CN114064875A - 一种应答方法及装置 - Google Patents
一种应答方法及装置 Download PDFInfo
- Publication number
- CN114064875A CN114064875A CN202111384567.XA CN202111384567A CN114064875A CN 114064875 A CN114064875 A CN 114064875A CN 202111384567 A CN202111384567 A CN 202111384567A CN 114064875 A CN114064875 A CN 114064875A
- Authority
- CN
- China
- Prior art keywords
- category
- target
- expression
- determining
- condition
- 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
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
- G06F16/3343—Query execution using phonetics
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Machine Translation (AREA)
Abstract
本发明实施例提供一种应答方法及装置。该方法包括:在机器应答环节,获取应答时刻之前已发生的交互对话;确定交互对话中各表述所属的类别;将各表述所属的类别,按照各表述在交互对话中的对话顺序,形成交互对话的条件类别;在各历史对话中,根据条件类别,确定出目标值满足设定条件的目标类别;根据符合目标值满足设定条件的目标类别的各历史对话,确定机器应答环节的应答表述。通过获取至少一轮对话来确定条件类别,更多地考虑到了本次通话中的机器与用户之间的交互逻辑,从而确定出的应答语更具合理性,符合本次通话的交互逻辑。通过上述方法确定的应答语合理性更强,且由于具有实践数据的支撑,无需人工优化,节省了人力时间。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种应答方法、装置、计算设备及计算机可读存储介质。
背景技术
智能语音机器人提供自动外呼和自然应答,助力企业降低人力成本,提升外呼效率。在实现技术方面,智能语音机器人集成了ASR(Automatic Speech Recognition,语音识别)、NLP(Natural Language Processing,自然语言处理)和TTS(Text-To-Speech,语音合成)模块。对话过程首先由ASR模块将用户端传来的语音转换成文本,NLP模块对文本进行解析并预测生成应答语,TTS模块将应答语转换成语音,最后语音通过线路传送给用户端,形成一轮对话交互。
NLP模块的逻辑是语音机器人中最复杂的环节,其最广泛的实现方式是流水线(Pipeline)方式。流水线方式一般分为三步,即NLU(Natural Language Understanding,自然语言理解)、DM(Dialog Management,对话管理)和NLG(Neural Language Generation,自然语言生成)。其中,NLU是将用户文本进行理解,DM是按照一定的用户和机器人的交互策略,根据理解后的用户文本确定相应的应答语的类别,从而形成完整的对话逻辑。NLG是按照DM确定的应答语的类别,确定最终输出的应答语。
现有技术中,DM基于行业专家经验设计交互策略。专家会依据经验拟定对话流程图。这会导致流程分支的设计都强烈依赖于专家经验。专家靠经验枚举会使应答语覆盖率低。且应答语具有很强的主观性,没有实践数据的支撑。应答语的合理性有待商榷。同时,为了保证应答效果,还需人工阅读对话历史记录,找出对话体验不好的应答语,进行更新优化,可以发现,优化方法也十分耗时耗力,没有系统性。
综上,本发明实施例提供一种应答方法,用以提升应答语的合理性,减轻人工优化负担。
发明内容
本发明实施例提供一种应答方法,用以提升应答语的合理性,减轻人工优化负担。
第一方面,本发明实施例提供一种应答方法,包括:
在机器应答环节,获取应答时刻之前已发生的交互对话;所述交互对话包括机器与用户之间的至少一轮对话;
确定所述交互对话中各表述所属的类别;
将所述各表述所属的类别,按照所述各表述在所述交互对话中的对话顺序,形成所述交互对话的条件类别;
在各历史对话中,根据所述条件类别,确定出目标值满足设定条件的目标类别,所述目标类别为在各历史对话中位于所述条件类别之后的应答表述所属的类别;
根据符合所述目标值满足设定条件的目标类别的各历史对话,确定所述机器应答环节的应答表述。
通过在至少一轮对话中提取出条件类别,在各历史对话中确定该条件类别的最优的目标类别,即目标值满足设定条件的目标类别。在确定最优的目标类别时引入了各历史对话,这样确定的目标类别具有大数据的支撑,更具合理性,对本次通话的成交结果具有正向意义。同时,在确定最优的目标类别时,通过确定各目标类别对条件类别的目标值,能够更加直观地在各目标类别中确定出对条件类别具有正向作用的最优的目标类别。此外,通过获取至少一轮对话来确定条件类别,更多地考虑到了本次通话中的机器与用户之间的交互逻辑,从而确定出的应答语更具合理性,符合本次通话的交互逻辑。通过上述方法确定的应答语合理性更强,且由于具有实践数据的支撑,无需人工优化,节省了人力时间。
可选地,获取应答时刻之前已发生的交互对话之前,还包括:
针对任一历史对话,确定所述历史对话中各表述所属的类别及所述历史对话的对话结果,整合形成各历史对话的类别树状图;
根据所述条件类别,在各历史对话中确定出目标值满足设定条件的目标类别,包括:
在所述类别树状图中,确定所述条件类别对应的各目标类别;
针对任一目标类别,确定包含所述条件类别的历史对话的第一对话结果和包含所述条件类别及所述目标类别的历史对话的第二对话结果;根据所述第一对话结果和所述第二对话结果,确定所述目标类别的目标值;
在各目标类别中确定出目标值满足设定条件的目标类别。
通过在由历史对话得到的类别树状图中确定条件类别对应的各目标类别,对各目标类别的对话进行分析,得到各目标类别的目标值,从而确定出目标值满足设定条件的目标类别。从而在各目标类别中确定出对条件类别具有正向作用的最优的目标类别。确定的应答语合理性更强,且由于具有实践数据的支撑,无需人工优化,节省了人力时间。
可选地,获取应答时刻之前已发生的交互对话之前,还包括:
针对任一历史对话,确定所述历史对话中各表述所属的类别及所述历史对话的对话结果,整合形成各历史对话的类别树状图;
在所述类别树状图中,划分出符合设定轮数的各参考类别及对应的各目标类别;
针对任一参考类别对应的任一目标类别,确定包含所述参考类别的历史对话的第三对话结果和包含所述参考类别及所述目标类别的历史对话的第四对话结果;根据所述第三对话结果和所述第四对话结果,确定所述参考类别对应的所述目标类别的目标值;
针对任一参考类别,在所述参考类别对应的各目标类别中,确定出目标值满足设定条件的目标类别;将所述参考类别和目标值满足设定条件的目标类别的对应关系存储至数据库;
根据所述条件类别,在各历史对话中确定出目标值满足设定条件的目标类别,包括:
在所述数据库中,确定出与所述条件类别一致的参考类别,根据参考类别与目标值满足设定条件的目标类别的对应关系,确定出目标值满足设定条件的目标类别。
将各参考类别与其对应的目标值满足设定条件的目标类别的对应关系进行存储,那么在机器应答环节,当确定了条件类别后,可直接在对应关系中确定该条件类别对应的目标值满足设定条件的目标类别。如此,不仅保证了确定的应答语合理性更强,而且加快了确定应答语的速度。此外,由于具有实践数据的支撑,无需人工优化,节省了人力时间。
可选地,针对任一目标类别,确定包含所述条件类别的历史对话的第一对话结果和包含所述条件类别及所述目标类别的历史对话的第二对话结果,包括:
在包含所述条件类别的历史对话中,将对话结果符合第一预设阈值的历史对话的数量占包含所述条件类别的历史对话的数量的比值确定为所述第一对话结果;
针对任一目标类别,在包含所述条件类别及所述目标类别的历史对话中,将对话结果符合第一预设阈值的历史对话的数量占包含所述条件类别及所述目标类别的历史对话的数量的比值确定为所述第二对话结果;
根据所述第一对话结果和所述第二对话结果,确定所述目标类别的目标值,包括:
将所述第一对话结果和所述第二对话结果的比值确定为所述目标类别的目标值。
对包含条件类别的历史对话进行分析,确定出第一对话结果,对包含条件类别和目标类别的历史对话进行分析,确定出第二对话结果。如此可以确定出任一目标类别对条件类别的作用是积极作用还是消极作用。将这种作用量化表示为目标值的形式,更加直观和合理。
可选地,在各目标类别中确定出目标值满足设定条件的目标类别,包括:
在各目标类别中,将目标值大于第二预设阈值且最大的目标类别确定为目标值满足设定条件的目标类别。
目标值即任一目标类别对条件类别的作用,满足第二预设阈值才符合开发人员对该目标类别的正向作用的基本要求,在多个目标类别中确定目标值最大的目标类别有利于选取最优的目标类别,从而确定最合理的应答语。
可选地,通过如下方法确定所述各表述所属的类别,包括:
针对任一表述,将所述表述进行向量化处理,得到所述表述的向量化表述;
针对任一待确定向量化表述,确定其与已有的各第一类别的向量的相似度;若与任一第一类别的向量的相似度满足第三预设阈值,则将所述待确定向量化表述划分到所述第一类别中,更新所述第一类别的向量;若与任一第一类别的相似度不满足第三预设阈值,则为所述待确定向量化表述设立第二类别。所述第一类别的向量由所述第一类别中的各向量化表述得到;所述待确定向量化表述为未确定所属类别的向量化表述。
通过上述方法对任一表述进行类别的确定,有利于后续简化运算,增强确定出的应答语的合理性。
可选地,将所述表述进行向量化处理,得到所述表述的向量化表述,包括:
对所述表述进行分词处理,将分词处理后的表述提取文本特征,得到文本向量化表述;
将所述分词处理后的表述提取语义特征,得到语义向量化表述;
将所述文本向量化表述和所述语义向量化表述进行拼接,得到所述表述的向量化表述。
通过将任一表述提取文本特征和语义特征,那么得到的向量化表述综合考虑字面信息和语义信息,层次更加丰富,信息更加全面,有利于提高确定表述所属的类别的准确性。
第二方面,本发明实施例还提供一种应答装置,包括:
获取单元,用于在机器应答环节,获取应答时刻之前已发生的交互对话;所述交互对话包括机器与用户之间的至少一轮对话;
确定单元,用于:
确定所述交互对话中各表述所属的类别;
将所述各表述所属的类别,按照所述各表述在所述交互对话中的对话顺序,形成所述交互对话的条件类别;
根据所述条件类别,在各历史对话中确定出目标值满足设定条件的目标类别,所述目标类别为在各历史对话中位于所述条件类别之后的应答表述所属的类别;
根据目标值满足设定条件的目标类别的各历史对话,确定所述机器应答环节的应答表述。
可选地,所述确定单元,还用于:
针对任一历史对话,确定所述历史对话中各表述所属的类别及所述历史对话的对话结果,整合形成各历史对话的类别树状图;
所述确定单元,具体用于:
在所述类别树状图中,确定所述条件类别对应的各目标类别;
针对任一目标类别,确定包含所述条件类别的历史对话的第一对话结果和包含所述条件类别及所述目标类别的历史对话的第二对话结果;根据所述第一对话结果和所述第二对话结果,确定所述目标类别的目标值;
在各目标类别中确定出目标值满足设定条件的目标类别。
可选地,所述确定单元,还用于:
针对任一历史对话,确定所述历史对话中各表述所属的类别及所述历史对话的对话结果,整合形成各历史对话的类别树状图;
在所述类别树状图中,划分出符合设定轮数的各参考类别及对应的各目标类别;
针对任一参考类别对应的任一目标类别,确定包含所述参考类别的历史对话的第三对话结果和包含所述参考类别及所述目标类别的历史对话的第四对话结果;根据所述第三对话结果和所述第四对话结果,确定所述参考类别对应的所述目标类别的目标值;
针对任一参考类别,在所述参考类别对应的各目标类别中,确定出目标值满足设定条件的目标类别;将所述参考类别和目标值满足设定条件的目标类别的对应关系存储至数据库;
所述确定单元,具体用于:
在所述数据库中,确定出与所述条件类别一致的参考类别,根据参考类别与目标值满足设定条件的目标类别的对应关系,确定出目标值满足设定条件的目标类别。
可选地,所述确定单元,具体用于:
在包含所述条件类别的历史对话中,将对话结果符合第一预设阈值的历史对话的数量占包含所述条件类别的历史对话的数量的比值确定为所述第一对话结果;
针对任一目标类别,在包含所述条件类别及所述目标类别的历史对话中,将对话结果符合第一预设阈值的历史对话的数量占包含所述条件类别及所述目标类别的历史对话的数量的比值确定为所述第二对话结果;
根据所述第一对话结果和所述第二对话结果,确定所述目标类别的目标值,包括:
将所述第一对话结果和所述第二对话结果的比值确定为所述目标类别的目标值。
可选地,所述确定单元,具体用于:
在各目标类别中,将目标值大于第二预设阈值且最大的目标类别确定为目标值满足设定条件的目标类别。
可选地,所述确定单元,具体用于:
针对任一表述,将所述表述进行向量化处理,得到所述表述的向量化表述;
针对任一待确定向量化表述,确定其与已有的各第一类别的向量的相似度;若与任一第一类别的向量的相似度满足第三预设阈值,则将所述待确定向量化表述划分到所述第一类别中,更新所述第一类别的向量;若与任一第一类别的相似度不满足第三预设阈值,则为所述待确定向量化表述设立第二类别。所述第一类别的向量由所述第一类别中的各向量化表述得到;所述待确定向量化表述为未确定所属类别的向量化表述。
可选地,所述确定单元,具体用于:
对所述表述进行分词处理,将分词处理后的表述提取文本特征,得到文本向量化表述;
将所述分词处理后的表述提取语义特征,得到语义向量化表述;
将所述文本向量化表述和所述语义向量化表述进行拼接,得到所述表述的向量化表述。
第三方面,本发明实施例还提供一种计算设备,包括:
存储器,用于存储计算机程序;
处理器,用于调用所述存储器中存储的计算机程序,按照获得的程序执行上述任一方式所列的应答方法。
第四方面,本发明实施例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存储有计算机可执行程序,所述计算机可执行程序用于使计算机执行上述任一方式所列的应答方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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一种系统架构的示意图;
图2为本发明实施例提供的一种应答方法的流程示意图;
图3为本发明实施例提供的一种类别树状图的示意图;
图4为本发明实施例提供的一种类别树状图的示意图;
图5为本发明实施例提供的一种应答方法的流程示意图;
图6为本发明实施例提供的一种应答方法的流程示意图;
图7为本发明实施例提供的一种应答装置的结构示意图;
图8为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的目的、实施方式和优点更加清楚,下面将结合本申请示例性实施例中的附图,对本申请示例性实施方式进行清楚、完整地描述,显然,所描述的示例性实施例仅是本申请一部分实施例,而不是全部的实施例。
基于本申请描述的示例性实施例,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,都属于本申请所附权利要求保护的范围。此外,虽然本申请中公开内容按照示范性一个或几个实例来介绍,但应理解,可以就这些公开内容的各个方面也可以单独构成一个完整实施方式。
需要说明的是,本申请中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本申请的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体,而不必然意味着限定特定的顺序或先后次序,除非另外注明(Unless otherwise indicated)。应该理解这样使用的用语在适当情况下可以互换,例如能够根据本申请实施例图示或描述中给出那些以外的顺序实施。
此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的那些组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
图1示例性的示出了本发明实施例所适用的一种系统架构,该系统架构可以为服务器100,包括处理器110、通信接口120和存储器130。
其中,通信接口120用于与终端设备进行通信,收发该终端设备传输的信息,实现通信。
处理器110是服务器100的控制中心,利用各种接口和路线连接整个服务器100的各个部分,通过运行或执行存储在存储器130内的软件程序/或模块,以及调用存储在存储器130内的数据,执行服务器100的各种功能和处理数据。可选地,处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块,处理器110通过运行存储在存储器130的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器130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业务处理所创建的数据等。此外,存储器130可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是,上述图1所示的结构仅是一种示例,本发明实施例对此不做限定。
上述图1所示的服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
本发明实施例提供一种应答方法,如图2所示,包括:
步骤201、在机器应答环节,获取应答时刻之前已发生的交互对话;所述交互对话包括机器与用户之间的至少一轮对话;
步骤202、确定所述交互对话中各表述所属的类别;
步骤203、将所述各表述所属的类别,按照所述各表述在所述交互对话中的对话顺序,形成所述交互对话的条件类别;
步骤204、在各历史对话中,根据所述条件类别,确定出目标值满足设定条件的目标类别,所述目标类别为在各历史对话中位于所述条件类别之后的应答表述所属的类别;
步骤205、根据符合所述目标值满足设定条件的目标类别的各历史对话,确定所述机器应答环节的应答表述。
采集优秀的坐席人员与用户之间、或者机器与用户之间的真实通话,形成历史对话,并标注各历史对话的对话结果,对话结果可以为是否成交、用户满意程度等,例如,某一通对话是坐席人员向用户催收账款,在通话结束后的设定时间内(例如一天),用户还清了账款,则该通历史对话的对话结果为1;若用户未在设定时间内还清账款,则该通历史对话的对话结果为0。还比如,在任一通对话结束后,收集用户的满意度,若用户选择“满意”,则该通历史对话的对话结果为1;若用户选择“不满意”,则该通历史对话的对话结果为0。以上仅为示例,本发明实施例对对话结果的表示内容不作限制,只需收集每通历史对话的对话结果,用以指导确定本次机器应答环节的应答表述。
下面介绍确定采集的各历史对话中的各表述所属的类别的方法。
步骤一、将表述使用分词工具进行分词后,将表述进行向量化处理。得到向量化表述。
向量化处理的方法有很多,例如字面方法、语义方法等。
字面方法主要是选取文本细粒度的特征,比如:可以使用词频-逆文档频率(TF-IDF)作为特征,同时加入n-gram信息考虑词序。经上述步骤得到的向量维度较大,可以使用主成分分析方法(PCA)降低维度。例如,经过字面方法处理后,表述:很/高兴/见到/你,会得到字面向量化表述(1,2,3,4)。
语义方法可以计算表述的语义特征,如:使用Word2vec方法训练词向量,得到每个单词考虑上下文后的语义表示,使用无监督SIF方法对词向量加权平均得到表述语义向量。例如,经过语义方法处理后,表述:很/高兴/见到/你,会得到语义向量化表述(5,6,7,8)。
上述两种方法可以单独使用,也可结合使用,视使用场景而定。若对表述转化的精确性要求不高,历史对话中的各表述较简单,则可只使用字面方法。若对表述的精确性要求较高,历史对话中的各表述较丰富,则可将两种方法结合,将得到的字面向量化表述和语义向量化表述进行拼接,得到综合考虑字面信息和语义信息的向量化表述。例如(1,2,3,4,5,6,7,8)。以上仅为示例。
步骤二、针对任一待确定向量化表述,确定其与已有的各第一类别的向量的相似度;若与任一第一类别的向量的相似度满足第三预设阈值,则将所述待确定向量化表述划分到所述第一类别中,更新所述第一类别的向量;若与任一第一类别的相似度不满足第三预设阈值,则为所述待确定向量化表述设立第二类别。所述第一类别的向量由所述第一类别中的各向量化表述得到。
以对历史对话中的各用户表述进行聚类为例,选取任一待确定向量化表述,得到第一类别U0(U0中包含该向量化表述),将第一类别中各向量化表述的平均值作为第一类别的向量。使用annoy对U0构建近似最近邻搜索树T0。依次遍历各待确定向量化表述ui,确定ui与第一类别的向量的相似度,若相似度满足第三预设阈值,则将ui划分为第一类别,更新第一类别的向量。若相似度不满足第三预设阈值,则为ui新建第二类别,对各向量化表述执行上述操作,即可将各向量化表述划分为多个类别。
下面介绍第二种聚类方法,即不计算各聚类类别的向量。选取任一待确定向量化表述,得到第一类别U0,再选取任一待确定向量化表述,确定该待确定向量化表述与第一类别中的向量化表述的相似度,若相似度满足第三预设阈值,则将该待确定向量化表述划分为第一类别U0,若不满足第三预设阈值,则将该待确定向量化表述新建为第二类别,重复上述过程。当第一类别或第二类别中包含两个以上的向量化表述时,针对任一待确定向量化表述,通过投票的方式确定其所属的类别。例如,第一类别中有10个向量化表述,第二类别中有3个向量化表述,针对任一待确定向量化表述,分别确定其与第一类别中的10个向量化表述和第二类别中的3个向量化表述的相似度,在13个相似度值中,确定出符合第三预设阈值的相似度值,假如确定出3个,其中2个相似度值对应的类别是第一类别,1个相似度值对应的类别是第二类别,那么将该待确定向量化表述划分为第一类别;或者,将得到的13个相似度值中最大的值对应的向量化表述所在的类别作为该待确定向量化表述的所属类别。
以上仅为示例,本发明实施例对聚类方法不作限制。
通过上述方法,将历史对话中的各用户表述进行聚类,得到聚类类别U0、U1、U2……;将历史对话中的各机器表述进行聚类,得到聚类类别R0、R1、R2……;
那么对于每通历史对话,都可按照对话的顺序将各表述替换为相应的所属的类别,例如用r表示机器表述,用u表示用户表述,一通历史对话为:r0-u0-r1-u1-r2-u2,其中r0所属的类别是R0,u0所属的类别是U0,r1所属的类别是R2,u1所属的类别是U0,r2所属的类别是R1,u2所属的类别是U4,则该通历史对话转化为:R0-U0-R2-U0-R1-U4。
将各类历史对话进行整合,形成各历史对话的类别树状图,如图3所示。在图3中,每一类历史对话的第一句话是机器表述,且第一句话均属于相同的类别R0,针对机器表述R0,用户给出多种不同类别的表述,如U1、U2……图3仅为示例,各通历史对话可能整合成多个类别树状图,本发明实施例对此不作限制。
在图3中还示意出了各类历史对话的对话结果,若在整合成类别树状图的过程中没有进行同类的合并,则对话结果依然保持每通历史对话的对话结果(如0、1);若在整合成类别树状图的过程中进行了同类的合并,则每一类历史对话的对话结果可能会发生变化,例如,两通历史对话属于同一类历史对话,两通历史对话的对话结果分别为0和1,那么该类历史对话的对话结果取平均值,为0.5。以上仅为示例,本发明实施例对此不作限制。
针对图3所示的类别树状图,可以划分出条件类别和目标类别,条件类别可以是一轮或多轮对话,目标类别是针对该条件类别机器做出的应答表述所属的类别。如图4所示,若以一轮对话为条件类别,则条件类别可以为R0-U1、R0-U2、R1-U3等等。若以两轮对话为条件类别,则条件类别可以为R0-U1-R1-U3。若条件类别为R0-U1,则对应的目标类别为R1和R2;若条件类别为R0-U2,则对应的目标类别为R1;若条件类别为R0-U1-R1-U3,则对应的目标类别为R2。由于历史对话中包含的用户对话十分丰富,每一个条件类别对应的目标类别可能不只一个,因此需要在各目标类别中进行取舍,选择出最优的目标类别,用以指导确定机器应答环节中机器的应答表述。
一种可能的实施方法是,在机器应答环节,确定应答时刻之前已发生的交互对话中各表述的类别,形成条件类别,在图3所示的类别树状图中确定该条件类别对应的机器的多个目标类别,在多个目标类别中选取最优的目标类别。这种方法先确定条件类别,然后在类别树状图中针对性地确定该条件类别的最优的目标类别。该方法前期不需要做大量工作,流程简单,灵活性强,可以随意更换交互对话的轮数。另一种可能的实施方式是,先针对图3所示的类别树状图,确定各种参考类别(和条件类别概念一致,为了区分,将在历史对话中提前确定好的条件类别命名为参考类别)对应的多个目标类别,在多个目标类别中选取最优的目标类别,将参考类别和最优的目标类别的对应关系存储至数据库,这就需要考虑到所有可能的情况。例如,设定对话轮数为一轮,则在图3所示的类别树状图中,确定出所有可能的一轮的参考类别,针对每一个参考类别,选取最优的目标类别进行存储。那么在之后的机器应答环节,确定了条件类别后,在数据库中可以直接确定与该条件类别一致的参考类别对应的最优的目标类别。这种方法需要前期做大量工作,工作繁琐,但是减少了在机器应答环节的工作量,能够更快地作出应答表述。实时性更高。
下面对以上提到的两种方法做具体介绍。
方法一、如图5所示,包括如下步骤:
步骤501、在机器应答环节,获取应答时刻之前已发生的交互对话。
交互对话中包括至少一轮机器和用户的对话,例如,用r表示机器表述,用u表示用户表述,那么获取的交互对话可以为:r0-u0(一轮对话)、r0-u0-r1-u1(两轮对话)、r0-u0-r1-u1-r2-u2(三轮对话)等等。
可以发现,获取的对话的轮数越多,则越能考虑到机器和用户之前的对话逻辑,保证之后机器的应答表述不至于和之前的机器表述重复,能够保证之后的机器的应答表述的合理性。但是轮数太多的话,在类别树状图中确定的目标类别的数目会很少,数据稀疏,准确性可能会有影响。因此对话的轮数一般选择两轮或三轮。
步骤502、确定所述交互对话中各表述所属的类别。
将交互对话中的各表述按照上文中介绍的对历史对话进行聚类的方法进行聚类,聚类的初始类别是对历史对话进行聚类后得到的类别;或者,也可不设置初始类别,将交互对话中的各表述重新聚类。本发明实施例对此不作限制。
步骤503、将所述各表述所属的类别,按照所述各表述在所述交互对话中的对话顺序,形成所述交互对话的条件类别。
例如,得到的条件类别是R0-U1。
步骤504、在类别树状图中,确定所述条件类别对应的各目标类别。
遍历如图3示出的类别树状图,确定条件类别为R0-U1对应的各目标类别,例如,确定的目标类别为R1和R2。
步骤505、针对任一目标类别,确定包含所述条件类别的历史对话的第一对话结果和包含所述条件类别和所述任一目标类别的历史对话的第二对话结果。
在包含所述条件类别的历史对话中,将对话结果符合第一预设阈值的历史对话的数量占包含所述条件类别的历史对话的数量的比值确定为所述第一对话结果;针对任一目标类别,在包含所述条件类别和所述任一目标类别的历史对话中,将对话结果符合第一预设阈值的历史对话的数量占包含所述条件类别和所述任一目标类别的历史对话的数量的比值确定为所述第二对话结果。
举个例子,在图3示出的类别树状图中,包含条件类别为R0-U1的通话数量有3通,其中,对话结果为1的通话数量有2通,因此第一对话结果为2/3;包含条件类别为R0-U1、目标类别为R1的通话数量有2通,其中,对话结果为1的通话数量有2通,因此目标类别为R1的第二对话结果为1。包含条件类别为R0-U1、目标类别为R2的通话数量有1通,其中,对话结果为1的通话数量有0通,因此目标类别为R2的第二对话结果为0。
步骤506、根据所述第一对话结果和所述第二对话结果,确定所述任一目标类别的目标值。
将所述第一对话结果和所述第二对话结果的比值确定为所述任一目标类别的目标值。
例如,在步骤505的例子中,目标类别为R1的目标值为3/2,目标类别为R2的目标值为0。目标值大于1,说明该目标类别对该条件类别所属的历史对话具有正向的促进作用,在上述例子中,当机器与用户的历史对话仅为条件类别(R0-U1)时,历史对话的成功率(第一对话结果)为2/3,但当机器根据条件类别做出目标类别(R1)的应答时,历史对话的成功率(第二对话结果)为1。目标值为3/2,那么可以看出R1对条件类别R0-U1所属的历史对话具有正向的促进作用。
步骤507、在各目标类别中确定出目标值满足设定条件的目标类别。
设定条件可以为目标值大于第二预设阈值,或目标值最大,或目标值大于第二预设阈值且目标值最大。假设在步骤505的例子中,得到了3个目标类别的目标值,分别为3/2、4/5、7/3。选取目标值大于1且最大的目标值对应的目标类别作为目标值满足设定条件的目标类别。那么在上述例子中,选取7/3对应的目标类别作为目标值满足设定条件的目标类别。第二预设阈值也可以选择1.5、2等,本领域技术人员可以根据实际需要进行选择。
方法二、如图6所示,包括如下步骤:
步骤601、针对任一历史对话,确定所述历史对话中各表述所属的类别及所述历史对话的对话结果,整合形成各历史对话的类别树状图。如图3所示。
步骤602、在类别树状图中,确定各种参考类别对应的多个目标类别。
若设定轮数为一轮,则在类别树状图中,确定各种只有一轮对话的参考类别对应的多个目标类别,例如确定出的各种参考类别对应的多个目标类别如表1。若设定轮数为2轮,则在类别树状图中,确定各种只有2轮对话的参考类别对应的多个目标类别。
表1
步骤603、针对任一参考类别,在多个目标类别中选取最优的目标类别,即目标值满足设定条件的目标类别。确定方法同方法一中步骤505、506和507,在此不再赘述。
步骤604、将任一参考类别和最优的目标类别之间的对应关系存储至数据库。表2示意性示出了一种可能的存储形式。
表2
步骤605、在机器应答环节,获取应答时刻之前已发生的交互对话。
步骤606、确定所述交互对话中各表述所属的类别。
步骤607、将所述各表述所属的类别,按照所述各表述在所述交互对话中的对话顺序,形成所述交互对话的条件类别。
步骤608、在数据库中确定与该条件类别一致的参考类别对应的最优的目标类别。例如在步骤607中确定的条件类别是R0-U1,则在数据库中直接确定最优的目标类别为R1。
在介绍图6的方法中,个别流程方法同图5的流程方法类似,则具体使用可参考图5中介绍,在此不再赘述。
在确定了目标值满足设定条件的目标类别之后,就可根据目标类别确定应答表述。具体为,在历史对话中,选取属于该目标类别的机器表述作为当前机器应答环节的应答表述。例如之前确定的各聚类类别中,目标类别为R1的类别中,包含的机器表述为r1、r2和r3。则在r1、r2和r3中任选一个机器表述作为当前机器应答环节的应答表述进行输出。
可选地,在机器应答环节,还可对获取的交互对话中机器与用户对话的轮数做出各种灵活地调整。例如,先获取应答时刻之前已发生的3轮对话,若能够在各历史对话中确定最优的目标类别,则选取该目标类别中的任一机器表述进行输出;若不能够在各历史对话中确定最优的目标类别,则减少轮数,获取应答时刻之前已发生的2轮对话,重复之前的步骤,直至能够确定出最优的目标类别。
基于相同的技术构思,图7示例性的示出了本发明实施例提供的一种应答装置的结构,该结构可以执行应答的流程。
如图7所示,该装置具体包括:
获取单元701,用于在机器应答环节,获取应答时刻之前已发生的交互对话;所述交互对话包括机器与用户之间的至少一轮对话;
确定单元702,用于:
确定所述交互对话中各表述所属的类别;
将所述各表述所属的类别,按照所述各表述在所述交互对话中的对话顺序,形成所述交互对话的条件类别;
根据所述条件类别,在各历史对话中确定出目标值满足设定条件的目标类别,所述目标类别为在各历史对话中位于所述条件类别之后的应答表述所属的类别;
根据目标值满足设定条件的目标类别的各历史对话,确定所述机器应答环节的应答表述。
可选地,所述确定单元702,还用于:
针对任一历史对话,确定所述历史对话中各表述所属的类别及所述历史对话的对话结果,整合形成各历史对话的类别树状图;
所述确定单元702,具体用于:
在所述类别树状图中,确定所述条件类别对应的各目标类别;
针对任一目标类别,确定包含所述条件类别的历史对话的第一对话结果和包含所述条件类别及所述目标类别的历史对话的第二对话结果;根据所述第一对话结果和所述第二对话结果,确定所述目标类别的目标值;
在各目标类别中确定出目标值满足设定条件的目标类别。
可选地,所述确定单元702,还用于:
针对任一历史对话,确定所述历史对话中各表述所属的类别及所述历史对话的对话结果,整合形成各历史对话的类别树状图;
在所述类别树状图中,划分出符合设定轮数的各参考类别及对应的各目标类别;
针对任一参考类别对应的任一目标类别,确定包含所述参考类别的历史对话的第三对话结果和包含所述参考类别及所述目标类别的历史对话的第四对话结果;根据所述第三对话结果和所述第四对话结果,确定所述参考类别对应的所述目标类别的目标值;
针对任一参考类别,在所述参考类别对应的各目标类别中,确定出目标值满足设定条件的目标类别;将所述参考类别和目标值满足设定条件的目标类别的对应关系存储至数据库;
所述确定单元702,具体用于:
在所述数据库中,确定出与所述条件类别一致的参考类别,根据参考类别与目标值满足设定条件的目标类别的对应关系,确定出目标值满足设定条件的目标类别。
可选地,所述确定单元702,具体用于:
在包含所述条件类别的历史对话中,将对话结果符合第一预设阈值的历史对话的数量占包含所述条件类别的历史对话的数量的比值确定为所述第一对话结果;
针对任一目标类别,在包含所述条件类别及所述目标类别的历史对话中,将对话结果符合第一预设阈值的历史对话的数量占包含所述条件类别及所述目标类别的历史对话的数量的比值确定为所述第二对话结果;
所述确定单元702,具体用于:
将所述第一对话结果和所述第二对话结果的比值确定为所述目标类别的目标值。
可选地,所述确定单元702,具体用于:
在各目标类别中,将目标值大于第二预设阈值且最大的目标类别确定为目标值满足设定条件的目标类别。
可选地,所述确定单元702,具体用于:
针对任一表述,将所述表述进行向量化处理,得到所述表述的向量化表述;
针对任一待确定向量化表述,确定其与已有的各第一类别的向量的相似度;若与任一第一类别的向量的相似度满足第三预设阈值,则将所述待确定向量化表述划分到所述第一类别中,更新所述第一类别的向量;若与任一第一类别的相似度不满足第三预设阈值,则为所述待确定向量化表述设立第二类别。所述第一类别的向量由所述第一类别中的各向量化表述得到;所述待确定向量化表述为未确定所属类别的向量化表述。
可选地,所述确定单元702,具体用于:
对所述表述进行分词处理,将分词处理后的表述提取文本特征,得到文本向量化表述;
将所述分词处理后的表述提取语义特征,得到语义向量化表述;
将所述文本向量化表述和所述语义向量化表述进行拼接,得到所述表述的向量化表述。
基于相同的技术构思,本申请实施例提供了一种计算机设备,如图8所示,包括至少一个处理器801,以及与至少一个处理器连接的存储器802,本申请实施例中不限定处理器801与存储器802之间的具体连接介质,图8中处理器801和存储器802之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中,存储器802存储有可被至少一个处理器801执行的指令,至少一个处理器801通过执行存储器802存储的指令,可以执行上述应答方法的步骤。
其中,处理器801是计算机设备的控制中心,可以利用各种接口和线路连接计算机设备的各个部分,通过运行或执行存储在存储器802内的指令以及调用存储在存储器802内的数据,从而进行应答。可选的,处理器801可包括一个或多个处理单元,处理器801可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器801中。在一些实施例中,处理器801和存储器802可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器801可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列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,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器802作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器802可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器802是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器802还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于相同的技术构思,本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行程序,计算机可执行程序用于使计算机执行上述任一方式所列的应答的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请的方法、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处理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处理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处理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处理设备上,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。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种应答方法,其特征在于,包括:
在机器应答环节,获取应答时刻之前已发生的交互对话;所述交互对话包括机器与用户之间的至少一轮对话;
确定所述交互对话中各表述所属的类别;
将所述各表述所属的类别,按照所述各表述在所述交互对话中的对话顺序,形成所述交互对话的条件类别;
根据所述条件类别,在各历史对话中确定出目标值满足设定条件的目标类别,所述目标类别为在各历史对话中位于所述条件类别之后的应答表述所属的类别;
根据目标值满足设定条件的目标类别的各历史对话,确定所述机器应答环节的应答表述。
2.如权利要求1所述的方法,其特征在于,获取应答时刻之前已发生的交互对话之前,还包括:
针对任一历史对话,确定所述历史对话中各表述所属的类别及所述历史对话的对话结果,整合形成各历史对话的类别树状图;
根据所述条件类别,在各历史对话中确定出目标值满足设定条件的目标类别,包括:
在所述类别树状图中,确定所述条件类别对应的各目标类别;
针对任一目标类别,确定包含所述条件类别的历史对话的第一对话结果和包含所述条件类别及所述目标类别的历史对话的第二对话结果;根据所述第一对话结果和所述第二对话结果,确定所述目标类别的目标值;
在各目标类别中确定出目标值满足设定条件的目标类别。
3.如权利要求1所述的方法,其特征在于,获取应答时刻之前已发生的交互对话之前,还包括:
针对任一历史对话,确定所述历史对话中各表述所属的类别及所述历史对话的对话结果,整合形成各历史对话的类别树状图;
在所述类别树状图中,划分出符合设定轮数的各参考类别及对应的各目标类别;
针对任一参考类别对应的任一目标类别,确定包含所述参考类别的历史对话的第三对话结果和包含所述参考类别及所述目标类别的历史对话的第四对话结果;根据所述第三对话结果和所述第四对话结果,确定所述参考类别对应的所述目标类别的目标值;
针对任一参考类别,在所述参考类别对应的各目标类别中,确定出目标值满足设定条件的目标类别;将所述参考类别和目标值满足设定条件的目标类别的对应关系存储至数据库;
根据所述条件类别,在各历史对话中确定出目标值满足设定条件的目标类别,包括:
在所述数据库中,确定出与所述条件类别一致的参考类别,根据参考类别与目标值满足设定条件的目标类别的对应关系,确定出目标值满足设定条件的目标类别。
4.如权利要求2所述的方法,其特征在于,针对任一目标类别,确定包含所述条件类别的历史对话的第一对话结果和包含所述条件类别及所述目标类别的历史对话的第二对话结果,包括:
在包含所述条件类别的历史对话中,将对话结果符合第一预设阈值的历史对话的数量占包含所述条件类别的历史对话的数量的比值确定为所述第一对话结果;
针对任一目标类别,在包含所述条件类别及所述目标类别的历史对话中,将对话结果符合第一预设阈值的历史对话的数量占包含所述条件类别及所述目标类别的历史对话的数量的比值确定为所述第二对话结果;
根据所述第一对话结果和所述第二对话结果,确定所述目标类别的目标值,包括:
将所述第一对话结果和所述第二对话结果的比值确定为所述目标类别的目标值。
5.如权利要求4所述的方法,其特征在于,在各目标类别中确定出目标值满足设定条件的目标类别,包括:
在各目标类别中,将目标值大于第二预设阈值且最大的目标类别确定为目标值满足设定条件的目标类别。
6.如权利要求1-5任一项所述的方法,其特征在于,通过如下方法确定所述各表述所属的类别,包括:
针对任一表述,将所述表述进行向量化处理,得到所述表述的向量化表述;
针对任一待确定向量化表述,确定其与已有的各第一类别的向量的相似度;若与任一第一类别的向量的相似度满足第三预设阈值,则将所述待确定向量化表述划分到所述第一类别中,更新所述第一类别的向量;若与任一第一类别的相似度不满足第三预设阈值,则为所述待确定向量化表述设立第二类别;所述第一类别的向量由所述第一类别中的各向量化表述得到;所述待确定向量化表述为未确定所属类别的向量化表述。
7.如权利要求1-5任一项所述的方法,其特征在于,将所述表述进行向量化处理,得到所述表述的向量化表述,包括:
对所述表述进行分词处理,将分词处理后的表述提取文本特征,得到文本向量化表述;
将所述分词处理后的表述提取语义特征,得到语义向量化表述;
将所述文本向量化表述和所述语义向量化表述进行拼接,得到所述表述的向量化表述。
8.一种应答装置,其特征在于,包括:
获取单元,用于在机器应答环节,获取应答时刻之前已发生的交互对话;所述交互对话包括机器与用户之间的至少一轮对话;
确定单元,用于:
确定所述交互对话中各表述所属的类别;
将所述各表述所属的类别,按照所述各表述在所述交互对话中的对话顺序,形成所述交互对话的条件类别;
根据所述条件类别,在各历史对话中确定出目标值满足设定条件的目标类别,所述目标类别为在各历史对话中位于所述条件类别之后的应答表述所属的类别;
根据目标值满足设定条件的目标类别的各历史对话,确定所述机器应答环节的应答表述。
9.一种计算设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于调用所述存储器中存储的计算机程序,按照获得的程序执行权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行程序,所述计算机可执行程序用于使计算机执行权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111384567.XA CN114064875A (zh) | 2021-11-19 | 2021-11-19 | 一种应答方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111384567.XA CN114064875A (zh) | 2021-11-19 | 2021-11-19 | 一种应答方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114064875A true CN114064875A (zh) | 2022-02-18 |
Family
ID=80278593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111384567.XA Pending CN114064875A (zh) | 2021-11-19 | 2021-11-19 | 一种应答方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114064875A (zh) |
-
2021
- 2021-11-19 CN CN202111384567.XA patent/CN114064875A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696558A (zh) | 智能外呼方法、装置、计算机设备及存储介质 | |
CN111739519A (zh) | 基于语音识别的对话管理处理方法、装置、设备及介质 | |
CN110890088B (zh) | 语音信息反馈方法、装置、计算机设备和存储介质 | |
CN111159375A (zh) | 一种文本处理方法及装置 | |
CN110689880A (zh) | 一种应用于电力调度领域的语音识别方法及装置 | |
CN111858854A (zh) | 一种基于历史对话信息的问答匹配方法及相关装置 | |
CN114238373A (zh) | 一种自然语言问题转换为结构化查询语句的方法及装置 | |
CN111563161A (zh) | 一种语句识别方法、语句识别装置及智能设备 | |
CN112801721A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
CN114064875A (zh) | 一种应答方法及装置 | |
CN113111157B (zh) | 问答处理方法、装置、计算机设备和存储介质 | |
CN114254088A (zh) | 自动应答模型的构建方法和自动应答方法 | |
CN114692650A (zh) | 针对大数据推荐的社交平台互动信息处理方法及系统 | |
CN113515642A (zh) | 电话营销关键断点确定方法及装置 | |
CN111241826B (zh) | 实体名称识别方法、装置、设备及存储介质 | |
CN111666755A (zh) | 一种复述句识别的方法及装置 | |
CN117349425B (zh) | 知识条目的生成方法、装置、设备和存储介质 | |
CN117131183B (zh) | 一种基于会话模拟的客服自动回复方法及系统 | |
CN116431779B (zh) | 法律领域faq问答的匹配方法、装置、存储介质及电子装置 | |
US12002454B2 (en) | Method and apparatus for intent recognition and intent prediction based upon user interaction and behavior | |
CN117453895B (zh) | 一种智能客服应答方法、装置、设备及可读存储介质 | |
US20210193124A1 (en) | Method and apparatus for intent recognition and intent prediction based upon user interaction and behavior | |
CN111984789B (zh) | 一种语料分类方法、装置及服务器 | |
CN113077272B (zh) | 通信业务营销案优化方法和装置 | |
CN116127008A (zh) | 用户意图的识别方法、装置、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |