CN112883173A - 一种文本应答方法及装置 - Google Patents
一种文本应答方法及装置 Download PDFInfo
- Publication number
- CN112883173A CN112883173A CN202110172247.1A CN202110172247A CN112883173A CN 112883173 A CN112883173 A CN 112883173A CN 202110172247 A CN202110172247 A CN 202110172247A CN 112883173 A CN112883173 A CN 112883173A
- Authority
- CN
- China
- Prior art keywords
- information
- input information
- confidence
- response
- emotion
- 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
- 230000004044 response Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000008451 emotion Effects 0.000 claims description 98
- 238000011156 evaluation Methods 0.000 claims description 67
- 238000013145 classification model Methods 0.000 claims description 20
- 230000002996 emotional effect Effects 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000001681 protective effect 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
- G06F16/355—Class or cluster creation or modification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种信息应答方法及装置,所述方法包括:获得来自用户的输入信息,确定所述输入信息是否属于域内信息;当确定为所述输入信息属于域内信息的情况下,确定所述输入信息的类别置信度是否满足置信度阈值;当确定为所述输入信息的类别置信度不满足置信度阈值的情况下,通过第一对话模型对所述输入信息进行细粒度分析,确定第一应答信息;输出所述第一应答信息;其中,所述第一对话模型通过与不满足置信度阈值的输入信息对应的语料样本训练获得,应用本发明实施例提供的方法,能够充分匹配用户意图输出对应的应答信息。
Description
技术领域
本发明涉及自然语言处理技术领域,尤其涉及一种文本应答方法及装置。
背景技术
当前智能客服的自然语言处理(NLP,Natural Language Processing)流程通常为,先通过语义理解判断用户的输入信息是与智能客服处理业务相关的内容还是与智能客服处理业务不相关的内容;当用户的输入信息为与智能客服处理业务相关的内容的情况下,按照语义分类体系对用户的输入信息进行分类,最终给出相应的类别回复。然而,部分用户的输入信息中虽然携带有与智能客服处理业务相关的信息,但该输入信息在整体语境中实际属于与智能客服处理业务不相关的内容,此时,智能客服按照语义分类体系对用户的输入信息进行分类,最终给出相应的类别回复无法匹配用户的意图,不能满足用户的需求。
发明内容
本发明实施例提供了一种文本应答方法及装置,具有充分匹配用户意图的特点。
本发明实施例一方面提供一种信息应答方法,所述方法包括:获得来自用户的输入信息,确定所述输入信息是否属于域内信息;当确定为所述输入信息属于域内信息的情况下,确定所述输入信息的类别置信度是否满足置信度阈值;当确定为所述输入信息的类别置信度不满足置信度阈值的情况下,通过第一对话模型对所述输入信息进行细粒度分析,确定第一应答信息;输出所述第一应答信息;其中,所述第一对话模型通过与不满足置信度阈值的输入信息对应的语料样本训练获得。
在一可实施方式中,所述方法还包括:当确定为所述输入信息的类别置信度满足置信度阈值的情况下,基于所述类别置信度获得第二对话模型;根据所述第二对话模型对所述输入信息进行语义分析,确定第二应答信息;输出所述第二应答信息;其中,所述第二对话模型通过与满足置信度阈值的输入信息对应的语料样本训练获得。
在一可实施方式中,所述通过第一对话模型对所述输入信息进行细粒度分析,确定第一应答信息,包括:通过所述第一对话模型对所述输入信息进行细粒度情感分析,确定情感信息;当所述情感信息为用于表征用户个人情感的主观情感维度的情况下,根据所述情感信息确定第一应答信息。
在一可实施方式中,根据所述情感信息所述确定第一应答信息,包括:通过所述第一对话模型对所述情感信息进行分类,获得第一答案类别;基于所述第一答案类别,确定第三应答信息;其中,所述第三应答信息为所述第一应答信息的其中之一。
在一可实施方式中,所述方法还包括:当所述情感信息为用于表征非用户个人情感的客观情感维度的情况下,对所述输入信息进行评价对象分析,确定与所述输入信息对应的评价对象;根据所述评价对象和所述情感信息,确定第一应答信息。
在一可实施方式中,根据所述评价对象和所述情感信息,确定第一应答信息,包括:通过所述第一对话模型对所述情感信息和评价对象进行分类,获得第二答案类别;基于所述第二答案类别,确定第四应答信息;其中,所述第四应答信息为所述第一应答信息的其中之一。
在一可实施方式中,所述第四应答信息至少包含如下信息至少之一:与所述评价对象对应的第一信息、与所述情感信息和评价对象的结合对应的第二信息、与所述评价对象相关联的第三信息、对所述评价对象进行补充的第四信息。
在一可实施方式中,确定所述输入信息是否属于域内信息,包括:通过第三对话模型对所述输入信息进行分类,获得分类结果,其中,所述分类结果包括域内信息和非域内信息;基于分类结果确定所述输入信息是否属于域内信息;其中,所述第三对话模型为二分类模型,所述第三对话模型通过域内语料样本和非域内语料样本训练获得。
在一可实施方式中,确定所述输入信息的类别置信度是否满足置信度阈值,包括:通过与各个类别对应的语料样本训练多分类模型,获得域内分类模型;其中,各个类别的类别总数与多分类训练模型的分类数量一致;通过域内分类模型对所述输入信息进行分类,获得与各个类别对应的类别置信度;当确定为所述与各个类别对应的类别置信度均不满足置信度阈值的情况下,对所述输入信息进行细粒度分析;其中,所述置信度阈值根据所述各个类别的类别总数确定。
本发明实施例另一方面提供一种信息应答装置,所述装置包括:确定模块,用于获得来自用户的输入信息,确定所述输入信息是否属于域内信息;所述确定模块,还用于当确定为所述输入信息属于域内信息的情况下,确定所述输入信息的类别置信度是否满足置信度阈值;分析模块,用于当确定为所述输入信息的类别置信度不满足置信度阈值的情况下,通过第一对话模型对所述输入信息进行细粒度分析,确定第一应答信息;输出模块,用于输出所述第一应答信息;其中,所述第一对话模型通过与输入信息对应的语料样本训练获得。
在一可实施方式中,所述获得模块,还用于当确定为所述输入信息的类别置信度满足置信度阈值的情况下,基于所述类别置信度获得第二对话模型;所述分析模块,还用于根据所述第二对话模型对所述输入信息进行语义分析,确定第二应答信息;所述输出模块,还用于输出所述第二应答信息;其中,所述第二对话模型通过与满足置信度阈值的输入信息对应的语料样本训练获得。
在一可实施方式中,所述分析模块,包括:第一分析子模块,用于通过所述第一对话模型对所述输入信息进行细粒度情感分析,确定情感信息;第一确定子模块,用于当所述情感信息为用于表征用户个人情感的主观情感维度的情况下,根据所述情感信息确定第一应答信息。
在一可实施方式中,所述第一确定子模块,包括:通过所述第一对话模型对所述情感信息进行分类,获得第一答案类别;基于所述第一答案类别,确定第三应答信息;其中,所述第三应答信息为所述第一应答信息的其中之一。
在一可实施方式中,所述第一分析子模块,还用于当所述情感信息为用于表征非用户个人情感的客观情感维度的情况下,对所述输入信息进行评价对象分析,确定与所述输入信息对应的评价对象;所述第一确定子模块,还用于根据所述评价对象和所述情感信息,确定第一应答信息。
在一可实施方式中,所述第一确定子模块,包括:通过所述第一对话模型对所述情感信息和评价对象进行分类,获得第二答案类别;基于所述第二答案类别,确定第四应答信息;其中,所述第四应答信息为所述第一应答信息的其中之一。
在一可实施方式中,所述第四应答信息至少包含如下信息至少之一:与所述评价对象对应的第一信息、与所述情感信息和评价对象的结合对应的第二信息、与所述评价对象相关联的第三信息、对所述评价对象进行补充的第四信息。
在一可实施方式中,所述确定模块,还包括:分类子模块,用于通过第三对话模型对所述输入信息进行分类,获得分类结果,其中,所述分类结果包括域内信息和非域内信息;所述第二确定子模块,还用于基于分类结果确定所述输入信息是否属于域内信息;其中,所述第三对话模型为二分类模型,所述第三对话模型通过域内语料样本和非域内语料样本训练获得。
在一可实施方式中,所述确定模块,还包括:训练子模块,用于通过与各个类别对应的语料样本训练多分类模型,获得域内分类模型;其中,各个类别的类别总数与多分类训练模型的分类数量一致;所述分类子模块,还用于通过域内分类模型对所述输入信息进行分类,获得与各个类别对应的类别置信度;所述第二分析子模块,还用于当确定为所述与各个类别对应的类别置信度均不满足置信度阈值的情况下,对所述输入信息进行细粒度分析;其中,所述置信度阈值根据所述各个类别的类别总数确定。
本方法实施例提供的一种信息应答方法及装置可以应用于智能客服技术领域,当用户的输入信息为与智能客服业务相关的域内信息的情况下,通过与输入信息对应的类别置信度确定智能客服能否解决输入信息所表征的问题,当类别置信度不满足置信度阈值的情况下,即智能客服无法解决输入信息所表征的问题,采用第一对话模型对输入信息进行细粒度分析,确定第一应答信息,以输出与输入信息对应的第一应答信息,以提升用户体验。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1为本发明实施例一种信息应答方法的实现流程示意图;
图2为本发明实施例一种信息应答方法确定第二应答信息的实现流程示意图;
图3为本发明实施例一种信息应答方法细粒度分析的实现流程示意图;
图4为本发明实施例一种信息应答装置的实现模块示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一种信息应答方法的实现流程示意图。
参见图1,本发明实施例一方面提供一种信息应答方法,方法包括:操作101,获得来自用户的输入信息,确定输入信息是否属于域内信息;操作102,当确定为输入信息属于域内信息的情况下,确定输入信息的类别置信度是否满足置信度阈值;操作103,当确定为输入信息的类别置信度不满足置信度阈值的情况下,通过第一对话模型对输入信息进行细粒度分析,确定第一应答信息;操作104,输出第一应答信息;其中,第一对话模型通过与不满足置信度阈值的输入信息对应的语料样本训练获得。
本方法提供的信息应答方法可以应用于智能客服技术领域,当用户的输入信息为与智能客服业务相关的域内信息的情况下,通过与输入信息对应的类别置信度确定智能客服能否解决输入信息所表征的问题,当类别置信度不满足置信度阈值的情况下,即智能客服无法解决输入信息所表征的问题,此时,采用第一对话模型对输入信息进行细粒度分析,确定第一应答信息,以输出与输入信息具有针对性的第一应答信息。可以理解的是,第一应答信息可以为与输入信息相关的闲聊信息,以提升用户体验。
在操作101中,输入信息可以为文本信息、语音信息或视频信息,用户可以通过电话通讯、客户端软件输入等方式向智能客服发送输入信息,以使智能客服获得来自用户的输入信息,输入信息可以为域内信息或非域内信息,其中,域内信息指代与智能客服所在服务领域相关的信息,例如,当智能客服为手机售后客服的情况下,与手机相关的信息均可以确定为域内信息,如用户输入的“X型号的手机屏幕太小了”、“X型号的手机屏幕有多大”等均可以确定为域内信息;当智能客服为快递客服的情况下,与快递、物流等相关的信息均可以确定为域内信息,如用户输入“A包裹什么时候能够送到”、“送货速度太慢了”等均可以确定为域内信息。非域内信息为与智能客服所在服务领域不相关的信息,即可能是用户的闲聊输入,如“你好”、“再见”等。智能客服可以对用户的输入信息进行关键字提取或者模型识别以确定输入信息是否为域内信息。
在操作102中,类别置信度用于表征与智能客服所在服务领域相关的每个类别下的回复信息,例如:在手机售后领域,包括的类别可以有“手机整体信息”、“手机上每一个硬件信息”、“手机相关的配件信息”、“手机的操作模式信息”等。通过确定输入信息与对应每一个类别的类别置信度,可以确定与输入信息对应的应答信息需要采用哪一类别确定进行生成,基于满足类别置信度的输入信息所生成的应答信息可以解决问题。
在操作103中,当输入信息与每一个类别的类别置信度均不满足置信度阈值的情况下,可以认为输入信息无法通过上述类别回复对应的应答信息,输入信息可能非智能客服能够解决的问题。该情况下,通过第一对话模型对输入信息进行细粒度分析,可以确定与输入信息对应的用户情绪,然后基于用户情绪确定第一应答信息,以对用户进行具有针对性的应答,使第一应答信息能够与用户实际输入信息之间匹配。其中,第一应答信息可以是无法解决用户问题,但能够对用户进行安慰或者推荐的信息。例如,当用户输入为“这个屏幕尺寸太小了”,此时智能客服如果通过类别置信度确定该输入信息不满足置信度阈值,通过第一对话模型对输入信息进行细粒度分析,确定用户处于客观消极的情绪状态,确定具有安慰性质和推荐性质等中一项或多项内容的第一应答信息以实现对用户的应答。如,确定的第一应答信息可以为“这样才方便你携带呀,可以随时拍出美美的照片”或者,“这样才方便你携带呀,或者你可以关注下B型号的手机,屏幕大不少呢”。其中,第一应答信息可以直接通过第一对话模型进行生成,也可以根据第一对话模型的输出进行答案匹配获得。其中,第一对话模型通过与不满足置信度阈值的输入信息对应的语料样本训练获得。
在操作104中,第一应答信息可以通过语音、视频、文字等输出方式中的一项或多项进行输出。
图2为本发明实施例一种信息应答方法确定第二应答信息的实现流程示意图。
参见图2,在一可实施方式中,方法还包括:操作201,当确定为输入信息的类别置信度满足置信度阈值的情况下,基于类别置信度获得第二对话模型;操作202,根据第二对话模型对输入信息进行语义分析,确定第二应答信息;操作203,输出第二应答信息;其中,第二对话模型通过与满足置信度阈值的输入信息对应的语料样本训练获得。
当输入信息对应的其中一个类别的类别置信度满足与该类别的置信度阈值的情况下,即智能客服通过属于类别下的答案生成方法能够生成对应的第二应答信息,以解决输入信息中所提出的问题。其中,类别下的答案生成方法是直接通过具有语义理解功能的第二对话模型生成,也可以是通过关键字模板进行答案匹配获得,还可以是基于第二对话模型的输出信息进行答案匹配获得。需要说明的是,第二应答信息根据第二对话模型生成,每一个类别下均可以对应一个第二对话模型,例如,在手机客服领域,可以具有与“手机整体信息”对应的第二对话模型、与“手机硬件信息”对应的第二对话模型、与“手机相关的配件信息”对应的第二对话模型、与“手机的操作模式信息”对应的第二对话模型。
在操作201中,根据满足置信度阈值的类别置信度可以确定输入对象所属于的类别,如果确定与该类别对应的第二对话模型。例如:当用户输入信息为“前置摄像头的分辨率是多少”的情况下,根据该输入信息分别确定与每一类别进行置信度匹配,其中,与“手机硬件信息”对应的类别置信度满足与“手机硬件信息”对应的置信度阈值,即将采用与“手机硬件信息”对应的第二对话模型对输入信息进行语义分析。
在操作202中,第二对话模型通过与满足置信度阈值的输入信息对应的语料样本训练获得。可以理解的是,每一个第二对话模型均通过对应类别下的语料样本训练获得,例如,与“手机硬件信息”对应的第二对话模型,通过与手机硬件信息相关的语料样本训练获得。通过该第二对话模型对输入信息进行语义分析,以确定能够解决用户问题的第二应答信息。
在操作203中,同样的第二应答信息也可以通过语音、视频、文字等输出方式中的一项或多项进行输出。如针对“前置摄像头的分辨率是多少”,可以输出“前置摄像头的分辨率为A×B”。
图3为本发明实施例一种信息应答方法细粒度分析的实现流程示意图。
参见图3,在一可实施方式中,操作103,通过第一对话模型对输入信息进行细粒度分析,确定第一应答信息,包括:操作1031,通过第一对话模型对输入信息进行细粒度情感分析,确定情感信息;操作1032,当情感信息为用于表征用户个人情感的主观情感维度的情况下,根据情感信息确定第一应答信息。
在操作103中,细粒度分析具体为细粒度情感分析,用于确定输入信息属于主观情感维度或客观情感维度,其中,主观情感维度指代用户个人情感的表达,如“我不喜欢这个屏幕”、“我喜欢这个手机”等。客观情感维度指代对域内信息中对应的对象的评价”,如“手机太重了”、“摄像头真清晰”等。
在操作1031中,通过第一对话模型对输入信息进行细粒度情感分析,能够确定与输入信息对应的情感信息和所属情感维度,如对应“我不喜欢这个屏幕”,所属情感信息为主观负面的我不喜欢,所属情感维度为主观情感维度。
在操作1032中,当情感信息属于主观情感维度的情况下,通过第一对话模型确定第一应答信息,其中,第一应答信息可以侧重于对情感信息的回应,也可以侧重于对与情感信息对应的评价对象的回应,还可以是与评价对象对应的推荐信息,如可以生成“不要生气了”、“那你喜欢什么样的屏幕呢?我可以给你推荐一下”等第一应答信息,从而抚平用户的负面情绪。
在一可实施方式中,操作1031,根据情感信息确定第一应答信息,包括:首先,通过第一对话模型对情感信息进行分类,获得第一答案类别;然后,基于第一答案类别,确定第三应答信息;其中,第三应答信息为第一应答信息的其中之一。
在操作1031中,第一对话模型可以用于对情感信息进行分类,以确定用户的情感类型,如主观正面、主观负面、客观正面、客观负面等,当情感信息为用于表征主管情感维度的情况下,用户可能只是单纯想要发泄一下情绪,其评价对象和原因不明确,根据用户的情感类型确定对应的第一答案类别,第一答案类别中包含有多种应答信息,根据输入信息在第一答案类别中确定与输入信息对应的第三应答信息。其中,第三应答信息可以侧重于对用户情绪进行安抚。
在一可实施方式中,方法还包括:操作1033,当情感信息为用于表征非用户个人情感的客观情感维度的情况下,对输入信息进行评价对象分析,确定与输入信息对应的评价对象;操作1034,根据评价对象和情感信息,确定第一应答信息。
在操作1033中,当情感信息为用于表征非用户个人情感的客观情感维度的情况下,即用户不仅发泄了情绪,且其情绪具有明确的评价对象和评价原因,需要进行对象抽取,以确定与输入信息对应的评价对象,具体的,在一种具体实施场景下,细粒度的情感分析可以采用序列标注的方案,根据评价对象、情感信息和与评价对象对应的评价原因抽取形成三元组,如“屏幕太小了”的输入学习,会被抽取成(屏幕,客观negative,太小了)的三元组。
在操作1034中,根据包含评价对象、情感信息和评价原因的三元组映射至第一答案类别,可以根据第一答案类别生成与评价对象对应的第一应答信息,以具有针对性的对用户进行安抚,并给出对应的相关话题。
在一可实施方式中,操作1034,根据评价对象和情感信息,确定第一应答信息,包括:首先,通过第一对话模型对情感信息和评价对象进行分类,获得第二答案类别;然后,基于第二答案类别,确定第四应答信息;其中,第四应答信息为第一应答信息的其中之一。
在操作1034中,可以通过评价对象和情感信息对输入信息进行分类,以确定与输入信息对应的第二答案类别,第二答案类别可以基于评价对象和评价原因预先构建,第二答案类别侧重于评价对象和于评价原因相关的应答信息,如输入信息为“屏幕太小了”,会被确定到“屏幕-小”这个答案类别上,然后基于这个答案类别确定与输入信息对应的第四应答信息。如“这样设计可以方便携带呀,可以随时拍出美美的照片呢”。需要说明的是,本方法可以预先记录与答案类别对应的多种可选择的应答信息,在智能客服获得输入信息之后,通过答案类别映射到对应的应答信息上。
在一可实施方式中,第四应答信息至少包含如下信息至少之一:与评价对象对应的第一信息、与情感信息和评价对象的结合对应的第二信息、与评价对象相关联的第三信息、对评价对象进行补充的第四信息。
具体的,在确定第四应答信息的情况下,第四应答信息可以根据以上几个信息维度中的一个或多个进行构建,其中,第一信息可以是与评价对象对应的参数信息,如屏幕的客观尺寸等,第二信息可以是与评价对象的负面原因对应的安抚信息,第三信息可以是与评价对象属于同一类的其他对象信息,第四信息可以是与评价对象相关的配件信息。
如,当用户说“这个手机外壳颜色好难看阿”,则根据第一信息可以确定的应答内容为“这个手机外壳的颜色为红色”,根据第二信息可以确定的应答内容为“红色看起来比较喜庆”;根据第三信息可以确定的内容为“我们这边还有几款手机外壳为绿色的手机”;根据第四信息可以确定的内容为“您可以使用我们这边的手机保护壳,颜色很丰富呢”。具体的,第四应答信息可以是上述信息中的任一项,也可以是上述信息中多项的结合。
在一可实施方式中,操作101,确定输入信息是否属于域内信息,包括:首先,,通过第三对话模型对输入信息进行分类,获得分类结果,其中,分类结果包括域内信息和非域内信息;然后,基于分类结果确定输入信息是否属于域内信息;其中,第三对话模型为二分类模型,第三对话模型通过域内语料样本和非域内语料样本训练获得。
本方法在操作101中,通过第三对话模型确定输入信息是否属于域内信息,具体的,第三对话模型为二分类模型,第三对话模型通过域内语料样本和非域内语料样本训练获得,能够对输入信息是否为域内信息进行分类,将其区分为域内信息和非域内信息两类。可以补充的是,当第三对话模型将输入信息确定为非域内信息的情况下,本方法智能客服可以通过使用闲聊模型对输入信息进对话分析,以输出对应的应答信息。
在一可实施方式中,操作102,确定输入信息的类别置信度是否满足置信度阈值,包括:首先,通过与各个类别对应的语料样本训练多分类模型,获得域内分类模型;其中,各个类别的类别总数与多分类训练模型的分类数量一致;然后,通过域内分类模型对输入信息进行分类,获得与各个类别对应的类别置信度;再后,当确定为与各个类别对应的类别置信度均不满足置信度阈值的情况下,对输入信息进行细粒度分析;其中,置信度阈值根据各个类别的类别总数确定。
在操作102中,本方法进行类别置信度判断的具体方法可以通过域内分类模型进行判断,具体的,本方法通过多个类别对应的语料样本对多分类模型进行训练,获得域内分类模型,域内分类模型通过确定输入信息与每个类别之间的类别置信度确定输入信息是否属于域内的其中至少一个类别。通过置信度阈值,能够识别输入信息与域内每一个类别置信度都不高的情况,对输入信息进行细粒度分析,以获得第一应答信息。
图4为本发明实施例一种信息应答装置的实现模块示意图。
参见图4,本发明实施例另一方面提供一种信息应答装置,装置包括:确定模块401,用于获得来自用户的输入信息,确定输入信息是否属于域内信息;确定模块401,还用于当确定为输入信息属于域内信息的情况下,确定输入信息的类别置信度是否满足置信度阈值;分析模块402,用于当确定为输入信息的类别置信度不满足置信度阈值的情况下,通过第一对话模型对输入信息进行细粒度分析,确定第一应答信息;输出模块403,用于输出第一应答信息;其中,第一对话模型通过与输入信息对应的语料样本训练获得。
在一可实施方式中,装置还包括:获得模块404,用于当确定为输入信息的类别置信度满足置信度阈值的情况下,基于类别置信度获得第二对话模型;分析模块402,还用于根据第二对话模型对输入信息进行语义分析,确定第二应答信息;输出模块403,还用于输出第二应答信息;其中,第二对话模型通过与满足置信度阈值的输入信息对应的语料样本训练获得。
在一可实施方式中,分析模块402,包括:第一分析子模块4021,用于通过第一对话模型对输入信息进行细粒度情感分析,确定情感信息;第一确定子模块4022,用于当情感信息为用于表征用户个人情感的主观情感维度的情况下,根据情感信息确定第一应答信息。
在一可实施方式中,第一确定子模块4022,包括:通过第一对话模型对情感信息进行分类,获得第一答案类别;基于第一答案类别,确定第三应答信息;其中,第三应答信息为第一应答信息的其中之一。
在一可实施方式中,第一分析子模块4021,还用于当情感信息为用于表征非用户个人情感的客观情感维度的情况下,对输入信息进行评价对象分析,确定与输入信息对应的评价对象;第一确定子模块4022,还用于根据评价对象和情感信息,确定第一应答信息。
在一可实施方式中,第一确定子模块4022,包括:通过第一对话模型对情感信息和评价对象进行分类,获得第二答案类别;基于第二答案类别,确定第四应答信息;其中,第四应答信息为第一应答信息的其中之一。
在一可实施方式中,第四应答信息至少包含如下信息至少之一:与评价对象对应的第一信息、与情感信息和评价对象的结合对应的第二信息、与评价对象相关联的第三信息、对评价对象进行补充的第四信息。
在一可实施方式中,确定模块401,还包括:分类子模块4011,用于通过第三对话模型对输入信息进行分类,获得分类结果,其中,分类结果包括域内信息和非域内信息;第二确定子模块4012,还用于基于分类结果确定输入信息是否属于域内信息;其中,第三对话模型为二分类模型,第三对话模型通过域内语料样本和非域内语料样本训练获得。
在一可实施方式中,确定模块401,还包括:训练子模块4013,用于通过与各个类别对应的语料样本训练多分类模型,获得域内分类模型;其中,各个类别的类别总数与多分类训练模型的分类数量一致;分类子模块4011,还用于通过域内分类模型对输入信息进行分类,获得与各个类别对应的类别置信度;第二分析子模块4014,还用于当确定为与各个类别对应的类别置信度均不满足置信度阈值的情况下,对输入信息进行评价对象映射和评价维度分析;其中,置信度阈值根据各个类别的类别总数确定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种信息应答方法,所述方法包括:
获得来自用户的输入信息,确定所述输入信息是否属于域内信息;
当确定为所述输入信息属于域内信息的情况下,确定所述输入信息的类别置信度是否满足置信度阈值;
当确定为所述输入信息的类别置信度不满足置信度阈值的情况下,通过第一对话模型对所述输入信息进行细粒度分析,确定第一应答信息;
输出所述第一应答信息;
其中,所述第一对话模型通过与不满足置信度阈值的输入信息对应的语料样本训练获得。
2.根据权利要求1所述的方法,所述方法还包括:
当确定为所述输入信息的类别置信度满足置信度阈值的情况下,基于所述类别置信度获得第二对话模型;
根据所述第二对话模型对所述输入信息进行语义分析,确定第二应答信息;
输出所述第二应答信息;
其中,所述第二对话模型通过与满足置信度阈值的输入信息对应的语料样本训练获得。
3.根据权利要求1所述的方法,所述通过第一对话模型对所述输入信息进行细粒度分析,确定第一应答信息,包括:
通过所述第一对话模型对所述输入信息进行细粒度情感分析,确定情感信息;
当所述情感信息为用于表征用户个人情感的主观情感维度的情况下,根据所述情感信息确定第一应答信息。
4.根据权利要求3所述的方法,根据所述情感信息所述确定第一应答信息,包括:
通过所述第一对话模型对所述情感信息进行分类,获得第一答案类别;
基于所述第一答案类别,确定第三应答信息;
其中,所述第三应答信息为所述第一应答信息的其中之一。
5.根据权利要求3所述的方法,所述方法还包括:
当所述情感信息为用于表征非用户个人情感的客观情感维度的情况下,对所述输入信息进行评价对象分析,确定与所述输入信息对应的评价对象;
根据所述评价对象和所述情感信息,确定第一应答信息。
6.根据权利要求5所述的方法,根据所述评价对象和所述情感信息,确定第一应答信息,包括:
通过所述第一对话模型对所述情感信息和评价对象进行分类,获得第二答案类别;
基于所述第二答案类别,确定第四应答信息;
其中,所述第四应答信息为所述第一应答信息的其中之一。
7.根据权利要求6所述的方法,所述第四应答信息至少包含如下信息至少之一:与所述评价对象对应的第一信息、与所述情感信息和评价对象的结合对应的第二信息、与所述评价对象相关联的第三信息、对所述评价对象进行补充的第四信息。
8.根据权利要求1所述的方法,确定所述输入信息是否属于域内信息,包括:
通过第三对话模型对所述输入信息进行分类,获得分类结果,其中,所述分类结果包括域内信息和非域内信息;
基于分类结果确定所述输入信息是否属于域内信息;
其中,所述第三对话模型为二分类模型,所述第三对话模型通过域内语料样本和非域内语料样本训练获得。
9.根据权利要求1所述的方法,确定所述输入信息的类别置信度是否满足置信度阈值,包括:
通过与各个类别对应的语料样本训练多分类模型,获得域内分类模型;其中,各个类别的类别总数与多分类训练模型的分类数量一致;
通过域内分类模型对所述输入信息进行分类,获得与各个类别对应的类别置信度;
当确定为所述与各个类别对应的类别置信度均不满足置信度阈值的情况下,对所述输入信息进行细粒度分析;
其中,所述置信度阈值根据所述各个类别的类别总数确定。
10.一种信息应答装置,所述装置包括:
确定模块,用于获得来自用户的输入信息,确定所述输入信息是否属于域内信息;
所述确定模块,还用于当确定为所述输入信息属于域内信息的情况下,确定所述输入信息的类别置信度是否满足置信度阈值;
分析模块,用于当确定为所述输入信息的类别置信度不满足置信度阈值的情况下,通过第一对话模型对所述输入信息进行细粒度分析,确定第一应答信息;
输出模块,用于输出所述第一应答信息;
其中,所述第一对话模型通过与输入信息对应的语料样本训练获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172247.1A CN112883173A (zh) | 2021-02-08 | 2021-02-08 | 一种文本应答方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172247.1A CN112883173A (zh) | 2021-02-08 | 2021-02-08 | 一种文本应答方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112883173A true CN112883173A (zh) | 2021-06-01 |
Family
ID=76056161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110172247.1A Pending CN112883173A (zh) | 2021-02-08 | 2021-02-08 | 一种文本应答方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883173A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120101233A (ko) * | 2011-02-28 | 2012-09-13 | (주)다음소프트 | 감성 정보 생성 방법, 그를 이용한 감성 정보 기반의 콘텐츠 추천 방법 및 시스템 |
CN105205044A (zh) * | 2015-08-26 | 2015-12-30 | 苏州大学张家港工业技术研究院 | 一种情感与非情感问题的分类方法及系统 |
CN105786977A (zh) * | 2016-02-05 | 2016-07-20 | 北京百度网讯科技有限公司 | 基于人工智能的移动搜索方法和装置 |
CN111177374A (zh) * | 2019-12-13 | 2020-05-19 | 航天信息股份有限公司 | 一种基于主动学习的问答语料情感分类方法及系统 |
CN111858875A (zh) * | 2020-05-09 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 智能交互方法、装置、设备及存储介质 |
-
2021
- 2021-02-08 CN CN202110172247.1A patent/CN112883173A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120101233A (ko) * | 2011-02-28 | 2012-09-13 | (주)다음소프트 | 감성 정보 생성 방법, 그를 이용한 감성 정보 기반의 콘텐츠 추천 방법 및 시스템 |
CN105205044A (zh) * | 2015-08-26 | 2015-12-30 | 苏州大学张家港工业技术研究院 | 一种情感与非情感问题的分类方法及系统 |
CN105786977A (zh) * | 2016-02-05 | 2016-07-20 | 北京百度网讯科技有限公司 | 基于人工智能的移动搜索方法和装置 |
CN111177374A (zh) * | 2019-12-13 | 2020-05-19 | 航天信息股份有限公司 | 一种基于主动学习的问答语料情感分类方法及系统 |
CN111858875A (zh) * | 2020-05-09 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 智能交互方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102073351B1 (ko) | 서버 및 그것의 동작 방법 | |
US10262195B2 (en) | Predictive and responsive video analytics system and methods | |
CN109308357B (zh) | 一种用于获得答案信息的方法、装置和设备 | |
WO2020192450A1 (zh) | 交互消息处理方法、装置、计算机设备和存储介质 | |
CN109547332B (zh) | 通讯会话交互方法、装置、计算机设备 | |
JP2021185478A (ja) | 代替インタフェースでのプレゼンテーションのための電子会話の解析 | |
CN111241822A (zh) | 输入场景下情绪发现与疏导方法及装置 | |
CN109254669A (zh) | 一种表情图片输入方法、装置、电子设备及系统 | |
US20180139158A1 (en) | System and method for multipurpose and multiformat instant messaging | |
CN110022258A (zh) | 一种即时通信的会话控制方法及装置、电子设备 | |
US20190197427A1 (en) | Device and method for recommending contact information | |
CN113746978A (zh) | 推荐联系人信息的装置和方法 | |
CN106156362A (zh) | 一种针对预警提示自动提供解决方案的方法及装置 | |
CN112929253A (zh) | 一种虚拟形象交互方法和装置 | |
CN112052316A (zh) | 模型评估方法、装置、存储介质及电子设备 | |
CN110209768B (zh) | 自动问答的问题处理方法和装置 | |
CN109525725B (zh) | 一种基于情绪状态的信息处理方法和装置 | |
CN113724036A (zh) | 提供问题咨询服务的方法及电子设备 | |
JP2022531994A (ja) | 人工知能ベースの会話システムの生成および動作 | |
CN112883173A (zh) | 一种文本应答方法及装置 | |
KR100627853B1 (ko) | 단문 메시지를 멀티미디어 메시지로 변환하고 전송하는방법 및 문자 이미지 변환서버 | |
CN103297611A (zh) | 用于在电子设备上屏蔽消息的方法和系统 | |
KR20230116605A (ko) | 감성, 집중도, 대화를 통합한 인공지능 기반 상호작용 장치, 방법 및 프로그램 | |
CN114363277A (zh) | 基于社会关系的智能聊天方法、装置及相关产品 | |
TWI659383B (zh) | 智慧型代理方法及智慧型代理機器人系統 |
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 |