CN115422333A - 推荐信息确定方法 - Google Patents
推荐信息确定方法 Download PDFInfo
- Publication number
- CN115422333A CN115422333A CN202211021269.9A CN202211021269A CN115422333A CN 115422333 A CN115422333 A CN 115422333A CN 202211021269 A CN202211021269 A CN 202211021269A CN 115422333 A CN115422333 A CN 115422333A
- Authority
- CN
- China
- Prior art keywords
- dialogue
- current
- question
- sample
- current 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供推荐信息确定方法,其中所述推荐信息确定方法包括:响应于用户的当前对话问题,对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案;在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。实现了对当前对话问题的信息推荐需求的动态判断,提升了对用户提出的问题的解决能力,进而提升用户体验。
Description
技术领域
本说明书实施例涉及人工智能技术领域,特别涉及推荐信息确定方法。
背景技术
随着人工智能技术的发展,很多网站以及网站的应用程序客户端等,均为用户提供智能客服服务,通过对话式机器人回答用户的问题,在不需要人工客服的情况下完成用户的在线咨询。
然而,随着智能客服的服务范围越来越广泛,智能客服面临的用户问题也越来越多样化,从而导致面对用户的问题,智能客服无法给出答案或者智能客服给出的答案答非所问的情况,使得用户提出的问题无法得到解答,影响用户体验。因此,亟需一种有效的技术方案解决上述技术问题。
发明内容
有鉴于此,本说明书实施例提供了一种推荐信息确定方法。本说明书一个或者多个实施例同时涉及一种推荐信息确定装置,另一种推荐信息确定方法,另一种推荐信息确定装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种推荐信息确定方法,包括:
响应于用户的当前对话问题,对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;
根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案;
在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
根据本说明书实施例的第二方面,提供了一种推荐信息确定装置,包括:
识别模块,被配置为响应于用户的当前对话问题,对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;
第一确定模块,被配置为根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案;
第二确定模块,被配置为在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
根据本说明书实施例的第三方面,提供了另一种推荐信息确定方法,包括:
接收用户通过对话交互界面输入的当前对话问题;
对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;
根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案,并将所述当前对话答案通过所述对话交互界面展示给所述用户;
在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息;
将所述推荐信息通过所述对话交互界面展示给所述用户。
根据本说明书实施例的第四方面,提供了另一种推荐信息确定装置,包括:
接收模块,被配置为接收用户通过对话交互界面输入的当前对话问题;
识别模块,被配置为对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;
第一展示模块,被配置为根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案,并将所述当前对话答案通过所述对话交互界面展示给所述用户;
确定模块,被配置为在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息;
第二展示模块,被配置为将所述推荐信息通过所述对话交互界面展示给所述用户。
根据本说明书实施例的第五方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现上述推荐信息确定方法的步骤。
根据本说明书实施例的第六方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现上述推荐信息确定方法的步骤。
根据本说明书实施例的第七方面,提供了一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述推荐信息确定方法的步骤。
本说明书一个实施例提供的推荐信息确定方法,响应于用户的当前对话问题,对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案;在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
上述方法通过根据用户的当前对话问题以及当前对话问题对应的当前对话答案,确定当前对话答案是否能够解决用户提出的当前对话问题,在确定当前对话答案无法解决用户提出的当前对话问题的情况下,说明此时当前对话问题存在信息推荐需求,实现了根据当前对话实时判断是否需要进行信息推荐,通过确定当前对话问题对应的推荐信息,对当前对话问题的解答进行了补充推荐,使用户能够从补充推荐的内容中确定当前对话问题对应的答案,进而实现了对用户提出的问题的解答,提升了对用户提出的问题的解决能力,进而提升用户体验。
附图说明
图1是本说明书一个实施例提供的一种推荐信息确定方法的场景示意图;
图2是本说明书一个实施例提供的一种推荐信息确定方法的流程图;
图3是本说明书一个实施例提供的一种推荐信息确定方法的处理过程流程图;
图4是本说明书一个实施例提供的一种推荐信息确定装置的结构示意图;
图5是本说明书一个实施例提供的另一种推荐信息确定方法的场景示意图;
图6是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
智能客服:一种基于自然语言处理技术,自动化解决用户问题的在线客服系统。
知识推荐:用于智能客服的对话式机器人交互过程中,该对话式机器人会根据算法预测用户可能会问到的问题,从而以知识卡片的形式进行问题推荐,提升用户问题的解决率。
推荐时机:知识推荐的触发时机。
FAQ:英文全称为frequently-asked questions,常见问题解答。
Bert模型:英文全称为Bidirectional Encoder Representation fromTransformers,是一种预训练的语言表征模型。
tiny-Bert模型:是对Bert模型进行蒸馏处理后得到的语言模型,其计算速度更快,模型更小。
实际应用中,随着互联网技术的发展,以对话式机器人为代表的智能客服收到广泛的关注。为了减少人工成本,可以利用智能客服回答用户提出的问题。然而,在用户提出的问题越来越具有多样性之后,可能会存在智能客服对用户提出的问题答非所问、答案笼统或者敷衍回答的情况,此时对用户提出的问题的解决能力较差,影响用户体验。
并且,为了能够增加用户体验,在智能客服的多种应用场景下,对话式机器人通常具有知识推荐的能力,用于辅助智能客服的FAQ(常见问题解答)服务,即,对话式机器人可以对用户可能提出的问题进行预测,从而以知识卡片的形式进行问题推荐,用户点进推荐的问题,即可获得答案。
然而,在向用户推荐知识卡片时,若频繁的向用户推荐知识卡片,会导致知识卡片霸屏的问题,进而导致相对于用户提出的问题的核心内容不明确。因此,推荐时机的确定显得尤为重要。无法准确判断推荐时机,可能会导致在智能客服无法解决用户提出的问题的情况下,没有追加知识推荐,使得用户提出的问题始终无法通过智能客服得到解决,只能求助于人工客服,造成人工资源的浪费,并且解决问题的效率低,从而降低用户体验。因此,亟需一种有效的技术方案解决上述问题。
在本说明书中,提供了一种推荐信息确定方法,本说明书同时涉及一种推荐信息确定装置,另一种推荐信息确定方法,另一种推荐信息确定装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
参见图1,图1示出了根据本说明书一个实施例提供的一种推荐信息确定方法的场景示意图。
图1中包括计算机终端和推荐信息确定系统,用户能够通过计算机终端向该推荐信息确定系统输入问题,该推荐信息确定系统可以部署于服务端。该推荐信息确定系统能够根据用户提出的当前对话问题,确定当前对话答案,并根据当前对话问题和当前对话答案,判断当前对话问题是否存在信息推荐需求,在确定当前对话问题存在信息推荐需求的情况下,可以确定当前对话问题对应的推荐信息,实现对用户提出的当前对话问题的补充推荐。需要说明的是,用户还能够通过移动客户端向推荐信息确定系统输入问题。
具体实施时,用户通过计算机终端输入当前对话问题,推荐信息确定系统对当前对话问题进行意图识别,得到意图识别结果,并根据意图识别结果确定当前对话答案。之后,可以根据当前对话问题和当前对话答案,判断当前对话问题是否存在信息推荐需求,具体的,可以将当前对话问题和当前对话答案输入需求预测模型,根据需求预测模型输出的需求预测结果判断当前对话问题是否存在信息推荐需求;也可以计算当前对话问题和当前对话答案的匹配度,根据匹配度确定当前对话问题是否存在信息推荐需求。在确定当前对话问题存在信息推荐需求的情况下,确定当前对话问题对应的推荐信息,并将推荐信息通过计算机终端展示给用户,以实现对用户提出的当前对话问题的补充推荐,进而提升解决能力。
如图1中,用户通过计算机终端向推荐信息确定系统输入当前对话问题“140斤穿多大”,推荐信息确定系统对当前对话问题进行意图识别,得到意图识别结果为“体重/查询尺码”,根据意图识别结果,确定当前对话答案“根据您提供的体重70公斤,建议选择2XL”。根据当前对话问题和当前对话答案,确定当前对话问题存在信息推荐需求,即,用户提出的“140斤穿多大”的问题,说明用户可能希望了解尺码和体重之间的对应表,确定与当前对话问题对应的知识卡片,知识卡片中可能包括与当前对话问题相关的补充问题,如“您是否想问:点击【尺码表】;或者点击【是否标准码】”,为用户提供补充问题,使用户只要进行点击操作即可获得补充问题的答案,提升解决能力,增加用户体验。
参见图2,图2示出了根据本说明书一个实施例提供的一种推荐信息确定方法的流程图,具体包括以下步骤。
步骤202:响应于用户的当前对话问题,对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果。
其中,用户的当前对话问题可以理解为用户在当前时刻输入的问题,比如,用户在购物平台进行购物的过程中,可以向智能客服输入问题“这个有现货吗”;那么对当前对话问题进行意图识别,可以理解为对当前对话问题进行语义分析,识别当前对话问题的意图;意图识别结果可以理解为对当前对话问题进行语义分析后得到的结果,比如,对于问题“这个有现货吗”进行语义分析以识别其意图,得到的意图识别结果即为“询问现货”。
基于此,可以在接收到用户输入的当前对话问题时,响应于该当前对话问题,对当前对话问题进行语义分析,识别当前对话问题的意图,获得当前对话问题的意图识别结果。
需要说明的是,可以通过预先训练的意图识别模型对当前对话问题进行意图识别,也可以提取当前对话问题的特征向量,并计算特征向量的权重,以此实现对当前对话问题的意图识别,本实施例在此不作限定。
此外,考虑到用户可能会输入多条短语描述一个问题,为了获取完整的问题,便于后续进行意图识别,可以在预设时间段内获取用户的输入内容,并对所述输入内容进行拼接处理,得到当前对话问题。比如,可以在3秒内获取用户的2条输入,对这2条输入的内容进行拼接处理,得到当前对话问题。
举例而言,响应于用户的当前对话问题A,对A进行意图识别,获得针对A的意图识别结果X。
步骤204:根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案。
具体的,在获得针对当前对话问题的意图识别结果之后,可以根据该意图识别结果,确定当前对话问题对应的当前对话答案。
其中,当前对话答案可以理解为当前对话问题的答案。比如,对于当前对话问题“这个有现货吗”,其对应的当前对话答案为“有现货”或“没有现货”。
基于此,根据对当前对话问题进行语义分析得到的意图识别结果,确定当前对话问题的答案。
沿用上例,根据针对当前对话问题A的意图识别结果X,确定当前对话问题A对应的当前对话答案B。
进一步地,为了准确且高效地根据意图识别结果确定当前对话答案,在根据意图识别结果,确定当前对话问题对应的当前对话答案时,可以预先设置意图识别结果与对话答案之间的对应关系表,直接查询该对应关系表,即可获得当前对话问题对应的当前对话答案,具体实现方式如下:
根据所述意图识别结果,查询预设的意图识别结果和对话答案的对应关系表,确定所述当前对话问题对应的当前对话答案。
其中,预设的意图识别结果和对话答案的对应关系表可以存储于知识库中。
需要说明的是,意图识别结果和对话答案可以是一一对应的关系,比如在意图识别结果为“体重140斤/尺码”时,其对应的对话答案为“70公斤建议尺码为2XL”。意图识别结果和对话答案也可以不是一一对应的关系,比如在意图识别结果为“询问现货”时,其对应的对话答案可能是“有现货”,也可能是“没有现货”。
在这种情况下,可以获取当前对话问题对应的对象信息,对象信息可以包括当前对话问题相关的商品信息、订单信息和商家信息等。根据意图识别结果和对象信息,查询预设的意图识别结果和对话答案的对应关系表,确定当前对话问题对应的当前对话答案。
此外,预设的意图识别结果和对话答案的对应关系表中,可以存储有对话问题对应的对象信息,直接查询该对应关系表,即可获得当前对话答案。
沿用上例,根据意图识别结果X,查询预设的意图识别结果和对话答案的对应关系表Y,确定当前对话问题A对应的当前对话答案B。
综上,通过预先设置意图识别结果和对话答案之间的对应关系表,在获得意图识别结果之后,可以直接根据意图识别结果查询该对应关系表,确定当前对话答案,提升确定答案的效率和时间,为后续能够在存在信息推荐需求的情况下及时向用户推荐知识卡片提供基础。
进一步地,考虑到用户提出的问题的多样性,在对用户提出的当前对话问题进行意图识别得到意图识别结果之后,可能存在该当前对话问题不存在答案或者是无法确定答案的情况,此时可以直接确定当前对话问题对应的推荐信息,并发送至用户,具体实现方式如下:
在根据所述意图识别结果,确定所述当前对话问题不存在对应的当前对话答案的情况下,根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
其中,信息推荐模块可以理解为设有信息推荐算法的模块,通过该信息推荐模块可以确定与当前对话问题相关的推荐信息;推荐信息可以理解为与当前对话问题相关的补充问题,例如,在当前对话问题为“140斤穿多大”时,推荐信息可以是“您可能想问:点击查询【尺码表】”,将该推荐信息发送给用户之后,用户点击其中的链接,即可获得补充问题的答案。推荐信息也可以理解为与当前对话问题相关的补充答案,或者是能够解决当前对话问题的其他内容,比如人工客服链接、客服电话等。
基于此,在根据意图识别结果,在预设的意图识别结果和对话答案的对应关系表中查询不到对应的对话答案时,确定当前对话问题不存在对应的当前对话答案,直接通过信息推荐模块,根据信息推荐算法确定与当前对话问题相关的补充问题。
举例而言,当前对话问题为“有活动吗”时,对其进行意图识别得到的意图识别结果为“活动”,根据该意图识别结果确定当前对话问题不存在对应的当前对话答案,此时根据信息推荐模块,确定当前对话问题对应的推荐信息为“点击【领取优惠券】;点击【宝贝当前价位】”。
综上,通过在确定当前对话问题不存在当前对话答案的情况下,直接生成当前对话问题对应的推荐信息,实现了无答案场景的知识推荐,使知识推荐的推荐时机更加全面,进而提升用户体验。
步骤206:在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
其中,信息推荐需求可以理解为推荐时机;当前对话问题存在信息推荐需求,可以理解为当前对话答案无法解决当前对话问题时需要对当前对话问题进行信息推荐,比如,当前对话答案无法解决当前对话问题可以是当前对话答案对当前对话问题答非所问、答案笼统或者答案敷衍等。
基于此,在根据当前对话问题和当前对话答案,确定当前对话答案无法解决当前对话问题的情况下,说明此时需要对当前对话问题进行信息推荐,确定当前对话问题对应的推荐信息。
举例而言,用户输入的当前对话问题为“XX地区能发货吗”,当前对话答案为“下单7天内发货”,此时当前对话答案对当前对话问题答非所问,属于当前对话答案无法解决当前对话问题的情况,也即是说,此时当前对话问题存在信息推荐需求,可以确定当前对话问题对应的推荐信息为“您是否想问:点击【快递什么时候发货】;点击【发货用什么快递】;点击【进入人工服务】”。
进一步地,在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息时,可以通过预先训练的需求预测模型,确定当前对话问题是否存在信息推荐需求,具体实现方式如下:
将所述当前对话问题和所述当前对话答案输入需求预测模型,得到需求预测结果;
在根据所述需求预测结果,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
其中,需求预测模型可以理解为预先训练好的需求预测模型;需求预测结果可以理解为需求预测模型输出的结果,根据该需求预测结果,可以确定当前对话问题是否存在信息推荐需求,比如,在需求预测结果为“是推荐时机”或“当前对话答案无法解决当前对话问题”的情况下,说明当前对话问题存在信息推荐需求;在需求预测结果为“不是推荐时机”或“当前对话答案能够解决当前对话问题”的情况下,说明该对话问题存在信息推荐需求。
基于此,可以将当前对话问题和当前对话答案输入预先训练好的需求预测模型,得到需求预测模型输出的需求预测结果,在根据该需求预测结果,确定当前对话问题存在信息推荐需求的情况下,确定当前对话问题对应的推荐信息。
实际应用中,为了使模型更好的学习问题和答案之间的文本相关性,需求预测模型可以是对文本相关性的预测能力较强的Bert模型,在对模型的训练过程中,可以以预训练的tiny-Bert模型作为基础模型,利用样本对话数据和样本需求预测结果对该基础模型进行微调。
综上,通过预先训练的需求预测模型,能够确定当前对话问题是否存在信息推荐需求,为后续确定推荐信息提供有利条件,进而提升解决问题的能力。
进一步地,上述需求预测模型通过下述步骤训练获得:
获取样本对话问题以及所述样本对话问题对应的样本对话答案,并根据所述样本对话问题和所述样本对话答案构建样本对话数据;
根据所述样本对话数据,确定所述样本对话数据对应的样本需求预测结果;
利用所述样本对话数据和所述样本需求预测结果对需求预测模型进行训练,直至获得满足训练停止条件的所述需求预测模型。
其中,样本对话问题可以理解为在实际应用场景中获取的历史样本问题;同样的,样本对话答案也可以理解为在实际应用场景中获取的与历史样本问题对应的历史样本答案;样本对话数据可以理解为包含样本对话问题和样本对话答案的对话数据,其作为需求预测模型的训练样本;样本需求预测结果可以理解为需求预测模型的训练标签;利用训练样本和训练标签对需求预测模型进行训练。
训练停止条件可以理解为损失值小于预设损失值阈值,也可以理解为训练次数大于预设训练阈值;那么,满足训练停止条件的需求预测模型,可以理解为训练好的需求预测模型。
此外,根据样本对话问题和样本对话答案构建样本对话数据,可以理解为对样本对话问题和样本对话答案进行拼接处理,得到样本对话数据。
基于此,可以以样本对话数据作为训练样本,样本需求预测结果作为训练标签,对需求预测模型进行训练,直至获得满足训练停止条件的需求预测模型。
综上,通过训练需求预测模型,为后续确定当前对话问题是否存在信息推荐需求提供基础,进而实现了动态判断推荐时机,实现了对存在信息推荐需求的当前对话问题的补充推荐。
进一步地,在对训练样本进行预处理得到训练标签的过程中,即,在根据样本对话数据,确定样本对话数据对应的样本需求预测结果时,可以根据样本对话数据的样本对话质量,确定样本需求预测结果,具体实现方式如下:
确定所述样本对话数据的历史用户反馈信息;
根据所述历史用户反馈信息,确定所述样本对话数据的样本对话质量;
根据所述样本对话质量确定所述样本对话数据对应的样本需求预测结果。
其中,历史用户反馈信息可以理解为对样本对话数据中的样本对话答案相对于样本对话问题的用户满意度、问题解决率等指标信息;那么样本对话质量可以理解为根据用户满意度、问题解决率等指标信息评估的样本对话数据的质量。
基于此,可以获取样本对话数据中的样本对话答案相对于样本对话问题的用户满意度、问题解决率等指标信息,根据该用户满意度、问题解决率等指标信息,评估样本对话数据的样本对话质量,并根据样本对话质量确定样本对话数据对应的样本需求预测结果。
此外,样本需求预测结果作为训练标签,可以包括正样本需求预测结果和负样本需求预测结果。具体而言,在样本对话质量大于或等于预设质量阈值的情况下,确定样本对话数据对应的正样本需求预测结果,正样本需求预测结果说明样本对话数据中的样本对话答案能够解决样本对话问题,样本对话问题不存在信息推荐需求;在样本对话质量小于预设质量阈值的情况下,确定样本对话数据对应的负样本需求预测结果,负样本需求预测结果说明样本对话数据中的样本对话答案不能够解决样本对话问题,样本对话问题存在信息推荐需求。
举例而言,样本对话数据为AB,确定该样本对话数据的用户满意度为X%,问题解决率为Y%,根据X%和Y%,确定该样本对话数据的样本对话质量为M,在样本对话质量M小于预设质量阈值N的情况下,确定该样本对话数据对应的负样本需求预测结果为“是推荐时机”,说明样本对话数据中的样本对话答案不能够解决样本对话问题,样本对话问题存在信息推荐需求。
综上,通过样本对话数据的历史用户反馈信息,确定了该样本对话数据对应的样本需求预测结果,实现了对需求预测模型的训练标签的处理,能够自动构建大规模的训练数据,且支持对需求预测模型的更新,结合历史数据使得样本标签更加准确,进一步提升需求预测模型的预测准确度。
进一步地,在对训练样本进行预处理得到训练标签的过程中,即,在根据样本对话数据,确定样本对话数据对应的样本需求预测结果时,还可以根据样本对话数据中的样本对话问题和样本对话答案之间的匹配度,确定样本需求预测结果,具体实现方式如下:
计算所述样本对话数据中样本对话问题、和所述样本对话问题对应的样本对话答案的匹配度;
根据所述匹配度,确定所述样本对话数据对应的样本需求预测结果。
其中,匹配度可以理解为样本对话问题和样本对话答案之间的匹配程度,其可以用于表示样本对话答案解决样本对话问题的程度。
实际应用中,可以通过算法或模型计算样本对话问题和样本对话答案之间的匹配度,本实施例在此不作限定。
基于此,可以计算样本对话数据中的样本对话问题和样本对话答案之间的匹配程度,并根据匹配程度确定样本对话数据对应的样本需求预测结果。
具体而言,在匹配度大于或等于预设匹配度阈值的情况下,确定样本对话数据对应的正样本需求预测结果,正样本需求预测结果说明样本对话数据中的样本对话答案能够解决样本对话问题,样本对话问题不存在信息推荐需求;在匹配度小于预设匹配度阈值的情况下,确定样本对话数据对应的负样本需求预测结果,负样本需求预测结果说明样本对话数据中的样本对话答案不能够解决样本对话问题,样本对话问题存在信息推荐需求。
综上,通过基于样本对话问题和样本对话答案的匹配度确定样本需求预测结果,实现了对需求预测模型的训练标签的处理,进一步提升了需求预测模型的预测准确度。
此外,还可以根据人工标注的方式,根据样本对话数据确定样本需求预测结果。由于样本对话数据本身较长,而且样本对话答案是否能够解决样本对话问题,这个判断标准不是特别明确,因此可以采用人工标注的方式处理训练标签,准确率较高但是资源消耗较多,需要持续积累才能拿到一定数量的经过标注的训练标签。
进一步地,在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息,可以直接获取当前对话数据的历史用户反馈信息,确定当前对话问题是否存在信息推荐需求,具体实现方式如下:
根据所述当前对话问题和所述当前对话答案,构建当前对话数据;
确定所述当前对话数据的历史用户反馈信息;
根据所述历史用户反馈信息,确定所述当前对话数据的对话质量;
在所述对话质量小于预设质量阈值的情况下,确定所述当前对话问题存在信息推荐需求;
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
其中,预设质量阈值可以理解为用于判断对话质量的阈值,在对话质量小于预设质量阈值时,说明当前对话数据的对话质量较差,当前对话数据中的当前对话答案无法解决当前对话问题,因此确定当前对话问题存在信息推荐需求;预设质量阈值可以根据历史数据计算得出,也可以根据人工配置。
基于此,可以对当前对话问题和当前对话答案进行拼接处理,构建当前对话数据,确定当前对话数据在历史时间的用户满意度、问题解决率等指标信息,根据该用户满意度、问题解决率等指标信息,确定当前对话数据的对话质量,在对话质量小于所述预设质量阈值的情况下,说明当前对话数据的对话质量较差,当前对话数据中的当前对话答案无法解决当前对话问题,因此确定当前对话问题存在信息推荐需求,之后,通过信息推荐模块,根据其中设置的信息推荐算法,确定当前对话问题对应的推荐信息。
综上,通过确定当前对话数据的历史用户反馈信息,确定当前对话数据中的当前对话问题是否存在信息推荐需求,实现了对每一轮对话数据实时判断推荐时机,能够有效捕捉用户的对话过程中解决能力的不足,能够针对性提升用户对话体验。
进一步地,根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息,可以通过计算当前对话问题和当前对话答案的匹配度,确定当前对话问题是否存在信息推荐需求,具体实现方式如下:
计算所述当前对话问题和所述当前对话答案的匹配度;
在所述匹配度小于预设匹配度阈值的情况下,确定所述当前对话问题存在信息推荐需求;
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
其中,预设匹配度阈值可以理解为用于判断对话问题和对话答案之间的匹配度的阈值,在匹配度小于预设匹配度阈值时,说明当前对话问题和当前对话答案的匹配度较低,当前对话答案无法解决当前对话问题,因此确定当前对话问题存在信息推荐需求。预设匹配度阈值可以根据历史数据计算得出,也可以根据人工配置。
基于此,可以计算当前对话问题和当前对话答案的匹配度,在匹配度小于预设匹配度阈值的情况下,说明当前对话问题和当前对话答案的匹配度较低,当前对话答案无法解决当前对话问题,因此确定当前对话问题存在信息推荐需求,之后,通过信息推荐模块,根据其中设置的信息推荐算法,确定当前对话问题对应的推荐信息。
综上,通过当前对话问题和当前对话答案的匹配度,确定当前对话问题是否存在信息推荐需求,实现了对每一轮对话数据实时判断推荐时机,能够有效捕捉用户的对话过程中解决能力的不足,能够针对性提升用户对话体验。
进一步地,在确定当前对话问题对应的推荐信息时,可以通过信息推荐模块来确定,具体实现方式如下:
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
基于此,可以通过信息推荐模块,根据其中的信息推荐算法,确定与当前对话问题相关的推荐信息。
具体的,根据信息推荐模块,确定所述当前对话问题对应的推荐信息,包括:
确定所述当前对话问题对应的对象信息;
根据所述对象信息,通过所述信息推荐模块确定所述当前对话问题对应的推荐信息。
基于此,可以确定当前对话问题相关的订单信息、商家信息、商品信息等,并根据这些信息,通过信息推荐模块确定当前对话问题相关的推荐信息。
综上,通过确定当前对话问题相关的对象信息,通过信息推荐模块确定推荐信息,使得确定的推荐信息与用户提出的问题相关性较高,实现了对用户提出的问题的补充推荐,以便于高效快速的为用户展示补充推荐进而解决用户问题,提升解决效率。
进一步地,在根据当前对话问题和当前对话答案,确定当前对话问题不存在信息推荐需求的情况下,可以响应于用户的下一对话问题或者在用户没有其他问题时结束当前对话,具体实现方式如下:
在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题不存在信息推荐需求的情况下,响应于所述用户的所述当前对话问题的下一对话问题或者结束当前对话。
基于此,在根据当前对话问题和当前对话答案,确定当前对话问题不存在信息推荐需求的情况下,也可以理解为当前不是推荐时机的情况下,说明此时当前对话答案能够解决当前对话问题,不需要再对当前对话问题进行补充推荐,此时若用户继续询问下一个问题,可以响应于用户的当前对话问题的下一对话问题,继续执行上述步骤确定下一对话问题是否存在信息推荐需求,实现对每一轮对话的实时判断动态时机;若用户没有其他问题时,则结束当前对话。
综上所述,本说明书一个实施例提供的推荐信息确定方法,响应于用户的当前对话问题,对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案;在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
上述方法通过根据用户的当前对话问题以及当前对话问题对应的当前对话答案,确定当前对话答案是否能够解决用户提出的当前对话问题,在确定当前对话答案无法解决用户提出的当前对话问题的情况下,说明此时当前对话问题存在信息推荐需求,实现了根据当前对话实时判断是否需要进行信息推荐,通过确定当前对话问题对应的推荐信息,对当前对话问题的解答进行了补充推荐,实现了对当前对话问题的信息推荐需求的动态判断,提升了对用户提出的问题的解决能力,进而提升用户体验。
下述结合附图3,以本说明书提供的推荐信息确定方法在购物平台的应用为例,对所述推荐信息确定方法进行进一步说明。其中,图3示出了本说明书一个实施例提供的一种推荐信息确定方法的处理过程流程图,具体包括以下步骤。
步骤302:接收用户的当前对话问题。
用户在购物平台购物时,向智能客服输入问题“这个有现货吗”。
步骤304:对当前对话问题进行意图识别,获得针对当前对话问题的意图识别结果。
对问题“这个有现货吗”进行意图识别,得到意图识别结果为“询问是否有货”。
步骤306:根据意图识别结果,从知识库中确定当前对话问题对应的当前对话答案。
根据意图识别结果“询问是否有货”,从知识库中查询其对应的答案为“能拍下付款的就是有货的哦”。
步骤308:将当前对话问题和当前对话答案输入需求预测模型,输出需求预测结果。
步骤310:判断是否是推荐时机。若是,则执行步骤312,若否,则执行步骤314。
步骤312:通过知识推荐模块,生成推荐信息。
其中,知识推荐模块可以根据知识推荐算法,生成与问题“这个有现货吗”相关的补充问题,比如“您是否想问:点击【什么时候发货】;点击【快递什么时候到】;点击【补货/上货时间】”。
步骤314:进入下一轮对话。
上述方法通过根据用户的当前对话问题以及当前对话问题对应的当前对话答案,确定当前对话答案是否能够解决用户提出的当前对话问题,在确定当前对话答案无法解决用户提出的当前对话问题的情况下,说明此时当前对话问题存在信息推荐需求,实现了根据当前对话实时判断是否需要进行信息推荐,通过确定当前对话问题对应的推荐信息,对当前对话问题的解答进行了补充推荐,实现了对当前对话问题的信息推荐需求的动态判断,提升了对用户提出的问题的解决能力,进而提升用户体验。
与上述方法实施例相对应,本说明书还提供了推荐信息确定装置实施例,图4示出了本说明书一个实施例提供的一种推荐信息确定装置的结构示意图。如图4所示,该装置包括:
识别模块402,被配置为响应于用户的当前对话问题,对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;
第一确定模块404,被配置为根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案;
第二确定模块406,被配置为在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述第二确定模块406,进一步被配置为:
将所述当前对话问题和所述当前对话答案输入需求预测模型,得到需求预测结果;
在根据所述需求预测结果,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述装置还包括训练模块,被配置为:
获取样本对话问题以及所述样本对话问题对应的样本对话答案,并根据所述样本对话问题和所述样本对话答案构建样本对话数据;
根据所述样本对话数据,确定所述样本对话数据对应的样本需求预测结果;
利用所述样本对话数据和所述样本需求预测结果对需求预测模型进行训练,直至获得满足训练停止条件的所述需求预测模型。
一个可选的实施例中,所述训练模块,进一步被配置为:
确定所述样本对话数据的历史用户反馈信息;
根据所述历史用户反馈信息,确定所述样本对话数据的样本对话质量;
根据所述样本对话质量确定所述样本对话数据对应的样本需求预测结果。
一个可选的实施例中,所述训练模块,进一步被配置为:
计算所述样本对话数据中样本对话问题、和所述样本对话问题对应的样本对话答案的匹配度;
根据所述匹配度,确定所述样本对话数据对应的样本需求预测结果。
一个可选的实施例中,所述第二确定模块406,进一步被配置为:
根据所述当前对话问题和所述当前对话答案,构建当前对话数据;
确定所述当前对话数据的历史用户反馈信息;
根据所述历史用户反馈信息,确定所述当前对话数据的对话质量;
在所述对话质量小于预设质量阈值的情况下,确定所述当前对话问题存在信息推荐需求;
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述第二确定模块406,进一步被配置为:
计算所述当前对话问题和所述当前对话答案的匹配度;
在所述匹配度小于预设匹配度阈值的情况下,确定所述当前对话问题存在信息推荐需求;
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述第二确定模块406,进一步被配置为:
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述第二确定模块406,进一步被配置为:
确定所述当前对话问题对应的对象信息;
根据所述对象信息,通过所述信息推荐模块确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述第一确定模块404,进一步被配置为:
根据所述意图识别结果,查询预设的意图识别结果和对话答案的对应关系表,确定所述当前对话问题对应的当前对话答案。
一个可选的实施例中,所述第二确定模块406,进一步被配置为:
在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题不存在信息推荐需求的情况下,响应于所述用户的所述当前对话问题的下一对话问题或者结束当前对话。
一个可选的实施例中,所述第一确定模块404,进一步被配置为:
在根据所述意图识别结果,确定所述当前对话问题不存在对应的当前对话答案的情况下,根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
综上所述,本说明书一个实施例提供的推荐信息确定装置,响应于用户的当前对话问题,对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案;在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
上述装置通过根据用户的当前对话问题以及当前对话问题对应的当前对话答案,确定当前对话答案是否能够解决用户提出的当前对话问题,在确定当前对话答案无法解决用户提出的当前对话问题的情况下,说明此时当前对话问题存在信息推荐需求,实现了根据当前对话实时判断是否需要进行信息推荐,通过确定当前对话问题对应的推荐信息,对当前对话问题的解答进行了补充推荐,实现了对当前对话问题的信息推荐需求的动态判断,提升了对用户提出的问题的解决能力,进而提升用户体验。
上述为本实施例的一种推荐信息确定装置的示意性方案。需要说明的是,该推荐信息确定装置的技术方案与上述的推荐信息确定方法的技术方案属于同一构思,推荐信息确定装置的技术方案未详细描述的细节内容,均可以参见上述推荐信息确定方法的技术方案的描述。
本说明书实施例还提供了另一种推荐信息确定方法,包括:
接收用户通过对话交互界面输入的当前对话问题;
对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;
根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案,并将所述当前对话答案通过所述对话交互界面展示给所述用户;
在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息;
将所述推荐信息通过所述对话交互界面展示给所述用户。
图5示出了本说明书一个实施例提供的另一种推荐信息确定方法的场景示意图,下述结合图5对上述推荐信息方法进一步说明。
图5示出了手机端,用户可以在手机端的对话交互界面输入问题,服务助手(即智能客服)可以对该问题进行解答,将答案发送给用户,并在判断该问题存在信息推荐需求,也即是说,该答案不能很好地解决用户提出的问题的情况下,向用户发送补充推荐的知识卡片,知识卡片中包括补充问题。
参见图5中的左图,用户输入问题“这个手机能用快充吗”,服务助手根据该问题确定答案“XX款手机内置4500mAh锂离子大电池,支持67w有线快充”,并将该答案发送给用户,此时该答案已经能够解决用户提出的问题,该问题不存在补充推荐的需求,此时不需要向用户发送补充推荐的问题,可以直接结束对话或进入下一轮对话。
参见图5中的右图,服务助手接收到用户输入的问题“这个有现货吗”后,向用户回复答案“能拍下付款的就是有货的哦”,并在通过需求预测模型判断该问题需要进行补充推荐时,确定与该问题相关的补充问题“什么时候发货;快递什么时候到;补货/上货时间”,并将该补充问题以知识卡片的形式发送给用户,用户只需点击知识卡片中的链接即可获取补充问题的答案。实现了对用户提出的问题的补充推荐,提升了对用户提出的问题的解决能力,进而提升用户体验。
一个可选的实施例中,所述在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息,包括:
将所述当前对话问题和所述当前对话答案输入需求预测模型,得到需求预测结果;
在根据所述需求预测结果,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述需求预测模型通过下述步骤训练获得:
获取样本对话问题以及所述样本对话问题对应的样本对话答案,并根据所述样本对话问题和所述样本对话答案构建样本对话数据;
根据所述样本对话数据,确定所述样本对话数据对应的样本需求预测结果;
利用所述样本对话数据和所述样本需求预测结果对需求预测模型进行训练,直至获得满足训练停止条件的所述需求预测模型。
一个可选的实施例中,所述根据所述样本对话数据,确定所述样本对话数据对应的样本需求预测结果,包括:
确定所述样本对话数据的历史用户反馈信息;
根据所述历史用户反馈信息,确定所述样本对话数据的样本对话质量;
根据所述样本对话质量确定所述样本对话数据对应的样本需求预测结果。
一个可选的实施例中,所述根据所述样本对话数据,确定所述样本对话数据对应的样本需求预测结果,包括:
计算所述样本对话数据中样本对话问题、和所述样本对话问题对应的样本对话答案的匹配度;
根据所述匹配度,确定所述样本对话数据对应的样本需求预测结果。
一个可选的实施例中,所述在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息,包括:
根据所述当前对话问题和所述当前对话答案,构建当前对话数据;
确定所述当前对话数据的历史用户反馈信息;
根据所述历史用户反馈信息,确定所述当前对话数据的对话质量;
在所述对话质量小于预设质量阈值的情况下,确定所述当前对话问题存在信息推荐需求;
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息,包括:
计算所述当前对话问题和所述当前对话答案的匹配度;
在所述匹配度小于预设匹配度阈值的情况下,确定所述当前对话问题存在信息推荐需求;
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述确定所述当前对话问题对应的推荐信息,包括:
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述根据信息推荐模块,确定所述当前对话问题对应的推荐信息,包括:
确定所述当前对话问题对应的对象信息;
根据所述对象信息,通过所述信息推荐模块确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案,包括:
根据所述意图识别结果,查询预设的意图识别结果和对话答案的对应关系表,确定所述当前对话问题对应的当前对话答案。
一个可选的实施例中,还包括:
在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题不存在信息推荐需求的情况下,响应于所述用户的所述当前对话问题的下一对话问题或者结束当前对话。
一个可选的实施例中,所述获得针对所述当前对话问题的意图识别结果之后,还包括:
在根据所述意图识别结果,确定所述当前对话问题不存在对应的当前对话答案的情况下,根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
上述方法通过根据用户的当前对话问题以及当前对话问题对应的当前对话答案,确定当前对话答案是否能够解决用户提出的当前对话问题,在确定当前对话答案无法解决用户提出的当前对话问题的情况下,说明此时当前对话问题存在信息推荐需求,实现了根据当前对话实时判断是否需要进行信息推荐,通过确定当前对话问题对应的推荐信息,对当前对话问题的解答进行了补充推荐,实现了对当前对话问题的信息推荐需求的动态判断,提升了对用户提出的问题的解决能力,进而提升用户体验。
需要说明的是,该另一种推荐信息确定方法的技术方案与上述的一种推荐信息确定方法的技术方案属于同一构思,另一种推荐信息确定方法的技术方案未详细描述的细节内容,均可以参见上述一种推荐信息确定方法的技术方案的描述。
与上述方法实施例相对应,本说明书还提供了另一种推荐信息确定装置实施例,该装置包括:
接收模块,被配置为接收用户通过对话交互界面输入的当前对话问题;
识别模块,被配置为对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;
第一展示模块,被配置为根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案,并将所述当前对话答案通过所述对话交互界面展示给所述用户;
确定模块,被配置为在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息;
第二展示模块,被配置为将所述推荐信息通过所述对话交互界面展示给所述用户。
一个可选的实施例中,所述确定模块,进一步被配置为:
将所述当前对话问题和所述当前对话答案输入需求预测模型,得到需求预测结果;
在根据所述需求预测结果,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述装置还包括训练模块,所述训练模块,被配置为:
获取样本对话问题以及所述样本对话问题对应的样本对话答案,并根据所述样本对话问题和所述样本对话答案构建样本对话数据;
根据所述样本对话数据,确定所述样本对话数据对应的样本需求预测结果;
利用所述样本对话数据和所述样本需求预测结果对需求预测模型进行训练,直至获得满足训练停止条件的所述需求预测模型。
一个可选的实施例中,所述训练模块,进一步被配置为:
确定所述样本对话数据的历史用户反馈信息;
根据所述历史用户反馈信息,确定所述样本对话数据的样本对话质量;
根据所述样本对话质量确定所述样本对话数据对应的样本需求预测结果。
一个可选的实施例中,所述训练模块,进一步被配置为:
计算所述样本对话数据中样本对话问题、和所述样本对话问题对应的样本对话答案的匹配度;
根据所述匹配度,确定所述样本对话数据对应的样本需求预测结果。
一个可选的实施例中,所述确定模块,进一步被配置为:
根据所述当前对话问题和所述当前对话答案,构建当前对话数据;
确定所述当前对话数据的历史用户反馈信息;
根据所述历史用户反馈信息,确定所述当前对话数据的对话质量;
在所述对话质量小于预设质量阈值的情况下,确定所述当前对话问题存在信息推荐需求;
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述确定模块,进一步被配置为:
计算所述当前对话问题和所述当前对话答案的匹配度;
在所述匹配度小于预设匹配度阈值的情况下,确定所述当前对话问题存在信息推荐需求;
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述第二展示模块,进一步被配置为:
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述第二展示模块,进一步被配置为:
确定所述当前对话问题对应的对象信息;
根据所述对象信息,通过所述信息推荐模块确定所述当前对话问题对应的推荐信息。
一个可选的实施例中,所述第一展示模块,进一步被配置为:
根据所述意图识别结果,查询预设的意图识别结果和对话答案的对应关系表,确定所述当前对话问题对应的当前对话答案。
一个可选的实施例中,所述确定模块,进一步被配置为:
在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题不存在信息推荐需求的情况下,响应于所述用户的所述当前对话问题的下一对话问题或者结束当前对话。
一个可选的实施例中,所述第二展示模块,进一步被配置为:
在根据所述意图识别结果,确定所述当前对话问题不存在对应的当前对话答案的情况下,根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
上述装置通过根据用户的当前对话问题以及当前对话问题对应的当前对话答案,确定当前对话答案是否能够解决用户提出的当前对话问题,在确定当前对话答案无法解决用户提出的当前对话问题的情况下,说明此时当前对话问题存在信息推荐需求,实现了根据当前对话实时判断是否需要进行信息推荐,通过确定当前对话问题对应的推荐信息,对当前对话问题的解答进行了补充推荐,实现了对当前对话问题的信息推荐需求的动态判断,提升了对用户提出的问题的解决能力,进而提升用户体验。
上述为本实施例的一种推荐信息确定装置的示意性方案。需要说明的是,该推荐信息确定装置的技术方案与上述的推荐信息确定方法的技术方案属于同一构思,推荐信息确定装置的技术方案未详细描述的细节内容,均可以参见上述推荐信息确定方法的技术方案的描述。
图6示出了根据本说明书一个实施例提供的一种计算设备600的结构框图。该计算设备600的部件包括但不限于存储器610和处理器620。处理器620与存储器610通过总线630相连接,数据库650用于保存数据。
计算设备600还包括接入设备640,接入设备640使得计算设备600能够经由一个或多个网络660通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备640可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备600的上述部件以及图6中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图6所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备600可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备600还可以是移动式或静止式的服务器。
其中,处理器620用于执行如下计算机可执行指令,该计算机可执行指令被处理器执行时实现上述推荐信息确定方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的推荐信息确定方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述推荐信息确定方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现上述推荐信息确定方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的推荐信息确定方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述推荐信息确定方法的技术方案的描述。
本说明书一实施例还提供一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述推荐信息确定方法的步骤。
上述为本实施例的一种计算机程序的示意性方案。需要说明的是,该计算机程序的技术方案与上述的推荐信息确定方法的技术方案属于同一构思,计算机程序的技术方案未详细描述的细节内容,均可以参见上述推荐信息确定方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (14)
1.一种推荐信息确定方法,包括:
响应于用户的当前对话问题,对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;
根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案;
在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
2.根据权利要求1所述的方法,所述在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息,包括:
将所述当前对话问题和所述当前对话答案输入需求预测模型,得到需求预测结果;
在根据所述需求预测结果,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息。
3.根据权利要求2所述的方法,所述需求预测模型通过下述步骤训练获得:
获取样本对话问题以及所述样本对话问题对应的样本对话答案,并根据所述样本对话问题和所述样本对话答案构建样本对话数据;
根据所述样本对话数据,确定所述样本对话数据对应的样本需求预测结果;
利用所述样本对话数据和所述样本需求预测结果对需求预测模型进行训练,直至获得满足训练停止条件的所述需求预测模型。
4.根据权利要求3所述的方法,所述根据所述样本对话数据,确定所述样本对话数据对应的样本需求预测结果,包括:
确定所述样本对话数据的历史用户反馈信息;
根据所述历史用户反馈信息,确定所述样本对话数据的样本对话质量;
根据所述样本对话质量确定所述样本对话数据对应的样本需求预测结果。
5.根据权利要求3所述的方法,所述根据所述样本对话数据,确定所述样本对话数据对应的样本需求预测结果,包括:
计算所述样本对话数据中样本对话问题、和所述样本对话问题对应的样本对话答案的匹配度;
根据所述匹配度,确定所述样本对话数据对应的样本需求预测结果。
6.根据权利要求1所述的方法,所述在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息,包括:
根据所述当前对话问题和所述当前对话答案,构建当前对话数据;
确定所述当前对话数据的历史用户反馈信息;
根据所述历史用户反馈信息,确定所述当前对话数据的对话质量;
在所述对话质量小于预设质量阈值的情况下,确定所述当前对话问题存在信息推荐需求;
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
7.根据权利要求1所述的方法,所述在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息,包括:
计算所述当前对话问题和所述当前对话答案的匹配度;
在所述匹配度小于预设匹配度阈值的情况下,确定所述当前对话问题存在信息推荐需求;
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
8.根据权利要求1或2所述的方法,所述确定所述当前对话问题对应的推荐信息,包括:
根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
9.根据权利要求8所述的方法,所述根据信息推荐模块,确定所述当前对话问题对应的推荐信息,包括:
确定所述当前对话问题对应的对象信息;
根据所述对象信息,通过所述信息推荐模块确定所述当前对话问题对应的推荐信息。
10.根据权利要求1所述的方法,所述根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案,包括:
根据所述意图识别结果,查询预设的意图识别结果和对话答案的对应关系表,确定所述当前对话问题对应的当前对话答案。
11.根据权利要求1所述的方法,还包括:
在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题不存在信息推荐需求的情况下,响应于所述用户的所述当前对话问题的下一对话问题或者结束当前对话。
12.根据权利要求1所述的方法,所述获得针对所述当前对话问题的意图识别结果之后,还包括:
在根据所述意图识别结果,确定所述当前对话问题不存在对应的当前对话答案的情况下,根据信息推荐模块,确定所述当前对话问题对应的推荐信息。
13.一种推荐信息确定方法,包括:
接收用户通过对话交互界面输入的当前对话问题;
对所述当前对话问题进行意图识别,获得针对所述当前对话问题的意图识别结果;
根据所述意图识别结果,确定所述当前对话问题对应的当前对话答案,并将所述当前对话答案通过所述对话交互界面展示给所述用户;
在根据所述当前对话问题和所述当前对话答案,确定所述当前对话问题存在信息推荐需求的情况下,确定所述当前对话问题对应的推荐信息;
将所述推荐信息通过所述对话交互界面展示给所述用户。
14.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至12或13任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211021269.9A CN115422333A (zh) | 2022-08-24 | 2022-08-24 | 推荐信息确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211021269.9A CN115422333A (zh) | 2022-08-24 | 2022-08-24 | 推荐信息确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115422333A true CN115422333A (zh) | 2022-12-02 |
Family
ID=84198241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211021269.9A Pending CN115422333A (zh) | 2022-08-24 | 2022-08-24 | 推荐信息确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422333A (zh) |
-
2022
- 2022-08-24 CN CN202211021269.9A patent/CN115422333A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104951428B (zh) | 用户意图识别方法及装置 | |
CN111460112A (zh) | 在线客服咨询方法、装置、介质及电子设备 | |
CN111858854B (zh) | 一种基于历史对话信息的问答匹配方法及相关装置 | |
CN111695960A (zh) | 一种对象推荐系统、方法、电子设备及存储介质 | |
CN111062220A (zh) | 一种基于记忆遗忘装置的端到端意图识别系统和方法 | |
CN111985857A (zh) | 审核方法以及装置 | |
CN111242710A (zh) | 业务的分类处理方法、装置、服务平台及存储介质 | |
CN116595154A (zh) | 任务处理方法以及自动问答方法 | |
CN116756278A (zh) | 机器问答方法以及装置 | |
CN117421398A (zh) | 人机交互方法、装置、设备以及存储介质 | |
CN115759001A (zh) | 语言模型训练方法、文本预测方法以及装置 | |
CN114186024A (zh) | 推荐方法及装置 | |
CN110377803B (zh) | 信息处理方法以及装置 | |
CN116775821A (zh) | 对话处理方法以及系统 | |
US20220198487A1 (en) | Method and device for processing user interaction information | |
CN111984764A (zh) | 流单原因分析方法、装置、计算机设备及可读存储介质 | |
CN116561270A (zh) | 问答方法以及问答模型训练方法 | |
CN115422333A (zh) | 推荐信息确定方法 | |
CN116757855A (zh) | 一种智能保险服务方法、装置、设备及存储介质 | |
CN111652668A (zh) | 一种区块链供应链金融系统 | |
CN111445263A (zh) | 信息处理方法、装置和计算机系统及介质 | |
CN115730607A (zh) | 对话检测模型训练方法及装置 | |
CN115688758A (zh) | 一种语句意图识别方法、装置和存储介质 | |
CN114943590A (zh) | 基于双塔模型的对象推荐方法及装置 | |
CN113886560A (zh) | 庭审问题的推荐方法以及装置 |
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 |