CN116303922A - 咨询消息应答方法、装置、计算机设备、存储介质和产品 - Google Patents
咨询消息应答方法、装置、计算机设备、存储介质和产品 Download PDFInfo
- Publication number
- CN116303922A CN116303922A CN202211575223.1A CN202211575223A CN116303922A CN 116303922 A CN116303922 A CN 116303922A CN 202211575223 A CN202211575223 A CN 202211575223A CN 116303922 A CN116303922 A CN 116303922A
- Authority
- CN
- China
- Prior art keywords
- message
- intention
- consultation
- reply
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000004044 response Effects 0.000 title claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 21
- 238000009223 counseling Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000013507 mapping Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 208000002925 dental caries Diseases 0.000 description 4
- 210000004283 incisor Anatomy 0.000 description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000004098 Tetracycline Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000012633 leachable Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008058 pain sensation Effects 0.000 description 2
- 208000028169 periodontal disease Diseases 0.000 description 2
- 229960002180 tetracycline Drugs 0.000 description 2
- 229930101283 tetracycline Natural products 0.000 description 2
- 235000019364 tetracycline Nutrition 0.000 description 2
- 150000003522 tetracyclines Chemical class 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种咨询消息应答方法、装置、计算机设备、存储介质和产品,通过获取包括咨询对象的咨询消息和回复消息的历史会话消息;对历史会话消息进行对话意图识别,得到咨询消息的对话意图以及对话意图下的意图槽位信息;然后,从对意图槽位信息中筛选与咨询对象的对象状态相关的目标意图槽位信息;根据咨询消息的意图槽位信息和目标意图槽位信息生成模板查询标签,并基于回复消息确定模板查询标签对应的回复消息模板,提高生成的回复消息模板的质量;以便在接收到待回复咨询消息时,对待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对待回复咨询消息进行应答,以提高消息回复的准确性。
Description
技术领域
本申请涉及通信技术领域,具体涉及一种咨询消息应答方法、装置、计算机设备、存储介质和产品,其中,存储介质为计算机可读存储介质,产品为计算机程序产品。
背景技术
随着通讯技术的发展,服务方可以通过多种方式向客户提供咨询服务,例如,可以通过即时通讯客户端向客户建立会话进行沟通,为了提高服务方的工作人员的消息回复效率,可以预先设置一些话术模板,以供服务方的工作人员进行选择,通常是由服务方根据咨询服务的特点人工编写消息模板,并设置相应的标签,以便工作人员从标签对应的各种消息模板中选择目标消息模板发送给客户,该方式中消息模板的质量取决于编写消息模板的人员的经验,消息模板的生成效率低且质量不稳定,导致消息推荐准确性差。
发明内容
本申请实施例提供一种咨询消息应答方法、装置、计算机设备、存储介质和产品,可以改善生成的回复消息模板的质量以及提高消息回复的准确性。
本申请实施例提供的一种咨询消息应答方法,包括:
获取历史会话消息,所述历史会话消息中包括咨询对象的咨询消息,和所述咨询消息的回复消息;
对所述历史会话消息进行对话意图识别,得到所述咨询消息的对话意图以及所述对话意图下的意图槽位信息;
从对所述意图槽位信息中筛选与所述咨询对象的对象状态相关的目标意图槽位信息;
根据所述咨询消息的意图槽位信息和所述目标意图槽位信息生成模板查询标签,并基于所述回复消息确定所述模板查询标签对应的回复消息模板;
当接收到待回复咨询消息时,对所述待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对所述待回复咨询消息进行应答。
相应的,本申请实施例还提供的一种咨询消息应答装置,包括:
获取单元,用于获取历史会话消息,所述历史会话消息中包括咨询对象的咨询消息,和所述咨询消息的回复消息;
识别单元,用于对所述历史会话消息进行对话意图识别,得到所述咨询消息的对话意图以及所述对话意图下的意图槽位信息;
筛选单元,用于从对所述意图槽位信息中筛选与所述咨询对象的对象状态相关的目标意图槽位信息;
生成单元,用于根据所述咨询消息的意图槽位信息和所述目标意图槽位信息生成模板查询标签,并基于所述回复消息确定所述模板查询标签对应的回复消息模板;
应答单元,用于当接收到待回复咨询消息时,对所述待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对所述待回复咨询消息进行应答。
在一实施例中,所述对话意图预先配置有至少一个候选意图槽位信息,所述识别单元,包括:
意图识别子单元,用于对所述历史会话消息进行对话意图识别,得到所述咨询消息的对话意图,以及所述历史会话消息中与所述对话意图相关的意图文本信息;
信息筛选子单元,用于根据所述意图文本信息与所述候选意图槽位信息之间的相似度,从所述候选意图槽位信息中,筛选与所述意图文本信息匹配的意图槽位信息;
得到子单元,用于根据所述咨询消息的对话意图,以及与所述意图文本匹配的意图槽位信息,得到所述咨询消息的对话意图以及所述对话意图下的意图槽位信息。
在一实施例中,所述意图识别子单元,包括:
特征提取模块,用于对所述历史会话消息进行特征提取,得到所述历史会话消息对应的消息特征信息;
信息确定模块,用于根据所述消息特征信息确定与所述咨询消息对应的对话意图,以及所述历史会话消息中与所述对话意图相关的意图文本信息。
在一实施例中,所述消息特征信息包括查询特征信息和值特征信息,所述信息确定模块,包括:
划分子模块,用于基于所述历史会话消息中文本单元的文本位置,对所述历史会话消息进行文本划分,得到所述历史会话消息对应的多个候选文本;
计算子模块,用于基于所述查询特征信息和所述值特征信息分别计算所述历史会话消息中每个所述候选文本与预设对话意图之间的相关度;
匹配子模块,用于根据所述相关度从所述预设对话意图中确定与所述咨询消息匹配的对话意图以及所述意图文本信息。
在一实施例中,所述信息筛选子单元,包括:
相似度计算模块,用于对所述意图文本信息与所述候选意图槽位信息之间的相似度进行计算;
信息筛选模块,用于基于所述相似度对所述候选意图槽位信息进行筛选,得到与所述意图文本信息匹配的意图槽位信息。
在一实施例中,所述相似度计算模块,包括:
第一统计子模块,用于对所述意图文本信息与所述候选意图槽位信息包含的文本单元进行统计,得到所述意图文本信息和所述意图槽位信息的文本单元并集数量;
第二统计子模块,用于对所述候选意图槽位信息包含的文本单元和所述意图文本信息之间相同的文本单元进行统计,得到所述意图文本信息和所述意图槽位信息的文本单元交集数量;
文本相似度计算子模块,用于基于所述文本单元并集数量和所述文本单元交集数量,计算所述意图文本信息与所述候选意图槽位信息之间的相似度。
在一实施例中,所述生成单元,包括:
消息统计子单元,用于对模板查询标签对应的回复消息进行统计,得到所述回复消息的消息统计信息;
排序子单元,用于根据所述消息统计信息,对所述模板查询标签对应的回复消息进行排序,得到排序后的回复消息;
模板生成子单元,用于将所述排序后的回复消息作为所述模板查询标签对应的回复消息模板。
在一实施例中,所述消息统计子单元,包括:
结果确定模块,用于根据所述咨询消息的对话意图确定所述历史会话消息对应的咨询结果;
标签生成模块,用于对所述回复消息生成指示所述咨询结果的咨询结果标签;
回复消息统计模块,用于基于所述咨询结果标签对所述回复消息进行统计,得到所述消息统计信息。
在一实施例中,所述排序子单元,包括:
置信度计算模块,用于根据所述消息统计信息,计算所述模板查询标签对应的回复消息对于目标咨询结果的置信度;
消息排序模块,用于根据所述置信度对所述模板查询标签对应的回复消息进行排序,得到所述排序后的回复消息。
在一实施例中,所述消息排序模块,包括:
概率计算子模块,用于基于所述置信度计算所述回复消息的回复推荐概率;
回复消息排序子模块,用于基于所述回复推荐概率对所述模板查询标签对应的回复消息进行排序,得到所述排序后的回复消息。
在一实施例中,所述应答单元,包括:
接收子单元,用于当接收到待回复咨询消息时,对所述待回复咨询消息进行对话意图识别,得到所述待回复咨询消息的咨询意图和所述咨询意图对应的意图槽位信息;
标签生成子单元,用于根据所述咨询意图和所述咨询意图对应的意图槽位信息生成所述识别到的模板查询标签;
消息推荐子单元,用于基于所述识别到的模板查询标签确定对应的目标模板查询标签,并获取所述目标模板查询标签对应的回复消息模板对所述待回复咨询消息进行应答。
相应的,本申请实施例还提供的一种计算机设备,包括存储器和处理器;所述存储器存储有计算机程序,所述处理器用于运行所述存储器内的计算机程序,以执行本申请实施例提供的任一种咨询消息应答方法。
相应的,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序被处理器加载以执行本申请实施例提供的任一种咨询消息应答方法。
相应的,本申请实施例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本申请实施例提供的任一种咨询消息应答方法。
本申请实施例通过获取历史会话消息,历史会话消息中包括咨询对象的咨询消息,和咨询消息的回复消息;对历史会话消息进行对话意图识别,得到咨询消息的对话意图以及对话意图下的意图槽位信息;从对意图槽位信息中筛选与咨询对象的对象状态相关的目标意图槽位信息;根据咨询消息的意图槽位信息和目标意图槽位信息生成模板查询标签,并基于回复消息确定模板查询标签对应的回复消息模板;当接收到待回复咨询消息时,对待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对所述待回复咨询消息进行应答。
本申请实施例通过对历史会话消息生成模板查询标签和对应的回复消息模板,可以快速生成回复消息模板,且由于回复消息模板是根据历史会话消息中的回复消息生成的,并人工基于经验生成,因此生成的回复消息模板的质量稳定,当接收到待回复咨询消息时,可以获取到匹配的回复消息模板,提高消息回复的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的咨询消息应答方法的场景图;
图2是本申请实施例提供的咨询消息应答方法的流程图;
图3是本申请实施例提供的打分矩阵示意图;
图4是本申请实施例提供的咨询消息应答方法的另一流程图;
图5是本申请实施例提供的预设对话意图列表;
图6是本申请实施例提供的对话意图识别示意图;
图7是本申请实施例提供的槽位信息匹配示意图;
图8是本申请实施例提供的回复消息推荐示意图;
图9是本申请实施例提供的咨询消息应答装置示意图;
图10是本申请实施例提供的终端的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
本申请实施例提供一种咨询消息应答方法、装置、计算机设备和计算机可读存储介质。该咨询消息应答装置可以集成在计算机设备中,该计算机设备可以是服务器,也可以是终端等设备。
其中,该终端可以包括手机、穿戴式智能设备、平板电脑、笔记本电脑、个人计算(PC,Personal Computer)、以及车载计算机等。
其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
例如,如图1所示,计算机设备获取历史会话消息,历史会话消息中包括咨询对象的咨询消息,和咨询消息的回复消息;对历史会话消息进行对话意图识别,得到咨询消息的对话意图以及对话意图下的意图槽位信息;从对意图槽位信息中筛选与咨询对象的对象状态相关的目标意图槽位信息;将咨询消息的意图槽位信息和目标意图槽位信息作为模板查询标签,并建立该模板查询标签与该回复消息之间的映射关系,以得到该模板查询标签对应的回复消息模板。
本申请实施例通过对历史会话消息生成模板查询标签和对应的回复消息模板,可以快速生成回复消息模板,且由于回复消息模板是根据历史会话消息中的回复消息生成的,并人工基于经验生成,因此生成的回复消息模板的质量稳定。
当服务器接收到咨询用户所在的客户端发送的待回复咨询消息时,对待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取具有映射关系的回复消息模板发送给提供服务的服务方所在的客户端,以对待回复咨询消息进行应答。
本申请实施例再当接收到待回复咨询消息时,可以获取到匹配的回复消息模板,提高消息回复的准确性。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
本实施例将从咨询消息应答装置的角度进行描述,该咨询消息应答装置具体可以集成在计算机设备中,该计算机设备可以是服务器,也可以是终端等设备。
首先,对本申请实施例提供的咨询消息应答方法涉及的名词进行简单说明。
咨询对象:咨询对象可以是发起咨询的用户,例如,用户可以通过在客户端的服务会话中发送咨询消息,以获取相应的咨询服务,也可以是物品,例如,用户购买的商品或者服务等。
会话:会话可以是一种通讯方式,服务会话可以是用户与服务对象之间的一种通讯联系方式,例如,企业微信或者是公众号等方式。
服务对象:服务对象可以是对咨询对象提供咨询服务的对象,比如可以是个人、商店、团队、企业或者是智能机器人等。
咨询服务:不同的应用场景可以提供不同的咨询服务,例如,在牙科咨询应用场景中,咨询服务可以是与牙齿治疗咨询以及费用咨询等相关的服务。
意图槽位信息:意图槽位信息为对话意图对应的槽位上的信息,槽位用于采集与对象意图相关的信息,填槽即为将采集到的信息填充至槽位的过程,在本申请实施例中,意图槽位信息可以是从历史会话消息中采集到的信息,也可以预先配置好的信息。
本申请实施例提供的一种咨询消息应答方法,如图2所示,该咨询消息应答方法的具体流程可以如下:
101、获取历史会话消息,历史会话消息中包括咨询对象的咨询消息,和咨询消息的回复消息。
其中,历史会话消息可以包括咨询过程中产生的消息,例如,可以包括咨询对象发送的用于咨询的咨询消息,以及服务对象针对咨询消息进行恢复的回复消息。
比如,可以获取预设时间内的会话消息作为历史会话消息,也可以获取一次咨询服务中的会话消息作为历史会话消息。
可选的,历史产生的会话消息可以存储于历史对话存档库中,从历史对话存档库中可以获取到大量的历史会话消息,以便通过对历史会话消息进行分析,获取到不同模板查询标签下的回复消息模板,提高消息回复效率。
102、对历史会话消息进行对话意图识别,得到咨询消息的对话意图以及对话意图下的意图槽位信息。
比如,可以对历史会话消息进行对话意图识别,以根据历史会话消息上下文内容确定历史会话消息中咨询消息的对话意图,以及历史会话消息中与对话意图对应的意图文本信息,意图文本信息可以是历史会话消息中的文本单元或者有至少两个文本单元组成的文本片段,将该意图文本信息作为咨询消息的对话意图下的意图槽位信息。
意图槽位信息可以是预先为对话意图配置的,对话意图可以预先配置有至少一个候选意图槽位信息,从候选意图槽位信息中选择与意图文本信息匹配的意图槽位信息,即在一实施例中,对话意图预先配置有至少一个候选意图槽位信息,步骤“对历史会话消息进行对话意图识别,得到咨询消息的对话意图以及对话意图下的意图槽位信息”,具体可以包括:
S21、对历史会话消息进行对话意图识别,得到咨询消息的对话意图,以及历史会话消息中与对话意图相关的意图文本信息;
S22、根据意图文本信息与候选意图槽位信息之间的相似度,从候选意图槽位信息中,筛选与意图文本信息匹配的意图槽位信息;
S23、根据咨询消息的对话意图,以及与意图文本匹配的意图槽位信息,得到咨询消息的对话意图以及对话意图下的意图槽位信息。
其中,意图文本信息可以是历史会话消息中的单个文本单元或者是由至少两个文本单元组成的文本片段。比如,如果历史会话消息是中文形式,文本单元可以是文字,而如果历史会话消息是英文形式,文本单元可以是一个英文单词。
比如,在本申请实施例中,可以预先设置至少两个对话意图,且针对每个对话意图预先配置至少一个候选意图槽位信息,可以对历史会话消息进行对话意图识别,得到咨询消息的对话意图,以及历史会话信息中与对话意图匹配的意图文本信息。计算意图文本信息与对话意图预先配置的每个候选意图槽位信息之间的相似度,从该候选意图槽位信息中选择与意图文本信息匹配的意图槽位信息,将该与意图文本信息匹配的意图槽位信息作为咨询消息在对话意图下的意图槽位信息。
步骤S21对历史会话消息进行对话意图识别,得到咨询消息的对话意图,以及历史会话信息中与对话意图匹配的意图文本信息,可以是根据历史会话消息的消息特征信息确定咨询消息的对话意图,和与对话意图对应的意图文本信息,即在一实施例中,步骤S21具体可以包括:
对历史会话消息进行特征提取,得到历史会话消息对应的消息特征信息;
根据消息特征信息确定与咨询消息对应的对话意图,以及历史会话消息中与对话意图相关的意图文本信息。
比如,具体可以是对历史会话消息中的每条消息(包括咨询消息和回复消息)进行分词处理,得到历史会话消息对应的多个词语,对历史会话消息对应的多个词语进行词特征提取,得到每个词语对应的词特征信息,将历史会话消息对应的每个词语对应的词特征信息进行拼接,得到历史会话消息的消息特征信息。将消息特征信息输入分类器,通过分类器确定历史会话消息中咨询消息对应的对话意图,以及历史会话消息与对话意图相关的意图文本信息。
可选的,可以通过双向编码器表征模型(Bidirectional EncoderRepresentation from Transformers,BERT)对历史会话消息进行特征提取,得到历史会话消息的消息特征信息,根据消息特征信息确定历史会话消息与预设的对话意图具有相关性的文本,进而确定咨询消息的对话意图,以及与该对话意图对应的意图文本信息。
BERT模型建立在多层Transformer编码器上,BERT模型在被应用于目标任务前先在无监督语料上用Masked LM和Next Sentence Prediction两种目标作预训练,学习语言表达的一般规律。BERT模型主要包含BERT-Base和BERT-Large两个版本,本发明用到的BERT-Base模型由12层Transformer组成,BERT模型的隐藏层维度为768。
步骤S21还可以通过对历史会话消息中的文本(比如,文本单元或者有至少两个文本单元组成的文本片段)与预设的对话意图之间的相关度,确定该文本所在的消息(咨询消息或者回复消息)对应的对话意图,并将该文本作为该对话意图的意图文本信息,并根据历史会话消息的上下文信息确定咨询消息的对话意图,即在一实施例中,步骤S21具体可以包括:
基于历史会话消息中文本单元的文本位置,对历史会话消息进行文本划分,得到历史会话消息对应的多个候选文本;
基于查询特征信息和值特征信息分别计算历史会话消息中每个候选文本与预设对话意图之间的相关度;
根据相关度从预设对话意图中确定与咨询消息匹配的对话意图以及意图文本信息。
其中,文本位置可以表示文本单元在其所属的咨询消息或者回复消息中的文本,例如,文本位置i可以指示消息中第i个文本单元,
比如,查询特征信息和值特征信息可以通过特征提取得到的,具体可以是对于文本单元的数量为n的消息X=[x1,x2,…xn],先通过BERT模型获取字符编码H=[h1,h2,…hn],基于全局指针(GlobalPointer)模型的输出格式,把每种预设的对话意图视为一种实体,对于包含有y个实体E=[e1,e2,…ey]的对话意图识别任务,GlobalPointer模型使用多个不同的可学习参数将字符编码H映射到打分矩阵中,例如,对于el类实体,GlobalPointer模型通过两组可学习参数进行仿射变换,得到将字符编码H映射到用于识别片段是否属于el类实体的编码
针对历史会话消息中的每条消息,从会话消息中获取任意长度的连续的文本,以将历史会话消息划分为多个候选文本,对于消息X进行划分,可以得到该消息X对应的文本Y=(ni,nj),ni=(1,2,3…n),nj=(1,2,3…n),ni表示消息X中第ni个文本单元,nj表示消息X中第nj个文本单元之间的文本,Y=(ni,nj)表示消息X中第ni个文本单元到第nj个文本单元之间的文本,其中,ni≤nj,ni和nj均为正整数。
全局指针(GlobalPointer)模型是一种可以同时识别嵌套实体和非嵌套实体的信息抽取模型,GlobalPointer将目标片段的起止视为一个整体,利用字符矩阵表示文本片段(矩阵中的[i,j]位置表示位置i到位置j的文本片段)。模型通过将长度为N的文本序列映射到形状为RN×N的矩阵中进行实体抽取。
假设消息X为“听说贴面又贵又痛”,通过全局指针模型得到的打分矩阵如图3所示,文本“贴面”的得分为1,可以认为消息X的对话意图为el,“贴面”为对话意图el对应的意图文本信息。
在确定咨询消息对应的对话意图以及对应的意图文本信息之后,可以执行步骤S22,从话意图预先配置的候选意图槽位信息中筛选与意图文本信息匹配的意图槽位信息。
步骤S22具体可以包括:
对意图文本信息与候选意图槽位信息之间的相似度进行计算;
基于相似度对候选意图槽位信息进行筛选,得到与意图文本信息匹配的意图槽位信息。
比如,分别计算意图文本信息和每个候选意图槽位信息之间的相似度,将与意图文本信息相似度最大的候选意图槽位信息,作为与意图文本信息匹配的意图槽位信息。
计算意图文本信息和每个候选意图槽位信息之间的相似度可以是根据意图文本信息和候选意图槽位信息之间的距离,计算意图文本信息和候选意图槽位信息之间的相似度,距离越小,相似度越大,距离可以包括余弦距离、欧氏距离(Euclidean Distance)或者编辑距离也可以称为莱文斯坦距离(Levenshtein)等。
还可以根据意图文本信息和候选意图槽位信息之间的文本单元的差异性,确定意图文本信息和候选意图槽位信息之间的相似度,即在一实施例,步骤“对意图文本信息与候选意图槽位信息之间的相似度进行计算”,具体可以包括:
对意图文本信息与候选意图槽位信息包含的文本单元进行统计,得到意图文本信息和候选意图槽位信息的文本单元并集数量;
对候选意图槽位信息包含的文本单元和意图文本信息之间相同的文本单元进行统计,得到意图文本信息和候选意图槽位信息的文本单元交集数量;
基于文本单元并集数量和文本单元交集数量,计算意图文本信息与候选意图槽位信息之间的相似度。
比如,具体是针对每个候选意图槽位信息,对该候选意图槽位信息包含的文本单元和意图文本信息包含的文本单元的总数量进行统计,得到每个候选意图槽位信息和意图文本信息的文本单元并集数量。
针对每个候选意图槽位信息,对该候选意图槽位信息和意图文本信息之间相同的文本单元的数量进行统计,得到每个候选意图槽位信息和意图文本信息的文本单元交集数量。
计算文本单元交集数量和文本单元并集数量之间的比例,并将该比例作为意图文本信息与候选意图槽位信息之间的相似度。
假设意图文本信息为A,候选意图槽位信息为B,文本单元交集数量为A∩B,文本单元并集数量为A∪B,A和B的相似度记为Jaccard(A,B)=A∩B/A∪B。
103、从对意图槽位信息中筛选与咨询对象的对象状态相关的目标意图槽位信息。
由于,咨询消息的对话意图可以有多种类型,比如,可以包括咨询类型、情况描述类型以及结果类型,咨询类型表示咨询消息的目的为对产品或者项目进行咨询,情况描述类型表示咨询消息的目的为对自身状态(即对象状态)进行描述,结果类型表示咨询消息指示为咨询服务的结果。
咨询对象的对象状态对于消息回复十分重要,同样的咨询消息,不同的对象状态需要回复的消息可能不同,比如,咨询痛感,对象状态对应的目标槽位信息为蛀牙,推荐的回复消息应当是与补牙痛不痛相关,而对象状态对应的目标槽位信息为牙齿黄,推荐的回复信息应该与牙齿美白的项目以及对应的痛感相关。
因此,可以根据对象意图的意图类型从历史会话消息中的意图槽位信息中筛选与咨询对象的对象状态相关的目标槽位信息。
在不同的应用场景中,情况描述类型与对象状态相关的目标槽位信息不同,比如,在售后服务场景中,咨询对象可以是已购买的商品,对象状态可以是商品状态,目标槽位信息可以是关于商品在各个方面出现的问题的描述信息,比如,外观和尺寸等。
104、根据咨询消息的意图槽位信息和目标意图槽位信息生成模板查询标签,并基于回复消息确定模板查询标签对应的回复消息模板。
其中,模板查询标签可以是用于查询回复消息模板的索引。
比如,具体可以是将咨询消息对应的对话意图、该对话意图的意图槽位信息、目标槽位信息以及该目标槽位信息所属的对话意图作为模板查询标签,并对该模板查询标签和该回复消息建立映射关系,得到该模板查询标签对应的回复消息模板,以便基于该模板查询标签查询到对应的回复消息模板。
模板查询标签可以对应有多个回复消息,可以对模板查询标签对应的回复消息进行排序,比如,基于回复消息模板的生成时间对回复消息进行排序,得到排序后的回复消息作为模板查询标签对应的回复消息模板,以便用户可以快速选择需要的回复消息模板,提高消息发送效率,即在一实施例中,步骤“基于回复消息确定模板查询标签对应的回复消息模板”,具体可以包括:
对模板查询标签对应的回复消息进行统计,得到回复消息的消息统计信息;
根据消息统计信息,对模板查询标签对应的回复消息进行排序,得到排序后的回复消息;
将排序后的回复消息作为模板查询标签对应的回复消息模板。
其中,消息统计信息可以包括模板查询标签对应的每条回复消息的出现次数。
由于,历史会话消息可以有多个,根据大量的历史会话消息可以生成不同模板查询标签对应的回复消息模板,且每个模板查询标签有多个回复消息模板,从历史会话消息得到该模板查询标签对应的回复消息可能与模板查询标签已有的回复消息模板相同,也可能不同,回复消息出现的次数较多,在消息推荐时,该回复消息对应的回复消息模板被选择的概率较大。
因此,可以对模板查询标签对应的回复消息进行统计,得到查询模板标签对应的每条回复消息的出现次数(为了区分,以下称为第一出现次数),根据每条回复消息的第一出现次数对模板查询标签对应的回复消息进行排序,得到排序后的回复消息。
可以理解是,在对模板查询标签对应的回复消息进行统计之后,还可以对模板查询标签对应的回复消息进行去重处理,然后,再对去重后的回复消息,基于出现次数进行排序,得到排序后的回复消息模板,使得出现次数多的回复消息靠前展示,出现次数少的回复消息靠后展示。
历史会话消息对应的咨询服务可能有不同的咨询结果,比如,用户在咨询后完成购买或者预约了相应的产品或者课程等指定事件,可以认为咨询结果为事件完成,否则咨询结果为事件未完成。
对于服务对象而言,提供咨询服务的目标在于促使用户完整指定的事件,因此,可以对模板查询标签下的目标回复消息进行统计,以根据目标回复消息的统计结果进行排序,目标回复消息所属的历史会话消息的咨询结果为事件完成,即在一实施例中,步骤“对模板查询标签对应的回复消息进行统计,得到回复消息的消息统计信息”,具体可以包括:
根据咨询消息的对话意图确定历史会话消息对应的咨询结果;
对回复消息生成指示咨询结果的咨询结果标签;
基于咨询结果标签对回复消息进行统计,得到消息统计信息。
其中,咨询结果可以表示咨询服务的结果,比如,事件完成或者事件未完成。
比如,具体可以根据历史会话消息中咨询消息的对话意图的意图类型,确定历史会话消息对应的咨询服务的咨询结果,若对话意图的意图类型中包括表示咨询结果的类型,则确定该历史会话消息对应的咨询服务对应的事件完成。
可选的,用户若完成指定事件,服务器会存储有相应的数据,所以可以确定历史会话消息的咨询结果,根据该咨询结果对历史会话消息中的回复消息生成咨询结果标签,咨询结果标签用于指示该回复消息所在的历史会话消息的咨询结果。
对模板查询标签对应的目标回复消息(目标回复消息为咨询结果为目标咨询结果标签的回复消息)进行统计,得到模板查询标签中,每条咨询结果为目标咨询结果标签的回复消息的出现次数(为了区分,以下称为第二出现次数)。
根据第二出现次数对模板查询标签对应的回复消息进行排序,得到排序后的回复消息。
可以根据统计信息计算每条回复消息对于目标结果的置信度,再基于置信度对回复消息进行排序,即在一实施例中,步骤“根据消息统计信息,对模板查询标签对应的回复消息进行排序,得到排序后的回复消息”,具体可以包括:
根据消息统计信息计算模板查询标签对应的回复消息对于目标咨询结果的置信度;
根据置信度对模板查询标签对应的回复消息进行排序,得到排序后的回复消息。
其中,统计信息可以包括模板查询标签对应的每条回复消息的出现次数、每条目标回复消息的出现次数、以及模板查询标签中每条回复消息的总数量(即模板查询标签对应的回复消息的出现次数的总和)。
其中,置信度表示回复该回复消息,促使用户完成指定事件的概率。
可选的,步骤“根据消息统计信息计算模板查询标签对应的回复消息,对于目标咨询结果的置信度”,可以包括:
根据消息统计信息计算模板标签下,每条回复消息的出现概率以及每条回复消息为目标回复消息的概率;
根据公式Confidence(T→D)=(D|T)=(D∩T)/(T),计算每条回复消息对于目标咨询结果的置信度,其中,Confidence(T→D)表示回复消息T对于目标咨询结果的置信度;P(T)表示模板查询标签下每条回复消息的出现概率,P(D∩T)表示模板查询标签下每条回复消息为目标回复消息的概率。
根据公式(1)计算得到计算回复消息对应目标咨询结果的置信度,将置信度高的回复消息靠前排列,置信度低的回复消息靠后排序,得到排序后的回复消息。
公式(1):Confidence(T→D)=(D|T)=(D∩T)/(T)
其中,Confidence(T→D)表示回复消息T对于目标咨询结果的置信度;P(T)表示模板查询标签下每条回复消息的出现概率,可以通过计算模板查询标签中,每条回复消息的出现次数,和所有的回复消息的总数量(模板查询标签对应的回复消息的出现次数的总和)的比例得到。
P(D∩T)表示每条回复消息为目标回复消息的概率,可以通过计算每条目标回复消息的出现次数,和回复消息的总数量之间的比例得到。
假设模板查询标签A下有100条回复消息,其中,咨询结果标签为目标结果标签的回复消息有50条,回复消息a的数量为10条(即回复消息a的出现次数为10),回复消息a中有8条的咨询结果标签为目标咨询结果标签,则对于回复消息a,P(D∩T)=8/100=0.08,P(T)=10/100=0.1,Confidence(T→D)=0.08/0.1=0.8。
还可以基于置信度计算回复消息的回复推荐概率,即在一实施例中,步骤“根据置信度对模板查询标签对应的回复消息进行排序,得到排序后的回复消息”,具体可以包括:
基于置信度计算回复消息的回复推荐概率;
基于回复推荐概率对模板查询标签对应的回复消息进行排序,得到排序后的回复消息。
消息统计信息还可以包括模板查询标签中目标回复消息的总出现次数(即模板查询标签的所有目标回复消息的出现次数总和)。
比如,回复推荐概率可以通过提升度表示,提升度可以通过公式(2)计算得到。
公式(2):Lift(T→D)=Confidence(T→D)/(D)=(D∩T)/(D)P(T)
提升度等于1时,表示该回复消息与目标咨询结果相互独立,当提升度大于1表示该回复消息对目标咨询结果有正向影响,小于1表示该回复消息对目标咨询结果有负向影响。
因此,将提升度作为回复推荐概率,提升度越大,回复推荐概率越大。可选的,可以将提升度等于或者小于1的回复消息去除,仅推荐提升度大于1的回复消息。
105、当接收到待回复咨询消息时,对待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对待回复咨询消息进行应答。
比如,具体可以是当接收到待回复咨询消息时,对待回复咨询消息进行模板查询标签识别,得到待回复咨询消息对应的模板查询标签(即识别到的模板查询标签),并获取该识别到的模板查询标签对应的回复消息模板,并向服务对象推荐该回复消息模板。
对待回复咨询消息进行模板查询标签识别可以是获取预设关键词,基于该预设关键词对待回复咨询消息进行关键词匹配,得到待回复咨询消息的关键词,计算待回复咨询消息的关键词与模板查询标签之间的相似度(具体过程可以参考步骤S22的相关内容),得到与待回复咨询消息的关键词匹配的目标模板查询标签(即识别到的模板查询标签)。
其中,预设关键词可以是预先设置的关键词,可以根据具体的应用场景进行配置,以便识别到该应用场景下的关键词。
可以的,还可以对待回复咨询消息进行对话意图识别,得到待回复咨询消息的对话意图,基于该对话意图确定对应的消息查询标签,即在一实施例中,步骤105具体可以包括:
当接收到待回复咨询消息时,对待回复咨询消息进行对话意图识别,得到待回复咨询消息的咨询意图和咨询意图对应的意图槽位信息;
根据咨询意图和咨询意图对应的意图槽位信息生成目标模板查询标签;
模板查询标签获取目标模板查询标签对应的回复消息模板对待回复咨询消息进行应答。
比如,具体可以是当接收到待回复咨询消息时,对待回复咨询消息进行对话意图识别,得到待回复咨询消息的咨询意图和咨询意图对应的意图槽位信息,具体过程可以参考步骤102的相关内容,在此不做赘述。
将待回复咨询消息的咨询意图和咨询意图对应的意图槽位信息作为目标模板查询标签(即识别到的模板查询标签),并获取与该目标模板查询标签具有映射关系的回复消息模板对待回复咨询消息进行应答。
由上可知,本申请实施例通过获取历史会话消息,历史会话消息中包括咨询对象的咨询消息,和咨询消息的回复消息;对历史会话消息进行对话意图识别,得到咨询消息的对话意图以及对话意图下的意图槽位信息;从对意图槽位信息中筛选与咨询对象的对象状态相关的目标意图槽位信息;根据咨询消息的意图槽位信息和目标意图槽位信息生成模板查询标签,并基于回复消息确定模板查询标签对应的回复消息模板;当接收到待回复咨询消息时,对待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对待回复咨询消息进行应答。
本申请实施例通过对历史会话消息生成模板查询标签和对应的回复消息模板,可以快速生成回复消息模板,且由于回复消息模板是根据历史会话消息中的回复消息生成的,并人工基于经验生成,因此生成的回复消息模板的质量稳定,当接收到待回复咨询消息时,可以获取到匹配的回复消息模板,提高消息回复的准确性。
在上述实施例的基础上,下面将举例做进一步详细说明。
本实施例将从咨询消息应答装置的角度,以应用场景为齿科咨询为例进行描述,该咨询消息应答装置具体可以集成在计算机设备中,该计算机设备可以是服务器。
本申请实施例提供的一种咨询消息应答方法,该咨询消息应答方法可以包括两个阶段,阶段一为回复消息模板生成,阶段二为回复消息模板推荐,如图4所示,该咨询消息应答方法的具体流程可以如下:
阶段一、回复消息模板生成:
201、服务器从数据库中存储的历史对话记录中获取历史会话消息。
比如,用户可以通过客户端与齿科服务方进行通讯,齿科服务方可以包括牙科诊所、医院或者其他齿科医美商家等。
数据库中可以存储有用户与齿科服务方之间的历史对话记录,服务器可以从数据库中获取作为历史会话消息,可以从历史对话记录中获取一定数量的消息作为历史会话消息,可选的,若对话存在有开始和结束的标志,则可以根据开始和结束的标志从历史对话记录中获取历史会话消息。
202、服务器对历史会话消息进行对话意图识别,得到咨询消息的对话意图以及对话意图下对应的意图文本信息。
比如,如图5所示,可以预先设置有多个对话意图,以及对每个对话意图预先配置有多个意图槽位信息,图中槽位中的项目可以包括洗牙、补牙、冷光美白以及贴面等项目。症状可以包括四环素牙、蛀牙、牙周病、牙齿缺损以及牙畸形等。
比如,具体可以是将历史会话消息中的每条消息进行拼接后,每条消息之间可以通过[SEP]标志对消息进行分隔,得到表征历史会话消息的拼接后消息,将拼接后消息输入BERT模型,以提取历史会话消息的消息特征信息。
对于文本单元的数量为n的消息X=[x1,x2,…xn],先通过BERT模型获取字符编码H=[h1,h2,…hn],基于全局指针(GlobalPointer)模型的输出格式,把每种预设的对话意图视为一种实体,对于包含有y个实体E=[e1,e2,…ey]的对话意图识别任务,GlobalPointer模型使用多个不同的可学习参数将字符编码H映射到打分矩阵中,例如,对于el类实体,GlobalPointer模型通过两组可学习参数进行仿射变换,得到将字符编码H映射到用于识别片段是否属于el类实体的编码
Y=(i,j)属于类型el的得分,进而确定消息的对话意图和意图文本信息。
假设消息X为“听说贴面又贵又痛”,通过全局指针模型得到的打分矩阵如图3所示,文本“贴面”的得分为1,可以认为消息X的对话意图为el,“贴面”为对话意图el对应的意图文本信息。
例如,对于如图6所示的历史会话消息,可以提取到如图所示的对话意图,和对话意图下的意图文本信息,由图6可知,文本片段“贴面”可以是对应于多个对话意图,例如,对话意图“项目咨询-价格”、“项目咨询-痛感”以及“预约-现场体验”,在消息推荐领域常用的序列标注模型无法实现同一文本片段对应多种标签的任务。
203、服务器根据意图文本信息与候选意图槽位信息之间的相似度,从候选意图槽位信息中筛选与意图文本信息匹配的意图槽位信息。
比如,可以通过Jaccard系数衡量相似度,具体可以是服务器针对每个候选意图槽位信息,对该候选意图槽位信息包含的文本单元和意图文本信息包含的文本单元的总数量进行统计,得到每个候选意图槽位信息和意图文本信息的文本单元并集数量。
针对每个候选意图槽位信息,对该候选意图槽位信息和意图文本信息之间相同的文本单元的数量进行统计,得到每个候选意图槽位信息和意图文本信息的文本单元交集数量。
计算文本单元交集数量和文本单元并集数量之间的比例,并将该比例作为意图文本信息与候选意图槽位信息之间的相似度。
假设意图文本信息为A,候选意图槽位信息为B,文本单元交集数量为A∩B,文本单元并集数量为A∪B,A和B的相似度记为Jaccard(A,B)=A∩B/A∪B。
若意图文本信息为“门牙缺了一块”,候选意图槽位信息包括四环素牙、蛀牙、牙周病、牙齿缺损以及牙畸形,如图7所示,计算得到了意图文本信息“门牙缺了一块”与预先配置的每个候选意图槽位信息之间的相似度,与意图文本信息“门牙缺了一块”相似度最大的候选意图槽位信息为“牙齿缺损”,因此,可以从候选的候选意图槽位信息中选择到与意图文本信息“门牙缺了一块”匹配的意图槽位信息“牙齿缺损”。
204、服务器从对意图槽位信息中筛选与咨询对象的对象状态相关的目标意图槽位信息。
其中,对象状态相关的目标意图槽位信息可以是预设对话意图中的情况描述意图下的意图槽位信息,可以根据意图槽位信息多属的意图筛选得到目标意图槽位信息。
205、服务器根据咨询消息的意图槽位信息和目标意图槽位信息生成模板查询标签。
比如,服务器将咨询消息的对话意图、对话意图对应的意图槽位信息、目标对话意图(即“情况描述”意图以及其对应的二级意图)以及目标对话意图对应的目标意图槽位信息生成模板查询标签。
历史会话消息中的每条回复消息可以包括最邻近的一句用户发送的咨询消息的对话意图以及对应的意图槽位信息,以及历史会话消息中关于情况描述的目标对话意图,以及对应的目标意图槽位信息,作为该回复消息的模板查询标签,例如,如图7所示,即模板查询标签可以包括两部分标签,用户状态标签和对话意图标签,用户状态标签为目标对话意图和目标意图槽位信息,对话意图标签为咨询消息的对话意图和意图槽位信息。
206、服务器基于咨询结果标签对回复消息进行统计,得到消息统计信息,并根据消息统计信息计算回复消息对于目标咨询结果的置信度。
服务器将针对历史会话消息中针对咨询消息进行回复的回复消息,作为该咨询消息对应的模板查询标签下的回复消息。
根据历史会话消息中咨询消息的对话意图的是否包含预设对话意图中的预约意图,若是,则确定咨询结果为事件完成,若否,则确定事件未完成。
可选的,还可以查看服务器的后台数据,若后台数据中查询到在历史会话消息对应的时间内存在下单等指定事件的记录,则确定咨询结果为事件完成,否则,则确定事件未完成。
服务器统计模板查询标签对应的每条回复消息的出现次数、每条目标回复消息(咨询结果为目标咨询结果标签的回复消息)的出现次数、以及模板查询标签中每条回复消息的总数量(即模板查询标签对应的回复消息的出现次数的总和)。
服务器根据公式(1)计算得到计算回复消息对应目标咨询结果的置信度,将置信度高的回复消息靠前排列,置信度低的回复消息靠后排序,得到排序后的回复消息。
公式(1):Confidence(T→D)=(D|T)=(D∩T)/(T)
其中,Confidence(T→D)表示回复消息T对于目标咨询结果的置信度;P(T)表示模板查询标签下每条回复消息的出现概率,可以通过计算模板查询标签中,每条回复消息的出现次数,和所有的回复消息的总数量(模板查询标签对应的回复消息的出现次数的总和)的比例得到;P(D∩T)表示每条回复消息为目标回复消息的概率,可以通过计算每条目标回复消息的出现次数,和回复消息的总数量之间的比例得到。
关联规则挖掘算法常被用于购物篮分析,通过分析哪些商品经常被一起购买发现超市不同商品之间的关联关系,并根据商品之间的关联规则制定销售策略。常用的关联规则挖掘算法有Apriori算法和FP-growth算法。
其中,Apriori算法维护支持度Support=P(D∩T)(项集A和项集B同时出现的比例)和置信度Confidence=P(B|A)=(A∩B)/(A)(表示当A项出现时B项同时出现的频率)两个指标,先从购物篮数据中找出Support不低于设定阈值的频繁项集,再从频繁项集中找出Confidence不低于预设阈值的强规则。
FP-growth算法采用深度优先搜索的策略,相比于Apriori算法,FP-growth不需要产生候选项集,通过将数据库中仅包含1个元素的频繁项集压缩为频繁模式树的方法避免了计数时反复扫描数据库。然而Apriori算法的扩展性较好,可以用于并行计算等场景。
可以采用上述的关联规则挖掘算法对回复消息以及用户完整指定事件之间两者之间的关系,以便更好地推荐更能促使用户完整指定事件的回复消息
207、服务器根据置信度计算回复消息的回复推荐概率,并基于回复推荐概率对模板查询标签对应的回复消息进行排序,得到排序后的回复消息。
比如,回复推荐概率可以通过提升度表示,提升度可以通过公式(2)计算得到。
公式(2):Lift(T→D)=Confidence(T→D)/(D)=(D∩T)/(D)P(T)
因此,可以将提升度等于或者小于1的回复消息去除,对推荐提升度大于1的回复消息进行排序,将提升度高的回复消息靠前排列,提升度低的回复消息靠后排序,得到排序后的回复消息。
208、服务器将排序后的回复消息作为模板查询标签对应的回复消息模板。
常规的回复消息模板是由人工配置完成,该方法十分依赖于配置模板的人员的经验和能力,在对话场景较为复杂时,难以分析各种对话意图对应的消息模板,消息模板构建难度大且质量不稳定。
相比于常规的模板配置方式,本申请实施例通过对历史会话消息生成模板查询标签和对应的回复消息模板,且由于回复消息模板是根据历史会话消息中的回复消息生成的,并人工基于经验生成,因此回复消息模板的生成效率高,生成的回复消息模板的质量稳定。
阶段二、回复消息模板推荐:
209、当接收到待回复咨询消息时,服务器对待回复咨询消息进行对话意图识别,得到待回复咨询消息的咨询意图,和与咨询意图对应的意图槽位信息。
比如,具体可以是当接收到待回复咨询消息时,对待回复咨询消息进行对话意图识别,得到待回复咨询消息的咨询意图和咨询意图对应的意图槽位信息,具体过程可以参考步骤202-203的相关描述,在此不做赘述。
可选的,还可以获取当前会话中识别得到的情况描述意图以及对应的意图槽位信息、咨询意图和与咨询意图对应的意图槽位信息作为用于查询回复消息模板的目标模板查询标签。
210、服务器基于咨询意图和对应的意图槽位信息获取对应的回复消息模板进行消息推荐。
将待回复咨询消息的咨询意图和咨询意图对应的意图槽位信息作为目标模板查询标签,并获取与该目标模板查询标签具有映射关系的回复消息模板对待回复咨询消息进行应答。
例如,如图8所示,在接收到待回复咨询消息时,确定目标模板查询标签之后,可以得到回复模板消息。
由上可知,本申请实施例服务器通过从数据库中存储的历史对话记录中获取历史会话消息;对历史会话消息进行对话意图识别,得到咨询消息的对话意图以及对话意图下对应的意图文本信息;根据意图文本信息与候选意图槽位信息之间的相似度,从候选意图槽位信息中筛选与意图文本信息匹配的意图槽位信息;从对意图槽位信息中筛选与咨询对象的对象状态相关的目标意图槽位信息;根据咨询消息的意图槽位信息和目标意图槽位信息生成模板查询标签;基于咨询结果标签对回复消息进行统计,得到消息统计信息,并根据消息统计信息计算回复消息对于目标咨询结果的置信度;根据置信度计算回复消息的回复推荐概率,并基于回复推荐概率对模板查询标签对应的回复消息进行排序,得到排序后的回复消息;将排序后的回复消息作为模板查询标签对应的回复消息模板;当接收到待回复咨询消息时,服务器对待回复咨询消息进行对话意图识别,得到待回复咨询消息的咨询意图和与咨询意图对应的意图槽位信息;基于咨询意图和对应的意图槽位信息获取对应的回复消息模板对待回复咨询消息进行应答。
本申请实施例通过对历史会话消息生成模板查询标签和对应的回复消息模板,可以快速生成回复消息模板,且由于回复消息模板是根据历史会话消息中的回复消息生成的,并人工基于经验生成,因此生成的回复消息模板的质量稳定性好,当接收到待回复咨询消息时,可以获取到匹配的回复消息模板,提高消息回复的准确性。
除此之外,本申请实施例通过回复消息与用户完成指定事件之间的概率关系对回复消息进行排序,以推荐促使用户完成指定事件的概率较高的回复消息模板,提高对产品或者项目的营销效果。
为了便于更好地实施本申请实施例提供的咨询消息应答方法,在一实施例中还提供了一种咨询消息应答装置。其中名词的含义与上述咨询消息应答方法中相同,具体实现细节可以参考方法实施例中的说明。
该咨询消息应答装置具体可以集成在计算机设备中,如图9所示,该咨询消息应答装置可以包括:获取单元301、识别单元302、筛选单元303、生成单元304和应答单元305,具体如下:
(1)获取单元301:用于获取历史会话消息,历史会话消息中包括咨询对象的咨询消息,和咨询消息的回复消息。
(2)识别单元302:用于对历史会话消息进行对话意图识别,得到咨询消息的对话意图以及对话意图下的意图槽位信息。
在一实施例中,对话意图预先配置有至少一个候选意图槽位信息,识别单元302可以包括意图识别子单元、信息筛选子单元和得到子单元,具体地:
意图识别子单元:用于对历史会话消息进行对话意图识别,得到咨询消息的对话意图,以及历史会话消息中与对话意图相关的意图文本信息;
信息筛选子单元:用于根据意图文本信息与候选意图槽位信息之间的相似度,从候选意图槽位信息中,筛选与意图文本信息匹配的意图槽位信息;
得到子单元:用于根据咨询消息的对话意图,以及与意图文本匹配的意图槽位信息,得到咨询消息的对话意图以及对话意图下的意图槽位信息。
在一实施例中,意图识别子单元可以包括特征提取模块和信息确定模块,具体地:
特征提取模块:用于对历史会话消息进行特征提取,得到历史会话消息对应的消息特征信息;
信息确定模块:用于根据消息特征信息确定与咨询消息对应的对话意图,以及历史会话消息中与对话意图相关的意图文本信息。
在一实施例中,消息特征信息包括查询特征信息和值特征信息,信息确定模块可以包括划分子模块、计算子模块和匹配子模块,具体地:
划分子模块:用于基于历史会话消息中文本单元的文本位置,对历史会话消息进行文本划分,得到历史会话消息对应的多个候选文本;
计算子模块:用于基于查询特征信息和值特征信息分别计算历史会话消息中每个候选文本与预设对话意图之间的相关度;
匹配子模块:用于根据相关度从预设对话意图中确定与咨询消息匹配的对话意图以及意图文本信息。
在一实施例中,信息筛选子单元可以包括相似度计算模块和信息筛选模块,具体地:
相似度计算模块:用于对意图文本信息与候选意图槽位信息之间的相似度进行计算;
信息筛选模块:用于基于相似度对候选意图槽位信息进行筛选,得到与意图文本信息匹配的意图槽位信息。
在一实施例中,相似度计算模块可以包括第一统计子模块、第二统计子模块和文本相似度计算子模块,具体地:
第一统计子模块:用于对意图文本信息与候选意图槽位信息包含的文本单元进行统计,得到意图文本信息和意图槽位信息的文本单元并集数量;
第二统计子模块:用于对候选意图槽位信息包含的文本单元和意图文本信息之间相同的文本单元进行统计,得到意图文本信息和意图槽位信息的文本单元交集数量;
文本相似度计算子模块:用于基于文本单元并集数量和文本单元交集数量,计算意图文本信息与候选意图槽位信息之间的相似度。
(3)筛选单元303:用于从对意图槽位信息中筛选与咨询对象的对象状态相关的目标意图槽位信息。
(4)生成单元304:用于根据咨询消息的意图槽位信息和目标意图槽位信息生成模板查询标签,并基于回复消息确定模板查询标签对应的回复消息模板。
在一实施例中,生成单元304可以包括消息统计子单元、排序子单元和模板生成子单元,具体地:
消息统计子单元:用于对模板查询标签对应的回复消息进行统计,得到回复消息的消息统计信息;
排序子单元:用于根据消息统计信息,对模板查询标签对应的回复消息进行排序,得到排序后的回复消息;
模板生成子单元:用于将排序后的回复消息作为模板查询标签对应的回复消息模板。
在一实施例中,消息统计子单元可以包括结果确定模块、标签生成模块和回复消息统计模块,具体地:
结果确定模块:用于根据咨询消息的对话意图确定历史会话消息对应的咨询结果;
标签生成模块:用于对回复消息生成指示咨询结果的咨询结果标签;
回复消息统计模块:用于基于咨询结果标签对回复消息进行统计,得到消息统计信息。
在一实施例中,排序子单元可以包括置信度计算模块和消息排序模块,具体地:
置信度计算模块:用于根据消息统计信息,计算模板查询标签对应的回复消息对于目标咨询结果的置信度;
消息排序模块:用于根据置信度对模板查询标签对应的回复消息进行排序,得到排序后的回复消息。
在一实施例中,消息排序模块可以包括概率计算子模块和回复消息排序子模块,具体地:
概率计算子模块:用于基于置信度计算回复消息的回复推荐概率;
回复消息排序子模块:用于基于回复推荐概率对模板查询标签对应的回复消息进行排序,得到排序后的回复消息。
(5)应答单元305:用于当接收到待回复咨询消息时,对待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对待回复咨询消息进行应答。
在一实施例中,应答单元305可以包括接收子单元、标签生成子单元和消息推荐子单元,具体地:
接收子单元:用于当接收到待回复咨询消息时,对待回复咨询消息进行对话意图识别,得到待回复咨询消息的咨询意图和咨询意图对应的意图槽位信息;
标签生成子单元:用于根据咨询意图和咨询意图对应的意图槽位信息生成识别到的模板查询标签;
消息推荐子单元:用于基于识别到的模板查询标签确定对应的目标模板查询标签,并获取目标模板查询标签对应的回复消息模板对待回复咨询消息进行应答。
由上可知,本申请实施例咨询消息应答装置通过获取单元301获取历史会话消息,历史会话消息中包括咨询对象的咨询消息,和咨询消息的回复消息;识别单元302对历史会话消息进行对话意图识别,得到咨询消息的对话意图以及对话意图下的意图槽位信息;筛选单元303从对意图槽位信息中筛选与咨询对象的对象状态相关的目标意图槽位信息;生成单元304根据咨询消息的意图槽位信息和目标意图槽位信息生成模板查询标签,并基于回复消息确定模板查询标签对应的回复消息模板;当接收到待回复咨询消息时,对应答单元305待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对待回复咨询消息进行应答。
本申请实施例通过对历史会话消息生成模板查询标签和对应的回复消息模板,可以快速生成回复消息模板,且由于回复消息模板是根据历史会话消息中的回复消息生成的,并人工基于经验生成,因此生成的回复消息模板的质量稳定性好,当接收到待回复咨询消息时,可以获取到匹配的回复消息模板,提高消息回复的准确性。
本申请实施例还提供一种计算机设备,该计算机设备可以是终端,也可以是服务器,如图10所示,其示出了本申请实施例所涉及的计算机设备的结构示意图,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器1001、一个或一个以上计算机可读存储介质的存储器1002、电源1003和输入单元1004等部件。本领域技术人员可以理解,图10中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器1001是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器1002内的软件程序和/或模块,以及调用存储在存储器1002内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监测。可选的,处理器1001可包括一个或多个处理核心;优选的,处理器1001可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和计算机程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1001中。
存储器1002可用于存储软件程序以及模块,处理器1001通过运行存储在存储器1002的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器1002可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器1002可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器1002还可以包括存储器控制器,以提供处理器1001对存储器1002的访问。
计算机设备还包括给各个部件供电的电源1003,优选的,电源1003可以通过电源管理系统与处理器1001逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1003还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元1004,该输入单元1004可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理器1001会按照如下的指令,将一个或一个以上的计算机程序的进程对应的可执行文件加载到存储器1002中,并由处理器1001来运行存储在存储器1002中的计算机程序,从而实现各种功能,如下:
获取历史会话消息,历史会话消息中包括咨询对象的咨询消息,和咨询消息的回复消息;
对历史会话消息进行对话意图识别,得到咨询消息的对话意图以及对话意图下的意图槽位信息;
从对意图槽位信息中筛选与咨询对象的对象状态相关的目标意图槽位信息;
根据咨询消息的意图槽位信息和目标意图槽位信息生成模板查询标签,并基于回复消息确定模板查询标签对应的回复消息模板;
当接收到待回复咨询消息时,对待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对待回复咨询消息进行应答。
以上各个操作的具体实施可参见前面的实施例,在此不作赘述。
由上可知,本申请实施例的计算机设备可以通过获取历史会话消息,历史会话消息中包括咨询对象的咨询消息,和咨询消息的回复消息;对历史会话消息进行对话意图识别,得到咨询消息的对话意图以及对话意图下的意图槽位信息;从对意图槽位信息中筛选与咨询对象的对象状态相关的目标意图槽位信息;根据咨询消息的意图槽位信息和目标意图槽位信息生成模板查询标签,并基于回复消息确定模板查询标签对应的回复消息模板;当接收到待回复咨询消息时,对待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对待回复咨询消息进行应答。
本申请实施例通过对历史会话消息生成模板查询标签和对应的回复消息模板,可以快速生成回复消息模板,且由于回复消息模板是根据历史会话消息中的回复消息生成的,并人工基于经验生成,因此生成的回复消息模板的质量稳定性好,当接收到待回复咨询消息时,可以获取到匹配的回复消息模板,提高消息回复的准确性。
根据本申请的一个方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序包含计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中各种可选实现方式中提供的方法。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过计算机程序来完成,或通过计算机程序控制相关的硬件来完成,该计算机程序可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有计算机程序,该计算机程序,能够被处理器进行加载,以执行本申请实施例所提供的任一种咨询消息应答方法。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种咨询消息应答方法,因此,可以实现本申请实施例所提供的任一种咨询消息应答方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种咨询消息应答方法、装置、计算机设备和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (15)
1.一种咨询消息应答方法,其特征在于,包括:
获取历史会话消息,所述历史会话消息中包括咨询对象的咨询消息,和所述咨询消息的回复消息;
对所述历史会话消息进行对话意图识别,得到所述咨询消息的对话意图以及所述对话意图下的意图槽位信息;
从对所述意图槽位信息中筛选与所述咨询对象的对象状态相关的目标意图槽位信息;
根据所述咨询消息的意图槽位信息和所述目标意图槽位信息生成模板查询标签,并基于所述回复消息确定所述模板查询标签对应的回复消息模板;
当接收到待回复咨询消息时,对所述待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对所述待回复咨询消息进行应答。
2.根据权利要求1所述的方法,其特征在于,所述对话意图预先配置有至少一个候选意图槽位信息,所述对所述历史会话消息进行对话意图识别,得到所述咨询消息的对话意图以及所述对话意图下的意图槽位信息,包括:
对所述历史会话消息进行对话意图识别,得到所述咨询消息的对话意图,以及所述历史会话消息中与所述对话意图相关的意图文本信息;
根据所述意图文本信息与所述候选意图槽位信息之间的相似度,从所述候选意图槽位信息中,筛选与所述意图文本信息匹配的意图槽位信息;
根据所述咨询消息的对话意图,以及与所述意图文本匹配的意图槽位信息,得到所述咨询消息的对话意图以及所述对话意图下的意图槽位信息。
3.根据权利要求2所述的方法,其特征在于,所述对所述历史会话消息进行对话意图识别,得到所述咨询消息的对话意图,以及所述历史会话消息中与所述对话意图相关的意图文本信息,包括:
对所述历史会话消息进行消息特征提取,得到所述历史会话消息对应的消息特征信息;
根据所述消息特征信息确定与所述咨询消息对应的对话意图,以及所述历史会话消息中与所述对话意图相关的意图文本信息。
4.根据权利要求3所述的方法,其特征在于,所述消息特征信息包括查询特征信息和值特征信息,所述根据所述消息特征信息确定与所述咨询消息对应的对话意图,以及所述历史会话消息中与所述对话意图相关的意图文本信息,包括:
基于所述历史会话消息中文本单元的文本位置,对所述历史会话消息进行文本划分,得到所述历史会话消息对应的多个候选文本;
基于所述查询特征信息和所述值特征信息分别计算所述历史会话消息中每个所述候选文本与预设对话意图之间的相关度;
根据所述相关度从所述预设对话意图中确定与所述咨询消息匹配的对话意图以及所述意图文本信息。
5.根据权利要求2所述的方法,其特征在于,所述根据所述意图文本信息与所述候选意图槽位信息之间的相似度,从所述候选意图槽位信息中,筛选与所述意图文本信息匹配的意图槽位信息,包括:
对所述意图文本信息与所述候选意图槽位信息之间的相似度进行计算;
基于所述相似度对所述候选意图槽位信息进行筛选,得到与所述意图文本信息匹配的意图槽位信息。
6.根据权利要求5所述的方法,其特征在于,所述对所述意图文本信息与所述候选意图槽位信息之间的相似度进行计算,包括:
对所述意图文本信息与所述候选意图槽位信息包含的文本单元进行统计,得到所述意图文本信息和所述意图槽位信息的文本单元并集数量;
对所述候选意图槽位信息包含的文本单元和所述意图文本信息之间相同的文本单元进行统计,得到所述意图文本信息和所述意图槽位信息的文本单元交集数量;
基于所述文本单元并集数量和所述文本单元交集数量,计算所述意图文本信息与所述候选意图槽位信息之间的相似度。
7.根据权利要求1所述的方法,其特征在于,所述基于所述回复消息确定所述模板查询标签对应的回复消息模板,包括:
对模板查询标签对应的回复消息进行统计,得到所述回复消息的消息统计信息;
根据所述消息统计信息,对所述模板查询标签对应的回复消息进行排序,得到排序后的回复消息;
将所述排序后的回复消息作为所述模板查询标签对应的回复消息模板。
8.根据权利要求7所述的方法,其特征在于,所述对模板查询标签对应的回复消息进行统计,得到所述回复消息的消息统计信息,包括:
根据所述咨询消息的对话意图确定所述历史会话消息对应的咨询结果;
对所述回复消息生成指示所述咨询结果的咨询结果标签;
基于所述咨询结果标签对所述回复消息进行统计,得到所述消息统计信息。
9.根据权利要求8所述的方法,其特征在于,所述根据所述消息统计信息,对所述模板查询标签对应的回复消息进行排序,得到所述排序后的回复消息,包括:
根据所述消息统计信息,计算所述模板查询标签对应的回复消息对于目标咨询结果的置信度;
根据所述置信度对所述模板查询标签对应的回复消息进行排序,得到所述排序后的回复消息。
10.根据权利要求9所述的方法,其特征在于,所述根据所述置信度对所述模板查询标签对应的回复消息进行排序,得到所述排序后的回复消息,包括:
基于所述置信度计算所述回复消息的回复推荐概率;
基于所述回复推荐概率对所述模板查询标签对应的回复消息进行排序,得到所述排序后的回复消息。
11.根据权利要求1-10任一项所述的方法,其特征在于,所述当接收到待回复咨询消息时,对所述待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对所述待回复咨询消息进行应答,包括:
当接收到待回复咨询消息时,对所述待回复咨询消息进行对话意图识别,得到所述待回复咨询消息的咨询意图和所述咨询意图对应的意图槽位信息;
根据所述咨询意图和所述咨询意图对应的意图槽位信息生成所述识别到的模板查询标签;
基于所述识别到的模板查询标签确定对应的目标模板查询标签,并获取所述目标模板查询标签对应的回复消息模板对所述待回复咨询消息进行应答。
12.一种咨询消息应答装置,其特征在于,包括:
获取单元,用于获取历史会话消息,所述历史会话消息中包括咨询对象的咨询消息,和所述咨询消息的回复消息;
识别单元,用于对所述历史会话消息进行对话意图识别,得到所述咨询消息的对话意图以及所述对话意图下的意图槽位信息;
筛选单元,用于从对所述意图槽位信息中筛选与所述咨询对象的对象状态相关的目标意图槽位信息;
生成单元,用于根据所述咨询消息的意图槽位信息和所述目标意图槽位信息生成模板查询标签,并基于所述回复消息确定所述模板查询标签对应的回复消息模板;
应答单元,用于当接收到待回复咨询消息时,对所述待回复咨询消息进行模板查询标签识别,并基于识别到的模板查询标签获取对应的回复消息模板对所述待回复咨询消息进行应答。
13.一种计算机设备,其特征在于,包括存储器和处理器;所述存储器存储有计算机程序,所述处理器用于运行所述存储器内的计算机程序,以执行权利要求1至11任一项所述的咨询消息应答方法。
14.一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用于存储计算机程序,所述计算机程序被处理器加载,以执行权利要求1至11任一项所述的咨询消息应答方法。
15.一种计算机程序产品,包括计算机程序,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11任一项所述的咨询消息应答方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211575223.1A CN116303922A (zh) | 2022-12-08 | 2022-12-08 | 咨询消息应答方法、装置、计算机设备、存储介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211575223.1A CN116303922A (zh) | 2022-12-08 | 2022-12-08 | 咨询消息应答方法、装置、计算机设备、存储介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116303922A true CN116303922A (zh) | 2023-06-23 |
Family
ID=86780317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211575223.1A Pending CN116303922A (zh) | 2022-12-08 | 2022-12-08 | 咨询消息应答方法、装置、计算机设备、存储介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116303922A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881429A (zh) * | 2023-09-07 | 2023-10-13 | 四川蜀天信息技术有限公司 | 一种基于多租户的对话模型交互方法、装置及存储介质 |
-
2022
- 2022-12-08 CN CN202211575223.1A patent/CN116303922A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881429A (zh) * | 2023-09-07 | 2023-10-13 | 四川蜀天信息技术有限公司 | 一种基于多租户的对话模型交互方法、装置及存储介质 |
CN116881429B (zh) * | 2023-09-07 | 2023-12-01 | 四川蜀天信息技术有限公司 | 一种基于多租户的对话模型交互方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680159B (zh) | 数据处理方法、装置及电子设备 | |
CN108536852A (zh) | 问答交互方法和装置、计算机设备及计算机可读存储介质 | |
CN111309916B (zh) | 摘要抽取方法和装置、存储介质和电子装置 | |
CN115470338B (zh) | 一种基于多路召回的多场景智能问答方法和系统 | |
CN112559865A (zh) | 信息处理系统、计算机可读存储介质及电子设备 | |
CN111881283A (zh) | 一种业务关键词库创建方法、智能聊天引导方法及装置 | |
CN114238573A (zh) | 基于文本对抗样例的信息推送方法及装置 | |
CN114387061A (zh) | 产品推送方法、装置、电子设备及可读存储介质 | |
CN112231452A (zh) | 基于自然语言处理的问答方法、装置、设备及存储介质 | |
CN111696656A (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
CN116303922A (zh) | 咨询消息应答方法、装置、计算机设备、存储介质和产品 | |
CN113821602B (zh) | 基于图文聊天记录的自动答疑方法、装置、设备及介质 | |
CN113486659B (zh) | 文本匹配方法、装置、计算机设备及存储介质 | |
CN113705698A (zh) | 基于点击行为预测的信息推送方法及装置 | |
CN114186024A (zh) | 推荐方法及装置 | |
CN112199958A (zh) | 概念词序列生成方法、装置、计算机设备及存储介质 | |
CN116844711A (zh) | 基于深度学习的疾病辅助识别方法及装置 | |
CN114492446B (zh) | 法律文书处理方法、装置、电子设备及存储介质 | |
CN114218378A (zh) | 一种基于知识图谱的内容推送方法、装置、设备及介质 | |
CN114068028A (zh) | 医疗问诊数据处理方法及装置、可读存储介质及电子设备 | |
CN113763084A (zh) | 产品推荐的处理方法、装置、设备及存储介质 | |
CN112541357A (zh) | 实体识别方法、装置及智能设备 | |
CN113486145B (zh) | 基于网络节点的用户咨询回复方法、装置、设备及介质 | |
TWI792898B (zh) | 電子病歷資料分析系統與電子病歷資料分析方法 | |
CN115618968B (zh) | 新意图发现方法、装置、电子设备及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40089871 Country of ref document: HK |