，第二成熟度等级阈值大于第一成熟度等级阈值，目标成熟度等级包括初级、中级和高级，根据成熟度等级阈值对成熟度值进行判断，根据判断结果得到目标成熟度等级，包括：
当成熟度值大于0且小于第一成熟度等级阈值时，判定目标成熟度等级为初级；
当成熟度值大于第一成熟度等级阈值且小于第二成熟度等级阈值时，判定目标成熟度等级为中级；
当成熟度值大于第二成熟度等级阈值且小于1时，判定目标成熟度等级为高级；
根据目标成熟度等级从知识点中获取第一知识点集合，包括：
当目标成熟度等级为初级时，从知识点中获取具有对应初级的回复信息的知识点，作为第一知识点集合；
当目标成熟度等级为中级时，从知识点中获取具有对应中级的回复信息的知识点，作为第一知识点集合；
当目标成熟度等级为高级时，从知识点中获取具有对应高级的回复信息的知识点，作为第一知识点集合。
在其中一个实施例中，根据咨询信息从第一知识点集合中提取目标知识点，包括：
对第一知识点集合中的各知识点进行词向量特征提取，得到各第一词向量特征，并对咨询信息进行词向量特征提取，得到第二词向量特征；
对各第一词向量特征和第二词向量特征进行语义近似度计算，确定与咨询信息相似度最高的知识点为目标知识点。
在其中一个实施例中，获取知识点类别对应的用户的目标成熟度等级，包括：
获取知识点类别对应的用户的第一成熟度等级，第一成熟度等级根据所述知识点类别中所述用户的历史行为数据确定；
获取知识点类别中用户对应的实时行为数据，根据实时行为数据确定第二成熟度等级；
当第一成熟度等级高于第二成熟度等级时，选取第一成熟度等级作为目标成熟度等级；当第二成熟度等级高于第一成熟度等级时，选取第二成熟度等级作为目标成熟度等级。
在其中一个实施例中，所述方法还包括：获取与知识点类别中的知识点存在关联关系的知识点，生成第二知识点集合；
获取第二知识点集合中的各知识点对应的用户的咨询记录数据以及各知识点对应的影响力权重参数，咨询记录数据用于表示用户对各知识点的咨询情况；
对咨询记录数据和各知识点对应的影响力权重参数进行加权计算，得到第二知识点集合对应的影响力值；
根据知识点类别对应的预设的成熟度调整阈值以及影响力值获取更新成熟度等级；
根据更新成熟度等级对目标成熟度等级进行更新。
一种智能客服的咨询回复装置，所述装置包括：
意图识别模块，用于在接收到用户发送的咨询信息时，确定咨询信息对应的知识点类别；
成熟度获取模块，用于获取知识点类别对应的用户的目标成熟度等级，目标成熟度等级根据知识点类别中用户对应的行为数据确定，用于表示用户对知识点类别的认知程度；
第一提取模块，用于根据知识点类别从预设的语料知识库提取知识点；
第二提取模块，用于根据目标成熟度等级从知识点中获取第一知识点集合；
相似问匹配模块，用于根据咨询信息从第一知识点集合中提取目标知识点；
信息反馈模块，用于将目标知识点对应目标成熟度等级的回复信息反馈给用户。
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，所述处理器执行所述计算机程序时实现上述任一实施例方法的步骤。
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执行时实现上述任一实施例方法的步骤。
上述智能客服的咨询回复方法、装置、系统、计算机设备和存储介质，在接收到用户发送的咨询信息时，确定咨询信息对应的知识点类别；再获取知识点类别对应的用户的目标成熟度等级，目标成熟度等级根据知识点类别中用户对应的行为数据确定，用于表示用户对知识点类别的认知程度；进一步地，根据知识点类别从预设的语料知识库提取知识点；根据目标成熟度等级从知识点中获取第一知识点集合；根据咨询信息从第一知识点集合中提取目标知识点；将目标知识点对应目标成熟度等级的回复信息反馈给用户。因此，能够基于用户成熟度给出针对性的回复答案，从而满足成熟度不同的用户的咨询需求，有效提高了咨询回复内容的准确性。
附图说明
图1为一个实施例中智能客服的咨询回复方法的应用环境图；
图2为一个实施例中智能客服的咨询回复方法的流程示意图；
图3是一个实施例中语料知识库的示意图；
图4为一个实施例中确定目标成熟度等级步骤的流程示意图；
图5为一个实施例中产品业务线的成熟度等级计算示意图；
图6为一个实施例中更新成熟度等级步骤的流程示意图；
图7为一个实施例中智能客服的咨询回复装置的结构框图；
图8为另一个实施例中智能客服的咨询回复装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的智能客服的咨询回复方法，可以应用于如图1所示的应用环境中。
如图1所示，服务器102通过网络与终端104进行通信，用户在终端104上输入咨询信息，并通过终端104将咨询信息发送给服务器102，服务器102用于执行本申请的一种智能客服的咨询回复方法，最后将得到的回复信息反馈给终端104供用户查看。其中，服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现，终端104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。具体地，服务器102在接收到用户发送的咨询信息时，确定咨询信息对应的知识点类别；再获取知识点类别对应的用户的目标成熟度等级，目标成熟度等级根据知识点类别中用户对应的行为数据确定，用于表示用户对知识点类别的认知程度；进一步地，根据知识点类别从预设的语料知识库提取知识点；根据目标成熟度等级从知识点中获取第一知识点集合；根据咨询信息从第一知识点集合中提取目标知识点；将目标知识点对应目标成熟度等级的回复信息反馈给用户。
在一个实施例中，如图2所示，提供了一种智能客服的咨询回复方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，在接收到用户发送的咨询信息时，确定咨询信息对应的知识点类别。
具体地，服务器可以在接收到用户从终端发送的咨询信息时，将该咨询信息输入预设的意图识别模型，该意图识别模型对该咨询信息进行意图识别，输出该咨询信息对应的知识点类别。其中，意图识别模型可以是基于样本咨询信息和预设的语料知识库，采用长短期记忆神经网络或卷积神经网络进行意图分类模型训练而得到的。其中，上述的语料知识库可以为基于用户成熟度构建的语料知识库，存储在服务器中。具体地，意图识别模型基于预先训练的知识库语料并采用长短期记忆神经网络(LSTM)或基于文本的卷积神经网络(TextCNN)进行文本意图分类训练得到。当服务器接收到终端发送的咨询文本时，将咨询文本输入已训练的意图识别模型，意图识别模型即可输出该咨询文本对应的意图类别，也即是输出用户咨询的知识点类别。
步骤204，获取知识点类别对应的用户的目标成熟度等级，目标成熟度等级根据知识点类别中用户对应的行为数据确定，用于表示用户对知识点类别的认知程度。
其中，针对同一用户，业务系统根据不同的知识点类别设置不同的成熟度等级。成熟度等级用于表征用户对该知识点类别的认知程度。业务系统根据用户对知识点类别的行为数据设定成熟度等级。具体地，成熟度等级的数量根据需要可以预设，例如：可以分为三个成熟度等级(轻度、中度、深度)，或者分为五个成熟度等级(小白、轻度、中度、深度、资深)等。针对每个用户，每个知识点类别有一个成熟度等级。具体地，用户对应业务系统中各知识点类别的成熟度等级可集合在一起构成该用户的成熟度等级序列，每个用户的成熟度等级序列可以预先计算得到并存储在服务器中。服务器执行智能客服的咨询回复方法时，根据用户咨询的知识点类别可以直接从用户的当前成熟度等级序列中获取所需的知识点类别对应的用户的目标成熟度等级。或者，服务器还可以根据用户对应各知识点类别的实时行为数据，确定用户的实时成熟度等级序列，将该实时成熟度等级序列与当前成熟度等级序列进行合并更新，再从更新后的成熟度等级序列中获取所需的知识点类别对应的用户的目标成熟度等级。
其中，每个知识点类别对应一条产品业务线，上述的知识点类别中用户对应的行为数据为用于表示用户对知识点类别对应的产品业务线中的各产品的购买行为的数据。例如：该行为数据可用于表示用户是否购买过产品业务线中的各产品，根据是否购买过产品，可以将产品对应的行为数据标记为0或1，此时知识点类别中用户对应的行为数据为一个二进制序列。具体地，根据上述的二进制序列和知识点类别对应的产品业务线中各产品的成熟度权重参数进行加权求和计算，将得到的计算结果与预设的成熟度等级区间进行比较，可以确定用户对应该知识点类别的目标成熟度等级，该目标成熟度等级用于表示用户对知识点类别的认知程度。
另一种实施方式中，该行为数据还可以根据用户对产品业务线中的各产品购买次数确定，例如，可根据对产品的购买次数是否超过预设次数阈值，将产品对应的行为数据标记为0或1，从而得到另一个二进制序列，再根据上述的二进制序列、知识点类别对应的产品业务线中各产品的成熟度权重参数以及成熟度等级区间确定目标成熟度等级。本实施例中，上述产品的概念不限于可供用户购买的实体商品，也可以为供用户使用的虚拟服务。其中，各产品的成熟度权重参数为预先设定的参数，在同一条产品业务线中，核心产品的成熟度权重参数高于普通产品。
步骤206，根据知识点类别从预设的语料知识库提取知识点。
具体地，从上述的语料知识库中，将上述知识点类别所对应的知识点提取出来。其中，上述的语料知识库如图3所示，该语料知识库中一个知识点类别对应一条产品业务线，从而将同一产品业务线中各产品相关的知识点存放在同一知识点类别中，也即每个知识点类别包括与一条产品业务线有关的各知识点问题，每个知识点问题均可以设有对应不同成熟度等级的回复信息。其中，知识点问题可以设有与成熟度等级的等级数相同数量的回复信息，也可以设置少于成熟度等级的等级数的回复信息。例如：成熟度等级分为轻度、中度和深度三个等级。业务线A知识点包括知识点问题1、知识点问题2和知识点问题3，业务线B知识点包括知识点问题4和知识点问题5。知识点问题1、知识点问题2、知识点问题4和知识点问题5均设有对应轻度、中度和深度三个成熟度等级的回复信息，知识点问题3只设有对应深度这一个成熟度等级的回复信息。本申请提出的智能客服的咨询回复方法，利用上述语料知识库，可以针对不同成熟度等级的用户采用不同的回复，提高了回复的针对性和准确性，改善用户体验，还可以有效降低用户反复询问次数，提高了回复一次成功率。
步骤208，根据目标成熟度等级从知识点中获取第一知识点集合。
其中，上述的知识点为语料知识库中对应上述知识点类别的各知识点，这些知识点设有对应不同成熟度等级的回复信息。具体的是，知识点既可设有对应全部成熟度等级的回复信息，也可只设有对应部分成熟度等级的回复信息。
具体地，服务器从对应上述知识点类别的知识点中选取具有对应目标成熟度等级的回复信息的知识点，构成第一知识点集合，该第一知识点集合中的各知识点属于咨询信息对应的知识点类别，且设有对应目标成熟度等级的回复信息。
步骤210，根据咨询信息从第一知识点集合中提取目标知识点。
具体地，服务器将咨询信息与上述第一知识点集合中的各知识点进行相似问匹配召回，选取与上述咨询信息相似度最高的知识点作为目标知识点。
在本实施例中，通过知识点类别和目标成熟度等级的双重筛选，得到第一知识点集合，减少了服务器进行相似问匹配召回时需要处理的数据量，降低了整体计算量，提高了处理效率。
步骤212，将目标知识点对应目标成熟度等级的回复信息反馈给用户。
具体地，服务器选取上述目标知识点所对应的目标成熟度等级的回复信息，将该回复信息通过网络发送给终端，以实现对用户的反馈。进一步地，服务器在实际运行时，通常可预先设定人工转接时间阈值，若服务器在接收到用户发送的咨询信息后，超过人工转接时间阈值仍未向用户反馈回复信息，则将用户的咨询信息转发给人工客服进行应答。
上述智能客服的咨询回复方法中，在接收到用户发送的咨询信息时，确定咨询信息对应的知识点类别；再获取知识点类别对应的用户的目标成熟度等级，目标成熟度等级根据知识点类别中用户对应的行为数据确定，用于表示用户对知识点类别的认知程度；进一步地，根据知识点类别从预设的语料知识库提取知识点；根据目标成熟度等级从知识点中获取第一知识点集合；根据咨询信息从第一知识点集合中提取目标知识点；将目标知识点对应目标成熟度等级的回复信息反馈给用户。因此，能够基于用户成熟度给出针对性的回复答案，从而满足成熟度不同的用户的咨询需求，有效提高了咨询回复质量。
在一个实施例中，步骤202中，确定所述咨询信息对应的知识点类别，包括以下步骤：将咨询信息输入预设的意图识别模型，得到咨询信息对应的知识点类别。其中，意图识别模型是基于样本咨询信息和语料知识库，采用长短期记忆神经网络或卷积神经网络进行意图分类模型训练而得到的。
其中，长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，卷积神经网络可以采用TextCNN卷积神经网络。采用LSTM网络或TextCNN卷积神经网络对样本咨询信息进行训练得到上述的意图识别模型。使用意图识别模型的一个好处是样本越丰富，意图识别模型的准确度越高。具体地，该意图识别模型对用户的咨询信息进行分类预测，输出咨询信息对应的知识点类别，该知识点类别即咨询信息对应的知识点类别。在本实施例中，采用意图识别模型以确定咨询信息对应的知识点类别，从而提高了得到的咨询信息对应的知识点类别的准确性。
在一个实施例中，目标成熟度等级根据行为数据、知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定，行为数据为用户购买知识点类别对应的产品业务线对应的各产品时产生的行为数据，如图4所示，根据行为数据、知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定目标成熟度等级，包括：
步骤302，获取行为数据。
其中，行为数据用于表示用户对知识点类别对应的产品业务线中的各产品的购买情况。例如，当用户购买过某种产品时，将该产品对应的行为数据标记为1，当用户没购买过某种产品时，将该产品对应的行为数据标记为0，根据各产品对应的行为数据，可得到该产品业务线对应的标记向量。
步骤304，对行为数据和各产品的成熟度权重参数进行加权计算，得到知识点类别对应的成熟度值。
具体地，行为数据包括用户对知识点类别对应的产品业务线中各产品的行为数据，这些行为数据可以构成一个行为数据序列。知识点类别对应的产品业务线中的各产品对应有成熟度权重参数，根据各产品对应的成熟度权重参数以及各产品对应的行为数据，可以计算出各产品对应的成熟度值。根据知识点类别对应的产品业务线中的各产品对应的成熟度值可以计算出该知识点类别对应的成熟度值。具体可以是，将各产品对应的成熟度值进行累加，得到该知识点类别对应的成熟度值。
步骤306，根据成熟度等级阈值对成熟度值进行判断，根据判断结果得到目标成熟度等级。
具体地，业务系统中的产品业务线序列为{P1,P2,…,Pn}，产品业务线所对应的知识点类别的序列为{KP1,KP2,…,KPn}，产品业务线Pi对应的标记向量为
Figure BDA0002531030390000111
产品业务线Pi对应的权重向量设置为
Figure BDA0002531030390000112
Figure BDA0002531030390000113
为向量点积，该产品业务线的成熟度得分为：
Figure BDA0002531030390000114
其中变量
Figure BDA0002531030390000115
属于用户行为的特征向量，与用户相关，
Figure BDA0002531030390000116
属于预设值，与用户无关。该产品业务线的成熟度得分也即该产品业务线所对应的知识点类别对应的成熟度值。
然后，应用成熟度函数输出成熟度等级，其中，成熟度等级阈值分别为T1和T2，二值函数f1(x)，f2(x)，f3(x)的取值为True或False(1或0)：
f1(x)＝0≤x≤T1
f2(x)＝T1<x≤T2
f3(x)＝T2<x≤1
Figure BDA0002531030390000117
根据上述计算步骤，Lp的输出为成熟度等级(轻度,中度,深度)中的一个，得到用户的对应各知识点类别的成熟度等级序列：
Figure BDA0002531030390000118
在一些实施例中，以上得到的成熟度等级序列存储在服务器中，在每次用户咨询时，在确定咨询信息对应的知识点类别后，由服务器进行直接调用该用户对应上述知识点类别的成熟度等级序列，从而获取所需的知识点类别对应的用户的目标成熟度等级。
进一步具体地，成熟度等级阈值包括第一成熟度等级阈值和第二成熟度等级阈值，第二成熟度等级阈值大于第一成熟度等级阈值，目标成熟度等级包括初级、中级和高级，根据成熟度等级阈值对成熟度值进行判断，根据判断结果得到目标成熟度等级，包括：
根据第一成熟度等级阈值和第二成熟度等级阈值将成熟度值的取值范围划分为初级成熟度区间、中级成熟度区间以及高级成熟度区间。
当成熟度值在初级成熟度区间内时，判定目标成熟度等级为初级；当成熟度值在中级成熟度区间内时，判定目标成熟度等级为中级；当成熟度值在高级成熟度区间内时，判定目标成熟度等级为高级。
具体地，当成熟度值大于0且小于第一成熟度等级阈值时，判定目标成熟度等级为初级；当成熟度值大于第一成熟度等级阈值且小于第二成熟度等级阈值时，判定目标成熟度等级为中级；当成熟度值大于第二成熟度等级阈值且小于1时，判定目标成熟度等级为高级。
例如，如图5所示，可以计算得到产品业务线的成熟度等级，具体包括以下步骤：
根据用户是否购买过某种产品，将该产品对应的行为数据标记为1或0。其中，1表示用户购买过该产品，0表示用户没购买过该产品，得到产品业务线对应的行为数据集合：
{产品业务线A：产品A1＝0，核心产品A2＝1，核心产品A3＝1，产品A4＝0}
{产品业务线B：产品B1＝0，产品B2＝1，核心产品B3＝0，核心产品B4＝1，产品B5＝0}
预设定的成熟度权重参数：
{产品业务线A：产品A1(10％)，核心产品A2(40％)，核心产品A3(40％)，产品A4(10％)}
{产品业务线B：产品B1(10％)，产品B2(10％)，核心产品B3(40％)，核心产品B4(25％)，产品B5(15％)}
计算加权得分：{产品业务线A：80％；产品业务线B：35％}
根据成熟度等级阈值得到成熟度等级区间：
轻度：[0，30％]，中度：[30％，75％]，深度：[75％，100％]
得到业务线的成熟度：
{产品业务线A：深度；产品业务线B：中度}
对应知识点类别的成熟度，则为：
{业务线A知识点类别：深度；业务线B知识点类别：中度}
其中，该产品业务线的成熟度等级即用户对该产品业务线对应的知识点类别的成熟度等级。此时，根据目标成熟度等级从知识点中获取第一知识点集合，包括：当目标成熟度等级为初级时，从知识点中获取具有对应初级的回复信息的知识点，作为第一知识点集合；当目标成熟度等级为中级时，从知识点中获取具有对应中级的回复信息的知识点，作为第一知识点集合；当目标成熟度等级为高级时，从知识点中获取具有对应高级的回复信息的知识点，作为第一知识点集合。其中，第一知识点集合为通过知识点类别和目标成熟度等级双重筛选得到的知识点的集合，减少了后续相似问匹配召回步骤要处理的数据量，从而提高了整体的处理效率。
在本实施例中，因为是通过对行为数据和成熟度权重参数进行加权求和，得到成熟度值，在成熟度计算中引入了产品业务线中各产品在成熟度方面的权重，再根据成熟度等级阈值对该成熟度值进行判断，得到目标成熟度等级，弥补了单一行为数据判断准确性差的缺陷，从而提高了用户对应各知识点类别的成熟度等级的准确性。
在一个实施例中，步骤210，根据咨询信息从第一知识点集合中提取目标知识点，包括以下步骤：
对第一知识点集合中的各知识点进行词向量特征提取，得到各第一词向量特征，并对咨询信息进行词向量特征提取，得到第二词向量特征。对各第一词向量特征和第二词向量特征进行语义近似度计算，确定与咨询信息相似度最高的知识点为目标知识点。其中，词向量即一个词对应一个多维的向量，词向量特征提取和语义近似度计算均是文本数据常用的处理方法。
在本实施例中，通过对咨询信息和第一知识点集合中的各知识点分别进行词向量特征提取，将得到的词向量特征进行语义近似度匹配，最后确定与咨询信息相似度最高的知识点，以其作为目标知识点。根据词向量特征进行语义近似度匹配，从而保证了目标知识点选取的准确程度。
在一个实施例中，步骤204，获取知识点类别对应的用户的目标成熟度等级，可包括以下步骤：
获取知识点类别对应的用户的第一成熟度等级，该第一成熟度等级根据所述知识点类别中所述用户的历史行为数据确定。
其中，第一成熟度等级可以为用户对应知识点类别的当前成熟度等级，是根据所述知识点类别中所述用户的历史行为数据确定的，可以从存储在服务器中的当前的成熟度等级序列中获取。
获取知识点类别中用户对应的实时行为数据，根据实时行为数据确定第二成熟度等级。
其中，根据该实时行为数据、该知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定第二成熟度等级，实时行为数据用于表示用户对知识点类别对应的产品业务线中的各产品的实时购买情况。
具体地，对实时行为数据和各产品的成熟度权重参数进行加权计算，得到知识点类别对应的实时成熟度值，根据成熟度等级阈值对实时成熟度值进行判断，得到第二成熟度等级，该第二成熟度等级为该用户的实时成熟度等级。
当第一成熟度等级高于第二成熟度等级时，选取第一成熟度等级作为目标成熟度等级；当第二成熟度等级高于第一成熟度等级时，选取第二成熟度等级作为目标成熟度等级。
在本实施例的另一种实施方式中，在每次接收到用户的咨询信息时，根据各知识点类别中用户对应的实时行为数据，可得到用户的实时成熟度等级序列X：
Figure BDA0002531030390000151
将该实时获取的实时成熟度等级序列X与用户的当前成熟度等级序列Y进行合并更新，将新的成熟度等级序列设为用户的当前成熟度等级序列Y并存入服务器，合并规则为：每个知识点类别的成熟度等级取实时成熟度等级序列X与用户的当前成熟度等级序列Y中对应的最大成熟度等级。
在本实施例中，在每次接收到用户的咨询信息时，都根据用户的实时行为数据重新计算得到用户的实时成熟度等级，利用实时成熟度等级对当前成熟度等级进行更新，从而使得获取到的目标成熟度等级更加准确。
在一个实施例中，如图6所示，所述方法还包括：
步骤402，获取与知识点类别中的知识点存在关联关系的知识点，生成第二知识点集合。
其中，第二知识点集合为由与知识点类别中的知识点存在关联关系的知识点所组成的知识点集合，即第二知识点集合中的知识点可能与该知识点类别对应，也可能对应除该知识点类别以外的其他知识点类别。
具体地，从语料知识库获取与知识点类别中的知识点存在关联关系的知识点，将上述知识点集合在一起，生成第二知识点集合。具体实施时，可以为多个不同知识点类别关联一个成熟度影响力分组，该成熟度影响力分组包括上述的第二知识点集合，以及受第二知识点集合影响的至少一个知识点类别，上述受第二知识点集合影响的知识点类别可以视为该成熟度影响力分组的关联知识点类别。
例如，成熟度影响力分组M：
{知识点集合：{知识点M1，知识点M2，知识点M3，知识点M4}，
关联知识点类别：{知识点类别A：阈值A1：阈值A2，知识点类别B：阈值B1：阈值B2}}
步骤404，获取第二知识点集合中的各知识点对应的用户的咨询记录数据以及各知识点对应的影响力权重参数，咨询记录数据用于表示用户对各知识点的咨询情况。
其中，咨询记录数据可以从步骤210中获取到，步骤210为根据咨询信息从第一知识点集合中提取目标知识点，通过该知识点是否被用户选取过作为目标知识点，就可以判断出该知识点是否被该用户咨询过。此时，咨询记录数据用于表示用户是否咨询过第二知识点集合中的各知识点。例如，第二知识点集合中各知识点对应的用户的咨询记录数据中，1表示用户咨询到过该知识点，0表示用户没有咨询到过该知识点，并预设各知识点对应的影响力权重参数：
{分组M：知识点M1＝1，知识点M2＝1，知识点M3＝1，知识点M4＝0}
{分组M：知识点M1(25％)，知识点M2(25％)，知识点M3(25％)，知识点M4(25％)}
步骤406，对咨询记录数据和各知识点对应的影响力权重参数进行加权计算，得到第二知识点集合对应的影响力值。
具体可以是，将知识点对应的咨询记录数据与影响力权重参数相乘，得到各知识点对应的影响力值，再将各知识点对应的影响力值进行累加，得到该第二知识点集合对应的影响力值，也即该成熟度影响力分组的影响力值。
{分组M影响力值：75％}
步骤408，根据知识点类别对应的预设的成熟度调整阈值以及影响力值获取更新成熟度等级。
例如，根据该成熟度影响力分组的关联知识点类别对应的预设的成熟度调整阈值对影响力值进行判断：
{阈值A1：50％，阈值A2：80％}：A1<75％<A2，超过中度阈值；
{阈值B1：40％，阈值B2：70％}：B2<75％，超过深度阈值。
因此，知识点类别A的更新成熟度等级为中度，知识点类别B的更新成熟度等级为深度。
步骤410，根据更新成熟度等级对目标成熟度等级进行更新。
具体地，服务器将知识点类别A的目标成熟度等级更新至中度，将知识点类别B的目标成熟度等级更新至深度。实际应用时，用户对应业务系统中各知识点类别的成熟度等级可集合在一起构成该用户的成熟度等级序列，每个用户的成熟度等级序列可以预先计算得到并存储在服务器中。因此，可以根据成熟度影响力分组对应的第二知识点集合中各知识点对应的咨询情况变化，在当前存储的用户对应的成熟度等级序列中，分别更新成熟度影响力分组对应的关联知识点类别的目标成熟度等级。
上述例子中的成熟度影响力分组包括有两个关联知识点类别，但在具体实施中，一个成熟度影响力分组可以对应的关联知识点类别的数量不限。进一步地，一个知识点类别也可以关联多个不同的成熟度影响力分组，每个成熟度影响力分组对应一个第二知识点集合，该第二知识点集合中的各知识点与成熟度影响力分组对应的关联知识点类别中的知识点存在关联关系。
在本实施例中，提供了一种智能客服的咨询回复方法，该方法考虑到了知识点之间可能存在的关联关系，通过第二知识点集合的设计，能够对知识点类别对应的成熟度等级进行及时更新，从而提高了成熟度等级更新的时效性和灵活性，将知识点对应最新的成熟度等级的回复信息反馈给用户，进一步提高了咨询回复的准确度。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种智能客服的咨询回复装置，包括：意图识别模块10、成熟度获取模块20、第一提取模块30、第二提取模块40、相似问匹配模块50和信息反馈模块60，其中：
意图识别模块10，用于在接收到用户发送的咨询信息时，确定咨询信息对应的知识点类别；
成熟度获取模块20，用于获取知识点类别对应的用户的目标成熟度等级，目标成熟度等级根据知识点类别中用户对应的行为数据确定，用于表示用户对知识点类别的认知程度；
第一提取模块30，用于根据知识点类别从预设的语料知识库提取知识点；
第二提取模块40，用于根据目标成熟度等级从知识点中获取第一知识点集合；
相似问匹配模块50，用于根据咨询信息从第一知识点集合中提取目标知识点；
信息反馈模块60，用于将目标知识点对应目标成熟度等级的回复信息反馈给用户。
在一个实施例中，意图识别模块10还用于将咨询信息输入预设的意图识别模型，得到咨询信息对应的知识点类别，意图识别模型是基于样本咨询信息和语料知识库，采用长短期记忆神经网络或卷积神经网络进行意图分类模型训练而得到的。
在一个实施例中，目标成熟度等级根据行为数据、知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定，行为数据用于表示用户对知识点类别对应的产品业务线中的各产品的购买情况，如图8所示，智能客服的咨询回复装置，还包括：目标成熟度等级确认模块70，用于根据行为数据、知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定目标成熟度等级。进一步地，该目标成熟度等级确认模块用于获取行为数据；对行为数据和各产品的成熟度权重参数进行加权计算，得到知识点类别对应的成熟度值；根据成熟度等级阈值对成熟度值进行判断，根据判断结果得到目标成熟度等级。
在一个实施例中，成熟度等级阈值包括第一成熟度等级阈值和第二成熟度等级阈值，第二成熟度等级阈值大于第一成熟度等级阈值，目标成熟度等级包括初级、中级和高级，目标成熟度等级确认模块70还用于获取行为数据；对行为数据和各产品的成熟度权重参数进行加权计算，得到知识点类别对应的成熟度值；当成熟度值大于0且小于第一成熟度等级阈值时，判定目标成熟度等级为初级；当成熟度值大于第一成熟度等级阈值且小于第二成熟度等级阈值时，判定目标成熟度等级为中级；当成熟度值大于第二成熟度等级阈值且小于1时，判定目标成熟度等级为高级。
在本实施例中，第二提取模块40，用于当目标成熟度等级为初级时，从知识点中获取具有对应初级的回复信息的知识点，作为第一知识点集合；当目标成熟度等级为中级时，从知识点中获取具有对应中级的回复信息的知识点，作为第一知识点集合；当目标成熟度等级为高级时，从知识点中获取具有对应高级的回复信息的知识点，作为第一知识点集合。
在一个实施例中，相似问匹配模块50包括：词向量特征提取单元，用于对第一知识点集合中的各知识点进行词向量特征提取，得到各第一词向量特征，并对咨询信息进行词向量特征提取，得到第二词向量特征；语义近似度计算单元，用于对各第一词向量特征和第二词向量特征进行语义近似度计算，确定与咨询信息相似度最高的知识点为目标知识点。
在一个实施例中，成熟度获取模块20包括：第一成熟度等级获取单元，用于获取知识点类别对应的用户的第一成熟度等级；第二成熟度等级获取单元，用于获取知识点类别中用户对应的实时行为数据，根据实时行为数据确定第二成熟度等级；目标成熟度等级获取单元，用于当第一成熟度等级高于第二成熟度等级时，选取第一成熟度等级作为目标成熟度等级；当第二成熟度等级高于第一成熟度等级时，选取第二成熟度等级作为目标成熟度等级。
在一个实施例中，如图8所示，智能客服的咨询回复装置还包括：关联成熟度等级更新模块80，用于获取与知识点类别中的知识点存在关联关系的知识点，生成第二知识点集合；获取第二知识点集合中的各知识点对应的用户的咨询记录数据以及各知识点对应的影响力权重参数，咨询记录数据用于表示用户对各知识点的咨询情况；对咨询记录数据和各知识点对应的影响力权重参数进行加权计算，得到第二知识点集合对应的影响力值；根据知识点类别对应的预设的成熟度调整阈值以及影响力值获取更新成熟度等级；根据更新成熟度等级对目标成熟度等级进行更新。
关于智能客服的咨询回复装置的具体限定可以参见上文中对于智能客服的咨询回复方法的限定，在此不再赘述。上述智能客服的咨询回复装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信，以接收外部的终端上传的咨询信息。该计算机程序被处理器执行时以实现一种智能客服的咨询回复方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：在接收到用户发送的咨询信息时，确定咨询信息对应的知识点类别；获取知识点类别对应的用户的目标成熟度等级，目标成熟度等级根据知识点类别中用户对应的行为数据确定，用于表示用户对知识点类别的认知程度；根据知识点类别从预设的语料知识库提取知识点；根据目标成熟度等级从知识点中获取第一知识点集合；根据咨询信息从第一知识点集合中提取目标知识点；将目标知识点对应目标成熟度等级的回复信息反馈给用户。
在一个实施例中，处理器执行计算机程序时实现上述的确定咨询信息对应的知识点类别的步骤时，具体实现以下步骤：将咨询信息输入预设的意图识别模型，得到咨询信息对应的知识点类别，意图识别模型是基于样本咨询信息和语料知识库，采用长短期记忆神经网络或卷积神经网络进行意图分类模型训练而得到的。
在一个实施例中，目标成熟度等级根据行为数据、知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定，行为数据用于表示用户对知识点类别对应的产品业务线中的各产品的购买情况，处理器执行计算机程序时实现根据行为数据、知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定目标成熟度等级的步骤时，具体实现以下步骤：获取行为数据；对行为数据和各产品的成熟度权重参数进行加权计算，得到知识点类别对应的成熟度值；根据成熟度等级阈值对成熟度值进行判断，根据判断结果得到目标成熟度等级。
在一个实施例中，成熟度等级阈值包括第一成熟度等级阈值和第二成熟度等级阈值，第二成熟度等级阈值大于第一成熟度等级阈值，目标成熟度等级包括初级、中级和高级，处理器执行计算机程序时实现上述的根据成熟度等级阈值对成熟度值进行判断，根据判断结果得到目标成熟度等级的步骤时，具体实现以下步骤：当成熟度值大于0且小于第一成熟度等级阈值时，判定目标成熟度等级为初级；当成熟度值大于第一成熟度等级阈值且小于第二成熟度等级阈值时，判定目标成熟度等级为中级；当成熟度值大于第二成熟度等级阈值且小于1时，判定目标成熟度等级为高级。本实施例中，处理器执行计算机程序时实现上述的根据目标成熟度等级从知识点中获取第一知识点集合的步骤时，具体实现以下步骤：当目标成熟度等级为初级时，从知识点中获取具有对应初级的回复信息的知识点，作为第一知识点集合；当目标成熟度等级为中级时，从知识点中获取具有对应中级的回复信息的知识点，作为第一知识点集合；当目标成熟度等级为高级时，从知识点中获取具有对应高级的回复信息的知识点，作为第一知识点集合。
在一个实施例中，处理器执行计算机程序时实现上述的根据咨询信息从第一知识点集合中提取目标知识点的步骤时，具体实现以下步骤：对第一知识点集合中的各知识点进行词向量特征提取，得到各第一词向量特征，并对咨询信息进行词向量特征提取，得到第二词向量特征；对各第一词向量特征和第二词向量特征进行语义近似度计算，确定与咨询信息相似度最高的知识点为目标知识点。
在一个实施例中，处理器执行计算机程序时实现上述的获取知识点类别对应的用户的目标成熟度等级的步骤时，具体实现以下步骤：获取知识点类别对应的用户的第一成熟度等级；获取知识点类别中用户对应的实时行为数据，根据实时行为数据确定第二成熟度等级；当第一成熟度等级高于第二成熟度等级时，选取第一成熟度等级作为目标成熟度等级；当第二成熟度等级高于第一成熟度等级时，选取第二成熟度等级作为目标成熟度等级。
在一个实施例中，处理器执行计算机程序时，具体还实现以下步骤：获取与知识点类别中的知识点存在关联关系的知识点，生成第二知识点集合；获取第二知识点集合中的各知识点对应的用户的咨询记录数据以及各知识点对应的影响力权重参数，咨询记录数据用于表示用户对各知识点的咨询情况；对咨询记录数据和各知识点对应的影响力权重参数进行加权计算，得到第二知识点集合对应的影响力值；根据知识点类别对应的预设的成熟度调整阈值以及影响力值获取更新成熟度等级；根据更新成熟度等级对目标成熟度等级进行更新。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：在接收到用户发送的咨询信息时，确定咨询信息对应的知识点类别；获取知识点类别对应的用户的目标成熟度等级，目标成熟度等级根据知识点类别中用户对应的行为数据确定，用于表示用户对知识点类别的认知程度；根据知识点类别从预设的语料知识库提取知识点；根据目标成熟度等级从知识点中获取第一知识点集合；根据咨询信息从第一知识点集合中提取目标知识点；将目标知识点对应目标成熟度等级的回复信息反馈给用户。
在一个实施例中，计算机程序被处理器执行时实现上述的确定咨询信息对应的知识点类别的步骤时，具体实现以下步骤：将咨询信息输入预设的意图识别模型，得到咨询信息对应的知识点类别，意图识别模型是基于样本咨询信息和语料知识库，采用长短期记忆神经网络或卷积神经网络进行意图分类模型训练而得到的。
在一个实施例中，目标成熟度等级根据行为数据、知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定，行为数据用于表示用户对知识点类别对应的产品业务线中的各产品的购买情况，计算机程序被处理器执行时实现根据行为数据、知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定目标成熟度等级的步骤时，具体实现以下步骤：获取行为数据；对行为数据和各产品的成熟度权重参数进行加权计算，得到知识点类别对应的成熟度值；根据成熟度等级阈值对成熟度值进行判断，根据判断结果得到目标成熟度等级。
在一个实施例中，成熟度等级阈值包括第一成熟度等级阈值和第二成熟度等级阈值，第二成熟度等级阈值大于第一成熟度等级阈值，目标成熟度等级包括初级、中级和高级，计算机程序被处理器执行时实现上述的根据成熟度等级阈值对成熟度值进行判断，根据判断结果得到目标成熟度等级的步骤时，具体实现以下步骤：当成熟度值大于0且小于第一成熟度等级阈值时，判定目标成熟度等级为初级；当成熟度值大于第一成熟度等级阈值且小于第二成熟度等级阈值时，判定目标成熟度等级为中级；当成熟度值大于第二成熟度等级阈值且小于1时，判定目标成熟度等级为高级。本实施例中，计算机程序被处理器执行时实现上述的根据目标成熟度等级从知识点中获取第一知识点集合的步骤时，具体实现以下步骤：当目标成熟度等级为初级时，从知识点中获取具有对应初级的回复信息的知识点，作为第一知识点集合；当目标成熟度等级为中级时，从知识点中获取具有对应中级的回复信息的知识点，作为第一知识点集合；当目标成熟度等级为高级时，从知识点中获取具有对应高级的回复信息的知识点，作为第一知识点集合。
在一个实施例中，计算机程序被处理器执行时实现上述的根据咨询信息从第一知识点集合中提取目标知识点的步骤时，具体实现以下步骤：对第一知识点集合中的各知识点进行词向量特征提取，得到各第一词向量特征，并对咨询信息进行词向量特征提取，得到第二词向量特征；对各第一词向量特征和第二词向量特征进行语义近似度计算，确定与咨询信息相似度最高的知识点为目标知识点。
在一个实施例中，计算机程序被处理器执行时实现上述的获取知识点类别对应的用户的目标成熟度等级的步骤时，具体实现以下步骤：获取知识点类别对应的用户的第一成熟度等级；获取知识点类别中用户对应的实时行为数据，根据实时行为数据确定第二成熟度等级；当第一成熟度等级高于第二成熟度等级时，选取第一成熟度等级作为目标成熟度等级；当第二成熟度等级高于第一成熟度等级时，选取第二成熟度等级作为目标成熟度等级。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取与知识点类别中的知识点存在关联关系的知识点，生成第二知识点集合；获取第二知识点集合中的各知识点对应的用户的咨询记录数据以及各知识点对应的影响力权重参数，咨询记录数据用于表示用户对各知识点的咨询情况；对咨询记录数据和各知识点对应的影响力权重参数进行加权计算，得到第二知识点集合对应的影响力值；根据知识点类别对应的预设的成熟度调整阈值以及影响力值获取更新成熟度等级；根据更新成熟度等级对目标成熟度等级进行更新。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种智能客服的咨询回复方法，所述方法包括：
在接收到用户发送的咨询信息时，确定所述咨询信息对应的知识点类别；
获取所述知识点类别对应的所述用户的目标成熟度等级，所述目标成熟度等级根据所述知识点类别中所述用户对应的行为数据确定，用于表示所述用户对所述知识点类别的认知程度；
根据所述知识点类别从预设的语料知识库提取知识点；
根据所述目标成熟度等级从所述知识点中获取第一知识点集合；
根据所述咨询信息从所述第一知识点集合中提取目标知识点；
将所述目标知识点对应所述目标成熟度等级的回复信息反馈给所述用户；
其中，所述目标成熟度等级根据所述行为数据、所述知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定，所述行为数据用于表示所述用户对所述知识点类别对应的产品业务线中的各所述产品的购买情况，所述根据所述行为数据、所述知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定所述目标成熟度等级，包括：
获取所述行为数据；
对所述行为数据和各所述产品的成熟度权重参数进行加权计算，得到所述知识点类别对应的成熟度值；
根据所述成熟度等级阈值对所述成熟度值进行判断，根据判断结果得到所述目标成熟度等级。
2.根据权利要求1所述的方法，其特征在于，所述确定所述咨询信息对应的知识点类别，包括：
将所述咨询信息输入预设的意图识别模型，得到所述咨询信息对应的知识点类别，所述意图识别模型是基于样本咨询信息和所述语料知识库，采用长短期记忆神经网络或卷积神经网络进行意图分类模型训练而得到的。
3.根据权利要求1所述的方法，其特征在于，所述成熟度等级阈值包括第一成熟度等级阈值和第二成熟度等级阈值，所述第二成熟度等级阈值大于所述第一成熟度等级阈值，所述目标成熟度等级包括初级、中级和高级，所述根据所述成熟度等级阈值对所述成熟度值进行判断，根据判断结果得到所述目标成熟度等级，包括：
当所述成熟度值大于0且小于所述第一成熟度等级阈值时，判定所述目标成熟度等级为初级；
当所述成熟度值大于所述第一成熟度等级阈值且小于所述第二成熟度等级阈值时，判定所述目标成熟度等级为中级；
当所述成熟度值大于第二成熟度等级阈值且小于1时，判定所述目标成熟度等级为高级；
所述根据所述目标成熟度等级从所述知识点中获取第一知识点集合，包括：
当所述目标成熟度等级为初级时，从所述知识点中获取具有对应初级的回复信息的知识点，作为所述第一知识点集合；
当所述目标成熟度等级为中级时，从所述知识点中获取具有对应中级的回复信息的知识点，作为所述第一知识点集合；
当所述目标成熟度等级为高级时，从所述知识点中获取具有对应高级的回复信息的知识点，作为所述第一知识点集合。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述咨询信息从所述第一知识点集合中提取目标知识点，包括：
对所述第一知识点集合中的各知识点进行词向量特征提取，得到各第一词向量特征，并对所述咨询信息进行词向量特征提取，得到第二词向量特征；
对各所述第一词向量特征和所述第二词向量特征进行语义近似度计算，确定与所述咨询信息相似度最高的知识点为所述目标知识点。
5.根据权利要求1所述的方法，其特征在于，所述获取所述知识点类别对应的所述用户的目标成熟度等级，包括：
获取所述知识点类别对应的所述用户的第一成熟度等级，所述第一成熟度等级根据所述知识点类别中所述用户的历史行为数据确定；
获取所述知识点类别中所述用户对应的实时行为数据，根据所述实时行为数据确定第二成熟度等级；
当所述第一成熟度等级高于所述第二成熟度等级时，选取所述第一成熟度等级作为所述目标成熟度等级；当所述第二成熟度等级高于所述第一成熟度等级时，选取所述第二成熟度等级作为所述目标成熟度等级。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取与所述知识点类别中的知识点存在关联关系的知识点，生成第二知识点集合；
获取所述第二知识点集合中的各知识点对应的所述用户的咨询记录数据以及各所述知识点对应的影响力权重参数，所述咨询记录数据用于表示所述用户对各所述知识点的咨询情况；
对所述咨询记录数据和各所述知识点对应的影响力权重参数进行加权计算，得到所述第二知识点集合对应的影响力值；
根据所述知识点类别对应的预设的成熟度调整阈值以及所述影响力值获取更新成熟度等级；
根据所述更新成熟度等级对所述目标成熟度等级进行更新。
7.一种智能客服的咨询回复装置，其特征在于，所述装置包括：
意图识别模块，用于在接收到用户发送的咨询信息时，确定所述咨询信息对应的知识点类别；
成熟度获取模块，用于获取所述知识点类别对应的所述用户的目标成熟度等级，所述目标成熟度等级根据所述知识点类别中所述用户对应的行为数据确定，用于表示所述用户对所述知识点类别的认知程度；
第一提取模块，用于根据所述知识点类别从预设的语料知识库提取知识点；
第二提取模块，用于根据所述目标成熟度等级从所述知识点中获取第一知识点集合；
相似问匹配模块，用于根据所述咨询信息从所述第一知识点集合中提取目标知识点；
信息反馈模块，用于将所述目标知识点对应所述目标成熟度等级的回复信息反馈给所述用户；
其中，所述目标成熟度等级根据所述行为数据、所述知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定，所述行为数据用于表示所述用户对所述知识点类别对应的产品业务线中的各所述产品的购买情况，所述根据所述行为数据、所述知识点类别对应的产品业务线中各产品的成熟度权重参数以及预设的成熟度等级阈值确定所述目标成熟度等级，包括：
获取所述行为数据；
对所述行为数据和各所述产品的成熟度权重参数进行加权计算，得到所述知识点类别对应的成熟度值；
根据所述成熟度等级阈值对所述成熟度值进行判断，根据判断结果得到所述目标成熟度等级。
8.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202010518498.6A 2020-06-09 2020-06-09 智能客服的咨询回复方法、装置、计算机设备和存储介质 Active CN111782782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010518498.6A CN111782782B (zh) 2020-06-09 2020-06-09 智能客服的咨询回复方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010518498.6A CN111782782B (zh) 2020-06-09 2020-06-09 智能客服的咨询回复方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111782782A CN111782782A (zh) 2020-10-16
CN111782782B true CN111782782B (zh) 2023-04-18

Family

ID=72753765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010518498.6A Active CN111782782B (zh) 2020-06-09 2020-06-09 智能客服的咨询回复方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111782782B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581192A (zh) * 2020-12-31 2021-03-30 北京秒针人工智能科技有限公司 关于提升快捷回复素材库应用部门权限控制的方法及系统
CN113609278B (zh) * 2021-08-26 2024-02-20 中国银行股份有限公司 数据处理方法、装置、设备及可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105304082B (zh) * 2015-09-08 2018-12-28 北京云知声信息技术有限公司 一种语音输出方法及装置
CN109947909B (zh) * 2018-06-19 2024-03-12 平安科技（深圳）有限公司 智能客服应答方法、设备、存储介质及装置
CN109949638A (zh) * 2019-04-22 2019-06-28 软通智慧科技有限公司 知识掌握程度确定方法、装置、终端和介质
CN111143533B (zh) * 2019-12-26 2023-06-30 苏宁金融科技(南京)有限公司 一种基于用户行为数据的客服方法及系统

Also Published As

Publication number Publication date
CN111782782A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN108711110B (zh) 保险产品推荐方法、装置、计算机设备和存储介质
CN109902753B (zh) 用户推荐模型训练方法、装置、计算机设备和存储介质
US11704500B2 (en) Techniques to add smart device information to machine learning for increased context
CN112633962B (zh) 业务推荐方法、装置、计算机设备和存储介质
CN111782782B (zh) 智能客服的咨询回复方法、装置、计算机设备和存储介质
US20200402082A1 (en) Method of selecting respondents for querying in a respondent-interrogator system
CN111553390A (zh) 用户分类方法、装置、计算机设备和存储介质
CN113901327A (zh) 一种目标推荐模型训练方法、推荐方法、装置及电子设备
CN110222838B (zh) 文档排序方法、装置、电子设备及存储介质
US20190362354A1 (en) Real-time updating of predictive analytics engine
CN111309887A (zh) 一种训练文本关键内容提取模型的方法和系统
CN113642652A (zh) 生成融合模型的方法、装置和设备
CN111914075A (zh) 基于深度学习的客户标签确定方法、装置、设备及介质
CN111444930B (zh) 一种确定二分类模型的预测效果的方法及装置
CN116739794B (zh) 基于大数据及机器学习的用户个性化方案推荐方法及系统
CN111079894B (zh) Bp神经网络模型构建、商家评价方法与装置
CN110766465A (zh) 金融产品评估方法及其验证方法、装置
CN113868543B (zh) 推荐对象的排序方法、模型训练方法、装置及电子设备
CN114238798A (zh) 基于神经网络的搜索排序方法、系统、设备及存储介质
CN109308565B (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备
CN114139046A (zh) 对象推荐方法、装置、电子设备及存储介质
CN112765453A (zh) 内容推荐方法、装置、计算机设备和存储介质
CN111368044A (zh) 智能问答方法、装置、计算机设备和存储介质
CN110610378A (zh) 产品需求分析方法、装置、计算机设备和存储介质
KR102537900B1 (ko) 사용자 특징을 지시하는 태그를 생성하기 위한 장치, 방법 및 명령을 기록한 기록 매체

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