CN115186679A - 智能应答方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种智能应答方法、装置、计算机设备及存储介质，该方法包括：获取来自于目标工作系统的自然语言数据；清洗自然语言数据，得到待处理数据；基于CBOW模型和Skip‑gram模型分析待处理数据，得到输入数据；将输入数据进行语义匹配，得到反馈数据；将反馈数据发送至目标工作系统，以使智能应答机器人完成智能应答。本发明通过对自然语言数据进行清洗、基于CBOW模型和Skip‑gram模型分析，以及语义匹配，可以达到更精准的理解，从而提高客服机器人服务满意度，提高客服机器人处理量，降低了对人工的依赖性，能处理更复杂业务场景，提高了适用性。

Description

智能应答方法、装置、计算机设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种智能应答方法、装置、计算机设备及存储介质。

背景技术

理论上来说，客服机器人等智能应答机器人集成了语音识别、语义理解、知识图谱、深度学习等多项智能交互技术，能准确理解用户的意图或提问，再根据丰富的内容和海量知识图谱，给予用户满意的回答。

但在自然语言处理领域，处理中心词汇的语义理解一直是个技术难题。由于中文的自身特定，中心词的歧义较多，通常客服机器人等是通过短语、关键词或句子与知识库的匹配的相似度匹配反馈信息，从而达到客服机器人智能问答。这种方式不能处理更加复杂的业务场景，并且由于缺少中心词上下文的语义理解，导致理解偏差，容易造成用户投诉和不满。针对现有智能应答无法适应复杂场景以精准理解用户语义的问题，有必要开展对智能应答技术的进一步研究。

发明内容

本发明实施例提供一种智能应答方法、装置、计算机设备及存储介质，以解决现有智能应答无法适应复杂场景以精准理解用户语义的问题。

一方面，本发明提供了一种智能应答方法，包括：

获取来自于目标工作系统的自然语言数据；

清洗自然语言数据，得到待处理数据；

基于CBOW模型和Skip-gram模型分析待处理数据，得到输入数据；

将输入数据进行语义匹配，得到反馈数据；

将反馈数据发送至目标工作系统，以使智能应答机器人完成智能应答。

进一步地，在获取来自于目标工作系统的自然语言数据的步骤之前，还包括：

获取目标工作系统的业务场景数据，业务场景数据包括业务规则、用户引导配置、数据收集配置和过滤规则配置。

进一步地，清洗自然语言数据，得到待处理数据的步骤，包括：

基于NLP分词技术进行分词处理，根据业务场景数据加载有效数据，根据有效数据去除自然语言数据中的无效数据，得到待处理数据；或，

基于NLP分词技术进行分词处理，根据业务场景数据进行无用词精确匹配处理，去除无用词，得到待处理数据。

进一步地，基于CBOW模型和Skip-gram模型分析待处理数据，得到输入数据的步骤，包括：

基于CBOW模型获取待处理数据的分词，对所有分词进行中心词处理，依次把其他词作为中心词的上下文，并使用上下文词向量推理中心词，在上下文词向量中获得中心词语义；

基于Skip-gram模型依次把其他词作为上下文的中心词，并使用中心词词向量推理上下文，在中心词词向量中获得上下文语义；

根据中心词语义和上下文语义确定待处理数据的中心词及其语义，得到输入数据。

进一步地，将输入数据进行语义匹配，得到反馈数据的步骤，包括：

基于NLP语义匹配技术对输入数据进行语义理解和用户意图匹配，得到反馈数据。

进一步地，基于NLP语义匹配技术对输入数据进行语义理解和用户意图匹配，得到反馈数据的步骤，包括：

基于Elasticsearch技术将输入数据载入内存；

获取语义阈值和用户意图相似度，语义阈值和用户意图相似度根据机器学习迭代更新；

根据语义阈值和用户意图相似度对输入数据进行匹配处理，得到反馈数据。

进一步地，业务场景数据还包括会话标识，将反馈数据发送至目标工作系统，以使智能应答机器人完成智能应答的步骤，包括：

根据会话标识将反馈数据发送至目标工作系统，以使智能应答机器人将反馈数据匹配至指定的用户。

为了解决现有智能应答无法适应复杂场景以精准理解用户语义的问题，本发明的目的在于提供一种智能应答方法，包括：获取来自于目标工作系统的自然语言数据；清洗自然语言数据，得到待处理数据；基于CBOW模型和Skip-gram模型分析待处理数据，得到输入数据；将输入数据进行语义匹配，得到反馈数据；将反馈数据发送至目标工作系统，以使智能应答机器人完成智能应答。

与现有技术相比，本发明具有如下优点：

通过对自然语言数据进行清洗、基于CBOW模型和Skip-gram模型分析，以及语义匹配，可以达到更精准的理解，从而提高客服机器人服务满意度，提高客服机器人处理量，降低了对人工的依赖性，能处理更复杂业务场景，提高了适用性。

另一方面，本发明提供了一种智能应答装置，包括：

获取模块，用于获取来自于目标工作系统的自然语言数据；

清洗模块，用于清洗自然语言数据，得到待处理数据；

分析模块，用于基于CBOW模型和Skip-gram模型分析待处理数据，得到输入数据；

匹配模块，用于将输入数据进行语义匹配，得到反馈数据；

发送模块，用于将反馈数据发送至目标工作系统，以使智能应答机器人完成智能应答。

再一方面，本发明提供了一种计算机设备，计算机设备包括存储器及处理器，存储器上存储有计算机程序，处理器执行计算机程序时实现如上述的方法。

又一方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序当被处理器执行时可实现如上述的方法。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例的智能应答方法的流程图。

图2是本发明基于CBOW模型和Skip-gram模型对中心词和上下文处理的示意图；

图3是本发明的模型输入层、隐藏层、输出层矩阵示意图。

图4是本发明另一个实施例的智能应答装置的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，本发明一个实施例的智能应答方法，包括以下步骤：

步骤101，获取来自于目标工作系统的自然语言数据。

在本步骤中，自然语言数据可以来自于客服机器人或其他智能应答机器人的业务场景，例如可通过目标工作系统检测用户发来的自然语言数据，然后进行下一步的处理。

步骤102，清洗自然语言数据，得到待处理数据。

在本步骤中，由于自然语言数据会带有一些无用词，为了后续分析和匹配的精确和高效，需要先将其进行清洗处理。

步骤103，基于CBOW模型和Skip-gram模型分析待处理数据，得到输入数据。

已知地，自然语言处理属于人工智能领域，它将人类语言当做文本或语音来处理，以使计算机和人类更相似，是人工智能最复杂的领域之一。由于人类的语言数据格式没有固定的规则和条理，机器往往很难理解原始文本。要想使机器能从原始文本中学习，就需要将数据转换成计算机易于处理的向量格式，这个过程叫做词表示法。词表示法在向量空间内表达词语。所以，如果词向量之间距离较近，这就意味着这些词是相互关联的。

CBOW模型和Skip-gram模型为两种自然语言处理模型。其中CBOW模型即连续词袋模型，是一个用于快速训练得到词向量的神经网络模型,它的核心原理是中心词的前R个词和后R个词来预测中心词。而Skip-gram模型用于预测与给定中心词相对应的上下文词。它和连续词袋模型(CBOW)算法相反。在Skip-gram中，中心词是输入词(input word)，上下文词是输出词(output word)。

在本发明实施例中，输入数据用于进行进一步的语义匹配。基于CBOW模型和Skip-gram模型依次分析待处理数据，可以更好地依据上下文来判断中心词汇含义或容易引起歧义的词汇的含义，得到更准确的输入数据，可用于降低中心词汇的歧义率，增强了语义理解的准确性，并能实时应对新变化，提高了智能应答机器人在更复杂的场景的适用，解决更复杂的业务问题。

步骤104，将输入数据进行语义匹配，得到反馈数据。

在本步骤中，分析得到更准确的输入数据后，将之在语料库中进行语义匹配，以得到准确的反馈数据，该反馈数据用于业务场景的应答。

步骤105，将反馈数据发送至目标工作系统，以使智能应答机器人完成智能应答。

在本步骤中，完成分析和匹配后，得到的反馈数据将发送至目标工作系统，以应用于相应业务场景的智能机器人的应答。

作为本发明实施例的另一种实施方式，基于以上智能应答方法的进一步改进，包括以下步骤：

步骤101’，获取目标工作系统的业务场景数据，业务场景数据包括业务规则、用户引导配置、数据收集配置和过滤规则配置。

在本发明实施例中，由于不同的业务场景，自然语言数据会涉及不同的语义，为了更精确和高效地进行判断，可以预先根据预设的业务规则和路由器，进行用户引导设置、数据收集设置和过滤规则设置，具体地，可以先通过业务场景规则对用户进行路径引导设置、用户行为点击数据收集、和相应过滤规则设置。该设置可依据客服机器人在对话配置模块进行配置，也可在客服机器人全局配置进行配置，配置的参数存储在客服机器人数据库介质中，当客服机器人启动时，自动获取目标工作系统的业务场景数据，即自动依据业务规则加载相应的引导配置、数据收集配置、过滤规则配置。

步骤102’，获取来自于目标工作系统的自然语言数据。

步骤103’，清洗自然语言数据，得到待处理数据。

其中，步骤103’可以通过以下两种途径单独实现自然语言数据的清洗，

一种是基于NLP分词技术进行分词处理，根据业务场景数据加载有效数据，根据有效数据去除自然语言数据中的无效数据，得到待处理数据。

基于NLP分词技术进行分词处理，根据业务场景数据进行无用词精确匹配处理，去除无用词，得到待处理数据。

在本发明实施例中，以上两种清洗途径可以依次使用，例如可以先进行无用词去除再根据业务场景数据加载有效数据，进一步去除无效数据。具体地，当检测到用户发送数据，对所获得的自然语言数据依据无用词库进行去无用词处理，使用NLP分词模块先进行分词处理，并对分词后的数据进行无用词精确匹配处理，将匹配的结果去除，保留剩余数据，剩余数据为有效数据。这里清洗数据首先用到NLP分词模块，NLP分词模块依据业务场景可自动加载有效数据，并根据有效数据来去除无效数据，从而达到去无用数据的准确性，得到去无用词后的待处理数据传入下一步骤。

步骤104’，基于CBOW模型获取待处理数据的分词，对所有分词进行中心词处理，依次把其他词作为中心词的上下文，并使用上下文词向量推理中心词，在上下文词向量中获得中心词语义。

在客服问答场景或机器聊天场景，都需要对每句话进行更加精准的中心词理解，需要中心词在句子的上下文词向量表示和句子中上下文对中心词的词向量表示，才能处理更复杂场景，更精准的理解用户。

请参见图2，其示出了中心词和上下文词的处理示意图依次循环处理，从而获得各自的词向量表示的过程。具体CBOW的模型通过获取有效数据的分词结果，对所有分词进行中心词处理，依次把其他词作为中心词的上下文，并使用上下文的词向量推理中心词，从而在上下文词向量中获得中心词的语义。

步骤105’，基于Skip-gram模型依次把其他词作为上下文的中心词，并使用中心词词向量推理上下文，在中心词词向量中获得上下文语义。

Skip-gram为CBOW的逆过程，可以获得中心词词向量中上下文的语义，从而也能推断学习语义的目的。通过两个正逆两个模型可以确定中心词，并正确理解语义，消除歧义误解。具体处理顺序是依据图3示意图依次处理。

步骤106’，根据中心词语义和上下文语义确定待处理数据的中心词及其语义，得到输入数据。

在本步骤中，在获取CBOW模型和Skip-gram模型分析处理后的数据，根据中心词语义和上下文语义确定待处理数据的中心词及其语义，得到输入数据。

步骤107’，基于NLP语义匹配技术对输入数据进行语义理解和用户意图匹配，得到反馈数据。

在本发明实施例中，可以在本地或线上完成基于NLP语义匹配技术对输入数据进行语义理解和用户意图匹配。

为进一步提升匹配效率，步骤107’的匹配过程可以在本地完成，该步骤具体包括：

基于Elasticsearch技术将输入数据载入内存。例如客服机器人可通过调度模块、对话模块待匹配的输入数据装载在内存中，并通过利用Elasticsearch将反馈数据装载内存中，双方进行匹配，由于内存中匹配，速度满足业务要求，10亿条数据可在秒级内匹配完成。

获取语义阈值和用户意图相似度，语义阈值和用户意图相似度根据机器学习迭代更新。在本发明实施例中，用于匹配的语义阈值和用户意图相似度可以依据机器学习不断的调整，以获得更精准的反馈数据。

根据语义阈值和用户意图相似度对输入数据进行匹配处理，得到反馈数据。由于匹配工作在内存中完成且语义阈值和用户意图相似度皆根据机器学习迭代更新，可以更高效地得到更准确的反馈数据，用于提升工作效率和用户满意度。

步骤108’，根据会话标识将反馈数据发送至目标工作系统，以使智能应答机器人将反馈数据匹配至指定的用户。

在本发明实施例中，业务场景数据还包括会话标识。根据会话标识将反馈数据发送至目标工作系统，可以更高效地实现应答过程。

请参见图4，本发明另一个实施例的一种智能应答装置，可用于实现上述方法实施例的相应步骤，包括：

获取模块，用于获取来自于目标工作系统的自然语言数据。

清洗模块，与获取模块相连接，用于清洗自然语言数据，得到待处理数据。

分析模块，与清洗模块相连接，用于基于CBOW模型和Skip-gram模型分析待处理数据，得到输入数据。

匹配模块，与分析模块相连接，用于将输入数据进行语义匹配，得到反馈数据。

发送模块，与匹配模块相连接，用于将反馈数据发送至目标工作系统，以使智能应答机器人完成智能应答。

再一方面，本发明提供了一种计算机设备，计算机设备包括存储器及处理器，存储器上存储有计算机程序，处理器执行计算机程序时实现如上述的方法。

又一方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序当被处理器执行时可实现如上述的方法。

本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种智能应答方法，其特征在于，包括：

获取来自于目标工作系统的自然语言数据；

清洗所述自然语言数据，得到待处理数据；

基于CBOW模型和Skip-gram模型分析所述待处理数据，得到输入数据；

将所述输入数据进行语义匹配，得到反馈数据；

将所述反馈数据发送至所述目标工作系统，以使智能应答机器人完成智能应答。

2.根据权利要求1所述的智能应答方法，其特征在于，在所述获取来自于目标工作系统的自然语言数据的步骤之前，还包括：

获取所述目标工作系统的业务场景数据，所述业务场景数据包括业务规则、用户引导配置、数据收集配置和过滤规则配置。

3.根据权利要求2所述的智能应答方法，其特征在于，所述清洗所述自然语言数据，得到待处理数据的步骤，包括：

基于NLP分词技术进行分词处理，根据所述业务场景数据加载有效数据，根据所述有效数据去除所述自然语言数据中的无效数据，得到所述待处理数据；或，

基于NLP分词技术进行分词处理，根据所述业务场景数据进行无用词精确匹配处理，去除无用词，得到所述待处理数据。

4.根据权利要求1所述的智能应答方法，其特征在于，所述基于CBOW模型和Skip-gram模型分析所述待处理数据，得到输入数据的步骤，包括：

基于CBOW模型获取所述待处理数据的分词，对所有分词进行中心词处理，依次把其他词作为中心词的上下文，并使用上下文词向量推理中心词，在上下文词向量中获得中心词语义；

基于Skip-gram模型依次把其他词作为上下文的中心词，并使用中心词词向量推理上下文，在中心词词向量中获得上下文语义；

根据所述中心词语义和上下文语义确定所述待处理数据的中心词及其语义，得到输入数据。

5.根据权利要求1所述的智能应答方法，其特征在于，所述将所述输入数据进行语义匹配，得到反馈数据的步骤，包括：

基于NLP语义匹配技术对所述输入数据进行语义理解和用户意图匹配，得到所述反馈数据。

6.根据权利要求5所述的智能应答方法，其特征在于，所述基于NLP语义匹配技术对所述输入数据进行语义理解和用户意图匹配，得到所述反馈数据的步骤，包括：

基于Elasticsearch技术将所述输入数据载入内存；

获取语义阈值和用户意图相似度，所述语义阈值和所述用户意图相似度根据机器学习迭代更新；

根据所述语义阈值和所述用户意图相似度对所述输入数据进行匹配处理，得到反馈数据。

7.根据权利要求2所述的智能应答方法，其特征在于，所述业务场景数据还包括会话标识，所述将所述反馈数据发送至所述目标工作系统，以使智能应答机器人完成智能应答的步骤，包括：

根据所述会话标识将所述反馈数据发送至所述目标工作系统，以使所述智能应答机器人将所述反馈数据匹配至指定的用户。

8.一种智能应答装置，其特征在于，包括：

获取模块，用于获取来自于目标工作系统的自然语言数据；

清洗模块，用于清洗所述自然语言数据，得到待处理数据；

分析模块，用于基于CBOW模型和Skip-gram模型分析所述待处理数据，得到输入数据；

匹配模块，用于将所述输入数据进行语义匹配，得到反馈数据；

发送模块，用于将所述反馈数据发送至所述目标工作系统，以使智能应答机器人完成智能应答。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1至7任一项所述的方法。

Images