CN113282733B - 客服问题匹配方法、系统、设备及存储介质 - Google Patents
客服问题匹配方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113282733B CN113282733B CN202110654521.9A CN202110654521A CN113282733B CN 113282733 B CN113282733 B CN 113282733B CN 202110654521 A CN202110654521 A CN 202110654521A CN 113282733 B CN113282733 B CN 113282733B
- Authority
- CN
- China
- Prior art keywords
- customer service
- text
- matching
- standard
- processed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000015654 memory Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 3
- 238000012545 processing Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/338—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种客服问题匹配方法、系统、设备及存储介质,该方法包括:获取待处理客服问题的文本;确定待处理客服问题的文本详细度并判断是否小于预设详细度阈值;如果小于预设详细度阈值,则将待处理客服问题的文本依次与预设的各个标准问题的文本一起输入到问题匹配模型中;根据问题匹配模型的输出确定待处理客服问题与各个标准问题的第一匹配相似度;根据第一匹配相似度选择待处理客服问题的匹配标准问题;获取匹配标准问题的标准答复文本,并推送至用户端;如果大于等于预设详细度阈值,则采用答复匹配模型确定与待处理客服问题相匹配的匹配答复文本,推送至用户端。本发明提高了客服问题答复的效率和准确度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种客服问题匹配方法、系统、设备及存储介质。
背景技术
在各个领域的客服场景下,客服人员每天需要面对大量的业务相关问题。这些问题,有一些是与标准问题基本上完全一致,可以由客服机器人直接采用标准问题的标准答复来进行回复。然而,有一些问题与标准问题虽然有一定的相似度,但是却难以确定这些问题与各个标准问题的对应关系,客服机器人无法提供快速准确的回复。
发明内容
针对现有技术中的问题,本发明的目的在于提供一种客服问题匹配方法、系统、设备及存储介质,通过问题详细度进行筛选,对于详细度更高的问题可能难以准确匹配标准问题的情况,直接进行答复文本匹配,对于详细度更低的问题可能难以直接匹配到答复文本的情况,则进行标准问题的匹配,提高客服问题答复的效率和准确度。
本发明实施例提供一种客服问题匹配方法,包括如下步骤:
获取待处理客服问题的文本;
调用预设的问题文本详细度确定规则,确定所述待处理客服问题的文本详细度;
判断所述待处理客服问题的文本详细度是否小于预设详细度阈值;
如果所述待处理客服问题的文本详细度小于预设详细度阈值,则将所述待处理客服问题的文本依次与预设的各个标准问题的文本一起输入到问题匹配模型中;
根据所述问题匹配模型的输出确定所述待处理客服问题与各个所述标准问题的第一匹配相似度;
根据所述第一匹配相似度选择所述待处理客服问题的匹配标准问题;
获取所述匹配标准问题的标准答复文本,并推送至发送所述待处理客服问题的用户端;
如果所述待处理客服问题的文本详细度大于等于预设详细度阈值,则采用答复匹配模型确定与所述待处理客服问题相匹配的匹配答复文本,将所述匹配答复文本推送至发送所述待处理客服问题的用户端。
在该实施例中,所述调用预设的问题文本详细度确定规则,确定所述待处理客服问题的文本详细度,包括采用如下步骤:
将所述待处理客服问题的文本去除重复字词和预设无语义类型的字词后,计算剩余的文本的字数,根据剩余的文本的字数计算文本详细度;和/或
将所述待处理客服问题的文本与预设的各个业务类型的关键词进行匹配,根据匹配到的关键词的数量计算文本详细度。
在该实施例中,所述获取待处理客服问题的文本之后,还包括如下步骤:
识别所述待处理客服问题的问题类型;
如果所述问题类型为业务问题,则继续调用预设的问题文本详细度确定规则,确定所述待处理客服问题的文本详细度的步骤;
如果所述问题类型为闲聊问题,则启动闲聊库,基于所述闲聊库生成答复文本,并推送至发送所述待处理客服问题的用户端。
在该实施例中,所述问题匹配模型包括输入层、表示层和匹配层,将所述待处理客服问题的文本依次与预设的各个标准问题的文本一起输入到问题匹配模型中之后,所述问题匹配模型用于执行如下步骤:
所述输入层分别对所述待处理客服问题的文本和所述标准问题的文本提取文本向量;
所述表示层分别对所述待处理客服问题的文本向量和所述标准问题的文本向量提取语义特征;
所述匹配层计算所述待处理客服问题的语义特征和所述标准问题的语义特征的第一匹配相似度。
在该实施例中,所述问题匹配模型为DSSM模型。
在该实施例中,所述问题匹配模型包括表示层,所述表示层采用Transformer编码器。
在该实施例中,根据所述第一匹配相似度选择所述待处理客服问题的匹配标准问题,包括如下步骤:
判断是否存在第一匹配相似度高于第一阈值的标准问题;
如果是,则选择第一匹配相似度最高的至少一个标准问题作为所述待处理客服问题的匹配标准问题;
否则,确定未匹配到标准问题。
在该实施例中,还包括采用如下步骤训练所述问题匹配模型:
预设多个标准问题的文本;
对于各个所述标准问题,采集多个相似问题;
将各个所述标准问题与所对应的相似问题组合成正样本,将各个所述标准问题与其他标准问题的相似问题组合成负样本;
基于所述正样本和所述负样本训练所述问题匹配模型。
在该实施例中,所述对于各个所述标准问题,采集多个相似问题,包括如下步骤:
分别提取各个所述标准问题的语义特征;
采集历史客服问题,提取所述历史客服问题的语义特征;
分别计算各个所述标准问题的语义特征与各个所述历史客服问题的语义特征的相似度;
将相似度大于第二阈值的标准问题和历史客服问题建立映射关系;
将与各个标准问题建立映射关系的历史客服问题作为该标准问题的相似问题。
在该实施例中,所述对于各个所述标准问题,采集多个相似问题,包括如下步骤:
分别获取各个所述标准问题的标准答复文本;
采集历史客服问题,并获取对应于各个所述历史客服问题的历史答复文本;
对于各个所述标准答复文本,筛选得到与所述标准答复文本相匹配的历史答复文本,建立所述标准答复文本对应的标准问题与相匹配的历史答复文本对应的历史客服问题之间的映射关系;
将与各个标准问题建立映射关系的历史客服问题作为该标准问题的相似问题。
在该实施例中,所述采用答复匹配模型确定与所述待处理客服问题相匹配的匹配答复文本,包括如下步骤:
将所述待处理客服问题的文本依次与预设的各个标准答复的文本一起输入到答复匹配模型中;
根据所述答复匹配模型的输出确定所述待处理客服问题与各个标准答复的第二匹配相似度;
根据所述第二匹配相似度选择所述待处理客服问题的匹配答复文本。
在该实施例中,所述答复匹配模型包括预设的各个业务类型的答复文本生成规则;
所述采用答复匹配模型确定与所述待处理客服问题相匹配的匹配答复文本,包括如下步骤:
将所述待处理客服问题的文本与各个业务类型的关键词进行比对;
根据所述待处理客服问题的文本与各个业务类型的关键词的比对结果对所述待处理客服问题进行业务分类,确定所述待处理客服问题的业务类型;
调用所述待处理客服问题的业务类型对应的答复文本生成规则,生成匹配答复文本。
本发明实施例还提供一种客服问题匹配系统,应用于所述的客服问题匹配方法,所述系统包括:
问题获取模块,用于获取待处理客服问题的文本;
详细度确定模块,用于调用预设的问题文本详细度确定规则,确定所述待处理客服问题的文本详细度,以及判断所述待处理客服问题的文本详细度是否小于预设详细度阈值;
问题匹配模块,用于如果所述待处理客服问题的文本详细度小于预设详细度阈值,则将所述待处理客服问题的文本依次与预设的各个标准问题的文本一起输入到问题匹配模型中;根据所述问题匹配模型的输出确定所述待处理客服问题与各个所述标准问题的第一匹配相似度;根据所述第一匹配相似度选择所述待处理客服问题的匹配标准问题;以及获取所述匹配标准问题的标准答复文本;
答复匹配模块,用于如果所述待处理客服问题的文本详细度大于等于预设详细度阈值,则采用答复匹配模型确定与所述待处理客服问题相匹配的匹配答复文本;
用户交互模块,用于将所述问题匹配模块输出的标准答复文本和/或所述答复匹配模块输出的匹配答复文本推送至发送所述待处理客服问题的用户端。
本发明实施例还提供一种客服问题匹配设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行所述的客服问题匹配方法的步骤。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,所述程序被处理器执行时实现所述的客服问题匹配方法的步骤。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
本发明的客服问题匹配方法、系统、设备及存储介质具有如下有益效果:
本发明通过问题详细度进行筛选,对于详细度更高的问题可能难以准确匹配标准问题的情况,直接进行答复文本匹配,对于详细度更低的问题可能难以直接匹配到答复文本的情况,则进行标准问题的匹配,针对不同的情况采用最适合的方式来获取到准确的答复文本,提高客服问题答复的效率和准确度,并且减少了在答复过程中的计算资源消耗,智能机器人可以快速有效地解答客服问题,从而减轻了人工客服的工作负担。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。
图1是本发明一实施例的客服问题匹配方法的流程图;
图2是本发明一实施例的识别问题问题类型的流程图;
图3是本发明一实施例的训练问题匹配模型的流程图;
图4是本发明一实施例的获取相似问题的一种实施方式流程图;
图5是本发明一实施例的获取相似问题的另一种实施方式流程图;
图6是本发明一实施例的确定匹配答复文本的一种实施方式流程图;
图7是本发明一实施例的确定匹配答复文本的另一种实施方式流程图;
图8是本发明一实施例的客服问题匹配系统的结构示意图;
图9是本发明一实施例的客服问题匹配设备的结构示意图;
图10是本发明一实施例的计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此,实际执行的顺序有可能根据实际情况改变。
如图1所示,本发明一实施例提供一种客服问题匹配方法,包括如下步骤:
S100:获取待处理客服问题的文本;
此处,获取待处理客服问题的文本,可以是实时获取到客服系统中客户发出的问题,作为待处理客服问题,如果客户是以文字形式提问的,则直接获取客服问题的文本,如果客户是以语音形式提问的,则将音频转文字后,获取客服问题的文字;
在本发明中,客服问题指的是客户和客服对话时客户方发出的问题,答复文本指的是客服方(机器人客服或人工客服)针对客服问题的回复文本;
S200:调用预设的问题文本详细度确定规则,确定所述待处理客服问题的文本详细度;
S300:判断所述待处理客服问题的文本详细度是否小于预设详细度阈值;
S400:如果所述待处理客服问题的文本详细度小于预设详细度阈值,则文本详细度较小,如果进行问题(Question)与答复(Answer)的Q-A匹配,则由于问题文本中包含的信息比较少,难以匹配到准确的答复,因此首先进行客服问题(Question)与标准问题(Question)的Q-Q匹配,将所述待处理客服问题的文本依次与预设的各个标准问题的文本一起输入到问题匹配模型中,此问题匹配模型为预先训练好的机器学习模型;
S500:根据所述问题匹配模型的输出确定所述待处理客服问题与各个所述标准问题的第一匹配相似度;
S600:根据所述第一匹配相似度选择所述待处理客服问题的匹配标准问题,从而实现了Q-Q匹配;
例如,客服问题是“我的快递到哪里了”,匹配到的匹配标准问题是“我要查快递”;
S700:获取所述匹配标准问题的标准答复文本,并推送至发送所述待处理客服问题的用户端;
此处标准问题和标准答复文本之间的映射关系是预先存储好的,在得到匹配标准问题后,可以根据匹配标准问题来获取对应的标准答复文本;
将标准答复文本推送至用户端可以是通过文字、语音、图片等格式推送,在本发明中,用户端指的是用户使用的手机、平板电脑、笔记本电脑等终端设备;
S800:如果所述待处理客服问题的文本详细度大于等于预设详细度阈值,则说明文本中包含的信息比较多,可以直接进行问题(Question)与答复(Answer)的Q-A匹配,并且在文本详细度比较高时,如果采用Q-Q匹配,可能会存在多个业务关键词,在进行Q-Q匹配时会匹配到多个标准问题,造成难以确定准确的匹配标准问题,因此,在该种情况下直接进行Q-A匹配,采用答复匹配模型确定与所述待处理客服问题相匹配的匹配答复文本,将所述匹配答复文本推送至发送所述待处理客服问题的用户端。
在人工客服或机器人客服提供客服服务时,接收到的问题很多是针对某类标准问题的相似客户问题,这些标准问题的回答内容也是固定的。为了代替人力,降低人工客服工作量,本发明使用机器学习算法模型来对客服问题与某类标准问题的相似程度进行训练学习,使得智能机器人能快速有效地解答物流问题。
本发明的客服问题匹配方法通过步骤S100~S300根据问题详细度进行问题筛选,对于详细度更低的问题可能难以直接匹配到答复文本的情况,通过步骤S400~S700进行标准问题的匹配,根据匹配标准问题的标准答复文本来回复用户,避免因为文本包含的信息过少或关键词过少,无法与答复文本实现准确的一一匹配以及会消耗很大的计算资源、匹配效率低的问题;对于详细度更高的问题可能难以准确匹配标准问题的情况,通过步骤S800直接进行答复文本匹配,避免因为文本包含的信息过多或关键词过多,可能涉及到多个不同的具体业务类型,无法准确匹配标准问题的问题。本发明针对不同的情况采用最适合的方式来获取到准确的答复文本,提高客服问题答复的效率和准确度,并且减少了在答复过程中的计算资源消耗,智能机器人可以快速有效地解答客服问题,从而减轻了人工客服的工作负担。
本发明中的客服问题匹配方法可以应用于客服服务器,实时获取当前客户与客服的对话内容,并且在得到答复文本之后,如果当前是机器人客服,则自动推送给用户端,如果当前是人工客服,则可以在人工客服确认后推送给用户端。该客服问题匹配方法也可以应用于一个单独的服务器,可以与客服服务器进行通信,从客服服务器获取到客户与客服的对话内容,确定答复文本后再推送给客服服务器。
在应用中,有时候客户会提出一些与业务无关的问题,比如“今天天气怎么样”、“这个明星是不是很红”等,属于闲聊问题。在本发明中,针对于闲聊问题和业务问题分别提供了不同的语料库,语料库中预先存储有一些问题和答复文本的映射关系。针对于闲聊问题提供的是闲聊库,针对业务问题提供的是业务语料库。在所述步骤S800中,进行Q-A匹配时,可以基于业务语料库来进行Q-A匹配。所述业务语料库是一个定期更新的语料数据库。
如图2所示,在该实施例中,还包括对闲聊问题和业务问题的分类处理,具体地,所述步骤S100:获取待处理客服问题的文本之后,还包括如下步骤:
S110:识别所述待处理客服问题的问题类型;
如果所述问题类型为业务问题,则继续执行所述步骤S200~S800;
如果所述问题类型为闲聊问题,则继续步骤S120:启动闲聊库,基于所述闲聊库生成答复文本,并推送至发送所述待处理客服问题的用户端。
进一步地,在该实施例中,如果所述问题类型为业务问题,在执行步骤S200之前,还可以包括如下步骤:
对所述待处理客服问题进行分类,确定业务类型,所述业务类型例如可以包括投诉、寄件下单、快递查询等等;
判断所述语料库中对应于所述业务类型的数据条目数量是否大于预设数量阈值;
如果是,由于语料库数据较庞杂,可供选择的答复文本A很多,直接使用Q-A匹配需要与每个答复文本A进行匹配,会消耗很大的计算资源、计算速度慢,即使使用批处理机制来批量匹配,但整体的计算资源消耗仍然是很大的,速度也无法提升,因此优选采用Q-Q匹配,不受语料库的限制,可以节约很多的计算资源,并且提高速度,即继续步骤S400~S700;
如果否,则继续步骤,即考虑到语料库中数据条目较少,可以直接采用Q-A匹配,即继续步骤S800。
在该实施例中,在一种实施方式中,所述步骤S200:调用预设的问题文本详细度确定规则,确定所述待处理客服问题的文本详细度,包括将所述待处理客服问题的文本去除重复字词和预设无语义类型的字词后,计算剩余的文本的字数,根据剩余的文本的字数计算文本详细度。此处预设无语义类型的字词例如包括语气词“啊”、“哈”、“嘿”等,连词“和”、“或者”、“以及”等。剩余的文本的字数作为文本详细度,或者乘以一个预设系数后作为文本详细度。
在另一种实施方式中,也可以采用另一种方式来计算文本详细度,具体地,所述步骤S200:调用预设的问题文本详细度确定规则,确定所述待处理客服问题的文本详细度,包括将所述待处理客服问题的文本与预设的各个业务类型的关键词进行匹配,根据匹配到的关键词的数量计算文本详细度。匹配到的关键词的数量作为文本详细度,或者乘以一个预设系数后作为文本详细度。
在该实施例中,所述问题匹配模型包括输入层、表示层和匹配层,所述步骤S400中,将所述待处理客服问题的文本依次与预设的各个标准问题的文本一起输入到问题匹配模型中之后,所述问题匹配模型用于执行如下步骤:
所述输入层分别对所述待处理客服问题的文本和所述标准问题的文本提取文本向量,具体地,所述输入层可以分别对所述待处理客服问题的文本和所述标准问题的文本进行word embedding,以获取文本向量;
所述表示层分别对所述待处理客服问题的文本向量和所述标准问题的文本向量提取语义特征;
所述匹配层计算所述待处理客服问题的语义特征和所述标准问题的语义特征的第一匹配相似度,例如采用余弦相似度、欧氏距离等方式来计算两个特征向量之间的第一匹配相似度。
在该实施例中,所述问题匹配模型为DSSM(Deep Structured Semantic Model,深度语义匹配模型),所述表示层采用Transformer编码器。即在该实施例中,所述问题匹配模型为Transformer-DSSM模型,该模型在DSSM模型的基础上,将模型的表示层使用基于Transformer的编码器部分来实现,匹配层将通过表示层得到客服问题和标准问题的特征表示进行余弦相似度计算,通过Transformer-DSSM模型来有效地进行智能机器人学习,智能且自动地进行解答物流问题。
在其他可替代的实施方式中,所述表示层也可以采用textCNN(文本卷积神经网络层)、DNN(深度神经网络层)、LSTM(Long Short-Term Memory,长短期记忆网络)等结构。在其他可替代的实施方式中,所述问题匹配模型也可以为其他类型的双流输入的机器学习模型。
在该实施例中,所述步骤S600:根据所述第一匹配相似度选择所述待处理客服问题的匹配标准问题,包括如下步骤:
判断是否存在第一匹配相似度高于第一阈值的标准问题,此处第一阈值的具体数值可以根据需要选择设定;
如果是,则选择第一匹配相似度最高的至少一个标准问题作为所述待处理客服问题的匹配标准问题;优选一个第一匹配相似度最高的标准问题作为匹配标准问题,如果有两个或多个第一匹配相似度很接近的标准问题时,可以同时选择多个标准问题作为匹配标准问题;
否则,说明所有的标准问题与该客服问题的相似度很低,确定未匹配到标准问题,则可以转人工客服,或者继续步骤S600进行Q-A匹配。
如图3所示,在该实施例中,还包括采用如下步骤训练所述问题匹配模型:
S910:预设多个标准问题的文本;
例如,预设“我要查快递”作为标准问题,预设“如何寄件”作为标准问题等;
S920:对于各个所述标准问题,采集多个相似问题;
例如,对于“我要查快递”,采集相似问题“亲我的货到哪了”,“何时派送”,“什么时候能收到货”,“物流几天不更新了”,“物流长时间不更新怎么办”,“还有多少天能到”,“包裹何时到”,“什么时候会到”等等,对于“如何寄件”,采集相似问题“我要寄件”,“我要寄快递”,“我要寄包裹”等等。
S930:将各个所述标准问题与所对应的相似问题组合成正样本,将各个所述标准问题与其他标准问题的相似问题组合成负样本;
例如,“我要查快递”和“亲我的货到哪了”组合成正样本,“我要查快递”和“我要寄件”组合成负样本;
S940:基于所述正样本和所述负样本训练所述问题匹配模型,训练至所述问题匹配模型收敛为止。
如图4所示,在该实施例的一种实施方式中,可以基于历史客服问题和标准问题的相似度自动筛选各个标准问题的相似问题,具体地,所述步骤S920:对于各个所述标准问题,采集多个相似问题,包括如下步骤:
S9211:分别提取各个所述标准问题的语义特征,例如可以采用textCNN来采集语义特征、采用DNN采集语义特征或者采用transformer层的编码器来采集语义特征;
S9212:采集历史客服问题,提取所述历史客服问题的语义特征,同样地,例如可以采用textCNN来采集语义特征、采用DNN采集语义特征或者采用transformer层的编码器来采集语义特征;
S9213:分别计算各个所述标准问题的语义特征与各个所述历史客服问题的语义特征的相似度;例如可以采用余弦相似度或欧式距离等计算两个语义特征向量的相似度;
S9214:将相似度大于第二阈值的标准问题和历史客服问题建立映射关系;此处第二阈值的具体数值可以根据需要设定或选择;
S9215:将与各个标准问题建立映射关系的历史客服问题作为该标准问题的相似问题。
因此,在训练问题匹配模型时,只需要构建标准问题即可,可以基于历史客服问题自动选择与标准问题的相似问题,来构建样本数据集,而无需再单独为每个标准问题编写相似问题,可以大大节省样本数据集构建的时间和人力,并且根据得到的相似问题与标准问题的映射关系,可以直接确定相似问题与标准问题的组合方式。
如图5所示,在该实施例中的另一种实施方式中,也可以基于历史客服问题的历史答复文本与标准答复文本之间的相似度来自动筛选相似问题,所述步骤S920:对于各个所述标准问题,采集多个相似问题,包括如下步骤:
S9221:分别获取各个所述标准问题的标准答复文本;
S9222:采集历史客服问题,并获取对应于各个所述历史客服问题的历史答复文本;
S9223:对于各个所述标准答复文本,筛选得到与所述标准答复文本相匹配的历史答复文本,建立所述标准答复文本对应的标准问题与相匹配的历史答复文本对应的历史客服问题之间的映射关系;
具体地,筛选与所述标准答复文本相匹配的历史答复文本,可以根据文本相似度进行计算,即选择与标准答复文本的文本相似度高的历史答复文本作为相匹配的历史答复文本;或者根据历史答复文本的关键词与标准答复文本的关键词进行匹配,根据匹配到的关键词的数量来选择相匹配的历史答复文本;
S9224:将与各个标准问题建立映射关系的历史客服问题作为该标准问题的相似问题。
因此,在训练问题匹配模型时,只需要构建标准问题即可,可以基于历史客服问题的答复文本和各个标准问题的答复文本自动选择与标准问题的相似问题,来构建样本数据集,而无需再单独为每个标准问题编写相似问题,可以大大节省样本数据集构建的时间和人力,并且根据得到的相似问题与标准问题的映射关系,可以直接确定相似问题与标准问题的组合方式。并且这样可以保证标准问题和所对应的相似问题的答复文本是一致的,保证模型预测的准确性。
所述步骤S700:获取所述匹配标准问题所对应的标准答复文本,并推送至发送所述待处理客服问题的用户端之后,还包括如下步骤:
从所述用户端接收用户反馈数据;
根据用户反馈数据判断所述匹配标准问题是否匹配准确;
如果否,则将所述匹配标准问题和所述待处理客服问题组合得到负样本,间隔预设时间后采用所述负样本优化训练所述问题匹配模型。
因此,本发明可以根据用户下一步的反馈来进一步优化问题匹配模型。例如客户如果重复问前一个问题,说明并没有得到解答,匹配错误,或者客户回复“你这回答得不对”、“你有没有听清我的问题”,说明并没有得到解答,问题匹配错误。如果用户回复“好的”、“谢谢”或者“我知道了”,说明匹配正确。由此,本发明可以进一步优化问题匹配模型,随着使用时间的增长,问题匹配模型的预测准确性也会越来越高。
如图6所示,在该实施例的一种实施方式中,所述步骤S800:采用答复匹配模型确定与所述待处理客服问题相匹配的匹配答复文本,可以采用机器学习模型来实现,具体地包括如下步骤:
S811:将所述待处理客服问题的文本依次与预设的各个标准答复的文本一起输入到答复匹配模型中;
此处答复匹配模型可以是与问题匹配模型同样类型的机器学习模型,但是答复匹配模型和问题匹配模型训练时采用的是不同的样本数据集,答复匹配模型训练时采用的样本是问题与答复的组合;该答复匹配模型也可以是与问题匹配模型不同类型的机器学习模型;
S812:根据所述答复匹配模型的输出确定所述待处理客服问题与各个标准答复的第二匹配相似度;
S813:根据所述第二匹配相似度选择所述待处理客服问题的匹配答复文本,例如选择第二匹配相似度最高的至少一个匹配答复文本。
在该实施例的另一种实施方式中,所述答复匹配模型也可以不采用机器学习模型,而是包括预设的各个业务类型的答复文本生成规则。具体地,如图7所示,所述步骤S800:采用答复匹配模型确定与所述待处理客服问题相匹配的匹配答复文本,包括如下步骤:
S821:将所述待处理客服问题的文本与各个业务类型的关键词进行比对;所述业务类型例如可以包括投诉、快递查询、寄件下单等,每种业务类型预设有多个关键词,例如,投诉的关键词可以包括“很差”、“投诉”、“很不满意”等,“寄件下单”的关键词可以包括“寄快递”、“下单”、“寄包裹”等;
S822:根据所述待处理客服问题的文本与各个业务类型的关键词的比对结果对所述待处理客服问题进行业务分类,确定所述待处理客服问题的业务类型;
具体地,如果所述待处理客服问题的文本包含一个业务类型的关键词,则所述待处理客服问题属于该业务类型,如果所述待处理客服问题的文本包括多个业务类型的关键词,则所述待处理客服问题属于匹配到的关键词最多的业务类型;
S823:调用所述待处理客服问题的业务类型对应的答复文本生成规则,生成匹配答复文本。
例如,如果匹配到快递查询类型,则查询当前快递物流进展后,基于标准话术将快递物流进展生成答复文本,如果匹配到投诉类型,则首先生成安抚话术作为答复文本等。
如图8所示,本发明实施例还提供一种客服问题匹配系统,应用于所述的客服问题匹配方法,所述系统包括:
问题获取模块M100,用于获取待处理客服问题的文本;
详细度确定模块M200,用于调用预设的问题文本详细度确定规则,确定所述待处理客服问题的文本详细度,以及判断所述待处理客服问题的文本详细度是否小于预设详细度阈值;
问题匹配模块M300,用于如果所述待处理客服问题的文本详细度小于预设详细度阈值,则将所述待处理客服问题的文本依次与预设的各个标准问题的文本一起输入到问题匹配模型中;根据所述问题匹配模型的输出确定所述待处理客服问题与各个所述标准问题的第一匹配相似度;根据所述第一匹配相似度选择所述待处理客服问题的匹配标准问题;以及获取所述匹配标准问题的标准答复文本;
答复匹配模块M400,用于如果所述待处理客服问题的文本详细度大于等于预设详细度阈值,则采用答复匹配模型确定与所述待处理客服问题相匹配的匹配答复文本;
用户交互模块M500,用于将所述问题匹配模块输出的标准答复文本和/或所述答复匹配模块输出的匹配答复文本推送至发送所述待处理客服问题的用户端。
本发明的客服问题匹配系统通过问题获取模块M100和详细度确定模块M200根据问题详细度进行问题筛选,对于详细度更低的问题可能难以直接匹配到答复文本的情况,通过问题匹配模块M300进行标准问题的匹配,根据匹配标准问题的标准答复文本来回复用户,避免因为文本包含的信息过少或关键词过少,无法与答复文本实现准确的一一匹配以及会消耗很大的计算资源、匹配效率低的问题;对于详细度更高的问题可能难以准确匹配标准问题的情况,通过答复匹配模块M400直接进行答复文本匹配,然后通过用户交互模块M500将答复文本推送给用户端,避免因为文本包含的信息过多或关键词过多,可能涉及到多个不同的具体业务类型,无法准确匹配标准问题的问题。本发明针对不同的情况采用最适合的方式来获取到准确的答复文本,提高客服问题答复的效率和准确度,并且减少了在答复过程中的计算资源消耗,智能机器人可以快速有效地解答客服问题,从而减轻了人工客服的工作负担。
本发明中的客服问题匹配系统可以应用于客服服务器,实时获取当前客户与客服的对话内容,并且在得到答复文本之后,如果当前是机器人客服,则自动推送给用户端,如果当前是人工客服,则可以在人工客服确认后推送给用户端。该客服问题匹配系统也可以应用于一个单独的服务器,可以与客服服务器进行通信,从客服服务器获取到客户与客服的对话内容,确定答复文本后再推送给客服服务器。
本发明的客服问题匹配系统中,各个模块的功能可以采用上述各个步骤的具体实施方式来实现,例如,详细度确定模块M200可以根据上述步骤S200的具体实施方式计算详细度,问题匹配模块M300可以基于步骤S400~S600的具体实施方式进行问题匹配,答复匹配模块M400可以基于步骤S800的具体实施方式进行问题匹配。
本发明实施例还提供一种客服问题匹配设备,包括处理器;存储器,其中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行所述的客服问题匹配方法的步骤。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。
下面参照图9来描述根据本发明的这种实施方式的电子设备600。图9显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述客服问题匹配方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
所述客服问题匹配设备中,所述存储器中的程序被处理器执行时实现所述的客服问题匹配方法的步骤,因此,所述计算机存储介质也可以获得上述客服问题匹配方法的技术效果。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,所述程序被处理器执行时实现所述的客服问题匹配方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上执行时,所述程序代码用于使所述终端设备执行本说明书上述客服问题匹配方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图10所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上执行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
所述计算机存储介质中的程序被处理器执行时实现所述的客服问题匹配方法的步骤,因此,所述计算机存储介质也可以获得上述客服问题匹配方法的技术效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (12)
1.一种客服问题匹配方法,其特征在于,所述方法包括:
获取待处理客服问题的文本;
调用预设的问题文本详细度确定规则,确定所述待处理客服问题的文本详细度;
判断所述待处理客服问题的文本详细度是否小于预设详细度阈值;
如果所述待处理客服问题的文本详细度小于预设详细度阈值,则将所述待处理客服问题的文本依次与预设的各个标准问题的文本一起输入到问题匹配模型中;
根据所述问题匹配模型的输出确定所述待处理客服问题与各个所述标准问题的第一匹配相似度;
根据所述第一匹配相似度选择所述待处理客服问题的匹配标准问题;
获取所述匹配标准问题的标准答复文本,并推送至发送所述待处理客服问题的用户端;
如果所述待处理客服问题的文本详细度大于等于预设详细度阈值,则采用答复匹配模型确定与所述待处理客服问题相匹配的匹配答复文本,将所述匹配答复文本推送至发送所述待处理客服问题的用户端;
其中,所述调用预设的问题文本详细度确定规则,确定所述待处理客服问题的文本详细度,包括采用如下步骤:
将所述待处理客服问题的文本去除重复字词和预设无语义类型的字词后,计算剩余的文本的字数,根据剩余的文本的字数计算文本详细度;和/或,将所述待处理客服问题的文本与预设的各个业务类型的关键词进行匹配,根据匹配到的关键词的数量计算文本详细度;
其中,所述采用答复匹配模型确定与所述待处理客服问题相匹配的匹配答复文本,包括:将所述待处理客服问题的文本依次与预设的各个标准答复的文本一起输入到答复匹配模型中;根据所述答复匹配模型的输出确定所述待处理客服问题与各个标准答复的第二匹配相似度;根据所述第二匹配相似度选择所述待处理客服问题的匹配答复文本;或者,
所述答复匹配模型包括预设的各个业务类型的答复文本生成规则;所述采用答复匹配模型确定与所述待处理客服问题相匹配的匹配答复文本,包括如下步骤:将所述待处理客服问题的文本与各个业务类型的关键词进行比对;根据所述待处理客服问题的文本与各个业务类型的关键词的比对结果对所述待处理客服问题进行业务分类,确定所述待处理客服问题的业务类型;调用所述待处理客服问题的业务类型对应的答复文本生成规则,生成匹配答复文本。
2.根据权利要求1所述的客服问题匹配方法,其特征在于,所述获取待处理客服问题的文本之后,还包括如下步骤:
识别所述待处理客服问题的问题类型;
如果所述问题类型为业务问题,则继续调用预设的问题文本详细度确定规则,确定所述待处理客服问题的文本详细度的步骤;
如果所述问题类型为闲聊问题,则启动闲聊库,基于所述闲聊库生成答复文本,并推送至发送所述待处理客服问题的用户端。
3.根据权利要求1所述的客服问题匹配方法,其特征在于,所述问题匹配模型包括输入层、表示层和匹配层,将所述待处理客服问题的文本依次与预设的各个标准问题的文本一起输入到问题匹配模型中之后,所述问题匹配模型用于执行如下步骤:
所述输入层分别对所述待处理客服问题的文本和所述标准问题的文本提取文本向量;
所述表示层分别对所述待处理客服问题的文本向量和所述标准问题的文本向量提取语义特征;
所述匹配层计算所述待处理客服问题的语义特征和所述标准问题的语义特征的第一匹配相似度。
4.根据权利要求1所述的客服问题匹配方法,其特征在于,所述问题匹配模型为DSSM模型。
5.根据权利要求4所述的客服问题匹配方法,其特征在于,所述问题匹配模型包括表示层,所述表示层采用Transformer编码器。
6.根据权利要求1所述的客服问题匹配方法,其特征在于,根据所述第一匹配相似度选择所述待处理客服问题的匹配标准问题,包括如下步骤:
判断是否存在第一匹配相似度高于第一阈值的标准问题;
如果是,则选择第一匹配相似度最高的至少一个标准问题作为所述待处理客服问题的匹配标准问题;
否则,确定未匹配到标准问题。
7.根据权利要求1所述的客服问题匹配方法,其特征在于,还包括采用如下步骤训练所述问题匹配模型:
预设多个标准问题的文本;
对于各个所述标准问题,采集多个相似问题;
将各个所述标准问题与所对应的相似问题组合成正样本,将各个所述标准问题与其他标准问题的相似问题组合成负样本;
基于所述正样本和所述负样本训练所述问题匹配模型。
8.根据权利要求7所述的客服问题匹配方法,其特征在于,所述对于各个所述标准问题,采集多个相似问题,包括如下步骤:
分别提取各个所述标准问题的语义特征;
采集历史客服问题,提取所述历史客服问题的语义特征;
分别计算各个所述标准问题的语义特征与各个所述历史客服问题的语义特征的相似度;
将相似度大于第二阈值的标准问题和历史客服问题建立映射关系;
将与各个标准问题建立映射关系的历史客服问题作为该标准问题的相似问题。
9.根据权利要求7所述的客服问题匹配方法,其特征在于,所述对于各个所述标准问题,采集多个相似问题,包括如下步骤:
分别获取各个所述标准问题的标准答复文本;
采集历史客服问题,并获取对应于各个所述历史客服问题的历史答复文本;
对于各个所述标准答复文本,筛选得到与所述标准答复文本相匹配的历史答复文本,建立所述标准答复文本对应的标准问题与相匹配的历史答复文本对应的历史客服问题之间的映射关系;
将与各个标准问题建立映射关系的历史客服问题作为该标准问题的相似问题。
10.一种客服问题匹配系统,其特征在于,应用于权利要求1至9中任一项所述的客服问题匹配方法,所述系统包括:
问题获取模块,用于获取待处理客服问题的文本;
详细度确定模块,用于调用预设的问题文本详细度确定规则,确定所述待处理客服问题的文本详细度,以及判断所述待处理客服问题的文本详细度是否小于预设详细度阈值;
问题匹配模块,用于如果所述待处理客服问题的文本详细度小于预设详细度阈值,则将所述待处理客服问题的文本依次与预设的各个标准问题的文本一起输入到问题匹配模型中;根据所述问题匹配模型的输出确定所述待处理客服问题与各个所述标准问题的第一匹配相似度;根据所述第一匹配相似度选择所述待处理客服问题的匹配标准问题;以及获取所述匹配标准问题的标准答复文本;
答复匹配模块,用于如果所述待处理客服问题的文本详细度大于等于预设详细度阈值,则采用答复匹配模型确定与所述待处理客服问题相匹配的匹配答复文本;
用户交互模块,用于将所述问题匹配模块输出的标准答复文本和/或所述答复匹配模块输出的匹配答复文本推送至发送所述待处理客服问题的用户端。
11.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行根据权利要求1至9任一项所述的客服问题匹配方法。
12.一种计算机存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器运行时执行根据权利要求1至9任一项所述的客服问题匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654521.9A CN113282733B (zh) | 2021-06-11 | 2021-06-11 | 客服问题匹配方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654521.9A CN113282733B (zh) | 2021-06-11 | 2021-06-11 | 客服问题匹配方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113282733A CN113282733A (zh) | 2021-08-20 |
CN113282733B true CN113282733B (zh) | 2024-04-09 |
Family
ID=77284357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110654521.9A Active CN113282733B (zh) | 2021-06-11 | 2021-06-11 | 客服问题匹配方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113282733B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743124B (zh) * | 2021-08-25 | 2024-03-29 | 南京星云数字技术有限公司 | 一种智能问答异常的处理方法、装置及电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688667A (zh) * | 2017-09-30 | 2018-02-13 | 平安科技(深圳)有限公司 | 智能机器人客服方法、电子装置及计算机可读存储介质 |
CN107977415A (zh) * | 2017-11-22 | 2018-05-01 | 北京寻领科技有限公司 | 自动问答方法及装置 |
CN108664599A (zh) * | 2018-05-09 | 2018-10-16 | 腾讯科技(深圳)有限公司 | 智能问答方法、装置、智能问答服务器及存储介质 |
CN109522395A (zh) * | 2018-10-12 | 2019-03-26 | 平安科技(深圳)有限公司 | 自动问答方法及装置 |
CN110502622A (zh) * | 2019-07-03 | 2019-11-26 | 平安科技(深圳)有限公司 | 常见医疗问答数据生成方法、装置以及计算机设备 |
CN110647614A (zh) * | 2019-08-01 | 2020-01-03 | 平安科技(深圳)有限公司 | 智能问答方法、装置、介质及电子设备 |
CN110674246A (zh) * | 2019-09-19 | 2020-01-10 | 北京小米智能科技有限公司 | 问答模型训练方法、自动问答方法及装置 |
CN111046155A (zh) * | 2019-11-27 | 2020-04-21 | 中博信息技术研究院有限公司 | 一种基于fsm多轮问答的语义相似度计算方法 |
CN111858859A (zh) * | 2019-04-01 | 2020-10-30 | 北京百度网讯科技有限公司 | 自动问答处理方法、装置、计算机设备及存储介质 |
CN112015878A (zh) * | 2020-09-02 | 2020-12-01 | 中国平安财产保险股份有限公司 | 处理智慧客服未回答问题的方法、装置及计算机设备 |
KR20210056114A (ko) * | 2019-11-08 | 2021-05-18 | 고려대학교 산학협력단 | 자동 질의응답 장치 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516063A (zh) * | 2019-07-11 | 2019-11-29 | 网宿科技股份有限公司 | 一种服务系统的更新方法、电子设备及可读存储介质 |
-
2021
- 2021-06-11 CN CN202110654521.9A patent/CN113282733B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688667A (zh) * | 2017-09-30 | 2018-02-13 | 平安科技(深圳)有限公司 | 智能机器人客服方法、电子装置及计算机可读存储介质 |
CN107977415A (zh) * | 2017-11-22 | 2018-05-01 | 北京寻领科技有限公司 | 自动问答方法及装置 |
CN108664599A (zh) * | 2018-05-09 | 2018-10-16 | 腾讯科技(深圳)有限公司 | 智能问答方法、装置、智能问答服务器及存储介质 |
CN109522395A (zh) * | 2018-10-12 | 2019-03-26 | 平安科技(深圳)有限公司 | 自动问答方法及装置 |
CN111858859A (zh) * | 2019-04-01 | 2020-10-30 | 北京百度网讯科技有限公司 | 自动问答处理方法、装置、计算机设备及存储介质 |
CN110502622A (zh) * | 2019-07-03 | 2019-11-26 | 平安科技(深圳)有限公司 | 常见医疗问答数据生成方法、装置以及计算机设备 |
CN110647614A (zh) * | 2019-08-01 | 2020-01-03 | 平安科技(深圳)有限公司 | 智能问答方法、装置、介质及电子设备 |
WO2021017721A1 (zh) * | 2019-08-01 | 2021-02-04 | 平安科技(深圳)有限公司 | 智能问答方法、装置、介质及电子设备 |
CN110674246A (zh) * | 2019-09-19 | 2020-01-10 | 北京小米智能科技有限公司 | 问答模型训练方法、自动问答方法及装置 |
KR20210056114A (ko) * | 2019-11-08 | 2021-05-18 | 고려대학교 산학협력단 | 자동 질의응답 장치 |
CN111046155A (zh) * | 2019-11-27 | 2020-04-21 | 中博信息技术研究院有限公司 | 一种基于fsm多轮问答的语义相似度计算方法 |
CN112015878A (zh) * | 2020-09-02 | 2020-12-01 | 中国平安财产保险股份有限公司 | 处理智慧客服未回答问题的方法、装置及计算机设备 |
Non-Patent Citations (1)
Title |
---|
基于概念扩展的中文问答系统模型研究;杨付全;中国优秀硕士学位论文全文数据库 信息科技辑(第S2期);I138-1962 * |
Also Published As
Publication number | Publication date |
---|---|
CN113282733A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428010B (zh) | 人机智能问答的方法和装置 | |
CN110019742B (zh) | 用于处理信息的方法和装置 | |
US11798539B2 (en) | Systems and methods relating to bot authoring by mining intents from conversation data via intent seeding | |
CN109858045B (zh) | 机器翻译方法和装置 | |
CN110555451A (zh) | 信息识别方法和装置 | |
JP2022169743A (ja) | 情報抽出方法、装置、電子機器及び記憶媒体 | |
CN113268560A (zh) | 用于文本匹配的方法和装置 | |
CN110956955A (zh) | 一种语音交互的方法和装置 | |
CN113282733B (zh) | 客服问题匹配方法、系统、设备及存储介质 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN111008213A (zh) | 用于生成语言转换模型的方法和装置 | |
CN116955561A (zh) | 问答方法、装置、电子设备以及存储介质 | |
CN115221892B (zh) | 工单数据处理方法及装置、存储介质及电子设备 | |
CN113360590B (zh) | 兴趣点信息的更新方法、装置、电子设备及存储介质 | |
CN115470790A (zh) | 一种识别文件中的命名实体的方法和装置 | |
CN112148847B (zh) | 一种语音信息的处理方法及装置 | |
CN113761183A (zh) | 意图识别方法和意图识别装置 | |
CN112131379A (zh) | 用于识别问题类别的方法、装置、电子设备及存储介质 | |
CN110990528A (zh) | 一种问答方法、装置及电子设备 | |
CN111556096A (zh) | 信息推送方法、装置、介质及电子设备 | |
CN112131484A (zh) | 一种多人会话建立方法、装置、设备和存储介质 | |
CN113344405B (zh) | 基于知识图谱生成信息的方法、装置、设备、介质和产品 | |
CN112615774B (zh) | 即时通讯信息处理方法、装置、即时通讯系统及电子设备 | |
CN111046146B (zh) | 用于生成信息的方法和装置 | |
CN114092011A (zh) | 信息处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |