CN112148855A - 一种智能客服问题检索方法、终端以及存储介质 - Google Patents
一种智能客服问题检索方法、终端以及存储介质 Download PDFInfo
- Publication number
- CN112148855A CN112148855A CN202010974587.1A CN202010974587A CN112148855A CN 112148855 A CN112148855 A CN 112148855A CN 202010974587 A CN202010974587 A CN 202010974587A CN 112148855 A CN112148855 A CN 112148855A
- Authority
- CN
- China
- Prior art keywords
- vector
- preset
- target
- customer service
- service problem
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000013598 vector Substances 0.000 claims abstract description 276
- 238000012549 training Methods 0.000 claims description 40
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000013434 data augmentation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种智能客服问题检索方法、终端及存储介质。所述方法包括:接收目标文本,将所述目标文本输入至预先训练完成的语义向量模型,获取所述语义向量模型输出的所述目标文本对应的目标语义向量;将所述目标语义向量和预设的向量库中的各个预设向量进行匹配,查找目标预设向量;获取所述目标预设向量对应的客服问题作为所述目标文本对应的客服问题。本发明通过预先训练完成的语义向量模型获取目标文本对应的目标语义向量,根据目标语义向量与预先设置的向量库中的向量进行匹配,进而确定目标文本对应的客服问题,实现了在语义层面对目标文本进行分析,而不是局限于文本的直接比较,提高客服问题检索准确性。
Description
技术领域
本发明涉及智能客服技术领域,特别涉及一种智能客服问题检索方法、 终端以及存储介质。
背景技术
智能客服能够为企业降低人力成本,提升服务流程质量,智能客服的 重要环节在于根据客户输入的内容确定对应的客服问题,从而返回预先设 置的答案,目前智能客服技术中还停留于简单地根据用户输入的文本与预 先设置的文本来直接比较确定客服问题,这种方式的灵活性低,如果用户 输入的文本不在预先设置的文本库中,那么将无法检索到准确的客服问题, 导致智能客服的使用感不佳。
因此,现有技术还有待改进和提高。
发明内容
本发明提供一种智能客服问题检索方法、终端及存储介质,旨在解决 现有技术中根据用户输入的文本与预先设置的文本直接比较确定客服问题 带来的客服问题检索准确性低的问题。
为了解决上述技术问题,本发明所采用的技术方案如下:
一种智能客服问题检索方法,其中,所述智能客服问题检索方法包括:
接收目标文本,将所述目标文本输入至预先训练完成的语义向量模型, 获取所述语义向量模型输出的所述目标文本对应的目标语义向量;
将所述目标语义向量和预设的向量库中的各个预设向量进行匹配,查 找目标预设向量;
获取所述目标预设向量对应的客服问题作为所述目标文本对应的客服 问题。
所述的智能客服问题检索方法,其中,所述将所述目标文本输入至预 先训练完成的语义向量模型之前,包括:
构建多组训练数据,根据所述多组训练数据训练所述语义向量模型;
其中,每组训练数据包括样本文本和样本文本对应的客服问题。
所述的智能客服问题检索方法,其中,所述构建多组训练数据包括:
获取多个样本文本,对所述样本文本进行预处理后进行数据增强,获 取所述样本文本对应的多个客服问题。
所述的智能客服问题检索方法,其中,所述根据所述多组训练数据训 练所述语义向量模型之后,包括:
通过训练完成的所述语义向量模型获取所述训练数据中的至少一个样 本文本对应的语义向量和至少一个客服问题对应的语义向量,并存储至所 述向量库中。
所述的智能客服问题检索方法,其中,所述将所述目标语义向量和在 预设的向量库中的各个预设向量进行匹配,查找目标预设向量,包括:
获取所述目标语义向量与所述向量库中各个预设向量的相似度;
在至少一个第一预设向量中确定所述目标预设向量;
其中,所述第一预设向量为所述向量库中与所述目标语义向量的相似 度大于预设阈值的预设向量。
所述的智能客服问题检索方法,其中,所述获取所述目标语义向量与 所述向量库中各个向量的相似度包括:
获取所述目标语义向量与所述向量库中各个向量的点积。
所述的智能客服问题检索方法,其中,所述在至少一个第一预设向量 中确定所述目标预设向量,包括:
根据各个所述第一预设向量与所述目标语义向量的相似度对各个所述 第一预设向量进行排序;
获取前N个所述第一预设向量作为所述目标预设向量,其中,N为正整 数。
所述的智能客服问题检索方法,其中,所述根据各个所述第一预设向 量与所述目标语义向量的相似度对各个所述第一预设向量进行排序,包括:
获取各个所述第一预设向量对应的客服问题的类别,按照每个类别对 应的所述第一预设向量的个数从大到小对各个所述第一预设向量进行排 序,其中,同样类别的所述第一预设向量按相似度从高到低进行排序。
一种终端,其中,所述终端包括:处理器、与处理器通信连接的存储 介质,所述存储介质适于存储多条指令,所述处理器适于调用所述存储介 质中的指令,以执行实现上述智能客服问题检索方法的步骤。
一种存储介质,其中,所述存储介质存储有一个或者多个程序,所述 一个或者多个程序可被一个或者多个处理器执行,以实现上述智能客服问 题检索方法的步骤。
有益效果:与现有技术相比,本发明提供了一种智能客服问题检索方 法、终端及存储介质,所述智能客服问题检索方法通过预先训练完成的语 义向量模型获取目标文本对应的目标语义向量,根据目标语义向量与预先 设置的向量库中的向量进行匹配,进而确定目标文本对应的客服问题,实 现了在语义层面对目标文本进行分析,而不是局限于文本的直接比较,提 高客服问题检索准确性。
附图说明
图1为本发明提供的智能客服问题检索方法的实施例的流程图;
图2为本发明提供的智能客服问题检索方法的实施例中对样本文本进 行预处理的示意图;
图3为本发明提供的智能客服问题检索方法的实施例中步骤S200的子 步骤流程图;
图4为本发明提供的终端的实施例的原理图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图 并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施 例仅用以解释本发明,并不用于限定本发明。
本发明提供的一种智能客服问题检索方法,是可以应用在终端中,终 端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载 电脑和便携式可穿戴设备。所述终端可以执行本发明提供的智能客服问题 检索方法以检索目标文本对应的客服问题。
实施例一
请参照图1,图1为本发明提供的智能客服问题检索方法的一个实施例 的流程图。所述智能客服问题检索方法包括步骤:
S100、接收目标文本,将所述目标文本输入至预先训练完成的语义向 量模型,获取所述语义向量模型输出的所述目标文本对应的目标语义向量。
所述目标文本为用户输入的文本,在用户使用智能客服服务时,会出 现客服服务页面,用户通过客服服务页面输入所述目标文本,所述目标文 本可以是用户通过键盘、语音、手势等方式输入,终端接收到所述目标文 本后,将所述目标文本输入至预先训练完成的语义向量模型,通过所述语 义向量模型获取所述目标文本对应的目标语义向量。
所述语义向量模型是预先训练完成的神经网络模型,所述语义向量模 型能够具备根据文本生成语义向量的功能,且具有相似语义的文本通过所 述语义向量模型生成的语义向量是相似的。所述语义向量模型可以基于现 有的语义向量神经网络模型来构建,如BERT(Bidirectional Encoder Representations from Transformers)等,当然,本领域技术人员可以理 解,也可以选用其他的语义向量神经网络模型来构建所述语义向量模型,例如Bi-LSTM、word2vec等,具体地,所述将所述目标文本输入至预先训 练完成的语义向量模型之前包括:
构建多组训练数据,根据所述多组训练数据训练所述语义向量模型。
为了使得所述语义向量模型更适用于客服环境下的语义向量生成,在 本实施例中,通过预先构建的多组训练数据对所述语义向量模型进行训练, 每组训练数据包括样本文本和样本文本对应的客服问题。具体地,样本文 本为预先收集的客户输入文本,从之前的客服服务中接收的用户输入的文 本中收集得到,所述样本文本对应的客服问题为与样本文本的语义对应的 客服问题,通过包括样本文本和样本文本对应的客服问题的训练数据对语 义向量模型进行训练后,能够实现输入文本后,输出的语义向量和与文本 具有类似语义的客服问题的语义向量接近,从而实现根据目标文本对应的 目标语义向量查找对应的客服问题。
由于收集到的样本文本可能存在标点符号、错别字等无用信息,在一 种可能的实现方式中,所述构建多组训练数据包括:
获取多个样本文本,对所述样本文本进行预处理后进行数据增强,获 取所述样本文本对应的多个客服问题。
对于获取到的每个样本文本,都先对样本文本进行预处理,如图2所 示,预处理包括去除标点符号、拼音转文字、纠错中的至少一种,在对每 个样本文本进行预处理之后,再进行数据增强(Data Augmentation)处理, 获取所述样本文本对应的多个客服问题,从而使得用于训练所述语义向量 模型的训练数据更丰富,提升训练效果,例如,对于对样本文本“电视花 瓶了”进行预处理后得到“电视花屏了”,再对“电视花屏了”进行数据 增强后得到“电视花屏”、“电视花屏怎么办”、“电视花屏怎么回事” 等文本作为“电视花瓶了”对应的客服问题。
在一种可能的实现方式中,对样本文本进行预处理还包括对样本文本 进行分类,具体地,对样本文本进行意图分类,例如,将样本文本“电视 花瓶了”、“dianshihuaping”都归为“电视花屏问题”类别,同时,样 本文本对应的客服问题也划分为与样本文本同样的类别,样本文本以及对 应的客服问题的类别可以用于在进行向量匹配时进行排序,具体将在后文 被说明。
在根据所述多组训练数据训练所述语义向量模型之后,包括:
通过训练完成的所述语义向量模型获取所述训练数据中的至少一个样 本文本对应的语义向量和至少一个客服问题对应的语义向量,并存储至所 述向量库中。
请再次参阅图1,本实施例提供的智能客服问题检索方法,还包括步骤:
S200、将所述目标语义向量和预设的向量库中的各个预设向量进行匹 配,查找目标预设向量。
所述向量库是预先设置的存储有多个预设向量的库,所述向量库中的 预设向量是通过训练完成的所述语义向量模型生成的,具体地,所述向量 库中的预设向量可以为预先设置的特定客服问题对应的语义向量,所述特 定客服问题可以根据本实施例的应用场景设置,在一种可能的实现方式中, 为了提升智能客服问题检索的准确性和速度,还将用于训练所述语义向量 模型的样本文本以及样本文本对应的客服问题的语义向量作为所述相邻库 中的预设向量,即,所述根据所述多组训练数据训练所述语义向量模型之 后,包括:
通过训练完成的所述语义向量模型获取所述训练数据中的至少一个样 本文本对应的语义向量和至少一个客服问题对应的语义向量,并存储至所 述向量库中。
由于样本文本是从用户使用客服服务时输入的文本收集得到的,即, 样本文本符合大部分用户使用客服服务时的表达习惯,在应用本实施例提 供的智能客服问题检索方法时,用户输入与样本文本类似的文本的可能性 较高,这样,可以快速地检索对应的客服问题。
为了便于计算,所述向量库可以为Faiss(Facebook开源的语义检索 库)。
如图3所示,所述将所述目标语义向量和预设的向量库中的各个预设 向量进行匹配,查找目标预设向量包括:
S210、获取所述目标语义向量与所述向量库中各个预设向量的相似度;
S220、在至少一个第一预设向量中确定所述目标预设向量。
所述第一预设向量为所述向量库中与所述目标语义向量的相似度大于 预设阈值的预设向量。
在本实施例中,所述获取所述目标语义向量与所述向量库中各个预设 向量的相似度是将所述目标语义向量分别与所述向量库中各个预设向量进 行点乘,得到所述目标语义向量分别与所述向量库中的各个预设向量的点 积,向量和向量的点积公式为当然,也可以通过其他的方式来获 取所述目标语义向量与所述向量库中各个预设向量的相似度,例如通过计 算余弦相似度等方式。
在获取所述目标语义向量与所述向量库中各个预设向量的相似度后, 获取相似度大于预设阈值的预设向量作为所述第一预设向量,在至少一个 所述第一预设向量中确定用于获取所述目标文本对应的客服问题的目标预 设向量。
具体地,所述在至少一个第一预设向量中确定所述目标预设向量包括:
S221、根据各个所述第一预设向量与所述目标语义向量的相似度对各 个所述第一预设向量进行排序;
S222、获取前N个所述第一预设向量作为所述目标预设向量,其中,N 为正整数。
在一种可能的实现方式中,可以直接按照相似度从高到低的方式对各 个所述第一预设向量进行排序。在本实施例中,还结合所述第一预设向量 对应的客服问题的类别对各个所述第一预设向量进行排序,并获取前N个 所述第一预设向量作为所述目标预设向量,N可以设置为3、5等。具体地, 所述根据各个所述第一预设向量与所述目标语义向量的相似度对各个所述 第一预设向量进行排序,包括:
获取各个所述第一预设向量对应的客服问题的类别,按照每个类别对 应的所述第一预设向量的个数从大到小对各个所述第一预设向量进行排 序,其中,同样类别的所述第一预设向量按相似度从高到低进行排序。 例如,所述第一预设向量对应的客服问题以及相似度有“电视机花屏: 0.93”、“电视碎屏:0.92”,“我的电视机花屏:0.91”等10条,但是这10条中有7条属于“花屏”标签,其余3条属于其他标签,那么优先把 同类别标签排在前面,即使相似度分数很高但是不属于同类标签的排在后 面,比如上的“电视碎屏:0.92”。
请再次参阅图1,在确定所述目标预设向量后,所述智能客服问题检索 方法还包括步骤:
S300、获取所述目标预设向量对应的客服问题作为所述目标文本对应 的客服问题。
在获取所述目标预设向量后,将所述目标预设向量对应的客服问题作 为所述目标文本对应的客服问题,这样,就可以实现将用户输入的文本转 化为语义接近的客服问题,提升智能客服的服务质量。
综上所述,本发明提供一种智能客服问题检索方法,通过预先训练完 成的语义向量模型获取目标文本对应的目标语义向量,根据目标语义向量 与预先设置的向量库中的向量进行匹配,进而确定目标文本对应的客服问 题,实现了在语义层面对目标文本进行分析,而不是局限于文本的直接比 较,提高客服问题检索准确性。
应该理解的是,虽然本发明说明书附图中给出的的流程图中的各个步 骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺 序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺 序限制,这些步骤可以以其它的顺序执行。而且,流程图中的至少一部分 步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是 在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段 的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子 步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流 程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序 可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时, 可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中 所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易 失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM) 或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存 储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、 动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、 增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储 器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、 以及存储器总线动态RAM(RDRAM)等。
实施例二
基于上述实施例,本发明还提供了一种终端,其原理框图可以如图4 所示。该终端包括存储器10和处理器20,存储器10中存储有计算机程序, 该处理器10执行计算机程序时至少可以实现以下步骤:
接收目标文本,将所述目标文本输入至预先训练完成的语义向量模型, 获取所述语义向量模型输出的所述目标文本对应的目标语义向量;
将所述目标语义向量和预设的向量库中的各个预设向量进行匹配,查 找目标预设向量;
获取所述目标预设向量对应的客服问题作为所述目标文本对应的客服 问题。
其中,所述将所述目标文本输入至预先训练完成的语义向量模型之前, 包括:
构建多组训练数据,根据所述多组训练数据训练所述语义向量模型;
其中,每组训练数据包括样本文本和样本文本对应的客服问题。
其中,所述构建多组训练数据包括:
获取多个样本文本,对所述样本文本进行预处理后进行数据增强,获 取所述样本文本对应的多个客服问题。
其中,所述根据所述多组训练数据训练所述语义向量模型之后,包括:
通过训练完成的所述语义向量模型获取所述训练数据中的至少一个样 本文本对应的语义向量和至少一个客服问题对应的语义向量,并存储至所 述向量库中。
其中,所述将所述目标语义向量和在预设的向量库中的各个预设向量 进行匹配,查找目标预设向量,包括:
获取所述目标语义向量与所述向量库中各个预设向量的相似度;
在至少一个第一预设向量中确定所述目标预设向量;
其中,所述第一预设向量为所述向量库中与所述目标语义向量的相似 度大于预设阈值的预设向量。
其中,所述获取所述目标语义向量与所述向量库中各个向量的相似度 包括:
获取所述目标语义向量与所述向量库中各个向量的点积。
其中,所述在至少一个第一预设向量中确定所述目标预设向量,包括:
根据各个所述第一预设向量与所述目标语义向量的相似度对各个所述 第一预设向量进行排序;
获取前N个所述第一预设向量作为所述目标预设向量,其中,N为正整 数。
其中,所述根据各个所述第一预设向量与所述目标语义向量的相似度 对各个所述第一预设向量进行排序,包括:
获取各个所述第一预设向量对应的客服问题的类别,按照每个类别对 应的所述第一预设向量的个数从大到小对各个所述第一预设向量进行排 序,其中,同样类别的所述第一预设向量按相似度从高到低进行排序。
实施例三
本发明还提供了一种存储介质,所述存储介质存储有一个或者多个程 序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述实 施例一所述的智能客服问题检索方法的步骤。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对 其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通 技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修 改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不 使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种智能客服问题检索方法,其特征在于,所述方法包括:
接收目标文本,将所述目标文本输入至预先训练完成的语义向量模型,获取所述语义向量模型输出的所述目标文本对应的目标语义向量;
将所述目标语义向量和预设的向量库中的各个预设向量进行匹配,查找目标预设向量;
获取所述目标预设向量对应的客服问题作为所述目标文本对应的客服问题。
2.根据权利要求1所述的智能客服问题检索方法,其特征在于,所述将所述目标文本输入至预先训练完成的语义向量模型之前,包括:
构建多组训练数据,根据所述多组训练数据训练所述语义向量模型;
其中,每组训练数据包括样本文本和样本文本对应的客服问题。
3.根据权利要求2所述的智能客服问题检索方法,其特征在于,所述构建多组训练数据包括:
获取多个样本文本,对所述样本文本进行预处理后进行数据增强,获取所述样本文本对应的多个客服问题。
4.根据权利要求2所述的智能客服问题检索方法,其特征在于,所述根据所述多组训练数据训练所述语义向量模型之后,包括:
通过训练完成的所述语义向量模型获取所述训练数据中的至少一个样本文本对应的语义向量和至少一个客服问题对应的语义向量,并存储至所述向量库中。
5.根据权利要求1所述的智能客服问题检索方法,其特征在于,所述将所述目标语义向量和在预设的向量库中的各个预设向量进行匹配,查找目标预设向量,包括:
获取所述目标语义向量与所述向量库中各个预设向量的相似度;
在至少一个第一预设向量中确定所述目标预设向量;
其中,所述第一预设向量为所述向量库中与所述目标语义向量的相似度大于预设阈值的预设向量。
6.根据权利要求5所述的智能客服问题检索方法,其特征在于,所述获取所述目标语义向量与所述向量库中各个向量的相似度包括:
获取所述目标语义向量与所述向量库中各个向量的点积。
7.根据权利要求5所述的智能客服问题检索方法,其特征在于,所述在至少一个第一预设向量中确定所述目标预设向量,包括:
根据各个所述第一预设向量与所述目标语义向量的相似度对各个所述第一预设向量进行排序;
获取前N个所述第一预设向量作为所述目标预设向量,其中,N为正整数。
8.根据权利要求7所述的智能客服问题检索方法,其特征在于,所述根据各个所述第一预设向量与所述目标语义向量的相似度对各个所述第一预设向量进行排序,包括:
获取各个所述第一预设向量对应的客服问题的类别,按照每个类别对应的所述第一预设向量的个数从大到小对各个所述第一预设向量进行排序,其中,同样类别的所述第一预设向量按相似度从高到低进行排序。
9.一种终端,其特征在于,所述终端包括:处理器、与处理器通信连接的存储介质,所述存储介质适于存储多条指令,所述处理器适于调用所述存储介质中的指令,以执行实现如权利要求1-8任一项所述的智能客服问题检索方法的步骤。
10.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-8任一项所述的智能客服问题检索方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010974587.1A CN112148855A (zh) | 2020-09-16 | 2020-09-16 | 一种智能客服问题检索方法、终端以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010974587.1A CN112148855A (zh) | 2020-09-16 | 2020-09-16 | 一种智能客服问题检索方法、终端以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112148855A true CN112148855A (zh) | 2020-12-29 |
Family
ID=73892880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010974587.1A Pending CN112148855A (zh) | 2020-09-16 | 2020-09-16 | 一种智能客服问题检索方法、终端以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112148855A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023193332A1 (zh) * | 2022-04-07 | 2023-10-12 | 青岛海尔科技有限公司 | 文本匹配方法和装置、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918491A (zh) * | 2019-03-12 | 2019-06-21 | 焦点科技股份有限公司 | 一种基于知识库自学习的智能客服问句匹配方法 |
CN111198940A (zh) * | 2019-12-27 | 2020-05-26 | 北京百度网讯科技有限公司 | Faq方法、问答检索系统、电子设备和存储介质 |
CN111414457A (zh) * | 2020-03-20 | 2020-07-14 | 深圳前海微众银行股份有限公司 | 基于联邦学习的智能问答方法、装置、设备及存储介质 |
-
2020
- 2020-09-16 CN CN202010974587.1A patent/CN112148855A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918491A (zh) * | 2019-03-12 | 2019-06-21 | 焦点科技股份有限公司 | 一种基于知识库自学习的智能客服问句匹配方法 |
CN111198940A (zh) * | 2019-12-27 | 2020-05-26 | 北京百度网讯科技有限公司 | Faq方法、问答检索系统、电子设备和存储介质 |
CN111414457A (zh) * | 2020-03-20 | 2020-07-14 | 深圳前海微众银行股份有限公司 | 基于联邦学习的智能问答方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023193332A1 (zh) * | 2022-04-07 | 2023-10-12 | 青岛海尔科技有限公司 | 文本匹配方法和装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765244B (zh) | 获取应答话术的方法、装置、计算机设备及存储介质 | |
CN108491433B (zh) | 聊天应答方法、电子装置及存储介质 | |
CN108829822B (zh) | 媒体内容的推荐方法和装置、存储介质、电子装置 | |
EP3855324A1 (en) | Associative recommendation method and apparatus, computer device, and storage medium | |
CN111753060A (zh) | 信息检索方法、装置、设备及计算机可读存储介质 | |
CN109800307B (zh) | 产品评价的分析方法、装置、计算机设备及存储介质 | |
CN111324713B (zh) | 对话自动回复方法、装置、存储介质和计算机设备 | |
CN113569135B (zh) | 基于用户画像的推荐方法、装置、计算机设备及存储介质 | |
CN110321537B (zh) | 一种文案生成方法和装置 | |
CN106708929B (zh) | 视频节目的搜索方法和装置 | |
CN113094578B (zh) | 基于深度学习的内容推荐方法、装置、设备及存储介质 | |
CN110990533B (zh) | 确定查询文本所对应标准文本的方法及装置 | |
CN111090719B (zh) | 文本分类方法、装置、计算机设备及存储介质 | |
CN110362798B (zh) | 裁决信息检索分析方法、装置、计算机设备和存储介质 | |
CN111767737A (zh) | 文本意图相似度确定方法、装置、电子设备和存储介质 | |
CN109634436B (zh) | 输入法的联想方法、装置、设备及可读存储介质 | |
CN111125366B (zh) | 文本分类方法及装置 | |
CN106570196B (zh) | 视频节目的搜索方法和装置 | |
CN110377618B (zh) | 裁决结果分析方法、装置、计算机设备和存储介质 | |
CN113569118A (zh) | 自媒体推送方法、装置、计算机设备及存储介质 | |
CN113343108A (zh) | 推荐信息处理方法、装置、设备及存储介质 | |
CN113220862A (zh) | 标准问识别方法、装置及计算机设备及存储介质 | |
CN113239697A (zh) | 实体识别模型训练方法、装置、计算机设备及存储介质 | |
CN112148855A (zh) | 一种智能客服问题检索方法、终端以及存储介质 | |
CN111737607A (zh) | 数据处理方法、装置、电子设备以及存储介质 |
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 |