CN111966706A - 官微答复方法及装置 - Google Patents
官微答复方法及装置 Download PDFInfo
- Publication number
- CN111966706A CN111966706A CN202010839008.2A CN202010839008A CN111966706A CN 111966706 A CN111966706 A CN 111966706A CN 202010839008 A CN202010839008 A CN 202010839008A CN 111966706 A CN111966706 A CN 111966706A
- Authority
- CN
- China
- Prior art keywords
- request
- historical
- user
- question
- proposed
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/243—Natural language query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种官微答复方法及装置,该方法包括:利用预先设定的用于判定问题请求是否为无效请求的朴素贝叶斯模型,对用户提出的问题请求进行判定;判定结果不是无效请求时,基于问题请求类型确定模型,确定提出的问题请求的类型;根据提出的问题请求的类型,在银行的知识库中进行查询,得到提出的问题请求对应的答复结果。该方法通过剔除海量无效的问题请求,使得银行官微处理系统能够及时查询并处理用户真正急需解决的问题请求,通过对问题请求类型的判定,针对性地寻找问题请求对应的解决方法,提高了银行官微的处理效率,实现了银行官微对用户的问题请求的及时准确的处理。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种官微答复方法及装置。
背景技术
目前,由于互联网外部环境的复杂性,使得银行的官微答复无法及时回复,导致用户无法准确及时获取问题的答复,使得用户对银行的官微的用户体验感差;同时对银行的官微处理系统而言,对用户问题的处理效率低。
发明内容
本发明实施例提供一种官微答复方法,用以方便互联网用户通过银行官微准确及时获取咨询问题的回复,提高银行官微的处理效率,该方法包括:
获取用户在银行官微上提出的问题请求;
利用预先设定的用于判定问题请求是否为无效请求的朴素贝叶斯模型,对提出的问题请求进行判定;
对提出的问题请求的判定结果不是无效请求时,基于问题请求类型确定模型,确定提出的问题请求的类型;所述问题请求类型确定模型是基于用户的历史请求数据预先建立的神经网络模型;
根据提出的问题请求的类型,在银行的知识库中进行查询,得到提出的问题请求对应的答复结果。
本发明实施例还提供一种官微答复装置,用以方便互联网用户通过银行官微准确及时获取咨询问题的回复,提高银行官微的处理效率,该装置包括:
请求获取模块,用于获取用户在银行官微上提出的问题请求;
无效筛选模块,用于利用预先设定的用于判定问题请求是否为无效请求的朴素贝叶斯模型,对提出的问题请求进行判定;
问题类型判定模块,用于对提出的问题请求的判定结果不是无效请求时,基于问题请求类型确定模型,确定提出的问题请求的类型;所述问题请求类型确定模型是基于用户的历史请求数据预先建立的神经网络模型;
问题查询答复模块,用于根据提出的问题请求的类型,在银行的知识库中进行查询,得到提出的问题请求对应的答复结果。
本发明实施例还提供一种计算机设备,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官微答复方法。
本发明实施例也提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述官微答复方法的计算机程序。
本发明实施例中,通过获取用户在银行官微上提出的问题请求;利用预先设定的用于判定问题请求是否为无效请求的朴素贝叶斯模型,对提出的问题请求进行判定;对提出的问题请求的判定结果不是无效请求时,基于问题请求类型确定模型,确定提出的问题请求的类型;其中,问题请求类型确定模型是基于用户的历史请求数据预先建立的神经网络模型;根据提出的问题请求的类型,在银行的知识库中进行查询,得到提出的问题请求对应的答复结果。通过剔除在银行官微上提出的海量无效的问题请求,使得银行官微处理系统能够及时查询并处理用户真正急需解决的问题请求,通过对问题请求类型的判定,针对性地寻找问题请求对应的解决方法,提高了银行官微的处理效率,实现了银行官微对用户的问题请求的及时准确的处理。
附图说明
为了更清楚地说明本发明实施例的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中官微答复方法的示意图。
图2为本发明具体实施例中步骤102的实现方法示意图。
图3为本发明具体实施例中朴素贝叶斯模型的预先设定过程的示意图。
图4为本发明具体实施例中问题请求类型确定模型的预先建立过程的示意图。
图5为本发明具体实施例中步骤104的实现方法示意图。
图6为本发明一具体应用实施中的基于知识库的百度知道中银行官微的问答系统的结构示意图。
图7为本发明实施例中官微答复装置的示意图。
图8为本发明一具体实施例中官微答复装置的示意图。
图9为本发明另一具体实施例中官微答复装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
本发明实施例提供了一种官微答复方法,用以方便互联网用户通过银行官微准确及时获取咨询问题的回复,提高银行官微的处理效率,,如图1所示,该方法包括:
步骤101:获取用户在银行官微上提出的问题请求;
步骤102:利用预先设定的用于判定问题请求是否为无效请求的朴素贝叶斯模型,对提出的问题请求进行判定;
步骤103:对提出的问题请求的判定结果不是无效请求时,基于问题请求类型确定模型,确定提出的问题请求的类型;
步骤104:根据提出的问题请求的类型,在银行的知识库中进行查询,得到提出的问题请求对应的答复结果。
其中,问题请求类型确定模型是基于用户的历史请求数据预先建立的神经网络模型。
由图1所示流程可以得知,本发明实施例中,通过获取用户在银行官微上提出的问题请求;利用预先设定的用于判定问题请求是否为无效请求的朴素贝叶斯模型,对提出的问题请求进行判定;对提出的问题请求的判定结果不是无效请求时,基于问题请求类型确定模型,确定提出的问题请求的类型;其中,问题请求类型确定模型是基于用户的历史请求数据预先建立的神经网络模型;根据提出的问题请求的类型,在银行的知识库中进行查询,得到提出的问题请求对应的答复结果。通过剔除在银行官微上提出的海量无效的问题请求,使得银行官微处理系统能够及时查询并处理用户真正急需解决的问题请求,通过对问题请求类型的判定,针对性地寻找问题请求对应的解决方法,提高了银行官微的处理效率,实现了银行官微对用户的问题请求的及时准确的处理。
具体实施时,首先获取用户在银行官微上提出的问题请求,主要包括用户对银行所提供的各种业务办理的咨询等问题请求,例如,信用卡有效期到期后如何办理、变更客户联系方式如何操作、小型企业如何申请贷款等咨询问题的请求。其中,官微是指银行的官方微信、官方微博、百度知道上的官微号或官方网站上与用户互动的版本等,任何能让用户向银行官方提出问题的软件、版块或网页等。
获取用户在银行官微上提出的问题请求后,利用预先设定的用于判定问题请求是否为无效请求的朴素贝叶斯模型,对提出的问题请求进行判定,判定提出的问题请求是否为无效请求。具体实施时,如图2所示,包括:
步骤201:根据提出的问题请求的内容,对提出的问题请求进行切分,确定提出的问题请求对应的词条向量;
步骤202:根据提出的问题请求对应的词条向量,生成提出的问题请求对应的词汇表;
步骤203:基于上述词汇表,统计得到提出的问题请求对应的词条向量的频率特征信息;
步骤204:将提出的问题请求对应的词条向量的频率特征信息,输入预先设定的朴素贝叶斯模型中,判定提出的问题请求是否为无效请求。
其中,上述词条向量的频率特征信息具体包括:各个单词的出现频率、标点出现频率、数字出现频率等信息。
具体实施时,上述朴素贝叶斯模型的预先设定过程,如图3所示,包括:
步骤301:获取用户的历史请求数据;
步骤302:根据用户的历史请求数据,对每个历史问题请求进行打标,将有效的历史问题请求打标为正样本,将无效的历史问题请求打标为负样本;
步骤303:根据用户的历史请求数据,确定每个历史问题请求对应的词条向量的频率特征信息;
步骤304:以每个历史问题请求对应的词条向量的频率特征信息为输入,以每个历史问题请求的打标结果为输出,训练朴素贝叶斯分类器,得到上述朴素贝叶斯模型。
判定提出的问题请求是否为无效请求后,对提出的问题请求的判定结果不是无效请求时,基于问题请求类型确定模型,确定提出的问题请求的类型。其中,问题请求类型确定模型是基于用户的历史请求数据预先建立的神经网络模型。
具体实施时,问题请求类型确定模型的预先建立过程,如图4所示,包括:
步骤401:提取得到用户的历史请求数据;
步骤402:根据用户的历史请求数据,进行数据清洗,确定得到用户特征变量;
步骤403:以用户特征变量为输入,用户的历史请求数据中的问题请求类型为输出,构建用于预测问题请求类型的神经网络模型;
步骤404:根据用户的历史请求数据,得到训练数据集和验证数据集;
步骤405:利用训练数据集和验证数据集,对上述神经网络模型参数调整进行训练和验证,得到训练好的问题请求类型确定模型。
其中,用户特征变量,是基于大数据的反复试验,进行数据清洗后利用特征工程得到的,上述用户特征变量具体包括:客户请求时间、当月请求次数、累计请求次数、客户提问所在的版块、客户类型、客户10分钟请求次数和性别等信息。上述问题请求类型,例如可以是坐席回复类型、信用卡业务类型、企业业务类型和海外业务类型等。由于kolmogorov原理可知,一个三层神经网络足以完成任意的n维到m维的映射,因而构建用于预测问题请求类型的神经网络模型时,具体实施时,建立一个三层全连接的神经网络,即能够将多种用户请求映射得到每个请求对应的问题请求类型。
确定提出的问题请求的类型后,根据提出的问题请求的类型,在银行的知识库中进行查询,得到提出的问题请求对应的答复结果。具体实施例中,如图5所示,包括:
步骤501:根据提出的问题请求的类型,在银行的知识库中该类型对应的子知识库中查询;
步骤502:若查询得到匹配度高于第一预定值的知识,将匹配度高于第一预定值的知识,确定为提出的问题请求对应的答复结果;
步骤503:若查询未得到匹配度高于第一预定值的知识,将匹配度高于第二预定值的知识,按照固定话术格式进行整合,将整合后的内容确定为提出的问题请求对应的答复结果。
具体实施时,例如第一预定值为95%、90%或80%等提前设定好的值,匹配度高于第一预定值,证明该知识与问题非常匹配,可作为回复用户问题的答案。第二预定值例如可以是60%、55%或50%等等提前设定好的值,匹配度低于第一预定值但高于第二预定值的知识,与问题的匹配程度不高,但属于该问题的相关或相近内容,可推送给用户,作为参考。固定话术格式例如可以为“尊敬的客户您好,小中猜测您可能想要询问以下问题1.XXXX,2.XXXX,3.XXXX,4.XXXX”。
下面给出一具体实例说明本发明实施例如何进行官微答复。本例应用于银行的官微处理。
申请人发现,目前,银行知识库可以提供知识查询服务给内网系统使用,而互联网外部环境由于环境复杂并未开放使用。导致这一问题的原因在于互联网可能具有海量无效的问答,如果能够处理好这些无效问答,则能够极大方便互联网客户,提升客户的体验感,也提高了银行官微的处理效率。
每天访问百度知道的用户是海量的,访问各个公司或机构的官微的请求也是非常众多的,但这些请求中有的是客户咨询的业务问题,有的可能是一些闲聊或者是恶意攻击的数据,如何有效的过滤这些信息是首要的事情。
本具体实例,建立了一种基于知识库的百度知道中银行官微的问答系统,用以过滤海量的无效请求,将有效请求传送至银行系统内的知识库,通过神经网络模型将有效请求进行知识子类型的分类,最终给用户提供精确的问答体验,简易结构如图6所示,包括:
请求过滤模块601,用于:对收集的用户问题请求进行文本存储,并对请求内容进行切分,取出每个请求对应的词条向量,对词条进行分切,生成一个词汇表;
统计词汇表中各单词的出现频率、标点出现频率、数字出现频率等频率特征信息;
对历史样本进行打标,打标的过程为:采集历史的请求记录,单词出现频率、标点出现频率、数字出现频率等为特征并提取特征的值,对历史的请求记录采集正样本和负样本,分别表示0和1,从而将打标的样本数据作为训练集,训练朴素贝叶斯分类器,得到朴素贝叶斯模型;具体实施时,无效请求打标为负样本,有效请求达标为正样本。
将词汇表中各单词的出现频率、标点出现频率、数字出现频率等频率特征信息,输入朴素贝叶斯模型中,完成海量请求的无效判定。
请求分类模块602,用于:构建神经网络模型对问题请求进行知识子类型分类。
具体的神经网络建立方法为:提取客户请求时间、当月请求次数、累计请求次数、客户提问所在的版块、客户类型、客户10分钟请求次数、性别等信息作为模型特征,建立一个三层神经网络,该神经网络的结构是三层全连接神经网络,输入上述模型特征值,输出是知识子类型的概率。其中,模型特征是经过反复试验和特征工程得到的。上述神经网络模型训练过程为:将请求过滤模块601中人工打标的数据划分为训练集和验证集,不断调整神经网络模型的参数,以不断提高AUC为目标,AUC为ROC(Receiver OperatingCharacteristic)曲线下的面积,得到效果最优的模型。
响应模块603,用于:请求分类模块602对问题请求进行知识子类型分类后,在银行系统的知识库中,查询该知识子类型下的所有知识,如果精准命中,则把命中知识推送给百度知道官微,发送给用户;精准命中是指能够唯一确定的知识,类似于在智能问答机器人中,客户询问问题,知识库给出唯一的答案。如果未命中,则采用固定话术,如“尊敬的客户您好,小中猜测您可能想要询问以下问题1.XXXX,2.XXXX,3.XXXX,4.XXXX”回答,并且将推荐问题推送给百度知道官微,发送给用户。
该基于知识库的百度知道中银行官微的问答系统,能够智能地对海量问答进行过滤,杜绝垃圾请求的骚扰;同时能够对问题请求进行智能的分类,提高知识命中的准确率,极大的提升了互联网客户的客服体验;同时也提高了银行官微的处理效率,只有该系统无法处理的问题,转接给坐席人员处理,降低了坐席人员的回复工作的压力。
上述具体应用的实施仅为举例,其余实施方式不再一一赘述。
基于同一发明构思,本发明实施例还提供一种官微答复装置,由于官微答复装置所解决问题的原理与官微答复方法相似,因此官微答复装置的实施可以参见官微答复方法的实施,重复之处不再赘述,具体结构如图7所示:
请求获取模块701,用于获取用户在银行官微上提出的问题请求;
无效筛选模块702,用于利用预先设定的用于判定问题请求是否为无效请求的朴素贝叶斯模型,对提出的问题请求进行判定;
问题类型判定模块703,用于对提出的问题请求的判定结果不是无效请求时,基于问题请求类型确定模型,确定提出的问题请求的类型;所述问题请求类型确定模型是基于用户的历史请求数据预先建立的神经网络模型;
问题查询答复模块704,用于根据提出的问题请求的类型,在银行的知识库中进行查询,得到提出的问题请求对应的答复结果。
具体实施例中,无效筛选模块702具体用于:
根据提出的问题请求的内容,对提出的问题请求进行切分,确定提出的问题请求对应的词条向量;
根据提出的问题请求对应的词条向量,生成提出的问题请求对应的词汇表;
基于上述词汇表,统计得到提出的问题请求对应的词条向量的频率特征信息;
将提出的问题请求对应的词条向量的频率特征信息,输入预先设定的朴素贝叶斯模型中,判定提出的问题请求是否为无效请求。
具体实施例中,提供一种官微答复装置,如图8所示,在图7的基础上,还包括:朴素贝叶斯模型预建立模块801,用于:
获取用户的历史请求数据;
根据用户的历史请求数据,对每个历史问题请求进行打标,将有效的历史问题请求打标为正样本,将无效的历史问题请求打标为负样本;
根据用户的历史请求数据,确定每个历史问题请求对应的词条向量的频率特征信息;
以每个历史问题请求对应的词条向量的频率特征信息为输入,以每个历史问题请求的打标结果为输出,训练朴素贝叶斯分类器,得到朴素贝叶斯模型。
具体实施例中,还提供一种官微答复装置,在图8或图7的基础上,还包括:一问题请求类型确定模型预建立模块。以图9为例,在图8的基础上还包括:问题请求类型确定模型预建立模块901,用于:
提取得到用户的历史请求数据;
根据用户的历史请求数据,进行数据清洗,确定得到用户特征变量;
以用户特征变量为输入,用户的历史请求数据中的问题请求类型为输出,构建用于预测问题请求类型的神经网络模型;
根据用户的历史请求数据,得到训练数据集和验证数据集;
利用训练数据集和验证数据集,对上述神经网络模型参数调整进行训练和验证,得到训练好的问题请求类型确定模型。
具体实施时,问题查询答复模块704具体用于:
根据提出的问题请求的类型,在银行的知识库中该类型对应的子知识库中查询;
若查询得到匹配度高于第一预定值的知识,将匹配度高于第一预定值的知识,确定为提出的问题请求对应的答复结果;
若查询未得到匹配度高于第一预定值的知识,将匹配度高于第二预定值的知识,按照固定话术格式进行整合,将整合后的内容确定为提出的问题请求对应的答复结果。
本发明实施例还提供一种计算机设备,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官微答复方法。
本发明实施例还提供一种计算机可读存储介质,存储有执行上述官微答复方法的计算机程序。
综上所述,本发明实施例提供的官微答复方法及装置具有如下优点:
通过获取用户在银行官微上提出的问题请求;利用预先设定的用于判定问题请求是否为无效请求的朴素贝叶斯模型,对提出的问题请求进行判定;对提出的问题请求的判定结果不是无效请求时,基于问题请求类型确定模型,确定提出的问题请求的类型;其中,问题请求类型确定模型是基于用户的历史请求数据预先建立的神经网络模型;根据提出的问题请求的类型,在银行的知识库中进行查询,得到提出的问题请求对应的答复结果。通过剔除在银行官微上提出的海量无效的问题请求,使得银行官微处理系统能够及时查询并处理用户真正急需解决的问题请求,通过对问题请求类型的判定,针对性地寻找问题请求对应的解决方法,提高了银行官微的处理效率,实现了银行官微对用户的问题请求的及时准确的处理。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种官微答复方法,其特征在于,包括:
获取用户在银行官微上提出的问题请求;
利用预先设定的用于判定问题请求是否为无效请求的朴素贝叶斯模型,对提出的问题请求进行判定;
对提出的问题请求的判定结果不是无效请求时,基于问题请求类型确定模型,确定提出的问题请求的类型;所述问题请求类型确定模型是基于用户的历史请求数据预先建立的神经网络模型;
根据提出的问题请求的类型,在银行的知识库中进行查询,得到提出的问题请求对应的答复结果。
2.如权利要求1所述的方法,其特征在于,利用预先设定的用于判定问题请求是否为无效请求的朴素贝叶斯模型,对提出的问题请求进行判定,包括:
根据提出的问题请求的内容,对提出的问题请求进行切分,确定提出的问题请求对应的词条向量;
根据提出的问题请求对应的词条向量,生成提出的问题请求对应的词汇表;
基于所述词汇表,统计得到提出的问题请求对应的词条向量的频率特征信息;
将提出的问题请求对应的词条向量的频率特征信息,输入预先设定的朴素贝叶斯模型中,判定提出的问题请求是否为无效请求。
3.如权利要求2所述的方法,其特征在于,所述朴素贝叶斯模型的预先设定过程,包括:
获取用户的历史请求数据;
根据用户的历史请求数据,对每个历史问题请求进行打标,将有效的历史问题请求打标为正样本,将无效的历史问题请求打标为负样本;
根据用户的历史请求数据,确定每个历史问题请求对应的词条向量的频率特征信息;
以每个历史问题请求对应的词条向量的频率特征信息为输入,以每个历史问题请求的打标结果为输出,训练朴素贝叶斯分类器,得到所述朴素贝叶斯模型。
4.如权利要求1所述的方法,其特征在于,所述问题请求类型确定模型的预先建立过程,包括:
提取得到用户的历史请求数据;
根据用户的历史请求数据,进行数据清洗,确定得到用户特征变量;
以用户特征变量为输入,用户的历史请求数据中的问题请求类型为输出,构建用于预测问题请求类型的神经网络模型;
根据用户的历史请求数据,得到训练数据集和验证数据集;
利用训练数据集和验证数据集,对所述神经网络模型参数调整进行训练和验证,得到训练好的问题请求类型确定模型。
5.如权利要求1所述的方法,其特征在于,根据提出的问题请求的类型,在银行的知识库中进行查询,得到提出的问题请求对应的答复结果,包括:
根据提出的问题请求的类型,在银行的知识库中所述类型对应的子知识库中查询;
若查询得到匹配度高于第一预定值的知识,将匹配度高于第一预定值的知识,确定为提出的问题请求对应的答复结果;
若查询未得到匹配度高于第一预定值的知识,将匹配度高于第二预定值的知识,按照固定话术格式进行整合,将整合后的内容确定为提出的问题请求对应的答复结果。
6.一种官微答复装置,其特征在于,包括:
请求获取模块,用于获取用户在银行官微上提出的问题请求;
无效筛选模块,用于利用预先设定的用于判定问题请求是否为无效请求的朴素贝叶斯模型,对提出的问题请求进行判定;
问题类型判定模块,用于对提出的问题请求的判定结果不是无效请求时,基于问题请求类型确定模型,确定提出的问题请求的类型;所述问题请求类型确定模型是基于用户的历史请求数据预先建立的神经网络模型;
问题查询答复模块,用于根据提出的问题请求的类型,在银行的知识库中进行查询,得到提出的问题请求对应的答复结果。
7.如权利要求6所述的装置,其特征在于,所述无效筛选模块具体用于:
根据提出的问题请求的内容,对提出的问题请求进行切分,确定提出的问题请求对应的词条向量;
根据提出的问题请求对应的词条向量,生成提出的问题请求对应的词汇表;
基于所述词汇表,统计得到提出的问题请求对应的词条向量的频率特征信息;
将提出的问题请求对应的词条向量的频率特征信息,输入预先设定的朴素贝叶斯模型中,判定提出的问题请求是否为无效请求。
8.如权利要求7所述的装置,其特征在于,还包括:朴素贝叶斯模型预建立模块,用于:
获取用户的历史请求数据;
根据用户的历史请求数据,对每个历史问题请求进行打标,将有效的历史问题请求打标为正样本,将无效的历史问题请求打标为负样本;
根据用户的历史请求数据,确定每个历史问题请求对应的词条向量的频率特征信息;
以每个历史问题请求对应的词条向量的频率特征信息为输入,以每个历史问题请求的打标结果为输出,训练朴素贝叶斯分类器,得到所述朴素贝叶斯模型。
9.如权利要求6或8所述的装置,其特征在于,还包括:问题请求类型确定模型预建立模块,用于:
提取得到用户的历史请求数据;
根据用户的历史请求数据,进行数据清洗,确定得到用户特征变量;
以用户特征变量为输入,用户的历史请求数据中的问题请求类型为输出,构建用于预测问题请求类型的神经网络模型;
根据用户的历史请求数据,得到训练数据集和验证数据集;
利用训练数据集和验证数据集,对所述神经网络模型参数调整进行训练和验证,得到训练好的问题请求类型确定模型。
10.如权利要求9所述的装置,其特征在于,所述问题查询答复模块具体用于:
根据提出的问题请求的类型,在银行的知识库中所述类型对应的子知识库中查询;
若查询得到匹配度高于第一预定值的知识,将匹配度高于第一预定值的知识,确定为提出的问题请求对应的答复结果;
若查询未得到匹配度高于第一预定值的知识,将匹配度高于第二预定值的知识,按照固定话术格式进行整合,将整合后的内容确定为提出的问题请求对应的答复结果。
11.一种计算机设备,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5任一所述方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至5任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010839008.2A CN111966706B (zh) | 2020-08-19 | 2020-08-19 | 官微答复方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010839008.2A CN111966706B (zh) | 2020-08-19 | 2020-08-19 | 官微答复方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111966706A true CN111966706A (zh) | 2020-11-20 |
CN111966706B CN111966706B (zh) | 2023-08-22 |
Family
ID=73388493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010839008.2A Active CN111966706B (zh) | 2020-08-19 | 2020-08-19 | 官微答复方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111966706B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362815A (zh) * | 2021-06-24 | 2021-09-07 | 达闼机器人有限公司 | 语音交互方法、系统、电子设备及存储介质 |
CN116775882A (zh) * | 2023-06-29 | 2023-09-19 | 山东科技大学 | 一种智慧政务留言处理方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060063345A (ko) * | 2004-12-07 | 2006-06-12 | 한국전자통신연구원 | 정보검색 및 질문응답시스템에서의 하이브리드 기반 질문분류 시스템 및 방법 |
CN109960811A (zh) * | 2019-03-29 | 2019-07-02 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN110766086A (zh) * | 2019-10-28 | 2020-02-07 | 支付宝(杭州)信息技术有限公司 | 基于强化学习模型对多个分类模型进行融合的方法和装置 |
CN111327608A (zh) * | 2020-02-14 | 2020-06-23 | 中南大学 | 基于级联深度神经网络的应用层恶意请求检测方法及系统 |
-
2020
- 2020-08-19 CN CN202010839008.2A patent/CN111966706B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060063345A (ko) * | 2004-12-07 | 2006-06-12 | 한국전자통신연구원 | 정보검색 및 질문응답시스템에서의 하이브리드 기반 질문분류 시스템 및 방법 |
CN109960811A (zh) * | 2019-03-29 | 2019-07-02 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN110766086A (zh) * | 2019-10-28 | 2020-02-07 | 支付宝(杭州)信息技术有限公司 | 基于强化学习模型对多个分类模型进行融合的方法和装置 |
CN111327608A (zh) * | 2020-02-14 | 2020-06-23 | 中南大学 | 基于级联深度神经网络的应用层恶意请求检测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362815A (zh) * | 2021-06-24 | 2021-09-07 | 达闼机器人有限公司 | 语音交互方法、系统、电子设备及存储介质 |
CN116775882A (zh) * | 2023-06-29 | 2023-09-19 | 山东科技大学 | 一种智慧政务留言处理方法及设备 |
CN116775882B (zh) * | 2023-06-29 | 2024-02-27 | 山东科技大学 | 一种智慧政务留言处理方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111966706B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220353B (zh) | 一种智能客服机器人满意度自动评价方法及系统 | |
CN111881302B (zh) | 基于知识图谱的银行舆情分析方法和系统 | |
CN113011973B (zh) | 基于智能合约数据湖的金融交易监管模型的方法及设备 | |
CN106657007A (zh) | 识别基于dbscan模型的非正常批量购票行为的方法 | |
CN111966706A (zh) | 官微答复方法及装置 | |
WO2017129033A1 (zh) | 一种问题推荐方法及设备 | |
Alzahrani et al. | Comparative study of machine learning algorithms for SMS spam detection | |
CN107943791A (zh) | 一种垃圾短信的识别方法、装置和移动终端 | |
CN110648172B (zh) | 一种融合多种移动设备的身份识别方法和系统 | |
CN114612251A (zh) | 风险评估方法、装置、设备及存储介质 | |
CN103744958B (zh) | 一种基于分布式计算的网页分类方法 | |
Chen et al. | The best answers? think twice: online detection of commercial campaigns in the CQA forums | |
CN112801780A (zh) | 基于联邦学习的境内外风险客户识别方法、装置及系统 | |
CN115115369A (zh) | 数据处理方法、装置、设备及存储介质 | |
Boukoros et al. | Modeling server workloads for campus email traffic using recurrent neural networks | |
CN116645134A (zh) | 一种信用卡分期的推荐方法、装置、设备及介质 | |
CN116452212A (zh) | 一种智能客服商品知识库信息管理方法及系统 | |
Kumar et al. | A recurrent neural network model for spam message detection | |
CN113837481B (zh) | 一种基于区块链的金融大数据管理系统 | |
Awasthi et al. | Review of techniques to prevent fake accounts on social media | |
Oveis-Gharan et al. | Multiple classifications for detecting spam email by novel consultation algorithm | |
CN110956471A (zh) | 装修行业征信数据的分析方法 | |
Goel et al. | Machine learning models for customer relationship management to improve satisfaction rate in banking sector | |
Santhikumar et al. | Utilization of Big Data Analytics For Risk Management | |
CN113064944A (zh) | 数据的处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |