CN116702795B - 结合AI和Chatterbot的智慧政务对话处理方法及软件产品 - Google Patents
结合AI和Chatterbot的智慧政务对话处理方法及软件产品 Download PDFInfo
- Publication number
- CN116702795B CN116702795B CN202310954991.6A CN202310954991A CN116702795B CN 116702795 B CN116702795 B CN 116702795B CN 202310954991 A CN202310954991 A CN 202310954991A CN 116702795 B CN116702795 B CN 116702795B
- Authority
- CN
- China
- Prior art keywords
- session
- intelligent
- session response
- knowledge
- response vector
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 230000004044 response Effects 0.000 claims abstract description 278
- 239000013598 vector Substances 0.000 claims abstract description 250
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000000977 initiatory effect Effects 0.000 claims description 67
- 230000003993 interaction Effects 0.000 claims description 32
- 238000005065 mining Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 22
- 239000003999 initiator Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 13
- 238000013441 quality evaluation Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 description 22
- 230000006835 compression Effects 0.000 description 18
- 238000007906 compression Methods 0.000 description 18
- 230000006399 behavior Effects 0.000 description 14
- 230000002441 reversible effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000009223 counseling Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明实施例涉及智慧政务技术领域，提供一种结合AI和Chatterbot的智慧政务对话处理方法及软件产品，能够利用参考会话应答向量辅助实现政务会话需求解析，以提升确定政务会话需求观点的精度和效率，在此基础上能够利用政务会话需求观点，向选定政务对话发起端准确返回目标政务指导信息，以提高数字政务服务的智能化程度。
Description
技术领域
本发明涉及智慧政务技术领域，尤其涉及一种结合AI和Chatterbot的智慧政务对话处理方法及软件产品。
背景技术
随着大数据、物联网、云计算、人工智能、移动互联网、Web 2.0等新一代信息技术飞速发展，传统的政务办理正在向智慧政务转变。智慧政务不仅强调新一代信息技术的应用，也强调以用户创新、大众创新、开放创新、共同创新为特征的数字化业务服务创新。现目前，人工智能（Artificial Intelligence，AI）和聊天机器人（Chatterbot）在智慧政务的实际开发和应用过程中至关重要，而如何进一步提升智慧政务的智能化程度，是现目前需要改善的一个技术难题。
发明内容
本发明提供一种结合AI和Chatterbot的智慧政务对话处理方法及软件产品，能够利用参考会话应答向量辅助实现政务会话需求解析，以提升确定政务会话需求观点的精度和效率，在此基础上能够利用政务会话需求观点，向选定政务对话发起端准确返回目标政务指导信息，以提高数字政务服务的智能化程度，为实现上述技术目的，本发明采用如下技术方案。
第一方面是一种结合AI和Chatterbot的智慧政务对话处理方法，应用于智慧政务对话处理系统，所述方法包括：
在接收到政务会话需求解析请求时，针对选定政务对话发起端的目标AI会话任务，挖掘所述目标AI会话任务处于多模态交互场景时的智能会话应答向量集；其中，所述智能会话应答向量集是所述目标AI会话任务对应的最少两个模态的智能会话应答向量的集合；
将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据；其中，所述参考会话应答向量是在过往政务对话发起端的所述目标AI会话任务处于多模态交互场景时，对所述过往政务对话发起端的所述目标AI会话任务进行政务会话需求挖掘获得的智能会话应答向量集；
基于所述会话应答知识配对数据，确定针对所述选定政务对话发起端的政务会话需求观点；
利用所述政务会话需求观点，向所述选定政务对话发起端返回目标政务指导信息。
在一些可选的实施例中，所述目标AI会话任务为业务办理咨询会话任务；所述智能会话应答向量集至少包含业务办理咨询会话任务对应的语音咨询描述向量和文本语义描述变量；所述将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：
确定事先记录的参考会话应答向量；其中，所述参考会话应答向量至少包含对过往政务对话发起端的业务办理咨询会话任务进行政务会话需求挖掘获得的语音咨询参考向量和文本语义参考变量；
将挖掘的所述智能会话应答向量集中的语音咨询描述向量，与所述语音咨询参考向量进行语音咨询AI知识配对，得到语音咨询AI知识配对结果；
将挖掘的所述智能会话应答向量集中的文本语义描述变量，与所述文本语义参考变量进行文本语义AI知识配对，得到文本语义AI知识配对结果；
基于所述语音咨询AI知识配对结果和所述文本语义AI知识配对结果，获得会话应答知识配对数据。
在一些可选的实施例中，所述基于所述语音咨询AI知识配对结果和所述文本语义AI知识配对结果，获得会话应答知识配对数据，包括：
确定语音咨询配对因子和文本语义配对因子；
基于所述语音咨询配对因子和所述文本语义配对因子，对所述语音咨询AI知识配对结果和所述文本语义AI知识配对结果进行求和，得到会话应答知识配对数据。
在一些可选的实施例中，所述目标AI会话任务为业务办理咨询会话任务；所述在接收到政务会话需求解析请求时，针对选定政务对话发起端的目标AI会话任务，挖掘所述目标AI会话任务处于多模态交互场景时的智能会话应答向量集，包括：
在接收到政务会话需求解析请求时，进入业务办理咨询会话向量挖掘环节；
在所述业务办理咨询会话向量挖掘环节中，采集选定政务对话发起端的业务办理咨询会话任务的智能会话应答向量关系网；
当确定所述选定政务对话发起端的业务办理咨询会话任务处于多模态交互场景时，从所述智能会话应答向量关系网中提取得到所述选定政务对话发起端的业务办理咨询会话任务的智能会话应答向量集。
在一些可选的实施例中，所述当确定所述选定政务对话发起端的业务办理咨询会话任务处于多模态交互场景时，从所述智能会话应答向量关系网中提取得到所述选定政务对话发起端的业务办理咨询会话任务的智能会话应答向量集，包括：
基于所述智能会话应答向量关系网对所述选定政务对话发起端的业务办理咨询会话任务进行业务办理咨询会话场景识别，得到会话场景识别标签；
当所述会话场景识别标签反映所述选定政务对话发起端的业务办理咨询会话任务处于多模态交互场景时，从所述智能会话应答向量关系网中提取所述选定政务对话发起端的业务办理咨询会话任务的最少两个模态的业务办理咨询会话应答向量；
基于所述最少两个模态的业务办理咨询会话应答向量，得到所述选定政务对话发起端的业务办理咨询会话任务的智能会话应答向量集。
在一些可选的实施例中，所述方法还包括：基于所述智能会话应答向量关系网，确定所述选定政务对话发起端的业务办理咨询会话任务对应的目标会话行为数据；基于共享的会话行为数据集中的各参考会话行为数据，对所述目标会话行为数据进行会话行为数据识别，得到会话行为数据识别结果；
所述将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：当所述会话行为数据识别结果为达标时，将挖掘的所述智能会话应答向量集发送至AI辅助决策系统，以通过所述AI辅助决策系统将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对；获得所述AI辅助决策系统返回的会话应答知识配对数据。
在一些可选的实施例中，所述方法还包括：
响应于优化参考会话应答向量的请求，挖掘所述过往政务对话发起端的所述目标AI会话任务处于多模态交互场景时的待优化的智能会话应答向量集；
对所述待优化的智能会话应答向量集中各种模态的智能会话应答向量进行参考质量评估处理，得到参考质量评估结果；
当所述参考质量评估结果反映所述待优化的智能会话应答向量集通过参考质量评估时，将所述参考会话应答向量中的智能会话应答向量集，更新为所述待优化的智能会话应答向量集。
在一些可选的实施例中，所述将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：
确定事先记录的参考会话应答向量；
将挖掘的所述智能会话应答向量集中每种模态的智能会话应答向量，与所述参考会话应答向量中，每种模态的所述智能会话应答向量相应模态的基准会话应答向量进行AI知识配对，获得每种模态的所述智能会话应答向量各自对应的AI知识配对结果；
根据每种模态的所述智能会话应答向量各自对应的AI知识配对结果，得到会话应答知识配对数据。
在一些可选的实施例中，所述将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：
确定所述政务会话需求解析请求对应的会话类型；
从事先记录的参考会话应答向量中，确定与所述会话类型关联的目标参考会话应答向量；
将挖掘的所述智能会话应答向量集，与所述目标参考会话应答向量进行AI知识配对，获得会话应答知识配对数据。
在一些可选的实施例中，所述参考会话应答向量，包括在所述过往政务对话发起端的所述目标AI会话任务处于不同多模态交互场景时，分别对所述过往政务对话发起端的所述目标AI会话任务进行政务会话需求挖掘获得的最少两个智能会话应答向量集；
所述将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：将挖掘的所述智能会话应答向量集，与事先记录的参考会话应答向量中的各种智能会话应答向量集分别进行AI知识配对，得到所述参考会话应答向量中每种智能会话应答向量集各自对应的会话应答知识配对数据；
所述基于所述会话应答知识配对数据，确定针对所述选定政务对话发起端的政务会话需求观点，包括：根据各种智能会话应答向量集各自对应的会话应答知识配对数据中，完成配对的会话应答知识配对数据，确定针对所述选定政务对话发起端的政务会话需求观点。
第二方面是一种话题处理服务器，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，使得所述话题处理服务器执行第一方面的方法。
第三方面是一种用于实现结合AI和Chatterbot的智慧政务对话处理方法的软件产品，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。
根据本发明的一个实施例，在政务会话需求解析过程中，挖掘的进行AI知识配对的智能会话应答向量集是选定政务对话发起端的目标AI会话任务处于多模态交互场景时，目标AI会话任务对应最少两个模态的智能会话应答向量的集合，而事先记录的参考会话应答向量是在过往政务对话发起端的目标AI会话任务处于多模态交互场景时，对过往政务对话发起端的目标AI会话任务进行政务会话需求挖掘获得的智能会话应答向量集，基于挖掘的智能会话应答向量集与事先记录的参考会话应答向量进行政务会话需求解析，能够利用参考会话应答向量辅助实现政务会话需求解析，以提升确定政务会话需求观点的精度和效率，在此基础上能够利用政务会话需求观点，向选定政务对话发起端准确返回目标政务指导信息，以提高数字政务服务的智能化程度。
附图说明
图1为本发明实施例提供的结合AI和Chatterbot的智慧政务对话处理方法的流程示意图。
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结合AI和Chatterbot的智慧政务对话处理方法的流程示意图，结合AI和Chatterbot的智慧政务对话处理方法可以通过话题处理服务器实现，话题处理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，使得所述话题处理服务器执行步骤101-步骤104。
步骤101、在接收到政务会话需求解析请求时，针对选定政务对话发起端的目标AI会话任务，挖掘所述目标AI会话任务处于多模态交互场景时的智能会话应答向量集。
其中，所述智能会话应答向量集是所述目标AI会话任务对应的最少两个模态的智能会话应答向量的集合。智能会话应答向量可以是语音模态、文本模态或者图像模态等模态下的会话应答交互特征。目标AI会话任务是选定政务对话发起端和智慧政务对话处理系统交互时所建立的会话链接或者会话服务。
进一步地，本发明实施例中的政务会话可以涉及智慧医疗（医保）服务、数字办公服务以及其他类型的在线政务服务。
步骤102、将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据。
其中，所述参考会话应答向量是在过往政务对话发起端的所述目标AI会话任务处于多模态交互场景时，对所述过往政务对话发起端的所述目标AI会话任务进行政务会话需求挖掘获得的智能会话应答向量集。
举例而言，过往政务对话发起端可以是历史政务对话发起端或者参考政务对话发起端。多模态交互场景可以是通过语音模态、文本模态或者图像模态等模态中的至少两种组合而成的会话交互场景。在此基础上，AI知识配对可以理解为特征匹配处理，所得到的会话应答知识配对数据可以理解特征匹配结果。
步骤103、基于所述会话应答知识配对数据，确定针对所述选定政务对话发起端的政务会话需求观点。
本发明实施例中，选定政务对话发起端的政务会话需求观点用于反映选定政务对话发起端的会话需求、需求标签或者需求关键词，通过政务会话需求观点进行针对性的政务信息推送处理。
步骤104、利用所述政务会话需求观点，向所述选定政务对话发起端返回目标政务指导信息。
示例性的，可以通过政务会话需求观点匹配对应的目标政务指导信息，并将目标政务指导信息下发给选定政务对话发起端，这样，选定政务对话发起端可以根据目标政务指导信息进行针对性且准确的政务服务办理，提高政务服务办理的智能化程度和便捷性。
可见，通过步骤101-步骤104，在政务会话需求解析过程中，挖掘的进行AI知识配对的智能会话应答向量集是选定政务对话发起端的目标AI会话任务处于多模态交互场景时，目标AI会话任务对应最少两个模态的智能会话应答向量的集合，而事先记录的参考会话应答向量是在过往政务对话发起端的目标AI会话任务处于多模态交互场景时，对过往政务对话发起端的目标AI会话任务进行政务会话需求挖掘获得的智能会话应答向量集，基于挖掘的智能会话应答向量集与事先记录的参考会话应答向量进行政务会话需求解析，能够利用参考会话应答向量辅助实现政务会话需求解析，以提升确定政务会话需求观点的精度和效率，在此基础上能够利用政务会话需求观点，向选定政务对话发起端准确返回目标政务指导信息，以提高数字政务服务的智能化程度。
在一些可能的示例下，所述目标AI会话任务为业务办理咨询会话任务，且所述智能会话应答向量集至少包含业务办理咨询会话任务对应的语音咨询描述向量和文本语义描述变量。基于此，步骤102中的将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括步骤1021-步骤1024。
步骤1021、确定事先记录的参考会话应答向量。
其中，所述参考会话应答向量至少包含对过往政务对话发起端的业务办理咨询会话任务进行政务会话需求挖掘获得的语音咨询参考向量和文本语义参考变量。其中，语音咨询参考向量可以理解为语音层面的参考特征，文本语义参考变量可以理解为文本层面的参考特征。
步骤1022、将挖掘的所述智能会话应答向量集中的语音咨询描述向量，与所述语音咨询参考向量进行语音咨询AI知识配对，得到语音咨询AI知识配对结果。
步骤1023、将挖掘的所述智能会话应答向量集中的文本语义描述变量，与所述文本语义参考变量进行文本语义AI知识配对，得到文本语义AI知识配对结果。
步骤1024、基于所述语音咨询AI知识配对结果和所述文本语义AI知识配对结果，获得会话应答知识配对数据。
可以理解，通过步骤1021-步骤1024，能够从语音层面和文本层面实现AI知识配对，从而得到尽可能丰富且具有较佳特征表征性能的会话应答知识配对数据。
进一步地，步骤1024中的基于所述语音咨询AI知识配对结果和所述文本语义AI知识配对结果，获得会话应答知识配对数据，包括步骤10241和步骤10242。
步骤10241、确定语音咨询配对因子和文本语义配对因子。
其中，语音咨询配对因子和文本语义配对因子可以理解为语音特征维度和文本特征维度的配对权重。
步骤10242、基于所述语音咨询配对因子和所述文本语义配对因子，对所述语音咨询AI知识配对结果和所述文本语义AI知识配对结果进行求和，得到会话应答知识配对数据。
可以理解，通过步骤10241和步骤10242，能够利用语音咨询配对因子和文本语义配对因子实现语音咨询AI知识配对结果和文本语义AI知识配对结果的加权融合匹配处理，从而准确得到会话应答知识配对数据。
在另一些可能的示例下，所述目标AI会话任务为业务办理咨询会话任务。基于此，步骤101中的在接收到政务会话需求解析请求时，针对选定政务对话发起端的目标AI会话任务，挖掘所述目标AI会话任务处于多模态交互场景时的智能会话应答向量集，包括步骤1011-步骤1013。
步骤1011、在接收到政务会话需求解析请求时，进入业务办理咨询会话向量挖掘环节。
其中，业务办理咨询会话向量挖掘环节可以理解为用于进行业务办理咨询会话的特征提取的状态。
步骤1012、在所述业务办理咨询会话向量挖掘环节中，采集选定政务对话发起端的业务办理咨询会话任务的智能会话应答向量关系网。
其中，智能会话应答向量关系网可以理解为业务办理咨询会话任务的会话特征集。
步骤1013、当确定所述选定政务对话发起端的业务办理咨询会话任务处于多模态交互场景时，从所述智能会话应答向量关系网中提取得到所述选定政务对话发起端的业务办理咨询会话任务的智能会话应答向量集。
可以理解，应用步骤1011-步骤1013，能够基于智能会话应答向量关系网实现智能会话应答向量集的提取，从而确保智能会话应答向量集的完整性。
进一步地，步骤1013中的当确定所述选定政务对话发起端的业务办理咨询会话任务处于多模态交互场景时，从所述智能会话应答向量关系网中提取得到所述选定政务对话发起端的业务办理咨询会话任务的智能会话应答向量集，包括步骤10131-步骤10133。
步骤10131、基于所述智能会话应答向量关系网对所述选定政务对话发起端的业务办理咨询会话任务进行业务办理咨询会话场景识别，得到会话场景识别标签。
其中，会话场景识别标签可以理解为业务办理咨询会话场景的类别。
步骤10132、当所述会话场景识别标签反映所述选定政务对话发起端的业务办理咨询会话任务处于多模态交互场景时，从所述智能会话应答向量关系网中提取所述选定政务对话发起端的业务办理咨询会话任务的最少两个模态的业务办理咨询会话应答向量。
步骤10133、基于所述最少两个模态的业务办理咨询会话应答向量，得到所述选定政务对话发起端的业务办理咨询会话任务的智能会话应答向量集。
可以理解，应用步骤10131-步骤10133，能够首先通过业务办理咨询会话场景识别确定会话场景识别标签，并依据会话场景识别标签在多模态交互场景下进行业务办理咨询会话任务的最少两个模态的业务办理咨询会话应答向量的提取，从而通过业务办理咨询会话应答向量准确可靠地得到智能会话应答向量集。
在一些可能的实施例中，所述方法还包括：基于所述智能会话应答向量关系网，确定所述选定政务对话发起端的业务办理咨询会话任务对应的目标会话行为数据；基于共享的会话行为数据集中的各参考会话行为数据，对所述目标会话行为数据进行会话行为数据识别，得到会话行为数据识别结果。基于此，步骤102中的将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：当所述会话行为数据识别结果为达标时，将挖掘的所述智能会话应答向量集发送至AI辅助决策系统，以通过所述AI辅助决策系统将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对；获得所述AI辅助决策系统返回的会话应答知识配对数据。如此一来，可以利用AI辅助决策系统快速准确地实现AI知识配对，从而精准高效地获得会话应答知识配对数据。
在另一些可选的设计思路下，所述方法还包括：响应于优化参考会话应答向量的请求，挖掘所述过往政务对话发起端的所述目标AI会话任务处于多模态交互场景时的待优化的智能会话应答向量集；对所述待优化的智能会话应答向量集中各种模态的智能会话应答向量进行参考质量评估处理，得到参考质量评估结果；当所述参考质量评估结果反映所述待优化的智能会话应答向量集通过参考质量评估时，将所述参考会话应答向量中的智能会话应答向量集，更新为所述待优化的智能会话应答向量集。这样一来，能够实现智能会话应答向量集的更新优化，从而保障智能会话应答向量集的特征表现性能/质量。
在一些可能的实施例中，步骤102中的将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：确定事先记录的参考会话应答向量；将挖掘的所述智能会话应答向量集中每种模态的智能会话应答向量，与所述参考会话应答向量中，每种模态的所述智能会话应答向量相应模态的基准会话应答向量进行AI知识配对，获得每种模态的所述智能会话应答向量各自对应的AI知识配对结果；根据每种模态的所述智能会话应答向量各自对应的AI知识配对结果，得到会话应答知识配对数据。如此一来，可以准确完整地获得会话应答知识配对数据。
在另一些可能的设计思路下，步骤102中的将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：确定所述政务会话需求解析请求对应的会话类型；从事先记录的参考会话应答向量中，确定与所述会话类型关联的目标参考会话应答向量；将挖掘的所述智能会话应答向量集，与所述目标参考会话应答向量进行AI知识配对，获得会话应答知识配对数据。
在一些可选的实施例中，所述参考会话应答向量，包括在所述过往政务对话发起端的所述目标AI会话任务处于不同多模态交互场景时，分别对所述过往政务对话发起端的所述目标AI会话任务进行政务会话需求挖掘获得的最少两个智能会话应答向量集。基于此，步骤10中的将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：将挖掘的所述智能会话应答向量集，与事先记录的参考会话应答向量中的各种智能会话应答向量集分别进行AI知识配对，得到所述参考会话应答向量中每种智能会话应答向量集各自对应的会话应答知识配对数据。更进一步地，步骤103中的基于所述会话应答知识配对数据，确定针对所述选定政务对话发起端的政务会话需求观点，包括：根据各种智能会话应答向量集各自对应的会话应答知识配对数据中，完成配对的会话应答知识配对数据，确定针对所述选定政务对话发起端的政务会话需求观点。
在一些可独立的实施例中，步骤104中的利用所述政务会话需求观点，向所述选定政务对话发起端返回目标政务指导信息，包括步骤1041-步骤1046。
步骤1041、通过所述政务会话需求观点获取在线政务办理指示队列，其中，所述在线政务办理指示队列包括X组在线政务办理指示，所述X为不小于1的整数。
步骤1042、根据所述在线政务办理指示队列获取关联政务办理指示队列，其中，所述关联政务办理指示队列包括X组关联政务办理指示。
步骤1043、基于所述在线政务办理指示队列，通过深度残差网络所包括的第一可逆组件获取在线政务表征语义矩队列，其中，所述在线政务表征语义矩队列包括X个在线政务表征语义矩。
步骤1044、基于所述关联政务办理指示队列，通过所述深度残差网络所包括的第二可逆组件获取关联政务表征语义矩队列，其中，所述关联政务表征语义矩队列包括X个关联政务表征语义矩。
步骤1045、基于所述在线政务表征语义矩队列以及所述关联政务表征语义矩队列，通过所述深度残差网络所包括的判别组件获取所述在线政务办理指示队列所对应的指导相关性。
步骤1046、根据所述指导相关性从所述在线政务办理指示队列中确定目标政务指导信息并将所述目标政务指导信息下发至所述选定政务对话发起端。
可以理解，应用步骤1041-步骤1046，能够基于在线政务办理指示队列确定关联政务办理指示队列，并引入基于NLP的深度残差网络进行表征语义矩挖掘，然后通过深度残差网络所包括的判别组件确定在线政务办理指示队列所对应的指导相关性，这样能够利用指导相关性从在线政务办理指示队列中准确确定目标政务指导信息并将目标政务指导信息下发至选定政务对话发起端，从而实现精准且针对性的政务信息推送。
在一些可独立的实施例中，基于所述在线政务表征语义矩队列以及所述关联政务表征语义矩队列，通过所述深度残差网络所包括的判别组件获取所述在线政务办理指示队列所对应的指导相关性，包括：基于所述在线政务表征语义矩队列，通过所述深度残差网络所包括的第一页面特征关注模型获取X个第一量化描述知识，其中，每个第一量化描述知识对应于一个在线政务表征语义矩；基于所述关联政务表征语义矩队列，通过所述深度残差网络所包括的第二页面特征关注模型获取X个第二量化描述知识，其中，每个第二量化描述知识对应于一个关联政务表征语义矩；对所述X个第一量化描述知识以及所述X个第二量化描述知识进行聚合处理，得到X个目标量化描述知识，其中，每个目标量化描述知识包括一个第一量化描述知识以及一个第二量化描述知识；基于所述X个目标量化描述知识，通过所述深度残差网络所包括的所述判别组件获取所述在线政务办理指示队列所对应的指导相关性。
在一些可独立的实施例中，所述基于所述在线政务表征语义矩队列，通过所述深度残差网络所包括的第一页面特征关注模型获取X个第一量化描述知识，包括：对于所述在线政务表征语义矩队列中的每组在线政务表征语义矩，通过所述第一页面特征关注模型所包括的轻量化特征压缩层获取第一轻量化压缩语义矩，其中，所述第一页面特征关注模型属于所述深度残差网络；对于所述在线政务表征语义矩队列中的每组在线政务表征语义矩，通过所述第一页面特征关注模型所包括的非轻量化特征压缩层获取第一非轻量化压缩语义矩；对于所述在线政务表征语义矩队列中的每组在线政务表征语义矩，基于所述第一轻量化压缩语义矩以及所述第一非轻量化压缩语义矩，通过所述第一页面特征关注模型所包括的可逆单元获取第一拼接表征语义矩；对于所述在线政务表征语义矩队列中的每组在线政务表征语义矩，基于所述第一拼接表征语义矩以及所述在线政务表征语义矩，通过所述第一页面特征关注模型所包括的第一非轻量化特征压缩层获取第一量化描述知识。其中，轻量化特征压缩可以理解为最大池化，非轻量化特征压缩可以理解为平均池化，这样一来，可以提高第一量化描述知识（第一语义特征）的特征表征性能并实现特征尺度的最小化，以减少系统运算资源的开销。
在一些可独立的实施例中，所述基于所述关联政务表征语义矩队列，通过所述深度残差网络所包括的第二页面特征关注模型获取X个第二量化描述知识，包括：对于所述关联政务表征语义矩队列中的每组关联政务表征语义矩，通过所述第二页面特征关注模型所包括的轻量化特征压缩层获取第二轻量化压缩语义矩，其中，所述第二页面特征关注模型属于所述深度残差网络；对于所述关联政务表征语义矩队列中的每组关联政务表征语义矩，通过所述第二页面特征关注模型所包括的非轻量化特征压缩层获取第二非轻量化压缩语义矩；对于所述关联政务表征语义矩队列中的每组关联政务表征语义矩，基于所述第二轻量化压缩语义矩以及所述第二非轻量化压缩语义矩，通过所述第二页面特征关注模型所包括的可逆单元获取第二拼接表征语义矩；对于所述关联政务表征语义矩队列中的每组关联政务表征语义矩，基于所述第二拼接表征语义矩以及所述关联政务表征语义矩，通过所述第二页面特征关注模型所包括的第二非轻量化特征压缩层获取第二量化描述知识。
在一些可独立的实施例中，所述X为大于1的整数；所述基于所述X个目标量化描述知识，通过所述深度残差网络所包括的所述判别组件获取所述在线政务办理指示队列所对应的指导相关性，包括：基于所述X个目标量化描述知识，通过所述深度残差网络所包括的时序特征关注模型获取拼接量化描述知识，其中，所述拼接量化描述知识为根据所述X个目标量化描述知识以及X个特征优先级确定的，每个目标量化描述知识对应于一个特征优先级；基于所述拼接量化描述知识，通过所述深度残差网络所包括的所述判别组件获取所述在线政务办理指示队列所对应的指导相关性。
在一些可独立的实施例中，所述基于所述X个目标量化描述知识，通过所述深度残差网络所包括的时序特征关注模型获取拼接量化描述知识，包括：基于所述X个目标量化描述知识，通过所述时序特征关注模型所包括的第一分支模型获取X个第一局部量化描述知识，其中，所述时序特征关注模型属于所述深度残差网络；基于所述X个第一局部量化描述知识，通过所述时序特征关注模型所包括的第二分支模型获取X个第二局部量化描述知识；根据所述X个第二局部量化描述知识确定X个特征优先级，其中，每个特征优先级对应于一个目标量化描述知识；根据所述X个目标量化描述知识以及X个特征优先级，确定所述拼接量化描述知识。
在一些可独立的实施例中，所述X为大于1的整数；所述基于所述在线政务表征语义矩队列以及所述关联政务表征语义矩队列，通过所述深度残差网络所包括的判别组件获取所述在线政务办理指示队列所对应的指导相关性，包括：基于所述在线政务表征语义矩队列，通过所述深度残差网络所包括的第一非轻量化特征压缩层获取X个第一量化描述知识，其中，每个第一量化描述知识对应于一个在线政务表征语义矩；基于所述关联政务表征语义矩队列，通过所述深度残差网络所包括的第二非轻量化特征压缩层获取X个第二量化描述知识，其中，每个第二量化描述知识对应于一个关联政务表征语义矩；对所述X个第一量化描述知识以及所述X个第二量化描述知识进行聚合处理，得到X个目标量化描述知识，其中，每个目标量化描述知识包括一个第一量化描述知识以及一个第二量化描述知识；基于所述X个目标量化描述知识，通过所述深度残差网络所包括的时序特征关注模型获取拼接量化描述知识，其中，所述拼接量化描述知识为根据所述X个目标量化描述知识以及X个特征优先级确定的，每个目标量化描述知识对应于一个特征优先级；基于所述拼接量化描述知识，通过所述深度残差网络所包括的所述判别组件获取所述在线政务办理指示队列所对应的指导相关性。
在一些可独立的实施例中，所述根据所述在线政务办理指示队列获取关联政务办理指示队列，包括：对于所述在线政务办理指示队列中的每组在线政务办理指示，通过NLP算法获取第一关联政务指示文本、第二关联政务指示文本以及第三关联政务指示文本；根据所述每组在线政务办理指示所对应的所述第一关联政务指示文本、所述第二关联政务指示文本以及所述第三关联政务指示文本，生成所述每组在线政务办理指示所对应的关联政务办理指示。
本发明实施例还提供了一种用于实现结合AI和Chatterbot的智慧政务对话处理方法的软件产品，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，能够利用参考会话应答向量辅助实现政务会话需求解析，以提升确定政务会话需求观点的精度和效率，在此基础上能够利用政务会话需求观点，向选定政务对话发起端准确返回目标政务指导信息，以提高数字政务服务的智能化程度。
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 (6)
1.一种结合AI和Chatterbot的智慧政务对话处理方法，其特征在于，应用于智慧政务对话处理系统，所述方法包括：
在接收到政务会话需求解析请求时，针对选定政务对话发起端的目标AI会话任务，挖掘所述目标AI会话任务处于多模态交互场景时的智能会话应答向量集；其中，所述智能会话应答向量集是所述目标AI会话任务对应的最少两个模态的智能会话应答向量的集合；
将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据；其中，所述参考会话应答向量是在过往政务对话发起端的所述目标AI会话任务处于多模态交互场景时，对所述过往政务对话发起端的所述目标AI会话任务进行政务会话需求挖掘获得的智能会话应答向量集；
基于所述会话应答知识配对数据，确定针对所述选定政务对话发起端的政务会话需求观点；
利用所述政务会话需求观点，向所述选定政务对话发起端返回目标政务指导信息；
其中，所述目标AI会话任务为业务办理咨询会话任务；所述智能会话应答向量集至少包含业务办理咨询会话任务对应的语音咨询描述向量和文本语义描述变量；所述将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：
确定事先记录的参考会话应答向量；其中，所述参考会话应答向量至少包含对过往政务对话发起端的业务办理咨询会话任务进行政务会话需求挖掘获得的语音咨询参考向量和文本语义参考变量；
将挖掘的所述智能会话应答向量集中的语音咨询描述向量，与所述语音咨询参考向量进行语音咨询AI知识配对，得到语音咨询AI知识配对结果；
将挖掘的所述智能会话应答向量集中的文本语义描述变量，与所述文本语义参考变量进行文本语义AI知识配对，得到文本语义AI知识配对结果；
基于所述语音咨询AI知识配对结果和所述文本语义AI知识配对结果，获得会话应答知识配对数据；
其中，所述基于所述语音咨询AI知识配对结果和所述文本语义AI知识配对结果，获得会话应答知识配对数据，包括：确定语音咨询配对因子和文本语义配对因子；基于所述语音咨询配对因子和所述文本语义配对因子，对所述语音咨询AI知识配对结果和所述文本语义AI知识配对结果进行求和，得到会话应答知识配对数据；
其中，所述目标AI会话任务为业务办理咨询会话任务；所述在接收到政务会话需求解析请求时，针对选定政务对话发起端的目标AI会话任务，挖掘所述目标AI会话任务处于多模态交互场景时的智能会话应答向量集，包括：
在接收到政务会话需求解析请求时，进入业务办理咨询会话向量挖掘环节；
在所述业务办理咨询会话向量挖掘环节中，采集选定政务对话发起端的业务办理咨询会话任务的智能会话应答向量关系网；
当确定所述选定政务对话发起端的业务办理咨询会话任务处于多模态交互场景时，从所述智能会话应答向量关系网中提取得到所述选定政务对话发起端的业务办理咨询会话任务的智能会话应答向量集；
其中，所述当确定所述选定政务对话发起端的业务办理咨询会话任务处于多模态交互场景时，从所述智能会话应答向量关系网中提取得到所述选定政务对话发起端的业务办理咨询会话任务的智能会话应答向量集，包括：基于所述智能会话应答向量关系网对所述选定政务对话发起端的业务办理咨询会话任务进行业务办理咨询会话场景识别，得到会话场景识别标签；当所述会话场景识别标签反映所述选定政务对话发起端的业务办理咨询会话任务处于多模态交互场景时，从所述智能会话应答向量关系网中提取所述选定政务对话发起端的业务办理咨询会话任务的最少两个模态的业务办理咨询会话应答向量；基于所述最少两个模态的业务办理咨询会话应答向量，得到所述选定政务对话发起端的业务办理咨询会话任务的智能会话应答向量集；
其中，所述将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：
确定事先记录的参考会话应答向量；
将挖掘的所述智能会话应答向量集中每种模态的智能会话应答向量，与所述参考会话应答向量中，每种模态的所述智能会话应答向量相应模态的基准会话应答向量进行AI知识配对，获得每种模态的所述智能会话应答向量各自对应的AI知识配对结果；
根据每种模态的所述智能会话应答向量各自对应的AI知识配对结果，得到会话应答知识配对数据。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：基于所述智能会话应答向量关系网，确定所述选定政务对话发起端的业务办理咨询会话任务对应的目标会话行为数据；基于共享的会话行为数据集中的各参考会话行为数据，对所述目标会话行为数据进行会话行为数据识别，得到会话行为数据识别结果；
所述将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：当所述会话行为数据识别结果为达标时，将挖掘的所述智能会话应答向量集发送至AI辅助决策系统，以通过所述AI辅助决策系统将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对；获得所述AI辅助决策系统返回的会话应答知识配对数据。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
响应于优化参考会话应答向量的请求，挖掘所述过往政务对话发起端的所述目标AI会话任务处于多模态交互场景时的待优化的智能会话应答向量集；
对所述待优化的智能会话应答向量集中各种模态的智能会话应答向量进行参考质量评估处理，得到参考质量评估结果；
当所述参考质量评估结果反映所述待优化的智能会话应答向量集通过参考质量评估时，将所述参考会话应答向量中的智能会话应答向量集，更新为所述待优化的智能会话应答向量集。
4.如权利要求1所述的方法，其特征在于，所述将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：
确定所述政务会话需求解析请求对应的会话类型；
从事先记录的参考会话应答向量中，确定与所述会话类型关联的目标参考会话应答向量；
将挖掘的所述智能会话应答向量集，与所述目标参考会话应答向量进行AI知识配对，获得会话应答知识配对数据。
5.如权利要求1所述的方法，其特征在于，所述参考会话应答向量，包括在所述过往政务对话发起端的所述目标AI会话任务处于不同多模态交互场景时，分别对所述过往政务对话发起端的所述目标AI会话任务进行政务会话需求挖掘获得的最少两个智能会话应答向量集；
所述将挖掘的所述智能会话应答向量集与事先记录的参考会话应答向量进行AI知识配对，获得会话应答知识配对数据，包括：将挖掘的所述智能会话应答向量集，与事先记录的参考会话应答向量中的各种智能会话应答向量集分别进行AI知识配对，得到所述参考会话应答向量中每种智能会话应答向量集各自对应的会话应答知识配对数据；
所述基于所述会话应答知识配对数据，确定针对所述选定政务对话发起端的政务会话需求观点，包括：根据各种智能会话应答向量集各自对应的会话应答知识配对数据中，完成配对的会话应答知识配对数据，确定针对所述选定政务对话发起端的政务会话需求观点。
6.一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1-5中一个或多个所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310954991.6A CN116702795B (zh) | 2023-08-01 | 2023-08-01 | 结合AI和Chatterbot的智慧政务对话处理方法及软件产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310954991.6A CN116702795B (zh) | 2023-08-01 | 2023-08-01 | 结合AI和Chatterbot的智慧政务对话处理方法及软件产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116702795A CN116702795A (zh) | 2023-09-05 |
| CN116702795B true CN116702795B (zh) | 2023-10-27 |
Family
ID=87831384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310954991.6A Active CN116702795B (zh) | 2023-08-01 | 2023-08-01 | 结合AI和Chatterbot的智慧政务对话处理方法及软件产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116702795B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112527962A (zh) * | 2020-12-17 | 2021-03-19 | 云从科技集团股份有限公司 | 基于多模态融合的智能应答方法、装置、机器可读介质及设备 |
| CN116069915A (zh) * | 2023-02-16 | 2023-05-05 | 支付宝(杭州)信息技术有限公司 | 政务服务处理方法及装置 |
| CN116100570A (zh) * | 2022-12-29 | 2023-05-12 | 江西太空机器人科技有限公司 | 一种基于多模态分析的心理咨询机器人 |
| CN116306679A (zh) * | 2022-09-09 | 2023-06-23 | 上海市大数据中心 | 一种基于语义可配置的多模态智能客服对话的方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10452251B2 (en) * | 2017-05-23 | 2019-10-22 | Servicenow, Inc. | Transactional conversation-based computing system |
-
2023
- 2023-08-01 CN CN202310954991.6A patent/CN116702795B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112527962A (zh) * | 2020-12-17 | 2021-03-19 | 云从科技集团股份有限公司 | 基于多模态融合的智能应答方法、装置、机器可读介质及设备 |
| CN116306679A (zh) * | 2022-09-09 | 2023-06-23 | 上海市大数据中心 | 一种基于语义可配置的多模态智能客服对话的方法和系统 |
| CN116100570A (zh) * | 2022-12-29 | 2023-05-12 | 江西太空机器人科技有限公司 | 一种基于多模态分析的心理咨询机器人 |
| CN116069915A (zh) * | 2023-02-16 | 2023-05-05 | 支付宝(杭州)信息技术有限公司 | 政务服务处理方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Metalogue: a multiperspective multimodal dialogue system with metacognitive abilities for highly adaptive and flexible dialogue management;Jan Alexandersson 等;2014 International Conference on Intelligent Environments;全文 * |
| 多模态人机交互综述;陶建华 等;中国图象图形学报;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116702795A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108073600B (zh) | 一种智能问答交互方法、装置以及电子设备 | |
| CN110046806B (zh) | 用于客服派单的方法、装置和计算设备 | |
| CN111159358A (zh) | 多意图识别训练和使用方法及装置 | |
| CN111739537B (zh) | 语义识别方法、装置、存储介质及处理器 | |
| CN114090755A (zh) | 基于知识图谱的回复语句确定方法、装置及电子设备 | |
| CN112163074A (zh) | 用户意图识别方法、装置、可读存储介质及电子设备 | |
| CN111126071A (zh) | 提问文本数据的确定方法、装置和客服群的数据处理方法 | |
| CN118035415A (zh) | 问答方法、装置、设备以及存储介质 | |
| CN114201595A (zh) | 对话中的句子推荐方法和装置、存储介质、电子设备 | |
| CN112131365B (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN116702795B (zh) | 结合AI和Chatterbot的智慧政务对话处理方法及软件产品 | |
| CN112860873A (zh) | 智能应答方法、装置及存储介质 | |
| CN117194790A (zh) | 应对数字用户信息推送偏好分析的大数据挖掘方法及系统 | |
| CN115905490B (zh) | 人机交互对话方法、装置以及设备 | |
| CN113468306B (zh) | 语音对话方法、装置、电子设备及存储介质 | |
| CN112115325A (zh) | 场景类别的确定方法和场景分析模型的训练方法、装置 | |
| CN114528851A (zh) | 回复语句确定方法、装置、电子设备和存储介质 | |
| CN114692650A (zh) | 针对大数据推荐的社交平台互动信息处理方法及系统 | |
| CN111414468B (zh) | 话术选择方法、装置和电子设备 | |
| CN113868396A (zh) | 基于知识图谱的任务类智能对话构建方法及系统 | |
| CN117493530B (zh) | 资源需求分析方法、装置、电子设备以及存储介质 | |
| CN118227743B (zh) | 一种算法模型智能调用方法及系统 | |
| CN117131183B (zh) | 一种基于会话模拟的客服自动回复方法及系统 | |
| CN113782022B (zh) | 基于意图识别模型的通信方法、装置、设备及存储介质 | |
| CN118733005A (zh) | 一种基于大模型的虚拟映射方法及系统 |
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 |