CN112949305A - 负反馈信息采集方法、装置、设备及存储介质 - Google Patents
负反馈信息采集方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112949305A CN112949305A CN202110524058.6A CN202110524058A CN112949305A CN 112949305 A CN112949305 A CN 112949305A CN 202110524058 A CN202110524058 A CN 202110524058A CN 112949305 A CN112949305 A CN 112949305A
- Authority
- CN
- China
- Prior art keywords
- information
- question
- emotion
- preset
- target
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能,提供一种负反馈信息采集方法、装置、设备及存储介质。该方法能够根据信息采集请求确定待采集对象,获取与待采集对象对应的问答信息,从问答信息中提取目标信息,计算目标信息与预设信息的文本相似度,分析问答信息,得到目标信息的情绪度,根据文本相似度及情绪度获取待采集对象的对象权值,根据对象权值对情绪度及文本相似度进行加权和计算,得到待采集对象中用户的满意度,当满意度小于预设值时,从问答信息中提取用户问题及模型答案,将用户问题及模型答案确定为采集请求的响应结果。本发明能够快速并准确获取到大量的负反馈信息。此外,本发明还涉及区块链技术,所述响应结果可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种负反馈信息采集方法、装置、设备及存储介质。
背景技术
据统计,目前的智能客服机器人在解答用户问题时并不能完全理解用户的意图。为了提高客服机器人识别用户意图的准确度,需要采集大量用户提供的真实负反馈信息对意图识别模型进行调整。为此,用户负反馈信息采集方案随之产生。
在现有的用户负反馈信息采集方案中,通过收集用户主动反馈的数据信息作为负反馈信息,然而,在大多数场景下,用户不会主动反馈识别情况,造成无法快速获取到大量的负反馈信息。
发明内容
鉴于以上内容,有必要提供一种负反馈信息采集方法、装置、设备及存储介质,能够快速并准确获取到大量的负反馈信息。
一方面,本发明提出一种负反馈信息采集方法,所述负反馈信息采集方法包括:
当接收到信息采集请求时,根据所述信息采集请求确定待采集对象,并获取与所述待采集对象对应的问答信息;
从所述问答信息中提取目标信息,并计算所述目标信息与预设信息的文本相似度;
分析所述问答信息,得到所述目标信息的情绪度;
根据所述文本相似度及所述情绪度获取所述待采集对象的对象权值,所述对象权值是指所述文本相似度所占的权重;
根据所述对象权值对所述情绪度及所述文本相似度进行加权和计算,得到所述待采集对象中用户的满意度,并检测所述满意度是否小于预设值;
当所述满意度小于所述预设值时,从所述问答信息中提取用户问题及模型答案;
将所述用户问题及所述模型答案确定为所述采集请求的响应结果。
根据本发明优选实施例,所述根据所述信息采集请求确定待采集对象包括:
解析所述信息采集请求的报文,得到所述报文携带的数据信息;
获取预设标签,所述预设标签用于指示问答场次;
从所述数据信息中获取与所述预设标签对应的信息作为所述待采集对象。
根据本发明优选实施例,所述获取与所述待采集对象对应的问答信息包括:
获取日志列表;
获取预设查询模板,并将所述待采集对象写入所述预设查询模板,得到查询语句;
在所述日志列表中运行所述查询语句,得到目标日志;
从所述目标日志中提取指示文本的信息作为所述问答信息。
根据本发明优选实施例,所述从所述问答信息中提取目标信息包括:
根据预设问答库从所述问答信息中获取模板语句;
将所述模板语句从所述问答信息中剔除,得到用户输入信息;
从所述目标日志中获取所述模板语句的生成时间,并从所述目标日志中获取所述用户输入信息的输入时间;
将所述输入时间大于所述生成时间的所述用户输入信息确定为所述目标信息。
根据本发明优选实施例,所述从所述问答信息中提取用户问题及模型答案包括:
将所述输入时间小于或者等于所述生成时间的所述用户输入信息确定为所述用户问题;
确定所述用户问题在所述问答信息中的目标顺序;
从所述模板语句中选取在所述问答信息中与所述目标顺序相邻的语句作为所述模型答案。
根据本发明优选实施例,所述计算所述目标信息与预设信息的文本相似度包括:
对所述目标信息进行分词处理,得到信息分词;
确定所述信息分词在所述目标信息中的分词位置;
获取所述信息分词的分词向量,并根据所述分词位置拼接所述分词向量,得到与所述目标信息对应的目标向量;
获取所述预设信息的预设向量;
基于余弦距离公式计算所述目标向量与所述预设向量的距离,得到所述文本相似度。
根据本发明优选实施例,所述分析所述问答信息,得到所述目标信息的情绪度包括:
提取所述问答信息中包含的关键词;
对所述关键词进行向量化处理,得到特征向量;
获取预设情绪词,并获取所述预设情绪词的情绪向量;
计算所述特征向量与所述情绪向量的情绪相似度,并将所述情绪相似度最高的所述预设情绪词确定为目标情绪词;
获取与所述目标情绪词对应的情绪分数作为所述情绪度。
另一方面,本发明还提出一种负反馈信息采集装置,所述负反馈信息采集装置包括:
获取单元,用于当接收到信息采集请求时,根据所述信息采集请求确定待采集对象,并获取与所述待采集对象对应的问答信息;
计算单元,用于从所述问答信息中提取目标信息,并计算所述目标信息与预设信息的文本相似度;
分析单元,用于分析所述问答信息,得到所述目标信息的情绪度;
所述获取单元,还用于根据所述文本相似度及所述情绪度获取所述待采集对象的对象权值,所述对象权值是指所述文本相似度所占的权重;
检测单元,用于根据所述对象权值对所述情绪度及所述文本相似度进行加权和计算,得到所述待采集对象中用户的满意度,并检测所述满意度是否小于预设值;
提取单元,用于当所述满意度小于所述预设值时,从所述问答信息中提取用户问题及模型答案;
确定单元,用于将所述用户问题及所述模型答案确定为所述采集请求的响应结果。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述负反馈信息采集方法。
另一方面,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述负反馈信息采集方法。
由以上技术方案可以看出,本发明通过所述信息采集请求能够准确的确定出所述待采集对象,从而准确的获取到所述问答信息,通过所述目标信息与所述预设信息的相似度,以及所述目标信息在所述问答信息中的情绪度,能够从多个维度中准确的确定出所述满意度,进而根据所述满意度能够准确的确定所述待采集对象中是否存在负反馈信息,从而能够准确的获取到负反馈信息,此外,由于本发明无需用户主动反馈识别情况,因此,本发明在无需受到用户影响的前提下,能够快速获取到大量的负反馈信息。
附图说明
图1是本发明负反馈信息采集方法的较佳实施例的流程图。
图2是本发明负反馈信息采集装置的较佳实施例的功能模块图。
图3是本发明实现负反馈信息采集方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明负反馈信息采集方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述负反馈信息采集方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,当接收到信息采集请求时,根据所述信息采集请求确定待采集对象,并获取与所述待采集对象对应的问答信息。
在本发明的至少一个实施例中,所述信息采集请求是在智能客服机器人回复用户问题后,检测到该用户有信息输入或者预设按钮被触发时生成的。其中,所述预设按钮包括:人工客服按钮、不满意按钮等。
所述信息采集请求携带的信息包括:所述待采集对象等。
所述待采集对象用于指示问答场次,所述待采集对象可以是一个编号。
所述问答信息包括用户在所述电子设备上输入的信息,所述问答信息也包括所述电子设备中的智能客服机器人针对所述待采集对象生成的信息。
在本发明的至少一个实施例中,所述电子设备根据所述信息采集请求确定待采集对象包括:
解析所述信息采集请求的报文,得到所述报文携带的数据信息;
获取预设标签,所述预设标签用于指示问答场次;
从所述数据信息中获取与所述预设标签对应的信息作为所述待采集对象。
其中,所述信息采集请求可以是一条代码,所述数据信息可以是{}中的数据。所述数据信息包括,但不限于:所述待采集对象。
通过上述实施方式,由于无需解析整个所述信息采集请求,因此,能够提高所述数据信息的获取效率,通过预设标签与问答场次的映射关系,能够准确确定出所述待采集对象。
在本发明的至少一个实施例中,所述电子设备获取与所述待采集对象对应的问答信息包括:
获取日志列表;
获取预设查询模板,并将所述待采集对象写入所述预设查询模板,得到查询语句;
在所述日志列表中运行所述查询语句,得到目标日志;
从所述目标日志中提取指示文本的信息作为所述问答信息。
其中,所述日志列表中存储有多个问答场次的场次日志,每个场次日志中记载了对应的问答场次的问答行为信息。
例如:场次日志A中,用户甲(time,10:20;text,请问今天天气怎么样),机器人(time,10:22;text,答案是天气阴天)。
通过所述预设查询模板及所述待采集对象能够快速生成所述查询语句,通过在所述日志列表中运行所述查询语句能够准确的确定出所述目标日志,从而能够准确的获取到所述问答信息。
S11,从所述问答信息中提取目标信息,并计算所述目标信息与预设信息的文本相似度。
在本发明的至少一个实施例中,所述目标信息是指用户针对智能客服机器人的回复语句所生成的反馈信息。
所述文本相似度是指所述目标信息与所述预设信息的相似度。
在本发明的至少一个实施例中,所述电子设备从所述问答信息中提取目标信息包括:
根据预设问答库从所述问答信息中获取模板语句;
将所述模板语句从所述问答信息中剔除,得到用户输入信息;
从所述目标日志中获取所述模板语句的生成时间,并从所述目标日志中获取所述用户输入信息的输入时间;
将所述输入时间大于所述生成时间的所述用户输入信息确定为所述目标信息。
其中,所述预设问答库中存储有智能客服机器人的多个答案模板。
所述用户输入信息包括,但不限于:用户的提问语句、用户针对所述模板语句的评价语句、用户针对所述模板语句的行为等。
所述生成时间是指智能客服机器人回复用户的提问语句的时间,所述输入时间是指用户发送所述用户输入信息的时间。
通过所述预设问答库能够准确的从所述问答信息中获取到所述模板语句,从而准确获取到所述用户输入信息,由于用户针对所述模板语句的输入时间是在所述模板语句的生成时间之后,因此,通过所述生成时间及所述输入时间能够准确的从所述用户输入信息中获取到所述目标信息。
在本发明的至少一个实施例中,所述电子设备计算所述目标信息与预设信息的文本相似度包括:
对所述目标信息进行分词处理,得到信息分词;
确定所述信息分词在所述目标信息中的分词位置;
获取所述信息分词的分词向量,并根据所述分词位置拼接所述分词向量,得到与所述目标信息对应的目标向量;
获取所述预设信息的预设向量;
基于余弦距离公式计算所述目标向量与所述预设向量的距离,得到所述文本相似度。
其中,所述分词位置是指所述信息分词在所述目标信息中所处的位置。
所述预设信息是指预先设置好的用户不满意的信息反馈或者行为反馈。
通过所述分词位置拼接所述分词向量,能够准确生成包含所述目标信息中的语义的目标向量,从而能够准确计算出所述文本相似度。
具体地,所述电子设备对所述目标信息进行分词处理,得到信息分词包括:
基于预设词典对所述目标信息进行切分,得到多个切分路径及每个切分路径的路径分词;
从所述预设词典中获取所述路径分词的分词权值;
根据所述分词权值计算每个切分路径的切分概率;
将所述切分概率最高的切分路径确定为目标路径,并将与所述目标路径对应的所述路径分词确定为所述信息分词。
其中,所述预设词典中存储有多个词汇及每个词汇的词汇权值。
通过所述预设词典切分所述目标信息,能够全面地确定出所述多个切分路径,通过所述切分概率的大小能够准确确定出所述目标路径,从而准确的确定出所述信息分词。
S12,分析所述问答信息,得到所述目标信息的情绪度。
在本发明的至少一个实施例中,所述情绪度是通过分析所述问答信息中的关键词与预设情绪词之间的情绪相似度,以及通过情绪相似度最高的预设情绪词所对应的情绪分数而确定的。
在本发明的至少一个实施例中,所述电子设备分析所述问答信息,得到所述目标信息的情绪度包括:
提取所述问答信息中包含的关键词;
对所述关键词进行向量化处理,得到特征向量;
获取预设情绪词,并获取所述预设情绪词的情绪向量;
计算所述特征向量与所述情绪向量的情绪相似度,并将所述情绪相似度最高的所述预设情绪词确定为目标情绪词;
获取与所述目标情绪词对应的情绪分数作为所述情绪度。
其中,所述关键词是指能够表征所述问答信息的词汇。
所述预设情绪词可以包括,但不限于:兴奋。
通过上述实施方式,能够准确的确定出表征所述问答信息的特征向量,进而通过所述情绪相似度的计算能够准确的从所述预设情绪词中确定出所述目标情绪词,从而能够准确的确定出所述情绪度。
具体地,所述电子设备获取所述预设情绪词的情绪向量包括:
根据所述关键词确定所述特征向量的生成向量表;
从所述生成向量表中获取与所述预设情绪词对应的向量作为所述情绪向量。
通过从所述特征向量的生成向量表中获取所述情绪向量,能够从与所述关键字的相同维度上获取到与所述预设情绪词对应的向量,提高所述情绪相似度的确定准确率。
S13,根据所述文本相似度及所述情绪度获取所述待采集对象的对象权值。
在本发明的至少一个实施例中,所述对象权值是指所述文本相似度在用户满意度识别过程中所占的权重。
在本发明的至少一个实施例中,所述电子设备根据所述文本相似度及所述情绪度获取所述待采集对象的对象权值包括:
确定所述文本相似度在配置库中的相似区间,并确定所述情绪度在所述配置库中的情绪区间;
从所述配置库中获取同时与所述相似区间及所述情绪区间对应的权重作为所述对象权值。
其中,所述配置库中存储有两个维度上的多个维度区间,及每个维度区间对应的权重。所述两个维度包括文本相似度上的维度、所述情绪度上的维度。例如,所述配置库中可以存储有映射关系,具体如下,文本相似度上的维度区间[0.61,0.80],情绪度上的维度区间[0.51,0.75],对应的文本相似度的权重为0.4。
例如,所述文本相似度为0.72,所述情绪度为0.61,经确定,所述相似区间为[0.61,0.80],所述情绪区间为[0.51,0.75],从所述配置库中获取同时与所述相似区间[0.61,0.80]及所述情绪区间[0.51,0.75]对应的对象权值为0.4。
通过所述文本相似度及所述情绪度能够分别快速确定出所述相似区间及所述情绪区间,进而通过所述相似区间及所述情绪区间能够准确确定出所述对象权值。
具体地,所述电子设备从所述配置库中获取同时与所述相似区间及所述情绪区间对应的权重作为所述对象权值包括:
获取配置模板,所述配置模板中存储有与所述文本相似度对应的第一标签,及与所述情绪度对应的第二标签;
将所述相似区间写入所述第一标签对应的位置,并将所述情绪区间写入所述第二标签对应的位置,得到权重查询语句;
基于所述权重查询语句查询所述配置库,得到所述对象权值。
S14,根据所述对象权值对所述情绪度及所述文本相似度进行加权和计算,得到所述待采集对象中用户的满意度,并检测所述满意度是否小于预设值。
在本发明的至少一个实施例中,所述满意度是指用户对所述待采集对象的满意程度。
所述预设值是根据应用场景预先设置好的取值。
在本发明的至少一个实施例中,所述电子设备根据所述对象权值对所述情绪度及所述文本相似度进行加权和计算,得到所述待采集对象中用户的满意度包括:
计算所述对象权值与所述文本相似度的乘积,得到第一数值;
计算配置值与所述对象权值的差值,并计算所述差值与所述情绪度的乘积,得到第二数值;
计算所述第一数值与所述第二数值的总和,得到所述满意度。
其中,所述配置值是指用户满意度识别过程中权值的总和,所述配置值通常设置为1。
在本发明的至少一个实施例中,当所述满意度大于或者等于所述预设值,即表明用户对所述待采集对象是正反馈。
S15,当所述满意度小于所述预设值时,从所述问答信息中提取用户问题及模型答案。
在本发明的至少一个实施例中,所述用户问题是指用户提出的问题,所述模型答案是指智能客服机器人针对所述用户问题所回复的语句。
在本发明的至少一个实施例中,所述电子设备从所述问答信息中提取用户问题及模型答案包括:
将所述输入时间小于或者等于所述生成时间的所述用户输入信息确定为所述用户问题;
确定所述用户问题在所述问答信息中的目标顺序;
从所述模板语句中选取在所述问答信息中与所述目标顺序相邻的的语句作为所述模型答案。
由于用户的问题是在智能客服机器人回复之前提出的,因此所述输入时间及所述生成时间能够准确的确定出所述用户问题,进一步地,由于智能客服机器人在用户提出问题后会立即生成相应的答案,因此通过所述目标顺序能够准确的从所述模板语句中确定出所述模型答案。
S16,将所述用户问题及所述模型答案确定为所述采集请求的响应结果。
需要强调的是,为进一步保证上述响应结果的私密和安全性,上述响应结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,在将所述用户问题及所述模型答案确定为所述采集请求的响应结果后,所述方法还包括:
获取所述信息采集请求的请求编号;
根据所述请求编号及所述响应结果生成提示信息;
采用对称加密技术加密所述提示信息,得到密文;
将所述密文发送至指定联系人的终端设备。
通过上述实施方式,能够在所述响应结果生成时及时将所述提示信息发送至所述指定联系人,从而提高所述响应结果的采集效率。
由以上技术方案可以看出,本发明通过所述信息采集请求能够准确的确定出所述待采集对象,从而准确的获取到所述问答信息,通过所述目标信息与所述预设信息的相似度,以及所述目标信息在所述问答信息中的情绪度,能够从多个维度中准确的确定出所述满意度,进而根据所述满意度能够准确的确定所述待采集对象中是否存在负反馈信息,从而能够准确的获取到负反馈信息,此外,由于本发明无需用户主动反馈识别情况,因此,本发明在无需受到用户影响的前提下,能够快速获取到大量的负反馈信息。
如图2所示,是本发明负反馈信息采集装置的较佳实施例的功能模块图。所述负反馈信息采集装置11包括获取单元110、计算单元111、分析单元112、检测单元113、提取单元114、确定单元115、生成单元116、加密单元117及发送单元118。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到信息采集请求时,获取单元110根据所述信息采集请求确定待采集对象,并获取与所述待采集对象对应的问答信息。
在本发明的至少一个实施例中,所述信息采集请求是在智能客服机器人回复用户问题后,检测到该用户有信息输入或者预设按钮被触发时生成的。其中,所述预设按钮包括:人工客服按钮、不满意按钮等。
所述信息采集请求携带的信息包括:所述待采集对象等。
所述待采集对象用于指示问答场次,所述待采集对象可以是一个编号。
所述问答信息包括用户在电子设备上输入的信息,所述问答信息也包括所述电子设备中的智能客服机器人针对所述待采集对象生成的信息。
在本发明的至少一个实施例中,所述获取单元110根据所述信息采集请求确定待采集对象包括:
解析所述信息采集请求的报文,得到所述报文携带的数据信息;
获取预设标签,所述预设标签用于指示问答场次;
从所述数据信息中获取与所述预设标签对应的信息作为所述待采集对象。
其中,所述信息采集请求可以是一条代码,所述数据信息可以是{}中的数据。所述数据信息包括,但不限于:所述待采集对象。
通过上述实施方式,由于无需解析整个所述信息采集请求,因此,能够提高所述数据信息的获取效率,通过预设标签与问答场次的映射关系,能够准确确定出所述待采集对象。
在本发明的至少一个实施例中,所述获取单元110获取与所述待采集对象对应的问答信息包括:
获取日志列表;
获取预设查询模板,并将所述待采集对象写入所述预设查询模板,得到查询语句;
在所述日志列表中运行所述查询语句,得到目标日志;
从所述目标日志中提取指示文本的信息作为所述问答信息。
其中,所述日志列表中存储有多个问答场次的场次日志,每个场次日志中记载了对应的问答场次的问答行为信息。
例如:场次日志A中,用户甲(time,10:20;text,请问今天天气怎么样),机器人(time,10:22;text,答案是天气阴天)。
通过所述预设查询模板及所述待采集对象能够快速生成所述查询语句,通过在所述日志列表中运行所述查询语句能够准确的确定出所述目标日志,从而能够准确的获取到所述问答信息。
计算单元111从所述问答信息中提取目标信息,并计算所述目标信息与预设信息的文本相似度。
在本发明的至少一个实施例中,所述目标信息是指用户针对智能客服机器人的回复语句所生成的反馈信息。
所述文本相似度是指所述目标信息与所述预设信息的相似度。
在本发明的至少一个实施例中,所述计算单元111从所述问答信息中提取目标信息包括:
根据预设问答库从所述问答信息中获取模板语句;
将所述模板语句从所述问答信息中剔除,得到用户输入信息;
从所述目标日志中获取所述模板语句的生成时间,并从所述目标日志中获取所述用户输入信息的输入时间;
将所述输入时间大于所述生成时间的所述用户输入信息确定为所述目标信息。
其中,所述预设问答库中存储有智能客服机器人的多个答案模板。
所述用户输入信息包括,但不限于:用户的提问语句、用户针对所述模板语句的评价语句、用户针对所述模板语句的行为等。
所述生成时间是指智能客服机器人回复用户的提问语句的时间,所述输入时间是指用户发送所述用户输入信息的时间。
通过所述预设问答库能够准确的从所述问答信息中获取到所述模板语句,从而准确获取到所述用户输入信息,由于用户针对所述模板语句的输入时间是在所述模板语句的生成时间之后,因此,通过所述生成时间及所述输入时间能够准确的从所述用户输入信息中获取到所述目标信息。
在本发明的至少一个实施例中,所述计算单元111计算所述目标信息与预设信息的文本相似度包括:
对所述目标信息进行分词处理,得到信息分词;
确定所述信息分词在所述目标信息中的分词位置;
获取所述信息分词的分词向量,并根据所述分词位置拼接所述分词向量,得到与所述目标信息对应的目标向量;
获取所述预设信息的预设向量;
基于余弦距离公式计算所述目标向量与所述预设向量的距离,得到所述文本相似度。
其中,所述分词位置是指所述信息分词在所述目标信息中所处的位置。
所述预设信息是指预先设置好的用户不满意的信息反馈或者行为反馈。
通过所述分词位置拼接所述分词向量,能够准确生成包含所述目标信息中的语义的目标向量,从而能够准确计算出所述文本相似度。
具体地,所述计算单元111对所述目标信息进行分词处理,得到信息分词包括:
基于预设词典对所述目标信息进行切分,得到多个切分路径及每个切分路径的路径分词;
从所述预设词典中获取所述路径分词的分词权值;
根据所述分词权值计算每个切分路径的切分概率;
将所述切分概率最高的切分路径确定为目标路径,并将与所述目标路径对应的所述路径分词确定为所述信息分词。
其中,所述预设词典中存储有多个词汇及每个词汇的词汇权值。
通过所述预设词典切分所述目标信息,能够全面地确定出所述多个切分路径,通过所述切分概率的大小能够准确确定出所述目标路径,从而准确的确定出所述信息分词。
分析单元112分析所述问答信息,得到所述目标信息的情绪度。
在本发明的至少一个实施例中,所述情绪度是通过分析所述问答信息中的关键词与预设情绪词之间的情绪相似度,以及通过情绪相似度最高的预设情绪词所对应的情绪分数而确定的。
在本发明的至少一个实施例中,所述分析单元112分析所述问答信息,得到所述目标信息的情绪度包括:
提取所述问答信息中包含的关键词;
对所述关键词进行向量化处理,得到特征向量;
获取预设情绪词,并获取所述预设情绪词的情绪向量;
计算所述特征向量与所述情绪向量的情绪相似度,并将所述情绪相似度最高的所述预设情绪词确定为目标情绪词;
获取与所述目标情绪词对应的情绪分数作为所述情绪度。
其中,所述关键词是指能够表征所述问答信息的词汇。
所述预设情绪词可以包括,但不限于:兴奋。
通过上述实施方式,能够准确的确定出表征所述问答信息的特征向量,进而通过所述情绪相似度的计算能够准确的从所述预设情绪词中确定出所述目标情绪词,从而能够准确的确定出所述情绪度。
具体地,所述分析单元112获取所述预设情绪词的情绪向量包括:
根据所述关键词确定所述特征向量的生成向量表;
从所述生成向量表中获取与所述预设情绪词对应的向量作为所述情绪向量。
通过从所述特征向量的生成向量表中获取所述情绪向量,能够从与所述关键字的相同维度上获取到与所述预设情绪词对应的向量,提高所述情绪相似度的确定准确率。
所述获取单元110根据所述文本相似度及所述情绪度获取所述待采集对象的对象权值。
在本发明的至少一个实施例中,所述对象权值是指所述文本相似度在用户满意度识别过程中所占的权重。
在本发明的至少一个实施例中,所述获取单元110根据所述文本相似度及所述情绪度获取所述待采集对象的对象权值包括:
确定所述文本相似度在配置库中的相似区间,并确定所述情绪度在所述配置库中的情绪区间;
从所述配置库中获取同时与所述相似区间及所述情绪区间对应的权重作为所述对象权值。
其中,所述配置库中存储有两个维度上的多个维度区间,及每个维度区间对应的权重。所述两个维度包括文本相似度上的维度、所述情绪度上的维度。例如,所述配置库中可以存储有映射关系,具体如下,文本相似度上的维度区间[0.61,0.80],情绪度上的维度区间[0.51,0.75],对应的文本相似度的权重为0.4。
例如,所述文本相似度为0.72,所述情绪度为0.61,经确定,所述相似区间为[0.61,0.80],所述情绪区间为[0.51,0.75],从所述配置库中获取同时与所述相似区间[0.61,0.80]及所述情绪区间[0.51,0.75]对应的对象权值为0.4。
通过所述文本相似度及所述情绪度能够分别快速确定出所述相似区间及所述情绪区间,进而通过所述相似区间及所述情绪区间能够准确确定出所述对象权值。
具体地,所述获取单元110从所述配置库中获取同时与所述相似区间及所述情绪区间对应的权重作为所述对象权值包括:
获取配置模板,所述配置模板中存储有与所述文本相似度对应的第一标签,及与所述情绪度对应的第二标签;
将所述相似区间写入所述第一标签对应的位置,并将所述情绪区间写入所述第二标签对应的位置,得到权重查询语句;
基于所述权重查询语句查询所述配置库,得到所述对象权值。
检测单元113根据所述对象权值对所述情绪度及所述文本相似度进行加权和计算,得到所述待采集对象中用户的满意度,并检测所述满意度是否小于预设值。
在本发明的至少一个实施例中,所述满意度是指用户对所述待采集对象的满意程度。
所述预设值是根据应用场景预先设置好的取值。
在本发明的至少一个实施例中,所述检测单元113根据所述对象权值对所述情绪度及所述文本相似度进行加权和计算,得到所述待采集对象中用户的满意度包括:
计算所述对象权值与所述文本相似度的乘积,得到第一数值;
计算配置值与所述对象权值的差值,并计算所述差值与所述情绪度的乘积,得到第二数值;
计算所述第一数值与所述第二数值的总和,得到所述满意度。
其中,所述配置值是指用户满意度识别过程中权值的总和,所述配置值通常设置为1。
在本发明的至少一个实施例中,当所述满意度大于或者等于所述预设值,即表明用户对所述待采集对象是正反馈。
当所述满意度小于所述预设值时,提取单元114从所述问答信息中提取用户问题及模型答案。
在本发明的至少一个实施例中,所述用户问题是指用户提出的问题,所述模型答案是指智能客服机器人针对所述用户问题所回复的语句。
在本发明的至少一个实施例中,所述提取单元114从所述问答信息中提取用户问题及模型答案包括:
将所述输入时间小于或者等于所述生成时间的所述用户输入信息确定为所述用户问题;
确定所述用户问题在所述问答信息中的目标顺序;
从所述模板语句中选取在所述问答信息中与所述目标顺序相邻的的语句作为所述模型答案。
由于用户的问题是在智能客服机器人回复之前提出的,因此所述输入时间及所述生成时间能够准确的确定出所述用户问题,进一步地,由于智能客服机器人在用户提出问题后会立即生成相应的答案,因此通过所述目标顺序能够准确的从所述模板语句中确定出所述模型答案。
确定单元115将所述用户问题及所述模型答案确定为所述采集请求的响应结果。
需要强调的是,为进一步保证上述响应结果的私密和安全性,上述响应结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,在将所述用户问题及所述模型答案确定为所述采集请求的响应结果后,所述获取单元110获取所述信息采集请求的请求编号;
生成单元116根据所述请求编号及所述响应结果生成提示信息;
加密单元117采用对称加密技术加密所述提示信息,得到密文;
发送单元118将所述密文发送至指定联系人的终端设备。
通过上述实施方式,能够在所述响应结果生成时及时将所述提示信息发送至所述指定联系人,从而提高所述响应结果的采集效率。
由以上技术方案可以看出,本发明通过所述信息采集请求能够准确的确定出所述待采集对象,从而准确的获取到所述问答信息,通过所述目标信息与所述预设信息的相似度,以及所述目标信息在所述问答信息中的情绪度,能够从多个维度中准确的确定出所述满意度,进而根据所述满意度能够准确的确定所述待采集对象中是否存在负反馈信息,从而能够准确的获取到负反馈信息,此外,由于本发明无需用户主动反馈识别情况,因此,本发明在无需受到用户影响的前提下,能够快速获取到大量的负反馈信息。
如图3所示,是本发明实现负反馈信息采集方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如负反馈信息采集程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成获取单元110、计算单元111、分析单元112、检测单元113、提取单元114、确定单元115、生成单元116、加密单元117及发送单元118。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种负反馈信息采集方法,所述处理器13可执行所述计算机可读指令从而实现:
当接收到信息采集请求时,根据所述信息采集请求确定待采集对象,并获取与所述待采集对象对应的问答信息;
从所述问答信息中提取目标信息,并计算所述目标信息与预设信息的文本相似度;
分析所述问答信息,得到所述目标信息的情绪度;
根据所述文本相似度及所述情绪度获取所述待采集对象的对象权值;
根据所述对象权值对所述情绪度及所述文本相似度进行加权和计算,得到所述待采集对象中用户的满意度,并检测所述满意度是否小于预设值;
当所述满意度小于所述预设值时,从所述问答信息中提取用户问题及模型答案;
将所述用户问题及所述模型答案确定为所述采集请求的响应结果。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
当接收到信息采集请求时,根据所述信息采集请求确定待采集对象,并获取与所述待采集对象对应的问答信息;
从所述问答信息中提取目标信息,并计算所述目标信息与预设信息的文本相似度;
分析所述问答信息,得到所述目标信息的情绪度;
根据所述文本相似度及所述情绪度获取所述待采集对象的对象权值;
根据所述对象权值对所述情绪度及所述文本相似度进行加权和计算,得到所述待采集对象中用户的满意度,并检测所述满意度是否小于预设值;
当所述满意度小于所述预设值时,从所述问答信息中提取用户问题及模型答案;
将所述用户问题及所述模型答案确定为所述采集请求的响应结果。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种负反馈信息采集方法,其特征在于,所述负反馈信息采集方法包括:
当接收到信息采集请求时,根据所述信息采集请求确定待采集对象,并获取与所述待采集对象对应的问答信息;
从所述问答信息中提取目标信息,并计算所述目标信息与预设信息的文本相似度;
分析所述问答信息,得到所述目标信息的情绪度;
根据所述文本相似度及所述情绪度获取所述待采集对象的对象权值,所述对象权值是指所述文本相似度所占的权重;
根据所述对象权值对所述情绪度及所述文本相似度进行加权和计算,得到所述待采集对象中用户的满意度,并检测所述满意度是否小于预设值;
当所述满意度小于所述预设值时,从所述问答信息中提取用户问题及模型答案;
将所述用户问题及所述模型答案确定为所述采集请求的响应结果。
2.如权利要求1所述的负反馈信息采集方法,其特征在于,所述根据所述信息采集请求确定待采集对象包括:
解析所述信息采集请求的报文,得到所述报文携带的数据信息;
获取预设标签,所述预设标签用于指示问答场次;
从所述数据信息中获取与所述预设标签对应的信息作为所述待采集对象。
3.如权利要求1所述的负反馈信息采集方法,其特征在于,所述获取与所述待采集对象对应的问答信息包括:
获取日志列表;
获取预设查询模板,并将所述待采集对象写入所述预设查询模板,得到查询语句;
在所述日志列表中运行所述查询语句,得到目标日志;
从所述目标日志中提取指示文本的信息作为所述问答信息。
4.如权利要求3所述的负反馈信息采集方法,其特征在于,所述从所述问答信息中提取目标信息包括:
根据预设问答库从所述问答信息中获取模板语句;
将所述模板语句从所述问答信息中剔除,得到用户输入信息;
从所述目标日志中获取所述模板语句的生成时间,并从所述目标日志中获取所述用户输入信息的输入时间;
将所述输入时间大于所述生成时间的所述用户输入信息确定为所述目标信息。
5.如权利要求4所述的负反馈信息采集方法,其特征在于,所述从所述问答信息中提取用户问题及模型答案包括:
将所述输入时间小于或者等于所述生成时间的所述用户输入信息确定为所述用户问题;
确定所述用户问题在所述问答信息中的目标顺序;
从所述模板语句中选取在所述问答信息中与所述目标顺序相邻的语句作为所述模型答案。
6.如权利要求1所述的负反馈信息采集方法,其特征在于,所述计算所述目标信息与预设信息的文本相似度包括:
对所述目标信息进行分词处理,得到信息分词;
确定所述信息分词在所述目标信息中的分词位置;
获取所述信息分词的分词向量,并根据所述分词位置拼接所述分词向量,得到与所述目标信息对应的目标向量;
获取所述预设信息的预设向量;
基于余弦距离公式计算所述目标向量与所述预设向量的距离,得到所述文本相似度。
7.如权利要求1所述的负反馈信息采集方法,其特征在于,所述分析所述问答信息,得到所述目标信息的情绪度包括:
提取所述问答信息中包含的关键词;
对所述关键词进行向量化处理,得到特征向量;
获取预设情绪词,并获取所述预设情绪词的情绪向量;
计算所述特征向量与所述情绪向量的情绪相似度,并将所述情绪相似度最高的所述预设情绪词确定为目标情绪词;
获取与所述目标情绪词对应的情绪分数作为所述情绪度。
8.一种负反馈信息采集装置,其特征在于,所述负反馈信息采集装置包括:
获取单元,用于当接收到信息采集请求时,根据所述信息采集请求确定待采集对象,并获取与所述待采集对象对应的问答信息;
计算单元,用于从所述问答信息中提取目标信息,并计算所述目标信息与预设信息的文本相似度;
分析单元,用于分析所述问答信息,得到所述目标信息的情绪度;
所述获取单元,还用于根据所述文本相似度及所述情绪度获取所述待采集对象的对象权值,所述对象权值是指所述文本相似度所占的权重;
检测单元,用于根据所述对象权值对所述情绪度及所述文本相似度进行加权和计算,得到所述待采集对象中用户的满意度,并检测所述满意度是否小于预设值;
提取单元,用于当所述满意度小于所述预设值时,从所述问答信息中提取用户问题及模型答案;
确定单元,用于将所述用户问题及所述模型答案确定为所述采集请求的响应结果。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的负反馈信息采集方法。
10.一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中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的负反馈信息采集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110524058.6A CN112949305B (zh) | 2021-05-13 | 2021-05-13 | 负反馈信息采集方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110524058.6A CN112949305B (zh) | 2021-05-13 | 2021-05-13 | 负反馈信息采集方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949305A true CN112949305A (zh) | 2021-06-11 |
CN112949305B CN112949305B (zh) | 2021-08-13 |
Family
ID=76233853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110524058.6A Active CN112949305B (zh) | 2021-05-13 | 2021-05-13 | 负反馈信息采集方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949305B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434321A (zh) * | 2021-06-24 | 2021-09-24 | 平安国际智慧城市科技股份有限公司 | 运维中部署错误的处理方法、装置、设备及存储介质 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799589A (zh) * | 2011-05-25 | 2012-11-28 | 阿里巴巴集团控股有限公司 | 一种信息推送方法和装置 |
CN103970864A (zh) * | 2014-05-08 | 2014-08-06 | 清华大学 | 基于微博文本的情绪分类和情绪成分分析方法及系统 |
CN105512166A (zh) * | 2015-10-30 | 2016-04-20 | 青岛智能产业技术研究院 | 一种微博舆情与城市路况相映射的交通平行方法 |
CN105743991A (zh) * | 2016-03-31 | 2016-07-06 | 四川东鼎里智信息技术有限责任公司 | 可穿戴设备信息存储处理方法 |
CN105930416A (zh) * | 2016-04-19 | 2016-09-07 | 中山大学 | 一种用户反馈信息的可视化处理方法及系统 |
CN107493352A (zh) * | 2017-10-09 | 2017-12-19 | 陈包容 | 一种实体机器人智能培训的方法、系统和装置 |
US20180039621A1 (en) * | 2016-08-05 | 2018-02-08 | Monotype Imaging Inc. | Context analysis for message enhancement |
WO2018027360A1 (zh) * | 2016-08-06 | 2018-02-15 | 胡明祥 | 根据朋友圈信息推送广告时的调整方法以及推送系统 |
US20180060302A1 (en) * | 2016-08-24 | 2018-03-01 | Microsoft Technology Licensing, Llc | Characteristic-pattern analysis of text |
CN107885718A (zh) * | 2016-09-30 | 2018-04-06 | 腾讯科技(深圳)有限公司 | 语义确定方法及装置 |
CN108563779A (zh) * | 2018-04-25 | 2018-09-21 | 北京计算机技术及应用研究所 | 一种基于神经网络的无模板自然语言文本答案生成方法 |
CN108846050A (zh) * | 2018-05-30 | 2018-11-20 | 重庆望江工业有限公司 | 基于多模型融合的核心工艺知识智能推送方法及系统 |
US20190095868A1 (en) * | 2017-09-28 | 2019-03-28 | Facebook, Inc. | Methods and systems for converting unstructured text into structured job postings |
US20190155910A1 (en) * | 2017-11-17 | 2019-05-23 | Adobe Inc. | Highlighting Key Portions of Text Within a Document |
CN110110061A (zh) * | 2019-04-26 | 2019-08-09 | 同济大学 | 基于双语词向量的低资源语种实体抽取方法 |
CN110688452A (zh) * | 2019-08-23 | 2020-01-14 | 重庆兆光科技股份有限公司 | 一种文本语义相似度评估方法、系统、介质和设备 |
CN111652001A (zh) * | 2020-06-04 | 2020-09-11 | 联想(北京)有限公司 | 一种数据处理方法及装置 |
CN111813911A (zh) * | 2020-06-30 | 2020-10-23 | 神思电子技术股份有限公司 | 一种基于用户监督反馈的知识自动采集与更新系统及其工作方法 |
CN112650840A (zh) * | 2020-12-04 | 2021-04-13 | 天津泰凡科技有限公司 | 一种基于知识图谱推理的医疗智能问答处理方法及系统 |
CN112765306A (zh) * | 2020-12-30 | 2021-05-07 | 金蝶软件(中国)有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
-
2021
- 2021-05-13 CN CN202110524058.6A patent/CN112949305B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799589A (zh) * | 2011-05-25 | 2012-11-28 | 阿里巴巴集团控股有限公司 | 一种信息推送方法和装置 |
CN103970864A (zh) * | 2014-05-08 | 2014-08-06 | 清华大学 | 基于微博文本的情绪分类和情绪成分分析方法及系统 |
CN105512166A (zh) * | 2015-10-30 | 2016-04-20 | 青岛智能产业技术研究院 | 一种微博舆情与城市路况相映射的交通平行方法 |
CN105743991A (zh) * | 2016-03-31 | 2016-07-06 | 四川东鼎里智信息技术有限责任公司 | 可穿戴设备信息存储处理方法 |
CN105930416A (zh) * | 2016-04-19 | 2016-09-07 | 中山大学 | 一种用户反馈信息的可视化处理方法及系统 |
US20180039621A1 (en) * | 2016-08-05 | 2018-02-08 | Monotype Imaging Inc. | Context analysis for message enhancement |
WO2018027360A1 (zh) * | 2016-08-06 | 2018-02-15 | 胡明祥 | 根据朋友圈信息推送广告时的调整方法以及推送系统 |
US20180060302A1 (en) * | 2016-08-24 | 2018-03-01 | Microsoft Technology Licensing, Llc | Characteristic-pattern analysis of text |
CN107885718A (zh) * | 2016-09-30 | 2018-04-06 | 腾讯科技(深圳)有限公司 | 语义确定方法及装置 |
US20190095868A1 (en) * | 2017-09-28 | 2019-03-28 | Facebook, Inc. | Methods and systems for converting unstructured text into structured job postings |
CN107493352A (zh) * | 2017-10-09 | 2017-12-19 | 陈包容 | 一种实体机器人智能培训的方法、系统和装置 |
US20190155910A1 (en) * | 2017-11-17 | 2019-05-23 | Adobe Inc. | Highlighting Key Portions of Text Within a Document |
CN108563779A (zh) * | 2018-04-25 | 2018-09-21 | 北京计算机技术及应用研究所 | 一种基于神经网络的无模板自然语言文本答案生成方法 |
CN108846050A (zh) * | 2018-05-30 | 2018-11-20 | 重庆望江工业有限公司 | 基于多模型融合的核心工艺知识智能推送方法及系统 |
CN110110061A (zh) * | 2019-04-26 | 2019-08-09 | 同济大学 | 基于双语词向量的低资源语种实体抽取方法 |
CN110688452A (zh) * | 2019-08-23 | 2020-01-14 | 重庆兆光科技股份有限公司 | 一种文本语义相似度评估方法、系统、介质和设备 |
CN111652001A (zh) * | 2020-06-04 | 2020-09-11 | 联想(北京)有限公司 | 一种数据处理方法及装置 |
CN111813911A (zh) * | 2020-06-30 | 2020-10-23 | 神思电子技术股份有限公司 | 一种基于用户监督反馈的知识自动采集与更新系统及其工作方法 |
CN112650840A (zh) * | 2020-12-04 | 2021-04-13 | 天津泰凡科技有限公司 | 一种基于知识图谱推理的医疗智能问答处理方法及系统 |
CN112765306A (zh) * | 2020-12-30 | 2021-05-07 | 金蝶软件(中国)有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434321A (zh) * | 2021-06-24 | 2021-09-24 | 平安国际智慧城市科技股份有限公司 | 运维中部署错误的处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112949305B (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417096B (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
CN112989826B (zh) | 基于人工智能的试题分数确定方法、装置、设备及介质 | |
CN113032528B (zh) | 案件分析方法、装置、设备及存储介质 | |
CN112686036B (zh) | 风险文本识别方法、装置、计算机设备及存储介质 | |
CN113656547B (zh) | 文本匹配方法、装置、设备及存储介质 | |
CN113094478B (zh) | 表情回复方法、装置、设备及存储介质 | |
CN113408278B (zh) | 意图识别方法、装置、设备及存储介质 | |
CN113435196B (zh) | 意图识别方法、装置、设备及存储介质 | |
CN113283675B (zh) | 指标数据分析方法、装置、设备及存储介质 | |
CN111552800A (zh) | 摘要生成方法、装置、电子设备及介质 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
CN113535925B (zh) | 语音播报方法、装置、设备及存储介质 | |
CN113342977B (zh) | 发票图像分类方法、装置、设备及存储介质 | |
CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
CN114037545A (zh) | 客户推荐方法、装置、设备及存储介质 | |
CN113268597A (zh) | 文本分类方法、装置、设备及存储介质 | |
CN112199494A (zh) | 医疗信息搜索方法、装置、电子设备及存储介质 | |
CN113627186B (zh) | 基于人工智能的实体关系检测方法及相关设备 | |
CN113420545B (zh) | 摘要生成方法、装置、设备及存储介质 | |
CN113326365B (zh) | 回复语句生成方法、装置、设备及存储介质 | |
CN113283677B (zh) | 指标数据处理方法、装置、设备及存储介质 | |
CN113343700B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113516205A (zh) | 基于人工智能的数据分类方法、装置、设备及存储介质 | |
CN113486680A (zh) | 文本翻译方法、装置、设备及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40053568 Country of ref document: HK |