CN113434651A - 话术推荐方法、装置及相关设备 - Google Patents

话术推荐方法、装置及相关设备 Download PDF

Info

Publication number
CN113434651A
CN113434651A CN202110736470.4A CN202110736470A CN113434651A CN 113434651 A CN113434651 A CN 113434651A CN 202110736470 A CN202110736470 A CN 202110736470A CN 113434651 A CN113434651 A CN 113434651A
Authority
CN
China
Prior art keywords
data
loss function
target
recommendation
initial
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
CN202110736470.4A
Other languages
English (en)
Other versions
CN113434651B (zh
Inventor
蒋雪涵
孙行智
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 CN202110736470.4A priority Critical patent/CN113434651B/zh
Publication of CN113434651A publication Critical patent/CN113434651A/zh
Application granted granted Critical
Publication of CN113434651B publication Critical patent/CN113434651B/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
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G06F16/337—Profile generation, learning or modification
    • 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
    • G06F16/353—Clustering; Classification into predefined classes
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Machine Translation (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请涉及数据处理技术，提供一种话术推荐方法、装置、计算机设备与存储介质，包括：采集对话训练数据；以对话数据为输入数据，以打分标签为输出数据训练初始分类器，得到情感分类器；获取情感分类器对应的第一损失函数；以问数据为输入数据，以答数据为输出数据训练初始神经网络模型，得到初始话术推荐模型；获取初始话术推荐模型对应的第二损失函数；组合第一损失函数与第二损失函数，得到目标损失函数，并根据目标损失函数调整初始话术推荐模型，得到目标话术推荐模型；接收目标语句信息；将目标语句信息输入至目标话术推荐模型中，将目标损失函数最小化的目标对话为话术推荐。本申请能够提高话术推荐的准确性，促进智慧城市的快速发展。

Description

话术推荐方法、装置及相关设备
技术领域
本申请涉及数据处理技术领域，尤其涉及一种话术推荐方法、装置、计算机设备及介质。
背景技术
随着生活水平的提高，快节奏生活带来的焦虑和抑郁等心理亚健康状况威胁着人们生活幸福感的提升，心理健康越来越受到重视。然而心理咨询治疗师数量有限，远远不能满足大众的需求。对于社交恐惧的心理亚健康状况的人来说，其具有不愿真人沟通的特点。因此，线上心理咨询在心理疏导方面，因其具备隐私性、实时性、方便可及性等特征而更容易被大众接受，人工智能辅助心理咨询具有广阔的应用前景。
在实现本申请的过程中，发明人发现现有技术存在如下技术问题：人工智能辅助的心理咨询服务底层是生成式的对话模型，该对话模型需要根据大量的心理疏导语料训练得到，这样的模型一般是根据基于历史对话的条件概率，生成下一句最有可能的话，即话术推荐。然而在实际的训练数据中，具有较好疏导效果的话术并不一定是频次最高的话术，因此，话术推荐的准确性较低，疏导效果较差。
因此，有必要提供一种话术推荐方法，能够提高话术推荐的准确性。
发明内容
鉴于以上内容，有必要提出一种话术推荐方法、话术推荐装置、计算机设备及介质，能够提高话术推荐的准确性。
本申请实施例第一方面提供话术推荐方法，所述话术推荐方法包括：
采集对话训练数据，所述对话训练数据包括对话数据以及所述对话数据对应的打分标签，所述对话数据包括问数据与答数据；
以所述对话数据为输入数据，以所述打分标签为输出数据训练初始分类器，得到情感分类器；
获取所述情感分类器对应的第一损失函数；
以所述问数据为输入数据，以所述答数据为输出数据训练初始神经网络模型，得到初始话术推荐模型；
获取所述初始话术推荐模型对应的第二损失函数；
组合所述第一损失函数与所述第二损失函数，得到目标损失函数，并根据所述目标损失函数调整所述初始话术推荐模型，得到目标话术推荐模型；
接收用户输入的目标语句信息；
将所述目标语句信息输入至所述目标话术推荐模型中，并将所述目标损失函数最小化的目标对话作为话术推荐。
进一步地，在本申请实施例提供的上述话术推荐方法中，所述采集对话训练数据包括：
从所述对话数据中获取所述问数据与所述答数据；
检测所述问数据中是否存在预设关键词；
当检测结果为所述问数据中存在预设关键词时，确定所述预设关键词的数量；
获取所述问数据与所述答数据的问答次数；
根据所述数量与所述问答次数确定所述对话数据的打分标签；
采集所述对话数据以及所述对话数据对应的打分标签，得到对话训练数据。
进一步地，在本申请实施例提供的上述话术推荐方法中，所述获取所述情感分类器对应的第一损失函数包括：
获取所述情感分类器对应的模型参数；
检测所述模型参数中是否存在预设参数；
当检测结果为所述模型参数中存在预设参数时，确定所述预设参数的目标位置；
将所述目标位置处的数据作为第一损失函数。
进一步地，在本申请实施例提供的上述话术推荐方法中，所述组合所述第一损失函数与所述第二损失函数，得到目标损失函数包括：
获取所述第一损失函数对应的第一系数，并根据所述第一损失函数与所述第一系数计算得到第一损失值；
获取所述第二损失函数对应的第二系数，并根据所述第二损失函数与所述第二系数计算得到第二损失值；
求和处理所述第一损失值与所述第二损失值，得到目标损失函数。
进一步地，在本申请实施例提供的上述话术推荐方法中，所述以所述问数据为输入数据，以所述答数据为输出数据训练初始神经网络模型，得到初始话术推荐模型包括：
将所述问数据以及所述问数据对应的所述答数据按照预设比例拆分为训练样本与测试样本；
利用所述训练样本中的所述问数据与所述答数据训练初始神经网络模型，得到初始话术推荐模型；
利用所述测试样本中的所述问数据与所述答数据计算所述初始话术推荐模型的准确率；
检测所述准确率是否超过预设准确率阈值；
当检测结果为所述准确率超过所述预设准确率阈值时，确定所述初始话术推荐模型训练完成。
进一步地，在本申请实施例提供的上述话术推荐方法中，所述根据所述目标损失函数调整所述初始话术推荐模型，得到目标话术推荐模型包括：
获取所述初始话术推荐模型对应的推荐模型参数；
检测所述推荐模型参数中是否存在预设推荐参数；
当检测结果为所述推荐模型参数中存在预设推荐参数时，确定所述预设推荐参数的目标推荐位置；
获取所述目标推荐位置处的第二损失函数；
根据所述目标损失函数替换所述第二损失函数，得到目标话术推荐模型。
进一步地，在本申请实施例提供的上述话术推荐方法中，所述接收用户输入的目标语句信息包括：
获取用户输入的初始语句信息；
清洗所述初始语句信息中的链接、无效字符与无效语句；
确定并填充所述初始语句信息中的缺失值，得到目标语句信息。
本申请实施例第二方面还提供一种话术推荐装置，所述话术推荐装置包括：
数据采集模块，用于采集对话训练数据，所述对话训练数据包括对话数据以及所述对话数据对应的打分标签，所述对话数据包括问数据与答数据；
分类器训练模型，用于以所述对话数据为输入数据，以所述打分标签为输出数据训练初始分类器，得到情感分类器；
函数获取模块，用于获取所述情感分类器对应的第一损失函数；
模型训练模块，用于以所述问数据为输入数据，以所述答数据为输出数据训练初始神经网络模型，得到初始话术推荐模型；
所述函数获取模块还用于获取所述初始话术推荐模型对应的第二损失函数；
模型调整模块，用于组合所述第一损失函数与所述第二损失函数，得到目标损失函数，并根据所述目标损失函数调整所述初始话术推荐模型，得到目标话术推荐模型；
语音接收模块，用于接收用户输入的目标语句信息；
话术推荐模块，用于将所述目标语句信息输入至所述目标话术推荐模型中，并将所述目标损失函数最小化的目标对话作为话术推荐。
本申请实施例第三方面还提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任意一项所述话术推荐方法。
本申请实施例第四方面还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述话术推荐方法。
本申请实施例提供的上述话术推荐方法、话术推荐装置、计算机设备以及计算机可读存储介质，采集对话训练数据训练得到情感分类器，并将所述情感分类器添加至所述初始话术推荐模型中，得到目标话术推荐模型，继而调用所述目标话术推荐模型完成话术推荐。通过在话术推荐中考虑话术对应咨询者的正向情感倾向得分，能够提高话术推荐的准确性；且本申请降低了对优质对话数据的依赖程度，对于非优质的训练样本(也即咨询师未能成功引导患者沟通的训练样本)，由于其情感判断得分低，因此即使数据中存在大量的非优质对话，话术推荐模型也会对学到大量的非优质对话进行大的惩罚，学习到即使量少的优质对话样本。本申请可应用于智慧政务、智慧交通等智慧城市的各个功能模块中，比如智慧政务的话术推荐模块等，能够促进智慧城市的快速发展。
附图说明
图1是本申请实施例一提供的话术推荐方法的流程图。
图2是本申请实施例二提供的话术推荐装置的结构图。
图3是本申请实施例三提供的计算机设备的结构示意图。
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，所描述的实施例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，都属于本申请保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
本发明实施例提供的话术推荐方法由计算机设备执行，相应地，话术推荐装置运行于计算机设备中。
图1是本申请第一实施方式的话术推荐方法的流程图。如图1所示，所述话术推荐方法可以包括如下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略：
S11，采集对话训练数据，所述对话训练数据包括对话数据以及所述对话数据对应的打分标签，所述对话数据包括问数据与答数据。
在本申请的至少一实施例中，所述对话训练数据包括对话数据以及所述对话数据对应的打分标签，所述对话数据包括问数据与答数据。所述对话训练数据存储于预设数据库中，考虑到数据存储的隐私性与保密性，所述预设数据库可以为区块链中的目标节点。以应用场景为心理咨询为例，该应用场景下包括咨询者与被咨询者(也称为专业咨询师)，其中，所述打分标签可以是由专业咨询师给出的对话过程中心理咨询师回复的打分，也可以是通过机器学习的方式对对话过程中心理咨询师回复的打分。所述打分标签可以为(0,1)区间中的数值，当所述打分标签为1时，说明当前对话过程是对咨询者的心理咨询具有促进作用的有效沟通；当所述打分标签为0时，说明当前对话过程是对咨询者的心理咨询无促进作用的无效沟通。在对话过程中，可以包括若干个问数据及相应的答数据。所述问数据可以是由所述咨询者发出的心理咨询问题，所述答数据可以是由所述被咨询者针对所述心理咨询问题产生的答复。
可选地，当所述打分标签是通过机器学习的方式对对话过程中心理咨询师回复的打分时，所述采集对话训练数据包括：
从所述对话数据中获取所述问数据与所述答数据；
检测所述问数据中是否存在预设关键词；
当检测结果为所述问数据中存在预设关键词时，确定所述预设关键词的数量；
获取所述问数据与所述答数据的问答次数；
根据所述数量与所述问答次数确定所述对话数据的打分标签；
采集所述对话数据以及所述对话数据对应的打分标签，得到对话训练数据。
其中，所述预设关键词可以是指预先设置的标识肯定或者积极的词语，例如，所述预设关键词可以为“是的/对的/您说得对/有道理”等词语，在此不做限制。所述检测所述问数据中是否存在预设关键词也即从句子级别检测咨询者对于被咨询者的解答是否肯定，也即检测该对话过程是否为具有促进作用的有效沟通。所述获取所述问数据与所述答数据的问答次数也即从对话级别获取一段对话过程中咨询者与被咨询者沟通的轮次，可以理解的是，一段对话过程中咨询者与被咨询者沟通的轮次越多，其为有效沟通的可能性越大；一段对话过程中咨询者与被咨询者沟通的轮次越小，其为有效沟通的可能性越小。
其中，所述根据所述数量与所述问答次数确定所述对话数据的打分标签可以包括：将所述数量与所述问答次数输入至预先训练好的分值计算模型中，由所述分值计算模型输出所述打分标签。所述分值计算模型的输入数据为所述数量与所述问答次数组成的向量，输出数据为打分标签，所述分值计算模型的训练方法为现有技术，在此不做赘述。
S12，以所述对话数据为输入数据，以所述打分标签为输出数据训练初始分类器，得到情感分类器。
在本申请的至少一实施例中，所述情感分类器是指用于对对话过程中产生的问数据与答数据进行打分的模型。所述初始分类器可以为many-to-one的语言模型。以所述对话数据为输入数据，以所述打分标签为输出数据训练many-to-one的语言模型，利用交叉熵损失函数，即可训练得到对任意一轮问答(也即咨询者与被咨询者的一轮对话)的打分器。
在一实施例中，在训练得到所述情感分类器后，可调用所述情感分类器对剩余未打分的对话数据进行打分，分值在(0,1)区间，得分越接近于1或越接近于0可以认为是对于打分结果置信度高的正向或负向的案例，得分接近于0.5的案例可以进行人工打标签，并将此重新打标签的数据用于更新所述情感分类器的网络参数，使得所述情感分类器具有更强的学习能力。
S13，获取所述情感分类器对应的第一损失函数。
在本申请的至少一实施例中，在训练得到所述情感分类器时，所述情感分类器中包含交叉熵损失函数，将所述交叉熵损失函数作为第一损失函数。所述第一损失函数用于计算给定输入的对话轮次是否对咨询沟通起到正向的作用。
可选地，所述获取所述情感分类器对应的第一损失函数包括：
获取所述情感分类器对应的模型参数；
检测所述模型参数中是否存在预设参数；
当检测结果为所述模型参数中存在预设参数时，确定所述预设参数的目标位置；
将所述目标位置处的数据作为第一损失函数。
其中，所述情感分类器是由若干模型参数构成的模型，所述模型参数按照一定的数据格式排列。所述预设参数是指预先设置的所述第一损失函数对应的参数，所述预设参数的位置处对应的数据即为第一损失函数。
S14，以所述问数据为输入数据，以所述答数据为输出数据训练初始神经网络模型，得到初始话术推荐模型。
在本申请的至少一实施例中，根据对话数据训练初始神经网络模型，使得模型具有生成咨询师话术的能力。所述初始神经网络模型可以为many-to-many模型，将咨询者对应的所述问数据作为输入数据，通过编码器网络生成隐层向量，利用解码器生成被咨询者的话术，继而得到初始话术推荐模型。在所述初始话术推荐模型的训练过程中，解码器生成的被咨询者的话术Dt是在已知咨询者的问数据Pt的情况下最大化条件概率p(Dt|Pt)。
可选地，所述以所述问数据为输入数据，以所述答数据为输出数据训练初始神经网络模型，得到初始话术推荐模型包括：
将所述问数据以及所述问数据对应的所述答数据按照预设比例拆分为训练样本与测试样本；
利用所述训练样本中的所述问数据与所述答数据训练初始神经网络模型，得到初始话术推荐模型；
利用所述测试样本中的所述问数据与所述答数据计算所述初始话术推荐模型的准确率；
检测所述准确率是否超过预设准确率阈值；
当检测结果为所述准确率超过所述预设准确率阈值时，确定所述初始话术推荐模型训练完成。
其中，所述预设准确率阈值是指预先设置的用于评估模型的准确性的阈值，例如，所述预设准确率阈值为98％。所述预设比例是指预先设置的拆分样本数据为训练样本以及测试样本的比例，所述预设比例可以为7:3，在此不做限制。可以理解的是，当检测结果为所述准确率未超过所述预设准确率阈值时，增加所述训练样本的数量重复执行模型训练的步骤，直至模型的准确率超过预设准确率阈值。
其中，在所述初始话术推荐模型的训练过程中，所述初始话术推荐模型包括输入层、隐层网络以及输出层，所述输入层用于向量化处理所述问数据，得到问数据向量，并将所述问数据向量输入至所述初始神经网络模型中的隐层网络；所述隐层网络用语接收历史隐层信息，并调用第一预设数学模型根据所述目标问数据向量与所述历史隐层信息计算目标隐层信息；所述输出层用于调用第二预设数学模型处理所述目标隐层信息，得到答数据。所述初始话术推荐模型的训练过程也即确定所述第一预设数学模型与所述第二预设数学模型中未知参数的过程。在一实施例中，所述第一预设数学模型可以为：
ht＝σ(W1Xt+W2ht-1+b1) 公式1
其中，ht是t时刻的目标隐层信息表示，Xt是t时刻的输入数据，W1是输入的权重，W2是隐层的权重，b1是常数向量，σ是激活函数(例如sigmoid函数)。
其中，所述第二预设数学模型可以为：
yt＝σ(W3ht+b2) 公式2
其中，ht是t时刻的目标隐层信息表示，Xt是t时刻的输入数据，W3是由隐层向量预测输出的权重，b2是常数向量，σ是激活函数(例如sigmoid函数)。
S15，获取所述初始话术推荐模型对应的第二损失函数。
在本申请的至少一实施例中，在训练得到所述初始话术推荐模型时，所述初始话术推荐模型中包含第二损失函数，所述第二损失函数用于在已知咨询者的问数据Pt的情况下，模型生成的被咨询者的话术Dt的条件概率。所述第二损失函数的获取方式与本申请提及的所述第一损失函数的获取方式相同，在此不做赘述。
S16，组合所述第一损失函数与所述第二损失函数，得到目标损失函数，并根据所述目标损失函数调整所述初始话术推荐模型，得到目标话术推荐模型。
在本申请的至少一实施例中，组合所述第一损失函数与所述第二损失函数，得到目标损失函数，并根据所述目标损失函数调整所述初始话术推荐模型，得到目标话术推荐模型。所述目标话术推荐模型中加入了所述情感分类器实现对话术推荐内容进行打分，使得话术推荐内容不仅满足较高的条件概率，同时可以得到较高的得分，使得对话过程朝着有利于沟通和治疗的方向发展。
可选地，所述组合所述第一损失函数与所述第二损失函数，得到目标损失函数包括：
获取所述第一损失函数对应的第一系数，并根据所述第一损失函数与所述第一系数计算得到第一损失值；
获取所述第二损失函数对应的第二系数，并根据所述第二损失函数与所述第二系数计算得到第二损失值；
求和处理所述第一损失值与所述第二损失值，得到目标损失函数。
其中，所述第一损失函数为Φ(Dt,Pt)，所述第一系数为λ，所述第一损失值为λΦ(Dt,Pt)。所述第二损失函数为log(p(Dt|Pt))，所述第二系数为-1，所述第二损失值为-log(p(Dt|Pt))。所述目标损失函数为
L＝-log(p(Dt|Pt))-λΦ(Dt,Pt) 公式3
其中，第一系数λ为非负的超参数，用于平衡条件概率和考虑咨询者情感倾向在模型训练中的权重。在一实施例中，可以通过选定额外的评测咨询者对咨询的总体情感倾向(例如是否购买推荐课程等)的指标，来确定合适的λ取值。示例性地，设定某个评估函数，例如选取咨询者对于被咨询者推荐商品购买率作为评估标准，首先按照数量级设置超参数的取值，如10-5、10-4、10-3、10-2、10-1、1、101、102，计算参数取值下对应的评估函数的值，之后找到最优的区间，进行精细调整。
可选地，所述根据所述目标损失函数调整所述初始话术推荐模型，得到目标话术推荐模型包括：
获取所述初始话术推荐模型对应的推荐模型参数；
检测所述推荐模型参数中是否存在预设推荐参数；
当检测结果为所述推荐模型参数中存在预设推荐参数时，确定所述预设推荐参数的目标推荐位置；
获取所述目标推荐位置处的第二损失函数；
根据所述目标损失函数替换所述第二损失函数，得到目标话术推荐模型。
其中，通过将所述初始话术推荐模型中的第二损失函数调整为所述目标损失函数，能够实现将所述初始话术推荐模型调整为所述目标话术推荐模型。
S17，接收用户输入的目标语句信息。
在本申请的至少一实施例中，接收用户输入的目标语句信息，所述目标语句信息可以是咨询者输出的用于咨询心理问题的语句信息。所述目标语句信息是指对用户输入的初始语句信息进行预处理后得到的语句信息。由于所述初始语句信息中可能包含较多停用词，所述预处理可以为去除停用词处理。
可选地，所述接收用户输入的目标语句信息包括：
获取用户输入的初始语句信息；
清洗所述初始语句信息中的链接、无效字符与无效语句；
确定并填充所述初始语句信息中的缺失值，得到目标语句信息。
其中，所述缺失值是指所述初始语句信息中缺失部分的数据，可以根据所述初始语句信息的语义填充合适的数据至所述缺失部分，该数值可存储于预设数据库中。
S18，将所述目标语句信息输入至所述目标话术推荐模型中，并将所述目标损失函数最小化的目标对话作为话术推荐。
在本申请的至少一实施例中，将所述目标语句信息输入至所述目标话术推荐模型中，能够得到使得所述目标损失函数最小化的目标对话，本申请将所述目标对话作为话术推荐，能够实现最大化条件概率与最大化咨询者的正向情感倾向。
本申请实施例提供的上述话术推荐方法，采集对话训练数据训练得到情感分类器，并将所述情感分类器添加至所述初始话术推荐模型中，得到目标话术推荐模型，继而调用所述目标话术推荐模型完成话术推荐。通过在话术推荐中考虑话术对应咨询者的正向情感倾向得分，能够提高话术推荐的准确性；且本申请降低了对优质对话数据的依赖程度，对于非优质的训练样本(也即咨询师未能成功引导患者沟通的训练样本)，由于其情感判断得分低，因此即使数据中存在大量的非优质对话，话术推荐模型也会对学到大量的非优质对话进行大的惩罚，学习到即使量少的优质对话样本。本申请可应用于智慧政务、智慧交通等智慧城市的各个功能模块中，比如智慧政务的话术推荐模块等，能够促进智慧城市的快速发展。
图2是本申请实施例二提供的话术推荐装置的结构图。
在一些实施例中，所述话术推荐装置20可以包括多个由计算机程序段所组成的功能模块。所述话术推荐装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)基于问答平台的数据处理的功能。
本实施例中，所述话术推荐装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：数据采集模块201、分类器训练模型202、函数获取模块203、模型训练模块204、模型调整模块205、语音接收模块206以及话术推荐模块207。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
所述数据采集模块201可以用于采集对话训练数据，所述对话训练数据包括对话数据以及所述对话数据对应的打分标签，所述对话数据包括问数据与答数据。
在本申请的至少一实施例中，所述对话训练数据包括对话数据以及所述对话数据对应的打分标签，所述对话数据包括问数据与答数据。以应用场景为心理咨询为例，该应用场景下包括咨询者与被咨询者(也称为专业咨询师)，其中，所述打分标签可以是由专业咨询师给出的对话过程中心理咨询师回复的打分，也可以是通过机器学习的方式对对话过程中心理咨询师回复的打分。所述打分标签可以为(0,1)区间中的数值，当所述打分标签为1时，说明当前对话过程是对咨询者的心理咨询具有促进作用的有效沟通；当所述打分标签为0时，说明当前对话过程是对咨询者的心理咨询无促进作用的无效沟通。在对话过程中，可以包括若干个问数据及相应的答数据。所述问数据可以是由所述咨询者发出的心理咨询问题，所述答数据可以是由所述被咨询者针对所述心理咨询问题产生的答复。
可选地，当所述打分标签是通过机器学习的方式对对话过程中心理咨询师回复的打分时，所述采集对话训练数据包括：
从所述对话数据中获取所述问数据与所述答数据；
检测所述问数据中是否存在预设关键词；
当检测结果为所述问数据中存在预设关键词时，确定所述预设关键词的数量；
获取所述问数据与所述答数据的问答次数；
根据所述数量与所述问答次数确定所述对话数据的打分标签；
采集所述对话数据以及所述对话数据对应的打分标签，得到对话训练数据。
其中，所述预设关键词可以是指预先设置的标识肯定或者积极的词语，例如，所述预设关键词可以为“是的/对的/您说得对/有道理”等词语，在此不做限制。所述检测所述问数据中是否存在预设关键词也即从句子级别检测咨询者对于被咨询者的解答是否肯定，也即检测该对话过程是否为具有促进作用的有效沟通。所述获取所述问数据与所述答数据的问答次数也即从对话级别获取一段对话过程中咨询者与被咨询者沟通的轮次，可以理解的是，一段对话过程中咨询者与被咨询者沟通的轮次越多，其为有效沟通的可能性越大；一段对话过程中咨询者与被咨询者沟通的轮次越小，其为有效沟通的可能性越小。
其中，所述根据所述数量与所述问答次数确定所述对话数据的打分标签可以包括：将所述数量与所述问答次数输入至预先训练好的分值计算模型中，由所述分值计算模型输出所述打分标签。所述分值计算模型的输入数据为所述数量与所述问答次数组成的向量，输出数据为打分标签，所述分值计算模型的训练方法为现有技术，在此不做赘述。
所述分类器训练模型202可以用于以所述对话数据为输入数据，以所述打分标签为输出数据训练初始分类器，得到情感分类器。
在本申请的至少一实施例中，所述情感分类器是指用于对对话过程中产生的问数据与答数据进行打分的模型。所述初始分类器可以为many-to-one的语言模型。以所述对话数据为输入数据，以所述打分标签为输出数据训练many-to-one的语言模型，利用交叉熵损失函数，即可训练得到对任意一轮问答(也即咨询者与被咨询者的一轮对话)的打分器。
在一实施例中，在训练得到所述情感分类器后，可调用所述情感分类器对剩余未打分的对话数据进行打分，分值在(0,1)区间，得分越接近于1或越接近于0可以认为是对于打分结果置信度高的正向或负向的案例，得分接近于0.5的案例可以进行人工打标签，并将此重新打标签的数据用于更新所述情感分类器的网络参数，使得所述情感分类器具有更强的学习能力。
所述函数获取模块203可以用于获取所述情感分类器对应的第一损失函数。
在本申请的至少一实施例中，在训练得到所述情感分类器时，所述情感分类器中包含交叉熵损失函数，将所述交叉熵损失函数作为第一损失函数。所述第一损失函数用于计算给定输入的对话轮次是否对咨询沟通起到正向的作用。
可选地，所述获取所述情感分类器对应的第一损失函数包括：
获取所述情感分类器对应的模型参数；
检测所述模型参数中是否存在预设参数；
当检测结果为所述模型参数中存在预设参数时，确定所述预设参数的目标位置；
将所述目标位置处的数据作为第一损失函数。
其中，所述情感分类器是由若干模型参数构成的模型，所述模型参数按照一定的数据格式排列。所述预设参数是指预先设置的所述第一损失函数对应的参数，所述预设参数的位置处对应的数据即为第一损失函数。
所述模型训练模块204可以用于以所述问数据为输入数据，以所述答数据为输出数据训练初始神经网络模型，得到初始话术推荐模型。
在本申请的至少一实施例中，根据对话数据训练初始神经网络模型，使得模型具有生成咨询师话术的能力。所述初始神经网络模型可以为many-to-many模型，将咨询者对应的所述问数据作为输入数据，通过编码器网络生成隐层向量，利用解码器生成被咨询者的话术，继而得到初始话术推荐模型。在所述初始话术推荐模型的训练过程中，解码器生成的被咨询者的话术Dt是在已知咨询者的问数据Pt的情况下最大化条件概率p(Dt|Pt)。
可选地，所述以所述问数据为输入数据，以所述答数据为输出数据训练初始神经网络模型，得到初始话术推荐模型包括：
将所述问数据以及所述问数据对应的所述答数据按照预设比例拆分为训练样本与测试样本；
利用所述训练样本中的所述问数据与所述答数据训练初始神经网络模型，得到初始话术推荐模型；
利用所述测试样本中的所述问数据与所述答数据计算所述初始话术推荐模型的准确率；
检测所述准确率是否超过预设准确率阈值；
当检测结果为所述准确率超过所述预设准确率阈值时，确定所述初始话术推荐模型训练完成。
其中，所述预设准确率阈值是指预先设置的用于评估模型的准确性的阈值，例如，所述预设准确率阈值为98％。所述预设比例是指预先设置的拆分样本数据为训练样本以及测试样本的比例，所述预设比例可以为7:3，在此不做限制。可以理解的是，当检测结果为所述准确率未超过所述预设准确率阈值时，增加所述训练样本的数量重复执行模型训练的步骤，直至模型的准确率超过预设准确率阈值。其中，在所述初始话术推荐模型的训练过程中，所述初始话术推荐模型包括输入层、隐层网络以及输出层，所述输入层用于向量化处理所述问数据，得到问数据向量，并将所述问数据向量输入至所述初始神经网络模型中的隐层网络；所述隐层网络用语接收历史隐层信息，并调用第一预设数学模型根据所述目标问数据向量与所述历史隐层信息计算目标隐层信息；所述输出层用于调用第二预设数学模型处理所述目标隐层信息，得到答数据。所述初始话术推荐模型的训练过程也即确定所述第一预设数学模型与所述第二预设数学模型中未知参数的过程。在一实施例中，所述第一预设数学模型可以为：
ht＝σ(W1Xt+W2ht-1+b1) 公式1
其中，ht是t时刻的目标隐层信息表示，Xt是t时刻的输入数据，W1是输入的权重，W2是隐层的权重，b1是常数向量，σ是激活函数(例如sigmoid函数)。
其中，所述第二预设数学模型可以为：
yt＝σ(W3ht+b2) 公式2
其中，ht是t时刻的目标隐层信息表示，Xt是t时刻的输入数据，W3是由隐层向量预测输出的权重，b2是常数向量，σ是激活函数(例如sigmoid函数)。
所述函数获取模块203还可以用于获取所述初始话术推荐模型对应的第二损失函数。
在本申请的至少一实施例中，在训练得到所述初始话术推荐模型时，所述初始话术推荐模型中包含第二损失函数，所述第二损失函数用于在已知咨询者的问数据Pt的情况下，模型生成的被咨询者的话术Dt的条件概率。所述第二损失函数的获取方式与本申请提及的所述第一损失函数的获取方式相同，在此不做赘述。
所述模型调整模块205可以用于组合所述第一损失函数与所述第二损失函数，得到目标损失函数，并根据所述目标损失函数调整所述初始话术推荐模型，得到目标话术推荐模型。
在本申请的至少一实施例中，组合所述第一损失函数与所述第二损失函数，得到目标损失函数，并根据所述目标损失函数调整所述初始话术推荐模型，得到目标话术推荐模型。所述目标话术推荐模型中加入了所述情感分类器实现对话术推荐内容进行打分，使得话术推荐内容不仅满足较高的条件概率，同时可以得到较高的得分，使得对话过程朝着有利于沟通和治疗的方向发展。
可选地，所述组合所述第一损失函数与所述第二损失函数，得到目标损失函数包括：
获取所述第一损失函数对应的第一系数，并根据所述第一损失函数与所述第一系数计算得到第一损失值；
获取所述第二损失函数对应的第二系数，并根据所述第二损失函数与所述第二系数计算得到第二损失值；
求和处理所述第一损失值与所述第二损失值，得到目标损失函数。
其中，所述第一损失函数为Φ(Dt,Pt)，所述第一系数为λ，所述第一损失值为λΦ(Dt,Pt)。所述第二损失函数为log(p(Dt|Pt))，所述第二系数为-1，所述第二损失值为-log(p(Dt|Pt))。所述目标损失函数为
L＝-log(p(Dt|Pt))-λΦ(Dt,Pt) 公式3
其中，第一系数λ为非负的超参数，用于平衡条件概率和考虑咨询者情感倾向在模型训练中的权重。在一实施例中，可以通过选定额外的评测咨询者对咨询的总体情感倾向(例如是否购买推荐课程等)的指标，来确定合适的λ取值。示例性地，设定某个评估函数，例如选取咨询者对于被咨询者推荐商品购买率作为评估标准，首先按照数量级设置超参数的取值，如10-5、10-4、10-3、10-2、10-1、1、101、102，计算参数取值下对应的评估函数的值，之后找到最优的区间，进行精细调整。
可选地，所述根据所述目标损失函数调整所述初始话术推荐模型，得到目标话术推荐模型包括：
获取所述初始话术推荐模型对应的推荐模型参数；
检测所述推荐模型参数中是否存在预设推荐参数；
当检测结果为所述推荐模型参数中存在预设推荐参数时，确定所述预设推荐参数的目标推荐位置；
获取所述目标推荐位置处的第二损失函数；
根据所述目标损失函数替换所述第二损失函数，得到目标话术推荐模型。
其中，通过将所述初始话术推荐模型中的第二损失函数调整为所述目标损失函数，能够实现将所述初始话术推荐模型调整为所述目标话术推荐模型。
所述语音接收模块206可以用于接收用户输入的目标语句信息。
在本申请的至少一实施例中，接收用户输入的目标语句信息，所述目标语句信息可以是咨询者输出的用于咨询心理问题的语句信息。所述目标语句信息是指对用户输入的初始语句信息进行预处理后得到的语句信息。由于所述初始语句信息中可能包含较多停用词，所述预处理可以为去除停用词处理。
可选地，所述接收用户输入的目标语句信息包括：
获取用户输入的初始语句信息；
清洗所述初始语句信息中的链接、无效字符与无效语句；
确定并填充所述初始语句信息中的缺失值，得到目标语句信息。
所述话术推荐模块207可以用于将所述目标语句信息输入至所述目标话术推荐模型中，并将所述目标损失函数最小化的目标对话作为话术推荐。
在本申请的至少一实施例中，将所述目标语句信息输入至所述目标话术推荐模型中，能够得到使得所述目标损失函数最小化的目标对话，本申请将所述目标对话作为话术推荐，能够实现最大化条件概率与最大化咨询者的正向情感倾向。
参阅图3所示，为本申请实施例三提供的计算机设备的结构示意图。在本申请较佳实施例中，所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解，图3示出的计算机设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述计算机设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述计算机设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的话术推荐方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中，所述至少一个处理器32是所述计算机设备3的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的话术推荐方法的全部或者部分步骤；或者实现话术推荐装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述计算机设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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，计算机设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种话术推荐方法，其特征在于，所述话术推荐方法包括：
采集对话训练数据，所述对话训练数据包括对话数据以及所述对话数据对应的打分标签，所述对话数据包括问数据与答数据；
以所述对话数据为输入数据，以所述打分标签为输出数据训练初始分类器，得到情感分类器；
获取所述情感分类器对应的第一损失函数；
以所述问数据为输入数据，以所述答数据为输出数据训练初始神经网络模型，得到初始话术推荐模型；
获取所述初始话术推荐模型对应的第二损失函数；
组合所述第一损失函数与所述第二损失函数，得到目标损失函数，并根据所述目标损失函数调整所述初始话术推荐模型，得到目标话术推荐模型；
接收用户输入的目标语句信息；
将所述目标语句信息输入至所述目标话术推荐模型中，并将所述目标损失函数最小化的目标对话作为话术推荐。
2.根据权利要求1所述的话术推荐方法，其特征在于，所述采集对话训练数据包括：
从所述对话数据中获取所述问数据与所述答数据；
检测所述问数据中是否存在预设关键词；
当检测结果为所述问数据中存在预设关键词时，确定所述预设关键词的数量；
获取所述问数据与所述答数据的问答次数；
根据所述数量与所述问答次数确定所述对话数据的打分标签；
采集所述对话数据以及所述对话数据对应的打分标签，得到对话训练数据。
3.根据权利要求1所述的话术推荐方法，其特征在于，所述获取所述情感分类器对应的第一损失函数包括：
获取所述情感分类器对应的模型参数；
检测所述模型参数中是否存在预设参数；
当检测结果为所述模型参数中存在预设参数时，确定所述预设参数的目标位置；
将所述目标位置处的数据作为第一损失函数。
4.根据权利要求1所述的话术推荐方法，其特征在于，所述组合所述第一损失函数与所述第二损失函数，得到目标损失函数包括：
获取所述第一损失函数对应的第一系数，并根据所述第一损失函数与所述第一系数计算得到第一损失值；
获取所述第二损失函数对应的第二系数，并根据所述第二损失函数与所述第二系数计算得到第二损失值；
求和处理所述第一损失值与所述第二损失值，得到目标损失函数。
5.根据权利要求1所述的话术推荐方法，其特征在于，所述以所述问数据为输入数据，以所述答数据为输出数据训练初始神经网络模型，得到初始话术推荐模型包括：
将所述问数据以及所述问数据对应的所述答数据按照预设比例拆分为训练样本与测试样本；
利用所述训练样本中的所述问数据与所述答数据训练初始神经网络模型，得到初始话术推荐模型；
利用所述测试样本中的所述问数据与所述答数据计算所述初始话术推荐模型的准确率；
检测所述准确率是否超过预设准确率阈值；
当检测结果为所述准确率超过所述预设准确率阈值时，确定所述初始话术推荐模型训练完成。
6.根据权利要求1所述的话术推荐方法，其特征在于，所述根据所述目标损失函数调整所述初始话术推荐模型，得到目标话术推荐模型包括：
获取所述初始话术推荐模型对应的推荐模型参数；
检测所述推荐模型参数中是否存在预设推荐参数；
当检测结果为所述推荐模型参数中存在预设推荐参数时，确定所述预设推荐参数的目标推荐位置；
获取所述目标推荐位置处的第二损失函数；
根据所述目标损失函数替换所述第二损失函数，得到目标话术推荐模型。
7.根据权利要求1所述的话术推荐方法，其特征在于，所述接收用户输入的目标语句信息包括：
获取用户输入的初始语句信息；
清洗所述初始语句信息中的链接、无效字符与无效语句；
确定并填充所述初始语句信息中的缺失值，得到目标语句信息。
8.一种话术推荐装置，其特征在于，所述话术推荐装置包括：
数据采集模块，用于采集对话训练数据，所述对话训练数据包括对话数据以及所述对话数据对应的打分标签，所述对话数据包括问数据与答数据；
分类器训练模型，用于以所述对话数据为输入数据，以所述打分标签为输出数据训练初始分类器，得到情感分类器；
函数获取模块，用于获取所述情感分类器对应的第一损失函数；
模型训练模块，用于以所述问数据为输入数据，以所述答数据为输出数据训练初始神经网络模型，得到初始话术推荐模型；
所述函数获取模块还用于获取所述初始话术推荐模型对应的第二损失函数；
模型调整模块，用于组合所述第一损失函数与所述第二损失函数，得到目标损失函数，并根据所述目标损失函数调整所述初始话术推荐模型，得到目标话术推荐模型；
语音接收模块，用于接收用户输入的目标语句信息；
话术推荐模块，用于将所述目标语句信息输入至所述目标话术推荐模型中，并将所述目标损失函数最小化的目标对话作为话术推荐。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述话术推荐方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述话术推荐方法。
CN202110736470.4A 2021-06-30 2021-06-30 话术推荐方法、装置及相关设备 Active CN113434651B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110736470.4A CN113434651B (zh) 2021-06-30 2021-06-30 话术推荐方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110736470.4A CN113434651B (zh) 2021-06-30 2021-06-30 话术推荐方法、装置及相关设备

Publications (2)

Publication Number Publication Date
CN113434651A true CN113434651A (zh) 2021-09-24
CN113434651B CN113434651B (zh) 2023-08-29

Family

ID=77758184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110736470.4A Active CN113434651B (zh) 2021-06-30 2021-06-30 话术推荐方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN113434651B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113886531A (zh) * 2021-10-28 2022-01-04 中国平安人寿保险股份有限公司 智能问答话术确定方法、装置、计算机设备和存储介质
CN116662503A (zh) * 2023-05-22 2023-08-29 深圳市新美网络科技有限公司 私域用户场景话术推荐方法及其系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190198014A1 (en) * 2017-12-21 2019-06-27 Ricoh Company, Ltd. Method and apparatus for ranking responses of dialog model, and non-transitory computer-readable recording medium
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
CN112559706A (zh) * 2020-12-11 2021-03-26 中国科学院深圳先进技术研究院 对话生成模型的训练方法、对话方法、设备以及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190198014A1 (en) * 2017-12-21 2019-06-27 Ricoh Company, Ltd. Method and apparatus for ranking responses of dialog model, and non-transitory computer-readable recording medium
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
CN112559706A (zh) * 2020-12-11 2021-03-26 中国科学院深圳先进技术研究院 对话生成模型的训练方法、对话方法、设备以及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113886531A (zh) * 2021-10-28 2022-01-04 中国平安人寿保险股份有限公司 智能问答话术确定方法、装置、计算机设备和存储介质
CN116662503A (zh) * 2023-05-22 2023-08-29 深圳市新美网络科技有限公司 私域用户场景话术推荐方法及其系统
CN116662503B (zh) * 2023-05-22 2023-12-29 深圳市新美网络科技有限公司 私域用户场景话术推荐方法及其系统

Also Published As

Publication number Publication date
CN113434651B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
Dharwadkar et al. A medical chatbot
Griol et al. A statistical approach to spoken dialog systems design and evaluation
CN110874716A (zh) 面试测评方法、装置、电子设备及存储介质
Devillers et al. Inference of human beings’ emotional states from speech in human–robot interactions
CN109670727A (zh) 一种基于众包的分词标注质量评估系统及评估方法
CN110383389A (zh) 心理治疗分类方法
Shinozaki et al. Context-based counselor agent for software development ecosystem
CN111933239A (zh) 数据处理的方法及装置、系统、存储介质
CN113434651A (zh) 话术推荐方法、装置及相关设备
CN111309887B (zh) 一种训练文本关键内容提取模型的方法和系统
WO2022174161A1 (en) Systems and methods for psychotherapy using artificial intelligence
CN109325780A (zh) 一种面向电子政务领域的智能客服系统的交互方法
CN111461636A (zh) 基于虚拟机器人的政务服务平台及应用
CN113761156A (zh) 人机交互对话的数据处理方法、装置、介质及电子设备
Fox et al. Clinical decision‐making and intuition: A task analysis of 44 experienced counsellors
CN111353290B (zh) 一种自动响应用户询问的方法和系统
US20210225364A1 (en) Method and system for speech effectiveness evaluation and enhancement
WO2015054791A1 (en) System and method for learning
Kontek On mental transformations.
Sobol-Shikler Automatic inference of complex affective states
Sakurai et al. VICA, a visual counseling agent for emotional distress
Swain et al. Healthcare chatbot system: A survey
Muangnak et al. The neural network conversation model enables the commonly asked student query agents
CN116936037A (zh) 一种基于人工智能的线上心理咨询方法和系统
CN116842143A (zh) 基于人工智能的对话模拟方法、装置、电子设备及介质

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