CN115114453A - 基于知识图谱的智能客服实现方法和装置 - Google Patents

Abstract

本发明提供了一种基于知识图谱的智能客服实现方法和装置，涉及智能客服技术领域，可用于金融领域，所述方法包括：建立智能客服模型；分别利用所述数据集中的训练集数据及验证集数据对所述智能客服模型进行训练和验证；利用所述数据集中的测试集数据对所述智能客服模型进行测试，并根据测试结果及预定策略保存所述智能客服模型；将所述智能客服模型应用至金融业智能客服系统中。本申请基于知识图谱构建智能客服模型，并对智能客服模型进行训练以达到智能客服要求的标准，从而可以提高智能客服回答的整体准确率，提高客户使用该智能客服应用后的满意度。

Description

基于知识图谱的智能客服实现方法和装置

技术领域

本发明涉及智能客服技术领域，可用于金融领域，尤其涉及一种基于知识图谱的智能客服实现方法和装置。

背景技术

目前国内银行的智能客服产品的服务主要体现在与用户的闲聊会话和业务查询上，智能客服产品的回答准确率对于提升客户满意度有着很重要的作用，对于便利用户业务办理及提升客户粘性也有着重要的作用。但是目前银行的一些智能客服产品所能提供的回答准确率并不能另客户满意，客户仅能通过产品名称来查询相关产品的信息，这对于智能化要求比较高的智能客服产品来说是不够的。

发明内容

有鉴于此，本发明提供一种基于知识图谱的智能客服实现方法和装置，以解决上述提及的至少一个问题。

为了实现上述目的，本发明采用以下方案：

根据本发明的第一方面，提供一种基于知识图谱的智能客服实现方法，所述方法包括：建立智能客服模型，所述智能客服模型通过如下方式建立：获取金融业客服对话信息作为数据集；获取金融业产品信息，基于所述金融业产品信息构建产品知识图谱；对所述数据集及所述产品知识图谱进行预处理；对预处理后的数据集进行语义分析得到对应的实体关系向量表示；将所述实体关系向量表示与预处理后的知识图谱进行匹配，并输出相似度高于预设阈值的知识图谱节点信息；分别利用所述数据集中的训练集数据及验证集数据对所述智能客服模型进行训练和验证；利用所述数据集中的测试集数据对所述智能客服模型进行测试，并根据测试结果及预定策略保存所述智能客服模型；将所述智能客服模型应用至金融业智能客服系统中。

根据本发明的第二方面，提供一种基于知识图谱的智能客服实现装置，所述装置包括：模型建立单元，用于建立智能客服模型，所述智能客服模型通过如下方式建立：获取金融业客服对话信息作为数据集；获取金融业产品信息，基于所述金融业产品信息构建产品知识图谱；对所述数据集及所述产品知识图谱进行预处理；对预处理后的数据集进行语义分析得到对应的实体关系向量表示；将所述实体关系向量表示与预处理后的知识图谱进行匹配，并输出相似度高于预设阈值的知识图谱节点信息；模型训练单元，用于利用所述数据集中的训练集数据对所述智能客服模型进行训练；模型验证单元，用于利用所述数据集中的验证集数据对所述智能客服模型进行验证；模型测试单元，用于利用所述数据集中的测试集数据对所述智能客服模型进行测试，并根据测试结果及预定策略保存所述智能客服模型；模型套用单元，用于将所述智能客服模型应用至金融业智能客服系统中。

根据本发明的第三方面，提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述方法的步骤。

根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

根据本发明的第五方面，提供一种计算机程序产品，包括计算机程序/指令，其所述计算机程序/指令被处理器执行时实现上述方法的步骤。

由上述技术方案可知，本申请基于知识图谱构建智能客服模型，并对智能客服模型进行训练以达到智能客服要求的标准，从而可以提高智能客服回答的整体准确率，提高客户使用该智能客服应用后的满意度。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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，还可以根据这些附图获得其他的附图。在附图中：

图1是本申请实施例提供的一种基于知识图谱的智能客服实现方法流程示意图；

图2是本申请实施例提供的一种智能客服模型建立的流程示意图；

图3是本申请实施例提供的一种知识图谱构建的流程示意图；

图4是本申请实施例提供的一种基于知识图谱的智能客服实现装置的结构示意图；

图5本申请实施例提供的一种模型建立单元的结构示意图；

图6是本发明实施例提供的电子设备的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

为了更清楚地阐述本申请，下面对本申请涉及的技术术语先做简单描述：

KGB知识图谱引擎：基于自然语言处理(Natural Language Processing，NLP)语义智能分析技术，采用KGB语法从结构化表格和非结构化文本中抽取各类知识，实现高效的知识生成，可以深度挖掘知识关联与知识推理，快速构架领域知识图谱。

GPT-3预训练语言模型：是一种公开的超大规模的语言预处理模型。

Bi-LSTM：双向长短时记忆(Bi-directional Long Short-Term Memory)，其作为循环神经网络的一种拓展，在自然语言处理领域有很多应用场景。

需要说明的是，本申请公开的基于知识图谱的智能客服实现方法和装置可用于金融技术领域，也可用于除金融技术领域之外的任意领域，本申请对公开的基于知识图谱的智能客服实现方法和装置的应用领域不做限定。

如图1所示为本申请实施例提供的一种基于知识图谱的智能客服实现方法流程示意图，该方法包括如下步骤：

步骤S101：建立智能客服模型。具体来说如图2所示，可以通过下述步骤S1011-S1015来实现智能客服模型的建立：

步骤S1011：获取金融业客服对话信息作为数据集。在本实施例中，可以通过目前在运行中的智能客服系统数据库中获取上述客服对话信息，也可以通过收集柜台工作人员与顾客对话信息，或者是通过目前银行人工客服与顾客的语音聊天记录等作为数据集。当然，对于获取的语音对话信息需要经过数据处理转换成文本数据，并经过数据清洗、整形剔除转换过程中产生的一些错误信息。

步骤S1012：获取金融业产品信息，基于所述金融业产品信息构建产品知识图谱。在本实施例中，该金融业产品信息可以从本银行系统中进行提取，也可以从与金融业相关的金融资讯、或者其他金融相关网站进行提取。通过知识图谱的构建，可以将这些金融产品信息的实体、关系搭建及抽取出来。

需要指出的是，本申请对上述步骤S1011和S1012的顺序并不加以限定，其可以顺序执行，也可以同时执行，还可以倒序执行。

步骤S1013：对所述数据集及所述产品知识图谱进行预处理。这里预处理的目的是为了得到相关的向量表示，便于后续步骤的向量匹配等操作。

步骤S1014：对预处理后的数据集进行语义分析得到对应的实体关系向量表示。

步骤S1015：将所述实体关系向量表示与预处理后的知识图谱进行匹配，并输出相似度高于预设阈值的知识图谱节点信息。

这里智能客服模型最后输出的知识图谱节点信息即包含了和输入数据相对应的客服回答信息，其可以根据顾客输入的产品信息回答该产品的相关资讯，也可以根据用户输入的非产品信息，回答与该非产品信息相关的产品信息及资讯。

步骤S102：分别利用所述数据集中的训练集数据及验证集数据对所述智能客服模型进行训练和验证。

步骤S103：利用所述数据集中的测试集数据对所述智能客服模型进行测试，并根据测试结果及预定策略保存所述智能客服模型。

在本实施例中，步骤S101中的数据集可以分为训练集、验证集和测试集，通过使用标记好的训练集进行模型的训练，简言之就是学习训练集的规律，然后通过验证集进行参数的调整，以提升结果的准确率，最后通过测试集进行测试，测试训练的模型的准确率，在本实施例中训练集、验证集的准确率会高于测试集，这样做的目的是为了防止结果过拟合，训练集过度训练之后，如果准确率已经很高了，就很容易出现过拟合现象，因此将数据集进行上述划分，可以避免过拟合现象的出现。

步骤S104：将所述智能客服模型应用至金融业智能客服系统中。

需要指出的是，本申请后续还可以根据智能客服模型的应用情况，采集该智能客服模型的应用数据，来继续对该模型进行训练，不断提高该模型的准确率。

由上述技术方案可知，本申请基于知识图谱构建智能客服模型，并对智能客服模型进行训练以达到智能客服要求的标准，从而可以提高智能客服回答的整体准确率，提高客户使用该智能客服应用后的满意度。

进一步的，作为本发明的一个实施例上述步骤S1012可以包括如图3所示的步骤：

S301：获取金融业产品信息数据。

S302：利用图数据库存储所述金融业产品信息数据。

图数据库是以点、边为基础存储单元，以高效存储、查询图数据为设计原理的数据管理系统。图是一组点和边的集合，“点”表示实体，“边”表示实体间的关系。在图数据库中，数据间的关系和数据本身同样重要，它们被作为数据的一部分存储起来，而在智能客服系统中，实体对应的关系也极为重要，将对应关系描述清楚，答复的准确率才更高。另外这样的架构使图数据库能够快速响应复杂关联查询，因为实体间的关系已经提前存储到了数据库中。

S303：基于所述金融业产品信息数据，采用KGB知识图谱引擎进行知识图谱的构建。

可见本申请才用图数据库存储金融业产品信息数据，以及采用KGB知识图谱引擎进行知识图谱的构建，可以使得智能客服的回答更为准确，响应速度更为快速。

进一步的，作为本发明的一个实施例，上述步骤S1013中对所述数据集进行预处理可以进一步包括：

对金融业客服对话信息文本进行分词处理。在本实施例总，例如可以采取jieba(结巴)分词组件进行分词处理，jieba是Python中文分词组件，其可以基于Trie树结构实现高效的词图扫描，生成句子中汉字构成的有向无环图(Directed Acyclic Graph，DAG)；采用了记忆化搜索实现最大概率路径的计算，找出基于词频的最大切分组合；对于未登录词，采用了基于汉字位置概率的模型，使用了Viterbi算法。当然，本申请也可以采用其他现有的分词方法进行分词，本申请对此并不加以限定。

将分词处理处理后的结果通过GPT-3预训练语言模型将其转换为包含上下文语义信息的向量表示。

在本实施例中，通过jieba分词可以得到更加精确的分词结果，使得通过GPT-3预训练语言模型后产生的向量表示本身所包含的信息也更为精确。

进一步的，作为本发明的一个实施例，上述步骤S1013中对所述产品知识图谱进行预处理可以包括：提取所述知识图谱的实体内容和关系内容，构成知识图谱实体向量。

进一步的，作为本发明的一个实施例，上述步骤S1014中对预处理后的数据集进行语义分析得到对应的实体关系向量表示可以包括：以所述包含上下文语义信息的向量表示作为Bi-LSTM训练模型的输入进行模型训练得到对应的实体关系向量表示。

在本实施例中，可以采用两层Bi-LSTM进行模型的训练，第一层抽取文本中的属性作为实体，第二层，抽取各个属性的关联关系作为实体关系。

进一步的，作为本发明的一个实施例，上述步骤S1015中将所述实体关系向量表示与预处理后的知识图谱进行匹配包括：将所述实体关系向量表示和知识图谱实体向量进行匹配。

进一步的，作为本发明的一个实施例，上述步骤S103中根据测试结果及预定策略保存所述智能客服模型包括：当连续5次测试集的F1值都低于训练时最高的F1值，则停止训练并保持所述5次测试集中最高F1值所对应的智能客服模型。这里的F1值是模型训练的一种综合指标，除了F1值，模型训练还有准确性(Accuracy)，精准度(Precision)，召回率(Recall)等指标。在本实施例中选用5次连续测试集是通过实验得出的较优次数，当然，采用其他次数，比如8次等也是可行的。

如图4所示为本申请实施例提供的一种基于知识图谱的智能客服实现装置的结构示意图，该装置包括：模型建立单元410、模型训练单元420、模型验证单元430、模型测试单元440和模型套用单元450，他们之间依次相连。

模型建立单元410用于建立智能客服模型。如图5所示，其可以进一步包括数据集获取模块411、知识图谱构建模块412、预处理模块413、语义分析模块414、匹配模块415和输出模块416，其中预处理模块413分别和数据集获取模块411、知识图谱构建模块412、语义分析模块414及匹配模块415相连，输出模块416和匹配模块415相连。

数据集获取模块411用于获取金融业客服对话信息作为数据集。

知识图谱构建模块412用于获取金融业产品信息，基于所述金融业产品信息构建产品知识图谱。

预处理模块413用于对所述数据集及所述产品知识图谱进行预处理。

语义分析模块414用于对预处理后的数据集进行语义分析得到对应的实体关系向量表示。

匹配模块415用于将所述实体关系向量表示与预处理后的知识图谱进行匹配。

输出模块416用于输出匹配模块415匹配出的相似度高于预设阈值的知识图谱节点信息。

模型训练单元420用于利用所述数据集中的训练集数据对所述智能客服模型进行训练。

模型验证单元430用于利用所述数据集中的验证集数据对所述智能客服模型进行验证。

模型测试单元440用于利用所述数据集中的测试集数据对所述智能客服模型进行测试，并根据测试结果及预定策略保存所述智能客服模型。

模型套用单元450用于将所述智能客服模型应用至金融业智能客服系统中。

进一步的，作为本发明的一个实施例，知识图谱构建模块412可以进一步用于：获取金融业产品信息数据；利用图数据库存储所述金融业产品信息数据；基于所述金融业产品信息数据，采用KGB知识图谱引擎进行知识图谱的构建。

进一步的，作为本发明的一个实施例，预处理模块413对数据集进行预处理可以进一步包括：对金融业客服对话信息文本进行分词处理；将分词处理处理后的结果通过GPT-3预训练语言模型将其转换为包含上下文语义信息的向量表示。

进一步的，作为本发明的一个实施例，预处理模块413产品知识图谱进行预处理可以进一步包括：提取所述知识图谱的实体内容和关系内容，构成知识图谱实体向量。

进一步的，作为本发明的一个实施例，语义分析模块414可以进一步用于：以所述包含上下文语义信息的向量表示作为Bi-LSTM训练模型的输入进行模型训练得到对应的实体关系向量表示。

进一步的，作为本发明的一个实施例，匹配模块415可以进一步用于将所述实体关系向量表示和知识图谱实体向量进行匹配。

进一步的，作为本发明的一个实施例，模型测试单元440根据测试结果及预定策略保存所述智能客服模型可以进一步包括：当连续5次测试集的F1值都低于训练时最高的F1值，则停止训练并保持所述5次测试集中最高F1值所对应的智能客服模型。

上述单元和模块的详细描述可以参见和上述方法实施例对应的描述，在此不再进行赘述。

由上述技术方案可知，本申请提供的基于知识图谱的智能客服实现装置，可以基于知识图谱构建智能客服模型，并对智能客服模型进行训练以达到智能客服要求的标准，从而可以提高智能客服回答的整体准确率，提高客户使用该智能客服应用后的满意度。

图6是本发明实施例提供的电子设备的示意图。图6所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器601和存储器602。处理器601和存储器602通过总线603连接。存储器602适于存储处理器601可执行的一条或多条指令或程序。该一条或多条指令或程序被处理器601执行以实现上述基于知识图谱的智能客服实现方法中的步骤。

上述处理器601可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器601通过执行存储器602所存储的命令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线603将上述多个组件连接在一起，同时将上述组件连接到显示控制器604和显示装置以及输入/输出(I/O)装置605。输入/输出(I/O)装置605可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出(I/O)装置605通过输入/输出(I/O)控制器606与系统相连。

其中，存储器602可以存储软件组件，例如操作系统、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现上述基于知识图谱的智能客服实现方法的步骤。

本发明实施例还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述基于知识图谱的智能客服实现方法的步骤。

综上所述，本发明实施例提供的基于知识图谱的智能客服实现方法和装置，由于采用了基于知识图谱构建智能客服模型，并对智能客服模型进行训练以达到智能客服要求的标准，从而可以提高智能客服回答的整体准确率，提高客户使用该智能客服应用后的满意度。

以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种基于知识图谱的智能客服实现方法，其特征在于，所述方法包括：

建立智能客服模型，所述智能客服模型通过如下方式建立：获取金融业客服对话信息作为数据集；获取金融业产品信息，基于所述金融业产品信息构建产品知识图谱；对所述数据集及所述产品知识图谱进行预处理；对预处理后的数据集进行语义分析得到对应的实体关系向量表示；将所述实体关系向量表示与预处理后的知识图谱进行匹配，并输出相似度高于预设阈值的知识图谱节点信息；

分别利用所述数据集中的训练集数据及验证集数据对所述智能客服模型进行训练和验证；

利用所述数据集中的测试集数据对所述智能客服模型进行测试，并根据测试结果及预定策略保存所述智能客服模型；

将所述智能客服模型应用至金融业智能客服系统中。

2.如权利要求1所述的基于知识图谱的智能客服实现方法，其特征在于，所述获取金融业产品信息，基于金融业产品信息构建产品知识图谱包括：

获取金融业产品信息数据；

利用图数据库存储所述金融业产品信息数据；

基于所述金融业产品信息数据，采用KGB知识图谱引擎进行知识图谱的构建。

3.如权利要求1所述的基于知识图谱的智能客服实现方法，其特征在于，对所述数据集进行预处理包括：

对金融业客服对话信息文本进行分词处理；

将分词处理处理后的结果通过GPT-3预训练语言模型将其转换为包含上下文语义信息的向量表示。

4.如权利要求3所述的基于知识图谱的智能客服实现方法，其特征在于，对所述产品知识图谱进行预处理包括：提取所述知识图谱的实体内容和关系内容，构成知识图谱实体向量。

5.如权利要求4所述的基于知识图谱的智能客服实现方法，其特征在于，所述对预处理后的数据集进行语义分析得到对应的实体关系向量表示包括：以所述包含上下文语义信息的向量表示作为Bi-LSTM训练模型的输入进行模型训练得到对应的实体关系向量表示。

6.如权利要求5所述的基于知识图谱的智能客服实现方法，其特征在于，将所述实体关系向量表示与预处理后的知识图谱进行匹配包括：将所述实体关系向量表示和知识图谱实体向量进行匹配。

7.如权利要求1所述的基于知识图谱的智能客服实现方法，其特征在于，所述根据测试结果及预定策略保存所述智能客服模型包括：

当连续5次测试集的F1值都低于训练时最高的F1值，则停止训练并保持所述5次测试集中最高F1值所对应的智能客服模型。

8.一种基于知识图谱的智能客服实现装置，其特征在于，所述装置包括：

模型建立单元，用于建立智能客服模型，所述智能客服模型通过如下方式建立：获取金融业客服对话信息作为数据集；获取金融业产品信息，基于所述金融业产品信息构建产品知识图谱；对所述数据集及所述产品知识图谱进行预处理；对预处理后的数据集进行语义分析得到对应的实体关系向量表示；将所述实体关系向量表示与预处理后的知识图谱进行匹配，并输出相似度高于预设阈值的知识图谱节点信息；

模型训练单元，用于利用所述数据集中的训练集数据对所述智能客服模型进行训练；

模型验证单元，用于利用所述数据集中的验证集数据对所述智能客服模型进行验证；

模型测试单元，用于利用所述数据集中的测试集数据对所述智能客服模型进行测试，并根据测试结果及预定策略保存所述智能客服模型；

模型套用单元，用于将所述智能客服模型应用至金融业智能客服系统中。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述基于知识图谱的智能客服实现方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述基于知识图谱的智能客服实现方法的步骤。

11.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至7任一项所述基于知识图谱的智能客服实现方法的步骤。

Images