CN116775821A - 对话处理方法以及系统 - Google Patents
对话处理方法以及系统 Download PDFInfo
- Publication number
- CN116775821A CN116775821A CN202310581206.7A CN202310581206A CN116775821A CN 116775821 A CN116775821 A CN 116775821A CN 202310581206 A CN202310581206 A CN 202310581206A CN 116775821 A CN116775821 A CN 116775821A
- Authority
- CN
- China
- Prior art keywords
- information
- dialogue
- target
- customer service
- abstract
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 163
- 238000000034 method Methods 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 40
- 230000004044 response Effects 0.000 claims description 25
- 238000004891 communication Methods 0.000 abstract description 18
- 239000002699 waste material Substances 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 9
- 235000013399 edible fruits Nutrition 0.000 description 8
- 230000001771 impaired effect Effects 0.000 description 4
- 241000220225 Malus Species 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004984 smart glass Substances 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
- G06F16/34—Browsing; Visualisation therefor
- G06F16/345—Summarisation for human users
-
- 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
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/0475—Generative 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
- G06N3/08—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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供对话处理方法以及系统,其中所述对话处理方法包括:响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息,其中,所述对话摘要信息根据所述目标用户和所述目标用户关联的客服之间的对话信息生成;确定处理所述询问请求的目标客服,并将所述对话摘要信息展示给所述目标客服。使目标客服直接通过浏览该对话摘要信息,就能够了解该目标用户与客服之间的历史沟通情况,无需再浏览历史聊天记录,避免目标客服的时间浪费在查找历史聊天记录上,减少客服的人工成本,并且便于后续目标客服能够及时了解情况并回复目标用户,保证用户体验。
Description
技术领域
本说明书实施例涉及数据分析技术领域,特别涉及对话处理方法。
背景技术
随着电子商务平台的兴起,越来越多的消费者开始在电子商务平台购买商品。由于消费者在电子商务平台购买商品时,只能通过商品的图片和视频等信息了解商品,在消费者购买商品之后会出现一系列问题需要和电子商务平台的客服人员进行沟通,比如针对商品的物流问题、质量问题等。
然而,通常情况下,客服需要处理大量问题,在客服和同一个消费者存在多次沟通的情况下,需要浏览历史聊天记录作为参考,才能够确定与该消费者的历史沟通情况,需要浪费大量时间,增加客服的人工成本,还会影响用户体验。
发明内容
有鉴于此,本说明书实施例提供了两种对话处理方法。本说明书一个或者多个实施例同时涉及两种对话处理装置,一种任务处理方法,一种任务处理装置,一种对话处理系统以及一种计算设备,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种对话处理方法,应用于客服客户端,包括:
响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息,其中,所述对话摘要信息根据所述目标用户和所述目标用户关联的客服之间的对话信息生成;
确定处理所述询问请求的目标客服,并将所述对话摘要信息展示给所述目标客服。
根据本说明书实施例的第二方面,提供了一种对话处理装置,应用于客服客户端,包括:
确定模块,被配置为响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息,其中,所述对话摘要信息根据所述目标用户和所述目标用户关联的客服之间的对话信息生成;
展示模块,被配置为确定处理所述询问请求的目标客服,并将所述对话摘要信息展示给所述目标客服。
根据本说明书实施例的第三方面,提供了一种对话处理方法,应用于客服客户端,包括:
响应于目标用户发送的、针对目标商品的询问请求,确定所述目标用户关联的初始对话摘要信息,其中,所述对话摘要信息根据所述目标用户和所述目标用户关联的客服之间的对话信息生成;
在所述初始对话摘要信息中,确定针对所述目标商品的目标对话摘要信息,或者
根据所述目标商品的目标商品类型,在所述初始对话摘要信息中,确定针对所述目标商品类型的目标对话摘要信息;
确定处理所述询问请求的目标客服,并将所述目标对话摘要信息展示给所述目标客服。
根据本说明书实施例的第四方面,提供了一种对话处理装置,应用于客服客户端,包括:
第一确定模块,被配置为响应于目标用户发送的、针对目标商品的询问请求,确定所述目标用户关联的初始对话摘要信息,其中,所述对话摘要信息根据所述目标用户和所述目标用户关联的客服之间的对话信息生成;
第二确定模块,被配置为在所述初始对话摘要信息中,确定针对所述目标商品的目标对话摘要信息,或者
根据所述目标商品的目标商品类型,在所述初始对话摘要信息中,确定针对所述目标商品类型的目标对话摘要信息;
展示模块,被配置为确定处理所述询问请求的目标客服,并将所述目标对话摘要信息展示给所述目标客服。
根据本说明书实施例的第五方面,提供了一种任务处理方法,应用于任务处理平台,包括:
响应于客服端发送的任务处理请求,确定目标任务;
根据所述目标任务,确定目标训练数据集,其中,所述目标训练数据集包括文本样本、以及所述文本样本对应的摘要标签,其中,所述摘要标签为对话摘要信息,所述摘要标签包括所述文本样本的结构化信息,所述文本样本基于文本生成模型获得;
根据所述文本样本和所述摘要标签,对预训练的初始摘要生成模型进行更新,获得摘要生成模型;
将所述摘要生成模型和所述文本生成模型发送至所述客服端。
根据本说明书实施例的第六方面,提供了一种任务处理装置,应用于任务处理平台,包括:
第一确定模块,被配置为响应于客服端发送的任务处理请求,确定目标任务;
第二确定模块,被配置为根据所述目标任务,确定目标训练数据集,其中,所述目标训练数据集包括文本样本、以及所述文本样本对应的摘要标签,其中,所述摘要标签为对话摘要信息,所述摘要标签包括所述文本样本的结构化信息,所述文本样本基于文本生成模型获得;
更新模块,被配置为根据所述文本样本和所述摘要标签,对预训练的初始摘要生成模型进行更新,获得摘要生成模型;
发送模块,被配置为将所述摘要生成模型和所述文本生成模型发送至所述客服端。
根据本说明书实施例的第七方面,提供了一种对话处理系统,所述系统包括客服客户端和客服服务端,其中,
所述客服客户端,被配置为接收用户发送的询问请求,并将所述询问请求发送至所述客服服务端;
所述客服服务端,被配置为响应于所述询问请求,确定所述用户关联的对话摘要信息,并将所述对话摘要信息发送至所述客服客户端,其中,所述对话摘要信息根据所述用户以及所述用户关联的客服之间的对话信息生成;
所述客服客户端,被配置为确定处理所述询问请求的目标客服,并将所述对话摘要信息展示给所述目标客服。
根据本说明书实施例的第八方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现上述方法的步骤。
根据本说明书实施例的第九方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现上述方法的步骤。
根据本说明书实施例的第十方面,提供了一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述方法的步骤。
本说明书一个实施例提供了一种对话处理方法,应用于客服客户端,响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息,其中,所述对话摘要信息根据所述目标用户和所述目标用户关联的客服之间的对话信息生成;确定处理所述询问请求的目标客服,并将所述对话摘要信息展示给所述目标客服。
上述方法在接收到目标用户发送的询问请求的情况下,确定该目标用户和该目标用户关联的客服之间的对话信息生成的对话摘要信息,确定了与该目标用户相关的全部对话摘要信息,并且在确定处理该询问请求的目标客服的情况下,将该对话摘要信息展示给该目标客服,使目标客服直接通过浏览该对话摘要信息,就能够了解该目标用户与客服之间的历史沟通情况,无需再浏览历史聊天记录,避免目标客服的时间浪费在查找历史聊天记录上,减少客服的人工成本,并且便于后续目标客服能够及时了解情况并回复目标用户,保证用户体验。
附图说明
图1是本说明书一个实施例提供的一种对话处理方法的应用场景示意图;
图2是本说明书一个实施例提供的一种对话处理方法的流程图;
图3是本说明书一个实施例提供的一种对话处理方法中语音播报的流程图;
图4是本说明书一个实施例提供的一种对话处理方法中与目标用户交互的示意图;
图5是本说明书一个实施例提供的一种对话处理方法的处理过程流程图;
图6是本说明书一个实施例提供的一种对话处理方法的另一种处理过程流程图;
图7是本说明书一个实施例提供的一种对话处理装置的结构示意图;
图8是本说明书一个实施例提供的另一种对话处理方法的流程图;
图9是本说明书一个实施例提供的另一种对话处理装置的结构示意图;
图10是本说明书一个实施例提供的一种任务处理方法的流程图;
图11是本说明书一个实施例提供的一种任务处理装置的结构示意图;
图12是本说明书一个实施例提供的一种对话处理系统的结构示意图;
图13是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外,需要说明的是,本说明书一个或多个实施例所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
GI T:Generat ive Image-to-text Transformer,生成式视觉和语言变换器,用于将图片转换为图片的文本描述。
TTS:Text-to-Speech,用于将文本转换为语音。
VQA:生成式视觉问答,根据图片、视频等生成问题的答案。
MMI:Maximum Mutua l I nformat ion,最大互信息。
ASR:Automat ic Speech Recogn it ion,自动语音识别。
在本说明书中,提供了两种对话处理方法,本说明书同时涉及两种对话处理装置,一种任务处理方法,一种任务处理装置,一种对话处理系统以及一种计算设备,在下面的实施例中逐一进行详细说明。
参见图1,图1示出了根据本说明书一个实施例提供的一种对话处理方法的应用场景示意图。
图1中包括用户客户端102和客服客户端104。客服客户端104可以是商家的客户端,也可以是电商平台的客户端。在用户购买商品时,对该商品进行一些咨询时,用户可以通过用户客户端102向商家的客服客户端104发送咨询信息。在用户使用电商平台出现问题时,用户可以通过用户客户端102向电商平台的客服客户端104发送咨询信息。
为了便于理解,本说明书实施例以该对话处理方法应用于用户和商家客服的沟通场景为例进行详细介绍,但是不影响该对话处理方法应用于其他可实施场景的实现。
具体实施时,目标用户可以通过用户客户端102向客服客户端104发送询问请求,客服客户端104接收该询问请求之后,可以确定该目标用户关联的对话摘要信息,并确定处理该询问请求的目标客服,将对话摘要信息通过该客服客户端104展示给目标客服。
如图1所示,目标用户购买了某店铺中的商品A,由于商品A一直未发货,目标用户无法查询到商品A的物流信息,因此,目标用户通过用户客户端102向客服客户端104发送了针对商品A的物流信息的询问请求,客服客户端104接收该询问请求之后,确定该目标用户关联的对话摘要信息,该目标用户已经向客服A询问过商品A的物流问题,但是当时没有得到解决,该对话摘要信息即为根据目标用户和客服A之间的对话信息生成的,对话摘要信息比如可以是“用户于XX月XX日,咨询商家什么时候可以发货,商家答复还在跟进中,一直不给答复,该用户问题未得到有效解决”,并将该对话摘要信息通过客服客户端104展示给目标客服。
上述方法通过将目标用户与客服之间的历史对话信息对应的对话摘要信息展示给目标客服,使目标客服在解答该目标用户的问题时,可以根据对话摘要信息了解该问题的处理进度和目前情况,无需再去查看历史聊天记录,节省客服时间,保证用户体验。
参见图2,图2示出了根据本说明书一个实施例提供的一种对话处理方法的流程图,具体包括以下步骤。
步骤202:响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息,其中,所述对话摘要信息根据所述目标用户和所述目标用户关联的客服之间的对话信息生成。
具体的,本说明书实施例提供的对话处理方法可以应用于电商领域,在电商领域中,消费者对于购买的商品、或者是电商平台的使用问题进行询问、反馈时,需要和客服进行沟通,该对话处理方法可以在消费者与客服沟通时,将该消费者关联的对话摘要信息展示给客服,便于客服了解该消费者关注的问题,从而及时作出反馈。此外,本说明书实施例提供的对话处理方法还可以应用于其他领域,比如针对虚拟人提供的陪伴服务,用户可以与虚拟人进行聊天,在持续的聊天过程中,可以将用户和虚拟人之间的历史聊天记录转换为对话摘要信息,使虚拟人能够根据对话摘要信息获取历史聊天情况,无需再查找历史聊天记录,提升虚拟人的运行效率。
为了便于理解,本说明书实施例中均以该对话处理方法应用于电商领域为例进行详细介绍,但是不影响该对话处理方法应用于其他可实施场景的实现。
其中,询问请求可以理解为用户在当前时刻针对购买的商品、或者电商平台的使用问题等发送的询问消息。目标用户关联的对话摘要信息,可以理解为目标用户与客服的历史对话信息生成的对话摘要,该对话摘要信息可以用于概括目标用户和客服之间的对话信息。对话摘要信息包括但不限于询问时间、询问商品信息、询问问题信息、目标用户情绪信息、问题处理进度等。目标用户关联的客服,可以理解为与目标用户沟通过的客服。比如,目标用户针对在店铺A购买的商品,分别与店铺A的客服A、客服B和客服C都进行过问题沟通,那么目标客服关联的客服即为客服A、客服B和客服C。那么,目标用户和目标用户关联的客服之间的对话信息,可以理解为目标用户、与目标用户沟通过的客服之间的聊天记录。
基于此,可以响应于目标用户发送的针对购买的商品、或者电商平台的使用问题等发送的询问消息,确定该目标用户与客服的历史对话信息生成的对话摘要信息。
实际应用中,在目标用户与客服沟通结束之后,可以获取目标用户和客服之间的对话信息,并生成对话信息摘要,可以将该对话摘要信息存储至数据库,便于后续获取对话摘要信息。
举例而言,响应于目标用户1发送的针对店铺A中的商品A的询问消息,确定该目标用户1关联的对话摘要信息1、对话摘要信息2和对话摘要信息3。其中,对话摘要信息1是根据该目标用户1和店铺A的客服1之间针对商品B的物流问题的对话信息生成的,对话摘要信息2是根据该目标用户1和店铺A的客服2之间针对商品C的物流问题的对话信息生成的,对话摘要信息3是根据该目标用户1和店铺A的客服2之间针对商品C的质量问题的对话信息生成的。
实际应用中,客服在处理用户的询问消息时,通常需要查找和用户的历史聊天记录,从而确定用户询问过的问题是否已经解决,是否存在并未解决的问题,若存在,能够了解该问题的处理进度和目前情况。并且,客服还可以在和用户的历史聊天记录中,了解用户通常关注哪种类型的问题,从而更有针对性的解答用户的问题。然而,查找历史聊天记录十分浪费时间,导致客服的回复速度较慢,影响用户体验。并且,由于处理询问消息的客服通常是随机分配的,分配到处理该询问消息的客服若查找该用户与其他客服之间的历史聊天记录,需要浪费大量时间成本。
基于此,可以针对消费者和客服之间的对话信息生成对话摘要信息,无需客服再去查找历史聊天记录,节省时间,具体实现方式如下:
所述响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息之前,还包括:
确定目标用户和所述目标用户关联的客服之间的对话信息;
根据所述对话信息,生成所述目标用户关联的对话摘要信息。
具体的,可以确定目标用户、以及目标用户沟通过的客服之间的对话信息,并根据对话信息,生成目标用户关联的对话摘要信息。
实际应用中,可以利用对话处理模型,对对话信息进行处理,获得对话摘要信息。其中,对话处理模型包括文本生成模型和摘要生成模型。具体的,可以将对话信息输入至对话处理模型,经过对话处理模型中的文本生成模型,获得该对话信息对应的目标文本信息,该目标文本信息经过对话处理模型中的摘要生成模型,获得对话摘要信息。
此外,也可以将对话信息转换为目标文本信息,将该目标文本信息输入摘要生成模型,获得对话摘要信息。
沿用上例,可以获取目标用户1和店铺A的客服1之间针对商品B的物流问题的对话信息,并根据该对话信息,生成该目标用户1关联的对话摘要信息1。
综上,通过根据目标用户和客服之间的对话信息,生成对话摘要信息,使客服能够直接浏览该对话摘要信息,即可了解用户询问过的问题的进度,客服无需再查找历史聊天记录,节省时间,使客服回复用户信息更加及时,保证用户体验。
实际应用中,在用户和不同的客服都进行过沟通的情况下,若处理用户提出的当前询问请求的客服想要查找历史聊天记录,由于该客服不清楚该用户和哪个客服沟通过,导致无法查找历史聊天记录了解历史沟通情况。
基于此,在用户和不同的客服都进行过沟通的情况下,可以将用户和每个客服之间的对话信息,都生成对话摘要信息,具体实现方式如下:
所述根据所述对话信息,生成所述目标用户关联的对话摘要信息,包括:
在确定所述目标用户关联至少两个客服的情况下,根据所述目标用户、和所述目标用户关联的每个客服之间的对话信息,生成所述目标用户关联的至少两个对话摘要信息。
具体的,在确定目标用户和至少两个客服沟通过的情况下,可以根据目标用户和每个客服之间的对话信息,生成目标用户关联的至少两个对话摘要信息。
具体实施时,在目标用户和客服进行对话的过程中,在预设时间段内未收到目标用户的询问消息的情况下,可以确定此轮对话结束。此时可以根据此轮对话的对话信息生成对话摘要信息。比如3月22日,目标用户和客服1针对商品A的物流问题进行了沟通,在1天内未收到目标用户的下一询问消息,确定此轮对话结束。3月24日目标用户和客服1又针对商品A的物流问题进行了沟通,此时的对话已经是新一轮对话,根据该轮对话的对话信息,生成对话摘要信息。
沿用上例,可以根据目标用户1和客服1之间针对商品B的对话信息,生成目标用户1关联的对话摘要信息1。根据目标用户1和客服2之间针对商品C的对话信息,生成目标用户1关联的对话摘要信息2。根据目标用户1和客服2之间针对商品C的对话信息,生成目标用户1关联的对话摘要信息3。
综上,通过将目标用户和每个客服之间的对话信息,都生成对应的对话摘要信息,避免处理目标用户当前询问请求的客服无法获知目标用户和其他客服之间的对话信息,可能导致的重复询问目标用户相同的问题的情况,进一步提升用户体验。
具体的,在根据对话信息生成对话摘要信息时,可以利用人工对对话信息进行概括,获得对话摘要信息。还可以从对话信息中抽取对话意图,根据对话意图生成对话摘要信息。还可以从对话信息中,确定目标用户和客服各自的对话摘要,根据语义相似性从目标用户和客服各自的对话摘要中匹配相关的摘要内容,作为对话摘要信息。为了保证对话摘要信息的概括性和准确性,以及保证对话摘要信息的高效性,可以利用摘要生成模型生成对话摘要信息,具体实现方式如下:
所述根据所述对话信息,生成所述目标用户关联的对话摘要信息,包括:
将所述对话信息转换为目标文本信息;
将所述目标文本信息输入摘要生成模型,获得所述目标用户关联的对话摘要信息。
其中,目标文本信息可以理解为对话信息的文本描述信息。可以理解的,对话信息可以包括文本、音频、图像等信息。摘要生成模型,可以理解为对预训练的初始摘要生成模型进行更新后得到的摘要生成模型。
基于此,可以将对话信息转换为文本描述信息,将文本描述信息输入摘要生成模型,获得目标用户关联的对话摘要信息。
沿用上例,对于目标用户1和客服1之间针对商品B的物流问题的对话信息,可以将该对话信息转换为文本描述信息,将该文本描述信息输入摘要生成模型,获得目标用户1关联的对话摘要信息1。
实际应用中,可以利用对话处理模型获得目标用户关联的对话摘要信息,可以将对话信息输入至对话处理模型,获得对话处理模型输出的对话摘要信息。具体的,对话处理模型可以包括文本生成模型和摘要生成模型,可以将对话信息输入文本生成模型,获得文本生成模型输出的目标文本信息,并将该目标文本信息输入至摘要生成模型,获得摘要生成模型输出的对话摘要信息。或者,还可以直接将文本生成模型处理对话信息得到的编码向量直接输入摘要生成模型,获得摘要生成模型输出的对话摘要信息。
综上,通过利用摘要生成模型,对根据对话信息转换得到的目标文本信息进行处理,生成对话摘要信息,能够快速生成对话摘要信息,保证生成效率,还能够保证对话摘要信息的概括性和准确性。
实际应用中,在对用户和客服的聊天记录进行处理时,通常仅考虑到聊天记录中的文字内容,而忽略了聊天记录中的图像、音频等信息。基于此,可以对对话信息中的图像、音频和文字分别进行处理,便于后续生成的对话摘要信息的准确性和全面性,具体实现方式如下:
所述将所述对话信息转换为目标文本信息,包括:
提取所述对话信息中的图像信息、音频信息和对话文本信息;
将所述图像信息输入图像处理模型,获得所述图像信息对应的图像文本信息;
利用预设音频处理算法,对所述音频信息进行转换处理,获得所述音频信息对应的音频文本信息;
根据所述图像文本信息、所述音频文本信息和所述对话文本信息,生成目标文本信息。
其中,对话信息中的图像信息,可以理解为目标用户与客服沟通时、目标用户和/或客服发送的图片。对话信息中的音频信息,可以理解为目标用户与客服沟通时、目标用户和/或客服发送的语音。对话文本信息可以理解为目标用户与客服沟通时、目标用户和/或客服发送的文字信息。图像处理模型,可以理解为用于生成图像的文本描述信息的模型。比如可以是根据目标任务进行微调后的GI T模型等。图像信息对应的图像文本信息,可以理解为目标用户和/或客服发送的图片的文本描述。音频信息对应的音频文本信息,可以理解为目标用户和/或客服发送的语音的文本描述。
基于此,可以提取对话信息中、目标用户和/或客服发送的图片、语音和文字信息,对图片进行处理,获得图片的文本描述。对语音进行处理,获得语音的文本描述。根据图片的文本描述、语音的文本描述和文字信息,生成目标文本信息。
具体实施时,在根据图像文本信息、音频文本信息和对话文本信息生成目标文本信息时,可以对图像文本信息、音频文本信息和对话文本信息进行拼接,获得目标文本信息。
实际应用中,预设音频处理算法比如可以是ASR算法。
此外,针对图像信息,在将图像信息输入图像处理模型之前,可以对图像信息进行缩放处理,将缩放处理后的预设规格的图像信息作为图像处理模型的输入。
沿用上例,针对目标用户1和客服2之间针对商品C的质量问题的对话信息,目标用户1和客服2在对话过程中,目标用户1向客服2发送的商品C的照片,以此证明商品C存在质量问题。目标用户1在对商品C的质量问题进行描述时,向客服2发送了语音消息。可以提取对话信息中的商品C的照片、目标用户1发送的语音消息、以及目标用户1和客服2发送的文字信息,对商品C的照片进行处理,获得商品C的照片的文本描述为“商品C表面有划痕”,对语音消息进行处理,获得语音消息的文本描述为“商品C的表面有划痕和破损”,并对照片的文本描述“商品C表面有划痕”、语音消息的文本描述“商品C的表面有划痕和破损”、以及目标用户1和客服2发送的文字信息进行拼接,获得目标文本信息。
综上,通过提取对话信息中的图像信息、音频信息和对话文本信息,并对图像信息和音频信息分别进行处理,最终根据图像信息的图像文本信息、音频信息的音频文本信息和对话文本信息,生成目标文本信息,考虑到了对话信息中除文字信息之外的其它信息,保证了后续根据目标文本信息生成对话摘要信息的准确性。
实际应用中,摘要生成模型虽然能够生成摘要,但是其通用性较强,在电商领域的适用性较差,导致生成的对话摘要信息不准确。
基于此,可以利用电商领域的训练数据对摘要生成模型进行微调,以实现微调后的摘要生成模型在电商领域的适用性,具体实现方式如下:
所述将所述目标文本信息输入摘要生成模型之前,还包括:
确定目标任务,并根据所述目标任务,确定目标训练数据集,其中,所述目标训练数据集包括文本样本、以及所述文本样本对应的摘要标签,其中,所述摘要标签包括所述文本样本的结构化信息;
根据所述文本样本和所述摘要标签,对预训练的初始摘要生成模型进行更新,获得摘要生成模型。
其中,目标任务可以理解为对摘要生成模型的训练任务。比如在电商领域,目标任务可以是对用户和客服之间的对话信息生成对话摘要信息的任务。文本样本可以基于对话信息样本获得。文本样本对应的摘要标签可以基于目标任务确定。比如目标任务为将用户和客服之间针对商品问题的对话信息生成对话摘要信息,那么摘要标签可以是用户询问的商品类型、用户询问的问题类型、用户询问的问题的处理进度等结构化信息。可以理解的,摘要标签可以根据实际需求确定。
预训练的初始摘要生成模型,可以理解为利用不同领域的大量训练数据训练的初始摘要生成模型。实际应用中,摘要生成模型可以是生成式指针网络模型,该生成式指针网络模型可以用于生成文本摘要。
基于此,可以根据对摘要生成模型的训练任务,确定目标训练数据集,并根据目标训练数据集中的文本样本和摘要标签,对预训练的初始摘要生成模型进行更新,获得摘要生成模型。
具体实施时,在根据文本样本和摘要标签对预训练的初始摘要生成模型进行更新,获得摘要生成模型时,可以将文本样本输入预训练的初始摘要生成模型,获得初始摘要生成模型输出的预测结果,根据预测结果和摘要标签,计算模型损失值,根据模型损失值对预训练的初始摘要生成模型进行更新,直至获得满足训练停止条件的摘要生成模型。其中,训练停止条件可以是训练次数达到预设次数阈值或者模型损失值达到预设损失值阈值。实际应用中,还可以根据预测结果的困惑度,对预训练的初始摘要生成模型进行更新,直至预测结果的困惑度达到最小,获得训练完成的摘要生成模型。
可以理解的,对初始摘要生成模型的训练过程,可以是客服客户端进行,也可以是客服服务端进行。或者,还可以利用任务处理平台对初始摘要生成模型进行训练。其中,任务处理平台可以理解为用于模型训练的服务器。本说明书实施例对此不做限定。
综上,通过对摘要生成模型进行微调,实现摘要生成模型在目标任务领域的适用性,从而保证生成的对话摘要信息的准确性。
实际应用中,为了进一步保证对话摘要信息的准确性,可以对摘要生成模型输出的多个初始对话摘要信息进行评分,根据评分结果确定对话摘要信息,具体实现方式如下:
所述将所述目标文本信息输入摘要生成模型,获得所述目标用户关联的对话摘要信息,包括:
将所述目标文本信息输入摘要生成模型,获得所述摘要生成模型输出的至少两个初始对话摘要信息;
根据所述目标文本信息和所述至少两个初始对话摘要信息中的每个初始对话摘要信息的相关度,确定所述每个初始对话摘要信息的评分结果;
根据所述每个初始对话摘要信息的评分结果,在所述至少两个初始对话摘要信息中,确定所述目标用户关联的对话摘要信息。
其中,目标文本信息和初始对话摘要信息的相关度,可以理解为目标文本信息和初始对话摘要信息之间的相关程度,实际应用中,可以通过计算目标文本信息和初始对话摘要信息之间的最大互信息,确定目标文本和初始对话摘要信息之间的相关度。
具体的,可以根据目标文本信息和每个初始对话摘要信息之间的相关度,确定每个初始对话摘要信息的评分结果,并根据每个初始对话摘要信息的评分结果,可以将至少两个初始对话摘要信息中,评分结果最高的初始对话摘要信息作为目标用户关联的对话摘要信息。
综上,通过根据目标文本信息和初始对话摘要信息之间的相关度,对初始对话摘要信息进行评分,从而将评分结果最高的初始对话摘要信息作为目标用户关联的对话摘要信息,能够保证对话摘要信息的准确性。
具体实施时,在生成对话摘要信息时,可以获取目标用户与客服之间的全部历史对话信息,生成对话摘要信息。然而,这样难以保证对话摘要信息生成的即时性。基于此,可以在接收目标用户发送的询问请求,并且客服针对该询问请求解答之后,就获取目标用户和客服之间的对话信息,并生成对话摘要信息,具体实现方式如下:
所述响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息之前,还包括:
响应于目标用户发送的第一询问请求,确定所述目标用户、和处理所述第一询问请求的客服之间的第一对话信息;
根据所述第一对话信息,生成所述目标用户关联的对话摘要信息;
相应地,所述响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息,包括:
响应于所述目标用户发送的下一询问请求,获取所述目标用户关联的对话摘要信息。
其中,第一询问请求可以理解为目标用户发送的第一次询问请求。下一询问请求则可以理解为目标用户发送的第二次询问请求。
基于此,可以响应于目标用户发送的第一次询问请求,确定目标用户、以及处理该第一次询问请求的客服之间的第一对话信息,并根据该第一对话信息,生成目标用户关联的对话摘要信息。那么,在接收到目标用户发送的第二次询问请求的情况下,可以获取该目标用户关联的对话摘要信息。
综上,通过在接收目标用户发送的询问请求,并且客服针对该询问请求解答之后,就获取目标用户和客服之间的对话信息,并生成对话摘要信息,能够保证对话摘要信息生成的即时性,从而便于后续目标用户再次发送询问请求时,能展示上次询问时的对话摘要信息。
步骤204:确定处理所述询问请求的目标客服,并将所述对话摘要信息展示给所述目标客服。
具体的,在确定目标用户关联的对话摘要信息之后,可以确定处理目标用户发送的询问请求的目标客服,并将对话摘要信息展示给目标客服。
实际应用中,由于用户购买的商品的多样性,导致用户每次发送的询问请求针对的商品类型或者询问问题的类型都不同。比如,用户在购买电子产品时,可能向客服咨询过该电子产品的产品参数信息。在用户购买水果时,由于收到的水果不新鲜,用户向客服发送询问消息,询问水果的新鲜程度,此时,向处理针对水果的问题的客服展示用户询问电子产品的问题时的对话摘要信息,无法向处理针对水果的问题的客服提供辅助,还会影响客服对用户针对水果问题的解答。
基于此,可以根据用户发送的历史询问请求的类型,对对话摘要信息进行分类,以便为处理询问请求的目标客服提供同类型的对话摘要信息,具体实现方式如下:
所述生成所述目标用户关联的至少两个对话摘要信息之后,还包括:
确定目标用户、和所述目标用户关联的每个客服之间的对话信息对应的询问类型;
根据所述询问类型,对所述至少两个对话摘要信息中的每个对话摘要信息进行分类,获得分类结果;
相应地,所述将所述对话摘要信息展示给所述目标客服,包括:
根据所述分类结果,在所述至少两个对话摘要信息中,确定所述询问请求的询问类型匹配的对话摘要信息,并将所述对话摘要信息展示给所述目标客服。
其中,对话信息对应的询问类型可以包括询问问题类型和询问对象类型。比如,目标用户和客服之间的对话信息为、目标用户向客服询问商品的物流问题的对话信息,那么,该对话信息的询问问题类型为物流问题,目标用户和客服之间的对话信息为、目标用户向客服询问商品的质量问题的对话信息,那么,该对话信息的询问问题类型为质量问题。或者,目标用户和客服之间的对话信息为、目标用户向客服询问手机的参数信息,那么,该对话信息的询问对象类型为电子产品。
具体的,可以确定目标用户和每个客服之间的对话信息对应的询问问题类型和/或询问对象类型,并根据询问问题类型和/或询问对象信息,对每个对话摘要信息进行分类,可以根据分类结果,在至少两个对话摘要信息中,确定目标用户发送的当前询问请求的询问问题类型和/或询问对象类型匹配的对话摘要信息,并将该对话摘要信息展示处理当前询问请求的目标客服。
综上,通过对对话摘要信息进行分类,能够针对性的向目标客服展示同类型的对话摘要信息,进一步辅助目标客服处理当前询问请求,保证用户体验。
实际应用中,在电商平台或店铺的客服为视障人员的情况下,其难以看清用户发送的图片,此时,可以将图片转换为语音并播报给客服,为视障客服的服务提供帮助,具体实现方式如下:
所述将所述对话摘要信息展示给所述目标客服之后,还包括:
在确定所述目标客服满足预设处理条件、且接收到目标用户发送的图像信息的情况下,对所述图像信息进行处理,获得所述图像信息对应的语音信息;
将所述语音信息播报给所述目标客服。
其中,目标客服满足预设处理条件,可以理解为目标客服为视障人员。
具体的,图3示出了根据本说明书一个实施例提供的一种对话处理方法中语音播报的流程图,具体步骤如下。
步骤302:将图像信息输入GI T模型,获得图像文本信息。
步骤304:利用TTS对图像文本信息进行处理,获得图像信息对应的语音信息。
步骤306:将语音信息播报给目标客服。
综上,通过对目标用户发送的图片进行处理,获得对应的语音信息,并将语音信息播报给目标客服,在目标客服为视障人员的情况下,能够实现对目标客服的辅助,保证目标客服的服务质量。
此外,在接收到目标用户发送的询问请求之后,还可以根据对话摘要信息生成引导卡片,并将引导卡片发送给目标用户。其中,引导卡片可以包括目标用户在与客服沟通过程中,询问次数达到预设次数阈值的询问问题类型。比如,目标用户在与客服沟通过程中,针对不同商品的物流问题的询问次数达到预设次数阈值5次,那么,可以根据对话摘要信息生成引导卡片为“您是否要问,XX商品是否发货”,从而为目标用户可能询问的问题提供引导,进一步保证用户体验。
具体的,图4示出了根据本说明书一个实施例提供的一种对话处理方法中与目标用户交互的示意图。参见图4,针对店铺A中的商品,目标用户通过用户客户端402向客服客户端发送询问请求,该询问请求可以是目标用户想要询问的商品的商品链接,客服客户端接收该询问请求之后,可以确定目标用户关联的对话摘要信息,并根据对话摘要信息生成目标用户关联的引导卡片为“您是否要问,1、XX商品的参数信息。2、XX商品什么时候发货”,并将该引导卡片发送至用户客户端402。可以理解的,本说明书实施例中提供的对话处理方法,可以用于客服客户端,也可以用于客服服务端,本说明书实施例对此不做限定。
此外,还根据对话摘要信息生成针对目标用户的用户画像,便于客服进一步了解目标用户。
综上所述,上述方法在接收到目标用户发送的询问请求的情况下,确定该目标用户和该目标用户关联的客服之间的对话信息生成的对话摘要信息,确定了与该目标用户相关的全部对话摘要信息,并且在确定处理该询问请求的目标客服的情况下,将该对话摘要信息展示给该目标客服,使目标客服直接通过浏览该对话摘要信息,就能够了解该目标用户与客服之间的历史沟通情况,无需再浏览历史聊天记录,避免目标客服的时间浪费在查找历史聊天记录上,减少客服的人工成本,并且便于后续目标客服能够及时了解情况并回复目标用户,保证用户体验。
下述结合附图5,以本说明书提供的对话处理方法在电商领域的应用为例,对所述对话处理方法进行进一步说明。其中,图5示出了本说明书一个实施例提供的一种对话处理方法的处理过程流程图,具体包括以下步骤。
步骤502:商家端向任务处理平台发送任务处理需求。
其中,商家端即为客服客户端。任务处理平台可以理解为用于根据商家需求进行模型训练的平台。
具体的,商家为了保证用户询问时的体验,提升客服处理效率,需要为客服提供对话摘要信息展示服务,使客服在处理用户询问的问题时,直接根据对话摘要信息就可以确定用户之前询问过哪些问题,针对这些问题的处理情况是怎样的,便于客服及时进行反馈。那么,商家可以向任务处理平台发送对话摘要信息生成任务的任务处理需求。
步骤504:任务处理平台接收任务处理需求,根据任务处理需求,确定目标任务,根据目标任务训练对话处理模型。
具体的,任务处理平台接收该对话摘要信息生成任务的任务处理需求,并且,从任务处理需求中确定对话类型,比如商家为服饰店铺的情况下,那么对话摘要信息是基于服饰的询问对话信息生成的,在对话摘要信息中,可能关注的是服饰的尺码、布料等信息。在商家为水果店铺的情况下,对话摘要信息可能关注水果的新鲜程度等信息。
基于此,可以根据任务处理需求,确定目标任务,并且根据目标任务训练对话处理模型。
其中,对话处理模型可以包括文本生成模型和摘要生成模型。文本生成模型可以将输入的对话信息转换为目标文本信息,而摘要生成模型可以将目标文本信息转换为对话摘要信息。
在根据目标任务训练对话处理模型时,可以根据目标任务确定目标训练数据集,该目标训练数据集中包括对话信息样本和对话摘要信息标签。具体的,可以将对话信息样本输入文本生成模型,获得文本生成模型输出的文本样本,根据该文本样本和对话摘要信息标签,对预训练的初始摘要生成模型进行更新,获得摘要生成模型。其中,预训练的初始摘要生成模型可以理解为利用大量训练数据训练完成的指针网络模型。
具体实施时,在根据文本样本和摘要标签(即对话摘要信息标签)对预训练的初始摘要生成模型进行更新,获得摘要生成模型时,可以将文本样本输入预训练的初始摘要生成模型,获得初始摘要生成模型输出的预测结果,根据预测结果和摘要标签,计算模型损失值,根据模型损失值对预训练的初始摘要生成模型进行更新,直至获得满足训练停止条件的摘要生成模型。其中,训练停止条件可以是训练次数达到预设次数阈值或者模型损失值达到预设损失值阈值。实际应用中,还可以根据预测结果的困惑度,对预训练的初始摘要生成模型进行更新,直至预测结果的困惑度达到最小,获得训练完成的摘要生成模型。将训练完成的摘要生成模型和文本生成模型,作为对话处理模型。
步骤506:任务处理平台将对话处理模型发送至商家端。
步骤508:用户通过用户客户端向商家端发送询问信息,商家客服通过商家端对用户发送的询问信息进行解答。
步骤510:商家端将用户和商家客服之间的对话信息输入对话处理模型,获得该对话处理模型输出的对话摘要信息。
具体的,对话处理模型可以输出至少两个对话摘要信息。针对每个对话摘要信息,可以根据对话摘要信息和输入的对话信息之间的相关度,对每个对话摘要信息进行评分,并根据评分结果在至少两个对话摘要信息中,将评分结果最高的对话摘要信息作为最终的输出结果。
其中,用户和商家客服之间的对话信息,可以理解为用户发送的询问信息、和商家客服对询问信息进行解答的聊天记录。
步骤512:商家端在接收到该用户再次发送的询问信息的情况下,将对话摘要信息展示给目标客服。
此外,在上述步骤504训练完成对话处理模型之后,任务处理平台还可以基于该对话处理模型为商家端提供对话摘要信息生成服务,无需将对话处理模型发送至商家端。具体的,商家端可以将用户和商家客服之间的对话信息发送至任务处理平台,任务处理平台可以将该对话信息输入至对话处理模型,获得该对话处理模型输出的对话摘要信息,并将该对话摘要信息发送至商家端。可以理解的,对话处理模型可以基于实际需要部署在商家端或任务处理平台,或者还可以部署于商家入驻的电商平台,本说明书实施例对此不做限定。
本说明书另一个实施例中,,图6示出了本说明书一个实施例提供的一种对话处理方法的另一种处理过程流程图,具体包括以下步骤。
步骤602:商家端向任务处理平台发送任务处理需求。
步骤604:任务处理平台接收任务处理需求,根据任务处理需求,确定目标任务,根据目标任务训练摘要生成模型。
在根据目标任务训练摘要生成模型时,可以根据目标任务确定目标训练数据集,该目标训练数据集中包括对话信息样本和对话摘要信息标签(即摘要标签)。具体的,可以将对话信息样本输入文本生成模型,获得文本生成模型输出的文本样本,根据该文本样本和对话摘要信息标签,对预训练的初始摘要生成模型进行更新,获得摘要生成模型。
步骤606:任务处理平台将训练好的摘要生成模型发送至商家端。
步骤608:用户通过用户客户端向商家端发送询问信息,商家客服通过商家端对用户发送的询问信息进行解答。
步骤610:商家端对用户和商家客服之间的对话信息进行处理,将其转换为目标文本信息,将目标文本信息输入摘要生成模型,获得该摘要生成模型输出的对话摘要信息。
具体的,商家端将对话信息转换为目标文本信息时,可以提取对话信息中的图像信息、音频信息和对话文本信息。将图像信息转换为图像文本信息、将音频信息转换为音频文本信息,对图像文本信息、音频文本信息和对话文本信息进行拼接,得到目标文本信息,并将目标文本信息输入摘要生成模型,获得摘要生成模型输出的对话摘要信息。
步骤612:商家端在接收到该用户再次发送的询问信息的情况下,将对话摘要信息展示给目标客服。
综上所述,上述方法在接收到目标用户发送的询问请求的情况下,确定该目标用户和该目标用户关联的客服之间的对话信息生成的对话摘要信息,确定了与该目标用户相关的全部对话摘要信息,并且在确定处理该询问请求的目标客服的情况下,将该对话摘要信息展示给该目标客服,使目标客服直接通过浏览该对话摘要信息,就能够了解该目标用户与客服之间的历史沟通情况,无需再浏览历史聊天记录,避免目标客服的时间浪费在查找历史聊天记录上,减少客服的人工成本,并且便于后续目标客服能够及时了解情况并回复目标用户,保证用户体验。
与上述方法实施例相对应,本说明书还提供了对话处理装置实施例,图7示出了本说明书一个实施例提供的一种对话处理装置的结构示意图,应用于客服客户端。如图7所示,该装置包括:
确定模块702,被配置为响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息,其中,所述对话摘要信息根据所述目标用户和所述目标用户关联的客服之间的对话信息生成;
展示模块704,被配置为确定处理所述询问请求的目标客服,并将所述对话摘要信息展示给所述目标客服。
一个可选的实施例中,所述装置还包括生成模块,被配置为:
确定目标用户和所述目标用户关联的客服之间的对话信息;
根据所述对话信息,生成所述目标用户关联的对话摘要信息。
一个可选的实施例中,所述生成模块,进一步被配置为:
在确定所述目标用户关联至少两个客服的情况下,根据所述目标用户、和所述目标用户关联的每个客服之间的对话信息,生成所述目标用户关联的至少两个对话摘要信息。
一个可选的实施例中,所述装置还包括分类模块,被配置为:
确定目标用户、和所述目标用户关联的每个客服之间的对话信息对应的询问类型;
根据所述询问类型,对所述至少两个对话摘要信息中的每个对话摘要信息进行分类,获得分类结果。
一个可选的实施例中,所述展示模块704,进一步被配置为:
根据所述分类结果,在所述至少两个对话摘要信息中,确定所述询问请求的询问类型匹配的对话摘要信息,并将所述对话摘要信息展示给所述目标客服。
一个可选的实施例中,所述生成模块,进一步被配置为:
将所述对话信息转换为目标文本信息;
将所述目标文本信息输入摘要生成模型,获得所述目标用户关联的对话摘要信息。
一个可选的实施例中,所述生成模块,进一步被配置为:
提取所述对话信息中的图像信息、音频信息和对话文本信息;
将所述图像信息输入图像处理模型,获得所述图像信息对应的图像文本信息;
利用预设音频处理算法,对所述音频信息进行转换处理,获得所述音频信息对应的音频文本信息;
根据所述图像文本信息、所述音频文本信息和所述对话文本信息,生成目标文本信息。
一个可选的实施例中,所述装置还包括更新模块,被配置为:
确定目标任务,并根据所述目标任务,确定目标训练数据集,其中,所述目标训练数据集包括文本样本、以及所述文本样本对应的摘要标签,其中,所述摘要标签包括所述文本样本的结构化信息;
根据所述文本样本和所述摘要标签,对预训练的初始摘要生成模型进行更新,获得摘要生成模型。
一个可选的实施例中,所述生成模块,进一步被配置为:
将所述目标文本信息输入摘要生成模型,获得所述摘要生成模型输出的至少两个初始对话摘要信息;
根据所述目标文本信息和所述至少两个初始对话摘要信息中的每个初始对话摘要信息的相关度,确定所述每个初始对话摘要信息的评分结果;
根据所述每个初始对话摘要信息的评分结果,在所述至少两个初始对话摘要信息中,确定所述目标用户关联的对话摘要信息。
一个可选的实施例中,所述装置还包括播报模块,被配置为:
在确定所述目标客服满足预设处理条件、且接收到目标用户发送的图像信息的情况下,对所述图像信息进行处理,获得所述图像信息对应的语音信息;
将所述语音信息播报给所述目标客服。
一个可选的实施例中,所述确定模块702,进一步被配置为:
响应于目标用户发送的第一询问请求,确定所述目标用户、和处理所述第一询问请求的客服之间的第一对话信息;
根据所述第一对话信息,生成所述目标用户关联的对话摘要信息;
响应于所述目标用户发送的下一询问请求,获取所述目标用户关联的对话摘要信息。
综上所述,上述装置在接收到目标用户发送的询问请求的情况下,确定该目标用户和该目标用户关联的客服之间的对话信息生成的对话摘要信息,确定了与该目标用户相关的全部对话摘要信息,并且在确定处理该询问请求的目标客服的情况下,将该对话摘要信息展示给该目标客服,使目标客服直接通过浏览该对话摘要信息,就能够了解该目标用户与客服之间的历史沟通情况,无需再浏览历史聊天记录,避免目标客服的时间浪费在查找历史聊天记录上,减少客服的人工成本,并且便于后续目标客服能够及时了解情况并回复目标用户,保证用户体验。
上述为本实施例的一种对话处理装置的示意性方案。需要说明的是,该对话处理装置的技术方案与上述的对话处理方法的技术方案属于同一构思,对话处理装置的技术方案未详细描述的细节内容,均可以参见上述对话处理方法的技术方案的描述。
参见图8,图8示出了根据本说明书一个实施例提供的另一种对话处理方法的流程图,具体包括以下步骤。
步骤802:响应于目标用户发送的、针对目标商品的询问请求,确定所述目标用户关联的初始对话摘要信息,其中,所述对话摘要信息根据所述目标用户和所述目标用户关联的客服之间的对话信息生成;
步骤804:在所述初始对话摘要信息中,确定针对所述目标商品的目标对话摘要信息,或者,根据所述目标商品的目标商品类型,在所述初始对话摘要信息中,确定针对所述目标商品类型的目标对话摘要信息;
步骤806:确定处理所述询问请求的目标客服,并将所述目标对话摘要信息展示给所述目标客服。
其中,目标用户关联的初始对话摘要信息,可以理解为目标用户与关联的客服之间的所有对话信息生成的对话摘要信息。目标对话摘要信息,可以理解为初始对话摘要信息中、与目标商品关联的对话摘要信息。目标对话摘要信息比如可以是针对目标商品的对话摘要信息,或者也可以是针对目标商品的目标商品类型的对话摘要信息。
基于此,可以响应于目标用户发送的、针对目标商品的询问请求,并确定目标用户与关联的客服之间的所有对话信息生成的初始对话摘要信息,在初始对话摘要信息中,确定与目标商品关联的目标对话摘要信息。并将该目标对话摘要信息展示给处理该询问请求的目标客服。
举例而言,可以响应于目标用户发送的、针对该目标用户购买的笔记本电脑的询问请求,确定该目标用户关联的初始对话摘要信息1、2和3,其中,初始对话摘要信息1为根据该目标用户针对其购买的苹果的历史询问请求生成的,初始对话摘要信息2为根据该目标用户针对其想要购买的家具的历史询问请求生成的,初始对话摘要信息3为根据该目标用户在购买笔记本电脑之前,针对该笔记本电脑的性能配置参数的历史询问请求生成的。可以在初始对话摘要信息1、2、3中,确定针对该笔记本电脑的初始对话摘要信息3作为目标对话摘要信息,并将该目标对话摘要信息展示给处理该询问请求的目标客服。
或者,可以响应于目标用户发送的、针对该目标用户购买的笔记本电脑的询问请求,确定的该目标用户关联的初始对话摘要信息1、2和3分别为,初始对话摘要信息1为根据该目标用户针对其购买的苹果的历史询问请求生成的,初始对话摘要信息2为根据该目标用户针对其想要购买的家具的历史询问请求生成的,初始对话摘要信息3为根据该目标用户针对其购买的打印机的历史询问请求生成的。可以理解的,笔记本电脑和打印机的类型均为电子产品类型,那么在初始对话摘要信息1、2、3中,确定针对电子产品类型的初始对话摘要信息3为目标对话摘要信息,并将该目标对话摘要信息展示给处理该询问请求的目标客服。
综上所述,上述方法在接收到目标用户发送的询问请求的情况下,确定该目标用户和该目标用户关联的客服之间的对话信息生成的对话摘要信息,确定了与该目标用户相关的全部对话摘要信息,并且在确定处理该询问请求的目标客服的情况下,将该对话摘要信息展示给该目标客服,使目标客服直接通过浏览该对话摘要信息,就能够了解该目标用户与客服之间的历史沟通情况,无需再浏览历史聊天记录,避免目标客服的时间浪费在查找历史聊天记录上,减少客服的人工成本,并且便于后续目标客服能够及时了解情况并回复目标用户,保证用户体验。
与上述方法实施例相对应,本说明书还提供了对话处理装置实施例,图9示出了本说明书一个实施例提供的另一种对话处理装置的结构示意图,应用于客服客户端。如图9所示,该装置包括:
第一确定模块902,被配置为响应于目标用户发送的、针对目标商品的询问请求,确定所述目标用户关联的初始对话摘要信息,其中,所述对话摘要信息根据所述目标用户和所述目标用户关联的客服之间的对话信息生成;
第二确定模块904,被配置为在所述初始对话摘要信息中,确定针对所述目标商品的目标对话摘要信息,或者
根据所述目标商品的目标商品类型,在所述初始对话摘要信息中,确定针对所述目标商品类型的目标对话摘要信息;
展示模块906,被配置为确定处理所述询问请求的目标客服,并将所述目标对话摘要信息展示给所述目标客服。
综上所述,上述装置在接收到目标用户发送的询问请求的情况下,确定该目标用户和该目标用户关联的客服之间的对话信息生成的对话摘要信息,确定了与该目标用户相关的全部对话摘要信息,并且在确定处理该询问请求的目标客服的情况下,将该对话摘要信息展示给该目标客服,使目标客服直接通过浏览该对话摘要信息,就能够了解该目标用户与客服之间的历史沟通情况,无需再浏览历史聊天记录,避免目标客服的时间浪费在查找历史聊天记录上,减少客服的人工成本,并且便于后续目标客服能够及时了解情况并回复目标用户,保证用户体验。
上述为本实施例的一种对话处理装置的示意性方案。需要说明的是,该对话处理装置的技术方案与上述的对话处理方法的技术方案属于同一构思,对话处理装置的技术方案未详细描述的细节内容,均可以参见上述对话处理方法的技术方案的描述。
参见图10,图10示出了根据本说明书一个实施例提供的一种任务处理方法的流程图,应用于任务处理平台,具体包括以下步骤。
步骤1002:响应于客服端发送的任务处理请求,确定目标任务;
步骤1004:根据所述目标任务,确定目标训练数据集,其中,所述目标训练数据集包括文本样本、以及所述文本样本对应的摘要标签,其中,所述摘要标签为对话摘要信息,所述摘要标签包括所述文本样本的结构化信息,所述文本样本基于文本生成模型获得;
步骤1006:根据所述文本样本和所述摘要标签,对预训练的初始摘要生成模型进行更新,获得摘要生成模型;
步骤1008:将所述摘要生成模型和所述文本生成模型发送至所述客服端。
具体的,此处的模型训练过程与前述模型训练过程相同,在此不再重复赘述。
综上,上述方法通过对摘要生成模型进行微调,实现摘要生成模型在目标任务领域的适用性,从而保证生成的对话摘要信息的准确性。
与上述方法实施例相对应,本说明书还提供了任务处理装置实施例,应用于任务处理平台,图11示出了本说明书一个实施例提供的一种任务处理装置的结构示意图,如图11所示,该装置包括:
第一确定模块1102,被配置为响应于客服端发送的任务处理请求,确定目标任务;
第二确定模块1104,被配置为根据所述目标任务,确定目标训练数据集,其中,所述目标训练数据集包括文本样本、以及所述文本样本对应的摘要标签,其中,所述摘要标签为对话摘要信息,所述摘要标签包括所述文本样本的结构化信息,所述文本样本基于文本生成模型获得;
更新模块1106,被配置为根据所述文本样本和所述摘要标签,对预训练的初始摘要生成模型进行更新,获得摘要生成模型;
发送模块1108,被配置为将所述摘要生成模型和所述文本生成模型发送至所述客服端。
综上,上述装置通过对摘要生成模型进行微调,实现摘要生成模型在目标任务领域的适用性,从而保证生成的对话摘要信息的准确性。
与上述方法实施例相对应,本说明书还提供了对话处理系统实施例,图12示出了本说明书一个实施例提供的一种对话处理系统的结构示意图,如图12所示,该系统1200包括:客服客户端1202和客服服务端1204,其中,
所述客服客户端1202,被配置为接收用户发送的询问请求,并将所述询问请求发送至所述客服服务端1204;
所述客服服务端1204,被配置为响应于所述询问请求,确定所述用户关联的对话摘要信息,并将所述对话摘要信息发送至所述客服客户端1202,其中,所述对话摘要信息根据所述用户以及所述用户关联的客服之间的对话信息生成;
所述客服客户端1202,被配置为确定处理所述询问请求的目标客服,并将所述对话摘要信息展示给所述目标客服。
综上所述,上述系统在接收到目标用户发送的询问请求的情况下,确定该目标用户和该目标用户关联的客服之间的对话信息生成的对话摘要信息,确定了与该目标用户相关的全部对话摘要信息,并且在确定处理该询问请求的目标客服的情况下,将该对话摘要信息展示给该目标客服,使目标客服直接通过浏览该对话摘要信息,就能够了解该目标用户与客服之间的历史沟通情况,无需再浏览历史聊天记录,避免目标客服的时间浪费在查找历史聊天记录上,减少客服的人工成本,并且便于后续目标客服能够及时了解情况并回复目标用户,保证用户体验。
图13示出了根据本说明书一个实施例提供的一种计算设备1300的结构框图。该计算设备1300的部件包括但不限于存储器1310和处理器1320。处理器1320与存储器1310通过总线1330相连接,数据库1350用于保存数据。
计算设备1300还包括接入设备1340,接入设备1340使得计算设备1300能够经由一个或多个网络1360通信。这些网络的示例包括公用交换电话网(PSTN,Public SwitchedTelephone Network)、局域网(LAN,Local Area Network)、广域网(WAN,Wide AreaNetwork)、个域网(PAN,Personal Area Network)或诸如因特网的通信网络的组合。接入设备1340可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC,networkinterface controller))中的一个或多个,诸如IEEE802.11无线局域网(WLAN,WirelessLocal Area Network)无线接口、全球微波互联接入(Wi-MAX,WorldwideInteroperability for Microwave Access)接口、以太网接口、通用串行总线(USB,Universal Serial Bus)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC,Near FieldCommunication)接口,等等。
在本申请的一个实施例中,计算设备1300的上述部件以及图13中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图13所示的计算设备结构框图仅仅是出于示例的目的,而不是对本申请范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备1300可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或个人计算机(PC,Personal Computer)的静止计算设备。计算设备1300还可以是移动式或静止式的服务器。
其中,处理器1320用于执行如下计算机可执行指令,该计算机可执行指令被处理器执行时实现上述方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现上述方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述方法的技术方案的描述。
本说明书一实施例还提供一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述方法的步骤。
上述为本实施例的一种计算机程序的示意性方案。需要说明的是,该计算机程序的技术方案与上述的方法的技术方案属于同一构思,计算机程序的技术方案未详细描述的细节内容,均可以参见上述方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-On ly Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据专利实践的要求进行适当的增减,例如在某些地区,根据专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (14)
1.一种对话处理方法,应用于客服客户端,包括:
响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息,其中,所述对话摘要信息根据所述目标用户和所述目标用户关联的客服之间的对话信息生成;
确定处理所述询问请求的目标客服,并将所述对话摘要信息展示给所述目标客服。
2.根据权利要求1所述的方法,所述响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息之前,还包括:
确定目标用户和所述目标用户关联的客服之间的对话信息;
根据所述对话信息,生成所述目标用户关联的对话摘要信息。
3.根据权利要求2所述的方法,所述根据所述对话信息,生成所述目标用户关联的对话摘要信息,包括:
在确定所述目标用户关联至少两个客服的情况下,根据所述目标用户、和所述目标用户关联的每个客服之间的对话信息,生成所述目标用户关联的至少两个对话摘要信息。
4.根据权利要求3所述的方法,所述生成所述目标用户关联的至少两个对话摘要信息之后,还包括:
确定目标用户、和所述目标用户关联的每个客服之间的对话信息对应的询问类型;
根据所述询问类型,对所述至少两个对话摘要信息中的每个对话摘要信息进行分类,获得分类结果;
相应地,所述将所述对话摘要信息展示给所述目标客服,包括:
根据所述分类结果,在所述至少两个对话摘要信息中,确定所述询问请求的询问类型匹配的对话摘要信息,并将所述对话摘要信息展示给所述目标客服。
5.根据权利要求2所述的方法,所述根据所述对话信息,生成所述目标用户关联的对话摘要信息,包括:
将所述对话信息转换为目标文本信息;
将所述目标文本信息输入摘要生成模型,获得所述目标用户关联的对话摘要信息。
6.根据权利要求5所述的方法,所述将所述对话信息转换为目标文本信息,包括:
提取所述对话信息中的图像信息、音频信息和对话文本信息;
将所述图像信息输入图像处理模型,获得所述图像信息对应的图像文本信息;
利用预设音频处理算法,对所述音频信息进行转换处理,获得所述音频信息对应的音频文本信息;
根据所述图像文本信息、所述音频文本信息和所述对话文本信息,生成目标文本信息。
7.根据权利要求5所述的方法,所述将所述目标文本信息输入摘要生成模型之前,还包括:
确定目标任务,并根据所述目标任务,确定目标训练数据集,其中,所述目标训练数据集包括文本样本、以及所述文本样本对应的摘要标签,其中,所述摘要标签包括所述文本样本的结构化信息;
根据所述文本样本和所述摘要标签,对预训练的初始摘要生成模型进行更新,获得摘要生成模型。
8.根据权利要求5所述的方法,所述将所述目标文本信息输入摘要生成模型,获得所述目标用户关联的对话摘要信息,包括:
将所述目标文本信息输入摘要生成模型,获得所述摘要生成模型输出的至少两个初始对话摘要信息;
根据所述目标文本信息和所述至少两个初始对话摘要信息中的每个初始对话摘要信息的相关度,确定所述每个初始对话摘要信息的评分结果;
根据所述每个初始对话摘要信息的评分结果,在所述至少两个初始对话摘要信息中,确定所述目标用户关联的对话摘要信息。
9.根据权利要求1所述的方法,所述将所述对话摘要信息展示给所述目标客服之后,还包括:
在确定所述目标客服满足预设处理条件、且接收到目标用户发送的图像信息的情况下,对所述图像信息进行处理,获得所述图像信息对应的语音信息;
将所述语音信息播报给所述目标客服。
10.根据权利要求1所述的方法,所述响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息之前,还包括:
响应于目标用户发送的第一询问请求,确定所述目标用户、和处理所述第一询问请求的客服之间的第一对话信息;
根据所述第一对话信息,生成所述目标用户关联的对话摘要信息;
相应地,所述响应于目标用户发送的询问请求,确定所述目标用户关联的对话摘要信息,包括:
响应于所述目标用户发送的下一询问请求,获取所述目标用户关联的对话摘要信息。
11.一种对话处理方法,应用于客服客户端,包括:
响应于目标用户发送的、针对目标商品的询问请求,确定所述目标用户关联的初始对话摘要信息,其中,所述对话摘要信息根据所述目标用户和所述目标用户关联的客服之间的对话信息生成;
在所述初始对话摘要信息中,确定针对所述目标商品的目标对话摘要信息,或者
根据所述目标商品的目标商品类型,在所述初始对话摘要信息中,确定针对所述目标商品类型的目标对话摘要信息;
确定处理所述询问请求的目标客服,并将所述目标对话摘要信息展示给所述目标客服。
12.一种任务处理方法,应用于任务处理平台,包括:
响应于客服端发送的任务处理请求,确定目标任务;
根据所述目标任务,确定目标训练数据集,其中,所述目标训练数据集包括文本样本、以及所述文本样本对应的摘要标签,其中,所述摘要标签为对话摘要信息,所述摘要标签包括所述文本样本的结构化信息,所述文本样本基于文本生成模型获得;
根据所述文本样本和所述摘要标签,对预训练的初始摘要生成模型进行更新,获得摘要生成模型;
将所述摘要生成模型和所述文本生成模型发送至所述客服端。
13.一种对话处理系统,所述系统包括客服客户端和客服服务端,其中,
所述客服客户端,被配置为接收用户发送的询问请求,并将所述询问请求发送至所述客服服务端;
所述客服服务端,被配置为响应于所述询问请求,确定所述用户关联的对话摘要信息,并将所述对话摘要信息发送至所述客服客户端,其中,所述对话摘要信息根据所述用户以及所述用户关联的客服之间的对话信息生成;
所述客服客户端,被配置为确定处理所述询问请求的目标客服,并将所述对话摘要信息展示给所述目标客服。
14.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至12任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310581206.7A CN116775821A (zh) | 2023-05-22 | 2023-05-22 | 对话处理方法以及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310581206.7A CN116775821A (zh) | 2023-05-22 | 2023-05-22 | 对话处理方法以及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116775821A true CN116775821A (zh) | 2023-09-19 |
Family
ID=87986974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310581206.7A Pending CN116775821A (zh) | 2023-05-22 | 2023-05-22 | 对话处理方法以及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116775821A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633540A (zh) * | 2024-01-25 | 2024-03-01 | 杭州阿里云飞天信息技术有限公司 | 样本数据构建方法及装置 |
-
2023
- 2023-05-22 CN CN202310581206.7A patent/CN116775821A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633540A (zh) * | 2024-01-25 | 2024-03-01 | 杭州阿里云飞天信息技术有限公司 | 样本数据构建方法及装置 |
CN117633540B (zh) * | 2024-01-25 | 2024-04-30 | 杭州阿里云飞天信息技术有限公司 | 样本数据构建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11361364B2 (en) | Shopping recommendation method, client, and server | |
CN110457679B (zh) | 用户画像的构建方法、装置、计算机设备和存储介质 | |
CN110084658B (zh) | 物品匹配的方法和装置 | |
CN108268450B (zh) | 用于生成信息的方法和装置 | |
CN113806588B (zh) | 搜索视频的方法和装置 | |
WO2023049635A1 (en) | Real-time product environmental impact scoring | |
CN116775821A (zh) | 对话处理方法以及系统 | |
US11310174B2 (en) | Intelligent apparatus and method for responding to text messages | |
CN116756278A (zh) | 机器问答方法以及装置 | |
CN116010574A (zh) | 智能对话处理的方法、云服务器及可读存储介质 | |
CN113822071A (zh) | 一种背景信息推荐方法、装置、电子设备及介质 | |
CN110377803B (zh) | 信息处理方法以及装置 | |
CN116049411B (zh) | 一种信息匹配方法、装置、设备和可读存储介质 | |
CN116561270A (zh) | 问答方法以及问答模型训练方法 | |
CN111787042A (zh) | 用于推送信息的方法和装置 | |
US20210264495A1 (en) | Systems and methods for generating price comparisons | |
CN114201589A (zh) | 对话方法、装置、设备和存储介质 | |
CN111046151B (zh) | 一种消息处理方法及装置 | |
CN113011175A (zh) | 一种基于双重渠道特征匹配的语义识别方法及系统 | |
CN115905490B (zh) | 人机交互对话方法、装置以及设备 | |
CN116204619A (zh) | 查询模板构建方法、信息查询方法、虚拟对话方法及装置 | |
CN115422333A (zh) | 推荐信息确定方法 | |
CN115018516A (zh) | 语义切分模型的训练方法、意图理解方法及装置 | |
CN114817486A (zh) | 一种交互方法、装置及电子设备 | |
CN117454003A (zh) | 样本数据生成方法、模型训练方法、搜索结果确定方法 |
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 |