CN112612878A - 一种客服信息提供方法、电子设备及装置 - Google Patents
一种客服信息提供方法、电子设备及装置 Download PDFInfo
- Publication number
- CN112612878A CN112612878A CN202011493394.0A CN202011493394A CN112612878A CN 112612878 A CN112612878 A CN 112612878A CN 202011493394 A CN202011493394 A CN 202011493394A CN 112612878 A CN112612878 A CN 112612878A
- Authority
- CN
- China
- Prior art keywords
- information
- vector
- sample
- target
- service
- 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 45
- 239000013598 vector Substances 0.000 claims abstract description 178
- 230000008451 emotion Effects 0.000 claims abstract description 110
- 238000012545 processing Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000008439 repair process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002996 emotional effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000006403 short-term memory 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
- G06F16/35—Clustering; Classification
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种客服信息提供方法、电子设备及装置,其中,所述方法包括:获取用户输入的服务需求信息;通过预先训练的模型分析所述服务需求信息,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量;根据所述目标情绪类别向量和所述目标信息特征向量,确定所述服务需求信息的目标答复文本;输出所述目标答复文本。通过根据服务需求信息,确定出用户的目标情绪类别不稳定后,例如着急、愤怒,智能客服在对用户具体的问题进行回复之前,先回复安抚的话术。从而可以使用户感受到智能客服的温度,使用户感觉不再是冷冰冰的对一个机器人说话,进而可以提高用户使用智能客服的用户体验。
Description
技术领域
本发明涉及深度学习领域,尤其涉及一种客服信息提供方法、电子设备及装置。
背景技术
随着物流行业的快速发展,智能客服系统的需求越来越大,用户与智能客服的交流越来越多,智能客服仅能够对具体业务进行比较准确的回答。但是缺乏根据用户的话语,判断出用户情绪的能力,从而降低用户的使用体验。
发明内容
本发明的目的在于提供一种客服信息提供方法、电子设备及装置,以解决现有技术中,用户使用智能客服时,使用体验不佳的问题。
为了达到上述目的,本发明提供了一种客服信息提供方法,包括:获取用户输入的服务需求信息;通过预先训练的模型分析所述服务需求信息,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量;根据所述目标情绪类别向量和所述目标信息特征向量,确定所述服务需求信息的目标答复文本;输出所述目标答复文本。
可选的,所述通过预先训练的模型分析所述服务需求信息,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量,包括:通过预先训练的双向长短期记忆BiLSTM模型对所述服务需求信息进行分析,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量。
可选的,根据所述目标情绪类别向量和所述目标信息特征向量,确定所述服务需求信息的目标答复文本,包括:根据预先建立的信息特征向量和情绪类别向量对应的答复文本,确定所述目标信息特征向量和所述目标情绪类别向量对应的目标答复文本。
可选的,对所述模型预先训练的过程,包括:获取用户输入的样本服务需求信息;确定所述样本服务需求信息的样本词向量,并根据所述样本词向量及标识有样本情绪类别的所述样本服务需求信息,确定样本情绪类别向量;确定所述样本服务需求信息的样本信息特征向量和样本位置特征向量;根据所述样本情绪类别向量、所述样本服务需求信息、所述样本词向量、所述样本信息特征向量和所述样本位置特征向量,对所述模型进行训练。
可选的,确定所述样本服务需求信息的样本词向量,包括:将所述样本服务需求信息输入词嵌入模型,得到所述样本服务需求信息的样本词向量。
进一步的,在确定所述样本服务需求信息的样本词向量,之前,还包括:对所述样本服务需求信息进行预处理,其中,所述预处理包括以下至少一种:去重处理、去非自然语言文本处理、去特殊符号处理和分词处理。
本发明的另一实施例提供了一种电子设备,包括:存储器、处理器以及存储在所述存储器上并可被所述处理器运行的程序,当所述程序被所述处理器执行时,实现如上所述的客服信息提供方法。
本发明的又一实施例提供了一种客服信息提供装置,包括:获取模块,用于获取用户输入的服务需求信息;处理模块,用于通过预先训练的模型分析所述服务需求信息,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量;确定模块,用于根据所述目标情绪类别向量和所述目标信息特征向量,确定所述服务需求信息的目标答复文本;输出模块,用于输出所述目标答复文本。
本发明的再一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时,实现如上所述的客服信息提供方法。
本发明的上述技术方案至少有如下有益效果:
本发明实施例的客服信息提供方法,通过根据服务需求信息,确定出用户的目标情绪类别不稳定后,例如着急、愤怒,智能客服在对用户具体的问题进行回复之前,先回复安抚的话术。从而可以使用户感受到智能客服的温度,使用户感觉不再是冷冰冰的对一个机器人说话,进而可以提高用户使用智能客服的用户体验。
附图说明
图1为本发明提供的一种客服信息提供方法的流程示意图;
图2为本发明提供的一种训练模型的流程示意图;
图3为本发明提供的一种情感分析架构示意图;
图4为本发明提供的另一种客服信息提供方法的流程示意图;
图5为本发明提供的一种构建本体特征向量的流程示意图;
图6为本发明提供的一种电子设备的模块示意图;
图7为本发明提供的一种客服信息提供装置的模块示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本发明所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
参见图1,本发明的一实施例提供了一种客服信息提供方法,可以应用至智能客服,包括以下步骤:
S11:获取用户输入的服务需求信息。
需要说明的是,在用户有服务需求时,可以向智能客服输入服务需求信息。例如,用户在对话框中输入完成服务需求信息后,进行发送,客服系统便可以获取到服务需求信息。
可选的,服务需求信息为用户输入的文本信息,例如一句话、一段文字或者多段文字。当然,用户也可以输入语音信息,客服系统需要先将语音信息转换成对应的文本信息,将文本信息作为服务需求信息。
S12:通过预先训练的模型分析所述服务需求信息,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量。
需要说明的是,目标情绪类别向量,能够体现出用户的情绪类别,比如着急、愤怒;目标信息特征向量,能够体现服务需求信息对应的领域,例如,售后服务领域。本发明中的信息特征向量也可以称为本体特征向量。
需要说明的是,目标情绪类别向量,实际上指的是目标情绪类别,目标信息类别向量,实际上指的是目标信息类别。
S13:根据所述目标情绪类别向量和所述目标信息特征向量,确定所述服务需求信息的目标答复文本。
通常,不同的情绪类别向量对应的答复文本不同,不同的信息特征向量对应的答复文本不同。
S14:输出所述目标答复文本。
本发明的技术方案,通过预先训练的模型对用户输入的服务需求信息进行分析,可以获得用户的目标情绪类别向量及目标信息特征向量。在通过目标情绪类别向量,判断出用户的情绪不稳定时,例如判断用户的情绪类别为着急,可以先对用户进行安抚,回复安抚的话术,然后再根据目标信息特征向量,对用户具体的问题进行回复。例如,服务需求信息为“快递丢失怎么办”,通过预先训练的模型,分析出用户的目标情绪类别向量为“着急”,目标信息特征向量为“售后领域”,则可以回复,“请您先别着急,一定能够找到解决方法的。麻烦您先提供下快递单号,做进一步处理”。
通过根据服务需求信息,确定出用户的目标情绪类别不稳定后,例如着急、愤怒,智能客服在对用户具体的问题进行回复之前,先回复安抚的话术。从而可以使用户感受到智能客服的温度,使用户感觉不再是冷冰冰的对一个机器人说话,进而可以提高用户使用智能客服的用户体验。
本发明的实施例中,所述通过预先训练的模型分析所述服务需求信息,获得所述服务需求信息的情绪类别向量和信息特征向量,包括:
通过预先训练的双向长短期记忆(Bi-directional Long Short-Term Memory,BiLSTM)模型对所述服务需求信息进行分析,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量。
也就是上述步骤12中的模型为BiLSTM模型。
本发明的实施例中,根据所述目标情绪类别向量和所述目标信息特征向量,确定所述服务需求信息的目标答复文本,包括:
根据预先建立的信息特征向量和情绪类别向量对应的答复文本,确定所述目标信息特征向量和所述目标情绪类别向量对应的目标答复文本。
执行设备(例如智能客服所在的设备)中可以预先保存不同的信息特征向量、不同的情绪类别向量对应的不同的答复文本。当根据预先训练的模型得到目标信息特征向量和目标情绪类别向量时,就可以根据目标信息特征向量和所述目标情绪类别向量,找到对应的目标答复文本。
可选的,在预先建立信息特征向量和情绪类别向量对应的答复文本时,例如,可以是建立一个不同的答复文本与不同的情绪类别向量的第一对应关系表,以及建立一个不同的答复文本与不同的信息特征向量的第二对应关系表。
可选的,在预先建立信息特征向量和情绪类别向量对应的答复文本时,也可以建立不同的答复文本、不同的信息特征向量和不同的情绪类别向量三者的对应关系表。例如三者的对应关系为:情绪类别向量为“着急”,信息特征向量为“售后领域”,答复文本为“请您先别着急,一定能够找到解决方法的。麻烦您先提供下快递单号,做进一步处理”。或者,三者的对应关系为:情绪类别向量为“正常情绪”,信息特征向量为“售前领域”,答复文本为“您好,机顶盒的价格为299元”。
例如,服务需求信息为“快递丢失怎么办”,分析出用户的目标情绪类别向量为“着急”,目标信息特征向量为“售后领域”,则,则目标答复文本为“请您先别着急,一定能够找到解决方法的。麻烦您先提供下快递单号,做进一步处理”。又例如,服务需求信息为“机顶盒多少钱”,分析出用户的目标情绪类别向量为“正常情绪”,目标信息特征向量为“售前领域”,则目标答复文本为“您好,机顶盒的价格为299元”。
接下来,参见图2,对训练模型的过程做进一步介绍。本发明的实施例中,对所述模型预先训练的过程,包括:获取用户输入的样本服务需求信息(训练用);确定所述样本服务需求信息的样本词向量,并根据所述样本词向量及标识有样本情绪类别的所述样本服务需求信息,确定样本情绪类别向量;确定所述样本服务需求信息的样本信息特征向量和样本位置特征向量;根据所述样本情绪类别向量、所述样本服务需求信息、所述样本词向量、所述样本信息特征向量和样本位置特征向量,对所述模型进行训练。
需要说明的是,对模型进行训练的人员,可以预先对样本服务需求信息标识情绪类别,例如,样本服务需求信息为“机顶盒多少钱”,其情绪类别的标识为“正常情绪”,又例如,样本服务需求信息为“快递丢了怎么办”,其情绪类别的标识为“着急”。从而形成大量标识情绪类别的样本服务需求信息,用于模型训练。这些大量标识情绪类别的样本服务需求信息可以添加到一个集合中,这个集合可以称为情绪分类训练集。
例如,信息特征向量用于指示所述样本服务需求信息所属的领域;位置特征用于指示:表示所述样本情绪类别向量的词,在样本服务需求信息中的位置。确定所述样本服务需求信息的样本信息特征向量和样本位置特征向量的过程可以是:在获取到样本服务需求信息后,通过预处理模块进行处理,包括去重处理、去非自然语言文本处理、去特殊符号处理和分词处理。例如,样本服务需求信息为“快递丢了怎么办”,经过预处理后,可以得到“快递”、“丢了”、“怎么办”几个词。根据预先建立的词表,将能够体现样本服务需求信息所处的领域的词语或者文本作为本体特征。例如,词表中保存有不同本体特征对应的不同领域,例如“快递”、“快件”、“包裹”对应物流领域,“数据线”、“充电插头”对应配件领域或售后领域。“快递”能够体现出样本服务需求信息所属的领域,则确定“快递”为本体特征。“丢了”是能够体现出用户情绪类别的词,其所在样本服务需求信息中的位置,确定为位置特征。可选的,可以对体现情绪类别的词进行标记,例如将“丢了”标记为1,将“快递”和“怎么办”均标记为0,便于对样本服务需求信息进行准确分析。处理模块对本体特征和位置特征进行处理后,得到对应的本体特征向量和位置特征向量,本体特征向量和位置特征向量可以统称为分布特征向量。
本发明的实施例中,如图2所示,确定所述样本服务需求信息的样本词向量,包括:将所述样本服务需求信息输入词嵌入模型,得到所述样本服务需求信息的样本词向量。
例如,样本服务需求信息为“快递丢失如何做”,通过词嵌入模型的处理可以得到“快递”、“丢失”“如何”、“做”四个词向量。此处的词嵌入模型可以采用现有的词嵌入模型,不再详细介绍。
根据所述样本词向量及标识有样本情绪类别的所述样本服务需求信息,确定样本情绪类别向量的具体过程如下:
如图2所示,将情绪类别标识为“着急”的“快递丢了怎么办”和“快递”“丢了”、“怎么办”输入至情绪分类模型中,得到样本情绪类别向量为“着急”。样本情绪类别向量也可以成为情绪分布向量,将分布特征向量和情绪分布向量输入至模型中,进而对所述模型进行训练,所述模型可以指的是上述提到的BiLSTM模型。
如图2所示,在对BiLSTM模型训练完成后,可以对BiLSTM模型的训练效果进行测试(测试用),以验证模型训练的效果。例如,在获取用户输入的服务需求信息后,所述模型对服务需求信息进行分析,智能客服(机器人)利用所述模型的分析结果,对用户进行回复。
如图3所示,智能客服可以对用户的情感进行安抚,进行情感生成式语聊。如果用户在得到智能客服的回复后,未要求转接人工客服,则认为用户对智能客服的回答满意。若要求转接人工客服,则认为用户对智能客服的回答不满意。通过未转接人工客服的次数占用户与智能客服沟通总次数的百分比,可以对智能客服的服务进行质检以及对用户的会话满意度进行评估。比如,用户和智能客服沟通了100次,其中有95次未转接人工客服便结束了服务,则用户的满意度为95%。
本发明的实施例中,在确定所述样本服务需求信息的样本词向量,之前,还包括:对所述样本服务需求信息进行预处理,其中,所述预处理包括以下至少一种:去重处理、去非自然语言文本处理、去特殊符号处理和分词处理。
样本服务需求信息在经过处理后,可以使处理后的样本服务信息更加准确。
接下来,对本发明的客服信息提供方法作进一步说明。
可选的,在如下介绍中,服务需求信息也可以称之为客服数据或者短文本。关于本发明实施例提供的方案具体可如图4所示,包括:
步骤41:获取到客服数据,通过语料预处理模块对客服数据进行预处理,所述预处理包括以下至少一种:去重处理、去非自然语言文本处理、去特殊符号处理和分词处理。
步骤42:处理后的语料,通过词嵌入模块得到相应的词向量。为了有效的获取到短文本的情感特征,本发明首先利用短文本数据训练得到词(词向量)的语义表示;然后采用分层处理的方式得到短文本的数据,第一层由词向量聚合得到句子向量的表示,第二层由句子聚合得到短文本的表示。选择BiLSTM网络作为每一层的处理结构。同时,在BiLSTM的每一层输入加入注意力机制,以识别出对情绪分类(得到情绪类别向量)贡献较大的情感词和包含情绪表达的句子。
步骤43:根据客服数据,提取出本体特征和情感词对应的位置特征。和情绪分类提取出的情感特征(情绪类别向量)一起作为后续最终预测用户语言行为的一个共同特征。
步骤44:根据前期调研,可以将情绪类别划分出正常情绪、着急、愤怒、感谢、委屈。针对每种情绪准备好一套安抚话术,也就是根据不同的情绪类别,确定出不同的答复文本。针对不同的情绪,制定出比较人性化的给出一套安抚话语。对用户的输入(服务需求信息),判断出情绪分类(情绪类别向量)的结果,针对不同的情绪(情绪类别向量)给予不同的安抚话术(答复文本),再回复用户所说的问题答案。
通过上述方案,智能客服不仅能够对业务问题的回答,还能依据用户的话语,判断出用户的情绪,从而给予业务答案之外的一些话术。会让用户感觉不再是冷冰冰的对一个机器人对话,而是类似人一样,带有温度的对话,会让智能客服更懂人。
接下来参见图5,对构建本体特征做进一步说明。其中,构建本体特征包括以下步骤:
步骤51:获取数据源。可选的,数据源可以是如上所述的样本服务需求信息,也可以是从领域评论语料中获取。其中,根据领域评论语料,可以构造评论对象相关的词表,以及构造指示词相关的词表。例如,领域评论语料为“机顶盒很好”,评论对象为“机顶盒”,指示词为“很好”,则可以将“机顶盒”添加至评论对象相关的词表中,将“很好”添加至指示词相关的词表中。领域评论语料越多,评论对象相关的词表以及指示词相关的词表中的内容也会不断得到丰富。
步骤52:定义类及其层次结构。例如获取的数据源为“报修机顶盒”,则“报修”定义为“类”,“报修机顶盒”,定义为“层次属性”。可以理解为,“报修”为一个大类,具体的“报修机顶盒”只是“报修”这一个大类下的一个分支(层次属性)。
步骤53:定义类的属性。例如,获取的数据源为“报修机顶盒的电源适配器,电源适配器坏了”,则“电源适配器坏了”为类的属性,可以理解为“类”下面的具体问题。
步骤54:定义语义关系。例如,机顶盒属于高清还是标清,属于对语义关系的定义。
步骤55:对本体特征进行评价。若未通过,则执行步骤52,若通过,则执行步骤56。
步骤56:构建完毕。
构建本体特征,可以针对具体领域或特定领域,提供大家都共同认可的的或者说是可以共享的词表,从而可以丰富数据源,进而智能客服在回复用户的服务需求信息时更加准确。
接下来参见图6,为本发明提供的一种电子设备M6,包括:存储器M61、处理器M62以及存储在所述存储器M61上并可被所述处理器M62运行的程序,当所述程序被所述处理器M62执行时,实现如上所述的客服信息提供方法实施例的各个过程,且能够达到相同的技术效果,为避免重复,这里不再赘述。
接下来,参见图7,为本发明提供的一种客服信息提供装置的模块示意图,包括:获取模块71,用于获取用户输入的服务需求信息;处理模块72,用于通过预先训练的模型分析所述服务需求信息,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量;确定模块73,用于根据所述目标情绪类别向量和所述目标信息特征向量,确定所述服务需求信息的目标答复文本;输出模块74,用于输出所述目标答复文本。
本发明的实施例中,处理模块在根据所述通过预先训练的模型分析所述服务需求信息,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量时,具体用于:通过预先训练的双向长短期记忆BiLSTM模型对所述服务需求信息进行分析,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量。
可选的,确定模块在根据所述目标情绪类别向量和所述目标信息特征向量,确定所述服务需求信息的目标答复文本时,具体用于:根据预先建立的信息特征向量和情绪类别向量对应的答复文本,确定所述目标信息特征向量和所述目标情绪类别向量对应的目标答复文本。
本发明的实施例中,获取模块在对所述模型预先训练的过程时,具体用于:获取用户输入的样本服务需求信息;确定模块,用于确定所述样本服务需求信息的样本词向量,并根据所述样本词向量及标识有样本情绪类别的所述样本服务需求信息,确定样本情绪类别向量;确定模块,还用于确定所述样本服务需求信息的样本信息特征向量和样本位置特征向量;根据所述样本情绪类别向量、所述样本服务需求信息、所述样本词向量、所述样本信息特征向量和所述样本位置特征向量,对所述模型进行训练。
可选的,确定模块,在确定所述样本服务需求信息的样本词向量时,具体用于:将所述样本服务需求信息输入词嵌入模型,得到所述样本服务需求信息的样本词向量。
进一步的,处理模块在确定所述样本服务需求信息的样本词向量,之前,还用于:对所述样本服务需求信息进行预处理,其中,所述预处理包括以下至少一种:去重处理、去非自然语言文本处理、去特殊符号处理和分词处理。
本发明的客服信息提供装置,通过根据服务需求信息,确定出用户的目标情绪类别不稳定后,例如着急、愤怒,智能客服在对用户具体的问题进行回复之前,先回复安抚的话术。从而可以使用户感受到智能客服的温度,使用户感觉不再是冷冰冰的对一个机器人说话,进而可以提高用户使用智能客服的用户体验。
本发明的另一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时,实现如上所述的客服信息提供方法。
此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。
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。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种客服信息提供方法,其特征在于,包括:
获取用户输入的服务需求信息;
通过预先训练的模型分析所述服务需求信息,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量;
根据所述目标情绪类别向量和所述目标信息特征向量,确定所述服务需求信息的目标答复文本;
输出所述目标答复文本。
2.根据权利要求1所述的客服信息提供方法,其特征在于,所述通过预先训练的模型分析所述服务需求信息,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量,包括:
通过预先训练的双向长短期记忆BiLSTM模型对所述服务需求信息进行分析,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量。
3.根据权利要求1所述的客服信息提供方法,其特征在于,根据所述目标情绪类别向量和所述目标信息特征向量,确定所述服务需求信息的目标答复文本,包括:
根据预先建立的信息特征向量和情绪类别向量对应的答复文本,确定所述目标信息特征向量和所述目标情绪类别向量对应的目标答复文本。
4.根据权利要求1所述的客服信息提供方法,其特征在于,对所述模型预先训练的过程,包括:
获取用户输入的样本服务需求信息;
确定所述样本服务需求信息的样本词向量,并根据所述样本词向量及标识有样本情绪类别的所述样本服务需求信息,确定样本情绪类别向量;
确定所述样本服务需求信息的样本信息特征向量和样本位置特征向量;
根据所述样本情绪类别向量、所述样本服务需求信息、所述样本词向量、所述样本信息特征向量和所述样本位置特征向量,对所述模型进行训练。
5.根据权利要求4所述的客服信息提供方法,其特征在于,确定所述样本服务需求信息的样本词向量,包括:
将所述样本服务需求信息输入词嵌入模型,得到所述样本服务需求信息的样本词向量。
6.根据权利要求4所述的客服信息提供方法,其特征在于,在确定所述样本服务需求信息的样本词向量,之前,还包括:
对所述样本服务需求信息进行预处理,其中,所述预处理包括以下至少一种:
去重处理、去非自然语言文本处理、去特殊符号处理和分词处理。
7.一种电子设备,其特征在于,包括:存储器、处理器以及存储在所述存储器上并可被所述处理器运行的程序,当所述程序被所述处理器执行时,实现如权利要求1至6任一项所述的客服信息提供方法。
8.一种客服信息提供装置,其特征在于,包括:
获取模块,用于获取用户输入的服务需求信息;
处理模块,用于通过预先训练的模型分析所述服务需求信息,获得所述服务需求信息的目标情绪类别向量和目标信息特征向量;
确定模块,用于根据所述目标情绪类别向量和所述目标信息特征向量,确定所述服务需求信息的目标答复文本;
输出模块,用于输出所述目标答复文本。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时,实现如权利要求1至6任一项所述的客服信息提供方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011493394.0A CN112612878A (zh) | 2020-12-17 | 2020-12-17 | 一种客服信息提供方法、电子设备及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011493394.0A CN112612878A (zh) | 2020-12-17 | 2020-12-17 | 一种客服信息提供方法、电子设备及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112612878A true CN112612878A (zh) | 2021-04-06 |
Family
ID=75240864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011493394.0A Pending CN112612878A (zh) | 2020-12-17 | 2020-12-17 | 一种客服信息提供方法、电子设备及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112612878A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299253A (zh) * | 2018-09-03 | 2019-02-01 | 华南理工大学 | 一种基于深度融合神经网络的中文社交文本情绪识别模型构造方法 |
CN109522548A (zh) * | 2018-10-26 | 2019-03-26 | 天津大学 | 一种基于双向交互神经网络的文本情感分析方法 |
WO2019153522A1 (zh) * | 2018-02-09 | 2019-08-15 | 卫盈联信息技术(深圳)有限公司 | 智能交互方法、电子装置及存储介质 |
CN110222184A (zh) * | 2019-06-13 | 2019-09-10 | 广东工业大学 | 一种文本的情感信息识别方法及相关装置 |
CN110379445A (zh) * | 2019-06-20 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 基于情绪分析的业务处理方法、装置、设备及存储介质 |
CN110502757A (zh) * | 2019-08-29 | 2019-11-26 | 西安邮电大学 | 一种自然语言情感分析方法 |
CN110807388A (zh) * | 2019-10-25 | 2020-02-18 | 深圳追一科技有限公司 | 交互方法、装置、终端设备及存储介质 |
CN110807314A (zh) * | 2019-09-19 | 2020-02-18 | 平安科技(深圳)有限公司 | 文本情感分析模型训练方法、装置、设备及可读存储介质 |
-
2020
- 2020-12-17 CN CN202011493394.0A patent/CN112612878A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019153522A1 (zh) * | 2018-02-09 | 2019-08-15 | 卫盈联信息技术(深圳)有限公司 | 智能交互方法、电子装置及存储介质 |
CN109299253A (zh) * | 2018-09-03 | 2019-02-01 | 华南理工大学 | 一种基于深度融合神经网络的中文社交文本情绪识别模型构造方法 |
CN109522548A (zh) * | 2018-10-26 | 2019-03-26 | 天津大学 | 一种基于双向交互神经网络的文本情感分析方法 |
CN110222184A (zh) * | 2019-06-13 | 2019-09-10 | 广东工业大学 | 一种文本的情感信息识别方法及相关装置 |
CN110379445A (zh) * | 2019-06-20 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 基于情绪分析的业务处理方法、装置、设备及存储介质 |
CN110502757A (zh) * | 2019-08-29 | 2019-11-26 | 西安邮电大学 | 一种自然语言情感分析方法 |
CN110807314A (zh) * | 2019-09-19 | 2020-02-18 | 平安科技(深圳)有限公司 | 文本情感分析模型训练方法、装置、设备及可读存储介质 |
CN110807388A (zh) * | 2019-10-25 | 2020-02-18 | 深圳追一科技有限公司 | 交互方法、装置、终端设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
李卫疆等: "基于多通道双向长短期记忆网络的情感分析", 《中文信息学报》, vol. 33, no. 12, pages 2 * |
陈珂;梁斌;柯文德;许波;曾国超;: "基于多通道卷积神经网络的中文微博情感分析", 计算机研究与发展, no. 05 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ralston et al. | A voice interactive multilingual student support system using IBM Watson | |
CN111966800B (zh) | 情感对话生成方法、装置及情感对话模型训练方法、装置 | |
CN111241357A (zh) | 对话训练方法、装置、系统及存储介质 | |
Merdivan et al. | Dialogue systems for intelligent human computer interactions | |
CN107679033A (zh) | 文本断句位置识别方法和装置 | |
CN111833853A (zh) | 语音处理方法及装置、电子设备、计算机可读存储介质 | |
CN110610705A (zh) | 一种基于人工智能的语音交互提示器 | |
CN112463942B (zh) | 文本处理方法、装置、电子设备及计算机可读存储介质 | |
CN112417127A (zh) | 对话模型的训练、对话生成方法、装置、设备及介质 | |
CN111048075A (zh) | 智能客服系统及智能客服机器人 | |
WO2021169485A1 (zh) | 一种对话生成方法、装置及计算机设备 | |
CN111522924A (zh) | 一种带有主题感知的情感聊天式回复生成方法 | |
CN112836053A (zh) | 用于工业领域的人机对话情感分析方法及系统 | |
CN110675292A (zh) | 一种基于人工智能的儿童语言能力评测方法 | |
CN113470625A (zh) | 语音对话处理方法、装置、设备及存储介质 | |
CN114722164A (zh) | 一种智能评论回复方法及装置 | |
CN112612878A (zh) | 一种客服信息提供方法、电子设备及装置 | |
CN115510213A (zh) | 用于作业机械的问答方法及系统、作业机械 | |
CN115408500A (zh) | 问答一致性的评估方法、装置、电子设备及介质 | |
CN111125337B (zh) | 一种文本类型确定方法及装置 | |
Willis et al. | Identifying domain reasoning to support computer monitoring in typed-chat problem solving dialogues | |
Wang | Generate Reflections and Paraphrases out of Distress Stories in Mental Health Forums | |
Liang et al. | Intelligent chat robot in digital campus based on deep learning | |
Bang et al. | UX Design and Evaluation on Conversational Bot Supporting Multi-Turn and Multi-Domain Dialogues | |
CN113744737B (zh) | 语音识别模型的训练、人机交互方法、设备和存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 100029 room 1004, 10th floor, building 26, 40 Xueyuan Road, Haidian District, Beijing Applicant after: Guotou Fusion Technology Co.,Ltd. Address before: 100029 room 1004, 10th floor, building 26, 40 Xueyuan Road, Haidian District, Beijing Applicant before: DATANG TELECOM CONVERGENCE COMMUNICATIONS CO.,LTD. Country or region before: China |