CN112084318A - 一种对话辅助方法、系统及装置 - Google Patents
一种对话辅助方法、系统及装置 Download PDFInfo
- Publication number
- CN112084318A CN112084318A CN202011024999.5A CN202011024999A CN112084318A CN 112084318 A CN112084318 A CN 112084318A CN 202011024999 A CN202011024999 A CN 202011024999A CN 112084318 A CN112084318 A CN 112084318A
- Authority
- CN
- China
- Prior art keywords
- utterance
- conversation
- information
- dialog
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 230000004044 response Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims 3
- 230000008569 process Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 230000000699 topical effect Effects 0.000 description 8
- 230000003993 interaction Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Abstract
本申请实施例公开了一种对话辅助方法、系统和装置,其中,所述方法包括:显示对话界面;获取所述对话的当前话语信息,以及所述对话中当前话语的上文信息;基于所述当前话语信息,确定一个或多个适配的预设话术推荐算法;利用所述预设话术推荐算法处理所述当前话语对应的文本数据以及所述上文信息,确定至少一个推荐话术;所述预设话术推荐算法至少包括基于机器学习的推荐算法,或基于规则的推荐算法;在对话界面显示至少一个推荐话术。由此,可以向进行对话的人员提供话术推荐,提高对话的效率。
Description
技术领域
本申请涉及人工智能领域,特别涉及一种对话辅助方法、系统及装置。
背景技术
面访(例如,面对面的沟通对话,线上视频对话等)是人们会经常遇见的工作生活场景。在一些面访场景下,如何顺畅、高效的完成沟通,提高面访效率及质量,是亟需解决的问题。
发明内容
本申请实施例之一提供一种对话辅助方法,所述方法包括:显示对话界面;所述对话界面包括一条或多条供用户选择的话题提示信息,所述一条或多条话题提示信息对应不同的话题类型;获取所述对话的当前话语信息,以及所述对话中当前话语的上文信息;其中,所述当前话语信息至少包括所述当前话语对应的文本数据,以及所述当前话语对应的话题类型;基于所述当前话语信息,确定一个或多个适配的预设话术推荐算法;利用所述预设话术推荐算法处理所述当前话语对应的文本数据以及所述上文信息,确定至少一个推荐话术;所述预设话术推荐算法至少包括基于机器学习的推荐算法,或基于规则的推荐算法;在对话界面显示至少一个推荐话术。
本申请实施例之一提供一种对话辅助系统,所述系统包括:第一显示模块,用于显示对话界面;所述对话界面包括一条或多条供用户选择的话题提示信息,所述一条或多条话题提示信息对应不同的话题类型;获取模块,用于获取所述对话的当前话语信息,以及所述对话中当前话语的上文信息;其中,所述当前话语信息至少包括所述当前话语对应的文本数据,以及所述当前话语对应的话题类型;第一确定模块,用于基于所述当前话语信息,确定一个或多个适配的预设话术推荐算法;第二确定模块,用于利用所述预设话术推荐算法处理所述当前话语对应的文本数据以及所述上文信息,确定至少一个推荐话术;所述预设话术推荐算法至少包括基于机器学习的推荐算法,或基于规则的推荐算法;第二显示模块,用于在对话界面显示至少一个推荐话术。
本申请实施例之一提供一种对话辅助装置,所述装置包括:处理器,所述处理器用于执行如上所述的对话辅助方法。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请一些实施例所示的对话辅助系统的界面示例图;
图2是根据本申请一些实施例所示的对话辅助系统的示例性工作流程图;
图3是根据本申请一些实施例所示的获取推荐话术的示例性流程图;
图4是根据本申请一些实施例所示的对话辅助方法的示例性流程图;以及
图5是根据本申请一些实施例所示的对话辅助系统的模块图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
近年来,随着科技的发展,越来越多的面访可以通过线上进行。例如,保险调查、商品推销、视频面试等。以保险调查为例,当投保人申请理赔时,传统的调查通常是在线下进行,需要工作人员(例如公估人员)前往申请理赔的用户的所在地开展公估工作(例如,包括对保险事故所涉及的保险标的进行评估、勘验、鉴定、估损、理算等活动的行为),成本高、效率低。为了降本提效,公估人员可以通过远程视频面访的形式,预先与投保人沟通,收集必要的信息,筛选掉不符合理赔的案件,减少线下当面公估的次数。
在一些应用场景中,在做视频面访的时候都没有专门的工具,是基于普通的线上聊天工具来进行,通过逐一提问的形式来填写调查问卷来完成面访。而这类视频面访方案更适合基本的调查,即完成简单的问卷。如果需要更加深入的调查,需要根据被调查者的回复来调整提问内容。然而普通的聊天工具无法提供辅助,对进行调查的调查人员的职业素养及从业经验要求高。另外,公估人员能力参差不齐,行业新人在培训之后仍然需要很多辅助才能高效完成工作,而行业专家也有进一步提效的空间。同样的,以上问题在其他线上面访中存在。例如,在线上商品推销中与潜在客户进行沟通时需要根据与对方的对话判别对方的感兴趣点,进而成功推销商品。而新手无法很好的完成。又例如,在线上视频面试过程中,面试官需要根据被面试者的信息,顺利且深入的了解对方。而没有一定的面试经验或技巧则难以很好的完成任务。
针对上述存在的问题,本申请提出一种对话辅助方法、系统及装置,可以在面访过程中提供推荐话术,以使面访顺利且高效的完成。以下是对本申请提出的方案进行进一步的说明。
图1是根据本申请一些实施例所示的对话辅助系统的界面示例图。如图1所示,对话辅助系统的界面100可以分为三个部分,包括信息交互区域110、对话纪要区域120、以及对话辅助区域130。对话辅助系统的使用者可以通过界面100知晓整个对话所涉及的信息,例如,对话者的基本信息、对话涉及的内容、对话的记录、对话的推荐话术等。
信息交互区域110显示参与对话的各方的基本信息。例如,信息交互区域110可以显示对方参与方的个人信息,包括姓名、年龄、性别、家庭住址等等。对于保险面访,则可以是显示被调查者的个人信息。在一些实施例中,当对话以线上视频对话的形式进行时,信息交互区域110还可以显示对话参与方的视频画面。例如,信息交互区域110可以显示在保险调查面访时调查者(例如,公估人员)与被调查者(例如,保险购买者)的实时视频画面。对话辅助系统的用户可以基于信息交互区域110中所显示的信息,对对话的其他参与方的身份进行核实。例如,在保险调查面访中,调查者可以首先根据信息交互区域110中所显示的被调查者的个人信息,对被调查者的身份进行核对。
对话纪要区域120可以是显示对话提示信息的区域,对话提示信息涉及的必要信息和可选信息的区域。其中,必要信息与面访目的关联紧密。也可以说,发起对话就是为了得到这些信息。可选信息可以是指次要的,具有一定辅助作用的信息。例如,对于保险调查面访,必要信息可以包括被调查者的病史记录,而可选信息可以包括被调查者的家庭情况等。又例如,对于线上视频面试,必要信息可以包括面试者的教育经历、工作经历、工作能力等,而可选择信息可以包括面试者的婚姻状况、家庭组成等。对话纪要区域120可以显示这些信息,并将属于同一类的信息以话题的形式归为一个类别并显示。对话纪要区域120可以显示多个不同话题类型的话题提示信息。例如,对话纪要区域120可以显示“过往病史”这一栏。则“过往病史”则可以被称为一个话题或话题类型。这一话题下方可以包含有多个细节的问题,用于提示调查者询问被调查者,以便详细的了解被调查者的病史。对话辅助系统的使用者通过向对话的另一参与方提问,从而得到对话所需收集的信息。
对话辅助区域130可以向对话辅助系统的用户提供对话辅助功能。对话辅助系统的用户可以通过对话辅助区域130获取到对话辅助内容,并基于对话辅助内容向用户提问或者答复,以使对话更加高效的完成。
在一些实施例中,对话辅助区域130可以包括聊天记录区域(如图1中130区域的上半部)。聊天记录区域可以实时记录对话参与方之间的对话内容。对话内容可以以文字的形式进行显示。例如,对话辅助系统可以将对话双发的对话语音转换至文字,并将这些文字显示在对话辅助区域130。通过显示聊天记录,对话辅助系统的用户在与他人进行对话时,不会因为他人话语不清或者过快而漏掉对话中的重要信息,也可以通过聊天记录避免重复的对话。
在一些实施例中,对话辅助区域130还可以包括推荐话术区域(如图1中130区域的下半部)。推荐话术区域用于显示推荐的话术,对话辅助系统的用户可以使用这些推荐的话术与对话的其他参与方进行更加专业且具有针对性的沟通,以高效的完成对话工作。在一些实施例中,推荐话术区域中所显示的推荐的话术可以与对话的对话内容相关。例如,假设当前对话涉及对话纪要区域120中的某一个话题时,对话辅助系统可以根据当前对话内容以及话题,生成对应的一个或多个推荐的话术,并显示在推荐话术区域。对话辅助系统的用户可以通过推荐话术区域显示的这一个或多个推荐的话术与被对话的其他参与方进行沟通(例如,提出一个或多个问题),并获取到与相关的内容信息。在一些实施例中,当出现对话的其他参与方向用户提出问题时,对话辅助系统可以根据当前对话内容、话题以及所提出的问题,生成针对该问题的多个回答,并显示在推荐话术区域。用户可以基于提供的回答,更加专业且针对性的回答提出的问题。
图2是根据本申请一些实施例所示的对话辅助系统的示例性工作流程图。对话辅助系统可以在对话双方说话时自动被触发,从而开始工作。或者,对话辅助系统可以手动开启(例如,用户手动开启)而开始工作。以下是对对话辅助系统的整体工作流程的说明。
当参与对话的人员说话时,对话辅助系统可以获取到语音信号210,并将获取到的语音信号210转换成文本信号220。例如,可以通过ASR(Automatic Speech Recognition,自动语音识别技术)将获取到的语音信号210转成文本信号220。随后,文本信号220可以被输入至训练好的话术推荐模型230中。话术推荐模型230可以至少基于文本信号220输出推荐话术240,并将其展示。例如,推荐话术240可以被展示在对话辅助区域130中的推荐话术区域。对话辅助系统的用户可以获取到展示的推荐话术,据此进行更专业且具备针对性的提问及答复,以更高效的完成对话任务。
在一些实施例中,对话辅助系统可以将文本信号220以对话记录的形式进行展示。对话记录250可以在对话辅助区域130的聊天记录区域中进行展示。
关于推荐话术的更多描述可以参考本说明书图3-图4部分,在此不做赘述。
图3是根据本说明书一些实施例所示的获取推荐话术的示例性流程图。用于获取推荐话术的示例性流程300可以基于对话的相关数据开始。对话的相关数据可以包括对话所涉及的话题,以及具体的对话内容。获取到对话的相关数据的可以被处理,例如,使用用于确定推荐话术的模型/算法进行处理。在输出一个或多个推荐的话术后,流程300可以终止。
步骤310可以是获取对话的话题类型。对话的话题类型可以是对话辅助系统的界面100的对话纪要区域120中显示的话题提示信息的话题类型。当对话辅助系统被使用时,用户可以在对话纪要区域120中选择一个话题类型,然后根据该话题类型中所包含的内容与对话的其他方进行沟通。例如,在保险面访调查中,调查员可以选择“病史问询”这一话题或者话题类型,然后基于这一话题下方所显示的内容(或话题提示信息),例如何时就医、是否具有家族遗传病史、能否提供病例等,与被调查者进行沟通。对话的话题也可以是对话辅助系统根据对话参与方的聊天内容自行确定的。例如,对话辅助系统可以获取对话参与方的聊天记录,然后利用意图识别算法/模型处理该聊天记录,从而得到对话的话题。
步骤320可以是获取对话的文本数据。对话的文本数据可以是指在该对话的参与方所说的话语对应的文本信息。在本说明书中,对话可以包括对话参与方按照时序所说的多个话语,话语可以是指一句话,或一段话,或一个问答。作为示例,对话的文本数据可以包括在当前该对话的某一参与方所说的话语(也可以被称为当前话语)。对话的文本数据还可以包括在当前话语对应的时间之前的一段时间内,该对话所产生的历史话语(也可以被称为当前话语的上文信息)。对话辅助系统可以通过获取对话的参与方进行语音对话时产生的语音信息,将语音信息进行转换成文本数据进而存储。
步骤330可以是处理对话的文本数据得到推荐的话术。对话的文本数据的处理可以利用对话辅助系统中预先设置好的话术推荐算法/模型来执行,也可以是调用存储于其他位置例如云端的话术推荐算法/模型来执行。这些话术推荐算法/模型可以包括多种。例如,可以包括针对不同话题的话术推荐算法/模型,或称为话题算法/模型(图3中所示的T1、T2、…、TN等),还可以包括用于问答的问答算法/模型(图3中所示的FAQ)。每一个话题算法/模型可以适应于不同话题类型。例如,针对话题“病史问询”,使用与“病史问询”对应的话题算法/模型处理对话的文本数据得到的推荐话术要比针对话题“就医问询”的话题算法/模型更准确。因此,对话辅助系统可以基于在步骤310中获取的对话的话题类型,确定对应的话题算法/模型。然后利用这个话题算法/模型处理对话的文本数据,得到推荐的话术。不可避免的,在对话中某一参与方会向另一方提出提问。这时,对话辅助系统可以根据当前话语为用户的对话对象,如被调查者,的提问,确定使用用于问答的问答算法/模型。问答算法/模型可以根据提问,确定推荐的回答。
步骤340可以显示推荐的话术。对话辅助系统可以将这些推荐的话术显示在界面100的对话辅助区域130(例如,推荐话术区域)中。在显示前,对话辅助系统可以先对这些推荐的话术进行排序。作为示例,在步骤330中确定推荐的话术时,话术推荐算法/模型可以同时输出推荐的话术对应的评分。该评分可以表示一个推荐度,评分越高,更值得推荐。对话辅助系统可以根据评分对得到的推荐的话术进行排序,并按照排序显示。
作为另一示例,对话辅助系统中可以预先设置有多轮对话模型。每一个推荐的话术可以与对话的文本数据进行拼接,得到一个拼接对话。例如,将推荐的话术拼接在对话的已发生的多个话语的最后方。随后,对话辅助系统可以利用多轮对话模型处理这些拼接对话,得到对应于每个拼接对话的匹配度。这些匹配度可以作为排序的依据。对话辅助系统可以基于匹配度对确定的推荐的话术进行排序后再显示排序后的结果。
图4是根据本说明书一些实施例所示的对话辅助方法的示例性流程图。在一些实施例中,流程400可以由处理设备(如本说明书中提到的对话辅助系统500)执行。例如,流程400可以以程序或指令的形式存储在存储装置(如处理设备的自带存储单元或外接存储设备)中,所述程序或指令在被执行时,可以实现流程400。不难理解流程400或者对话辅助系统500适用于在线访谈(如语音访谈或视频访谈),也可以适用于面对面访谈的应用场景。对话辅助系统500如图4所示,流程400可以包括下述步骤。
步骤402,显示对话界面。该步骤可以由第一显示模块510执行。
在一些实施例中,所述对话界面可以与图1中所描述的对话辅助系统的界面100相同或类似。作为示例,对话辅助系统500可以在计算机或手持计算设备例如智能手机上实现。其可以具有显示部件例如显示屏。则所述对话界面可以是显示屏上所显示的系统界面,用于辅助对话辅助系统500的用户进行对话。例如,所述对话界面上可以显示有完成对话所需收集的信息,用户可以根据这些对话信息提示与对话的另一参与方进行沟通,搜集信息,完成对话。对于保险面访,用户可以是调查员(例如,公估人员),而对话的另一参与方可以是被调查者(例如,申请保险理赔的个人)。调查者可以根据在所述对话界面上显示的各种信息,对被调查者进行身份核实,并进行沟通完成面访任务。
在一些实施例中,所述对话界面可以包括一条或多条供用户选择的话题提示信息。话题提示信息可以用于指示在对话中用户需要收集的信息,其可以以关键词或问题的形式表示。例如,对于保险面访,针对所必须收集到的被调查者的病史,所述话题提示信息以“疾病名称”和/或“您在什么时候患有何种疾病?”的形式显示在所述对话界面中。调查者可以根据所述一条或多条话题提示信息,向被调查者发起提问,以获得被调查者关于该一条或多条话题提示信息的答复,以完成信息收集任务。
在一些实施例中,所述一条或多条话题提示信息可以涉及完成对话所必须收集的信息和可选择收集的信息。必须收集的信息可以是对话的目的所在,发起的对话就是为了得到这些信息。例如,在保险面访中,对于被调查者的病史是必须要收集的。而可选择收集的信息可以是指次要的,具有一定辅助作用的信息。例如,在保险面访中,对于被调查者的家庭组成情况可以是作为辅助信息进行收集。
在一些实施例中,所述一条或多个话题提示信息可以对应不同的话题类型。所述话题类型可以是所述一个或多个话题提示信息对应所需收集的信息的类别。如前所述,当所述话题提示信息以问题的形式表示时,则诸如“请问您是否得过高血压?”,“请问您的家人是否有高血压”,“请问您平时饮食习惯怎么样?”等问题,可以是同属于对于调查者的“过往病史”这一类。因此,“过往病史”可以被称为所述话题类型。
仅出于说明的目的,所述对话界面可以是图1中的对话辅助系统的界面100。所述话题提示信息可以显示在界面100的对话纪要区域120。属于同一类话题类型的话题提示信息可以以折叠的方式,以对应的话题类型的栏目显示。例如,对话纪要区域120中可以显示一个或多个栏目,每个栏目对应一个话题类型。用户通过点击话题类型,则可以展开以显示在该栏目下的话题提示信息。
步骤404,获取所述对话的当前话语信息,以及所述对话中当前话语的上文信息。该步骤可以由获取模块520执行。
可以理解,对话(例如,两人对话)可以是通过语音方式的进行的。例如,两人的当面交谈或线上语音/视频通话可以被称为对话。对话的内容可以是由对话双方之间的,按时间顺序或说话顺序所产生的一句又一句的话语所组成。
则所述当前话语信息可以是包括所述对话的一部分话语的话语信息。该话语信息可以是这一部分话语的原始内容,例如,可以使用文字表示。所述当前话语信息可以包括对话中所产生的最新一句话语的话语信息,还可以包括对话中所产生的最新一组问答的话语信息。最新,可以是指对话进行过程中最后产生的一句话语。例如,假定对话进行过程中产生了五句话语,则第五句话语可以是最新的。在本说明书中,所述最新一句话语,和/或最新一组问答可以被称为当前话语。
在一些实施例中,所述当前话语信息可以包括所述当前话语对应的文本数据。所述当前话语对应的文本数据可以是指表示所述当前话语的内容的文字数据。获取模块520可以获取对话的当前语音数据,例如,所述当前话语的语音数据。当对话的参与方说话时,获取模块520可以获取到说话时产生的语音信号,例如,声波信号。该语音信号对应了组成对话的一句话语。当所述当前话语产生时,获取模块520同样可以获取到。之后,获取模块520可以将所述当前语音数据转换为文本数据,作为所述当前话语对应的文本数据。例如,可以通过ASR(Automatic Speech Recognition,自动语音识别技术)将所述当前语音数据转换所述当前话语对应的文本数据。在一些实施例中,获取模块520每得到一句话语的文本数据,可以将其进行存储。例如,存储于对话辅助系统500的自带存储器或外接存储器中。同时,获取模块520可以为每一句话语的文本数据标记上时间标签,以方便后续使用。
在一些实施例中,所述当前话语信息还可以包括所述当前话语对应的话题类型。获取模块520可以利用意图识别模型处理所述当前话语对应的文本数据,确定所述当前话语对应的话题类型。在一些实施例中,获取模块520也可以处理当前话语的文本数据以及当前话语的上文信息进行处理,提高话题类型的预测精度。所述意图识别模型可以是预先设置于对话辅助系统500中的。所述意图识别模型也可以存储于其他位置例如云端,需要使用时可以被调用。作为示例,所述意图识别模型可以包括GRU+CRF联合模型、RecNN+Viterbi联合模型、CNN+Tri-CRF联合模型、attention-based CNN模型、Online-RNN-LU联合模型等中的一种或多种的组合。
由于所述对话界面包括了一条或多条供用户选择的话题提示信息,用户可以根据话题提示信息对对话的其他参与方进行沟通。因此,获取模块520可以获取用户选择的话题提示信息,并将用户选择的话题提示信息对应的话题类型确定为所述当前话语对应的话题类型。例如,用户使用输入设备比如鼠标、键盘等,在对话界面上点击某一个话题提示信息。该话题提示信息可以显示给用户,同时获取模块520也可以获取到用户的输入数据(即,用户选择了哪一个话题提示信息)。这样,获取模块520可以直接得到当前话语对应的话题类型。
在一些实施例中,所述当前话语的上文信息可以是对话中发生在当前话语之前的一句或多句历史话语所包含的信息。例如,假定对话进行过程中产生了五句话语,那么第五句话语是最新产生的,可以被称为当前话语。而之前的四句话语,可以被称为所述当前话语的历史话语。这些历史话语的话语信息可以被称为当前话语的上文信息。在一些实施例中,所述上文信息可以是对话中当前话语发生之前预设时间内的一句或多句历史话语的话语信息。例如,假定对话进行了10分钟,则所述上文信息可以是在第10分钟时产生的当前话语之前5分钟的所有历史话语的话语信息。也就是说,从第五分钟开始到第九分钟结束的五分钟内,所有的历史话语的话语信息。所述预设时间可以是任意设置的,本说明书中不对其作出限定。在之前的描述中提到,获取模块520每得到一句话语的文本数据,可以将其进行存储。则获取模块520可以基于时间标签,直接从存储的话语的文本数据中得到所述上文信息。
步骤406,基于所述当前话语信息,确定一个或多个适配的预设话术推荐算法。该步骤可以由第一确定模块530执行。
在一些实施例中,第一确定模块530可以基于所述当前话语信息中所包含的当前话语的话题类型,确定适配所述对话的预设话术推荐算法。对话辅助系统500中可以预先存储有多个预设话术推荐算法。每个预设话术推荐算法适配于一个话题类型。也就是说,针对某一个话题类型,使用适配的预设话术推荐算法可以得到更优的推荐话术。例如,针对保险面访中“过往病史”这一话题类型,可以使用相关的样本对话进行模型训练。这样所得到话术推荐模型更适合于预测“过往病史”类对话的推荐话术。
在一些实施例中,当所述当前话语为对话对象的提问时,第一确定模块530确定的适配的预设话术推荐算法还包括问答模型。所述对话对象可以是指对话中除去对话辅助系统(或对话辅助系统500)的用户以外的一对话参与方。例如,假定对话为保险面访,则一方可以是调查者,其可以是对话辅助系统(或对话辅助系统500)的用户。而另一方是被调查者,其可以是申请保险理赔的个人。则该个人可以为所述对话对象。在对话的进行过程中,一方向另一方由于存在疑问的原因进行提问(例如对话对象向用户提问)的情况是存在的。此时,第一确定模块530可以利用问答模型进行处理包含提问的文本数据。
步骤408,利用所述预设话术推荐算法处理所述当前话语对应的文本数据以及所述上文信息,确定至少一个推荐话术。该步骤可以由第二确定模块540执行。
在一些实施例中,所述预设话术推荐算法可以包括基于机器学习的推荐算法,或基于规则的推荐算法。基于机器学习的推荐算法可以包括基于神经网络的话术推荐模型。例如,基于CNN结构的模型(TextCNN模型、DPCNN模型)、基于RNN结构的模型(TextRNN模型、TextRNN+Attention模型)、Self-Attention模型等。基于规则的推荐算法可以是包括基于正则表达式的逻辑算法。当使用基于机器学习的推荐算法时,第二确定模块540可以将当前话语对应的文本数据以及上文信息作为模型的输入,获取到模型输出的至少一个推荐话术。当预设话术推荐算法为基于规则的推荐算法时,第二确定模块540可以使用条件匹配规则对当前话语对应的文本数据以及上文信息进行逻辑计算,获得符合对话逻辑的至少一个推荐话术。例如,条件匹配可以是如果被调查者已婚,则询问“请问XX先生您有小孩么?”。假定关于家庭情况的一段对话如下所示:“请问XX先生您结婚了么?”“已经结婚了”。“已经结婚了”作为所述当前话语对应的文本数据,“请问XX先生您结婚了么?”作为所述上文信息。则根据基于规则的推荐算法对以上两者进行逻辑计算时,可以得到“请问XX先生您有小孩么?”这一计算结果,并将其作为所述推荐话术。在一些实施例中,第二确定模块540可以在确定推荐话术时,同时确定一个对应的评估值。该评估值可以是用于评价对应的推荐话术的推荐度。评估值越高,越值得推荐。
步骤410,在对话界面显示至少一个推荐话术。该步骤可以由第二显示模块550执行。
仅出于说明的目的,所述对话界面可以是图1中的对话辅助系统的界面100。第二显示模块550可以将所述至少一个推荐话术可以在界面100的对话辅助区域130的推荐话术区域。用户可以直接查看到这些推荐话术,并使用这些推荐话术更好的完成对话。
在一些实施例中,在对所述至少一个推荐话术进行显示之前,对话辅助系统500(例如,排序模块560)可以对所述至少一个推荐话术进行排序。在一些实施例中,排序模块560可以基于在步骤408中所得到推荐话术对应的评估值,对所述至少一个推荐话术进行排序。例如,按降序排列。随后,排序模块560可以基于排序结果确定用于在对话界面中显示的至少一个推荐话术。所述确定用于在对话界面中显示的至少一个推荐话术可以是指确定显示的推荐话术的个数,和/或显示方式。例如,排序模块560可以按照排序结果,确定用于显示的推荐话术是排序前三的推荐话术。又例如,排序模块560可以确定所述至少一个推荐话术的显示形式可以是降序排列的形式。
在一些实施例中,对于所述至少一个推荐话术的每一个,排序模块560可以拼接所述推荐话术、所述当前话语以及所述上文信息以获取拼接对话。例如,所述拼接对话,可以是所述上文信息排最前,随后接上所述当前话语,最后接上所述推荐话术。随后,排序模块560可以利用多轮对话模型处理拼接对话以获取推荐分值。所述推荐分值可以用于指示所述推荐话术与所述当前对话信息以及所述上文信息之间的匹配度。例如,推荐分值越高,拼接对话越符合对话逻辑,越能够符合对话意图。在确定各个推荐话术的推荐分值后,排序模块560可以基于各推荐话术的推荐分值对至少一个推荐话术进行排序。例如,升序或降序。
需要说明的是,本说明书中不同话题类型的话术推荐模型、问答模型以及多轮对话模型均可以使用历史对话样本训练得到。历史对话样本可以来自任一调查者与被调查者之间的历史对话。对于话术推荐模型或问答模型,可以将历史对话样本中的上文信息作为输入特征,将历史对话样本中的最后一句话语作为标签,进行模型训练,得到训练好的话术推荐模型或问答模型。对于多轮对话模型,则可基于历史对话构造多个正负样本,例如将该历史对话作为正样本,改变该历史对话的最后一句话语,得到负样本,然后将该历史对话或者修改后的历史对话作为输入特征,将正/负(0/1)作为标签,进行模型训练,得到训练好的多轮对话模型。
应当注意的是,上述有关图4中的各个步骤的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对图4中的各个步骤进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图5是根据本申请一些实施例所示的对话辅助系统的模块图。如图5所示,对话辅助系统500可以包括第一显示模块510、获取模块520、第一确定模块530、第二确定模块540、第二显示模块550以及排序模块560。
第一显示模块510可以显示对话界面。所述对话界面可以与图1中所描述的对话辅助系统的界面100相同或类似。作为示例,对话辅助系统500可以在计算机或手持计算设备例如智能手机上实现。其可以具有显示部件例如显示屏。则所述对话界面可以是显示屏上所显示的系统界面,用于辅助对话辅助系统500的用户进行对话。在一些实施例中,所述对话界面可以包括一条或多条供用户选择的话题提示信息。所述一条或多条话题提示信息可以涉及完成对话所必须收集的信息和可选择收集的信息。必须收集的信息可以是对话的目的所在,发起的对话就是为了得到这些信息。而可选择收集的信息可以是指次要的,具有一定辅助作用的信息。在一些实施例中,所述一条或多个话题提示信息可以对应不同的话题类型。所述话题类型可以是所述一个或多个话题提示信息对应所需收集的信息的类别。
获取模块520可以获取所述对话的当前话语信息,以及所述对话中当前话语的上文信息。对话(例如,两人对话)可以是通过语音方式的进行的。例如,两人的当面交谈或线上语音/视频通话可以被称为对话。对话的内容可以是由对话双方之间的,按时间顺序或说话顺序所产生的一句又一句的话语所组成。则所述当前话语信息可以是包括所述对话的一部分话语的话语信息。该话语信息可以是这一部分话语的原始内容,例如,可以使用文字表示。所述当前话语信息可以包括对话中所产生的最新一句话语的话语信息,还可以包括对话中所产生的最新一组问答的话语信息。最新,可以是指对话进行过程中最后产生的一句话语。在一些实施例中,所述当前话语信息可以包括所述当前话语对应的文本数据。所述当前话语对应的文本数据可以是指表示所述当前话语的内容的文字数据。获取模块520可以获取对话的当前语音数据,之后,获取模块520可以将所述当前语音数据转换为文本数据,作为所述当前话语对应的文本数据。在一些实施例中,获取模块520每得到一句话语的文本数据,可以将其进行存储。例如,存储于对话辅助系统500的自带存储器或外接存储器中。同时,获取模块520可以为每一句话语的文本数据标记上时间标签,以方便后续使用。
在一些实施例中,所述当前话语信息还可以包括所述当前话语对应的话题类型。获取模块520可以利用意图识别模型处理所述当前话语对应的文本数据,确定所述当前话语对应的话题类型。在一些实施例中,获取模块520也可以处理当前话语的文本数据以及当前话语的上文信息进行处理,提高话题类型的预测精度。由于所述对话界面包括了一条或多条供用户选择的话题提示信息,用户可以根据话题提示信息对对话的其他参与方进行沟通。因此,获取模块520可以获取用户选择的话题提示信息,并将用户选择的话题提示信息对应的话题类型确定为所述当前话语对应的话题类型。
在一些实施例中,所述当前话语的上文信息可以是对话中发生在当前话语之前的一句或多句历史话语所包含的信息。获取模块520每得到一句话语的文本数据,可以将其进行存储。则获取模块520可以基于时间标签,直接从存储的话语的文本数据中得到所述上文信息。
第一确定模块530可以基于所述当前话语信息,确定一个或多个适配的预设话术推荐算法。在一些实施例中,第一确定模块530可以基于所述当前话语信息中所包含的当前话语的话题类型,确定适配所述对话的预设话术推荐算法。在一些实施例中,当所述当前话语为对话对象的提问时,第一确定模块530确定的适配的预设话术推荐算法还包括问答模型。第一确定模块530可以利用问答模型进行处理包含提问的文本数据。
第二确定模块540可以利用所述预设话术推荐算法处理所述当前话语对应的文本数据以及所述上文信息,确定至少一个推荐话术。所述预设话术推荐算法可以包括基于机器学习的推荐算法,或基于规则的推荐算法。基于机器学习的推荐算法可以包括基于神经网络的话术推荐模型。例如,基于CNN结构的模型(TextCNN模型、DPCNN模型)、基于RNN结构的模型(TextRNN模型、TextRNN+Attention模型)、Self-Attention模型等。基于规则的推荐算法可以是包括基于正则表达式的逻辑算法。当使用基于机器学习的推荐算法时,第二确定模块540可以将当前话语对应的文本数据以及上文信息作为模型的输入,获取到模型输出的至少一个推荐话术。当预设话术推荐算法为基于规则的推荐算法时,第二确定模块540可以使用条件匹配规则对当前话语对应的文本数据以及上文信息进行逻辑计算,获得符合对话逻辑的至少一个推荐话术。在一些实施例中,第二确定模块540可以在确定推荐话术时,同时确定一个对应的评估值。该评估值可以是用于评价对应的推荐话术的推荐度。评估值越高,越值得推荐。
第二显示模块550可以在对话界面显示至少一个推荐话术。在一些实施例中,所述对话界面可以是图1中的对话辅助系统的界面100。第二显示模块550可以将所述至少一个推荐话术显示在界面100的对话辅助区域130的推荐话术区域。
排序模块560可以在对所述至少一个推荐话术进行显示之前,对所述至少一个推荐话术进行排序。在一些实施例中,排序模块560可以基于在步骤408中所得到推荐话术对应的评估值,对所述至少一个推荐话术进行排序。例如,按降序排列。随后,排序模块560可以基于排序结果确定用于在对话界面中显示的至少一个推荐话术。所述确定用于在对话界面中显示的至少一个推荐话术可以是指确定显示的推荐话术的个数,和/或显示方式。
在一些实施例中,对于所述至少一个推荐话术的每一个,排序模块560可以拼接所述推荐话术、所述当前话语以及所述上文信息以获取拼接对话。例如,所述拼接对话,可以是所述上文信息排最前,随后接上所述当前话语,最后接上所述推荐话术。随后,排序模块560可以利用多轮对话模型处理拼接对话以获取推荐分值。在确定各个推荐话术的推荐分值后,排序模块560可以基于各推荐话术的推荐分值对至少一个推荐话术进行排序。
应当理解,图5所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于候选项显示、确定系统及其模块的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,在一些实施例中,例如,图5中披露的第一显示模块510和第二显示模块550可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。又例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本申请的保护范围之内。
本申请实施例可能带来的有益效果包括但不限于:(1)实现辅助对话的功能,能够在对话过程中提供推荐话术,使得对话高效顺利的进行。(2)利用多个推荐话术算法/模型实现针对性的话术推荐,使得推荐的话术更深入且贴合对话。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (17)
1.一种对话辅助方法,其中,所述方法包括:
显示对话界面;所述对话界面包括一条或多条供用户选择的话题提示信息,所述一条或多条话题提示信息对应不同的话题类型;
获取所述对话的当前话语信息,以及所述对话中当前话语的上文信息;其中,所述当前话语信息至少包括所述当前话语对应的文本数据,以及所述当前话语对应的话题类型;
基于所述当前话语信息,确定一个或多个适配的预设话术推荐算法;
利用所述预设话术推荐算法处理所述当前话语对应的文本数据以及所述上文信息,确定至少一个推荐话术;所述预设话术推荐算法至少包括基于机器学习的推荐算法,或基于规则的推荐算法;
在对话界面显示至少一个推荐话术。
2.根据权利要求1所述的方法,其中,所述对话通过语音方式进行;所述获取所述对话的当前话语信息,包括:
获取所述对话的当前语音数据;
转换所述当前语音数据为所述当前话语对应的文本数据。
3.根据权利要求1所述的方法,其中,所述获取对话的当前话语信息,包括:
利用意图识别模型处理所述文本数据,确定所述当前话语对应的话题类型。
4.根据权利要求1所述的方法,其中,所述获取对话的当前话语信息,包括:
获取用户选择的话题提示信息;
将用户选择的话题提示信息对应的话题类型确定为所述当前话语对应的话题类型。
5.根据权利要求1所述的方法,其中,所述对话中当前话语的上文信息包括在所述对话中,当前话语产生前预设时间段内的话语对应的文本数据。
6.根据权利要求1所述的方法,其中,所述基于所述当前话语信息,确定一个或多个适配的预设话术推荐算法,包括:
基于所述当前话语的话题类型,确定适配所述话题类型的话术推荐模型;
响应于所述当前话语为对话对象的提问,确定适配的预设话术推荐算法还包括问答模型。
7.根据权利要求1所述的方法,其中,所述方法进一步包括:
对所述至少一个推荐话术进行排序,并基于排序结果确定用于在对话界面中显示的至少一个推荐话术。
8.根据权利要求7所述的方法,其中,所述对所述至少一个推荐话术进行排序,包括:
对于每一个推荐话术;
拼接所述推荐话术、所述当前话语对应的文本数据和所述上文信息以获取拼接对话;
利用多轮对话模型处理所述拼接对话以获取推荐分值;
基于各推荐话术的推荐分值对所述至少一个推荐话术进行排序。
9.一种对话辅助系统,其中,所述系统包括:
第一显示模块,用于显示对话界面;所述对话界面包括一条或多条供用户选择的话题提示信息,所述一条或多条话题提示信息对应不同的话题类型;
获取模块,用于获取所述对话的当前话语信息,以及所述对话中当前话语的上文信息;其中,所述当前话语信息至少包括所述当前话语对应的文本数据,以及所述当前话语对应的话题类型;
第一确定模块,用于基于所述当前话语信息,确定一个或多个适配的预设话术推荐算法;
第二确定模块,用于利用所述预设话术推荐算法处理所述当前话语对应的文本数据以及所述上文信息,确定至少一个推荐话术;所述预设话术推荐算法至少包括基于机器学习的推荐算法,或基于规则的推荐算法;
第二显示模块,用于在对话界面显示至少一个推荐话术。
10.根据权利要求9所述的系统,其中,所述对话通过语音方式进行;为获取所述对话的当前话语信息,所述获取模块用于:
获取所述对话的当前语音数据;
转换所述当前语音数据为所述当前话语对应的文本数据。
11.根据权利要求9所述的系统,其中,为获取对话的当前话语信息,所述获取模块用于:
利用意图识别模型处理所述文本数据,确定所述当前话语对应的话题类型。
12.根据权利要求9所述的系统,其中,为获取对话的当前话语信息,所述获取模块用于:
获取用户选择的话题提示信息;
将用户选择的话题提示信息对应的话题类型确定为所述当前话语对应的话题类型。
13.根据权利要求9所述的系统,其中,所述对话中当前话语的上文信息包括在所述对话中,当前话语产生前预设时间段内的话语对应的文本数据。
14.根据权利要求9所述的系统,其中,为基于所述当前话语信息,确定一个或多个适配的预设话术推荐算法,所述第一确定模块用于:
基于所述当前话语的话题类型,确定适配所述话题类型的话术推荐模型;
响应于所述当前话语为对话对象的提问,确定适配的预设话术推荐算法还包括问答模型。
15.根据权利要求9所述的系统,其中,所述系统进一步包括:
排序模块,用于对所述至少一个推荐话术进行排序,并基于排序结果确定用于在对话界面中显示的至少一个推荐话术。
16.根据权利要求15所述的系统,其中,为对所述至少一个推荐话术进行排序,所述排序模块用于:
对于每一个推荐话术;
拼接所述推荐话术、所述当前话语对应的文本数据和所述上文信息以获取拼接对话;
利用多轮对话模型处理所述拼接对话以获取推荐分值;
基于各推荐话术的推荐分值对所述至少一个推荐话术进行排序。
17.一种对话辅助装置,其中,所述装置包括处理器,所述处理器用于执行如权利要求1-8中任一项所述的对话辅助方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011024999.5A CN112084318B (zh) | 2020-09-25 | 2020-09-25 | 一种对话辅助方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011024999.5A CN112084318B (zh) | 2020-09-25 | 2020-09-25 | 一种对话辅助方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084318A true CN112084318A (zh) | 2020-12-15 |
CN112084318B CN112084318B (zh) | 2024-02-20 |
Family
ID=73739108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011024999.5A Active CN112084318B (zh) | 2020-09-25 | 2020-09-25 | 一种对话辅助方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084318B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222443A (zh) * | 2021-05-25 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 案件分流方法和装置 |
CN113254126A (zh) * | 2021-05-12 | 2021-08-13 | 北京字跳网络技术有限公司 | 信息处理方法、装置和电子设备 |
CN116775815A (zh) * | 2022-03-07 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 对话数据的处理方法、装置、电子设备及存储介质 |
CN117112750A (zh) * | 2023-08-14 | 2023-11-24 | 北京房多多信息技术有限公司 | 信息显示方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100128068A (ko) * | 2009-05-27 | 2010-12-07 | 포항공과대학교 산학협력단 | 음성 대화 의미처리를 통한 사용자 프로파일 자동 구성 방법 및 장치, 및 그에 따른 콘텐츠 추천 방법 및 장치 |
WO2014010450A1 (ja) * | 2012-07-09 | 2014-01-16 | 独立行政法人情報通信研究機構 | 音声処理システム及び端末装置 |
CN110460798A (zh) * | 2019-06-26 | 2019-11-15 | 平安科技(深圳)有限公司 | 视频访谈服务处理方法、装置、终端与存储介质 |
CN110472017A (zh) * | 2019-08-21 | 2019-11-19 | 佰聆数据股份有限公司 | 一种话术分析和话题点识别匹配的方法及系统 |
CN111259132A (zh) * | 2020-01-16 | 2020-06-09 | 中国平安财产保险股份有限公司 | 话术推荐方法、装置、计算机设备和存储介质 |
CN111428023A (zh) * | 2020-03-26 | 2020-07-17 | 支付宝(杭州)信息技术有限公司 | 话术推荐方法、装置和电子设备 |
-
2020
- 2020-09-25 CN CN202011024999.5A patent/CN112084318B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100128068A (ko) * | 2009-05-27 | 2010-12-07 | 포항공과대학교 산학협력단 | 음성 대화 의미처리를 통한 사용자 프로파일 자동 구성 방법 및 장치, 및 그에 따른 콘텐츠 추천 방법 및 장치 |
WO2014010450A1 (ja) * | 2012-07-09 | 2014-01-16 | 独立行政法人情報通信研究機構 | 音声処理システム及び端末装置 |
CN110460798A (zh) * | 2019-06-26 | 2019-11-15 | 平安科技(深圳)有限公司 | 视频访谈服务处理方法、装置、终端与存储介质 |
CN110472017A (zh) * | 2019-08-21 | 2019-11-19 | 佰聆数据股份有限公司 | 一种话术分析和话题点识别匹配的方法及系统 |
CN111259132A (zh) * | 2020-01-16 | 2020-06-09 | 中国平安财产保险股份有限公司 | 话术推荐方法、装置、计算机设备和存储介质 |
CN111428023A (zh) * | 2020-03-26 | 2020-07-17 | 支付宝(杭州)信息技术有限公司 | 话术推荐方法、装置和电子设备 |
Non-Patent Citations (3)
Title |
---|
TERUHISA MISU 等: "Web text classification for response generation in spoken decision support dialogue systems", 2010 4TH INTERNATIONAL UNIVERSAL COMMUNICATION SYMPOSIUM * |
姚琳;梁春霞;张德干;: "基于实例推理的人机对话系统的设计与实现", 计算机应用, no. 03 * |
柏文言;张闯;徐克付;张志明;: "一种融合用户关系的自适应微博话题跟踪方法", 电子学报, no. 06 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254126A (zh) * | 2021-05-12 | 2021-08-13 | 北京字跳网络技术有限公司 | 信息处理方法、装置和电子设备 |
CN113222443A (zh) * | 2021-05-25 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 案件分流方法和装置 |
CN116775815A (zh) * | 2022-03-07 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 对话数据的处理方法、装置、电子设备及存储介质 |
CN117112750A (zh) * | 2023-08-14 | 2023-11-24 | 北京房多多信息技术有限公司 | 信息显示方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112084318B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bibauw et al. | Discussing with a computer to practice a foreign language: Research synthesis and conceptual framework of dialogue-based CALL | |
CN112084318B (zh) | 一种对话辅助方法、系统及装置 | |
US9218128B1 (en) | Method and system for training users to utilize multimodal user interfaces | |
O’Loughlin | Developing the assessment literacy of university proficiency test users | |
US20210279668A1 (en) | Method of preparing recommendations for taking decisions on the basis of a computerized assessment of the capabilities of users | |
WO2018205224A1 (en) | Assisting psychological cure in automated chatting | |
McCrocklin | ASR-based dictation practice for second language pronunciation improvement | |
US20170213190A1 (en) | Method and system for analysing subjects | |
CN110489756B (zh) | 会话式人机交互口语测评系统 | |
US20150206103A1 (en) | Model-driven candidate sorting | |
McNeil | Ecological affordance and anxiety in an oral asynchronous computer-mediated environment | |
Jeon et al. | A systematic review of research on speech-recognition chatbots for language learning: Implications for future directions in the era of large language models | |
Chen | Effects of technology-enhanced language learning on reducing EFL learners’ public speaking anxiety | |
WO2015088850A1 (en) | Model-driven candidate sorting based on audio cues | |
KR102523638B1 (ko) | 대화 의도 실시간 분석 방법 | |
Nagle | Developing and validating a methodology for crowdsourcing L2 speech ratings in Amazon Mechanical Turk | |
US20190295199A1 (en) | Intelligent legal simulator | |
McNeil | Understanding and addressing the challenges of learning computer-mediated dynamic assessment: A teacher education study | |
Zhou et al. | Building Real-World Chatbot Interviewers: Lessons from a Wizard-of-Oz Field Study. | |
Rukhiran et al. | Automated information retrieval and services of graduate school using chatbot system. | |
CN111444729A (zh) | 信息处理的方法、装置、设备及可读存储介质 | |
Chou et al. | An AI mock-interview platform for interview performance analysis | |
Bräuer et al. | How to Design Audio-Gamification for Language Learning with Amazon Alexa?—A Long-Term Field Experiment | |
Zou et al. | Exploring students’ acceptance of an artificial intelligence speech evaluation program for EFL speaking practice: an application of the Integrated Model of Technology Acceptance | |
AU2018229559A1 (en) | A Method and System to Improve Reading |
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 |