CN111985934A - 智能客服对话模型构建方法及应用 - Google Patents

智能客服对话模型构建方法及应用 Download PDF

Info

Publication number
CN111985934A
CN111985934A CN202010753079.0A CN202010753079A CN111985934A CN 111985934 A CN111985934 A CN 111985934A CN 202010753079 A CN202010753079 A CN 202010753079A CN 111985934 A CN111985934 A CN 111985934A
Authority
CN
China
Prior art keywords
customer service
intelligent customer
module
vector
core component
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
Application number
CN202010753079.0A
Other languages
English (en)
Inventor
周韶宁
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.)
Zhejiang Baishi Technology Co Ltd
Original Assignee
Zhejiang Baishi Technology 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 Zhejiang Baishi Technology Co Ltd filed Critical Zhejiang Baishi Technology Co Ltd
Priority to CN202010753079.0A priority Critical patent/CN111985934A/zh
Publication of CN111985934A publication Critical patent/CN111985934A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了智能客服对话模型构建方法及应用，属于智能客服技术领域。智能客服对话模型构建方法，包括以下步骤：S1、对客户与智能客服之间的对话进行量化，得到对话向量；S2、基于深度学习模型，构建模型的损失函数；S3、准备学习模型的训练数据集，进行训练。通过构建的损失函数，能够使客户输入与意图、意图与意图分得更开，从而使用户意图识别准确率更高。智能客服系统包括智能客服核心组件，CTI模块、NLU模块、WEBCS模块、ASR模块、TTS模块，能减轻人工客服压力，降低企业运营成本。

Description

智能客服对话模型构建方法及应用
技术领域
本发明属于智能客服技术领域，具体地指智能客服对话模型构建方法及应用。
背景技术
目前越来越多的企业开始使用智能客服来服务客户，以减轻人工客服的压力，降低企业的运营成本。但现有的智能客服的服务效果不好，常常无法准确地识别用户的意图。
发明内容
为解决现有技术中智能客服常常无法准确地识别用户意图等问题，本发明提供一种智能客服对话模型构建方法及应用。
本发明采用的技术方案为：智能客服对话模型构建方法，包括以下步骤：
S1、对客户与智能客服之间的对话进行量化，得到对话向量；
S2、基于深度学习模型，构建模型的损失函数，损失函数的计算公式为
Figure BDA0002610652520000011
其中，i∈1,2,3,...,n，n表示样本数量；j∈1,2,3,...,m，m表示意图数量；xi为样本，特征化后为样本特征化向量；yj为xi的真实意图，特征化后为意图特征化向量；y'j为yj的最相近意图；sim(xi,yj)为样本xi与真实意图yj的相似度；sim(xi,y'j)为样本xi与最相近意图y'j的相似度；sim(yj,y'j)为真实意图yj与最相近意图y'j的相似度；
S3、准备学习模型的训练数据集，进行训练。
样本的特征化包括以下步骤：
1)对样本进行词级别的分词，对词级别分词得到的每一个词进行特征提取，得到每一个词的向量，对每一个词的向量进行加权平均，得到第一向量；
2)对样本进行字符级别的分词，对字符级别分词得到的每一个字符进行特征提取，得到每一个字符的向量，对每一个字符的向量进行加权平均，得到第二向量；
3)将第一向量和第二向量进行拼接，得到样本特征化向量。
步骤1)中，对每一个词的向量进行加权平均采用的公式为
Figure BDA0002610652520000012
其中，A为第一向量，h∈1,2,3,...,c，c为词级别分词得到的词的数量，ah为词级别分词得到的词的向量。
步骤2)中，对每一个字符的向量进行加权平均采用的公式为
Figure BDA0002610652520000021
其中，B为第二向量，k∈1,2,3,...,d，d为字符级别分词得到的字符的数量，bk为字符级别分词得到的字符的向量。
步骤S3中，训练时样本的权重的计算公式为：
Figure BDA0002610652520000022
其中，wp为属于第p个意图类别的样本占所有样本的比例，wp∈(0,1)，w'p为训练时属于第p个意图类别的样本的权重。
步骤S3中，使用线性增长batch size，以每次迭代线性增长输入样本的训练方式进行分批训练。
智能客服系统，包括智能客服核心组件，CTI模块、NLU模块、WEBCS模块、ASR模块、TTS模块；所述NLU模块用于对输入信息进行意图识别和对话模型训练，所述对话模型采用权利要求1至6任一项所述的智能客服对话模型构建方法进行构建；
当输入信息为语音流时，CTI模块将客户的语音流传输给智能客服核心组件；智能客服核心组件再将语音流传输给ASR模块；ASR模块将语音流转化为文本信息，再将文本信息传输回智能客服核心组件；智能客服核心组件在得到ASR模块传输的文本信息后，将文本信息传输给NLU模块；NLU模块对文本信息进行意图识别后，根据训练好的模型，自动计算出回复话术文本，NLU模块将智能推荐的话术文本发送给智能客服核心组件，智能客服核心组件把话术文本提供给TTS模块；TTS模块把话术文本转化为话术语音，并将话术语音传输给智能客服核心组件；智能客服核心组件将话术语音传输给CTI模块；CTI模块播放话术语音；
当输入信息为文本消息时，WEBCS模块将文本消息发送给智能客服核心组件，智能客服核心组件将文本消息发送给NLU模块；NLU模块对文本消息进行意图识别后，根据训练好的模型，自动计算出回复话术文本，之后NLU模块将智能推荐的话术文本发送给智能客服核心组件；智能客服核心组件把话术文本发送到交互界面。
NLU模块在收到智能客服核心组件发送的文本消息后，还从文本消息中提取槽位信息，并将提取的槽位信息发送给智能客服核心组件。
所述的智能客服系统还包括CRM系统，智能客服核心组件根据NLU提取的槽位信息，将工单推送给CRM系统。
所述的智能客服系统还包括BI模块，BI模块与智能客服核心组件连接，用于统计分析数据，汇总分析报表。
本发明的有益效果有：通过构建的损失函数，样本与真实意图的相似度取反，样本与最相近意图相似度取正，真实意图与最相近意图取正，能够使客户输入与意图、意图与意图分得更开，从而使用户意图识别准确率更高。
附图说明
图1为本发明智能客服对话模型构建方法整体流程图。
图2为本发明一实施例中智能客服系统的整体架构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。为了突出本发明的重点，本文对一些常规的设备、装置、部件和操作进行了省略，或仅作简单描述。
智能联络中心平台，包括流程配置平台和智能客服系统。
所述流程配置平台包括前端和后端。前端使用H5技术，采用react框架，能够快速高效地开发应用。前端应用部署在nginx服务器上，具有内存小，并发高的特点。前端页面功能上，根据业务场景，抽象了一些特定关键的节点，以及物流行业客服需要使用的动作节点。用户通过拖动节点的方式，可以画出类似流程图的图例，通过界面的自主配置，可以完成一个完整的客服场景的流程。
后端应用使用Java开发，基于springboot框架，以微服务的形式对前端提供服务，可水平动态扩展。前端配置的流程节点，在后端以动态脚本的方式存储，结合一些关键数据表的信息，就能实现客服流程的动态化配置。
用户进入流程配置平台进行配置时，根据实际的业务流程，选择不同的节点，在节点上配置不同的意图和参数，逐渐完成一整个流程的配置；流程配置保存时会校验流程是否完整，如果流程完整，可以点击发布流程；流程发布后即可在生产环境中使用。该配置平台能够满足客户流程快速变动的需求。
所述智能客服系统包括智能客服核心组件、CTI(Computer TelecommunicationIntegration，计算机电话集成)模块、MRCP(Media Resource Control Protocol，媒体资源控制协议)模块、WEBCS(页面交互)模块、NLU(Natural Language Understanding，自然语言理解)模块、ASR(Automatic Speech Recognition，自动语音识别)模块、TTS(Text ToSpeech，从文本到语音)模块、CRM(Customer Relationship Management，客户关系管理)系统和BI(Business Intelligence，商业智能)模块。
所述CTI模块与MRCP模块连接，MRCP模块与智能客服核心组件连接。CTI模块集成了UniMRCP(UniMRCP是一个开源的、跨平台的MRCP协议项目)的客户端，用于接入电话，将语音流传输给MRCP模块，也用于播放话术语音。MRCP模块是UniMRCP的服务端，用于通过MRCP协议对CTI模块进行控制，在接收到CTI模块发送的语音流后，MRCP模块将语音流传输给智能客服核心组件；在接收到智能客服核心组件发送的话术语音后，MRCP模块将话术语音传输给CTI模块。
所述WEBCS模块与智能客服核心组件连接，用于支持在微信公众号、小程序和官网等页面与客户进行交互。
所述NLU模块与智能客服核心组件连接，用于对客户的话(即输入信息)进行意图识别和对话模型训练。
所述ASR模块与智能客服核心组件连接，用于将语音流转化为文本。
所述TTS模块与智能客服核心组件连接，用于将文字转化为语音播报给客户。
所述CRM系统与智能客服核心组件连接，用于记录客户的来访意图，流转工单。
所述BI模块与智能客服核心组件连接，用于统计分析数据，汇总出各类分析报表。
当客户以电话形式进行咨询时(即当输入信息为语音流时)，CTI模块将客户的语音流传输给MRCP模块。MRCP模块将接收到的语音流传输给智能客服核心组件。智能客服核心组件再将语音流传输给ASR模块。ASR模块将语音流转化为文本信息，再将文本信息传输回智能客服核心组件。智能客服核心组件在得到ASR模块传输的文本信息后，将文本信息传输给NLU模块。
在一优选实施例中，NLU模块对文本消息进行意图识别，并从客户发送的文本消息中提取一些关键的槽位信息，之后NLU模块将识别得到的客户意图文本和提取的槽位信息传输回智能客服核心组件，智能客服核心组件根据客户意图，结合关键的槽位信息，进入相应的流程节点，获取对应的配置话术文本，然后把话术文本提供给TTS模块。
在另一优选实施例中，NLU模块对文本消息进行意图识别后，根据训练好的模型，自动计算出合理的回复话术文本，并从客户发送的文本消息中提取一些关键的槽位信息，之后NLU模块将智能推荐的话术文本和提取的槽位信息发送给智能客服核心组件，智能客服核心组件把话术文本提供给TTS模块。
TTS模块把话术文本转化为话术语音，并将话术语音传输给智能客服核心组件。智能客服核心组件将话术语音传输给MRCP模块，MRCP模块再将话术语音传输给CTI模块。CTI模块播放话术语音。
当客户在微信公众号、小程序和官网等页面，通过WEBCS模块提供的交互界面，向智能客服核心组件发送文本消息时(即当输入信息为文本消息时，WEBCS模块将文本消息发送给智能客服核心组件)，智能客服核心组件将文本消息发送给NLU模块。
在一优选实施例中，NLU模块对文本消息进行意图识别，并从客户发送的文本消息中提取一些关键的槽位信息，之后NLU模块将识别得到的客户意图文本和提取的槽位信息传输回智能客服核心组件，智能客服核心组件根据客户意图，结合关键的槽位信息，进入相应的流程节点，获取对应的配置话术文本，然后把话术文本发送到交互界面。
在另一优选实施例中，NLU模块对文本消息进行意图识别后，根据训练好的模型，自动计算出合理的回复话术文本，并从客户发送的文本消息中提取一些关键的槽位信息，之后NLU模块将智能推荐的话术文本和提取的槽位信息发送给智能客服核心组件，智能客服核心组件把话术文本发送到交互界面。
客户根据话术文本继续输入相应的内容；客户和智能客服不断进行对话交互，直到客户服务完成。智能客服核心组件根据NLU提取的槽位信息，将工单推送给CRM系统。该智能客服能够帮助搭建企业用户与海量客户之间快捷有效地沟通渠道，树立服务形象，提高客户满意度，同时也能减轻客服压力，降低企业运营成本，帮助企业提高优化客户关系的决策能力和运营能力。
其中，对话模型的构建方法包括以下步骤：
S1、对客户与智能客服之间的对话(包括客户输入和智能客服回应，所述回应包括话术回应和动作回应)one hot编码，进行量化，得到对话向量。
S2、基于NTM(神经网络图灵机)深度学习模型，构建模型的损失函数。损失函数的计算公式为：
Figure BDA0002610652520000051
其中i∈1,2,3,...,n，n表示样本数量(所述样本指的是已经标注的客户输入的话，已经标注指的是已经经过人工标注该输入的话属于哪个意图)；j∈1,2,3,...,m，m表示意图数量；xi为样本，特征化后为样本特征化向量(一个1039维度的向量)；yj为xi的真实意图，特征化后为意图特征化向量(一个m维度的向量)；y'j为yj的最相近意图；sim(xi,yj)为样本xi与真实意图yj的相似度，采用余弦距离衡量；sim(xi,y'j)为样本xi与最相近意图y'j的相似度，采用余弦距离衡量；sim(yj,y'j)为真实意图yj与最相近意图y'j的相似度，采用余弦距离衡量。计算公式含义为：样本与真实意图的相似度取反，样本与最相近意图相似度取正，真实意图与最相近意图取正。这种方式使客户输入与意图、意图与意图分得更开。
具体的，样本的特征化的步骤如下：
1)对样本进行词级别的分词；对词级别分词得到的每一个词使用mitie特征提取算法进行特征提取，得到每一个词的271维度的向量；将每一个词的向量进行加权平均，得到一个271维度的第一向量A；加权平均公式为
Figure BDA0002610652520000061
h∈1,2,3,...,c，其中，c为词级别分词得到的词的数量，ah为词级别分词得到的词的向量。
2)对样本进行字符级别的分词；对字符级别分词得到的每一个字符使用bert特征提取算法进行特征提取，得到每一个字符的768维度的向量；将每一个字符的向量进行加权平均，得到一个768维度的第二向量B；加权平均公式为
Figure BDA0002610652520000062
k∈1,2,3,...,d，其中，d为字符级别分词得到的字符的数量，bk为字符级别分词得到的字符的向量。
3)将第一向量A和第二向量B进行拼接，得到一个1039维度的向量C，即样本特征化向量。
以“我要寄快递”为例，首先经过词级别的分词得到“我∣要∣寄∣快递”，对每个词级别分词得到的词使用mitie特征提取算法得到4个271维度的向量，将4个271维度的向量进行加权平均，得到一个271维度的向量A；其次通过字符级别的分词得到“我∣要∣寄∣快∣递”，对每个字符级别分词得到的字符使用bert算法进行特征量化得到5个768维度的向量，将5个768维度的向量进行加权平均，得到一个768维度的向量B；最终将向量A与向量B进行拼接，得到一个1039维度的向量C＝[AB]。
对样本进行词级别的特征提取和字符级别的特征提取，并将两种特征进行拼接，对输入做做embedding，将最终结果输入分类器，能够从特征提取环节大幅提升了意图识别准确率。
S3、准备学习模型的训练数据集，使用线性增长batch size，以每次迭代线性增长输入样本的训练方式进行分批训练。
设yp＝y1,y2,y3,...,ye，wp＝w1,w2,w3,...,we，其中yp表示是第p个意图类别，e表示共有e个意图类别，wp为属于第p个意图类别的样本占所有样本的比例，其中wp∈(0,1)，实际训练时使用的属于第p个意图类别的样本的权重为
Figure BDA0002610652520000071
如此以提高训练样本少的意图类别识别准确率。此外，还可通过对训练样本较少的意图类别进行增采样，对样本数量少的意图类别进行针对性标注等方式提高训练样本少的意图类别识别准确率。
现有技术中NLU模块意图识别准确率仅为70％左右，而本发明中NLU模块意图识别准确率可达95％。
对话模型的优化过程为：当客户服务结束后，NLU模块自动获取客户表述内容中关键的槽位信息(例如运单号、地址、电话等)，在系统中自动录单和转单；NLU获取的客户服务对话会进入后续的标注训练过程，对话模型经过不断训练，回复的准确率也会不断地提高。
需要理解到的是：虽然本发明已通过具体实施方式对其进行了较为详细的描述，但这些描述并非对本发明专利范围的限制，在此基础上所做出的未超出权利要求保护范围的任何形式和细节的变动，均属于本发明所保护的范围。

Claims (10)

1.智能客服对话模型构建方法，其特征在于，包括以下步骤：
S1、对客户与智能客服之间的对话进行量化，得到对话向量；
S2、基于深度学习模型，构建模型的损失函数，损失函数的计算公式为
Figure FDA0002610652510000011
其中，i∈1,2,3,...,n，n表示样本数量；j∈1,2,3,...,m，m表示意图数量；xi为样本，特征化后为样本特征化向量；yj为xi的真实意图，特征化后为意图特征化向量；y'j为yj的最相近意图；sim(xi,yj)为样本xi与真实意图yj的相似度；sim(xi,y'j)为样本xi与最相近意图y'j的相似度；sim(yj,y'j)为真实意图yj与最相近意图y'j的相似度；
S3、准备学习模型的训练数据集，进行训练。
2.根据权利要求1所述的智能客服对话模型构建方法，其特征在于，样本的特征化包括以下步骤：
1)对样本进行词级别的分词，对词级别分词得到的每一个词进行特征提取，得到每一个词的向量，对每一个词的向量进行加权平均，得到第一向量；
2)对样本进行字符级别的分词，对字符级别分词得到的每一个字符进行特征提取，得到每一个字符的向量，对每一个字符的向量进行加权平均，得到第二向量；
3)将第一向量和第二向量进行拼接，得到样本特征化向量。
3.根据权利要求2所述的智能客服对话模型构建方法，其特征在于，步骤1)中，对每一个词的向量进行加权平均采用的公式为
Figure FDA0002610652510000012
其中，A为第一向量，h∈1,2,3,...,c，c为词级别分词得到的词的数量，ah为词级别分词得到的词的向量。
4.根据权利要求2所述的智能客服对话模型构建方法，其特征在于，步骤2)中，对每一个字符的向量进行加权平均采用的公式为
Figure FDA0002610652510000013
其中，B为第二向量，k∈1,2,3,...,d，d为字符级别分词得到的字符的数量，bk为字符级别分词得到的字符的向量。
5.根据权利要求1所述的智能客服对话模型构建方法，其特征在于，步骤S3中，训练时样本的权重的计算公式为：
Figure FDA0002610652510000021
其中，wp为属于第p个意图类别的样本占所有样本的比例，wp∈(0,1)，w'p为训练时属于第p个意图类别的样本的权重。
6.根据权利要求1所述的智能客服对话模型构建方法，其特征在于，步骤S3中，使用线性增长batch size，以每次迭代线性增长输入样本的训练方式进行分批训练。
7.智能客服系统，其特征在于，包括智能客服核心组件，CTI模块、NLU模块、WEBCS模块、ASR模块、TTS模块；所述NLU模块用于对输入信息进行意图识别和对话模型训练，所述对话模型采用权利要求1至6任一项所述的智能客服对话模型构建方法进行构建；
当输入信息为语音流时，CTI模块将客户的语音流传输给智能客服核心组件；智能客服核心组件再将语音流传输给ASR模块；ASR模块将语音流转化为文本信息，再将文本信息传输回智能客服核心组件；智能客服核心组件在得到ASR模块传输的文本信息后，将文本信息传输给NLU模块；NLU模块对文本信息进行意图识别后，根据训练好的模型，自动计算出回复话术文本，NLU模块将智能推荐的话术文本发送给智能客服核心组件，智能客服核心组件把话术文本提供给TTS模块；TTS模块把话术文本转化为话术语音，并将话术语音传输给智能客服核心组件；智能客服核心组件将话术语音传输给CTI模块；CTI模块播放话术语音；
当输入信息为文本消息时，WEBCS模块将文本消息发送给智能客服核心组件，智能客服核心组件将文本消息发送给NLU模块；NLU模块对文本消息进行意图识别后，根据训练好的模型，自动计算出回复话术文本，之后NLU模块将智能推荐的话术文本发送给智能客服核心组件；智能客服核心组件把话术文本发送到交互界面。
8.根据权利要求7所述的智能客服系统，其特征在于，NLU模块在收到智能客服核心组件发送的文本消息后，还从文本消息中提取槽位信息，并将提取的槽位信息发送给智能客服核心组件。
9.根据权利要求8所述的智能客服系统，其特征在于，还包括CRM系统，智能客服核心组件根据NLU提取的槽位信息，将工单推送给CRM系统。
10.根据权利要求7所述的智能客服系统，其特征在于，还包括BI模块，BI模块与智能客服核心组件连接，用于统计分析数据，汇总分析报表。
CN202010753079.0A 2020-07-30 2020-07-30 智能客服对话模型构建方法及应用 Pending CN111985934A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010753079.0A CN111985934A (zh) 2020-07-30 2020-07-30 智能客服对话模型构建方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010753079.0A CN111985934A (zh) 2020-07-30 2020-07-30 智能客服对话模型构建方法及应用

Publications (1)

Publication Number Publication Date
CN111985934A true CN111985934A (zh) 2020-11-24

Family

ID=73445559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010753079.0A Pending CN111985934A (zh) 2020-07-30 2020-07-30 智能客服对话模型构建方法及应用

Country Status (1)

Country Link
CN (1) CN111985934A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114387A (zh) * 2023-10-25 2023-11-24 联通在线信息科技有限公司 交互式客服模型搭建方法、装置、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106997375A (zh) * 2017-02-28 2017-08-01 浙江大学 基于深度学习的客服回复推荐方法
CN107368524A (zh) * 2017-06-07 2017-11-21 阿里巴巴集团控股有限公司 一种对话生成方法、装置以及电子设备
CN108334496A (zh) * 2018-01-30 2018-07-27 中国科学院自动化研究所 用于特定领域的人机对话理解方法与系统及相关设备
CN108766440A (zh) * 2018-05-28 2018-11-06 平安科技（深圳）有限公司 说话人分离模型训练方法、两说话人分离方法及相关设备
CN108763504A (zh) * 2018-05-30 2018-11-06 浙江大学 一种基于强化双通道序列学习的对话回复生成方法及系统
US10170107B1 (en) * 2016-12-29 2019-01-01 Amazon Technologies, Inc. Extendable label recognition of linguistic input
EP3525107A1 (en) * 2018-02-09 2019-08-14 Digital Genius Limited Conversational agent
CN110222163A (zh) * 2019-06-10 2019-09-10 福州大学 一种融合cnn与双向lstm的智能问答方法及系统
CN110364251A (zh) * 2019-06-14 2019-10-22 南京理工大学 一种基于机器阅读理解的智能交互导诊咨询系统
CN110853654A (zh) * 2019-11-17 2020-02-28 西北工业大学 一种模型生成方法、声纹识别方法及对应装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10170107B1 (en) * 2016-12-29 2019-01-01 Amazon Technologies, Inc. Extendable label recognition of linguistic input
CN106997375A (zh) * 2017-02-28 2017-08-01 浙江大学 基于深度学习的客服回复推荐方法
CN107368524A (zh) * 2017-06-07 2017-11-21 阿里巴巴集团控股有限公司 一种对话生成方法、装置以及电子设备
US20200110916A1 (en) * 2017-06-07 2020-04-09 Alibaba Group Holding Limited. Dialog generation method, apparatus, and electronic device
CN108334496A (zh) * 2018-01-30 2018-07-27 中国科学院自动化研究所 用于特定领域的人机对话理解方法与系统及相关设备
EP3525107A1 (en) * 2018-02-09 2019-08-14 Digital Genius Limited Conversational agent
CN108766440A (zh) * 2018-05-28 2018-11-06 平安科技（深圳）有限公司 说话人分离模型训练方法、两说话人分离方法及相关设备
CN108763504A (zh) * 2018-05-30 2018-11-06 浙江大学 一种基于强化双通道序列学习的对话回复生成方法及系统
CN110222163A (zh) * 2019-06-10 2019-09-10 福州大学 一种融合cnn与双向lstm的智能问答方法及系统
CN110364251A (zh) * 2019-06-14 2019-10-22 南京理工大学 一种基于机器阅读理解的智能交互导诊咨询系统
CN110853654A (zh) * 2019-11-17 2020-02-28 西北工业大学 一种模型生成方法、声纹识别方法及对应装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MANSHU TU ET AL.: ""Chinese Dialogue Intention Classification Based on Multi-Model Ensemble"", 《IEEE ACCESS》, vol. 7, 17 December 2018 (2018-12-17), pages 11630 - 11639 *
李金忠;刘关俊;闫春钢;蒋昌俊;: "排序学习研究进展与展望", 自动化学报, no. 08, 15 August 2018 (2018-08-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114387A (zh) * 2023-10-25 2023-11-24 联通在线信息科技有限公司 交互式客服模型搭建方法、装置、电子设备及存储介质
CN117114387B (zh) * 2023-10-25 2024-02-27 联通在线信息科技有限公司 交互式客服模型搭建方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110377720B (zh) 智能多轮交互方法和系统
CN104462600B (zh) 实现来电原因自动分类的方法及装置
CN103458056A (zh) 自动外呼系统基于自动分类技术的语音意图判定方法
KR101901920B1 (ko) 인공지능 음성인식 딥러닝을 위한 음성 및 텍스트 간 역전사 서비스 제공 시스템 및 방법
CN111739519A (zh) 基于语音识别的对话管理处理方法、装置、设备及介质
CN110704618B (zh) 确定对话数据对应的标准问题的方法及装置
CN112131358A (zh) 场景流程结构及所应用的智能客服系统
CN113282737B (zh) 人机协作的智能客服对话方法及装置
CN112235470B (zh) 基于语音识别的来电客户跟进方法、装置及设备
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
CN115665325A (zh) 一种智能外呼的方法、装置、电子设备及存储介质
CN116050405A (zh) 文本处理、问答文本处理及文本处理模型训练方法
CN114818649A (zh) 基于智能语音交互技术的业务咨询处理方法及装置
CN116631412A (zh) 一种通过声纹匹配判断语音机器人的方法
CN114722191A (zh) 一种基于语义理解处理的通话自动聚类方法及系统
CN111985934A (zh) 智能客服对话模型构建方法及应用
CN111739537B (zh) 语义识别方法、装置、存储介质及处理器
CN115022471B (zh) 一种智能机器人语音交互系统和方法
CN116415597A (zh) 语音翻译、同声传译方法
CN113111157B (zh) 问答处理方法、装置、计算机设备和存储介质
CN115831125A (zh) 语音识别方法、装置、设备、存储介质及产品
CN112860873A (zh) 智能应答方法、装置及存储介质
KR20220140301A (ko) 인공지능을 통해 학습자 식별이 가능한 화상 학습 시스템 및 그 방법
CN113782022B (zh) 基于意图识别模型的通信方法、装置、设备及存储介质
CN110784603A (zh) 一种离线质检用智能语音分析方法及系统

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