CN114328846B - 一种用于高校政策咨询的智能客服应答系统及方法 - Google Patents
一种用于高校政策咨询的智能客服应答系统及方法 Download PDFInfo
- Publication number
- CN114328846B CN114328846B CN202210250537.8A CN202210250537A CN114328846B CN 114328846 B CN114328846 B CN 114328846B CN 202210250537 A CN202210250537 A CN 202210250537A CN 114328846 B CN114328846 B CN 114328846B
- Authority
- CN
- China
- Prior art keywords
- standard
- question
- colleges
- key
- user
- 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
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种用于高校政策咨询的智能客服应答系统及方法,涉及客服机器人的技术领域,旨在解决现有技术中智能客服对高校政策咨询的应答准确率不高的问题。其技术方案要点是输入端对应各个高校门户系统接口,用于接收用户特征和用户输入的问题信息;输出端对问题信息进行数据类型分析并将问题信息以文本形式传输给核心处理端;核心处理端用于对问题信息进行分词处理,获取关键标签,根据关键标签进行数据搜索,推荐与关键标签相关的若干个标准问法,对标准问法进行句法分析,并结合用户特征从高校政策端匹配答案;高校政策端用于存储各个高校的预设标准问法和对应答案。本发明提高了智能客服针对高校政策咨询的应答准确率。
Description
技术领域
本发明涉及客服机器人的技术领域,尤其是涉及一种用于高校政策咨询的智能客服应答系统及方法。
背景技术
在智能应答系统的应用场景中,最广泛的应用场景就是智能客服,其为企业与海量用户之间的沟通建立了一种基于自然语言的快捷有效的技术手段。智能客服应答方法中,利用意图识别模型识别出用户意图,将识别出的用户意图作为进入应答场景的条件,在应答场景内按照场景需求进行填槽反问,用户按反问回答后,接着利用意图识别模型重新识别场景并完成填槽,最后得到应答答案。
但是一般的客服机器人在面对特定领域的用户提问时,表现不尽如人意,例如学生、家长对高校财务相关政策进行的提问,首先智能客服难以精确识别特定领域的专业词汇,所以用户意图理解不到位,其次是应答时缺乏足够的数据支持和数据分析能力,由于不同的高校针对同一事项有不同的政策,如何处理大量政策数据并精确定位到用户需要的政策,是提高智能客服应答准确率需要解决的两个问题。
发明内容
本发明的目的是提供一种用于高校政策咨询的智能客服应答系统及方法,其具有提高智能客服针对高校政策咨询的应答准确率的效果。
本发明的上述发明目的一是通过以下技术方案得以实现的:
一种用于高校政策咨询的智能客服应答方法,包括以下步骤:
接入各个高校门户系统,接收用户特征和用户输入的问题信息,所述用户特征包括用户身份和学校;
对所述问题信息进行数据类型分析并将问题信息以文本形式传输给核心处理端;应用分词算法对所述问题信息进行分词处理,获取关键标签;根据所述关键标签进行数据搜索,推荐与关键标签相关的若干个标准问法;
对所述标准问法进行句法分析,并结合所述用户特征自动匹配答案。
本发明进一步设置为:所述根据所述关键标签进行数据搜索,推荐与关键标签相关的若干个标准问法,包括以下步骤:
统计用户使用过的历史关键标签以及关于历史关键标签使用频次最高的标准问法,利用一个三元组的集合(u,i,b)表示,其中,u代表用户,i代表标准问法,b代表关键标签,用户u对标准问法i的命中率和热度表示为:,其中表示用户u命中过关键标签b的次数,表示标准问法i被命中过关键标签b的次数;
本发明进一步设置为:追踪用户使用标准问法的全部轨迹,统计被选定标准问法的切换情况,构建状态转移矩阵T,所述状态转移矩阵T表示为:
考核M个推荐切换标准问法的评分值,计算公式为:
将重新选定后的推荐切换标准问法按照所述顺序在上一个标准问法获得匹配答案后自动推送显示。
本发明进一步设置为:所述应用分词算法对所述问题信息进行分词处理,获取关键标签包括以下步骤:
词形分析,对单词进行包括前缀和后缀的分析,切取标签;
词汇分析,结合知识库对标签进行消岐处理,排除敏感词汇,保留关键标签,其中所述知识库存储有高校政策专用词汇;
其中,所述分词算法包括以下步骤:
根据jieba分词原理,基于前缀词典实现词图扫描,生成句子中汉字所有可能成词情况,构成有向无环图;
采用动态规划查找最大概率路径,找出基于词频的最大切分组合;
对于未登录词,采用基于汉字成词能力的 HMM模型,使用Viterbi 算法实现中文分词。
本发明进一步设置为:包括人工解答,所述人工解答步骤为:
将所述问题信息和分词处理后的关键标签指派给对应老师进行解答,当老师接收到推送的关键标签和问题信息后,进行人工解答并反馈,同时存储人工解答结果及对应关键标签和问题信息,其中,人工解答的问题信息经过处理后存储为标准问法。
本发明的上述发明目的二是通过以下技术方案得以实现的:
一种用于高校政策咨询的智能客服应答系统,包括输入端、输出端、核心处理端和高校政策端;
其中,所述输入端对应各个高校门户系统接口,用于接收用户特征和用户输入的问题信息,所述用户特征包括用户身份和学校;
所述输出端对问题信息进行数据类型分析并将问题信息以文本形式传输给核心处理端;
所述核心处理端包括分词处理端、智能搜索端和句式匹配端,所述分词处理端应用分词算法对问题信息进行分词处理,获取关键标签,所述智能搜索端根据关键标签进行数据搜索,推荐与关键标签相关的若干个标准问法,所述句式匹配端对标准问法进行句法分析,并结合用户特征从高校政策端匹配答案;
所述高校政策端用于存储各个高校的预设标准问法和对应答案,所述高校政策端包括用于提取各个高校对应制度文件的高校制度政策采集单元和对提取的高校制度文件进行标准化规范的高校制单标准形成单元。
本发明进一步设置为:所述核心处理端连接有学习端和知识库,所述学习端用于显示句式匹配端提供的标准问法和匹配答案,所述知识库在分词处理端分词处理后扩展存储词汇。
本发明进一步设置为:所述分词处理端包括词形分析单元和词汇分析单元,所述词形分析单元用于对单词进行包括前缀和后缀的分析,切取标签,所述词汇分析单元用于结合知识库对标签进行消岐处理,排除敏感词汇,保留关键标签。
本发明进一步设置为:所述智能搜索端利用知识库统计使用过的历史关键标签以及关于历史关键标签使用频次最高的标准问法,利用一个三元组的集合(u,i,b)表示,其中,u代表用户,i代表标准问法,b代表关键标签,用户u对标准问法i的命中率和热度表示为:,其中表示用户u命中过关键标签b的次数,表示标准问法i被命中过关键标签b的次数;
本发明进一步设置为:所述智能客服应答系统包括有提问端和人工解答端,所述提问端用于获取关键标签和问题信息并指定老师解答,所述人工解答端接收关键标签和问题信息并推送给指定老师人工解答,将人工解答结果反馈至提问端,所述人工解答端将人工解答结果及其对应关键标签和问题信息自动上传至知识库,用于扩展知识库。
本发明进一步设置为:所述输出端连接有语音识别端,当所述输出端判定问题信息的数据类型为非文本数据类型时,将问题信息转发给语音识别端,所述语音识别端将问题信息转化为文本数据后再回传给输出端。
综上所述,本发明的有益技术效果为:
通过接入各个高校的门户系统,获取用户所在学校的信息,缩小政策搜索范围,对后续准确定位高校政策具有积极作用;通过分词处理端结合知识库存储的高校政策相关领域词汇,同时利用智能搜索端规范用户的提问方式,显著提高用户意图识别准确度,最后通过句式匹配端结合高校政策端,有针对性地作出应答,提高智能客服针对高校政策咨询的应答准确率。
附图说明
图1是本发明实施例一的整体结构框图;
图2是本发明实施例二的方法流程图。
具体实施方式
实施例一
参照图1,本发明公开了一种用于高校政策咨询的智能客服应答系统,包括输入端、输出端、语言识别端、核心处理端、高校政策端、学习端、提问端、人工解答端、知识库。
其中,输入端对应各个高校门户系统接口,用于接收用户特征和用户输入的问题信息,用户特征包括用户身份、学校、入口、标识等,问题信息包括文字信息和语音信息。
输出端对问题信息进行数据类型分析,并将问题信息和用户特征以文本形式传输给核心处理端。当判定问题信息的类型为文本数据类型时,转给核心处理端的分词处理端处理,以进行分词处理,提取所需的标签数据,扩充知识库。当判定问题信息的类型为非文本数据类型,即语音格式时,转给语音识别端处理,使用第三方语音识别技术进行语音识别,识别成文本数据后返回给输出端处理。
核心处理端包括分词处理端、智能搜索端和句式匹配端,是对输出端的句子到学习端推荐句式的核心处理环节。
分词处理端应用分词算法对问题信息进行分词处理,获取关键标签。分词处理端包括词形分析单元和词汇分析单元,词形分析单元用于对单词进行包括前缀和后缀的分析,切取标签,词汇分析单元用于结合知识库对标签进行消岐处理,排除敏感词汇,保留关键标签,从而能够较准确地分析用户输入信息的特征,扩充知识库。在本实施例中,分词的消岐处理采用常规算法,消岐后,对于“差旅费需要提交发票吗”这句话,分词处理端会拆分成:差旅费|需要|提交|发票|吗,而不是:差旅|费需|要提|交发票。
分词处理端涉及的分词算法包括以下步骤:
1、根据jieba分词原理,基于前缀词典实现词图扫描,生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)。
DAG根据生成的前缀字典来构造一个这样的DAG,对一个句子DAG是以{key:list[i,j…], …}的字典结构存储,其中key是词在句子中的位置,list存放的是在sentence中以key开始且在我们的前缀词典中以key开始i结尾的词的末位置i的列表,即list存放的是句子中以位置key开始的可能的词语的结束位置。
例如:句子“差旅费”生成的DAG中{0:[0,1,3]} 这样一个简单的DAG, 就是表示0位置开始, 在0,1,3位置都是词, 就是说0~0,0~1,0~3 即 “差”,“差旅”,“差旅费”这三个词在词典中都是可能词。
2、采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合;
根据动态规划查找最大概率路径的基本思路就是对句子从右往左反向计算最大概率,依次类推, 最后得到最大概率路径, 得到最大概率的切分组合。
对于未登录词,采用了基于汉字成词能力的 HMM (隐马尔可夫)模型,使用Viterbi 算法实现中文分词。HMM的典型模型是一个五元组:StatusSet: 状态值集合,ObservedSet: 观察值集合,TransProbMatrix: 转移概率矩阵,EmitProbMatrix: 发射概率矩阵,InitStatus: 初始状态分布。这五元的关系是通过一个叫Viterbi的算法串接起来的,ObservedSet序列值是Viterbi的输入,而StatusSet序列值是Viterbi的输出,输入和输出之间Viterbi算法还需要借助三个模型参数,分别是InitStatus, TransProbMatrix,EmitProbMatrix。基于上述模型,按照(B,M,S,E)四个状态来标记句子中的字,然后计算四个状态的转移概率、位置到单个字的发射概率、初始概率。给定待分词的句子,也就是观察序列,需要找到一个概率最大的最佳的状态序列,利用Viterbi算法求解。
在本实施例中,智能搜索端会自动根据关键标签进行数据搜索,推荐与关键标签相关的若干个标准问法。其中涉及的推荐算法如下:
1、当智能搜索端拿到了分词处理端的标签数据后, 统计每个用户最常用的关键标签,对于统计到的关键标签,统计被命中过这个关键标签次数最多的标准问法。
2、利用上述统计数据,用一个三元组的集合表示,记为 ( u , i , b ),u代表用户,i代表标准问法,b代表关键标签。当然,用户的真实标签行为数据远远比三元组表示的要复杂,比如用户命中标签的时间、用户的属性数据、问法的属性数据等,在此不详细展开。用户u对标准问法i的命中率和热度表示为:
其中表示用户u命中过关键标签b的次数,表示标准问法i被命中过关键标签b的次数。有了上述获得的数据统计,那么我们就可以根据用户对标准问法的命中率和热度来为用户推荐标准问法,命中率和热度越高,越被优先推荐。例如,用户在高校门户提交问题“差旅费需要提交发票吗”分词处理端会拆分成: 差旅费|需要|提交|发票|吗。拆分的这几个词汇都会被存储下来,如果知识库中没有存储这五个词汇就会补充存储到知识库中,如果知识库中已经存储有这些词汇,就增加用户命中过关键标签b的次数,等到用户选定标准问法后,利用上述推荐算法更新标准问法的命中率和热度。
用户在对高校政策进行咨询时,往往只通过一个问题不能全方位了解政策,或者提问不到位而没有获得想要的答案,此时,对相关问题的进一步问询往往才能获得更精确的答案。为了提高系统的智能程度,主动推荐更符合用户需要的问题极为重要,此时需要算法实现相关标准问法的精准推荐。智能搜索端包括有预测模块,预测模块实现精准推荐的算法如下:
1、追踪用户使用标准问法的全部轨迹,统计被选定标准问法的切换情况,构建状态转移矩阵T,确立不同标准问法间的直接或间接关系,状态转移矩阵T表示为:
其中,,表示由标准问法i切换到标准问法j的概率,此处概率计算由历史数据统计完成,为历史数据中标准问法i切换到标准问法j的次数与标准问法i切换到其他标准问法的全部次数的比值。计算状态转移矩阵T的概率分布。
2、调查并统计每次用户针对标准问法切换推荐方案的满意度,记作,表示由标准问法i推荐切换到标准问法j的用户满意度。在本实施例中,用户在利用标准问法i获得匹配答案后,系统会自动推送其他多个标准问法,包括标准问法j,用户可以对自动推送的标准问法进行评价,满意或者不满意,此时对标准问法j评价满意的次数与标准问法i切换到标准问法j的全部评价次数的比值即为由标准问法i推荐切换到标准问法j的用户满意度。
3、考核M个推荐切换标准问法的评分值,计算公式为:
其中M为正整数,一般取5左右的数字,即为系统一次性推荐的标准问法个数,n为标准问法总个数。
5、按照步骤4将重新选定后的推荐切换标准问法按顺序在上一个标准问法获得匹配答案后自动推送显示。在本实施例中,推荐切换标准问法的评分值并不是实时发生,而是一段时间统计并计算一次,因此推荐切换标准问法的更新也具有周期性,进而令用户获得的推荐切换标准问法较为稳定,不会在某一短时间突然变化。
在本实施例中,初始推荐标准问法的选择和顺序可以随机生成,也可以根据用户的选择频率排序生成,但最终需要根据上述算法通过删减、替换、顺序调整方式更新推荐标准问法的选择和顺序,给出更精准、更符合大多数用户需求的推荐。
句式匹配端是通过句法分析对智能搜索端推荐的标准问法句式进行词汇短语的分析,目的是识别句子的句法结构,匹配高校政策端各个高校对应的政策、规范等,以实现自动句法分析的过程,精准匹配用户对应学校的答案。例如每个高校报销问题,有个对应的库。用户选择标准问法:差旅费只需要提供发票吗。对于一高校用户,对应的答案:是的。对于另一高校用户,对应的答案:需要发票和行程单。
高校政策端用于存储各个高校的预设标准问法和对应答案,用于句式匹配端提供用户对应的学校问法,构建问答关系。高校政策端包括用于提取各个高校对应制度文件的高校制度政策采集单元和对提取的高校制度文件进行标准化规范的高校制单标准形成单元。例如,针对缴费相关制度,高校制单标准形成单元具体任务如下:
1、分析高校制度政策,制定高校制单标准化要求;
2、对制度费用类型进行标准化管理;
3、针对不对的费用类型进行多级分类设置;
4、将退单信息与设置的多级分类进行关联。
核心处理端与学习端和知识库连接。学习端用于显示句式匹配端提供的标准问法和匹配答案。知识库在分词处理端分词处理后扩展存储词汇并更新标准问法的命中率和热度。
学习端智能推荐的问法,若不能解决用户问题,那用户可以通过提问端向老师进行提问。提问端用于获取关键标签和问题信息并指定老师解答,问题类型和老师存在映射关系,由管理员自己配置。人工解答端接收关键标签和问题信息并推送给指定老师人工解答,将人工解答结果反馈至提问端,人工解答端将人工解答结果及其对应关键标签和问题信息自动上传至知识库,形成标准问法和对应答案,用于扩展知识库,同时存储至高校政策端。
实施例二
参照图2,本发明公开了一种用于高校政策咨询的智能客服应答方法,包括以下步骤:
S1、接入各个高校门户系统,接收用户特征和用户输入的问题信息,用户特征包括用户身份和学校;
S2、对问题信息进行数据类型分析并将问题信息和用户特征以文本形式传输给核心处理端;
S3、应用分词算法对问题信息进行分词处理,获取关键标签,根据关键标签进行数据搜索,推荐与关键标签相关的若干个标准问法,对标准问法进行句法分析,并结合用户特征从高校政策端匹配答案。其中,高校政策端存储有各个高校的预设标准问法和对应答案。
步骤S2中,当问题信息的数据类型为非文本数据类型时,将问题信息先通过语音识别技术转化为文本数据后再回传给输出端。
步骤S3中,对问题信息进行分词处理,获取关键标签包括以下步骤:
词形分析,对单词进行包括前缀和后缀的分析,切取标签;
词汇分析,对标签进行消岐处理,排除敏感词汇,保留关键标签。
步骤S3中,根据关键标签进行数据搜索,推荐与关键标签相关的若干个标准问法,包括以下步骤:
根据使用过的历史关键标签以及关于历史关键标签使用频次最高的标准问法,利用一个三元组的集合(u,i,b)表示,其中,u为用户,i为标准问法,b为标签,用户u对标准问法i的命中率和热度表示为:,其中表示用户u命中过关键标签b的次数,表示标准问法i被命中过关键标签b的次数,标准问法的命中率和热度越大,被推荐的优先级越高。
在本实施例中,除了上述根据关键标签推荐标准问法外,还包括根据上一个标准问法推送其他标准问法的功能。推荐算法如下:
1、追踪用户使用标准问法的全部轨迹,统计被选定标准问法的切换情况,构建状态转移矩阵T,确立不同标准问法间的直接或间接关系,状态转移矩阵T表示为:
其中,,表示由标准问法i切换到标准问法j的概率,此处概率计算由历史数据统计完成,为历史数据中标准问法i切换到标准问法j的次数与标准问法i切换到其他标准问法的全部次数的比值。计算状态转移矩阵T的概率分布。
2、调查并统计每次用户针对标准问法切换推荐方案的满意度,记作,表示由标准问法i推荐切换到标准问法j的用户满意度。在本实施例中,用户在利用标准问法i获得匹配答案后,系统会自动推送其他多个标准问法,包括标准问法j,用户可以对自动推送的标准问法进行评价,满意或者不满意,对标准问法j评价满意的次数在全部评价次数中的占比即为由标准问法i推荐切换到标准问法j的用户满意度。
3、考核M个推荐切换标准问法的评分值,计算公式为:
其中M为正整数,一般取5左右的数字,即为系统一次性推荐的标准问法个数,n为标准问法总个数。
5、将重新选定后的推荐切换标准问法按照步骤4的顺序在上一个标准问法获得匹配答案后自动推送显示。
此外,本实施例公开的方法还包括人工解答,具体步骤如下:
将问题信息和分词处理后的关键标签指派给对应老师进行解答,当老师接收到推送的关键标签和问题信息后,进行人工解答并反馈,同时存储人工解答结果及对应关键标签和问题信息,其中,人工解答的问题信息经过处理后存储为标准问法。
本具体实施方式的实施例均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种用于高校政策咨询的智能客服应答方法,其特征在于,包括以下步骤:
接入各个高校门户系统,接收用户特征和用户输入的问题信息,所述用户特征包括用户身份和学校;
对所述问题信息进行数据类型分析并将问题信息以文本形式传输给核心处理端;应用分词算法对所述问题信息进行分词处理,获取关键标签;根据所述关键标签进行数据搜索,推荐与关键标签相关的若干个标准问法;
对所述标准问法进行句法分析,并结合所述用户特征自动匹配答案;
所述根据所述关键标签进行数据搜索,推荐与关键标签相关的若干个标准问法,包括以下步骤:
追踪用户使用标准问法的全部轨迹,统计被选定标准问法的切换情况,构建状态转移矩阵T,所述状态转移矩阵T表示为:
考核M个推荐切换标准问法的评分值,计算公式为:
将重新选定后的推荐切换标准问法按照所述顺序在上一个标准问法获得匹配答案后自动推送显示。
3.根据权利要求1所述的一种用于高校政策咨询的智能客服应答方法,其特征在于,所述应用分词算法对所述问题信息进行分词处理,获取关键标签包括以下步骤:
词形分析,对单词进行包括前缀和后缀的分析,切取标签;
词汇分析,对标签进行消岐处理,排除敏感词汇,保留关键标签;
其中,所述分词算法包括以下步骤:
根据jieba分词原理,基于前缀词典实现词图扫描,生成句子中汉字所有可能成词情况,构成有向无环图;
采用动态规划查找最大概率路径,找出基于词频的最大切分组合;
对于未登录词,采用基于汉字成词能力的 HMM模型,使用Viterbi 算法实现中文分词。
4.根据权利要求1所述的一种用于高校政策咨询的智能客服应答方法,其特征在于:
包括人工解答,所述人工解答步骤为:
将所述问题信息和分词处理后的关键标签指派给对应老师进行解答,当老师接收到推送的关键标签和问题信息后,进行人工解答并反馈,同时存储人工解答结果及对应关键标签和问题信息,其中,人工解答的问题信息经过处理后存储为标准问法。
5.一种用于高校政策咨询的智能客服应答系统,其特征在于:包括输入端、输出端、核心处理端和高校政策端;
其中,所述输入端对应各个高校门户系统接口,用于接收用户特征和用户输入的问题信息,所述用户特征包括用户身份和学校;
所述输出端对问题信息进行数据类型分析并将问题信息以文本形式传输给核心处理端;
所述核心处理端包括分词处理端、智能搜索端和句式匹配端,所述分词处理端应用分词算法对问题信息进行分词处理,获取关键标签,所述智能搜索端根据关键标签进行数据搜索,推荐与关键标签相关的若干个标准问法,所述句式匹配端对标准问法进行句法分析,并结合用户特征从高校政策端匹配答案;
所述高校政策端用于存储各个高校的预设标准问法和对应答案,所述高校政策端包括用于提取各个高校对应制度文件的高校制度政策采集单元和对提取的高校制度文件进行标准化规范的高校制单标准形成单元;
所述智能客服应答系统还包括预测模块,所述预测模块执行步骤包括:
追踪用户使用标准问法的全部轨迹,统计被选定标准问法的切换情况,构建状态转移矩阵T,所述状态转移矩阵T表示为:
考核M个推荐切换标准问法的评分值,计算公式为:
将重新选定后的推荐切换标准问法按照所述顺序在上一个标准问法获得匹配答案后自动推送显示。
6.根据权利要求5所述的一种用于高校政策咨询的智能客服应答系统,其特征在于:所述核心处理端连接有学习端和知识库,所述学习端用于显示句式匹配端提供的标准问法和匹配答案,所述知识库在分词处理端分词处理后扩展存储词汇。
7.根据权利要求6所述的一种用于高校政策咨询的智能客服应答系统,其特征在于:所述分词处理端包括词形分析单元和词汇分析单元,所述词形分析单元用于对单词进行包括前缀和后缀的分析,切取标签,所述词汇分析单元用于结合知识库对标签进行消岐处理,排除敏感词汇,保留关键标签。
9.根据权利要求8所述的一种用于高校政策咨询的智能客服应答系统,其特征在于:所述智能客服应答系统包括有提问端和人工解答端,所述提问端用于获取关键标签和问题信息并指定老师解答,所述人工解答端接收关键标签和问题信息并推送给指定老师人工解答,将人工解答结果反馈至提问端,所述人工解答端将人工解答结果及其对应关键标签和问题信息自动上传至知识库,用于扩展知识库。
10.根据权利要求5所述的一种用于高校政策咨询的智能客服应答系统,其特征在于:所述输出端连接有语音识别端,当所述输出端判定问题信息的数据类型为非文本数据类型时,将问题信息转发给语音识别端,所述语音识别端将问题信息转化为文本数据后再反馈至输出端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210250537.8A CN114328846B (zh) | 2022-03-15 | 2022-03-15 | 一种用于高校政策咨询的智能客服应答系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210250537.8A CN114328846B (zh) | 2022-03-15 | 2022-03-15 | 一种用于高校政策咨询的智能客服应答系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114328846A CN114328846A (zh) | 2022-04-12 |
CN114328846B true CN114328846B (zh) | 2022-06-10 |
Family
ID=81033616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210250537.8A Active CN114328846B (zh) | 2022-03-15 | 2022-03-15 | 一种用于高校政策咨询的智能客服应答系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114328846B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287202A (zh) * | 2020-09-28 | 2021-01-29 | 珠海大横琴科技发展有限公司 | 一种搜索方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019838A (zh) * | 2017-12-25 | 2019-07-16 | 上海智臻智能网络科技股份有限公司 | 智能问答系统及智能终端 |
CN110765257A (zh) * | 2019-12-30 | 2020-02-07 | 杭州识度科技有限公司 | 一种知识图谱驱动型的法律智能咨询系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10755294B1 (en) * | 2015-04-28 | 2020-08-25 | Intuit Inc. | Method and system for increasing use of mobile devices to provide answer content in a question and answer based customer support system |
CN106709018A (zh) * | 2016-12-27 | 2017-05-24 | 羽意互动咨询(北京)有限公司 | 命中预设问题的方法及装置 |
CA2998249A1 (en) * | 2017-03-17 | 2018-09-17 | Edatanetworks Inc. | Artificial intelligence engine incenting merchant transaction with consumer affinity |
CN110991178A (zh) * | 2019-11-08 | 2020-04-10 | 苏宁金融科技(南京)有限公司 | 智能客服与人工客服的切换方法、装置及计算机设备 |
CN111339283B (zh) * | 2020-05-15 | 2020-08-21 | 支付宝(杭州)信息技术有限公司 | 针对用户问题提供客服答案的方法及装置 |
CN112651750A (zh) * | 2020-09-11 | 2021-04-13 | 安徽九广全景智慧科技有限公司 | 一种大学招生电话智能客服系统 |
CN113420113B (zh) * | 2021-06-21 | 2022-09-16 | 平安科技(深圳)有限公司 | 语义召回模型训练、召回问答方法、装置、设备及介质 |
CN113961680A (zh) * | 2021-09-28 | 2022-01-21 | 京东方智慧物联科技有限公司 | 基于人机交互的会话处理方法及装置、介质、电子设备 |
CN114138957A (zh) * | 2021-11-26 | 2022-03-04 | 浪潮软件科技有限公司 | 一种虚拟客服智能咨询方法及系统 |
-
2022
- 2022-03-15 CN CN202210250537.8A patent/CN114328846B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019838A (zh) * | 2017-12-25 | 2019-07-16 | 上海智臻智能网络科技股份有限公司 | 智能问答系统及智能终端 |
CN110765257A (zh) * | 2019-12-30 | 2020-02-07 | 杭州识度科技有限公司 | 一种知识图谱驱动型的法律智能咨询系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114328846A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117033608B (zh) | 一种基于大语言模型的知识图谱生成式问答方法及系统 | |
CN115238101B (zh) | 一种面向多类型知识库的多引擎智能问答系统 | |
CN109598995B (zh) | 基于贝叶斯知识跟踪模型的智能教学系统 | |
WO2021017612A1 (zh) | 基于语音分析的问答方法、装置、设备及存储介质 | |
CN102262634B (zh) | 一种自动问答方法及系统 | |
CN113360616A (zh) | 自动问答处理方法、装置、设备及存储介质 | |
CN110120001B (zh) | 一种基于知识图谱库与记忆曲线结合提分的方法及系统 | |
CN109949071A (zh) | 基于语音情绪分析的产品推荐方法、装置、设备和介质 | |
CN113535963B (zh) | 一种长文本事件抽取方法、装置、计算机设备及存储介质 | |
CN114036281B (zh) | 基于知识图谱的柑橘管控问答模块构建方法及问答系统 | |
CN111797202B (zh) | 一种基于人工智能的客服对话方法 | |
CN111368096A (zh) | 基于知识图谱的信息分析方法、装置、设备和存储介质 | |
CN115599899B (zh) | 基于飞行器知识图谱的智能问答方法、系统、设备及介质 | |
CN111026884A (zh) | 一种提升人机交互对话语料质量与多样性的对话语料库生成方法 | |
CN108920603B (zh) | 一种基于客服机器模型的客服引导方法 | |
CN114328846B (zh) | 一种用于高校政策咨询的智能客服应答系统及方法 | |
CN112818106A (zh) | 一种生成式问答的评价方法 | |
CN111666374A (zh) | 一种在深度语言模型中融入额外知识信息的方法 | |
CN111597400A (zh) | 基于寻路算法的计算机检索系统及方法 | |
CN111651554A (zh) | 基于自然语言理解及处理的保险问答回答的方法和装置 | |
CN113627722B (zh) | 基于关键字分词的简答题评分方法、终端及可读存储介质 | |
CN115730058A (zh) | 一种基于知识融合的推理问答方法 | |
CN110543636B (zh) | 一种对话系统的训练数据选择方法 | |
CN112330387B (zh) | 一种应用于看房软件的虚拟经纪人 | |
CN113627198A (zh) | 一种基于历史问答数据的参考回答生成方法、系统、装置和计算机设备 |
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 |