CN116578692A - 基于大数据的ai智能服务计算方法 - Google Patents
基于大数据的ai智能服务计算方法 Download PDFInfo
- Publication number
- CN116578692A CN116578692A CN202310858370.8A CN202310858370A CN116578692A CN 116578692 A CN116578692 A CN 116578692A CN 202310858370 A CN202310858370 A CN 202310858370A CN 116578692 A CN116578692 A CN 116578692A
- Authority
- CN
- China
- Prior art keywords
- user
- response
- demand
- intelligent
- dialogue
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 20
- 230000004044 response Effects 0.000 claims abstract description 148
- 238000000034 method Methods 0.000 claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 72
- 230000008909 emotion recognition Effects 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 36
- 230000008451 emotion Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Animal Behavior & Ethology (AREA)
- Human Computer Interaction (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于大数据的AI智能服务计算方法,方法包括识别用户接入AI应用平台的第一服务通路,依照预设于第一服务通路中的AI节点链路与用户进行第一对话过程;根据第一对话过程用户的需求数据向第一服务通路上接入与需求数据对应的第二服务通路,将第一服务通路和第二服务通路的链接图输入至预训练的LSTM网络模型中,以通过LSTM网络模型输出知识图谱智慧应答程序;通过知识图谱智慧应答程序与用户进行第二对话过程,并通过语音情绪识别模型监听用户对话的需求数据中的各个需求因子;在第二对话过程中判断各个需求因子对应的应答评分,当各个需求因子对应的应答评分达到预设评分时,完成与用户的第二对话过程。
Description
技术领域
本发明涉及数据预测处理的技术领域,特别涉及一种基于大数据的AI智能服务计算方法。
背景技术
基于大数据的智能服务是指平台利用大数据技术分析、挖掘和应用海量数据资源,提高平台决策的精准性、科学性和效率性,推进政务公开、便民服务等方面的进步。例如,平台可以利用大数据分析公共交通的流量情况,优化线路配置和调度,提高交通效率和便利性。另外,平台还可以通过大数据分析民生领域的数据,及时发现服务问题,制定科学的社会政策。此外,平台还可以利用大数据技术运用监督和管理领域。
而现代服务平台越来越倾向于使用人工智能技术。平台可将人工智能与政务服务相结合,提高智能服务效率,并使其更加智能和高效。其中,人工智能技术可应用于政务服务流程的自动化,如在线申报系统和电子政务系统。平台机构还可以使用自然语言处理技术和机器学习技术来解决热门问题和提供智能咨询服务。
但在现有的AI应用平台现有技术中,具体还存在以下问题:
(1)计算时间和速度问题:AI应用平台处理大量数据时,需要耗费大量的计算时间和速度。
(2)机器误判问题:在智能服务平台中,机器可能会出现误判和错误决策的情况,导致智能服务质量下降。
因此,“事件预测”这一性质就极为重要。
发明内容
本发明的主要目的为提供一种基于大数据的AI智能服务计算方法,通过引入“情绪识别”这一概念可对用户的各项信息和指标进行量度考核,并基于量度考核进行事件预测来实现减少计算量和提升准确率的效果。
为实现上述目的,本发明提供了一种基于大数据的AI智能服务计算方法,包括以下步骤:
识别用户接入AI应用平台的第一服务通路,依照预设于所述第一服务通路中的AI节点链路与用户进行第一对话过程;
根据所述第一对话过程用户的需求数据向第一服务通路上接入与需求数据对应的第二服务通路,所述第二服务通路包括一项或多项,第二服务通路建立为用于应答需求数据的应答程序通道;
将所述第一服务通路和第二服务通路的链接图输入至预训练的LSTM网络模型中,以通过所述LSTM网络模型输出知识图谱智慧应答程序,其中,知识图谱智慧应答程序包括若干应答节点和反应链接条,应答节点用于获取用户输入的需求内容,并根据所述需求内容由所述应答节点进行回复;反应链接条用于用户打断应答节点的应答过程,通过反应链接条快速的反应至其它应答节点进行应答过程;
通过所述知识图谱智慧应答程序与用户进行第二对话过程,并通过语音情绪识别模型监听用户对话的需求数据中的各个需求因子;
在所述第二对话过程中判断各个所述需求因子对应的应答评分,当各个需求因子对应的所述应答评分达到预设评分时,完成与用户的第二对话过程。
进一步地,所述识别用户接入AI应用平台的第一服务通路,依照预设于所述第一服务通路中的AI节点链路与用户进行第一对话过程的步骤,包括:
通过所述第一服务通路与用户建立第一对话过程;
在所述第一对话过程中,用户的对话信息在AI节点链路中逐级穿过若干应答节点;
确定若干所述应答节点中每一个节点的用户对话停留时长,并根据时长确定对应的节点重要值;
将所述节点重要值高于预设重要值的对应节点创建需求接口。
进一步地,根据所述第一对话过程用户的需求数据向第一服务通路上接入与需求数据对应的第二服务通路,包括:
通过所述需求接口将第二服务通路与第一服务通路进行链接。
进一步地,通过所述LSTM网络模型输出知识图谱智慧应答程序的步骤,包括:
以新记忆的形式将所述链接图载入至输入门中;
通过所述链接图在输入门中匹配出相似度高于预设阈值的知识图谱模板;
采用所述链接图的若干所述应答节点,对应位置的设置于所述知识图谱模板中;
对所述知识图谱模板中为匹配应答节点的节点作为过去记忆由遗忘门输出,形成最终记忆的具有智慧应答节点的知识图谱;
通过输出门输出作为最终记忆的知识图谱智慧应答程序。
进一步地,通过所述知识图谱智慧应答程序与用户进行第二对话过程,并通过语音情绪识别模型监听用户对话的需求数据中的各个需求因子的步骤,包括:
由所述知识图谱智慧应答程序实时的与用户建立对话,同时所述语音情绪识别模型进行监听知识图谱智慧应答程序中若干应答节点的过程;
通过监听获取用户对话的需求数据中的各个需求因子。
进一步地,所述语音情绪识别模型获取用户对话的需求数据中的各个需求因子的步骤,包括:
通过语音情绪识别模型识别出若干应答节点与用户进行第二对话过程中的重要关键词;
将所述重要关键词标记在语音情绪识别模型识别出的关键应答节点上;
通过所述关键应答节点的应答程序获取到语音情绪识别模型可识别的需求因子,所述关键应答节点包括一项或多项。
进一步地,在所述第二对话过程中判断各个所述需求因子对应的应答评分,当各个需求因子对应的所述应答评分达到预设评分时,完成与用户的第二对话过程的步骤,包括:
在若干应答节点分别对用户进行对话的过程中,采用所述情绪识别模型识别与若干应答节点匹配的需求因子是否达到预设评分;
若是,则完成与用户的第二对话过程。
进一步地,所述在若干应答节点分别对用户进行对话的过程中,采用所述情绪识别模型识别与若干应答节点匹配的需求因子是否达到预设评分的步骤,包括:
通过情绪识别模型对用户进行语音识别,生成用户语音对应的声纹、文本和音量值;
通过所述声纹、文本和音量值对应提升或降低各个需求因子对应的所述应答评分。
本发明还提出一种基于大数据的AI智能服务计算设备,所述设备执行实现上述的基于大数据的AI智能服务计算方法的步骤。
本发明提供的基于大数据的AI智能服务计算方法具有以下有益效果:
(1)通过引入“情绪识别”这一概念可对用户的各项信息和指标进行量度考核,并基于量度考核进行事件预测来实现减少计算量和提升准确率的效果。
(2)更加智能化:基于知识图谱、LSTM网络模型等技术手段,能够实现高效的数据处理和分析,以更好地满足用户需求。
(3)更加人性化:通过语音情绪识别模型,能够实时监听用户的语音情绪,以提高或降低需求因子对应的应答评分,并更好地满足用户需求。
附图说明
图1是本发明一实施例中基于大数据的AI智能服务计算方法步骤示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1为本发明提出的一种基于大数据的AI智能服务计算方法的流程示意图,包括以下步骤:
S1,识别用户接入AI应用平台的第一服务通路,依照预设于所述第一服务通路中的AI节点链路与用户进行第一对话过程;
S2,根据所述第一对话过程用户的需求数据向第一服务通路上接入与需求数据对应的第二服务通路,所述第二服务通路包括一项或多项,第二服务通路建立为用于应答需求数据的应答程序通道;
S3,将所述第一服务通路和第二服务通路的链接图输入至预训练的LSTM网络模型中,以通过所述LSTM网络模型输出知识图谱智慧应答程序,其中,知识图谱智慧应答程序包括若干应答节点和反应链接条,应答节点用于获取用户输入的需求内容,并根据所述需求内容由所述应答节点进行回复;反应链接条用于用户打断应答节点的应答过程,通过反应链接条快速的反应至其它应答节点进行应答过程;
S4,通过所述知识图谱智慧应答程序与用户进行第二对话过程,并通过语音情绪识别模型监听用户对话的需求数据中的各个需求因子;
S5,在所述第二对话过程中判断各个所述需求因子对应的应答评分,当各个需求因子对应的所述应答评分达到预设评分时,完成与用户的第二对话过程。
在具体实施的过程中:当用户接入AI应用平台时,系统根据识别出的第一服务通路,逐级穿过AI节点链路的应答节点,对用户进行第一对话过程。在第一对话过程中,会记录用户的需求信息、服务类型等相关信息,根据需求数据向第一服务通路上接入相应的第二服务通道。这样,系统就建立了第一服务通路和第二服务通路之间的链接。第二服务通路可能包括多个服务通道,以满足用户不同的需求。建立了服务通道之间的链接后,将链接图输入到预训练的LSTM网络模型中,通过该模型输出知识图谱智慧应答程序。这个智慧应答程序能够与用户进行实时对话,并实时监听用户的语音情绪。当用户提出需求后,语音情绪识别模型会根据提取的声纹、文本和音量值等数据,分析用户的情绪,并提高或降低需求因子对应的应答评分,以更好地满足用户需求。在第二对话过程中,系统会判断各个需求因子对应的应答评分,当各个需求因子对应的应答评分达到预设评分时,完成与用户的第二对话过程。这样,系统就可以更加智能、高效、人性化地为用户提供服务,满足不同用户的需求,并提高服务质量。
在一个实施例中,所述识别用户接入AI应用平台的第一服务通路,依照预设于所述第一服务通路中的AI节点链路与用户进行第一对话过程的步骤,包括:
通过所述第一服务通路与用户建立第一对话过程;
在所述第一对话过程中,用户的对话信息在AI节点链路中逐级穿过若干应答节点;
确定若干所述应答节点中每一个节点的用户对话停留时长,并根据时长确定对应的节点重要值;
将所述节点重要值高于预设重要值的对应节点创建需求接口。
具体的,当用户接入AI应用平台的第一服务通路时,系统通过这个通路与用户建立第一对话过程。在进行第一对话过程时,用户会通过对话与AI节点链路中的若干应答节点进行交流,收集和提供他们的需求信息。在这个对话流程中,用户的对话信息会在AI节点链路中逐级穿过若干应答节点。每个应答节点都有不同的功能,例如提供平台部门信息、提供服务指南或回答常见问题等。当用户与应答节点进行交流时,系统会监测用户在每个节点的停留时长。基于用户在每个应答节点的停留时长,系统会为每个节点分配一个重要值。一般而言,如果用户在一个应答节点上花费较长时间,那么它可能对用户的需求更加重要。因此,根据用户对话停留时长,系统会计算每个应答节点的重要值。当某个应答节点的重要值高于预设重要值时,系统会为该应答节点创建一个需求接口。需求接口是一种连接服务通路的方式,用于更准确地满足用户的需求。通过创建需求接口,系统可以针对特定需求将用户引导至与需求数据对应的第二服务通路,提供更加个性化和精确的服务,提高用户体验。
在一个实施例中,根据所述第一对话过程用户的需求数据向第一服务通路上接入与需求数据对应的第二服务通路,包括:
通过所述需求接口将第二服务通路与第一服务通路进行链接。
在一个实施例中,通过所述LSTM网络模型输出知识图谱智慧应答程序的步骤,包括:
以新记忆的形式将所述链接图载入至输入门中;
通过所述链接图在输入门中匹配出相似度高于预设阈值的知识图谱模板;
采用所述链接图的若干所述应答节点,对应位置的设置于所述知识图谱模板中;
对所述知识图谱模板中为匹配应答节点的节点作为过去记忆由遗忘门输出,形成最终记忆的具有智慧应答节点的知识图谱;
通过输出门输出作为最终记忆的知识图谱智慧应答程序。
在具体执行的过程中,这个过程描述了如何将链接图载入长短时记忆(LSTM)网络模型的输入门,并通过输入门匹配出高相似度的知识图谱模板。我们将依次解释这个过程的每个步骤。以新记忆的形式将所述链接图载入至输入门中: 通过将第一服务通路和第二服务通路组成的链接图编码为新记忆,将其载入LSTM网络模型的输入门。这一步是整个过程开始的地方。通过所述链接图在输入门中匹配出相似度高于预设阈值的知识图谱模板:在输入门中,链接图会与预先存储在模型中的知识图谱模板相匹配。系统会根据相似度阈值选择与输入链接图相似度最高的模板。采用所述链接图的若干所述应答节点,对应位置的设置于所述知识图谱模板中:在找到相似度高的知识图谱模板之后,将链接图中的应答节点放置到模板中的对应位置。这一步使得知识图谱模板能够适应输入的链接图,并提供针对用户需求的个性化应答。对所述知识图谱模板中为匹配应答节点的节点作为过去记忆由遗忘门输出,形成最终记忆的具有智慧应答节点的知识图谱:经过输入门处理后,链接图中未能匹配知识图谱模板中应答节点的部分由遗忘门输出,被视为过去记忆。这使得模型专注于相关的应答节点并生成具有智慧应答节点的知识图谱,这是最终记忆。通过输出门输出作为最终记忆的知识图谱智慧应答程序:将最终形成的知识图谱智慧应答节点通过输出门输出,以生成智慧应答程序。这个程序基于用户需求和链接图的信息,为用户提供个性化和精确的智慧应答。通过这个过程,LSTM网络模型能够识别用户与AI应用平台的交互需求,生成并提供针对性的智慧应答,从而提高用户体验和智能服务效率。
在一个实施例中,所述知识图谱智慧应答程序包括:
若干应答节点,用于获取用户输入至应答节点的需求内容,并根据所述需求内容由所述应答节点进行回复;
反应链接条,用于用户打断应答节点的应答过程,通过反应链接条快速的反应至其它应答节点进行应答过程。
在一个实施例中,通过所述知识图谱智慧应答程序与用户进行第二对话过程,并通过语音情绪识别模型监听用户对话的需求数据中的各个需求因子的步骤,包括:
由所述知识图谱智慧应答程序实时的与用户建立对话,同时所述语音情绪识别模型进行监听知识图谱智慧应答程序中若干应答节点的过程;
通过监听获取用户对话的需求数据中的各个需求因子。
在一个实施例中,所述语音情绪识别模型获取用户对话的需求数据中的各个需求因子的步骤,包括:
通过语音情绪识别模型识别出若干应答节点与用户进行第二对话过程中的重要关键词;
将所述重要关键词标记在语音情绪识别模型识别出的关键应答节点上;
通过所述关键应答节点的应答程序获取到语音情绪识别模型可识别的需求因子,所述关键应答节点包括一项或多项。
在一个实施例中,在所述第二对话过程中判断各个所述需求因子对应的应答评分,当各个需求因子对应的所述应答评分达到预设评分时,完成与用户的第二对话过程的步骤,包括:
在若干应答节点分别对用户进行对话的过程中,采用所述情绪识别模型识别与若干应答节点匹配的需求因子是否达到预设评分;
若是,则完成与用户的第二对话过程。
在一个实施例中,所述在若干应答节点分别对用户进行对话的过程中,采用所述情绪识别模型识别与若干应答节点匹配的需求因子是否达到预设评分的步骤,包括:
通过情绪识别模型对用户进行语音识别,生成用户语音对应的声纹、文本和音量值;
通过所述声纹、文本和音量值对应提升或降低各个需求因子对应的所述应答评分。
在使用基于大数据的智能服务AI智能应用平台提供服务时,了解用户的情感状态有助于提升用户体验和智能服务效果。为此,在与用户的对话过程中,系统会利用情绪识别模型对用户进行语音识别。下面将详细解释这个过程的每个步骤。通过情绪识别模型对用户进行语音识别:情绪识别模型通过对用户语音的分析与评估,从声纹、文本和音量等方面提取与情感相关的特征。这些特征有助于判断用户的情绪状态,如愤怒、高兴、沮丧等,从而更好地理解和满足用户的需求。生成用户语音对应的声纹、文本和音量值:经过情绪识别模型的分析,系统会生成用户语音所对应的声纹(声音的特征)、文本(用户说的话)和音量值(语音的响度)。这些数据是对用户语音的综合表征,反映了用户在与AI应用平台交互过程中传递的情感信息。通过所述声纹、文本和音量值对应提升或降低各个需求因子对应的所述应答评分:在情绪识别过程中,情感数据(如声纹、文本和音量值)与各个需求因子关联。当识别到用户的情感表现与某个需求因子呈正相关或负相关时,应答评分会相应提升或降低。这样一来,系统将更好地满足用户的需求,实现更高效的智慧应答。通过使用情绪识别模型,AI应用平台可以在与用户的对话过程中实时调整应答评分,以提高用户体验。同时,这种调整有助于智能服务工作人员更好地理解用户需求,提升智能服务质量和效果。
本发明提出的一种基于大数据的AI智能服务计算设备,所述设备执行上述的基于大数据的AI智能服务计算方法的步骤。
S1,识别用户接入AI应用平台的第一服务通路,依照预设于所述第一服务通路中的AI节点链路与用户进行第一对话过程;
S2,根据所述第一对话过程用户的需求数据向第一服务通路上接入与需求数据对应的第二服务通路,所述第二服务通路包括一项或多项;
S3,将所述第一服务通路和第二服务通路的链接图输入至预训练的LSTM网络模型中,以通过所述LSTM网络模型输出知识图谱智慧应答程序;
S4,通过所述知识图谱智慧应答程序与用户进行第二对话过程,并通过语音情绪识别模型监听用户对话的需求数据中的各个需求因子;
S5,在所述第二对话过程中判断各个所述需求因子对应的应答评分,当各个需求因子对应的所述应答评分达到预设评分时,完成与用户的第二对话过程。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于大数据的AI智能服务计算方法,其特征在于,包括以下步骤:
识别用户接入AI应用平台的第一服务通路,依照预设于所述第一服务通路中的AI节点链路与用户进行第一对话过程;
根据所述第一对话过程用户的需求数据向第一服务通路上接入与需求数据对应的第二服务通路,所述第二服务通路包括一项或多项,第二服务通路建立为用于应答需求数据的应答程序通道;
将所述第一服务通路和第二服务通路的链接图输入至预训练的LSTM网络模型中,以通过所述LSTM网络模型输出知识图谱智慧应答程序,其中,知识图谱智慧应答程序包括若干应答节点和反应链接条,应答节点用于获取用户输入的需求内容,并根据所述需求内容由所述应答节点进行回复;反应链接条用于用户打断应答节点的应答过程,通过反应链接条快速的反应至其它应答节点进行应答过程;
通过所述知识图谱智慧应答程序与用户进行第二对话过程,并通过语音情绪识别模型监听用户对话的需求数据中的各个需求因子;
在所述第二对话过程中判断各个所述需求因子对应的应答评分,当各个需求因子对应的所述应答评分达到预设评分时,完成与用户的第二对话过程。
2.根据权利要求1所述的基于大数据的AI智能服务计算方法,其特征在于,所述识别用户接入AI应用平台的第一服务通路,依照预设于所述第一服务通路中的AI节点链路与用户进行第一对话过程的步骤,包括:
通过所述第一服务通路与用户建立第一对话过程;
在所述第一对话过程中,用户的对话信息在AI节点链路中逐级穿过若干应答节点;
确定若干所述应答节点中每一个节点的用户对话停留时长,并根据时长确定对应的节点重要值;
将所述节点重要值高于预设重要值的对应节点创建需求接口。
3.根据权利要求2所述的基于大数据的AI智能服务计算方法,其特征在于,根据所述第一对话过程用户的需求数据向第一服务通路上接入与需求数据对应的第二服务通路,包括:
通过所述需求接口将第二服务通路与第一服务通路进行链接。
4.根据权利要求3所述的基于大数据的AI智能服务计算方法,其特征在于,通过所述LSTM网络模型输出知识图谱智慧应答程序的步骤,包括:
以新记忆的形式将所述链接图载入至输入门中;
通过所述链接图在输入门中匹配出相似度高于预设阈值的知识图谱模板;
采用所述链接图的若干所述应答节点,对应位置的设置于所述知识图谱模板中;
对所述知识图谱模板中为匹配应答节点的节点作为过去记忆由遗忘门输出,形成最终记忆的具有智慧应答节点的知识图谱;
通过输出门输出作为最终记忆的知识图谱智慧应答程序。
5.根据权利要求1所述的基于大数据的AI智能服务计算方法,其特征在于,通过所述知识图谱智慧应答程序与用户进行第二对话过程,并通过语音情绪识别模型监听用户对话的需求数据中的各个需求因子的步骤,包括:
由所述知识图谱智慧应答程序实时的与用户建立对话,同时所述语音情绪识别模型进行监听知识图谱智慧应答程序中若干应答节点的过程;
通过监听获取用户对话的需求数据中的各个需求因子。
6.根据权利要求5所述的基于大数据的AI智能服务计算方法,其特征在于,所述语音情绪识别模型获取用户对话的需求数据中的各个需求因子的步骤,包括:
通过语音情绪识别模型识别出若干应答节点与用户进行第二对话过程中的重要关键词;
将所述重要关键词标记在语音情绪识别模型识别出的关键应答节点上;
通过所述关键应答节点的应答程序获取到语音情绪识别模型可识别的需求因子,所述关键应答节点包括一项或多项。
7.根据权利要求6所述的基于大数据的AI智能服务计算方法,其特征在于,在所述第二对话过程中判断各个所述需求因子对应的应答评分,当各个需求因子对应的所述应答评分达到预设评分时,完成与用户的第二对话过程的步骤,包括:
在若干应答节点分别对用户进行对话的过程中,采用所述情绪识别模型识别与若干应答节点匹配的需求因子是否达到预设评分;
若是,则完成与用户的第二对话过程。
8.根据权利要求7所述的基于大数据的AI智能服务计算方法,其特征在于,所述在若干应答节点分别对用户进行对话的过程中,采用所述情绪识别模型识别与若干应答节点匹配的需求因子是否达到预设评分的步骤,包括:
通过情绪识别模型对用户进行语音识别,生成用户语音对应的声纹、文本和音量值;
通过所述声纹、文本和音量值对应提升或降低各个需求因子对应的所述应答评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310858370.8A CN116578692B (zh) | 2023-07-13 | 2023-07-13 | 基于大数据的ai智能服务计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310858370.8A CN116578692B (zh) | 2023-07-13 | 2023-07-13 | 基于大数据的ai智能服务计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116578692A true CN116578692A (zh) | 2023-08-11 |
CN116578692B CN116578692B (zh) | 2023-09-15 |
Family
ID=87543531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310858370.8A Active CN116578692B (zh) | 2023-07-13 | 2023-07-13 | 基于大数据的ai智能服务计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116578692B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130290234A1 (en) * | 2012-02-02 | 2013-10-31 | Visa International Service Association | Intelligent Consumer Service Terminal Apparatuses, Methods and Systems |
CN108763568A (zh) * | 2018-06-05 | 2018-11-06 | 北京玄科技有限公司 | 智能机器人交互流程的管理方法、多轮对话方法及装置 |
CN111488433A (zh) * | 2020-06-28 | 2020-08-04 | 南京银行股份有限公司 | 一种适用于银行的提升现场体验感的人工智能交互系统 |
CN111831799A (zh) * | 2019-04-23 | 2020-10-27 | 北京京东尚科信息技术有限公司 | 信息处理方法、信息处理装置和信息处理系统 |
CN112579755A (zh) * | 2020-12-22 | 2021-03-30 | 冯启鹏 | 基于人工智能和云计算的信息应答方法及信息互动平台 |
CN112860873A (zh) * | 2021-03-23 | 2021-05-28 | 北京小米移动软件有限公司 | 智能应答方法、装置及存储介质 |
KR20210106657A (ko) * | 2020-02-21 | 2021-08-31 | 주식회사 케이티 | 사용자의 감정에 기초하여 대화 서비스를 제공하는 장치, 방법 및 컴퓨터 프로그램 |
KR20210156145A (ko) * | 2020-06-17 | 2021-12-24 | 김훈 | 인공지능 및 증강현실 기술을 활용한, 음성인식 및 감정인식 기반의 쌍방향 대화 시스템 |
CN114090755A (zh) * | 2021-11-30 | 2022-02-25 | 平安科技(深圳)有限公司 | 基于知识图谱的回复语句确定方法、装置及电子设备 |
US20220164204A1 (en) * | 2020-11-20 | 2022-05-26 | International Business Machines Corporation | Self-learning artificial intelligence voice response based on user behavior during interaction |
CN114979387A (zh) * | 2022-05-24 | 2022-08-30 | 上海华客信息科技有限公司 | 基于模拟电话的网络电话服务方法、系统、设备和介质 |
CN115643341A (zh) * | 2022-10-14 | 2023-01-24 | 杭州半云科技有限公司 | 人工智能客服应答系统 |
-
2023
- 2023-07-13 CN CN202310858370.8A patent/CN116578692B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130290234A1 (en) * | 2012-02-02 | 2013-10-31 | Visa International Service Association | Intelligent Consumer Service Terminal Apparatuses, Methods and Systems |
CN108763568A (zh) * | 2018-06-05 | 2018-11-06 | 北京玄科技有限公司 | 智能机器人交互流程的管理方法、多轮对话方法及装置 |
CN111831799A (zh) * | 2019-04-23 | 2020-10-27 | 北京京东尚科信息技术有限公司 | 信息处理方法、信息处理装置和信息处理系统 |
KR20210106657A (ko) * | 2020-02-21 | 2021-08-31 | 주식회사 케이티 | 사용자의 감정에 기초하여 대화 서비스를 제공하는 장치, 방법 및 컴퓨터 프로그램 |
KR20210156145A (ko) * | 2020-06-17 | 2021-12-24 | 김훈 | 인공지능 및 증강현실 기술을 활용한, 음성인식 및 감정인식 기반의 쌍방향 대화 시스템 |
CN111488433A (zh) * | 2020-06-28 | 2020-08-04 | 南京银行股份有限公司 | 一种适用于银行的提升现场体验感的人工智能交互系统 |
US20220164204A1 (en) * | 2020-11-20 | 2022-05-26 | International Business Machines Corporation | Self-learning artificial intelligence voice response based on user behavior during interaction |
CN112579755A (zh) * | 2020-12-22 | 2021-03-30 | 冯启鹏 | 基于人工智能和云计算的信息应答方法及信息互动平台 |
CN112860873A (zh) * | 2021-03-23 | 2021-05-28 | 北京小米移动软件有限公司 | 智能应答方法、装置及存储介质 |
CN114090755A (zh) * | 2021-11-30 | 2022-02-25 | 平安科技(深圳)有限公司 | 基于知识图谱的回复语句确定方法、装置及电子设备 |
CN114979387A (zh) * | 2022-05-24 | 2022-08-30 | 上海华客信息科技有限公司 | 基于模拟电话的网络电话服务方法、系统、设备和介质 |
CN115643341A (zh) * | 2022-10-14 | 2023-01-24 | 杭州半云科技有限公司 | 人工智能客服应答系统 |
Non-Patent Citations (3)
Title |
---|
ANA M. GARCÍA-SERRANO ETC.: "Using AI techniques to support advanced interaction capabilities in a virtual assistant for e-commerce", 《EXPERT SYSTEMS WITH APPLICATIONS》, pages 413 - 426 * |
吴雅婷: "基于多任务学习和知识图谱的对话技术研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, pages 138 - 2613 * |
赵东明 等: "天津移动知识图谱驱动的智能应答机器人系统", 《天津科技》, pages 27 - 29 * |
Also Published As
Publication number | Publication date |
---|---|
CN116578692B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818798B (zh) | 客服服务质量评价方法、装置、设备及存储介质 | |
CN107222865B (zh) | 基于可疑行为识别的通讯诈骗实时检测方法和系统 | |
Shahin et al. | Novel cascaded Gaussian mixture model-deep neural network classifier for speaker identification in emotional talking environments | |
CN111311327A (zh) | 基于人工智能的服务评价方法、装置、设备及存储介质 | |
CN110459210A (zh) | 基于语音分析的问答方法、装置、设备及存储介质 | |
CN110689878B (zh) | 一种基于XLNet的智能语音对话意图识别方法 | |
WO2021047319A1 (zh) | 基于语音的个人信用评估方法、装置、终端及存储介质 | |
CN109313892A (zh) | 稳健的语言识别方法和系统 | |
CN110930989B (zh) | 语音意图识别方法、装置、计算机设备和存储介质 | |
CN111897935B (zh) | 基于知识图谱的话术路径选择方法、装置和计算机设备 | |
CN107919137A (zh) | 远程审批方法、装置、设备及可读存储介质 | |
CN110136696B (zh) | 音频数据的监控处理方法和系统 | |
CN112967725A (zh) | 语音对话数据处理方法、装置、计算机设备及存储介质 | |
CN110704618B (zh) | 确定对话数据对应的标准问题的方法及装置 | |
CN110992959A (zh) | 一种语音识别方法及系统 | |
KR20200092166A (ko) | 감정을 인식하는 서버, 방법 및 컴퓨터 프로그램 | |
CN114220461A (zh) | 客服话术的引导方法、装置、设备及存储介质 | |
CN110797032A (zh) | 一种声纹数据库建立方法及声纹识别方法 | |
CN110782902A (zh) | 音频数据确定方法、装置、设备和介质 | |
CN113591463B (zh) | 意图识别方法、装置、电子设备及存储介质 | |
CN116578692B (zh) | 基于大数据的ai智能服务计算方法 | |
CN112309398A (zh) | 工作时长监控方法、装置、电子设备和存储介质 | |
CN116881730A (zh) | 基于语境的聊天场景匹配系统、方法、设备及存储介质 | |
CN113990288B (zh) | 一种语音客服自动生成部署语音合成模型的方法 | |
CN114398487A (zh) | 线上会话的参考信息输出方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |