CN115114404A - 智能客服的问答方法、装置、电子设备及计算机存储介质 - Google Patents

智能客服的问答方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN115114404A
CN115114404A CN202210752372.4A CN202210752372A CN115114404A CN 115114404 A CN115114404 A CN 115114404A CN 202210752372 A CN202210752372 A CN 202210752372A CN 115114404 A CN115114404 A CN 115114404A
Authority
CN
China
Prior art keywords
training sample
triple
corpus
sentences
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.)
Pending
Application number
CN202210752372.4A
Other languages
English (en)
Inventor
李甜甜
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202210752372.4A priority Critical patent/CN115114404A/zh
Publication of CN115114404A publication Critical patent/CN115114404A/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
    • G06F16/3331—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
    • G06F16/332—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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Animal Behavior & Ethology (AREA)
  • Machine Translation (AREA)

Abstract

本申请提供一种智能客服的问答方法、装置、电子设备及计算机存储介质，可应用于人工智能领域、大数据领域或金融领域，该方法包括：在获取用户的语句后，将用户的语句输入至三元组抽取模型，输出得到用户的语句对应的三元组语料；其中，三元组抽取模型由至少一个第一训练样本对神经网络模型进行训练得到；然后，将三元组语料输入至语义分析模型中，输出得到用户语句的语义信息；其中，语义分析模型由至少一个第二训练样本对深度学习网络模型进行训练得到；之后，在预设的知识图谱中，匹配得到目标语句；其中，目标语句为与语义信息最相近的语句；最终，将目标语句对应的回答呈献给用户。从而可以精确的对用户的问题进行答复，有效的提升用户体验。

Description

智能客服的问答方法、装置、电子设备及计算机存储介质
技术领域
本申请涉及计算机技术领域，特别涉及一种智能客服的问答方法、装置、电子设备及计算机存储介质。
背景技术
在客服领域，智能问答是最常使用的功能之一，需要精确地定位用户的意图。通过与银行用户的交互，获取用户需求，为用户提供一对一的信息服务
目前，使用比较广泛的是基于文本相似度的问答方法：通过对问句文本进行字符串匹配，当重复的字符较少时，匹配结果置信度较低，容易给出不相关的回复。并且，由于用户的提问语句大相径庭，文本相似度难以定位用户的准确意图，给用户带来了不好的体验。
发明内容
有鉴于此，本申请提供一种智能客服的问答方法、装置、电子设备及计算机存储介质，可以精确的对用户的问题进行答复，有效的提升用户体验。
本申请第一方面提供了一种智能客服的问答方法，包括：
获取用户的语句；
将所述用户的语句输入至三元组抽取模型，输出得到所述用户的语句对应的三元组语料；其中，所述三元组抽取模型由至少一个第一训练样本对神经网络模型进行训练得到；所述第一训练样本包括训练样本语句以及所述训练样本语句对应的真实三元组语料；
将所述三元组语料输入至语义分析模型中，输出得到所述用户语句的语义信息；其中，所述语义分析模型由至少一个第二训练样本对深度学习网络模型进行训练得到；所述第二训练样本包括训练样本三元组语料以及所述训练样本三元组语料对应的真实语义信息；
在预设的知识图谱中，匹配得到目标语句；其中，所述目标语句为与所述语义信息最相近的语句；
将所述目标语句对应的回答呈献给用户。
可选的，所述三元组抽取模型的构建方法，包括：
构建第一训练样本集；其中，所述第一训练样本集包括至少一个第一训练样本；所述第一训练样本包括训练样本语句以及所述训练样本语句对应的真实三元组语料；
将所述训练样本语句输入至神经网络模型中，输出得到所述训练样本语句对应的预测三元组语料；
利用所述训练样本语句对应的预测三元组语料与所述训练样本语句对应的真实三元组语料之间的误差对所述神经网络模型中的参数进行调整，直至所述训练样本语句对应的预测三元组语料与所述训练样本语句对应的真实三元组语料之间的误差满足预设的收敛条件，将所述神经网络模型作为三元组抽取模型。
可选的，所述语义分析模型的构建方法，包括：
构建第二训练样本集；其中，所述第人训练样本集包括至少一个第二训练样本；所述第二训练样本包括训练样本三元组语料以及所述训练样本三元组语料对应的真实语义信息；
将所述训练样本三元组语料输入至深度学习网络模型中，输出得到所述训练样本三元组语料对应的预测语义信息；
利用所述训练样本三元组语料对应的预测语义信息与所述训练样本三元组语料对应的真实语义信息之间的误差对所述深度学习网络模型中的参数进行调整，直至所述训练样本三元组语料对应的预测语义信息与所述训练样本三元组语料对应的真实语义信息之间的误差满足预设的收敛条件，将所述深度学习网络模型作为语义分析模型。
可选的，所述智能客服的问答方法，还包括：
将所述用户的语句与所述目标语句对应的回答形成对应关系后，存储至所述预设的知识图谱。
本申请第二方面提供了一种智能客服的问答装置，包括：
获取单元，用于获取用户的语句；
第一输入单元，用于将所述用户的语句输入至三元组抽取模型，输出得到所述用户的语句对应的三元组语料；其中，所述三元组抽取模型由至少一个第一训练样本对神经网络模型进行训练得到；所述第一训练样本包括训练样本语句以及所述训练样本语句对应的真实三元组语料；
第二输入单元，用于将所述三元组语料输入至语义分析模型中，输出得到所述用户语句的语义信息；其中，所述语义分析模型由至少一个第二训练样本对深度学习网络模型进行训练得到；所述第二训练样本包括训练样本三元组语料以及所述训练样本三元组语料对应的真实语义信息；
匹配单元，用于在预设的知识图谱中，匹配得到目标语句；其中，所述目标语句为与所述语义信息最相近的语句；
回答单元，用于将所述目标语句对应的回答呈献给用户。
可选的，所述三元组抽取模型的构建单元，包括：
第一训练样本集构建单元，用于构建第一训练样本集；其中，所述第一训练样本集包括至少一个第一训练样本；所述第一训练样本包括训练样本语句以及所述训练样本语句对应的真实三元组语料；
第三输入单元，用于将所述训练样本语句输入至神经网络模型中，输出得到所述训练样本语句对应的预测三元组语料；
第一调整单元，用于利用所述训练样本语句对应的预测三元组语料与所述训练样本语句对应的真实三元组语料之间的误差对所述神经网络模型中的参数进行调整，直至所述训练样本语句对应的预测三元组语料与所述训练样本语句对应的真实三元组语料之间的误差满足预设的收敛条件，将所述神经网络模型作为三元组抽取模型。
可选的，所述语义分析模型的构建单元，包括：
第二训练样本集构建单元，用于构建第二训练样本集；其中，所述第人训练样本集包括至少一个第二训练样本；所述第二训练样本包括训练样本三元组语料以及所述训练样本三元组语料对应的真实语义信息；
第四输入单元，用于将所述训练样本三元组语料输入至深度学习网络模型中，输出得到所述训练样本三元组语料对应的预测语义信息；
第二调整单元，用于利用所述训练样本三元组语料对应的预测语义信息与所述训练样本三元组语料对应的真实语义信息之间的误差对所述深度学习网络模型中的参数进行调整，直至所述训练样本三元组语料对应的预测语义信息与所述训练样本三元组语料对应的真实语义信息之间的误差满足预设的收敛条件，将所述深度学习网络模型作为语义分析模型。
可选的，所述智能客服的问答装置，还包括：
存储单元，用于将所述用户的语句与所述目标语句对应的回答形成对应关系后，存储至所述预设的知识图谱。
本申请第三方面提供了一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面任意一项所述的智能客服的问答方法。
本申请第四方面提供了一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面任意一项所述的智能客服的问答方法。
由以上方案可知，本申请提供一种智能客服的问答方法、装置、电子设备及计算机存储介质，所述智能客服的问答方法包括：在获取用户的语句后，将所述用户的语句输入至三元组抽取模型，输出得到所述用户的语句对应的三元组语料；其中，所述三元组抽取模型由至少一个第一训练样本对神经网络模型进行训练得到；所述第一训练样本包括训练样本语句以及所述训练样本语句对应的真实三元组语料；然后，将所述三元组语料输入至语义分析模型中，输出得到所述用户语句的语义信息；其中，所述语义分析模型由至少一个第二训练样本对深度学习网络模型进行训练得到；所述第二训练样本包括训练样本三元组语料以及所述训练样本三元组语料对应的真实语义信息；之后，在预设的知识图谱中，匹配得到目标语句；其中，所述目标语句为与所述语义信息最相近的语句；最终，将所述目标语句对应的回答呈献给用户。从而可以精确的对用户的问题进行答复，有效的提升用户体验。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种智能客服的问答方法的具体流程图；
图2为本申请另一实施例提供的一种三元组抽取模型的构建方法的流程图；
图3为本申请另一实施例提供的一种语义分析模型的构建方法的流程图；
图4为本申请另一实施例提供的一种智能客服的问答装置的示意图；
图5为本申请另一实施例提供的一种实现智能客服的问答方法的电子设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要注意，本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系，而术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请实施例提供了一种智能客服的问答方法，如图1所示，具体包括以下步骤：
S101、获取用户的语句。
需要说明的是，用户的语句可以是智能客服与用户在终端上进行文字交互的过程中获取得到，也可以是智能客服在与用户进行语音交互时，将语音转化为对应的语句进行获得，此处不做限定。
S102、将用户的语句输入至三元组抽取模型，输出得到用户的语句对应的三元组语料。
其中，三元组抽取模型由至少一个第一训练样本对神经网络模型进行训练得到；第一训练样本包括训练样本语句以及训练样本语句对应的真实三元组语料。三元组语料可以是“实体—属性—属性值”、“实体—关系—实体”等，例如：如用户的语句“信用卡进度查询”，三元组语料就是“信用卡—查询—进度”；“乘车周卡一元兑”，三元组语料就是“乘车—周卡—一元”、“乘车—一元兑—周卡”等。
可选的，在本申请的另一实施例中，三元组抽取模型的构建方法的一种实施方式，如图2所示，包括：
S201、构建第一训练样本集。
其中，第一训练样本集包括至少一个第一训练样本；第一训练样本包括训练样本语句以及训练样本语句对应的真实三元组语料。
S202、将训练样本语句输入至神经网络模型中，输出得到训练样本语句对应的预测三元组语料。
其中，神经网络模型可以是但不限于BERT神经网络模型，此处不做限定。
S203、判断训练样本语句对应的预测三元组语料与训练样本语句对应的真实三元组语料之间的误差是否满足预设的收敛条件。
其中，预设的收敛条件为技术人员或有权限的工作人员进行预先设置、更改，此处不做限定。
需要说明的是，在本申请的具体实现过程中，不仅限于采用预设的收敛条件来训练模型，还可以采用预设的迭代次数来训练模型，此处不同样不做限定。
具体的，若判断出训练样本语句对应的预测三元组语料与训练样本语句对应的真实三元组语料之间的误差满足预设的收敛条件，则执行步骤S204；若判断出训练样本语句对应的预测三元组语料与训练样本语句对应的真实三元组语料之间的误差不满足预设的收敛条件，则执行步骤S205。
S204、将神经网络模型作为三元组抽取模型。
S205、利用训练样本语句对应的预测三元组语料与训练样本语句对应的真实三元组语料之间的误差对神经网络模型中的参数进行调整。
S103、将三元组语料输入至语义分析模型中，输出得到用户语句的语义信息。
其中，语义分析模型由至少一个第二训练样本对深度学习网络模型进行训练得到；第二训练样本包括训练样本三元组语料以及训练样本三元组语料对应的真实语义信息。
可选的，在本申请的另一实施例中，语义分析模型的构建方法的一种实施方式，如图3所示，包括：
S301、构建第二训练样本集。
其中，第人训练样本集包括至少一个第二训练样本；第二训练样本包括训练样本三元组语料以及训练样本三元组语料对应的真实语义信息。
S302、将训练样本三元组语料输入至深度学习网络模型中，输出得到训练样本三元组语料对应的预测语义信息。
其中，深度学习网络模型可以是但不限于BERT-Flow深度学习网络模型，此处不做限定。
S303、判断训练样本三元组语料对应的预测语义信息与训练样本三元组语料对应的真实语义信息之间的误差是否满足预设的收敛条件。
其中，预设的收敛条件为技术人员或有权限的工作人员进行预先设置、更改，此处不做限定。
需要说明的是，在本申请的具体实现过程中，不仅限于采用预设的收敛条件来训练模型，还可以采用预设的迭代次数来训练模型，此处不同样不做限定。
具体的，若判断出训练样本三元组语料对应的预测语义信息与训练样本三元组语料对应的真实语义信息之间的误差满足预设的收敛条件，则执行步骤S304；若判断出训练样本三元组语料对应的预测语义信息与训练样本三元组语料对应的真实语义信息之间的误差不满足预设的收敛条件，则执行步骤S305。
S304、将深度学习网络模型作为语义分析模型。
S305、利用训练样本三元组语料对应的预测语义信息与训练样本三元组语料对应的真实语义信息之间的误差对深度学习网络模型中的参数进行调整。
S104、在预设的知识图谱中，匹配得到目标语句。
其中，目标语句为与语义信息最相近的语句。预设的知识图谱中与存有多个问与答的对应关系。
具体的，根据语义信息在预设的知识图谱的“问”中进行相似度匹配，将相似度最大的“问”，作为目标语句。
S105、将目标语句对应的回答呈献给用户。
续接上述实例，将目标语句，在预设的知识图谱中对应的“答”，呈献给用户。具体的呈献方式根据实际的应用情况进行选择。如当前正在与用户进行语音通话，则以语音的方式向用户呈献；当前正在与用户进行文字交谈，则以文字的方式向用户呈献，此处不做限定。
可选的，在本申请的另一实施例中，智能客服的问答方法的一种实施方式，还包括：
将用户的语句与目标语句对应的回答形成对应关系后，存储至预设的知识图谱。
由以上方案可知，本申请提供一种智能客服的问答方法：在获取用户的语句后，将用户的语句输入至三元组抽取模型，输出得到用户的语句对应的三元组语料；其中，三元组抽取模型由至少一个第一训练样本对神经网络模型进行训练得到；第一训练样本包括训练样本语句以及训练样本语句对应的真实三元组语料；然后，将三元组语料输入至语义分析模型中，输出得到用户语句的语义信息；其中，语义分析模型由至少一个第二训练样本对深度学习网络模型进行训练得到；第二训练样本包括训练样本三元组语料以及训练样本三元组语料对应的真实语义信息；之后，在预设的知识图谱中，匹配得到目标语句；其中，目标语句为与语义信息最相近的语句；最终，将目标语句对应的回答呈献给用户。从而可以精确的对用户的问题进行答复，有效的提升用户体验。
需要说明的是，本发明提供的发明名称可用于人工智能领域、大数据领域或金融领域。上述仅为示例，并不对本发明提供的发明名称的应用领域进行限定。
本申请另一实施例提供了一种智能客服的问答装置，如图4所示，具体包括：
获取单元401，用于获取用户的语句。
第一输入单元402，用于将用户的语句输入至三元组抽取模型，输出得到用户的语句对应的三元组语料。
其中，三元组抽取模型由至少一个第一训练样本对神经网络模型进行训练得到；第一训练样本包括训练样本语句以及训练样本语句对应的真实三元组语料。
可选的，在本申请的另一实施例中，三元组抽取模型的构建单元的一种实施方式，包括：
第一训练样本集构建单元，用于构建第一训练样本集。
其中，第一训练样本集包括至少一个第一训练样本；第一训练样本包括训练样本语句以及训练样本语句对应的真实三元组语料。
第三输入单元，用于将训练样本语句输入至神经网络模型中，输出得到训练样本语句对应的预测三元组语料。
第一调整单元，用于利用训练样本语句对应的预测三元组语料与训练样本语句对应的真实三元组语料之间的误差对神经网络模型中的参数进行调整，直至训练样本语句对应的预测三元组语料与训练样本语句对应的真实三元组语料之间的误差满足预设的收敛条件，将神经网络模型作为三元组抽取模型。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图2所示，此处不再赘述。
第二输入单元403，用于将三元组语料输入至语义分析模型中，输出得到用户语句的语义信息。
其中，语义分析模型由至少一个第二训练样本对深度学习网络模型进行训练得到；第二训练样本包括训练样本三元组语料以及训练样本三元组语料对应的真实语义信息。
可选的，在本申请的另一实施例中，语义分析模型的构建单元的一种实施方式，包括：
第二训练样本集构建单元，用于构建第二训练样本集。
其中，第人训练样本集包括至少一个第二训练样本；第二训练样本包括训练样本三元组语料以及训练样本三元组语料对应的真实语义信息。
第四输入单元，用于将训练样本三元组语料输入至深度学习网络模型中，输出得到训练样本三元组语料对应的预测语义信息。
第二调整单元，用于利用训练样本三元组语料对应的预测语义信息与训练样本三元组语料对应的真实语义信息之间的误差对深度学习网络模型中的参数进行调整，直至训练样本三元组语料对应的预测语义信息与训练样本三元组语料对应的真实语义信息之间的误差满足预设的收敛条件，将深度学习网络模型作为语义分析模型。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图3所示，此处不再赘述。
匹配单元404，用于在预设的知识图谱中，匹配得到目标语句。
其中，目标语句为与语义信息最相近的语句。
回答单元405，用于将目标语句对应的回答呈献给用户。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图1所示，此处不再赘述。
可选的，在本申请的另一实施例中，智能客服的问答装置的一种实施方式，还包括：
存储单元，用于将用户的语句与目标语句对应的回答形成对应关系后，存储至预设的知识图谱。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
由以上方案可知，本申请提供一种智能客服的问答装置：在获取单元401获取用户的语句后，第一输入单元402将用户的语句输入至三元组抽取模型，输出得到用户的语句对应的三元组语料；其中，三元组抽取模型由至少一个第一训练样本对神经网络模型进行训练得到；第一训练样本包括训练样本语句以及训练样本语句对应的真实三元组语料；然后，第二输入单元403将三元组语料输入至语义分析模型中，输出得到用户语句的语义信息；其中，语义分析模型由至少一个第二训练样本对深度学习网络模型进行训练得到；第二训练样本包括训练样本三元组语料以及训练样本三元组语料对应的真实语义信息；之后，匹配单元404在预设的知识图谱中，匹配得到目标语句；其中，目标语句为与语义信息最相近的语句；最终，回答单元405将目标语句对应的回答呈献给用户。从而可以精确的对用户的问题进行答复，有效的提升用户体验。
本申请另一实施例提供了一种电子设备，如图5所示，包括：
一个或多个处理器501。
存储装置502，其上存储有一个或多个程序。
当所述一个或多个程序被所述一个或多个处理器501执行时，使得所述一个或多个处理器501实现如上述实施例中任意一项所述的智能客服的问答方法。
本申请另一实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项所述的智能客服的问答方法。
在本申请公开的上述实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本公开的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块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，本公开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，包括若干指令用以使得一台计算机设备(可以是个人计算机，直播设备，或者网络设备等)执行本公开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。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种智能客服的问答方法，其特征在于，包括：
获取用户的语句；
将所述用户的语句输入至三元组抽取模型，输出得到所述用户的语句对应的三元组语料；其中，所述三元组抽取模型由至少一个第一训练样本对神经网络模型进行训练得到；所述第一训练样本包括训练样本语句以及所述训练样本语句对应的真实三元组语料；
将所述三元组语料输入至语义分析模型中，输出得到所述用户语句的语义信息；其中，所述语义分析模型由至少一个第二训练样本对深度学习网络模型进行训练得到；所述第二训练样本包括训练样本三元组语料以及所述训练样本三元组语料对应的真实语义信息；
在预设的知识图谱中，匹配得到目标语句；其中，所述目标语句为与所述语义信息最相近的语句；
将所述目标语句对应的回答呈献给用户。
2.根据权利要求1所述的智能客服的问答方法，其特征在于，所述三元组抽取模型的构建方法，包括：
构建第一训练样本集；其中，所述第一训练样本集包括至少一个第一训练样本；所述第一训练样本包括训练样本语句以及所述训练样本语句对应的真实三元组语料；
将所述训练样本语句输入至神经网络模型中，输出得到所述训练样本语句对应的预测三元组语料；
利用所述训练样本语句对应的预测三元组语料与所述训练样本语句对应的真实三元组语料之间的误差对所述神经网络模型中的参数进行调整，直至所述训练样本语句对应的预测三元组语料与所述训练样本语句对应的真实三元组语料之间的误差满足预设的收敛条件，将所述神经网络模型作为三元组抽取模型。
3.根据权利要求1所述的智能客服的问答方法，其特征在于，所述语义分析模型的构建方法，包括：
构建第二训练样本集；其中，所述第人训练样本集包括至少一个第二训练样本；所述第二训练样本包括训练样本三元组语料以及所述训练样本三元组语料对应的真实语义信息；
将所述训练样本三元组语料输入至深度学习网络模型中，输出得到所述训练样本三元组语料对应的预测语义信息；
利用所述训练样本三元组语料对应的预测语义信息与所述训练样本三元组语料对应的真实语义信息之间的误差对所述深度学习网络模型中的参数进行调整，直至所述训练样本三元组语料对应的预测语义信息与所述训练样本三元组语料对应的真实语义信息之间的误差满足预设的收敛条件，将所述深度学习网络模型作为语义分析模型。
4.根据权利要求1所述的智能客服的问答方法，其特征在于，还包括：
将所述用户的语句与所述目标语句对应的回答形成对应关系后，存储至所述预设的知识图谱。
5.一种智能客服的问答装置，其特征在于，包括：
获取单元，用于获取用户的语句；
第一输入单元，用于将所述用户的语句输入至三元组抽取模型，输出得到所述用户的语句对应的三元组语料；其中，所述三元组抽取模型由至少一个第一训练样本对神经网络模型进行训练得到；所述第一训练样本包括训练样本语句以及所述训练样本语句对应的真实三元组语料；
第二输入单元，用于将所述三元组语料输入至语义分析模型中，输出得到所述用户语句的语义信息；其中，所述语义分析模型由至少一个第二训练样本对深度学习网络模型进行训练得到；所述第二训练样本包括训练样本三元组语料以及所述训练样本三元组语料对应的真实语义信息；
匹配单元，用于在预设的知识图谱中，匹配得到目标语句；其中，所述目标语句为与所述语义信息最相近的语句；
回答单元，用于将所述目标语句对应的回答呈献给用户。
6.根据权利要求5所述的智能客服的问答装置，其特征在于，所述三元组抽取模型的构建单元，包括：
第一训练样本集构建单元，用于构建第一训练样本集；其中，所述第一训练样本集包括至少一个第一训练样本；所述第一训练样本包括训练样本语句以及所述训练样本语句对应的真实三元组语料；
第三输入单元，用于将所述训练样本语句输入至神经网络模型中，输出得到所述训练样本语句对应的预测三元组语料；
第一调整单元，用于利用所述训练样本语句对应的预测三元组语料与所述训练样本语句对应的真实三元组语料之间的误差对所述神经网络模型中的参数进行调整，直至所述训练样本语句对应的预测三元组语料与所述训练样本语句对应的真实三元组语料之间的误差满足预设的收敛条件，将所述神经网络模型作为三元组抽取模型。
7.根据权利要求5所述的智能客服的问答装置，其特征在于，所述语义分析模型的构建单元，包括：
第二训练样本集构建单元，用于构建第二训练样本集；其中，所述第人训练样本集包括至少一个第二训练样本；所述第二训练样本包括训练样本三元组语料以及所述训练样本三元组语料对应的真实语义信息；
第四输入单元，用于将所述训练样本三元组语料输入至深度学习网络模型中，输出得到所述训练样本三元组语料对应的预测语义信息；
第二调整单元，用于利用所述训练样本三元组语料对应的预测语义信息与所述训练样本三元组语料对应的真实语义信息之间的误差对所述深度学习网络模型中的参数进行调整，直至所述训练样本三元组语料对应的预测语义信息与所述训练样本三元组语料对应的真实语义信息之间的误差满足预设的收敛条件，将所述深度学习网络模型作为语义分析模型。
8.根据权利要求5所述的智能客服的问答装置，其特征在于，还包括：
存储单元，用于将所述用户的语句与所述目标语句对应的回答形成对应关系后，存储至所述预设的知识图谱。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任一所述的智能客服的问答方法。
10.一种计算机存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至4中任一所述的智能客服的问答方法。
CN202210752372.4A 2022-06-29 2022-06-29 智能客服的问答方法、装置、电子设备及计算机存储介质 Pending CN115114404A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210752372.4A CN115114404A (zh) 2022-06-29 2022-06-29 智能客服的问答方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210752372.4A CN115114404A (zh) 2022-06-29 2022-06-29 智能客服的问答方法、装置、电子设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN115114404A true CN115114404A (zh) 2022-09-27

Family

ID=83329461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210752372.4A Pending CN115114404A (zh) 2022-06-29 2022-06-29 智能客服的问答方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN115114404A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115934920A (zh) * 2023-02-24 2023-04-07 深圳市人马互动科技有限公司 针对人机对话的模型训练方法及相关装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115934920A (zh) * 2023-02-24 2023-04-07 深圳市人马互动科技有限公司 针对人机对话的模型训练方法及相关装置

Similar Documents

Publication Publication Date Title
US20200301954A1 (en) Reply information obtaining method and apparatus
CN108287820B (zh) 一种文本表示的生成方法及装置
CN106649742A (zh) 数据库维护方法和装置
CN107807960B (zh) 智能客服方法、电子装置及计算机可读存储介质
CN110472045B (zh) 一种基于文档嵌入的短文本虚假问题分类预测方法及装置
CN114757176B (zh) 一种获取目标意图识别模型的方法以及意图识别方法
CN111177349B (zh) 问答匹配方法、装置、设备及存储介质
CN112667796B (zh) 一种对话回复方法、装置、电子设备及可读存储介质
CN111768781A (zh) 语音打断的处理方法和装置
CN116561538A (zh) 问答评分方法、问答评分装置、电子设备及存储介质
CN110717021A (zh) 人工智能面试中获取输入文本和相关装置
CN112685550A (zh) 智能问答方法、装置、服务器及计算机可读存储介质
CN115114404A (zh) 智能客服的问答方法、装置、电子设备及计算机存储介质
CN111444729A (zh) 信息处理的方法、装置、设备及可读存储介质
CN110427470A (zh) 问答处理方法、装置及电子设备
CN112966076A (zh) 智能问答问题的生成方法、装置、计算机设备及存储介质
CN110929519B (zh) 实体属性抽取方法及装置
CN111898363A (zh) 文本长难句的压缩方法、装置、计算机设备及存储介质
CN111723559A (zh) 一种实时信息抽取方法及装置
CN116884282A (zh) 题目解答方法、装置、电子设备和存储介质
CN116186771A (zh) 应用于人工智能生成内容的文本处理方法、装置及介质
CN115934904A (zh) 文本处理方法以及装置
CN111680148B (zh) 针对用户问句进行智能应答的方法和装置
CN115408500A (zh) 问答一致性的评估方法、装置、电子设备及介质
CN112182147A (zh) 一种可扩展的智能问答方法及系统

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