CN113282737A - 人机协作的智能客服对话方法及装置 - Google Patents

人机协作的智能客服对话方法及装置 Download PDF

Info

Publication number
CN113282737A
CN113282737A CN202110822192.4A CN202110822192A CN113282737A CN 113282737 A CN113282737 A CN 113282737A CN 202110822192 A CN202110822192 A CN 202110822192A CN 113282737 A CN113282737 A CN 113282737A
Authority
CN
China
Prior art keywords
manual
user
customer service
text
question
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110822192.4A
Other languages
English (en)
Other versions
CN113282737B (zh
Inventor
潘建东
肖钢
刘逸雄
徐政钧
刘国杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Securities Co Ltd
Original Assignee
China Securities Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Securities Co Ltd filed Critical China Securities Co Ltd
Priority to CN202110822192.4A priority Critical patent/CN113282737B/zh
Publication of CN113282737A publication Critical patent/CN113282737A/zh
Application granted granted Critical
Publication of CN113282737B publication Critical patent/CN113282737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—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
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供了一种人机协作的智能客服对话方法及装置，方法包括：获取用户输入的目标提问文本，对目标提问文本进行转人工意图分析，确定转人工意图置信度，根据转人工意图置信度判断是否转人工客服；若是，为用户接通人工客服；若否，对目标提问文本进行情感极性分析，得到情感极性分析结果；计算目标提问文本的相似提问转人工率；将用户的历史转人工率、情感极性分析结果、相似提问转人工率，以及目标提问文本的问答置信度输入预先训练的转人工判断模型，得到转人工判断结果；若判断结果为转人工，为用户接通人工客服；若判断结果为不转人工，则确定目标提问文本的标准答复文本，将标准答复文本发送至用户。实现用户无感知的转人工客服。

Description

人机协作的智能客服对话方法及装置
技术领域
本申请涉及人工智能技术领域，特别是涉及一种人机协作的智能客服对话方法及装置。
背景技术
人工智能技术的高速发展冲击着大量传统行业的服务模式。传统在线客服系统因其服务效率低下、人工成本较高等缺点，逐步被客服机器人替代。客服机器人通常采用自然语言处理(Natural Language Processing，NLP)技术，实现自动问答的功能。
自然语言处理，简单来说就是计算机接收用户自然语言形式的输入，并在内部通过人类所定义的算法进行加工、计算等系列操作，以模拟人类对自然语言的理解，并返回用户所期望的结果。
自然语言处理技术的出现使客服机器人逐步成熟，并且已得到了广泛的应用。
客服机器人在一定程度上解决了人工客服服务能力的瓶颈。这是因为人工客服在单位时间内能够接待的咨询数量通常有限，在面临短时间大批量的咨询请求时会出现客户等待、无人工客服响应等问题，严重影响客户体验与服务满意度。
但是智能客服机器人仍旧受制于深度学习、自然语言处理技术的发展，目前仍旧难以达到完美理解客户意图，仅在处理简单业务时准确率较高。面对复杂业务场景，机器人仍旧难以处理客户的诉求，仍旧需要转至人工进行服务。
当前智能客服平台通常采用单一的转人工方式，通常是客服机器人无法解决用户问题时，用户点击转人工按钮或输入“人工”关键词，实现转人工服务。
发明内容
本申请实施例的目的在于提供一种人机协作的智能客服对话方法及装置，当神经网络模型检测到客服机器人无法满足用户需求，能够在用户无感知的情况下，自动转人工客服，提升用户体验。具体技术方案如下：
为实现上述目的，本申请实施例提供了一种人机协作的智能客服对话方法，所述方法包括：
获取用户输入的目标提问文本，对所述目标提问文本进行转人工意图分析，确定转人工意图置信度，根据所述转人工意图置信度判断是否转人工客服；若是，为所述用户接通人工客服；
若否，对所述目标提问文本进行情感极性分析，得到情感极性分析结果；
从标准提问文本库中检索所述目标提问文本的多个相似提问文本，并基于每一相似提问文本与所述目标提问文本的相似度、以及该相似提问文本的历史转人工率计算所述目标提问文本的相似提问转人工率；
将所述用户的历史转人工率、所述情感极性分析结果、所述相似提问转人工率，以及所述目标提问文本的问答置信度输入预先训练的转人工判断模型，得到转人工判断结果；其中，所述转人工判断模型是根据样本用户的历史转人工率、样本提问文本的情感极性分析结果、样本提问文本的相似提问转人工率、样本提问文本的问答置信度、以及样本提问文本的转人工标签训练的；若所述转人工判断结果为转人工，为所述用户接通人工客服；
若所述转人工判断结果为不转人工，则确定所述目标提问文本的标准答复文本，将所述标准答复文本发送至所述用户。
可选的，在为所述用户接通人工客服之后，还包括：
实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助。
可选的，所述实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助的步骤，包括：
针对用户输入的每一提问文本进行意图识别，基于意图识别结果从标准问答数据库中检索第一候选答复文本，将所述第一候选答复文本发送至人工客服。
可选的，所述实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助的步骤，包括：
对所述人工客服实时输入的答复文本进行分词，将分词结果转换为词向量，并拼接词向量，得到拼接向量；
基于所述拼接向量，从标准答复文本库中实时检索第二候选答复文本，将实时检索得到的第二候选答复文本发送至人工客服。
可选的，所述实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助的步骤，包括：
针对用户输入的每一提问文本进行意图识别，当意图识别结果为页面跳转时，确定目标页面的访问插件，将所述访问插件推送至所述用户。
可选的，所述实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助的步骤，包括：
对所述人工客服实时输入的答复文本进行关键词提取，将所述关键词与预先设置的不合规词汇进行匹配，基于匹配结果实时提示所述答复文本的合规性。
本申请实施例还提供了一种人机协作的智能客服对话装置，所述装置包括：
获取模块，用于获取用户输入的目标提问文本，对所述目标提问文本进行转人工意图分析，确定转人工意图置信度，根据所述转人工意图置信度判断是否转人工客服；若是，为所述用户接通人工客服；
情感分析模块，用于若根据所述转人工意图置信度判断不转人工客服，对所述目标提问文本进行情感极性分析，得到情感极性分析结果；
计算模块，用于从标准提问文本库中检索所述目标提问文本的多个相似提问文本，并基于每一相似提问文本与所述目标提问文本的相似度、以及该相似提问文本的历史转人工率计算所述目标提问文本的相似提问转人工率；
模型判断模块，用于将所述用户的历史转人工率、所述情感极性分析结果、所述相似提问转人工率，以及所述目标提问文本的问答置信度输入预先训练的转人工判断模型，得到转人工判断结果；其中，所述转人工判断模型是根据样本用户的历史转人工率、样本提问文本的情感极性分析结果、样本提问文本的相似提问转人工率、样本提问文本的问答置信度、以及样本提问文本的转人工标签训练的；若所述转人工判断结果为转人工，为所述用户接通人工客服；
答复模块，用于若所述转人工判断结果为不转人工，则确定所述目标提问文本的标准答复文本，将所述标准答复文本发送至所述用户。
可选的，所述装置还包括：
实时辅助模块，用于在为所述用户接通人工客服之后，实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助。
为实现上述目的，本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一方法步骤。
为实现上述目的，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法步骤。
本申请实施例有益效果：
采用本申请实施例提供的人机协作的智能客服对话方法及装置，获取用户输入的目标提问文本，对目标提问文本进行转人工意图分析，确定转人工意图置信度，根据转人工意图置信度判断是否转人工客服；若是，为用户接通人工客服；若否，对目标提问文本进行情感极性分析，得到情感极性分析结果；从标准提问文本库中检索目标提问文本的多个相似提问文本，并基于每一相似提问文本与目标提问文本的相似度、以及该相似提问文本的历史转人工率计算目标提问文本的相似提问转人工率；将用户的历史转人工率、情感极性分析结果、相似提问转人工率，以及目标提问文本的问答置信度输入预先训练的转人工判断模型，得到转人工判断结果；其中，转人工判断模型是根据样本用户的历史转人工率、样本提问文本的情感极性分析结果、样本提问文本的相似提问转人工率、样本提问文本的问答置信度、以及样本提问文本的转人工标签训练的；若转人工判断结果为转人工，为用户接通人工客服；若转人工判断结果为不转人工，则确定目标提问文本的标准答复文本，将标准答复文本发送至用户。
可见，能够识别用户的转人工意图，根据转人工意图置信度判断是否转人工，并且结合用户历史转人工率、情感极性分析结果、相似问题转人工率和问答置信度多个维度的特征训练神经网络模型，训练好的神经网络模型能够检测客服机器人是否能够满足用户需求，若神经网络模型的输出结果为转人工，表征客服机器人无法满足用户需求，则在用户无感知的情况下，自动转接人工客服，以更好的满足用户需求，提升了用户体验，降低用户流失率。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的人机协作的智能客服对话方法的一种流程示意图；
图2为本申请实施例提供的智能客服对话平台的一种结构示意图；
图3为本申请实施例提供的人机协作的智能客服对话的一种流程示意图；
图4为本申请实施例提供的人机协作的智能客服对话的另一种流程示意图；
图5为本申请实施例提供的人机协作的智能客服对话装置的一种结构示意图；
图6为本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本申请保护的范围。
现有智能客服平台，当客服机器人无法解决用户问题时，用户点击转人工按钮或输入“人工”关键词，实现转人工服务，可见存在需要用户自行操作，不够智能化的技术问题，为了解决该技术问题，本申请实施例提供了一种人机协作的智能客服对话方法及装置。
参见图1，图1为本申请实施例提供的人机协作的智能客服对话方法的一种流程示意图，如图1所示，方法可以包括以下步骤：
S101：获取用户输入的目标提问文本，对目标提问文本进行转人工意图分析，确定转人工意图置信度，根据转人工意图置信度判断是否转人工客服；若是，执行S102；若否，执行S103。
S102：为用户接通人工客服。
本申请实施例中，用户不限于通过文字、语音形式输入所要提问的问题，可以将用户的输入转换为目标提问文本，采用自然语言处理技术对目标提问文本进行分词，生成词向量和句向量。
随后可以根据词向量和句向量进行转人工意图分析，若检测到目标提问文本对于转人工的意图置信度大于阈值，则为用户接通人工客服；反之，则进行下一步的判断。
其中，转人工意图分析的过程可以参见意图分析相关技术，例如，可以分析各个词向量与“转人工”对应的词向量的相似度，若相似度较高，则表示转人工意图置信度较高。
S103：对目标提问文本进行情感极性分析，得到情感极性分析结果。
本申请实施例中，若根据转人工意图置信度判断不转人工客服，则依顺序执行下述步骤S103-S105。
步骤S103中，可以采用情感极性分析算法，分析目标提问文本，可以将得到的情感极性分析结果归一化至[0,1]，情感极性分析结果接近1表示情感消极程度较高。
S104：从标准提问文本库中检索目标提问文本的多个相似提问文本，并基于每一相似提问文本与目标提问文本的相似度、以及该相似提问文本的历史转人工率计算目标提问文本的相似提问转人工率。
本申请实施例中，预先设置有标准提问文本库，库中包含多个标准提问文本。此外，可以根据大量用户的实际使用记录，收集标准提问文本的历史转人工率。
采用相关算法计算目标提问文本与标准提问文本的相似度，从标准提问文本中确定多个相似度大于阈值的相似提问文本。其中计算相似度时可以采用Highway Networks模型。
在本申请的一个实施例中，设相似度阈值为
Figure 534863DEST_PATH_IMAGE001
，相似提问文本的集合表示为
Figure 734900DEST_PATH_IMAGE002
，相似提问文本的转人工率表示为
Figure 993843DEST_PATH_IMAGE003
，相似提问文本与目标提问文本的相似度表示为
Figure 780796DEST_PATH_IMAGE004
，
Figure 48966DEST_PATH_IMAGE005
表示所确定的相似提问文本的数目，则可以采用如下公式计算目标提问文本的相似提问转人工率
Figure 103510DEST_PATH_IMAGE006
：
Figure 798933DEST_PATH_IMAGE007
S105：将用户的历史转人工率、情感极性分析结果、相似提问转人工率，以及目标提问文本的问答置信度输入预先训练的转人工判断模型，得到转人工判断结果；其中，转人工判断模型是根据样本用户的历史转人工率、样本提问文本的情感极性分析结果、样本提问文本的相似提问转人工率、样本提问文本的问答置信度、以及样本提问文本的转人工标签训练的；若转人工判断结果为转人工，执行S102；若转人工判断结果为不转人工，则执行S106。
本申请实施例中，目标提问文本的问答置信度可以表示目标提问文本与相似提问文本的最大相似度。例如，步骤S103中所确定的目标提问文本的相似提问文本有10个，其中目标提问文本与相似提问文本的最高相似度为0.9，则可以确定目标提问文本的问答置信度为0.9。
本申请实施例中，可以预先收集大量的样本数据，以及真实标签数据训练神经网络模型，用于判断是否转人工。神经网络模型的样本数据可以包括：样本用户的历史转人工率、样本提问文本的情感极性分析结果、样本提问文本的相似提问转人工率和样本提问文本的问答置信度。而真实标签数据是样本提问文本的转人工标签。
其中，对于样本用户的历史转人工率也进行归一化处理，转换为[0,1]的数据。
神经网络模型可以采用5层LSTM模型，依次包括输入层、Dropout层、双层LSTM（Long Short-Term Memory，长短期记忆网络）模型和输出层，输出层可以采用sigmoid激活函数。
采用上述样本数据训练神经网络模型，结合转人工标签计算损失值并调整神经网络模型中模型参数，直到模型收敛或迭代次数达到设定次数。
训练完成的模型记为转人工判断模型，本申请实施例中，将用户的历史转人工率、情感极性分析结果、相似提问转人工率以及目标提问文本的问答置信度输入转人工判断模型，根据模型输出值即可得到转人工判断结果。
作为一个示例，转人工判断模型采用sigmoid激活函数，输出值是0到1的数，越靠近1则表明越倾向于转人工。可以预先设定阈值，若输出值大于阈值，则转人工判断结果为转人工；反正，则转人工判断结果为不转人工。
S106：确定目标提问文本的标准答复文本，将标准答复文本发送至用户。
若转人工判断结果为不转人工，可以确定与目标提问文本的相似度最高的相似提问文本，将该相似提问文本的标准答复文本发送至用户。
采用本申请实施例提供的人机协作的智能客服对话方法，获取用户输入的目标提问文本，对目标提问文本进行转人工意图分析，确定转人工意图置信度，根据转人工意图置信度判断是否转人工客服；若是，为用户接通人工客服；若否，对目标提问文本进行情感极性分析，得到情感极性分析结果；从标准提问文本库中检索目标提问文本的多个相似提问文本，并基于每一相似提问文本与目标提问文本的相似度、以及该相似提问文本的历史转人工率计算目标提问文本的相似提问转人工率；将用户的历史转人工率、情感极性分析结果、相似提问转人工率，以及目标提问文本的问答置信度输入预先训练的转人工判断模型，得到转人工判断结果；其中，转人工判断模型是根据样本用户的历史转人工率、样本提问文本的情感极性分析结果、样本提问文本的相似提问转人工率、样本提问文本的问答置信度、以及样本提问文本的转人工标签训练的；若转人工判断结果为转人工，为用户接通人工客服；若转人工判断结果为不转人工，则确定目标提问文本的标准答复文本，将标准答复文本发送至用户。
可见，能够识别用户的转人工意图，根据转人工意图置信度判断是否转人工，并且结合用户历史转人工率、情感极性分析结果、相似问题转人工率和问答置信度多个维度的特征训练神经网络模型，训练好的神经网络模型能够检测客服机器人是否能够满足用户需求，若神经网络模型的输出结果为转人工，表征客服机器人无法满足用户需求，则在用户无感知的情况下，自动转接人工客服，以更好的满足用户需求，提升了用户体验，降低用户流失率。
下面结合附图图2对本申请实施例的智能客服对话平台的平台架构进行介绍。图2为本申请实施例提供的智能客服对话平台的一种结构示意图，如图2所述，包括SAG（Service Access Gateway，服务访问网关）、IRU（Intelligent Routing Unit，智能路由单元）、SMU（Service Management Unit，服务管理单元）、NLPU（Natural LanguageProcessing Unit，自然语言处理单元）、IKB（Intelligent Knowledge Base，智能知识库）、机器人服务单元和IM（Instant Messaging，即时通信单元）。服务管理单元、自然语言处理单元、机器人服务单元、智能知识库和即时通信单元构成智能客服对话平台的核心模块。
服务访问网关SAG提供访问平台的入口。主要包括用户登录单元、安全认证单元和负载均衡单元三个部分。服务访问网关负责向系统数据库发起请求，对用户信息进行安全认证，同时负责黑名单过滤，防止不合法用户访问平台。此外，服务访问网关负责将用户的请求合理分配至后端服务器上，防止大量请求同时到达同一机器而产生超负载的情况。
智能路由单元IRU负责为用户分配客服机器人和人工客服。智能路由单元通过对用户身份信息、IP地址信息、问题分类、用户所在机构、用户意愿等多维度信息进行计算，匹配符合条件的客服机器人或人工客服。
服务管理单元SMU是平台的核心管理单元，负责业务管理、智能服务和API（Application Programming Interface，应用程序接口）管理。业务管理是指对系统功能的管理，协调各组件工作以实现各项基本功能，智能服务调用系统机器人服务单元和NLPU来提供智能问答、情绪识别、意图识别等智能化服务，管理API是对系统内API接口的统一管理，对外或对内提供API以供外部或内部组件调用。此外服务管理单元可以提供监控、日志、缓存等系统性功能。
自然语言处理单元NLPU是底层智能化单元，通过NLP模型构建网络，对外提供基础的分词、语法分析、词性分析、语义理解、文本相似度、情感分析、文本分类等底层API。
智能知识库IKB存放结构化和非结构化知识，包括标准提问文本、标准答复文本等。可以通过三元组形式存储，提供知识检索接口，人工客服或客服机器人可通过该接口进行知识查找。
机器人服务单元是智能对话的核心模块，通过调用自然语言处理单元的基础智能化API，实现多轮对话、任务型对话等智能对话服务。
即时通信单元IM为用户与人工客服建立通信渠道，负责实现对话沟通、消息推送、聊天记录存储、在线状态管理和满意度评价等功能。
为了便于理解，下面结合附图图3对本申请实施例提供的人机协作的智能客服对话的流程进行进一步介绍。
参见图3，图3为本申请实施例提供的人机协作的智能客服对话的一种流程示意图。
如图3所示，在本申请的一种实施例中，人机协作的智能客服对话的流程包括以下步骤：
s1：用户输入目标提问文本。
s2：SAG进行安全认证，通过后通知服务管理单元。
s3：SMU通知即时通信单元建立对话。
s4：SMU调用NLPU进行转人工意图分析。若转人工意图置信度大于预设阈值，则为用户接通人工客服。
s5：转人工意图分析结果为不转人工，NLPU通知SMU。
s6：SMU通知机器人服务单元进行自动问答服务。
s7：机器人服务单元调用NLPU进行提问文本分析。
提问文本分析可以包括情感极性分析等。
s8：NLPU查询IKB中存储的知识，根据相似度提取相似提问文本。
s9：NLPU向机器人服务单元返回提问文本分析结果。
其中，提问文本分析结果可以包括提问文本的相似提问文本，相似提问文本的历史转人工率，情感极性分析结果，问答置信度等。
s10：机器人服务单元通知SMU自动问答处理完毕。
s11：SMU整理相似提问转人工率，用户历史转人工率，情感极性分析结果，问答置信度，并发送至NLPU。
s12：NLPU基于内置神经网络进行转人工判断，若判断结果为不转人工，通知SMU。
其中，NLPU可以内置预先训练完成的转人工判断模型，将SMU整理的特征输入转人工判断模型，即可得到转人工判断结果。若转人工判断结果为转人工，则为用户接通人工客服；若转人工判断结果为不转人工，则通知SMU。
s13：SMU通知IM为用户返回标准答复文本。
其中，标准答复文本可以是：与目标提问文本相似度最高的相似提问文本的标准答案。
s14：IM将标准答复文本发送至用户。
现有的智能客服平台，在转人工客服之后，客服机器人不再向用户提供服务。但人工客服单位时间内服务数量有限、专业化程度参差不齐，难以保障人工客服的高质量服务。
为了保障转人工客服后的服务质量，本申请的一个实施例中，在为用户接通人工客服之后，可以实时分析用户与人工客服的对话，基于对话分析结果提供实时辅助。
本申请的一个实施例中，在为用户接通人工客服之后，针对用户输入的每一提问文本进行意图识别，基于意图识别结果从标准问答数据库中检索第一候选答复文本，将第一候选答复文本发送至人工客服。
具体的，为用户接通人工客服后，SMU继续调用机器人服务单元，从而将用户的每一提问文本均发送至NLPU进行意图识别，以意图识别结果为依据，在标准问答数据库中检索置信度较高的多个标准答案，作为第一候选答复文本，将第一候选答复文本发送至人工客服，供人工客服参考。
例如，将所检索到的第一候选答复文本显示在人工客服所操作的界面中，人工客服可以参考并选择其中的任一条标准答案发送至用户。
本申请的一个实施例中，在为用户接通人工客服之后，对人工客服实时输入的答复文本进行分词，将分词结果转换为词向量，并拼接词向量，得到拼接向量；基于拼接向量，从标准答复文本库中实时检索第二候选答复文本，将实时检索得到的第二候选答复文本发送至人工客服。
具体的，为用户接通人工客服后，实时监控、分析人工客服输入的答复文本。对答复文本进行分词，得到分词向量，将分词向量拼接得到拼接向量。
基于相似度，匹配拼接向量与后台存储的标准答案，实时的选取相似度高的标准答案，作为第二候选答复文本，将实时检索得到的第二候选答复文本发送至人工客服，供人工客服参考，人工客服可以直接复制，以提升效率。
例如，人工客服输入了某个标准答复文本的第一句答复文本，对人工客服输入的答复文本进行分析，实时检索出完整的标准答复文本，并推送至人工客服，人工客服可以直接复制标准答复文本，不必手动输入，提升了效率。
本申请的一个实施例中，在为用户接通人工客服之后，针对用户输入的每一提问文本进行意图识别，当意图识别结果为页面跳转时，确定目标页面的访问插件，将访问插件推送至用户。
具体的，SMU还提供智能导航功能。NLPU对用户的提问文本进行意图识别后，如果解析用户意图为希望访问特定功能或界面时，NLPU可以通知SMU，SMU向用户推送访问插件，用户点击该访问插件可以直接跳转到希望访问的特定功能或界面。
本申请的一个实施例中，在为用户接通人工客服之后，对人工客服实时输入的答复文本进行关键词提取，将关键词与预先设置的不合规词汇进行匹配，基于匹配结果实时提示答复文本的合规性。
具体的，NLPU可以对人工客服实时输入的答复文本进行关键词提取，将提取到的关键词与不合规词汇进行匹配。其中不合规词汇是预先设置的黑名单词汇及其近义词。如果所提取的关键词未匹配搭配不合规词汇，则提示人工客服答复文本合规；若提取到的关键词能够匹配到不合规词汇，则提示人工客服答复文本存在不合规问题。
可见，本申请实施例提供的人机协作的智能客服对话方法，在为用户接通人工客服后，实时监控用户与人工客服的对话，进行对话文本实时分析，通过意图识别、相似度分析和关键词提取，提供标准答案提示、智能导航、合规提示等功能，实现人机协作，保障人工客服的服务质量。
为了便于理解，下面结合附图图4对本申请实施例提供的人机协作的智能客服对话的流程进行进一步介绍。
参见图4，图4为本申请实施例提供的人机协作的智能客服对话的另一种流程示意图。
如图4所示，在本申请的一种实施例中，人机协作的智能客服对话的流程包括以下步骤：
s1：用户输入目标提问文本。
s2：SMU调用NLPU进行转人工意图分析。
若转人工意图置信度大于预设阈值，则为用户接通人工客服。
s3：转人工意图分析结果为不转人工，NLPU通知SMU。
s4：SMU通知机器人服务单元，发送目标提问文本。
s5：机器人服务单元调用NLPU进行提问文本分析。
提问文本分析可以包括情感极性分析等。
s6：NLPU查询IKB中存储的知识，根据相似度提取相似提问文本。
s7：NLPU向机器人服务单元返回提问文本分析结果。
其中，提问文本分析结果可以包括提问文本的相似提问文本，相似提问文本的历史转人工率，情感极性分析结果，问答置信度等。
s8：机器人服务单元将提问文本分析结果反馈至SMU。
s9：SMU整理相似提问转人工率，用户历史转人工率，情感极性分析结果，问答置信度，并发送至NLPU。
s10：NLPU基于内置神经网络进行转人工判断，若判断结果为转人工，向IRU请求路由。
其中，NLPU可以内置预先训练完成的转人工判断模型，将SMU整理的特征输入转人工判断模型，即可得到转人工判断结果。
若转人工判断结果为转人工，向IRU请求路由。
s11：IRU为目标提问文本匹配合适的在线人工客服，将匹配结果反馈至SMU。
s12：SMU通知IM为人工客服和用户建立对话。
s13：SMU通知机器人服务单元对人工客服和用户的对话进行实时监控。
s14：机器人服务单元实时监控人工客服和用户的对话。
s15：机器人服务单元调用NLPU进行对话分析。
对话分析过程中，进行用户意图分析，合规性分析，用户导航意愿识别等。
s16：NLPU调用IKB检索知识。
具体的，NLPU调用IKB检索相似度符合要求的标准答复文本，作为候选答复文本。
s17：NLPU向SMU提供协作服务。
协作服务可以包括标准答案提示、智能导航、合规提示等服务。
循环s15-s17，直到用户与人工客服对话结束。
可见，在为用户接通人工客服后，实时监控用户与人工客服的对话，进行对话文本实时分析，通过意图识别、相似度分析和关键词提取，提供标准答案提示、智能导航、合规提示等功能，实现人机协作，保障人工客服的服务质量。
相应于本申请实施例提供的人机协作的智能客服对话方法，本申请实施例还提供了一种人机协作的智能客服对话装置，参见图5，图5为本申请实施例提供的人机协作的智能客服对话装置的一种结构示意图，装置可以包括以下模块：
获取模块501，用于获取用户输入的目标提问文本，对所述目标提问文本进行转人工意图分析，确定转人工意图置信度，根据所述转人工意图置信度判断是否转人工客服；若是，为所述用户接通人工客服；
情感分析模块502，用于若根据所述转人工意图置信度判断不转人工客服，对所述目标提问文本进行情感极性分析，得到情感极性分析结果；
计算模块503，用于从标准提问文本库中检索所述目标提问文本的多个相似提问文本，并基于每一相似提问文本与所述目标提问文本的相似度、以及该相似提问文本的历史转人工率计算所述目标提问文本的相似提问转人工率；
模型判断模块504，用于将所述用户的历史转人工率、所述情感极性分析结果、所述相似提问转人工率，以及所述目标提问文本的问答置信度输入预先训练的转人工判断模型，得到转人工判断结果；其中，所述转人工判断模型是根据样本用户的历史转人工率、样本提问文本的情感极性分析结果、样本提问文本的相似提问转人工率、样本提问文本的问答置信度、以及样本提问文本的转人工标签训练的；若所述转人工判断结果为转人工，为所述用户接通人工客服；
答复模块505，用于若所述转人工判断结果为不转人工，则确定所述目标提问文本的标准答复文本，将所述标准答复文本发送至所述用户。
在本申请的一种实施例中，在图5所示装置基础上，还可以包括：
实时辅助模块，用于在为所述用户接通人工客服之后，实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助。
在本申请的一种实施例中，实时辅助模块，具体可以用于：针对用户输入的每一提问文本进行意图识别，基于意图识别结果从标准问答数据库中检索第一候选答复文本，将所述第一候选答复文本发送至人工客服。
在本申请的一种实施例中，实时辅助模块，具体可以用于：对所述人工客服实时输入的答复文本进行分词，将分词结果转换为词向量，并拼接词向量，得到拼接向量；基于所述拼接向量，从标准答复文本库中实时检索第二候选答复文本，将实时检索得到的第二候选答复文本发送至人工客服。
在本申请的一种实施例中，实时辅助模块，具体可以用于：针对用户输入的每一提问文本进行意图识别，当意图识别结果为页面跳转时，确定目标页面的访问插件，将所述访问插件推送至所述用户。
在本申请的一种实施例中，实时辅助模块，具体可以用于：对所述人工客服实时输入的答复文本进行关键词提取，将所述关键词与预先设置的不合规词汇进行匹配，基于匹配结果实时提示所述答复文本的合规性。
采用本申请实施例提供的人机协作的智能客服对话装置，获取用户输入的目标提问文本，对目标提问文本进行转人工意图分析，确定转人工意图置信度，根据转人工意图置信度判断是否转人工客服；若是，为用户接通人工客服；若否，对目标提问文本进行情感极性分析，得到情感极性分析结果；从标准提问文本库中检索目标提问文本的多个相似提问文本，并基于每一相似提问文本与目标提问文本的相似度、以及该相似提问文本的历史转人工率计算目标提问文本的相似提问转人工率；将用户的历史转人工率、情感极性分析结果、相似提问转人工率，以及目标提问文本的问答置信度输入预先训练的转人工判断模型，得到转人工判断结果；其中，转人工判断模型是根据样本用户的历史转人工率、样本提问文本的情感极性分析结果、样本提问文本的相似提问转人工率、样本提问文本的问答置信度、以及样本提问文本的转人工标签训练的；若转人工判断结果为转人工，为用户接通人工客服；若转人工判断结果为不转人工，则确定目标提问文本的标准答复文本，将标准答复文本发送至用户。
可见，能够识别用户的转人工意图，根据转人工意图置信度判断是否转人工，并且结合用户历史转人工率、情感极性分析结果、相似问题转人工率和问答置信度多个维度的特征训练神经网络模型，训练好的神经网络模型能够检测客服机器人是否能够满足用户需求，若神经网络模型的输出结果为转人工，表征客服机器人无法满足用户需求，则在用户无感知的情况下，自动转接人工客服，以更好的满足用户需求，提升了用户体验，降低用户流失率。
并且，在为用户接通人工客服后，实时监控用户与人工客服的对话，进行对话文本实时分析，通过意图识别、相似度分析和关键词提取，提供标准答案提示、智能导航、合规提示等功能，实现人机协作，保障人工客服的服务质量。
其中，方法和装置是基于同一申请构思的，由于方法和装置解决问题的原理相似，因此装置和方法的实施可以相互参见，重复之处不再赘述。
本申请实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现如下步骤：
获取用户输入的目标提问文本，对所述目标提问文本进行转人工意图分析，确定转人工意图置信度，根据所述转人工意图置信度判断是否转人工客服；若是，为所述用户接通人工客服；
若否，对所述目标提问文本进行情感极性分析，得到情感极性分析结果；
从标准提问文本库中检索所述目标提问文本的多个相似提问文本，并基于每一相似提问文本与所述目标提问文本的相似度、以及该相似提问文本的历史转人工率计算所述目标提问文本的相似提问转人工率；
将所述用户的历史转人工率、所述情感极性分析结果、所述相似提问转人工率，以及所述目标提问文本的问答置信度输入预先训练的转人工判断模型，得到转人工判断结果；其中，所述转人工判断模型是根据样本用户的历史转人工率、样本提问文本的情感极性分析结果、样本提问文本的相似提问转人工率、样本提问文本的问答置信度、以及样本提问文本的转人工标签训练的；若所述转人工判断结果为转人工，为所述用户接通人工客服；
若所述转人工判断结果为不转人工，则确定所述目标提问文本的标准答复文本，将所述标准答复文本发送至所述用户。
上述电子设备提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应用本申请实施例提供的电子设备，能够识别用户的转人工意图，根据转人工意图置信度判断是否转人工，并且结合用户历史转人工率、情感极性分析结果、相似问题转人工率和问答置信度多个维度的特征训练神经网络模型，训练好的神经网络模型能够检测客服机器人是否能够满足用户需求，若神经网络模型的输出结果为转人工，表征客服机器人无法满足用户需求，则在用户无感知的情况下，自动转接人工客服，以更好的满足用户需求，提升了用户体验，降低用户流失率。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述任一人机协作的智能客服对话方法的步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一人机协作的智能客服对话方法的步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于人机协作的智能客服对话装置、电子设备、计算机可读存储介质及计算机程序产品实施例而言，由于其基本相似于人机协作的智能客服对话方法实施例，所以描述的比较简单，相关之处参见人机协作的智能客服对话方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (10)

1.一种人机协作的智能客服对话方法，其特征在于，所述方法包括：
获取用户输入的目标提问文本，对所述目标提问文本进行转人工意图分析，确定转人工意图置信度，根据所述转人工意图置信度判断是否转人工客服；若是，为所述用户接通人工客服；
若否，对所述目标提问文本进行情感极性分析，得到情感极性分析结果；
从标准提问文本库中检索所述目标提问文本的多个相似提问文本，并基于每一相似提问文本与所述目标提问文本的相似度、以及该相似提问文本的历史转人工率计算所述目标提问文本的相似提问转人工率；
将所述用户的历史转人工率、所述情感极性分析结果、所述相似提问转人工率，以及所述目标提问文本的问答置信度输入预先训练的转人工判断模型，得到转人工判断结果；其中，所述转人工判断模型是根据样本用户的历史转人工率、样本提问文本的情感极性分析结果、样本提问文本的相似提问转人工率、样本提问文本的问答置信度、以及样本提问文本的转人工标签训练的；若所述转人工判断结果为转人工，为所述用户接通人工客服；
若所述转人工判断结果为不转人工，则确定所述目标提问文本的标准答复文本，将所述标准答复文本发送至所述用户。
2.根据权利要求1所述的方法，其特征在于，在为所述用户接通人工客服之后，还包括：
实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助。
3.根据权利要求2所述的方法，其特征在于，所述实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助的步骤，包括：
针对用户输入的每一提问文本进行意图识别，基于意图识别结果从标准问答数据库中检索第一候选答复文本，将所述第一候选答复文本发送至人工客服。
4.根据权利要求2所述的方法，其特征在于，所述实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助的步骤，包括：
对所述人工客服实时输入的答复文本进行分词，将分词结果转换为词向量，并拼接词向量，得到拼接向量；
基于所述拼接向量，从标准答复文本库中实时检索第二候选答复文本，将实时检索得到的第二候选答复文本发送至人工客服。
5.根据权利要求2所述的方法，其特征在于，所述实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助的步骤，包括：
针对用户输入的每一提问文本进行意图识别，当意图识别结果为页面跳转时，确定目标页面的访问插件，将所述访问插件推送至所述用户。
6.根据权利要求2所述的方法，其特征在于，所述实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助的步骤，包括：
对所述人工客服实时输入的答复文本进行关键词提取，将所述关键词与预先设置的不合规词汇进行匹配，基于匹配结果实时提示所述答复文本的合规性。
7.一种人机协作的智能客服对话装置，其特征在于，所述装置包括：
获取模块，用于获取用户输入的目标提问文本，对所述目标提问文本进行转人工意图分析，确定转人工意图置信度，根据所述转人工意图置信度判断是否转人工客服；若是，为所述用户接通人工客服；
情感分析模块，用于若根据所述转人工意图置信度判断不转人工客服，对所述目标提问文本进行情感极性分析，得到情感极性分析结果；
计算模块，用于从标准提问文本库中检索所述目标提问文本的多个相似提问文本，并基于每一相似提问文本与所述目标提问文本的相似度、以及该相似提问文本的历史转人工率计算所述目标提问文本的相似提问转人工率；
模型判断模块，用于将所述用户的历史转人工率、所述情感极性分析结果、所述相似提问转人工率，以及所述目标提问文本的问答置信度输入预先训练的转人工判断模型，得到转人工判断结果；其中，所述转人工判断模型是根据样本用户的历史转人工率、样本提问文本的情感极性分析结果、样本提问文本的相似提问转人工率、样本提问文本的问答置信度、以及样本提问文本的转人工标签训练的；若所述转人工判断结果为转人工，为所述用户接通人工客服；
答复模块，用于若所述转人工判断结果为不转人工，则确定所述目标提问文本的标准答复文本，将所述标准答复文本发送至所述用户。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
实时辅助模块，用于在为所述用户接通人工客服之后，实时分析所述用户与所述人工客服的对话，基于对话分析结果提供实时辅助。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
CN202110822192.4A 2021-07-21 2021-07-21 人机协作的智能客服对话方法及装置 Active CN113282737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110822192.4A CN113282737B (zh) 2021-07-21 2021-07-21 人机协作的智能客服对话方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110822192.4A CN113282737B (zh) 2021-07-21 2021-07-21 人机协作的智能客服对话方法及装置

Publications (2)

Publication Number Publication Date
CN113282737A true CN113282737A (zh) 2021-08-20
CN113282737B CN113282737B (zh) 2021-11-12

Family

ID=77286789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110822192.4A Active CN113282737B (zh) 2021-07-21 2021-07-21 人机协作的智能客服对话方法及装置

Country Status (1)

Country Link
CN (1) CN113282737B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970559A (zh) * 2022-05-18 2022-08-30 马上消费金融股份有限公司 智能应答方法及装置
CN115860823A (zh) * 2023-03-03 2023-03-28 深圳市人马互动科技有限公司 人机互动问卷答题场景中的数据处理方法及相关产品
CN116911313A (zh) * 2023-09-12 2023-10-20 深圳须弥云图空间科技有限公司 一种语义漂移文本的识别方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105591882A (zh) * 2015-12-10 2016-05-18 北京中科汇联科技股份有限公司 一种智能机器人与人混合客服的方法及系统
US20160247068A1 (en) * 2013-11-01 2016-08-25 Tencent Technology (Shenzhen) Company Limited System and method for automatic question answering
US20160379106A1 (en) * 2015-06-25 2016-12-29 Baidu Online Network Technology (Beijing) Co., Ltd. Human-computer intelligence chatting method and device based on artificial intelligence
CN110033281A (zh) * 2018-01-11 2019-07-19 中兴通讯股份有限公司 一种智能客服至人工客服转换的方法及装置
CN110069607A (zh) * 2017-12-14 2019-07-30 株式会社日立制作所 用于客户服务的方法、装置、电子设备、计算机可读存储介质
CN110096570A (zh) * 2019-04-09 2019-08-06 苏宁易购集团股份有限公司 一种应用于智能客服机器人的意图识别方法及装置
CN110162611A (zh) * 2019-04-23 2019-08-23 苏宁易购集团股份有限公司 一种智能客服应答方法及系统
CN110991178A (zh) * 2019-11-08 2020-04-10 苏宁金融科技(南京)有限公司 智能客服与人工客服的切换方法、装置及计算机设备
CN111309889A (zh) * 2020-02-27 2020-06-19 支付宝(杭州)信息技术有限公司 用于文本处理的方法和装置
CN112632244A (zh) * 2020-12-18 2021-04-09 平安普惠企业管理有限公司 一种人机通话的优化方法、装置、计算机设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160247068A1 (en) * 2013-11-01 2016-08-25 Tencent Technology (Shenzhen) Company Limited System and method for automatic question answering
US20160379106A1 (en) * 2015-06-25 2016-12-29 Baidu Online Network Technology (Beijing) Co., Ltd. Human-computer intelligence chatting method and device based on artificial intelligence
CN105591882A (zh) * 2015-12-10 2016-05-18 北京中科汇联科技股份有限公司 一种智能机器人与人混合客服的方法及系统
CN110069607A (zh) * 2017-12-14 2019-07-30 株式会社日立制作所 用于客户服务的方法、装置、电子设备、计算机可读存储介质
CN110033281A (zh) * 2018-01-11 2019-07-19 中兴通讯股份有限公司 一种智能客服至人工客服转换的方法及装置
CN110096570A (zh) * 2019-04-09 2019-08-06 苏宁易购集团股份有限公司 一种应用于智能客服机器人的意图识别方法及装置
CN110162611A (zh) * 2019-04-23 2019-08-23 苏宁易购集团股份有限公司 一种智能客服应答方法及系统
CN110991178A (zh) * 2019-11-08 2020-04-10 苏宁金融科技(南京)有限公司 智能客服与人工客服的切换方法、装置及计算机设备
CN111309889A (zh) * 2020-02-27 2020-06-19 支付宝(杭州)信息技术有限公司 用于文本处理的方法和装置
CN112632244A (zh) * 2020-12-18 2021-04-09 平安普惠企业管理有限公司 一种人机通话的优化方法、装置、计算机设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970559A (zh) * 2022-05-18 2022-08-30 马上消费金融股份有限公司 智能应答方法及装置
CN114970559B (zh) * 2022-05-18 2024-02-02 马上消费金融股份有限公司 智能应答方法及装置
CN115860823A (zh) * 2023-03-03 2023-03-28 深圳市人马互动科技有限公司 人机互动问卷答题场景中的数据处理方法及相关产品
CN116911313A (zh) * 2023-09-12 2023-10-20 深圳须弥云图空间科技有限公司 一种语义漂移文本的识别方法及装置
CN116911313B (zh) * 2023-09-12 2024-02-20 深圳须弥云图空间科技有限公司 一种语义漂移文本的识别方法及装置

Also Published As

Publication number Publication date
CN113282737B (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN113282737B (zh) 人机协作的智能客服对话方法及装置
CN111028827B (zh) 基于情绪识别的交互处理方法、装置、设备和存储介质
CN111104495B (zh) 基于意图识别的信息交互方法、装置、设备和存储介质
CN107818798B (zh) 客服服务质量评价方法、装置、设备及存储介质
CN111046132B (zh) 一种检索多轮对话的客服问答处理方法及其系统
CN111932144B (zh) 一种客服坐席分配方法、装置、服务器及存储介质
CN108073600A (zh) 一种智能问答交互方法、装置以及电子设备
US10135989B1 (en) Personalized support routing based on paralinguistic information
CN107886949A (zh) 一种内容推荐方法及装置
CA3062776C (en) Integrating virtual and human agents in a multi-channel support system for complex software applications
CA2823835C (en) Voice search and response based on relevancy
CN115665325A (zh) 一种智能外呼的方法、装置、电子设备及存储介质
CN115643341A (zh) 人工智能客服应答系统
CN116431806A (zh) 自然语言理解方法及冰箱
TWI751504B (zh) 人機協作對話系統與方法
CN112667792A (zh) 人机对话数据处理方法、装置、计算机设备和存储介质
US20220201121A1 (en) System, method and apparatus for conversational guidance
CN113111157A (zh) 问答处理方法、装置、计算机设备和存储介质
CN111460106A (zh) 一种信息交互方法、装置及设备
EP4093005A1 (en) System method and apparatus for combining words and behaviors
CN113570324A (zh) 外呼流程编辑方法、装置、电子设备及存储介质
CN117271722A (zh) 信息处理方法、装置、设备及存储介质
CN115687590A (zh) 一种应用于门诊咨询的自动化ai处理方法
CN111324703A (zh) 人机对话方法及模拟人声进行人机对话的玩偶
CN116663571A (zh) 翻译方法、装置、电子设备以及计算机可读存储介质

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