CN113821621B - 一种基于深度学习的开放式智能客服系统 - Google Patents

Abstract

本发明属于自然语言处理领域，特别是涉及一种基于深度学习的开放式智能客服系统。发明由用户输入模块、预处理模块、意图识别模块、业务模块、人工服务模块、场景识别模块组成。针对智能客服存在交互性差、操作流程复杂、用户体验差等缺点，该发明提供了一种基于深度学习的开放式智能客服系统，根据不同业务类型划分功能，人工服务模块可通过意图识别模块直接进行调用或通过业务子模块根据场景识别模块进行调用，进而转向人工服务环节。该发明简化了语音操作多次按键操作流程，引入开放式对话闲聊模块有效提高人机交互性和用户体验感。

Description

一种基于深度学习的开放式智能客服系统

技术领域

本发明属于自然语言处理领域，特别是涉及一种基于深度学习的开放式智能客服系统。

背景技术

随着深度学习技术的深入发展和在各场景的落地应用，促进了开放领域智能客服系统的研究热点，究其原因各行业将智能客服定位于未来各种服务的入口。因此很多互联网公司投入资金研发相关技术，并陆续推出相关产品。

目前智能客服系统虽然融合了基础语音、互联网自主服务、引导式按键功能，但是存在交互性差、操作流程复杂、用户体验度差等缺点。对此该发明提出一种基于深度学习的开放式智能客服系统，采用按业务类型划分功能模块，并且对每个模块采用不同的技术选型，能有效实现系统的解耦和降低技术实现复杂度，解决目前智能客服存在的缺点，实现开放式智能客服的落地应用。

发明内容

本发明要解决的技术问题是：提供一种基于深度学习的开放式智能客服系统，针对不同功能采用不同技术选型有效降低系统耦合度和技术实现复杂度，从而实现业务处理和对话聊天一体化、操作流程简单化、人机交互无缝切换的目的。

针对智能客服存在交互性差、操作流程复杂、用户体验差等缺点，该发明提供了一种基于深度学习的开放式智能客服系统，根据不同业务类型划分功能，并对每个功能采用不同的技术选型实现最佳答案筛选。发明由用户输入模块、预处理模块、意图识别模块、业务模块、人工服务模块、场景识别模块组成。在输入模块可接收语音或者文字输入，若采用语音输入需先将语音转换为文本信息再进行预处理。预处理模块对文本信息进行清洗、分词、标注和语义纠错等抗干扰处理。意图识别模块根据预处理后的文本信息提取主题词，通过主题词识别访问者意图，并根据意图调用业务模块。其中业务模块包括费用查询子模块、业务咨询子模块、对话聊天子模块、故障报修子模块、投诉评价子模块，在每个子模块中根据不同业务类型选用不同的技术类型实现答案筛选和应答。人工服务模块可通过意图识别模块直接进行调用或通过业务子模块根据场景识别模块进行调用，进而转向人工服务环节。场景识别模块根据不同业务场景下当需要转向人工服务时，可不通过返回操作直接通过具体业务场景子模块接通人工客服，保证语言场景一致和语句连贯。该发明简化了语音操作多次按键操作流程，引入开放式对话闲聊模块有效提高人机交互性和用户体验感。

该发明解决技术问题的方案是：

一种基于深度学习的开放式智能客服系统，包括用户输入模块、预处理模块、意图识别模块、业务模块、人工服务模块、场景识别模块；

用户输入模块包括移动终端和PC端，接收语音信息和文本信息输入，若输入为语音信息，则需要将语音信息转化为文本信息再进行预处理；预处理模块对上述文本信息进行预处理，预处理包括语料清洗、长句分词、词性标注、语义纠错处理；意图识别模块对预处理后的文本信息进行主题词检索，根据检索关键词判断用户想要咨询的问题，并根据用户意图进行调用具体业务模块；人工服务模块对于客户个性化的需求或系统无法解答的问题，系统根据需要自动转接到人工服务模块，由人工解答客户个性化需求和一些特殊需求；场景识别模块连接业务模块和人工服务模块；

其中业务模块包括费用查询子模块、业务咨询子模块、对话聊天子模块、故障报修子模块、投诉评价子模块；其中费用查询子模块根据用户意图和检索关键词构造查询语句，在数据库中查询个人套餐、话费流量等信息；业务咨询子模块通过召回模型对用户常用的业务类型进行推荐或赋予高的优先级，对非常用的业务类型进行过滤或赋予低的优先级，采用排序模型对不同优先级业务排序，调用知识图谱完成多个答案的检索和匹配，针对具体业务给出相关答案；对话聊天子模块采用检索模型检索已有答案，采用生成式模型进行知识扩展和外延，调用知识图谱和重排策略完成答案的检索和生成；故障报修子模块通过解析模型定位故障并确定故障类型，通过分类模型并对故障类型进行分类，调用知识图谱和重排策略检索故障解决方法并反馈用户；投诉评价子模块通过对文本语句进行解析，检索关键词识别投诉和评价类型，通过反馈策略实现不同类型问题的处理方式反馈，对服务评价和意见反馈进行处理。

所述用户输入模块接收用户输入的文本信息和语音信息，若输入为语音信息则需要转化为文本信息再进行预处理，对文本信息直接进入预处理单元进行处理。

所述预处理模块对输入的文本信息首先进行语料清洗去除符号等无用信息，保留正文关键信息，对长句进行分词，挖掘词间关系；然后根据词性进行标注，在文本处理中可以融入更多语言信息；最后对文本信息进行语义纠错，消除语法错误和歧义句。

所述意图识别模块首先对预处理后的语句进行主题词检索，并抽取出语句中的关键词作为意图识别的依据；其次根据主题词通过意图分类模型判断文本意图，并根据其意图调用相应的业务模块或直接转向人工服务。

所述业务模块按照不同的功能进行划分，针对不同的业务功能进行不同技术选型，业务咨询子模块采用召回模型和排序策略实现业务咨询类问题的答案检索和生成，对话聊天子模块采用检索式模型和生成时模型进行知识的检索和知识扩展，故障报修子模块采用解析模型和分类模型实现故障定位解析和分类，业务模块按功能划分。

本发明的一种基于深度学习的开放式智能客服系统主要实现业务处理、对话聊天和人机无缝切换等功能。该系统主要包括用户输入模块、预处理模块、意图识别模块、业务模块、人工服务模块、场景识别模块。其中业务模块包括费用查询子模块、业务咨询子模块、对话聊天子模块、故障报修子模块、投诉评价子模块。用户输入模块通过对输入的文本直接进入预处理模块，或当输入为语音信息时先将其转化为文本信息再进入预处理模块。预处理模块通过对文本信息进行语料清洗、语句分词、词性标注、语义纠错处理形成完整的语句信息。意图识别模块对预处理后的文本信息进行主题词抽取和意图识别，并根据不同的意图调用不同的业务功能。费用查询子模块根据用户意图构造查询语句，并调用费用查询数据库，将查询结果返回客户端。业务咨询子模块根据用户意图将可能感兴趣的业务服务通过召回模型进行预估，并通过排序模型进行优先级排序，结合业务知识图谱完成业务类型的分析和匹配，再通过重排策略筛选出最佳答案，完成业务咨询的交互。对话聊天子模块采用“检索式+生成式”融合模式完成对已有知识的检索和扩展知识的生成，结合知识图谱完成语义的关联分析和推理，通过重排策略实现最佳答案的筛选。对于未知领域的知识通过链接外部知识库进行搜索和反馈，完成开放式人机对话聊天功能。故障报修子模块通过解析模型实现故障类型解析和定位，并将故障类型通过分类模型进行分类上报和管理，结合故障图谱完成故障语义的分析和推理，通过重排策略实现故障答案的筛选。投诉评价子模块通过对意图语句进行解析，解析出投诉评价关键词，识别出是投诉类问题还是评价类问题，再通过反馈策略实现投诉和评价不同功能的反馈及处理。人工服务模块主要协助机器完成需要人工处理的一些业务功能，可直接通过意图识别模块调用人工服务或通过纵向业务模块切换至人工服务。场景识别模块与每个子业务模块纵向链接，实现机器与人的无缝连接和切换。在纵向业务处理的过程中，如需要人工服务则可通过场景识别模块转向该场景下的人工服务，可保证前后语境的一致，提升用户体验质量。

该发明针对不同业务模块采用不同的技术选型实现系统解耦和降低技术实现复杂度，使每个功能模块的内聚力更强。该发明将对话聊天模块和业务模块相结合实现功能一体化，其中聊天模块采用检索式+生成式”融合模式，使其知识更易外延和扩展，生成答案更符合语言习惯。

附图说明

图1为发明系统总体结构图。

具体实施方式

该发明总体由用户输入模块1、预处理模块2、意图识别模块3、业务模块4、人工服务模块5、场景识别模块6以及费用查询子模块4-1、业务咨询子模块4-2、对话聊天子模块4-3、故障报修子模块4-4、投诉评价子模块4-5组成。

首先用户在终端可通过输入模块1输入语音信息和文本信息，可对文本信息直接进行预处理，若输入信息为语音信息，需要将语音信息转化为文本信息再进行预处理，此设计思想可避免由于口语化差异而导致的语义理解错误。

将上述文本信息在预处理模块2首先进行语料清洗去除无用信息，通过分词操作对长句进行分割；然后进行词性标注，在文本处理中可以融入更多的语言信息；最后对文本信息进行语义纠错，消除语法错误和歧义句，为意图识别提供准确信息。

通过预处理的文本信息在意图识别模块3进行主题词抽取和意图分类，将抽取出的关键词作为意图识别的依据；并通过意图分类模型判断文本意图类别，根据意图类别调用相应业务模块4或直接转向人工服务模块5。

在费用查询子模块4-1根据文本意图构造查询语句，通过查询语句调用费用查询数据库，并将查询结果返回客户端，实现套餐查询、话费流量查询等业务功能。

在业务咨询子模块4-2根据用户意图将可能感兴趣的业务服务通过召回模型进行预估，并通过排序模型进行优先级排序，结合业务知识图谱完成业务类型的准确理解和最佳匹配，再通过重排策略筛选出最佳答案，完成业务咨询的交互，实现办卡、宽带办理等业务咨询功能。

在对话聊天子模块4-3采用“检索式+生成式”融合模式完成对已有知识的检索和扩展知识的生成，通过检索式对已有业务知识进行检索和反馈，通过生成式进行知识的外延和扩展，结合知识图谱完成语义的关联分析和推理，通过重排策略实现最佳答案的筛选。对于未知领域的知识通过链接外部知识库进行搜索和响应，完成开放式人机对话聊天功能。

在故障报修子模块4-4通过解析模型实现故障类型解析和定位，并将解析后的故障类型通过分类模型进行分类上报和管理，结合故障图谱完成故障语义的分析和推理，通过重排策略实现最佳故障答案的筛选，完成宽带维修、故障上报等功能。

在投诉评价子模块4-5通过对意图语句进行解析，解析出投诉评价关键词，识别出投诉类问题和评价类问题，再通过反馈策略实现投诉和评价不同功能的反馈和处理，实现意见反馈、评价收集、投诉处理等功能。

人工服务模块5主要协助机器完成需要人工处理的业务功能，可直接通过意图识别模块3调用人工服务或通过纵向业务模块4切换至人工服务。场景识别模块6与每个子业务模块纵向链接，实现特定场景下机器与人的无缝切换。在纵向业务处理的过程中，可通过场景识别模块6转向该场景下的人工服务，实现前后语境一致和语言连贯。

一种基于深度学习的开放式智能客服系统；包括用户输入模块、预处理模块、意图识别模块、业务模块、人工服务模块、场景识别模块；

用户输入模块包括移动终端和PC端，接收语音信息和文本信息输入，若输入为语音信息，则需要将语音信息转化为文本信息再进行预处理；预处理模块对上述文本信息进行预处理，包括语料清洗、长句分词、词性标注、语义纠错处理；意图识别模块对预处理后的文本信息进行主题词检索，根据检索关键词判断用户想要咨询的问题，并根据用户意图进行调用具体业务模块；人工服务模块对于客户个性化的需求或系统无法解答的问题，系统根据需要自动转接到人工服务模块，由人工解答客户个性化需求和一些特殊需求；场景识别模块是纵向业务模块和人工服务模块的链接桥梁，实现在具体业务模块和人工服务模块之间的无缝切换，保证前后对话场景的一致和语序的连贯。

其中业务模块包括费用查询子模块、业务咨询子模块、对话聊天子模块、故障报修子模块、投诉评价子模块。

业务模块作为该发明的主体模块，主要有各子模块组成，其中费用查询子模块根据用户意图和检索关键词构造查询语句，在数据库中查询个人套餐、话费流量等信息。业务咨询子模块通过召回模型对用户常用的业务类型进行推荐或赋予高的优先级，对非常用的业务类型进行过滤或赋予低的优先级，采用排序模型对不同优先级业务排序，调用知识图谱完成多个答案的检索和匹配，采用重排策略筛选出最佳答案，针对具体业务给出相关答案。对话聊天子模块采用检索模型检索已有答案，采用生成式模型进行知识扩展和外延，调用知识图谱和重排策略完成答案的检索和生成。故障报修子模块通过解析模型定位故障并确定故障类型，通过分类模型并对故障类型进行分类，调用知识图谱和重排策略检索故障解决方法并反馈用户。投诉评价子模块通过对文本语句进行解析，检索关键词识别投诉和评价类型，通过反馈策略实现不同类型问题的处理方式反馈，对服务评价和意见反馈进行处理。

用户输入模块主要接收用户输入的文本信息和语音信息，若输入为语音信息则需要转化为文本信息再进行预处理，以便减少口语化差异所带来的语言处理难度。对文本信息直接进入预处理单元进行处理。

案例如下：用户在移动终端或PC端通过键盘或麦克风输入文本信息或语音信息作为系统输入信息流，该信息流作为起始信号在系统中进行处理和传输。

预处理模块对输入的文本信息首先进行语料清洗去除符号等无用信息，保留正文关键信息，对长句进行分词，挖掘词间关系；然后根据词性进行标注，在文本处理中可以融入更多语言信息；最后对文本信息进行语义纠错，消除语法错误和歧义句，提高句子的准确性和可读性。

案例如下：如用户输入：“小九你好！帮我查询一下我这个月的流量还剩多少”经过预处理模块的清洗—分词—标注—纠错步骤后，输出为：“我—这个月—流量—剩多少”，明显缩短句子长度，其意思更加精炼简洁。

意图识别模块首先对预处理后的语句进行主题词检索，并抽取出语句中的关键词作为意图识别的依据；其次根据主题词通过意图分类模型判断文本意图，并根据其意图调用相应的业务模块或直接转向人工服务。

案例如下：用户输入：“小九你好！我想咨询一下5G宽带怎么办理”通过意图识别模块中主题抽取和意图分类，输出为：“咨询—5G—宽带办理”，可判定为该用户想办理5G宽带，于是系统调用业务咨询模块进行解答。

业务模块按照不同的功能进行划分，针对不同的业务功能进行不同技术选型，有利于技术实现和降低系统耦合度。

如业务咨询子模块采用召回模型和排序策略实现业务咨询类问题的答案检索和生成。对话聊天子模块采用检索式模型和生成时模型进行知识的检索和知识扩展，使输出答案更具灵活性和符合人类思维方式。故障报修子模块采用解析模型和分类模型实现故障定位解析和分类，使故障和解决方案之间形成映射关系。业务模块按功能划分，实现横向之间彼此独立，减少模块之间的耦合度。业务模块包括费用查询子模块、业务咨询子模块、对话聊天子模块、故障报修子模块、投诉评价子模块。

费用查询子模块业务逻辑关联性强，且处理流程一般比较固定，根据文本意图构造查询语句，通过查询语句调用费用查询数据库，并将查询结果根据不同的任务类型返回客户端，实现套餐查询、话费流量查询等功能。

案例如下：如用户输入：“小九你好！我本月还剩余多少话费”通过费用查询子模块的检索，小九输出：“您是我们的包月套餐贵宾客户，您本月话费余额为0.50元，低于您设定的最低下限，请您及时充值哦！”。

业务咨询子模块主要涉及办卡咨询、宽带办理等业务咨询。根据用户意图将可能感兴趣的业务服务通过召回模型进行预估以增加准确率。

案例如下：用户输入办理宽带业务8次，办理新卡业务6次，IPTV电视业务3次，办理流量套餐业务12次，则召回模型预测用户下次咨询业务类型为流量办理业务并将其召回，并对其他办理业务依次进行召回；再对所召回的业务服务通过排序模型进行优先级排序，结合业务知识图谱完成业务类型的准确理解和最佳匹配；最后通过重排策略筛选出最佳答案

案例如下：重排策略对上述召回业务按优先级进行重新排列，即办理流量—办理宽带—办理新卡—IPTV电视依次进行排序，当用户下次咨询时可直接按就近原则直接在已排好序的业务类型中选择其答案，完成业务咨询的交互。

对话聊天子模块起到增加用户粘性的主要功能。主要采用“检索式+生成式”融合模式完成对已有知识的检索和扩展知识的生成。不但能够通过检索式响应当前的业务知识还可通过生成式进行知识的外延和扩展，结合知识图谱完成语义的关联分析和推理，通过重排策略实现最佳答案的筛选。对于未知领域的知识通过链接外部知识库进行搜索和反馈，完成开放式人机对话聊天功能。

案例如下：用户输入：“小九你好！今天天气怎么样”此类问题通过意图识别模块可判断为对话聊天类型，于是系统调用对话聊天子模块进行解答，小九输出：“您好！您是想查询哪儿的天气，小九帮您查询”，用户输入：“兰州天气”，小九输出：“兰州今天天气晴朗，温度：16℃~27℃，湿度：33%，空气质量：优，您可以驾车带着女朋友出游哦！”。

故障报修子模块主要支撑故障上报和宽带维修等业务。通过解析模型实现故障类型的解析和定位，并将解析后的故障类型通过分类模型进行分类上报和管理，结合故障图谱完成故障语义的分析和推理；再通过重排策略实现最佳故障答案的筛选，便于后续安排解决方案和持续跟进。

案例如下：用户输入：“小九你好！我的宽带网速太慢了，帮我处理一下，”，该类问题通过意图识别模块判断为故障报修类型，小九调用故障报修子模块进行解答，小九输出：“您好，请把您的宽带账号告诉我，小九帮您查询”，用户输入：“0931LZ36XXXX”，小九输出：“您好，我们检测到您的路由器为4G设备，建议您更换5G设备，以便能够更好的享受5G体验”。

投诉评价子模块主要完成投诉处理和评价收集等功能。首先通过对文本意图语句进行解析，解析投诉评价关键词，识别出是投诉类问题还是评价类问题；再通过反馈策略实现投诉和评价不同类别的反馈和处理，实现投诉评价的上报和管理。

案例如下：用户输入：“小九你好，我开具上月话费发票怎么还没消息，我要投诉”，通过意图识别模块判断为投诉评价类型，小九调用投诉评价子模块开始解答，小九输出：“您好，请输入您的手机号小九帮您查询”，客户输入：“1890931282X”,小九输出：“您好，非常抱歉，您的发票已开具好，但未及时发送到您邮箱，现在就安排给您发送，请您注意查收！您的投诉我们会及时跟进处理，给您造成的不便深表歉意”。

人工服务模块主要协助机器完成需要人工处理的一些业务功能，可直接通过意图识别模块调用人工服务或通过纵向的业务模块切换至人工服务。场景识别模块主要完成与业务模块的纵向链接，实现机器与人的无缝连接和切换。在纵向业务处理的过程中，如需要人工服务则可通过场景识别模块转向该场景下的人工服务，这样设计主要是为了保持前后语言场景的一致和语句连贯，实现人与机器无感知转换和对接。

案例如下：用户输入：“小九同学，帮我转接人工服务”，小九通过意图识别模块判断为人工服务模块直接调用人工服务模块进行解答，案例如下：用户输入：“小九同学，最近办新卡有什么套餐活动”小九通过意图识别模块判断为业务咨询类型，于是调用业务咨询子模块进行解答，小九输出：“我们共推出4类套餐活动，1:xxx,2:xxx,3:xxx,4:xxx,您看哪个更符合您的需求”，用户输入：“给我转接到人工服务吧”，小九直接通过场景识别模块进入人工服务模块，用户可继续咨询开新卡套餐活动业务，无需转换场景，实现机器与人工的无缝切换。

Claims (1)

1.一种基于深度学习的开放式智能客服系统，其特征在于：包括用户输入模块、预处理模块、意图识别模块、业务模块、人工服务模块、场景识别模块；

用户输入模块包括移动终端和PC端，接收语音信息和文本信息输入，若输入为语音信息，则需要将语音信息转化为文本信息再进行预处理；预处理模块对上述文本信息进行预处理，预处理包括语料清洗、长句分词、词性标注、语义纠错处理；意图识别模块对预处理后的文本信息进行主题词检索，根据检索关键词判断用户想要咨询的问题，并根据用户意图进行调用具体业务模块；人工服务模块对于客户个性化的需求或系统无法解答的问题，系统根据需要自动转接到人工服务模块，由人工解答客户个性化需求和一些特殊需求；场景识别模块连接业务模块和人工服务模块；

其中业务模块包括费用查询子模块、业务咨询子模块、对话聊天子模块、故障报修子模块、投诉评价子模块；其中费用查询子模块根据用户意图和检索关键词构造查询语句，在数据库中查询个人套餐、话费流量信息；业务咨询子模块通过召回模型对用户常用的业务类型进行推荐或赋予高的优先级，对非常用的业务类型进行过滤或赋予低的优先级，采用排序模型对不同优先级业务排序，调用知识图谱完成多个答案的检索和匹配，针对具体业务给出相关答案；对话聊天子模块采用检索模型检索已有答案，采用生成式模型进行知识扩展和外延，调用知识图谱和重排策略完成答案的检索和生成；故障报修子模块通过解析模型定位故障并确定故障类型，通过分类模型并对故障类型进行分类，调用知识图谱和重排策略检索故障解决方法并反馈用户；投诉评价子模块通过对文本语句进行解析，检索关键词识别投诉和评价类型，通过反馈策略实现不同类型问题的处理方式反馈，对服务评价和意见反馈进行处理；

所述用户输入模块接收用户输入的文本信息和语音信息，若输入为语音信息则需要转化为文本信息再进行预处理，对文本信息直接进入预处理单元进行处理；

所述预处理模块对输入的文本信息首先进行语料清洗去除符号无用信息，保留正文关键信息，对长句进行分词，挖掘词间关系；然后根据词性进行标注，在文本处理中可以融入更多语言信息；最后对文本信息进行语义纠错，消除语法错误和歧义句；

所述意图识别模块首先对预处理后的语句进行主题词检索，并抽取出语句中的关键词作为意图识别的依据；其次根据主题词通过意图分类模型判断文本意图，并根据其意图调用相应的业务模块或直接转向人工服务；

业务模块按照不同的功能进行划分，针对不同的业务功能进行不同技术选型，业务咨询子模块采用召回模型和排序策略实现业务咨询类问题的答案检索和生成，对话聊天子模块采用检索式模型和生成时模型进行知识的检索和知识扩展，故障报修子模块采用解析模型和分类模型实现故障定位解析和分类，业务模块按功能划分。