CN112860873B - 智能应答方法、装置及存储介质 - Google Patents
智能应答方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112860873B CN112860873B CN202110309494.1A CN202110309494A CN112860873B CN 112860873 B CN112860873 B CN 112860873B CN 202110309494 A CN202110309494 A CN 202110309494A CN 112860873 B CN112860873 B CN 112860873B
- Authority
- CN
- China
- Prior art keywords
- data
- dialogue
- dialogue text
- knowledge
- text
- 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.)
- Active
Links
- 230000004044 response Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 54
- 230000008451 emotion Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 24
- 230000008909 emotion recognition Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 102
- 238000000605 extraction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006854 communication Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000009411 base construction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- 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
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本公开涉及一种智能应答方法、装置及存储介质。智能应答方法包括:接收到问询请求后,调用预设知识库;根据问询请求包括的待查询对话文本,在预设知识库中查询到对应应答数据;其中,预设知识库存储对话文本、对话文本的特征数据、与对话文本对应的知识数据对,以及对话文本、对话文本的特征数据、与对话文本对应的知识数据对三者的关联关系,其中,基于知识生产模型解析对话文本库中每一个对话文本的文本特征,得到每一个对话文本的特征数据,并提取每一个对话文本的问题数据和对应应答数据,每组问题数据和对应应答数据构成一知识数据对。通过本公开,可以保证智能应答服务质量,提升智能应答的智能化。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及智能应答方法、装置及存储介质。
背景技术
客服是企业获得用户反馈、解决用户产品疑问的一个主要途径。传统的客服系统中,由于人工客服接受过专业的训练,能够高效地回答用户的咨询/投诉等问题,但是通过人工客服获得用户反馈、解决用户产品疑问会存在成本高、时间限制等诸多不利因素。
进而,针对这一问题,目前的解决办法是引入智能客服。智能客服能够24小时在线,成本低,但是要想让智能客服在线回答千千万万用户的各种问题,智能客服的实现有诸多挑战。
发明内容
为克服相关技术中存在的问题,本公开提供一种智能应答方法、装置及存储介质。
根据本公开实施例的第一方面,提供一种智能应答方法,智能应答方法,包括:
接收到问询请求后,调用预设的预设知识库;
根据所述问询请求包括的待查询对话文本,在所述预设知识库中查询到对应应答数据;
其中,预设知识库在构建时,所述预设知识库中存储对话文本、对话文本的特征数据、与对话文本对应的知识数据对,以及对话文本、对话文本的特征数据、与对话文本对应的知识数据对三者的关联关系;其中,基于知识生产模型解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据,并提取所述每一个对话文本的问题数据和对应应答数据,每组所述问题数据和对应应答数据构成一知识数据对;
根据所述预设知识库中存储的对话文本的特征数据和与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集,所述反馈对话文本集中的反馈对话文本表征对话文本的特征数据存在错误,和/或表征与对话文本对应的知识数据对存在问题数据和对应应答数据不匹配;
将所述反馈对话文本集作为训练文本集输入所述知识生产模型,对所述知识生产模型进行训练;
基于训练后的知识生产模型,更新所述预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对;
重复执行所述根据所述预设知识库中存储的对话文本的特征数据和与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集的步骤至所述基于训练后的知识生产模型,更新所述预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对的步骤,直至从所述知识生产模型中输出的知识数据对和对话文本的特征数据符合预设的准确率。
可选地,所述根据所述预设知识库中存储的对话文本的特征数据和与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集,包括:
根据所述知识生产模型输出的对话文本的特征数据、与对话文本对应的知识数据对,基于存储在所述预设知识库中被标注的知识数据对和/或对话文本的特征数据,确定反馈对话文本集;和/或,
基于所述预设知识库在实际使用中用户反馈的表征对话文本的特征数据存在错误的数据,或者表征知识数据对中问题数据和对应应答数据不匹配的数据,确定反馈对话文本集。
可选地,所述知识生产模型包括自然语言理解子模型和配对子模型;
所述确定预设知识库,包括:
将对话文本库中每一个对话文本输入所述自然语言理解子模型,通过自然语言理解子模型,解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据;
将所述每一个对话文本和所述每一个对话文本的特征数据输入所述配对子模型,通过所述配对子模型,提取所述每一个对话文本中包括的问题数据和对应应答数据,得到包括问题数据和对应应答数据的知识数据对。
可选地,所述配对子模型通过如下方式训练得到:
确定所述配对子模型的输入数据和输出数据,所述输入数据包括对话文本,所述输出数据包括表征预设问题类型的问题数据和问题数据的对应应答数据;
根据确定的输入数据和输出数据,训练得到所述配对子模型。
可选地,所述自然语言理解子模型包括实体词识别子模型、情绪识别子模型和意图识别子模型中的一种或多种;
通过所述自然语言理解子模型,解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据,包括以下中的一种或多种:
通过所述实体词识别子模型时,解析所述每一个对话文本中包括的实体词,得到所述每一个对话文本中第一用户对话文本的实体词,和第二用户对话文本的实体词;
通过所述情绪识别子模型时,解析所述每一个对话文本的情绪特征,得到所述每一个对话文本的情绪特征数据;
通过所述意图识别子模型时,解析所述每一个对话文本的意图特征,得到所述每一个对话文本的意图特征数据。
可选地,所述自然语言理解子模型包括情绪识别子模型和意图识别子模型,所述方法还包括:
通过所述意图识别子模型识别所述知识数据对的意图特征,得到所述知识数据对的意图特征数据;以及
通过所述情绪识别子模型,识别所述知识数据对的情绪特征,得到所述知识数据对的情绪特征数据;
根据所述每一个对话文本的意图特征数据,确定所述知识数据对的意图特征数据为有效数据,并根据所述每一个对话文本的情绪特征数据,确定所述知识数据对的情绪特征数据为有效数据。
可选地,将对话文本和所述知识生产模型输出的对话文本的特征数据、与对话文本对应的知识数据对关联存储之前,所述方法还包括:
依据预设的分类标准,对所述知识数据对进行归类处理。
根据本公开实施例的第二方面,提供一种智能应答装置,包括:
调用模块,被配置为接收到问询请求后,调用预设的预设知识库;
查询模块,被配置为根据所述问询请求包括的待查询对话文本,在所述预设知识库中查询到对应应答数据;
第一确定模块,被配置为构建预设知识库,其中,预设知识库在构建时,所述预设知识库中存储对话文本、对话文本的特征数据、与对话文本对应的知识数据对,以及对话文本、对话文本的特征数据、与对话文本对应的知识数据对中任意两者的关联关系;其中,基于知识生产模型解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据,并提取所述每一个对话文本的问题数据和对应应答数据,每组所述问题数据和对应应答数据构成一知识数据对;
第二确定模块,被配置为根据所述预设知识库中存储的对话文本的特征数据、与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集,所述反馈对话文本集中的反馈对话文本表征对话文本的特征数据存在错误,和/或表征与对话文本对应的知识数据对存在问题数据和对应应答数据不匹配;
更新模块,被配置为基于训练后的知识生产模型,更新所述预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对;
处理模块,重复执行所述根据所述预设知识库中存储的对话文本的特征数据和与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集的步骤至所述基于训练后的知识生产模型,更新所述预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对的步骤,直至从所述知识生产模型中输出的知识数据对和对话文本的特征数据符合预设的准确率。
可选地,所述第二确定模块采用如下方式根据所述预设知识库中存储的对话文本的特征数据、与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集:
根据所述知识生产模型输出的对话文本的特征数据、与对话文本对应的知识数据对,基于存储在所述预设知识库中被标注的知识数据对和/或对话文本的特征数据,确定反馈对话文本集;和/或,
基于所述预设知识库在实际使用中用户反馈的表征对话文本的特征数据存在错误的数据,或者表征知识数据对中问题数据和对应应答数据不匹配的数据,确定反馈对话文本集。
可选地,所述知识生产模型包括自然语言理解子模型和配对子模型;
所述第一确定模块采用如下方式确定预设知识库:
将对话文本库中每一个对话文本输入所述自然语言理解子模型,通过所述自然语言理解子模型,解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据;
将所述每一个对话文本和所述每一个对话文本的特征数据输入所述配对子模型,通过所述配对子模型,提取所述每一个对话文本中包括的问题数据和对应应答数据,得到包括问题数据和对应应答数据的知识数据对。
可选地,所述第一确定模块被配置为通过如下方式训练得到配对子模型:
确定所述配对子模型的输入数据和输出数据,所述输入数据包括对话文本,所述输出数据包括表征预设问题类型的问题数据和问题数据的对应应答数据;
根据确定的输入数据和输出数据,训练得到所述配对子模型。
可选地,所述自然语言理解子模型包括实体词识别子模型、情绪识别子模型和意图识别子模型中的一种或多种;
所述第一确定模块采用如下方式通过所述自然语言理解子模型,解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据,包括以下中的一种或多种:
通过所述实体词识别子模型时,解析所述每一个对话文本中包括的实体词,得到所述每一个对话文本中第一用户对话文本的实体词,和第二用户对话文本的实体词;
通过所述情绪识别子模型时,解析所述每一个对话文本的情绪特征,得到所述每一个对话文本的情绪特征数据;
通过所述意图识别子模型时,解析所述每一个对话文本的意图特征,得到所述每一个对话文本的意图特征数据。
可选地,所述自然语言理解子模型包括情绪识别子模型和意图识别子模型,所述第一确定模块还被配置为:
通过所述意图识别子模型识别所述知识数据对的意图特征,得到所述知识数据对的意图特征数据;以及
通过所述情绪识别子模型,识别所述知识数据对的情绪特征,得到所述知识数据对的意图特征数据;
根据所述每一个对话文本的意图特征数据,确定所述知识数据对的意图特征数据为有效数据,并根据所述每一个对话文本的情绪特征数据,确定所述知识数据对的情绪特征数据为有效数据。
可选地,所述第一确定模块还被配置为:将对话文本和所述知识生产模型输出的对话文本的特征数据、与对话文本对应的知识数据对关联存储之前,依据预设的分类标准,对所述知识数据对进行归类处理。
根据本公开的第三方面,提供一种智能应答装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:通过执行所述指令,执行前述第一方面或者第一方面中任意一示例中的智能应答方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的智能应答方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:智能客服通过预先构建的预设知识库与用户建立对话,实现智能应答时,预设知识库基于预先训练的知识生产模型,通过解析对话文本的文本特征,并提取对话文本的问题数据和对应应答数据的方式,可以得到规范的,包括对话文本、对话文本的特征数据、与对话文本对应的知识数据对的预设知识库,开发人员对预设知识库中存储的知识进行维护时,可降低开发人员维护预设知识库的难度。并且,根据知识生产模型得到预设知识库之后,根据预设知识库对话文本中确定的反馈对话文本集,训练知识生产模型即当前代模型,并基于当前代模型的输出,更新预设知识库。由此通过不断重复确定反馈对话文本集和训练当前代模型的步骤,可快速迭代优化预设知识库,降低预设知识库构建对人工的依赖。进而,在建立合适可用的自动化预设知识库后,智能客服通过预设知识库与用户对话时,可以保证智能应答服务质量,并且能够解放业务线人员编辑知识的繁重工作,以及降低开发人员对预设知识库维护的难度,提升智能应答的智能化。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种智能应答方法的流程图。
图2是根据一示例性实施例示出的一种构建预设知识库的方法的流程图。
图3是根据一示例性实施例示出的一种构建预设知识库的流程示意图。
图4是根据一示例性实施例示出的一种智能应答装置的框图。
图5是根据一示例性实施例示出的一种用于智能应答的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开的示例性实施例的技术方案可以应用于智能客服通过预先构建的预设知识库与用户对话,实现智能应答的应用场景。在以下描述的示例性实施例中,预设知识库构建的装置可以是用于预设知识库构建的服务器,用于预设知识库构建的服务器可以是独立的应用服务设备,也可以是由多个服务器构成的服务集群,实际应用中,其可以是云服务器、云主机、虚拟中心等,本公开对该服务器的结构及其实现形式不作限定。
目前,智能客服在各行各业获得了广泛的应用,例如应用于消费行业、银行或者保险等。智能客服与用户建立对话时,智能客服需要根据用户的对话内容,调用预设知识库中的知识数据,以实现与用户的对话。
相关技术中,针对智能客服建立预设知识库时,主要还是依靠业务人员编辑问题数据和对应应答数据,但是由于业务的复杂性和不断变更,一般业务人员是很难胜任这样的工作,另外如果业务线工作人员不经过专业的协调和培训,很难编辑出规范、合格的知识,而如果业务人员编辑的知识不规范,会导致开发人员对预设知识库后期的维护带来巨大的不便。
有鉴于此,如何建立合适可用的自动化预设知识库,在保证智能应答服务质量的基础上,既可以解放业务线人员编辑知识的繁重工作,又可以降低开发人员对预设知识库维护的难度,提升智能应答的智能化,是目前亟需解决的问题。
图1是根据一示例性实施例示出的一种智能应答方法的流程图,如图1所示,包括以下步骤。
在步骤S11中,接收到问询请求后,调用预设知识库。
在步骤S12中,根据问询请求包括的待查询对话文本,在预设知识库中查询到对应应答数据。
本公开中,智能客服在接收到用户的问询请求后,调用预设知识库,并根据问询请求中包括的待查询对话文本,在预设知识库中查询对应的应答数据。
其中,预设知识库在构建时,预设知识库中存储对话文本、对话文本的特征数据、与对话文本对应的知识数据对,以及对话文本、对话文本的特征数据、与对话文本对应的知识数据对三者的关联关系。
其中,构建预设知识库的实施流程可包括:
在步骤S111中,基于预先训练的知识生产模型,解析对话文本库中每一个对话文本的文本特征,得到每一个对话文本的特征数据,并提取每一个对话文本的问题数据和对应应答数据,每组所述问题数据和对应应答数据构成一知识数据对。
其中,对话文本库中的每一个对话文本可以是基于用户和客服对话后得到的巨量的对话文本。对话可以为语音对话,当对话为语音对话时,可以预先将语音对话转化为文本对话。此外,每一个对话文本可以是用户和客服对话的一段长文本,也可以是用户和客服对话的一段短文本。
预先训练的知识生产模型可以是根据一定数量的对话文本训练好的,根据输入的对话文本,对对话文本的文本特征进行解析,并提取每一个对话文本的问题数据和对应应答数据,输出对话文本的特征数据,和包括问题数据和对应应答数据的知识数据对。
其中,预先训练的知识生产模型例如可以是包括自然语言理解子模型和配对子模型。将对话文本库中每一个对话文本输入预先训练的知识生产模型后,通过自然语言理解子模型,解析对话文本库中每一个对话文本的文本特征,得到每一个对话文本的特征数据,并通过配对子模型,提取每一个对话文本中包括的问题数据和对应应答数据,得到每组问题数据和对应应答数据构成的知识数据对。
在步骤S112中,根据对话文本的特征数据和与对话文本对应的知识数据对,确定预设知识库中的反馈对话文本集。
其中,反馈对话文本集中的反馈对话文本表征对话文本的特征数据存在错误,和/或表征与对话文本对应的知识数据对存在问题数据和对应应答数据不匹配。
一种实施方式中,本公开例如可基于如下方式确定预设知识库中的反馈对话文本集:
根据知识生产模型输出的对话文本的特征数据、与对话文本对应的知识数据对,例如获取基于人工审核后,存储在预设知识库中,被标注的知识数据对或者对话文本的特征数据,根据被标注的知识数据对,将与被标注的知识数据对对应的对话文本确定为反馈对话文本,和/或根据被标注的对话文本的特征数据,将与被标注的对话文本的特征数据关联的对话文本,确定为反馈对话文本,进而确定得到反馈对话文本集。
或者,智能客服通过预设知识库与用户对话过程中,获取基于用户反馈的表征对话文本的特征数据存在错误的数据,或者获取表征知识数据对中问题数据和对应应答数据不匹配的反馈数据,将用户反馈存在错误的对话文本的特征数据所关联的对话文本确定为反馈对话文本,或者将用户反馈不匹配的中问题数据和对应应答数据所对应的对话文本,确定为反馈对话文本,进而确定得到反馈对话文本集。
在步骤S113中,将反馈对话文本集作为训练文本集输入知识生产模型,对知识生产模型进行训练,基于训练后的知识生产模型,更新预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对。
在步骤S114中,重复执行所述根据所述预设知识库中存储的对话文本的特征数据和与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集的步骤至所述基于训练后的知识生产模型,更新所述预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对的步骤,直至从所述知识生产模型中输出的知识数据对和对话文本的特征数据符合预设的准确率。
为了逐步建立合适可用的自动化预设知识库,以减少对业务人员编辑问题数据和对应应答数据工作的依赖。本公开中,基于预先训练的知识生产模型,得到对话文本的特征数据,和与对话文本关联的知识数据对,并将对话文本、对话文本的特征数据、与对话文本对应的知识数据对关联存储得到预设知识库之后,可基于预设知识库中,表征对话文本的特征数据存在错误,或者表征知识数据对中问题数据和对应应答数据不匹配的反馈对话文本集,训练知识生产模型。并基于训练知识生产模型后,输出的对话文本的特征数据和知识数据对,更新预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对。
进而,根据不断重复执行根据预设知识库中存储的对话文本的特征数据、与对话文本对应的知识数据对,确定预设知识库中的反馈对话文本集的步骤至基于训练后的知识生产模型,更新预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对的步骤,直至从知识生产模型中输出的知识数据对和对话文本的特征数据符合预设的准确率。由此得到构建好的,存储的知识规范且准确率高的预设知识库。
在本公开的示例性实施例中,智能客服通过预先构建的预设知识库与用户建立对话,实现智能应答时,预设知识库基于预先训练的知识生产模型,通过解析对话文本的文本特征,并提取对话文本的问题数据和对应应答数据的方式,可以得到规范的,包括对话文本、对话文本的特征数据、与对话文本对应的知识数据对的预设知识库,开发人员对预设知识库中存储的知识进行维护时,可降低开发人员维护预设知识库的难度。并且,根据知识生产模型得到预设知识库之后,根据预设知识库对话文本中确定的反馈对话文本集,训练知识生产模型即当前代模型,并基于当前代模型的输出,更新预设知识库。由此通过不断重复确定反馈对话文本集和训练当前代模型的步骤,可快速迭代优化预设知识库,降低预设知识库构建对人工的依赖。进而,在建立合适可用的自动化预设知识库后,智能客服通过预设知识库与用户对话时,可以保证智能应答服务质量,并且能够解放业务线人员编辑知识的繁重工作,以及降低开发人员对预设知识库维护的难度,提升智能应答的智能化。
本公开以下将知识生产模型包括代自然语言理解子模型和配对子模型为例,对确定预设知识库进行详细说明。
图2是根据一示例性实施例示出的一种构建预设知识库的方法流程图,如图2所示,包括以下步骤。
在步骤S21中,将对话文本库中每一个对话文本输入自然语言理解子模型,通过自然语言理解子模型,解析对话文本库中每一个对话文本的文本特征,得到每一个对话文本的特征数据。
为了防止基于人工编辑问题和答案的方式建立预设知识库时,人工编辑的知识数据不规范,进而增加开发人员维护预设知识库难度的问题,本公开中可基于自然语言理解模型对对话文本进行自然语言处理,使得预设知识库中存储的对话文本的特征数据和知识数据对具有很好的规范性,在开发人员对预设知识库中存储的数据基于自然语言规范进行修正时,例如对预设知识库中存储的数据进行是否符合对话的语言习惯等进行修正时,可降低开发人员的维护难度。
一种实施方式中,自然语言理解子模型包括实体词识别子模型、情绪识别子模型和意图识别子模型中的一种或多种。当自然语言理解子模型包括实体词识别子模型时,通过实体词识别子模型解析每一个对话文本中包括的实体词,得到每一个对话文本中第一用户对话文本的实体词,和第二用户对话文本的实体词。
当自然语言理解子模型包括情绪识别子模型时,通过情绪识别子模型,解析每一个对话文本的情绪特征,得到每一个对话文本的情绪特征数据。其中,通过情绪识别子模型例如可解析得到表征用户投诉的特征、用户问题比较紧急的特征,用户情绪很激动的特征。
实际应用中,可利用解析到对话文本的情绪特征,针对用户的咨询,通过智能客服可实现个性化地为用户服务的目的。
当自然语言理解子模型包括意图识别子模型时,通过意图识别子模型,解析每一个对话文本的意图特征,得到每一个对话文本的意图特征数据。其中,通过意图识别子模型例如可解析得到表征用户对产品功能的咨询、对产品价格的咨询等。
此外,实体词识别子模型例如可以是使用开源的条件随机场(ConditionalRandom Fields,CRF)CRF++技术实现,或者通过其它深度学习模型实现。情绪识别子模型和意图识别子模型例如可以是采用有监督的深度学习模型,例如Bert模型或RNN神经网络训练得到。在训练情绪识别子模型和意图识别子模型前,需要预先投入一定量的人力标注训练数据,基于标注后的训练数据训练得到情绪识别子模型和意图识别子模型。
在步骤S22中,将每一个对话文本和每一个对话文本的特征数据输入配对子模型,通过配对子模型,提取每一个对话文本中包括的问题数据和对应应答数据,得到包括问题数据和对应应答数据的知识数据对。
目前,在对话文本中提取知识数据对,通常有如下方式:
一种方式是采用文本摘要抽取策略,将一个对话中,表示问题的句子组合在一起成为问题文档,回答的句子组合在一起成为回答文档,或者将对话中用户的语句组成用户文档,将对话中客服的语句组成客服文档,问题文档和回答文档。针对用户文档和客服文档通过例如编码解码神经网络,或文本摘要提取的方式进行文本数据摘要提取,这样就可以得到“用户-客服”的知识数据对。
这种方法简单易行,但是通过文本摘要抽取策略提取的知识数据对时,通常抽取知识数据对的细粒度不好掌握。一方面如果抽取的细粒度不够,抽取太泛的话,会存在遗漏对话文本中知识数据对的情况。另一方面,如果抽取的细粒度太细,会存在抽取太多与对话主旨不相关知识数据对的情况。
另一种方式是采用知识图谱技术,抽取对话内容的结构化信息,这种技术方法实现难度较大,优点是能回答很多细粒度的问题,但是对于语义类的文本,例如知识图谱技术不能识别包括否定词文本,又例如在文本末尾有问号时,采用知识图谱技术却不能识别到文本的真实意思。
因此,本公开基于用户和客服在沟通中,沟通内容具有随机性,且用户的问题具有多样性的特点,通过预先训练的配对子模型提取对话文本中的知识数据对,使得能够较为全面地提取对话内容中的知识数据对,并且可以自动判断知识是否有效。
本公开中的配对子模型例如可以是基于预先设定的输入数据和输出数据训练规则化神经网络得到。输入数据包括对话文本,输出数据包括表征预设问题类型的问题数据和问题数据的对应应答数据,训练得到的配对子模型能够根据输入的对话文本,以及对话文本的特征数据,提取对话文本中包括的问题数据和对应应答数据,输出包括问题数据和对应应答数据的知识数据对。
其中,问题数据可以是预先设定问题类型的问题数据,例如,预先设定的问题类型可以包括表征“为什么”语义的文本、表征“怎么办”语义的文本、和表征“是什么”语义的文本。通过配对子模型解析对话文本中包括的问题数据时,当解析到对话文本中包括上述一个或多个预设问题类型的问题数据时,根据解析到的问题类型,输出问题数据以及问题数据对应的应答数据。即输出包括有两个句子,一个句子,假设为A,A的含义是“为什么”,“怎么办”和“什么”的语义文本中的一个或者多个,另一个句子,假设为B,B即为对应A的答案。
同时,为了实现自动判断提取的知识数据对的有效性,本公开中,通过配对子模型的输出得到知识数据对后,通过意图识别子模型识别知识数据对的意图特征,得到知识数据对的意图特征数据,并通过情绪识别子模型,识别知识数据对的情绪特征,得到知识数据对的意图特征数据。根据对话文本的意图特征数据,确定知识数据对的意图特征数据是否为有效数据,并根据对话文本的情绪特征数据,确定知识数据对的情绪特征数据是否为有效数据。
在实际应用中,在确定知识数据对的有效数据后,需要将知识数据对依据预设的分类标准,例如包括预设的业务、场景、产品、时间等分类标准进行归类处理。对知识数据对进行归类处理时,可根据在自然语言理解处理时,提取对话文本的特征数据,实现知识数据对的归类处理。例如针对用户和客服对话涉及的意图、产品、服务等特征数据,即可实现知识的归类处理。由此,针对衣服类别的预设知识库,就不会出现关于手机的知识数据对。
进而,将知识数据对依据业务、场景、产品、时间等条件进行归类处理后,将对话文本、对话文本的特征数据、与对话文本对应的知识数据对基于人工审核后,将准确无误的直接关联存储,将知识数据对或者对话文本的特征数据中存在识别有误的,可将存在识别有误的知识数据对或者对话文本的特征数据进行标注后,与对话文本关联存储,得到预设知识库。
在本公开的示例性实施例中,为了防止基于人工编辑问题和答案的方式建立预设知识库时,人工编辑的知识数据不规范,进而增加开发人员维护预设知识库难度的问题,本公开可基于自然语言理解模型对对话文本进行自然语言处理,使得预设知识库中存储的对话文本的特征数据和知识数据对具有很好的规范性,在开发人员对预设知识库中存储的数据进行修正时,可降低开发人员的维护难度。并且,本公开基于预先训练的配对子模型,提取对话文本中包括的问题数据和对应应答数据,能够较为全面地、根据预先设定的问题类型提取对话内容中的知识数据对,保证提取的知识数据对的准确性。
本公开一下结合实际应用对预设知识库构建方法进行说明。
图3是根据一示例性实施例示出的一种构建预设知识库的流程示意图。
在图3中,将对话文本库中的对话文本输入模型中,对话文本可以是对话录音转化为文本后的对话文本,通过模型对输入的对话文本进行自然语言处理,并提取对话文本中的知识数据对,输出对话文本的特征数据和与对话文本对应的知识数据对。
之后人工对输出的,对话文本的特征数据和与对话文本对应的知识数据对进行审核,若输出的数据为正确的,则直接将对话文本、对话文本的特征数据、与对话文本对应的知识数据对存储到预设知识库中,若存在识别错误的情况,则将识别错误的对话文本的特征数据或者与对话文本对应的知识数据对进行标注,并将标注后的数据与对话文本关联存储到预设知识库中。
知识数据对在线上应用的过程中,基于用户与智能客服沟通过程中的反馈或者沟通后的评测反馈,得到表征对话文本的特征数据存在错误,或者表征知识数据对中问题数据和对应应答数据不匹配的反馈数据。根据人工审核后标注的数据和用户反馈的数据,确定得到反馈对话文本集。根据反馈对话文本集输入模型中,对模型继续训练,并基于训练模型后,输出的对话文本的特征数据和知识数据对,更新预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对。
进而,根据不断重复执行确定反馈对话文本集,和训练模型的步骤,直到从模型中输出的知识数据和对话文本的特征数据符合预设的准确率。进而在此过程中,随着模型不断的优化,更新到预设知识库中的数据的准确率越来越高,可逐渐降低预设知识库构建时对人工审核的依赖,并得到构建好的存储的知识规范且准确率高的预设知识库。
图4是根据一示例性实施例示出的一种智能应答装置400的框图。参照图4,智能应答装置400包括调用模块401、查询模块402、第一确定模块403,第二确定模块404、更新模块405和处理模块406。
其中,调用模块401,被配置为接收到问询请求后,调用预设的预设知识库;
查询模块402,被配置为根据所述问询请求包括的待查询对话文本,在所述预设知识库中查询到对应应答数据;
第一确定模块403被配置为构建预设知识库,其中,预设知识库在构建时,所述预设知识库中存储对话文本、对话文本的特征数据、与对话文本对应的知识数据对,以及对话文本、对话文本的特征数据、与对话文本对应的知识数据对中任意两者的关联关系;其中,基于知识生产模型解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据,并提取所述每一个对话文本的问题数据和对应应答数据,每组所述问题数据和对应应答数据构成一知识数据对;
第二确定模块404,被配置为根据所述预设知识库中存储的对话文本的特征数据和与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集,所述反馈对话文本集中的反馈对话文本表征对话文本的特征数据存在错误,和/或表征与对话文本对应的知识数据对存在问题数据和对应应答数据不匹配;
更新模块405,被配置为基于训练后的知识生产模型,更新所述预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对;
处理模块406,被配置为重复执行所述根据所述预设知识库中存储的对话文本的特征数据和与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集的步骤至所述基于训练后的知识生产模型,更新所述预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对的步骤,直至从所述知识生产模型中输出的知识数据对和对话文本的特征数据符合预设的准确率。
可选地,所述第二确定模块404采用如下方式根据所述预设知识库中存储的对话文本的特征数据、与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集:
根据所述知识生产模型输出的对话文本的特征数据、与对话文本对应的知识数据对,基于存储在所述预设知识库中被标注的知识数据对和/或对话文本的特征数据,确定反馈对话文本集;和/或,
基于所述预设知识库在实际使用中用户反馈的表征对话文本的特征数据存在错误的数据,或者表征知识数据对中问题数据和对应应答数据不匹配的数据,确定反馈对话文本集。
可选地,所述知识生产模型包括自然语言理解子模型和配对子模型;
所述第一确定模块403采用如下方式构建预设知识库:
将对话文本库中每一个对话文本输入所述自然语言理解子模型,通过所述自然语言理解子模型,解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据;
将所述每一个对话文本和所述每一个对话文本的特征数据输入所述配对子模型,通过所述配对子模型,提取所述每一个对话文本中包括的问题数据和对应应答数据,得到包括问题数据和对应应答数据的知识数据对。
可选地,所述第一确定模块403被配置为通过如下方式训练得到配对子模型:
确定所述配对子模型的输入数据和输出数据,所述输入数据包括对话文本,所述输出数据包括表征预设问题类型的问题数据和问题数据的对应应答数据;
根据确定的输入数据和输出数据,训练得到所述配对子模型。
可选地,所述自然语言理解子模型包括实体词识别子模型、情绪识别子模型和意图识别子模型中的一种或多种;
所述第一确定模块403采用如下方式通过所述自然语言理解子模型,解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据,包括以下中的一种或多种:
通过所述实体词识别子模型时,解析所述每一个对话文本中包括的实体词,得到所述每一个对话文本中第一用户对话文本的实体词,和第二用户对话文本的实体词;
通过所述情绪识别子模型时,解析所述每一个对话文本的情绪特征,得到所述每一个对话文本的情绪特征数据;
通过所述意图识别子模型时,解析所述每一个对话文本的意图特征,得到所述每一个对话文本的意图特征数据。
可选地,所述自然语言理解子模型包括情绪识别子模型和意图识别子模型,所述第一确定模块403还被配置为:
通过所述意图识别子模型识别所述知识数据对的意图特征,得到所述知识数据对的意图特征数据;以及
通过所述情绪识别子模型,识别所述知识数据对的情绪特征,得到所述知识数据对的意图特征数据;
根据所述每一个对话文本的意图特征数据,确定所述知识数据对的意图特征数据为有效数据,并根据所述每一个对话文本的情绪特征数据,确定所述知识数据对的情绪特征数据为有效数据。
可选地,所述第一确定模块403还被配置为:将对话文本和所述知识生产模型输出的对话文本的特征数据、与对话文本对应的知识数据对关联存储之前,依据预设的分类标准,对所述知识数据对进行归类处理。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的智能应答方法的步骤。
图5是根据一示例性实施例示出的一种用于智能应答的装置500的框图。例如,装置500可以被提供为一服务器。参照图5,装置500包括处理组件522,其进一步包括一个或多个处理器,以及由存储器532所代表的存储器资源,用于存储可由处理组件522的执行的指令,例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件522被配置为执行指令,以执行上述智能应答方法。
装置500还可以包括一个电源组件526被配置为执行装置500的电源管理,一个有线或无线网络接口550被配置为将装置500连接到网络,和一个输入输出(I/O)接口558。装置500可以操作基于存储在存储器532的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种智能应答方法,其特征在于,包括:
接收到问询请求后,调用预设知识库;
根据所述问询请求包括的待查询对话文本,在所述预设知识库中查询到对应应答数据;
其中,所述预设知识库在构建时,所述预设知识库中存储对话文本、对话文本的特征数据、与对话文本对应的知识数据对,以及对话文本、对话文本的特征数据、与对话文本对应的知识数据对三者的关联关系;其中,基于知识生产模型解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据,并提取所述每一个对话文本的问题数据和对应应答数据,每组所述问题数据和对应应答数据构成一知识数据对,其中,所述知识生产模型包括自然语言理解子模型和配对子模型,所述自然语言理解子模型包括情绪识别子模型;
根据所述对话文本的特征数据和与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集,所述反馈对话文本集中的反馈对话文本表征对话文本的特征数据存在错误,和/或表征与对话文本对应的知识数据对存在问题数据和对应应答数据不匹配;
将所述反馈对话文本集作为训练文本集输入所述知识生产模型,对所述知识生产模型进行训练;
基于训练后的知识生产模型,更新所述预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对;
重复执行所述根据所述预设知识库中存储的对话文本的特征数据和与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集的步骤至所述基于训练后的知识生产模型,更新所述预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对的步骤,直至从所述知识生产模型中输出的知识数据对和对话文本的特征数据符合预设的准确率。
2.根据权利要求1所述的智能应答方法,其特征在于,所述根据所述预设知识库中存储的对话文本的特征数据和与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集,包括:
根据所述知识生产模型输出的对话文本的特征数据、与对话文本对应的知识数据对,基于存储在所述预设知识库中被标注的知识数据对和/或对话文本的特征数据,确定反馈对话文本集;和/或,
基于所述预设知识库在实际使用中用户反馈的表征对话文本的特征数据存在错误的数据,或者表征知识数据对中问题数据和对应应答数据不匹配的数据,确定反馈对话文本集。
3.根据权利要求1所述的智能应答方法,其特征在于,确定所述预设知识库,包括:
将对话文本库中每一个对话文本输入所述自然语言理解子模型,通过自然语言理解子模型,解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据;
将所述每一个对话文本和所述每一个对话文本的特征数据输入所述配对子模型,通过所述配对子模型,提取所述每一个对话文本中包括的问题数据和对应应答数据,得到包括问题数据和对应应答数据的知识数据对。
4.根据权利要求3所述的智能应答方法,其特征在于,所述配对子模型通过如下方式训练得到:
确定所述配对子模型的输入数据和输出数据,所述输入数据包括对话文本,所述输出数据包括表征预设问题类型的问题数据和问题数据的对应应答数据;
根据确定的输入数据和输出数据,训练得到所述配对子模型。
5.根据权利要求3所述的智能应答方法,其特征在于,所述自然语言理解子模型还包括实体词识别子模型和意图识别子模型中的一种或多种;
通过所述自然语言理解子模型,解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据,包括以下中的一种或多种:
通过所述实体词识别子模型时,解析所述每一个对话文本中包括的实体词,得到所述每一个对话文本中第一用户对话文本的实体词,和第二用户对话文本的实体词;
通过所述情绪识别子模型时,解析所述每一个对话文本的情绪特征,得到所述每一个对话文本的情绪特征数据;
通过所述意图识别子模型时,解析所述每一个对话文本的意图特征,得到所述每一个对话文本的意图特征数据。
6.根据权利要求5所述的智能应答方法,其特征在于,所述自然语言理解子模型包括情绪识别子模型和意图识别子模型,所述方法还包括:
通过所述意图识别子模型识别所述知识数据对的意图特征,得到所述知识数据对的意图特征数据;以及
通过所述情绪识别子模型,识别所述知识数据对的情绪特征,得到所述知识数据对的情绪特征数据;
根据所述每一个对话文本的意图特征数据,确定所述知识数据对的意图特征数据为有效数据,并根据所述每一个对话文本的情绪特征数据,确定所述知识数据对的情绪特征数据为有效数据。
7.根据权利要求1所述的智能应答方法,其特征在于,将对话文本和所述知识生产模型输出的对话文本的特征数据、与对话文本对应的知识数据对关联存储之前,所述方法还包括:
依据预设的分类标准,对所述知识数据对进行归类处理。
8.一种智能应答装置,其特征在于,包括:
调用模块,被配置为接收到问询请求后,调用预设的预设知识库;
查询模块,被配置为根据所述问询请求包括的待查询对话文本,在所述预设知识库中查询到对应应答数据;
第一确定模块,被配置为构建预设知识库,其中,预设知识库在构建时,所述预设知识库中存储对话文本、对话文本的特征数据、与对话文本对应的知识数据对,以及对话文本、对话文本的特征数据、与对话文本对应的知识数据对三者的关联关系;其中,基于知识生产模型解析对话文本库中每一个对话文本的文本特征,得到所述每一个对话文本的特征数据,并提取所述每一个对话文本的问题数据和对应应答数据,每组所述问题数据和对应应答数据构成一知识数据对,其中,所述知识生产模型包括自然语言理解子模型和配对子模型,所述自然语言理解子模型包括情绪识别子模型;
第二确定模块,被配置为根据所述预设知识库中存储的对话文本的特征数据和与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集,所述反馈对话文本集中的反馈对话文本表征对话文本的特征数据存在错误,和/或表征与对话文本对应的知识数据对存在问题数据和对应应答数据不匹配;
更新模块,被配置为基于训练后的知识生产模型,更新所述预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对;
处理模块,重复执行所述根据所述预设知识库中存储的对话文本的特征数据和与对话文本对应的知识数据对,确定所述预设知识库中的反馈对话文本集的步骤至所述基于训练后的知识生产模型,更新所述预设知识库中存储的对话文本、对话文本的特征数据、与对话文本对应的知识数据对的步骤,直至从所述知识生产模型中输出的知识数据对和对话文本的特征数据符合预设的准确率。
9.一种智能应答装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:通过执行所述指令,执行如权利要求1-7中任一项所述的智能应答方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110309494.1A CN112860873B (zh) | 2021-03-23 | 2021-03-23 | 智能应答方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110309494.1A CN112860873B (zh) | 2021-03-23 | 2021-03-23 | 智能应答方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112860873A CN112860873A (zh) | 2021-05-28 |
CN112860873B true CN112860873B (zh) | 2024-03-05 |
Family
ID=75992444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110309494.1A Active CN112860873B (zh) | 2021-03-23 | 2021-03-23 | 智能应答方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112860873B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578692B (zh) * | 2023-07-13 | 2023-09-15 | 江西微博科技有限公司 | 基于大数据的ai智能服务计算方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918634A (zh) * | 2017-06-27 | 2018-04-17 | 上海壹账通金融科技有限公司 | 智能问答方法、装置及计算机可读存储介质 |
CN109767765A (zh) * | 2019-01-17 | 2019-05-17 | 平安科技(深圳)有限公司 | 话术匹配方法及装置、存储介质、计算机设备 |
CN110019149A (zh) * | 2019-01-30 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 一种客服知识库的建立方法、装置及设备 |
CN110188205A (zh) * | 2019-05-08 | 2019-08-30 | 三角兽(北京)科技有限公司 | 一种智能客服系统知识库的更新方法及装置 |
CN110472035A (zh) * | 2019-08-26 | 2019-11-19 | 杭州城市大数据运营有限公司 | 一种智能应答方法、装置、计算机设备及存储介质 |
WO2020062006A1 (en) * | 2018-09-28 | 2020-04-02 | Entit Software Llc | Intent and context-aware dialogue based virtual assistance |
CN110990543A (zh) * | 2019-10-18 | 2020-04-10 | 平安科技(深圳)有限公司 | 智能对话的生成方法、装置、计算机设备及计算机存储介质 |
CN111026855A (zh) * | 2019-12-06 | 2020-04-17 | 易小博(武汉)科技有限公司 | 智能客服应答方法、系统以及控制器和介质 |
CN111046133A (zh) * | 2019-10-29 | 2020-04-21 | 平安科技(深圳)有限公司 | 基于图谱化知识库的问答方法、设备、存储介质及装置 |
CN111611355A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种对话回复方法、装置、服务器及存储介质 |
CN111767385A (zh) * | 2020-07-09 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 一种智能问答方法及装置 |
CN112365892A (zh) * | 2020-11-10 | 2021-02-12 | 杭州大搜车汽车服务有限公司 | 人机对话方法、装置、电子装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10521572B2 (en) * | 2016-08-16 | 2019-12-31 | Lexisnexis Risk Solutions Inc. | Systems and methods for improving KBA identity authentication questions |
-
2021
- 2021-03-23 CN CN202110309494.1A patent/CN112860873B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918634A (zh) * | 2017-06-27 | 2018-04-17 | 上海壹账通金融科技有限公司 | 智能问答方法、装置及计算机可读存储介质 |
WO2020062006A1 (en) * | 2018-09-28 | 2020-04-02 | Entit Software Llc | Intent and context-aware dialogue based virtual assistance |
CN109767765A (zh) * | 2019-01-17 | 2019-05-17 | 平安科技(深圳)有限公司 | 话术匹配方法及装置、存储介质、计算机设备 |
CN110019149A (zh) * | 2019-01-30 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 一种客服知识库的建立方法、装置及设备 |
CN111611355A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种对话回复方法、装置、服务器及存储介质 |
CN110188205A (zh) * | 2019-05-08 | 2019-08-30 | 三角兽(北京)科技有限公司 | 一种智能客服系统知识库的更新方法及装置 |
CN110472035A (zh) * | 2019-08-26 | 2019-11-19 | 杭州城市大数据运营有限公司 | 一种智能应答方法、装置、计算机设备及存储介质 |
CN110990543A (zh) * | 2019-10-18 | 2020-04-10 | 平安科技(深圳)有限公司 | 智能对话的生成方法、装置、计算机设备及计算机存储介质 |
CN111046133A (zh) * | 2019-10-29 | 2020-04-21 | 平安科技(深圳)有限公司 | 基于图谱化知识库的问答方法、设备、存储介质及装置 |
CN111026855A (zh) * | 2019-12-06 | 2020-04-17 | 易小博(武汉)科技有限公司 | 智能客服应答方法、系统以及控制器和介质 |
CN111767385A (zh) * | 2020-07-09 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 一种智能问答方法及装置 |
CN112365892A (zh) * | 2020-11-10 | 2021-02-12 | 杭州大搜车汽车服务有限公司 | 人机对话方法、装置、电子装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
孙明哲.硕士学士论文.2019,第2019卷(第9期),1-78. * |
Also Published As
Publication number | Publication date |
---|---|
CN112860873A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112492111B (zh) | 一种智能语音外呼方法、装置、计算机设备和存储介质 | |
WO2021109690A1 (zh) | 多类型问题智能问答方法、系统、设备及可读存储介质 | |
US20210357587A1 (en) | An intelligent response method and device | |
CN109857846B (zh) | 用户问句与知识点的匹配方法和装置 | |
WO2021047169A1 (zh) | 信息查询方法及装置、存储介质、智能终端 | |
CN112417158A (zh) | 文本数据分类模型的训练方法、分类方法、装置和设备 | |
CN116644145B (zh) | 会话数据处理方法、装置、设备和存储介质 | |
WO2022095385A1 (zh) | 文档知识抽取方法、装置、计算机设备及可读存储介质 | |
US20220004547A1 (en) | Method, apparatus, system, device, and storage medium for answering knowledge questions | |
CN110516057A (zh) | 一种信访问题答复方法及装置 | |
CN112860873B (zh) | 智能应答方法、装置及存储介质 | |
CN114330318A (zh) | 一种金融领域中文细粒度实体识别方法及装置 | |
CN117112767A (zh) | 问答结果生成方法和商业查询大模型训练方法、及装置 | |
CN112288584A (zh) | 保险报案处理方法、装置、计算机可读介质及电子设备 | |
CN114491010A (zh) | 信息抽取模型的训练方法及装置 | |
CN114461665B (zh) | 用于生成语句转换模型的方法、装置及计算机程序产品 | |
CN115270818A (zh) | 一种意图识别方法及装置、存储介质、计算机设备 | |
CN114186048A (zh) | 基于人工智能的问答回复方法、装置、计算机设备及介质 | |
CN113254612A (zh) | 知识问答处理方法、装置、设备及存储介质 | |
CN114254088A (zh) | 自动应答模型的构建方法和自动应答方法 | |
CN115114281A (zh) | 查询语句的生成方法和装置,存储介质和电子设备 | |
CN112988704A (zh) | 一种基于ai咨询数据库集群搭建方法和系统 | |
CN117540004B (zh) | 基于知识图谱和用户行为的工业领域智能问答方法及系统 | |
CN117493530B (zh) | 资源需求分析方法、装置、电子设备以及存储介质 | |
CN112685532B (zh) | 试题资源分析方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |