CN114490961A - 一种基于多轮对话的客服方法、系统、装置及存储介质 - Google Patents

一种基于多轮对话的客服方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN114490961A
CN114490961A CN202111518464.8A CN202111518464A CN114490961A CN 114490961 A CN114490961 A CN 114490961A CN 202111518464 A CN202111518464 A CN 202111518464A CN 114490961 A CN114490961 A CN 114490961A
Authority
CN
China
Prior art keywords
information
question
user
customer service
dialogue
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
Application number
CN202111518464.8A
Other languages
English (en)
Inventor
张青
朱明�
丁霞
王世杰
付虹博
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.)
Tianyi IoT Technology Co Ltd
Original Assignee
Tianyi IoT Technology 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 Tianyi IoT Technology Co Ltd filed Critical Tianyi IoT Technology Co Ltd
Priority to CN202111518464.8A priority Critical patent/CN114490961A/zh
Publication of CN114490961A publication Critical patent/CN114490961A/zh
Pending legal-status Critical Current

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
    • G06F16/3344—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
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales

Abstract

本申请公开了一种基于多轮对话的客服方法、系统、装置及存储介质。该方法通过获取用户的对话信息，将对话信息进行分词处理，并进行实体识别处理，得到预处理的对话信息；对预处理的对话信息进行自然语言处理，得到意图信息；将意图信息输入到对话决策模型中，确定若干目标反问问题，并将若干目标反问问题展示给用户。该系统包括获取模块、第一处理模块、第二处理模块、第一展示模块和第二展示模块。通过使用本申请中的方法，能够明确用户意图，提供给用户满意的答复，有利于提升用户满意度；同时通过智能客服的使用，有利于减少人力成本，缩短答复的响应时间。本申请可广泛应用于计算机技术领域内。

Description

一种基于多轮对话的客服方法、系统、装置及存储介质
技术领域
本申请涉及计算机技术领域，尤其是一种基于多轮对话的客服方法、系统、装置及存储介质。
背景技术
随着互联网技术的不断发展，人工客服的需求量逐渐增大；人力成本不断增大的同时，用户提问的响应时间也不断加长。智能客服应运而生，相关技术中的智能客服是基于检索式的方法，当用户提问时从问答语料库中寻找与其最匹配的问题，并将结果展示给用户，但此方法通常忽略上下文信息。所以，目前常用的对话客服是基于槽位填充，但这些任务通常是特定的，有明确的槽位信息。而客服系统的问题通常是广泛的，没有明确的槽位信息。
发明内容
本申请的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此，本申请实施例的一个目的在于提供一种基于多轮对话的客服方法，该方法能够明确用户意图，有利于提升用户满意度；同时有利于减少人力成本，缩短答复的响应时间。
为了达到上述技术目的，本申请实施例所采取的技术方案包括：
一方面，本申请实施例提供了一种基于多轮对话的客服方法，包括以下步骤：
本申请实施例的一种基于多轮对话的客服方法，包括：获取用户的对话信息；对所述对话信息进行分词处理，并进行实体识别处理，得到预处理的对话信息；对所述预处理的对话信息进行自然语言处理，得到意图信息；将所述意图信息输入到对话决策模型中，确定若干目标反问问题，并将所述若干目标反问问题展示给用户；各个所述目标反问问题携带有对应的应答信息；若所述若干目标反问问题未被用户选择，返回至所述获取用户的对话信息这一步骤；若所述若干目标反问问题中的第一反问问题被用户选择，将所述第一反问问题对应的应答信息展示给用户。通过上述方法，能够明确用户意图，有利于提升用户满意度；同时有利于减少人力成本，缩短答复的响应时间。
另外，根据本申请上述实施例的基于多轮对话的客服方法，还可以具有以下附加的技术特征：
进一步地，在本申请的一个实施例中，所述将所述意图信息输入到对话决策模型中，确定若干目标反问问题，包括：
将所述意图信息输入到对话决策模型中，确定所述意图信息和语料库中的原始反问问题的相似度得分；
将所述原始反问问题的相似度得分按照大小进行排序，并将若干相似度得分较高的原始反问问题确定为目标反问问题。
进一步地，在本申请的一个实施例中，所述确定语料库中的原始反问问题的相似度得分，包括：
通过计算所述意图信息与所述语料库中的原始反问问题的余弦距离，确定所述语料库中的原始反问问题的相似度得分。
进一步地，在本申请的一个实施例中，所述对话决策模型通过强化学习方法训练得到，训练方法包括：
获取所述对话信息中的用户提问信息，确定所述用户提问信息为正样本；
或者，当所述若干目标反问问题中的第一反问问题被用户选择，确定第一反问问题信息为正样本；
或者，当所述若干目标反问问题未被用户选择，确定若干目标反问问题信息为负样本；
根据所述正样本和所述负样本，对所述对话决策模型进行强化学习训练。
进一步地，在本申请的一个实施例中，所述对所述对话信息进行分词处理，并进行实体识别处理，得到预处理的对话信息，包括：
对所述对话信息进行结巴处理，得到第一对话信息；
将所述第一对话信息输入双向长短时记忆循环神经网络模型，得到预处理的对话信息。
进一步地，在本申请的一个实施例中，所述对所述预处理的对话信息进行自然语言处理，得到意图信息，包括：
将所述预处理的对话信息输入卷积神经网络模型，得到意图信息。
进一步地，本申请实施例的基于多轮对话的客服方法，所述方法还包括：
若所述若干目标反问问题未被用户选择，且对话信息中的用户提问信息不再增加，则结束对话。
另一方面，本申请实施例提出了一种基于多轮对话的客服系统，包括：
获取模块，用于获取用户的对话信息；
第一处理模块，用于对所述对话信息进行分词处理，并进行实体识别处理，得到预处理的对话信息；
第二处理模块，用于对所述预处理的对话信息进行自然语言处理，得到意图信息；
第一展示模块，用于将所述意图信息输入到对话决策模型中，确定若干目标反问问题，并将所述若干目标反问问题展示给用户；各个所述目标反问问题携带有对应的应答信息；
第二展示模块，用于当所述若干目标反问问题未被用户选择时，返回至获取模块执行获取用户的对话信息的步骤；当所述若干目标反问问题中的第一反问问题被用户选择时，将所述第一反问问题对应的应答信息展示给用户。
另一方面，本申请实施例提供了一种基于多轮对话的客服装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的任一种基于多轮对话的客服方法。
另一方面，本申请实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现上述的任一种基于多轮对话的客服方法。
本申请公开了一种基于多轮对话的客服方法、系统、装置及存储介质。该方法通过获取用户的对话信息，将对话信息进行分词处理，并进行实体识别处理，得到预处理的对话信息；对预处理的对话信息进行自然语言处理，得到意图信息；将意图信息输入到对话决策模型中，确定若干目标反问问题，并将若干目标反问问题展示给用户。该系统包括获取模块、第一处理模块、第二处理模块、第一展示模块和第二展示模块。通过使用本申请中的方法，能够明确用户意图，提供给用户满意的答复，有利于提升用户满意度；同时通过智能客服的使用，有利于减少人力成本，缩短答复的响应时间。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案，下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本申请一种基于多轮对话的客服方法具体实施例的流程示意图；
图2为本申请一种基于多轮对话的客服方法中意图识别的流程示意图；
图3为本申请一种基于多轮对话的客服系统具体实施例的结构示意图；
图4为本申请一种基于多轮对话的客服装置具体实施例的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
物联网是物与物相连相通的网络，其基础是无处不在的各式各样的“物”，通过这些物的接入，实现各个领域的智慧应用。物联网从接入层到应用层，贯穿终端、卡、网络、平台和应用五个部分。目前当用户有问题时，通常会寻找人工客服，这无疑增加了人力成本，同时，随着物联网应用的越来越广泛，无法提供给用户满意的响应时间。相关技术中的智能客服是基于检索式的方法，有问答语料库，当用户提问时从语料库中寻找与其最匹配的问题，并将其答案展示给用户，但此种方法通常忽略了上下文信息。在任务型对话系统中引入强化学习技术，但任务通常是特定的，如订购机票，系统通过多轮对话明确出发地、目的地、出发时间等槽位信息，系统便可推荐符合用户需求的机票。而客服系统通常问题是广泛的，没有明确的槽位信息。因此，本申请提出一种基于多轮对话的客服方法。
下面，首先介绍与本申请相关的几个技术名词：
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的方案属于人工智能领域下属的自然语言处理(NatureLanguage processing，NLP)和机器学习(Machine Learning，ML)。
自然语言处理(Nature Language processing，NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本申请所提出的基于多轮对话的客服方法，可以用于用户与客服的对话过程中，其中，用户通过用户终端与客服进行对话，该用户终端是指任意用户所使用的终端。可选地，用户终端可以是诸如手机、平板电脑、游戏主机、电子书阅读器、多媒体播放设备、可穿戴设备、PC(Personal Computer，个人计算机)等电子设备。用户终端中可以安装应用程序的用户端。其中，该应用程序是指任意能够为用户帐号与智能客服之间提供交互平台的计算机程序。可选地，该智能客服可以针对该应用程序的客服，也可以是针对其他应用程序的客服，本申请实施例对此不作限定。以购买应用程序为例，该智能客服可以是购买应用程序的客服，也可以是使用该购买应用程序的商家客服，还可以是与该购买应用程序相关联且显示在购买应用程序中的支付应用程序的客服。需要说明的一点是，上述应用程序可以是是需要下载安装的应用程序，也可以是即点即用的应用程序，本申请实施例对此不作限定。
下面参照附图详细描述根据本申请实施例提出的基于多轮对话的客服方法和系统，首先将参照附图描述根据本申请实施例提出的基于多轮对话的客服方法。
参照图1，本申请实施例中的基于多轮对话的客服方法主要包括以下步骤：
S101：获取用户的对话信息。
本步骤中，获取用户的对话信息。用户使用用户终端与客服进行对话，本申请提供的实施例中，首先获取用户的对话信息。在一些可能的实施例中，根据用户终端的不同，对话信息可以是用户提供的文本信息，也可以是用户提供的语音信息，还可以是用户提供的关于需求的属性的音频信息。示例性地，对于对话信息属于文本信息的情况，在商品推荐领域，对话信息可以是用户提供的关于价格区间、偏好等信息；对话信息也可以是用户提供的商品链接信息；对话信息还可以是客服提供给用户的商品选择链接信息。本申请并不限定对话信息的具体表现形式。
S102：对所述对话信息进行分词处理，并进行实体识别处理，得到预处理的对话信息。
本步骤中，通过分词和实体识别处理，对对话信息进行预处理，得到预处理的对话信息。通过分词技术的使用，标记用户的需求特征，便于对对话信息进行后续处理。通过实体识别技术的使用，标记用户需求的词性，有利于更好的获取用户的需求信息。在一些可能的实施方式中，对话信息通过分词处理技术，将对话信息转化成词向量或字向量表示的信息，通过实体识别处理，将对话信息标记成以词性序列表示的信息，然后，可通过拼接的方式，将词向量或字向量表示的信息和以词性序列表示的信息拼接后，得到预处理的对话信息。本领域技术人员可以理解的是，上述只是示例性的举例说明，本申请并不限定分词处理和实体识别处理后的信息的表现形式，也并不限定两种不同的信息的合并方式。在一些可能的实施例中，通过在分词技术中添加物联网领域的特定的词典，提升分词准确性。同样，可根据客服系统使用的领域，在分词技术中添加相应领域的词典，满足用户多样化需求。
S103：对所述预处理的对话信息进行自然语言处理，得到意图信息。
本步骤中，对预处理的对话信息进行自然语言处理，得到意图信息。通过意图识别，提取用户的意图信息，以使客服提供满意的回复信息。示例性地，若提取到的对话信息为“请问商品A能存放多长时间”，通过分词处理和实体识别处理后，得到的预处理的对话信息为“商品A、存放、时间”；将上述预处理的对话信息进行自然语言处理，可得到意图信息：“商品A的储存方法及保质期”。在一些可能的实施方式中，预处理的对话信息通过自然语言处理，转化成句向量，用于表示意图信息。本申请并不限定意图信息的表现形式。
S104：将所述意图信息输入到对话决策模型中，确定若干目标反问问题，并将所述若干目标反问问题展示给用户；各个所述目标反问问题携带有对应的应答信息。
本步骤中，将意图信息输入到对话决策模型中，确定若干目标反问问题，并将上述若干目标反问问题展示给用户。本申请实施例中，根据用户的意图信息，进行相似问题反问，在提供相似问题答案链接的同时，也可以进一步明确用户意图。若干目标反问问题携带有对应的应答信息，以便用户选择其中一个目标反问问题时，客服可以给出相应的应答信息。在一些可能的实施方式中，本领域技术人员可以根据客服所属领域的繁杂程度，设定目标反问问题的个数；也可以根据用户的喜好，设定目标反问问题的个数；还可以根据对话进程和对用户的意图的了解程度，设定目标反问问题的个数。上述目标反问问题通过用户终端向用户进行展示。在一些可能的实施方式中，可以通过链接的方式向用户展示目标反问问题，也可以通过音频的方式向用户展示目标反问问题，还可以通过图形选择框的方式向用户展示目标反问问题。本申请并不限定上述目标反问问题的个数和具体的展示方式，本领域技术人员可以根据需要，选择性的进行设定。
S105：若所述若干目标反问问题未被用户选择，返回至所述获取用户的对话信息这一步骤。
本步骤中，通过用户对展示出的若干目标反问问题所进行的选择，进一步确定用户的意图。若用户没有选择上述展示出的若干目标反问问题，表明预估的用户意图有偏差，需进一步调整用户的意图信息，此时，返回至获取用户的对话信息这一步骤，等待或者引导用户进一步的输入需求信息。在一些可能的实施例中，针对不同的领域和不同的用户终端，用户可以通过按键选择需求的目标反问问题，用户也可以通过语音输入选择需求的目标反问问题，用户还可以通过触摸屏等其它方式选择需求的目标反问问题。若用户未进行输入操作，视为用户未选择任意一个目标反问问题；或者通过增加选择项来识别用户的意图，该选择项用于表明上述目标反问问题均不能解决用户的问题。本领域技术人员可以根据需要选择用户反馈信息的方式。
S106：若所述若干目标反问问题中的第一反问问题被用户选择，将所述第一反问问题对应的应答信息展示给用户。
本步骤中，若用户选择了目标反问问题中的第一反问问题，将第一反问问题对应的应答信息展示给用户。该应答信息可以是解决第一反问问题的信息，也可以是继续反问的问答信息，通过继续提问，进一步确定用户的意图。在一些可能的实施方式中，上述应答信息通过用户终端向用户展示，应答信息可以是文本信息，也可以是音频信息。还可以通过增加选择选项，以使用户选择应答信息的展示方式，满足用户多样化的需求。
可选地，本申请实施例中提供的基于多轮对话的客服方法，所述将所述意图信息输入到对话决策模型中，确定若干目标反问问题，包括：
将所述意图信息输入到对话决策模型中，确定所述意图信息和语料库中的原始反问问题的相似度得分；
将所述原始反问问题的相似度得分按照大小进行排序，并将若干相似度得分较高的原始反问问题确定为目标反问问题。
本步骤中，通过语料库中的原始反问问题的相似度得分，确定目标反问问题。示例性地，当用户咨询“请问使能平台怎样对接”时，将上述对话信息经过预处理和自然语言处理，得到意图信息后，输入对话决策模型中，确定意图信息和语料库中的原始反问问题的相似度得分，选择相似度得分较高的若干原始反问问题确定为目标反问问题。示例性地，目标反问问题可以是“使能平台对接方法”、“使能平台对接注意事项”和“使能平台快速对接”。当然，本领域技术人员可以根据需要设置目标反问问题的个数。
可选地，本申请实施例中提供的基于多轮对话的客服方法，所述确定语料库中的原始反问问题的相似度得分，包括：
通过计算所述意图信息与所述语料库中的原始反问问题的余弦距离，确定所述语料库中的原始反问问题的相似度得分。
本步骤中，通过计算意图信息与语料库中的原始反问问题的余弦距离，确定语料库中的原始反问问题的相似度得分。在一些可能的实施方式中，意图信息通过句向量进行表示，此时，通过计算句向量之间的余弦距离来表征意图信息与语料库中的原始反问问题的相似度。
可选地，本申请实施例中提供的基于多轮对话的客服方法，所述对话决策模型通过强化学习方法训练得到，所述训练方法包括：
获取所述对话信息中的用户提问信息，确定所述用户提问信息为正样本；
或者，当所述若干目标反问问题中的第一反问问题被用户选择，确定所述第一反问问题信息为正样本；
或者，当所述若干目标反问问题未被用户选择，确定所述若干目标反问问题信息为负样本；
根据所述正样本和所述负样本，对所述对话决策模型进行强化学习训练。
本步骤中，介绍了对话决策模型的训练过程，通过对对话决策模型进行训练，使得反问问题信息能更加接近于用户的问题，不断接近用户的意图，提升用户的满意度。对于对话信息中的用户提问信息和用户选择的反问问题信息，上述两种信息均属于接近用户意图的信息，标记为正样本。用户未选择的反问问题信息，标记为负样本。根据上述正样本和负样本，对对话决策模型进行强化学习训练，提升模型的预测精度，使得反问问题更加接近用户的意图。
可选地，本申请实施例中提供的基于多轮对话的客服方法，所述对所述对话信息进行分词处理，并进行实体识别处理，得到预处理的对话信息，包括：
对所述对话信息进行结巴处理，得到第一对话信息；
将所述第一对话信息输入双向长短时记忆循环神经网络模型，得到预处理的对话信息。
本步骤中，介绍了对对话信息进行预处理的步骤。在一些可能的实施方式中，分词处理采用结巴进行处理，同时，根据领域特点，在分词技术中添加了相应领域的一些特定的词典。示例性地，对于物联网领域，增加“物模型”，“使能平台”等词语，提升分词准确性。在一些可能的实施例中，实体识别处理运用Bi-LSTM+CRF方法，主要标记用户问题的词性，因为在一个句子中名词和动词通常有着比较重要的意义。示例性地，对于对话信息“使能平台怎样对接”，其中“使能平台”和“对接”两个词能够直接表达用户意思，通过词性标记，表征用户的意图。最后将结巴分词和实体识别的输出结果作为下一步的输入。通过将对话信息进行预处理，有利于提升用户的意图识别的准确度。
可选地，本申请实施例中提供的基于多轮对话的客服方法，所述对所述预处理的对话信息进行自然语言处理，得到意图信息，包括：
将所述预处理的对话信息输入卷积神经网络模型，得到意图信息。
本步骤中，自然语言处理过程采用卷积神经网络模型，将预处理的对话信息输入卷积神经网络模型，得到意图信息。如图2所示的意图识别的流程示意图，采用单层CNN学习句向量，作为对话决策模型的输入，输出句向量代表用户意图。其中，字、词向量直接采用利用Word2Vec方法训练百度百科语料获得的字词向量进行嵌入，向量维度均取128，则加上词性序列，向量维度为128*3。通过卷积神经网络模型对数据的处理，不断优化用户意图，提升用户满意度。
可选地，本申请实施例中提供的基于多轮对话的客服方法，还包括：
若所述若干目标反问问题未被用户选择，且对话信息中的用户提问信息不再增加，则结束对话。
本步骤中，若若干目标反问问题未被用户选择，且对话信息中的用户提问信息不再增加，则结束对话。在一些可能的实施方式中，若用户退出对话，结束对话。示例性地，也可以增加时间属性，在预设时间段内，用户没有操作，则视为对话已结束。
通过上述描述可知，本申请提出的基于多轮对话的客服方法通过获取用户的对话信息，将对话信息进行分词处理，并进行实体识别处理，得到预处理的对话信息；对预处理的对话信息进行自然语言处理，得到意图信息；将意图信息输入到对话决策模型中，确定若干目标反问问题，并将若干目标反问问题展示给用户。通过使用本申请中的方法，能够明确用户意图，提供给用户满意的答复，有利于提升用户满意度；同时通过智能客服的使用，有利于减少人力成本，缩短答复的响应时间。本方法可广泛应用于计算机技术领域内。
其次，参照附图描述根据本申请实施例提出的一种基于多轮对话的客服系统。
图3是本申请一个实施例的基于多轮对话的客服系统结构示意图。
所述系统具体包括：
获取模块310，用于获取用户的对话信息；
第一处理模块320，用于对所述对话信息进行分词处理，并进行实体识别处理，得到预处理的对话信息；
第二处理模块330，用于对所述预处理的对话信息进行自然语言处理，得到意图信息；
第一展示模块340，用于将所述意图信息输入到对话决策模型中，确定若干目标反问问题，并将所述若干目标反问问题展示给用户；各个所述目标反问问题携带有对应的应答信息；
第二展示模块350，用于当所述若干目标反问问题未被用户选择时，返回至获取模块执行获取用户的对话信息的步骤；当所述若干目标反问问题中的第一反问问题被用户选择时，将所述第一反问问题对应的应答信息展示给用户。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图4，本申请实施例提供了一种基于多轮对话的客服装置，包括：
至少一个处理器410；
至少一个存储器420，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器410执行时，使得所述至少一个处理器410实现所述的基于多轮对话的客服方法。
同理，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本申请的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本申请，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本申请的范围，本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干程序用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行程序的定序列表，可以具体实现在任何计算机可读介质中，以供程序执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统)使用，或结合这些程序执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明，但本申请并不限于所述实施例，熟悉本领域的技术人员在不违背本申请精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于多轮对话的客服方法，其特征在于，包括以下步骤：
获取用户的对话信息；
对所述对话信息进行分词处理，并进行实体识别处理，得到预处理的对话信息；
对所述预处理的对话信息进行自然语言处理，得到意图信息；
将所述意图信息输入到对话决策模型中，确定若干目标反问问题，并将所述若干目标反问问题展示给用户；各个所述目标反问问题携带有对应的应答信息；
若所述若干目标反问问题未被用户选择，返回至所述获取用户的对话信息这一步骤；
若所述若干目标反问问题中的第一反问问题被用户选择，将所述第一反问问题对应的应答信息展示给用户。
2.根据权利要求1所述的基于多轮对话的客服方法，其特征在于，所述将所述意图信息输入到对话决策模型中，确定若干目标反问问题，包括：
将所述意图信息输入到对话决策模型中，确定所述意图信息和语料库中的原始反问问题的相似度得分；
将所述原始反问问题的相似度得分按照大小进行排序，并将若干相似度得分较高的原始反问问题确定为目标反问问题。
3.根据权利要求2所述的基于多轮对话的客服方法，其特征在于：所述确定语料库中的原始反问问题的相似度得分，包括：
通过计算所述意图信息与所述语料库中的原始反问问题的余弦距离，确定所述语料库中的原始反问问题的相似度得分。
4.根据权利要求1所述的基于多轮对话的客服方法，其特征在于，所述对话决策模型通过强化学习方法训练得到，训练方法包括：
获取所述对话信息中的用户提问信息，确定所述用户提问信息为正样本；
或者，当所述若干目标反问问题中的第一反问问题被用户选择，确定第一反问问题信息为正样本；
或者，当所述若干目标反问问题未被用户选择，确定若干目标反问问题信息为负样本；根据所述正样本和所述负样本，对所述对话决策模型进行强化学习训练。
5.根据权利要求1所述的基于多轮对话的客服方法，其特征在于，所述对所述对话信息进行分词处理，并进行实体识别处理，得到预处理的对话信息，包括：
对所述对话信息进行结巴处理，得到第一对话信息；
将所述第一对话信息输入双向长短时记忆循环神经网络模型，得到预处理的对话信息。
6.根据权利要求1所述的基于多轮对话的客服方法，其特征在于，所述对所述预处理的对话信息进行自然语言处理，得到意图信息，包括：
将所述预处理的对话信息输入卷积神经网络模型，得到意图信息。
7.根据权利要求1所述的基于多轮对话的客服方法，其特征在于，所述方法还包括：
若所述若干目标反问问题未被用户选择，且对话信息中的用户提问信息不再增加，则结束对话。
8.一种基于多轮对话的客服系统，其特征在于，所述系统包括：
获取模块，用于获取用户的对话信息；
第一处理模块，用于对所述对话信息进行分词处理，并进行实体识别处理，得到预处理的对话信息；
第二处理模块，用于对所述预处理的对话信息进行自然语言处理，得到意图信息；
第一展示模块，用于将所述意图信息输入到对话决策模型中，确定若干目标反问问题，并将所述若干目标反问问题展示给用户；各个所述目标反问问题携带有对应的应答信息；
第二展示模块，用于当所述若干目标反问问题未被用户选择时，返回至获取模块执行获取用户的对话信息的步骤；当所述若干目标反问问题中的第一反问问题被用户选择时，将所述第一反问问题对应的应答信息展示给用户。
9.一种基于多轮对话的客服装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7中任一项所述的一种基于多轮对话的客服方法。
10.一种存储介质，其中存储有处理器可执行的程序，其特征在于：所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-7中任一项所述的一种基于多轮对话的客服方法。
CN202111518464.8A 2021-12-13 2021-12-13 一种基于多轮对话的客服方法、系统、装置及存储介质 Pending CN114490961A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111518464.8A CN114490961A (zh) 2021-12-13 2021-12-13 一种基于多轮对话的客服方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111518464.8A CN114490961A (zh) 2021-12-13 2021-12-13 一种基于多轮对话的客服方法、系统、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114490961A true CN114490961A (zh) 2022-05-13

Family

ID=81492500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111518464.8A Pending CN114490961A (zh) 2021-12-13 2021-12-13 一种基于多轮对话的客服方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114490961A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114969290A (zh) * 2022-05-31 2022-08-30 中国电信股份有限公司 对话信息处理方法、装置、电子设备及存储介质
CN115168563A (zh) * 2022-09-05 2022-10-11 深圳市华付信息技术有限公司 一种基于意图识别的机场服务引导方法、系统及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114969290A (zh) * 2022-05-31 2022-08-30 中国电信股份有限公司 对话信息处理方法、装置、电子设备及存储介质
CN115168563A (zh) * 2022-09-05 2022-10-11 深圳市华付信息技术有限公司 一种基于意图识别的机场服务引导方法、系统及装置

Similar Documents

Publication Publication Date Title
CN111949787A (zh) 基于知识图谱的自动问答方法、装置、设备及存储介质
CN111241237B (zh) 一种基于运维业务的智能问答数据处理方法及装置
CN111833853B (zh) 语音处理方法及装置、电子设备、计算机可读存储介质
CN112667794A (zh) 一种基于孪生网络bert模型的智能问答匹配方法及系统
CN109271493A (zh) 一种语言文本处理方法、装置和存储介质
CN111708869B (zh) 人机对话的处理方法及装置
CN110825867B (zh) 相似文本推荐方法、装置、电子设备和存储介质
CN114490961A (zh) 一种基于多轮对话的客服方法、系统、装置及存储介质
CN111666376B (zh) 一种基于段落边界扫描预测与词移距离聚类匹配的答案生成方法及装置
CN110704586A (zh) 一种信息处理方法及系统
CN111062220B (zh) 一种基于记忆遗忘装置的端到端意图识别系统和方法
CN108763342A (zh) 学习资源分配方法和装置
CN113342958B (zh) 问答匹配方法、文本匹配模型的训练方法和相关设备
CN111309887A (zh) 一种训练文本关键内容提取模型的方法和系统
CN111552773A (zh) 一种阅读理解任务中是否类问题关键句寻找方法及系统
CN110532562B (zh) 神经网络训练方法、成语误用检测方法、装置和电子设备
CN113342948A (zh) 一种智能问答方法及装置
CN116956116A (zh) 文本的处理方法和装置、存储介质及电子设备
CN112395887A (zh) 对话应答方法、装置、计算机设备和存储介质
CN114386426B (zh) 一种基于多元语义融合的金牌话术推荐方法及装置
CN114783421A (zh) 智能推荐方法和装置、设备、介质
CN116662518A (zh) 问答方法、装置、电子设备及可读存储介质
CN111680148B (zh) 针对用户问句进行智能应答的方法和装置
CN113806475A (zh) 信息回复方法、装置、电子设备和存储介质
CN113051375A (zh) 基于问答设备的问答数据的处理方法和装置

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