CN112579756A

CN112579756A - 基于云计算和区块链的服务响应方法及人工智能互动平台

Info

Publication number: CN112579756A
Application number: CN202011531018.6A
Authority: CN
Inventors: 冯启鹏
Original assignee: Individual
Current assignee: Individual
Priority date: 2020-12-22
Filing date: 2020-12-22
Publication date: 2021-03-30

Abstract

本申请实施例提供一种基于云计算和区块链的服务响应方法及人工智能互动平台，能够对不同的情绪向量分布进行分析以确定出情绪转移信息，这样可以通过情绪转移信息得到过往情绪向量分布对应的第一应答过程评估信息以及与当前情绪向量分布对应的第二应答过程评估信息，从而实现对情绪变化的追溯分析，进而便于为目标应答服务的应答响应内容更新提供大数据依据基础，从而使得目标应答服务更能够匹配用户对应答服务对象的意图倾向性，提高服务响应的准确度。

Description

基于云计算和区块链的服务响应方法及人工智能互动平台

技术领域

本申请涉及云计算信息应答服务技术领域，具体而言，涉及一种基于云计算和区块链的服务响应方法及人工智能互动平台。

背景技术

随着人工智能技术的快速发展，信息互动终端（如智能机器人）开始进入快速增长阶段，通过对信息互动终端的各种用户所需应答服务进行配置，可以满足用户的各种应答交互需求。

相关技术中，在应答交互过程中，用户可以通常会在整个过程中表达个人情绪，相关技术中无法实现对情绪变化的追溯分析，进而不便于为目标应答服务的应答响应内容更新提供大数据依据基础，影响用户体验。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于云计算和区块链的服务响应方法及人工智能互动平台，能够对不同的情绪向量分布进行分析以确定出情绪转移信息，这样可以通过情绪转移信息得到过往情绪向量分布对应的第一应答过程评估信息以及与当前情绪向量分布对应的第二应答过程评估信息，从而实现对情绪变化的追溯分析，进而便于为目标应答服务的应答响应内容更新提供大数据依据基础，从而使得目标应答服务更能够匹配用户对应答服务对象的意图倾向性，提高服务响应的准确度。

第一方面，本申请提供一种基于云计算和区块链的服务响应方法，应用于人工智能互动平台，所述人工智能互动平台与多个信息互动终端通信连接，所述方法包括：

运行配置关联了各应答输入问题的每个目标应答服务，获取对每个目标应答服务对于所述信息互动终端的用户的应答服务统计数据进行情绪分析后所得到的过往情绪向量分布和当前情绪向量分布，其中，所述目标应答服务通过所述信息互动平台请求的云计算服务实现；

确定所述过往情绪向量分布和所述当前情绪向量分布中对应情绪特征表示的情绪区别特征信息，并基于所述对应情绪特征表示的情绪区别特征信息确定出所述过往情绪向量分布和所述当前情绪向量分布之间对应的且满足应答行为更新跟踪要求的目标情绪特征表示；

基于所述过往情绪向量分布中的所述目标情绪特征表示对所述当前情绪向量分布中的所述目标情绪特征表示进行关联，对情绪特征表示关联后的所述当前情绪向量分布中的关联情绪向量分布进行情绪转移识别以得到情绪转移信息；

根据所述情绪转移信息确定与所述过往情绪向量分布对应的第一应答过程评估信息以及与所述当前情绪向量分布对应的第二应答过程评估信息，通过所述第一应答过程评估信息和所述第二应答过程评估信息进行目标应答服务的应答响应内容更新，并将更新的应答内容存储到对应的区块链服务中。

在第一方面的一种可能的实现方式中，所述确定所述过往情绪向量分布和所述当前情绪向量分布中对应情绪特征表示的情绪区别特征信息的步骤，包括：

确定所述过往情绪向量分布中各情绪特征表示的情绪编码特征以及所述当前情绪向量分布中各情绪特征表示的情绪编码特征；

基于所述过往情绪向量分布中各情绪特征表示的情绪编码特征以及所述当前情绪向量分布中各情绪特征表示的情绪编码特征，确定所述过往情绪向量分布和所述当前情绪向量分布中所述对应情绪特征表示的情绪状态改变数据，其中，所述情绪区别特征信息包括所述情绪状态改变数据。

在第一方面的一种可能的实现方式中，所述基于所述对应情绪特征表示的情绪区别特征信息确定出所述过往情绪向量分布和所述当前情绪向量分布之间对应的且满足应答行为更新跟踪要求的目标情绪特征表示的步骤，包括：

对所述过往情绪向量分布和所述当前情绪向量分布中所述对应情绪特征表示按照情绪区别特征信息对应的用户行为信息的目标应答服务行为内容进行更新；

进一步地，所述目标情绪特征表示的确定方式为以下方式的任一种：

根据更新后的所述对应情绪特征表示对应的情绪场景特征确定所述目标情绪特征表示；

根据更新后的所述对应情绪特征表示对应的情绪指向特征确定所述目标情绪特征表示；

将情绪区别特征信息满足情绪特征表示词语的所述对应情绪特征表示确定为所述目标情绪特征表示；

按顺序将情绪区别特征信息不满足情绪特征表示词语的所述对应情绪特征表示中包括的各对应情绪特征表示按照预定语义识别策略进行语义识别，基于语义识别结果确定所述目标情绪特征表示；

基于所述对应情绪特征表示的目标应答服务跟踪信息选取所述目标情绪特征表示；

譬如，按顺序将情绪区别特征信息不满足情绪特征表示词语的所述对应情绪特征表示中包括的各对应情绪特征表示按照预定语义识别策略进行语义识别，基于语义识别结果确定所述目标情绪特征表示的步骤，包括：

确定与情绪区别特征信息不满足情绪特征表示词语的所述对应情绪特征表示中包括的各对应情绪特征表示的情绪区别特征信息对应的语义识别策略；

按照确定的语义识别策略对情绪区别特征信息不满足情绪特征表示词语的所述对应情绪特征表示中包括的各对应情绪特征表示进行语义识别；

根据语义识别后的所述对应情绪特征表示对应的语义词语聚类结果得到所述目标情绪特征表示；

譬如，基于所述对应情绪特征表示的目标应答服务跟踪信息选取所述目标情绪特征表示的步骤，包括：

按情绪场景特征选取存在情景情绪强度变化的所述对应情绪特征表示，并确定所述存在情景情绪强度变化的所述对应情绪特征表示的第一情绪更新信息，其中，所述存在情景情绪强度变化的所述对应情绪特征表示的数量为正整数M；

按顺序选取存在非情景情绪强度变化的所述对应情绪特征表示，并确定所述存在非情景情绪强度变化的所述对应情绪特征表示的第二情绪更新信息；

在确定所述第一情绪更新信息和所述第二情绪更新信息的更新信息匹配结果满足情绪确定条件时，将所述存在情景情绪强度变化的所述对应情绪特征表示确定为所述目标情绪特征表示；

在确定所述第一情绪更新信息和所述第二情绪更新信息的更新信息匹配结果不满足所述情绪确定条件时，重复执行选取比前一次选取数量多一个的存在所述情景情绪强度变化的所述对应情绪特征表示，直到后选取出的存在所述情景情绪强度变化的所述对应情绪特征表示的情绪词典信息与前一次选取出的存在所述情景情绪强度变化的所述对应情绪特征表示的情绪词典信息的情绪词典匹配信息为预设情绪词典匹配信息中的其中一种，并将前一次选取出的所述对应情绪特征表示确定为所述目标情绪特征表示。

在第一方面的一种可能的实现方式中，所述基于所述过往情绪向量分布中的所述目标情绪特征表示对所述当前情绪向量分布中的所述目标情绪特征表示进行关联的步骤，包括：

通过多维度情绪类别位图表示所述过往情绪向量分布中的所述情绪转移信息中包括的每一个情绪特征表示，将多维度情绪类别位图表示的各情绪特征表示组成过往情绪特征表示集，对所述过往情绪特征表示集进行情绪类别向量提取及情绪类别向量关联，以得到过往情绪类别向量图谱；

通过多维度情绪类别位图表示所述当前情绪向量分布中的当前应答行为更新信息中包括的每一个情绪特征表示，将多维度情绪类别位图表示的各情绪特征表示组成当前情绪特征表示集，对所述当前情绪特征表示集进行情绪类别向量提取及情绪类别向量关联，以得到当前情绪类别向量图谱；

基于所述过往情绪类别向量图谱对所述过往情绪向量分布中的过往应答行为更新信息进行情绪转移迁移图提取，以得到过往情绪转移迁移图；

判断所述当前情绪向量分布中的各所述当前应答行为更新信息对应的当前情绪类别向量图谱的应答互动信息与预设的第一应答互动参考信息的信息比较结果是否满足当前应答互动对应的指标要求，当满足时对所述当前情绪向量分布中的各所述当前应答行为更新信息进行情绪转移迁移图提取，以得到当前情绪转移迁移图，其中，所述预设的第一应答互动参考信息为所述过往情绪向量分布中对应的过往应答行为更新信息所对应的过往情绪类别向量图谱与预先统计的用户服务调查结果的目标应答服务指导信息；

通过所述当前情绪转移迁移图以及所述过往情绪转移迁移图之间的迁移图比较信息对所述当前情绪向量分布中的所述目标情绪特征表示进行关联；

譬如，基于所述过往情绪类别向量图谱对所述过往情绪向量分布中的所述过往应答行为更新信息进行情绪转移迁移图提取，以得到过往情绪转移迁移图包括：

判断所述过往情绪向量分布中的各所述过往应答行为更新信息对应的过往情绪类别向量图谱的应答互动信息是否满足过往应答互动对应的指标要求；

将过往情绪类别向量图谱满足所述过往应答互动对应的指标要求的过往应答行为更新信息的过往情绪类别向量图谱的应答互动信息进行情绪转移标签的添加，确定其它过往应答行为更新信息的过往情绪类别向量图谱的应答互动信息对应的情绪反馈度信息，根据添加了情绪转移标签的应答互动信息以及其它过往应答行为更新信息的过往情绪类别向量图谱的应答互动信息对应的情绪反馈度信息，生成所述过往情绪转移迁移图。

在第一方面的一种可能的实现方式中，所述对情绪特征表示关联后的所述当前情绪向量分布中的关联情绪向量分布进行情绪转移识别以得到情绪转移信息的步骤，包括：

将所述关联情绪向量分布中包括的进行了所述情绪特征表示关联后的情绪特征表示的应答互动信息与未进行所述情绪特征表示关联前的情绪特征表示的应答互动信息进行比较，通过对选取进行了所述情绪特征表示关联后的情绪特征表示的应答互动信息与未进行所述情绪特征表示关联前的情绪特征表示的应答互动信息的比较结果满足情绪转移指标的应答互动信息与未进行所述情绪特征表示关联前的情绪特征表示的应答互动信息进行应答互动信息筛选来确定所述关联情绪向量分布的应答互动信息，以根据所述关联情绪向量分布的应答互动信息确定所述情绪转移信息。

在第一方面的一种可能的实现方式中，所述根据所述情绪转移信息确定与所述过往情绪向量分布对应的第一应答过程评估信息以及与所述当前情绪向量分布对应的第二应答过程评估信息的步骤，包括：

按照应答服务统计数据的服务响应记录将情绪转移信息对应的目标应答意图数据进行意图分类为多个意图标签，根据每个意图标签的意图内容对应的目标应答服务事件所对应的目标应答服务元素数据，确定每个目标应答服务事件的服务元素交互信息；其中，所述服务元素交互信息包括与用户进行交互的元素数据；

在确定每个目标应答服务事件的服务元素交互信息后，对所述每个目标应答服务事件的服务元素交互信息进行咨询源对象分析，确定每个服务元素交互信息的咨询源对象结果，根据每个服务元素交互信息的咨询源对象结果及每个目标应答服务事件的服务元素交互信息，确定所述目标应答意图数据对应的目标应答服务事件的第一异常行为生成信息；

对每个异常类别而言，根据每个目标应答服务事件与至少一个异常类别的关联关系，确定每个目标应答服务事件对应的目标应答应答互动记录，根据所述第一异常行为生成信息中每个目标应答服务事件的用户情绪表现记录和每个目标应答服务事件对应的目标应答应答互动记录，确定每个异常类别对应的第一异常信息；

根据每个异常类别对应的第一异常信息，确定所述目标应答意图数据对应的目标异常类别；

根据每个目标应答服务事件与目标应答服务评价分值最高的第一目标应答服务事件之间在所述目标异常类别上的目标应答服务差异信息，所述第一目标应答服务事件和目标应答服务评价分值最低的第二目标应答服务事件在所述目标异常类别上的目标应答服务差异信息，及每个目标应答服务事件的服务元素交互信息，确定每个目标应答服务事件的目标应答服务评价分值指标；

根据每个目标应答服务事件的目标应答服务评价分值指标，确定每个目标应答服务事件对应的意图标签中每个意图事件的目标应答服务评价分值指标；根据每个意图事件的目标应答服务评价分值指标，对所述目标应答意图数据中每个意图事件进行应答过程评估信息分类，得到与所述过往情绪向量分布对应的第一应答过程评估信息以及与所述当前情绪向量分布对应的第二应答过程评估信息。

在第一方面的一种可能的实现方式中，所述根据每个服务元素交互信息的咨询源对象结果及每个目标应答服务事件的服务元素交互信息，确定所述目标应答意图数据对应的目标应答服务事件的第一异常行为生成信息的步骤，包括：

当目标应答服务事件的服务元素交互信息匹配所述咨询源对象结果时，所述目标应答服务事件在所述第一异常行为生成信息中对应无异常记录；

当目标应答服务事件的服务元素交互信息不匹配所述咨询源对象结果时，所述目标应答服务事件在所述第一异常行为生成信息中对应目标异常记录，其中，所述目标异常记录和所述服务元素交互信息存在时序相关性。

在第一方面的一种可能的实现方式中，所述运行配置关联了各所述应答输入问题的每个目标应答服务的步骤，包括：

获取至少一个应答输入问题、及与各应答输入问题分别对应的目标应答服务，从云端配置的应答索引序列中依次查找各所述应答输入问题，其中，所述目标应答服务通过所述人工智能互动平台请求的云计算服务实现；

当从所述应答索引序列中查找到所述应答输入问题时，确定所述应答输入问题在所述应答索引序列中的应答索引对象；

当从所述应答索引序列中未查找到所述应答输入问题时，在所述应答索引序列的扩展更新序列更新未查找到的所述应答输入问题，并确定更新的所述应答输入问题在所述应答索引序列中的应答索引对象；

在确定各所述应答输入问题分别在所述应答索引序列中的应答索引对象后，根据各应答输入问题的应答索引序列、及各应答输入问题分别在所述应答索引序列中的应答索引对象，将各所述应答输入问题配置关联在相对应的目标应答服务，并运行每个所述目标应答服务。

在第一方面的一种可能的实现方式中，所述当从所述应答索引序列中未查找到所述应答输入问题时，在所述应答索引序列的扩展更新序列更新未查找到的所述应答输入问题，并确定更新的所述应答输入问题在所述应答索引序列中的应答索引对象，包括：

当从所述应答索引序列中未查找到所述应答输入问题时，更新与未查找到的所述应答输入问题对应的问题深度学习标注信息；

根据所述问题深度学习标注信息，在所述应答索引序列所包括的问题扩展区域的扩展更新序列中，为未查找到的所述应答输入问题分配更新节点；

将未查找到的所述应答输入问题更新于所述应答索引序列中所分配的更新节点处，以更新所述应答索引序列；

依据所述更新节点，确定更新的所述应答输入问题在更新后的应答索引序列中的应答索引对象。

第二方面，本申请实施例还提供一种基于云计算和区块链的服务响应装置，应用于人工智能互动平台，所述人工智能互动平台与多个信息互动终端通信连接，所述装置包括：

获取模块，用于运行配置关联了各应答输入问题的每个目标应答服务，获取对每个目标应答服务对于所述信息互动终端的用户的应答服务统计数据进行情绪分析后所得到的过往情绪向量分布和当前情绪向量分布，其中，所述目标应答服务通过所述信息互动平台请求的云计算服务实现；

确定模块，用于确定所述过往情绪向量分布和所述当前情绪向量分布中对应情绪特征表示的情绪区别特征信息，并基于所述对应情绪特征表示的情绪区别特征信息确定出所述过往情绪向量分布和所述当前情绪向量分布之间对应的且满足应答行为更新跟踪要求的目标情绪特征表示；

识别模块，用于基于所述过往情绪向量分布中的所述目标情绪特征表示对所述当前情绪向量分布中的所述目标情绪特征表示进行关联，对情绪特征表示关联后的所述当前情绪向量分布中的关联情绪向量分布进行情绪转移识别以得到情绪转移信息；

更新模块，用于根据所述情绪转移信息确定与所述过往情绪向量分布对应的第一应答过程评估信息以及与所述当前情绪向量分布对应的第二应答过程评估信息，通过所述第一应答过程评估信息和所述第二应答过程评估信息进行目标应答服务的应答响应内容更新，并将更新的应答内容存储到对应的区块链服务中。

第三方面，本申请实施例还提供一种基于云计算和区块链的服务响应系统，所述基于云计算和区块链的服务响应系统包括人工智能互动平台以及与所述人工智能互动平台通信连接的多个信息互动终端；

所述人工智能互动平台，用于：

第四方面，本申请实施例还提供一种人工智能互动平台，所述人工智能互动平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个信息互动终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的实现方式中的基于云计算和区块链的服务响应方法。

第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的基于云计算和区块链的服务响应方法。

基于上述任意一个方面，本申请能够对不同的情绪向量分布进行分析以确定出情绪转移信息，这样可以通过情绪转移信息得到过往情绪向量分布对应的第一应答过程评估信息以及与当前情绪向量分布对应的第二应答过程评估信息，从而实现对情绪变化的追溯分析，进而便于为目标应答服务的应答响应内容更新提供大数据依据基础，从而使得目标应答服务更能够匹配用户对应答服务对象的意图倾向性，提高服务响应的准确度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

图1为本申请实施例提供的基于云计算和区块链的服务响应系统的应用场景示意图；

图2为本申请实施例提供的基于云计算和区块链的服务响应方法的流程示意图；

图3为本申请实施例提供的基于云计算和区块链的服务响应装置的功能模块示意图；

图4为本申请实施例提供的用于实现上述的基于云计算和区块链的服务响应方法的人工智能互动平台的结构组件示意框图。

具体实施方式

下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本申请一种实施例提供的基于云计算和区块链的服务响应系统10的交互示意图。基于云计算和区块链的服务响应系统10可以包括人工智能互动平台100以及与人工智能互动平台100通信连接的信息互动终端200。图1所示的基于云计算和区块链的服务响应系统10仅为一种可行的示例，在其它可行的实施例中，该基于云计算和区块链的服务响应系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。

本实施例中，基于云计算和区块链的服务响应系统10中的人工智能互动平台100和信息互动终端200可以通过配合执行以下方法实施例所描述的基于云计算和区块链的服务响应方法，具体人工智能互动平台100和信息互动终端200的执行步骤部分可以参照以下方法实施例的详细描述。

为了解决前述背景技术中的技术问题，图2为本申请实施例提供的基于云计算和区块链的服务响应方法的流程示意图，本实施例提供的基于云计算和区块链的服务响应方法可以由图1中所示的人工智能互动平台100执行，下面对该基于云计算和区块链的服务响应方法进行详细介绍。

步骤S110，运行配置关联了各应答输入问题的每个目标应答服务，获取对每个目标应答服务对于信息互动终端的用户的应答服务统计数据进行情绪分析后所得到的过往情绪向量分布和当前情绪向量分布。

例如，应答服务统计数据可以是指在目标应答服务的应答服务过程中与信息互动终端的用户进行交互的过程统计数据。过往情绪向量分布和当前情绪向量分布可以依据时间段进行划分，例如，今天是2020年12月15日，那么过往情绪向量分布可以是2020年12月15之前的情绪向量分布，当前情绪向量分布可以是2020年12月15日之后的情绪向量分布，也就是说，过往情绪向量分布和当前情绪向量分布可以是相对的。进一步地，情绪向量分布用于记载应答服务统计数据对应的用户的相关情绪信息，例如“开心”、“愉快”、“兴奋”、“喜爱”和“欣赏”等。

例如，目标应答服务可以通过信息互动平台请求的云计算服务实现，从而提高信息吞吐的能力，增强响应速度。

步骤S120，确定过往情绪向量分布和当前情绪向量分布中对应情绪特征表示的情绪区别特征信息，并基于对应情绪特征表示的情绪区别特征信息确定出过往情绪向量分布和当前情绪向量分布之间对应的且满足应答行为更新跟踪要求的目标情绪特征表示。

例如，过往情绪向量分布和当前情绪向量分布中对应情绪特征表示可以理解为相同业务节点的情绪特征表示，例如过往情绪向量分布中的“电商直播业务节点”的情绪特征表示和当前情绪向量分布中的“电商直播业务节点”的情绪特征表示可以理解为对应情绪特征表示。情绪区别特征信息用于表征过往情绪向量分布和当前情绪向量分布在相同对象的情绪特征表示上的变化信息，比如过往情绪向量分布中针对“电商直播业务节点”的A对象存在“喜爱”情绪向量，而当前情绪向量分布中针对“电商直播业务节点”的A对象存在“反感”情绪向量，那么情绪区别特征信息可以是“喜爱”情绪向量和“反感”情绪向量之间的差异比较结果。满足应答行为更新跟踪要求可以理解为满足更新跟踪要求的条件，因为一些情绪特征表示的轻微变化可能不足以驱使应答行为更新，而目标情绪特征表示一般对应用户的关键需求，因此这类情绪特征表示应该被重点关注。

步骤S130，基于过往情绪向量分布中的目标情绪特征表示对当前情绪向量分布中的目标情绪特征表示进行关联，对情绪特征表示关联后的当前情绪向量分布中的关联情绪向量分布进行情绪转移识别以得到情绪转移信息。

例如，情绪特征表示关联是将一系列相对孤立的情绪特征表示进行全局性整合，从而使得关联情绪向量分布能够从整体反映情绪变化的追溯特征。情绪转移信息可以用于表征过往情绪向量分布和当前情绪向量分布之间的情绪转移情况，情绪转移信息可以理解为用户咨询意图对象的变化，通过将用户需求的变化以及使用行为信息进行综合分析，能够确定出情绪存在变化的原因，从而与实际的服务配置信息进行关联，这样能够为服务配置信息的升级和更新提供可靠的指导依据。

步骤S140，根据情绪转移信息确定与过往情绪向量分布对应的第一应答过程评估信息以及与当前情绪向量分布对应的第二应答过程评估信息，通过第一应答过程评估信息和第二应答过程评估信息进行目标应答服务的应答响应内容更新，并将更新的应答内容存储到对应的区块链服务中。

例如，应答过程评估信息可以是用户针对不同目标应答服务元素的使用行为信息，应答过程评估信息可以包括正面的评估信息，也可以包括负面的评估信息，正负面的评估信息可以为开发者提供用户针对目标应答服务元素最直接的业务需求，这样能够基于不同的应答过程评估信息进行目标应答服务元素的更新和升级。例如，针对一些电商直播服务，可以根据应答过程评估信息中的负面评估信息进行相关功能的改进，也可以根据应答过程评估信息中的正面评估信息进行相关功能的保持。这样一来，不仅能够实现对目标应答服务元素的缺陷的改进，还能够实现对目标应答服务元素的竞争点的保持，从而有效减少盲目的产品更新换代而带来的软硬件成本，进而实现目标应答服务元素的智能化和低成本化升级。

譬如，在通过第一应答过程评估信息和第二应答过程评估信息进行目标应答服务的应答响应内容更新的过程中，可以进一步选择与第一应答过程评估信息和第二应答过程评估信息匹配的应答内容分类层级下的应答内容进行更新，或者采用其它的方式进行更新，此部分不是本申请实施例解决的技术问题，可以参照现有技术即可，具体不作限定。

最后，本实施例将更新的应答内容存储到对应的区块链服务中，可以便于后续进一步追溯特征变化。

基于上述步骤，本实施例能够对不同的情绪向量分布进行分析以确定出情绪转移信息，这样可以通过情绪转移信息得到过往情绪向量分布对应的第一应答过程评估信息以及与当前情绪向量分布对应的第二应答过程评估信息，从而实现对情绪变化的追溯分析，进而便于为目标应答服务的应答响应内容更新提供大数据依据基础，从而使得目标应答服务更能够匹配用户对应答服务对象的意图倾向性，提高服务响应的准确度。

接下来将对一些可选实施例进行说明，这些实施例应当理解为示例，不应理解为实现本方案所必不可少的技术特征。

对于一些可能的实施例而言，步骤S120所描述的确定过往情绪向量分布和当前情绪向量分布中对应情绪特征表示的情绪区别特征信息，可以包括以下步骤S121和步骤S122所描述的内容。

步骤S121，确定过往情绪向量分布中各情绪特征表示的情绪编码特征以及当前情绪向量分布中各情绪特征表示的情绪编码特征。例如，情绪编码特征可以根据预先设置的分类指标进行，在此不作赘述。

步骤S122，基于过往情绪向量分布中各情绪特征表示的情绪编码特征以及当前情绪向量分布中各情绪特征表示的情绪编码特征，确定过往情绪向量分布和当前情绪向量分布中对应情绪特征表示的情绪状态改变数据，其中，情绪区别特征信息包括情绪状态改变数据。例如，情绪状态改变数据可以表征用户在进行业务处理时的一些行为习惯的变化。

如此，基于上述步骤S121和步骤S122，能够将用户在进行业务处理时的一些行为习惯的变化考虑在内，从而确保情绪区别特征信息能够尽可能与用户的实际情况相匹配。

对于更进一步地的实施例中，过往情绪向量分布和当前情绪向量分布中对应情绪特征表示的情绪状态改变数据确定方式可以有很多种，例如以下示出的三种方式中的其中一种。

第一种确定情绪状态改变数据的方式：基于过往情绪向量分布中各情绪特征表示的情绪编码特征以及当前情绪向量分布中各情绪特征表示的情绪编码特征，确定过往情绪向量分布和当前情绪向量分布中对应情绪特征表示的业务情绪类别向量以确定情绪状态改变数据。可以理解，这种方式将业务情绪类别向量考虑在内以确定情绪状态改变数据。

第二种确定情绪状态改变数据的方式：基于过往情绪向量分布中各情绪特征表示的情绪编码特征以及当前情绪向量分布中各情绪特征表示的情绪编码特征，确定过往情绪向量分布和当前情绪向量分布中对应情绪特征表示的情绪编码特征的关联习惯数据以确定情绪状态改变数据。可以理解，这种方式将关联习惯数据考虑在内以确定情绪状态改变数据。

第三种确定情绪状态改变数据的方式：确定过往情绪向量分布和当前情绪向量分布中对应情绪特征表示的情绪行为描述信息，基于确定出的情绪行为描述信息以及过往情绪向量分布和当前情绪向量分布中对应情绪特征表示的情绪编码特征确定情绪状态改变数据。可以理解，这种方式将情绪行为描述信息考虑在内以确定情绪状态改变数据。

在实际实施过程中，上述确定情绪状态改变数据的方式的方式可以任意组合，在此不作限定，如此，能够从多个层面确定情绪状态改变数据，从而为后续的情绪转移分析提供数据基础。

对于一些可能的实施例而言，步骤S120所描述的基于对应情绪特征表示的情绪区别特征信息确定出过往情绪向量分布和当前情绪向量分布之间对应的且满足应答行为更新跟踪要求的目标情绪特征表示，可以包括以下包括以下内容。

首先，对过往情绪向量分布和当前情绪向量分布中对应情绪特征表示按照情绪区别特征信息对应的用户行为信息的目标应答服务行为内容进行更新。

其次，目标情绪特征表示的确定方式可以选用以下示例性的任意一种或者多种实施方式。

（1）根据更新后的对应情绪特征表示对应的情绪场景特征确定目标情绪特征表示。例如，情绪场景特征可以根据目标应答服务器的运行日志得到。

（2）根据更新后的对应情绪特征表示对应的情绪指向特征确定目标情绪特征表示。例如，情绪指向特征用于指示情绪特征表示的相关引导信息。

（3）将情绪区别特征信息满足情绪特征表示词语的对应情绪特征表示确定为目标情绪特征表示。例如，情绪特征表示词语可以预先进行设置，在此不作限定。

（4）按顺序将情绪区别特征信息不满足情绪特征表示词语的对应情绪特征表示中包括的各对应情绪特征表示按照预定语义识别策略进行语义识别，基于语义识别结果确定目标情绪特征表示。例如，预定语义识别策略可以预先进行设置，在此不作限定。

（5）基于对应情绪特征表示的目标应答服务跟踪信息选取目标情绪特征表示。例如，目标应答服务跟踪信息可以是售后服务等相关的用于进行用户跟踪的信息。

如此，能够根据不同的应用场景或者实际情况灵活地选取确定目标情绪特征表示的实施方式，这样能够确保整个方案的灵活实施。

进一步地，在（4）中，按顺序将情绪区别特征信息不满足情绪特征表示词语的对应情绪特征表示中包括的各对应情绪特征表示按照预定语义识别策略进行语义识别，基于语义识别结果确定目标情绪特征表示，可以通过确定与情绪区别特征信息不满足情绪特征表示词语的对应情绪特征表示中包括的各对应情绪特征表示的情绪区别特征信息对应的语义识别策略，然后按照确定的语义识别策略对情绪区别特征信息不满足情绪特征表示词语的对应情绪特征表示中包括的各对应情绪特征表示进行语义识别，并根据语义识别后的对应情绪特征表示对应的语义词语聚类结果得到目标情绪特征表示。

进一步地，在（5）中，基于对应情绪特征表示的目标应答服务跟踪信息选取目标情绪特征表示，可以按情绪场景特征选取存在情景情绪强度变化的对应情绪特征表示，并确定存在情景情绪强度变化的对应情绪特征表示的第一情绪更新信息，其中，存在情景情绪强度变化的对应情绪特征表示的数量为正整数M。

在此基础上，可以按顺序选取存在非情景情绪强度变化的对应情绪特征表示，并确定存在非情景情绪强度变化的对应情绪特征表示的第二情绪更新信息，在确定第一情绪更新信息和第二情绪更新信息的更新信息匹配结果满足情绪确定条件时，将存在情景情绪强度变化的对应情绪特征表示确定为目标情绪特征表示。

此外，在确定第一情绪更新信息和第二情绪更新信息的更新信息匹配结果不满足情绪确定条件时，重复执行选取比前一次选取数量多一个的存在情景情绪强度变化的对应情绪特征表示，直到后选取出的存在情景情绪强度变化的对应情绪特征表示的情绪词典信息与前一次选取出的存在情景情绪强度变化的对应情绪特征表示的情绪词典信息的情绪词典匹配信息为预设情绪词典匹配信息中的其中一种，并将前一次选取出的对应情绪特征表示确定为目标情绪特征表示。

在实际应用时发明人发现，为了实现情绪特征表示的完整关联，从而尽可能从全局反应用户的实际情况，在步骤S130中，基于过往情绪向量分布中的目标情绪特征表示对当前情绪向量分布中的目标情绪特征表示进行关联，可以包括以下步骤S131-步骤S135所描述的内容。

步骤S131，通过多维度情绪类别位图表示过往情绪向量分布中的情绪转移信息中包括的每一个情绪特征表示，将多维度情绪类别位图表示的各情绪特征表示组成过往情绪特征表示集，对过往情绪特征表示集进行情绪类别向量提取及情绪类别向量关联，以得到过往情绪类别向量图谱。

步骤S132，通过多维度情绪类别位图表示当前情绪向量分布中的当前应答行为更新信息中包括的每一个情绪特征表示，将多维度情绪类别位图表示的各情绪特征表示组成当前情绪特征表示集，对当前情绪特征表示集进行情绪类别向量提取及情绪类别向量关联，以得到当前情绪类别向量图谱。

步骤S133，基于过往情绪类别向量图谱对过往情绪向量分布中的过往应答行为更新信息进行情绪转移迁移图提取，以得到过往情绪转移迁移图。

步骤S134，判断当前情绪向量分布中的各当前应答行为更新信息对应的当前情绪类别向量图谱的应答互动信息与预设的第一应答互动参考信息的信息比较结果是否满足当前应答互动对应的指标要求，当满足时对当前情绪向量分布中的各当前应答行为更新信息进行情绪转移迁移图提取，以得到当前情绪转移迁移图，其中，预设的第一应答互动参考信息为过往情绪向量分布中对应的过往应答行为更新信息所对应的过往情绪类别向量图谱与预先统计的用户服务调查结果的目标应答服务指导信息。

步骤S135，通过当前情绪转移迁移图以及过往情绪转移迁移图之间的迁移图比较信息对当前情绪向量分布中的目标情绪特征表示进行关联。例如，情绪转移迁移图可以通过任意的形式进行表示，在此不作限定。

如此，能够分别确定过往情绪向量分布的过往情绪转移迁移图以及当前情绪向量分布的当前情绪转移迁移图，这样能够确保对过往情绪向量分布和当前情绪向量分布进行分析时的时序连续性，进一步地，通过过往情绪转移迁移图和当前情绪转移迁移图之间的迁移图比较信息，能够完整地、实时地对目标情绪特征表示进行关联，从而尽可能从全局反应用户的实际情况。

对于进一步的实施例而言，步骤S133所描述的基于过往情绪类别向量图谱对过往情绪向量分布中的过往应答行为更新信息进行情绪转移迁移图提取，以得到过往情绪转移迁移图包括：判断过往情绪向量分布中的各过往应答行为更新信息对应的过往情绪类别向量图谱的应答互动信息是否满足过往应答互动对应的指标要求。将过往情绪类别向量图谱满足过往应答互动对应的指标要求的过往应答行为更新信息的过往情绪类别向量图谱的应答互动信息进行情绪转移标签的添加，确定其它过往应答行为更新信息的过往情绪类别向量图谱的应答互动信息对应的情绪反馈度信息，根据添加了情绪转移标签的应答互动信息以及其它过往应答行为更新信息的过往情绪类别向量图谱的应答互动信息对应的情绪反馈度信息，生成过往情绪转移迁移图。

在一种可能的实现方式中，步骤S134所描述的判断当前情绪向量分布中的各当前应答行为更新信息对应的当前情绪类别向量图谱的应答互动信息与预设的第一应答互动参考信息的信息比较结果是否满足当前应答互动对应的指标要求。

示例性地，预设的第一应答互动参考信息为过往情绪向量分布中对应的过往应答行为更新信息所对应的过往情绪类别向量图谱与预先统计的用户服务调查结果的目标应答服务指导信息，具体可以是：判断当前情绪向量分布中的各当前应答行为更新信息对应的当前情绪类别向量图谱的应答互动信息与预设的第一应答互动参考信息的信息比较结果是否满足当前应答互动对应的指标要求，其中，预设的第一应答互动参考信息为过往情绪向量分布中对应的过往应答行为更新信息所对应的过往情绪类别向量图谱与预先统计的用户服务调查结果的目标应答服务指导信息。在此基础上，将当前情绪类别向量图谱与预设的第一应答互动参考信息的信息比较结果满足当前应答互动对应的指标要求的当前应答行为更新信息的当前情绪类别向量图谱进行情绪转移标签的添加，确定其它当前应答行为更新信息的当前情绪类别向量图谱的应答互动信息对应的情绪反馈度信息，根据添加了情绪转移标签的应答互动信息以及其它当前应答行为更新信息的过往情绪类别向量图谱的应答互动信息对应的情绪反馈度信息，生成当前情绪转移迁移图。

在实际实施过程中，为了确保情绪转移信息与目标应答服务的高相关性，在步骤S130中，对情绪特征表示关联后的当前情绪向量分布中的关联情绪向量分布进行情绪转移识别以得到情绪转移信息，具体可以是：将关联情绪向量分布中包括的进行了情绪特征表示关联后的情绪特征表示的应答互动信息与未进行情绪特征表示关联前的情绪特征表示的应答互动信息进行比较，通过对选取进行了情绪特征表示关联后的情绪特征表示的应答互动信息与未进行情绪特征表示关联前的情绪特征表示的应答互动信息的比较结果满足情绪转移指标的应答互动信息与未进行情绪特征表示关联前的情绪特征表示的应答互动信息进行应答互动信息筛选来确定关联情绪向量分布的应答互动信息，以根据关联情绪向量分布的应答互动信息确定情绪转移信息。

如此，通过考虑情绪特征表示关联前后的应答互动信息，以确定关联情绪向量分布的应答互动信息，这样可以根据关联情绪向量分布的应答互动信息确定情绪转移信息，进而确保情绪转移信息与目标应答服务的高相关性，便于后续进行相关目标应答服务的针对性升级。

在一种可能的实现方式中，为了确保应答过程评估信息能够将用户针对产品的使用过程和使用感受进行全方位涵盖，需要考虑用户需求、咨询源对象以及相关的异常信息。基于此，步骤S140所描述的根据情绪转移信息确定与过往情绪向量分布对应的第一应答过程评估信息以及与当前情绪向量分布对应的第二应答过程评估信息，可以包括以下步骤S141-步骤S146。

步骤S1401，按照应答服务统计数据的服务响应记录将情绪转移信息对应的目标应答意图数据进行意图分类为多个意图标签，根据每个意图标签的意图内容对应的目标应答服务事件所对应的目标应答服务元素数据，确定每个目标应答服务事件的服务元素交互信息。其中，服务元素交互信息包括与用户进行交互的元素数据。

步骤S1402，在确定每个目标应答服务事件的服务元素交互信息后，对每个目标应答服务事件的服务元素交互信息进行咨询源对象分析，确定每个服务元素交互信息的咨询源对象结果，根据每个服务元素交互信息的咨询源对象结果及每个目标应答服务事件的服务元素交互信息，确定目标应答意图数据对应的目标应答服务事件的第一异常行为生成信息。

步骤S1403，对每个异常类别而言，根据每个目标应答服务事件与至少一个异常类别的关联关系，确定每个目标应答服务事件对应的目标应答应答互动记录，根据第一异常行为生成信息中每个目标应答服务事件的用户情绪表现记录和每个目标应答服务事件对应的目标应答应答互动记录，确定每个异常类别对应的第一异常信息。

步骤S1404，根据每个异常类别对应的第一异常信息，确定目标应答意图数据对应的目标异常类别。

步骤S1405，根据每个目标应答服务事件与目标应答服务评价分值最高的第一目标应答服务事件之间在目标异常类别上的目标应答服务差异信息，第一目标应答服务事件和目标应答服务评价分值最低的第二目标应答服务事件在目标异常类别上的目标应答服务差异信息，及每个目标应答服务事件的服务元素交互信息，确定每个目标应答服务事件的目标应答服务评价分值指标。

步骤S1406，根据每个目标应答服务事件的目标应答服务评价分值指标，确定每个目标应答服务事件对应的意图标签中每个意图事件的目标应答服务评价分值指标。根据每个意图事件的目标应答服务评价分值指标，对目标应答意图数据中每个意图事件进行应答过程评估信息分类，得到与过往情绪向量分布对应的第一应答过程评估信息以及与当前情绪向量分布对应的第二应答过程评估信息。

如此，能够将目标应答意图数据、意图标签、目标应答服务元素数据以及异常行为生成的相关信息考虑在内，进而综合考虑用户需求信息、咨询源对象以及相关的异常信息，这样能够确保确定出应答过程评估信息能够将用户针对产品的使用过程和使用感受进行全方位涵盖，从而为后续的目标应答服务元素的升级和改善提供完整可靠的决策依据。

在一种可能的实现方式中，在步骤S142中，根据每个服务元素交互信息的咨询源对象结果及每个目标应答服务事件的服务元素交互信息，确定目标应答意图数据对应的目标应答服务事件的第一异常行为生成信息，可以包括：当目标应答服务事件的服务元素交互信息匹配咨询源对象结果时，目标应答服务事件在第一异常行为生成信息中对应无异常记录。当目标应答服务事件的服务元素交互信息不匹配咨询源对象结果时，目标应答服务事件在第一异常行为生成信息中对应目标异常记录，其中，目标异常记录和服务元素交互信息存在时序相关性。

在一种可能的实现方式中，针对步骤S110，在运行配置关联了各应答输入问题的每个目标应答服务的过程中，可以通过以下示例性的子步骤实现。

步骤S111，获取至少一个应答输入问题、及与各应答输入问题分别对应的目标应答服务，从云端配置的应答索引序列中依次查找各应答输入问题。

其中，应答输入问题可以是需要应答配置的问题，具体可以是待应答的文字问题及待应答的图形问题中的至少一种。目标应答服务可以理解为该应答输入问题所对应的目标应答服务，例如订单目标应答服务、直播目标应答服务等，但不限于此。

例如，人工智能互动平台100可以检测应答请求，当检测到应答请求时，从应答请求中分析获取至少一个的应答输入问题、及与各应答输入问题分别对应的目标应答服务。其中，应答输入问题所对应的目标应答服务可以是预先设置的应答服务，也可以是依据决策算法计算得到的应答服务。

例如，当检测到输入的应答输入问题时，确定各应答输入问题分别对应应答业务标识，并依据应答业务标识确定与各应答输入问题分别对应的目标应答服务。

例如，可以根据预设的对应决策规则，依据各应答输入问题对应的应答业务标识确定相应的目标应答服务。其中，预设的对应决策规则具体可以是预先设置的应答业务标识与目标应答服务间的对应关系，不同的应答业务标识可对应相同的预设对应规则，也可对应不同的预设对应规则。

其中，不同的应答业务标识可对应相同的预设对应规则。例如，人工智能互动平台100可预先设置目标应答服务的服务节点信息与应答业务标识的服务节点信息相同，或呈一定的对应关系(比如，对应答业务标识的服务节点信息进行权重计算可计算得到目标应答服务的服务节点信息)。

譬如，人工智能互动平台100可预先设置与各不同应答业务标识对应的目标应答服务的决策方式，当人工智能互动平台100确定应答输入问题的应答业务标识后，可依据预先设置的决策方式计算得到目标应答服务。

譬如，当应答输入问题的数量多于一个时，可依据该应答输入问题的应答业务标识的关联关系，将应答输入问题划分成至少一个组，比如将应答业务标识相互关联的应答输入问题划分为同一组，同组内的应答输入问题的目标应答服务相邻近。在这种情况下，与各应答输入问题分别对应的目标应答服务，具体可以是与各条应答输入问题对应的目标应答服务。其中，与某一条应答输入问题对应的目标应答服务具体可以是该条应答输入问题中的起始应答输入问题的目标应答服务。

譬如，信息互动终端可依据输入的应答输入问题和确定的相对应的目标应答服务，生成应答请求。通过该应答请求在信息互动终端本地触发问题应答请求。

本实施例中，应答索引序列是索引序列应答问题数据，也可称作点阵应答问题数据或更新应答问题数据，人工智能互动平台100可在应答索引序列上更新各种问题。例如，人工智能互动平台100可将应答索引序列存储至云端配存储介质中，当获取到应答请求时，可遍历云端配置的应答索引序列中已存在的各问题，以从云端配置的应答索引序列中查找各应答输入问题。

其中，在从云端配置的应答索引序列中依次查找各应答输入问题的过程中，可以确定与各应答输入问题分别对应的问题语义特征和问题场景特征。其中，问题语义特征是对应答输入问题进行语义特征解析处理所得到的语义特征，用于基于语义编码特征表示该应答输入问题。问题场景特征是表示应答输入问题的场景属性的信息。

例如，人工智能互动平台100可以获取应答请求，该应答请求携带应答输入问题及应答输入问题的问题场景特征，人工智能互动平台100可对应答输入问题进行编码得到问题语义特征。

譬如，当用户触发应答请求时，人工智能互动平台100可确定输入的应答输入问题所对应的应答业务标识。人工智能互动平台100可根据预先设置的不同的应答业务标识与不同的问题场景特征间的对应关系，根据输入的应答输入问题所对应的应答业务标识，确定该应答输入问题对应的问题场景特征。

举例说明，人工智能互动平台100可预先设置应答业务标识1对应的问题场景特征为：电子商务、带货、数码产品等；应答业务标识2对应的问题场景特征为：电子商务、带货、家居产品等。当当前的应答输入问题所对应的应答业务标识为应答业务标识1时，则人工智能互动平台100可确定该应答输入问题所对应的问题场景特征为电子商务、带货、数码产品等。

由此，可以依据问题语义特征和问题场景特征，确定与各应答输入问题分别对应的应答索引。

例如，人工智能互动平台100可将应答输入问题的问题语义特征和各场景特征进行融合得到融合信息，对融合信息进行哈希运算得到该应答输入问题的应答索引。可以理解，通过应答输入问题对应的问题语义特征可以确定该应答输入问题的内容，通过该应答输入问题的问题场景特征可以确定该应答输入问题的状态。依据该应答输入问题的问题语义特征和问题场景特征可以唯一确定该应答输入问题，因而依据该应答输入问题的问题语义特征和问题场景特征所确定的应答索引可以索引到该应答输入问题。可以理解，不同的应答输入问题对应不同的应答索引。这样，通过各应答输入问题各自对应的应答索引，在云端配置的应答索引序列中依次查找各应答输入问题。

譬如，人工智能互动平台100对于已经更新过的问题，可将各问题对应的问题语义特征和相应的问题场景特征组合起来，生成应答索引，与应答索引序列中的该问题关联存储，用于查找该问题。人工智能互动平台100可将已更新的各问题的应答索引共同存储在云端中，以构成应答索引集合。

譬如，人工智能互动平台100在确定各应答输入问题各自对应的应答索引后，针对每个应答输入问题，可分别依据相应的应答索引在云端配置的应答索引集合中查找是否存在该应答索引，如果存在，则判定该应答输入问题存在于云端配置的应答索引序列中；如果不存在，则判定该应答输入问题不存在于云端配置的应答索引序列中。

譬如，人工智能互动平台100可遍历云端配置的应答索引集合中的各应答索引，以判断当前的应答输入问题的应答索引是否存在于该应答索引集合中。如果存在，则判定该应答输入问题存在于云端配置的应答索引序列中；如果不存在，则判定该应答输入问题不存在于云端配置的应答索引序列中。

譬如，人工智能互动平台100可将已更新于应答索引序列中问题的应答索引和相应的应答索引对象、以及已更新问题的问题分类层级信息和问题频繁次数信息等信息进行关联存储。当人工智能互动平台100在应答索引序列中查找到该应答输入问题时，则可通过该应答输入问题的应答索引确定相应的应答索引对象、问题分类层级信息和问题频繁次数信息等信息，以便通过确定的信息实现快速配置操作。

上述实施例中，通过各应答输入问题各自对应的问题语义特征和问题场景特征，确定与各应答输入问题分别对应的应答索引，依据应答索引，可快速准确地在云端配置的应答索引序列中查找各应答输入问题。

步骤S112，当从应答索引序列中查找到应答输入问题时，确定应答输入问题在应答索引序列中的应答索引对象。

具体地，当人工智能互动平台100在应答索引序列中更新问题时，会将该问题对应的应答索引对象进行关联存储，以便后续使用。当人工智能互动平台100从应答索引序列中查找到应答输入问题时，则可认为该应答输入问题是过往更新过的问题，因而人工智能互动平台100本地存储有与该应答输入问题对应的应答索引对象，人工智能互动平台100可直接获取。

譬如，人工智能互动平台100可将过往更新的问题存储至应答索引序列中，并分析存储该问题在应答索引序列中的应答索引对象的信息，以供后续使用。这样，当下次有同样的应答请求时，能够快速的返回该应答输入问题的索引问题标注信息，以使人工智能互动平台100可通过之前更新过的问题进行配置关联操作。

本实施例中，人工智能互动平台100可将过往更新的问题存储至应答索引序列中，并关联存储该问题的问题分类层级信息、问题频繁次数信息及应答索引对象等。其中，问题分类层级信息是表示该问题形态的分类标签和标签所在层级。问题频繁次数信息是该应答输入问题与相类似的应答输入问题的应答服务间的频繁次数信息，各个应答输入问题对应的问题频繁次数信息可确定当多个应答输入问题依次被应答时的单位时间的次数情况。当人工智能互动平台100接收到应答请求时，可从过往记录的应答索引序列中查找是否存在当前的应答输入问题，若查找到时，则可直接调取相关联的问题分类层级信息、问题频繁次数信息及应答索引对象等，依据调取的信息将该应答输入问题进行目标应答服务的配置。

本实施例中，应答索引对象可以理解为针对该应答输入问题的输出标注信息，可以理解为该应答输入问题的解答信息或者回答信息所对应的信息索引标签。

步骤S113，当从应答索引序列中未查找到应答输入问题时，在应答索引序列的扩展更新序列更新未查找到的应答输入问题，并确定更新的应答输入问题在应答索引序列中的应答索引对象。

步骤S114，在确定各应答输入问题分别在应答索引序列中的应答索引对象后，根据各应答输入问题的应答索引序列、及各应答输入问题分别在应答索引序列中的应答索引对象，触发将各应答输入问题配置关联在相对应的目标应答服务，并运行每个所述目标应答服务。

基于上述步骤，本实施例通过获取至少一个应答输入问题及与各应答输入问题对应的目标应答服务，从云端配置的应答索引序列中依次查找各应答输入问题，当从应答索引序列中查找到某一应答输入问题时，则可快速响应应答索引对象，直接通过云端更新的问题执行目标应答服务的配置关联操作，大大减少了应答输入问题的配置时间。当从应答索引序列中未查找到某一应答输入问题时，则在应答索引序列的扩展更新序列更新未查找到的该应答输入问题，以更新应答索引序列，通过更新的应答索引序列、及应答输入问题在应答索引序列中的应答索引对象触发执行配置关联操作，并且，已更新的问题保存在应答索引序列上，待下次应答遇到相同的应答输入问题时可直接执行配置关联操作，这样在不额外针对目标应答服务添加数据集的前提下，可以实现高效地实现目标应答服务的配置关联操作，以便于提高服务配置效率。

在一种可能的实现方式中，针对步骤S113，对于当从应答索引序列中未查找到应答输入问题时，在应答索引序列的扩展更新序列更新未查找到的应答输入问题，并确定更新的应答输入问题在应答索引序列中的应答索引对象的流程，可以通过以下示例性的子步骤实现，详细描述如下。

子步骤S1131，当从应答索引序列中未查找到应答输入问题时，更新与未查找到的应答输入问题对应的问题深度学习标注信息。

子步骤S1132，根据问题深度学习标注信息，在应答索引序列所包括的问题扩展区域的扩展更新序列中，为未查找到的应答输入问题分配更新节点。

子步骤S1133，将未查找到的应答输入问题更新于应答索引序列中所分配的更新节点处，以更新应答索引序列。

子步骤S1134，依据更新节点，确定更新的应答输入问题在更新后的应答索引序列中的应答索引对象。

其中，扩展更新序列是指该应答索引序列中未更新问题的空间区域。具体地，当人工智能互动平台100从应答索引序列中未查找到应答输入问题时，则可认为该应答输入问题在之前的应答操作中并未出现过，因而需要将该应答输入问题更新到应答索引序列上，以便执行后续的配置关联操作。

譬如，人工智能互动平台100可依据应答输入问题的问题深度学习标注信息，为该应答输入问题所对应的服务数据区域（即更新节点）进行标准信息的分配，并在应答索引序列的扩展更新序列中划分出相应的服务数据区域，在划分出的服务数据区域中更新未查找到的应答输入问题。人工智能互动平台100可将为该未查到的应答输入问题所分配的服务数据区域，作为该应答输入问题在应答索引序列中的应答索引对象。

譬如，当人工智能互动平台100将未查找到的应答输入问题更新于应答索引序列中时，人工智能互动平台100可对已经更新过的问题进行记录和分析。人工智能互动平台100可确定更新于应答索引序列中的应答输入问题所对应的问题语义特征和问题场景特征，将更新于应答索引序列中的应答输入问题对应的问题语义特征和相应的问题场景特征组合起来，生成应答索引，将构建的应答索引和相对应的应答输入问题在应答索引序列中的应答索引对象进行关联存储。

譬如，人工智能互动平台100可将问题语义特征和各场景特征进行融合得到融合信息，对融合信息进行哈希运算得到更新于应答索引序列中的应答输入问题对应的应答索引。

譬如，人工智能互动平台100可将已更新于应答索引序列中问题的应答索引和相应的应答索引对象、以及已更新问题的问题分类层级信息和问题频繁次数信息等信息进行关联存储。当人工智能互动平台100在应答索引序列中查找到该应答输入问题时，则可通过改应答输入问题的应答索引确定相应的应答索引对象、问题分类层级信息和问题频繁次数信息等信息，以便通过确定的信息实现快速上屏操作。

譬如，对于人工智能互动平台100已经更新在应答索引序列中的问题，在人工智能互动平台100下次获取对于该问题(也就是下次的应答输入问题)的应答请求时，人工智能互动平台100能够依据应答索引迅速地查找到该应答输入问题，并快速的返回该应答输入问题在应答索引序列中的应答索引对象、问题分类层级信息和问题频繁次数信息等信息，以便使用之前更新过的问题进行应答操作。

上述实施例中，将已更新的应答输入问题所对应的应答索引和该应答输入问题在应答索引序列中的应答索引对象进行关联存储，可不断在应答索引序列中累积问题，待下次应答遇到相同的问题时可直接进行服务配置。

在一种可能的实现方式中，本实施例还可以按照前述的实现方式具体确定与各应答输入问题分别对应的问题频繁次数信息，这样针对步骤S114，可以在确定各应答输入问题分别在应答索引序列中的应答索引对象后，根据包括各应答输入问题的应答索引序列、及各应答输入问题分别在应答索引序列中的应答索引对象，按各应答输入问题分别对应的问题频繁次数信息，将各应答输入问题配置关联在相对应的目标应答服务。

在另一种可能的实现方式中，譬如针对步骤S114，还可以在确定各应答输入问题分别在应答索引序列中的应答索引对象后，根据包括各应答输入问题的应答索引序列生成问题知识图谱，从而通过调用信息应答服务，基于问题知识图谱、及各应答输入问题分别在应答索引序列中的应答索引对象，触发将各应答输入问题配置关联在相对应的目标应答服务。

在一种进一步的可能的实现方式中，对于上述的步骤S1131，在更新与未查找到的应答输入问题对应的问题深度学习标注信息的流程中，可以将未查找到的应答输入问题输入到问题深度学习标注网络中，获得应答输入问题对应的问题深度学习标注信息并进行更新。其中，问题深度学习标注信息包括应答输入问题的问题分类特征信息以及问题应答特征信息。

其中，问题深度学习标注网络通过以下方式配置获得，具体描述如下。

步骤S1101，获取用于训练问题深度学习标注网络的标定应答问题数据，标定应答问题数据中至少包括应答问题和应答问题的目标问题标注信息。

步骤S1102，确定标定应答问题数据的标定数据向量分布以及纠偏数据向量分布，纠偏数据向量分布是将标定应答问题的语义拆分应答特征分量进行纠偏后形成的，标定数据向量分布和纠偏数据向量分布的特征标签相同。

步骤S1103，将标定数据向量分布以及纠偏数据向量分布进行特征聚合，得到聚合标定特征，并确定聚合标定特征的预测问题标注信息。

步骤S1104，基于目标问题标注信息以及预测问题标注信息确定差异函数值，基于差异函数值调整问题深度学习标注网络的网络权重信息并继续迭代训练，直至满足迭代停止条件时结束训练，目标问题标注信息用于表征标定应答问题数据中应答问题为每个不同问题标注信息下的置信度。

其中，训练得到的问题深度学习标注网络可以用于对未查找到的应答输入问题进行标注信息分类。

其中，纠偏数据向量分布可以通过以下方式获得：

（1）将标定应答问题数据进行问题语义拆分，得到多个语义拆分问题数据，确定每个语义拆分问题数据向量分布的影响权重。

（2）对所有的影响权重进行排序，得到排序结果，按照排序结果的排序特征，对多个语义拆分问题数据向量分布进行纠偏，得到由多个语义拆分问题数据构成的纠偏标定应答问题数据。

（3）将纠偏标定应答问题数据输入至问题深度学习标注网络中进行特征提取，得到纠偏数据向量分布，纠偏数据向量分布中包括多个语义拆分问题数据向量分布。

这样，在问题深度学习标注网络的训练过程中，对训练标定中的标定应答问题数据进行特征提取时，考虑了原标定应答问题数据的标定数据向量分布以及将标定数据向量分布进行纠偏后的纠偏数据向量分布，通过标定数据向量分布与纠偏数据向量分布之间的应答问题数据聚合，得到聚合标定特征；进一步地，通过将聚合标定特征映射为预测问题标注信息，该问题标注信息是模型的预测结果，所以还需要结合目标问题标注信息确定差异函数值，通过差异函数值来更新网络权重信息。

并且，在上述训练过程中，不仅仅考虑原标定应答问题数据的标定数据向量分布，还考虑了纠偏数据向量分布，所以既能够在训练过程中学习到了标定应答问题数据中全局特征，又学习到针对目标对象的纠偏特征，所以训练后的问题深度学习标注网络能够提取更全面准确的特征，当提取到更全面的特征后，就可以在模型应用过程中，提取到更多的待检测应答问题数据中目标对象的可检测特征，增强了问题深度学习标注网络的特征识别能力，进而能够更准确的确定应答问题数据的标注信息分类结果。在针对问题深度学习标注网络的训练过程中，在标定应答问题数据层面以及纠偏特征层面进行数据扩增，破坏了原标定应答问题数据整体的结构化信息，使得问题深度学习标注网络注意纠偏信息，然后通过同类特征及异类特征之间的纠偏填补了数据空间，提高网络的泛化性。

在一种可能的实现方式中，针对步骤S1103，在将标定数据向量分布以及纠偏数据向量分布进行特征聚合，得到聚合标定特征的流程中，可以通过以下示例性的子步骤实现，详细描述如下。

子步骤S11031，采用问题深度学习标注网络，获得积极标定应答问题数据的积极标定特征、消极标定应答问题数据的消极标定特征以及积极标定纠偏数据向量分布，将积极标定特征以及积极标定纠偏数据向量分布进行第一向量片段聚合，得到第一聚合标定特征。

子步骤S11032，采用问题深度学习标注网络，获得消极标定应答问题数据的消极标定特征以及消极标定纠偏数据向量分布，将消极标定特征以及消极标定纠偏数据向量分布进行第二向量片段聚合，得到第二聚合标定特征。

子步骤S11033，确定第一聚合标定特征中的各个第三向量片段与第二聚合标定特征中的各个第四向量片段。

子步骤S11034，针对每个向量片段的特征构成节点，将第三综合权重的第三向量片段与第四综合权重的第四向量片段进行聚合，得到向量片段的特征构成节点的第一交集聚合标定子特征，将第四综合权重的第三向量片段与第三综合权重的第四向量片段进行聚合，得到向量片段的特征构成节点的第二交集聚合标定子特征。

本实施例中，第三综合权重与第四综合权重之和为1。

子步骤S11035，根据所有向量片段的特征构成节点的第一交集聚合标定子特征确定第三聚合标定特征，根据所有向量片段的特征构成节点的第二交集聚合标定子特征确定第四聚合标定特征。

子步骤S11036，将第三聚合标定特征以及第四聚合标定特征作为聚合标定特征。

本实施例中，积极标定纠偏数据向量分布是将积极标定问题的语义拆分应答特征分量进行纠偏后形成的，消极标定纠偏数据向量分布是将消极标定问题的语义拆分应答特征分量进行纠偏后形成的，积极标定应答问题数据用于表示为正确的标定应答问题数据，消极标定应答问题数据用于表示为错误的标定应答问题数据。

在一种可能的实现方式中，

图3为本公开实施例提供的基于云计算和区块链的服务响应装置300的功能模块示意图，本实施例可以根据上述人工智能互动平台100执行的方法实施例对该基于云计算和区块链的服务响应装置300进行功能模块的划分，也即该基于云计算和区块链的服务响应装置300所对应的以下各个功能模块可以用于执行上述人工智能互动平台100执行的各个方法实施例。其中，该基于云计算和区块链的服务响应装置300可以包括获取模块310、确定模块320、识别模块330以及更新模块340，下面分别对该基于云计算和区块链的服务响应装置300的各个功能模块的功能进行详细阐述。

获取模块310，用于运行配置关联了各应答输入问题的每个目标应答服务，获取对每个目标应答服务对于信息互动终端的用户的应答服务统计数据进行情绪分析后所得到的过往情绪向量分布和当前情绪向量分布，其中，目标应答服务通过信息互动平台请求的云计算服务实现。其中，获取模块310可以用于执行上述的步骤S110，关于获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。

确定模块320，用于确定过往情绪向量分布和当前情绪向量分布中对应情绪特征表示的情绪区别特征信息，并基于对应情绪特征表示的情绪区别特征信息确定出过往情绪向量分布和当前情绪向量分布之间对应的且满足应答行为更新跟踪要求的目标情绪特征表示。其中，确定模块320可以用于执行上述的步骤S120，关于确定模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。

识别模块330，用于基于过往情绪向量分布中的目标情绪特征表示对当前情绪向量分布中的目标情绪特征表示进行关联，对情绪特征表示关联后的当前情绪向量分布中的关联情绪向量分布进行情绪转移识别以得到情绪转移信息。其中，识别模块330可以用于执行上述的步骤S130，关于识别模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。

更新模块340，用于根据情绪转移信息确定与过往情绪向量分布对应的第一应答过程评估信息以及与当前情绪向量分布对应的第二应答过程评估信息，通过第一应答过程评估信息和第二应答过程评估信息进行目标应答服务的应答响应内容更新，并将更新的应答内容存储到对应的区块链服务中。其中，更新模块340可以用于执行上述的步骤S140，关于更新模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

图4示出了本公开实施例提供的用于实现上述的基于云计算和区块链的服务响应方法的人工智能互动平台100的硬件结构示意图，如图4所示，人工智能互动平台100可包括处理器110、机器可读存储介质120、总线130以及收发器140。

在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于云计算和区块链的服务响应装置300包括的获取模块310、确定模块320、识别模块330以及更新模块340），使得处理器110可以执行如上方法实施例的基于云计算和区块链的服务响应方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的信息互动终端200进行数据收发。

处理器110的具体实现过程可参见上述人工智能互动平台100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

在上述的图4所示的实施例中，应理解，处理器可以是中央处理器(英文：CentralProcessing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(英文：DigitalSignal Processor，DSP)、专用集成电路(英文：Application SpecificIntegratedCircuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。

总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于云计算和区块链的服务响应方法。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的次序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定次序或者连续次序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修积极。该类修改、改进和修积极在本说明书中被建议，所以该类修改、改进、修积极仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定推送要素来描述本说明书的实施例。如“一个实施例”、“一实施例”和/或“一些实施例”意指与本说明书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，本说明书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，本说明书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，或对它们的任何新的和有用的改进。相应地，本说明书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，本说明书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、系统或设备以实现通讯、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。

本说明书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、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP，被动编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的索引次序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，本说明书处理问题和序列的次序、数字字母的使用、或其它名称的使用，并非用于限定本说明书流程和方法的次序。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说明书实施例实质和范围的修积极和等价组合。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，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，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说明书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。

最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims

1.一种基于云计算和区块链的服务响应方法，其特征在于，应用于人工智能互动平台，所述人工智能互动平台与多个信息互动终端通信连接，所述方法包括：

2.根据权利要求1所述的基于云计算和区块链的服务响应方法，其特征在于，所述确定所述过往情绪向量分布和所述当前情绪向量分布中对应情绪特征表示的情绪区别特征信息的步骤，包括：

3.根据权利要求1所述的基于云计算和区块链的服务响应方法，其特征在于，所述基于所述对应情绪特征表示的情绪区别特征信息确定出所述过往情绪向量分布和所述当前情绪向量分布之间对应的且满足应答行为更新跟踪要求的目标情绪特征表示的步骤，包括：

其中，所述目标情绪特征表示的确定方式为以下方式的任一种：

基于所述对应情绪特征表示的目标应答服务跟踪信息选取所述目标情绪特征表示。

4.根据权利要求1-3中任意一项所述的基于云计算和区块链的服务响应方法，其特征在于，所述基于所述过往情绪向量分布中的所述目标情绪特征表示对所述当前情绪向量分布中的所述目标情绪特征表示进行关联的步骤，包括：

通过所述当前情绪转移迁移图以及所述过往情绪转移迁移图之间的迁移图比较信息对所述当前情绪向量分布中的所述目标情绪特征表示进行关联。

5.根据权利要求1所述的基于云计算和区块链的服务响应方法，其特征在于，所述对情绪特征表示关联后的所述当前情绪向量分布中的关联情绪向量分布进行情绪转移识别以得到情绪转移信息的步骤，包括：

6.根据权利要求1所述的基于云计算和区块链的服务响应方法，其特征在于，所述根据所述情绪转移信息确定与所述过往情绪向量分布对应的第一应答过程评估信息以及与所述当前情绪向量分布对应的第二应答过程评估信息的步骤，包括：

7.根据权利要求6所述的基于云计算和区块链的服务响应方法，其特征在于，所述根据每个服务元素交互信息的咨询源对象结果及每个目标应答服务事件的服务元素交互信息，确定所述目标应答意图数据对应的目标应答服务事件的第一异常行为生成信息的步骤，包括：

8.根据权利要求1-7中任意一项所述的基于云计算和区块链的服务响应方法，其特征在于，所述运行配置关联了各所述应答输入问题的每个目标应答服务的步骤，包括：

9.根据权利要求1所述的基于云计算和区块链的服务响应方法，其特征在于，所述当从所述应答索引序列中未查找到所述应答输入问题时，在所述应答索引序列的扩展更新序列更新未查找到的所述应答输入问题，并确定更新的所述应答输入问题在所述应答索引序列中的应答索引对象，包括：

10.一种人工智能互动平台，其特征在于，所述人工智能互动平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个信息互动终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行权利要求1-9中任意一项的基于云计算和区块链的服务响应方法。