CN113360620A - 一种智能客服方法、装置以及设备 - Google Patents
一种智能客服方法、装置以及设备 Download PDFInfo
- Publication number
- CN113360620A CN113360620A CN202110673370.1A CN202110673370A CN113360620A CN 113360620 A CN113360620 A CN 113360620A CN 202110673370 A CN202110673370 A CN 202110673370A CN 113360620 A CN113360620 A CN 113360620A
- Authority
- CN
- China
- Prior art keywords
- result
- word segmentation
- segmentation result
- retrieval
- inquiry
- 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
- 238000000034 method Methods 0.000 title claims abstract description 93
- 230000011218 segmentation Effects 0.000 claims abstract description 153
- 238000012545 processing Methods 0.000 claims description 43
- 238000012163 sequencing technique Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000003058 natural language processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241001672694 Citrus reticulata Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method 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
- 230000036961 partial effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation 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
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/012—Providing warranty services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例公开了一种智能客服方法、装置以及设备。所述方法包括：对接收的询问指令进行分词，获得分词结果；以所述分词结果所包含的词语为关键词，进行检索，获得检索结果；将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目。采用本说明书实施例提供的方法，能够高效实现智能客服的功能，为客户的询问指令，提供更为准确、快速的答复。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种智能客服方法、装置以及设备。
背景技术
近年来，随着互联网技术的发展，人工智能(AI)技术在各行各业加速落地。相比语音识别和计算机视觉，自然语言处理(NLP)技术是一个成熟度相对较低的AI技术分支。尽管自然语言处理在开放域环境中表现不佳，但是对于特定场景，诸如机器翻译、文本相似度匹配、智能客服，自然语言处理技术及其背后的相关技术，例如知识管理技术、自动回答系统、推理技术等，发挥着巨大的价值和作用。自然语言处理能够理解并解释人类写作、说话方式的能力，可以让计算机/机器在理解语言上像人一样智能，最终能够弥补自然语言与机器语言之间的差距。
基于自然语言的智能客服具有行业通用性，可以为企业与用户建立交流，智能客服的成本相对较低，而且能够保证24小时在线，及时响应用户，因此，越来越多的企业使用智能客服代替人工客服为用户提供服务。
现有技术中，基于自然语言处理的智能客服无法控制系统的回答，无法处理交互式问答的逻辑处理。因此，需要一种新的方法，能够实现更加精准的实现交互式问答，提升用户体验。
发明内容
本说明书实施例提供一种智能客服方法、装置以及设备，用于解决以下技术问题：现有的基于自然语言处理的智能客服无法控制系统的回答，无法处理交互式问答的逻辑处理。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种智能客服方法，包括：
对接收的询问指令进行分词，获得分词结果；
以所述分词结果所包含的词语为关键词，进行检索，获得检索结果；
将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目。
进一步地，所述对接收的询问指令进行分词，获得分词结果，具体包括：
对所述接收的询问指令进行过滤纠错，获得所述询问指令对应的实际询问指令；
对所述实际询问的指令进行分词，获得分词结果。
进一步地，所述对所述实际询问的指令进行分词，获得分词结果，具体包括：
对所述实际询问的指令进行分词，获得第一分词结果；
对所述第一分词结果进行词干提取，获得第二分词结果；
去除所述第二分词结果的停止词，获得分词结果。
进一步地，所述以所述分词结果所包含的词语为关键词，进行检索，获得检索结果，具体包括：
以所述分词结果所包含的词语为关键词，以预设模板为文档进行全局检索，获得检索结果，所述预设模板为预设的询问指令的集合。
进一步地，所述以所述分词结果所包含的词语为关键词，以预设模板为文档进行检索，获得检索结果，具体包括：
以所述分词结果所包含的词语为关键词，以预设模板为文档进行全局检索，获得全局检索结果；
将所述全局检索结果与所述分词结果做交集，并按照所述全局检索结果对应的模板长度进行排序，作为所述检索结果。
进一步地，所述方法进一步包括：
对所述分词结果进行上下文处理，获得上下文处理结果；
基于所述上下文处理结果，进行场景模板匹配，对所述询问指令进行匹配，作为最终的检索结果。
进一步地，所述基于所述上下文处理结果，进行场景模板匹配，对所述询问指令进行匹配，具体包括：
基于所述上下文处理结果，判断所述询问指令是否处于多轮对话场景中；
若所述询问指令处于多轮对话场景，进行场景模板匹配，判断所述场景模板中，所述询问指令对应的上一轮的问答是否为上一轮对应的场景；
若所述场景模板中，所述询问指令对应的上一轮的问答为上一轮对应的场景，则将所述场景模板中对应的知识条目与所述询问指令进行匹配。
进一步地，所述将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目，具体包括：
将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得评分结果；
将所述评分结果按照从高到低的顺序排序，同时将所述检索结果对应的知识条目按照所述排序顺序进行排序，获得所述询问指令对应的知识条目。
本说明书实施例提供的一种智能客服装置，包括：
分词模块，对接收的询问指令进行分词，获得分词结果；
语义分析模块，以所述分词结果所包含的词语为关键词，进行检索，获得检索结果；
评分模块，将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目。
进一步地，所述对接收的询问指令进行分词，获得分词结果，具体包括：
对所述接收的询问指令进行过滤纠错，获得所述询问指令对应的实际询问指令；
对所述实际询问的指令进行分词，获得分词结果。
进一步地，所述对所述实际询问的指令进行分词，获得分词结果，具体包括：
对所述实际询问的指令进行分词，获得第一分词结果；
对所述第一分词结果进行词干提取，获得第二分词结果；
去除所述第二分词结果的停止词，获得分词结果。
进一步地，所述以所述分词结果所包含的词语为关键词，进行检索，获得检索结果，具体包括：
以所述分词结果所包含的词语为关键词，以预设模板为文档进行全局检索，获得检索结果，所述预设模板为预设的询问指令的集合。
进一步地，所述以所述分词结果所包含的词语为关键词，以预设模板为文档进行检索，获得检索结果，具体包括：
以所述分词结果所包含的词语为关键词，以预设模板为文档进行全局检索，获得全局检索结果；
将所述全局检索结果与所述分词结果做交集，并按照所述全局检索结果对应的模板长度进行排序，作为所述检索结果。
进一步地，所述装置进一步包括：
对所述分词结果进行上下文处理，获得上下文处理结果；
基于所述上下文处理结果，进行场景模板匹配，对所述询问指令进行匹配，作为最终的检索结果。
进一步地，所述基于所述上下文处理结果，进行场景模板匹配，对所述询问指令进行匹配，具体包括：
基于所述上下文处理结果，判断所述询问指令是否处于多轮对话场景中；
若所述询问指令处于多轮对话场景，进行场景模板匹配，判断所述场景模板中，所述询问指令对应的上一轮的问答是否为上一轮对应的场景；
若所述场景模板中，所述询问指令对应的上一轮的问答为上一轮对应的场景，则将所述场景模板中对应的知识条目与所述询问指令进行匹配。
进一步地，所述将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目，具体包括：
将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得评分结果；
将所述评分结果按照从高到低的顺序排序，同时将所述检索结果对应的知识条目按照所述排序顺序进行排序，获得所述询问指令对应的知识条目。
本说明书实施例还提供一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
对接收的询问指令进行分词，获得分词结果；
以所述分词结果所包含的词语为关键词，进行检索，获得检索结果；
将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目。
本说明书实施例通过对接收的询问指令进行分词，获得分词结果；以所述分词结果所包含的词语为关键词，进行检索，获得检索结果；将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目，能够高效实现智能客服的功能，为客户的询问指令，提供更为准确、快速的答复。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种智能客服方法的框架图；
图2为本说明书实施例提供的一种智能客服方法的流程图；
图3为本说明书实施例提供的一种智能客服框架结构的示意图；
图4为本申请实施例提供的一种智能客服装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
客服服务中心在企业的发展中具有关键作用。由于人工客服的费用较高，企业需要的劳动力越多，劳动成本就越高，除了人工费，还有社会保险、办公用品的相关费用、加班费、培训费等；人工客服需要及时响应客户提问，而且客户经常会提问相同的问题，客服人员需要对不同的用户重复回答相同的问题，客服人员的压力相对比较大；由于人工客服的人员流动性比较大，需要经常招聘新员工，进行人员培训，培训成本较高。基于上述问题，需要更加有效、快捷的方法，能够满足企业客服的需求。
基于此，本说明书提供一种智能客服方法，采用计算机自然语言处理，获得询问指令对应的答案。为了理解本说明书实施例提供的智能客服方法，图1为本说明书实施例提供的一种智能客服方法的框架图。如图1所示，该智能客服方法包括：
对获取的询问指令进行分词，进而通过初筛、细筛，获得询问指令对应的答案。
为了进一步理解本说明书实施例提供的智能客服方法，下面将结合的具体实施过程予以说明。图2为本说明书实施例提供的一种智能客服方法的流程图。如图2所示，该智能客服方法包括：
步骤S201：对接收的询问指令进行分词，获得分词结果。
在本说明书实施例中，执行主体为智能客服系统。智能客服系统可以安装在移动终端，也可以是在网站。
在本说明书实施例中，询问指令的语言可以为普通话，也可以为方言，优选为普通话。
在本说明书实施例中，为了保证后续自然语言理解的准确性，询问指令进一步需要进行过滤纠错。在本说明书实施例中，过滤纠错主要是纠正发音错误，和/或去除干扰性问题。
在本说明书实施例中，所述对接收的询问指令进行分词，获得分词结果，具体包括：
对所述接收的询问指令进行过滤纠错，获得所述询问指令对应的实际询问指令；
对所述实际询问的指令进行分词，获得分词结果。
在本说明书实施例中，对实际询问的指令进行分词，遵循反向长词优先的原则。
在本说明书实施例中，所述对所述实际询问的指令进行分词，获得分词结果，具体包括：
对所述实际询问的指令进行分词，获得第一分词结果；
对所述第一分词结果进行词干提取，获得第二分词结果；
去除所述第二分词结果的停止词，获得分词结果。
在本说明书实施例中，对实际询问的指令进行分词，获得第一分词结果，具体的，可以采用基于字符串匹配的分词方法，正向最大匹配法、逆向最大匹配法、双向最大匹配法等。具体的分词方法并不构成对本申请的限定。
基于字符串匹配的分词方法的算法原理是，它需要一个充足的词典库，将需要分词的字符串和这个词典库中进行匹配，如果可以成功匹配出来，则进行相应的分词切割。怎么匹配呢，有下面几种方式，正向最大匹配就是从左向右将需要分词的句子进行切分，将切分的内容和词典库中进行匹配，如果匹配到了，则将该词分割出来，若没有匹配到，则去掉字符串中最后一个字在进行分词匹配，一直匹配直到该句被切分完为止；逆向最大匹配，原理和正向最大匹配刚好相反，取需要分词的某一句话和词典库进行匹配，如果匹配成功，则取出该词，如果匹配不成功，则将最左边的字去掉一个，重复上面的过程再次切割，直到该字符串被切分完为止；双向最大匹配是将正向最大匹配和逆向最大匹配的分词结果进行比对，选择出最正确的分词方法，计算速度快，时间复杂度O(n)，实现比较简单，但是针对歧义词表现不是很好。
在本说明书实施例中，对所述第一分词结果进行词干提取，获得第二分词结果，具体包括：
对所述第一分词结果进行词干提取，去除第一分词结果中包含的词语的词缀，得到词根，获得第二分词结果。
词干提取是去除词缀得到词根的过程(得到单词最一般的写法)。对于一个词的形态词根，词干并不需要完全相同；相关的词映射到同一个词干一般能得到满意的结果，即使该词干不是词的有效根。在本说明实施例中，可以采用词干提取算法或词干提取器进行词干提取。
在本说明书实施例中，也可以采用词性标注的方法，确定名词、动词、形容词或者其他词性，获得第二分词结果。也就是说，第二分词结果是对第一分词结果中的各个次，进行了词性的区分。
词性标注(Part-of-Speech tagging或POS tagging)又称词类标注，是指为分词结果中的每个单词标注一个正确的词性的程序。具体来说就是，确定每个词是名词、动词、形容词或者是其他词性的过程。
在本说明书实施例中，词性标注可以采用基于最大熵的词性标注、基于统计的最大概率输出词性、基于隐马尔可夫模型(HMM)的词性标注。词性标注的具体方法并不构成对本申请的限定。
去除停止词或者叫做去除停用词，其主要目的是为了去除没有实际意思的词，或者无效的关键词，以保证后续结果的准确性。
步骤S203：以所述分词结果所包含的词语为关键词，进行检索，获得检索结果。
在本说明书实施例中，所述以所述分词结果所包含的词语为关键词，进行检索，获得检索结果，具体包括：
以所述分词结果所包含的词语为关键词，以预设模板为文档进行全局检索，获得检索结果，所述预设模板为预设的询问指令的集合。
在本说明书实施例中，所述以所述分词结果所包含的词语为关键词，以预设模板为文档进行检索，获得检索结果，具体包括：
以所述分词结果所包含的词语为关键词，以预设模板为文档进行全局检索，获得全局检索结果；
将所述全局检索结果与所述分词结果做交集，并按照所述全局检索结果对应的模板长度进行排序，作为所述检索结果。
在本说明书实施例中，检索结果具体为关键词对应的知识条目的个数。
在本说明书实施例中，预设模板是询问指令的集合，为各种问题的各种文法。预设模板是由知识工程师人工进行配置的，采用相应的算法进行评分匹配获得的。
由于询问指令可能是处于多轮场景中，也有可能是处于单轮场景中，为了保证询问指令对应的知识条目的准确性，本说明书实施例提供的智能客服方法进一步包括：
对所述分词结果进行上下文处理，获得上下文处理结果；
基于所述上下文处理结果，进行场景模板匹配，对所述询问指令进行匹配，作为最终的检索结果。
在本说明书实施例中，上下文处理包括对话场景中的对话过程树和动作树的管理。
在本说明书实施例中，所述基于所述上下文处理结果，进行场景模板匹配，对所述询问指令进行匹配，具体包括：
基于所述上下文处理结果，判断所述询问指令是否处于多轮对话场景中；
若所述询问指令处于多轮对话场景，进行场景模板匹配，判断所述场景模板中，所述询问指令对应的上一轮的问答是否为上一轮对应的场景；
若所述场景模板中，所述询问指令对应的上一轮的问答为上一轮对应的场景，则将所述场景模板中对应的知识条目与所述询问指令进行匹配。
以预设模板为文档进行全局检索，获得检索结果后，进一步采用场景模板匹配的方式，确定是否处于多轮场景中，能够实现初筛到细筛，而且数据的处理量能够极大减少，以利于提高处理速度。
需要特别说明的是，在进行场景模板匹配时，利用关键词的向量图进行统计，获得关键词的知识类目的数目的表示结果。
步骤S205：将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目。
在本说明书实施例中，所述将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目，具体包括：
将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得评分结果；
将所述评分结果按照从高到低的顺序排序，同时将所述检索结果对应的知识条目按照所述排序顺序进行排序，获得所述询问指令对应的知识条目。
在本说明书实施例中，预设的符号规则用于表示词语之间关系，或者符号的用处的方法。预设的符号规则有知识工程师根据相关知识，进行相关的规定。
本说明书实施例提供的智能客服方法，能够高效实现智能客服的功能，为客户的询问指令，提供更为准确、快速的答复。
为了进一步理解本说明书实施例提供的智能客服方法，下面将结合具体的系统结构进行说明。图3为本说明书实施例提供的一种智能客服框架结构的示意图。如图3所示，通讯接口用于实现与外部接口的连接，实现通讯。智能客服引擎用于实现智能客服，主要包括分词标注引擎、语义分析引擎，其中，分词标注引擎用于询问指令的分词，语音分析引用用于分词后的语义分析。具体的，包括场景处理模块，答案处理模块，知识引擎模块和核心运行框架。场景处理模块用于实现场景匹配，答案处理模板用于获得询问指令的答案，知识引擎模块是知识工程师构建的知识的集合。核心运行框架，是智能客服引擎实现的框架。另外，智能客服框架结构还包括数据存储及索引。主要用于引用分类加载和分析处理优化。其中，引用分类加载包括自然语言基础语料和通话对话知识库。分析处理优化主要包括业务知识数据和日志统计数据。
上述内容详细说明了一种智能客服方法，与之相应的，本说明书还提供了一种智能客服装置，如图4所示。图4为本说明书实施例提供的一种智能客服装置的示意图，该智能客服装置包括：
分词模块401，对接收的询问指令进行分词，获得分词结果；
语义分析模块403，以所述分词结果所包含的词语为关键词，进行检索，获得检索结果；
评分模块405，将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目。
进一步地，所述对接收的询问指令进行分词，获得分词结果，具体包括：
对所述接收的询问指令进行过滤纠错，获得所述询问指令对的实际询问指令；
对所述实际询问的指令进行分词，获得分词结果。
进一步地，所述对所述实际询问的指令进行分词，获得分词结果，具体包括：
对所述实际询问的指令进行分词，获得第一分词结果；
对所述第一分词结果进行词干提取，获得第二分词结果；
去除所述第二分词结果的停止词，获得分词结果。
进一步地，所述以所述分词结果所包含的词语为关键词，进行检索，获得检索结果，具体包括：
以所述分词结果所包含的词语为关键词，以预设模板为文档进行全局检索，获得检索结果，所述预设模板为预设的询问指令的集合。
进一步地，所述以所述分词结果所包含的词语为关键词，以预设模板为文档进行检索，获得检索结果，具体包括：
以所述分词结果所包含的词语为关键词，以预设模板为文档进行全局检索，获得全局检索结果；
将所述全局检索结果与所述分词结果做交集，并按照所述全局检索结果对应的模板长度进行排序，作为所述检索结果。
进一步地，所述装置进一步包括：
对所述分词结果进行上下文处理，获得上下文处理结果；
基于所述上下文处理结果，进行场景模板匹配，对所述询问指令进行匹配，作为最终的检索结果。
进一步地，所述基于所述上下文处理结果，进行场景模板匹配，对所述询问指令进行匹配，具体包括：
基于所述上下文处理结果，判断所述询问指令是否处于多轮对话场景中；
若所述询问指令处于多轮对话场景，进行场景模板匹配，判断所述场景模板中，所述询问指令对应的上一轮的问答是否为上一轮对应的场景；
若所述场景模板中，所述询问指令对应的上一轮的问答为上一轮对应的场景，则将所述场景模板中对应的知识条目与所述询问指令进行匹配。
进一步地，所述将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目，具体包括：
将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得评分结果；
将所述评分结果按照从高到低的顺序排序，同时将所述检索结果对应的知识条目按照所述排序顺序进行排序，获得所述询问指令对应的知识条目。
本说明书实施例还提供一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
对接收的询问指令进行分词，获得分词结果；
以所述分词结果所包含的词语为关键词，进行检索，获得检索结果；
将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目。
进一步地，所述对接收的询问指令进行分词，获得分词结果，具体包括：
对所述接收的询问指令进行过滤纠错，获得所述询问指令对应的实际询问指令；
对所述实际询问的指令进行分词，获得分词结果。
进一步地，所述对所述实际询问的指令进行分词，获得分词结果，具体包括：
对所述实际询问的指令进行分词，获得第一分词结果；
对所述第一分词结果进行词干提取，获得第二分词结果；
去除所述第二分词结果的停止词，获得分词结果。
进一步地，所述以所述分词结果所包含的词语为关键词，进行检索，获得检索结果，具体包括：
以所述分词结果所包含的词语为关键词，以预设模板为文档进行全局检索，获得检索结果，所述预设模板为预设的询问指令的集合。
进一步地，所述以所述分词结果所包含的词语为关键词，以预设模板为文档进行检索，获得检索结果，具体包括：
以所述分词结果所包含的词语为关键词，以预设模板为文档进行全局检索，获得全局检索结果；
将所述全局检索结果与所述分词结果做交集，并按照所述全局检索结果对应的模板长度进行排序，作为所述检索结果。
进一步地，所述方法进一步包括：
对所述分词结果进行上下文处理，获得上下文处理结果；
基于所述上下文处理结果，进行场景模板匹配，对所述询问指令进行匹配，作为最终的检索结果。
进一步地，所述基于所述上下文处理结果，进行场景模板匹配，对所述询问指令进行匹配，具体包括：
基于所述上下文处理结果，判断所述询问指令是否处于多轮对话场景中；
若所述询问指令处于多轮对话场景，进行场景模板匹配，判断所述场景模板中，所述询问指令对应的上一轮的问答是否为上一轮对应的场景；
若所述场景模板中，所述询问指令对应的上一轮的问答为上一轮对应的场景，则将所述场景模板中对应的知识条目与所述询问指令进行匹配。
进一步地，所述将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目，具体包括：
将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得评分结果；
将所述评分结果按照从高到低的顺序排序，同时将所述检索结果对应的知识条目按照所述排序顺序进行排序，获得所述询问指令对应的知识条目。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，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，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据优化设备的处理器以产生一个机器，使得通过计算机或其他可编程数据优化设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据优化设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据优化设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，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，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种智能客服方法，其特征在于，所述方法包括：
对接收的询问指令进行分词，获得分词结果；
以所述分词结果所包含的词语为关键词，进行检索，获得检索结果；
将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目。
2.如权利要求1所述的方法，其特征在于，所述对接收的询问指令进行分词，获得分词结果，具体包括：
对所述接收的询问指令进行过滤纠错，获得所述询问指令对应的实际询问指令；
对所述实际询问的指令进行分词，获得分词结果。
3.如权利要求2所述的方法，其特征在于，所述对所述实际询问的指令进行分词，获得分词结果，具体包括：
对所述实际询问的指令进行分词，获得第一分词结果；
对所述第一分词结果进行词干提取，获得第二分词结果；
去除所述第二分词结果的停止词，获得分词结果。
4.如权利要求1所述的方法，其特征在于，所述以所述分词结果所包含的词语为关键词，进行检索，获得检索结果，具体包括：
以所述分词结果所包含的词语为关键词，以预设模板为文档进行全局检索，获得检索结果，所述预设模板为预设的询问指令的集合。
5.如权利要求4所述的方法，其特征在于，所述以所述分词结果所包含的词语为关键词，以预设模板为文档进行检索，获得检索结果，具体包括：
以所述分词结果所包含的词语为关键词，以预设模板为文档进行全局检索，获得全局检索结果；
将所述全局检索结果与所述分词结果做交集，并按照所述全局检索结果对应的模板长度进行排序，作为所述检索结果。
6.如权利要求4所述的方法，其特征在于，所述方法进一步包括：
对所述分词结果进行上下文处理，获得上下文处理结果；
基于所述上下文处理结果，进行场景模板匹配，对所述询问指令进行匹配，作为最终的检索结果。
7.如权利要求6所述的方法，其特征在于，所述基于所述上下文处理结果，进行场景模板匹配，对所述询问指令进行匹配，具体包括：
基于所述上下文处理结果，判断所述询问指令是否处于多轮对话场景中；
若所述询问指令处于多轮对话场景，进行场景模板匹配，判断所述场景模板中，所述询问指令对应的上一轮的问答是否为上一轮对应的场景；
若所述场景模板中，所述询问指令对应的上一轮的问答为上一轮对应的场景，则将所述场景模板中对应的知识条目与所述询问指令进行匹配。
8.如权利要求1-7任一项所述的方法，其特征在于，所述将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目，具体包括：
将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得评分结果；
将所述评分结果按照从高到低的顺序排序，同时将所述检索结果对应的知识条目按照所述排序顺序进行排序，获得所述询问指令对应的知识条目。
9.一种智能客服装置，其特征在于，所述装置包括：
分词模块，对接收的询问指令进行分词，获得分词结果；
语义分析模块，以所述分词结果所包含的词语为关键词，进行检索，获得检索结果；
评分模块，将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目。
10.一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
对接收的询问指令进行分词，获得分词结果；
以所述分词结果所包含的词语为关键词，进行检索，获得检索结果；
将所述检索结果按照所述关键词的权重及预设的符号规则进行评分，获得所述询问指令对应的知识条目。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110673370.1A CN113360620A (zh) | 2021-06-17 | 2021-06-17 | 一种智能客服方法、装置以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110673370.1A CN113360620A (zh) | 2021-06-17 | 2021-06-17 | 一种智能客服方法、装置以及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113360620A true CN113360620A (zh) | 2021-09-07 |
Family
ID=77534870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110673370.1A Pending CN113360620A (zh) | 2021-06-17 | 2021-06-17 | 一种智能客服方法、装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113360620A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109727041A (zh) * | 2018-07-03 | 2019-05-07 | 平安科技（深圳）有限公司 | 智能客服多轮问答方法、设备、存储介质及装置 |
| CN111930895A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 基于mrc的文档数据检索方法、装置、设备及存储介质 |
| CN112100356A (zh) * | 2020-09-17 | 2020-12-18 | 武汉纺织大学 | 一种基于相似性的知识库问答实体链接方法及系统 |
| CN112328758A (zh) * | 2020-10-27 | 2021-02-05 | 创泽智能机器人集团股份有限公司 | 一种会话意图识别方法、装置、设备及存储介质 |
-
2021
- 2021-06-17 CN CN202110673370.1A patent/CN113360620A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109727041A (zh) * | 2018-07-03 | 2019-05-07 | 平安科技（深圳）有限公司 | 智能客服多轮问答方法、设备、存储介质及装置 |
| CN111930895A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 基于mrc的文档数据检索方法、装置、设备及存储介质 |
| CN112100356A (zh) * | 2020-09-17 | 2020-12-18 | 武汉纺织大学 | 一种基于相似性的知识库问答实体链接方法及系统 |
| CN112328758A (zh) * | 2020-10-27 | 2021-02-05 | 创泽智能机器人集团股份有限公司 | 一种会话意图识别方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| WENPENG YIN ET A: "Simple Question Answering by Attentive Convolutional Neural Network", Retrieved from the Internet <URL:https://arxiv.org/pdf/1606.03391.pdf> * |
| 曾宇涛等: "基于多维信息融合的知识库问答实体链", 《模式识别与人工智能》, vol. 32, no. 7, 31 July 2019 (2019-07-31), pages 642 - 651 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11031009B2 (en) | Method for creating a knowledge base of components and their problems from short text utterances | |
| CN106570180B (zh) | 基于人工智能的语音搜索方法及装置 | |
| CN110276023B (zh) | Poi变迁事件发现方法、装置、计算设备和介质 | |
| WO2022121251A1 (zh) | 文本处理模型训练方法、装置、计算机设备和存储介质 | |
| CN114580382A (zh) | 文本纠错方法以及装置 | |
| CN110414004B (zh) | 一种核心信息提取的方法和系统 | |
| CN110781687B (zh) | 相同意图语句的获取方法及装置 | |
| CN110473527B (zh) | 一种语音识别的方法和系统 | |
| Bokka et al. | Deep Learning for Natural Language Processing: Solve your natural language processing problems with smart deep neural networks | |
| CN112417093B (zh) | 一种模型训练的方法及装置 | |
| CN111611393A (zh) | 一种文本分类方法、装置及设备 | |
| CN113221555A (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
| CN114154487A (zh) | 文本自动纠错方法、装置、电子设备及存储介质 | |
| CN109522396B (zh) | 一种面向国防科技领域的知识处理方法及系统 | |
| CN114880472A (zh) | 数据处理方法、装置及设备 | |
| CN108182173A (zh) | 一种提取关键词的方法、装置及电子设备 | |
| CN112597301A (zh) | 一种语音意图识别方法及装置 | |
| Chua et al. | Text normalization infrastructure that scales to hundreds of language varieties | |
| US20180307676A1 (en) | Systems, Devices, Components and Associated Computer Executable Code for Recognizing and Analyzing/Processing Modification Sentences within Human Language | |
| CN113887206B (zh) | 一种模型训练及关键词提取方法及装置 | |
| Khassanov et al. | Enriching rare word representations in neural language models by embedding matrix augmentation | |
| WO2021027085A1 (zh) | 文本关键词自动提取的方法、设备和存储介质 | |
| CN114638231B (zh) | 实体链接方法、装置及电子设备 | |
| CN110781072A (zh) | 基于机器学习的代码审核方法、装置、设备及存储介质 | |
| CN114676257A (zh) | 一种对话主题确定方法及装置 |
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 |