CN113312468B - 基于对话模式的话术推荐方法、装置、设备及介质 - Google Patents

基于对话模式的话术推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN113312468B
CN113312468B CN202110868954.4A CN202110868954A CN113312468B CN 113312468 B CN113312468 B CN 113312468B CN 202110868954 A CN202110868954 A CN 202110868954A CN 113312468 B CN113312468 B CN 113312468B
Authority
CN
China
Prior art keywords
voice
mode
customer service
dialog
conversation
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
Application number
CN202110868954.4A
Other languages
English (en)
Other versions
CN113312468A (zh
Inventor
刘元震
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110868954.4A priority Critical patent/CN113312468B/zh
Publication of CN113312468A publication Critical patent/CN113312468A/zh
Application granted granted Critical
Publication of CN113312468B publication Critical patent/CN113312468B/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
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state

Abstract

本发明涉及人工智能领域，提供一种基于对话模式的话术推荐方法、装置、设备及介质，能够基于训练得到的情感分类模型自动进行情感分类，无需人工介入，基于构建的话术‑对话模式推荐模型自动进行话术的推荐及对话模式的推荐，将话术推荐及对话模式推荐转化为点击率预估问题，以辅助客服与客户进行更好的沟通，根据用户及客服的实时对话内容实时分析用户的情感，并根据用户的情感及客服的回答实时推荐话术及对话模式，以搜索推荐模式解决了传统的问答问题，有效提升了客服的回答质量，同时为用户提供了更加满意的服务，增加了客户粘性，并降低了客诉率。此外，本发明还涉及区块链技术，训练得到的模型可存储于区块链节点中。

Description

基于对话模式的话术推荐方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于对话模式的话术推荐方法、装置、设备及介质。
背景技术
随着电子商务以及电子政务等新业务场景的发展，智能客服已经被广泛应用。智能客服主要分为单轮问答及多轮问答，用以解决不同的用户诉求。其中，单轮问答的智能客服相对简单，业内技术比较成熟，实现方式主要包括文本检索和基于知识图谱的问答；而多轮问答的智能客服相对复杂，在单轮问答的基础上还融入了上下文，以便为用户提供更加准确的回答，防止回答顾此失彼。
但是，现有技术中，完全基于机器的多轮问答智能客服还无法应对用户跳跃式的询问。目前采用的融入上下文注意力模型在面对较长、较多的问答轮次时表现效果较差，因此，在智能客服场景下，还提供了转人工客服的解决方案，用于应对用户对智能客服的不满，或者应对用户的紧急诉求。
然而，人工客服一般需要经过专业培训，要求具备丰富的业务知识和热情的服务态度，但在很多场景下，人工客服也会受到情绪化的影响，引起用户不必要的误解。因此，在人工客服每次回答用户的问题前，及时的推荐给人工客服以更加友好热情的回答候选语句显得尤为必要。比如用户很生气的说“如果你们再不解决，我就要退货给差评了”，一般客服的回答可能为“稍等，我们正在处理”，回应显得较为正式，用户的情绪可能无法得到安抚。此时，如果捕捉到了用户的情绪，并能为客服及时推荐更加有助于安抚用户情绪的话术，如“我正在激烈思考怎么样给您更好的解决办法，马上就好了”，将更加有助于提高用户的体验，同时降低了客诉率。
发明内容
本发明实施例提供了一种基于对话模式的话术推荐方法、装置、设备及介质，能够根据用户及客服的实时对话内容实时分析用户的情感，并根据用户的情感及客服的回答实时推荐话术及对话模式，以搜索推荐模式解决了传统的问答问题，有效提升了客服的回答质量，同时为用户提供了更加满意的服务，增加了客户粘性，并降低了客诉率。
第一方面，本发明实施例提供了一种基于对话模式的话术推荐方法，其包括：
获取历史对话数据，根据上传的对所述历史对话数据的情感标注构建第一训练集，并利用所述第一训练集训练预设分类模型，得到情感分类模型；
对所述历史对话数据进行筛选及转化，得到第二训练集；
利用所述情感分类模型对所述第二训练集中的数据进行情感分类，得到带有情感分类的训练集；
利用所述带有情感分类的训练集训练点击通过率模型，得到话术-对话模式推荐模型；
当检测到对话时，实时采集目标用户输入的语音作为目标用户语音，及实时采集目标客服输入的语音作为目标客服语音；
利用所述情感分类模型对所述目标用户语音进行情感分类，得到当前情感类型；
利用所述目标客服语音在指定数据库中进行查询，得到查询结果，并对所述查询结果进行初筛，得到至少一个候选话术；
基于所述当前情感类型、所述目标用户语音、所述目标客服语音及所述至少一个候选话术分别构建至少一个目标特征，并将所述至少一个目标特征分别输入至所述话术-对话模式推荐模型，并根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式；
将所述推荐话术及所述推荐对话模式显示在预先定义的备选区域。
根据本发明优选实施例，所述对所述历史对话数据进行筛选及转化，得到第二训练集包括：
从所述历史对话数据中筛选出低满意度的对话数据作为候选对话；
从所述候选对话中筛选出客服语音；
获取预先配置的对话模式；
在每种对话模式下，采用seq2seq模型对所述客服语音进行改写，得到每种对话模式对应的更新语音；
启动配置搜索引擎，并利用所述配置搜索引擎对每种对话模式对应的更新语音进行初筛，得到每种对话模式对应的候选语音；
整合每种对话模式对应的候选语音，得到所述第二训练集。
根据本发明优选实施例，所述利用所述带有情感分类的训练集训练点击通过率模型，得到话术-对话模式推荐模型包括：
从所述带有情感分类的训练集中获取所述客服语音、与所述客服语音对应的更新语音及所述客服语音对应的情感类型构建字面交叉特征；
从所述历史对话数据中获取与所述客服语音对应的用户语音；
利用word2vec算法将所述用户语音转化为用户向量，及将所述客服语音对应的所述候选语音转化为候选向量；
计算所述用户向量与所述候选向量间的余弦距离，得到向量交叉特征；
利用所述候选语音及所述客服语音构建二部图特征；
利用所述字面交叉特征、所述向量交叉特征及所述二部图特征训练所述点击通过率模型，得到所述话术-对话模式推荐模型。
根据本发明优选实施例，所述利用所述候选语音及所述客服语音构建二部图特征包括：
从所述候选语音及所述客服语音中识别同时出现的候选语音及客服语音，并利用识别到的候选语音及客服语音建立话术组，其中，每个话术组中包括一个客服语音及同时出现的一个候选语音；
计算每个话术组的出现次数；
根据每个话术组的出现次数建立所述二部图特征。
根据本发明优选实施例，所述根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式包括：
从所述话术-对话模式推荐模型的输出中获取所述至少一个候选话术中每个候选话术对应的点击率；
将每个候选话术对应的点击率确定为每个候选话术的评分，并从所述至少一个候选话术中获取所述评分最高的候选话术作为所述推荐话术；
获取与所述推荐话术对应的对话模式，并将获取到的对话模式确定为所述推荐对话模式。
根据本发明优选实施例，所述方法还包括：
响应于定期触发的模型优化指令，确定当前时间戳，并获取至所述当前时间戳的新增数据；
将所述新增数据输入至预先训练的样本分类模型，并获取所述样本分类模型的输出构建优化样本，其中，所述优化样本包括正样本及负样本；
为所述正样本及所述负样本配置点击率，其中，所述正样本的点击率高于所述负样本的点击率；
将配置的点击率确定为训练目标，利用所述优化样本对所述话术-对话模式推荐模型进行补充训练；
当所述话术-对话模式推荐模型达到收敛时，停止训练，得到优化后的所述话术-对话模式推荐模型。
根据本发明优选实施例，在将所述新增数据输入至预先训练的样本分类模型前，所述方法还包括：
采集线上行为日志，其中，所述线上行为日志包括所有用户的满意度评价操作及所有客服对于所述推荐话术及所述推荐对话模式的选择操作；
解析所述所有用户的满意度评价操作，并获取表示满意的操作所对应的话术及对话模式添加至第一样本集，获取表示不满意的操作所对应的话术及对话模式添加至第二样本集；
根据所述线上行为日志识别出被所述所有客服选择的话术及对话模式，并将识别出的话术及对话模式添加至所述第一样本集；
根据所述线上行为日志识别出未被所述所有客服选择的话术及对话模式，并将识别出的话术及对话模式添加至所述第二样本集；
组合所述第一样本集与所述第二样本集得到训练集；
利用所述训练集训练预设二分类模型，得到所述样本分类模型。
第二方面，本发明实施例提供了一种基于对话模式的话术推荐装置，其包括：
训练单元，用于获取历史对话数据，根据上传的对所述历史对话数据的情感标注构建第一训练集，并利用所述第一训练集训练预设分类模型，得到情感分类模型；
转化单元，用于对所述历史对话数据进行筛选及转化，得到第二训练集；
分类单元，用于利用所述情感分类模型对所述第二训练集中的数据进行情感分类，得到带有情感分类的训练集；
所述训练单元，还用于利用所述带有情感分类的训练集训练点击通过率模型，得到话术-对话模式推荐模型；
采集单元，用于当检测到对话时，实时采集目标用户输入的语音作为目标用户语音，及实时采集目标客服输入的语音作为目标客服语音；
所述分类单元，还用于利用所述情感分类模型对所述目标用户语音进行情感分类，得到当前情感类型；
初筛单元，用于利用所述目标客服语音在指定数据库中进行查询，得到查询结果，并对所述查询结果进行初筛，得到至少一个候选话术；
确定单元，用于基于所述当前情感类型、所述目标用户语音、所述目标客服语音及所述至少一个候选话术分别构建至少一个目标特征，并将所述至少一个目标特征分别输入至所述话术-对话模式推荐模型，并根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式；
显示单元，用于将所述推荐话术及所述推荐对话模式显示在预先定义的备选区域。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于对话模式的话术推荐方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于对话模式的话术推荐方法。
本发明实施例提供了一种基于对话模式的话术推荐方法、装置、设备及介质，能够获取历史对话数据，根据上传的对所述历史对话数据的情感标注构建第一训练集，并利用所述第一训练集训练预设分类模型，得到情感分类模型，对所述历史对话数据进行筛选及转化，得到第二训练集，利用所述情感分类模型对所述第二训练集中的数据进行情感分类，得到带有情感分类的训练集，能够基于训练得到的所述情感分类模型自动进行情感分类，无需人工介入，利用所述带有情感分类的训练集训练点击通过率模型，得到话术-对话模式推荐模型，将话术推荐及对话模式推荐转化为点击率预估问题，以实现更加精准的推荐，当检测到对话时，实时采集目标用户输入的语音作为目标用户语音，及实时采集目标客服输入的语音作为目标客服语音，通过对对话进行实时地采集，能够确保及时响应，以辅助客服与用户进行更好的沟通，利用所述情感分类模型对所述目标用户语音进行情感分类，得到当前情感类型，利用所述目标客服语音在指定数据库中进行查询，得到查询结果，并对所述查询结果进行初筛，得到至少一个候选话术，基于所述当前情感类型、所述目标用户语音、所述目标客服语音及所述至少一个候选话术分别构建至少一个目标特征，并将所述至少一个目标特征分别输入至所述话术-对话模式推荐模型，并根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式，基于构建的话术-对话模式推荐模型自动进行话术的推荐及对话模式的推荐，以辅助客服与客户进行更好的沟通，将所述推荐话术及所述推荐对话模式显示在预先定义的备选区域，根据用户及客服的实时对话内容实时分析用户的情感，并根据用户的情感及客服的回答实时推荐话术及对话模式，以搜索推荐模式解决了传统的问答问题，有效提升了客服的回答质量，同时为用户提供了更加满意的服务，增加了客户粘性，并降低了客诉率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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附图。
图1为本发明实施例提供的基于对话模式的话术推荐方法的流程示意图；
图2为本发明实施例提供的基于对话模式的话术推荐装置的示意性框图；
图3为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，为本发明实施例提供的基于对话模式的话术推荐方法的流程示意图。
S10，获取历史对话数据，根据上传的对所述历史对话数据的情感标注构建第一训练集，并利用所述第一训练集训练预设分类模型，得到情感分类模型。
其中，所述历史对话数据包括相关平台的数据库中所保留的客户与客服之间的对话数据，如：A购物平台上客服与用户的对话数据。
可以理解的是，原始的所述历史对话数据中是不存在情感标注的，因此，为了后续训练所述情感分类模型，首先需要对所述历史对话数据进行情感标注，以构建所述第一训练集。
具体地，可以利用人工对所述历史对话数据进行情感标注，本发明不限制。
进一步地，所述预设分类模型可以包括任意具有分类作用的分类模型，如支持向量机（Support Vector Machine，SVM）模型、逻辑回归模型(Logistic Regression，LR)、FastText（快速的文本分类器）等。
在本发明的至少一个实施例中，所述利用所述第一训练集训练预设分类模型，得到情感分类模型包括：
将标注的情感确定为训练目标，将所述第一训练集确定为训练数据训练所述预设分类模型，直至所述预设分类模型预测的准确率达到预设准确率，停止训练，得到所述情感分类模型。
其中，所述预设准确率可以进行自定义配置。
例如：为了提高模型整体的预测准确度，可以将所述预设准确率配置为98%。
通过上述实施方式，能够训练得到所述情感分类模型，以供后续根据用户输入的语音进行情感分类使用。
S11，对所述历史对话数据进行筛选及转化，得到第二训练集。
可以理解的是，所述历史对话数据中包括大量数据，因此，为了提高模型训练的效果，还需要对所述历史对话数据进行进一步地处理。
在本发明的至少一个实施例中，所述对所述历史对话数据进行筛选及转化，得到第二训练集包括：
从所述历史对话数据中筛选出低满意度的对话数据作为候选对话；
从所述候选对话中筛选出客服语音；
获取预先配置的对话模式；
在每种对话模式下，采用seq2seq模型对所述客服语音进行改写，得到每种对话模式对应的更新语音；
启动配置搜索引擎，并利用所述配置搜索引擎对每种对话模式对应的更新语音进行初筛，得到每种对话模式对应的候选语音；
整合每种对话模式对应的候选语音，得到所述第二训练集。
具体地，在本实施例中，可以根据用户的评价确定用户的满意度，进而获取到所述低满意度的对话数据。
其中，所述预先配置的对话模式可以包括，但不限于：高情商对话模式、搞笑对话模式。具体的对话模式可以根据实际需求进行自定义配置，本发明对所述对话模式的类型不做限制。
在其他实施例中，为了进一步提高改写的正确性，在采用所述seq2seq模型对所述客服语音进行改写后，还可以基于人工对改写后的每种对话模式对应的更新语音进行人为修饰及修正，以便进行更加人性化的改写。
在本实施例中，所述配置搜索引擎可以包括Elasticsearch搜索引擎。
例如：训练的模型主要针对的是产品C，则对话内容应该都与所述产品C相关，因此，可以将所述产品C的名称作为关键字，并基于所述产品C的名称，利用所述Elasticsearch搜索引擎进行初筛，使筛选出的数据都与所述产品C相关，以缩小检索的范围，提高了效率。
S12，利用所述情感分类模型对所述第二训练集中的数据进行情感分类，得到带有情感分类的训练集。
例如：假设所述情感分类模型对应于三种情感类型：一般，积极，消极。那么，在利用所述情感分类模型对所述第二训练集中的数据进行情感分类后，得到的训练集中，每个数据的情感类型也将被对应标记为一般、积极或者消极。
通过上述实施方式，能够基于训练得到的所述情感分类模型自动进行情感分类，无需人工介入。
S13，利用所述带有情感分类的训练集训练点击通过率模型（Click-Through-Rate，CTR），得到话术-对话模式推荐模型。
具体地，所述利用所述带有情感分类的训练集训练点击通过率模型，得到话术-对话模式推荐模型包括：
从所述带有情感分类的训练集中获取所述客服语音、与所述客服语音对应的更新语音及所述客服语音对应的情感类型构建字面交叉特征；
从所述历史对话数据中获取与所述客服语音对应的用户语音；
利用word2vec算法将所述用户语音转化为用户向量，及将所述客服语音对应的所述候选语音转化为候选向量；
计算所述用户向量与所述候选向量间的余弦距离，得到向量交叉特征；
利用所述候选语音及所述客服语音构建二部图特征；
利用所述字面交叉特征、所述向量交叉特征及所述二部图特征训练所述点击通过率模型，得到所述话术-对话模式推荐模型。
通过上述实施方式，能够在字面特征、向量特征、二部图特征多个维度的特征上训练所述话术-对话模式推荐模型，使训练得到的模型的准确度更高。
其中，所述利用所述候选语音及所述客服语音构建二部图特征包括：
从所述候选语音及所述客服语音中识别同时出现的候选语音及客服语音，并利用识别到的候选语音及客服语音建立话术组，其中，每个话术组中包括一个客服语音及同时出现的一个候选语音；
计算每个话术组的出现次数；
根据每个话术组的出现次数建立所述二部图特征。
可以理解的是，出现的次数越高，则代表二者越匹配。
通过上述实施方式，能够将话术推荐及对话模式推荐转化为点击率预估问题，以实现更加精准的推荐。
S14，当检测到对话时，实时采集目标用户输入的语音作为目标用户语音，及实时采集目标客服输入的语音作为目标客服语音。
在本实施例中，可以采用与所述目标客服的客户端相连接的语音采集装置进行语音的采集。
在上述实施方式中，通过对对话进行实时地采集，能够确保及时响应，以辅助客服与用户进行更好的沟通。
S15，利用所述情感分类模型对所述目标用户语音进行情感分类，得到当前情感类型。
在本发明的至少一个实施例中，所述利用所述情感分类模型对所述目标用户语音进行情感分类，得到当前情感类型包括：
将所述目标用户语音输入至所述情感分类模型，并获取所述情感分类模型的输出数据作为所述当前情感类型。
例如：当所述目标用户语音为“你们的办事效率太低了，再不解决问题我要投诉了”，输入至所述情感分类模型后，所述情感分类模型的输出为“消极”，则确定所述当前情感类型为“消极”。
S16，利用所述目标客服语音在指定数据库中进行查询，得到查询结果，并对所述查询结果进行初筛，得到至少一个候选话术。
在本实施例中，所述指定数据库可以为存储着所有客服的话术的数据库，本发明不限制。
在本实施例中，可以采用所述配置搜索引擎Elasticsearch搜索引擎对所述查询结果进行初筛，以获取到所述至少一个候选话术。
S17，基于所述当前情感类型、所述目标用户语音、所述目标客服语音及所述至少一个候选话术分别构建至少一个目标特征，并将所述至少一个目标特征分别输入至所述话术-对话模式推荐模型，并根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式。
在本实施例中，基于所述当前情感类型、所述目标用户语音、所述目标客服语音及所述至少一个候选话术分别构建至少一个目标特征的方式与前文训练所述话术-对话模式推荐模型时构建特征的方式类似，在此不赘述。
在本发明的至少一个实施例中，所述根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式包括：
从所述话术-对话模式推荐模型的输出中获取所述至少一个候选话术中每个候选话术对应的点击率；
将每个候选话术对应的点击率确定为每个候选话术的评分，并从所述至少一个候选话术中获取所述评分最高的候选话术作为所述推荐话术；
获取与所述推荐话术对应的对话模式，并将获取到的对话模式确定为所述推荐对话模式。
例如：当所述当前情感类型为“消极”，所述目标客服语音为“我们正在处理”时，基于所述当前情感类型“消极”，将利用所述目标客服语音进行初筛后得到的至少一个候选话术分别输入至所述话术-对话模式推荐模型，输出每种候选话术的评分，获取所述评分最高的候选话术“我正在激烈的思考中，一定快马加鞭解决您的问题，已经看到曙光”，将所述评分最高的候选话术确定为所述推荐话术，同时，将与所述评分最高的候选话术“我正在激烈的思考中，一定快马加鞭解决您的问题，已经看到曙光”相对应的对话模式“高情商对话模式”确定为所述推荐对话模式。
通过上述实施方式，能够基于构建的话术-对话模式推荐模型自动进行话术的推荐及对话模式的推荐，以辅助客服与客户进行更好的沟通。
S18，将所述推荐话术及所述推荐对话模式显示在预先定义的备选区域。
在本实施例中，所述备选区域可以包括预先配置的信息显示区域，在所述备选区域内，能够显示所述推荐话术及所述推荐对话模式，以供所述目标客服进行选择。
例如：可以在所述目标客服与所述目标用户的对话界面上指定一个区域作为所述备选区域，以方便所述目标客服在与所述目标用户对话的过程中直接进行选择。
通过上述实施方式，根据用户及客服的实时对话内容实时分析用户的情感，并根据用户的情感及客服的回答实时推荐话术及对话模式，以搜索推荐模式解决了传统的问答问题，有效提升了客服的回答质量，同时为用户提供了更加满意的服务，增加了客户粘性，并降低了客诉率。
在本发明的至少一个实施例中，所述方法还包括：
响应于定期触发的模型优化指令，确定当前时间戳，并获取至所述当前时间戳的新增数据；
将所述新增数据输入至预先训练的样本分类模型，并获取所述样本分类模型的输出构建优化样本，其中，所述优化样本包括正样本及负样本；
为所述正样本及所述负样本配置点击率，其中，所述正样本的点击率高于所述负样本的点击率；
将配置的点击率确定为训练目标，利用所述优化样本对所述话术-对话模式推荐模型进行补充训练；
当所述话术-对话模式推荐模型达到收敛时，停止训练，得到优化后的所述话术-对话模式推荐模型。
可以理解的是，将所述正样本的点击率配置为高于所述负样本的点击率，能够在训练过程中使模型不断倾向于给更可能被选中的话术更高的评分，给更不可能被选中的话术更低的评分，以实现更加精准的话术及对话模式的推荐。
在上述实施方式中，在不断积累数据的过程中，定期对所述话术-对话模式推荐模型进行优化训练，使模型能够不断适应业务的变化，以确保所述话术-对话模式推荐模型的可用性。
具体地，在将所述新增数据输入至预先训练的样本分类模型前，所述方法还包括：
采集线上行为日志，其中，所述线上行为日志包括所有用户的满意度评价操作及所有客服对于所述推荐话术及所述推荐对话模式的选择操作；
解析所述所有用户的满意度评价操作，并获取表示满意的操作所对应的话术及对话模式添加至第一样本集，获取表示不满意的操作所对应的话术及对话模式添加至第二样本集；
根据所述线上行为日志识别出被所述所有客服选择的话术及对话模式，并将识别出的话术及对话模式添加至所述第一样本集；
根据所述线上行为日志识别出未被所述所有客服选择的话术及对话模式，并将识别出的话术及对话模式添加至所述第二样本集；
组合所述第一样本集与所述第二样本集得到训练集；
利用所述训练集训练预设二分类模型，得到所述样本分类模型。
其中，所述预设二分类模型可以包括XGBOOST模型，本发明不限制。
可以理解的是，所述第一样本集中的数据为反馈积极的数据，可以作为正样本，所述第二样本集中的数据为反馈消极的数据，可以作为负样本。
在本实施例中，所述所有用户的满意度评价操作可以为用户对于服务满意度的星级评价。
在本实施例中，所述所有客服对于所述推荐话术及所述推荐对话模式的选择操作可以包括所述所有客服对于所述推荐话术及所述推荐对话模式的点选操作。
上述实施方式同时结合了客服及用户两个维度上对于所述推荐话术及所述推荐对话模式的反馈训练样本分类模型，并进一步将客服是否选择和用户是否满意按照多任务学习的方式来优化模型，使训练的模型更加具有可用性，且推荐效果更佳。
需要说明的是，为了进一步提高数据的安全性，避免数据被恶意篡改，训练得到的模型可存储于区块链节点中。
由以上技术方案可以看出，本发明获取历史对话数据，根据上传的对所述历史对话数据的情感标注构建第一训练集，并利用所述第一训练集训练预设分类模型，得到情感分类模型，对所述历史对话数据进行筛选及转化，得到第二训练集，利用所述情感分类模型对所述第二训练集中的数据进行情感分类，得到带有情感分类的训练集，能够基于训练得到的所述情感分类模型自动进行情感分类，无需人工介入，利用所述带有情感分类的训练集训练点击通过率模型，得到话术-对话模式推荐模型，将话术推荐及对话模式推荐转化为点击率预估问题，以实现更加精准的推荐，当检测到对话时，实时采集目标用户输入的语音作为目标用户语音，及实时采集目标客服输入的语音作为目标客服语音，通过对对话进行实时地采集，能够确保及时响应，以辅助客服与用户进行更好的沟通，利用所述情感分类模型对所述目标用户语音进行情感分类，得到当前情感类型，利用所述目标客服语音在指定数据库中进行查询，得到查询结果，并对所述查询结果进行初筛，得到至少一个候选话术，基于所述当前情感类型、所述目标用户语音、所述目标客服语音及所述至少一个候选话术分别构建至少一个目标特征，并将所述至少一个目标特征分别输入至所述话术-对话模式推荐模型，并根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式，基于构建的话术-对话模式推荐模型自动进行话术的推荐及对话模式的推荐，以辅助客服与客户进行更好的沟通，将所述推荐话术及所述推荐对话模式显示在预先定义的备选区域，根据用户及客服的实时对话内容实时分析用户的情感，并根据用户的情感及客服的回答实时推荐话术及对话模式，以搜索推荐模式解决了传统的问答问题，有效提升了客服的回答质量，同时为用户提供了更加满意的服务，增加了客户粘性，并降低了客诉率。
本发明实施例还提供一种基于对话模式的话术推荐装置，该基于对话模式的话术推荐装置用于执行前述基于对话模式的话术推荐方法的任一实施例。具体地，请参阅图2，图2是本发明实施例提供的基于对话模式的话术推荐装置的示意性框图。
如图2所示，基于对话模式的话术推荐装置100包括：训练单元101、转化单元102、分类单元103、采集单元104、初筛单元105、确定单元106、显示单元107。
训练单元101获取历史对话数据，根据上传的对所述历史对话数据的情感标注构建第一训练集，并利用所述第一训练集训练预设分类模型，得到情感分类模型。
其中，所述历史对话数据包括相关平台的数据库中所保留的客户与客服之间的对话数据，如：A购物平台上客服与用户的对话数据。
可以理解的是，原始的所述历史对话数据中是不存在情感标注的，因此，为了后续训练所述情感分类模型，首先需要对所述历史对话数据进行情感标注，以构建所述第一训练集。
具体地，可以利用人工对所述历史对话数据进行情感标注，本发明不限制。
进一步地，所述预设分类模型可以包括任意具有分类作用的分类模型，如支持向量机（Support Vector Machine，SVM）模型、逻辑回归模型(Logistic Regression，LR)、FastText（快速的文本分类器）等。
在本发明的至少一个实施例中，所述训练单元101利用所述第一训练集训练预设分类模型，得到情感分类模型包括：
将标注的情感确定为训练目标，将所述第一训练集确定为训练数据训练所述预设分类模型，直至所述预设分类模型预测的准确率达到预设准确率，停止训练，得到所述情感分类模型。
其中，所述预设准确率可以进行自定义配置。
例如：为了提高模型整体的预测准确度，可以将所述预设准确率配置为98%。
通过上述实施方式，能够训练得到所述情感分类模型，以供后续根据用户输入的语音进行情感分类使用。
转化单元102对所述历史对话数据进行筛选及转化，得到第二训练集。
可以理解的是，所述历史对话数据中包括大量数据，因此，为了提高模型训练的效果，还需要对所述历史对话数据进行进一步地处理。
在本发明的至少一个实施例中，所述转化单元102对所述历史对话数据进行筛选及转化，得到第二训练集包括：
从所述历史对话数据中筛选出低满意度的对话数据作为候选对话；
从所述候选对话中筛选出客服语音；
获取预先配置的对话模式；
在每种对话模式下，采用seq2seq模型对所述客服语音进行改写，得到每种对话模式对应的更新语音；
启动配置搜索引擎，并利用所述配置搜索引擎对每种对话模式对应的更新语音进行初筛，得到每种对话模式对应的候选语音；
整合每种对话模式对应的候选语音，得到所述第二训练集。
具体地，在本实施例中，可以根据用户的评价确定用户的满意度，进而获取到所述低满意度的对话数据。
其中，所述预先配置的对话模式可以包括，但不限于：高情商对话模式、搞笑对话模式。具体的对话模式可以根据实际需求进行自定义配置，本发明对所述对话模式的类型不做限制。
在其他实施例中，为了进一步提高改写的正确性，在采用所述seq2seq模型对所述客服语音进行改写后，还可以基于人工对改写后的每种对话模式对应的更新语音进行人为修饰及修正，以便进行更加人性化的改写。
在本实施例中，所述配置搜索引擎可以包括Elasticsearch搜索引擎。
例如：训练的模型主要针对的是产品C，则对话内容应该都与所述产品C相关，因此，可以将所述产品C的名称作为关键字，并基于所述产品C的名称，利用所述Elasticsearch搜索引擎进行初筛，使筛选出的数据都与所述产品C相关，以缩小检索的范围，提高了效率。
分类单元103利用所述情感分类模型对所述第二训练集中的数据进行情感分类，得到带有情感分类的训练集。
例如：假设所述情感分类模型对应于三种情感类型：一般，积极，消极。那么，在利用所述情感分类模型对所述第二训练集中的数据进行情感分类后，得到的训练集中，每个数据的情感类型也将被对应标记为一般、积极或者消极。
通过上述实施方式，能够基于训练得到的所述情感分类模型自动进行情感分类，无需人工介入。
所述训练单元101利用所述带有情感分类的训练集训练点击通过率模型（Click-Through-Rate，CTR），得到话术-对话模式推荐模型。
具体地，所述训练单元101利用所述带有情感分类的训练集训练点击通过率模型，得到话术-对话模式推荐模型包括：
从所述带有情感分类的训练集中获取所述客服语音、与所述客服语音对应的更新语音及所述客服语音对应的情感类型构建字面交叉特征；
从所述历史对话数据中获取与所述客服语音对应的用户语音；
利用word2vec算法将所述用户语音转化为用户向量，及将所述客服语音对应的所述候选语音转化为候选向量；
计算所述用户向量与所述候选向量间的余弦距离，得到向量交叉特征；
利用所述候选语音及所述客服语音构建二部图特征；
利用所述字面交叉特征、所述向量交叉特征及所述二部图特征训练所述点击通过率模型，得到所述话术-对话模式推荐模型。
通过上述实施方式，能够在字面特征、向量特征、二部图特征多个维度的特征上训练所述话术-对话模式推荐模型，使训练得到的模型的准确度更高。
其中，所述利用所述候选语音及所述客服语音构建二部图特征包括：
从所述候选语音及所述客服语音中识别同时出现的候选语音及客服语音，并利用识别到的候选语音及客服语音建立话术组，其中，每个话术组中包括一个客服语音及同时出现的一个候选语音；
计算每个话术组的出现次数；
根据每个话术组的出现次数建立所述二部图特征。
可以理解的是，出现的次数越高，则代表二者越匹配。
通过上述实施方式，能够将话术推荐及对话模式推荐转化为点击率预估问题，以实现更加精准的推荐。
当检测到对话时，采集单元104实时采集目标用户输入的语音作为目标用户语音，及实时采集目标客服输入的语音作为目标客服语音。
在本实施例中，可以采用与所述目标客服的客户端相连接的语音采集装置进行语音的采集。
在上述实施方式中，通过对对话进行实时地采集，能够确保及时响应，以辅助客服与用户进行更好的沟通。
所述分类单元103利用所述情感分类模型对所述目标用户语音进行情感分类，得到当前情感类型。
在本发明的至少一个实施例中，所述分类单元103利用所述情感分类模型对所述目标用户语音进行情感分类，得到当前情感类型包括：
将所述目标用户语音输入至所述情感分类模型，并获取所述情感分类模型的输出数据作为所述当前情感类型。
例如：当所述目标用户语音为“你们的办事效率太低了，再不解决问题我要投诉了”，输入至所述情感分类模型后，所述情感分类模型的输出为“消极”，则确定所述当前情感类型为“消极”。
初筛单元105利用所述目标客服语音在指定数据库中进行查询，得到查询结果，并对所述查询结果进行初筛，得到至少一个候选话术。
在本实施例中，所述指定数据库可以为存储着所有客服的话术的数据库，本发明不限制。
在本实施例中，可以采用所述配置搜索引擎Elasticsearch搜索引擎对所述查询结果进行初筛，以获取到所述至少一个候选话术。
确定单元106基于所述当前情感类型、所述目标用户语音、所述目标客服语音及所述至少一个候选话术分别构建至少一个目标特征，并将所述至少一个目标特征分别输入至所述话术-对话模式推荐模型，并根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式。
在本实施例中，基于所述当前情感类型、所述目标用户语音、所述目标客服语音及所述至少一个候选话术分别构建至少一个目标特征的方式与前文训练所述话术-对话模式推荐模型时构建特征的方式类似，在此不赘述。
在本发明的至少一个实施例中，所述确定单元106根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式包括：
从所述话术-对话模式推荐模型的输出中获取所述至少一个候选话术中每个候选话术对应的点击率；
将每个候选话术对应的点击率确定为每个候选话术的评分，并从所述至少一个候选话术中获取所述评分最高的候选话术作为所述推荐话术；
获取与所述推荐话术对应的对话模式，并将获取到的对话模式确定为所述推荐对话模式。
例如：当所述当前情感类型为“消极”，所述目标客服语音为“我们正在处理”时，基于所述当前情感类型“消极”，将利用所述目标客服语音进行初筛后得到的至少一个候选话术分别输入至所述话术-对话模式推荐模型，输出每种候选话术的评分，获取所述评分最高的候选话术“我正在激烈的思考中，一定快马加鞭解决您的问题，已经看到曙光”，将所述评分最高的候选话术确定为所述推荐话术，同时，将与所述评分最高的候选话术“我正在激烈的思考中，一定快马加鞭解决您的问题，已经看到曙光”相对应的对话模式“高情商对话模式”确定为所述推荐对话模式。
通过上述实施方式，能够基于构建的话术-对话模式推荐模型自动进行话术的推荐及对话模式的推荐，以辅助客服与客户进行更好的沟通。
显示单元107将所述推荐话术及所述推荐对话模式显示在预先定义的备选区域。
在本实施例中，所述备选区域可以包括预先配置的信息显示区域，在所述备选区域内，能够显示所述推荐话术及所述推荐对话模式，以供所述目标客服进行选择。
例如：可以在所述目标客服与所述目标用户的对话界面上指定一个区域作为所述备选区域，以方便所述目标客服在与所述目标用户对话的过程中直接进行选择。
通过上述实施方式，根据用户及客服的实时对话内容实时分析用户的情感，并根据用户的情感及客服的回答实时推荐话术及对话模式，以搜索推荐模式解决了传统的问答问题，有效提升了客服的回答质量，同时为用户提供了更加满意的服务，增加了客户粘性，并降低了客诉率。
在本发明的至少一个实施例中，响应于定期触发的模型优化指令，确定当前时间戳，并获取至所述当前时间戳的新增数据；
将所述新增数据输入至预先训练的样本分类模型，并获取所述样本分类模型的输出构建优化样本，其中，所述优化样本包括正样本及负样本；
为所述正样本及所述负样本配置点击率，其中，所述正样本的点击率高于所述负样本的点击率；
将配置的点击率确定为训练目标，利用所述优化样本对所述话术-对话模式推荐模型进行补充训练；
当所述话术-对话模式推荐模型达到收敛时，停止训练，得到优化后的所述话术-对话模式推荐模型。
可以理解的是，将所述正样本的点击率配置为高于所述负样本的点击率，能够在训练过程中使模型不断倾向于给更可能被选中的话术更高的评分，给更不可能被选中的话术更低的评分，以实现更加精准的话术及对话模式的推荐。
在上述实施方式中，在不断积累数据的过程中，定期对所述话术-对话模式推荐模型进行优化训练，使模型能够不断适应业务的变化，以确保所述话术-对话模式推荐模型的可用性。
具体地，在将所述新增数据输入至预先训练的样本分类模型前，采集线上行为日志，其中，所述线上行为日志包括所有用户的满意度评价操作及所有客服对于所述推荐话术及所述推荐对话模式的选择操作；
解析所述所有用户的满意度评价操作，并获取表示满意的操作所对应的话术及对话模式添加至第一样本集，获取表示不满意的操作所对应的话术及对话模式添加至第二样本集；
根据所述线上行为日志识别出被所述所有客服选择的话术及对话模式，并将识别出的话术及对话模式添加至所述第一样本集；
根据所述线上行为日志识别出未被所述所有客服选择的话术及对话模式，并将识别出的话术及对话模式添加至所述第二样本集；
组合所述第一样本集与所述第二样本集得到训练集；
利用所述训练集训练预设二分类模型，得到所述样本分类模型。
其中，所述预设二分类模型可以包括XGBOOST模型，本发明不限制。
可以理解的是，所述第一样本集中的数据为反馈积极的数据，可以作为正样本，所述第二样本集中的数据为反馈消极的数据，可以作为负样本。
在本实施例中，所述所有用户的满意度评价操作可以为用户对于服务满意度的星级评价。
在本实施例中，所述所有客服对于所述推荐话术及所述推荐对话模式的选择操作可以包括所述所有客服对于所述推荐话术及所述推荐对话模式的点选操作。
上述实施方式同时结合了客服及用户两个维度上对于所述推荐话术及所述推荐对话模式的反馈训练样本分类模型，并进一步将客服是否选择和用户是否满意按照多任务学习的方式来优化模型，使训练的模型更加具有可用性，且推荐效果更佳。
需要说明的是，为了进一步提高数据的安全性，避免数据被恶意篡改，训练得到的模型可存储于区块链节点中。
由以上技术方案可以看出，本发明获取历史对话数据，根据上传的对所述历史对话数据的情感标注构建第一训练集，并利用所述第一训练集训练预设分类模型，得到情感分类模型，对所述历史对话数据进行筛选及转化，得到第二训练集，利用所述情感分类模型对所述第二训练集中的数据进行情感分类，得到带有情感分类的训练集，能够基于训练得到的所述情感分类模型自动进行情感分类，无需人工介入，利用所述带有情感分类的训练集训练点击通过率模型，得到话术-对话模式推荐模型，将话术推荐及对话模式推荐转化为点击率预估问题，以实现更加精准的推荐，当检测到对话时，实时采集目标用户输入的语音作为目标用户语音，及实时采集目标客服输入的语音作为目标客服语音，通过对对话进行实时地采集，能够确保及时响应，以辅助客服与用户进行更好的沟通，利用所述情感分类模型对所述目标用户语音进行情感分类，得到当前情感类型，利用所述目标客服语音在指定数据库中进行查询，得到查询结果，并对所述查询结果进行初筛，得到至少一个候选话术，基于所述当前情感类型、所述目标用户语音、所述目标客服语音及所述至少一个候选话术分别构建至少一个目标特征，并将所述至少一个目标特征分别输入至所述话术-对话模式推荐模型，并根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式，基于构建的话术-对话模式推荐模型自动进行话术的推荐及对话模式的推荐，以辅助客服与客户进行更好的沟通，将所述推荐话术及所述推荐对话模式显示在预先定义的备选区域，根据用户及客服的实时对话内容实时分析用户的情感，并根据用户的情感及客服的回答实时推荐话术及对话模式，以搜索推荐模式解决了传统的问答问题，有效提升了客服的回答质量，同时为用户提供了更加满意的服务，增加了客户粘性，并降低了客诉率。
上述基于对话模式的话术推荐装置可以实现为计算机程序的形式，该计算机程序可以在如图3所示的计算机设备上运行。
请参阅图3，图3是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图3，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于对话模式的话术推荐方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于对话模式的话术推荐方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的基于对话模式的话术推荐方法。
本领域技术人员可以理解，图3中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图3所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的基于对话模式的话术推荐方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备 ( 可以是个人计算机，服务器，或者网络设备等 ) 执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U 盘、移动硬盘、只读存储器 (ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于对话模式的话术推荐方法，其特征在于，包括：
获取历史对话数据，根据上传的对所述历史对话数据的情感标注构建第一训练集，并利用所述第一训练集训练预设分类模型，得到情感分类模型；
对所述历史对话数据进行筛选及转化，得到第二训练集，包括：从所述历史对话数据中筛选出根据用户的评价确定的低满意度的对话数据作为候选对话；从所述候选对话中筛选出客服语音；获取预先配置的对话模式；在每种对话模式下，采用seq2seq模型对所述客服语音进行改写，得到每种对话模式对应的更新语音；启动配置搜索引擎，并利用所述配置搜索引擎对每种对话模式对应的更新语音进行初筛，得到每种对话模式对应的候选语音；整合每种对话模式对应的候选语音，得到所述第二训练集；
利用所述情感分类模型对所述第二训练集中的数据进行情感分类，得到带有情感分类的训练集；
利用所述带有情感分类的训练集训练点击通过率模型，得到话术-对话模式推荐模型；
当检测到对话时，实时采集目标用户输入的语音作为目标用户语音，及实时采集目标客服输入的语音作为目标客服语音；
利用所述情感分类模型对所述目标用户语音进行情感分类，得到当前情感类型；
利用所述目标客服语音在指定数据库中进行查询，得到查询结果，并对所述查询结果进行初筛，得到至少一个候选话术；
基于所述当前情感类型、所述目标用户语音、所述目标客服语音及所述至少一个候选话术分别构建至少一个目标特征，并将所述至少一个目标特征分别输入至所述话术-对话模式推荐模型，并根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式；
将所述推荐话术及所述推荐对话模式显示在预先定义的备选区域。
2.根据权利要求1所述的基于对话模式的话术推荐方法，其特征在于，所述利用所述带有情感分类的训练集训练点击通过率模型，得到话术-对话模式推荐模型包括：
从所述带有情感分类的训练集中获取所述客服语音、与所述客服语音对应的更新语音及所述客服语音对应的情感类型构建字面交叉特征；
从所述历史对话数据中获取与所述客服语音对应的用户语音；
利用word2vec算法将所述用户语音转化为用户向量，及将所述客服语音对应的所述候选语音转化为候选向量；
计算所述用户向量与所述候选向量间的余弦距离，得到向量交叉特征；
利用所述候选语音及所述客服语音构建二部图特征；
利用所述字面交叉特征、所述向量交叉特征及所述二部图特征训练所述点击通过率模型，得到所述话术-对话模式推荐模型。
3.根据权利要求2所述的基于对话模式的话术推荐方法，其特征在于，所述利用所述候选语音及所述客服语音构建二部图特征包括：
从所述候选语音及所述客服语音中识别同时出现的候选语音及客服语音，并利用识别到的候选语音及客服语音建立话术组，其中，每个话术组中包括一个客服语音及同时出现的一个候选语音；
计算每个话术组的出现次数；
根据每个话术组的出现次数建立所述二部图特征。
4.根据权利要求1所述的基于对话模式的话术推荐方法，其特征在于，所述根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式包括：
从所述话术-对话模式推荐模型的输出中获取所述至少一个候选话术中每个候选话术对应的点击率；
将每个候选话术对应的点击率确定为每个候选话术的评分，并从所述至少一个候选话术中获取所述评分最高的候选话术作为所述推荐话术；
获取与所述推荐话术对应的对话模式，并将获取到的对话模式确定为所述推荐对话模式。
5.根据权利要求1所述的基于对话模式的话术推荐方法，其特征在于，所述方法还包括：
响应于定期触发的模型优化指令，确定当前时间戳，并获取至所述当前时间戳的新增数据；
将所述新增数据输入至预先训练的样本分类模型，并获取所述样本分类模型的输出构建优化样本，其中，所述优化样本包括正样本及负样本；
为所述正样本及所述负样本配置点击率，其中，所述正样本的点击率高于所述负样本的点击率；
将配置的点击率确定为训练目标，利用所述优化样本对所述话术-对话模式推荐模型进行补充训练；
当所述话术-对话模式推荐模型达到收敛时，停止训练，得到优化后的所述话术-对话模式推荐模型。
6.根据权利要求5所述的基于对话模式的话术推荐方法，其特征在于，在将所述新增数据输入至预先训练的样本分类模型前，所述方法还包括：
采集线上行为日志，其中，所述线上行为日志包括所有用户的满意度评价操作及所有客服对于所述推荐话术及所述推荐对话模式的选择操作；
解析所述所有用户的满意度评价操作，并获取表示满意的操作所对应的话术及对话模式添加至第一样本集，获取表示不满意的操作所对应的话术及对话模式添加至第二样本集；
根据所述线上行为日志识别出被所述所有客服选择的话术及对话模式，并将识别出的话术及对话模式添加至所述第一样本集；
根据所述线上行为日志识别出未被所述所有客服选择的话术及对话模式，并将识别出的话术及对话模式添加至所述第二样本集；
组合所述第一样本集与所述第二样本集得到训练集；
利用所述训练集训练预设二分类模型，得到所述样本分类模型。
7.一种基于对话模式的话术推荐装置，其特征在于，包括：
训练单元，用于获取历史对话数据，根据上传的对所述历史对话数据的情感标注构建第一训练集，并利用所述第一训练集训练预设分类模型，得到情感分类模型；
转化单元，用于对所述历史对话数据进行筛选及转化，得到第二训练集，包括：从所述历史对话数据中筛选出根据用户的评价确定的低满意度的对话数据作为候选对话；从所述候选对话中筛选出客服语音；获取预先配置的对话模式；在每种对话模式下，采用seq2seq模型对所述客服语音进行改写，得到每种对话模式对应的更新语音；启动配置搜索引擎，并利用所述配置搜索引擎对每种对话模式对应的更新语音进行初筛，得到每种对话模式对应的候选语音；整合每种对话模式对应的候选语音，得到所述第二训练集；
分类单元，用于利用所述情感分类模型对所述第二训练集中的数据进行情感分类，得到带有情感分类的训练集；
所述训练单元，还用于利用所述带有情感分类的训练集训练点击通过率模型，得到话术-对话模式推荐模型；
采集单元，用于当检测到对话时，实时采集目标用户输入的语音作为目标用户语音，及实时采集目标客服输入的语音作为目标客服语音；
所述分类单元，还用于利用所述情感分类模型对所述目标用户语音进行情感分类，得到当前情感类型；
初筛单元，用于利用所述目标客服语音在指定数据库中进行查询，得到查询结果，并对所述查询结果进行初筛，得到至少一个候选话术；
确定单元，用于基于所述当前情感类型、所述目标用户语音、所述目标客服语音及所述至少一个候选话术分别构建至少一个目标特征，并将所述至少一个目标特征分别输入至所述话术-对话模式推荐模型，并根据所述话术-对话模式推荐模型的输出确定推荐话术，及确定与所述推荐话术对应的推荐对话模式；
显示单元，用于将所述推荐话术及所述推荐对话模式显示在预先定义的备选区域。
8.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的基于对话模式的话术推荐方法。
9.一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存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至6任一项所述的基于对话模式的话术推荐方法。
CN202110868954.4A 2021-07-30 2021-07-30 基于对话模式的话术推荐方法、装置、设备及介质 Active CN113312468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110868954.4A CN113312468B (zh) 2021-07-30 2021-07-30 基于对话模式的话术推荐方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110868954.4A CN113312468B (zh) 2021-07-30 2021-07-30 基于对话模式的话术推荐方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113312468A CN113312468A (zh) 2021-08-27
CN113312468B true CN113312468B (zh) 2021-11-05

Family

ID=77382152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110868954.4A Active CN113312468B (zh) 2021-07-30 2021-07-30 基于对话模式的话术推荐方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113312468B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688221B (zh) * 2021-09-08 2023-07-25 中国平安人寿保险股份有限公司 基于模型的话术推荐方法、装置、计算机设备和存储介质
CN114302028A (zh) * 2021-12-24 2022-04-08 贝壳找房网(北京)信息技术有限公司 提词方法、装置以及电子设备、存储介质、程序产品
CN115129878B (zh) * 2022-08-31 2022-12-27 支付宝(杭州)信息技术有限公司 一种对话业务执行方法、装置、存储介质及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647621A (zh) * 2019-09-27 2020-01-03 支付宝(杭州)信息技术有限公司 机器人客服引导对话中选择话术的方法和装置
WO2020098249A1 (zh) * 2018-11-12 2020-05-22 平安科技（深圳）有限公司 电子装置、应对话术推荐方法和计算机可读存储介质
CN111667284A (zh) * 2020-06-05 2020-09-15 中国银行股份有限公司 客服切换方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9515838B2 (en) * 2014-12-11 2016-12-06 Bank Of America Corporation Bandwidth adaptive communication event scheduling
CN106844750A (zh) * 2017-02-16 2017-06-13 深圳追科技有限公司 一种基于客服机器人中情感安抚的人机交互方法及系统
CN109033257A (zh) * 2018-07-06 2018-12-18 中国平安人寿保险股份有限公司 话术推荐方法、装置、计算机设备和存储介质
CN113094471A (zh) * 2021-04-12 2021-07-09 中国工商银行股份有限公司 交互数据处理方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020098249A1 (zh) * 2018-11-12 2020-05-22 平安科技（深圳）有限公司 电子装置、应对话术推荐方法和计算机可读存储介质
CN110647621A (zh) * 2019-09-27 2020-01-03 支付宝(杭州)信息技术有限公司 机器人客服引导对话中选择话术的方法和装置
CN111667284A (zh) * 2020-06-05 2020-09-15 中国银行股份有限公司 客服切换方法及装置

Also Published As

Publication number Publication date
CN113312468A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN113312468B (zh) 基于对话模式的话术推荐方法、装置、设备及介质
CN108121795B (zh) 用户行为预测方法及装置
US9405427B2 (en) Adaptive user interface using machine learning model
US10223442B2 (en) Prioritizing survey text responses
CN110175227A (zh) 一种基于组队学习和层级推理的对话辅助系统
US20210200948A1 (en) Corpus cleaning method and corpus entry system
JP2020521210A (ja) 情報処理方法及び端末、コンピュータ記憶媒体
CN109299245B (zh) 知识点召回的方法和装置
US20190340516A1 (en) System and method for quantitatively analyzing an idea
CN112948534A (zh) 一种智能人机对话的交互方法、系统和电子设备
CN110942326A (zh) 一种用户满意度预测方法及装置、服务器
US20220138770A1 (en) Method and apparatus for analyzing sales conversation based on voice recognition
US20180218432A1 (en) Recommendation integrated online digital sales service chat system
CN109325780A (zh) 一种面向电子政务领域的智能客服系统的交互方法
CN114547475A (zh) 一种资源推荐方法、装置及系统
US20160283876A1 (en) System and method for providing automomous contextual information life cycle management
US11288701B2 (en) Method and system for determining equity index for a brand
CN110399473B (zh) 为用户问题确定答案的方法和装置
CN111192082A (zh) 产品卖点的分析方法、终端设备及计算机可读存储介质
CN114491255A (zh) 推荐方法、系统、电子设备和介质
CN112749238A (zh) 搜索排序方法、装置、电子设备以及计算机可读存储介质
CN111460114A (zh) 检索方法、装置、设备及计算机可读存储介质
CN113297365B (zh) 一种用户意向判定方法、装置、设备及存储介质
CN110046234B (zh) 问答模型优化方法及装置、问答机器人系统
CN113870998A (zh) 问诊方法、装置、电子设备和存储介质

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