CN113039537A - 语义人工智能代理 - Google Patents
语义人工智能代理 Download PDFInfo
- Publication number
- CN113039537A CN113039537A CN201980073241.XA CN201980073241A CN113039537A CN 113039537 A CN113039537 A CN 113039537A CN 201980073241 A CN201980073241 A CN 201980073241A CN 113039537 A CN113039537 A CN 113039537A
- Authority
- CN
- China
- Prior art keywords
- contact
- aia
- session
- communication
- triples
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 190
- 238000000034 method Methods 0.000 claims description 118
- 230000004044 response Effects 0.000 claims description 19
- 230000001755 vocal effect Effects 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 description 113
- 230000008569 process Effects 0.000 description 43
- 238000003058 natural language processing Methods 0.000 description 29
- 238000012545 processing Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 26
- 238000007726 management method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 238000013515 script Methods 0.000 description 12
- 150000003839 salts Chemical class 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 102100038367 Gremlin-1 Human genes 0.000 description 5
- 101001032872 Homo sapiens Gremlin-1 Proteins 0.000 description 5
- 241000699666 Mus <mouse, genus> Species 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004971 IR microspectroscopy Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000012060 immune response imaging Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 241000700564 Rabbit fibroma virus Species 0.000 description 1
- -1 SPARQL Proteins 0.000 description 1
- 241000270666 Testudines Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910000078 germane Inorganic materials 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000004003 stimulated Raman gain spectroscopy Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/5183—Call or contact centers with computer-telephony arrangements
-
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- 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
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/5141—Details of processing calls and other types of contacts in an unified manner
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/5166—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing in combination with interactive voice response systems or voice portals, e.g. as front-ends
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
在计算机系统中实现的客户关系管理(“CRM”)包括由所述计算机系统的CRM应用的人工智能代理(“AIA”)代表远程代理与客户代表管理通信会话,所述通信会话作为所述计算机系统的计算机存储器的结构,所述通信会话包括与所述客户代表的一个或多个通信联系;以及由AIA实现与支持通信会话的远程代理的通信。
Description
背景技术
客户关系管理(“CRM”)是一种管理公司与当前和潜在客户的交互的方法。CRM实现客户与公司的历史的数据分析来改进与客户的业务关系,具体地集中于客户保持和销售增长。CRM系统编译来自一系列通信渠道的数据,一系列通信渠道包括电话、电子邮件、在线聊天、文本消息传递、营销材料、网站和社交媒体。通过CRM方法和用于促进CRM方法的系统,企业了解更多关于他们的目标受众以及如何最好地解决他们的需要。
企业CRM系统可能是巨大的。这样的系统可以包括数据仓库技术,用于聚集交易信息,以将该信息与关于CRM产品和服务的信息合并以及提供关键性能指标。CRM系统帮助管理不稳定的生长和需求,并实现将销售历史与销售预测集成的预测模型。CRM系统跟踪和测量多个网络上的营销活动,通过客户点击和销售跟踪客户分析。一些CRM软件可通过云系统、软件即服务(SaaS)获得,经由网络递送并且经由浏览器访问,而不是安装在本地计算机上。使用基于云的CRMSaaS的企业通常订阅这样的CRM系统,支付重复的订阅费,而不是完全购买该系统。
尽管CRM系统规模庞大,但是当今的许多CRM系统缺乏充分利用它们可以访问的信息的基础结构。例如,仅客户联系就可能难以跟踪。当今的远程代理不将客户联系仅仅限制为来自呼叫中心中的办公桌的电话呼叫。这样的联系通常通过联系中心来管理,该联系中心可以管理跨越多个位置的多个代理之间的多种模式的联系、电话、文本、电子邮件等。当表示代表营销客户的联系中心的特定远程代理接受来自客户代表的电话呼叫时,完全可能存在与该客户代表的多个介入联系,多个介入联系包括文本消息和电子邮件或者甚至来自人工智能代理的自动消息,这对于当前远程代理来说是很难知道或分类的。
附图说明
图1示出了例示根据本发明的实施例的用于客户关系管理(“CRM”)的示例系统的网络图。
图2示出了根据本发明的实施例的用于CRM中的语义三元组的示例图谱的线条图。
图3示出了实现根据本发明的实施例的CRM的示例计算机系统的功能框图。
图4示出了实现根据本发明的实施例的CRM的示例仪表板的线条图。
图5示出了根据本发明的实施例的瘦客户端架构中的CRM的示例装置的功能框图。
图6示出了根据本发明的实施例的用作CRM的声音服务器的示例计算机的框图。
图7示出了根据本发明的实施例的用作CRM的三元组服务器的示例计算机的框图。
图8示出了根据本发明的实施例的用作CRM的示例计算机存储器系统的框图。
图9示出了根据本发明的实施例的胖客户端架构中的CRM的示例装置的功能框图。
图10示出了例示根据本发明的实施例的CRM的示例方法的流程图。
图11示出了示例企业知识图谱,其中关于客户、客户代表和通信会话的三元组被实现为子图谱。
图12示出了示例图谱集,其中关于客户、客户代表和通信会话的三元组被实现为单独的图谱。
图13和图14示出了例示根据本发明的实施例的CRM的另一示例方法的流程图。
具体实施方式
从图1开始,参考附图描述在计算机系统中实现的用于客户关系管理(“CRM”)的示例方法和设备。图1示出了说明根据本发明的实施例的用于CRM的示例计算机系统的网络图。图1的示例中的计算机系统包括客户端计算机(152)和若干服务器(三元组服务器(157)、声音服务器(151)、线索引擎(lead engine)(134)和脚本引擎(132))。客户端计算机和服务器(包括线索引擎和脚本引擎)一起构成实现根据本发明实施例的CRM的整个计算机系统。客户端计算机(152)是被配置用于具有通过显示器、图形用户界面或语音使能接口的CRM相关I/O的CRM的自动计算机器,该CRM相关I/O接受和识别来自用户的语音并向用户表达声音提示和语音响应。这样的装置被称为客户端装置,因为它们实现了执行根据各实施例的CRM的计算机架构的客户端侧。图1的示例中的客户端计算机包括台式计算机(107)、移动电话(110)和膝上型计算机(126),其中的任何一个或全部可以作为用于在例如联系中心(305)中执行CRM的远程代理的工作站。客户端计算机通过无线连接(116、118、120)和通过网络(100)耦接到三元组服务器(157)、声音服务器(151)、线索引擎(134)和脚本引擎(132)以进行数据通信。
线索引擎(134)是自动计算机器,其从各种资源聚集线索,并通过GUI将它们提供给远程代理,以便与客户和预期客户一起使用。线索是代表客户或潜在客户的结构化数据,通常包括线索ID、线索名称、公司、线索角色、线索或公司的地址、线索的电话号码以及本领域技术人员所能想到的其它相关信息。这种线索可实现为记录、消息、对象或其他数据结构,其对于自动计算机器有用,用于自动生成线索并通过GUI呈现给远程代理。
脚本引擎(206)是自动计算机器,其实时创建动态脚本以供远程代理在与客户通信时使用。动态脚本是根据各种因素(如当前行业趋势数据、通常远程代理支持的特定产品和客户拥有或不拥有的产品)实时改变的脚本。即,动态脚本在其基于行业趋势而实时改变的意义上是动态的。为了客户的利益,脚本中的语句被实时地动态重新排序、添加或删除。通过被动态地重新排序或实时创建、从相关行业和软件描述的库中检索、由其它远程代理提供、或以本领域技术人员将想到的其它方式,这样的语句可以在脚本中动态地更改。
如在本说明书中使用的短语,自动计算机器是指代码或其他自动计算逻辑、硬件、软件、固件等的模块、段或部分,以及上述任何的组合,本地或远程的。自动计算机器通常被实现为可执行指令、物理单元或用于实现指定逻辑功能的其他计算逻辑。
远程代理(128)是负责销售或支持商业产品和服务的人,联系中心的代理。客户代表(129)是代表客户、公司或其他企业的人,其是联系中心的商品或服务的当前或潜在购买者。
CRM联系中心(305)是提供根据本发明的实施例的CRM的人员和计算机资源的组织。在图1的示例中,虚线表示联系中心(305)的范围。该范围是逻辑的而不是物理的。构成联系中心的所有资源和人员可以具有相同的物理位置,或者联系中心可以是高度虚拟化的,例如,具有用于远程代理、用于客户端装置和用于服务器的单独的物理位置。一些或所有远程代理可以在为代理提供办公桌、工作站、电话等的呼叫中心中一起工作。所有或一些远程代理可以在总部工作或移动办公。脚本引擎和线索引擎可以位于与容纳三元组服务器和声音服务器的数据中心分开的数据中心中等等,用于构成同一逻辑联系中心的各种物理位置。
语义图谱数据库(152)是使用用于语义查询的具有节点、边和属性的图谱结构来表示和存储数据的数据库。这个数据库系统的关键概念是与数据存储中的数据项直接相关的图谱(或边或关系)。这些关系允许存储中的数据直接链接在一起,并且在许多情况下用一个操作来检索。这种图谱数据库与传统的关系数据库形成对比,其中,数据之间的链接仅是间接的元数据,并且使用连接在存储中查询搜索数据来收集相关数据。通过设计,图谱数据库产生数据之间的显式关系,并且允许简单且快速地检索在关系系统中难以建模的复杂分层结构。
图谱数据库的底层存储机制可以变化。一些底层存储机制依赖于关系引擎并将图谱数据存储在表中。其它底层存储机制则使用键值存储或面向文档的数据库来存储,从而使它们固有地成为NoSQL结构。从图谱数据库检索数据通常需要SQL以外的查询语言,SQL是为关系数据库设计的,并且不能很好地处理遍历图谱。存在最经常紧密地联系到一个产品的许多系统,并且存在一些多供应商查询语言,如Gremlin、SPARQL和Cypher。除了具有查询语言接口之外,一些图谱数据库(如果不是大多数)通过应用编程接口(API)被访问。
图谱数据库基于图谱理论,并且采用节点、边和属性。节点表示诸如人、企业、帐户或任何其它要跟踪的项目的实体。它们大致等同于关系数据库中的记录、关系或行,或者文档数据库中的文档。边,也称为图谱或关系,是将节点连接到其它节点的线;它们表示节点之间的关系。当检查节点、属性和边的连接和互连时,出现有意义的模式。边是图谱数据库中的关键概念,表示不在其它系统中直接实现的抽象。属性是与节点相关的密切关系信息。例如,如果N3是节点之一,则它可被绑定到诸如web服务支持、云计算、或以字母N开头的单词等属性,这取决于N3的哪些方面与给定数据库有密切关系。
图1的图谱数据库是语义图谱数据库,并且在其中存储的是企业知识图谱(154)。图1的示例企业知识图谱可以例如根据资源描述框架(“RDF”)来实现。在这样的实现中,企业知识图谱具有由资源标识符表示的每个数据项。这样的资源标识符可以包括统一资源标识符(“URI”)、国际化资源标识符(“IRI”)、统一资源定位符(“URL”)、文字、非文字或任何其他资源标识符。RDF使数据项之间的资源标识符关系成为其总体数据模型的中心属性。诸如URI的资源标识符是用数据创建的,并且使用也用资源标识符命名的关系而链接在一起。RDF数据存储中的所有标识符都用标识符命名的事实意味着所有数据项(包括关系、边或属性)都是被明确定义和自定义的。
图1的企业知识图谱(154)具有数学有向图的特征,因为它由顶点(又称节点)和有向边组成。每条边连接两个顶点,具有类型,并且可以具有一个或多个属性。该示例中的每个属性可以被实现为键值对。对边进行表征并将属性附加到边的能力增加了这种知识图谱的语义表达性。对图谱数据库和语义图谱数据库的描述是为了解释而不是限制。实际上,替代实施例可包括关系数据库、非SQL数据存储、文件、文本文档、电子表格和其它可行的数据库结构。
计算机存储器(169)可以包括高速缓存、随机存取存储器(“RAM”)、磁盘存储等大多数形式的计算机存储器。如此配置的计算机存储器通常驻留在语音使能装置上,或者如本文(169)所示,驻留在一个或多个三元组服务器(157)上。
在诸如图像、数字文本等事物中,口头或键入的文本的单词(509)通常构成会话和联系的至少一些内容(509)。这样的单词可以是键入到文本框中的单词,来自电子邮件或文本消息的单词,或来自对话(313)的数字化识别语音(315)的单词。识别语音可以是整个对话,其中,例如,两个讲话的人在同一房间中,并且整个对话由语音使能装置上的麦克风获得。通过仅向语音使能装置提供对话的一方,如仅通过耳机(105)上的麦克风,可以减小识别语音的范围。通过仅提供对来自在客户端计算机上执行的VoiceXML对话的提示进行响应的语音来进行识别,可以进一步减小识别语音的范围。由于识别语音的范围减小,数据处理负担在整个系统上降低,但是至少在一些实施例中,识别整个对话并在显示器(110)上流出对话中所有单词流,仍是一种选择。
通过自然语言处理语音识别(“NLP-SR”)引擎(153)的操作,将来自对话(313)的语音识别为数字化单词,所述自然语言处理语音识别引擎在此被示出为设置在声音服务器(151)上,但是也适于安装在语音使能客户端计算机上。除了通过声音服务器(151)的语音识别功能将单词(509)数字化之外,对于另一示例,可以通过图形用户界面(110)的窗口小部件的操作将单词(509)数字化。或者,对于更进一步的示例,可以通过用户(128)将单词(509)键入到图形用户界面(110)的文本输入框(366)中来对其进行数字化。
AIA是人工智能、自动化的实施方式,其寻求呈现的行为类似于通信和学习中的人类行为。AIA与声音服务器一起操作以呈现类人语音。AIA操作自然语言处理器以在电子邮件中呈现类人文本。并且AIA通过利用新解析的三元组(752)和新推断的三元组(754)扩展企业知识图谱(154)来实现机器学习。AIA被称为是CRM应用,这可选地是因为在一些实施例中,它是CRM应用的实际组件,或者可选地是因为AIA通过应用编程接口有效地操作CRM,使得作为“代理”的AIA至少在某种程度上,特别地,是CRM应用,并且一般地,是联系中心的代理。在管理、实现或执行与远程代理和客户代表两者的通信中,AIA一般用作CRM应用和计算机系统的一种包装器或容器。即,在实施例中,远程代理和客户代表通常主要通过AIA遇到整个联系中心。
在许多实施例中,在远程代理(128)和客户代表(129)之间第一通信联系(142)时,AIA(196)建立通信会话(140)作为计算机系统的计算机存储器(169)的结构。然后,AIA通过通信平台(101)上的通信会话管理远程代理和客户代表之间的通信联系序列,该通信联系序列包括第一联系(142)和也包括随后的通信联系(144)。通信平台的示例包括电子邮件平台、聊天机器人、电话和文本消息传递平台。根据各实施例的可被适配为CRM通信平台的文本消息传递平台的示例包括通过电话系统的SMS消息传递、在web应用中内联的web聊天、以及面向web的消息传递应用,诸如WhatsApp、Facebook Messenger、Slack、Snapchat、Cryptocat、Kik、Google Hangouts、Line、MeowChat、Ethan、中国的微信和QQ Messenger,Viber,韩国的KakaoTalk,越南的Zalo、以及Instagram和Twitter中的直接消息传递功能。
在许多实施例中,作为计算机系统的计算机存储器(169)的结构,AIA建立会话(140)作为自动计算机器的面向对象的模块,该模块的结构和内容(509)也作为语义三元组被存储在企业知识图谱(154)中。也就是说,在这样的实施例中,会话最初至少作为面向对象的会话类的实例被建立。建立这种会话可以包括在计算机存储器中存储主题代码、时间戳、远程代理的标识、客户代表的标识作为会话的成员数据元素,以及可选地还存储关于会话的其它信息。
在该示例中,AIA通过建立每个联系作为自动计算机器的面向对象的模块来管理联系序列(142、144),该面向对象的模块构成计算机系统的计算机存储器(169),并且其结构和内容也作为语义三元组被存储在企业知识图谱(154)中。即,在该示例中,联系最初至少作为面向对象的联系类的实例被建立。管理联系序列包括在计算机存储器中记录开始联系的时间戳、联系的持续时间、联系的会话标识符、平台类型、联系状态、联系的任何通信内容作为每个联系的成员数据元素,以及可选地还记录关于联系的其它信息。
跨平台管理联系包括跨相同平台或跨不同平台异步地管理联系,跨平台管理包括跨平台类型管理。会话中的第一联系可以是通过电话,随后的联系可以是通过相同的电话或不同的电话。第一联系可以通过电子邮件,随后的联系通过电话或文本消息。
跨平台管理联系包括跨平台的物理位置管理联系。会话的第一联系可以是通过呼叫中心中的陆线电话,随后的联系可以是通过餐馆中的蜂窝电话。第一联系可以通过来自呼叫中心的办公桌的电子邮件,随后的联系通过来自超市的蜂窝电话或文本消息。
图1的示例计算机系统包括解析引擎(380),其将通信会话的结构和内容(509)解析为描述逻辑的解析的三元组(752),该通信会话的结构和内容包括通信联系的结构和内容。图1的示例计算机系统还包括推断引擎(298),其根据企业知识图谱的推断规则从解析的三元组(752)推断出推断的三元组(754)。图1的示例计算机系统的功能包括将解析的三元组(752)和推断的三元组(754)存储在企业知识图谱(154)中,以用于根据各实施例的CRM。
解析的三元组(752)是由例如主体、谓词和客体组成的语义三元组,在其由从会话或联系导出的元素(例如,包括识别的语音、从GUI窗口小部件的选择、通过GUI键入的文本等)组成的意义上,对其进行“解析”。即,“解析”意味着从各种源取得会话或联系的构成元素并将它们形成为语义三元组。解析可以包括将来自数据输入的原始文本或由NLP-SR引擎处理成词性的会话语音形成为语义三元组。通过将每个部分适当地作为主体-谓词-客体放置在三元组中,可以将这样的词性形成为三元组。
根据管理知识图谱(这里是企业知识图谱(154))中的数据元素之间的关系的推断规则(376),从解析的三元组(752)推断出推断的三元组(754)。推断是基于现有三元组中的模式将新三元组系统地添加到图谱的过程。通过在查询过程之前或期间调用推断,可以实现信息集成,信息集成包括新推断的三元组。在不仅为查询而且为推断设计的引擎中用推断规则执行的查询不仅返回断言的数据,而且返回推断的信息。读者将认识到,对“数据”或“信息”或“知识”的所有这样的引用实际上是对语义三元组的引用。
这里是推断规则的示例:
IF{<A><is a subclass of><B>}
AND{<x><is of type><A>}
THEN{<x><is of type><B>}
在明语中,该规则说明如果类A是类B的子类,则类A的任何东西也是类B的。我们将该规则称为“类型传播规则”,A是B的子类,x是A,x也是B。或者在SPARQL CONSTRUCT查询中,该类型传播规则可以表示为:
CONSTRUCT{?R:type?B}
WHERE{?A:subClassOf ?B
?R:type?A}
为了进一步解释,假设这些示例三元组先前被断言:
应用类型传播规则导致以下推断:
先前也断言了两个推断的三元组:
<ClassicOxford><isOfType><Shirts>
<BikerT><isOfType><MensWear>
并且,对于简单地将推断的三元组插回到所断言的图谱中的推断引擎,这里是新的图谱,其中推断的三元组以粗斜体表示:
这种推断的基本目的是创建更连接、更完整的数据,并且其中,在数据本身中表达关于数据的一致性约束。数据本身描述了可以如何使用数据。为了使数据更完整和一致,类似于刚才描述的那些的简单推断通常比详尽的推断更有用,不是非常令人激动,但是是非常有用。CRM数据的这种日常一致性(workaday consistency)完成可以用根据实施例的推断来完成。尽管这种推断初看起来似乎没有什么意义,但是事实上,这种推断正是在大数据存储中影响一致性的这种相关性。
在本文中,“解析的三元组”是在联系发生时或联系发生后立即从联系和会话的结构和内容或多或少实时解析的三元组。企业知识图谱中的许多三元组可能在某个点被解析,但是,尽管如此,为了本文描述的清楚,已经在企业知识图谱中的三元组是“断言的三元组”,并且现在刚刚从会话和联系的结构和内容解析的三元组是“解析的三元组”。“推断的三元组”是当联系发生时或之后立即从解析的三元组或多或少实时推断的三元组。企业知识图谱中的许多三元组可能在某一点被推断,但是,尽管如此,为了本文描述的清楚,已经在企业知识图谱中的三元组是“断言的三元组”,并且现在刚从会话或联系解析的三元组推断的三元组是“推断的三元组”。
在这些三元组之间没有结构、功能或逻辑差异。断言的三元组、解析的三元组、推断的三元组都是完全相同种类的实体。这里使用的标记“断言”、“解析”和“推断”仅仅是为了便于解释,而不是为了识别种类的差异。所有这些三元组都是符合某种形式的知识图谱的定义逻辑的信息的三部分表达,在一些实施例中,所述定义逻辑通常是描述逻辑,在一些实施例中,通常是支持可决定性的逻辑。
在一些实施例中,企业知识图谱(154)可以包括描述财务、商业实体和结构、雇员数据、合并数据、交易、合同、销售历史、产品描述等或与之相关或在整个企业中有用的所有或大多数信息。因此,CRM信息是总体公司信息的子集,并且断言、解析和推断的三元组是各种CRM信息。作为整个企业知识图谱的子图谱的三元组的当前描述是用于解释而不是限制。在一些实施例中,至少由于各种原因,CRM数据、通信会话数据、联系数据、客户数据、与客户代表相关的信息或通话记录数据可以在单独的图谱中而不是子图谱中实现。在图1的示例中,企业知识图谱(154)以根据至少一种形式的语义逻辑(例如,谓词逻辑或描述逻辑)组织和连接的语义三元组来实现。在图1的示例中,企业知识图谱由定义逻辑的语义三元组组成,该定义逻辑包括通过整个计算机系统对远程代理可用的所有CRM相关知识。三元组是具有以下意义的语义三元组:这种三元组具有由推断(在附加三元组中明确描述的推断)所定义的含义,所述附加三元组在此称为“推断的三元组”。
三元组(752、754)是以逻辑形式表示的三部分陈述。根据上下文,不同的术语被用于有效地指代逻辑中的陈述的相同的三个部分。在一阶逻辑中,这些部分被称为常量(constant)、一元谓词(unary predicate)和二元谓词(binary predicate)。在Web本体语言(“OWL”)中,这些部分是个体、类和属性。在一些描述逻辑中,这些部分被称为个体、概念和角色。在本文中,三元组的元素被称为主体、谓词和客体,并且这样表达:<主体><谓词><客体>,或者,如下:(主体谓词客体),或者旨在使人阅读的其他抽象形式。三元组有许多表达模式。三元组的元素可以表示为统一资源定位符(“URL”)、统一资源标识符(“URI”)或国际资源标识符(“IRI”)。三元组可以用N-Quads、Turtle语法、TriG、Javascript ObjectNotation(“JSON”)等来表达。这里使用的表达式,尖括号或圆括号中的主体-谓词-客体,是一种抽象语法形式,其被优化用于人类可读性而不是机器处理,但是其实质内容对于三元组的表达式是正确的。使用该抽象语法,这里是三元组的示例:
<Bob><是(is a)><人(person)>
<Bob><朋友是(is a friend of)><Alice>
<Bob><出生于(is born on)><1990年7月4日>
<Bob><喜欢(is interested in)><蒙娜丽莎>
<蒙娜丽莎><创作者是(was created by)><列奥纳多·达·芬奇>
<视频“蒙娜丽莎在华盛顿(La JocondeàWashington)”><讲述的是(is about)><蒙娜丽莎>
相同项目可以在多个三元组中引用。在该示例中,Bob是四个三元组的主体,而蒙娜丽莎是一个三元组的主体和两个三元组的客体。这种使相同项目成为一个三元组的主体和另一个三元组的客体的能力使得可以实现三元组之间的连接,并且连接的三元组形成图谱。
为了进一步解释三元组和图谱之间的关系,图2示出了图谱(600)的线条图。图2的示例性图谱以线条图形式实现了上面关于Bob和蒙娜丽莎阐述的示例三元组图谱。在图2的示例中,图谱边(604、608、612、616、620、624)分别表示节点之间的关系,即,表示谓词<是>、<朋友是>、<出生于>、<喜欢>、<创作者是>、以及<讲述的是>。节点本身表示三元组的主体(602、618、626)和客体(606、610、614、618、622),<Bob>、<人>、<Alice>、<1990年7月4日>、<蒙娜丽莎>、<列奥纳多·达·芬奇>和<视频“蒙娜丽莎在华盛顿”>。表示蒙娜丽莎的节点(618)既是主体又是客体。表示蒙娜丽莎的节点(618)是描述Bob兴趣的三元组(602、616、618)的客体。表示蒙娜丽莎的节点(618)是描述列奥纳多创作的蒙娜丽莎的三元组(618、620、622)的主体。
在知识表示系统中,以三元组的图谱表示的知识包括例如在Gremlin、Cypher、Prolog数据库、Lisp数据结构中实现的知识表示,或者在RDFS、OWL和其它本体语言中的面向RDF的本体中实现的知识表示。通过被配置为在例如Gremlin、Cypher、Prolog、Lisp或SPARQL中执行语义查询和语义推断的搜索引擎针对这样的图谱来实现搜索和推断。
Gremlin是通过来自Apache基金会的TinkerPop图谱计算框架提供的查询语言。Cypher是AI程序,其从自然语言输入生成SPARQL查询,允许用户说明语来更新和查询数据库;Cypher将其自身的语法和词典带入自然语言处理。SPARQL是“SPARQL协议和RDF查询语言”的递归首字母缩写。“Lisp”是一种可靠、灵活的编程语言,广泛用于人工智能、知识表示和语义应用。Prolog是通用逻辑编程语言。Prolog支持针对被表达为Prolog数据库中的陈述和规则的连接三元组的查询。SPARQL支持对以RDFS、OWL或其它面向RDF的本体表达的本体的查询。关于Prolog、SPARQL、Cypher、Gremlin、Lisp等,这些是解释本发明的示例实施例的技术的示例。因此,这不是对本发明的限制。根据实施例有用的知识表示可以采取现在或将来的本领域中的许多形式,并且所有这些现在完全在本发明的范围内且将一直在本发明的范围内。
描述逻辑是形式知识表示语言家族的成员。一些描述逻辑比命题逻辑更具有表达性,但不如一阶逻辑具有表达性。与一阶逻辑相反,描述逻辑的推理问题通常是可决定的。因此,可以针对描述逻辑中的搜索和推断问题实现高效的决定过程。存在一般的、空间的、时间的、时空的和模糊的描述逻辑,并且每个描述逻辑通过支持不同的数学构造器集合而以表达性和推理复杂度之间的不同平衡为特征。
搜索查询沿语义的尺度设置。例如,传统的web搜索被设置在该尺度的零点上,无语义,无结构。针对关键词“派生”的传统web搜索返回讨论派生作品的文学概念以及演算过程的数千个HTML文档。针对关键词“差速器(differential)”的传统web搜索返回描述汽车部件的许多网页和讨论演算函数的许多网页。
其它查询沿尺度(scale)的中点、某些语义、某些结构、不完全完整地布置。这实际上是web搜索中的当前趋势。这样的系统可以被称为可执行的而不是可决定的。从一些观点来看,可决定性不是主要关注点。例如,在许多Web应用中,数据集是巨大的,并且它们根本不需要100%的正确模型来分析可能已经被某些本身不完美的启发式程序爬取、刮取并被转换成结构的数据。人们使用Google是因为它可以在很多时候找到好的答案,即使它不能一直找到完美的答案。在这种混乱的搜索环境中,可证明的正确性不是关键目标。
在结果的正确性是关键并且输入可决定性的情况下设置其它类别的查询。作为数据中心中的远程代理的用户通过电话与讨论前差速器的汽车客户通话,用户不关心需要对演算结果进行分类以找到正确的术语。这样的用户需要汽车术语的正确定义,并且用户需要实时(即,例如,在几秒内)对话的查询结果。
在形式逻辑中,如果存在一种方法,使得对于可以用系统表达的每个断言,该方法能够决定该断言在系统内是否有效,则该系统是可决定的。在实际情况中,针对可决定描述逻辑的查询将不会无限地循环、崩溃、不能返回答案或返回错误答案。可决定描述逻辑支持清楚、明确和机器可处理的数据模型或本体。不可决定的系统不支持清楚、明确和机器可处理的数据模型或本体。可决定描述逻辑支持算法,通过该算法,计算机系统可确定在逻辑中定义的类的等价性。不可决定的系统不支持该算法。可决定描述逻辑可以用C、C++、SQL、Lisp、RDF/RDFS/OWL等来实现。在RDF空间中,OWL的细分在可决定性方面是变化的。完全OWL不支持可决定性。而OWL DL支持可决定性。
为了进一步说明,图3示出了根据本发明的实施例的实现CRM的示例计算机系统(178)的功能框图。图3的示例计算机系统包括处理器或“CPU”(156)、随机存取存储器或“RAM”(168)、声卡(174)和显示器(180)。该系统包括CRM应用程序(195),通常存储在RAM中并在CPU上执行。CRM应用通过显示器以仪表板(110)的形式展示图形用户界面或“GUI”,除了使用显示器(180)之外,其还通过使用声卡、音频设备、键盘和鼠标(181)接受并提供用户I/O。
图1所示的整个示例计算机系统一般用于通过如下实现根据本发明的各实施例的CRM:由计算机系统的CRM应用(195)的人工智能代理(“AIA”)(196)代表远程代理(128)与客户代表(129),管理通信会话(140),通信会话作为计算机系统的计算机存储器(169)的结构,由与客户代表(129)的一个或多个通信联系(142、144)组成。AIA(196)还执行与支持通信会话(140)的远程代理(128)的通信。在该示例中,可以说AIA(196)是CRM应用(195)的代理,因为AIA通过应用编程接口(198)来操作CRM应用。
图3中所示的示例性计算机系统一般由AIA操作以通过如下操作实现根据本发明的各实施例的CRM:在远程代理(128)和客户代表(129)之间的第一通信联系(142)时,建立通信会话(140)作为计算机系统的计算机存储器(169)的结构。在建立会话时,AIA建立会话(140)作为计算机系统的计算机存储器的结构,该会话作为自动计算机器的面向对象的模块,其结构和内容(509)也作为语义三元组(752、754)被存储在企业知识图谱(154)中。即,在该示例中,会话最初至少被建立为面向对象的会话类的实例。建立这种会话包括在计算机存储器中存储主题代码、时间戳、远程代理的标识、客户代表的标识作为会话的成员数据元素,以及可选地还存储关于会话的其它信息。
AIA一般还通过跨通信平台的通信会话(140)管理通信联系序列(374)来操作图3的系统,该通信联系序列包括远程代理和客户代表之间的第一联系(142)以及还包括后续通信联系(144)。AIA通过将每个联系建立为自动计算机器的面向对象的模块来管理联系序列(374),该面向对象的模块构成计算机系统的计算机存储器,并且其结构和内容也作为语义三元组被存储在企业知识图谱中。即,在该示例中,联系最初至少被建立为面向对象的联系类的实例。管理联系序列包括在计算机存储器中记录开始联系的时间戳、联系的持续时间、联系的会话标识符、平台类型、联系状态、联系的任何通信内容作为每个联系的成员数据元素,以及可选地还记录关于联系的其它信息。
图3的示例系统包括解析引擎(380),其将通信会话的结构和内容(509)解析为描述逻辑的解析的三元组(752),该通信会话包括通信联系的结构和内容。图3的示例计算机系统还包括推理引擎(298),其根据企业知识图谱的推理规则(376)从解析的三元组(752)推断出推断的三元组(754)。图3的示例计算机系统的功能包括将解析的三元组(752)和推断的三元组(754)存储(398)在企业知识图谱(154)中以用于根据实施例的CRM中。
在图3的示例中,在AIA命令下,CRM应用(195)生成联系(142、144)的序列(374)。CRM联系是生成包括用于解析(380)和推断(298)成三元组(752、754)的数字化单词的内容的活动,三元组可有用地包括在企业知识图谱(154)中。例如,以作为面向对象的联系类的实例为例,毫无疑问,除了单词之外,CRM联系还将包括成员方法、其他成员数据元素等等。然而,CRM联系基本上是用于解析和推断的内容和结构(509)的容器或包装器。CRM内容的示例包括描述新客户、新客户代表、新通话记录、由用户利用GUI窗口小部件新构建的三元组等的单词。CRM联系可以由用户输入来界定范围,例如,激活仪表板上的按钮窗口小部件,按钮窗口小部件指定联系。
在该示例中,推断引擎(298)在语义推理器(378)的情况下操作。语义推理器是自动化模块,其扩展具有丰富功能的推断引擎。在本文中,通常假设查询执行和推断由同一引擎(查询和推断引擎,通常简称为推断引擎)执行。可以将查询引擎配置为与推断引擎分离,但是为了便于解释,在本文,将查询功能和推断功能组合在“推断引擎”中。通过推理器,推断引擎的功能可以被限制为查询执行和推断。语义推理器提供与查询和推断相关联的附加功能。这种附加功能的示例包括将解析的三元组和推断的三元组插入到企业知识库中,将解析的三元组或推断的三元组存储为单独的图谱以用于进一步处理,将解析的三元组和推断的三元组存储到新的单独的数据集中以例如用于发布,将解析的三元组和推断的三元组序列化以用于保存到文件,显示解析的三元组和推断的三元组以用于由用户管理等。
为了进一步说明,图4示出了实现根据本发明的实施例CRM的示例仪表板(110)的线条图。仪表板是计算机系统(152)的图形用户界面(“GUI”)。仪表板本身是由语音使能CRM应用展示的GUI,并且至少可选地由AIA进行操作,该CRM应用向远程代理提供用于联系中心的所有相关功能、线索、脚本、企业知识库、具有语义CRM存储的三元组服务器、客户信息、关于客户代表的信息、通话记录存储、声音服务、通信会话、通信联系、AIA的功能等的前端、界面。
仪表板实现被称为窗口小部件的数字控件。窗口小部件是交互的GUI元素,诸如按钮或滚动条。窗口小部件是自动化元件,用户通过直接操纵与该自动化元件交互以读取或编辑信息或管理控件。每个窗口小部件表现为GUI的数字部分,并且便于特定类型的用户与计算机交互。一些窗口小部件(例如,标签、按钮和复选框)支持与用户的交互。其他的用作将添加到它们的窗口小部件分组的容器,例如窗口、面板和选项卡。根据实施例的在CRM控件中可选地有用的窗口小部件的示例包括按钮、单选按钮、复选框、滑块、列表框、旋转器(spinner)、下拉列表、菜单、菜单栏、滚动条、文本框、对话框等等。
在图4的示例中,通过使用搜索窗口小部件(115),仪表板已经被导航以指向名为表面电子公司(Surface Electronics,Inc)的客户的客户信息。客户信息滚动框窗口小部件(352)将显示客户信息,诸如地址、网页链接、电子邮件、电话等。类似地,客户代表滚动框窗口小部件(354)将显示与远程代理已经具有联系的Surface Electronics,Inc.的每个客户代表的身份、联系信息和其它信息。
在图4的示例中,在AIA的命令下,仪表板生成通信会话(140)和联系(144),并且将它们交给解析引擎(380)和推断引擎(298),以供进一步处理,包括显示支持用户远程代理的CRM操作的这样处理的结果(752、754)。仪表板通过呼叫记录文本输入滚动文本框窗口小部件(366)接受文本单词的用户输入,作为描述远程代理(128)与客户代表(129)之间的电话呼叫的内容(509),并且当事件窗口小部件按钮(394)被调用时,仪表板将描述电话呼叫的输入单词聚集到CRM联系(374)中,并且将该联系传递到解析引擎(380)。仪表板接受文本单词的用户输入,作为电子邮件、文本消息和从电话呼叫识别和记录的语音的内容(509)。因此,GUI的用户操作序列生成联系序列,以便由解析引擎和推断引擎处理成解析的三元组和推断的三元组。计算机系统(152)的解析引擎(380)和推断引擎(298)处理会话(140)和联系(144)的结构和内容(509),并且在滚动文本框窗口小部件中在仪表板(110)上显示得到的解析的三元组(752)和推断的三元组(754)。
图4的示例中的仪表板以若干方式起作用以获取被聚集到通信回话和联系中以供解析和推断的内容。在提供数字化内容(509)给解析引擎(298)的第一替代方式中,仪表板通过语音引擎(153)从远程代理(128)和客户代表(129)之间的对话中将单词识别为数字化语音。在该示例方法中,如下执行从这样的对话中识别语音。来自对话(313)的语音的单词通过计算机(152)的麦克风(176)和放大器,并且在瘦客户端架构中通过VOIP连接到达声音服务器(151),在声音服务器中,语音识别引擎将单词识别为数字化语音流,数字化语音流被传递到自然语言处理引擎(“NLP”),该自然语言处理引擎将数字化语音处理为语句和词性,并且将如此处理(509)的单词传递到解析引擎(298),在解析引擎中,将它们解析为三元组(752)。这是仪表板提供用于包括在联系中的内容的第一替代方式。
在提供数字化内容给解析引擎的第二替代方式中,仪表板将来自文本框窗口小部件(366)的通话记录的内容聚集到联系中。远程代理不是说出作为联系的内容的单词,而是将通话记录键入文本框窗口小部件(366)中,并且如此键入的文本由仪表板作为数字化的联系的内容提供给自然语言处理引擎(155)。自然语言处理引擎看不到来自文本框(366)的键入单词与来自口头对话的数字化语音流中的单词之间的差异。因此,该第二替代方案类似于第一替代方案,不同之处在于不需要语音识别,因为当数字化文本流到达语音引擎(153)时,该流中的单词已经通过经由文本框(366)键入它们而被数字化。自然语言处理引擎(155)以与第一替代方案相同的方式工作,将来自文本框(366)的数字化文本处理成语句和词性,并将如此处理的单词(509)传递到解析引擎(298),在解析引擎(298)中,它们被解析成三元组(752)。这是仪表板提供用于包括在CRM联系中的内容的第二替代方式。
在提供数字化单词给解析引擎的第三替代方式中,仪表板通过仪表板的窗口小部件(360、362、364)向解析引擎传递被指定为三元组的元素的单词。这些窗口小部件是三元组的主体(360)、三元组的谓词(362)和三元组的客体(364)的下拉菜单列表。谓词(362)和客体(364)通常是在支持企业知识图谱的语义CRM三元组存储部分的本体中已经定义的三元组元素。主体(360)是用于包括在三元组中的文本单词候选流。主体下拉菜单(360)中的文本由语音引擎(153)从通话记录文本(366)或从根据对话(313)识别的单词提供,或以其它方式提供。通过从主体下拉菜单(360)中选择文本,例如通过键盘或鼠标(181)选择,远程代理(128)指定要包括在联系中的内容(509)。远程代理可以通过双击或通过拖放到用于三元组的组合框(368)上来从下拉菜单(360)中选择文本。远程代理还可以可选地通过双击或拖放来选择谓词(362)或客体(364)以便与所选主体包含在相同三元组中。在一些实施例中,远程代理对谓词和客体的选择可以绑定在解析引擎上。在其他实施例中,远程代理的选择仅作为推荐由解析引擎处理。解析引擎(298)可选地接受远程代理对谓词和客体的选择,或者解析过程做出其自己对谓词和三元组的选择,以便与单词一起包括在至少一个解析的三元组中(752)。这是仪表板提供用于包括在CRM联系中的内容的第三替代方式。
为了进一步说明,图5示出了根据本发明的实施例的瘦客户端架构中的CRM的示例设备的功能框图。瘦客户端架构是一种客户端服务器架构,其中,语音处理和三元组处理中至少一些(在一些实施例中是大部分、在一些实施例中是全部)从客户端卸载到服务器。瘦客户端的瘦度是变化的。图5的示例中的计算机(152)是瘦客户端,其中大多数语音处理被卸载到声音服务器(151)。计算机(152)接受声音输入(315、174),但随后通过VOIP连接(216)将声音输入传送到声音服务器(151),在声音服务器(151)执行所有的语音处理。在该示例中的语音使能装置实现了用于三元组处理、自然语言处理引擎(155),解析引擎(380)和推理引擎(298)的一些能力,但是其中大部分是瘦客户端中的可选架构。不用自然语言处理引擎(155)、不用解析引擎(380)且不用推断引擎(298),而仅将CRM会话和联系结构和内容(509)传递到其自身执行所有解析和推断的三元组服务器(157),来实现具有减少的存储容量的装置,例如智能手表或移动电话。
在图5的特定示例中,计算机(152)占据瘦客户端架构的中间地位。它几乎不支持语音处理,但是它确实支持一些三元组处理。在该示例中,瘦客户端计算机仅对RAM(168)中的三元组存储(752、754)执行解析和推断,将大规模存储留给三元组服务器(157)。语义推理器(378)根据需要从三元组服务器(157)上的存储加载之前存储的断言的三元组,以支持推断。这是在根本没有三元组存储的极瘦客户端与以下关于图9描述的胖客户端之间的折衷。
图5的示例设备包括通过VOIP连接(216)经由数据通信网络(100)被连接用于数据通信的计算机(152)和声音服务器(151)。仪表板(110)在语音使能装置(152)上运行,并且在该示例中,仪表板(110)是通过声音(315)、通过显示器(180)上的GUI、通过键盘和鼠标(181)等操作用户I/O的语音使能应用。CRM应用(195)将仪表板作为用户界面来操作,并且CRM应用可以被实现为在语音使能浏览器上执行的X+V或SALT文档的集合或序列、在Java虚拟机上执行的Java语音应用、或者在其他技术中实现的语音使能应用。该示例中的CRM应用(195)由AIA(196)通过API(198)来操作。图5的示例计算机还包括声卡(174),其是I/O适配器的示例,该I/O适配器被专门设计用于从麦克风(176)接受模拟音频信号,并将音频模拟信号转换为数字形式,以便由编码解码器(183)进一步处理。
VOIP代表“互联网协议电话(Voice Over Internet Protocol)”,是在基于IP的数据通信网络上路由语音的通用术语。语音数据在通用分组交换数据通信网络上流动,而不是在传统的专用电路交换语音传输线上流动。用于通过IP数据通信网络承载语音信号的协议通常被称为“互联网协议电话”或“VOIP”协议。VOIP流量(traffic)可以部署在任何IP数据通信网络上,任何IP数据通信网络包括缺少到互联网的其余部分的连接的数据通信网络,例如VOIP流量可以部署在私有建筑物范围的局域数据通信网络或“LAN”上。
许多协议可以用于实现VOIP,包括例如用IETF的会话发起协议(“SIP”)和ITU的协议(称为“H.323”)实现的VOIP类型。SIP客户端使用TCP和UDP端口5060来连接到SIP服务器。SIP本身用于建立和拆除用于语音传输的呼叫。然后,具有SIP的VOIP使用RTP来传输实际的编码语音。类似地,H.323是来自国际电信联盟的标准分部的综合(umbrella)推荐,其定义了在任何分组数据通信网络上提供视听通信会话的协议。
在该示例中,AIA(196)和CRM应用(195)是用户级的语音使能的客户端侧的计算机程序,其向用户(128)呈现声音接口,提供音频提示和响应(314)并且接受输入的识别语音(315)。AIA和CRM应用(195)提供语音接口,通过该接口,用户可以通过麦克风(176)提供用于口头的识别语音,并且通过声卡(174)的音频放大器(185)和编码器/解码器(“编码解码器”)(183)将该语音数字化,并且提供给声音服务器(151)以用于识别。语音使能应用(195)根据VOIP协议将数字化语音打包到识别请求消息中,并通过在网络(100)上的VOIP连接(216)将语音发送到声音服务器(151)。
通过接受对话指令、VoiceXML段等,并返回语音识别结果(包括表示识别的语音的文本、用作对话中变量值的文本、以及从执行语义解释脚本的输出以及语音提示),声音服务器(151)为语音使能装置提供声音识别服务。声音服务器(151)包括计算机程序,该计算机程序在诸如X+V应用、SALT应用、Java语音应用等的语音使能应用中为声音提示和用户输入的声音响应提供文本到语音(“TTS”)转换。
图5的示例中的计算机(152)包括语义查询和推断引擎(298)、自动计算机器的模块,自动计算机器的模块从CRM应用(195)和仪表板(110)接受解析的三元组(752并根据推断的语义规则(376)对解析的三元组(752)执行语义查询和推断。在本文中,为了便于参考,查询和推断引擎通常仅仅被称为推断引擎。但是较长的名称是适当的,因为在许多实施例中用于推断的指令,尤其是实现用于三元组的RDF/RDGS/OWL本体和用于查询的SPARQL的那些,被表达为SPARQL查询的组件,并且在这样的实施例中,推断规则(376)可以并且通常被表达为语义查询的元素。在这样的实施例中,CRM应用(195)利用用户通过仪表板从语音(315)、GUI(110)、键盘或鼠标(181)等的输入来制定语义查询。这种语义查询是针对结构化数据设计和实现的查询。语义查询利用逻辑运算符、命名空间、模式匹配、子类化、传递关系、语义规则和上下文全文搜索。语义查询用于命名的图谱、链接数据或三元组。在本发明的实施例中,链接三元组通常形成图谱。这种结构化数据使得语义查询能够处理信息项之间的实际关系并从结构化的数据网络推断答案。语义查询与语义搜索形成对比,语义搜索试图以各种成功水平在非结构化文本中使用语义来改进搜索结果的含义。
在C、C++、Java、Prolog、Lisp等中具有语义查询的示例公式。例如,W3C的语义web技术栈是提供SPARQL以用类似于SQL的语法来实现语义查询的示例公式。语义查询用于在三元组存储、图谱数据库、语义维基百科、自然语言和人工智能系统中结构化的数据。如上所述,语义查询用于结构化数据,并且在本情况的特定示例中,结构化数据是在以符合形式逻辑(有时是谓词逻辑,通常是描述逻辑)的方式连接的语义三元组中描述和定义的单词,该单词包括URI中标识的文字短语和名称。在本发明的许多实施例中,针对根据实现可决定性的描述逻辑而结构化的数据来断言语义查询。
在图5的示例设备中,计算机(152)被耦合以通过通信适配器(167)、无线连接(118)、数据通信网络(100)和有线连接(121)与三元组服务器(157)进行数据通信。该三元组服务器(157)为三元组储存提供大容量备份。三元组服务器是将三元组串行化并将串行化的三元组存储在关系数据库、表、文件等中的自动计算机器的配置。三元组服务器根据需要从非易失性存储装置检索这样的串行化(serialized)的三元组,将串行化的三元组解析为三元组子图谱,并且在请求时将这样的三元组子图谱提供给瘦客户端计算机和其他装置,以用于根据本发明的实施例利用CRM中的三元组的系统。
图5所示的整个示例计算机系统一般通过以下实现根据本发明的各实施例的CRM:由计算机系统的CRM应用(195)的人工智能代理(“AIA”)(196)代表远程代理(128)与客户代表(129)来管理通信会话(140),该通信会话(140)作为计算机系统的计算机存储器(169)的结构,由与客户代表(129)的一个或多个通信联系(142、144)组成。AIA(196)还执行与支持通信会话(140)的远程代理(128)的通信。示例计算机系统(152)在远程代理(128)和客户代表之间的第一通信联系时,建立通信会话(140)作为计算机系统的计算机存储器(168)的结构。在建立会话时,计算机系统建立会话(140)作为计算机系统的计算机存储器的结构,作为自动化计算机器的面向对象的模块,所述面向对象的模块的结构和内容(509)也作为语义三元组(752、754)存储在企业知识图谱(154)中。即,在该示例中,会话最初至少被建立为面向对象的会话类的实例。建立这种会话包括在计算机存储器中存储主题代码、时间戳、远程代理的标识、客户代表的标识作为会话的成员数据元素,以及可选地还存储关于会话的其它信息。
计算机系统(152)通常还通过以下来运行:通过跨通信平台的通信会话(140)管理远程代理和客户代表之间的通信联系(144)的序列,通信联系(144)包括第一联系以及还包括后续通信联系。计算机系统通过将每个联系建立为自动计算机器的面向对象的模块来管理联系序列,该自动计算机器构造计算机系统的计算机存储器(168)并且其结构和内容(509)也作为语义三元组存储在企业知识图谱(154)中。即,在该示例中,联系(144)最初至少被建立为面向对象的联系类的实例。管理联系序列包括在计算机存储器中记录开始联系的时间戳、联系的持续时间、联系的会话标识符、平台类型、联系状态、联系的任何通信内容作为每个联系的成员数据元素,以及可选地还记录关于联系的其它信息。
根据本发明的实施例,特别是在瘦客户端架构中,用语义三元组实现CRM可以用一个或多个声音服务器来实现。声音服务器是提供语音识别和语音合成的计算机,即自动计算机器。为了进一步说明,图6示出了根据本发明实施例的自动计算机器的框图,该自动计算机器呈现具有客户端计算机的支持CRM的示例声音服务器(151)。图6的声音服务器(151)包括至少一个计算机处理器(156)或“CPU”以及随机存取存储器(168)(“RAM”),随机存取存储器(168)通过高速存储器总线(166)和总线适配器(158)连接到CPU(156)和声音服务器的其它组件。
存储在RAM(168)中的是声音服务器应用(188),其是能够操作系统中的声音服务器的自动模块,该系统被配置用于根据本发明的实施例的CRM。声音服务器应用(188)通过接受语音识别请求并返回语音识别结果来为语音使能客户端装置提供声音识别服务,所述语音识别结果包括表示识别的语音的文本、用作对话中的变量值的文本、以及作为用于语义解释的脚本的字符串表示的文本。声音服务器应用(188)还包括以下能力:在诸如例如启用语音的浏览器、X+V应用、SALT应用、Java语音应用等语音使能客户端侧应用中为声音提示和用户输入的声音响应提供文本到语音(“TTS”)转换。
声音服务器应用(188)可以实现为web服务器,通过提供对来自X+V客户端、SALT客户端、Java语音客户端或其他语音使能客户端装置的HTTP请求的响应,以Java、C++、Python、Perl或支持X+V、SALT、VoiceXML或其他语音使能语言的任何语言实现该web服务器。对于另一个示例,声音服务器应用(188)可以被实现为Java服务器,该Java服务器在Java虚拟机(102)上运行,并且通过提供对来自运行在语音使能装置上的Java客户端应用的HTTP请求的响应来支持Java语音框架。并且,支持本发明实施例的声音服务器应用可以以各种其他方式来实现,并且所有这些方式都在本发明的范围内。
在该示例中,声音服务器(151)包括自然语言处理语音识别(“NLP-SR”)引擎(153)。NLP-SR引擎有时在本文中被简称为“语音引擎”。语音引擎是功能模块,通常是软件模块,但是它也可以包括专门的硬件,其完成识别和生成人类语音的工作。在该示例中,语音引擎(153)是包括自然语言处理(“NLP”)引擎(155)的自然语言处理语音引擎。NLP引擎从自动语音识别(“ASR”)引擎接受识别的语音,将识别的语音处理为词性,主体、谓词、客体等,然后使这种部分可用于解析引擎,以转换为语义三元组以进一步推断且用于包括在三元组存储中。
语音引擎(153)包括用于语音识别的自动语音识别(“ASR”)引擎和用于生成语音的文本到语音(“TTS”)引擎。该语音引擎还包括语法(104)、词典(106)和语言特定的声学模型(108)。语言特定的声学模型(108)是例如将语音特征向量(“SFV”)与表示人类语言中的单词的发音的音素相关联的数据结构、表或数据库。词典(106)是文本形式的单词与表示每个单词的发音的音素的关联;词典有效地标识能够由ASR引擎识别的单词。在RAM(168)中还存储了文本到语音(“TTS”)引擎(194),其是接受文本作为输入并以数字编码语音的形式返回相同文本的计算机程序指令的模块,其用于提供语音作为语音使能系统的用户的提示和对该语音使能系统的用户的响应。
语法(104)将当前可以识别的单词和单词序列传送给ASR引擎(150)。为了进一步解释,区分语法的目的和词典的目的。词典将ASR引擎可以识别的所有单词与音素相关联。语法传送当前有资格识别的单词。在任何特定时间的两组通常不相同。
语法可以用ASR引擎支持的多种格式(包括例如Java语音语法格式(“JSGF”)、W3C语音识别语法规范(“SRGS”)的格式、来自IETF的RFC2234的扩展的巴科斯格式(“ABNF”)、如W3C的随机语言模型(N-Gram)规范中描述的随机语法的形式、以及如本领域技术人员可以想到的其它语法格式)来表达。语法通常作为对话的元素来操作,例如VoiceXML<菜单>或X+V<表单>。语法的定义可以在对话中被内嵌表达。或者,语法可以在外部在单独的语法文档中实现,并且从具有URI的对话中引用。这里是以JSFG表达的语法的示例:
在该示例中,名为<命令>(<command>)、<姓名>(<name>)和<何时>(<when>)的元素是语法的规则。规则是规则名和规则扩展的组合,该规则向ASR引擎或声音解释器建议当前可以识别哪些词。在该示例中,扩展包括与(conjunction)和或(disjunction),以及垂直条“|”表示“或”。ASR引擎或声音解释器按顺序处理规则,先处理<命令>,然后处理<姓名>,然后处理<何时>。<命令>规则接受识别“呼叫”或“打电话(phone或telephone)”加(即,结合)从<姓名>规则和<何时>规则返回的任何内容。<姓名>规则接受“bob”或“martha”或“joe”或“pete”或“chris”或“john”或“artoush”,而<何时>规则接受“今天”或“今天下午”或“明天”或“下周”。命令语法作为整体匹配像这些的表达:
·“下周给bob打电话”,
·“今天下午给martha打电话”,
·“提醒我(remind me to)明天给chris打电话”,和
·“提醒我今天给pete打电话”。
在该示例中,声音服务器应用(188)被配置为从通过网络与声音服务器远程定位的语音使能客户端装置接收来自用户的数字化的识别语音,并将该语音向前传递到ASR引擎(150)以用于识别。ASR引擎(150)是计算机程序指令的模块,在该示例中,其也存储在RAM中。在执行自动语音识别时,ASR引擎接收至少一个数字化单词形式的识别语音,并使用数字化单词的频率分量来导出语音特征向量(SFV)。SFV可以例如由数字化语音样本的前十二或十三傅立叶或频域分量来定义。ASR引擎可以使用SFV从语言特定声学模型(108)推断单词的音素。ASR引擎然后使用音素来查找词典(106)中的单词。
在RAM中还存储VoiceXML解释器(192),它是处理VoiceXML语法的计算机程序指令的模块。输入到VoiceXML解释器(192)的VoiceXML可以例如源自于在语音使能装置上远程运行的VoiceXML客户端、源自于在语音使能装置上远程运行的X+V客户端、源自于在语音使能装置上运行的SALT客户端、源自于在多媒体装置上远程运行的Java客户端应用等。在这个示例中,VoiceXML解释器(192)解释和执行VoiceXML段,该段表示从远程语音使能装置接收的并通过声音服务器应用(188)提供给VoiceXML解释器(192)的声音对话指令。
瘦客户端架构中的如客户端侧CRM应用的语音使能应用(图5中的195)或仪表板(图5中的110)可以向通过网络与这样的语音使能应用进行数据通信的VoiceXML解释器(149)提供声音对话指令、VoiceXML段、VoiceXML<表单>元素等。声音对话指令包括一个或多个语法、数据输入元素、事件处理器等等,它们建议VoiceXML解释器如何管理来自用户的声音输入以及要呈现给用户的声音提示和响应。VoiceXML解释器通过根据VoiceXML表单解释算法(“FIA”)(193)顺序处理对话指令来管理这些对话。VoiceXML解释器解释由语音使能应用提供给VoiceXML解释器的VoiceXML对话。
如前所述,表单解释算法(“FIA”)驱动用户和语音使能应用之间的交互。FIA通常负责选择和播放一个或多个语音提示,收集用户输入(填充一个或多个输入项的响应,或者一些事件的投掷),并解释属于新填充的输入项的动作。FIA还处理语音使能应用初始化、语法激活和停用、输入和离开具有匹配话语的表单以及许多其它任务。FIA还维护内部提示计数器,该计数器随着每次试图激发用户的响应而增加。也就是说,随着每次提示来自用户的匹配语音响应的失败尝试,内部提示计数器递增。
RAM(168)中还存储有操作系统(154)。根据本发明的实施例的声音服务器中使用的操作系统包括UNIXTM、LinuxTM、Microsoft NTTM、AIXTM、IBM的i5/OSTM和本领域技术人员将想到的其它操作系统。在图6的示例中,操作系统(154)、声音服务器应用(188)、VoiceXML解释器(192)、ASR引擎(150)、JVM(102)和TTS引擎(194)被示出在RAM(168)中,但是这种软件的许多组件通常也被存储在非易失性存储器中,例如也被存储在磁盘驱动(170)上。
图6的示例声音服务器(151)包括总线适配器(158)、包含用于高速总线的驱动电子器件的计算机硬件组件、前端总线(162)、视频总线(164)和存储器总线(166)、以及用于较慢扩展总线(160)的驱动电子器件。根据本发明的实施例的声音服务器中使用的总线适配器的示例包括英特尔北桥、英特尔存储器控制器集线器、英特尔南桥和英特尔I/O控制器集线器。根据本发明的实施例的声音服务器中使用的扩展总线的示例包括工业标准架构(“ISA”)总线和外围组件互连(“PCI”)总线。
图6的声音服务器(151)包括通过扩展总线(160)和总线适配器(158)耦合到处理器(156)和声音服务器(151)的其它组件的磁盘驱动适配器(172)。磁盘驱动适配器(172)将非易失性数据存储连接到磁盘驱动(170)形式的声音服务器(151)。在声音服务器中使用的磁盘驱动适配器包括集成驱动电子器件(“IDE”)适配器、小型计算机系统接口(“SCSI”)适配器以及本领域技术人员将想到的其他适配器。另外,对于声音服务器,非易失性计算机存储器可以实现为如本领域技术人员所知的光盘驱动器、电可擦除可编程只读存储器(所谓的“EEPROM”或“闪存”存储器)、RAM驱动器等。
图6的示例声音服务器包括一个或多个输入/输出(“I/O”)适配器(178)。声音服务器中的I/O适配器通过例如软件驱动器和计算机硬件来实现面向用户的输入/输出,以控制到诸如计算机显示屏的显示装置的输出,以及来自诸如键盘和鼠标的用户输入装置(181)的用户输入。图6的示例声音服务器包括视频适配器(209),其是专门设计用于到诸如显示屏或计算机监视器的显示装置(180)的图形输出的I/O适配器的示例。视频适配器(209)通过高速视频总线(164)、总线适配器(158)和也是高速总线的前端总线(162)连接到处理器(156)。
图6的示例声音服务器(151)包括用于与其它计算机(182)进行数据通信以及用于与数据通信网络(100)进行数据通信的通信适配器(167)。这种数据通信可以通过RS-232连接、通过诸如通用串行总线(“USB”)的外部总线、通过诸如IP数据通信网络的数据通信网络、以及以本领域技术人员将想到的其他方式串行地执行。通信适配器实现数据通信的硬件级别,通过该硬件级别,一个计算机直接或通过数据通信网络向另一计算机发送数据通信。可用于本发明实施例的通信适配器的示例包括用于有线拨号通信的调制解调器、用于有线数据通信网络通信的以太网(IEEE 802.3)适配器和用于无线数据通信网络通信的802.11适配器。
为了进一步说明,图7示出了根据本发明的实施例的自动计算机器的框图,该自动计算机器包括用作CRM的三元组服务器(157)的计算机的示例。图7的三元组服务器(157)包括至少一个计算机处理器(156)或“CPU”以及随机存取存储器(168)(“RAM”),其通过高速存储器总线(166)和总线适配器(158)连接到处理器(156)和三元组服务器的其他组件。处理器通过视频总线(164)连接到视频适配器(209)和计算机显示器(180)。处理器通过扩展总线(160)连接到通信适配器(167)、I/O适配器(178)和磁盘驱动适配器(172)。处理器通过数据通信网络(100)和无线连接(118)连接到语音使能膝上型计算机(126)。在RAM中设置操作系统(154)。
在RAM中还设置有:三元组服务器应用(297)、数据通信会话(140)、数据通信联系(144)、会话和联系的结构和内容(509)、推理规则(376)、自然语言处理(“NLP”)引擎(155)、解析引擎(380)、推理引擎(298)和语义推理器(378)。在RAM中还设置有三元组串行器(294)、三元组转换器(292)和一个或多个三元组文件(290)。
该三元组服务器应用程序(297)通过网络(100)从诸如膝上型计算机(126)的客户端侧装置接受会话(140)和联系(14)的实例,从中它提取结构和内容(509)以用于解析。可选地,通过首先将至少一些内容处理成语句和词性,然后将如此处理的内容提供给解析引擎,NLP引擎简化解析过程。解析引擎将结构和内容解析为解析的三元组(752)。推断引擎(298)将解析的三元组(752)和推断规则(376)作为输入,并且推断出推断的三元组(754)。三元组服务器应用(297)然后将解析的三元组和推断的三元组的副本返回给客户端侧,以用于进一步处理,并且将解析的三元组和推断的三元组存储在企业知识图谱(154)中。这样,三元组服务器从客户端装置(126)卸载大部分的三元组相关的处理和存储数据处理工作量。
串行器(294)管理RAM中的三元组存储(750、752、754)和各种形式的磁盘存储或其他非易失性存储之间的三元组的传输。串行器(294)接受三元组存储的内容作为输入,并将它们串行化以作为三元组文件(290)、表、关系数据库记录、电子表格、文本文档等的输出,以便长期存储在非易失性存储器中,如在硬盘(170)上。串行器(294)接受三元组文件(290)作为输入,并且将解析的三元组输出到RAM中的三元组存储中。在许多实施例中,当串行器(294)接受三元组文件(290)作为输入并且将解析的三元组输出到RAM中的三元组存储中时,串行器将输出的三元组存储存储到存储器的连续段中。连续存储可以在C编程语言中通过对malloc()函数的调用来实现。连续存储可由Python缓冲器协议实现。可以以本领域技术人员所能想到的其它方式来实现连续存储,并且所有这些方式都在本发明的范围内。在许多实施例中,三元组存储(750、752和754)将被存储在连续存储器的段中。
参考图8更详细地解释了连续存储器。图8示出了包括计算机处理器(156)的计算机存储器系统的框图,该计算机存储器系统被配置为支持根据实施例的CRM,该计算机处理器(156)由执行CRM应用(195)、API(198)和AIA(196)的各种寄存器(190)组成。CRM应用(195)、API(198)、AIA(196)、处理器的寄存器(190)以及存储器的所有伴随的配置、数据通信会话(140)、通信联系(144)、会话和联系的结构和内容的表达(509)、解析的三元组(752)、推断的三元组(754)等都利用虚拟存储器(708)中布置的存储器地址(700)进行操作。虚拟存储器的内容由处理器上高速缓存(186)、RAM(168)和磁盘(170)中的物理存储来备份。高速缓存的内容被组织在高速缓存行(702)中。RAM中的存储器被组织在页面(712)中。磁盘上的存储器被组织成帧(706)。存储器管理单元(“MMU”)(184)将虚拟存储器地址翻译成物理存储器位置,并且将存储器的内容从物理存储移动到处理器寄存器以及从处理器寄存器移出。在访问物理存储器时,MMU总是首先在高速缓存中查看。在高速缓存中找不到内容被称为高速缓存未命中(714)。在高速缓存未命中时,MMU在RAM(168)中寻找存储器内容并将其移动到高速缓存中。如果在RAM中找不到所寻找的内容,即被称为“页面错误”(716)的失败,则MMU一直留意磁盘上的页帧(706)(page frame),将内容移动到RAM(168)中,然后移动到高速缓存(186)中。
连续存储器的使用在用于CRM的存储器管理中处理特殊的挑战。在典型的实施例中,高速缓存访问花费10纳秒。RAM访问花费100纳秒。磁盘访问花费10000000纳秒。这些数字不是直观的。人们不能感受纳秒级的时间。因此,让我们以更熟悉的术语来看待该挑战。如果高速缓存访问被视为花费一分钟,则RAM访问花费10分钟,并且对相同数据的磁盘访问花费两年。分散在虚拟存储器地址上的三元组有被存储在多个页帧中的风险。在连续存储器段中彼此接近存储的三元组更可能存储在少量页帧中。
例如,假设解析、推断或之前断言和存储的三元组的相关集合(三元组的子图谱)由10千字节的存储组成。现今,一些计算机系统支持兆字节或更大的存储器页面大小。这样的三元组集合(704)可以存储在单个存储器页面(710)中,并且一旦该页面在RAM(168)中,该CRM的三元组集合的操作可以在根本没有页面错误的风险的情况下进行。即使用于这种集合的连续存储落在页面边界上,整个三元组集合也可以仅加载有两个页面错误,并且在将其加载到RAM中之后,可以在向前零页面错误的情况下操作。将仍然需要高速缓存未命中来将内容加载到高速缓存中,但是除了第一个或两个未命中之外,其它的未命中都不会有页面错误的风险。发明人估计在CRM的情况下,在短期操作之后,对于这种三元组集合的操作,在短的操作周期之后,高速缓存未命中率将小于百分之一。也就是说,当根据本发明的实施例在支持CRM的连续存储器中设置三元组集合时,对于超过99%的存储器访问,存储器访问时间通常将近似于高速缓存访问时间,仅几纳秒。
为了进一步说明,图9示出了根据本发明的实施例的在胖客户端架构中的示例设备、用于CRM的语音使能装置的功能框图。胖客户端架构是一种客户端-服务器架构,其中管理根据各实施例的CRM所需的所有或大部分功能直接在客户端侧装置上而不是在服务器上被支持。服务器用于备份和同步,而不用于会话管理、联系管理、语音识别、语义查询或推断。胖客户端需要资源、处理器功率和存储器存储,这些可能在例如智能手表或移动电话的小型装置上不总是可用。然而,在具有足够数据处理资源的胖客户端中,所有相关的功能、通信会话、通信联系、解析、推断规则、推断、三元组存储、语音处理等通常立即且完全有用,而不管网络可用性如何。图9的示例中的胖客户端语音使能计算机(152)是自动化计算机机器,其包括CPU(156)、RAM(168)、数据总线(162、164、166、160)、视频(180、209)、数据通信(167)、I/O(178)和磁盘存储(170)。
在RAM中还设置有AIA(196),其通过API(198)操作CRM应用程序(195),其呈现并且操作GUI仪表板(110)、由在计算机(152)上运行的CRM应用和AIA建立和管理的通信会话(140)和通信联系(144);以及将被解析为三元组(752)的会话和联系的结构和内容(509)、推理规则(376)、自然语言处理(“NLP”)引擎(155)、解析引擎(380)、推理引擎(298)和语义推理器(378)。RAM中还设置有三元组串行器(294)、三元组转换器(292)和一个或多个三元组文件(290)。可选地,NLP引擎通过以下方式简化解析过程:先将结构和内容(509)处理成语句和词性,然后将如此处理的单词提供给解析引擎。解析引擎将结构和内容解析为解析的三元组(752)。推断引擎(298)将解析的三元组(752)和推断规则(376)作为输入,并且推断出推断的三元组(754)。
串行器(294)管理在RAM中的三元组存储(752、754)与各种形式的磁盘存储或其他非易失性存储之间的三元组的传送。串行器(294)接受三元组存储的内容作为输入,并将它们串行化以作为三元组文件(290)、表、关系数据库记录、电子表格、文本文档等输出,以便长期存储在非易失性存储器中,例如硬盘(170)上。串行器(294)接受三元组文件(290)作为输入,并将解析的三元组输出到RAM中的三元组存储中。在许多实施例中,当串行器(294)接受三元组文件(290)作为输入并且将解析的三元组输出到RAM中的三元组存储中时,串行器将输出的三元组存储存储到存储器的连续段中。连续存储可以在C编程语言中通过对malloc()函数的调用来实现。连续存储可由Python缓冲器协议实现。可以以本领域技术人员所能想到的其它方式来实现连续存储,并且所有这些方式都在本发明的范围内。在许多实施例中,三元组存储(752、754)将被存储在连续存储器的段中。
语音引擎(153)是全服务NLP-SR引擎,其包括自然语言处理(155)、语音识别(150)、语法(104)、词典(106)、模型(108)和文本到语音处理(194),所有这些都如以上关于图6更详细地描述的。完全语音启用可直接在胖客户端计算机本身上使用。
图9所示的整个示例计算机系统通常操作以通过如下实现根据本发明的各实施例的CRM:由计算机系统的CRM应用(195)的人工智能代理(“AIA”)(196)与代表远程代理的客户代表,管理通信会话(140),通信会话作为计算机系统的计算机存储器(169)的结构,由与客户代表的一个或多个通信联系(144)组成。AIA(196)还执行与支持通信会话(140)的远程代理的通信。AIA和CRM应用在远程代理与客户代表之间的第一次通信联系时,建立通信会话(140)作为计算机系统的计算机存储器(168)的结构。在建立会话时,AIA和CRM应用建立作为计算机系统的计算机存储器的结构的会话(140),该会话作为自动计算机器的面向对象的模块,其结构和内容(509)也作为语义三元组(752、754)存储在企业知识图谱(154)中。即,在该示例中,会话最初至少被建立为面向对象的会话类的实例。建立这种会话包括在计算机存储器中存储主题代码、时间戳、远程代理的标识、客户代表的标识作为会话的成员数据元素,以及可选地还存储关于会话的其它信息。
AIA和CRM应用还通过跨通信平台的通信会话(140)管理远程代理和客户代表之间的通信联系序列(144),该通信联系序列包括第一联系以及还包括后续通信联系。计算机系统通过将每个联系建立为自动计算机器的面向对象的模块来管理联系序列,该自动计算机器构造计算机系统的计算机存储器(168)并且其结构和内容(509)也作为语义三元组存储在企业知识图谱(154)中。即,在该示例中,联系(144)最初至少被建立为面向对象的联系类的实例。管理联系序列包括在计算机存储器中记录开始联系的时间戳、联系的持续时间、联系的会话标识符、平台类型、联系状态、联系的任何通信内容作为每个联系的成员数据元素,以及可选地,还记录关于联系的其它信息。
为了进一步说明,图10示出了说明根据本发明实施例的CRM的示例方法的流程图。利用客户端计算机(152)、声音服务器(151)和三元组服务器(157)的某种组合来实现图10中的方法的功能,或将这些功能设置在客户端计算机(152)、声音服务器(151)和三元组服务器(157)的某种组合上。即,例如,语音引擎可以被设置在瘦客户端架构中的声音服务器(151)上或者胖客户端架构中的客户端(152)上。并且解析和推断可以在三元组服务器(157)或客户端计算机(152)上执行。除了分别利用解析引擎和推断引擎实现的解析(304)和推断(754)之外,该示例中的方法过程通常由AIA(196)通过应用编程接口或API(198)操作的CRM应用程序(195)来实现。任何特定功能确切地出现在何处的问题取决于架构,但是所有结构元件都是计算机或计算机的组件,并且它们都被一起配置在一个架构或另一个架构中以执行根据各实施例的CRM。
图10的方法包括在远程代理(128)和客户代表(129)之间的第一次通信联系时,由计算机系统建立(381)通信会话(140),作为计算机系统的计算机存储器的结构。AIA(196)通过可用通信平台之一上的API(198)启动联系,并通过API(198)调用CRM应用(195)的建立功能(381)。在此,“第一”联系的概念是指在预期为多个联系之中的关于特定主题和特定客户(即,由客户代表表示的客户)之间的第一联系。在图10的示例中,建立(381)会话是通过将作为计算机系统的计算机存储器的结构的会话建立为自动计算机器的面向对象的模块来执行的。即,在该示例中的会话(140)是实例化面向对象的会话类的对象。在该示例中,如此实例化的会话(140)包括成员数据元素,所述成员数据元素包括会话识别代码(393)、识别联系中心的代理和客户代表之间的联系的主题的主题代码(385)、以及识别在会话的联系中被代表(即,由客户代表在客户代表和代理之间的联系中代表)的客户的代码(387)。
AIA(106)可以通过在会话存储器中搜索客户和新联系的主题的会话来确定(215)新联系是否是会话的第一联系。发现不匹配(217),则AIA针对新会话(140)调用建立功能(381),在新会话(140)和第一联系(142)中记录新会话ID(393),并将新会话和新联系移交给管理功能(382)。发现匹配(219),AIA将发现的会话ID记录在新联系中,并将发现的会话ID和新联系移交给管理功能(382)。会话ID(393)用作将会话链接到与会话相关联的所有联系的外部密钥。因此,会话用作由会话ID链接的所有联系的包装器或容器。在该示例中,在联系(142)中记录的远程代理和客户代表(205、207)的标识代码没有被记录在会话中。因此,该示例会话(140)可以用作与客户相关并且具有特定主题的联系的包装器,以用于多个代理和多个客户代表之间的多个联系。
会话的成员数据元素包括何时创建会话(140)的时间戳(386)。会话还可以包括时间限制(221),这里,其被表示为生存时间或“TTL”,在此之后会话终止,或者用户被通知超时并被提示是否终止会话。会话还可以包括状态代码(219)以指示会话是活动的还是终止的。可选地,保存在存储器中的终止的会话可以被配置成被重新激活。
在该示例中,会话成员数据元素还包括内容元素(389)。内容元素(389)的典型用途是详细描述会话的联系的主题(385)。在该示例中,联系中的通信内容(213)与联系本身(142、144)相关联地存储,而不是存储在会话对象中。在许多实施例中,在解析(304)为语义三元组之后,会话(140)的结构和内容(通常包括所有会话数据元素以及可选地还包括其他会话数据元素)作为语义三元组被存储在企业知识图谱(154)中。
图10的方法还包括由计算机系统(152、151、157)的CRM应用(196)的AIA(196)代表远程代理(128)与客户代表(129)管理(382)通信会话(140)作为计算机系统的计算机存储器(169)的结构,该通信会话(140)包括与客户代表(129)的一个或多个通信联系(142、144)。会话和联系是计算机存储器的结构,因为它们在数据处理中的方面被实现为存储器结构、面向对象的类和对象等。它们的结构和内容也是计算机存储器的结构,因为它们被解析为语义三元组并存储在企业知识图谱(154)中,该企业知识图谱本身也存储在计算机存储器中。此外,在至少一些实施例中,还寻求通过在连续存储中布置其内容来构造如此构造的存储器。
图10的方法还包括由AIA实现(390)与支持通信会话(140)的远程代理(128)的通信。AIA处理与客户代表的联系,并且现在,我们看到AIA还处理CRM应用、计算机系统和远程代理之间的通信。因此,在该示例中,AIA形成了计算机系统和CRM应用相对于该应用和系统以及相关人员、远程代理以及客户代表之间的所有通信的完整包装器或容器。
在图10的方法中,管理(382)通信会话和联系是跨通信平台执行的,用于远程代理和客户代表之间的通信联系序列(374),通信联系序列(374)包括第一联系(142)以及还包括后续通信联系(144)。在图10的方法中,通信平台包括电话(135)、文本消息传递平台(137)、电子邮件平台(131)和聊天机器人(133)。文本消息传递平台可以包括通过由联系中心暴露的网页的网络聊天、经由电话的小消息服务(SMS)消息、或者通常通过WhatsApp、FacebookMessenger、Snapchat等的基于网络的文本消息传递。在该示例中,AIA管理所有这些平台。AIA可以响应于远程代理调用电话的GUI窗口小部件而打开电话联系。AIA可以接受键入的文本输入或语音消息到电子邮件或文本消息中。在该示例中的AIA是自动计算机器的模块,该自动计算机器实现了在计算机管理的通信中模仿人类行为的人工智能平台。AIA支持与客户代表和远程代理的通信,其中语音和文本消息由VXML对话等组成以模仿人类语音。AIA通过将通信联系的结构和内容解析成新的语义三元组并从解析的三元组推断出新的推断的三元组来实现机器学习。
在图10的方法中,管理通信联系包括确定(383)每个通信联系(142、144)的通信平台类型(201、372)。通信联系可以通过AIA来实现,并且确定平台类型可以通过用户GUI操作来实现。即,例如,平台可以由远程代理调用用于平台、电话呼叫、文本消息等的GUI窗口小部件来明确地选择。远程代理可以选择联系拨号的目标或从联系列表中选择,然后AIA可以注意到联系中的预期代表标识(207),并且从拨号或联系选择推断平台类型是电话。
通信联系可以在没有GUI操作(包括确定平台类型)的情况下仅通过语音来实现。远程代理可以向AIA发出口头指令:“计算机,给Bob发电子邮件并要求安排通话”;“计算机,给Bob发消息并要求他重新安排通话”;“计算机,给Bob打电话,并且如果他没有应答,留下消息请求回叫”。这些示例中的每一个明确地标识平台类型,分别为电子邮件、文本消息和电话。
在图10的方法中,跨平台管理(382)可以通过跨平台类型管理来执行。远程代理可以与客户代表一起实现联系序列,联系序列中的每一个可以是相同的平台或相同的平台类型,都在电话上,或者联系序列中的每一个可以是不同的平台、电话、电子邮件、文本等。AIA和管理功能平等地处理所有平台类型,即使在相同远程代理与相同客户代表的联系序列中。
在图10的方法中,跨平台管理联系可通过跨平台异步地管理联系来执行。即,定时不是对根据各实施例的CRM的功能的限制。远程代理可以利用管理的呼叫、建立的联系、记录的内容、解析的元素、存储的三元组等在今天给同一客户代表打电话。远程代理可以利用管理的电子邮件、建立的联系、记录的内容、解析的元素、存储的三元组等在明天向同一客户代表发送电子邮件。远程代理可以在下一天利用管理的文本消息、建立的联系、记录的内容、解析的元素、存储的三元组等来对同一客户代表发送文本。AIA(196)和管理功能(382)跨平台异步工作。
在图10的方法中,跨平台管理(382)会话和联系可以通过跨平台的物理位置管理联系来执行。即,位置不是对根据各实施例的CRM的功能的限制。远程代理可以利用管理的呼叫、建立的联系、记录的内容、解析的元素、存储的三元组等从高速公路上的汽车在今天给相同客户代表打电话。远程代理可以利用管理的电子邮件、建立的联系、记录的内容、解析的元素、存储的三元组等从呼叫中心中的代理办公桌在明天向同一客户代表发送电子邮件。远程代理可以利用管理的文本消息、被建立的联系、记录的内容、解析的元素、存储的三元组等通过在代理的总部中使用代理的智能电话,在下一天向同一客户代表发送文本。AIA(196)和管理功能(382)工作,而不管平台的物理位置。
在图10的方法中,管理(382)会话和联系序列(374)包括将每个联系建立为自动计算机器的面向对象的模块,该面向对象的模块构成计算机系统的计算机存储器,并且其结构和内容也作为语义三元组存储在企业知识图谱中。即,在该示例中,联系是面向对象的联系类的实例。类的对象的结构由第一联系(142)的内容示出,但是所有这样的联系对象(144、374)的结构将是类似的。
在图10的示例中,管理(382)会话和联系序列包括在计算机存储器中为每个联系记录该联系的会话标识符(393)、时间戳(203)、平台类型(201)、联系状态(211)以及该联系的任何通信内容(213)。会话标识符(393)将会话的每个联系与相关会话相关联。时间戳(203)记录发起联系的日期和时间。在该示例中,联系包括联系尝试失败。即,在图10的方法中,通信联系(142、144)包括远程代理和客户代表之间的实际通信的实例以及在这种通信中的失败尝试。
状态代码(211)可以用于指示联系的成功或失败。具有声音使能的AIA可以响应于来自远程代理的状态查询而指示“你在上个星期三尝试联系他并且留下消息,但是我们没有进一步的联系”。在该示例中,该联系结构包括发起该联系的代理(205)和被寻求联系的客户代表(207)的标识代码。因为代理ID和客户代表ID被记录在联系中而不是会话中,所以该示例会话结构(140)可以用作与客户相关并且具有特定主题的联系的包装器,用于多个代理和多个客户代表之间的多个联系。
就通信联系的内容(213)是语音而言,语音可选地是原始记录的,其中URL将其定位在存储的三元组中,或者是被识别为文本,然后存储为会话的联系的元素。对于副本,为了使讲话者识别自动化,根据各实施例的示例计算机系统、CRM应用、以及AIA实现在具有当前声纹提取并与先前存储的已知讲话者的声纹进行比较的循环中运行的语音识别功能。对于在记录上没有声纹的新讲话者,根据各实施例的计算机可以从上下文取得讲话者标识,例如给从地址列表中选择的特定客户代表打电话的远程代理。可替代地,对于在记录上没有声纹的新讲话者,根据各实施例的AIA可以提示识别“对不起,我没有获得你的名字”。实现者可以想到将新讲话者与声纹相关联的其它方式,并且所有这些方式都在本发明的范围内。
在图10的方法中,管理(382)会话(140)及其联系序列(374)可以包括在请求会话(140)下的通信状态(219)时,通知(384)远程代理(128)。管理过程(382)的AIA(196)可以在CRM应用的GUI的窗口小部件中列出所有打开的会话、关闭的会话、每个会话的联系、每个联系的内容等。管理过程(382)的AIA(196)可以接受声音请求并通过语音返回状态,例如“计算机,我们与Bob的通信状态是什么?”回答:“你没有与Bob开启会话”。或者,“你有一个开启会话,最后的联系是3月25日你发给他的电子邮件,没有响应。我可以为你读电子邮件吗?”
在图10的方法中,管理(382)会话和联系序列可以包括终止(379)会话。根据远程代理指令如此做,AIA(196)通过管理过程可以将会话状态(219)标记为“终止”或“非活动”等。AIA通过管理过程可以根据超时终止会话,超时是会话的预定持续时间,其例如通过将会话开始时的时间戳(386)与生存时间(221)元素以及当前日期和时间进行比较,可选地向远程代理通知超时,并询问是否终止来实现。管理会话和联系还可以包括通过例如将知识图谱中的相关状态三元组标记为“活动”而不是“非活动”来重新激活终止的会话,或者甚至从知识图谱中检索相关三元组,并且基于它们,来重建面向对象的会话对象以及其所有联系对象。
图10的方法还包括由计算机系统的解析引擎(380)将通信会话(140)的结构和内容(509)解析(304)为描述逻辑的解析的三元组(752),通信会话包括通信联系(142、144)的结构和内容(213)。在至少一些实施例中,描述逻辑是形式知识表示语言家族的成员,其中逻辑的查询是可决定的。结构和内容(509)包括来自CRM应用(195)的通信联系的单词。CRM联系(142、144)被认为是按顺序(374)出现的,因为它们在时间上顺序地一个接一个地出现。每个CRM联系的特征在于平台类型(372、201),即类型代码,诸如例如“电子邮件”、“聊天机器人”、“电话”、“文本消息”等。
解析过程(304)通过将来自结构和内容(509)的单词形成为语义三元组(752)来运行。解析过程(304)可以通过将通过GUI窗口小部件(368)指定的作为三元组元素(主体、谓词、客体)的单词形成为语义三元组(752)来运行。解析过程(304)可以通过将VoiceXML对话(522)中通过声音命令指定的作为三元组元素(主体、谓词、客体)的单词形成为语义三元组(752)来运行。解析过程(304)可以通过将自然语言处理引擎(155)指定为词性、主体、谓词、客体的单词形成为语义三元组(752)来运行。解析过程将解析的三元组(752)移交到推断引擎(298)和存储功能(322)以用于进一步处理。在许多实施例中,通过将解析的三元组设置在连续存储器的各段中并向推断引擎(298)和存储功能(322)提供各段的存储器地址,解析过程将解析的三元组(752)移交到推断引擎(298)和存储功能(322)。
图10的方法还包括由推断引擎(298)根据计算机系统的企业知识图谱(154)的推断规则(376)从解析的三元组中推断(307)出推断的三元组(754)。针对从会话和联系解析的三元组的较小集合运行推断的一个效果是减少针对整个企业知识图谱运行推断规则的负担。在由会话和联系表示的较小的数据块中推断三元组是比针对整个企业知识图谱运行推断规则小得多的数据处理任务,并且在由会话和联系表示的较小的数据块中推断三元组生成与通过针对整个企业知识图谱运行推断规则而推断出的三元组相同的推断的三元组。
图10的方法还包括将解析的三元组(752)和推断的三元组(754)存储(322)在企业知识图谱(154)中。在一些实施例中,企业知识图谱由描述逻辑的三元组组成,该三元组包括通过CRM系统对远程代理可用的所有CRM相关知识。在一些实施例中,在整个企业知识图谱内的会话和通信联系的结构和内容的至少一些子图谱被布置在连续计算机存储器的段内。
为了进一步说明,图11示出了示例企业知识图谱(154),其中类型编码的子图谱被实现为总体知识图谱的逻辑连接的段。图11的示例图谱(154)中的所有节点和边是语义三元组的元素。示例图谱(154)包括被类型编码为客户信息(238)和客户代表信息(136),以及会话(140)的示例的子图谱,会话的结构、内容和联系已被解析为三元组并存储在企业知识图谱(154)中。这三个子图谱仅仅是示例,而不是企业知识图谱的限制。企业知识图谱通常还将包括财务、供应商信息、商业实体和结构、项目信息、公司指南和手册、雇员数据、合并数据、交易、合同、销售历史、产品描述等。
图(154)的根是名为企业知识(199)的类对象。节点客户数据(200)和客户代表数据(226)是企业知识的子类,而会话节点(140)是被解析和存储的特定会话的示例实例。会话的联系对象(142、144)均通过会话ID对象(393)链接到会话(140)。图11的示例还示出了以下事实:解析过程可以并且将经常导致被解析或推断为语义三元组的每个项的多个三元组。会话(140)例如在该示例中是七个三元组的主题:会话标识代码(393)、主题代码(385)、时间戳(386)、客户识别代码(387)、内容字段(389)、状态代码(219)和生存时间代码(221)。并且对于另一示例,联系节点(142)也是七个三元组的主题:将联系(142)链接到会话(140)的会话标识代码(393),以及联系的平台类型(201)的标识、时间戳(203)、识别进行联系的远程代理的代码(205)、识别进行联系的客户代表的代码(207)、状态代码(211)和联系的内容(213)。
针对类似图谱(154)的图谱中的三元组存储的查询(例如,由语义推理器使用来提取先前内容以用于当前联系的查询)可以包括指定子图谱的子句:
查询:
SELECT ?subject
WHERE {?subject:is :Contact.
?subject:ID :Session ID(393).}
响应::联系(142)
为了进一步解释,图12示出了一组示例性的三元组存储,其中客户数据(238)、客户代表数据(136)、会话(140)分别被实现为单独的图谱(238、240、242)。读者将理解,企业知识库将包括多于这三种信息。因为其语义数据中的至少一些被容纳在单独的图谱中,因此,三个独立的图谱以及附加的这种图谱仍然可以实现整个企业知识库的元素,除了用于这种知识库的管理过程可以变化之外。例如,查询可以被不同地结构化。针对类似于图谱(242)的图谱中的通话记录三元组存储的查询可能不需要指定任何特定子图谱的子句:
查询:
SELECT ?subject
WHERE {?subject:ID:Session ID(140).}
响应::联系(142)
为了进一步说明,图13是示出根据本发明实施例的CRM的另一示例方法的流程图。图13的方法类似于图10的示例方法,包括:在远程代理(128)与客户代表(129)之间的第一通信联系(142)时,由计算机系统(151、152、157)建立(381)通信会话(140)作为计算机系统的计算机存储器的结构。在该示例实施例中,会话(140)是计算机存储器的结构,因为会话可以被实现为面向对象的会话类的实例。还与图10的方法类似,图13的方法包括管理(382)通信会话和联系,以及实现(390)与支持通信会话(140)的远程代理(128)的通信(510)。还与图10的方法类似,图13的方法包括将通信会话(140)的结构和内容(509)(包括通信联系(142、144)的结构和内容)解析(304)为语义三元组,从解析的三元组推断(307)出推断的三元组,以及将解析的三元组和推断的三元组存储(322)在企业知识图谱(154)中。
除了与图10的方法的那些相似处之外,图13的方法包括获取用于包括在语义三元组中的内容的三种替代方式。在该示例中,内容主要由说出或键入到计算机系统中的单词(509)组成。因此,获取包括在三元组中的内容的方法通常旨在获取数字化的单词,用于在CRM中的数据处理。在提供用于解析的数字化单词的第一替代方式中,在图13的方法中,解析(304)可通过解析数字化语音的单词(509)来执行,该数字化语音由自然语言处理语音识别(“NLP-SR”)引擎(153)从远程代理(128)和客户代表(129)之间的对话(313)中识别。也就是说,图13的方法包括通过自然语言处理语音识别(“NLP-SR”)引擎将来自这样的对话的单词(509)识别(228)为数字化语音(508)。在该示例方法中,通过以下来执行识别来自这样的对话的语音:将来自对话(313)的语音的单词通过语音使能装置(152)上的麦克风和放大器以及VOIP连接(216)引入到声音服务器(151),其中语音识别引擎(150)将单词识别为数字化语音流,其被传递到自然语言处理引擎(155),该自然语言处理引擎将数字化语音处理为语句和词性,并将如此处理的单词(509)传递到解析过程(304),在解析过程中,单词被解析为三元组(752)。管理过程(382)将数字化的单词(509)作为要解析的结构和内容(509)的元素传递到解析过程。这是向解析过程(304)提供数字化单词(509)的第一替代方式。
在向解析过程提供数字化单词的第二替代方式中,图13的方法还包括在自然语言处理引擎中从CRM仪表板(110)的文本框窗口小部件(366)接收(307)通话记录的单词(220)。除了提供口头内容之外,或作为提供口头内容的替代方案,远程代理将通话记录键入GUI文本框(366),并且如此键入的所有文本由仪表板(110)直接提供给自然语言处理引擎(155)作为数字化单词(220)。自然语言处理引擎在键入的单词(220)和数字化语音流(508)中的单词之间没有发现差别。因此,该第二替代方式类似于第一替代方式,除了不需要语音识别(150),因为当数字化文本流到达NLP-SR引擎(153)中时,已经通过经由GUI窗口小部件文本框(366)键入来数字化该流中的单词。自然语言处理引擎(155)以与第一替代方案相同的方式工作,将来自文本框(366)的数字化文本处理成语句和词性,并将如此处理的单词(509)通过管理过程(382)传递到解析过程(304),在该过程,它们被解析成语义三元组。这是向解析过程(304)提供数字化单词(509)的第二替代方式。
在向解析过程提供数字化单词的第三替代方式中,图13的方法还包括通过CRM仪表板(110)的窗口小部件(360、362、364),接收(303)被指定为解析的三元组的元素的单词(222)。窗口小部件是三元组的主体(360)、三元组的谓词(362)和三元组的客体(364)的下拉菜单列表。在至少该示例实施例中,谓词(362)和客体(364)是已经在支持企业知识图谱(154)的本体中定义的三元组元素。主体(360)是用于包括在三元组中的单词候选流。例如,主体下拉菜单(360)中的单词由NLP-SR引擎(153)从通话记录文本(366)或从对话(313)识别的单词提供。通过从主体下拉菜单(360)选择单词(例如,通过键盘或鼠标选择),远程代理(128)将单词(222)传递到解析过程(304)。远程代理还可以可选地选择谓词(362)或客体(364)以用于包括在与所选主体相同的三元组中。在一些实施例中,远程代理对谓词和客体的选择可以在解析过程(304)时绑定。在其他实施例中,远程代理的选择仅作为推荐被解析过程处理。解析过程可选地接受远程代理对谓词和客体的选择,或者解析过程进行其自己的谓词和三元组的选择,以便与单词(222)一起包括在至少一个解析的三元组中。这是向解析过程(304)提供数字化单词(509)的第三替代方式。
为了进一步说明,图14示出了说明根据本发明实施例的CRM的另一示例方法的流程图。图14的方法类似于图10的示例方法,包括:建立(381)通信会话(140),管理(382)通信会话和联系,实现(390)与支持通信会话(140)的远程代理(128)的通信(510),将通信会话和联系的结构和内容解析(304)成语义三元组,从解析的三元组推断(307)出推断的三元组,以及将解析的三元组和推断的三元组存储(322)在企业知识图谱(154)中。
除了上述与图10的方法的相似性之外,图14的方法包括管理(382)通信会话和联系的若干替代方式。在图14的方法中,管理(382)与客户代表的联系可以例如包括:记录(402)远程代理的可用性以及通知(404)客户代表远程代理的可用性。通过语音或文本输入或窗口小部件操作,远程代理可以通知AIA(196),例如,“我正在与Mike开会,直到11:00。”。通过文本、电子邮件或电话,AIA可以向客户代表指示,“您的远程代理正在开会,直到11:00。那时他会联系你。”
在图14的方法中,实现(390)与远程代理的通信包括通知(418)远程代理客户代表与AIA之间的通信联系的内容。AIA例如可以通过文本、电子邮件或电话消息来通知“Bob正在等电话。我告诉他你正与老板在一起,你会回电。他说这很紧急。我应该留言还是您现在要说话?”
在图14的方法中,管理(382)与客户代表的联系例如可包括由AIA终止(406)AIA与代表之间的联系,以及由远程代理与客户代表之间的直接联系继续(408)会话的联系。这些方法步骤(406、408)确认AIA不能处理一切,并且企业知识图谱以及AIA自己的编程将提出限制,在该限制之后,AIA将联系或下一个联系转到远程代理,即使事情以其他方式与客户代表协调的很好。限制可以包括对权限的限制和对知识的限制,并且在许多实施例中,限制将在企业知识图谱的语义三元组中定义。
在图14的方法中,管理(382)与客户代表的联系可以例如包括当接收到来自客户代表的文本消息和电子邮件消息时,由AIA对这些消息进行响应(410),以及当接收到来自客户代表的电话呼叫时,由AIA应答(412)电话呼叫。这里的效果是由客户代表发起的所有联系都接收立即响应。一有来自于客户代表的电子邮件、文本或电话呼叫,客户代表就接收立即响应,而不管远程代理的可用性。
在图14的方法中,管理(382)与客户代表的联系例如可以包括由AIA接受(414)来自客户代表的口头指令,并由AIA根据代表的指令,将声音提示和口头响应返回(416)给客户代表。正如AIA能够与远程代理对话一样,AIA也能够与客户代表执行基于VXML的对话。“这是Bob的AI。Bob正与他的老板在一起。他一会能打给你吗?”“是的,请他今天早上晚些时候给我打电话。”“是的,我会这样做。”之后,AIA将客户代表的请求作为指令,并将给远程代理Bob打电话排入日程。
图14的方法包括由计算机系统的语义查询和推理引擎(298)针对企业知识图谱(154)执行(338)对记录在知识图谱中的语义数据的语义查询(341)。图14的方法还包括显示(348、350)语义查询(341)的结果(342)。如此寻求的数据是在先前解析(304)或推断(307)并存储(322)在企业知识图谱(154)中的一个或多个语义三元组或语义子图谱中。
图14的方法与图10的方法的不同之处在于包括执行查询以不仅确定三元组是否在三元组存储中,而且包括检索三元组存储(154)的内容的查询类型(341)。图14的方法包括由查询引擎(298)针对企业知识图谱(154)执行(338)针对来自企业知识图谱(154)中记录的三元组的信息的语义查询(341)。例如,通过诸如仪表板(110)的GUI的元件,或者对于另一示例,通过诸如麦克风(176)和VoiceXML对话(522)的语音使能用户接口,在查询和推断引擎中接收(344)语义查询。查询和推断引擎(298)检索(343)语义查询(342)并通过GUI(110)或通过语音使能用户界面(522、177)显示(348、350)语义查询(342)的结果(342)。
查询(341)不仅仅询问数据是否在存储中;查询(341)询问将被返回的数据本身。因此,再次参考关于Bob和蒙娜丽莎的图谱,这个查询(用于解释的进一步的示例)从所有三元组中请求谓词和客体,其中Bob是主体:
SELeCT?predicate?object
WHERE{:Bob:?predicate:?subject.}
返回这个:
isA :person
:isAFriendOf :Alice
:isBornOn :“the 4thof July 1990”
:isInterestedIn :“the Mona Lisa”)
该查询:
SELECT ?predicate?object
WHERE {:“the Mona Lisa”:?predicate:?subject.}
返回这个:
:wasCreatedBy:“Leonardo da Vinci”
以及该查询:
SELECT?subject?predicate?obiect
WHERE{:?subject:?predicate?: “the Mona Lisa”.}
返回这个:
:“the video‘La JocondeàWashington”’:isAbout:“the Mona Lisa”
从前面的描述中可以理解,在不背离本发明的真实精神的情况下,可以对本发明的各种实施例进行修改和改变。本说明书中的描述仅用于说明的目的,而不应被解释为限制性的。本发明的范围仅由所附权利要求的语言来限定。
Claims (20)
1.一种在计算机系统中实现客户关系管理(“CRM”)的方法,所述方法包括:
由所述计算机系统的CRM应用的人工智能代理(“AIA”)代表远程代理与客户代表管理通信会话,所述通信会话作为所述计算机系统的计算机存储器的结构,所述通信会话包括与所述客户代表的一个或多个通信联系;以及
由所述AIA实现与支持所述通信会话的所述远程代理的通信。
2.根据权利要求1所述的方法,其中,管理与客户代表的联系包括:
记录所述远程代理的可用性;以及
通知所述客户代表所述远程代理的可用性。
3.根据权利要求1所述的方法,其中,实现与所述远程代理的通信包括向所述远程代理通知所述客户代表与所述AIA之间的通信联系的内容。
4.根据权利要求1所述的方法,其中,管理与客户代表的联系包括:
由所述AIA终止所述AIA和所述代表之间的联系;以及
通过在所述远程代理和所述客户代表之间的直接联系,来继续所述会话的联系。
5.根据权利要求1所述的方法,其中,管理与客户代表的联系包括当接收到来自所述客户代表的文本消息和电子邮件消息时,由所述AIA对所述文本消息和电子邮件消息做出响应。
6.根据权利要求1所述的方法,其中,管理与客户代表的联系包括当接收到来自所述客户代表的电话呼叫时,由所述AIA应答所述电话呼叫。
7.根据权利要求1所述的方法,其中,管理与客户代表的联系包括:
由所述AIA接受来自所述客户代表的口头指令;以及
根据所述代表的指令,由所述AIA将声音提示和口头响应返回到所述客户代表。
8.根据权利要求1所述的方法,还包括在请求时,由所述AIA通知所述远程代理在所述会话下的通信的状态。
9.如权利要求1所述的方法,其中,管理通信会话包括作为所述计算机系统的计算机存储器的结构,建立所述会话和每个联系作为自动计算机器的面向对象的模块,所述面向对象的模块的结构和内容也作为语义三元组被存储在企业知识图谱中。
10.根据权利要求1所述的方法,其中,管理通信会话包括:
在计算机存储器中存储所述会话的主题代码、时间戳、所述远程代理的标识以及所述客户代表的标识;以及
在计算机存储器中存储每个联系的开始所述联系的时间戳、所述联系的持续时间、所述联系的会话标识符、平台类型、联系状态、以及所述联系的任何通信内容。
11.根据权利要求1所述的方法,还包括:
在所述AIA的命令下,由所述计算机系统的解析引擎将所述通信会话的结构和内容解析为描述逻辑的解析的三元组,所述通信会话的结构和内容包括所述通信联系的结构和内容;
在所述AIA的命令下,由推理引擎,根据所述计算机系统的企业知识图谱的推断规则,从所述解析的三元组中推断出推断的三元组;以及
由所述AIA将所述解析的三元组和所述推断的三元组存储在所述企业知识图谱中。
12.一种实现客户关系管理(“CRM”)的计算机系统,所述计算机系统包括操作地耦接到计算机存储器的计算机处理器,所述计算机处理器被配置成通过以下操作来运行:
由所述计算机系统的CRM应用的人工智能代理(“AIA”)代表远程代理与客户代表管理通信会话,所述通信会话作为所述计算机系统的计算机存储器的结构,所述通信会话包括与所述客户代表的一个或多个通信联系;以及
由所述AIA实现与支持所述通信会话的所述远程代理的通信。
13.根据权利要求12所述的计算机系统,其中,
所述计算机处理器还被配置成通过记录所述远程代理的可用性来运行;以及
管理与客户代表的联系包括通知所述客户代表所述远程代理的可用性。
14.根据权利要求12所述的计算机系统,其中,实现与所述远程代理的通信包括向所述远程代理通知所述客户代表与所述AIA之间的通信联系的内容。
注:Bob正在等电话。我告诉他你正与老板在一起并且你会回电。他说这是紧急的。
15.根据权利要求12所述的计算机系统,其中,管理与客户代表的联系包括:
由所述AIA终止所述AIA和所述代表之间的联系;以及
通过在所述远程代理与所述客户代表之间的直接联系,来继续所述会话的联系。
16.根据权利要求12所述的计算机系统,其中,管理与客户代表的联系包括:
由所述AIA接受来自所述客户代表的口头指令;以及
根据所述代表的指令,由所述AIA将声音提示和口头响应返回到所述客户代表。
17.根据权利要求12所述的计算机系统,其中,所述计算机处理器还被配置成通过以下操作来运行:在请求时,由所述AIA通知所述远程代理在所述会话下的通信的状态。
18.根据权利要求12所述的计算机系统,其中,管理通信会话包括作为所述计算机系统的计算机存储器的结构,建立所述会话和每个联系作为自动计算机器的面向对象的模块,所述面向对象的模块的结构和内容也作为语义三元组被存储在企业知识图谱中。
19.根据权利要求1所述的方法,其中,管理通信会话包括:
在计算机存储器中存储所述会话的主题代码、时间戳、所述远程代理的标识以及所述客户代表的标识;以及
在计算机存储器中存储每个联系的开始所述联系的时间戳、所述联系的持续时间、所述联系的会话标识符、平台类型、联系状态、以及所述联系的任何通信内容。
20.根据权利要求1所述的方法,还包括:
在所述AIA的命令下,由所述计算机系统的解析引擎将所述通信会话的结构和内容解析为描述逻辑的解析的三元组,所述通信会话的结构和内容包括所述通信联系的结构和内容;
在所述AIA的命令下,由推理引擎,根据所述计算机系统的企业知识图谱的推断规则,从所述解析的三元组中推断出推断的三元组;以及
由所述AIA将所述解析的三元组和所述推断的三元组存储在所述企业知识图谱中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/183,736 | 2018-11-08 | ||
US16/183,736 US10742813B2 (en) | 2018-11-08 | 2018-11-08 | Semantic artificial intelligence agent |
PCT/US2019/060174 WO2020097275A1 (en) | 2018-11-08 | 2019-11-07 | Semantic artificial intelligence agent |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113039537A true CN113039537A (zh) | 2021-06-25 |
Family
ID=70550090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980073241.XA Pending CN113039537A (zh) | 2018-11-08 | 2019-11-07 | 语义人工智能代理 |
Country Status (6)
Country | Link |
---|---|
US (2) | US10742813B2 (zh) |
EP (1) | EP3857471A4 (zh) |
JP (1) | JP7381579B2 (zh) |
CN (1) | CN113039537A (zh) |
AU (1) | AU2019376649B2 (zh) |
WO (1) | WO2020097275A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114221920A (zh) * | 2021-12-13 | 2022-03-22 | 中国平安财产保险股份有限公司 | 基于人工智能的自动接触方法、装置、计算机设备及介质 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11580127B1 (en) | 2018-12-21 | 2023-02-14 | Wells Fargo Bank, N.A. | User interfaces for database visualizations |
BR112021010468A2 (pt) * | 2018-12-31 | 2021-08-24 | Intel Corporation | Sistemas de segurança que empregam inteligência artificial |
US11017176B2 (en) * | 2019-03-15 | 2021-05-25 | ContactEngine Limited | Omnichannel data communications system using artificial intelligence (AI) based machine learning and predictive analysis |
US11748422B2 (en) * | 2019-03-15 | 2023-09-05 | ContactEngine Limited | Digital content security and communications system using artificial intelligence (AI) based machine learning and predictive analysis |
US11252280B2 (en) * | 2019-12-05 | 2022-02-15 | Scott C Harris | Conveyor call center with cryptographic ledger |
US10735212B1 (en) * | 2020-01-21 | 2020-08-04 | Capital One Services, Llc | Computer-implemented systems configured for automated electronic calendar item predictions and methods of use thereof |
CN113220305B (zh) * | 2021-05-27 | 2023-12-01 | 广州太平洋电脑信息咨询有限公司 | 一种线索对接方法、装置、电子设备及存储介质 |
US20230021309A1 (en) * | 2021-07-23 | 2023-01-26 | Backoffice Associates, Llc | Storing Versions of Data Assets in Knowledge Graphs |
US12034883B2 (en) | 2021-10-06 | 2024-07-09 | American Tel-A-Systems, Inc. | Systems and methods for an intelligent scripting engine |
US11768837B1 (en) | 2021-12-28 | 2023-09-26 | Wells Fargo Bank, N.A. | Semantic entity search using vector space |
US11880379B1 (en) | 2022-04-28 | 2024-01-23 | Wells Fargo Bank, N.A. | Identity resolution in knowledge graph databases |
US11947509B2 (en) * | 2022-08-23 | 2024-04-02 | Sap Se | Storing and querying knowledge graphs in column stores |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105229687A (zh) * | 2013-03-15 | 2016-01-06 | 格林伊登美国控股有限责任公司 | 用于呼叫中心的智能自动代理 |
CN106484824A (zh) * | 2016-09-28 | 2017-03-08 | 华东师范大学 | 基于多元数据库支持组件的知识图谱异构存储框架中间件 |
CN107967261A (zh) * | 2017-11-17 | 2018-04-27 | 康成投资(中国)有限公司 | 智能客服中交互式问句语义理解方法 |
Family Cites Families (118)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7937312B1 (en) | 1995-04-26 | 2011-05-03 | Ebay Inc. | Facilitating electronic commerce transactions through binding offers |
US20050005266A1 (en) | 1997-05-01 | 2005-01-06 | Datig William E. | Method of and apparatus for realizing synthetic knowledge processes in devices for useful applications |
US6223165B1 (en) * | 1999-03-22 | 2001-04-24 | Keen.Com, Incorporated | Method and apparatus to connect consumer to expert |
US6829603B1 (en) | 2000-02-02 | 2004-12-07 | International Business Machines Corp. | System, method and program product for interactive natural dialog |
US7043531B1 (en) | 2000-10-04 | 2006-05-09 | Inetprofit, Inc. | Web-based customer lead generator system with pre-emptive profiling |
US6785380B2 (en) * | 2001-06-01 | 2004-08-31 | Avaya Technology Corp. | Network-centric self-administered call center with intelligent mobile agent terminals |
JP2005514673A (ja) | 2001-06-22 | 2005-05-19 | オモイグイ,ノサ | 知識の取得、管理、伝達、及び提示のシステム及び方法 |
AU2002334954B2 (en) | 2001-10-11 | 2008-07-31 | Omniture, Inc. | System, method, and computer program product for processing and visualization of information |
US8015143B2 (en) | 2002-05-22 | 2011-09-06 | Estes Timothy W | Knowledge discovery agent system and method |
US7486785B2 (en) | 2002-08-05 | 2009-02-03 | International Business Machines Corporation | Method for customer recognition and management |
US7599842B2 (en) | 2003-01-16 | 2009-10-06 | Genworth Financial, Inc. | Systems and methods for assignment of sales leads |
US7606714B2 (en) | 2003-02-11 | 2009-10-20 | Microsoft Corporation | Natural language classification within an automated response system |
US7676034B1 (en) * | 2003-03-07 | 2010-03-09 | Wai Wu | Method and system for matching entities in an auction |
DE602004031001D1 (de) | 2003-03-11 | 2011-02-24 | Philips Intellectual Property | Scriptorientierte dialogunterstützung für den bediener einer anrufzentrale |
US8155951B2 (en) | 2003-06-12 | 2012-04-10 | Patrick William Jamieson | Process for constructing a semantic knowledge base using a document corpus |
US8725524B2 (en) | 2003-08-13 | 2014-05-13 | Accenture Global Services Limited | Fraud detection method and system |
US7433876B2 (en) | 2004-02-23 | 2008-10-07 | Radar Networks, Inc. | Semantic web portal and platform |
US8204884B2 (en) | 2004-07-14 | 2012-06-19 | Nice Systems Ltd. | Method, apparatus and system for capturing and analyzing interaction based content |
US8086462B1 (en) * | 2004-09-09 | 2011-12-27 | At&T Intellectual Property Ii, L.P. | Automatic detection, summarization and reporting of business intelligence highlights from automated dialog systems |
US8254557B2 (en) | 2004-11-10 | 2012-08-28 | Cisco Technology, Inc. | Supervisor intercept for teleagent voice over internet protocol communications |
US8165109B2 (en) | 2004-11-10 | 2012-04-24 | Cisco Technology, Inc. | Method for managing the quality of encrypted voice over IP to teleagents |
US8031852B2 (en) | 2005-04-26 | 2011-10-04 | International Business Machines Corporation | Method for increasing ease of doing business through use of an access point model |
US20070094183A1 (en) | 2005-07-21 | 2007-04-26 | Microsoft Corporation | Jargon-based modeling |
WO2007052285A2 (en) | 2005-07-22 | 2007-05-10 | Yogesh Chunilal Rathod | Universal knowledge management and desktop search system |
US8442208B2 (en) | 2005-08-23 | 2013-05-14 | Cisco Technology, Inc. | Method and system for transferring an automatic call distributor call |
US8411843B1 (en) | 2005-10-04 | 2013-04-02 | Avaya Inc. | Next agent available notification |
US8108237B2 (en) | 2006-02-22 | 2012-01-31 | Verint Americas, Inc. | Systems for integrating contact center monitoring, training and scheduling |
US20070233561A1 (en) | 2006-03-28 | 2007-10-04 | Christopher Golec | Automated Lead Scoring |
US20090070322A1 (en) | 2007-08-31 | 2009-03-12 | Powerset, Inc. | Browsing knowledge on the basis of semantic relations |
US20090245500A1 (en) | 2008-03-26 | 2009-10-01 | Christopher Wampler | Artificial intelligence assisted live agent chat system |
US8639512B2 (en) | 2008-04-23 | 2014-01-28 | Nvoq Incorporated | Method and systems for measuring user performance with speech-to-text conversion for dictation systems |
US8401991B2 (en) | 2008-08-08 | 2013-03-19 | Oracle International Corporation | Database-based inference engine for RDFS/OWL constructs |
KR101045762B1 (ko) | 2008-11-03 | 2011-07-01 | 한국과학기술원 | 실시간 시맨틱 어노테이션 장치 및 이를 활용하여 사용자가입력한 자연어 스트링을 실시간으로 의미 가독형 지식 구조 문서로 생성하는 방법 |
US8515049B2 (en) * | 2009-03-26 | 2013-08-20 | Avaya Inc. | Social network urgent communication monitor and real-time call launch system |
US20110077999A1 (en) | 2009-09-30 | 2011-03-31 | Sap Ag | Managing consistent interfaces for retail event business objects across heterogeneous systems |
US8583589B2 (en) | 2009-10-06 | 2013-11-12 | Oracle International Corporation | Hybrid approach for equivalence reasoning |
US8744848B2 (en) | 2010-04-23 | 2014-06-03 | NVQQ Incorporated | Methods and systems for training dictation-based speech-to-text systems using recorded samples |
CN103229168B (zh) | 2010-09-28 | 2016-10-19 | 国际商业机器公司 | 在问答期间在多个候选答案之间证据扩散的方法和系统 |
US10303999B2 (en) | 2011-02-22 | 2019-05-28 | Refinitiv Us Organization Llc | Machine learning-based relationship association and related discovery and search engines |
US9632994B2 (en) | 2011-03-11 | 2017-04-25 | Microsoft Technology Licensing, Llc | Graphical user interface that supports document annotation |
US8848970B2 (en) | 2011-04-26 | 2014-09-30 | Digimarc Corporation | Salient point-based arrangements |
CA2837454A1 (en) | 2011-07-01 | 2013-01-10 | Truecar, Inc. | Method and system for selection, filtering or presentation of available sales outlets |
US9172807B2 (en) | 2011-09-11 | 2015-10-27 | ZenDesk, Inc. | Techniques for customer relationship management |
US9165556B1 (en) | 2012-02-01 | 2015-10-20 | Predictive Business Intelligence, LLC | Methods and systems related to audio data processing to provide key phrase notification and potential cost associated with the key phrase |
US9202227B2 (en) | 2012-02-07 | 2015-12-01 | 6 Sense Insights, Inc. | Sales prediction systems and methods |
US8747115B2 (en) | 2012-03-28 | 2014-06-10 | International Business Machines Corporation | Building an ontology by transforming complex triples |
US9575963B2 (en) | 2012-04-20 | 2017-02-21 | Maluuba Inc. | Conversational agent |
US9245287B2 (en) | 2012-07-18 | 2016-01-26 | Teletech Holdings, Inc. | Method for providing support with associates anywhere and notifications |
US9049295B1 (en) | 2012-08-28 | 2015-06-02 | West Corporation | Intelligent interactive voice response system for processing customer communications |
US9047333B2 (en) | 2012-09-20 | 2015-06-02 | Cray Inc | Dynamic updates to a semantic database using fine-grain locking |
US8914419B2 (en) | 2012-10-30 | 2014-12-16 | International Business Machines Corporation | Extracting semantic relationships from table structures in electronic documents |
US9497289B2 (en) | 2012-12-07 | 2016-11-15 | Genesys Telecommunications Laboratories, Inc. | System and method for social message classification based on influence |
US9021452B2 (en) | 2012-12-27 | 2015-04-28 | Commvault Systems, Inc. | Automatic identification of storage requirements, such as for use in selling data storage management solutions |
EP2939104A4 (en) | 2012-12-28 | 2016-09-07 | Xsb Inc | SYSTEMS AND METHODS FOR CREATING, EDITING, RECORDING AND RECOVERING KNOWLEDGE CONTAINED IN SPECIFICATION DOCUMENTS |
EP2755148A1 (en) | 2013-01-15 | 2014-07-16 | Fujitsu Limited | Data storage system, and program and method for execution in a data storage system |
US20170293610A1 (en) | 2013-03-15 | 2017-10-12 | Bao Tran | Voice assistant |
US8767948B1 (en) | 2013-03-15 | 2014-07-01 | Genesys Telecommunications Laboratories, Inc. | Back office services of an intelligent automated agent for a contact center |
US9201865B2 (en) | 2013-03-15 | 2015-12-01 | Bao Tran | Automated assistance for user request that determines semantics by domain, task, and parameter |
IN2013CH01237A (zh) | 2013-03-21 | 2015-08-14 | Infosys Ltd | |
US8996779B2 (en) | 2013-06-12 | 2015-03-31 | International Business Machines Corporation | Service oriented architecture service dependency determination |
US20150012350A1 (en) | 2013-07-02 | 2015-01-08 | Yue Li | Measuring the value of marketing contributions to deals |
EP2821943A1 (en) | 2013-07-03 | 2015-01-07 | Accenture Global Services Limited | Query response device |
US20160021181A1 (en) | 2013-07-23 | 2016-01-21 | George Ianakiev | Data fusion and exchange hub - architecture, system and method |
US9189742B2 (en) | 2013-11-20 | 2015-11-17 | Justin London | Adaptive virtual intelligent agent |
US20150201077A1 (en) | 2014-01-12 | 2015-07-16 | Genesys Telecommunications Laboratories, Inc. | Computing suggested actions in caller agent phone calls by using real-time speech analytics and real-time desktop analytics |
US9805320B2 (en) | 2014-02-27 | 2017-10-31 | Genesys Telecommunications Laboratories, Inc. | Tag-based performance framework for contact center |
AU2015201364A1 (en) | 2014-03-17 | 2015-10-01 | Accenture Global Services Limited | Generating a semantic network based on semantic connections between subject-verb-object units |
US20150294405A1 (en) | 2014-04-11 | 2015-10-15 | Bank Of America Corporation | Virtual banking center |
US9997157B2 (en) * | 2014-05-16 | 2018-06-12 | Microsoft Technology Licensing, Llc | Knowledge source personalization to improve language models |
WO2015184186A1 (en) | 2014-05-30 | 2015-12-03 | Apple Inc. | Multi-command single utterance input method |
US10074122B2 (en) | 2014-06-30 | 2018-09-11 | Microsoft Technology Licensing, Llc | Account recommendations |
US11289077B2 (en) | 2014-07-15 | 2022-03-29 | Avaya Inc. | Systems and methods for speech analytics and phrase spotting using phoneme sequences |
US9619513B2 (en) | 2014-07-29 | 2017-04-11 | International Business Machines Corporation | Changed answer notification in a question and answer system |
US9848084B2 (en) | 2014-08-01 | 2017-12-19 | Genesys Telecommunications Laboratories, Inc. | Adaptable business objective routing for a contact center |
US9350867B2 (en) | 2014-08-01 | 2016-05-24 | Genesys Telecommunications Laboratories, Inc. | System and method for anticipatory dynamic customer segmentation for a contact center |
US9781270B2 (en) | 2014-08-01 | 2017-10-03 | Genesys Telecommunications Laboratories, Inc. | System and method for case-based routing for a contact |
US10242374B2 (en) | 2014-12-09 | 2019-03-26 | Facebook, Inc. | Providing insights to a merchant |
US9645994B2 (en) | 2014-12-09 | 2017-05-09 | Conduent Business Services, Llc | Methods and systems for automatic analysis of conversations between customer care agents and customers |
US9547823B2 (en) | 2014-12-31 | 2017-01-17 | Verizon Patent And Licensing Inc. | Systems and methods of using a knowledge graph to provide a media content recommendation |
SG10201500683TA (en) | 2015-01-28 | 2016-08-30 | Crayon Data Pte Ltd | Method and system for automatically recommending business prospects |
US20160239851A1 (en) | 2015-02-18 | 2016-08-18 | PokitDok, Inc. | Multi commodity system and method for calculating market dynamics in health networks systems |
WO2016139666A1 (en) | 2015-03-05 | 2016-09-09 | Wikistrat Ltd. | Predictive strategic outcomes by combining human crowdsourcing |
US20160321748A1 (en) | 2015-04-29 | 2016-11-03 | International Business Machines Corporation | Method for market risk assessment for healthcare applications |
US10101976B2 (en) | 2015-04-30 | 2018-10-16 | OpenMethods, Inc. | Method, system and apparatus for visual programming of interaction workflows for omni-channel customer contact centers with integrated customer relationship management |
US20170091390A1 (en) | 2015-09-30 | 2017-03-30 | T-Mobile Usa, Inc. | Delivering customer information from customer care site to customer care agent |
US11093556B2 (en) | 2015-10-30 | 2021-08-17 | Convida Wireless, Llc | Restful operations for semantic IoT |
US10521410B2 (en) | 2015-11-20 | 2019-12-31 | International Business Machines Corporation | Semantic graph augmentation for domain adaptation |
US10831811B2 (en) | 2015-12-01 | 2020-11-10 | Oracle International Corporation | Resolution of ambiguous and implicit references using contextual information |
US10262062B2 (en) | 2015-12-21 | 2019-04-16 | Adobe Inc. | Natural language system question classifier, semantic representations, and logical form templates |
US9736306B2 (en) | 2016-01-05 | 2017-08-15 | Optum, Inc. | Systems and methods for providing predictive personalization interactions |
CA2954114A1 (en) | 2016-01-07 | 2017-07-07 | Tangerine Bank | An improvement to the performance of a remotely managed customer service system |
JP6638480B2 (ja) | 2016-03-09 | 2020-01-29 | 富士通株式会社 | 類似文書検索プログラム、類似文書検索装置、及び類似文書検索方法 |
US10078632B2 (en) | 2016-03-12 | 2018-09-18 | International Business Machines Corporation | Collecting training data using anomaly detection |
US9848082B1 (en) | 2016-03-28 | 2017-12-19 | Noble Systems Corporation | Agent assisting system for processing customer enquiries in a contact center |
US10303466B1 (en) | 2016-09-07 | 2019-05-28 | Amazon Technologies, Inc. | Semantic annotations in source code |
CN109845221B (zh) | 2016-09-29 | 2022-03-29 | 康维达无线有限责任公司 | 用于服务层的访问控制策略同步 |
US20180115644A1 (en) | 2016-10-25 | 2018-04-26 | Ali Hassan Al-Khaja | System and method for switching from a call on a voice communication channel to web based self-services |
KR102091240B1 (ko) | 2016-11-23 | 2020-03-20 | 한국전자통신연구원 | 결정적 및 비결정적 지식 처리의 융합을 위한 데이터 처리 장치 및 방법 |
KR101872863B1 (ko) | 2016-11-24 | 2018-07-02 | 주식회사 와이즈넛 | 채팅봇을 이용한 비즈니스 지원 방법 |
AU2017364346A1 (en) | 2016-11-28 | 2019-06-06 | Thomson Reuters Enterprise Centre Gmbh | System and method for finding similar documents based on semantic factual similarity |
US10026092B2 (en) | 2016-12-09 | 2018-07-17 | Nuance Communications, Inc. | Learning and automating agent actions |
US9948783B1 (en) | 2017-03-17 | 2018-04-17 | Avaya Inc. | Publishing contacts to opt-in users |
US10810371B2 (en) | 2017-04-06 | 2020-10-20 | AIBrain Corporation | Adaptive, interactive, and cognitive reasoner of an autonomous robotic system |
US11151992B2 (en) | 2017-04-06 | 2021-10-19 | AIBrain Corporation | Context aware interactive robot |
US20180315001A1 (en) | 2017-04-26 | 2018-11-01 | Hrb Innovations, Inc. | Agent performance feedback |
US10127513B1 (en) | 2017-04-28 | 2018-11-13 | Cyara Solutions Pty Ltd | Automated multi-channel customer journey testing |
US10389879B2 (en) | 2017-05-19 | 2019-08-20 | Avaya Inc. | Real-time speech feed to agent greeting |
WO2018229550A1 (en) | 2017-06-16 | 2018-12-20 | Nauto Global Limited | System and method for adverse vehicle event determination |
US10694038B2 (en) * | 2017-06-23 | 2020-06-23 | Replicant Solutions, Inc. | System and method for managing calls of an automated call management system |
US11775891B2 (en) * | 2017-08-03 | 2023-10-03 | Telepathy Labs, Inc. | Omnichannel, intelligent, proactive virtual agent |
US11475488B2 (en) | 2017-09-11 | 2022-10-18 | Accenture Global Solutions Limited | Dynamic scripts for tele-agents |
US11853930B2 (en) | 2017-12-15 | 2023-12-26 | Accenture Global Solutions Limited | Dynamic lead generation |
US11269929B2 (en) | 2018-05-04 | 2022-03-08 | International Business Machines Corporation | Combining semantic relationship information with entities and non-entities for predictive analytics in a cognitive system |
US10824658B2 (en) | 2018-08-02 | 2020-11-03 | International Business Machines Corporation | Implicit dialog approach for creating conversational access to web content |
US20200097814A1 (en) | 2018-09-26 | 2020-03-26 | MedWhat.com Inc. | Method and system for enabling interactive dialogue session between user and virtual medical assistant |
US11036774B2 (en) | 2018-10-04 | 2021-06-15 | Robert Bosch Gmbh | Knowledge-based question answering system for the DIY domain |
US10482384B1 (en) | 2018-11-16 | 2019-11-19 | Babylon Partners Limited | System for extracting semantic triples for building a knowledge base |
US10623572B1 (en) | 2018-11-21 | 2020-04-14 | N3, Llc | Semantic CRM transcripts from mobile communications sessions |
-
2018
- 2018-11-08 US US16/183,736 patent/US10742813B2/en active Active
-
2019
- 2019-11-07 EP EP19881555.7A patent/EP3857471A4/en active Pending
- 2019-11-07 AU AU2019376649A patent/AU2019376649B2/en active Active
- 2019-11-07 WO PCT/US2019/060174 patent/WO2020097275A1/en unknown
- 2019-11-07 JP JP2021525121A patent/JP7381579B2/ja active Active
- 2019-11-07 CN CN201980073241.XA patent/CN113039537A/zh active Pending
-
2020
- 2020-06-25 US US16/911,717 patent/US10951763B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105229687A (zh) * | 2013-03-15 | 2016-01-06 | 格林伊登美国控股有限责任公司 | 用于呼叫中心的智能自动代理 |
CN106484824A (zh) * | 2016-09-28 | 2017-03-08 | 华东师范大学 | 基于多元数据库支持组件的知识图谱异构存储框架中间件 |
CN107967261A (zh) * | 2017-11-17 | 2018-04-27 | 康成投资(中国)有限公司 | 智能客服中交互式问句语义理解方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114221920A (zh) * | 2021-12-13 | 2022-03-22 | 中国平安财产保险股份有限公司 | 基于人工智能的自动接触方法、装置、计算机设备及介质 |
CN114221920B (zh) * | 2021-12-13 | 2023-06-23 | 中国平安财产保险股份有限公司 | 基于人工智能的自动接触方法、装置、计算机设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
US10951763B2 (en) | 2021-03-16 |
WO2020097275A1 (en) | 2020-05-14 |
US10742813B2 (en) | 2020-08-11 |
JP7381579B2 (ja) | 2023-11-15 |
EP3857471A4 (en) | 2022-06-15 |
JP2022506959A (ja) | 2022-01-17 |
EP3857471A1 (en) | 2021-08-04 |
US20200153964A1 (en) | 2020-05-14 |
US20200329143A1 (en) | 2020-10-15 |
AU2019376649A1 (en) | 2021-05-27 |
AU2019376649B2 (en) | 2022-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019376649B2 (en) | Semantic artificial intelligence agent | |
US10623572B1 (en) | Semantic CRM transcripts from mobile communications sessions | |
US12001972B2 (en) | Semantic inferencing in customer relationship management | |
AU2020386374A1 (en) | System and method for managing a dialog between a contact center system and a user thereof | |
US11468882B2 (en) | Semantic call notes | |
AU2022200232A1 (en) | Product presentation for customer relationship management | |
CN112823332A (zh) | 语义行业术语 | |
US11132695B2 (en) | Semantic CRM mobile communications sessions | |
US10972608B2 (en) | Asynchronous multi-dimensional platform for customer and tele-agent communications | |
US11816677B2 (en) | Call preparation engine for customer relationship management | |
US12026525B2 (en) | Dynamic dashboard administration | |
US20230048077A1 (en) | Mobile intelligent outside sales assistant | |
US20230274295A1 (en) | Halfalogue insight generation | |
US20230162121A1 (en) | Unified, cross-channel, multidimensional insight generation |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220422 Address after: Irish Dublin Applicant after: Accenture Global Solutions Ltd. Address before: Georgia State, USA Applicant before: N3 LLC |