CN115630652A - 客服会话情感分析系统、方法及计算机系统 - Google Patents

客服会话情感分析系统、方法及计算机系统 Download PDF

Info

Publication number
CN115630652A
CN115630652A CN202211320478.3A CN202211320478A CN115630652A CN 115630652 A CN115630652 A CN 115630652A CN 202211320478 A CN202211320478 A CN 202211320478A CN 115630652 A CN115630652 A CN 115630652A
Authority
CN
China
Prior art keywords
conversation
customer service
vector
semantic
emotion analysis
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
CN202211320478.3A
Other languages
English (en)
Inventor
林思琦
杜振东
王清琛
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.)
Nanjing Yunwen Network Technology Co ltd
Original Assignee
Nanjing Yunwen Network Technology 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 Nanjing Yunwen Network Technology Co ltd filed Critical Nanjing Yunwen Network Technology Co ltd
Priority to CN202211320478.3A priority Critical patent/CN115630652A/zh
Publication of CN115630652A publication Critical patent/CN115630652A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开一种客服会话情感分析系统，基于滑动窗口方式构建客服会话情感分析数据集，将一个滑动窗口的会话文本作为输入，在编码过程中融入了说话角色的信息编码，然后分别通过Transformer和lstm这2种方式对会话句子序列进行会话语义向量编码并进行融合，最后通过分类器对滑动窗口中最后一句话的情感进行分类。本发明还提供了一种采用上述客服会话情感分析系统的客服会话情感分析方法。本发明有效提高了客服会话情感分析的准确率；同时适用的场景多。

Description

客服会话情感分析系统、方法及计算机系统
技术领域
本发明涉及NPL自然语言处理技术领域，特别涉及客服会话情感分析系统、方法及计算机系统。
背景技术
在自然语言处理领域中，会话情感分析是非常重要的研究内容之一，并且在智能对话领域中，会话情感分析也有着广泛的落地应用。当前在客服会话中，客户会提出各种不同的诉求，并根据客服的反馈情况，会有不同情绪的表达。捕捉客户在客服会话中情绪变化，进行情感分析，并实时反馈给相关人员，可以有效降低客户投诉率、提升客服服务质量。
相关技术中，会话情感分析方法包括基于机器学习的方法和基于深度学习的方法。
机器学习的方法例如，支持向量机、逻辑回归等；深度学习的方法例如，卷积神经网络、循环神经网络等。如果仅对会话中的单句话进行情感分类会丢失会话上下文的语义信息。
发明内容
本发明针对现有技术存在的问题，提出了一种情感分析结果更加准确的客服会话情感分析系统。
根据本发明目的的第一方面,提出一种客服会话情感分析系统，包括:编码单元、角色语义编码融合单元、会话语义向量编码单元、会话向量融合单元和会话情感分类单元；
所述编码单元，被设置用于根据输入的会话文本进行编码输出，将会话文本转换为固定维度的词语序列向量；
所述角色语义编码融合单元，被设置用于将会话角色信息融入到句子的语义表征中；
所述会话语义向量编码单元，被设置用于将角色语义编码融合单元输出的句子语义角色向量集合输入到Transformer编码器和LSTM网络中，进行会话语义向量编码，分别得到基于Transformer编码器和LSTM网络的会话语义向量；
所述会话向量融合单元，被设置用于将会话语义向量编码单元输出的基于Transformer编码器和LSTM网络的会话语义向量和会话窗口中最后一个句子编码后的句子向量进行拼接融合，得到多维度会话语义向量；
所述会话情感分类单元，被设置用于将会话向量融合单元输出的多维度会话语义向量Smerge输入到全连接层中，通过Softmax分类器对当前滑动窗口的会话情感进行分类；得到会话情感结果。
进一步，所述角色语义编码融合单元包括会话角色编码子单元和角色语义融合子单元；
所述会话角色编码子单元将会话中不同的角色分别映射到词表中不同的词向量中；通过词嵌入矩阵转化的方式将词向量作为对应角色的会话角色表征；
所述角色语义融合子单元将每个句子编码后的句子向量与对应的会话角色表征进行拼接融合,由此能够简单有效的确认角色。
本发明还提供了一种采用上述客服会话情感分析系统的客服会话情感分析方法，包括以下步骤：
步骤1：采用数据集训练客服会话情感分析系统；
步骤2：设置滑动窗口，根据对话发展顺序，依次向后移动滑动窗口；并分别将每次滑动窗口内的所有句子输入到客服会话情感分析系统中进行滑动窗口中最后一句话的情感分析。
进一步，所述数据集包括训练集、验证集和测试集；所述训练方法为：采用交叉熵作为损失函数；学习率设置为0.0005；训练轮数设置为20轮，依据验证集中，F1值最高的参数进行系统参数保存。由此,可有效提高分析结果的准确性。
进一步，步骤2中滑动窗口的大小为5。这样能够增加整体系统对情感分析的准确性。
进一步，当滑动窗口内会话句子数小于设置的大小时，填充空字符串。这样设置简单有效，空字符串在预处理时会同意进行Nan空值处理，然后进行统一编码。
由此,通过上述方式可保证这些Nan空值的位置在模型中的信息是固定的。模型很容易就通过学习，知道这些固定的信息是不包含任何语义含义的。
本发明还提供了一种计算机系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过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执行操作，所述操作包括上述客服会话情感分析方法的流程。
本发明还提供了一种存储软件的计算机可读介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括上述客服会话情感分析方法的流程。
本发明基于滑动窗口方式构建客服会话情感分析数据集，然后构建了一套客服会话情感分析模型。该模型将一个窗口的会话文本作为输入，在编码过程中融入了说话角色的信息编码，然后分别通过Transformer和lstm这2种方式对会话句子序列进行会话语义向量编码并进行融合，最后通过分类器对会话中最后一句话的情感进行分类。
与现有技术相比，本发明有效提高了客服会话情感分析的准确率；同时适用的场景多。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例。
图1为本发明提供的客服会话情感分析系统的结构示意图。
图2为本发明提供的客服会话情感分析方法中滑动窗口移动示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
如图1所示，本实施例公开了一种客服会话情感分析系统，包括编码单元1、角色语义编码融合单元2、会话语义向量编码单元3、会话向量融合单元4和会话情感分类单元5。
其中，编码单元1被设置用于根据输入的会话文本进行编码输出，将会话文本转换为固定维度的词语序列向量。
作为可选的实施例，编码单元1基于预训练语言模型中的词表和词嵌入矩阵对会话文本进行转换输出。
首先，对于所获取的输入的会话文本，根据词表对文本进行切词，得到切词后的词语序列；
然后，将词语序列通过词嵌入矩阵进行向量转化，将每个切分后的词语都转化为固定维度的词语序列向量并输出。
在本发明的实施例中，编码单元将滑动窗口中所有的会话文本转化为词语序列向量。
例如，首先根据公式xi＝Embedding(tokeni)，得到会话窗口中第i句话输出的词语序列向量，其中，tokensi表示会话中第i句话进行切词后得到的词语序列，Embedding()表示词嵌入矩阵转化，xi表示会话窗口中第i句话输出的词语序列向量。
然后，基于预训练语言模型的句子编码器，将词语序列向量输入到句子编码器中，得到会话窗口中每个句子的向量并输出。
例如，根据公式hi＝BERT(xi)得到会话中第i句话编码后的句子向量，其中的BERT()表示BERT预训练语言模型的句编码器，hi表示会话中第i句话编码后的句子向量。
本实施例中预训练语言模型采用BERT预训练语言模型。
在另外的实施例中，预训练语言模型还可以采用RoBERT，SKEP等其他预训练语言模型。
角色语义编码融合单元2，用于将会话角色信息融入到句子的语义表征中。
作为可选的实施例，角色语义编码融合单元2包括会话角色编码子单元和角色语义融合子单元。
应当理解，在一个会话中，尤其是客服会话中，通常包括2种会话角色，即客服和客户。为了更好的判别会话的情感极性，需要区分会话中句子的来源是客户还是客服。
会话角色编码子单元被设置用于将客服和客户这两个会话角色分别映射到词表中的[unused1]和[unused2]这两个词，然后通过词嵌入矩阵转化的方式将[unused1]和[unused2]对应的词向量作为客服和客户的会话角色表征，即：
xservice＝Embedding(token[unused1])
xcustomer＝Embedding(token[unused2])
其中，xservice表示客服的会话角色表征，xcustomer表示客户的会话角色表征。token[unused1]表示会话中客服表述的句子进行切词后得到的词语序列；token[unused2]表示会话中客户表述的句子进行切词后得到的词语序列。
本实施例中，使用预训练语言模型的词向量，将词向量中不用(unused)的一些字符向量作为角色信息编码向量。
使用预训练语言模型的unused向量不需要自己初始化参数，并且实际效果优于单独训练角色向量参数矩阵的方法，而且更加简单有效。
角色语义融合子单元，被设置用于将每个句子编码后的句子向量与对应的会话角色表征进行拼接融合。
作为可选的实施方式，角色语义融合子单元被设置层根据以下公式得到会话中第i个句子的角色语义向量ti：
Figure BDA0003910147430000051
Figure BDA0003910147430000052
Figure BDA0003910147430000053
其中，
Figure BDA0003910147430000054
表示第i个句子为客户提问的句子表征，
Figure BDA0003910147430000055
表示第i个句子为客服回复的句子表征；
会话语义向量编码单元3，被设置用于将角色语义编码融合单元输出的句子语义角色向量集合T＝{t1,t2,...,tn}输入到Transformer编码器和LSTM网络中，进行会话语义向量编码，分别得到基于Transformer编码器和LSTM(LSTM，Long Short Term Memory，长短期记忆)网络的会话语义向量。
在可选的实施例中，Transformer编码器采用典型的基于Transformer结构的编码器。
应当理解，前述Transformer编码器和LSTM网络均为预先训练的模型结构，通过样本数据的训练确定模型参数。
作为可选的实施方式，会话语义向量编码单元3被设置根据下述方式进行会话语义向量编码：
Stransformer＝Transformer(T)；
Slstm＝LSTM(T)；
其中，Stransformer是通过Transformer编码器得到的会话语义向量，Slstm是通过LSTM网络得到的会话语义向量。
本实施例中为了提升系统的语义编码能力，所以通过融入多个不同的编码器。其中的Transformer编码器和LSTM网络都可以进行序列编码，对上下文语义信息进行建模，从而有效提升了整个系统对情感分析的准确性。
会话向量融合单元4，被设置用于将会话语义向量编码单元输出的基于Transformer编码器和LSTM网络的会话语义向量和会话窗口中最后一个句子编码后的句子向量进行拼接融合，得到多维度会话语义向量。
作为可选的实施方式，会话向量融合单元4被设置按照下述方式进行拼接融合：
Smerge＝[Stransformer；Slstm；hn]；
其中，Smerge表示多维度会话语义向量，hn表示会话窗口中最后一个句子编码后的句子向量。
会话情感分类单元5，被设置用于将会话向量融合单元输出的多维度会话语义向量Smerge输入到全连接层中，通过Softmax分类器对当前滑动窗口的会话情感进行分类输出，得到会话情感结果。
结合图1所示的示例，本实施例公开了一种基于客服会话情感分析系统的客服会话情感分析方法，包括以下步骤：
步骤1：采用数据集训练客服会话情感分析系统。
步骤2：设置滑动窗口，根据对话发展顺序，依次向后移动滑动窗口；并将每次滑动窗口内的句子输入到客服会话情感分析系统中进行分析。
本实施例中，数据集包括训练集、验证集和测试集；通过训练集对客服会话情感分析系统。
训练过程采用交叉熵作为损失函数。训练过程中设置学习率为0.0005；设置一定的训练轮数,例如20-100论，依据验证集中，F1值最高的参数进行系统参数保存。
当训练轮数达到预定轮数时，得到最终的客服会话情感分析系统。
在本发明的训练过程中，设置训练轮数为20轮。
通过数据集样本的训练，确定客服会话情感分析系统中的网络模型参数，即BERT语言模型以及Transformer编码器和LSTM网络的参数。
本实施例中，数据集样本可采用基于酒店客服或者银行客户服务领域的脱敏数据。
例如，以酒店客服为例，按照8:1:1的比例拆分训练集、验证集和测试集。构建的训练集有8000个会话样本，验证集有1000个会话样本，测试集有1000个会话样本。
本实施例中设定的滑动窗口的大小为5。由此,能够增加整体系统对情感分析的准确性。
当滑动窗口内会话句子数小于5时，填充空字符串的会话进行处理。这样设置简单有效，空字符串在预处理时会同意进行Nan空值处理，然后进行统一编码。该方式保证了这些Nan空值的位置在模型中的信息是固定的。模型很容易就通过学习，知道这些固定的信息是不包含任何语义含义的。
为了验证客服会话情感分析系统的有效性，设置了一组对比实验：基于BERT的单句情感分析系统和基于滑动窗口的客户会话情感分析系统分别对相同的会话样本进行分析。并分别计算系统模型的精准率、召回率和F1值(F1 score)。如表1所示，在精准率、召回率、F1值等指标下，本实施例公开的客服会话情感分析系统均优于单句情感分析系统。借此可以论证，基于滑动窗口的客户会话情感分析通过融入会话上下文的语义信息，来提升客服会话的情感分析效果。
表1：
Figure BDA0003910147430000071
本发明还提供了一种存储软件的计算机可读介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括上述客服会话情感分析方法的流程。
本发明还提供了一种计算机系统，包括：一个或多个处理器；存储器，存储可被操作的指令，所述指令在通过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执行操作，所述操作包括如前述客服会话情感分析方法的流程。
应当理解，本发明的前述客服会话情感分析方法的示例可以在任何包含具有数据存储和数据处理的计算机系统中，前述的计算机系统可以是至少一个包括处理器和存储器的电子处理系统或者电子设备，例如PC电脑，不论是个人用PC电脑、商用PC电脑，或者图形处理用PC电脑、服务器级PC电脑。这些PC电脑通过具有数据接口和/或网络接口，实现有线和/或无线的数据传输，尤其是图像数据。
在另一些实施例，该计算机系统还可以是服务器，尤其是云服务器，具有数据存储、处理以及网络通讯功能。
作为示例的计算机系统通常包括由系统总线连接的至少一个处理器、存储器和网络接口。网络接口用于与其他设备/系统进行通信。
处理器用于提供系统的计算和控制。
存储器包括非易失性存储器和缓存。
非易失性存储器通常具有海量存储能力，可以存储操作系统以及计算机程序，这些计算机程序可以包括可被操作的指令，这些指令在通过一个或多个处理器执行时使得一个或多个处理器能够执行本发明前述实施例的客服会话情感分析方法的过程。
在需要或者合理的实现方式中，前述计算机系统，不论是PC设备或者服务器，还可以包括比图示中更多或者更少的部件，或者组合，或者采用不同的硬件、软件等不同部件或者不同的部署方式。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (10)

1.一种客服会话情感分析系统，其特征在于，包括编码单元、角色语义编码融合单元、会话语义向量编码单元、会话向量融合单元和会话情感分类单元；
所述编码单元，被设置用于根据输入的会话文本进行编码输出，将会话文本转换为固定维度的词语序列向量；
所述角色语义编码融合单元，被设置用于将会话角色信息融入到句子的语义表征中；
所述会话语义向量编码单元，被设置用于将角色语义编码融合单元输出的句子语义角色向量集合输入到Transformer编码器和LSTM网络中，进行会话语义向量编码，分别得到基于Transformer编码器和LSTM网络的会话语义向量；
所述会话向量融合单元，被设置用于将会话语义向量编码单元输出的基于Transformer编码器和LSTM网络的会话语义向量和会话窗口中最后一个句子编码后的句子向量进行拼接融合，得到多维度会话语义向量；
所述会话情感分类单元，被设置用于将会话向量融合单元输出的多维度会话语义向量Smerge输入到全连接层中，通过Softmax分类器对当前滑动窗口的会话情感进行分类；得到会话情感结果。
2.根据权利要求1所述的客服会话情感分析系统，其特征在于：所述编码单元被设置层基于预训练语言模型中的词表和词嵌入矩阵，对会话文本进行转换输出。
3.根据权利要求2所述的客服会话情感分析系统，其特征在于：所述编码单元被设置按照下述过程对会话文本进行转换输出:
首先,基于预训练语言模型中的词表和词嵌入矩阵,将滑动窗口中所有的会话文本转化为词语序列向量；
然后,基于预训练语言模型的句子编码器,将词语序列向量输入到句子编码器中，得到会话窗口中每个句子的向量,输出至角色语义编码融合单元。
4.根据权利要求1所述的客服会话情感分析系统，其特征在于：所述角色语义编码融合单元包括会话角色编码子单元和角色语义融合子单元；
所述会话角色编码子单元，被设置用于将会话中不同的角色分别映射到词表中不同的词向量中；通过词嵌入矩阵转化的方式将词向量作为对应角色的会话角色表征；
所述角色语义融合子单元，被设置用于将每个句子编码后的句子向量与对应的会话角色表征进行拼接融合。
5.一种采用权利要求1所述的客服会话情感分析系统的客服会话情感分析方法，其特征在于：
步骤1：采用数据集训练权利要求1-4中任意一项所述的客服会话情感分析系统,确定其中的基于Transformer编码器和LSTM网络的模型参数,以获得训练好的客服会话情感分析系统’
步骤2：设置滑动窗口，根据对话发展顺序，依次向后移动滑动窗口；并分别将每次滑动窗口内的所有句子输入到前述训练好的客服会话情感分析系统中，进行滑动窗口中最后一句话的情感分析。
6.根据权利要5所述的客服会话情感分析方法，其特征在于：所述数据集包括训练集、验证集和测试集；
所述训练方法为：采用交叉熵作为损失函数；学习率设置为0.0005；训练轮数设置为20-100轮，依据验证集中，获得F1值最高的参数进行系统参数保存。
7.根据权利要5所述的客服会话情感分析方法，其特征在于：所述步骤2中,滑动窗口的大小为5。
8.根据权利要5所述的客服会话情感分析方法，其特征在于：当滑动窗口内会话句子数小于设置的大小时，填充空字符串。
9.一种计算机系统，其特征在于，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过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执行操作，所述操作包括如权利要求5-8中任意一项所述的客服会话情感分析方法的流程。
10.一种存储软件的计算机可读介质，其特征在于，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括如权利要求5-8中任意一项所述的客服会话情感分析方法的流程。
CN202211320478.3A 2022-10-26 2022-10-26 客服会话情感分析系统、方法及计算机系统 Pending CN115630652A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211320478.3A CN115630652A (zh) 2022-10-26 2022-10-26 客服会话情感分析系统、方法及计算机系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211320478.3A CN115630652A (zh) 2022-10-26 2022-10-26 客服会话情感分析系统、方法及计算机系统

Publications (1)

Publication Number Publication Date
CN115630652A true CN115630652A (zh) 2023-01-20

Family

ID=84906798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211320478.3A Pending CN115630652A (zh) 2022-10-26 2022-10-26 客服会话情感分析系统、方法及计算机系统

Country Status (1)

Country Link
CN (1) CN115630652A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117590944A (zh) * 2023-11-28 2024-02-23 上海源庐加佳信息科技有限公司 实体人对象和数字虚拟人对象的绑定系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117590944A (zh) * 2023-11-28 2024-02-23 上海源庐加佳信息科技有限公司 实体人对象和数字虚拟人对象的绑定系统

Similar Documents

Publication Publication Date Title
WO2022088672A1 (zh) 基于bert的机器阅读理解方法、装置、设备及存储介质
CN108363790B (zh) 用于对评论进行评估的方法、装置、设备和存储介质
CN111444340B (zh) 文本分类方法、装置、设备及存储介质
CN106502985B (zh) 一种用于生成标题的神经网络建模方法及装置
CN107273503B (zh) 用于生成同语言平行文本的方法和装置
CN111931517B (zh) 文本翻译方法、装置、电子设备以及存储介质
US20210034817A1 (en) Request paraphrasing system, request paraphrasing model and request determining model training method, and dialogue system
CN112528637B (zh) 文本处理模型训练方法、装置、计算机设备和存储介质
CN111625634B (zh) 词槽识别方法及装置、计算机可读存储介质、电子设备
CN113051374B (zh) 一种文本匹配优化方法及装置
CN111382271B (zh) 文本分类模型的训练方法及装置、文本分类方法及装置
CN114722839B (zh) 人机协同对话交互系统及方法
CN111401079A (zh) 神经网络机器翻译模型的训练方法、装置及存储介质
CN110674255A (zh) 文本内容审核方法及装置
CN114676234A (zh) 一种模型训练方法及相关设备
CN111930914A (zh) 问题生成方法和装置、电子设备以及计算机可读存储介质
CN111145914B (zh) 一种确定肺癌临床病种库文本实体的方法及装置
CN111368066B (zh) 获取对话摘要的方法、装置和计算机可读存储介质
US20230205994A1 (en) Performing machine learning tasks using instruction-tuned neural networks
CN115630652A (zh) 客服会话情感分析系统、方法及计算机系统
CN112599129B (zh) 语音识别方法、装置、设备和存储介质
CN114330483A (zh) 数据处理方法及模型训练方法、装置、设备、存储介质
CN115952854B (zh) 文本脱敏模型的训练方法、文本脱敏方法及应用
CN111401069A (zh) 会话文本的意图识别方法、意图识别装置及终端
CN115147849A (zh) 字符编码模型的训练方法、字符匹配方法和装置

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