CN116303951A - 对话处理方法、装置、电子设备和存储介质 - Google Patents
对话处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116303951A CN116303951A CN202310203765.4A CN202310203765A CN116303951A CN 116303951 A CN116303951 A CN 116303951A CN 202310203765 A CN202310203765 A CN 202310203765A CN 116303951 A CN116303951 A CN 116303951A
- Authority
- CN
- China
- Prior art keywords
- target
- sentence
- dialogue
- reply
- classification
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种对话处理方法、装置、电子设备和存储介质,涉及智能云、深度学习、自然语言处理、云计算等领域。实现方案为:获取目标输入语句所在目标对话的分类标签,分类标签用于指示目标对话的对话意图;根据分类标签和目标输入语句,从话术库中获取至少一个候选话术片段;根据分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定目标回复语句,以根据目标回复语句对目标输入语句进行回复。由此,同时结合用户输入的语句及该语句所在对话的对话意图,确定该语句对应的回复语句,可以提升回复语句确定的准确性。此外,还可以将回复语句提供给客服人员,以辅助客服人员快速解决用户问题。
Description
技术领域
本公开涉及人工智能技术领域,具体为智能云、深度学习、自然语言处理、云计算等技术领域,尤其涉及对话处理方法、装置、电子设备和存储介质。
背景技术
随着人工智能技术和网络化交易业务场景的快速发展,以及互联网商业化的普及与应用,许多企业推行智能营销、智能客服等方案,其旨在应用特定话术引导用户,以向用户实现精准推销产品或服务。
这类场景对客服人员的应答能力具有较高的要求,如果客户人员缺乏经验,则可能无法准确判断用户诉求,从而导致客服人员无法恰当地回应用户的问题,造成商单机会流失。
因此,如何根据用户输入的问题或语句,自动推荐回复语句,以辅助客服人员快速解决用户问题,提升服务效率,进而提升用户对产品的服务体验感是非常重要的。
发明内容
本公开提供了一种用于对话处理方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种对话处理方法,包括:
获取待回复的目标输入语句;
获取所述目标输入语句所在的目标对话的第一分类标签;其中,所述第一分类标签用于指示所述目标对话的对话意图;
根据所述第一分类标签和所述目标输入语句,从话术库中获取至少一个候选话术片段;其中,所述候选话术片段中的候选分类标签与所述第一分类标签相似,所述候选话术片段中的候选输入语句与所述目标输入语句相似;
根据所述第一分类标签和所述目标输入语句,与各所述候选话术片段中的候选回复语句之间的匹配度,从各所述候选回复语句中确定目标回复语句,以根据所述目标回复语句对所述目标输入语句进行回复。
根据本公开的另一方面,提供了一种对话处理装置,包括:
第一获取模块,用于获取待回复的目标输入语句;
第二获取模块,用于获取所述目标输入语句所在的目标对话的第一分类标签;其中,所述第一分类标签用于指示所述目标对话的对话意图;
第三获取模块,用于根据所述第一分类标签和所述目标输入语句,从话术库中获取至少一个候选话术片段;其中,所述候选话术片段中的候选分类标签与所述第一分类标签相似,所述候选话术片段中的候选输入语句与所述目标输入语句相似;
第一确定模块,用于根据所述第一分类标签和所述目标输入语句,与各所述候选话术片段中的候选回复语句之间的匹配度,从各所述候选回复语句中确定目标回复语句,以根据所述目标回复语句对所述目标输入语句进行回复。
根据本公开的又一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开上述一方面提出的对话处理方法。
根据本公开的再一方面,提供了一种计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开上述一方面提出的对话处理方法。
根据本公开的还一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开上述一方面提出的对话处理方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例一所提供的对话处理方法的流程示意图;
图2为本公开实施例二所提供的对话处理方法的流程示意图;
图3为本公开实施例三所提供的对话处理方法的流程示意图;
图4为本公开实施例四所提供的对话处理方法的流程示意图;
图5为本公开实施例五所提供的对话处理方法的流程示意图;
图6为本公开实施例六所提供的对话处理方法的流程示意图;
图7为本公开实施例七所提供的对话处理方法的流程示意图;
图8为本公开实施例所提供的对话处理流程示意图;
图9为本公开实施例所提供的营销对话场景中的各个对话环节示意图;
图10为本公开实施例所提供的话术抽取示意图;
图11为本公开实施例所提供的话术匹配流程示意图;
图12为本公开实施例八所提供的对话处理装置的结构示意图;
图13示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
随着人工智能技术的不断发展,以及互联网商业化的普及与应用,许多企业推行智能营销、智能客服等方案,其旨在应用特定话术引导用户需求,以根据用户需求向用户精准推销产品或服务。
这类场景需要资深的业务人员手工总结优秀话术,对客服人员应答能力具有要求较高。然而人工总结的话术数量有限,当用户提出的问题或语句较为复杂时,客服人员由于缺乏经验通常难以准确判断用户诉求,无法恰当地回应用户问题,造成商单机会流失。
具体地,在话术生产阶段,通过专业的话务人员手工梳理优秀话术,在话术推荐阶段,根据用户输入的问题或语句,基于语义特征聚类得到相似问题,以及相似问题对应的候选话术集合,并对每个候选话术集合构造更高维的文本特征,通过分类模型对文本特征进行分类,得到每个候选话术集合的分类概率,该分类概率用于指示对应候选话术集合成为推荐话术的概率,进而可以根据分类概率,从各候选话术集合中确定推荐话术。
上述方式至少存在以下缺点:
第一,优秀话术由专业的话术人员手工总结,模板单一,数量较少,虽然可以解决常见的用户问题,但是覆盖面不够广泛,不能满足大量超纲的用户问题;
第二,在话术推荐阶段,仅依赖语义匹配特征和单一的分类特征生成候选话术,特征粒度较粗,得到的推荐话术内容较为宽泛,不能切实解决用户的真正需求;
第三,营销场景中的对话具有分明的阶段性特征,用户反馈的问题也可以总结为规律性的卡点特征,面对不同阶段不同的用户卡点特征,需要灵活地选取不同话术应答用户,而上述方式无法满足这类精细化的话术推荐需求。
针对上述存在的至少一项问题,本公开提出一种对话处理方法、装置、电子设备和存储介质。
下面参考附图描述本公开实施例的对话处理方法、装置、电子设备和存储介质。
图1为本公开实施例一所提供的对话处理方法的流程示意图。
本公开实施例以该对话处理方法被配置于对话处理装置中来举例说明,该对话处理装置可以应用于任一电子设备中,以使该电子设备可以执行对话处理功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑(PersonalComputer,简称PC)、移动终端、服务器等,移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该对话处理方法可以包括以下步骤:
步骤101,获取待回复的目标输入语句。
在本公开实施例中,目标输入语句可以为用户输入的对话语句或问题语句,输入方式包括但不限于触摸输入(如滑动、点击等)、键盘输入、语音输入等。其中,目标输入语句中可以包括文本信息、图片信息、音频信息、视频信息中的至少一项。
可选地,当目标输入语句中包括图片信息、音频信息、视频信息时,可以对图片信息进行OCR(Optical Character Recognition,光学字符识别)识别,对音频信息进行语音识别,对视频信息进行字幕识别,以获取文本形式的目标输入语句。
步骤102,获取目标输入语句所在的目标对话的第一分类标签;其中,第一分类标签用于指示目标对话的对话意图。
在本公开实施例中,可以对目标输入语句所在的目标对话中用户输入的各语句进行分类,以得到第一分类标签,其中,第一分类标签用于指示目标对话的对话意图。
作为一种示例,在服务或产品的营销场景中,第一分类标签可以包括但不限于无需求、效果质疑、价格质疑、信任质疑、业务能力质疑、退订、情绪激动、其他类别的标签。
步骤103,根据第一分类标签和目标输入语句,从话术库中获取至少一个候选话术片段;其中,候选话术片段中的候选分类标签与第一分类标签相似,候选话术片段中的候选输入语句与目标输入语句相似。
在本公开实施例中,话术库中可以包括多个样本话术片段,其中,样本话术片段中包括输入语句、分类标签(用于指示输入语句所在对话的对话意图)、输入语句对应的回复语句,比如,样本话术片段的形式可以为:分类标签##输入语句##回复语句。
在本公开实施例中,可以根据第一分类标签和目标输入语句,从话术库中的多个样本话术片段中,确定至少一个候选话术片段,其中,候选话术片段中的分类标签(本公开中记为候选分类标签)与第一分类标签相似或一致,并且,候选话术片段中的输入语句(本公开中记为候选输入语句)与目标输入语句相似,例如,候选输入语句与目标输入语句之间的语义相似度高于设定的相似度阈值。
步骤104,根据第一分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定目标回复语句,以根据目标回复语句对目标输入语句进行回复。
在本公开实施例中,针对任意一个候选话术片段,可以计算第一分类标签和目标输入语句,与该候选话术片段中的回复语句(本公开中记为候选回复语句)之间的匹配度,从而本公开中,可以根据各候选回复语句的匹配度,从各候选回复语句中确定目标回复语句。
例如,可以将匹配度最高的候选回复语句,作为目标回复语句。
再比如,可以将匹配度高于设定阈值的候选回复语句,作为目标回复语句。
再比如,可以将各候选回复语句按照匹配度的取值,由大至小排序,并将排序在前的设定个数的候选回复语句,作为目标回复语句。
本公开中,可以根据目标回复语句对目标输入语句进行回复。
在本公开实施例的一种可能的实现方式中,可以根据目标回复语句,对目标输入语句进行自动回复。
在本公开实施例的另一种可能的实现方式中,还可以将目标回复语句提供给客服人员,由客服人员根据目标回复语句对目标对话中的目标输入语句进行人工回复,即目标回复语句的作用为:辅助客服人员对用户输入的目标输入语句进行人工回复。
本公开实施例的对话处理方法,通过获取目标输入语句所在的目标对话的第一分类标签;其中,第一分类标签用于指示目标对话的对话意图;根据第一分类标签和目标输入语句,从话术库中获取至少一个候选话术片段;其中,候选话术片段中的候选分类标签与第一分类标签相似,候选话术片段中的候选输入语句与目标输入语句相似;根据第一分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定目标回复语句,以根据目标回复语句对目标输入语句进行回复。由此,可以实现同时结合用户输入的语句,以及该语句所在对话的对话意图,确定该语句对应的回复语句,可以提升回复语句确定的准确性。此外,在客服人员人工回复场景中,可以将确定的回复语句提供给客服人员,以辅助客服人员快速解决用户问题,不仅可以提升客服人员的服务效率,还可以提升用户体验。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均在征得用户同意的前提下进行,并且均符合相关法律法规的规定,且不违背公序良俗。
为了清楚说明上述实施例是如何根据第一分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定目标回复语句的,本公开还提出一种对话处理方法。
图2为本公开实施例二所提供的对话处理方法的流程示意图。
如图2所示,该对话处理方法可以包括以下步骤:
步骤201,获取待回复的目标输入语句。
步骤202,获取目标输入语句所在的目标对话的第一分类标签;其中,第一分类标签用于指示目标对话的对话意图。
步骤203,根据第一分类标签和目标输入语句,从话术库中获取至少一个候选话术片段;其中,候选话术片段中的候选分类标签与第一分类标签相似,候选话术片段中的候选输入语句与目标输入语句相似。
步骤201至203的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
步骤204,针对任一候选话术片段中的候选回复语句,将第一分类标签、目标输入语句与候选回复语句进行拼接,以得到拼接文本。
在本公开实施例中,针对任意一个候选话术片段,可以将第一分类标签和目标输入语句与该候选话术片段中的候选回复语句进行拼接,得到拼接文本。
作为一种示例,可以在第一分类标签之后拼接目标输入语句,并在目标输入语句之后拼接候选回复语句,得到拼接文本。
步骤205,对拼接文本进行特征提取,以得到文本特征。
在本公开实施例中,可以对拼接文本进行特征提取,得到文本特征,比如,该文本特征可以为高维特征向量。
步骤206,将文本特征进行分类,以得到候选回复语句的分类概率,其中,分类概率用于指示候选回复语句与目标输入语句之间的匹配度。
在本公开实施例中,可以对文本特征进行分类,得到候选回复语句的分类概率,其中,分类概率用于指示该候选回复语句与目标输入语句之间的匹配度。
作为一种可能的实现方式,为了提升分类概率计算结果的准确性,可以基于深度学习技术,对文本特征进行分类,得到候选回复语句的分类概率。
作为一种示例,可以基于二分类模型对文本特征进行分类,得到候选回复语句与目标输入语句是否匹配的分类概率,当分类概率大于特定阈值时,表明候选回复语句与目标输入语句匹配,而当分类概率小于或等于特定阈值时,表明候选回复语句与目标输入语句不匹配。
步骤207,根据各候选回复语句的分类概率,从各候选回复语句中确定目标回复语句,以根据目标回复语句对目标输入语句进行回复。
在本公开实施例中,可以根据各候选回复语句的分类概率,从各候选回复语句中确定目标回复语句。
作为一种示例,可以将分类概率最大的候选回复语句,作为目标回复语句。
作为另一种示例,可以将分类概率高于设定阈值的候选回复语句,作为目标回复语句。
作为又一种示例,可以将各候选回复语句按照分类概率的取值,由大至小排序,并将排序在前的设定个数的候选回复语句,作为目标回复语句。
由此,可以实现基于不同方式,确定目标回复语句,可以提升该方法的灵活性和适用性。
本公开中,可以根据目标回复语句对目标输入语句进行回复。
在本公开实施例的一种可能的实现方式中,可以根据目标回复语句,对目标输入语句进行自动回复。
在本公开实施例的另一种可能的实现方式中,还可以将目标回复语句提供给客服人员,由客服人员根据目标回复语句对目标对话中的目标输入语句进行人工回复,即目标回复语句的作用为:辅助客服人员对用户输入的目标输入语句进行人工回复。
本公开实施例的对话处理方法,可以实现根据候选回复语句与目标输入语句之间的匹配度,从各候选回复语句中有效确定目标回复语句,可以提升目标回复语句确定的准确性和可靠性。
为了清楚说明上述实施例中是如何建立话术库的,本公开还提出一种对话处理方法。
图3为本公开实施例三所提供的对话处理方法的流程示意图。
如图3所示,该对话处理方法可以包括以下步骤:
步骤301,获取至少一轮对话中的各历史对话语句。
在本公开实施例中,可以从对话日志中,获取至少一轮对话中的各历史对话语句。
需要说明的是,原始对话语句中可能包含无意义的语气词、重复片段以及错别字等,将上述原始对话语句直接输入模型进行识别或分类,可能会造成语义偏差,因此,针对上述情况,在本公开实施例的一种可能的实现方式中,可以对对话日志进行解析,以得到至少一轮对话中的多条原始对话语句(本公开中记为初始对话语句),可以对各轮对话中的多条初始对话语句进行预处理,以得到各轮对话中的各历史对话语句。其中,预处理包括语气词去除处理、重复词去除处理、错别字纠正处理和口语化改写处理中的至少一项。
由此,可以实现对各轮对话中的对话语句进行预处理,得到表意清晰、语句通顺的历史对话语句,可以提升后续分类结果的准确性。
步骤302,对任一轮对话中的各历史对话语句进行划分,以得到至少一个文本片段。
在本公开实施例中,针对任意一轮对话,可以对该对话中的各历史对话语句进行划分,以得到至少一个文本片段。
作为一种可能的实现方式,可以基于分类任务,对该对话中的各历史对话语句进行分类,得到各历史对话语句的分类概率(用于指示历史对话语句的末尾是分段位的概率值),根据各历史对话语句的分类概率,对该对话中的各历史对话语句进行划分,得到至少一个文本片段。
作为一种示例,一轮对话中的每个历史对话语句的末尾都有可能作为分段位,通过预先训练的分类模型对一轮对话中每个历史对话语句的末尾进行分类,得到每个历史对话语句的末尾的分类概率(即该历史对话语句的末尾是分段位的概率值),当某个历史对话语句的末尾的分类概率大于特定阈值时,则表示该历史对话语句以后重新划分一个自然段(本公开中记为文本片段)。
举例而言,假设一轮对话中包括历史对话语句1、历史对话语句2、历史对话语句3、历史对话语句4和历史对话语句5,假设历史对话语句2的末尾的分类概率大于特定阈值,以及历史对话语句4的末尾的分类概率大于特定阈值,则可以划分得到3个文本片段,其中一个文本片段包含历史对话语句1和历史对话语句2,另一个文本片段包含历史对话语句3和历史对话语句4,又一个文本片段包含历史对话语句5。
步骤303,对各文本片段进行分类,以得到各文本片段的第二分类标签,其中,第二分类标签用于指示文本片段所属的对话环节。
在本公开实施例中,可以对各文本片段进行分类,以得到各文本片段的第二分类标签,其中,第二分类标签用于指示对应文本片段所属的对话环节。
作为一种示例,在服务或产品的营销场景中,对话环节可以包括但不限于:开场白、产品介绍、需求问询、背景挖掘、案例介绍、闲聊、套电留联(即套电话号码,留联系方式)、结束语等环节。
在本公开实施例的一种可能的实现方式中,为了提升分类结果的准确性,可以基于深度学习技术,对各文本片段进行分类,得到各文本片段的第二分类标签。
作为一种示例,针对任意一个文本片段,可以将该文本片段输入至第一分类模型进行分类,以得到第一分类模型输出的多个分类标签的分类概率,从而可以根据多个分类标签的分类概率,从多个分类标签中确定第二分类标签。比如,可以将分类概率最大的分类标签,作为第二分类标签。
其中,第一分类模型基于样本文本片段训练得到,其中,样本文本片段上标注有第一标注标签,第一标注标签用于指示样本文本片段所属的对话环节。
例如,可以将样本文本片段输入第一分类模型进行分类,得到多个分类标签的分类概率,并根据多个分类标签的分类概率,从多个分类标签中确定预测分类标签,从而本公开中,可以根据预测分类标签和样本文本片段所标注的第一标注标签之间的差异,对第一分类模型进行训练。
一种示例,可以根据预测分类标签和第一标注标签之间的差异,确定损失函数的取值(后续称为第一损失值),从而可以根据第一损失值,对第一分类模型中的模型参数进行调整,以使上述第一损失值最小化。
需要说明的是,上述仅以模型训练的终止条件为第一损失值最小化进行示例,实际应用时,还可以设置其他终止条件,比如,终止条件还可以包括训练时长达到设定时长、训练次数达到设定次数等等,本公开对此并不作限制。
由此,可以实现基于深度学习技术,对各文本片段进行分类,得到各文本片段的第二分类标签,可以提升分类结果的准确性。
步骤304,在各第二分类标签中存在设定分类标签的情况下,根据对话中的各历史对话语句,生成至少一个样本话术片段。
在本公开实施例中,设定分类标签为预先设定的分类标签,比如,在营销场景中,为了增加成单几率,设定分类标签所指示的对话环节可以为套电留联环节。
在本公开实施例中,可以判断各第二分类标签中是否存在设定分类标签,在各第二分类标签中不存在设定分类标签的情况下,可以无需任何处理,即,无需根据该对话中的各历史对话语句,生成话术库中的样本话术片段,而在各第二分类标签中存在设定分类标签的情况下,可以根据对话中的各历史对话语句,生成至少一个样本话术片段。
步骤305,根据各样本话术片段建立话术库。
在本公开实施例中,可以根据各样本话术片段建立话术库,即,可以将各样本话术片段存储至话术库中。
需要说明的是,本公开仅以步骤301至305在步骤306之前执行进行示例,但本公开并不限于此,实际应用时,步骤301至305仅需在步骤308之前执行即可。例如,步骤301至305还可以在步骤306之后,且在步骤307之前执行,再例如,步骤301至305还可以在步骤307之后,且在步骤308之前执行,再例如,步骤301至305还可以与步骤306并列执行,再例如,步骤301至305还可以与步骤307并列执行,等等,本公开对此并不做限制。
步骤306,获取待回复的目标输入语句。
步骤307,获取目标输入语句所在的目标对话的第一分类标签;其中,第一分类标签用于指示目标对话的对话意图。
步骤308,根据第一分类标签和目标输入语句,从话术库中获取至少一个候选话术片段。
其中,候选话术片段中的候选分类标签与第一分类标签相似,候选话术片段中的候选输入语句与目标输入语句相似。
步骤309,根据第一分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定目标回复语句,以根据目标回复语句对目标输入语句进行回复。
步骤306至309的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
本公开实施例的对话处理方法,可以实现根据各历史对话语句,生成样本话术片段,提升话术库建立的有效性。并且,根据对话日志中大量的历史对话语句,自动构建话术库,可以提升话术库中样本话术片段的数量,覆盖面较为广泛,解决人工总结样本话术片段,存在数量少、模板单一的问题。
为了清楚说明上述实施例中是如何根据对话中的各历史对话语句,生成至少一个样本话术片段的,本公开还提出一种对话处理方法。
图4为本公开实施例四所提供的对话处理方法的流程示意图。
如图4所示,该对话处理方法可以包括以下步骤:
步骤401,获取至少一轮对话中的各历史对话语句。
步骤402,对任一轮对话中的各历史对话语句进行划分,以得到至少一个文本片段。
步骤403,对各文本片段进行分类,以得到第二分类标签,其中,第二分类标签用于指示文本片段所属的对话环节。
步骤401至403的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
步骤404,在各第二分类标签中存在设定分类标签的情况下,对对话中的各历史对话语句进行分组,以得到至少一个对话对。
其中,对话对中包括历史输入语句和历史输入语句对应的历史回复语句。
其中,设定分类标签的解释说明可以参见上述实施例中的相关描述,在此不做赘述。
在本公开实施例中,在各第二分类标签中存在设定分类标签的情况下,可以对上述对话中的各历史对话语句进行划分或分组,以得到至少一个对话对。其中,每个对话对中包括一个用户输入的语句(本公开中记为历史输入语句)和该历史输入语句对应的回复语句(本公开中记为历史回复语句)。
也就是说,各历史对话语句中包括历史输入数据和历史回复语句,可以将一个历史输入语句和该历史输入语句对应的历史回复语句划分为一组,得到一个对话对。
步骤405,针对任一对话对,获取对话对中的历史输入语句所在对话的第三分类标签。
其中,第三分类标签用于指示历史输入语句所在对话的对话意图。
在本公开实施例中,针对任意一个对话对,可以获取该对话对中的历史输入语句所在对话的第三分类标签。例如,可以对该历史输入语句所在对话中用户输入的各语句进行分类,得到第三分类标签,其中,第三分类标签用于指示历史输入语句所在对话的对话意图。
作为一种示例,在服务或产品的营销场景中,第三分类标签可以包括但不限于无需求、效果质疑、价格质疑、信任质疑、业务能力质疑、退订、情绪激动、其他类别的标签。
步骤406,根据第三分类标签、对话对中的历史输入语句和历史回复语句,生成样本话术片段。
在本公开实施例中,可以根据第三分类标签、对话对中的历史输入语句和历史回复语句,生成样本话术片段。比如,样本话术片段的形式可以为:第三分类标签##历史输入语句##历史回复语句。
步骤407,根据各样本话术片段建立话术库。
步骤408,获取待回复的目标输入语句。
步骤409,获取目标输入语句所在的目标对话的第一分类标签;其中,第一分类标签用于指示目标对话的对话意图。
步骤410,根据第一分类标签和目标输入语句,从话术库中获取至少一个候选话术片段。
其中,候选话术片段中的候选分类标签与第一分类标签相似,候选话术片段中的候选输入语句与目标输入语句相似。
步骤411,根据第一分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定目标回复语句,以根据目标回复语句对目标输入语句进行回复。
步骤407至411的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
本公开实施例的对话处理方法,可以实现根据分类标签、历史输入语句和历史回复语句,有效生成样本话术片段,提升话术库建立的有效性。
为了清楚说明本公开上述实施例,本公开还提出一种对话处理方法。
图5为本公开实施例五所提供的对话处理方法的流程示意图。
如图5所示,该对话处理方法可以包括以下步骤:
步骤501,获取待回复的目标输入语句。
步骤501的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
步骤502,确定目标输入语句所在的目标对话。
在本公开实施例中,可以获取目标输入数据所在的对话,本公开中记为目标对话。
步骤503,从目标对话中获取至少一个第一输入语句。
在本公开实施例中,可以从目标对话中,获取用户输入的至少一个语句(本公开中记为第一输入语句)。
步骤504,采用第二分类模型对目标输入语句和至少一个第一输入语句进行分类,以得到第二分类模型输出的多个预测标签的分类概率。
在本公开实施例中,可以将目标输入语句和至少一个第一输入语句输入至第二分类模型进行分类,得到第二分类模型输出的多个预测标签的分类概率。
作为一种示例,在服务或产品的营销场景中,预测标签可以包括但不限于无需求、效果质疑、价格质疑、信任质疑、业务能力质疑、退订、情绪激动、其他类别的标签。
其中,第二分类模型基于样本语句训练得到,其中,样本语句上标注有第二标注标签,第二标注标签用于指示样本语句所在对话的对话意图。
例如,可以将样本语句输入第二分类模型进行分类,得到多个预测标签的分类概率,并根据多个预测标签的分类概率,从多个预测标签中确定目标分类标签,从而本公开中,可以根据目标分类标签和样本语句所标注的第二标注标签之间的差异,对第二分类模型进行训练。
一种示例,可以根据目标分类标签和第二标注标签之间的差异,确定损失函数的取值(后续称为第二损失值),从而可以根据第二损失值,对第二分类模型中的模型参数进行调整,以使上述第二损失值最小化。
需要说明的是,上述仅以模型训练的终止条件为第二损失值最小化进行示例,实际应用时,还可以设置其他终止条件,比如,终止条件还可以包括训练时长达到设定时长、训练次数达到设定次数等等,本公开对此并不作限制。
步骤505,根据多个预测标签的分类概率,从多个预测标签中确定第一分类标签。
在本公开实施例中,可以根据多个预测标签的分类概率,从多个预测标签中确定第一分类标签。比如,可以将分类概率最大的预测标签,作为第一分类标签。其中,第一分类标签用于指示目标对话的对话意图。
步骤506,根据第一分类标签和目标输入语句,从话术库中获取至少一个候选话术片段。
其中,候选话术片段中的候选分类标签与第一分类标签相似,候选话术片段中的候选输入语句与目标输入语句相似。
步骤507,根据第一分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定目标回复语句,以根据目标回复语句对目标输入语句进行回复。
步骤506至507的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
本公开实施例的对话处理方法,可以实现基于深度学习技术,对目标对话中用户输入的各语句进行分类,得到用于指示目标对话的对话意图的第一分类标签,可以提升分类结果的准确性。
在本公开实施例的一种可能的实现方式中,在客服人员人工回复场景中,可以将目标回复语句提供给客服人员,以辅助客服人员快速解决用户问题。下面结合图6,对上述过程进行详细说明。
图6为本公开实施例六所提供的对话处理方法的流程示意图。
如图6所示,该对话处理方法可以包括以下步骤:
步骤601,获取待回复的目标输入语句。
步骤602,获取目标输入语句所在的目标对话的第一分类标签;其中,第一分类标签用于指示目标对话的对话意图。
步骤603,根据第一分类标签和目标输入语句,从话术库中获取至少一个候选话术片段。
其中,候选话术片段中的候选分类标签与第一分类标签相似,候选话术片段中的候选输入语句与目标输入语句相似。
步骤604,根据第一分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定多个目标回复语句。
步骤601至604的解释说明可以参见本公开任一实施例中的相关描述。
在本公开实施例中,可以根据第一分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定多个目标回复语句。
作为一种示例,可以将各候选回复语句按照匹配度的取值,由大至小排序,并将排序在前的设定个数的候选回复语句,作为目标回复语句。
作为另一种示例,可以将匹配度高于设定的相似度阈值的候选回复语句,作为目标回复语句。
步骤605,将多个目标回复语句按照分类概率由大至小排序,得到第一排序序列,并向目标客服发送第一排序序列,以通过目标客服根据第一排序序列回复目标输入语句。
其中,目标客服为处理目标对话中用户输入语句或问题的客服人员。
在本公开实施例中,可以将多个目标回复语句按照分类概率由大至小排序,得到第一排序序列,并向目标客服发送第一排序序列,以辅助目标客服根据第一排序序列,回复目标输入语句。
步骤606,从各候选话术片段中,确定各目标回复语句所在的目标话术片段;根据各目标回复语句的分类概率,将各目标话术片段进行排序,得到第二排序序列;向目标客服发送第二排序序列,以通过目标客服根据第二排序序列回复目标输入语句。
在本公开实施例中,还可以从各候选话术片段中,确定各目标回复语句所在的目标话术片段,并根据各目标话术片段中目标回复语句的分类概率,将各目标话术片段进行排序,得到第二排序序列。比如,将多个目标话术片段,按照多个目标话术片段中目标回复语句的分类概率,由大至小排序,得到第二排序序列。并且,还可以将向目标客服发送第二排序序列,以辅助目标客服根据第二排序序列,回复目标输入语句。
本公开实施例的对话处理方法,不仅可以向客服人员推送多个回复语句,以使客服人员根据多个回复语句,对用户进行回复,还可以向客户人员推送多个话术片段,以使客户人员同时结合话术片段中的输入语句和回复语句,对用户进行回复,不仅可以实现精准推荐语句或话术片段,还可以实现辅助客服人员快速且准确地解决用户问题,帮助客服人员更快地了解业务流程,提升服务效率。
在本公开实施例的一种可能的实现方式中,在客服人员人工回复场景中,可以将目标回复语句所在的话术片段提供给客服人员,以辅助客服人员快速解决用户问题。下面结合图7,对上述过程进行详细说明。
图7为本公开实施例七所提供的对话处理方法的流程示意图。
如图7所示,该对话处理方法可以包括以下步骤:
步骤701,获取待回复的目标输入语句。
步骤702,获取目标输入语句所在的目标对话的第一分类标签;其中,第一分类标签用于指示目标对话的对话意图。
步骤703,根据第一分类标签和目标输入语句,从话术库中获取至少一个候选话术片段。
其中,候选话术片段中的候选分类标签与第一分类标签相似,候选话术片段中的候选输入语句与目标输入语句相似。
步骤704,根据第一分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定目标回复语句。
步骤701至704的解释说明可以参见本公开任一实施例中的相关描述。
在本公开的任意一个实施例之中,候选话术片段中还可以包括至少一个关联回复语句,其中,关联回复语句与候选话术片段中的候选回复语句位于同一轮对话中,且关联回复语句的回复时刻晚于候选回复语句的回复时刻。比如,候选话术片段的形式可以为:候选分类标签##候选输入语句##候选回复语句##关联回复语句##关联回复语句##……。
举例而言,针对某一个候选话术片段,该候选话术片段中的候选回复语句是某个对话中客服回复的第i条语句,关联回复语句可以为客服回复的第i+1条语句、客服回复的第i+2条语句等。
步骤705,从各候选话术片段中,确定目标回复语句所在的目标话术片段。
在本公开实施例中,可以从各候选话术片段中,确定目标回复语句所在的目标话术片段,即目标话术片段为包含目标回复语句的候选话术片段。
步骤706,向目标客服发送目标话术片段,或者,向目标客服发送目标话术片段中的目标回复语句和至少一个目标关联回复语句。
在本公开实施例中,可以向目标客服发送目标话术片段,以辅助目标客服根据目标话术片段中的目标回复语句,回复目标输入数据。并且,还可以辅助目标客服根据目标话术片段中至少一个关联回复语句(本公开中记为目标关联回复语句),回复用户后续输入的语句或问题,即回复目标对话中位于目标输入语句之后的输入语句。
在本公开实施例中,还可以直接向目标客服发送目标话术片段中的目标回复语句和至少一个目标关联回复语句,以使目标客服根据目标回复语句回复,回复目标输入语句,根据至少一个目标关联回复语句,回复目标对话中位于目标输入语句之后的输入语句,即回复输入时刻晚于目标输入语句的各输入语句。
本公开实施例的对话处理方法,不仅可以实现向客服人员推送当前用户输入的语句或问题所对应的回复语句,还向客服人员提前推送用户后续可能输入的语句或问题所对应的回复语句,可以实现辅助客服人员快速且准确地解决用户问题,帮助客服人员更快地了解业务流程,提升服务效率。
在本公开的任意一个实施例之中,可以对大量的对话日志进行分析,以识别用户的卡点问题(即输入语句),批量生产优秀话术,从而解决频繁出现但相对简单的用户问题,同时面对复杂的用户需求时,可实时精准地推荐候选话术片段,辅助客服人员判断并快速解决用户问题,帮助客服人员更快地了解业务流程,提升服务效率,进而提升用户对产品的服务体验感,制造更多的商单机会,给企业带来潜在的商业价值。
对话处理流程可以如图8所示,分为离线话术挖掘阶段和在线话术推荐阶段,在离线话术挖掘阶段(即离线生产阶段),可以对大量的历史对话语句进行去口语化处理,然后,根据客户-客服一问一答的句对形式存入ES(Elasticsearch,是一种非关系型的分布式全文检索框架,采用倒排索引的存储方式,适合复杂检索和全文检索场景)数据库以供后续检索,之后,可以进行卡点识别(即意图识别)、环节识别,再经过卡点和环节特征抽取对应卡点问题(即输入语句)的话术片段,存入话术库中;在线话术推荐阶段,可以基于线上用户的输入语句,将用户意图转化为文本特征和卡点特征输入到话术匹配模型中,最终得到高分的候选话术片段。
其中,关键技术点包括:
1、去口语化。
营销对话数据通常是经过语音识别再转为文字,这类文本口语化特征严重,具有较多无意义的语气词、重复片段以及错别字,直接输入模型处理会造成语义偏差,间接影响后续抽取的话术质量。因此本公开中,首先,可以对原始对话数据进行去口语化,包括去除语气词、去除重复词、错别字纠正以及口语化改写,目的是清洗并产出表意清晰、语句通顺的对话内容。之后,可以将对话数据按照客户-客服一问一答的句对形式存入数据库中,以此保存历史对话数据或历史对话语句,供后续话术抽取阶段使用。
其中,由于对话数据体量较大,为了更高效地检索对话片段,可以使用ES数据库。
2、卡点识别,即对话意图识别。
营销场景的对话主题通常是围绕推销一款特定服务或产品,在此过程中,涉及到用户对于客服人员回答或产品、服务的各类反馈,本公开旨在针对这类反馈特征抽取生产话术,以主动安抚引导用户,增加成单几率,因此针对用户的对话内容,总结了8类卡点标签:无需求、效果质疑、价格质疑、信任质疑、业务能力质疑、退订、情绪激动、其他类,需要说明的是,上述仅以包括8类卡点标签进行示例,实际应用时,可以根据实际场景可灵活调整卡点标签。
以卡点标签为无需求进行示例,当用户的对话语句(即输入语句)包含“不需要、暂时不考虑该产品、目前没有这类需求”等词语时,则该对话语句属于无需求卡点标签。
可以基于大量的历史对话数据,人工标注少量的卡点标签,提前训练一个用于卡点识别的分类模型(本公开中记为第二分类模型),该分类模型的输入是一句用户输入的对话语句,通过一系列语义计算,输出该对话语句属于各类卡点标签的概率值,取概率值最大的卡点标签,作为该对话语句的卡点标签。
3、环节识别。
一通完整的营销对话通常包含图9所示的整个流程,各对话环节阶段用户的反馈具有不同的特点,如何引导用户快速进入成单环节,需要根据环节阶段的特征制定相应的话术,因此对话环节识别在话术挖掘中也是相对重要的一环。具体而言,实际场景中根据客服人员回答的情况,对话可能在任意环节阶段结束,一次成功的推销具有较长的对话时长,且可完整地流转至套电留联环节,在套电留联环节,用户通常表现出愿意继续了解或试用产品或服务的倾向,有意开展后续的深度合作,因此当一段对话能够成功地流转至该套电留联环节,则认为该段对话所有的用户输入语句对应的客服回答均为有效话术。
为了准确识别各个对话环节阶段,可以预先训练一个环节识别模型,其中,环节识别分为对话分段和环节分类两个阶段。对话分段可转化为分类任务,即一轮对话中的每句话末尾都有可能作为分段位,通过预先训练的分类模型输出一轮对话中每句话末尾是分段位的概率值,当概率值大于特定阈值时,则表示该句话以后重新划分一个自然段(本公开中记为文本片段)。
根据划分的自然段(即文本片段),分别将每个自然段输入到预先训练好的环节分类模型(本公开中记为第一分类模型),根据自然段的文本特征,通过语义计算输出该自然段属于各类对话环节标签的概率值,取概率最大的对话环节标签,作为该自然段的对话环节标签。
4、话术抽取。
如图10所示,在完成卡点识别和对话环节识别后,若检测到本轮对话成功进行到套电留联环节,则认为本轮对话中客服所回复的任意卡点问题均是有效话术,之后将圈选的话术以卡点标签(本公开中记为第三分类标签)##客户卡点位置文本(本公开中记为历史输入语句)##客服卡点回复(本公开中记为历史答复语句)的形式存入话术库中,由此产生一条针对无需求卡点问题的候选话术片段,供后续话术匹配阶段使用,其他卡点问题也以类似的形式进行针对性话术圈选。此外,圈选过程可限定圈选范围深度,可选择卡点位置后多轮应答范围作为有效话术,可根据具体需求灵活配置。
5、话术匹配。
根据大量的历史对话数据完成话术库的构建,在线上使用时,实时通过用于卡点识别的分类模型监测当前用户所在的对话是否命中某类卡点标签,当识别出该对话中用户的输入语句属于某类卡点标签的概率较大时,则通过话术匹配模型获取针对当前输入语句的优秀话术。
其中,话术匹配模型的输入是卡点标签以及用户的输入语句,输出是包含置信度的优秀话术集合。
话术匹配流程可以如图11所示,首先,可以根据卡点标签和卡点问题(用户的输入语句)从话术库中检索出相似的卡点问题对应的话术片段,此过程通过字面特征初步圈选话术范围,之后,通过话术匹配模型计算该卡点问题最适合的话术,其中话术匹配模型是预先训练好的二分类模型,通过将卡点标签、卡点问题和候选话术片段中的客服卡点回复拼接输入到文本特征化流程中,将文本转化为高维特征向量,经过一系列复杂神经网络计算后,输出是否匹配的概率,当概率值大于特定阈值时,则表示当前的候选话术片段中的客服卡点回复与卡点问题匹配成功。由此,可按概率值高低输出优秀的候选话术集合,提供到客服人员,辅助判断当前用户问题的解决方案。
综上,该方案具备话术生产和优秀话术推荐的能力,与现有技术相比,本公开以营销场景对话切入,细粒度划分客户对话多维度特征,针对不同的卡点问题、环节特征,针对性地圈选有效话术,同时通过语义计算匹配对应用户的卡点问题的候选话术片段,可切实解决用户问题,同时面对复杂场景,可辅助无经验的客服人员进行业务判断以及话术的选择,从而大大地提升客服人员的工作效率,增加成单几率。且当前话术圈选流程可扩展性较强,适用绝大多数具有服务营销性质的场景,如金融、广告、交通物流等,通用性较强。
与上述图1至图7实施例提供的对话处理方法相对应,本公开还提供一种对话处理装置,由于本公开实施例提供的对话处理装置与上述图1至图7实施例提供的对话处理方法相对应,因此在对话处理方法的实施方式也适用于本公开实施例提供的对话处理装置,在本公开实施例中不再详细描述。
图12为本公开实施例八所提供的对话处理装置的结构示意图。
如图12所示,该对话处理装置1200可以包括:第一获取模块1201、第二获取模块1202、第三获取模块1203以及第一确定模块1204。
其中,第一获取模块1201,用于获取待回复的目标输入语句。
第二获取模块1202,用于获取目标输入语句所在的目标对话的第一分类标签;其中,第一分类标签用于指示目标对话的对话意图。
第三获取模块1203,用于根据第一分类标签和目标输入语句,从话术库中获取至少一个候选话术片段;其中,候选话术片段中的候选分类标签与第一分类标签相似,候选话术片段中的候选输入语句与目标输入语句相似。
第一确定模块1204,用于根据第一分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定目标回复语句,以根据目标回复语句对目标输入语句进行回复。
在本公开实施例的一种可能的实现方式中,第一确定模块1204,用于:针对任一候选话术片段中的候选回复语句,将第一分类标签、目标输入语句与候选回复语句进行拼接,以得到拼接文本;对拼接文本进行特征提取,以得到文本特征;将文本特征进行分类,以得到候选回复语句的分类概率,其中,分类概率用于指示候选回复语句与目标输入语句之间的匹配度;根据各候选回复语句的分类概率,从各候选回复语句中确定目标回复语句。
在本公开实施例的一种可能的实现方式中,第一确定模块1204,用于:将分类概率最大的候选回复语句,确定为目标回复语句;或者,将分类概率高于设定阈值的候选回复语句,确定为目标回复语句;或者,将各候选回复语句按照分类概率的取值由大至小排序,并将排序在前的设定个数的候选回复语句,确定为目标回复语句。
在本公开实施例的一种可能的实现方式中,话术库通过以下模块建立:
第四获取模块,用于获取至少一轮对话中的各历史对话语句。
划分模块,用于对任一轮对话中的各历史对话语句进行划分,以得到至少一个文本片段。
分类模块,用于对各文本片段进行分类,以得到各文本片段的第二分类标签,其中,第二分类标签用于指示文本片段所属的对话环节。
生成模块,用于在各第二分类标签中存在设定分类标签的情况下,根据对话中的各历史对话语句,生成至少一个样本话术片段。
建立模块,用于根据各样本话术片段建立话术库。
在本公开实施例的一种可能的实现方式中,分类模块,用于:针对任一文本片段,将文本片段输入第一分类模型进行分类,以得到第一分类模型输出的多个分类标签的分类概率;根据多个分类标签的分类概率,从多个分类标签中确定第二分类标签;其中,第一分类模型基于样本文本片段训练得到,其中,样本文本片段上标注有第一标注标签,第一标注标签用于指示样本文本片段所属的对话环节。
在本公开实施例的一种可能的实现方式中,生成模块,用于:对对话中的各历史对话语句进行分组,以得到至少一个对话对,其中,对话对中包括历史输入语句和历史输入语句对应的历史回复语句;针对任一对话对,获取对话对中的历史输入语句所在对话的第三分类标签,其中,第三分类标签用于指示历史输入语句所在对话的对话意图;根据第三分类标签、对话对中的历史输入语句和历史回复语句,生成样本话术片段。
在本公开实施例的一种可能的实现方式中,第四获取模块,用于:获取对话日志;对对话日志进行解析,以得到至少一轮对话中的多条初始对话语句;对各轮对话中的多条初始对话语句进行预处理,以得到各轮对话中的各历史对话语句;其中,预处理包括语气词去除处理、重复词去除处理、错别字纠正处理和口语化改写处理中的至少一项。
在本公开实施例的一种可能的实现方式中,第二获取模块1202,用于:确定目标输入语句所在的目标对话;从目标对话中获取至少一个第一输入语句;采用第二分类模型对目标输入语句和至少一个第一输入语句进行分类,以得到第二分类模型输出的多个预测标签的分类概率;根据多个预测标签的分类概率,从多个预测标签中确定第一分类标签;其中,第二分类模型基于样本语句训练得到,其中,样本语句上标注有第二标注标签,第二标注标签用于指示样本语句所在对话的对话意图。
在本公开实施例的一种可能的实现方式中,目标回复语句的个数为多个,该对话处理装置1200还可以包括:
第一排序模块,用于将多个目标回复语句按照分类概率由大至小排序,得到第一排序序列。
第一发送模块,用于向目标客服发送第一排序序列,以通过目标客服根据第一排序序列回复目标输入语句。
或者,
第二确定模块,用于从各候选话术片段中,确定各目标回复语句所在的目标话术片段。
第二排序模块,用于根据各目标回复语句的分类概率,将各目标话术片段进行排序,得到第二排序序列。
第二发送模块,用于向目标客服发送第二排序序列,以通过目标客服根据第二排序序列回复目标输入语句。
在本公开实施例的一种可能的实现方式中,候选话术片段中还包括:至少一个关联回复语句,其中,关联回复语句与候选话术片段中的候选回复语句位于同一轮对话中,且关联回复语句的回复时刻晚于候选回复语句的回复时刻;该对话处理装置1200还可以包括:
第三确定模块,用于从各候选话术片段中,确定目标回复语句所在的目标话术片段。
第三发送模块,用于向目标客服发送目标话术片段,或者,向目标客服发送目标话术片段中的目标回复语句和至少一个目标关联回复语句。
其中,目标回复语句,用于目标客服回复目标输入语句;其中,至少一个目标关联回复语句,用于目标客服回复目标对话中位于目标输入语句之后的输入语句。
本公开实施例的对话处理装置,通过获取目标输入语句所在的目标对话的第一分类标签;其中,第一分类标签用于指示目标对话的对话意图;根据第一分类标签和目标输入语句,从话术库中获取至少一个候选话术片段;其中,候选话术片段中的候选分类标签与第一分类标签相似,候选话术片段中的候选输入语句与目标输入语句相似;根据第一分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定目标回复语句,以根据目标回复语句对目标输入语句进行回复。由此,可以实现同时结合用户输入的语句,以及该语句所在对话的对话意图,确定该语句对应的回复语句,可以提升回复语句确定的准确性。此外,在客服人员人工回复场景中,可将确定的回复语句提供给客服人员,以辅助客服人员快速解决用户问题,不仅可以提升客服人员的服务效率,还可以提升用户体验。
为了实现上述实施例,本公开还提供一种电子设备,该电子设备可以包括至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开上述任一实施例提出的对话处理方法。
为了实现上述实施例,本公开还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开上述任一实施例提出的对话处理方法。
为了实现上述实施例,本公开还提供一种计算机程序产品,该计算机程序产品包括计算机程序,计算机程序在被处理器执行时实现本公开上述任一实施例提出的对话处理方法。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图13示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。其中,电子设备可以包括上述实施例中的服务端、客户端。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图13所示,电子设备1300包括计算单元1301,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)1302中的计算机程序或者从存储单元1308加载到RAM(Random AccessMemory,随机访问/存取存储器)1303中的计算机程序,来执行各种适当的动作和处理。在RAM 1303中,还可存储电子设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM1303通过总线1304彼此相连。I/O(Input/Output,输入/输出)接口1305也连接至总线1304。
电子设备1300中的多个部件连接至I/O接口1305,包括:输入单元1306,例如键盘、鼠标等;输出单元1307,例如各种类型的显示器、扬声器等;存储单元1308,例如磁盘、光盘等;以及通信单元1309,例如网卡、调制解调器、无线通信收发机等。通信单元1309允许电子设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1301的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理,例如上述对话处理方法。例如,在一些实施例中,上述对话处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到电子设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时,可以执行上文描述的对话处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元1301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述对话处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(VirtualPrivate Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
深度学习是机器学习领域中一个新的研究方向。它是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
根据本公开实施例的技术方案,通过获取目标输入语句所在的目标对话的第一分类标签;其中,第一分类标签用于指示目标对话的对话意图;根据第一分类标签和目标输入语句,从话术库中获取至少一个候选话术片段;其中,候选话术片段中的候选分类标签与第一分类标签相似,候选话术片段中的候选输入语句与目标输入语句相似;根据第一分类标签和目标输入语句,与各候选话术片段中的候选回复语句之间的匹配度,从各候选回复语句中确定目标回复语句,以根据目标回复语句对目标输入语句进行回复。由此,可以实现同时结合用户输入的语句,以及该语句所在对话的对话意图,确定该语句对应的回复语句,可以提升回复语句确定的准确性。此外,在客服人员人工回复场景中,可以将确定的回复语句提供给客服人员,以辅助客服人员快速解决用户问题,不仅可以提升客服人员的服务效率,还可以提升用户体验。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提出的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (23)
1.一种对话处理方法,包括:
获取待回复的目标输入语句;
获取所述目标输入语句所在的目标对话的第一分类标签;其中,所述第一分类标签用于指示所述目标对话的对话意图;
根据所述第一分类标签和所述目标输入语句,从话术库中获取至少一个候选话术片段;其中,所述候选话术片段中的候选分类标签与所述第一分类标签相似,所述候选话术片段中的候选输入语句与所述目标输入语句相似;
根据所述第一分类标签和所述目标输入语句,与各所述候选话术片段中的候选回复语句之间的匹配度,从各所述候选回复语句中确定目标回复语句,以根据所述目标回复语句对所述目标输入语句进行回复。
2.根据权利要求1所述的方法,其中,所述根据所述第一分类标签和所述目标输入语句,与各所述候选话术片段中的候选回复语句之间的匹配度,从各所述候选回复语句中确定目标回复语句,包括:
针对任一所述候选话术片段中的候选回复语句,将所述第一分类标签、所述目标输入语句与所述候选回复语句进行拼接,以得到拼接文本;
对所述拼接文本进行特征提取,以得到文本特征;
将所述文本特征进行分类,以得到所述候选回复语句的分类概率,其中,所述分类概率用于指示所述候选回复语句与所述目标输入语句之间的匹配度;
根据各所述候选回复语句的分类概率,从各所述候选回复语句中确定所述目标回复语句。
3.根据权利要求2所述的方法,其中,所述根据各所述候选回复语句的分类概率,从各所述候选回复语句中确定所述目标回复语句,包括:
将所述分类概率最大的候选回复语句,确定为所述目标回复语句;
或者,
将所述分类概率高于设定阈值的候选回复语句,确定为所述目标回复语句;
或者,
将各所述候选回复语句按照所述分类概率的取值由大至小排序,并将排序在前的设定个数的候选回复语句,确定为所述目标回复语句。
4.根据权利要求1所述的方法,其中,所述话术库通过以下步骤建立:
获取至少一轮对话中的各历史对话语句;
对任一轮所述对话中的各历史对话语句进行划分,以得到至少一个文本片段;
对各所述文本片段进行分类,以得到各所述文本片段的第二分类标签,其中,所述第二分类标签用于指示所述文本片段所属的对话环节;
在各所述第二分类标签中存在设定分类标签的情况下,根据所述对话中的各历史对话语句,生成至少一个样本话术片段;
根据各所述样本话术片段建立所述话术库。
5.根据权利要求4所述的方法,其中,所述对各所述文本片段进行分类,以得到第二分类标签,包括:
针对任一所述文本片段,将所述文本片段输入第一分类模型进行分类,以得到所述第一分类模型输出的多个分类标签的分类概率;
根据所述多个分类标签的分类概率,从所述多个分类标签中确定第二分类标签;
其中,所述第一分类模型基于样本文本片段训练得到,其中,所述样本文本片段上标注有第一标注标签,所述第一标注标签用于指示所述样本文本片段所属的对话环节。
6.根据权利要求4所述的方法,其中,所述根据所述对话中的各历史对话语句,生成至少一个样本话术片段,包括:
对所述对话中的各历史对话语句进行分组,以得到至少一个对话对,其中,所述对话对中包括历史输入语句和所述历史输入语句对应的历史回复语句;
针对任一所述对话对,获取所述对话对中的所述历史输入语句所在对话的第三分类标签,其中,所述第三分类标签用于指示所述历史输入语句所在对话的对话意图;
根据所述第三分类标签、所述对话对中的所述历史输入语句和所述历史回复语句,生成所述样本话术片段。
7.根据权利要求4所述方法,其中,所述获取至少一轮对话中的各历史对话语句,包括:
获取对话日志;
对所述对话日志进行解析,以得到至少一轮对话中的多条初始对话语句;
对各轮所述对话中的多条初始对话语句进行预处理,以得到各轮所述对话中的各历史对话语句;
其中,所述预处理包括语气词去除处理、重复词去除处理、错别字纠正处理和口语化改写处理中的至少一项。
8.根据权利要求1-7中任一项所述的方法,其中,所述获取所述目标输入语句所在的目标对话的第一分类标签,包括:
确定所述目标输入语句所在的目标对话;
从所述目标对话中获取至少一个第一输入语句;
采用第二分类模型对所述目标输入语句和所述至少一个第一输入语句进行分类,以得到所述第二分类模型输出的多个预测标签的分类概率;
根据所述多个预测标签的分类概率,从所述多个预测标签中确定第一分类标签;
其中,所述第二分类模型基于样本语句训练得到,其中,所述样本语句上标注有第二标注标签,所述第二标注标签用于指示所述样本语句所在对话的对话意图。
9.根据权利要求1-7中任一项所述的方法,其中,所述目标回复语句的个数为多个,所述方法还包括:
将多个所述目标回复语句按照所述分类概率由大至小排序,得到第一排序序列;
向目标客服发送所述第一排序序列,以通过所述目标客服根据所述第一排序序列回复所述目标输入语句;
或者,
从各所述候选话术片段中,确定各所述目标回复语句所在的目标话术片段;
根据各所述目标回复语句的分类概率,将各所述目标话术片段进行排序,得到第二排序序列;
向所述目标客服发送所述第二排序序列,以通过所述目标客服根据所述第二排序序列回复所述目标输入语句。
10.根据权利要求1-7中任一项所述的方法,其中,所述候选话术片段中还包括:至少一个关联回复语句,其中,所述关联回复语句与所述候选话术片段中的候选回复语句位于同一轮对话中,且所述关联回复语句的回复时刻晚于所述候选回复语句的回复时刻;
所述方法,还包括:
从各所述候选话术片段中,确定所述目标回复语句所在的目标话术片段;
向目标客服发送所述目标话术片段,或者,向所述目标客服发送所述目标话术片段中的所述目标回复语句和至少一个目标关联回复语句;
其中,所述目标回复语句,用于所述目标客服回复所述目标输入语句;
其中,所述至少一个目标关联回复语句,用于所述目标客服回复所述目标对话中位于所述目标输入语句之后的输入语句。
11.一种对话处理装置,包括:
第一获取模块,用于获取待回复的目标输入语句;
第二获取模块,用于获取所述目标输入语句所在的目标对话的第一分类标签;其中,所述第一分类标签用于指示所述目标对话的对话意图;
第三获取模块,用于根据所述第一分类标签和所述目标输入语句,从话术库中获取至少一个候选话术片段;其中,所述候选话术片段中的候选分类标签与所述第一分类标签相似,所述候选话术片段中的候选输入语句与所述目标输入语句相似;
第一确定模块,用于根据所述第一分类标签和所述目标输入语句,与各所述候选话术片段中的候选回复语句之间的匹配度,从各所述候选回复语句中确定目标回复语句,以根据所述目标回复语句对所述目标输入语句进行回复。
12.根据权利要求11所述的装置,其中,所述第一确定模块,用于:
针对任一所述候选话术片段中的候选回复语句,将所述第一分类标签、所述目标输入语句与所述候选回复语句进行拼接,以得到拼接文本;
对所述拼接文本进行特征提取,以得到文本特征;
将所述文本特征进行分类,以得到所述候选回复语句的分类概率,其中,所述分类概率用于指示所述候选回复语句与所述目标输入语句之间的匹配度;
根据各所述候选回复语句的分类概率,从各所述候选回复语句中确定所述目标回复语句。
13.根据权利要求12所述的装置,其中,所述第一确定模块,用于:
将所述分类概率最大的候选回复语句,确定为所述目标回复语句;
或者,
将所述分类概率高于设定阈值的候选回复语句,确定为所述目标回复语句;
或者,
将各所述候选回复语句按照所述分类概率的取值由大至小排序,并将排序在前的设定个数的候选回复语句,确定为所述目标回复语句。
14.根据权利要求11所述的装置,其中,所述话术库通过以下模块建立:
第四获取模块,用于获取至少一轮对话中的各历史对话语句;
划分模块,用于对任一轮所述对话中的各历史对话语句进行划分,以得到至少一个文本片段;
分类模块,用于对各所述文本片段进行分类,以得到各所述文本片段的第二分类标签,其中,所述第二分类标签用于指示所述文本片段所属的对话环节;
生成模块,用于在各所述第二分类标签中存在设定分类标签的情况下,根据所述对话中的各历史对话语句,生成至少一个样本话术片段;
建立模块,用于根据各所述样本话术片段建立所述话术库。
15.根据权利要求14所述的装置,其中,所述分类模块,用于:
针对任一所述文本片段,将所述文本片段输入第一分类模型进行分类,以得到所述第一分类模型输出的多个分类标签的分类概率;
根据所述多个分类标签的分类概率,从所述多个分类标签中确定第二分类标签;
其中,所述第一分类模型基于样本文本片段训练得到,其中,所述样本文本片段上标注有第一标注标签,所述第一标注标签用于指示所述样本文本片段所属的对话环节。
16.根据权利要求14所述的装置,其中,所述生成模块,用于:
对所述对话中的各历史对话语句进行分组,以得到至少一个对话对,其中,所述对话对中包括历史输入语句和所述历史输入语句对应的历史回复语句;
针对任一所述对话对,获取所述对话对中的所述历史输入语句所在对话的第三分类标签,其中,所述第三分类标签用于指示所述历史输入语句所在对话的对话意图;
根据所述第三分类标签、所述对话对中的所述历史输入语句和所述历史回复语句,生成所述样本话术片段。
17.根据权利要求14所述装置,其中,所述第四获取模块,用于:
获取对话日志;
对所述对话日志进行解析,以得到至少一轮对话中的多条初始对话语句;
对各轮所述对话中的多条初始对话语句进行预处理,以得到各轮所述对话中的各历史对话语句;
其中,所述预处理包括语气词去除处理、重复词去除处理、错别字纠正处理和口语化改写处理中的至少一项。
18.根据权利要求11-17中任一项所述的装置,其中,所述第二获取模块,用于:
确定所述目标输入语句所在的目标对话;
从所述目标对话中获取至少一个第一输入语句;
采用第二分类模型对所述目标输入语句和所述至少一个第一输入语句进行分类,以得到所述第二分类模型输出的多个预测标签的分类概率;
根据所述多个预测标签的分类概率,从所述多个预测标签中确定第一分类标签;
其中,所述第二分类模型基于样本语句训练得到,其中,所述样本语句上标注有第二标注标签,所述第二标注标签用于指示所述样本语句所在对话的对话意图。
19.根据权利要求11-17中任一项所述的装置,其中,所述目标回复语句的个数为多个,所述装置还包括:
第一排序模块,用于将多个所述目标回复语句按照所述分类概率由大至小排序,得到第一排序序列;
第一发送模块,用于向目标客服发送所述第一排序序列,以通过所述目标客服根据所述第一排序序列回复所述目标输入语句;
或者,
第二确定模块,用于从各所述候选话术片段中,确定各所述目标回复语句所在的目标话术片段;
第二排序模块,用于根据各所述目标回复语句的分类概率,将各所述目标话术片段进行排序,得到第二排序序列;
第二发送模块,用于向所述目标客服发送所述第二排序序列,以通过所述目标客服根据所述第二排序序列回复所述目标输入语句。
20.根据权利要求11-17中任一项所述的装置,其中,所述候选话术片段中还包括:至少一个关联回复语句,其中,所述关联回复语句与所述候选话术片段中的候选回复语句位于同一轮对话中,且所述关联回复语句的回复时刻晚于所述候选回复语句的回复时刻;
所述装置,还包括:
第三确定模块,用于从各所述候选话术片段中,确定所述目标回复语句所在的目标话术片段;
第三发送模块,用于向目标客服发送所述目标话术片段,或者,向所述目标客服发送所述目标话术片段中的所述目标回复语句和至少一个目标关联回复语句;
其中,所述目标回复语句,用于所述目标客服回复所述目标输入语句;
其中,所述至少一个目标关联回复语句,用于所述目标客服回复所述目标对话中位于所述目标输入语句之后的输入语句。
21.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的对话处理方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的对话处理方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述对话处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310203765.4A CN116303951A (zh) | 2023-03-02 | 2023-03-02 | 对话处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310203765.4A CN116303951A (zh) | 2023-03-02 | 2023-03-02 | 对话处理方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116303951A true CN116303951A (zh) | 2023-06-23 |
Family
ID=86833612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310203765.4A Pending CN116303951A (zh) | 2023-03-02 | 2023-03-02 | 对话处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116303951A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117221447A (zh) * | 2023-08-10 | 2023-12-12 | 国网浙江省电力有限公司杭州供电公司 | 一种基于ai技术的线上电话交流辅助支撑系统 |
CN117221447B (zh) * | 2023-08-10 | 2024-05-14 | 国网浙江省电力有限公司杭州供电公司 | 一种基于ai技术的线上电话交流辅助支撑系统 |
-
2023
- 2023-03-02 CN CN202310203765.4A patent/CN116303951A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117221447A (zh) * | 2023-08-10 | 2023-12-12 | 国网浙江省电力有限公司杭州供电公司 | 一种基于ai技术的线上电话交流辅助支撑系统 |
CN117221447B (zh) * | 2023-08-10 | 2024-05-14 | 国网浙江省电力有限公司杭州供电公司 | 一种基于ai技术的线上电话交流辅助支撑系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680019B (zh) | 一种考试方案的实现方法、装置、设备及存储介质 | |
CN111625635A (zh) | 问答处理、语言模型的训练方法、装置、设备及存储介质 | |
US20200004815A1 (en) | Text entity detection and recognition from images | |
CN110909165A (zh) | 数据处理方法、装置、介质及电子设备 | |
CN112699645B (zh) | 语料标注方法、装置及设备 | |
CN112951275B (zh) | 语音质检方法、装置、电子设备及介质 | |
CN113836925B (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
CN112417158A (zh) | 文本数据分类模型的训练方法、分类方法、装置和设备 | |
CN112926308B (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
CN113051380B (zh) | 信息生成方法、装置、电子设备和存储介质 | |
CN110633475A (zh) | 基于计算机场景的自然语言理解方法、装置、系统和存储介质 | |
CN112163081A (zh) | 标签确定方法、装置、介质及电子设备 | |
CN116501960B (zh) | 内容检索方法、装置、设备及介质 | |
CN111782793A (zh) | 智能客服处理方法和系统及设备 | |
CN115099239B (zh) | 一种资源识别方法、装置、设备以及存储介质 | |
CN114416943A (zh) | 对话模型的训练方法、装置、电子设备及存储介质 | |
CN113239204A (zh) | 文本分类方法及装置、电子设备、计算机可读存储介质 | |
CN112148852A (zh) | 一种智能客服方法、装置、存储介质及计算机设备 | |
CN114444514B (zh) | 语义匹配模型训练、语义匹配方法及相关装置 | |
CN116204624A (zh) | 应答方法、装置、电子设备及存储介质 | |
CN114417974B (zh) | 模型训练方法、信息处理方法、装置、电子设备和介质 | |
CN115827867A (zh) | 文本类型的检测方法及装置 | |
CN116303951A (zh) | 对话处理方法、装置、电子设备和存储介质 | |
CN114528851A (zh) | 回复语句确定方法、装置、电子设备和存储介质 | |
CN114153948A (zh) | 问答知识库的构建方法、智能交互方法及装置 |
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 |