CN114942857A - 一种多模态业务智能诊断系统 - Google Patents

一种多模态业务智能诊断系统 Download PDF

Info

Publication number
CN114942857A
CN114942857A CN202111331861.4A CN202111331861A CN114942857A CN 114942857 A CN114942857 A CN 114942857A CN 202111331861 A CN202111331861 A CN 202111331861A CN 114942857 A CN114942857 A CN 114942857A
Authority
CN
China
Prior art keywords
data
module
modal
subunit
processing
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
CN202111331861.4A
Other languages
English (en)
Inventor
相光辉
陈静
刁振宇
陈惠玲
李宁妮
周晓倩
赵占军
杨杉
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.)
Beijing Telecom Development Co ltd
Original Assignee
Beijing Telecom Development 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 Beijing Telecom Development Co ltd filed Critical Beijing Telecom Development Co ltd
Priority to CN202111331861.4A priority Critical patent/CN114942857A/zh
Publication of CN114942857A publication Critical patent/CN114942857A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0718—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in an object-oriented system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种多模态业务智能诊断系统，包括多模服务系统、输入单元、输出单元，所述多模服务系统包括ETL模块、处理模块、结果输出模块、数据库、数据预处理模块，其中，ETL模块用于对输入至多模服务系统内的数据进行抽取、转换并加载至处理模块；本发明所提供的多模态业务智能诊断系统，利用深度学习的神经网络，能够自动获取用户发送的短文本中的数据特征，并对该特征进行模型匹配，以快速且准确的判断出用户的产品问题类型，并以此将用户推送至对应的话务员进行解答，进一步的，处理模块在进行模型匹配后，能够根据该问题为话务员提供历史解决方案与处理建议，从而提高话务员的服务效率。

Description

一种多模态业务智能诊断系统
技术领域
本发明涉及一种智能诊断系统，具体是一种多模态业务智能诊断系统。
背景技术
呼叫中心就是在一个相对集中的场所，由一批服务人员组成的服务机构.通常利用计算机通信技术，处理来自企业、顾客的电话垂询，尤其具备同时处理大量来话的能力，还具备主叫号码显示，可将来电自动分配给具备相应技能的人员处理，并能记录和储存所有来话信息。
呼叫中心，又称客户服务中心，起源于20世纪30年代，最初是把用户的呼叫转移到应答台或者专家处。此后，随着要转移的呼叫和应答增多，开始建立起交互式语音应答系统，这种系统能把客户部分常见问题的应答实现由机器“自动话务员”来应答和处理。
随着互联网的不断普及，网络客服的业务量也在不断的上升，且不同客户对于不同的产品往往存在不同的问题，而仅经过短期培训的话务员往往只能够解决一个或少数几个产品的问题，因此，亟需一种多模态业务智能诊断系统，以根据客户的业务需求对客户进行分类，将客户与对应的话务员进行匹配，同时对客户的业务问题进行识别，并将与该问题相对应的解决方案或处理建议实时发送给话务员，以提高话务员的服务效率。
发明内容
本发明的目的在于提供一种多模态业务智能诊断系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种多模态业务智能诊断系统，包括多模服务系统、输入单元、输出单元，所述多模服务系统包括ETL模块、处理模块、结果输出模块、数据库、数据预处理模块，其中，ETL模块用于对输入至多模服务系统内的数据进行抽取、转换并加载至处理模块，处理模块用于对所接收的数据进行特征规则模型匹配、相近数据分析及营销数据推荐。
作为本发明进一步的方案：所述数据库包括规则表子单元、相似数据库子单元、营销数据库子单元，所述数据库中储存有用于训练短文本分类模型的数据。
作为本发明进一步的方案：所述输入单元包括Kafka子单元及人工导入子单元，所述Kafka子单元用于向数据库批量输入数据。
作为本发明进一步的方案：所述数据预处理模块包括Flink子单元与导入与处理单元，所述Flink子单元用于通过流水线方式运行以对Kafka子单元输入的批量数据进行批量处理，并发送至ETL模块。
作为本发明进一步的方案：所述输入单元还包括Http请求单元，用于用户办理业务时对话务员的查询接口。
作为本发明进一步的方案：所述多模服务系统还包括Nginx模块，用于处理若干个Http请求单元的同时响应。
作为本发明进一步的方案：所述多模服务系统还包括Flask模块，用于通过Werkzeug函数库一次性响应Nginx所发送的多个Http请求数据。
作为本发明进一步的方案：所述处理模块采用Word2Vex进行相近数据分析。
作为本发明再进一步的方案：所述处理模块采用协同过滤推荐算法进行营销数据推荐。
作为本发明再进一步的方案：上述多模态业务智能诊断系统的诊断方法，包括以下步骤：
S1、对短文本进行中文分词处理；
S2、将不同业务的短文本分词及相应的标签输入各自的transformer模型中进行训练；
S3、提取短文本特征；
S4、训练短文本分类模型；
S5、将S4中的输出分别与事先标注的标准分类结果计算交叉熵，计算平均欧式距离并以此作为损失值，随后再反馈回各自的神经网络，反复进行训练，直至模型收敛，最终得到完整的多模态场景识别模型；
S6、将待识别的短文本输入所训练出的多模态场景识别模型，进行场景识别，实时识别出结果直接提供给话务员进行业务处理。
与现有技术相比，本发明的有益效果是：
1、本发明所提供的多模态业务智能诊断系统，利用深度学习的神经网络，能够自动获取用户发送的短文本中的数据特征，并对该特征进行模型匹配，以快速且准确的判断出用户的产品问题类型，并以此将用户推送至对应的话务员进行解答，进一步的，处理模块在进行模型匹配后，能够根据该问题为话务员提供历史解决方案与处理建议，从而提高话务员的服务效率。
2、本发明通过协同过滤推荐算法的设置，能够根据用户所提出的产品问题为该用户匹配相对应的营销数据，以推荐出适合该用户的产品，以便话务员在沟通时进行选择性推荐。
附图说明
图1为一种多模态业务智能诊断系统的结构框图。
图2为一种多模态业务智能诊断系统中ETL处理的结构框图。
图3为一种多模态业务智能诊断系统中处理模块的程序框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下将结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有说明书特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
请参阅图1～3，本发明中，一种多模态业务智能诊断系统，包括多模服务系统、输入单元、输出单元，所述多模服务系统包括ETL模块、处理模块、结果输出模块、数据库、数据预处理模块，其中，ETL模块用于对输入至多模服务系统内的数据进行抽取、转换并加载至处理模块，处理模块用于对所接收的数据进行特征规则模型匹配、相近数据分析及营销数据推荐。
具体的ETL模块对数据的处理过程包括：预设的特征抽取规则后在统一的知识图谱下通过句法分析、中文分词及专有词的方式对短文本数据进行数据特征提取，其中句法分析主要通过HanLP进行，中文分词主要通过Jieba进行。
进一步的，处理模块对ETL模块进行特征提取后的数据进行特征规则模型匹配的过程中，通过预设的特征规则与特征模型对数据进行比对，其中，特征规则包括重复单规则、规范性规则、超期规则及特殊单规则，特征模型包括重复单模型、规范性模型、超期模型与特殊单模型。
处理模块为本发明的核心，其把ET模块识别的特征数据根据多模态业务(重复单、超期单、特殊单和规范性及质量)进行不同模型的选择和处理，根据负荷和偏差程度给出诊断结果；同时处理模块把单条文本数据在历史数据中进行历史数据的相似度分析，可以输出历史文本信息，便于话务员做业务和处理状态的参考；同时根据本条内容和营销数据库中的营销数据，推荐出可能推荐的产品，以便话务员在沟通时进行选择性推荐。
所述数据库包括规则表子单元、相似数据库子单元、营销数据库子单元，所述数据库中储存有用于训练短文本分类模型的数据。
所述输入单元包括Kafka子单元及人工导入子单元，所述Kafka子单元用于向数据库批量输入数据；Kafka是由Apache软件基金会开发的一个开源流处理平台，由Scala和Java编写。
所述数据预处理模块包括Flink子单元与导入与处理单元，所述Flink子单元用于通过流水线方式运行以对Kafka子单元输入的批量数据进行批量处理，并发送至ETL模块；Flink是由Apache软件基金会开发的开源流处理框架，其核心是用Java和Scala编写的分布式流数据流引擎，Flink以数据并行和流水线方式执行任意流数据程序，Flink的流水线运行时系统可以执行批处理和流处理程序，Flink程序在执行后被映射到流数据流，每个Flink数据流以一个或多个源(数据输入，例如消息队列或文件系统)开始，并以一个或多个接收器(数据输出，如消息队列、文件系统或数据库等)结束，此外，Flink的运行时本身也支持迭代算法的执行。
所述输入单元还包括Http请求单元，用于用户办理业务时对话务员的查询接口。
所述多模服务系统还包括Nginx模块，用于处理若干个Http请求单元的同时响应；Nginx是一个很强大的高性能Web和反向代理服务，它具有很多非常优越的特性：在连接高并发的情况下，Nginx是Apache服务不错的替代品：能够支持高达50000个并发连接数的响应，Nginx作为负载均衡服务：Nginx既可以在内部直接支持Rails和PHP程序对外进行服务，也可以支持作为HTTP代理服务对外进行服务。Nginx采用C进行编写，不论是系统资源开销还是CPU使用效率都比Perlbal要好很多。
所述多模服务系统还包括Flask模块，用于通过Werkzeug函数库一次性响应Nginx所发送的多个Http请求数据；Flask是目前十分流行的web框架，采用Python编程语言来实现相关功能，Flask框架的主要特征是核心构成比较简单，但具有很强的扩展性和兼容性，Flask主要包括Werkzeug和Jinja2两个核心函数库，它们分别负责业务处理和安全方面的功能，Werkzeug库支持URL路由请求集成，一次可以响应多个用户的访问请求；支持Cookie和会话管理，通过身份缓存数据建立长久连接关系，并提高用户访问速度；支持交互式Javascript调试，提高用户体验；可以处理HTTP基本事务，快速响应客户端推送过来的访问请求；Jinja2库支持自动HTML转移功能，能够很好控制外部黑客的脚本攻击。
所述处理模块采用Word2Vex进行相近数据分析；Word2Vec可以在百万数量级的词典和上亿的数据集上进行高效地训练；其次，该工具得到的训练结果—词向量(wordembedding)，可以很好地度量词与词之间的相似性。Word2Vec算法的背后是一个浅层神经网络，将单词的one-hot稀疏表示转化成稠密的向量表示。其核心思想是通过词的上下文得倒词的向量化表示，用于计算词向量方法包括两种模型:CBOW(continuous bag-of-words)和skip-gram；两种优化方法:hierarchical softmax和negative sampling。
所述处理模块采用协同过滤推荐算法进行营销数据推荐；协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，协同过滤推荐(Collaborative Filtering recommendation)是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术；传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似(兴趣)用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测；。
上述多模态业务智能诊断系统的诊断方法，包括以下步骤：
S1、对短文本进行中文分词处理；
S2、将不同业务的短文本分词及相应的标签输入各自的transformer模型中进行训练；S3、提取短文本特征；
S4、训练短文本分类模型；
S5、将S4中的输出分别与事先标注的标准分类结果计算交叉熵，计算平均欧式距离并以此作为损失值，随后再反馈回各自的神经网络，反复进行训练，直至模型收敛，最终得到完整的多模态场景识别模型；
S6、将待识别的短文本输入所训练出的多模态场景识别模型，进行场景识别，实时识别出结果直接提供给话务员进行业务处理。
本发明所提供的多模态业务智能诊断系统，利用深度学习的神经网络，能够自动获取用户发送的短文本中的数据特征，并对该特征进行模型匹配，以快速且准确的判断出用户的产品问题类型，并以此将用户推送至对应的话务员进行解答，进一步的，处理模块在进行模型匹配后，能够根据该问题为话务员提供历史解决方案与处理建议，从而提高话务员的服务效率。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种多模态业务智能诊断系统，其特征在于：包括多模服务系统、输入单元、输出单元，所述多模服务系统包括ETL模块、处理模块、结果输出模块、数据库、数据预处理模块，其中，ETL模块用于对输入至多模服务系统内的数据进行抽取、转换并加载至处理模块，处理模块用于对所接收的数据进行特征规则模型匹配、相近数据分析及营销数据推荐。
2.根据权利要求1所述的一种多模态业务智能诊断系统，其特征在于：所述数据库包括规则表子单元、相似数据库子单元、营销数据库子单元，所述数据库中储存有用于训练短文本分类模型的数据。
3.根据权利要求1所述的一种多模态业务智能诊断系统，其特征在于：所述输入单元包括Kafka子单元及人工导入子单元，所述Kafka子单元用于向数据库批量输入数据。
4.根据权利要求3所述的一种多模态业务智能诊断系统，其特征在于：所述数据预处理模块包括Flink子单元与导入与处理单元，所述Flink子单元用于通过流水线方式运行以对Kafka子单元输入的批量数据进行批量处理，并发送至ETL模块。
5.根据权利要求3所述的一种多模态业务智能诊断系统，其特征在于：所述输入单元还包括Http请求单元，用于用户办理业务时对话务员的查询接口。
6.根据权利要求5所述的一种多模态业务智能诊断系统，其特征在于：所述多模服务系统还包括Nginx模块，用于处理若干个Http请求单元的同时响应。
7.根据权利要求1所述的一种多模态业务智能诊断系统，其特征在于：所述多模服务系统还包括Flask模块，用于通过Werkzeug函数库一次性响应Nginx所发送的多个Http请求数据。
8.根据权利要求1所述的一种多模态业务智能诊断系统，其特征在于：所述处理模块采用Word2Vex进行相近数据分析。
9.根据权利要求1所述的一种多模态业务智能诊断系统，其特征在于：所述处理模块采用协同过滤推荐算法进行营销数据推荐。
10.根据权利要求1-9中任一所述的一种多模态业务智能诊断系统的诊断方法，其特征在于：包括以下步骤：
S1、对短文本进行中文分词处理；
S2、将不同业务的短文本分词及相应的标签输入各自的transformer模型中进行训练；
S3、提取短文本特征；
S4、训练短文本分类模型；
S5、将S4中的输出分别与事先标注的标准分类结果计算交叉熵，计算平均欧式距离并以此作为损失值，随后再反馈回各自的神经网络，反复进行训练，直至模型收敛，最终得到完整的多模态场景识别模型；
S6、将待识别的短文本输入所训练出的多模态场景识别模型，进行场景识别，实时识别出结果直接提供给话务员进行业务处理。
CN202111331861.4A 2021-11-11 2021-11-11 一种多模态业务智能诊断系统 Pending CN114942857A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111331861.4A CN114942857A (zh) 2021-11-11 2021-11-11 一种多模态业务智能诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111331861.4A CN114942857A (zh) 2021-11-11 2021-11-11 一种多模态业务智能诊断系统

Publications (1)

Publication Number Publication Date
CN114942857A true CN114942857A (zh) 2022-08-26

Family

ID=82905886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111331861.4A Pending CN114942857A (zh) 2021-11-11 2021-11-11 一种多模态业务智能诊断系统

Country Status (1)

Country Link
CN (1) CN114942857A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108121742A (zh) * 2016-11-30 2018-06-05 中国移动通信集团广东有限公司 用户分类模型的生成方法及装置
CN110046656A (zh) * 2019-03-28 2019-07-23 南京邮电大学 基于深度学习的多模态场景识别方法
CN110475032A (zh) * 2019-06-28 2019-11-19 平安科技（深圳）有限公司 多业务界面切换方法、装置、计算机装置及存储介质
CN113077118A (zh) * 2021-03-01 2021-07-06 广东电网有限责任公司广州供电局 一种基于互联网智能推送技术的工单推送方法
RU2755781C1 (ru) * 2020-06-04 2021-09-21 Публичное Акционерное Общество "Сбербанк России" (Пао Сбербанк) Интеллектуальное рабочее место оператора и способ его взаимодействия для осуществления интерактивной поддержки сессии обслуживания клиента

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108121742A (zh) * 2016-11-30 2018-06-05 中国移动通信集团广东有限公司 用户分类模型的生成方法及装置
CN110046656A (zh) * 2019-03-28 2019-07-23 南京邮电大学 基于深度学习的多模态场景识别方法
CN110475032A (zh) * 2019-06-28 2019-11-19 平安科技（深圳）有限公司 多业务界面切换方法、装置、计算机装置及存储介质
RU2755781C1 (ru) * 2020-06-04 2021-09-21 Публичное Акционерное Общество "Сбербанк России" (Пао Сбербанк) Интеллектуальное рабочее место оператора и способ его взаимодействия для осуществления интерактивной поддержки сессии обслуживания клиента
CN113077118A (zh) * 2021-03-01 2021-07-06 广东电网有限责任公司广州供电局 一种基于互联网智能推送技术的工单推送方法

Similar Documents

Publication Publication Date Title
US12039447B2 (en) Information processing method and terminal, and computer storage medium
CN106790004B (zh) 基于人工智能的客服辅助实时提示系统
CN111932144B (zh) 一种客服坐席分配方法、装置、服务器及存储介质
WO2021139243A1 (zh) 基于人机交互的数据处理方法、装置、设备及存储介质
CN109190114B (zh) 用于生成回复信息的方法和装置
CN107153965A (zh) 一种多终端的智能客服解决方法
CN107784033B (zh) 一种基于会话进行推荐的方法和装置
CN111460112A (zh) 在线客服咨询方法、装置、介质及电子设备
KR101990895B1 (ko) 온라인 게시물 및 댓글 자동 응답용 인공지능 대화형 댓글 제공 시스템
CN104462600A (zh) 实现来电原因自动分类的方法及装置
CN108268450B (zh) 用于生成信息的方法和装置
CN113282737B (zh) 人机协作的智能客服对话方法及装置
CN109522399B (zh) 用于生成信息的方法和装置
CN112036906A (zh) 一种数据处理方法、装置、设备
CN106156362A (zh) 一种针对预警提示自动提供解决方案的方法及装置
CN113239204A (zh) 文本分类方法及装置、电子设备、计算机可读存储介质
US20230334314A1 (en) Content recommendation method and apparatus, device, storage medium, and program product
CN114942857A (zh) 一种多模态业务智能诊断系统
CN110955835A (zh) 一种基于大数据技术的共享平台信息发布系统
CN114943590A (zh) 基于双塔模型的对象推荐方法及装置
CN111556096B (zh) 信息推送方法、装置、介质及电子设备
CN114186048A (zh) 基于人工智能的问答回复方法、装置、计算机设备及介质
CN112632241A (zh) 智能会话的方法、装置、设备和计算机可读介质
CN117194796A (zh) 一种网络舆情业务智能诊断系统
CN111782776A (zh) 一种通过填槽实现意图识别的方法和装置

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