CN116644160A - 基于在线ai交互的用户会话识别分析方法及软件产品 - Google Patents

基于在线ai交互的用户会话识别分析方法及软件产品 Download PDF

Info

Publication number
CN116644160A
CN116644160A CN202310505612.5A CN202310505612A CN116644160A CN 116644160 A CN116644160 A CN 116644160A CN 202310505612 A CN202310505612 A CN 202310505612A CN 116644160 A CN116644160 A CN 116644160A
Authority
CN
China
Prior art keywords
voice conversation
interaction
online
voice
detail
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.)
Withdrawn
Application number
CN202310505612.5A
Other languages
English (en)
Inventor
刘明
李井井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Xutou Network Technology Co ltd
Original Assignee
Xiamen Xutou Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen Xutou Network Technology Co ltd filed Critical Xiamen Xutou Network Technology Co ltd
Priority to CN202310505612.5A priority Critical patent/CN116644160A/zh
Publication of CN116644160A publication Critical patent/CN116644160A/zh
Withdrawn legal-status Critical Current

Links

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
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Machine Translation (AREA)

Abstract

本发明实施例涉及机器学习、人工智能和自然语言处理技术领域，涉及基于在线AI交互的用户会话识别分析方法及软件产品。其中，AI会话识别分析服务器基于充足的且没有进行注释的在线AI语音会话交互学习数据对语音会话细节挖掘网络进行调试，保障语音会话细节挖掘网络的调试质量，使得完成调试的语音会话细节挖掘网络可以精准合理地实现会话观点挖掘。本发明实施例的应用场景包括但不限于智能问答、电子商务咨询、远程医疗会诊、数字办公、虚拟商城体验、数字社区聊天消遣、互联网热点话题讨论、网络信息安全防护求助等。

Description

基于在线AI交互的用户会话识别分析方法及软件产品
技术领域
本发明涉及机器学习、人工智能和自然语言处理技术领域，尤其涉及一种基于在线AI交互的用户会话识别分析方法及软件产品。
背景技术
在线对话系统(也可以称之为对话机器人)本质上是通过机器学习(MachineLearning)、人工智能(ArtificialIntelligence)以及自然语言处理(NaturalLanguageProcessing)等技术让机器理解人的语言。它包含了诸多学科方法的融合使用，是人工智能技术的一个技术集中领域。
随着在线对话系统的发展，其所涉及的应用场景包括但不限于智能问答、电子商务咨询、远程医疗会诊、数字办公、虚拟商城体验、数字社区聊天消遣、互联网热点话题讨论、网络信息安全防护求助等数字化场景。当下，如何准确实现对话/会话观点挖掘，是有效应对不同用户的多样化需求的关键环节。
发明内容
本发明提供一种基于在线AI交互的用户会话识别分析方法及软件产品，AI会话识别分析服务器基于充足的且没有进行注释的在线AI语音会话交互学习数据对语音会话细节挖掘网络进行调试，保障语音会话细节挖掘网络的调试质量，使得完成调试的语音会话细节挖掘网络可以精准合理地实现会话观点挖掘。本发明实施例的应用场景包括但不限于智能问答、电子商务咨询、远程医疗会诊、数字办公、虚拟商城体验、数字社区聊天消遣、互联网热点话题讨论、网络信息安全防护求助等，为实现上述技术目的，本发明采用如下技术方案。
第一方面是一种基于在线AI交互的用户会话识别分析方法，应用于AI会话识别分析服务器，所述方法包括：
获得在线AI语音会话交互学习数据；依据所述在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，结合运算输出结果确定所述在线AI语音会话交互学习数据的语音会话交互评价学习变量；
调用语音会话细节挖掘网络针对所述在线AI语音会话交互学习数据进行语音会话观点向量挖掘操作，得到所述在线AI语音会话交互学习数据的语音会话观点向量信息；
调用所述语音会话细节挖掘网络结合所述语音会话观点向量信息，对所述在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息；
结合所述在线AI语音会话交互学习数据的局部聚焦细节信息，识别所述在线AI语音会话交互学习数据的语音会话交互评价预测变量；
依据所述语音会话交互评价预测变量和对应的语音会话交互评价学习变量，对所述语音会话细节挖掘网络进行调试，以通过完成调试的语音会话细节挖掘网络提取拟分析在线AI语音会话交互数据的局部聚焦细节信息进行会话观点挖掘。
在一些可能的设计思路下，所述依据所述在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，结合运算输出结果确定所述在线AI语音会话交互学习数据的语音会话交互评价学习变量，包括：
依据所述在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，得到最少一个语音会话交互评价信息；
将所述最少一个语音会话交互评价信息进行交互评价聚合处理，得到所述在线AI语音会话交互学习数据的语音会话交互评价学习变量。
在一些可能的设计思路下，所述将所述最少一个语音会话交互评价信息进行交互评价聚合处理，得到所述在线AI语音会话交互学习数据的语音会话交互评价学习变量，包括：
获得最少一个语音会话交互评价的评价系数输出标签；
依据所述评价系数输出标签对所述最少一个语音会话交互评价信息进行交互评价聚合处理，得到所述在线AI语音会话交互学习数据的语音会话交互评价学习变量。
在一些可能的设计思路下，所述语音会话交互评价学习变量包括最少两个种类的语音会话交互评价学习变量，所述结合所述在线AI语音会话交互学习数据的局部聚焦细节信息，识别所述在线AI语音会话交互学习数据的语音会话交互评价预测变量，包括：
确定每个交互评价种类对应的AI算法执行模式；
针对每个交互评价种类，采用对应的AI算法执行模式对局部聚焦细节信息进行处理，得到每个交互评价种类对应的语音会话交互评价预测变量。
在一些可能的设计思路下，所述AI算法执行模式包括观点情绪分析操作，所述采用对应的AI算法执行模式对局部聚焦细节信息进行处理，得到每个交互评价种类对应的语音会话交互评价预测变量，包括：
结合所述局部聚焦细节信息进行动态滤波操作，得到局部聚焦细节滤波信息；
对所述局部聚焦细节滤波信息进行特征-数值特征迁移，得到所述语音会话交互评价预测变量。
在一些可能的设计思路下，所述语音会话观点向量信息包括语音会话观点线性字段，所述调用所述语音会话细节挖掘网络结合所述语音会话观点向量信息，对所述在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息，包括：
对所述语音会话观点线性字段进行局部强化坐标系特征迁移，得到所述在线AI语音会话交互学习数据中每个语音会话交互数据块在所述局部强化坐标系中对应的特征迁移结果，所述特征迁移结果包括连接描述特征、应答描述特征以及请求描述特征；
针对每个语音会话交互数据块，依据所述语音会话交互数据块的连接描述特征与关联语音会话交互数据块的请求描述特征之间的差异，确定所述语音会话交互数据块与所述关联语音会话交互数据块之间的特征共性权重；
针对每个语音会话交互数据块，依据所述语音会话交互数据块的请求描述特征与所述关联语音会话交互数据块之间的特征共性权重，对所述语音会话交互数据块和所述关联语音会话交互数据块的应答描述特征进行拼接操作，得到所述偏向语音会话牵涉内容的局部聚焦细节信息。
在一些可能的设计思路下，所述语音会话细节挖掘网络包括多级会话细节挖掘策略，所述调用所述语音会话细节挖掘网络结合所述语音会话观点向量信息，对所述在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息，包括：
将所述语音会话观点向量信息作为所述多级会话细节挖掘策略的语音会话观点传入向量；
通过所述多级会话细节挖掘策略按序对所述语音会话观点传入向量进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
在一些可能的设计思路下，每级会话细节挖掘策略包含并行局部聚焦策略，所述通过所述多级会话细节挖掘策略按序对所述语音会话观点传入向量进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息，包括：
通过所述多级会话细节挖掘策略结合并行局部聚焦策略对按序所述语音会话观点传入向量进行局部聚焦细节挖掘，得到每种局部聚焦策略下的阶段化聚焦细节信息；
通过所述多级会话细节挖掘策略将每种局部聚焦策略下的阶段化聚焦细节信息进行拼接操作，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
在一些可能的设计思路下，所述调用所述语音会话细节挖掘网络结合所述语音会话观点向量信息，对所述在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息，包括：
调用所述语音会话细节挖掘网络对所述语音会话观点向量信息进行标记操作，得到所述在线AI语音会话交互学习数据的语音会话观点向量标记信息；
对所述语音会话观点向量标记信息进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
在一些可能的设计思路下，所述依据所述语音会话交互评价预测变量和对应的语音会话交互评价学习变量，对所述语音会话细节挖掘网络进行调试之后，所述方法还包括：
获得目标在线AI语音会话交互学习数据，所述在线AI语音会话交互学习数据具有学习监督标识；
通过预调试语音会话细节挖掘网络对所述目标在线AI语音会话交互学习数据进行语音会话观点向量挖掘操作，得到所述目标在线AI语音会话交互学习数据的语音会话观点向量信息，所述预调试语音会话细节挖掘网络通过所述语音会话交互评价预测变量和对应的语音会话交互评价学习变量调试得到；
通过所述预调试语音会话细节挖掘网络结合所述目标在线AI语音会话交互学习数据的语音会话观点向量信息，对所述目标在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到所述目标在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息；
通过评论观点解析网络结合所述目标在线AI语音会话交互学习数据的局部聚焦细节信息进行解析，得到所述目标在线AI语音会话交互学习数据的评论观点解析结果；
结合所述学习监督标识和所述评论观点解析结果对所述评论观点解析网络以及所述预调试语音会话细节挖掘网络进行调试，得到调试后评论观点解析网络和完成调试的语音会话细节挖掘网络，以对拟分析在线AI语音会话交互数据进行会话观点挖掘。
第二方面是一种AI会话识别分析服务器，包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述AI会话识别分析服务器执行第一方面的方法。
第三方面是一种用于实现基于在线AI交互的用户会话识别分析方法的软件产品，包括计算机程序/指令，其中，当所述计算机程序/指令被执行时，实现执行第一方面的方法。
第四方面是一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行第一方面的方法。
本发明实施例通过获得在线AI语音会话交互学习数据；依据所述在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，结合运算输出结果确定所述在线AI语音会话交互学习数据的语音会话交互评价学习变量；调用语音会话细节挖掘网络针对所述在线AI语音会话交互学习数据进行语音会话观点向量挖掘操作，得到所述在线AI语音会话交互学习数据的语音会话观点向量信息；调用所述语音会话细节挖掘网络结合所述语音会话观点向量信息，对所述在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息；结合所述在线AI语音会话交互学习数据的局部聚焦细节信息，识别所述在线AI语音会话交互学习数据的语音会话交互评价预测变量；依据所述语音会话交互评价预测变量和对应的语音会话交互评价学习变量，对所述语音会话细节挖掘网络进行调试，以通过完成调试的语音会话细节挖掘网络提取拟分析在线AI语音会话交互数据的局部聚焦细节信息进行会话观点挖掘。该发明实施例通过语音会话交互评价学习变量以及语音会话交互评价预测变量对语音会话细节挖掘网络进行调试，可基于充足的且没有进行注释的在线AI语音会话交互学习数据对语音会话细节挖掘网络进行调试，保障语音会话细节挖掘网络的调试质量，使得完成调试的语音会话细节挖掘网络可以精准合理地实现会话观点挖掘。
附图说明
图1为本发明实施例提供的基于在线AI交互的用户会话识别分析方法的流程示意图。
具体实施方式
以下，术语“第一”、“第二”和“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”或“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。
图1示出了本发明实施例提供的基于在线AI交互的用户会话识别分析方法的流程示意图，基于在线AI交互的用户会话识别分析方法可以通过AI会话识别分析服务器实现，AI会话识别分析服务器可以包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述AI会话识别分析服务器执行步骤101-步骤106。
步骤101、获得在线AI语音会话交互学习数据。
本发明实施例中，在线AI语音会话交互学习数据是用作对语音会话细节挖掘网络进行调试的调试样例(也可以理解为训练数据、训练集、训练示例等)，鉴于神经网络训练可以理解为神经网络对样本的学习过程，因此将在线AI语音会话交互学习数据理解为在线AI语音会话交互训练数据也可。示例性的，在线AI语音会话交互学习数据中可以真实用户和聊天机器人(亦或者虚拟机器人/AI数字人等)之间的语音对话交互信息，语音对话交互所涉及的应用场景包括但不限于智能问答、电子商务咨询、远程医疗会诊、数字办公、虚拟商城体验、数字社区聊天消遣、互联网热点话题讨论、网络信息安全防护求助等。进一步地，在线AI语音会话交互学习数据可以是没有携带训练注释的在线AI语音会话交互学习数据。
示例性的，可以从云共享空间或者其他服务器中获得在线AI语音会话交互学习数据，或者是将AI会话客户端上传的拟分析在线AI语音会话交互数据作为在线AI语音会话交互学习数据。应当理解，本发明实施例在获取用户的相关信息时(比如对话信息、观点标签信息等)，是经过用户知晓和授权的。
步骤102、依据在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，结合运算输出结果确定在线AI语音会话交互学习数据的语音会话交互评价学习变量。
本发明实施例中，人机对话元素可以为反映语音会话交互数据特征的信息，比如，在线AI语音会话交互学习数据中每个语音会话事项的在不同关注维度下的声纹特征以及情感极性等人机对话元素。
进一步地，语音会话交互评价运算可以是在最少一个描述特征维度下，结合人机对话元素对在线AI语音会话交互学习数据进行的处理，比如，针对声纹特征、对话逻辑特征、情感极性特征、或者是评论交涉特征对在线AI语音会话交互学习数据进行处理。
其中，语音会话交互评价学习变量可以是依据语音会话交互评价运算得到的运算输出结果确定的评价指标样例，语音会话交互评价学习变量可以理解为在线AI语音会话交互学习数据的训练注释或者学习注释，用于与结合语音会话细节挖掘网络挖掘的局部聚焦细节信息(可理解为注意力特征)进行解析得到的语音会话交互评价预测变量(可以理解为评价指标预测结果)进行比对分析。
示例性的，可以是针对最少一个描述特征维度，获得在线AI语音会话交互学习数据的人机对话元素进行处理，得到语音会话交互评价信息(语音会话交互评价信息为通过对人机对话元素进行语音会话交互评价运算得到的运算输出结果)。比如，针对声纹特征，可以通过在线AI语音会话交互学习数据中每个语音会话事项的不同特征维度的语音声纹特征确定在线AI语音会话交互学习数据的声纹向量分布；针对对话逻辑特征，可以确定在线AI语音会话交互学习数据的对话逻辑树等；针对情感极性特征，可以确定在线AI语音会话交互学习数据的用户情感极性量化特征，针对评论交涉特征，可以依据在线AI语音会话交互学习数据的每个语音会话事项的情感极性以及声纹特征确定评论交涉的相关性特征，以及针对在线AI语音会话交互学习数据的全局语音会话描述，确定在线AI语音会话交互学习数据的每个语音会话事项在不同特征维度下的声纹特征等得到关于在线AI语音会话交互学习数据的语音会话交互评价信息。其中，语音会话交互评价信息可以通过特征向量或者特征矩阵的形式进行记录，比如可以根据实际需求进行特征维度、语音会话事项的特征矩阵化处理。
将依据在线AI语音会话交互学习数据的人机对话元素运算得到的语音会话交互评价信息作为该在线AI语音会话交互学习数据的语音会话交互评价学习变量，比如，可以是针对声纹特征确定得到的关于声纹向量分布对应的1维矢量作为在线AI语音会话交互学习数据的参考会话特征样例。
如果针对多个语音会话描述/语音会话频繁项进行语音会话交互评价运算，会得到海量的语音会话交互评价学习变量，则对应的需要解析相同数目的语音会话交互评价预测变量，运算开销较大，且部分语音会话交互评价学习变量为量化值模式(比如，确定出的在线AI语音会话交互学习数据的量化比较结果)，且取值范围大，对网络的训练调试可能产生负面影响，在一可能的设计思路下，可以是将确定出的语音会话交互评价信息进行整合，得到语音会话交互评价学习变量，将多个运算输出结果进行整合，可以削减语音会话交互评价学习变量的个数，减少网络调试的复杂度。换言之，步骤“依据在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，结合运算输出结果确定在线AI语音会话交互学习数据的语音会话交互评价学习变量”，包括：依据在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，得到最少一个语音会话交互评价信息；将最少一个语音会话交互评价信息进行交互评价聚合处理，得到在线AI语音会话交互学习数据的语音会话交互评价学习变量。
示例性可以是依据在线AI语音会话交互学习数据的语音会话属性进行语音会话交互评价运算，得到最少一个语音会话交互评价信息，将得到的全部语音会话交互评价信息组合为一个多维特征或者多维向量，将该多维特征或者多维向量作为语音会话交互评价学习变量。
示例性的，将语音会话交互评价信息中为量化值模式的语音会话交互评价信息进行合并，比如，组合为数组的形式，将得到的数组，以及其他非量化值模式，比如1维矢量以及多维矢量形式的语音会话交互评价信息作为语音会话交互评价参考信息。
示例性的，还可以依据语音会话交互评价的评价系数输出标签，对语音会话交互评价信息进行聚合操作，得到语音会话交互评价学习变量，基于此，步骤“将最少一个语音会话交互评价信息进行交互评价聚合处理，得到在线AI语音会话交互学习数据的语音会话交互评价学习变量”，示例性可以为：获得最少一个语音会话交互评价的评价系数输出标签；依据评价系数输出标签对最少一个语音会话交互评价信息进行交互评价聚合处理，得到在线AI语音会话交互学习数据的语音会话交互评价学习变量。
其中，评价系数输出标签可反映语音会话交互评价信息的输出标签(输出类别)，比如，可以是数值或者多维向量等形式。
示例性可以为每个语音会话交互评价对应有评价系数输出标签，依据语音会话交互评价获得对应的评价系数输出标签，将评价系数输出标签为数值以及1维矢量的语音会话交互评价信息进行组合，得到一个关于该在线AI语音会话交互学习数据的包含更多语音会话交互评价信息的1维矢量；将评价系数输出标签为2维矢量的语音会话交互评价信息进行组合，得到关于该在线AI语音会话交互学习数据的3维矢量；将得到的1维矢量、3维矢量以及其他评价系数输出标签(比如，3维矢量等)的语音会话交互评价信息作为语音会话交互评价学习变量。
步骤103、调用语音会话细节挖掘网络针对在线AI语音会话交互学习数据进行语音会话观点向量挖掘操作，得到在线AI语音会话交互学习数据的语音会话观点向量信息。
本发明实施例中，语音会话细节挖掘网络是用作对在线AI语音会话交互学习数据进行语音会话观点向量挖掘的神经网络。
其中，语音会话观点向量提取可以是对在线AI语音会话交互学习数据进行会话信息分析和挖掘，以提取在线AI语音会话交互学习数据的观点特征的过程，语音会话观点向量信息可以是通过语音会话观点向量提取得到的信息。
举例而言，语音会话细节挖掘网络可以为联合神经网络，比如Resnet和RNN的组合。通过Resnet网络对在线AI语音会话交互学习数据对在线AI语音会话交互学习数据进行滑动平均处理，得到在线AI语音会话交互学习数据的语音会话特征关系网，通过RNN网络对语音会话特征关系网进行会话观点挖掘，得到在线AI语音会话交互学习数据的语音会话观点向量信息。
示例性的，语音会话细节挖掘网络还可以通过其他的神经网络进行语音会话观点向量提取，比如，通过深度学习模型对在线AI语音会话交互学习数据特征处理，将在线AI语音会话交互学习数据映射为可以反映在线AI语音会话交互学习数据的语音会话观点向量信息。
步骤104、调用语音会话细节挖掘网络结合语音会话观点向量信息，对在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
其中，在线AI语音会话交互学习数据可以包括多个语音会话交互数据块，每个语音会话交互数据块可以对应有语音会话特征集，在线AI语音会话交互学习数据的语音会话观点向量信息中可以包括每个语音会话交互数据块的语音会话特征集，局部聚焦细节信息可以是针对每个语音会话交互数据块，将语音会话交互数据块的语音会话特征集和关联语音会话交互数据块的语音会话特征集进行拼接操作得到的具有语音会话牵涉内容的信息。
示例性可以为针对每个语音会话交互数据块，将依据语音会话交互数据块的语音会话特征集和关联语音会话交互数据块的语音会话特征集之间的特征共性权重(可以理解为相似度)，作为关联语音会话交互数据块对应的加权因子，结合加权因子，对语音会话交互数据块和关联语音会话交互数据块的语音会话特征集进行加权处理，得到每个语音会话交互数据块对应的偏向语音会话牵涉内容的局部聚焦细节信息。
依据每个语音会话交互数据块对应的偏向语音会话牵涉内容的局部聚焦细节信息可以得到拟分析在线AI语音会话交互数据的偏向语音会话牵涉内容的局部聚焦细节信息。
其中，关联语音会话交互数据块可以是与语音会话交互数据块相关联的语音会话交互数据块，比如可以是语音会话交互数据块的相邻语音会话交互数据块，关联语音会话交互数据块还可以是在线AI语音会话交互学习数据的全部语音会话交互数据块，或者在线AI语音会话交互学习数据中的其他语音会话交互数据块。
在一可能的设计思路下，语音会话观点向量信息可以包括语音会话观点线性字段，语音会话观点线性字段可以包含每个语音会话交互数据块的会话集描述特征，可以依据语音会话交互数据块的会话集描述特征与关联语音会话交互数据块的会话集描述特征之间的差异得到二者之间的特征共性权重，还可以将语音会话观点线性字段进行局部强化坐标系(注意力特征空间)映射，依据局部强化坐标系中向量之间的差异确定每个语音会话交互数据块和关联语音会话交互数据块的特征共性权重，并依据特征共性权重得到具有语音会话牵涉内容的局部聚焦细节信息，基于此，步骤“调用语音会话细节挖掘网络结合语音会话观点向量信息，对在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息”，示例性可以包括：对语音会话观点向量信息进行局部强化坐标系特征迁移，得到在线AI语音会话交互学习数据中每个语音会话交互数据块在局部强化坐标系中对应的特征迁移结果，特征迁移结果包括连接描述特征、应答描述特征以及请求描述特征；针对每个语音会话交互数据块，依据语音会话交互数据块的连接描述特征与关联语音会话交互数据块的请求描述特征之间的差异，计算语音会话交互数据块与关联语音会话交互数据块之间的特征共性权重；针对每个语音会话交互数据块，依据语音会话交互数据块的请求描述特征与关联语音会话交互数据块之间的特征共性权重，对语音会话交互数据块和关联语音会话交互数据块的应答描述特征进行拼接操作，得到偏向语音会话牵涉内容的局部聚焦细节信息。
其中，特征迁移可以理解为特征映射处理，连接描述特征、请求描述特征和应答描述特征可以是语音会话观点线性字段分别依据不同的局部关注系数进行线性映射得到的特征迁移结果。局部关注系数可以语音会话细节挖掘网络中的注意力变量。进一步地，连接描述特征、请求描述特征和应答描述特征分别可以理解为查询特征、键特征和值特征。
在一些示例下，局部关注系数可以包括第一局部关注系数attention_C、第二局部关注系数attention_A和第三局部关注系数attention_R，结合第一局部关注系数对语音会话观点线性字段进行映射，得到在线AI语音会话交互学习数据的连接描述特征，记为C_feature，可视为C，在线AI语音会话交互学习数据中第i个语音会话交互数据块的连接描述特征记为C_i；结合第二局部关注系数对语音会话观点线性字段进行映射，得到在线AI语音会话交互学习数据的请求描述特征，记为A_feature，可视为A，在线AI语音会话交互学习数据中第i个语音会话交互数据块的连接描述特征记为A_i；结合第三局部关注系数对语音会话观点线性字段进行映射，得到在线AI语音会话交互学习数据的应答描述特征，记为R_feature，可视为R，在线AI语音会话交互学习数据中第i个语音会话交互数据块的连接描述特征记为R_i，在线AI语音会话交互学习数据在局部强化坐标系的特征迁移结果可以基于上述键值对的描述特征得到，在此不作赘述：
进一步地，确定第i个语音会话交互数据块对应的连接描述特征和关联语音会话交互数据块j对应的请求描述特征之间的差异，比如，可以将连接描述特征和请求描述特征进行点积，比如C_i·A_j，得到语音会话交互数据块i和关联语音会话交互数据块j间的特征共性权重。
针对在线AI语音会话交互学习数据中每个语音会话交互数据块进行类似的操作，得到每个语音会话交互数据块与对应的关联语音会话交互数据块之间的特征共性权重。
依据语音会话交互数据块与每个关联语音会话交互数据块之间的特征共性权重对语音会话交互数据块以及关联语音会话交互数据块的应答描述特征加权处理处理，得到语音会话交互数据块的偏向语音会话牵涉内容的区域局部聚焦细节信息，结合每个语音会话交互数据块的区域局部聚焦细节信息得到在线AI语音会话交互学习数据的局部聚焦细节信息。
在一可能的设计思路下，依据每个语音会话交互数据块与关联语音会话交互数据块之间的初始特征共性权重可以得到在线AI语音会话交互学习数据的初始特征共性权重列表，可以记为SCORE0，初始特征共性权重列表中位于第i行第i列的列表成员可反映语音会话交互数据块i对语音会话交互数据块j(语音会话交互数据块j为语音会话交互数据块i的关联语音会话交互数据块)的初始特征共性权重，位于第j行第i列的列表成员可反映语音会话交互数据块j对语音会话交互数据块i的初始特征共性权重。
进一步地，依据特征共性权重列表可以确定每个语音会话交互数据块的语音会话特征与关联语音会话交互数据块的语音会话特征之间的特征共性权重。
将在线AI语音会话交互学习数据的应答描述特征R与特征共性权重列表相乘，得到在线AI语音会话交互学习数据的具有语音会话牵涉内容的局部聚焦细节信息。
在一可能的设计思路下可以增加在线AI语音会话交互学习数据的扰动噪声，提供语音会话细节挖掘网络的调试效果，基于此，步骤“调用语音会话细节挖掘网络结合语音会话观点向量信息，对在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息”，示例性可以包括：调用语音会话细节挖掘网络对语音会话观点向量信息进行标记操作，得到在线AI语音会话交互学习数据的语音会话观点向量标记信息；对语音会话观点向量标记信息进行局部聚焦细节挖掘，得到在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
其中，标记操作可以是忽略或者挑选在线AI语音会话交互学习数据的语音会话观点向量信息中的一些观点特征的处理方式，以增加语音会话细节挖掘网络的调试样例的扰动，使得经过调试的语音会话细节挖掘网络具有适应性更强的会话观点挖掘性能。
示例性可以为通过对在线AI语音会话交互学习数据的语音会话观点向量信息中的某些观点特征进行忽略，增加样本的扰动噪声，得到语音会话观点向量标记信息，对语音会话观点向量标记信息进行局部聚焦细节挖掘，得到在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
示例性的，步骤103可以是调用语音会话细节挖掘网络包含的注意力策略进行语音会话观点向量提取，为了提高特征挖掘的准确性，注意力策略可以是多级注意力策略，基于此，步骤“调用语音会话细节挖掘网络结合语音会话观点向量信息，对在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息”，示例性可以包括：将语音会话观点向量信息作为多级会话细节挖掘策略的语音会话观点传入向量；通过多级会话细节挖掘策略按序对语音会话观点传入向量进行局部聚焦细节挖掘，得到在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
其中，多级注意力策略具有先后顺序，将语音会话观点向量信息作为多级注意力策略的第一级注意力策略的语音会话观点传入向量，通过第一级注意力策略对在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到第一局部聚焦细节信息，将第一局部聚焦细节信息作为第二级注意力策略的语音会话观点传入向量，通过第二级注意力策略对语音会话观点传入向量进行局部聚焦细节挖掘，得到第二局部聚焦细节信息，以此类推，将最后一级注意力策略生成的观点特征作为局部聚焦细节信息。
示例性的，每级注意力策略可以包含并行局部聚焦策略，依据并行局部聚焦策略得到的阶段化聚焦细节信息得到该级注意力策略的局部聚焦细节信息，基于此，步骤“通过多级会话细节挖掘策略按序对语音会话观点传入向量进行局部聚焦细节挖掘，得到在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息”，示例性可以包括：通过多级会话细节挖掘策略结合并行局部聚焦策略按序对语音会话观点传入向量进行局部聚焦细节挖掘，得到每种局部聚焦策略下的阶段化聚焦细节(子注意力特征)信息；通过多级会话细节挖掘策略将每种局部聚焦策略下的阶段化聚焦细节信息进行拼接操作，得到在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
示例性可以为通过每级特征的并行局部聚焦策略分别对语音会话观点向量信息进行局部聚焦细节挖掘，得到每级局部聚焦细节策略下的阶段化聚焦细节信息，将每个阶段化聚焦细节信息进行组合，得到组合后局部聚焦细节信息，并对组合后局部聚焦细节信息进行维度转化，使得维度与输入的语音会话观点向量信息维度相同，输出该级注意力策略得到的局部聚焦细节信息，将局部聚焦细节信息作为下一级局部聚焦细节策略的语音会话观点传入向量。
步骤105、结合在线AI语音会话交互学习数据的局部聚焦细节信息，确定在线AI语音会话交互学习数据的语音会话交互评价预测变量。
其中，语音会话交互评价预测变量可以是依据局部聚焦细节信息进行解析的指标数据。
示例性可以为依据局部聚焦细节信息预测与语音会话交互评价学习变量匹配的语音会话交互评价预测变量。
在一可能的设计思路下，可以依据语音会话交互评价学习变量的交互评价种类，对局部聚焦细节信息采用不同的处理思路，以得到与语音会话交互评价学习变量匹配的语音会话交互评价预测变量，基于此，步骤“结合在线AI语音会话交互学习数据的局部聚焦细节信息，预测在线AI语音会话交互学习数据的语音会话交互评价预测变量”，示例性可以为：确定每个交互评价种类(指标种类)对应的AI算法执行模式(特征处理模式)；针对每个交互评价种类，采用对应的AI算法执行模式对局部聚焦细节信息进行处理，得到每个交互评价种类对应的语音会话交互评价预测变量。
其中，交互评价种类可以是语音会话交互评价学习变量的交互评价种类，比如，1维交互评价、2维交互评价或者是还原交互评价等。1维指标表示依据包含的语音会话交互评价信息都是1维矢量(数值为特殊的1维矢量)，1维交互评价表示依据包含的语音会话交互评价信息都是2维矢量，还原交互评价表示包含的语音会话交互评价信息为语音会话特征向量。
进一步地，确定每个交互评价种类对应的AI算法执行模式，依据每个交互评价种类，采用对应的AI算法执行模式对局部聚焦细节进行处理，得到语音会话交互评价学习变量匹配的语音会话交互评价预测变量。
如果交互评价种类为在线AI语音会话交互学习数据对应的3维矢量，则对应的处理方式为观点情绪分析操作，则步骤“采用对应的AI算法执行模式对局部聚焦细节信息进行处理，得到每个交互评价种类对应的语音会话交互评价预测变量”，示例性可以包括：结合局部聚焦细节信息进行动态滤波操作(卷积处理)，得到局部聚焦细节滤波信息；对局部聚焦细节信息进行特征-数值特征迁移(归一化处理)，得到语音会话交互评价预测变量。
其中，动态滤波操作可以是对局部聚焦细节信息进行反卷积处理，以结合局部聚焦细节信息进行观点情绪分析操作，得到与在线AI语音会话交互学习数据大小相同的矢量。
比如，示例性可以为对局部聚焦细节信息进行动态滤波操作，得到局部聚焦细节滤波信息，并对局部聚焦细节信息进行特征-数值特征迁移，得到语音会话交互评价预测变量。
示例性的，可以对局部聚焦细节信息进行多次动态滤波操作，以及对动态滤波操作得到的局部聚焦细节滤波信息进行批归一化处理以及通过RELU进行处理，对局部聚焦细节信息进行观点情绪分析操作的时，局部聚焦细节信息交替通过动态滤波层和RELU层进行处理，最后输出局部聚焦细节滤波信息，并将局部聚焦细节信息进行特征-数值特征迁移，得到语音会话交互评价预测变量。
步骤106、依据语音会话交互评价预测变量和对应的语音会话交互评价学习变量，对语音会话细节挖掘网络进行调试，以通过完成调试的语音会话细节挖掘网络提取拟分析在线AI语音会话交互数据的局部聚焦细节信息进行会话观点挖掘。
比如，示例性可以为通过语音会话交互评价预测变量和对应的语音会话交互评价学习变量之间的偏移对语音会话细节挖掘网络进行调试，调节语音会话细节挖掘网络的注意力变量，以得到完成调试的语音会话细节挖掘网络。
在，得到完成调试的语音会话细节挖掘网络之后可以通过完成调试的语音会话细节挖掘网络对拟分析在线AI语音会话交互数据进行语音会话观点向量提取，得到语音会话观点向量信息，对语音会话观点向量信息进行局部聚焦细节挖掘，得到拟分析在线AI语音会话交互数据的局部聚焦细节信息。结合局部聚焦细节信息预测拟分析在线AI语音会话交互数据中的会话观点。
示例性的，通过语音会话交互评价预测变量和语音会话交互评价学习变量对语音会话细节挖掘网络进行调试，得到预调试语音会话细节挖掘网络后，可以再通过具有标签的目标在线AI语音会话交互学习数据对预调试语音会话细节挖掘网络进行调整，得到调试后的语音会话细节挖掘网络，以提高完成调试的语音会话细节挖掘网络的提取特征的性能，基于此，步骤“依据语音会话交互评价预测变量和对应的语音会话交互评价学习变量，对语音会话细节挖掘网络进行调试”，之后，还可以包括：获得目标在线AI语音会话交互学习数据，在线AI语音会话交互学习数据具有学习监督标识(可以理解为训练样本的训练标注/标签)；通过预调试语音会话细节挖掘网络对目标在线AI语音会话交互学习数据进行语音会话观点向量挖掘操作，得到目标在线AI语音会话交互学习数据的语音会话观点向量信息；通过预调试语音会话细节挖掘网络结合目标在线AI语音会话交互学习数据的语音会话观点向量信息，对目标在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到目标在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息；通过评论观点解析网络结合目标在线AI语音会话交互学习数据的局部聚焦细节信息进行解析，得到目标在线AI语音会话交互学习数据的评论观点解析结果；结合学习监督标识和评论观点解析结果对评论观点解析网络以及预调试语音会话细节挖掘网络进行调试，得到调试后评论观点解析网络和完成调试的语音会话细节挖掘网络，以通过评论观点解析网络识别拟分析在线AI语音会话交互数据的会话观点。
比如，示例性可以为通过预调试语音会话细节挖掘网络提取目标在线AI语音会话交互学习数据的局部聚焦细节信息，通过评论观点解析网络结合局部聚焦细节信息对目标在线AI语音会话交互学习数据进行解析，得到评论观点解析结果，依据评论观点解析结果与学习监督标识对预调试语音会话细节挖掘网络和评论观点解析网络进行调试，得到完成调试的语音会话细节挖掘网络和调试后评论观点解析网络，通过完成调试的语音会话细节挖掘网络对拟分析在线AI语音会话交互数据进行会话观点挖掘，得到局部聚焦细节信息，通过调试后评论观点解析网络结合局部聚焦细节信息得到评论观点解析结果。
本发明实施例通过获得在线AI语音会话交互学习数据；依据在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，结合运算输出结果确定在线AI语音会话交互学习数据的语音会话交互评价学习变量；调用语音会话细节挖掘网络针对在线AI语音会话交互学习数据进行语音会话观点向量挖掘操作，得到在线AI语音会话交互学习数据的语音会话观点向量信息；调用语音会话细节挖掘网络结合语音会话观点向量信息，对在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息；结合在线AI语音会话交互学习数据的局部聚焦细节信息，预测在线AI语音会话交互学习数据的语音会话交互评价预测变量；依据语音会话交互评价预测变量和对应的语音会话交互评价学习变量，对语音会话细节挖掘网络进行调试，以通过完成调试的语音会话细节挖掘网络提取拟分析在线AI语音会话交互数据的局部聚焦细节信息进行会话观点挖掘。该发明实施例通过语音会话交互评价学习变量以及语音会话交互评价预测变量对语音会话细节挖掘网络进行调试，可基于充足的且没有进行注释的在线AI语音会话交互学习数据对语音会话细节挖掘网络进行调试，保障语音会话细节挖掘网络的调试质量，使得完成调试的语音会话细节挖掘网络可以精准合理地实现会话观点挖掘。
本发明实施例提供的另一种基于在线AI交互的用户会话识别分析方法可以分为会话观点挖掘环节、前序环节和后序环节。
(1)、会话观点挖掘环节：调用语音会话细节挖掘网络对输入的在线AI语音会话交互数据进行会话观点挖掘，得到局部聚焦细节信息，将局部聚焦细节信息用于前序环节以及后序环节。
步骤201、AI会话识别分析服务器获得在线AI语音会话交互学习数据，调用语音会话细节挖掘网络对在线AI语音会话交互学习数据进行语音会话观点向量挖掘操作，得到在线AI语音会话交互学习数据的语音会话观点向量信息。
比如，示例性可以为AI会话识别分析服务器获得云共享空间中的在线AI语音会话交互学习数据，调用语音会话细节挖掘网络的深度学习模型对在线AI语音会话交互学习数据特征处理，将在线AI语音会话交互学习数据映射为可以反映在线AI语音会话交互学习数据的语音会话观点向量信息，语音会话观点向量信息可以是嵌入向量链。
步骤202、AI会话识别分析服务器调用语音会话细节挖掘网络对语音会话观点向量信息进行局部聚焦细节挖掘，得到在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
比如，示例性可以为AI会话识别分析服务器调用语音会话细节挖掘网络，结合注意力策略的第一局部关注系数对语音会话观点线性字段进行映射，得到在线AI语音会话交互学习数据的连接描述特征，记为C_feature，可视为C，在线AI语音会话交互学习数据中第i个语音会话交互数据块的连接描述特征记为C_i；结合第二局部关注系数对语音会话观点线性字段进行映射，得到在线AI语音会话交互学习数据的请求描述特征，记为A_feature，可视为A，在线AI语音会话交互学习数据中第i个语音会话交互数据块的连接描述特征记为A_i；结合第三局部关注系数对语音会话观点线性字段进行映射，得到在线AI语音会话交互学习数据的应答描述特征，记为R_feature，可视为R，在线AI语音会话交互学习数据中第i个语音会话交互数据块的连接描述特征记为R_i。
确定第i个语音会话交互数据块对应的连接描述特征和关联语音会话交互数据块j对应的请求描述特征之间的差异，比如，可以将连接描述特征和请求描述特征进行点积，比如C_i·A_j，得到语音会话交互数据块i和关联语音会话交互数据块j间的特征共性权重。
针对在线AI语音会话交互学习数据中每个语音会话交互数据块进行类似的操作，得到每个语音会话交互数据块与对应的关联语音会话交互数据块之间的特征共性权重。
依据语音会话交互数据块与每个关联语音会话交互数据块之间的特征共性权重对语音会话交互数据块以及关联语音会话交互数据块的应答描述特征进行加权处理处理，得到该语音会话交互数据块的偏向语音会话牵涉内容的区域局部聚焦细节信息，结合每个语音会话交互数据块的区域局部聚焦细节信息得到在线AI语音会话交互学习数据的局部聚焦细节信息。
示例性的，为了提高语音会话细节挖掘网络提取局部聚焦细节的性能，语音会话细节挖掘网络可以包含多级注意力策略，多级注意力策略可以分别分布于不同的会话观点挖掘网络中，比如将前一层会话观点挖掘网络的输出，作为下一层会话观点挖掘网络的语音会话观点传入向量，将最后一层会话观点挖掘网络的输出作为局部聚焦细节信息。
(2)、前序环节：通过在线AI语音会话交互学习数据的人机对话元素计算在线AI语音会话交互学习数据的语音会话交互评价学习变量，以及结合局部聚焦细节信息预测得到语音会话交互评价预测变量，依据语音会话交互评价学习变量和语音会话交互评价预测变量对语音会话细节挖掘网络进行调试。
步骤203、AI会话识别分析服务器依据在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，最少一个语音会话交互评价信息。
比如，示例性可以为AI会话识别分析服务器针对最少一个描述特征维度，获得在线AI语音会话交互学习数据的人机对话元素进行处理，得到语音会话交互评价信息(语音会话交互评价信息为通过对人机对话元素进行语音会话交互评价运算得到的运算输出结果)。比如，针对声纹特征，可以通过在线AI语音会话交互学习数据中每个语音会话事项的不同特征维度的语音声纹特征计算在线AI语音会话交互学习数据的声纹向量分布；以及针对在线AI语音会话交互学习数据的全局语音会话描述，确定在线AI语音会话交互学习数据的每个语音会话事项在不同特征维度下的声纹特征等语音会话属性得到关于在线AI语音会话交互学习数据的语音会话交互评价信息。
步骤204、AI会话识别分析服务器依据语音会话交互评价的评价系数输出标签，对语音会话交互评价信息进行合并处理得到在线AI语音会话交互学习数据的语音会话交互评价学习变量，语音会话交互评价学习变量包括1维交互评价、2维交互评价和还原交互评价。
比如，示例性可以为每个语音会话交互评价对应有评价系数输出标签，AI会话识别分析服务器依据语音会话交互评价获得对应的评价系数输出标签，将评价系数输出标签为数值以及1维矢量的语音会话交互评价信息进行组合，得到一个关于该在线AI语音会话交互学习数据的包含更多语音会话交互评价信息的1维矢量，将该1维矢量作为1维指标。将评价系数输出标签为2维矢量的语音会话交互评价信息进行组合，得到关于该在线AI语音会话交互学习数据的3维矢量，将该3维矢量作为2维交互评价。
以及将针对在线AI语音会话交互学习数据在不同特征维度下的声纹特征确定出的语音会话交互评价信息，进行合并得到的3维矢量作为还原交互评价。将1维指标、2维指标以及还原交互评价等作为在线AI语音会话交互学习数据语音会话交互评价学习变量。
步骤205、AI会话识别分析服务器针对语音会话交互评价学习变量的交互评价种类对应的处理方式，对局部聚焦细节信息进行处理，得到预测语音会话交互评价信息，预测语音会话交互评价信息包括1维交互评价预测结果、2维交互评价预测结果和还原交互评价预测结果。
若交互评价种类为1维交互评价或者是2维交互评价，则可以通过不同的网络结构对局部聚焦细节信息进行维度转换处理，得到与语音会话交互评价学习变量大小相同的矢量，将得到的矢量作为语音会话交互评价学习变量。
若交互评价种类为还原交互评价，则对应的处理方式为观点情绪分析操作，对局部聚焦细节信息进行观点情绪分析操作为：局部聚焦细节信息交替通过动态滤波层和RELU层进行处理，最后输出局部聚焦细节滤波信息，并将局部聚焦细节滤波信息进行特征-数值特征迁移，得到语音会话交互评价预测变量。
步骤206、AI会话识别分析服务器通过语音会话交互评价学习变量和语音会话交互评价预测变量对语音会话细节挖掘网络进行调试，得到预调试语音会话细节挖掘网络。
示例性可以为利用交叉熵损失确定语音会话交互评价预测变量和对应的语音会话交互评价学习变量之间的偏移对语音会话细节挖掘网络进行调试，调节语音会话细节挖掘网络的注意力变量，以得到预调试语音会话细节挖掘网络。
(3)、后序环节：加载预调试语音会话细节挖掘网络，接入评论观点解析网络，评论观点解析网络依据预调试特征对目标在线AI语音会话交互学习数据提取得到的局部聚焦细节信息进行解析，得到评论观点解析结果，并依据评论观点解析结果和学习监督标识对初始语音会话细节挖掘网络进行调试，得到完成调试的语音会话细节挖掘网络。
步骤207、AI会话识别分析服务器通过预调试语音会话细节挖掘网络对目标在线AI语音会话交互学习数据进行语音会话观点向量提取以及局部聚焦细节挖掘操作，得到目标在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
比如，示例性可以为通过预调试会话细节挖掘策略对目标在线AI语音会话交互学习数据进行语音会话观点向量提取，得到目标在线AI语音会话交互学习数据的语音会话观点向量信息，再对语音会话观点向量信息进行局部聚焦细节挖掘，得到目标在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
步骤208、AI会话识别分析服务器通过评论观点解析网络结合目标在线AI语音会话交互学习数据的局部聚焦细节信息进行解析，得到评论观点解析结果，并依据评论观点解析结果和学习监督标识对预调试语音会话细节挖掘网络和评论观点解析网络进行调试，得到完成调试的语音会话细节挖掘网络和调试后评论观点解析网络。
示例性可以为通过评论观点解析网络结合局部聚焦细节信息对目标在线AI语音会话交互学习数据进行解析，得到评论观点解析结果，依据评论观点解析结果与学习监督标识对预调试语音会话细节挖掘网络和评论观点解析网络进行调试，得到完成调试的语音会话细节挖掘网络和调试后评论观点解析网络，通过完成调试的语音会话细节挖掘网络对拟分析在线AI语音会话交互数据进行会话观点挖掘，得到局部聚焦细节信息，通过调试后评论观点解析网络结合局部聚焦细节信息得到评论观点解析结果。
其中，评论观点解析网络可以是多分类网络等，比如，结合联合神经网络结构的评论观点解析网络，将局部聚焦细节信息输入评论观点解析网络的决策树模型，预测目标在线AI语音会话交互数据中每个语音会话交互数据块为不同会话观点的可能性，得到评论观点解析结果，依据评论观点解析结果和学习监督标识结合交叉熵函数确定训练代价，对预调试语音会话细节挖掘网络和评论观点解析网络进行调试。
或者结合注意力策略的评论观点解析网络，将注意力观点特征输入包含有注意力策略的循环模型，预测目标在线AI语音会话交互数据中每个语音会话交互数据块为不同会话观点的可能性，得到评论观点解析结果，依据评论观点解析结果和学习监督标识结合交叉熵函数确定训练代价，对预调试语音会话细节挖掘网络和评论观点解析网络进行调试。
本发明实施例AI会话识别分析服务器通过获得在线AI语音会话交互学习数据，调用语音会话细节挖掘网络对在线AI语音会话交互学习数据进行语音会话观点向量挖掘操作，得到在线AI语音会话交互学习数据的语音会话观点向量信息；调用语音会话细节挖掘网络对语音会话观点向量信息进行局部聚焦细节挖掘，得到在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息；依据在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，最少一个语音会话交互评价信息；AI会话识别分析服务器依据语音会话交互评价的评价系数输出标签，对语音会话交互评价信息进行合并处理得到在线AI语音会话交互学习数据的语音会话交互评价学习变量，语音会话交互评价学习变量包括1维交互评价、2维交互评价和还原交互评价；针对语音会话交互评价学习变量的交互评价种类对应的处理方式，对局部聚焦细节信息进行处理，得到预测语音会话交互评价信息，预测语音会话交互评价信息包括1维交互评价预测结果、2维交互评价预测结果和还原交互评价预测结果；通过语音会话交互评价学习变量和语音会话交互评价预测变量对语音会话细节挖掘网络进行调试，得到预调试语音会话细节挖掘网络；通过预调试语音会话细节挖掘网络对目标在线AI语音会话交互学习数据进行语音会话观点向量提取以及局部聚焦细节挖掘操作，得到目标在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息通过评论观点解析网络结合目标在线AI语音会话交互学习数据的局部聚焦细节信息进行解析，得到评论观点解析结果，并依据评论观点解析结果和学习监督标识对预调试语音会话细节挖掘网络和评论观点解析网络进行调试，得到完成调试的语音会话细节挖掘网络和调试后评论观点解析网络，该发明实施例通过语音会话交互评价学习变量以及语音会话交互评价预测变量对语音会话细节挖掘网络进行调试，可基于充足的且没有进行注释的在线AI语音会话交互学习数据对语音会话细节挖掘网络进行调试，保障语音会话细节挖掘网络的调试质量，使得完成调试的语音会话细节挖掘网络可以精准合理地实现会话观点挖掘。
在上述内容的基础上，在一些可独立的设计思路下，在所述结合所述学习监督标识和所述评论观点解析结果对所述评论观点解析网络以及所述预调试语音会话细节挖掘网络进行调试，得到调试后评论观点解析网络和完成调试的语音会话细节挖掘网络，以对拟分析在线AI语音会话交互数据进行会话观点挖掘之后，所述方法还包括：响应于所述拟分析在线AI语音会话交互数据的会话观点匹配预设观点标签，根据所述预设观点标签确定所述拟分析在线AI语音会话交互数据对应的信息安全保护策略；基于所述信息安全保护策略对所述拟分析在线AI语音会话交互数据进行信息保护处理。
本发明实施例中，会话观点包括但不限于针对不同话题的赞同、反对、中立等观点，还可以包括喜欢、厌恶等观点。进一步地，如果拟分析在线AI语音会话交互数据的会话观点为信息安防话题的会话观点，且匹配预设观点标签，则表明会话观点是赞同拟分析在线AI语音会话交互数据中AI方所提供的信息保护建议，基于此，可以预设观点标签确定拟分析在线AI语音会话交互数据对应的信息安全保护策略，从而依据信息安全保护策略实现拟分析在线AI语音会话交互数据的针对性信息保护处理。
在上述内容的基础上，在一些可独立的设计思路下，所述信息安全保护策略为针对拟分析在线AI语音会话交互数据的隐私匿名处理，则所述基于所述信息安全保护策略对所述拟分析在线AI语音会话交互数据进行信息保护处理，包括：根据所述信息安全保护策略获取针对拟分析在线AI语音会话交互数据的会话隐私频繁项集合，所述会话隐私频繁项集合包括至少两个会话隐私频繁项；获得所述会话隐私频繁项集合中的各个会话隐私频繁项与所述拟分析在线AI语音会话交互数据之间的皮尔森关联度量；根据所述各个会话隐私频繁项对应的皮尔森关联度量，以及所述各个会话隐私频繁项的类别描述向量，对所述各个会话隐私频繁项进行整理，得到相应的会话隐私频繁项队列；基于所述会话隐私频繁项队列生成针对所述拟分析在线AI语音会话交互数据的目标数据匿名执行任务序列，所述目标数据匿名执行任务序列包括至少两个目标数据匿名执行任务；按照所述目标数据匿名执行任务序列对所述拟分析在线AI语音会话交互数据进行数据匿名处理。
本发明实施例中，能够根据拟分析在线AI语音会话交互数据的会话隐私频繁项进行针对性的目标数据匿名执行任务确定，这样在基于目标数据匿名执行任务序列进行拟分析在线AI语音会话交互数据的数据匿名处理时，能够实现并行且差异化的数据匿名处理，以实现对不同匿名程度的灵活匹配，避免一刀切式的数据匿名。
在上述内容的基础上，在一些可独立的设计思路下，所述根据所述各个会话隐私频繁项对应的皮尔森关联度量，以及所述各个会话隐私频繁项的类别描述向量，对所述各个会话隐私频繁项进行整理，得到相应的会话隐私频繁项队列，包括：根据所述各个会话隐私频繁项对应的皮尔森关联度量，以及所述各个会话隐私频繁项的类别描述向量，对所述各个会话隐私频繁项进行拆解，得到至少两个会话隐私频繁项子集；对各个会话隐私频繁项子集进行整理，并分别对所述各个会话隐私频繁项子集中的各个会话隐私频繁项进行整理，得到所述会话隐私频繁项队列。如此，可以准确完整地确定出会话隐私频繁项队列。
在上述内容的基础上，在一些可独立的设计思路下，所述根据所述各个会话隐私频繁项对应的皮尔森关联度量，以及所述各个会话隐私频繁项的类别描述向量，对所述各个会话隐私频繁项进行拆解，得到至少两个会话隐私频繁项子集，包括：分别根据所述各个会话隐私频繁项对应的皮尔森关联度量，对所述各个会话隐私频繁项的类别描述向量进行加权，得到所述各个会话隐私频繁项的类别描述关注向量；根据所述各个会话隐私频繁项的类别描述关注向量对所述各个会话隐私频繁项进行分箱，得到至少两个会话隐私频繁项子集。如此，可以准确完整地确定出会话隐私频繁项子集。
在上述内容的基础上，在一些可独立的设计思路下，所述对各个会话隐私频繁项子集之间进行整理，并分别对所述各个会话隐私频繁项子集中的各个会话隐私频繁项进行整理，得到所述会话隐私频繁项队列，包括：根据各个会话隐私频繁项子集所包含的会话隐私频繁项的个数，对所述各个会话隐私频繁项子集进行整理；以及，针对所述各个会话隐私频繁项子集，分别执行以下操作：根据所述会话隐私频繁项子集中各个会话隐私频繁项的类别描述向量与所述会话隐私频繁项子集的隐私联系评分，对所述会话隐私频繁项子集中的各个会话隐私频繁项进行整理；基于所述各个会话隐私频繁项子集之间的整理结果，以及所述各个会话隐私频繁项子集中各个会话隐私频繁项的整理结果，生成所述会话隐私频繁项队列。如此，可以准确完整地确定出会话隐私频繁项队列。
本发明实施例还提供了一种用于实现基于在线AI交互的用户会话识别分析方法的软件产品，包括计算机程序/指令，其中，当所述计算机程序/指令被执行时，实现执行上述的方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行上述的方法。
综上，AI会话识别分析服务器基于充足的且没有进行注释的在线AI语音会话交互学习数据对语音会话细节挖掘网络进行调试，保障语音会话细节挖掘网络的调试质量，使得完成调试的语音会话细节挖掘网络可以精准合理地实现会话观点挖掘。本发明实施例的应用场景包括但不限于智能问答、电子商务咨询、远程医疗会诊、数字办公、虚拟商城体验、数字社区聊天消遣、互联网热点话题讨论、网络信息安全防护求助等
以上所述，仅为本发明的具体实施方式。熟悉本技术领域的技术人员根据本发明提供的具体实施方式，可想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于在线AI交互的用户会话识别分析方法，其特征在于，应用于AI会话识别分析服务器，所述方法包括：
获得在线AI语音会话交互学习数据；依据所述在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，结合运算输出结果确定所述在线AI语音会话交互学习数据的语音会话交互评价学习变量；
调用语音会话细节挖掘网络针对所述在线AI语音会话交互学习数据进行语音会话观点向量挖掘操作，得到所述在线AI语音会话交互学习数据的语音会话观点向量信息；
调用所述语音会话细节挖掘网络结合所述语音会话观点向量信息，对所述在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息；
结合所述在线AI语音会话交互学习数据的局部聚焦细节信息，识别所述在线AI语音会话交互学习数据的语音会话交互评价预测变量；
依据所述语音会话交互评价预测变量和对应的语音会话交互评价学习变量，对所述语音会话细节挖掘网络进行调试，以通过完成调试的语音会话细节挖掘网络提取拟分析在线AI语音会话交互数据的局部聚焦细节信息进行会话观点挖掘。
2.如权利要求1所述的方法，其特征在于，所述依据所述在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，结合运算输出结果确定所述在线AI语音会话交互学习数据的语音会话交互评价学习变量，包括：
依据所述在线AI语音会话交互学习数据的人机对话元素进行语音会话交互评价运算，得到最少一个语音会话交互评价信息；
将所述最少一个语音会话交互评价信息进行交互评价聚合处理，得到所述在线AI语音会话交互学习数据的语音会话交互评价学习变量。
3.如权利要求2所述的方法，其特征在于，所述将所述最少一个语音会话交互评价信息进行交互评价聚合处理，得到所述在线AI语音会话交互学习数据的语音会话交互评价学习变量，包括：
获得最少一个语音会话交互评价的评价系数输出标签；
依据所述评价系数输出标签对所述最少一个语音会话交互评价信息进行交互评价聚合处理，得到所述在线AI语音会话交互学习数据的语音会话交互评价学习变量。
4.如权利要求1所述的方法，其特征在于，所述语音会话交互评价学习变量包括最少两个种类的语音会话交互评价学习变量，所述结合所述在线AI语音会话交互学习数据的局部聚焦细节信息，识别所述在线AI语音会话交互学习数据的语音会话交互评价预测变量，包括：
确定每个交互评价种类对应的AI算法执行模式；
针对每个交互评价种类，采用对应的AI算法执行模式对局部聚焦细节信息进行处理，得到每个交互评价种类对应的语音会话交互评价预测变量；
其中，所述AI算法执行模式包括观点情绪分析操作，所述采用对应的AI算法执行模式对局部聚焦细节信息进行处理，得到每个交互评价种类对应的语音会话交互评价预测变量，包括：
结合所述局部聚焦细节信息进行动态滤波操作，得到局部聚焦细节滤波信息；
对所述局部聚焦细节滤波信息进行特征-数值特征迁移，得到所述语音会话交互评价预测变量。
5.如权利要求1所述的方法，其特征在于，所述语音会话观点向量信息包括语音会话观点线性字段，所述调用所述语音会话细节挖掘网络结合所述语音会话观点向量信息，对所述在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息，包括：
对所述语音会话观点线性字段进行局部强化坐标系特征迁移，得到所述在线AI语音会话交互学习数据中每个语音会话交互数据块在所述局部强化坐标系中对应的特征迁移结果，所述特征迁移结果包括连接描述特征、应答描述特征以及请求描述特征；
针对每个语音会话交互数据块，依据所述语音会话交互数据块的连接描述特征与关联语音会话交互数据块的请求描述特征之间的差异，确定所述语音会话交互数据块与所述关联语音会话交互数据块之间的特征共性权重；
针对每个语音会话交互数据块，依据所述语音会话交互数据块的请求描述特征与所述关联语音会话交互数据块之间的特征共性权重，对所述语音会话交互数据块和所述关联语音会话交互数据块的应答描述特征进行拼接操作，得到所述偏向语音会话牵涉内容的局部聚焦细节信息。
6.如权利要求1所述的方法，其特征在于，所述语音会话细节挖掘网络包括多级会话细节挖掘策略，所述调用所述语音会话细节挖掘网络结合所述语音会话观点向量信息，对所述在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息，包括：
将所述语音会话观点向量信息作为所述多级会话细节挖掘策略的语音会话观点传入向量；
通过所述多级会话细节挖掘策略按序对所述语音会话观点传入向量进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息；
其中，每级会话细节挖掘策略包含并行局部聚焦策略，所述通过所述多级会话细节挖掘策略按序对所述语音会话观点传入向量进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息，包括：
通过所述多级会话细节挖掘策略结合并行局部聚焦策略对按序所述语音会话观点传入向量进行局部聚焦细节挖掘，得到每种局部聚焦策略下的阶段化聚焦细节信息；
通过所述多级会话细节挖掘策略将每种局部聚焦策略下的阶段化聚焦细节信息进行拼接操作，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
7.如权利要求1所述的方法，其特征在于，所述调用所述语音会话细节挖掘网络结合所述语音会话观点向量信息，对所述在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息，包括：
调用所述语音会话细节挖掘网络对所述语音会话观点向量信息进行标记操作，得到所述在线AI语音会话交互学习数据的语音会话观点向量标记信息；
对所述语音会话观点向量标记信息进行局部聚焦细节挖掘，得到所述在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息。
8.如权利要求1所述的方法，其特征在于，所述依据所述语音会话交互评价预测变量和对应的语音会话交互评价学习变量，对所述语音会话细节挖掘网络进行调试之后，所述方法还包括：
获得目标在线AI语音会话交互学习数据，所述在线AI语音会话交互学习数据具有学习监督标识；
通过预调试语音会话细节挖掘网络对所述目标在线AI语音会话交互学习数据进行语音会话观点向量挖掘操作，得到所述目标在线AI语音会话交互学习数据的语音会话观点向量信息，所述预调试语音会话细节挖掘网络通过所述语音会话交互评价预测变量和对应的语音会话交互评价学习变量调试得到；
通过所述预调试语音会话细节挖掘网络结合所述目标在线AI语音会话交互学习数据的语音会话观点向量信息，对所述目标在线AI语音会话交互学习数据进行局部聚焦细节挖掘，得到所述目标在线AI语音会话交互学习数据的偏向语音会话牵涉内容的局部聚焦细节信息；
通过评论观点解析网络结合所述目标在线AI语音会话交互学习数据的局部聚焦细节信息进行解析，得到所述目标在线AI语音会话交互学习数据的评论观点解析结果；
结合所述学习监督标识和所述评论观点解析结果对所述评论观点解析网络以及所述预调试语音会话细节挖掘网络进行调试，得到调试后评论观点解析网络和完成调试的语音会话细节挖掘网络，以对拟分析在线AI语音会话交互数据进行会话观点挖掘。
9.一种用于实现基于在线AI交互的用户会话识别分析方法的软件产品，其特征在于，包括计算机程序/指令，其中，当所述计算机程序/指令被执行时，实现执行如权利要求1-8中一个或多个所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时如权利要求1-8中一个或多个所述的方法。
CN202310505612.5A 2023-05-08 2023-05-08 基于在线ai交互的用户会话识别分析方法及软件产品 Withdrawn CN116644160A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310505612.5A CN116644160A (zh) 2023-05-08 2023-05-08 基于在线ai交互的用户会话识别分析方法及软件产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310505612.5A CN116644160A (zh) 2023-05-08 2023-05-08 基于在线ai交互的用户会话识别分析方法及软件产品

Publications (1)

Publication Number Publication Date
CN116644160A true CN116644160A (zh) 2023-08-25

Family

ID=87623863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310505612.5A Withdrawn CN116644160A (zh) 2023-05-08 2023-05-08 基于在线ai交互的用户会话识别分析方法及软件产品

Country Status (1)

Country Link
CN (1) CN116644160A (zh)

Similar Documents

Publication Publication Date Title
CN111859960B (zh) 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质
CN111339415B (zh) 一种基于多交互式注意力网络的点击率预测方法与装置
Sun et al. Categorizing malware via A Word2Vec-based temporal convolutional network scheme
CN106936781A (zh) 一种用户操作行为的判定方法及装置
CN113723070B (zh) 文本相似度模型训练方法、文本相似度检测方法及装置
CN111506820A (zh) 推荐模型、方法、装置、设备及存储介质
CN112632252B (zh) 对话应答方法、装置、计算机设备和存储介质
CN108536735A (zh) 基于多通道自编码器的多模态词汇表示方法与系统
CN111783903A (zh) 文本处理方法、文本模型的处理方法及装置、计算机设备
CN111563373A (zh) 聚焦属性相关文本的属性级情感分类方法
CN116303963A (zh) 智慧ai平台的用户反馈分析方法及系统
CN116431769A (zh) 基于定制化ai云平台服务的交互数据分析方法及软件产品
CN112819024A (zh) 模型处理方法、用户数据处理方法及装置、计算机设备
CN116976505A (zh) 基于信息共享的解耦注意网络的点击率预测方法
CN117149996B (zh) 面向人工智能应用的人机界面数字会话挖掘方法及ai系统
CN111931035B (zh) 业务推荐方法、装置及设备
CN115484266B (zh) 一种基于负载均衡的数据分发处理方法、系统及云平台
CN116484368A (zh) 基于数字视觉智能的云业务操作风险识别方法及软件产品
CN116644160A (zh) 基于在线ai交互的用户会话识别分析方法及软件产品
CN115282606A (zh) 基于智能可视化的云游戏大数据挖掘方法及系统
CN111737491B (zh) 一种交互过程的控制方法、装置、存储介质及设备
CN113010772A (zh) 一种数据处理方法、相关设备及计算机可读存储介质
CN116628236B (zh) 多媒体信息的投放方法、装置、电子设备及存储介质
CN115423565B (zh) 应用于云端互联网交互流程的大数据分析方法及ai系统
CN115563657B (zh) 一种数据信息安全处理方法、系统及云平台

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230825