CN115689603A - 用户反馈信息收集方法、装置及用户反馈系统 - Google Patents
用户反馈信息收集方法、装置及用户反馈系统 Download PDFInfo
- Publication number
- CN115689603A CN115689603A CN202211185180.6A CN202211185180A CN115689603A CN 115689603 A CN115689603 A CN 115689603A CN 202211185180 A CN202211185180 A CN 202211185180A CN 115689603 A CN115689603 A CN 115689603A
- Authority
- CN
- China
- Prior art keywords
- feedback information
- user feedback
- product function
- user
- node
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术领域,提供一种用户反馈信息提取方法、装置及用户反馈系统,该方法将用户对各产品功能使用后的用户反馈信息写入产品功能知识图谱,可以便于开发者可以及时掌握各产品功能在用户侧的体验,有助于后续对产品功能的更新升级,为提高用户体验提供便利。而且,该方法扩展性较好,后续只需要对产品功能知识图谱进行维护和升级,就可以较快收集到各产品功能对应的用户反馈信息。特别地,对于车载智能语音系统,可以快速确定各功能的用户反馈信息,使其对不同功能的用户反馈信息进行有效应用,将用户反馈信息及时应用于后续的车载智能语音系统的性能优化,避免了用户反馈信息的浪费。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种用户反馈信息收集方法、装置及用户反馈系统。
背景技术
目前,智能语音系统以其独特的优势,已广泛应用于各行各业,尤其是车载智能语音系统,可以帮助用户降低对车内设备的手动操作依赖,增加驾驶安全系数。
现有技术中,通常是用户与车载智能语音系统进行语音交互,车载智能语音系统对用户语音进行解析,并向用户提供系统反馈结果。用户在收到系统反馈结果之后,可以向车载智能语音系统提供其对系统反馈结果的评价信息,即用户反馈信息,以便于后续为用户提供更加准确的系统反馈结果。
但是,由于当前的车载智能语音系统功能众多,针对不同功能的用户反馈结果也是众多的,车载智能语音系统并无法对不同功能的用户反馈信息进行有效应用,这将导致用户反馈信息的浪费,无法将其及时应用于后续的车载智能语音系统的性能优化。为此,现急需提供一种用户反馈信息收集方法。
发明内容
本发明提供一种用户反馈信息收集方法、装置及用户反馈系统,用以解决现有技术中存在的缺陷。
本发明提供一种用户反馈信息收集方法,包括:
获取用户的上下文对话文本,所述上下文对话文本基于所述用户的上下文对话语音转换得到;
基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示;
计算所述用户反馈特征表示与产品功能知识图谱中每个产品功能节点的节点特征表示之间的相关性,并基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱;
其中,所述反馈信息提取模型基于携带有用户反馈信息标签的上下文对话文本样本训练得到。
根据本发明提供的一种用户反馈信息收集方法,所述基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示,之前包括:
确定所述上下文对话语音对应的语种信息;
相应地,所述基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示,具体包括:
将所述上下文对话文本以及所述语种信息输入至所述反馈信息提取模型,得到所述反馈信息提取模型输出的所述用户反馈信息以及所述用户反馈特征表示。
根据本发明提供的一种用户反馈信息收集方法,所述用户反馈信息包括评价倾向性信息以及评价词汇信息;
所述反馈信息提取模型基于如下方法训练得到:
基于所述上下文对话文本,对预先确定的多语种预训练模型进行评价倾向性分类任务以及评价词汇抽取任务的联合训练,得到所述反馈信息提取模型。
根据本发明提供的一种用户反馈信息收集方法,所述节点特征表示基于如下方法确定:
将所述产品功能知识图谱中各产品功能节点的文本信息以及各边的文本信息进行编码,得到编码结果;
基于所述编码结果以及所述产品功能知识图谱中各产品功能节点与各边之间的关系,确定所述节点特征表示。
根据本发明提供的一种用户反馈信息收集方法,所述基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱,具体包括:
从所述产品功能知识图谱中选取相关性最大的目标产品功能节点,并将所述用户反馈信息填充至所述目标产品功能节点处。
根据本发明提供的一种用户反馈信息收集方法,所述基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱,之后包括:
确定所述产品功能知识图谱中具有用户反馈信息的目标产品功能节点;
基于所述目标产品功能节点处的用户反馈信息,对所述目标产品功能节点进行功能升级。
本发明还提供一种用户反馈信息收集装置,包括:
获取模块,用于获取用户的上下文对话文本,所述上下文对话文本基于所述用户的上下文对话语音转换得到;
提取模块,用于基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示;
收集模块,用于计算所述用户反馈特征表示与产品功能知识图谱中每个产品功能节点的节点特征表示之间的相关性,并基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱;
其中,所述反馈信息提取模型基于携带有用户反馈信息标签的上下文对话文本样本训练得到。
本发明还提供一种用户反馈系统,包括:语音模块以及上述的用户反馈信息收集装置;所述语音模块以及所述用户反馈信息收集装置连接;
所述语音模块用于获取用户的上下文对话语音,将所述上下文对话语音转换为上下文对话文本,并确定所述上下文对话语音对应的答复信息,将所述答复信息提供给所述用户;
所述语音模块还用于将所述上下文对话语音和/或所述上下文对话文本发送至所述用户反馈信息收集装置。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的用户反馈信息收集方法。
本发明还提供一种非暂态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实现如上述任一种所述的用户反馈信息收集方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的用户反馈信息收集方法。
本发明提供的用户反馈信息收集方法、装置及用户反馈系统,首先获取用户的上下文对话文本,然后基于反馈信息提取模型,确定上下文对话文本中的用户反馈信息以及用户反馈特征表示;此后计算用户反馈特征表示与产品功能知识图谱中每个产品功能节点的节点特征表示之间的相关性,并基于该相关性,将用户反馈信息填入产品功能知识图谱。该方法将用户对各产品功能使用后的用户反馈信息写入产品功能知识图谱,可以便于开发者可以及时掌握各产品功能在用户侧的体验,有助于后续对产品功能的更新升级,为提高用户体验提供便利。而且,该方法扩展性较好,后续只需要对产品功能知识图谱进行维护和升级,就可以较快收集到各产品功能对应的用户反馈信息。特别地,对于车载智能语音系统,可以快速确定各功能的用户反馈信息,使其对不同功能的用户反馈信息进行有效应用,将用户反馈信息及时应用于后续的车载智能语音系统的性能优化,避免了用户反馈信息的浪费。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图,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。
图1是本发明提供的用户反馈信息收集方法的流程示意图;
图2是本发明提供的用户反馈信息收集方法中汽车语音功能库对应的产品功能知识图谱的示意图;
图3是本发明提供的用户反馈信息收集方法的实现过程流程示意图;
图4是本发明提供的用户反馈信息收集方法中更新后的产品功能知识图谱的示意图;
图5是本发明提供的用户反馈信息收集装置的结构示意图;
图6是本发明提供的用户反馈系统的结构示意图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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,都属于本发明保护的范围。
由于当前的车载智能语音系统无法对不同功能的用户反馈信息进行有效应用,这将导致用户反馈信息的浪费,无法将其及时应用于后续的车载智能语音系统的性能优化。而且,每个用户都很关注座舱智能产品的用户体验和交互效率问题,服务方也愈发需要基于用户的交互信息,智能分析后给出用户的体验,因此在使用过程中用户的反馈及快速分析就显得极为重要。为此,本发明实施例中提供了一种用户反馈信息收集方法,该方法既可以应用于车载智能语音系统,也可以应用于非车载等其他场景的语音系统,例如用户反馈系统等。
图1为本发明实施例中提供的一种用户反馈信息收集方法的流程示意图,如图1所示,该方法包括:
S1,获取用户的上下文对话文本,所述上下文对话文本基于所述用户的上下文对话语音转换得到;
S2,基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示;
S3,计算所述用户反馈特征表示与产品功能知识图谱中每个产品功能节点的节点特征表示之间的相关性,并基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱;
其中,所述反馈信息提取模型基于携带有用户反馈信息标签的上下文对话文本样本训练得到。
具体地,本发明实施例中提供的用户反馈信息收集方法,其执行主体为用户反馈信息收集装置,该装置可以配置于用户反馈系统中,也可以配置于服务器内,该服务器可以是本地服务器,也可以是云端服务器,本地服务器具体可以是计算机、平板电脑等智能设备,本发明实施例中对此不作具体限定。
首先执行步骤S1,获取用户的上下文对话文本,该用户可以是使用产品功能的用户,例如驾驶员等。该产品功能可以是产品功能库中的各产品功能,产品功能库可以是车载功能库,也可以是其他系统的功能库,此处不作具体限定。
该上下文对话文本是指用户与产品功能库对应的智能语音系统进行交互时用户侧文本形式的上下文对话,通过该上下文对话文本可以确定用户对产品功能的使用情况以及用户对所使用的产品功能的态度。该上下文对话文本可以通过用户的上下文对话语音转换得到,该上下文对话语音即用户侧语音形式的上下文对话。
可以理解的是,该上下文对话文本或上下文对话语音均为一次对话过程中的上下文对话。该上下文对话文本可以包括一个语句或多个语句。
然后执行步骤S2,在得到上下文对话文本后,结合反馈信息提取模型,确定出上下文对话文本中的用户反馈信息以及用户反馈特征表示。用户反馈信息可以用于表征用户对上下文对话文本所涉及的目标产品功能,即用户所使用的产品功能的评价信息,例如可以包括对目标产品功能的态度以及评价词汇等。用户反馈特征表示可以用于表征用户反馈信息的深层特征。
该反馈信息提取模型可以是通过携带有用户反馈信息标签的上下文对话文本样本,对初始模型进行训练得到。该初始模型可以基于神经网络构建。
在对初始模型进行训练时,可以将上下文对话文本样本输入至初始模型,得到由初始模型输出的用户反馈信息检测结果,然后通过用户反馈信息标签以及用户反馈信息检测结果计算损失函数值,当损失函数值收敛时即得到训练好的反馈信息提取模型。
在应用反馈信息提取模型时,可以将上下文对话文本输入至反馈信息提取模型,然后得到反馈信息提取模型输出的用户反馈信息。同时,反馈信息提取模型还会输出用户反馈特征表示,该用户反馈特征表示是反馈信息提取模型在得到用户反馈信息过程中的一个中间产物,该用户反馈特征表示可以称为上下文对话聚合特征,可以是向量形式,也可以是特征图形式,此处不作具体限定。
此后执行步骤S3,计算用户反馈特征表示与产品功能知识图谱中每个产品功能节点的节点特征表示之间的相关性。该产品功能知识图谱即产品功能库中各产品功能所形成的知识图谱,该产品功能知识图谱可以包括多个产品功能节点以及用于连接两个产品功能节点的边。产品功能节点可以包括多个等级,如图2所示。以车载功能库中的汽车语音功能库为例,产品功能可以分为车机应用功能、汽车零部件操控功能等一级产品功能。每个一级产品功能下可以包括二级产品功能,例如车机应用功能下的导航功能、音乐功能等,又例如汽车零部件操控功能下的空调功能、车窗功能等。每个二级产品功能下还可以包括三级产品功能,例如导航功能下的地点查询功能、地点导航功能、放缩地图功能等,又例如音乐功能下的播放音乐功能、收藏音乐功能、循环模式功能等,又例如空调功能下的调节温度功能、调节风量功能、调节风向功能等。
一级产品功能、二级产品功能以及三级产品功能均在产品功能知识图谱具有对应的产品功能节点,即分别为一级产品功能节点、二级产品功能节点以及三级产品功能节点。
产品功能知识图谱中每个产品功能节点均对应有节点特征表示,该节点特征表示可以通过将产品功能知识图谱输入至图注意力网络中实现提取,该节点特征表示与用户反馈特征表示的形式相同,既可以是向量形式,也可以是特征图形式,此处不作具体限定。
后续产品功能拓展可灵活配置产品功能知识图谱中的产品功能节点和边的信息,快速进行扩展,扩展后可以得到最新的节点特征表示完成产品功能知识图谱的更新构建。
此处,可以通过计算用户反馈特征表示与每个产品功能节点的节点特征表示之间的余弦距离实现相关性的计算,即将计算得到的余弦距离用于表征对应的相关性。余弦距离越大,相关性越大,余弦距离越小,相关性越小。
结合用户反馈信息以及相关性,可以将用户反馈信息填入产品功能知识图谱。例如,可以先根据相关性,确定出用户反馈信息对应的评价主体,即产品功能知识图谱中的目标产品功能,此后即可将用户反馈信息填入产品功能知识图谱中的目标产品功能处,进行存储。进而,实现产品功能知识图谱的更新,更新后的产品功能知识图谱中不仅包含有各产品功能节点以及用于连接相邻两个产品功能节点的边,还包含有相应产品功能节点对应的用户反馈信息。
若用户反馈信息填入目标产品功能处之前,在目标产品功能处已经存在一个该用户对该目标产品功能的历史用户反馈信息,则可以利用该用户反馈信息替换已经存在的历史用户反馈信息,以保证产品功能知识图谱中填入的用户反馈信息是最新的。
本发明实施例中提供的用户反馈信息收集方法,首先获取用户的上下文对话文本,然后基于反馈信息提取模型,确定上下文对话文本中的用户反馈信息以及用户反馈特征表示;此后计算用户反馈特征表示与产品功能知识图谱中每个产品功能节点的节点特征表示之间的相关性,并基于该相关性,将用户反馈信息填入产品功能知识图谱。该方法将用户对各产品功能使用后的用户反馈信息写入产品功能知识图谱,可以便于开发者可以及时掌握各产品功能在用户侧的体验,有助于后续对产品功能的更新升级,为提高用户体验提供便利。而且,该方法扩展性较好,后续只需要对产品功能知识图谱进行维护和升级,就可以较快收集到各产品功能对应的用户反馈信息。特别地,对于车载智能语音系统,可以快速确定各功能的用户反馈信息,使其对不同功能的用户反馈信息进行有效应用,将用户反馈信息及时应用于后续的车载智能语音系统的性能优化,避免了用户反馈信息的浪费。
在上述实施例的基础上,本发明实施例中提供的用户反馈信息收集方法,所述基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示,之前包括:
确定所述上下文对话语音对应的语种信息;
相应地,所述基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示,具体包括:
将所述上下文对话文本以及所述语种信息输入至所述反馈信息提取模型,得到所述反馈信息提取模型输出的所述用户反馈信息以及所述用户反馈特征表示。
具体地,本发明实施例中,在获取用户的上下文对话文本之后、通过反馈信息提取模型确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示之前,还可以先确定上下文对话语音对应的语种信息。该语种信息可以通过将上下文对话语音输入至语种识别模型后由语种识别模型对上下文对话语音的语种信息进行识别后输出。该语种识别模型可以通过携带有语种标签的语音样本对初始模型进行训练得到,该初始模型可以是神经网络模型,其具体结构可以根据需要进行设定,此处不作具体限定。语种信息可以包括中文[ch]、英文[en]等,中文又可以包括汉语、藏语、维语等。
进而,在基于反馈信息提取模型确定上下文对话文本中的用户反馈信息以及用户反馈特征表示时,可以将上下文对话文本以及语种信息均输入至反馈信息提取模型,由反馈信息提取模型输出用户反馈信息以及用户反馈特征表示。在将上下文对话文本以及语种信息均输入至反馈信息提取模型时,可以将语种信息与上下文对比文本进行拼接,得到拼接结果,并将该拼接结果作为反馈信息提取模型的输入。
由于反馈信息提取模型的输入引入了语种信息,因此在对初始模型进行训练时,采用的上下文对话文本样本也可以携带有语种信息标签。进而,在对初始模型进行训练时,可以将上下文对话文本样本输入至初始模型,得到由初始模型输出的用户反馈信息检测结果以及语种识别结果,然后通过用户反馈信息标签以及用户反馈信息检测结果计算第一损失函数值,通过语种标签以及语种识别结果计算第二损失函数值,并通过第一损失函数值与第二损失函数值相加计算目标损失函数值,当目标损失函数值收敛时即得到训练好的反馈信息提取模型。得到的反馈信息提取模型为多语种反馈信息提取模型。
本发明实施例中,由于引入了语种信息,可以保证反馈信息提取模型不受地域及用户限制,能够准确收集到用户反馈信息。进而,通过匹配的方案填充至产品功能知识图谱中,可以快速实时感知到产品功能在用户侧的体验。
在上述实施例的基础上,本发明实施例中提供的用户反馈信息收集方法,所述用户反馈信息包括评价倾向性信息以及评价词汇信息;
所述反馈信息提取模型基于如下方法训练得到:
基于所述上下文对话文本,对预先确定的多语种预训练模型进行评价倾向性分类任务以及评价词汇抽取任务的联合训练,得到所述反馈信息提取模型。
具体地,本发明实施例中,用户反馈信息可以包括评价倾向性信息以及评价词汇信息,评价倾向性信息是指用户对上下文对话文本所涉及的目标产品功能的态度,可以包括正向、负向、平等,正向表示好的评价,负向则表示坏的评价,平则表示中性的评价。评价词汇信息是指用户表达对上下文对话文本所涉及的目标产品功能的态度所采用的词语,例如可以包括好、不好、准确、不准确、对、不对等。此处,对评价倾向性信息以及评价词汇信息均不作具体限定。
进而,反馈信息提取模型需要具有评价倾向性分类功能以及评价词汇抽取功能,因此在对初始模型进行训练时,可以先选用预先训练好的多功能预训练模型作为初始模型,在此基础上,对多语种预训练模型进行评价倾向性分类任务以及评价词汇抽取任务的联合训练,得到适用于多语种的反馈信息提取模型,使反馈信息提取模型可以同时进行评价倾向性分类任务以及评价词汇抽取任务,同时输出评价倾向性信息以及评价词汇信息。
可以理解的是,多语种预训练模型可以是通过不同语种的常规语料训练得到,如此可以提高反馈信息提取模型对不同语种的适应性,也可以提高反馈信息提取模型的训练效率。反馈信息提取模型输出的评价倾向性信息以及评价词汇信息通常以概率形式体现,即反馈信息提取模型输出正负向评价概率以及上下文对话文本中各词语属于评价词汇的概率。
本发明实施例中,多语种预训练模型可以是multi-BERT模型。反馈信息提取模型的数学表示方式可以为:
Pi c,Pi e,Ci=multi-BERT([Li,Si])
其中,Li表示第i通上下文对话过程中用户的上下文对话语音对应的语种信息,例如中文[ch]、英文[en]等,通常为词向量形式;Si表示第i通上下文对话过程中用户的上下文对话文本,例如“帮我导航去XXX->去XXX->这个地点怎么总找不对啊”,且有Si=[t1,t2,......,tn],tn表示上下文对话文本中的第n个语句,可以为向量形式;Pi c表示第i通上下文对话过程中用户的正负向评价概率,Pi e表示上下文对话文本中各词语属于评价词汇的概率,Ci表示第i通上下文对话过程中的用户反馈特征表示,即上下文对话聚合特征,可以是向量形式。
本发明实施例中,多语种预训练模型的引入,不仅可以提高反馈信息提取模型对不同语种的适应性,也可以提高反馈信息提取模型的训练效率。而且,采用多任务训练的方式得到的反馈信息提取模型,可以同时执行多项任务,同时准确的输出评价倾向性信息以及评价词汇信息,便于快速全面掌握用户反馈信息。
在上述实施例的基础上,本发明实施例中提供的用户反馈信息收集方法,所述节点特征表示基于如下方法确定:
将所述产品功能知识图谱中各产品功能节点的文本信息以及各边的文本信息进行编码,得到编码结果;
基于所述编码结果以及所述产品功能知识图谱中各产品功能节点与各边之间的关系,确定所述节点特征表示。
具体地,本发明实施例中,在确定节点特征表示时,可以将产品功能知识图谱中各产品功能节点的文本信息以及各边的文本信息进行编码,得到编码结果。各产品功能节点的文本信息为各产品功能节点的节点关键词文本,各边的文本信息为各边的边关键词文本。该编码过程可以通过BERT预训练模型等编码网络实现。
例如,如图2所示,产品功能知识图谱中各产品功能节点的导航、地点导航等节点关键词文本记为t1、t2、……,产品功能知识图谱中各边的一级功能、二级功能、三级功能等边关键词文本记为te12、……。
通过编码网络,可以分别对节点关键词文本以及边关键词文本进行编码,得到编码结果可以包括节点特征表示以及边特征表示,节点特征表示可以记为f1、f2、……,边特征表示可以记为e12、……。
此后,结合编码结果以及产品功能知识图谱中各产品功能节点与各边之间的关系,可以采用图注意力网络(Graph Attention Networks,GAT)确定出各产品功能节点的节点特征表示。即可以将编码结果以及产品功能知识图谱均输入至GAT,即可得到GAT输出的产品功能知识图谱中各产品功能节点的节点特征表示。各产品功能节点的节点特征表示可以记为N1、N2、……。
上述确定各产品功能节点的节点特征表示的计算过程可以通过如下公式实现:
fn=BERT(tn)
eij=BERT(teij)
Nj=GAT([Ni,eij,fj])N0=f0
本发明实施例中,通过分别对产品功能知识图谱中各产品功能节点的文本信息以及各边的文本信息进行编码,并结合编码结果以及产品功能知识图谱中各产品功能节点与各边之间的关系,可以使确定的节点特征表示既能够表征节点信息,也能够表征各节点之间的关系,具有全面表达的优势。
在上述实施例的基础上,本发明实施例中提供的用户反馈信息收集方法,所述基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱,具体包括:
从所述产品功能知识图谱中选取相关性最大的目标产品功能节点,并将所述用户反馈信息填充至所述目标产品功能节点处。
具体地,本发明实施例中,在基于相关性,将用户反馈信息填入产品功能知识图谱时,可以先从产品功能知识图谱中选取相关性最大的目标产品功能节点,该过程的数学表示如下所示:
其中,m为产品功能知识图谱中各产品功能节点的总个数,Nj为产品功能知识图谱中第j个产品功能节点的节点特征表示,y为目标产品功能节点。
此后,可以将用户反馈信息填充至目标产品功能节点处,以丰富目标产品功能节点的相关信息。
在上述实施例的基础上,本发明实施例中提供的用户反馈信息收集方法,所述基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱,之后包括:
确定所述产品功能知识图谱中具有用户反馈信息的目标产品功能节点;
基于所述目标产品功能节点处的用户反馈信息,对所述目标产品功能节点进行功能升级。
具体地,本发明实施例中,在基于相关性,将用户反馈信息填入产品功能知识图谱之后,还可以先确定产品功能知识图谱中具有用户反馈信息的目标产品功能节点,该目标产品功能节点可以为一个或多个,根据实际情况而定。
然后,根据该目标产品功能节点处的用户反馈信息,对目标产品功能节点进行功能升级。即由于用户反馈信息的存在,可以为研发人员对目标产品功能节点的功能升级提供指导性意见,以使升级后的目标产品功能节点能够满足用户需求,降低用户的负面评价,有助于提高用户体验。
图3为本发明实施例中提供的用户反馈信息收集方法的实现过程流程示意图,如图3所示,该过程包括:
首先,将上下文对话语音对应的语种信息以及上下文对话文本输入至反馈信息提取模型,得到反馈信息提取模型输出的评价倾向性信息、评价词汇信息以及用户反馈特征表示。语种信息可以是“ch”,上下文对话文本可以是“帮我导航去XXX->去XXX->这个地点怎么总找不对啊”,得到的评价倾向性信息可以是负面,评价词汇信息可以包括“XXX”、“地点”以及“总找不对”。
然后计算用户反馈特征表示与产品功能知识图谱31中每个产品功能节点的节点特征表示之间的相关性,图3中各产品功能节点的节点特征表示为N1、N2、N3、N4等。此后,可以根据该相关性,将用户反馈信息填入产品功能知识图谱中相关性最大的目标产品功能节点处,以更新产品功能知识图谱。更新后的产品功能知识图谱如图4所示。
综上所述,本发明实施例中提供的用户反馈信息收集方法,对用户的上下文对话文本进行信息类别的提取处理并考虑上下文对话语音的语种信息,便于应用于不同语种和不同文本的快速识别、分类、提取结果;进而在下次某用户进行反馈时,可快速将上下文对话文本于语料库类型进行匹配并进行结果数据分析,得出用户得到问题点。该方法扩展性较好,后续只需要对产品功能知识图谱进行维护和升级,就可以较快收集到用户对每个功能的反馈态度及评价词语。同时,使用可以应用于多语种的反馈信息提取模型不受地域及用户限制,能够准确收集到用户评价方向及评价内容,再通过特征表示的相关性将用户反馈信息填充至产品功能知识图谱中,可以快速实时感知到产品功能在用户侧的体验,进而可以提高用户语音交互问题反馈的效率及问题匹配的准确性,间接的提高的用户反馈问题被解决时的用户体验。
如图5所示,在上述实施例的基础上,本发明实施例中提供了一种用户反馈信息收集装置,包括:
获取模块51,用于获取用户的上下文对话文本,所述上下文对话文本基于所述用户的上下文对话语音转换得到;
提取模块52,用于基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示;
收集模块53,用于计算所述用户反馈特征表示与产品功能知识图谱中每个产品功能节点的节点特征表示之间的相关性,并基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱;
其中,所述反馈信息提取模型基于携带有用户反馈信息标签的上下文对话文本样本训练得到。
在上述实施例的基础上,本发明实施例中提供的用户反馈信息收集装置,还包括语种信息确定模块,用于:
确定所述上下文对话语音对应的语种信息;
相应地,所述提取模块,具体用于:
将所述上下文对话文本以及所述语种信息输入至所述反馈信息提取模型,得到所述反馈信息提取模型输出的所述用户反馈信息以及所述用户反馈特征表示。
在上述实施例的基础上,本发明实施例中提供的用户反馈信息收集装置,所述用户反馈信息包括评价倾向性信息以及评价词汇信息;
所述用户反馈信息收集装置还包括训练模块,用于:
基于所述上下文对话文本,对预先确定的多语种预训练模型进行评价倾向性分类任务以及评价词汇抽取任务的联合训练,得到所述反馈信息提取模型。
在上述实施例的基础上,本发明实施例中提供的用户反馈信息收集装置,还包括特征表示确定模块,用于:
将所述产品功能知识图谱中各产品功能节点的文本信息以及各边的文本信息进行编码,得到编码结果;
基于所述编码结果以及所述产品功能知识图谱中各产品功能节点与各边之间的关系,确定所述节点特征表示。
在上述实施例的基础上,本发明实施例中提供的用户反馈信息收集装置,所述收集模块,具体用于:
从所述产品功能知识图谱中选取相关性最大的目标产品功能节点,并将所述用户反馈信息填充至所述目标产品功能节点处。
在上述实施例的基础上,本发明实施例中提供的用户反馈信息收集装置,还包括应用模块,用于:
确定所述产品功能知识图谱中具有用户反馈信息的目标产品功能节点;
基于所述目标产品功能节点处的用户反馈信息,对所述目标产品功能节点进行功能升级。
具体地,本发明实施例中提供的用户反馈信息收集装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
如图6所示,在上述实施例的基础上,本发明实施例中提供了一种用户反馈系统,包括:语音模块61以及上述各实施例中提供的用户反馈信息收集装置62;语音模块61以及用户反馈信息收集装置62连接。
语音模块61用于获取用户的上下文对话语音,将上下文对话语音转换为上下文对话文本,并确定上下文对话语音对应的答复信息,将答复信息提供给用户;
语音模块62还用于将上下文对话语音和/或上下文对话文本发送至用户反馈信息收集装置。
具体地,本发明实施例中,用户反馈系统可以是车载智能语音系统,用于为用户的语音需求提供响应,即寻找与用户的上下文对话语音对应的答复信息并将其提供给用户。这一功能通过用户反馈系统中的语音模块实现。同时,在用户反馈系统中还包括用户反馈信息收集装置,语音模块可以将上下文对话语音和/或上下文对话文本发送至用户反馈信息收集装置,用户反馈信息收集装置在接收到上下文对话语音和/或上下文对话文本之后,可以先将上下文对话语音转换为上下文对话文本。也可以直接利用上下文对话文本执行用户反馈信息收集方法,进而实现对用户反馈信息的收集,并更新产品功能知识图谱。如此,可以使用户反馈系统具有用户反馈信息的收集功能。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(Processor)710、通信接口(Communications Interface)720、存储器(Memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行上述各实施例中提供的用户反馈信息收集方法,该方法包括:获取用户的上下文对话文本,所述上下文对话文本基于所述用户的上下文对话语音转换得到;基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示;计算所述用户反馈特征表示与产品功能知识图谱中每个产品功能节点的节点特征表示之间的相关性,并基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱;其中,所述反馈信息提取模型基于携带有用户反馈信息标签的上下文对话文本样本训练得到。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元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,本发明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,服务器,或者网络设备等)执行本发明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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各实施例中提供的用户反馈信息收集方法,该方法包括:获取用户的上下文对话文本,所述上下文对话文本基于所述用户的上下文对话语音转换得到;基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示;计算所述用户反馈特征表示与产品功能知识图谱中每个产品功能节点的节点特征表示之间的相关性,并基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱;其中,所述反馈信息提取模型基于携带有用户反馈信息标签的上下文对话文本样本训练得到。
又一方面,本发明还提供一种非暂态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实现以执行上述各实施例中提供的用户反馈信息收集方法,该方法包括:获取用户的上下文对话文本,所述上下文对话文本基于所述用户的上下文对话语音转换得到;基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示;计算所述用户反馈特征表示与产品功能知识图谱中每个产品功能节点的节点特征表示之间的相关性,并基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱;其中,所述反馈信息提取模型基于携带有用户反馈信息标签的上下文对话文本样本训练得到。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用户反馈信息收集方法,其特征在于,包括:
获取用户的上下文对话文本,所述上下文对话文本基于所述用户的上下文对话语音转换得到;
基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示;
计算所述用户反馈特征表示与产品功能知识图谱中每个产品功能节点的节点特征表示之间的相关性,并基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱;
其中,所述反馈信息提取模型基于携带有用户反馈信息标签的上下文对话文本样本训练得到。
2.根据权利要求1所述的用户反馈信息收集方法,其特征在于,所述基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示,之前包括:
确定所述上下文对话语音对应的语种信息;
相应地,所述基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示,具体包括:
将所述上下文对话文本以及所述语种信息输入至所述反馈信息提取模型,得到所述反馈信息提取模型输出的所述用户反馈信息以及所述用户反馈特征表示。
3.根据权利要求2所述的用户反馈信息收集方法,其特征在于,所述用户反馈信息包括评价倾向性信息以及评价词汇信息;
所述反馈信息提取模型基于如下方法训练得到:
基于所述上下文对话文本,对预先确定的多语种预训练模型进行评价倾向性分类任务以及评价词汇抽取任务的联合训练,得到所述反馈信息提取模型。
4.根据权利要求1所述的用户反馈信息收集方法,其特征在于,所述节点特征表示基于如下方法确定:
将所述产品功能知识图谱中各产品功能节点的文本信息以及各边的文本信息进行编码,得到编码结果;
基于所述编码结果以及所述产品功能知识图谱中各产品功能节点与各边之间的关系,确定所述节点特征表示。
5.根据权利要求1所述的用户反馈信息收集方法,其特征在于,所述基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱,具体包括:
从所述产品功能知识图谱中选取相关性最大的目标产品功能节点,并将所述用户反馈信息填充至所述目标产品功能节点处。
6.根据权利要求1-5中任一项所述的用户反馈信息收集方法,其特征在于,所述基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱,之后包括:
确定所述产品功能知识图谱中具有用户反馈信息的目标产品功能节点;
基于所述目标产品功能节点处的用户反馈信息,对所述目标产品功能节点进行功能升级。
7.一种用户反馈信息收集装置,其特征在于,包括:
获取模块,用于获取用户的上下文对话文本,所述上下文对话文本基于所述用户的上下文对话语音转换得到;
提取模块,用于基于反馈信息提取模型,确定所述上下文对话文本中的用户反馈信息以及用户反馈特征表示;
收集模块,用于计算所述用户反馈特征表示与产品功能知识图谱中每个产品功能节点的节点特征表示之间的相关性,并基于所述相关性,将所述用户反馈信息填入所述产品功能知识图谱;
其中,所述反馈信息提取模型基于携带有用户反馈信息标签的上下文对话文本样本训练得到。
8.一种用户反馈系统,其特征在于,包括:语音模块以及如权利要求7所述的用户反馈信息收集装置;所述语音模块以及所述用户反馈信息收集装置连接;
所述语音模块用于获取用户的上下文对话语音,将所述上下文对话语音转换为上下文对话文本,并确定所述上下文对话语音对应的答复信息,将所述答复信息提供给所述用户;
所述语音模块还用于将所述上下文对话语音和/或所述上下文对话文本发送至所述用户反馈信息收集装置。
9.一种电子设备,包括存储器、处理器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程序时实现如权利要求1-6中任一项所述的用户反馈信息收集方法。
10.一种非暂态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如权利要求1-6中任一项所述的用户反馈信息收集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211185180.6A CN115689603A (zh) | 2022-09-27 | 2022-09-27 | 用户反馈信息收集方法、装置及用户反馈系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211185180.6A CN115689603A (zh) | 2022-09-27 | 2022-09-27 | 用户反馈信息收集方法、装置及用户反馈系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115689603A true CN115689603A (zh) | 2023-02-03 |
Family
ID=85065382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211185180.6A Pending CN115689603A (zh) | 2022-09-27 | 2022-09-27 | 用户反馈信息收集方法、装置及用户反馈系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689603A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117029863A (zh) * | 2023-10-10 | 2023-11-10 | 中汽信息科技(天津)有限公司 | 一种反馈式交通路径规划方法及系统 |
-
2022
- 2022-09-27 CN CN202211185180.6A patent/CN115689603A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117029863A (zh) * | 2023-10-10 | 2023-11-10 | 中汽信息科技(天津)有限公司 | 一种反馈式交通路径规划方法及系统 |
CN117029863B (zh) * | 2023-10-10 | 2023-12-22 | 中汽信息科技(天津)有限公司 | 一种反馈式交通路径规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363790B (zh) | 用于对评论进行评估的方法、装置、设备和存储介质 | |
CN106777013B (zh) | 对话管理方法和装置 | |
US20200160836A1 (en) | Multi-dialect and multilingual speech recognition | |
CN110377916B (zh) | 词预测方法、装置、计算机设备及存储介质 | |
CN110415679B (zh) | 语音纠错方法、装置、设备和存储介质 | |
CN112100349A (zh) | 一种多轮对话方法、装置、电子设备及存储介质 | |
WO2022134894A1 (zh) | 语音识别方法、装置、计算机设备及存储介质 | |
CN112100354B (zh) | 人机对话方法、装置、设备及存储介质 | |
CN111191450B (zh) | 语料清洗方法、语料录入设备及计算机可读存储介质 | |
CN111177324B (zh) | 基于语音识别结果进行意图分类的方法和装置 | |
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 | |
CN110223134B (zh) | 基于语音识别的产品推荐方法及相关设备 | |
US20220358292A1 (en) | Method and apparatus for recognizing entity, electronic device and storage medium | |
CN111339302A (zh) | 训练要素分类模型的方法和装置 | |
CN116719520B (zh) | 代码生成方法及装置 | |
CN111177351A (zh) | 基于规则的自然语言表达意图获取方法、装置和系统 | |
CN112185361B (zh) | 一种语音识别模型训练方法、装置、电子设备及存储介质 | |
CN115359799A (zh) | 语音识别方法、训练方法、装置、电子设备及存储介质 | |
CN116541493A (zh) | 基于意图识别的交互应答方法、装置、设备、存储介质 | |
CN111368066B (zh) | 获取对话摘要的方法、装置和计算机可读存储介质 | |
CN115689603A (zh) | 用户反馈信息收集方法、装置及用户反馈系统 | |
CN112633007B (zh) | 一种语义理解模型构建方法及装置、语义理解方法及装置 | |
CN111414732A (zh) | 文本风格转换方法、装置、电子设备及存储介质 | |
CN111241843A (zh) | 基于复合神经网络的语义关系推断系统和方法 | |
CN113705207A (zh) | 语法错误识别方法及装置 |
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 |