CN113239161A - 多语种客服应答方法及其相应的装置、设备、介质 - Google Patents
多语种客服应答方法及其相应的装置、设备、介质 Download PDFInfo
- Publication number
- CN113239161A CN113239161A CN202110501123.3A CN202110501123A CN113239161A CN 113239161 A CN113239161 A CN 113239161A CN 202110501123 A CN202110501123 A CN 202110501123A CN 113239161 A CN113239161 A CN 113239161A
- Authority
- CN
- China
- Prior art keywords
- question
- expression
- answer
- knowledge base
- customer service
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004044 response Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000014509 gene expression Effects 0.000 claims abstract description 142
- 230000009191 jumping Effects 0.000 claims abstract description 10
- 239000000463 material Substances 0.000 claims description 92
- 239000013598 vector Substances 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004806 packaging method and process Methods 0.000 claims description 14
- 239000003795 chemical substances by application Substances 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 239000008267 milk Substances 0.000 description 28
- 210000004080 milk Anatomy 0.000 description 28
- 235000013336 milk Nutrition 0.000 description 28
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013519 translation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000009223 counseling Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 101100481876 Danio rerio pbk gene Proteins 0.000 description 1
- 101100481878 Mus musculus Pbk gene Proteins 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/55—Rule-based translation
- G06F40/56—Natural language generation
-
- 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
Abstract
本申请公开一种多语种客服应答方法及其相应的装置、设备、介质，其包括：接收咨询用户以其目标语种提交的第一表达式，将其转换为默认语种的第二表达式；向基于该默认语种构建的客服系统提供的接口提交包含所述第二表达式的提问请求，以获取该客服系统查询问答知识库后返回的应答信息；响应于所述应答信息，当该应答信息为答案内容时，将答案内容以所述目标语种返回给所述咨询用户；当该应答信息为跳转指令时，跳转至坐席接口，并向该接口提交所述的第一表达式；将经由所述坐席接口产生的所述咨询用户与相应的坐席用户之间的聊天记录转换为所述默认语种的数据记录，添加到所述问答知识库中。本申请可智能扩展客服能力，适应多国家语言的客服需求。
Description
技术领域
本申请属于互联网技术领域，具体涉及一种多语种客服应答方法，及其相应的装置、设备、介质。
背景技术
在互联网电商领域，随着电商平台快速发展，不同国别的电商消费人群也不断扩大，而面对种类不同且数量众多的商品，这些使用不同语言的电商消费人群具有越来越多且较高频次的即时咨询需求。而现有的智能客服缺乏面对多语种的自动问答回复，虽然可以将商家编辑好的问答内容自动回复，但是可识别程度有限，也没有对问答内容进行再学习的能力。同时受限于商家编辑好的问答知识库的内容，难以对不同国别且使用该国母语表达习惯用语的电商消费人群的询问进行符合该国母语表达习惯的精准的内容自动回复。
因此，如何解决现如今电商平台的智能客服所存在的问题，是本领域亟待解决的问题。
发明内容
鉴于现有技术所存在的不足，本申请的目的，旨在提供一种多语种客服应答方法及其相应的多语种客服应答装置、电子设备、非易失性存储介质。
为满足本申请的目的，本申请采用如下技术方案：
适应本申请的目的之一而提出的一种多语种客服应答方法，包括如下步骤：
接收咨询用户以其目标语种提交的第一表达式，将其转换为默认语种的第二表达式；
向基于该默认语种构建的客服系统提供的接口提交包含所述第二表达式的提问请求，以获取该客服系统查询问答知识库后返回的应答信息；
响应于所述应答信息，当该应答信息为答案内容时，将答案内容以所述目标语种返回给所述咨询用户；当该应答信息为跳转指令时，跳转至坐席接口，并向该接口提交所述的第一表达式；
按照问答知识库的规范，从所述坐席接口产生的所述咨询用户与相应的坐席用户之间的聊天记录中提取出咨询用户的记录表达式中的提问素材，以及坐席用户的记录表达式中与该提问素材相对应的答案内容，将提问素材转换为所述默认语种的数据记录，添加到所述问答知识库中。
进一步的实施例中，按照问答知识库的规范，从所述坐席接口产生的所述咨询用户与相应的坐席用户之间的聊天记录中提取出咨询用户的记录表达式中的提问素材，以及坐席用户的记录表达式中与该提问素材相对应的答案内容，将提问素材转换为所述默认语种的数据记录，添加到所述问答知识库中的步骤中，还包括：
获取所述的聊天记录，将其转换为所述默认语种的记录表达式；
按照问答知识库的规范从咨询用户的记录表达式中提取出提问素材，从坐席用户的记录表达式中提取出与该提问素材相对应的答案内容；
利用问答知识库对所提取出的提问素材进行意图冲突校验，去除语义意图与问答知识库中已记录的提问素材的语义意图重复的所提取的提问素材；
对通过意图冲突检验的提问素材进行文本格式化处理，使其符合问答知识库的规范；
对经过文本格式化处理的提问素材进行特征提取，得到适于实施语义匹配的特征向量，将其存储于特征库中；
将所述记录表达式以符合所述问答知识库规范的格式存储为该问答知识库的新增数据记录。
进一步的实施例中，对经过文本格式化处理的提问素材进行特征提取，得到适于实施语义匹配的特征向量，将其存储于特征库中的步骤中，所述对经过文本格式化处理的提问素材进行特征提取的步骤采用调用Bert模型的方式实施。
进一步的实施例中，向基于该默认语种构建的客服系统提供的接口提交包含所述第二表达式的提问请求，以获取该客服系统查询问答知识库后返回的应答信息的步骤中，所述客户系统响应于所述第二表达式，执行如下步骤：
根据所述第二表达式，将其与所述问答知识库中的用于存储关键词的规则项实施基于关键词的规则匹配，若匹配到相对应的数据记录，则将该数据记录中对应的答案内容封装为应答信息返回；
在实施规则匹配未能匹配到相对应的数据记录后，基于第二表达式与所述问答知识库中用于存储提问素材实施语义匹配和字面匹配，将相匹配的提问素材相对应的答案内容封装为应答信息返回，在不能相匹配时将用于指示跳转至坐席接口的跳转指令封装为应答信息返回。
进一步的实施例中，在实施规则匹配未能匹配到相对应的数据记录后，基于第二表达式与所述问答知识库中用于存储提问素材实施语义匹配和字面匹配，将相匹配的提问素材相对应的答案内容封装为应答信息返回，在不能相匹配时将用于指示跳转至坐席接口的跳转指令封装为应答信息返回的步骤中，包括：
在实施规则匹配未能匹配到相对应的数据记录后，将第二表达式与所述问答知识库中用于存储提问素材的特征向量的特征库实施语义匹配以确定第二表达式与各个提问素材的相似度；
在实施规则匹配未能匹配到相对应的数据记录后，将第二第达式与所述问答知识库中用于存储提问素材的问题项实施字面匹配以确定第二表达式与各个提问素材的距离评估分值；
将语义匹配所得相似度及字面匹配所得距离评估分值两者均值高于第一预设阈值的至少一个提问素材相对应的答案内容封装为应答信息返回，而在各提问素材相对应的所有均值均低于第二预设阈值时，将指示跳转至坐席接口的跳转指令封装为应答信息返回。
进一步的实施例中，将第二表达式与所述问答知识库中用于存储提问素材的特征向量的特征库实施语义匹配以确定第二表达式与各个提问素材的相似度的步骤中，还包括：
对所述第二表达式进行特征提取，确定其对应的问题特征向量；
逐一计算各个问题特征向量与特征库中的各个特征向量之间的余弦相似度。
进一步的实施例中，所述第二表达式与所述问答知识库中用于存储提问素材的问题项实施字面匹配以确定第二表达式与各个提问素材的距离评估分值时，采用编辑距离匹配或N-Gram距离匹配的方式实施。
适应于本申请的目的之一而提供的一种多语种客服应答装置，其包括：
提问模块，用于接收咨询用户以其目标语种提交的第一表达式，将其转换为默认语种的第二表达式；
查询模块，用于向基于该默认语种构建的客服系统提供的接口提交包含所述第二表达式的提问请求，以获取该客服系统查询问答知识库后返回的应答信息；
应答模块，用于响应于所述应答信息，当该应答信息为答案内容时，将答案内容以所述目标语种返回给所述咨询用户；当该应答信息为跳转指令时，跳转至坐席接口，并向该接口提交所述的第一表达式；
学习模块，用于将经由所述坐席接口产生的所述咨询用户与相应的坐席用户之间的聊天记录转换为所述默认语种的数据记录，添加到所述问答知识库中。
适应于本申请的目的之一而提供的一种电子设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行所述多语种客服应答方法的步骤。
适应于本申请的目的之一而提供一种非易失性存储介质，其以计算机可读指令的形式存储有依据所述的方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行该多语种客服应答方法所包括的步骤。
相对于现有技术，本申请具有如下优势：
本申请可以智能识别多语种并转化为默认语种进行系统查询问答知识库并即时响应答案内容，提高了客服的响应效率；而在兼容多语种服务能力扩大知识来源的同时，本申请还以人工客服与客户的聊天记录为语料，通过结合自学习机制，将更多语言类型用户的表述习惯转换为问答知识库中的习得知识，由于该习得知识或多或少继承了各种语种的表达习惯，因此可以智能扩展客服能力，快速高效地提升客服系统的智能程度，适应多国家客服需求，给出符合各国语言表达习惯的回复，使客服系统更具普遍适应性。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为实施本申请的技术方案相关的一种典型的网络部署架构示意图；
图2为本申请的一种多语种客服应答方法的典型实施例的问答知识库配置流程图；
图3为本申请的一种多语种客服应答方法的典型实施例的流程示意图；
图4为为本申请的一种多语种客服应答方法的典型实施例的逻辑流程图；
图5为图3中步骤S200的具体步骤所形成的流程示意图；
图6为本申请的一种多语种客服应答方法的典型实施例的客服界面的图形用户界面示意图；
图7为图3中步骤S220的具体步骤所形成的流程示意图；
图8为图3中步骤S221的具体步骤所形成的流程示意图；
图9为本申请的一种多语种客服应答方法的典型实施例的客服界面的又一图形用户界面示意图；
图10为本申请的一种多语种客服应答方法的典型实施例的客服界面的另一图形用户界面示意图；
图11为图3中步骤S400的具体步骤所形成的流程示意图；
图12为本申请的一种多语种客服应答装置的典型实施例的原理框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他诸如个人计算机、平板电脑之类的通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(PersonalCommunications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global PositioningSystem，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
本申请所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件，本质上是具备个人计算机等效能力的电子设备，为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置，计算机程序存储于其存储器中，中央处理器将存储在外存中的程序调入内存中运行，执行程序中的指令，与输入输出设备交互，借此完成特定的功能。
需要指出的是，本申请所称的“服务器”这一概念，同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理，所述各服务器应是逻辑上的划分，在物理空间上，这些服务器既可以是互相独立但可通过接口调用的，也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通，而不应以此约束本申请的网络部署方式的实施方式。请参阅图1，本申请相关技术方案实施时所需的硬件基础可按图中所示的架构进行部署。本申请所称服务器80部署在云端，作为一个业务服务器，其可以负责进一步连接起相关数据服务器以及其他提供相关支持的服务器等，以此构成逻辑上相关联的服务机群，来为相关的终端设备例如图中所示的智能手机81和个人计算机82或者第三方服务器(未图示)提供服务。所述的智能手机和个人计算机均可通过公知的网络接入方式接入互联网，与云端的服务器80建立数据通信链路，以便运行所述服务器所提供的服务相关的终端应用程序。
对于服务器而言，所述的应用程序通常会被构建为服务进程，开放相应的程序接口，供各种终端设备上运行的应用程序进行远程调用，本申请中适于运行于服务器的相关技术方案，便可以此种方式实现于服务器中。
所述的应用程序，是指运行于服务器或终端设备上的应用程序，这一应用程序采用编程的方式实现了本申请的相关技术方案，其程序代码可被以计算机可执行指令的形式保存于计算机能识别的非易失性存储介质中，并被中央处理器调入内存中运行，通过该应用程序在计算机的运行而构造出本申请的相关装置。
对于服务器而言，所述的应用程序通常会被构建为服务进程，开放相应的程序接口，供各种终端设备上运行的应用程序进行远程调用，本申请中适于运行于服务器的相关技术方案，便可以此种方式实现于服务器中。
参见图2，为便于理解本申请的技术方案，在此将本申请需要预先配置的问答知识库的部署进行介绍，所述问答知识库配置后将形成规则库、文本库与特征库，所述规则库用于将问答知识进行规则匹配；所述文本库用于将问答知识进行字面匹配，所述特征库用于将问答知识进行语义匹配。
在一些实施例中，为节约存储成本和时间成本，本申请可以预先定义并内置一些公共的问答知识库，再根据具体语种配置不同知识库。
实际应用场景中的经预先配置的问答知识库的部分具体表现形式如下：
上述意图项用于归纳概括问题项中的多个提问素材的共同意图；上述规则项为配置的问答知识库的相关命中规则，以关键词形式存储，当咨询用户的第二表达式中的关键词命中该规则时则匹配该规则相应的答案内容项；上述问题项用于存储同一意图项的不同形式的口语化表达，即其可能表现的多种相似的提问素材；上述答案内容项为意图项对应的回复答案内容；以上任一条数据记录都包括有互相对应的意图项、问题项、规则项与答案内容项。需要注意的是，以上表格并非用于限定相关数据在服务器中的具体存储形式，而仅为示例性说明所需，例如，在一种实施例中，其中的规则项便以规则库的形式进行存储，问题项则可对应以文本库的形式进行存储，当然，也可从问题项中抽象出相应的特征库进行存储，其中意图项可以用于表征将各个问题项、规则项与相应的答案内容项之间建立起逻辑关联。本领域技术人员根据此一原理，应可灵活运用数据库技术实现相应的数据存储部署，详情恕不赘述。
参见图2，在本申请中，当问答知识库预先配置后，若该问答知识不是默认语种，服务器会对问答知识库的内容进行文本预翻译，将其翻译为默认语种。
当问答知识库的内容翻译为默认语种后，则对问答知识库的内容进行文本预校验。文本预校验，即对翻译后的问题项及规则项进行验证。如果某个意图的某个相似问题与其他意图的任一相似问题完全一样，则会引发意图冲突，记为非法，问答知识库将报警提醒重新配置。同理，如果某个意图的某个规则与其他意图的任一规则完全一致，则文本预校验为非法，需对其重新配置。
具体而言，当对问答知识库的内容进行文本预校验时，发现意图Q1的相似问题与意图Q2的相似问题完全一样为A1，则当接收咨询用户问题query并匹配到这个相似问题A1时，由于无法判断是对应Q1还是Q2，也就无法确定问答知识库中该意图项对应的回复答案内容，因此在配置阶段实施文本预校验是有其合理性的，可以避免因引发意图冲突而导致的错误回复。
如果文本预翻译合法，一方面便将翻译为默认语种后的问答知识直接存入所述问答知识库的规则库和文本库，分别用于下文本申请的多语种客服应答方法的规则匹配和字面匹配。
所述规则匹配是指下文中介绍的本申请的多语种客服应答方法在输入问题(即第二表达式)后与问答知识库中的规则库进行匹配。规则库中的规则项以关键词的形式存储，若匹配成功，则将返回与该规则项相对应的答案内容项的答案内容。
所述字面匹配可以根据实际需求采取多种匹配方式，优选的，如编辑距离匹配、N-Gram距离匹配等。
以上述问答知识库中所述意图为“牛奶保质期？”为例进行说明，其包括3条相似问题，为m1，m2，m3。当用户输入问题“What is the shelf life of milk？”(第一表达式)时，转换为默认语种的第二表达式后为“牛奶的保质期是多久？”，记为q，可计算q和文本库中所有文本的编辑距离，如果q和m1的编辑距离最小，为0.02，则意味着用户所要咨询的问题与“牛奶保质期？”匹配的可能性很高，1-0.02＝0.98即为编辑距离匹配得分。使用N-Gram距离匹配同理，在此恕不赘述。
文本预翻译合法后的另一方面将翻译后的知识继续进行文本预处理和特征提取，用于语义匹配。
所述文本预处理，包括但不限于：提取关键词、文本纠错、去空格、去停用词，指代消解等等，由本领域技术人员按需确定选用其中的任意一种或任意数种手段实施。
不同的语言有不同的文本处理方法，同一种的语言的文本处理方法也多种多样，要使用哪些方法视实际场景而定。下面试以中文为例，举例说明文本预处理：
文本纠错：“牛乃的保质期多长？”智能识别为“牛奶的保质期多长？”
去空格：“手机，内存多大？”智能识别为“手机，内存多大？”
去停用词：“最适合我的码数”智能识别为“适合码数”
指代消解：根据聊天记录中的前述言论“体重60公斤，身高170厘米，我穿多大码合适？”与后述言论“那这件呢？”智能识别为“体重60公斤，身高170厘米，那这件穿多大码合适？”
所述问答知识库经过文本预处理后，会进入特征提取的步骤，从而得到所有的相似问题的语义特征，并存入特征库，用于后续的语义匹配。
所述特征提取，优选的，采用调用Bert模型对预处理后的文本进行特征提取，得到此文本的语义特征。bert模型可以将文本表示为128维数值型特征向量(维数可自定义)作为此文本的特征。
所述语义匹配是咨询用户输入的问题，即下文所介绍的第二表达式经特征提取后，与应答知识库的特征库进行匹配，得到语义匹配得分。例如：上述意图项“牛奶保质期？”有3条相似问题，对应特征向量为b1，b2，b3。当用户输入问题“What is the shelf life ofmilk？”时，转换为默认语种的第二表达式后为“牛奶的保质期是多久”，经过特征提取，表示为特征向量q。然后计算向量q和特征库中所有向量的余弦相似度。如果q和b1的余弦相似度最高，为0.95，则意味着用户输入和意图“牛奶保质期”匹配的可能性很高，0.95即为匹配得分。
在理解了本申请所需运用的问答知识库的构建及调用原理后，请参阅图3与图4，图3是本申请中提供的一种多语种客服应答方法的典型实施例的流程示意图，图4为本申请中提供的一种多语种客服应答方法的典型实施例的逻辑流程图，包括如下步骤：
步骤S100：接收咨询用户以其目标语种提交的第一表达式，将其转换为默认语种的第二表达式；
具体而言，所述咨询用户为任一自然人用户，所述目标语种为该用户向本申请所述的客服咨询、提出问题时所使用的语种。本申请在接收到所述咨询用户使用该语种提出的问题后将之作为第一表达式。所述默认语种可以预设为任一语种，在接收到作为第一表达式的问题后，将所述问题进行翻译，并将翻译为默认语种的问题作为第二表达式。
在以下步骤中，本文将在实际应用场景中，试以所述咨询用户的目标语种为英语(en-US)，所述默认语种为简体中文(zh-CH)，所要咨询的内容为牛奶保质期，所述咨询用户可能提问：“What is the shelf life of milk？”为例，展开说明。
步骤S200：向基于该默认语种构建的客服系统提供的接口提交包含所述第二表达式的提问请求，以获取该客服系统查询问答知识库后返回的应答信息；
所述客服系统部署于服务器端，分别面向咨询用户与坐席用户所在的终端开设接口，所述坐席用户在本申请实际应用场景中为人工客服。
所述客服系统用于通过其提供的相应接口响应所述咨询用户提出的咨询问题而利用所述问答知识库进行查询匹配相关的答案内容，再根据查询匹配结果构造相应的应答信息作为查询匹配结果进行相应的回复。
一种实施例中，参见图5与图4，所述步骤S200中，还包括：
步骤S210：根据所述第二表达式，将其与所述问答知识库中的用于存储关键词的规则项实施基于关键词的规则匹配，若匹配到相对应的数据记录，则将该数据记录中对应的答案内容封装为应答信息返回；
在上述预设的问答知识库中，意图“牛奶保质期“包括2条规则：
a.[牛奶][保质期]：提问素材同时出现”牛奶”和“保质期“两个词，即为匹配；
b.[牛奶][期限]：提问素材同时出现”牛奶”和“期限“两个词，即为匹配；
参见图6，图6为本申请的一种多语种客服应答方法的典型实施例的客服界面的图形用户界面示意图，当智能客服进行回复时，在图形用户界面则会出现“智能客服为您服务”的提示，客服的对话头像也相应显示为“智能客服”，咨询用户可以在底部对话框输入并发送所要咨询的问题。
当用户输入问题“What is the shelf life of milk”，经过文本预翻译后为“牛奶的保质期是多久”，就会和“[牛奶][保质期]”这条规则匹配，从而匹配到意图“牛奶保质期”，就会将此意图对应的答案“您好，您可以在商品详情页查看具体信息哦”封装为应答信息返回。如果翻译和预处理后的文本“牛奶的保质期是多久”和规则库的所有规则均不匹配，则进入语义匹配和字面匹配。
所述关键词由对所述第二表达式中咨询用户提出的咨询问题的文本预处理得到，所述文本预处理在上文已有介绍，在此恕不赘述。
步骤S220：在实施规则匹配未能匹配到相对应的数据记录后，基于第二表达式与所述问答知识库中用于存储提问素材实施语义匹配和字面匹配，将相匹配的提问素材相对应的答案内容封装为应答信息返回，在不能相匹配时将用于指示跳转至坐席接口的跳转指令封装为应答信息返回。
一种实施例中，具体而言，所述步骤S220参见图4与图7，还包括：
步骤S221：在实施规则匹配未能匹配到相对应的数据记录后，将第二表达式与所述问答知识库中用于存储提问素材的特征向量的特征库实施语义匹配以确定第二表达式与各个提问素材的相似度；
所述特征库由上述问答知识库搭建时对提问素材进行特征提取得到。
进一步的实施例中，所述步骤S221还包括：
参见图8，步骤S2211：对所述第二表达式进行特征提取，确定其对应的问题特征向量；
所述特征提取，优选的，采用调用Bert模型对预处理后的文本进行特征提取，得到此文本的语义特征。bert模型可以将文本表示为128维数值型特征向量(维数可自定义)作为此文本的特征。经过特征提取之后，便可获得该第二表达式的特征向量。
步骤S2212：逐一计算各个问题特征向量与特征库中的各个特征向量之间的余弦相似度。
例如：上述意图项“牛奶保质期？”有3条相似问题，其在特征库中对应特征向量为b1，b2，b3。当用户输入问题“What is the shelf life of milk？”时，转换为默认语种的第二表达式后为“牛奶的保质期是多久”，经过特征提取，表示为特征向量q。然后计算向量q和特征库中所有向量b1，b2,b3的余弦相似度。如果q和b1的余弦相似度最高，为0.95，则意味着用户输入和意图“牛奶保质期”匹配的可能性很高，0.95即为匹配得分。
步骤S222：在实施规则匹配未能匹配到相对应的数据记录后，将第二表达式与所述问答知识库中用于存储提问素材的问题项实施字面匹配以确定第二表达式与各个提问素材的距离评估分值；
所述字面匹配可以根据实际需求采取多种匹配方式，优选的，如编辑距离匹配、N-Gram距离匹配等。编辑距离匹配算法及N-Gram(或Ngram)算法均属本领域技术人员熟知的技术手段，恕不详述。
以上述问答知识库中所述意图为“牛奶保质期？”为例进行说明，其包括3条相似问题，为m1，m2，m3。当用户输入问题“What is the shelf life of milk？”(第一表达式)时，转换为默认语种的第二表达式后为“牛奶的保质期是多久？”，记为q，可计算q和文本库中所有文本的编辑距离，如果q和m1的编辑距离最小，为0.02，则意味着用户所要咨询的问题与“牛奶保质期？”匹配的可能性很高，1-0.02＝0.98即为编辑距离匹配得分。
步骤S223：将语义匹配所得相似度及字面匹配所得距离评估分值两者均值高于第一预设阈值的至少一个提问素材相对应的答案内容封装为应答信息返回，而在各提问素材相对应的所有均值均低于第二预设阈值时，将指示跳转至坐席接口的跳转指令封装为应答信息返回。
所述语义匹配与字面匹配均在上文问答知识库中介绍，在此恕不赘述，所述第一预设阈值score1于所述第二预设阈值score2预先设置，设上述语义匹配的得分为s1，字面匹配的得分为s2，则第二表达式与此意图的匹配得分为s＝(s1+s2)/2。取第二表达式与所有意图的匹配得分的最大值为s_max，对应意图为i，意味着第二表达式与意图i的匹配程度最高。如果s_max大于等于第一阈值score1，则说明第二表达式与意图i非常匹配，可以直接输出意图i对应答案的翻译；如果s_max小于第一阈值score1但大于等于第二阈值score2，则说明第二表达式与意图i可能匹配，但匹配程度不算高，此时可以输出匹配得分靠前的topK个意图的相似问题及其答案的翻译；如果s_max小于第二阈值score2，则说明第二表达式与所有意图的匹配程度都很低，为保证服务质量，需通过坐席接口进行人工客服回复，将指示跳转至坐席接口的跳转指令封装为应答信息返回。
参见图3与图4，步骤S300：响应于所述应答信息，当该应答信息为答案内容时，将答案内容以所述目标语种返回给所述咨询用户；当该应答信息为跳转指令时，跳转至坐席接口，并向该接口提交所述的第一表达式；
所述应答信息为答案内容时，即将问答知识库中对于匹配咨询用户问题意图的答案内容项返回，如匹配答案内容为“您好！商品详情页查看具体信息哦！”时则在返回给所述咨询用户时翻译为所述咨询用户所使用的语种，也即“Hello！you can check thespecific information on the product detail page.”
而当所述应答信息为跳转指令时，则将跳转至所述客服系统的人工客服接口，从而匹配至空闲的人工客服，并向该接口提交所述第一表达式，以便后续引导坐席用户以符合咨询用户交流习惯的目标语种与咨询用户进行对话。
在一些实施例中，为使咨询用户获得专业与准确的服务，所述应答信息为跳转指令时，将预先识别所述第一表达式的语种，并寻求客服系统中与所述语种对应的人工客服接口，向该接口提交所述第一表达式。
参见图6、图9至图10，图6、图9与图10均为本申请的一种多语种客服应答方法的典型实施例的客服界面的图形用户界面示意图，图6为当该应答信息为答案内容时，将问答知识库中的对应答案内容项以所述目标语种返回给所述咨询用户时，咨询用户端的图形用户界面示意图；当咨询问题与问答知识库不能相匹配时，该应答信息为跳转指令，跳转至坐席接口时咨询用户端的图形用户界面，跳转时，在图形用户界面则会出现如图9所示的“正在为您跳转人工客服，请稍候…”的提示，当跳转为人工客服进行回复时，如图10所示，在图形用户界面则会显示为“人工客服”与相应的客服工号，客服的对话头像也相应显示为“人工客服”，由人工客服在线解答咨询用户所要咨询的问题。
不同于现有的智能客服应答方法，本申请在人工客服回复结束后将该聊天记录进行素材提取并进行自学习，扩展了智能客服应答能力，具体如下：
步骤S400：按照问答知识库的规范，从所述坐席接口产生的所述咨询用户与相应的坐席用户之间的聊天记录中提取出咨询用户的记录表达式中的提问素材，以及坐席用户的记录表达式中与该提问素材相对应的答案内容，将提问素材转换为所述默认语种的数据记录，添加到所述问答知识库中。
本申请的多语种客服应答方法，是使用预设的问答知识库对用户问题进行匹配，并返回预设问答知识库中对应的答案回复。
本申请的创新之处在于，本申请还将现有应答规则无法应答后提交至人工客服的人工客服与客户的聊天记录为语料，通过结合自学习机制，参照将现有问答知识库配置相应应答规则的方法，将更多语言类型用户的表述习惯以统一方式转换为问答知识库中的习得知识，可以智能扩展客服能力，快速高效地提升客服系统的智能程度，适应多国家客服需求，使客服系统更具普遍适应性。
参见图2、图4与图11，步骤S410：获取所述的聊天记录，将其转换为所述默认语种的记录表达式；
如上所述的第一表达式“What is the shelf life of milk？”中也有另外的表达，如“What is the sell-by date of milk？”，在将聊天记录转换为所述默认语种的记录表达式的过程中，也转换了咨询用户所用的目标语种的丰富的表达习惯，通过将被继承过来的目标语种的这些表达习惯作为素材进行训练，本申请提高了对不同语种的语言表达习惯的识别能力，提高了意图分辨的精确度。具体步骤如下：
步骤S420：按照问答知识库的规范从咨询用户的记录表达式中提取出提问素材，从坐席用户的记录表达式中提取出与该提问素材相对应的答案内容；
当人工客服对咨询客户的相应问题进行答复后，聊天记录中的相应问答会分别提取，具体包括咨询用户交流时所输出的记录表达式和坐席用户交流时所输出的记录表达式两部分内容，两种记录表达式分别提供提问素材和答案内容，因此，可依照如上述问答知识库搭建流程对所述提问素材及答案内容进行自学习，具体的步骤如下：
步骤S430：利用问答知识库对所提取出的提问素材进行意图冲突校验，去除语义意图与问答知识库中已记录的提问素材的语义意图重复的所提取的提问素材；
本步骤的执行可参阅前文，具体而言，本步骤对提问素材进行意图冲突校验，若提问素材的语义意图与问答知识库的意图项相冲突则去除，避免由于如果某个意图的某个相似问题与其他意图的任一相似问题完全一样，则会引发意图冲突。
步骤S440：对通过意图冲突检验的提问素材进行文本格式化处理，使其符合问答知识库的规范；
同理，参阅前文，文本格式化处理，与上述问答知识库中文本预处理一致，从而使所述问答素材可以入库，方便后期调用接口进行规范化查询，不同的语言有不同的文本处理方法，同一种的语言的文本处理方法也多种多样，要使用那些方法视实际场景而定。如上述应答知识库中对文本纠错、去空格文本、指代消解等预处理。
步骤S450：对经过文本格式化处理的提问素材进行特征提取，得到适于实施语义匹配的特征向量，将其存储于特征库中；
同理，所述特征提取，优选的，采用调用Bert模型对上述格式化处理后的文本进行特征提取，得到此文本的语义特征，由于在特征提取时会继承上述提问素材中咨询用户的语言习惯表达，可以使该问答知识库在查询匹配时更加适应不同语种的表达，从而使本申请的多语种客户应答方法更加精确与普适。
步骤S460：将所述记录表达式以符合所述问答知识库规范的格式存储为该问答知识库的新增数据记录。
所述提问素材经上述步骤处理后，对应的问题可以在今后智能客服查询时用于匹配，而无需再跳转至人工客服，极大地扩大应答知识库的答复范围。
将智能客服无法准确答复经由人工客服答复的聊天内容作为语料素材，以搭建上述问答知识库相同的方式进行处理，根据规则库、文本库、特征库等数据库的格式规范要求提取相应规则、文本、特征入库，实现问答知识库中的数据记录的新增，从而扩大应答知识库的答复范围，而在相应规则、文本、特征提取时，体现在聊天记录里面的不同语种的语言表达习惯也相应继承，提高了意图分辨的精确度。
本领域技术人员对此应当知晓：本申请的各种方法，虽然基于相同的概念而进行描述而使其彼此间呈现共通性，但是，除非特别说明，否则这些方法都是可以独立执行的。同理，对于本申请所揭示的各个实施例而言，均基于同一申请构思而提出，因此，对于相同表述的概念，以及尽管概念表述不同但仅是为了方便而适当变换的概念，应被等同理解。
进一步的，可以通过将上述的多语种客服应答方法中的各个实施例进行功能化，构造出本申请的一种多语种的客服应答装置，按照这一思路，请参阅图12，其典型实施例中，该装置包括：
提问模块11，用于接收咨询用户以其目标语种提交的第一表达式，将其转换为默认语种的第二表达式；
查询模块12，用于向基于该默认语种构建的客服系统提供的接口提交包含所述第二表达式的提问请求，以获取该客服系统查询问答知识库后返回的应答信息；
应答模块13，用于响应于所述应答信息，当该应答信息为答案内容时，将答案内容以所述目标语种返回给所述咨询用户；当该应答信息为跳转指令时，跳转至坐席接口，并向该接口提交所述的第一表达式；
学习模块14，用于将经由所述坐席接口产生的所述咨询用户与相应的坐席用户之间的聊天记录转换为所述默认语种的数据记录，添加到所述问答知识库中。
为了便于本申请的执行，提供一种电子设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中计算机程序以执行如前述的一种多语种客服应答方法的步骤。
可以看出，存储器适宜采用非易失性存储介质，通过将前述的方法实现为计算机程序，安装到手机之类电子设备中，相关程序代码和数据便被存储到电子设备的非易失性存储介质中，进一步通过电子设备的中央处理器运行该程序，将其从非易性存储介质中调入内存中运行，便可实现本申请所期望的目的。因此，可以理解，本申请的一个实施例中，还可提供一种非易失性存储介质，其以计算机可读指令的形式存储有依据所述的多语种客服应答方法的各个实施例所实现的计算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。
综上所述，本申请提供了一种多语种客服应答方法，本申请可以智能识别多语种并转化为默认语种进行系统查询问答知识库并即时响应答案内容，提高了客服的响应效率；而在兼容多语种服务能力扩大知识来源的同时，与自学习机制相结合，将更多语言类型用户的表述习惯以统一方式转换为问答知识库中的习得知识，可以智能扩展客服能力，快速高效地提升客服系统的智能程度，适应多国家客服需求，使客服系统更具普遍适应性。
本技术领域技术人员可以理解，本申请包涉及用于执行本申请中所述操作、方法中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其存储器之内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随即存储器)、EPROM(ErasableProgrammable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(ElectricallyErasable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。
本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本申请公开的结构图和/或框图和/或流图的框或多个框中指定的方案。
本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种多语种客服应答方法，其特征在于，包括如下步骤：
接收咨询用户以其目标语种提交的第一表达式，将其转换为默认语种的第二表达式；
向基于该默认语种构建的客服系统提供的接口提交包含所述第二表达式的提问请求，以获取该客服系统查询问答知识库后返回的应答信息；
响应于所述应答信息，当该应答信息为答案内容时，将答案内容以所述目标语种返回给所述咨询用户；当该应答信息为跳转指令时，跳转至坐席接口，并向该接口提交所述的第一表达式；
按照问答知识库的规范，从所述坐席接口产生的所述咨询用户与相应的坐席用户之间的聊天记录中提取出咨询用户的记录表达式中的提问素材，以及坐席用户的记录表达式中与该提问素材相对应的答案内容，将提问素材转换为所述默认语种的数据记录，添加到所述问答知识库中。
2.根据权利要求1所述的方法，其特征在于，按照问答知识库的规范，从所述坐席接口产生的所述咨询用户与相应的坐席用户之间的聊天记录中提取出咨询用户的记录表达式中的提问素材，以及坐席用户的记录表达式中与该提问素材相对应的答案内容，将提问素材转换为所述默认语种的数据记录，添加到所述问答知识库中的步骤，包括：
获取所述的聊天记录，将其转换为所述默认语种的记录表达式；
按照问答知识库的规范从咨询用户的记录表达式中提取出提问素材，从坐席用户的记录表达式中提取出与该提问素材相对应的答案内容；
利用问答知识库对所提取出的提问素材进行意图冲突校验，去除语义意图与问答知识库中已记录的提问素材的语义意图重复的所提取的提问素材；
对通过意图冲突检验的提问素材进行文本格式化处理，使其符合问答知识库的规范；
对经过文本格式化处理的提问素材进行特征提取，得到适于实施语义匹配的特征向量，将其存储于特征库中；
将所述记录表达式以符合所述问答知识库规范的格式存储为该问答知识库的新增数据记录。
3.根据权利要求2所述的方法，其特征在于，对经过文本格式化处理的提问素材进行特征提取，得到适于实施语义匹配的特征向量，将其存储于特征库中时，采用调用Bert模型的方式实施。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，向基于该默认语种构建的客服系统提供的接口提交包含所述第二表达式的提问请求，以获取该客服系统查询问答知识库后返回的应答信息的步骤中，所述客户系统响应于所述第二表达式，执行如下步骤：
根据所述第二表达式，将其与所述问答知识库中的用于存储关键词的规则项实施基于关键词的规则匹配，若匹配到相对应的数据记录，则将该数据记录中对应的答案内容封装为应答信息返回；
在实施规则匹配未能匹配到相对应的数据记录后，基于第二表达式与所述问答知识库中用于存储提问素材实施语义匹配和字面匹配，将相匹配的提问素材相对应的答案内容封装为应答信息返回，在不能相匹配时将用于指示跳转至坐席接口的跳转指令封装为应答信息返回。
5.根据权利要求4所述的方法，其特征在于，在实施规则匹配未能匹配到相对应的数据记录后，基于第二表达式与所述问答知识库中用于存储提问素材实施语义匹配和字面匹配，将相匹配的提问素材相对应的答案内容封装为应答信息返回，在不能相匹配时将用于指示跳转至坐席接口的跳转指令封装为应答信息返回，包括：
在实施规则匹配未能匹配到相对应的数据记录后，将第二表达式与所述问答知识库中用于存储提问素材的特征向量的特征库实施语义匹配以确定第二表达式与各个提问素材的相似度；
在实施规则匹配未能匹配到相对应的数据记录后，将第二第达式与所述问答知识库中用于存储提问素材的问题项实施字面匹配以确定第二表达式与各个提问素材的距离评估分值；
将语义匹配所得相似度及字面匹配所得距离评估分值两者均值高于第一预设阈值的至少一个提问素材相对应的答案内容封装为应答信息返回，而在各提问素材相对应的所有均值均低于第二预设阈值时，将指示跳转至坐席接口的跳转指令封装为应答信息返回。
6.根据权利要求5所述的方法，其特征在于，将第二表达式与所述问答知识库中用于存储提问素材的特征向量的特征库实施语义匹配以确定第二表达式与各个提问素材的相似度，包括：
对所述第二表达式进行特征提取，确定其对应的问题特征向量；
逐一计算各个问题特征向量与特征库中的各个特征向量之间的余弦相似度。
7.根据权利要求5所述的方法，其特征在于，第二表达式与所述问答知识库中用于存储提问素材的问题项实施字面匹配以确定第二表达式与各个提问素材的距离评估分值时，采用编辑距离匹配或N-Gram距离匹配的方式实施。
8.一种多语种的客服应答装置，其特征在于，其包括：
提问模块，用于接收咨询用户以其目标语种提交的第一表达式，将其转换为默认语种的第二表达式；
查询模块，用于向基于该默认语种构建的客服系统提供的接口提交包含所述第二表达式的提问请求，以获取该客服系统查询问答知识库后返回的应答信息；
应答模块，用于响应于所述应答信息，当该应答信息为答案内容时，将答案内容以所述目标语种返回给所述咨询用户；当该应答信息为跳转指令时，跳转至坐席接口，并向该接口提交所述的第一表达式；
学习模块，用于将经由所述坐席接口产生的所述咨询用户与相应的坐席用户之间的聊天记录转换为所述默认语种的数据记录，添加到所述问答知识库中。
9.一种电子设备，包括中央处理器和存储器，其特征在于，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至7中任一项所述的方法的步骤。
10.一种非易失性存储介质，其特征在于，其以计算机可读指令的形式存储有依据权利要求1至7中任意一项所述的方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110501123.3A CN113239161A (zh) | 2021-05-08 | 2021-05-08 | 多语种客服应答方法及其相应的装置、设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110501123.3A CN113239161A (zh) | 2021-05-08 | 2021-05-08 | 多语种客服应答方法及其相应的装置、设备、介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113239161A true CN113239161A (zh) | 2021-08-10 |
Family
ID=77132725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110501123.3A Pending CN113239161A (zh) | 2021-05-08 | 2021-05-08 | 多语种客服应答方法及其相应的装置、设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113239161A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101373532A (zh) * | 2008-07-10 | 2009-02-25 | 昆明理工大学 | 旅游领域faq中文问答系统实现方法 |
| CN107943972A (zh) * | 2017-11-28 | 2018-04-20 | 惠龙易通国际物流股份有限公司 | 一种智能应答方法及其系统 |
| CN109446305A (zh) * | 2018-10-10 | 2019-03-08 | 长沙师范学院 | 智能旅游客服系统的构建方法以及系统 |
| CN110008330A (zh) * | 2019-04-04 | 2019-07-12 | 深圳追一科技有限公司 | 智能客服设备的应答方法、装置、设备和存储介质 |
-
2021
- 2021-05-08 CN CN202110501123.3A patent/CN113239161A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101373532A (zh) * | 2008-07-10 | 2009-02-25 | 昆明理工大学 | 旅游领域faq中文问答系统实现方法 |
| CN107943972A (zh) * | 2017-11-28 | 2018-04-20 | 惠龙易通国际物流股份有限公司 | 一种智能应答方法及其系统 |
| CN109446305A (zh) * | 2018-10-10 | 2019-03-08 | 长沙师范学院 | 智能旅游客服系统的构建方法以及系统 |
| CN110008330A (zh) * | 2019-04-04 | 2019-07-12 | 深圳追一科技有限公司 | 智能客服设备的应答方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10297252B2 (en) | Predicting and learning carrier phrases for speech input | |
| KR101883185B1 (ko) | 머신러닝을 활용한 정해진 시나리오로 고객과 상담하는 로봇 자동 상담 방법 및 시스템 | |
| US20190163691A1 (en) | Intent Based Dynamic Generation of Personalized Content from Dynamic Sources | |
| CN117033608A (zh) | 一种基于大语言模型的知识图谱生成式问答方法及系统 | |
| CN110083693B (zh) | 机器人对话回复方法及装置 | |
| US11328726B2 (en) | Conversational systems and methods for robotic task identification using natural language | |
| US20110191099A1 (en) | System and Methods for Improving Accuracy of Speech Recognition | |
| EP2306451A2 (en) | System and methods for improving accuracy of speech recognition | |
| CN105094315A (zh) | 基于人工智能的人机智能聊天的方法和装置 | |
| AU2019219717B2 (en) | System and method for analyzing partial utterances | |
| US11586689B2 (en) | Electronic apparatus and controlling method thereof | |
| WO2015141700A1 (en) | Dialogue system construction support apparatus and method | |
| EP3598436A1 (en) | Structuring and grouping of voice queries | |
| US20220138770A1 (en) | Method and apparatus for analyzing sales conversation based on voice recognition | |
| US10872601B1 (en) | Natural language processing | |
| US20220050968A1 (en) | Intent resolution for chatbot conversations with negation and coreferences | |
| CN110457454A (zh) | 一种对话方法、服务器、对话系统及存储介质 | |
| CN114118100A (zh) | 用于生成对话语句的方法、装置、设备、介质和程序产品 | |
| CN112149419A (zh) | 字段的规范化自动命名方法、装置及系统 | |
| CN115148212A (zh) | 一种语音交互方法、智能设备及系统 | |
| US11715469B2 (en) | Methods and apparatus for improving search retrieval using inter-utterance context | |
| CN112541109A (zh) | 答案摘要抽取方法及装置、电子设备、可读介质、产品 | |
| KR20210009266A (ko) | 음성 인식 기반의 세일즈 대화 분석 방법 및 장치 | |
| CN116974554A (zh) | 代码数据处理方法、装置、计算机设备和存储介质 | |
| CN113015002B (zh) | 一种主播视频数据的处理方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |