CN111797202A - 一种基于人工智能的客服对话方法 - Google Patents

Abstract

本申请公开了一种基于人工智能的客服对话方法，包括：云服务器获取用户语音数据，并通过语义解析，提取所述语音数据中的第一关键词；对所述第一关键词进行同义词拓展，并将所述扩展后的关键词集合作为输入参数，输入到知识库中进行查询，所述知识库包含问题及对应的答案；若查询失败，则定义本次对话为非标准对话，则对所述用户进行用户画像，并基于所述用户画像，通过深度学习算法对所述用户行为进行预测；基于所述预测结果，将与所述预测结果匹配的答案通过语音方式发送至用户。

Description

一种基于人工智能的客服对话方法

技术领域

本申请涉及电子商务领域，尤其涉及一种基于人工智能的客服对话方法。

背景技术

在电子商务领域，越来越多的聊天机器人已经出现，聊天机器人采用人工智能技术，可一定程度上取代人工客服，作为新一代的智能客服，其对用户的语义进行解析，提取出多个关键词，并基于关键词进行查询，将答案反馈给用户，极大程度节约了客服资源，提高了问询效率。

然而，该技术中，是采用语义解析与答案匹配的模式进行的，通常而言用户会针对性地提出一些关于商品售前、售中和售后的标准问题，该标准问题具备标准答案，例如商品质量好坏、用途、价格、保质期、使用说明、付款方式等，可以定义为智能客服的标准对话，基于标准对话即可输出标准答案给用户。但是，针对非标准问题，例如“XX牌牛奶和YY牌牛奶哪一个比较好”此类开放式提问，智能客服却并不能回答，需要转入人工服务，其智能程度不够优化，一定程度上降低了用户体验感，并降低了智能客服的工作效率。

发明内容

本申请实施例提供一种基于人工智能的客服对话的方法，用于解决现有技术中智能客服智能化程度低，客服答复效率不高的问题。

本发明实施例提供一种基于人工智能的客服对话方法，包括：

步骤1.云服务器获取用户语音数据，并通过语义解析，提取所述语音数据中的第一关键词；

步骤2.对所述第一关键词进行同义词拓展，并将所述扩展后的关键词集合作为输入参数，输入到知识库中进行查询，所述知识库包含问题及对应的答案；

步骤3.若查询失败，则定义本次对话为非标准对话，则对所述用户进行用户画像，并基于所述用户画像，通过深度学习算法对所述用户行为进行预测；

步骤4.基于所述预测结果，将与所述预测结果匹配的答案通过语音方式发送至用户；

步骤5.若所述与所述预测结果匹配的答案错误，则基于所述用户画像设置追问规则，并基于所述规则设置多个追问问题，通过语音方式发送至用户；

步骤6.在收集到所述用户反馈的追问问题的答案后，通过语义解析获取到第二关键词；

步骤7.基于所述第二关键词进行答案集的优先级划分及类型划分；

步骤8.基于所述答案集的优先级和类型划分结果，设置多个典型试错答案，并通过语音方式依次发送至所述用户；

步骤9.若所述多个典型试错答案均为错误答案，将所述第一关键词和第二关键词进行关键词挖掘，并基于挖掘结果设置第三关键词；

步骤10.将所述第三关键词替换掉所述第一关键词，重复上述步骤2-8，直至所述云服务语音反馈给用户的答案为正确答案为止。

可选地，将所述第一关键词和第二关键词进行关键词挖掘，并基于挖掘结果设置第三关键词，包括：

将所述第一关键词、第二关键词进行语义解析；

输出第一关键词和第二关键词的被包含关系词组；

输出第一关键词和第二关键词的包含关系词组；

输出第一关键词和第二关键词的并列关系词组；

输出第一关键词和第二关键词的反义关系词组；

所述被包含关系词组、包含关系词组、并列关系词组和反义关系词组的集合为所述第三关键词。

可选地，在步骤3-步骤10的任一步骤中，所述方法还包括：

基于所述用户的语音数据，对所述用户的情绪进行识别；

并在满足预设条件后转入人工语音客服服务。

可选地，所述基于所述第二关键词进行答案集的优先级划分及类型划分，包括：

将所述答案集依次划分为商品价格与支付类型、商品质量类型和商品使用类型；

设置第二关键词与答案集的优先级关系对照表，基于所述对照表，设置于所述第二关键词对应的多个典型试错答案，并按优先级进行排序。

可选地，所述追问问题包括枚举式问题和开放式问题。

上述提供的基于人工智能的客服对话的方法，通过对用户行为进行预测、设置追问规则、答案分级分类及提供典型试错答案的综合处理方式，将非标准对话进行标准化处理，从而提升了客服答复的成功率，提高了智能客服的处理效率，并提升了用户体验。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。

图1为一个实施例中基于人工智能的客服对话流程示意图。

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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

智能客服为企业与海量用户之间建立了一种基于自然语言的快捷有效的沟通方式，目前已在各个行业广泛应用。目前智能客服服务方式主要有两种，一种是客服人员在收到用户问题后从知识库中找到相应的答案返回给用户，一种是通过机器人客服来解答用户的问题。不管是哪种服务方式，知识库是决定智能客服服务质量的一个重要因素。客服知识库是在客服场景中，用户的问题及相应答案的集合。客服知识库可用于客服人员查阅参考，或者是自主机器人采用匹配、搜索等技术手段直接回答用户的提问。

本发明实施例提供了一种基于人工智能的客服对话方法，如图1所示，该方法包括：

步骤1.云服务器获取用户语音数据，并通过语义解析，提取所述语音数据中的第一关键词；

在用户接通智能客服通道后，即可展开客服通话语音操作，云服务器作为智能客服的大脑，负责查询、检索、解析并反馈语音对话，其中，查询操作可采用传统的关系型数据库的查询语言进行查询，解析操作即通过语音解析技术，对用户输入的语音数据进行语义解析，识别出用户的语言文字，并基于所述语言文字提取出关键词，该关键词为第一关键词，第一关键词可包含一个或多个关键词，例如“XX牌商品今天有优惠促销活动吗？”从语义解析的技术上来分析，可提取出至少两个关键词，即“XX牌商品”和“优惠促销”，关键词的数量依据用户对话的长短不同而不同，在与用户自然交流过程中，不同的关键词，以及关键词的组合均具备不同的含义，云服务器将基于自然语言处理技术进行关键词的确认和提取。

步骤2.对所述第一关键词进行同义词拓展，并将所述扩展后的关键词集合作为输入参数，输入到知识库中进行查询，所述知识库包含问题及对应的答案；

第一关键词是一个个具体的词，通常在处理标准化对话的过程中，需要将具体的词进行关键词的拓展，以方便进行检索查询时能够找到对应的答案，例如上例中，“优惠促销”是一个具体的关键词，将其拓展后，可具备“折扣”“降价”“低价”等多个关键词进行关键词组合，该关键词的组合可形成关键词组，若该词组中，其中任一个关键词经过查询可输出标准答案，则本次查询成功，将输出标准答案反馈至用户，否则失败。

可选地，每条对话记录的对话动作可以采用机器学习模型、深度学习的文本分类模型和/或深度学习的序列标注模型确定。确定。其中，一般的机器学习模型都可以用于确定对话动作，比如SVM(Support Vector Machine)模型、Fast Text模型、KNN(K-NearestNeighbor)模型，如采用机器学习模型，通过机器学习模型来确定每条对话记录的对话动作，既可以采用一个机器学习模型来确定用户语句和客服语句的对话动作，也可以采用两个机器学习模型来分别确定用户语句和客服语句的对话动作。由于用户和客服说的同一句话的意思差别可能会很大，因而采用一个机器学习模型来确定对话动作的效果较差，为了改善分类效果，可以采用两个机器学习模型分别对用户和客服的语句进行分类，确定每条记录的对话动作。将每通对话中的每条对话记录按照对话先后顺序排列好后，把用户的语句输入到一个机器学习模型，把客服的语句输入到一个机器学习模型，确定每个语句的对话动作，这样可以提高效率。当然，如果想得到更准确的分类结果，还可以采用更复杂的深度学习的文本分类模型或深度学习的序列标注模型来确定每条对话记录的对话动作，比如说可以采用深度学习的序列标注模型，将一整通对话构成的对话记录序列以及每条对话记录的角色信息共同输入到深度学习的序列标注模型中，深度学习的序列标注模型可以基于整通对话的上下文信息，判断每条对话记录的对话动作。由于深度学习的序列标注模型可以基于整个对话的上下文信息来确定对话动作分类，这种方法可以得到更加准确的对话动作分类结果。

确定对话中每条对话记录的对话动作后，可以根据每条对话记录的对话动作，将用户问题和客服答案提取出来。然后再确定这些用户问题和客服答案的对应关系。比如说用户问题A对应的答案是客服答案B，用户问题B对应的答案是客服答案C，然后根据问题与答案的对应关系，构建问答对，这些问答对就构成了客服知识库。比如，用户问题A与客服答案B组成一组问答对，用户问题B与客服答案C组成一个问答对。当然有些情况，一个问题可能对应多个答案，或者一个答案对应多个问题。比如，用户问题A与客服答案B组成一组问答对，用户问题A与客服答案D也组成一组问答对。

在某些实施例中，客户问题和客服答案的对应关系可以通过一个问答匹配模型来确定。可以将客户问题和客服答案两两组合输入到问答匹配模型中，问答匹配模型根据客户问题与客服答案的关联程度给每对组合评出一个置信分，然后根据置信分确定所述客户问题与所述客服答案的对应关系，比如置信分高于一定分值的组合，则认为它们之间存在问答关系，该答案是该问题对应的答案，置信分低于一定的分值，则认为它们之间不存在问答关系。例如，提取出来的客户问题有A、B，而提取出来的客服答案有E、F，那么将问题和答案两两组合，得到AE、AF、BE、BF，问答匹配模型会根据这四组组合的关联程度评出一个置信分，比如分值分别为90、40、10、70，假设置信分超过60则认为问题和答案是对应的，因而可以确定问题A对应的答案为E，问题B对应的答案为F，可以构成两个问答对AE，BF。当然，由于一个问题可以对应多个答案，一个答案也可以对应多个问题。

通过以上方法，可以从历史的对话记录中提取出不同的客户问题对应的客服答案，构建客服知识库，整个知识库的构建可以自动进行，无需耗费大量人力成本，且可以覆盖用户各种提问方式，覆盖度较高，通过对问题和答案的全面分析，可以准确地确定问题和答案的对应关系，构建客服知识库。

步骤3.若查询失败，则定义本次对话为非标准对话，则对所述用户进行用户画像，并基于所述用户画像，通过深度学习算法对所述用户行为进行预测；

若查询失败，则确定本次对话为非标准对话。标准对话和非标准对话的区别在于：标准对话是基于固定范式的问题，输出固定范式的答案，而非标准对话则相对开放，没有一个确定的答案。非标准对话一直是人工智能技术的一个难点，其问题开放、涉及到的知识点多样，而解决该问题的方案是知识库图谱，目前的知识库图谱技术中会建立不同知识点之间的关联关系，建立相应的知识库图谱，一定程度上实现开放式问题的准标准化。而本发明实施例中，对于非标准对话的处理也是基于同样的考虑，即将非标准对话进行处理，使得其变为可识别、有标准答案的标准化对话，但是，与现有技术不同的是，本发明实施例将从用户本身的角度出发，基于用户的深度学习，使得对该非标准化的问题进行提前预测。例如，在用户线上购买了某一件商品之后，用户进行语音客服通话，很可能的问题是“快递物流”和“商品使用说明”两个类型，因此，可设置该两个类型的典型答案反馈至用户，做到真正懂用户，理解用户的需求。

用户画像技术是基于用户的兴趣点(Point Of Interest,POI)和基础属性而建立的技术，用户的兴趣点可以从用户的日常购买商品行为，消费行为而进行建模，从而构建该用户的兴趣喜好，基础属性则包括用户年龄，性别，职位等基础信息，基于该用户画像技术可针对性地对用户进行分析，基于用户的历史行为，可预测该用户下一步的行为，从而针对性的进行答案的准备。如上述例子，在用户购买一件商品之后，用户提问“还需要多久到？”该问题中省略了用户购买了该商品这一前提条件，而在获取了用户历史购买行为后，即可通过人工智能技术判断出该对话实际需要问的是“快递物流”的问题，因此，即可相应作出标准化答案。其中，基于人工智能的用户行为预测技术可采用SVM模型或KNN模型进行预测，在算法层面上属于现有技术，这里不再累述。

步骤4.基于所述预测结果，将与所述预测结果匹配的答案通过语音方式发送至用户；

如上述例子，基于该预测结果(快递物流)，即将预测结果匹配的答案(XX快递预计还有2天到达，快递单号XXXXX)发送至用户。

步骤5.若所述与所述预测结果匹配的答案错误，则基于所述用户画像设置追问规则，并基于所述规则设置多个追问问题，通过语音方式发送至用户；

云服务器在反馈该答案后，持续采集该用户的语音输入，并对该语音进行解析，当识别出用户的回答为否定时，判断之前反馈的答案错误，则需要进行关键词的拓展检索。因此，云服务器基于该用户画像，设置追问规则，例如，当前用户在挑选一个商品，该用户为20岁女性用户，则基于用户画像，该用户可能的答案类型包括“商品价格”“商品售后承诺”“商品美观度”等，那么可针对该答案类型，设置追问规则，该追问规则即排除了其他答案类型，集中在“商品价格”“商品售后承诺”“商品美观度”的问题类型中挑选多个追问问题，例如“您是需要介绍这款产品的外观吗？”“您需要知道这款产品的价格吗？”等。并将该追问问题发送给用户。

步骤6.在收集到所述用户反馈的追问问题的答案后，通过语义解析获取到第二关键词；

在收集到追问问题的答案后，即可通过语义解析技术获取到第二关键词，该第二关键词不同于第一关键词，第二关键词是在第一关键词基础之上的进一步限缩性关键词，用于针对性地确定答案范围(答案集)。

步骤7.基于所述第二关键词进行答案集的优先级划分及类型划分；

本发明实施例中，答案集按照类型不同，可分为多种不同类型，如上述实施例提到的“商品介绍”“支付流程”“商品质量”等，并可区分为不同的优先级，如高、中、低优先级，例如，第二关键词包括了多次“售后”、“保质期”、“防水级别”等词语，则判断商品质量类型的答案优先级最高，需要优先反馈给用户，而其次是商品介绍，最后是支付流程，其优先级为：商品质量>商品介绍>支付流程。

步骤8.基于所述答案集的优先级和类型划分结果，设置多个典型试错答案，并通过语音方式依次发送至所述用户；

基于该优先级和类型，即可设置多个典型试错答案，典型试错答案的含义是：一个提问类型对应于多个答案，可在该多个答案中设置一个最常用的答案作为典型答案，该答案并非标准答案，其目的在于试错，即反馈给用户由用户判断该答案是否正确，例如，上述例子中，可设置“商品质量”的一个典型试错答案“防水级别较高，使用3年没有问题”，可设置“商品介绍”的一个典型试错答案“由XX台进行了报道，被评选为XX年度优秀商品”等，试错答案的目的是“先抛”答案，再判断对错，以此来试错，并基于该试错程度动态更新答案优先级和类型，最终会提供至用户一个正确的答案。

步骤9.若所述多个典型试错答案均为错误答案，将所述第一关键词和第二关键词进行关键词挖掘，并基于挖掘结果设置第三关键词；

若均为错误答案(用户在语音对话过程中对该答案持否定态度)。则需要进行第二次关键词的拓展。在语义解析过程中，关键词和关键词之间通常具备如下关系：包含、被包含、并列、同义、相反。如关键词1包含了关键词2，关键词2被关键词1所包含，这是典型的包含关系逻辑，例如车辆包括汽车和自行车，那么汽车和自行车均属于车辆。并列关系和相反关系较为简单，这里不再举例。

因此，将所述第一关键词和第二关键词进行关键词挖掘，并基于挖掘结果设置第三关键词，具体可以为：

将所述第一关键词、第二关键词进行语义解析；

输出第一关键词和第二关键词的被包含关系词组；

输出第一关键词和第二关键词的包含关系词组；

输出第一关键词和第二关键词的并列关系词组；

输出第一关键词和第二关键词的反义关系词组；

所述被包含关系词组、包含关系词组、并列关系词组和反义关系词组的集合为所述第三关键词。

本发明是实施例中，第一，第二，第三关键词均表示一个或多个关键词的集合，而不是仅仅只有一个关键词。

步骤10.将所述第三关键词替换掉所述第一关键词，重复上述步骤2-8，直至所述云服务语音反馈给用户的答案为正确答案为止。

在步骤10中，需要将第三关键词作为新的关键词(即替换掉第一关键词)，重复上述查询、用户行为预测、追问和典型试错答案的步骤，若上述步骤不能满足用户，则继续挖掘出第四、第五…第N关键词，直到反馈给用户的答案为正确答案为止。

可选地，在步骤3-步骤10的任一步骤中，为了考虑到用户的情绪，需要基于所述用户的语音数据，对所述用户的情绪进行识别；并在满足预设条件(例如用户不耐烦、生气或沮丧时)后转入人工语音客服服务。

可选地，所述基于所述第二关键词进行答案集的优先级划分及类型划分，具体为：

将所述答案集依次划分为商品价格与支付类型、商品质量类型和商品使用类型；

设置第二关键词与答案集的优先级关系对照表，基于所述对照表，设置于所述第二关键词对应的多个典型试错答案，并按优先级进行排序。

可选地，所述追问问题包括枚举式问题和开放式问题。

另，需要说明的是，若步骤3-10的任一步骤中，反馈的答案是用户所需要的答案(即正确答案)，该问答流程终止，无需进行下一步骤，而自动进入下一个问答流程中。

上述提供的基于人工智能的客服对话的方法，通过对用户行为进行预测、设置追问规则、答案分级分类及提供典型试错答案的综合处理方式，将非标准对话进行标准化处理，从而提升了客服答复的成功率，提高了智能客服的处理效率，并提升了用户体验。

以上上述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种基于人工智能的客服对话方法，其特征在于，包括：

步骤1.云服务器获取用户语音数据，并通过语义解析，提取所述语音数据中的第一关键词；

步骤2.对所述第一关键词进行同义词拓展，并将所述扩展后的关键词集合作为输入参数，输入到知识库中进行查询，所述知识库包含问题及对应的答案；

步骤3.若查询失败，则定义本次对话为非标准对话，则对所述用户进行用户画像，并基于所述用户画像，通过深度学习算法对所述用户行为进行预测；

步骤4.基于所述预测结果，将与所述预测结果匹配的答案通过语音方式发送至用户；

步骤5.若所述与所述预测结果匹配的答案错误，则基于所述用户画像设置追问规则，并基于所述规则设置多个追问问题，通过语音方式发送至用户；

步骤6.在收集到所述用户反馈的追问问题的答案后，通过语义解析获取到第二关键词；

步骤7.基于所述第二关键词进行答案集的优先级划分及类型划分；

步骤8.基于所述答案集的优先级和类型划分结果，设置多个典型试错答案，并通过语音方式依次发送至所述用户；

步骤9.若所述多个典型试错答案均为错误答案，将所述第一关键词和第二关键词进行关键词挖掘，并基于挖掘结果设置第三关键词；

步骤10.将所述第三关键词替换掉所述第一关键词，重复上述步骤2-8，直至所述云服务语音反馈给用户的答案为正确答案为止。

2.根据权利要求1所述的方法，其特征在于，将所述第一关键词和第二关键词进行关键词挖掘，并基于挖掘结果设置第三关键词，包括：

将所述第一关键词、第二关键词进行语义解析；

输出第一关键词和第二关键词的被包含关系词组；

输出第一关键词和第二关键词的包含关系词组；

输出第一关键词和第二关键词的并列关系词组；

输出第一关键词和第二关键词的反义关系词组；

所述被包含关系词组、包含关系词组、并列关系词组和反义关系词组的集合为所述第三关键词。

3.根据权利要求1所述的方法，其特征在于，在步骤3-步骤10的任一步骤中，所述方法还包括：

基于所述用户的语音数据，对所述用户的情绪进行识别；

并在满足预设条件后转入人工语音客服服务。

4.根据权利要求1所述的方法，其特征在于，所述基于所述第二关键词进行答案集的优先级划分及类型划分，包括：

将所述答案集依次划分为商品价格与支付类型、商品质量类型和商品使用类型；

设置第二关键词与答案集的优先级关系对照表，基于所述对照表，设置于所述第二关键词对应的多个典型试错答案，并按优先级进行排序。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述追问问题包括枚举式问题和开放式问题。

Images