CN112148855A

CN112148855A - 一种智能客服问题检索方法、终端以及存储介质

Info

Publication number: CN112148855A
Application number: CN202010974587.1A
Authority: CN
Inventors: 甘东海; 龙超
Original assignee: Shenzhen Konka Electronic Technology Co Ltd
Current assignee: Shenzhen Konka Electronic Technology Co Ltd
Priority date: 2020-09-16
Filing date: 2020-09-16
Publication date: 2020-12-29

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

一种智能客服问题检索方法、终端以及存储介质

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：

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：

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：

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：

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：

其中，所述构建多组训练数据包括：

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：

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：

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：

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：

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

1.一种智能客服问题检索方法，其特征在于，所述方法包括：

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：

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：

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：

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：

在至少一个第一预设向量中确定所述目标预设向量；

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：

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：

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。