CN111858846A - 一种信息处理方法及装置 - Google Patents
一种信息处理方法及装置 Download PDFInfo
- Publication number
- CN111858846A CN111858846A CN202010147299.9A CN202010147299A CN111858846A CN 111858846 A CN111858846 A CN 111858846A CN 202010147299 A CN202010147299 A CN 202010147299A CN 111858846 A CN111858846 A CN 111858846A
- Authority
- CN
- China
- Prior art keywords
- information
- question
- user
- dialogue
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000002787 reinforcement Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种信息处理方法及装置，首先获取目标用户与智能客服的对话信息，并确定所述对话信息是否存在异常；其次，若所述对话信息存在异常，则确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息；然后，根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息；最后，根据所述第一目标提问信息，确定返回给所述目标用户的问题答复信息。本申请通过根据对话信息及对话信息样本，从多个关联提问信息中确定目标提问信息，能够有效识别用户的意图，返回符合用户意图的提问信息识别结果，降低人工介入的情况，效率较高。
Description
技术领域
本申请涉及计算机技术领域，尤其是涉及一种信息处理方法及装置。
背景技术
目前，随着互联网及人工智能的快速发展，智能客服已经得到了广泛的应用。智能客服能够根据用户的提问，识别用户的意图，并返回相应的答复，相对于传统的人工客服，具有优秀的反馈效率和便利性，可以高效识别一些简单的问题，并快速反馈，节约人工资源。有时，用户与智能客服对话时，用户的提问信息可能模糊不清，缺乏关键信息，此时，智能客服会根据用户的提问信息返回一个或数个问题识别结果，用户再选择其中一个符合自身意图的问题识别结果，智能客服再根据用户反馈的问题识别结果对应的问题，返回问题的答复信息。
然而，智能客服返回的问题识别结果可能仍然不符合用户的预期，效率较低。因此，如何有效识别用户的意图，返回正确的识别结果，成为了一个亟待解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种信息处理方法及装置，能够有效识别用户的意图，返回符合用户意图的提问信息识别结果，效率较高。
根据本申请的一个方面，提供一种电子设备，可以包括一个或多个存储介质、一个或多个与存储介质通信的处理器和总线。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行所述机器可读指令，可以执行一个或多个以下操作：
获取目标用户与智能客服的对话信息，并确定所述对话信息是否存在异常；
若所述对话信息存在异常，则确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息；
根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息；
根据所述第一目标提问信息，确定返回给所述目标用户的问题答复信息。
在本申请的一些实施例中，所述对话信息中还包括所述智能客服根据所述用户提问信息反馈的至少一个提问信息识别结果；处理器执行所述机器可读指令时，可以执行一个或多个以下操作：
确定所述对话信息中含有的所述用户提问信息的数量；
若所述对话信息中含有的所述用户提问信息的数量大于预设阈值，且所述对话信息中，所述目标用户针对所述提问信息识别结果的反馈信息的类型为否定信息，则确定所述对话信息存在异常。
在本申请的一些实施例中，处理器执行所述机器可读指令时，可以执行一个或多个以下操作：
根据预先建立的对话信息知识图谱，确定与所述用户提问信息关联的关联提问信息。
在本申请的一些实施例中，处理器执行所述机器可读指令时，可以执行一个或多个以下操作：
根据所述对话信息样本，确定所述对话信息样本中的历史用户提问信息、历史提问信息识别结果及所述对话信息样本对应的用户针对所述历史提问信息识别结果的历史反馈信息；
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息、所述对话信息，以及强化学习模型，从所述关联提问信息中确定第一目标提问信息。
在本申请的一些实施例中，处理器执行所述机器可读指令时，可以执行一个或多个以下操作：
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息，训练所述强化学习模型；
利用训练好的强化学习模型，以及所述对话信息，确定每个所述关联提问信息与所述用户提问信息的相关度；
选取相关度最高的关联提问信息作为所述第一目标提问信息。
在本申请的一些实施例中，处理器执行所述机器可读指令时，可以执行一个或多个以下操作：
若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为否定信息，则利用贪心选择策略及每个所述关联提问信息与所述用户提问信息的相关度，从所述关联提问信息中确定第二目标提问信息。
在本申请的一些实施例中，处理器执行所述机器可读指令时，可以执行一个或多个以下操作：
若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为肯定信息，则利用所述目标用户针对所述问题答复信息的反馈信息及所述对话信息，更新所述对话信息知识图谱。
根据本申请的一个方面，提供一种信息处理方法，包括：
获取目标用户与智能客服的对话信息，并确定所述对话信息是否存在异常；
若所述对话信息存在异常，则确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息；
根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息；
根据所述第一目标提问信息，确定返回给所述目标用户的问题答复信息。
在本申请的一些实施例中，所述对话信息中还包括所述智能客服根据所述用户提问信息反馈的至少一个提问信息识别结果；
所述确定所述对话信息是否存在异常，包括：
确定所述对话信息中含有的所述用户提问信息的数量；
若所述对话信息中含有的所述用户提问信息的数量大于预设阈值，且所述对话信息中，所述目标用户针对所述提问信息识别结果的反馈信息的类型为否定信息，则确定所述对话信息存在异常。
在本申请的一些实施例中，所述确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息，包括：
根据预先建立的对话信息知识图谱，确定与所述用户提问信息关联的关联提问信息。
在本申请的一些实施例中，所述根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息，包括：
根据所述对话信息样本，确定所述对话信息样本中的历史用户提问信息、历史提问信息识别结果及所述对话信息样本对应的用户针对所述历史提问信息识别结果的历史反馈信息；
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息、所述对话信息，以及强化学习模型，从所述关联提问信息中确定第一目标提问信息。
在本申请的一些实施例中，所述根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息、所述对话信息，以及强化学习模型，从所述关联提问信息中确定第一目标提问信息，包括：
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息，训练所述强化学习模型；
利用训练好的强化学习模型，以及所述对话信息，确定每个所述关联提问信息与所述用户提问信息的相关度；
选取相关度最高的关联提问信息作为所述第一目标提问信息。
在本申请的一些实施例中，所述方法还包括：
若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为否定信息，则利用贪心选择策略及每个所述关联提问信息与所述用户提问信息的相关度，从所述关联提问信息中确定第二目标提问信息。
在本申请的一些实施例中，所述方法还包括：
若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为肯定信息，则利用所述目标用户针对所述问题答复信息的反馈信息及所述对话信息，更新所述对话信息知识图谱。
根据本申请的另一个方面，提供一种信息处理装置，包括：
第一确定模块，用于获取目标用户与智能客服的对话信息，并确定所述对话信息是否存在异常；
第二确定模块，用于若所述对话信息存在异常，则确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息；
第三确定模块，用于根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息；
第四确定模块，用于根据所述第一目标提问信息，确定返回给所述目标用户的问题答复信息。
在本申请的一些实施例中，所述对话信息中还包括所述智能客服根据所述用户提问信息反馈的至少一个提问信息识别结果；
所述第一确定模块在确定所述对话信息是否存在异常时，具体用于：
确定所述对话信息中含有的所述用户提问信息的数量；
若所述对话信息中含有的所述用户提问信息的数量大于预设阈值，且所述对话信息中，所述目标用户针对所述提问信息识别结果的反馈信息的类型为否定信息，则确定所述对话信息存在异常。
在本申请的一些实施例中，第二确定模块具体用于：
根据预先建立的对话信息知识图谱，确定与所述用户提问信息关联的关联提问信息。
在本申请的一些实施例中，所述第三确定模块具体用于：
根据所述对话信息样本，确定所述对话信息样本中的历史用户提问信息、历史提问信息识别结果及所述对话信息样本对应的用户针对所述历史提问信息识别结果的历史反馈信息；
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息、所述对话信息，以及强化学习模型，从所述关联提问信息中确定第一目标提问信息。
在本申请的一些实施例中，所述第三确定模块在根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息、所述对话信息，以及强化学习模型，从所述关联提问信息中确定第一目标提问信息时，具体用于：
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息，训练所述强化学习模型；
利用训练好的强化学习模型，以及所述对话信息，确定每个所述关联提问信息与所述用户提问信息的相关度；
选取相关度最高的关联提问信息作为所述第一目标提问信息。
在本申请的一些实施例中，所述装置还包括：
第五确定模块，用于若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为否定信息，则利用贪心选择策略及每个所述关联提问信息与所述用户提问信息的相关度，从所述关联提问信息中确定第二目标提问信息。
在本申请的一些实施例中，所述装置还包括：
更新模块，用于若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为肯定信息，则利用所述目标用户针对所述问题答复信息的反馈信息及所述对话信息，更新所述对话信息知识图谱。
根据本申请的又一方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的信息处理方法的步骤。
本申请实施例提供的信息处理方法及装置，首先获取目标用户与智能客服的对话信息，并确定所述对话信息是否存在异常；其次，若所述对话信息存在异常，则确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息；然后，根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息；最后，根据所述第一目标提问信息，确定返回给所述目标用户的问题答复信息。本申请通过根据对话信息及对话信息样本，从多个关联提问信息中确定目标提问信息，能够有效识别用户的意图，返回符合用户意图的提问信息识别结果，降低人工介入的情况，效率较高。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的一种信息处理方法的流程图；
图2示出了本申请实施例所提供的一种信息处理装置的结构示意图；
图3示出了本申请实施例所提供的另一种信息处理装置的结构示意图；
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
另外，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
目前，随着互联网及人工智能的快速发展，智能客服已经得到了广泛的应用。用户与智能客服对话时，用户的提问信息可能模糊不清，缺乏关键信息，此时，智能客服会根据用户的提问信息返回一个或数个问题识别结果，用户再选择其中一个符合自身意图的问题识别结果，智能客服再根据用户反馈的问题识别结果对应的问题，返回问题的答复信息。
然而，智能客服返回的问题识别结果可能仍然不符合用户的预期，效率较低。因此，如何有效识别用户的意图，返回正确的识别结果，成为了一个亟待解决的问题。
基于此，本申请实施例提供了一种信息处理方法，以提高识别用户意图的精度，提高效率。
请参阅图1，图1为本申请实施例所提供的一种信息处理方法的流程图。如图1中所示，本申请实施例提供的信息处理方法，包括：
S101、获取目标用户与智能客服的对话信息，并确定所述对话信息是否存在异常。
该步骤中，用户与智能客服之间的对话信息会被保存在数据库中，服务器可以从数据库中查询目标用户与智能客服的对话信息，对话信息中可以包括用户的提问信息、智能客服针对用户的提问信息反馈的提问信息识别结果或问题答复信息，以及用户对提问信息识别结果的反馈信息，服务器可以根据对话信息的内容判断对话信息是否存在异常。
示例性的，在一些应用场景中，用户提问信息可能为“服务分”，智能客服无法直接通过“服务分”确定用户的意图，可以对用户提问信息进行识别，将识别结果反馈给用户，提问信息识别结果可以为“服务分如何计算”、“服务分如何提高”等，智能客服可以将一个或多个提问信息识别结果反馈给用户，用户选择一个符合自身意图的提问信息识别结果，服务器再根据用户选择的提问信息识别结果，返回相应的反馈信息，若提问信息识别结果都不符合符合用户意图，用户可以重新进行提问，或选择放弃提问。
进一步的，在一组对话信息中，若用户多次进行了提问，但智能客服返回的提问信息识别结果都不符合用户的意图，则可以确定该对话信息存在异常。
具体的，服务器可以在检测到对话信息中包含有超过预设数量的用户提问信息，且对话信息中每个用户针对提问信息识别结果的反馈信息都是否定类型的反馈信息时，确定该对话信息存在异常。
其中，否定类型可以是用户没有进行选择等反馈，或选择了无正确答复的选项等。
S102、若所述对话信息存在异常，则确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息。
该步骤中，用户可以根据对话信息知识图谱，确定用户提问信息对应的关联提问信息，每个用户提问信息可以对应多个关联提问信息。
其中，对话信息知识图谱可以是根据历史的用户提问信息及当前应用场景的业务类型生成的。
具体的，在用户与智能客服完成一次对话后，可以根据业务类型对该次对话信息进行问题类型的标记，一组对话信息可以有多个问题类型标记，比如，在网约车应用场景中，标记的内容可以为“专车-听单-听单故障”。服务器可以获取这些携带有标签的历史对话信息，再根据标签的内容将多个问题进行分类，得到多个主题，再根据得到的主题和对话信息进行知识图谱的建立。
其中，对话信息知识图谱中包含多种类型的节点，节点可以包括领域节点(如订单类)、主题节点(如订单取消)、问题节点、(如“如何查询服务分”)，节点之间的边标识节点之间的关系，如包含关系、同义/近义词关系、问题类型关系(why、how、where)等。
在建立好对话信息知识图谱后，还可以利用动态数据实时对其进行更新，使对话信息知识图谱更具时效性。
这样，可以确定当前对话信息，在对话信息知识图谱中所属的节点，再根据相邻节点的内容确定关联提问信息。
S103、根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息。
该步骤中，在对话信息知识图谱中确定的关联提问信息通常有多个，但是用户的意图通常是单一的，可以利用强化学习中的策略检索方法，在多个关联提问信息中选取一个。
具体的，可以利用多个对话信息样本及当前的对话信息，通过强化学习确定第一目标提问信息。强化学习的策略中可以包括三个维度，分别是利用、探索、及反馈维度。利用维度是利用对话信息样本，确定用户询问频率较高的提问信息；探索维度是探索在提问信息识别结果中，没有反馈给用户过的提问信息，可以避免盲点；反馈维度，是根据用户针对提问信息识别结果的反馈信息，确定相关类型的关联提问信息与用户意图的相关度。通过上述三个维度，进行机器学习，确定用户的意图，确定与用户提问信息相关度最高的关联提问信息。
其中，对话信息样本可以是多个历史对话信息，能够作为强化学习模型的训练样本。
S104、根据所述第一目标提问信息，确定返回给所述目标用户的问题答复信息。
该步骤中，服务器在确定第一目标提问信息后，可以从业务数据库中，返回与第一目标提问信息对应的问题答复信息。
具体的，问题答复信息可以在对话信息知识图谱中确定。
在一种可能的实施方式中，所述对话信息中还包括所述智能客服根据所述用户提问信息反馈的至少一个提问信息识别结果；
所述确定所述对话信息是否存在异常，包括：
确定所述对话信息中含有的所述用户提问信息的数量；
若所述对话信息中含有的所述用户提问信息的数量大于预设阈值，且所述对话信息中，所述目标用户针对所述提问信息识别结果的反馈信息的类型为否定信息，则确定所述对话信息存在异常。
在一种可能的实施方式中，所述确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息，包括：
根据预先建立的对话信息知识图谱，确定与所述用户提问信息关联的关联提问信息。
在一种可能的实施方式中，所述根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息，包括：
根据所述对话信息样本，确定所述对话信息样本中的历史用户提问信息、历史提问信息识别结果及所述对话信息样本对应的用户针对所述历史提问信息识别结果的历史反馈信息；
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息、所述对话信息，以及强化学习模型，从所述关联提问信息中确定第一目标提问信息。
该步骤中，可以先确定对话信息样本中的历史用户提问信息、历史提问信息识别结果及所述对话信息样本对应的用户针对所述历史提问信息识别结果的历史反馈信息，其中，对话信息样本是数据库中储存的历史用户与智能客服的对话信息，历史用户提问信息即对话信息样本中的用户提问信息，历史提问信息识别结果为智能客服根据历史用户提问信息反馈的提问信息识别结果，历史反馈信息即为历史用户针对历史提问信息识别结果的反馈信息。
进一步的，可以根据历史用户提问信息、历史提问信息识别结果、历史反馈信息训练强化学习模型，强化学习模型中的利用维度是根据历史用户提问信息确定的；探索维度是根据历史提问信息识别结果确定的；反馈维度，是根据历史反馈信息确定的。
在训练好强化学习模型之后，可以将目标用户的用户提问信息及关联提问信息输入至强化学习模型，强化学习模型根据训练好的参数，确定每个关联提问信息与用户提问信息的关联度，并将关联度最高的关联提问信息作为第一目标提问信息输出。
在一种可能的实施方式中，所述根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息、所述对话信息，以及强化学习模型，从所述关联提问信息中确定第一目标提问信息，包括：
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息，训练所述强化学习模型；
利用训练好的强化学习模型，以及所述对话信息，确定每个所述关联提问信息与所述用户提问信息的相关度；
选取相关度最高的关联提问信息作为所述第一目标提问信息。
在一种可能的实施方式中，所述方法还包括：
若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为否定信息，则利用贪心选择策略及每个所述关联提问信息与所述用户提问信息的相关度，从所述关联提问信息中确定第二目标提问信息。
该步骤中，服务器可以根据目标用户的反馈信息，确定问题答复信息是否符合用户的意图，若仍然不符合，则利用贪心选择策略，将关联提问信息中相关度信息次高的提问信息作为第二目标提问信息，并将第二目标提问信息对应的问题答复信息反馈给目标用户。
在一种可能的实施方式中，所述方法还包括：
若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为肯定信息，则利用所述目标用户针对所述问题答复信息的反馈信息及所述对话信息，更新所述对话信息知识图谱。
该步骤中，在目标用户针对所述问题答复信息的反馈信息的类型为肯定信息时，可以确定答复符合用户的意图，可以利用该对话信息更新对话信息知识图谱，增强相关信息的关联强度，优化对话信息知识图谱。
本申请实施例提供的信息处理方法，首先获取目标用户与智能客服的对话信息，并确定所述对话信息是否存在异常；其次，若所述对话信息存在异常，则确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息；然后，根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息；最后，根据所述第一目标提问信息，确定返回给所述目标用户的问题答复信息。本申请通过根据对话信息及对话信息样本，从多个关联提问信息中确定目标提问信息，能够有效识别用户的意图，返回符合用户意图的提问信息识别结果，降低人工介入的情况，效率较高。
请参阅图2、图3，图2为本申请实施例所提供的一种信息处理装置的结构示意图，图3为本申请实施例所提供的另一种信息处理装置的结构示意图。如图2中所示，所述信息处理装置200包括：
第一确定模块210，用于获取目标用户与智能客服的对话信息，并确定所述对话信息是否存在异常；
第二确定模块220，用于若所述对话信息存在异常，则确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息；
第三确定模块230，用于根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息；
第四确定模块240，用于根据所述第一目标提问信息，确定返回给所述目标用户的问题答复信息。
在本申请的一些实施例中，所述对话信息中还包括所述智能客服根据所述用户提问信息反馈的至少一个提问信息识别结果；
所述第一确定模块210在确定所述对话信息是否存在异常时，具体用于：
确定所述对话信息中含有的所述用户提问信息的数量；
若所述对话信息中含有的所述用户提问信息的数量大于预设阈值，且所述对话信息中，所述目标用户针对所述提问信息识别结果的反馈信息的类型为否定信息，则确定所述对话信息存在异常。
在本申请的一些实施例中，第二确定模块220具体用于：
根据预先建立的对话信息知识图谱，确定与所述用户提问信息关联的关联提问信息。
在本申请的一些实施例中，所述第三确定模块230具体用于：
根据所述对话信息样本，确定所述对话信息样本中的历史用户提问信息、历史提问信息识别结果及所述对话信息样本对应的用户针对所述历史提问信息识别结果的历史反馈信息；
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息、所述对话信息，以及强化学习模型，从所述关联提问信息中确定第一目标提问信息。
在本申请的一些实施例中，所述第三确定模块230在根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息、所述对话信息，以及强化学习模型，从所述关联提问信息中确定第一目标提问信息时，具体用于：
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息，训练所述强化学习模型；
利用训练好的强化学习模型，以及所述对话信息，确定每个所述关联提问信息与所述用户提问信息的相关度；
选取相关度最高的关联提问信息作为所述第一目标提问信息。
如图3所示，在本申请的一些实施例中，所述信息处理装置300包括第一确定模块310、第二确定模块、320、第三确定模块330、第四确定模块340以及：
第五确定模块350，用于若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为否定信息，则利用贪心选择策略及每个所述关联提问信息与所述用户提问信息的相关度，从所述关联提问信息中确定第二目标提问信息。
在本申请的一些实施例中，所述信息处理装置300还包括：
更新模块360，用于若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为肯定信息，则利用所述目标用户针对所述问题答复信息的反馈信息及所述对话信息，更新所述对话信息知识图谱。
请参阅图4，图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示，所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令，当电子设备400运行时，所述处理器410与所述存储器420之间通过总线430通信，所述机器可读指令被所述处理器410执行时，可以执行一个或多个以下操作：
获取目标用户与智能客服的对话信息，并确定所述对话信息是否存在异常；
若所述对话信息存在异常，则确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息；
根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息；
根据所述第一目标提问信息，确定返回给所述目标用户的问题答复信息。
在本申请的一些实施例中，所述对话信息中还包括所述智能客服根据所述用户提问信息反馈的至少一个提问信息识别结果；处理器410执行所述机器可读指令时，可以执行一个或多个以下操作：
确定所述对话信息中含有的所述用户提问信息的数量；
若所述对话信息中含有的所述用户提问信息的数量大于预设阈值，且所述对话信息中，所述目标用户针对所述提问信息识别结果的反馈信息的类型为否定信息，则确定所述对话信息存在异常。
在本申请的一些实施例中，处理器410执行所述机器可读指令时，可以执行一个或多个以下操作：
根据预先建立的对话信息知识图谱，确定与所述用户提问信息关联的关联提问信息。
在本申请的一些实施例中，处理器410执行所述机器可读指令时，可以执行一个或多个以下操作：
根据所述对话信息样本，确定所述对话信息样本中的历史用户提问信息、历史提问信息识别结果及所述对话信息样本对应的用户针对所述历史提问信息识别结果的历史反馈信息；
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息、所述对话信息，以及强化学习模型，从所述关联提问信息中确定第一目标提问信息。
在本申请的一些实施例中，处理器410执行所述机器可读指令时，可以执行一个或多个以下操作：
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息，训练所述强化学习模型；
利用训练好的强化学习模型，以及所述对话信息，确定每个所述关联提问信息与所述用户提问信息的相关度；
选取相关度最高的关联提问信息作为所述第一目标提问信息。
在本申请的一些实施例中，处理器410执行所述机器可读指令时，可以执行一个或多个以下操作：
若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为否定信息，则利用贪心选择策略及每个所述关联提问信息与所述用户提问信息的相关度，从所述关联提问信息中确定第二目标提问信息。
在本申请的一些实施例中，处理器410执行所述机器可读指令时，可以执行一个或多个以下操作：
若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为肯定信息，则利用所述目标用户针对所述问题答复信息的反馈信息及所述对话信息，更新所述对话信息知识图谱。
相应的，本申请实施例还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上存储有计算机程序，所述计算机程序被所述处理器运行时执行上述的信息处理方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述的高容量车道确定方法，以解决现有技术中高容量车道确定结果缺乏真实性的技术问题。
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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，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 (10)
1.一种信息处理方法，其特征在于，所述方法包括：
获取目标用户与智能客服的对话信息，并确定所述对话信息是否存在异常；
若所述对话信息存在异常，则确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息；
根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息；
根据所述第一目标提问信息，确定返回给所述目标用户的问题答复信息。
2.根据权利要求1所述的方法，其特征在于，所述对话信息中还包括所述智能客服根据所述用户提问信息反馈的至少一个提问信息识别结果；
所述确定所述对话信息是否存在异常，包括：
确定所述对话信息中含有的所述用户提问信息的数量；
若所述对话信息中含有的所述用户提问信息的数量大于预设阈值，且所述对话信息中，所述目标用户针对所述提问信息识别结果的反馈信息的类型为否定信息，则确定所述对话信息存在异常。
3.根据权利要求2所述的方法，其特征在于，所述确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息，包括：
根据预先建立的对话信息知识图谱，确定与所述用户提问信息关联的关联提问信息。
4.根据权利要求3所述的方法，其特征在于，所述根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息，包括：
根据所述对话信息样本，确定所述对话信息样本中的历史用户提问信息、历史提问信息识别结果及所述对话信息样本对应的用户针对所述历史提问信息识别结果的历史反馈信息；
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息、所述对话信息，以及强化学习模型，从所述关联提问信息中确定第一目标提问信息。
5.根据权利要求4所述的方法，其特征在于，所述根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息、所述对话信息，以及强化学习模型，从所述关联提问信息中确定第一目标提问信息，包括：
根据所述历史用户提问信息、所述历史提问信息识别结果、所述历史反馈信息，训练所述强化学习模型；
利用训练好的强化学习模型，以及所述对话信息，确定每个所述关联提问信息与所述用户提问信息的相关度；
选取相关度最高的关联提问信息作为所述第一目标提问信息。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为否定信息，则利用贪心选择策略及每个所述关联提问信息与所述用户提问信息的相关度，从所述关联提问信息中确定第二目标提问信息。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
若检测到所述目标用户针对所述问题答复信息的反馈信息的类型为肯定信息，则利用所述目标用户针对所述问题答复信息的反馈信息及所述对话信息，更新所述对话信息知识图谱。
8.一种信息处理装置，其特征在于，所述装置包括：
第一确定模块，用于获取目标用户与智能客服的对话信息，并确定所述对话信息是否存在异常；
第二确定模块，用于若所述对话信息存在异常，则确定所述对话信息中至少一个用户提问信息对应的至少一个关联提问信息；
第三确定模块，用于根据所述对话信息，以及多个对话信息样本，从所述关联提问信息中确定第一目标提问信息；
第四确定模块，用于根据所述第一目标提问信息，确定返回给所述目标用户的问题答复信息。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至7任一所述的信息处理方法的步骤。
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上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的信息处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010147299.9A CN111858846A (zh) | 2020-03-05 | 2020-03-05 | 一种信息处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010147299.9A CN111858846A (zh) | 2020-03-05 | 2020-03-05 | 一种信息处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111858846A true CN111858846A (zh) | 2020-10-30 |
Family
ID=72984916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010147299.9A Pending CN111858846A (zh) | 2020-03-05 | 2020-03-05 | 一种信息处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111858846A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113157878A (zh) * | 2021-03-22 | 2021-07-23 | 联想(北京)有限公司 | 一种信息处理方法及装置 |
| CN113609258A (zh) * | 2021-08-14 | 2021-11-05 | 北京庚图科技有限公司 | 一种基于地理信息平台的交互展示方法、电子设备及介质 |
| WO2022095357A1 (zh) * | 2020-11-03 | 2022-05-12 | 平安科技（深圳）有限公司 | 基于人工智能的智能关联答复方法、装置、计算机设备 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102546469A (zh) * | 2011-12-29 | 2012-07-04 | 北京百度网讯科技有限公司 | 一种搜索触发的即时通讯群组建立方法和装置 |
| CN104657346A (zh) * | 2015-01-15 | 2015-05-27 | 深圳市前海安测信息技术有限公司 | 智能交互系统中的问题匹配方法和系统 |
| CN104679910A (zh) * | 2015-03-25 | 2015-06-03 | 北京智齿博创科技有限公司 | 智能应答方法及系统 |
| CN105677783A (zh) * | 2015-12-31 | 2016-06-15 | 上海智臻智能网络科技股份有限公司 | 智能问答系统的信息处理方法及装置 |
| CN107515909A (zh) * | 2017-08-11 | 2017-12-26 | 深圳市耐飞科技有限公司 | 一种视频推荐方法及系统 |
| US20180373782A1 (en) * | 2017-06-27 | 2018-12-27 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for recommending answer to question based on artificial intelligence |
| CN109189881A (zh) * | 2018-06-20 | 2019-01-11 | 网宿科技股份有限公司 | 人机交互方法及智能机器人 |
| CN109242522A (zh) * | 2017-07-11 | 2019-01-18 | 深圳乐信软件技术有限公司 | 目标用户识别模型建立、目标用户识别方法及装置 |
| CN109451038A (zh) * | 2018-12-06 | 2019-03-08 | 北京达佳互联信息技术有限公司 | 一种信息推送方法、装置、服务器及计算机可读存储介质 |
| CN109783617A (zh) * | 2018-12-11 | 2019-05-21 | 平安科技（深圳）有限公司 | 用于答复问题的模型训练方法、装置、设备及存储介质 |
| CN110008327A (zh) * | 2019-04-01 | 2019-07-12 | 河北省讯飞人工智能研究院 | 法律回答生成方法及装置 |
| CN110390108A (zh) * | 2019-07-29 | 2019-10-29 | 中国工商银行股份有限公司 | 基于深度强化学习的任务型交互方法和系统 |
| CN110737763A (zh) * | 2019-10-18 | 2020-01-31 | 成都华律网络服务有限公司 | 一种融合知识图谱和深度学习的中文智能问答系统及方法 |
| JP2022086817A (ja) * | 2020-11-30 | 2022-06-09 | 凸版印刷株式会社 | 質問応答システム、及び質問応答方法 |
-
2020
- 2020-03-05 CN CN202010147299.9A patent/CN111858846A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102546469A (zh) * | 2011-12-29 | 2012-07-04 | 北京百度网讯科技有限公司 | 一种搜索触发的即时通讯群组建立方法和装置 |
| CN104657346A (zh) * | 2015-01-15 | 2015-05-27 | 深圳市前海安测信息技术有限公司 | 智能交互系统中的问题匹配方法和系统 |
| CN104679910A (zh) * | 2015-03-25 | 2015-06-03 | 北京智齿博创科技有限公司 | 智能应答方法及系统 |
| CN105677783A (zh) * | 2015-12-31 | 2016-06-15 | 上海智臻智能网络科技股份有限公司 | 智能问答系统的信息处理方法及装置 |
| US20180373782A1 (en) * | 2017-06-27 | 2018-12-27 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for recommending answer to question based on artificial intelligence |
| CN109242522A (zh) * | 2017-07-11 | 2019-01-18 | 深圳乐信软件技术有限公司 | 目标用户识别模型建立、目标用户识别方法及装置 |
| CN107515909A (zh) * | 2017-08-11 | 2017-12-26 | 深圳市耐飞科技有限公司 | 一种视频推荐方法及系统 |
| CN109189881A (zh) * | 2018-06-20 | 2019-01-11 | 网宿科技股份有限公司 | 人机交互方法及智能机器人 |
| CN109451038A (zh) * | 2018-12-06 | 2019-03-08 | 北京达佳互联信息技术有限公司 | 一种信息推送方法、装置、服务器及计算机可读存储介质 |
| CN109783617A (zh) * | 2018-12-11 | 2019-05-21 | 平安科技（深圳）有限公司 | 用于答复问题的模型训练方法、装置、设备及存储介质 |
| CN110008327A (zh) * | 2019-04-01 | 2019-07-12 | 河北省讯飞人工智能研究院 | 法律回答生成方法及装置 |
| CN110390108A (zh) * | 2019-07-29 | 2019-10-29 | 中国工商银行股份有限公司 | 基于深度强化学习的任务型交互方法和系统 |
| CN110737763A (zh) * | 2019-10-18 | 2020-01-31 | 成都华律网络服务有限公司 | 一种融合知识图谱和深度学习的中文智能问答系统及方法 |
| JP2022086817A (ja) * | 2020-11-30 | 2022-06-09 | 凸版印刷株式会社 | 質問応答システム、及び質問応答方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022095357A1 (zh) * | 2020-11-03 | 2022-05-12 | 平安科技（深圳）有限公司 | 基于人工智能的智能关联答复方法、装置、计算机设备 |
| CN113157878A (zh) * | 2021-03-22 | 2021-07-23 | 联想(北京)有限公司 | 一种信息处理方法及装置 |
| CN113609258A (zh) * | 2021-08-14 | 2021-11-05 | 北京庚图科技有限公司 | 一种基于地理信息平台的交互展示方法、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111858846A (zh) | 一种信息处理方法及装置 | |
| CN112463949B (zh) | 数据召回方法与系统、交互方法及交互系统 | |
| CN110209790B (zh) | 问答匹配方法和装置 | |
| US11392757B2 (en) | Management of annotation jobs | |
| CN110765342A (zh) | 信息查询方法及装置、存储介质、智能终端 | |
| JP5682448B2 (ja) | 因果単語対抽出装置、因果単語対抽出方法および因果単語対抽出用プログラム | |
| CN110738511A (zh) | 智能客服方法及装置 | |
| CN118093813A (zh) | 基于大语言模型的信息处理方法、装置、存储介质及设备 | |
| CN112580896A (zh) | 知识点预测方法、装置、设备及存储介质 | |
| CN115658910A (zh) | 知识问答方法、装置、电子设备和可读存储介质 | |
| CN109693244B (zh) | 优化对话机器人的方法及装置 | |
| CN115374259A (zh) | 一种问答数据挖掘方法、装置及电子设备 | |
| Celikkan et al. | A consolidated approach for design pattern recommendation | |
| CN116186223A (zh) | 一种金融文本处理方法、装置、设备和存储介质 | |
| CN115409042A (zh) | 一种基于思维导图的机器人问答方法及装置 | |
| CN115630147A (zh) | 应答方法、装置、电子设备及存储介质 | |
| CN111881266B (zh) | 一种应答方法及装置 | |
| CN113704422A (zh) | 一种文本推荐方法、装置、计算机设备和存储介质 | |
| CN113628077A (zh) | 生成不重复考题的方法、终端及可读存储介质 | |
| CN113157878A (zh) | 一种信息处理方法及装置 | |
| CN116051018B (zh) | 选举处理方法、装置、电子设备及计算机可读存储介质 | |
| CN114548796B (zh) | 变更处理方法、装置及计算机可读存储介质 | |
| CN116578695B (zh) | 一种基于dfs算法的出题组卷方法及系统 | |
| CN118364078A (zh) | 基于大语言处理模型的问题答案确定方法及装置 | |
| CN115757719A (zh) | 挖掘目标问答对的方法、电子设备及计算机可读存储介质 |
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 |