CN116956030B - 基于人工智能的家政业务处理方法及系统 - Google Patents

基于人工智能的家政业务处理方法及系统 Download PDF

Info

Publication number
CN116956030B
CN116956030B CN202310898521.2A CN202310898521A CN116956030B CN 116956030 B CN116956030 B CN 116956030B CN 202310898521 A CN202310898521 A CN 202310898521A CN 116956030 B CN116956030 B CN 116956030B
Authority
CN
China
Prior art keywords
household
dialogue
preference
content interaction
interest content
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
Application number
CN202310898521.2A
Other languages
English (en)
Other versions
CN116956030A (zh
Inventor
熊凤
吴嘉鑫
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.)
Guangzhou No 1 Housekeeping Technology Co ltd
Original Assignee
Guangzhou No 1 Housekeeping 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 Guangzhou No 1 Housekeeping Technology Co ltd filed Critical Guangzhou No 1 Housekeeping Technology Co ltd
Priority to CN202310898521.2A priority Critical patent/CN116956030B/zh
Publication of CN116956030A publication Critical patent/CN116956030A/zh
Application granted granted Critical
Publication of CN116956030B publication Critical patent/CN116956030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供一种基于人工智能的家政业务处理方法及系统，通过获取初始家政对话偏好预测网络对训练用户家政对话数据上各个交互内容的显著性系数分布，并基于显著性系数分布更新初始家政对话偏好预测网络的权重信息，使得初始家政对话偏好预测网络对训练用户家政对话数据中的目标对话活动聚焦更大的显著性系数，由此使得权重信息更新后的初始家政对话偏好预测网络可从输入的用户家政对话数据中目标对话活动所在的兴趣内容交互节点提取更丰富的学习特征，提高家政偏好标签预测的准确性。

Description

基于人工智能的家政业务处理方法及系统
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种基于人工智能的家政业务处理方法及系统。
背景技术
伴随着人们生活水平的持续提升，及其社会老龄化、城市化进程加速，家政服务现已成为了当前时代至关重要的产业链。家政业务平台要想更快占领市场就尽量要精确精准推送用户需求。例如，可以通过对用户在家政业务平台上的相关家政对话数据进行相关用户需求分析，例如用户偏好标签数据分析，以便于后续进行相关信息的推送。然而，现有家政偏好标签预测的准确性仍旧有待提高。
发明内容
有鉴于此，本申请的目的在于提供一种基于人工智能的家政业务处理方法及系统。
依据本申请的第一方面，提供一种基于人工智能的家政业务处理方法，应用于家政业务系统，所述方法包括：
获取家政业务平台的训练用户家政对话数据，所述训练用户家政对话数据包括在训练用户家政对话数据中目标对话活动的家政偏好标注数据，所述目标对话活动为待挖掘对话内容数据；
通过初始家政对话偏好预测网络，确定在所述训练用户家政对话数据中所述目标对话活动所在的参考兴趣内容交互节点，以及各所述参考兴趣内容交互节点中目标对话活动对应各家政偏好标签的分类概率值；所述初始家政对话偏好预测网络用于对所述训练用户家政对话数据中的目标对话活动进行对话意图分类；
基于各所述参考兴趣内容交互节点中目标对话活动对应各所述家政偏好标签的分类概率值与所述训练用户家政对话数据的家政对话内容数据间的矢量信息，确定所述初始家政对话偏好预测网络针对所述训练用户家政对话数据的显著性系数分布；
从所述显著性系数分布中获取各所述参考兴趣内容交互节点的显著性系数，基于各所述参考兴趣内容交互节点的所述显著性系数、各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及所述家政偏好标注数据，更新所述初始家政对话偏好预测网络的权重信息，迭代执行以上操作，直到满足训练终止要求，生成目标家政对话偏好预测网络。
在第一方面的一种可能的实施方式中，所述从所述显著性系数分布中获取各所述参考兴趣内容交互节点的显著性系数，具体包括：
将各所述参考兴趣内容交互节点中最大分类概率值的家政偏好字段描述，分别输出为各所述参考兴趣内容交互节点中目标对话活动的估计家政偏好标签；
基于各所述参考兴趣内容交互节点中目标对话活动的估计家政偏好标签，确定各所述参考兴趣内容交互节点的节点偏好分布图，；
从所述节点偏好分布图对应的显著性系数分布中获取各所述参考兴趣内容交互节点的显著性系数。
在第一方面的一种可能的实施方式中，所述从所述显著性系数分布中获取各所述参考兴趣内容交互节点的显著性系数，具体包括：
从所述显著性系数分布中，确定所述参考兴趣内容交互节点上各个交互内容对应的显著性系数；
将所述参考兴趣内容交互节点上交互内容的显著性系数间的均值，输出为所述参考兴趣内容交互节点的显著性系数。
在第一方面的一种可能的实施方式中，所述基于各所述参考兴趣内容交互节点的所述显著性系数、各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及所述家政偏好标注数据，更新所述初始家政对话偏好预测网络的权重信息，具体包括：
基于各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及所述家政偏好标注数据，确定各所述参考兴趣内容交互节点对应的家政偏好估计误差值；
基于各所述参考兴趣内容交互节点的所述显著性系数，确定各所述参考兴趣内容交互节点的误差重要性指标；
基于各所述参考兴趣内容交互节点的误差重要性指标以及家政偏好估计误差值，确定所述初始家政对话偏好预测网络的目标家政偏好估计误差值；
基于所述初始家政对话偏好预测网络的目标家政偏好估计误差值更新所述初始家政对话偏好预测网络的权重信息。
在第一方面的一种可能的实施方式中，所述训练用户家政对话数据还包括在训练用户家政对话数据中目标对话活动的兴趣定位标注数据；
基于各所述参考兴趣内容交互节点的所述显著性系数、各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及所述家政偏好标注数据，更新所述初始家政对话偏好预测网络的权重信息，具体包括：
基于各所述参考兴趣内容交互节点的所述显著性系数、各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值、所述家政偏好标注数据、所述参考兴趣内容交互节点的兴趣定位估计数据以及所述兴趣定位标注数据，更新所述初始家政对话偏好预测网络的权重信息。
在第一方面的一种可能的实施方式中，所述通过初始家政对话偏好预测网络，确定在所述训练用户家政对话数据中所述目标对话活动所在的参考兴趣内容交互节点，以及各所述参考兴趣内容交互节点中目标对话活动对应各家政偏好标签的分类概率值，具体包括：
依据所述初始家政对话偏好预测网络提取所述训练用户家政对话数据的对话语义语境融合特征；
基于所述对话语义语境融合特征，估计所述目标对话活动所在的参考兴趣内容交互节点；
基于所述参考兴趣内容交互节点，确定各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值。
在第一方面的一种可能的实施方式中，所述基于所述参考兴趣内容交互节点，确定各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值，具体包括：
从所述对话语义语境融合特征中，确定各所述参考兴趣内容交互节点对应的局部对话语义向量；
基于各所述参考兴趣内容交互节点的局部对话语义向量，确定各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值。
在第一方面的一种可能的实施方式中，所述方法还包括：
获取候选用户家政对话数据；
依据所述目标家政对话偏好预测网络获取所述候选用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点，以及各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值；
基于各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值，确定所述参考兴趣内容交互节点中目标对话活动的目标家政偏好标签；
输出所述候选用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点的节点兴趣定位估计数据以及目标家政偏好标签。
在第一方面的一种可能的实施方式中，所述方法还包括：
基于所述候选用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点的节点兴趣定位估计数据，确定家政需求源数据；
基于所述家政需求源数据挖掘出对应的家政需求菜单，并推送给对应的目标用户。
依据本申请的第二方面，提供一种家政业务系统，所述家政业务系统包括处理器以及可读存储介质，所述可读存储介质存储有程序，该程序被处理器执行时实现前述的基于人工智能的家政业务处理方法。
依据本申请的第三方面，提供提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，在监测到所述计算机可执行指令被执行时，实现前述的基于人工智能的家政业务处理方法。
依据上述任意一个方面，本申请中，通过获取初始家政对话偏好预测网络对训练用户家政对话数据上各个交互内容的显著性系数分布，并基于显著性系数分布更新初始家政对话偏好预测网络的权重信息，使得初始家政对话偏好预测网络对训练用户家政对话数据中的目标对话活动聚焦更大的显著性系数，由此使得权重信息更新后的初始家政对话偏好预测网络可从输入的用户家政对话数据中目标对话活动所在的兴趣内容交互节点提取更丰富的学习特征，提高家政偏好标签预测的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的基于人工智能的家政业务处理方法的流程示意图；
图2示出了本申请实施例所提供的用于实现上述的基于人工智能的家政业务处理方法的家政业务系统的组件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排它的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1示出了本申请实施例提供的基于人工智能的家政业务处理方法的流程示意图，应当理解，在其它实施例中，本实施例的基于人工智能的家政业务处理方法其中部分步骤的顺序可以依据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该基于人工智能的家政业务处理方法的详细步骤介绍如下。
步骤S102，确定训练用户家政对话数据，训练用户家政对话数据包括在训练用户家政对话数据中目标对话活动的家政偏好标注数据，目标对话活动为待挖掘对话内容数据。
其中，训练用户家政对话数据用于对初始家政对话偏好预测网络进行训练，训练用户家政对话数据中包括至少一个目标对话活动；目标对话活动是指在用户家政对话数据中需要进行对话意图挖掘的特定对话活动，家政偏好标注数据用于指示训练用户家政对话数据中所包括的目标对话活动的家政偏好标签信息。家政偏好标签可以用于表征相关用户对于家政业务的偏好字段，例如可以是家政保洁服务中的日常保洁偏好字段、深度保洁偏好字段、家政维修服务中的管道疏通偏好字段等等。
步骤S104，通过初始家政对话偏好预测网络，确定在训练用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点，以及各参考兴趣内容交互节点中目标对话活动对应各家政偏好标签的分类概率值，初始家政对话偏好预测网络用于对所述训练用户家政对话数据中的目标对话活动进行对话意图分类。
其中，参考兴趣内容交互节点是指在训练用户家政对话数据中可能包含目标对话活动的关注数据区，是训练用户家政对话数据中的部分用户家政对话数据兴趣内容交互节点；参考兴趣内容交互节点中目标对话活动对应各家政偏好标签的分类概率值，具体可以是指在该参考兴趣内容交互节点中目标对话活动属于不同家政偏好标签的概率。
其中，初始家政对话偏好预测网络用于分析加载的用户家政对话数据中所有候选的目标对话活动，确定加载的用户家政对话数据中每个目标对话活动所在的兴趣定位估计数据以及目标对话活动的家政偏好标签。
一种可替代的实施方式中，在获取到训练用户家政对话数据后，将训练用户家政对话数据加载到初始家政对话偏好预测网络中，通过编码器提取训练用户家政对话数据对应的对话语义向量；然后将对话语义向量加载到兴趣内容交互节点生成单元中，通过兴趣内容交互节点生成单元确定可能包含目标对话活动的兴趣内容交互节点，生成多个参考兴趣内容交互节点；最后依据全连接输出单元对参考兴趣内容交互节点所包含的对话活动进行预测，以获取参考兴趣内容交互节点中目标对话活动属于各个家政偏好标签的分类概率值。
步骤S106，基于各参考兴趣内容交互节点中目标对话活动对应各家政偏好标签的分类概率值与训练用户家政对话数据的家政对话内容数据间的矢量信息，确定初始家政对话偏好预测网络针对训练用户家政对话数据的显著性系数分布。
其中，显著性系数分布包括初始家政对话偏好预测网络在检测目标对话活动的过程中训练用户家政对话数据上各个交互内容的显著性系数信息，当某兴趣内容交互节点交互内容上的显著性系数越大，可以认为该交互内容与目标对话活动的相关度越大。一种可替代的实施方式中，在获取到各个参考兴趣内容交互节点中目标对话活动属于各个家政偏好标签的分类概率值后，可以通过反向传播算法，将分类概率值在初始家政对话偏好预测网络中进行反向传播，以获取各个参考兴趣内容交互节点对应的分类概率值与训练用户家政对话数据的家政对话内容数据间矢量信息，进而基于矢量信息获取初始家政对话偏好预测网络对训练用户家政对话数据上各个交互内容的显著性系数，生成与训练用户家政对话数据对应的显著性系数分布。当某兴趣内容交互节点中对话活动对应的分类概率值与训练用户家政对话数据的家政对话内容数据间矢量信息越大，即该兴趣内容交互节点交互内容上的显著性系数越大，则可以认为该兴趣内容交互节点与目标对话活动的相关度越大，当某兴趣内容交互节点中对话活动对应的分类概率值与训练用户家政对话数据的家政对话内容数据间矢量信息越小，即该兴趣内容交互节点交互内容上的显著性系数越小，则可以认为该兴趣内容交互节点与目标对话活动的相关度越小。
步骤S108，从显著性系数分布中获取各参考兴趣内容交互节点的显著性系数，基于各参考兴趣内容交互节点的显著性系数、各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及家政偏好标注数据，更新初始家政对话偏好预测网络的权重信息，迭代执行以上操作，直到满足训练终止要求，生成目标家政对话偏好预测网络。
其中，显著性系数是指初始家政对话偏好预测网络在检测目标对话活动的过程中训练用户家政对话数据上某对话活动或某交互内容的显著性系数信息，当某对话活动或某个交互内容上的显著性系数越大，可以认为该对话活动或交互内容与目标对话活动的相关度越大。从显著性系数分布中获取各个参考兴趣内容交互节点的显著性系数，例如可从在显著性系数分布中获取参考兴趣内容交互节点中各个交互内容的显著性系数，然后将该参考兴趣内容交互节点中所有交互内容的显著性系数的均值输出为参考兴趣内容交互节点对应的显著性系数；也可是从在显著性系数分布中获取参考兴趣内容交互节点中各个交互内容的显著性系数，然后将该参考兴趣内容交互节点中所有交互内容的显著性系数的和值输出为参考兴趣内容交互节点对应的显著性系数。
例如，当参考兴趣内容交互节点的显著性系数越大，可以认为该参考兴趣内容交互节点或交互内容与目标对话活动的相关度越大(该对话活动为目标对话活动所在对话活动的概率越大)；而在初始家政对话偏好预测网络在检测参考兴趣内容交互节点的过程，当某一对话活动为目标对话活动所在对话活动时，初始家政对话偏好预测网络对该对话活动的注意力系数越大，则初始家政对话偏好预测网络获取目标对话活动所在的参考兴趣内容交互节点以及家政偏好标签越准确；因此，在获取到显著性系数分布后，从显著性系数分布中获取各个参考兴趣内容交互节点的显著性系数，然后基于各个参考兴趣内容交互节点的显著性系数，分别更新对应参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值与家政偏好标注数据间的区别所对应的Loss值，实现增加属于目标对话活动所在兴趣内容交互节点的参考兴趣内容交互节点的Loss值的权值，减小不属于目标对话活动所在兴趣内容交互节点的参考兴趣内容交互节点的Loss值的权值；进而，依据更新后的Loss值监督初始家政对话偏好预测网络对训练用户家政对话数据的训练流程，更新初始家政对话偏好预测网络的权重信息，使得初始家政对话偏好预测网络可以将更多的关注度聚焦于训练用户家政对话数据中的目标对话活动所在的兴趣内容交互节点上，可以充分学习训练用户家政对话数据中的目标对话活动所在兴趣内容交互节点的用户家政对话特征，以提高初始家政对话偏好预测网络的分类准确度。
基于以上步骤，确定训练用户家政对话数据，训练用户家政对话数据包括在训练用户家政对话数据中目标对话活动的家政偏好标注数据；通过初始家政对话偏好预测网络，确定在训练用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点，以及各参考兴趣内容交互节点中目标对话活动对应各家政偏好标签的分类概率值；初始家政对话偏好预测网络用于对所述训练用户家政对话数据中的目标对话活动进行对话意图分类；基于各参考兴趣内容交互节点中目标对话活动对应各家政偏好标签的分类概率值以及训练用户家政对话数据的家政对话内容数据间的矢量信息，确定初始家政对话偏好预测网络针对训练用户家政对话数据的显著性系数分布；从显著性系数分布中获取各参考兴趣内容交互节点的显著性系数，基于各参考兴趣内容交互节点的显著性系数、各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及家政偏好标注数据，更新初始家政对话偏好预测网络的权重信息，继续训练直至得到目标家政对话偏好预测网络。通过获取初始家政对话偏好预测网络对训练用户家政对话数据上各个交互内容的显著性系数分布，并基于显著性系数分布更新初始家政对话偏好预测网络的权重信息，使得初始家政对话偏好预测网络对训练用户家政对话数据中的目标对话活动聚焦更大的显著性系数，从而提高家政偏好标签预测的准确性。
一种可替代的实施方式中，基于各参考兴趣内容交互节点的显著性系数、各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及家政偏好标注数据，更新初始家政对话偏好预测网络的权重信息，具体包括：
步骤S202，基于各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及家政偏好标注数据，确定各参考兴趣内容交互节点对应的家政偏好估计误差值；
步骤S204，基于各参考兴趣内容交互节点的显著性系数，确定各参考兴趣内容交互节点的误差重要性指标；
步骤S206，基于各参考兴趣内容交互节点的误差重要性指标以及家政偏好估计误差值，确定初始家政对话偏好预测网络的目标家政偏好估计误差值；
步骤S208，基于初始家政对话偏好预测网络的目标家政偏好估计误差值更新初始家政对话偏好预测网络的权重信息。
其中，家政偏好估计误差值是指，初始家政对话偏好预测网络输出的参考兴趣内容交互节点中的目标对话活动对应各个家政偏好标签的分类概率值，与训练用户家政对话数据中的目标对话活动的实际的家政偏好标签之间的区别所表征的Loss值；例如，可通过交叉熵损失函数获取家政偏好估计误差值。误差重要性指标用于控制不同参考兴趣内容交互节点的家政偏好估计误差值的大小。当参考兴趣内容交互节点的显著性系数越大，该参考兴趣内容交互节点或交互内容与目标对话活动的相关度越大，则该参考兴趣内容交互节点的家政偏好估计误差值的误差重要性指标越大，使得初始家政对话偏好预测网络可有效学习训练用户家政对话数据中的参考兴趣内容交互节点的用户家政对话特征，当参考兴趣内容交互节点的显著性系数越小，该参考兴趣内容交互节点或交互内容与目标对话活动的相关度越小，则该参考兴趣内容交互节点的家政偏好估计误差值的误差重要性指标越小，使得初始家政对话偏好预测网络可以减少对训练用户家政对话数据中的参考兴趣内容交互节点的用户家政对话特征的学习。
一种可替代的实施方式中，在获取到各参考兴趣内容交互节点的显著性系数以及各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值后，依据交叉熵损失函数，基于各个参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值与对应家政偏好标注数据，计算各参考兴趣内容交互节点对应的家政偏好估计误差值，然后基于各个参考兴趣内容交互节点的显著性系数获取对应的误差重要性指标，进而依据误差重要性指标更新对应参考兴趣内容交互节点的家政偏好估计误差值，生成初始家政对话偏好预测网络的目标家政偏好估计误差值，最后依据初始家政对话偏好预测网络的目标家政偏好估计误差值对初始家政对话偏好预测网络的权重信息进行更新，直到满足训练终止要求，生成完成训练的目标家政对话偏好预测网络。
一种可替代的实施方式中，从显著性系数分布中获取各参考兴趣内容交互节点的显著性系数，具体包括：
步骤S302，将各参考兴趣内容交互节点中最大分类概率值的家政偏好字段描述，分别输出为各参考兴趣内容交互节点中目标对话活动的估计家政偏好标签。
其中，在得到每个参考兴趣内容交互节点针对每种家政偏好标签的初始估计概率值之后，可以确定每个估计兴趣内容交互节点中所包含的对话活动所对应的家政偏好标签。一种可替代的实施方式中，可以将参考兴趣内容交互节点对应各个家政偏好标签中，最大估计概率值对应的家政偏好标签输出为该参考兴趣内容交互节点的估计家政偏好标签。
步骤S304，基于各参考兴趣内容交互节点中目标对话活动的估计家政偏好标签，确定各参考兴趣内容交互节点的节点偏好分布图。
其中，输出参考兴趣内容交互节点的估计家政偏好标签后，基于该估计家政偏好标签，确定参考兴趣内容交互节点的节点偏好分布图。
步骤S306，从节点偏好分布图对应的显著性系数分布中获取各参考兴趣内容交互节点的显著性系数。
其中，输出各个参考兴趣内容交互节点的节点偏好分布图后，基于各个参考兴趣内容交互节点的节点偏好分布图，从其节点偏好分布图对应的显著性系数分布中，确定各个参考兴趣内容交互节点的显著性系数。从背景显著性系数分布中获取该参考兴趣内容交互节点的显著性系数。
一种可替代的实施方式中，从显著性系数分布中获取各参考兴趣内容交互节点的显著性系数，具体包括：从显著性系数分布中，确定参考兴趣内容交互节点上各个交互内容对应的显著性系数；将参考兴趣内容交互节点上交互内容的显著性系数间的均值，输出为参考兴趣内容交互节点的显著性系数。其中，显著性系数分布中包括各个交互内容对应的显著性系数，通过获取参考兴趣内容交互节点上各个交互内容的显著性系数，进而计算该参考兴趣内容交互节点上所有交互内容上显著性系数的加权显著性系数，将该加权显著性系数输出为参考兴趣内容交互节点的显著性系数。
在初始家政对话偏好预测网络的知识学习流程中，除了采用家政偏好估计误差值对初始家政对话偏好预测网络的权重信息进行更新之外，还可以通过初始家政对话偏好预测网络输出的目标对话活动在训练用户家政对话数据中所在参考兴趣内容交互节点与目标对话活动在训练用户家政对话数据中实际所在的兴趣内容交互节点之间的兴趣内容交互节点区别所表征的Loss值，对初始家政对话偏好预测网络的权重信息进行更新。因此，一种可替代的实施方式中，训练用户家政对话数据还包括在训练用户家政对话数据中目标对话活动的兴趣定位标注数据；基于各参考兴趣内容交互节点的显著性系数、各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及家政偏好标注数据，更新初始家政对话偏好预测网络的权重信息，具体包括：基于各参考兴趣内容交互节点的显著性系数、各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值、家政偏好标注数据、参考兴趣内容交互节点的兴趣定位估计数据以及兴趣定位标注数据，更新初始家政对话偏好预测网络的权重信息。
一种可替代的实施方式中，基于各参考兴趣内容交互节点的显著性系数、各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及家政偏好标注数据获取初始家政对话偏好预测网络的目标家政偏好估计误差值，同时，基于兴趣定位标注数据获取目标对话活动实际所在兴趣内容交互节点，进而基于初始家政对话偏好预测网络输出的目标对话活动在训练用户家政对话数据中所在参考兴趣内容交互节点与目标对话活动实际所在兴趣内容交互节点间的兴趣内容交互节点的定位区别，确定初始家政对话偏好预测网络的第一节点定位Loss值；然后，基于目标家政偏好估计误差值以及第一节点定位Loss值，对初始家政对话偏好预测网络的权重信息进行更新。
一种可替代的实施方式中，通过初始家政对话偏好预测网络，确定在训练用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点，以及各参考兴趣内容交互节点中目标对话活动对应各家政偏好标签的分类概率值，具体包括：
步骤S402，通过初始家政对话偏好预测网络提取训练用户家政对话数据的对话语义语境融合特征；
步骤S404，基于对话语义语境融合特征，估计目标对话活动所在的参考兴趣内容交互节点；
步骤S406，基于参考兴趣内容交互节点，确定各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值。
初始家政对话偏好预测网络可以包括但不限于编码器、兴趣内容交互节点生成单元以及全连接输出单元；依据初始家政对话偏好预测网络，确定在训练用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点，以及各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值，例如可将训练用户家政对话数据加载到初始家政对话偏好预测网络中，通过初始家政对话偏好预测网络的编码器提取训练用户家政对话数据的对话语义语境融合特征；然后，将对话语义语境融合特征加载到兴趣内容交互节点生成单元中，通过兴趣内容交互节点生成单元估计可能包含目标对话活动的参考兴趣内容交互节点；最后，通过全连接输出单元估计各个参考兴趣内容交互节点中所包含的目标对话活动属于各个家政偏好标签的分类概率值。
一种可替代的实施方式中，步骤S406基于参考兴趣内容交互节点，确定各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值，包括：从对话语义语境融合特征中，确定各参考兴趣内容交互节点对应的局部对话语义向量；基于各参考兴趣内容交互节点的局部对话语义向量，确定各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值。
其中，一个参考兴趣内容交互节点对应于一个局部用户家政对话特征，参考兴趣内容交互节点为训练用户家政对话数据中的部分用户家政对话数据兴趣内容交互节点，因此，局部对话语义向量是参考兴趣内容交互节点在训练用户家政对话数据中对应用户家政对话数据兴趣内容交互节点中的用户家政对话特征信息。一种可替代的实施方式中，在估计到目标对话活动所在的参考兴趣内容交互节点后，可以基于参考兴趣内容交互节点的兴趣内容交互节点定位，从对话语义语境融合特征中对应的兴趣内容交互节点定位获取参考兴趣内容交互节点对应的局部对话语义向量，并将参考兴趣内容交互节点对应的局部对话语义向量加载到全连接输出单元中，全连接输出单元基于所获取到的每个局部对话语义向量识别参考兴趣内容交互节点中的目标对话活动属于各个家政偏好字段描述的初始估计概率值。
下面提供进一步的训练步骤实施例，包括：
1.获取训练用户家政对话数据，所述训练用户家政对话数据包括在训练用户家政对话数据中目标对话活动的家政偏好标注数据。
2.通过初始家政对话偏好预测网络，确定在所述训练用户家政对话数据中所述目标对话活动所在的参考兴趣内容交互节点，以及各所述参考兴趣内容交互节点中目标对话活动对应各家政偏好标签的分类概率值；所述初始家政对话偏好预测网络用于对所述训练用户家政对话数据中的目标对话活动进行对话意图分类。
2-1.依据所述初始家政对话偏好预测网络提取所述训练用户家政对话数据的对话语义语境融合特征。
2-2.基于所述对话语义语境融合特征，估计所述目标对话活动所在的参考兴趣内容交互节点。
2-3.基于所述参考兴趣内容交互节点，确定各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值。
2-3-1.从所述对话语义语境融合特征中，确定各所述参考兴趣内容交互节点对应的局部对话语义向量。
2-3-2.基于各所述参考兴趣内容交互节点的局部对话语义向量，确定各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值。
3.基于各所述参考兴趣内容交互节点中目标对话活动对应各所述家政偏好标签的分类概率值与所述训练用户家政对话数据的家政对话内容数据间的矢量信息，确定所述初始家政对话偏好预测网络针对所述训练用户家政对话数据的显著性系数分布。
4、从所述显著性系数分布中获取各所述参考兴趣内容交互节点的显著性系数，基于各所述参考兴趣内容交互节点的所述显著性系数、各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及所述家政偏好标注数据，更新所述初始家政对话偏好预测网络的权重信息，迭代执行以上操作，直到满足训练终止要求，生成目标家政对话偏好预测网络。
4-1.将各所述参考兴趣内容交互节点中最大分类概率值的家政偏好字段描述，分别输出为各所述参考兴趣内容交互节点中目标对话活动的估计家政偏好标签。
4-2.基于各所述参考兴趣内容交互节点中目标对话活动的估计家政偏好标签，确定各所述参考兴趣内容交互节点的节点偏好分布图。
4-3.从所述节点偏好分布图对应的显著性系数分布中获取各所述参考兴趣内容交互节点的显著性系数。
4-3-1.从所述显著性系数分布中，确定所述参考兴趣内容交互节点上各个交互内容对应的显著性系数；
4-3-2.将所述参考兴趣内容交互节点上交互内容的显著性系数间的均值，输出为所述参考兴趣内容交互节点的显著性系数。
4-4.基于各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及所述家政偏好标注数据，确定各所述参考兴趣内容交互节点对应的家政偏好估计误差值。
4-5.基于各所述参考兴趣内容交互节点的所述显著性系数，确定各所述参考兴趣内容交互节点的误差重要性指标。
4-6.基于各所述参考兴趣内容交互节点的误差重要性指标以及家政偏好估计误差值，确定所述初始家政对话偏好预测网络的目标家政偏好估计误差值；
4-7.基于所述初始家政对话偏好预测网络的目标家政偏好估计误差值更新所述初始家政对话偏好预测网络的权重信息。
一种可替代的实施方式中，包括：
步骤S502，确定候选用户家政对话数据。
步骤S504，通过预先构建的目标家政对话偏好预测网络获取候选用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点，以及各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值；其中，目标家政对话偏好预测网络为基于训练用户家政对话数据中的参考兴趣内容交互节点的显著性系数、参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及训练用户家政对话数据中目标对话活动的家政偏好标注数据，对初始家政对话偏好预测网络的权重信息进行更新后所得到目标家政对话偏好预测网络；训练用户家政对话数据的参考兴趣内容交互节点以及参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值是依据初始家政对话偏好预测网络获取的。
步骤S506，基于各参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值，确定参考兴趣内容交互节点中目标对话活动的目标家政偏好标签。
步骤S508，输出候选用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点的节点兴趣定位估计数据以及目标家政偏好标签。
在获取到候选用户家政对话数据后，将候选用户家政对话数据加载到目标家政对话偏好预测网络，通过目标家政对话偏好预测网络获取目标对话活动所在的参考兴趣内容交互节点，以及各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值。在获取到参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值后，将具有最大值的分类概率值的家政偏好标签输出为参考兴趣内容交互节点中目标对话活动的目标家政偏好标签，最后，输出参考兴趣内容交互节点的节点兴趣定位估计数据以及参考兴趣内容交互节点中目标对话活动的目标家政偏好标签。
在此基础上，可以基于所述候选用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点的节点兴趣定位估计数据，确定家政需求源数据，基于所述家政需求源数据挖掘出对应的家政需求菜单，并推送给对应的目标用户。
进一步地，图2示出了一种用于实现本申请实施例所提供的方法的设备的硬件结构示意图。如图2所示，家政业务系统100可以包括至少一个处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106以及控制器108。本领域普通技术人员可以理解，图2所示的结构仅为示意，其并不对上述家政业务系统100的结构造成限定。例如，家政业务系统100还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中上述的方法实施例对应的程序指令，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种基于人工智能的家政业务处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其它非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至家政业务系统100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括家政业务系统100的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器，其可通过基站与其它网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频模块，其用于通过无线方式与互联网进行通讯。
需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本申请实施例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依据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。
本申请实施例中的各个实施例均基于递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于以上不同实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，上述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

Claims (8)

1.一种基于人工智能的家政业务处理方法，其特征在于，所述方法包括：
获取家政业务平台的训练用户家政对话数据，所述训练用户家政对话数据包括在训练用户家政对话数据中目标对话活动的家政偏好标注数据，所述目标对话活动为待挖掘对话内容数据；
通过初始家政对话偏好预测网络，确定在所述训练用户家政对话数据中所述目标对话活动所在的参考兴趣内容交互节点，以及各所述参考兴趣内容交互节点中目标对话活动对应各家政偏好标签的分类概率值；所述初始家政对话偏好预测网络用于对所述训练用户家政对话数据中的目标对话活动进行对话意图分类；
基于各所述参考兴趣内容交互节点中目标对话活动对应各所述家政偏好标签的分类概率值与所述训练用户家政对话数据的家政对话内容数据间的矢量信息，确定所述初始家政对话偏好预测网络针对所述训练用户家政对话数据的显著性系数分布；
从所述显著性系数分布中获取各所述参考兴趣内容交互节点的显著性系数，基于各所述参考兴趣内容交互节点的所述显著性系数、各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及所述家政偏好标注数据，更新所述初始家政对话偏好预测网络的权重信息，迭代执行以上操作，直到满足训练终止要求，生成目标家政对话偏好预测网络；
所述从所述显著性系数分布中获取各所述参考兴趣内容交互节点的显著性系数，具体包括：
将各所述参考兴趣内容交互节点中最大分类概率值的家政偏好字段描述，分别输出为各所述参考兴趣内容交互节点中目标对话活动的估计家政偏好标签；
基于各所述参考兴趣内容交互节点中目标对话活动的估计家政偏好标签，确定各所述参考兴趣内容交互节点的节点偏好分布图；
从所述节点偏好分布图对应的显著性系数分布中获取各所述参考兴趣内容交互节点的显著性系数；
所述基于各所述参考兴趣内容交互节点的所述显著性系数、各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及所述家政偏好标注数据，更新所述初始家政对话偏好预测网络的权重信息，具体包括：
基于各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及所述家政偏好标注数据，确定各所述参考兴趣内容交互节点对应的家政偏好估计误差值；
基于各所述参考兴趣内容交互节点的所述显著性系数，确定各所述参考兴趣内容交互节点的误差重要性指标；
基于各所述参考兴趣内容交互节点的误差重要性指标以及家政偏好估计误差值，确定所述初始家政对话偏好预测网络的目标家政偏好估计误差值；
基于所述初始家政对话偏好预测网络的目标家政偏好估计误差值更新所述初始家政对话偏好预测网络的权重信息。
2.根据权利要求1所述的基于人工智能的家政业务处理方法，其特征在于，所述从所述显著性系数分布中获取各所述参考兴趣内容交互节点的显著性系数，具体包括：
从所述显著性系数分布中，确定所述参考兴趣内容交互节点上各个交互内容对应的显著性系数；
将所述参考兴趣内容交互节点上交互内容的显著性系数间的均值，输出为所述参考兴趣内容交互节点的显著性系数。
3.根据权利要求1所述的基于人工智能的家政业务处理方法，其特征在于，所述训练用户家政对话数据还包括在训练用户家政对话数据中目标对话活动的兴趣定位标注数据；
基于各所述参考兴趣内容交互节点的所述显著性系数、各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值以及所述家政偏好标注数据，更新所述初始家政对话偏好预测网络的权重信息，具体包括：
基于各所述参考兴趣内容交互节点的所述显著性系数、各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值、所述家政偏好标注数据、所述参考兴趣内容交互节点的兴趣定位估计数据以及所述兴趣定位标注数据，更新所述初始家政对话偏好预测网络的权重信息。
4.根据权利要求1所述的基于人工智能的家政业务处理方法，其特征在于，所述通过初始家政对话偏好预测网络，确定在所述训练用户家政对话数据中所述目标对话活动所在的参考兴趣内容交互节点，以及各所述参考兴趣内容交互节点中目标对话活动对应各家政偏好标签的分类概率值，具体包括：
依据所述初始家政对话偏好预测网络提取所述训练用户家政对话数据的对话语义语境融合特征；
基于所述对话语义语境融合特征，估计所述目标对话活动所在的参考兴趣内容交互节点；
基于所述参考兴趣内容交互节点，确定各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值。
5.根据权利要求4所述的基于人工智能的家政业务处理方法，其特征在于，所述基于所述参考兴趣内容交互节点，确定各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值，具体包括：
从所述对话语义语境融合特征中，确定各所述参考兴趣内容交互节点对应的局部对话语义向量；
基于各所述参考兴趣内容交互节点的局部对话语义向量，确定各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值。
6.根据权利要求4所述的基于人工智能的家政业务处理方法，其特征在于，所述方法还包括：
获取候选用户家政对话数据；
依据所述目标家政对话偏好预测网络获取所述候选用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点，以及各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值；
基于各所述参考兴趣内容交互节点中目标对话活动对应各个家政偏好标签的分类概率值，确定所述参考兴趣内容交互节点中目标对话活动的目标家政偏好标签；
输出所述候选用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点的节点兴趣定位估计数据以及目标家政偏好标签。
7.根据权利要求6所述的基于人工智能的家政业务处理方法，其特征在于，所述方法还包括：
基于所述候选用户家政对话数据中目标对话活动所在的参考兴趣内容交互节点的节点兴趣定位估计数据，确定家政需求源数据；
基于所述家政需求源数据挖掘出对应的家政需求菜单，并推送给对应的目标用户。
8.一种家政业务系统，其特征在于，所述家政业务系统包括处理器以及可读存储介质，所述可读存储介质存储有程序，该程序被处理器执行时实现权利要求1-7任意一项所述的基于人工智能的家政业务处理方法。
CN202310898521.2A 2023-07-21 2023-07-21 基于人工智能的家政业务处理方法及系统 Active CN116956030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310898521.2A CN116956030B (zh) 2023-07-21 2023-07-21 基于人工智能的家政业务处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310898521.2A CN116956030B (zh) 2023-07-21 2023-07-21 基于人工智能的家政业务处理方法及系统

Publications (2)

Publication Number Publication Date
CN116956030A CN116956030A (zh) 2023-10-27
CN116956030B true CN116956030B (zh) 2024-02-02

Family

ID=88452402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310898521.2A Active CN116956030B (zh) 2023-07-21 2023-07-21 基于人工智能的家政业务处理方法及系统

Country Status (1)

Country Link
CN (1) CN116956030B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013190861A (ja) * 2012-03-12 2013-09-26 Kajitaku Co Ltd 家事代行サービス予約方法
CN113283517A (zh) * 2021-05-31 2021-08-20 长沙市到家悠享家政服务有限公司 一种家政服务匹配方法、系统和计算机设备
CN113449012A (zh) * 2021-06-20 2021-09-28 卢洪亮 基于大数据预测的互联网服务挖掘方法及大数据预测系统
CN113592197A (zh) * 2021-08-23 2021-11-02 苏州蓝赫朋勃智能科技有限公司 一种家政服务推荐系统及方法
CN114625967A (zh) * 2022-03-17 2022-06-14 刘水 基于大数据业务优化的用户信息挖掘方法及人工智能系统
CN116029760A (zh) * 2022-12-22 2023-04-28 上海浦东发展银行股份有限公司 消息推送方法、装置、计算机设备和存储介质
CN116050410A (zh) * 2023-02-21 2023-05-02 郜佳敏 基于数字在线会话服务的大数据分析方法及深度学习系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9652109B2 (en) * 2013-01-11 2017-05-16 Microsoft Technology Licensing, Llc Predictive contextual toolbar for productivity applications
US11507756B2 (en) * 2017-12-05 2022-11-22 discourse.ai, Inc. System and method for estimation of interlocutor intents and goals in turn-based electronic conversational flow
US11373210B2 (en) * 2020-03-26 2022-06-28 Adobe Inc. Content interest from interaction information

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013190861A (ja) * 2012-03-12 2013-09-26 Kajitaku Co Ltd 家事代行サービス予約方法
CN113283517A (zh) * 2021-05-31 2021-08-20 长沙市到家悠享家政服务有限公司 一种家政服务匹配方法、系统和计算机设备
CN113449012A (zh) * 2021-06-20 2021-09-28 卢洪亮 基于大数据预测的互联网服务挖掘方法及大数据预测系统
CN113592197A (zh) * 2021-08-23 2021-11-02 苏州蓝赫朋勃智能科技有限公司 一种家政服务推荐系统及方法
CN114625967A (zh) * 2022-03-17 2022-06-14 刘水 基于大数据业务优化的用户信息挖掘方法及人工智能系统
CN116029760A (zh) * 2022-12-22 2023-04-28 上海浦东发展银行股份有限公司 消息推送方法、装置、计算机设备和存储介质
CN116050410A (zh) * 2023-02-21 2023-05-02 郜佳敏 基于数字在线会话服务的大数据分析方法及深度学习系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Improving Desigh Preference Prediction Accuracy Using Feature Learning;Alex Burnap 等;ASME;1-9 *
基于社交关系和影响力的在线社交网络用户兴趣偏好获取方法研究;何军;刘业政;;情报学报(07);60-69 *
基于语音交互的家政预约APP设计与实现;徐忠莲;;智能计算机与应用(06);139-142+146 *

Also Published As

Publication number Publication date
CN116956030A (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN108764487B (zh) 用于生成模型的方法和装置、用于识别信息的方法和装置
CN110334689B (zh) 视频分类方法和装置
CN108520470B (zh) 用于生成用户属性信息的方法和装置
CN109145828B (zh) 用于生成视频类别检测模型的方法和装置
CN108108743B (zh) 异常用户识别方法和用于识别异常用户的装置
CN109308490B (zh) 用于生成信息的方法和装置
CN111368973B (zh) 用于训练超网络的方法和装置
CN111382555A (zh) 数据处理方法、介质、装置和计算设备
CN113628005A (zh) 基于电商会话大数据的推送更新方法及大数据ai系统
CN111915086A (zh) 异常用户预测方法和设备
CN112200173B (zh) 多网络模型训练方法、图像标注方法和人脸图像识别方法
CN111353103A (zh) 用于确定用户社群信息的方法和装置
CN112069294A (zh) 一种数学题处理方法、装置、设备及存储介质
CN116956030B (zh) 基于人工智能的家政业务处理方法及系统
CN116578925B (zh) 基于特征画像的行为预测方法、装置及存储介质
CN113256339A (zh) 资源投放的方法、装置、存储介质及电子设备
CN114896502B (zh) 应用ai和大数据分析的用户需求决策方法及互联网系统
CN115878900A (zh) 基于人工智能的用户在线意图分析方法及大数据电商平台
CN116401372A (zh) 知识图谱表示学习方法、装置、电子设备及可读存储介质
US20150212974A1 (en) Fast and automated arima model initialization
CN114638308A (zh) 一种获取对象关系的方法、装置、电子设备和存储介质
CN114511064A (zh) 神经网络模型的解释方法、装置、电子设备和存储介质
CN117743796B (zh) 基于投资标注数据的指令集自动化质量校验方法、系统
CN115330319B (zh) 基于大数据的物流信息处理方法及人工智能服务器
CN118278902A (zh) 基于大数据的人力资源数据管理方法及系统

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