CN112396444A - 一种智能机器人应答方法及装置 - Google Patents
一种智能机器人应答方法及装置 Download PDFInfo
- Publication number
- CN112396444A CN112396444A CN201910755043.3A CN201910755043A CN112396444A CN 112396444 A CN112396444 A CN 112396444A CN 201910755043 A CN201910755043 A CN 201910755043A CN 112396444 A CN112396444 A CN 112396444A
- Authority
- CN
- China
- Prior art keywords
- information
- consulting
- vocabulary
- intent
- candidate
- 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
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- 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
Abstract
本申请示出了一种智能机器人应答方法及装置。在本申请中,接收第一咨询信息;获取第一咨询信息的依存句法信息;然后至少根据依存句法信息确定第一咨询信息的第一咨询意图。由于依存句法信息包括第一咨询信息中各个词汇之间的依存关系、逻辑关系或搭配关系等,因此,借助依存句法信息可以提高确定出第一咨询信息的第一咨询意图的准确度,进而可以准确解答用户的提问。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种智能机器人应答方法及装置。
背景技术
用户在购买商品时往往会遇到一些问题需要咨询,随着技术的飞速发展,越来越多的电商平台使用智能问答系统来解答用户的咨询。
其中,用户可以向智能问答系统提问,智能问答系统根据用户的提问识别出用户的咨询意图,然后根据该咨询意图对用户进行解答,以促进商品的成交。
目前,智能问答系统通常是在用户提问的文本中查找是否存在特定关键词,来确定用户的意图。
然而,发明人发现,现有技术的方式识别出的用户的意图的准确度较低,返回的答案的主题与往往与用户的提问的主题,无法准确解答用户的提问。
例如,“以“颜色”类别为例,通常情况下,当用户提问的文本中包含有关键词“颜色”,或者,包括有红黄蓝绿”等用于表示颜色的词汇时,可以将用户的意图确定为询问颜色。
假设,一个文本为“这件红色的衣服是多少钱”,用户的真实意图是询问价格,但是按照上述方式,文本中包含“红色”这一用于标识颜色的词汇,因此,会将用户的意图确定为询问颜色,确定出的意图与用户的珍视意图不同,从而无法准确解答用户的提问。
发明内容
为解决上述技术问题,本申请实施例示出了一种智能机器人应答方法及装置。
第一方面,本申请实施例示出了一种智能机器人应答方法,所述方法包括:
接收第一咨询信息;
获取所述第一咨询信息的依存句法信息;
至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图。
在一个可选的实现方式中,所述至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图,包括:
确定所述第一咨询信息中包括的词汇;
根据所述依存句法信息确定所述词汇中的至少部分词汇在所述第一咨询信息中的语法角色;
根据所述至少部分词汇的所述语法角色确定所述第一咨询意图。
在一个可选的实现方式中,所述根据所述至少部分词汇的所述语法角色确定所述第一咨询意图,包括:
对于多个候选意图中的每一个候选意图,根据所述候选意图对应的模式匹配规则和所述至少部分词汇的所述语法角色确定所述候选意图是否为所述第一咨询意图。
在一个可选的实现方式中,所述根据所述候选意图对应的模式匹配规则和所述至少部分词汇的所述语法角色确定所述候选意图是否为所述第一咨询意图,包括:
确定所述至少部分词汇中的第一语法角色的词汇中是否包括用于表示所述候选意图的词汇;
如果所述第一语法角色的词汇中包括用于表示所述意图的词汇,则确定所述候选意图为所述第一咨询意图。
在一个可选的实现方式中,所述方法还包括:
如果所述第一语法角色的词汇中不包括用于表示所述候选意图的词汇,则确定所述第一语法角色的词汇中是否包括所述候选意图的相关词汇;
如果所述第一语法角色的词汇中包括所述候选意图的相关词汇,则确定所述至少部分词汇中的第二语法角色的词汇中是否包括用于表示所述候选意图的词汇;
如果所述第二语法角色的词汇中包括用于表示所述候选意图的词汇,则确定所述候选意图为所述第一咨询意图。
在一个可选的实现方式中,所述方法还包括:
如果所述第二语法角色的词汇中不包括用于表示所述候选意图的词汇,则确定所述候选意图不为所述第一咨询意图。
在一个可选的实现方式中,所述方法还包括:
如果所述第一语法角色的词汇中不包括所述候选意图的相关词汇,则确定所述第一语法角色的词汇中是否包括预设关键词;
如果所述第一语法角色的词汇中包括所述预设关键词,则确定所述至少部分词汇中的第三语法角色的词汇中是否包括用于表示所述候选意图的词汇;
如果所述第三语法角色的词汇中包括用于表示所述候选意图的词汇,则确定所述候选意图为所述第一咨询意图。
在一个可选的实现方式中,所述方法还包括:
如果所述第一语法角色的词汇不包括所述预设关键词,则确定所述候选意图不为所述第一咨询意图。
在一个可选的实现方式中,所述方法还包括:
如果所述第三语法角色的词汇不包括用于表示所述候选意图的词汇,则确定所述候选意图不为所述第一咨询意图。
在一个可选的实现方式中,所述至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图,包括:
确定所述第一咨询信息中包括的词汇,确定各个词汇的词性,以及确定各个词汇在所述第一咨询信息中的位置;
根据所述词汇、所述词性、所述位置以及所述依存句法信息确定所述第一咨询信息的第一咨询意图。
在一个可选的实现方式中,所述根据所述词汇、所述词性、所述位置以及所述依存句法信息确定所述第一咨询信息的第一咨询意图,包括:
将所述词汇、所述词性、所述位置以及所述依存句法信息输入分类器模型中,得到所述分类器模型至少输出的所述第一咨询信息的第一咨询意图。
在一个可选的实现方式中,所述分类器模型包括输入层、编码层以及预测层;所述编码层中包含注意力机制;
所述将所述词汇、所述词性、所述位置以及所述依存句法信息输入分类器模型中,包括:
将所述词汇、所述词性以及所述位置输入所述输入层中,以使所述输入层将所述词汇、所述词性以及所述位置融合为第一向量,并将所述第一向量输入所述编码层中;
将所述依存句法信息输入所述编码层中,以使所述编码层基于所述注意力机制至少对所述依存句法信息进行处理,得到第二向量,以及对所述第一向量和所述第二向量处理,得到第三向量,并将所述第三向量输入所述预测层中;
其中,所述预测层用于根据所述第三向量预测所述第一咨询信息的第一咨询意图。
在一个可选的实现方式中,所述分类器模型用于预测所述第一咨询信息的多个候选意图以及所述每一个所述候选意图的概率值,以及选择预设数量个概率值由高至低排列的候选意图作为所述第一咨询意图并输出。
在一个可选的实现方式中,所述方法还包括:
如果所述分类器模型输出的候选意图的最高的概率值低于预设阈值,则根据所述依存句法信息确定所述词汇中的至少部分词汇在所述第一咨询信息中的语法角色,根据所述至少部分词汇的所述语法角色确定所述第一咨询意图。
在一个可选的实现方式中,所述第一咨询信息为多轮咨询对话中的非第一个咨询信息;
所述至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图,包括:
获取所述多轮咨询对话中位于所述第一咨询信息之前的第二咨询信息;
根据所述依存句法信息与所述第二咨询信息确定所述第一咨询意图。
在一个可选的实现方式中,所述根据所述依存句法信息与所述第二咨询信息确定所述第一咨询意图,包括:
获取所述第二咨询信息的第二咨询意图;
根据所述依存句法信息和所述第二咨询意图确定所述第一咨询意图。
第二方面,本申请实施例示出了一种智能机器人应答装置,所述装置包括:
接收模块,用于接收第一咨询信息;
获取模块,用于获取所述第一咨询信息的依存句法信息;
确定模块,用于至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图。
在一个可选的实现方式中,所述确定模块包括:
第一确定单元,用于确定所述第一咨询信息中包括的词汇;
第二确定单元,用于根据所述依存句法信息确定所述词汇中的至少部分词汇在所述第一咨询信息中的语法角色;
第三确定单元,用于根据所述至少部分词汇的所述语法角色确定所述第一咨询意图。
在一个可选的实现方式中,所述第三确定单元包括:
第一确定子单元,用于对于多个候选意图中的每一个候选意图,根据所述候选意图对应的模式匹配规则和所述至少部分词汇的所述语法角色确定所述候选意图是否为所述第一咨询意图。
在一个可选的实现方式中,所述第一确定子单元具体用于:确定所述至少部分词汇中的第一语法角色的词汇中是否包括用于表示所述候选意图的词汇;如果所述第一语法角色的词汇中包括用于表示所述意图的词汇,则确定所述候选意图为所述第一咨询意图。
在一个可选的实现方式中,所述第一确定子单元具体还用于:如果所述第一语法角色的词汇中不包括用于表示所述候选意图的词汇,则确定所述第一语法角色的词汇中是否包括所述候选意图的相关词汇;如果所述第一语法角色的词汇中包括所述候选意图的相关词汇,则确定所述至少部分词汇中的第二语法角色的词汇中是否包括用于表示所述候选意图的词汇;如果所述第二语法角色的词汇中包括用于表示所述候选意图的词汇,则确定所述候选意图为所述第一咨询意图。
在一个可选的实现方式中,所述第一确定子单元具体还用于:
如果所述第二语法角色的词汇中不包括用于表示所述候选意图的词汇,则确定所述候选意图不为所述第一咨询意图。
在一个可选的实现方式中,所述第一确定子单元具体还用于:如果所述第一语法角色的词汇中不包括所述候选意图的相关词汇,则确定所述第一语法角色的词汇中是否包括预设关键词;如果所述第一语法角色的词汇中包括所述预设关键词,则确定所述至少部分词汇中的第三语法角色的词汇中是否包括用于表示所述候选意图的词汇;如果所述第三语法角色的词汇中包括用于表示所述候选意图的词汇,则确定所述候选意图为所述第一咨询意图。
在一个可选的实现方式中,所述第一确定子单元具体还用于:如果所述第一语法角色的词汇不包括所述预设关键词,则确定所述候选意图不为所述第一咨询意图。
在一个可选的实现方式中,所述第一确定子单元具体还用于:如果所述第三语法角色的词汇不包括用于表示所述候选意图的词汇,则确定所述候选意图不为所述第一咨询意图。
在一个可选的实现方式中,所述确定模块包括:
第四确定单元,用于确定所述第一咨询信息中包括的词汇,确定各个词汇的词性,以及确定各个词汇在所述第一咨询信息中的位置;
第五确定单元,用于根据所述词汇、所述词性、所述位置以及所述依存句法信息确定所述第一咨询信息的第一咨询意图。
在一个可选的实现方式中,所述第五确定单元包括:
输入子单元,用于将所述词汇、所述词性、所述位置以及所述依存句法信息输入分类器模型中,得到所述分类器模型至少输出的所述第一咨询信息的第一咨询意图。
在一个可选的实现方式中,所述分类器模型包括输入层、编码层以及预测层;所述编码层中包含注意力机制;
所述输入子单元具体用于:将所述词汇、所述词性以及所述位置输入所述输入层中,以使所述输入层将所述词汇、所述词性以及所述位置融合为第一向量,并将所述第一向量输入所述编码层中;将所述依存句法信息输入所述编码层中,以使所述编码层基于所述注意力机制至少对所述依存句法信息进行处理,得到第二向量,以及对所述第一向量和所述第二向量处理,得到第三向量,并将所述第三向量输入所述预测层中;其中,所述预测层用于根据所述第三向量预测所述第一咨询信息的第一咨询意图。
在一个可选的实现方式中,所述分类器模型用于预测所述第一咨询信息的多个候选意图以及所述每一个所述候选意图的概率值,以及选择预设数量个概率值由高至低排列的候选意图作为所述第一咨询意图并输出。
在一个可选的实现方式中,确定模块还包括:第六确定单元如果所述分类器模型输出的候选意图的最高的概率值低于预设阈值,则根据所述依存句法信息确定所述词汇中的至少部分词汇在所述第一咨询信息中的语法角色,根据所述至少部分词汇的所述语法角色确定所述第一咨询意图。
在一个可选的实现方式中,所述第一咨询信息为多轮咨询对话中的非第一个咨询信息;
所述确定模块包括:
获取单元,用于获取所述多轮咨询对话中位于所述第一咨询信息之前的第二咨询信息;
第七确定单元,用于根据所述依存句法信息与所述第二咨询信息确定所述第一咨询意图。
在一个可选的实现方式中,所述第七确定单元包括:
获取子单元,用于获取所述第二咨询信息的第二咨询意图;
第二确定子单元,用于根据所述依存句法信息和所述第二咨询意图确定所述第一咨询意图。
第三方面,本申请实施例示出了一种电子设备,所述电子设备包括:
处理器;和
存储器,其上存储有可执行代码,当所述可执行代码被执行时,使得所述处理器执行如第一方面所述的智能机器人应答方法。
第四方面,本申请实施例示出了一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被执行时,使得处理器执行如第一方面所述的智能机器人应答方法。
第五方面,本申请实施例示出了一种智能机器人,所述智能机器人包括输入设备和处理器:
所述输入设备耦合至所述处理器,用于接收第一咨询信息;
所述处理器用于获取所述第一咨询信息的依存句法信息,至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图。
第六方面,本申请实施例示出了一种自动应答系统,所述自动应答系统包括:
输入层、编码层以及预测层;
所述编码层中包含注意力机制;
所述输入层用于接收咨询信息中包括的词汇,各个词汇的词性,各个词汇在所述咨询信息中的位;并将所述词汇、所述词性以及所述位置融合为第一向量,将所述第一向量输入所述编码层中,以及将所述依存句法信息输入所述编码层中;
所述编码层用于接收所述第一向量以及所述咨询信息的依存句法信息;
基于所述注意力机制至少对依存句法信息进行处理,得到第二向量,以及对所述第一向量和所述第二向量处理,得到第三向量,并将所述第三向量输入所述预测层中;
所述预测层用于根据所述第三向量预测所述咨询信息的咨询意图。
在一个可选的实现方式中,所述自动应答系统用于预测所述咨询信息的多个候选意图以及所述每一个所述候选意图的概率值,以及选择预设数量个概率值由高至低排列的候选意图作为所述咨询意图并输出。
在一个可选的实现方式中,所述方法还包括:
如果所述自动应答系统输出的候选意图的最高的概率值低于预设阈值,则根据所述依存句法信息确定所述词汇中的至少部分词汇在所述第一咨询信息中的语法角色,根据所述至少部分词汇的所述语法角色确定所述第一咨询意图。
与现有技术相比,本申请实施例包括以下优点:
在本申请中,接收第一咨询信息;获取第一咨询信息的依存句法信息;然后至少根据依存句法信息确定第一咨询信息的第一咨询意图。由于依存句法信息包括第一咨询信息中各个词汇之间的依存关系、逻辑关系或搭配关系等,因此,借助依存句法信息可以提高确定出第一咨询信息的第一咨询意图的准确度,进而可以准确解答用户的提问。
附图说明
图1是根据一示例性实施例示出的一种智能机器人应答方法的流程图。
图2是根据一示例性实施例示出的一种依存句法树的示意图。
图3是根据一示例性实施例示出的一种智能机器人应答方法的流程图。
图4是根据一示例性实施例示出的一种智能机器人应答方法的流程图。
图5是根据一示例性实施例示出的一种智能机器人应答方法的流程图。
图6是根据一示例性实施例示出的一种智能机器人应答方法的流程图。
图7是根据一示例性实施例示出的一种智能机器人应答方法的流程图。
图8是根据一示例性实施例示出的一种自动应答系统的框图。
图9是根据一示例性实施例示出的一种智能机器人应答装置的框图。
图10是根据一示例性实施例示出的一种智能机器人应答装置的框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
图1是根据一示例性实施例示出的一种智能机器人应答方法的流程图,如图1所示,该方法包括以下步骤。
在步骤S101中,接收第一咨询信息;
在本申请中,当用户在电商平台上找到需要购买的商品时,用户可以进入到该商品的详情页,然后在详情页上查看该商品的详情信息,当遇到关于该商品的问题时,用户可以向电商平台的客服咨询,电商平台的客服包括人工客服和机器客服,当机器客服为用户提供服务时,机器客服需要确定出用户的咨询意图,以确定出用户是想咨询哪方面的问题,然后再对用户解答。
例如,用户向机器客户提交的第一咨询信息为“这件红色的衣服为多少钱”。从这句话中可以看出用户实质上是想问价格。机器客服需要识别出第一咨询信息的意图为咨询商品的价格。
在步骤S102中,获取第一咨询信息的依存句法信息;
在本申请中,可以对第一咨询信息进行句法分析,得到第一咨询信息的依存句法信息。本申请对具体的句法分析方法不做限定。
其中,依存句法信息包括第一咨询信息中各个词语之间的依存关系、逻辑关系或搭配关系等。
例如,主谓关系、动宾关系、间宾关系、前置宾语、兼语关系、定中关系、状中关系、动补关系、并列关系以及介宾关系等等,
例如,对于“我送她一束花”这句话,“我”和“送”之间是主谓关系,“花”直接宾语,“送”和“花”之间是动宾关系,即,动词与直接宾语之间的关系,“她”是简介宾语,“送”和“她”之间是间宾关系,即,动词与间接宾语之间的关系。
再例如,对于“我什么书都读”这句话,“书”是前置宾语。
再例如,对于“他请我吃饭”这句话,“请”与“我”之间是兼语关系。
再例如,对于“红苹果”这句话,“红”与“苹果”之间是定中关系。
再例如,对于“非常美丽”这句话,“非常”与“美丽”之间是状中关系。
再例如,对于“我做完了作业”这句话,“做”与“完”之间是动补关系。
再例如,对于“大山和大海”这句话,“大山”与“大海”之间是并列关系。
再例如,对于“在贸易区内”这句话,“在”与“内”之间是介宾关系。
在对第一咨询信息进行句法分析时,可以根据第一咨询信息中的词汇构建依存句法树,依存句法树中包括多个节点,节点第一咨询信息中的词语,为相连接的节点之间具备依存关系、逻辑关系或搭配关系等,逻辑关系或搭配关系是与语义相关联的。
例如,假设第一咨询信息为“这件红色的衣服是多少钱?”,通过句法分析得出,“为”与“衣服”具备依存关系,为”与“多少钱”具备依存关系,“红色”与“衣服”具备依存关系,“这件”与“衣服”具备依存关系,生成的依存句法树可以如图2所示。
在步骤S103中,至少根据依存句法信息确定第一咨询信息的第一咨询意图。
本步骤具体可以参见之后图2和图5所示的实施例,在此不作详述。
在本申请中,接收第一咨询信息;获取第一咨询信息的依存句法信息;然后至少根据依存句法信息确定第一咨询信息的第一咨询意图。由于依存句法信息包括第一咨询信息中各个词汇之间的依存关系、逻辑关系或搭配关系等,因此,借助依存句法信息可以提高确定出第一咨询信息的第一咨询意图的准确度,进而可以准确解答用户的提问。
在本申请一个实施例中,参见图3,步骤S103包括:
在步骤S201中,确定第一咨询信息中包括的词汇;
在本申请中,可以对第一咨询信息分词,得到第一咨询信息中包括的词汇,本申请对具体的分词方法不做限定。
在步骤S202中,根据依存句法信息确定该词汇中的至少部分词汇在第一咨询信息中的语法角色;
在本申请中,语法角色包括主语、谓语、宾语、定语、状语以及补语等。
本申请可以通过现有技术中的任意一种方法来确定至少部分词汇在第一咨询信息中的语法角色,本申请对具体的确定方法不做限定。
在步骤S203中,根据至少部分词汇在第一咨询信息中的语法角色确定第一咨询意图。
在本申请中,可以对在历史过程中接收到的大量的历史咨询信息进行分析,以分析出各个历史咨询信息的意图,例如,包括关于询问商品颜色的意图、关于询问商品价格的意图、关于询问商品尺寸的意图等等。对分析出的意图去重复,剩余的多个意图可以作为候选意图,其中,之后接收到的咨询信息的意图往往也位于多个候选意图之中。
对于多个候选意图中的任意一个候选意图,在历史过程中的该候选意图对应的历史咨询信息中,可以分析该候选意图对应的历史咨询信息的话术特点和/或语法特点等,例如,各个语法角色的词汇的话术特点和/或语法特点等,然后根据话术特点和/或语法特点配置该候选意图对应的模式匹配规则,之后就可以使用该候选意图对应的模式匹配规则确定出该候选意图是否为新接收的咨询信息的咨询意图。
在本步骤中,可以根据该候选意图对应的模式匹配规则和至少部分词汇的语法角色确定该候选意图是否为第一咨询信息的第一咨询意图。
其中,根据该候选意图对应的模式匹配规则可以确定出该候选意图是否为第一咨询信息的第一咨询意图。当然,如果确定出该候选意图不为第一咨询信息的第一咨询意图,则可以继续使用其他候选意图对应的模式匹配规则来确定其他候选意图是否为第一咨询信息的第一咨询意图。
对于多个候选意图中的其他每一个候选意图,同样如此。
如此,可以确定出多个候选意图中的哪些候选意图为第一咨询信息的第一咨询意图。
本申请以一个示例进行举例说明,参见图4,其中,根据该候选意图对应的模式匹配规则和至少部分词汇的语法角色确定该候选意图是否为第一咨询信息的第一咨询意图,包括:
在步骤S301中,确定至少部分词汇中的第一语法角色的词汇中是否包括用于表示该候选意图的词汇;
在本申请中,事先可以统计用于表示该候选意图的词汇,并将统计出的用于表示该候选意图的词汇组成第一词汇集合。
如此,在本步骤中,可以确定至少部分词汇中的第一语法角色的词汇中是否包括第一词汇集合中的词汇。
如果至少部分词汇中的第一语法角色的词汇中包括第一词汇集合中的词汇,则确定第一语法角色的词汇中包括用于表示该候选意图的词汇,然后可以执行步骤S302。
如果至少部分词汇中的第一语法角色的词汇中不包括第一词汇集合中的词汇,则确定第一语法角色的词汇中不包括用于表示该候选意图的词汇,然后可以执行步骤S303。
如果第一语法角色的词汇中包括用于表示该候选意图的词汇,在步骤S302中,确定该候选意图为第一咨询信息的第一咨询意图。
如果第一语法角色的词汇中不包括用于表示该候选意图的词汇,在步骤S303中,确定第一语法角色的词汇是否包括该候选意图的相关词汇;
在本申请中,事先可以统计该候选意图的相关词汇,并将统计出的该候选意图的相关词汇组成第二词汇集合。
其中,该候选意图的相关词汇与用于表示该候选意图的词汇不同,用于表示该候选意图的词汇单独可以直接体现出该候选意图,而该候选意图的相关词汇单独无法直接体现出该候选意图,而需要结合其他语法结构的词汇一起来确定该候选意图是否为第一咨询信息的第一咨询意图。
例如,在第一语法角色的词汇包括该候选意图的相关词汇且第二语法角色的词汇包括用于表示该候选意图的词汇的情况下,才能确定该候选意图为第一咨询信息的第一咨询意图。
例如,假设该候选意图用于询问商品的颜色,用于表示该候选意图的词汇包括红、绿、蓝、白、颜以及色等等,根据这些词汇可以直接体现出询问商品的颜色的意图。
该候选意图的相关词汇包括暗、亮、正、反等等,例如,有些用户会问“衣服亮吗”?是想问衣服的颜色亮不亮,谓语“亮”即为相关词汇,主语为表示该意图的词汇“颜色”,因此,可以确定这句话的意图为用于询问商品的颜色。
或者,有些用户会问“衣服颜色正吗?”,是想问颜色是否有偏差等,谓语“正”即为相关词汇,主语为表示该意图的词汇“颜色”,因此,可以确定这句话的意图为用于询问商品的颜色。
如此,在本步骤中,可以确定至少部分词汇中的第一语法角色的词汇中是否包括第二词汇集合中的词汇。
如果至少部分词汇中的第一语法角色的词汇中包括第二词汇集合中的词汇,则确定第一语法角色的词汇中包括该候选意图的相关词汇,然后可以执行步骤S304;
如果至少部分词汇中的第一语法角色的词汇中不包括第二词汇集合中的词汇,则确定第一语法角色的词汇中不包括该候选意图的相关词汇,然后可以执行步骤S307。
如果第一语法角色的词汇包括该候选意图的相关词汇,在步骤S304中,确定至少部分词汇中的第二语法角色的词汇是否包括用于表示该候选意图的词汇;
在本步骤中,可以确定至少部分词汇中的第二语法角色的词汇是否包括第一词汇集合中的词汇;
如果至少部分词汇中的第二语法角色的词汇中包括第一词汇集合中的词汇,则确定第二语法角色的词汇中包括用于表示该候选意图的词汇,然后可以执行步骤S302:确定该候选意图为第一咨询信息的第一咨询意图。
如果至少部分词汇中的第二语法角色的词汇中不包括第一词汇集合中的词汇,则确定第二语法角色的词汇中不包括用于表示该候选意图的词汇,然后可以执行步骤S305。
如果第二语法角色的词汇不包括用于表示该候选意图的词汇,在步骤S305中,确定该候选意图不为第一咨询信息的第一咨询意图。
如果第一语法角色的词汇不包括该候选意图的相关词汇,在步骤S306中,确定第一语法角色的词汇是否包括预设关键词;
在本申请中,预设关键词包括具有指示作用或者连接作用的词汇,例如“是”、“为”、“有”以及“具备”等。
如果第一语法角色的词汇不包括预设关键词,则执行步骤S305:确定该候选意图不为第一咨询信息的第一咨询意图。
如果第一语法角色的词汇包括预设关键词,在步骤S307中,确定至少部分词汇中的第三语法角色的词汇是否包括用于表示该候选意图的词汇;
在本步骤中,可以确定至少部分词汇中的第三语法角色的词汇是否包括第一词汇集合中的词汇;
如果至少部分词汇中的第三语法角色的词汇中包括第一词汇集合中的词汇,则确定第三语法角色的词汇中包括用于表示该候选意图的词汇,然后可以执行步骤S302:确定该候选意图为第一咨询信息的第一咨询意图。
如果至少部分词汇中的第三语法角色的词汇中不包括第一词汇集合中的词汇,则确定第三语法角色的词汇中不包括用于表示该候选意图的词汇,然后可以执行步骤S305:确定该候选意图不为第一咨询信息的第一咨询意图。
在一个例子中,以该候选意图为询问商品颜色为例进行举例说明,事先可以统计历史过程中的询问商品颜色的所有咨询信息,并对询问商品颜色的所有咨询信息分析,得到询问商品颜色的所有咨询信息的常用话术和语法,例如,往往是谓语包含用于表示颜色的词汇,或者,谓语包含颜色的相关词汇且主语中包含用于表示颜色的词汇,或者,谓语包含“是”、“有”或“为”等连接词且宾语包含用于表示颜色的词汇。
如此,在图4所示的基础之上,图5为根据颜色对应的模式匹配规则和至少部分词汇的语法角色确定第一咨询信息的第一咨询意图的流程示意图。
在图5中,谓语为第一语法角色,主语为第二语法角色,宾语为第三语法角色。用于表示颜色的词汇包括红、绿、蓝、白、颜以及色等等。颜色的相关词汇包括暗、亮、正以及反等等。预设关键词包括具有指示作用或者连接作用的词汇,例如“是”、“为”、“有”以及“具备”。
在本申请另一实施例中,参见图6,步骤S103包括:
在步骤S401中,确定第一咨询信息中包括的词汇,确定各个词汇的词性,以及确定各个词汇在第一咨询信息中的位置;
在本申请中,可以对第一咨询信息分词,得到第一咨询信息中包括的词汇,本申请对具体的分词方法不做限定。
词汇的词性包括名词、代词、形容词、副词、动词以及连接词等。
在步骤S402中,根据该词汇、该词性、该位置以及依存句法信息确定第一咨询信息的第一咨询意图。
在本申请中,可以借助分类器模型来根据该词汇、该词性、该位置以及依存句法信息确定第一咨询信息的第一咨询意图。
其中,事先可以训练分类器模型,例如,获取多个样本信息集合,每一个样本信息集合中包括样本咨询信息包括的样本词汇,各个样本词汇的词性,各个样本词汇在样本咨询信息中的位置,样本咨询信息的样本依存句法信息以及样本咨询信息的标注咨询意图,使用多个样本信息集合中的信息模型进行训练,直至该模型中的权重均收敛,得到分类器模型。
如此,可以将词汇、词性、位置以及依存句法信息输入分类器模型中,得到分类器模型至少输出的第一咨询信息的第一咨询意图。
在本申请中,分类器模型包括输入层、编码层以及预测层;编码层中包含注意力机制;
其中,可以将词汇、词性以及位置输入输入层中,以使输入层将词汇、词性以及位置融合为第一向量,并将第一向量输入编码层中。
以及,将依存句法信息输入编码层中,以使编码层基于注意力机制至少对依存句法信息进行处理,得到第二向量,以及对第一向量和第二向量处理,得到第三向量,并将第三向量输入所述预测层中;
预测层用于根据第三向量预测第一咨询信息的第一咨询意图。
其中,分类器模型用于预测第一咨询信息的多个候选意图以及每一个候选意图的概率值,以及选择预设数量个概率值由高至低排列的候选意图作为第一咨询意图并输出。
例如,分类器模型中的预测层中的倒数第二层可以输出第一咨询信息的多个候选意图以及每一个候选意图的概率值,将第一咨询信息的多个候选意图以及每一个候选意图的概率值输入分类器模型中的预测层中的最后一层,分类器模型中的预测层中的最后一层选择预设数量个概率值由高至低排列的候选意图作为第一咨询信息的第一咨询信息并输出。
在本申请中,可以通过图3和图6分别所示任意一种的方法来确定第一咨询信息的第一咨询意图,然而,图3和图6分别所示的方法是两种不同的至少根据依存句法信息确定第一咨询信息的第一咨询意图的方法,根据这两种方法确定出的第一咨询意图可能相同,也可能不同。
根据这两种方法确定出的第一咨询意图不同的情况下,可以结合图3和图6分别所示方法来确定第一咨询信息的第一咨询意图的方法。
例如,在根据图6所示的方法得到分类器模型输出参考意图的之后,如果分类器模型输出的候选意图的最高的概率值大于或等于预设阈值,则说明候选意图为第一咨询信息的第一咨询意图的可信度较高,即,候选意图为第一咨询信息的实际意图的可能性较大。
如果分类器模型输出的参考意图的最高的概率值小于预设阈值,则说明候选意图为第一咨询信息的第一咨询意图的可信度较低,即,候选意图为第一咨询信息的实际意图的可能性较小。在这种情况下,为了使得得到的第一咨询信息的第一咨询意图更加准确,则可以执行步骤S202~步骤S203,以通过图3所示的方式来获取第一咨询信息的第一咨询意图。
在本申请另一实施例中,第一咨询信息为多轮咨询对话中的非第一个咨询信息;即,用户在向机器客服提交第一咨询信息之前的短暂时间内向机器客服还提交过其他咨询信息,通常情况下,在对话中,向机器客服提交的相邻的咨询信息或者相隔较近的咨询信息的意图往往是相同或者相近的。因此,可以结合多轮咨询对话中位于第一咨询信息之前的第二咨询信息和第一咨询信息的依存句法信息来确定第一咨询信息的第一咨询意图,以提高确定的第一咨询信息的第一咨询意图的准确度。
具体地,参见图7,步骤S103包括:
在步骤S501中,获取多轮咨询对话中位于第一咨询信息之前的第二咨询信息;
在本申请中,在多轮咨询对话中,机器客服是先接收到第二咨询信息,然后确定第二咨询信息的第二咨询意图,再根据第二咨询意图对用户解答,之后用户继续向机器客服提交第一咨询信息,机器客服接收第一咨询信息。
其中,机器客服在接收到第二咨询信息之后可以存储第二咨询信息,直至不再需要向用户解答时,例如,多轮咨询对话结束时,可以删除第二咨询信息。
如此,在本申请中,可以确定第一咨询信息所在的多轮咨询对话。其中,咨询对话是机器客服与特定用户之间的多轮咨询对话,因此,可以根据用户的用户标识来绑定多轮咨询对话,如此,在接收到第一咨询信息之后,可以确定提交第一咨询信息的用户,根据提交第一咨询信息的用户的用户标识确定多轮咨询对话,然后获取多轮咨询对话中已存储的全部或部分咨询信息,作为第二咨询信息。
在步骤S502中,根据依存句法信息与第二咨询信息确定第一咨询信息的第一咨询意图。
在本申请中,可以获取第二咨询信息的第二咨询意图;在步骤S501的描述中,机器客服之前在确定第二咨询信息的第二咨询意图之后,就可以存储第二咨询信息的第二咨询意图,如此,在本步骤中,可以直接获取已存储的第二咨询信息的第二咨询意图。然后根据依存句法信息和第二咨询意图确定第一咨询意图。
图8是根据一示例性实施例示出的一种自动应答系统的框图,如图8所示,自动应答系统包括:
输入层、编码层以及预测层;
编码层中包含注意力机制;
输入层用于接收咨询信息中包括的词汇,各个词汇的词性,各个词汇在咨询信息中的位;并将词汇、词性以及位置融合为第一向量,将第一向量输入编码层中,以及将依存句法信息输入编码层中;
编码层用于接收第一向量以及咨询信息的依存句法信息;
基于注意力机制至少对依存句法信息进行处理,得到第二向量,以及对第一向量和第二向量处理,得到第三向量,并将第三向量输入预测层中;
预测层用于根据第三向量预测咨询信息的咨询意图。
在一个可选的实现方式中,自动应答系统用于预测咨询信息的多个候选意图以及每一个候选意图的概率值,以及选择预设数量个概率值由高至低排列的候选意图作为咨询意图并输出。
在一个可选的实现方式中,如果自动应答系统输出的候选意图的最高的概率值低于预设阈值,则根据依存句法信息确定词汇中的至少部分词汇在第一咨询信息中的语法角色,根据至少部分词汇的语法角色确定第一咨询意图。
在图8中,编码层中包括多个串行连接的syntax-enhanced self-attention模型(句法加强的自注意力模型),
第一个syntax-enhanced self-attention模型的输入为输入层输出的第一向量以及依存句法信息,之后的每一个syntax-enhanced self-attention模型的输入为相邻的前一个syntax-enhanced self-attention模型的输出以及依存句法信息。
在一个syntax-enhanced self-attention模型中,将输入层输出的第一向量或相邻的前一个syntax-enhanced self-attention模型的输出输入至FNN(FeedforwardNeural Network,前馈神经网络)中,得到一向量,然后将该向量1和FNN的输入一起输入至残差网络中,然后将残差网络的输出进行归一化,将归一化后的结果与依存句法信息输入multi-head seif-attention模型(多头注意力模型)中,将multi-head seif-attention模型的输出以及归一化(normalization)后的结果在输入一起输入至另一个残差网络中,然后将该另一个残差网络的输出进行归一化,将归一化后的结果作为个syntax-enhancedself-attention模型的输出。
在预测层,通过softmax操作预测咨询信息的多个候选意图以及每一个候选意图的概率值,以及选择预设数量个概率值由高至低排列的候选意图作为咨询意图并输出。
图9是根据一示例性实施例示出的一种智能机器人应答装置的框图,如图9所示,该装置包括:
接收模块11,用于接收第一咨询信息;
获取模块12,用于获取所述第一咨询信息的依存句法信息;
确定模块13,用于至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图。
在一个可选的实现方式中,所述确定模块13包括:
第一确定单元,用于确定所述第一咨询信息中包括的词汇;
第二确定单元,用于根据所述依存句法信息确定所述词汇中的至少部分词汇在所述第一咨询信息中的语法角色;
第三确定单元,用于根据所述至少部分词汇的所述语法角色确定所述第一咨询意图。
在一个可选的实现方式中,所述第三确定单元包括:
第一确定子单元,用于对于多个候选意图中的每一个候选意图,根据所述候选意图对应的模式匹配规则和所述至少部分词汇的所述语法角色确定所述候选意图是否为所述第一咨询意图。
在一个可选的实现方式中,所述第一确定子单元具体用于:确定所述至少部分词汇中的第一语法角色的词汇中是否包括用于表示所述候选意图的词汇;如果所述第一语法角色的词汇中包括用于表示所述意图的词汇,则确定所述候选意图为所述第一咨询意图。
在一个可选的实现方式中,所述第一确定子单元具体还用于:如果所述第一语法角色的词汇中不包括用于表示所述候选意图的词汇,则确定所述第一语法角色的词汇中是否包括所述候选意图的相关词汇;如果所述第一语法角色的词汇中包括所述候选意图的相关词汇,则确定所述至少部分词汇中的第二语法角色的词汇中是否包括用于表示所述候选意图的词汇;如果所述第二语法角色的词汇中包括用于表示所述候选意图的词汇,则确定所述候选意图为所述第一咨询意图。
在一个可选的实现方式中,所述第一确定子单元具体还用于:
如果所述第二语法角色的词汇中不包括用于表示所述候选意图的词汇,则确定所述候选意图不为所述第一咨询意图。
在一个可选的实现方式中,所述第一确定子单元具体还用于:如果所述第一语法角色的词汇中不包括所述候选意图的相关词汇,则确定所述第一语法角色的词汇中是否包括预设关键词;如果所述第一语法角色的词汇中包括所述预设关键词,则确定所述至少部分词汇中的第三语法角色的词汇中是否包括用于表示所述候选意图的词汇;如果所述第三语法角色的词汇中包括用于表示所述候选意图的词汇,则确定所述候选意图为所述第一咨询意图。
在一个可选的实现方式中,所述第一确定子单元具体还用于:如果所述第一语法角色的词汇不包括所述预设关键词,则确定所述候选意图不为所述第一咨询意图。
在一个可选的实现方式中,所述第一确定子单元具体还用于:如果所述第三语法角色的词汇不包括用于表示所述候选意图的词汇,则确定所述候选意图不为所述第一咨询意图。
在一个可选的实现方式中,所述确定模块13包括:
第四确定单元,用于确定所述第一咨询信息中包括的词汇,确定各个词汇的词性,以及确定各个词汇在所述第一咨询信息中的位置;
第五确定单元,用于根据所述词汇、所述词性、所述位置以及所述依存句法信息确定所述第一咨询信息的第一咨询意图。
在一个可选的实现方式中,所述第五确定单元包括:
输入子单元,用于将所述词汇、所述词性、所述位置以及所述依存句法信息输入分类器模型中,得到所述分类器模型至少输出的所述第一咨询信息的第一咨询意图。
在一个可选的实现方式中,所述分类器模型包括输入层、编码层以及预测层;所述编码层中包含注意力机制;
所述输入子单元具体用于:将所述词汇、所述词性以及所述位置输入所述输入层中,以使所述输入层将所述词汇、所述词性以及所述位置融合为第一向量,并将所述第一向量输入所述编码层中;将所述依存句法信息输入所述编码层中,以使所述编码层基于所述注意力机制至少对所述依存句法信息进行处理,得到第二向量,以及对所述第一向量和所述第二向量融合处理,得到第三向量,并将所述第三向量输入所述预测层中;其中,所述预测层用于根据所述第三向量预测所述第一咨询信息的第一咨询意图。
在一个可选的实现方式中,所述分类器模型用于预测所述第一咨询信息的多个候选意图以及所述每一个所述候选意图的概率值,以及选择预设数量个概率值由高至低排列的候选意图作为所述第一咨询意图并输出。
在一个可选的实现方式中,确定模块13还包括:第六确定单元如果所述分类器模型输出的候选意图的最高的概率值低于预设阈值,则根据所述依存句法信息确定所述词汇中的至少部分词汇在所述第一咨询信息中的语法角色,根据所述至少部分词汇的所述语法角色确定所述第一咨询意图。
在一个可选的实现方式中,所述第一咨询信息为多轮咨询对话中的非第一个咨询信息;
所述确定模块13包括:
获取单元,用于获取所述多轮咨询对话中位于所述第一咨询信息之前的第二咨询信息;
第七确定单元,用于根据所述依存句法信息与所述第二咨询信息确定所述第一咨询意图。
在一个可选的实现方式中,所述第七确定单元包括:
获取子单元,用于获取所述第二咨询信息的第二咨询意图;
第二确定子单元,用于根据所述依存句法信息和所述第二咨询意图确定所述第一咨询意图。
在本申请中,接收第一咨询信息;获取第一咨询信息的依存句法信息;然后至少根据依存句法信息确定第一咨询信息的第一咨询意图。由于依存句法信息包括第一咨询信息中各个词汇之间的依存关系、逻辑关系或搭配关系等,因此,借助依存句法信息可以提高确定出第一咨询信息的第一咨询意图的准确度,进而可以准确解答用户的提问。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在设备时,可以使得该设备执行本申请实施例中各方法步骤的指令(instructions)。
本申请实施例提供了一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个所述的智能机器人应答方法。本申请实施例中,所述电子设备包括服务器、网关、子设备等,子设备为物联网设备等设备。
本公开的实施例可被实现为使用任意适当的硬件,固件,软件,或及其任意组合进行想要的配置的装置,该装置可包括服务器(集群)、终端设备如IoT设备等电子设备。
图10示意性地示出了可被涉及本申请中所述的各个实施例的示例性装置1300。
对于一个实施例,图10示出了示例性装置1300,该装置具有一个或多个处理器1302、被耦合到(一个或多个)处理器1302中的至少一个的控制模块(芯片组)1304、被耦合到控制模块1304的存储器1306、被耦合到控制模块1304的非易失性存储器(NVM)/存储设备1308、被耦合到控制模块1304的一个或多个输入/输出设备1310,以及被耦合到控制模块1306的网络接口1312。
处理器1302可包括一个或多个单核或多核处理器,处理器1302可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中,装置1300能够作为本申请实施例中所述网关或控制器等服务器设备。
在一些实施例中,装置1300可包括具有指令1314的一个或多个计算机可读介质(例如,存储器1306或NVM/存储设备1308)以及与该一个或多个计算机可读介质相合并被配置为执行指令1314以实现模块从而执行本公开中所述的动作的一个或多个处理器1302。
对于一个实施例,控制模块1304可包括任意适当的接口控制器,以向(一个或多个)处理器1302中的至少一个和/或与控制模块1304通信的任意适当的设备或组件提供任意适当的接口。
控制模块1304可包括存储器控制器模块,以向存储器1306提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器1306可被用于例如为装置1300加载和存储数据和/或指令1314。对于一个实施例,存储器1306可包括任意适当的易失性存储器,例如,适当的DRAM。在一些实施例中,存储器1306可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块1304可包括一个或多个输入/输出控制器,以向NVM/存储设备1308及(一个或多个)输入/输出设备1310提供接口。
例如,NVM/存储设备1308可被用于存储数据和/或指令1314。NVM/存储设备1308可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备1308可包括在物理上作为装置1300被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备1308可通过网络经由(一个或多个)输入/输出设备1310进行访问。
(一个或多个)输入/输出设备1310可为装置1300提供接口以与任意其他适当的设备通信,输入/输出设备1310可以包括通信组件、音频组件、传感器组件等。网络接口1312可为装置1300提供接口以通过一个或多个网络通信,装置1300可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信,例如接入基于通信标准的无线网络,如WiFi、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(一个或多个)处理器1302中的至少一个可与控制模块1304的一个或多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(一个或多个)处理器1302中的至少一个可与控制模块1304的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例,(一个或多个)处理器1302中的至少一个可与控制模块1304的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器1302中的至少一个可与控制模块1304的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,装置1300可以但不限于是:服务器、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,装置1300可具有更多或更少的组件和/或不同的架构。例如,在一些实施例中,装置1300包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
本申请实施例提供了一种电子设备,包括:一个或多个处理器;和,其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述处理器执行如本申请实施例中一个或多个所述的智能机器人应答方法。
本申请实施例提供了一种智能机器人,所述智能机器人包括输入设备和处理器:
所述输入设备耦合至所述处理器,用于接收第一咨询信息;
所述处理器用于获取所述第一咨询信息的依存句法信息,至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、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终端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终端设备的处理器执行的指令产生涉及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终端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终端设备上,使得在计算机或其他可编程终端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终端设备上执行的指令提供涉及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。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种智能机器人应答方法装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (21)
1.一种智能机器人应答方法,其特征在于,所述方法包括:
接收第一咨询信息;
获取所述第一咨询信息的依存句法信息;
至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图。
2.根据权利要求1所述的方法,其特征在于,所述至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图,包括:
确定所述第一咨询信息中包括的词汇;
根据所述依存句法信息确定所述词汇中的至少部分词汇在所述第一咨询信息中的语法角色;
根据所述至少部分词汇的所述语法角色确定所述第一咨询意图。
3.根据权利要求1所述的方法,其特征在于,所述根据所述至少部分词汇的所述语法角色确定所述第一咨询意图,包括:
对于多个候选意图中的每一个候选意图,根据所述候选意图对应的模式匹配规则和所述至少部分词汇的所述语法角色确定所述候选意图是否为所述第一咨询意图。
4.根据权利要求3所述的方法,其特征在于,所述根据所述候选意图对应的模式匹配规则和所述至少部分词汇的所述语法角色确定所述候选意图是否为所述第一咨询意图,包括:
确定所述至少部分词汇中的第一语法角色的词汇中是否包括用于表示所述候选意图的词汇;
如果所述第一语法角色的词汇中包括用于表示所述意图的词汇,则确定所述候选意图为所述第一咨询意图。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
如果所述第一语法角色的词汇中不包括用于表示所述候选意图的词汇,则确定所述第一语法角色的词汇中是否包括所述候选意图的相关词汇;
如果所述第一语法角色的词汇中包括所述候选意图的相关词汇,则确定所述至少部分词汇中的第二语法角色的词汇中是否包括用于表示所述候选意图的词汇;
如果所述第二语法角色的词汇中包括用于表示所述候选意图的词汇,则确定所述候选意图为所述第一咨询意图。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
如果所述第二语法角色的词汇中不包括用于表示所述候选意图的词汇,则确定所述候选意图不为所述第一咨询意图。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
如果所述第一语法角色的词汇中不包括所述候选意图的相关词汇,则确定所述第一语法角色的词汇中是否包括预设关键词;
如果所述第一语法角色的词汇中包括所述预设关键词,则确定所述至少部分词汇中的第三语法角色的词汇中是否包括用于表示所述候选意图的词汇;
如果所述第三语法角色的词汇中包括用于表示所述候选意图的词汇,则确定所述候选意图为所述第一咨询意图。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
如果所述第一语法角色的词汇不包括所述预设关键词,则确定所述候选意图不为所述第一咨询意图。
9.根据权利要求7或8所述的方法,其特征在于,所述方法还包括:
如果所述第三语法角色的词汇不包括用于表示所述候选意图的词汇,则确定所述候选意图不为所述第一咨询意图。
10.根据权利要求1所述的方法,其特征在于,所述至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图,包括:
确定所述第一咨询信息中包括的词汇,确定各个词汇的词性,以及确定各个词汇在所述第一咨询信息中的位置;
根据所述词汇、所述词性、所述位置以及所述依存句法信息确定所述第一咨询信息的第一咨询意图。
11.根据权利要求10所述的方法,其特征在于,所述根据所述词汇、所述词性、所述位置以及所述依存句法信息确定所述第一咨询信息的第一咨询意图,包括:
将所述词汇、所述词性、所述位置以及所述依存句法信息输入分类器模型中,得到所述分类器模型至少输出的所述第一咨询信息的第一咨询意图。
12.根据权利要求11所述的方法,其特征在于,所述分类器模型包括输入层、编码层以及预测层;所述编码层中包含注意力机制;
所述将所述词汇、所述词性、所述位置以及所述依存句法信息输入分类器模型中,包括:
将所述词汇、所述词性以及所述位置输入所述输入层中,以使所述输入层将所述词汇、所述词性以及所述位置融合为第一向量,并将所述第一向量输入所述编码层中;
将所述依存句法信息输入所述编码层中,以使所述编码层基于所述注意力机制至少对所述依存句法信息进行处理,得到第二向量,以及对所述第一向量和所述第二向量处理,得到第三向量,并将所述第三向量输入所述预测层中;
其中,所述预测层用于根据所述第三向量预测所述第一咨询信息的第一咨询意图。
13.根据权利要求12所述的方法,其特征在于,
所述分类器模型用于预测所述第一咨询信息的多个候选意图以及所述每一个所述候选意图的概率值,以及选择预设数量个概率值由高至低排列的候选意图作为所述第一咨询意图并输出。
14.根据权利要求13所述的方法,其特征在于,所述方法还包括:
如果所述分类器模型输出的候选意图的最高的概率值低于预设阈值,则根据所述依存句法信息确定所述词汇中的至少部分词汇在所述第一咨询信息中的语法角色,根据所述至少部分词汇的所述语法角色确定所述第一咨询意图。
15.根据权利要求1所述的方法,其特征在于,所述第一咨询信息为多轮咨询对话中的非第一个咨询信息;
所述至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图,包括:
获取所述多轮咨询对话中位于所述第一咨询信息之前的第二咨询信息;
根据所述依存句法信息与所述第二咨询信息确定所述第一咨询意图。
16.根据权利要求15所述的方法,其特征在于,所述根据所述依存句法信息与所述第二咨询信息确定所述第一咨询意图,包括:
获取所述第二咨询信息的第二咨询意图;
根据所述依存句法信息和所述第二咨询意图确定所述第一咨询意图。
17.一种智能机器人应答装置,其特征在于,所述装置包括:
接收模块,用于接收第一咨询信息;
获取模块,用于获取所述第一咨询信息的依存句法信息;
确定模块,用于至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图。
18.一种智能机器人,其特征在于,所述智能机器人包括输入设备和处理器:
所述输入设备耦合至所述处理器,用于接收第一咨询信息;
所述处理器用于获取所述第一咨询信息的依存句法信息,至少根据所述依存句法信息确定所述第一咨询信息的第一咨询意图。
19.一种自动应答系统,其特征在于,所述自动应答系统包括:
输入层、编码层以及预测层;
所述编码层中包含注意力机制;
所述输入层用于接收咨询信息中包括的词汇,各个词汇的词性,各个词汇在所述咨询信息中的位;并将所述词汇、所述词性以及所述位置融合为第一向量,将所述第一向量输入所述编码层中,以及将所述依存句法信息输入所述编码层中;
所述编码层用于接收所述第一向量以及所述咨询信息的依存句法信息;
基于所述注意力机制至少对依存句法信息进行处理,得到第二向量,以及对所述第一向量和所述第二向量处理,得到第三向量,并将所述第三向量输入所述预测层中;
所述预测层用于根据所述第三向量预测所述咨询信息的咨询意图。
20.根据权利要求19所述的方法,其特征在于,
所述自动应答系统用于预测所述咨询信息的多个候选意图以及所述每一个所述候选意图的概率值,以及选择预设数量个概率值由高至低排列的候选意图作为所述咨询意图并输出。
21.根据权利要求20所述的方法,其特征在于,所述方法还包括:
如果所述自动应答系统输出的候选意图的最高的概率值低于预设阈值,则根据所述依存句法信息确定所述词汇中的至少部分词汇在所述第一咨询信息中的语法角色,根据所述至少部分词汇的所述语法角色确定所述第一咨询意图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910755043.3A CN112396444A (zh) | 2019-08-15 | 2019-08-15 | 一种智能机器人应答方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910755043.3A CN112396444A (zh) | 2019-08-15 | 2019-08-15 | 一种智能机器人应答方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112396444A true CN112396444A (zh) | 2021-02-23 |
Family
ID=74601672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910755043.3A Pending CN112396444A (zh) | 2019-08-15 | 2019-08-15 | 一种智能机器人应答方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396444A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023005580A1 (zh) * | 2021-07-29 | 2023-02-02 | 海信视像科技股份有限公司 | 显示设备 |
CN116431794A (zh) * | 2023-06-15 | 2023-07-14 | 图观(天津)数字科技有限公司 | 一种基于流程自动化机器人技术的智能问答方法及系统 |
-
2019
- 2019-08-15 CN CN201910755043.3A patent/CN112396444A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023005580A1 (zh) * | 2021-07-29 | 2023-02-02 | 海信视像科技股份有限公司 | 显示设备 |
CN116431794A (zh) * | 2023-06-15 | 2023-07-14 | 图观(天津)数字科技有限公司 | 一种基于流程自动化机器人技术的智能问答方法及系统 |
CN116431794B (zh) * | 2023-06-15 | 2023-08-15 | 图观(天津)数字科技有限公司 | 一种基于流程自动化机器人技术的智能问答方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11809824B1 (en) | Computing numeric representations of words in a high-dimensional space | |
US11948058B2 (en) | Utilizing recurrent neural networks to recognize and extract open intent from text inputs | |
US11551007B2 (en) | Determining intent from a historical vector of a to-be-analyzed statement | |
CN115485690A (zh) | 用于处置聊天机器人的不平衡训练数据的分批技术 | |
US20150088523A1 (en) | Systems and Methods for Designing Voice Applications | |
JP2023530423A (ja) | 堅牢な固有表現認識のためのチャットボットにおけるエンティティレベルデータ拡張 | |
US20200184019A1 (en) | Clarification of natural language requests using neural networks | |
CN116724305A (zh) | 上下文标签与命名实体识别模型的集成 | |
WO2019062010A1 (zh) | 语义识别方法、电子装置及计算机可读存储介质 | |
US10380261B2 (en) | Conversational language and informational response systems and methods | |
CN113836885A (zh) | 文本匹配模型训练方法、文本匹配方法、装置和电子设备 | |
CN115033676A (zh) | 一种意图识别模型训练及用户意图识别方法及装置 | |
EP3839800A1 (en) | Recommending multimedia based on user utterances | |
US20230185799A1 (en) | Transforming natural language to structured query language based on multi-task learning and joint training | |
CN110377733A (zh) | 一种基于文本的情绪识别方法、终端设备及介质 | |
CN116802629A (zh) | 用于自然语言处理的多因素建模 | |
CN116583837A (zh) | 用于自然语言处理的基于距离的logit值 | |
CN112396444A (zh) | 一种智能机器人应答方法及装置 | |
CN116635862A (zh) | 用于自然语言处理的域外数据扩充 | |
CN116547676A (zh) | 用于自然语言处理的增强型logit | |
CN116615727A (zh) | 用于自然语言处理的关键词数据扩充工具 | |
US11205048B2 (en) | Contextual disambiguation of an entity in a conversation management system | |
JP2022003544A (ja) | 業界テキスト増分方法、関連装置、およびコンピュータプログラム製品 | |
CN114970559B (zh) | 智能应答方法及装置 | |
US11520783B2 (en) | Automated validity evaluation for dynamic amendment |
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 |