CN117033796A - 基于用户表达偏好的智能回复方法、装置、设备及介质 - Google Patents
基于用户表达偏好的智能回复方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117033796A CN117033796A CN202311050432.9A CN202311050432A CN117033796A CN 117033796 A CN117033796 A CN 117033796A CN 202311050432 A CN202311050432 A CN 202311050432A CN 117033796 A CN117033796 A CN 117033796A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- preference
- expression
- expression preference
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005538 encapsulation Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 11
- 239000012634 fragment Substances 0.000 claims description 10
- 238000004806 packaging method and process Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 description 15
- 238000003058 natural language processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 206010026749 Mania Diseases 0.000 description 1
- 241000282376 Panthera tigris Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例提供了一种基于用户表达偏好的智能回复方法、装置、设备及介质,属于人工智能及金融技术领域。该方法包括:获取目标对象的输入数据;从输入数据或预设数据库提取目标对象的表达偏好,得到目标表达偏好数据;从输入数据提取问题信息,得到初步问题数据;基于预设问题模板将目标表达偏好数据和初步问题数据进行问题封装,得到目标问题数据;通过预先训练的问答模型对目标问题数据进行答案生成,得到目标答案;根据目标答案向目标对象进行回复。本申请实施例能够结合目标对象的预测表达偏好数据确定目标对象更倾向的回复表达方式,并以该回复表达方式生成回复内容,提高了智能客服在咨询回复中的个性化程度。
Description
技术领域
本申请涉及人工智能及金融技术领域,尤其涉及一种基于用户表达偏好的智能回复方法、装置、设备及介质。
背景技术
在金融、保险、电商等领域,设置了智能客服机器人以满足客户的业务咨询需求,并且能够提供24小时的在线服务,提高了服务效率和用户的体验。
目前,智能客服机器人主要是以人工智能和自然语言处理技术为基础,虽然在内容准确性及语音语调上的自然度可以得到保证,但是无法针对不同的用户生成不同风格的回复方式,缺乏个性。因此,如何提高智能客服在咨询回复中的个性化程度,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种基于用户表达偏好的智能回复方法、装置、设备及介质,旨在提高智能客服在咨询回复中的个性化程度。
为实现上述目的,本申请实施例的偏好方面提出了一种基于用户表达偏好的智能回复方法,所述方法包括:
获取目标对象的输入数据;
从所述输入数据或预设数据库提取所述目标对象的表达偏好,得到目标表达偏好数据;
从所述输入数据提取问题信息,得到初步问题数据;
基于预设问题模板将所述目标表达偏好数据和所述初步问题数据进行问题封装,得到目标问题数据;
通过预先训练的问答模型对所述目标问题数据进行答案生成,得到目标答案;
根据所述目标答案向所述目标对象进行回复。
在一些实施例,所述从所述输入数据或预设数据库提取所述目标对象的表达偏好,得到目标表达偏好数据,包括:
对所述输入数据进行表达偏好检测,得到表达偏好检测数据;
若所述表达偏好检测数据表征所述输入数据中存在所述目标对象的表达偏好,则从所述输入数据提取所述目标对象的表达偏好,得到所述目标表达偏好数据;
若所述表达偏好检测数据表征所述输入数据中不存在所述目标对象的表达偏好,则从所述预设数据库提取所述目标对象的表达偏好,得到所述目标表达偏好数据。
在一些实施例,所述从所述输入数据提取所述目标对象的表达偏好,得到所述目标表达偏好数据,包括:
对所述输入数据进行选择偏好数据定位,得到选择偏好数据位置信息;
基于所述选择偏好数据位置信息对所述输入数据进行偏好关键字提取,得到所述目标表达偏好数据。
在一些实施例,所述对所述输入数据进行表达偏好检测,得到表达偏好检测数据,包括:
对所述输入数据进行文本切分处理,得到文本片段数据;
对所述文本片段数据进行偏好分析处理,得到偏好分析数据;
根据所述偏好分析数据和预设的偏好置信阈值确定所述表达偏好检测数据。
在一些实施例,所述从所述预设数据库提取所述目标对象的表达偏好,得到所述目标表达偏好数据,包括:
从所述预设数据库中提取所述目标对象的对象属性信息;
对所述对象属性信息进行表达偏好预测,得到所述目标表达偏好数据。
在一些实施例,所述对所述对象属性信息进行表达偏好预测,得到所述目标表达偏好数据,包括:
对所述对象属性信息进行字段提取,得到目标字段数据;
对所述目标字段数据进行数据预处理,得到目标对象数据;
对所述目标对象数据进行特征提取处理,得到目标对象特征;
对所述目标对象特征进行用户偏好预测,得到所述目标表达偏好数据。
在一些实施例,所述基于预设问题模板将所述目标表达偏好数据和所述初步问题数据进行问题封装,得到目标问题数据,包括:
对所述初步问题数据进行语法检测,得到检测结果;其中,所述检测结果包括错误状态,所述错误状态用于表征所述初步问题数据存在语法错误;
基于所述错误状态对所述初步问题数据进行纠错处理,得到修正问题数据;
基于所述预设问题模板对所述目标表达偏好数据和所述修正问题数据进行整合处理,得到所述目标问题数据。
为实现上述目的,本申请实施例的第二方面提出了一种基于用户表达偏好的智能回复装置,所述装置包括:
输入数据获取模块,用于获取目标对象的输入数据;
表达偏好获取模块,用于从所述输入数据或预设数据库提取所述目标对象的表达偏好,得到目标表达偏好数据;
问题信息提取模块,用于从所述输入数据提取问题信息,得到初步问题数据;
问题封装模块,用于基于预设问题模板将所述目标表达偏好数据和所述初步问题数据进行问题封装,得到目标问题数据;
答案生成模块,用于通过预先训练的问答模型对所述目标问题数据进行答案生成,得到目标答案;
回复模块,用于根据所述目标答案向所述目标对象进行回复。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请提出的基于用户表达偏好的智能回复方法、装置、设备及介质,其通过获取目标对象的输入数据;从输入数据或预设数据库提取目标对象的表达偏好,得到目标表达偏好数据;从输入数据提取问题信息,得到初步问题数据;基于预设问题模板将目标表达偏好数据和初步问题数据进行问题封装,得到目标问题数据;通过预先训练的问答模型对目标问题数据进行答案生成,得到目标答案;根据目标答案向目标对象进行回复。能够结合目标对象的预测表达偏好数据确定目标对象更倾向的回复表达方式,并以该回复表达方式生成回复内容,提高了智能客服在咨询回复中的个性化程度。
附图说明
图1是本申请实施例提供的基于用户表达偏好的智能回复方法的流程图;
图2是图1中的步骤S102的流程图;
图3是图2中的步骤S201的流程图;
图4是图2中的步骤S202的流程图;
图5是图2中的步骤S203的流程图;
图6是图5中的步骤S502的流程图;
图7是图1中的步骤S104的流程图;
图8是本申请实施例提供的基于用户表达偏好的智能回复装置的结构示意图;
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction):从自然语言文本中抽取指定类型的实体、关系、事件等事实信息,并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的,例如句子、段落、篇章,文本信息正是由一些小的具体的单位构成的,例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取,当然,文本信息抽取技术所抽取的信息可以是各种类型的信息。
表达偏好:是指个体或群体对某种表达方式、情感、观点、价值观或选择的偏向或喜好。它反映了个体或群体对特定事物的偏好程度或优先级,可以是对某种事物的喜欢、支持、认同或偏向,也可以是对某种事物的厌恶、反对或排斥。
文本切分(Text Segmentation):指将一段连续的文本或字符串分割成若干个较小的部分或单元的过程。这种切分可以基于不同的规则或算法进行,例如按照字符、词语、句子等单位进行切分。文本切分在自然语言处理、文本挖掘、信息检索等领域中广泛应用,可以帮助将大块的文本数据变得更易处理和分析,提取出有用的信息和特征。
智能客服机器人在金融、保险、电商等领域的应用越来越广泛。智能客服机器人通过人工智能和自然语言处理技术,能够理解用户的问题并给出相应的答案,从而满足客户的业务咨询需求。与传统的人工客服相比,智能客服机器人具备24小时在线服务的能力,可以随时为用户提供帮助,从而提高了服务效率和用户的体验。
目前,智能客服机器人主要基于人工智能和自然语言处理技术中的Transformers模型,如BERT模型和ERNIE预训练模型等,这些模型在内容准确性和语音语调的自然度方面表现出色,能够提供高质量的答案。然而,这些模型在生成回复内容时缺乏个性化,无法针对不同的用户生成不同风格的回复方式。
因此,如何提高智能客服在咨询回复中的个性化程度,成为了亟待解决的技术问题。
基于此,本申请实施例提供了一种基于用户表达偏好的智能回复方法、装置、设备及介质,旨在提高智能客服在咨询回复中的个性化程度。
本申请实施例提供的基于用户表达偏好的智能回复方法、装置、设备及介质,具体通过如下实施例进行说明,首先描述本申请实施例中的基于用户表达偏好的智能回复方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的基于用户表达偏好的智能回复方法,涉及人工智能及金融技术领域。本申请实施例提供的基于用户表达偏好的智能回复方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现基于用户表达偏好的智能回复方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是,在本申请的各个具体实施方式中,当涉及到需要根据用户信息、用户行为数据,用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时,都会先获得用户的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关法律法规和标准。此外,当本申请实施例需要获取用户的敏感个人信息时,会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意,在明确获得用户的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
图1是本申请实施例提供的基于用户表达偏好的智能回复方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101,获取目标对象的输入数据;
步骤S102,从输入数据或预设数据库提取目标对象的表达偏好,得到目标表达偏好数据;
步骤S103,从输入数据提取问题信息,得到初步问题数据;
步骤S104,基于预设问题模板将目标表达偏好数据和初步问题数据进行问题封装,得到目标问题数据;
步骤S105,通过预先训练的问答模型对目标问题数据进行答案生成,得到目标答案;
步骤S106,根据目标答案向目标对象进行回复。
本申请实施例所示意的步骤S101至步骤S106,通过获取目标对象的输入数据;从输入数据或预设数据库提取目标对象的表达偏好,得到目标表达偏好数据;从输入数据提取问题信息,得到初步问题数据;基于预设问题模板将目标表达偏好数据和初步问题数据进行问题封装,得到目标问题数据;通过预先训练的问答模型对目标问题数据进行答案生成,得到目标答案;根据目标答案向目标对象进行回复。能够结合目标对象的预测表达偏好数据确定目标对象更倾向的回复表达方式,并以该回复表达方式生成回复内容,提高了智能客服在咨询回复中的个性化程度。
在一些实施例的步骤S101中,目标对象输入数据的方式可以是文字输入,也可以语音输入,还可以通过其他方式输入,例如图像输入,在本申请实施例中不对其作限制。
请参阅图2,在一些实施例中,步骤S102可以包括但不限于包括步骤S201至步骤S203:
步骤S201,对输入数据进行表达偏好检测,得到表达偏好检测数据;
步骤S202,若表达偏好检测数据表征输入数据中存在目标对象的表达偏好,则从输入数据提取目标对象的表达偏好,得到目标表达偏好数据;
步骤S203,若表达偏好检测数据表征输入数据中不存在目标对象的表达偏好,则从预设数据库提取目标对象的表达偏好,得到目标表达偏好数据。
本申请实施例所示意的步骤S201至步骤S203,通过对输入数据进行表达偏好检测,判断输入数据中是否包含目标对象的表达偏好,从而判断该从何处获取目标对象的表达偏好,得到目标表达偏好数据,便于后续根据该目标表达偏好数据确定目标对象更倾向的回复表达方式,并以该回复表达方式生成回复内容,提高了智能客服在咨询回复中的个性化程度。
需要说明的是,目标表达偏好可以为性格表达偏好,例如严谨、欢快、活泼等;也可以为人物类型表达偏好,例如小团团、哆啦A梦、大熊、胖虎等。在本申请实施例中不对其作限制。
请参阅图3,在一些实施例中,步骤S201可以包括但不限于包括步骤S301至步骤S303:
步骤S301,对输入数据进行文本切分处理,得到文本片段数据;
步骤S302,对文本片段数据进行偏好分析处理,得到偏好分析数据;
步骤S303,根据偏好分析数据和预设的偏好置信阈值确定表达偏好检测数据。
本申请实施例所示意的步骤S301至步骤S303,通过对输入数据进行文本切分处理,得到文本片段数据,再对文本片段数据进行偏好分析处理,得到偏好分析数据;最后将偏好分析数据与预设的偏好置信阈值比较,确定表达偏好检测数据,从而判断目标对象的输入数据中是否存在目标对象的表达偏好,便于后续确定获取目标对象的表达偏好的方式。
需要说明的是,对输入数据进行文本切分处理是根据文本数据的格式选择对应的切分方式,其中切分方式包括但不限于句子切分、词语切分、字符切分、正则表达式切分、自定义切分等方式,在本实施例中不对其作限制。
在一些实施例的步骤S302中,采用预设的偏好分析模型对文本片段数据进行偏好分析处理,得到偏好分析数据,其中,偏好分析数据为数值型数据,用于表征存在表达偏好的概率。
需要说明的是,偏好分析模型可以为基于机器学习的分类模型,例如基于逻辑回归、支持向量机、决策树、随机森林等算法的分类模型。
在一些实施例的步骤S303中,通过将偏好分析数据与预设的偏好置信阈值进行判断后,能够得到表达偏好检测数据,表达偏好检测数据用于表征输入数据中是否存在目标对象的表达偏好。
请参阅图4,在一些实施例中,步骤S202可以包括但不限于包括步骤S401至步骤S402:
步骤S401,对输入数据进行选择偏好数据定位,得到选择偏好数据位置信息;
步骤S402,基于选择偏好数据位置信息对输入数据进行偏好关键字提取,得到目标表达偏好数据。
本申请实施例所示意的步骤S401至步骤S402,通过对输入数据进行定位,确定偏好数据所在位置,得到选择偏好数据位置信息,然后根据选择偏好数据位置信息进行偏好关键字提取,得到目标对象输入的偏好信息,得到目标表达偏好数据。便于后续根据该目标表达偏好数据确定目标对象更倾向的回复表达方式,并以该回复表达方式生成回复内容,提高了智能客服在咨询回复中的个性化程度。
在一些实施例的步骤S401中,在对输入数据进行选择偏好数据定位,得到表达偏好的大致位置范围,便于后续提取表达偏好。
在一些实施例的步骤S402中,通过进行偏好关键字提取,能够可以帮助智能客服系统更好地理解用户的表达偏好,从而根据表达偏好的提供更准确的答复,进而提高智能客服在咨询回复中的个性化程度。
请参阅图5,在一些实施例中,步骤S203还可以包括但不限于包括步骤S501至步骤S502:
步骤S501,从预设数据库中提取目标对象的对象属性信息;
步骤S502,对对象属性信息进行表达偏好预测,得到目标表达偏好数据。
本申请实施例所示意的步骤S501至步骤S502,通过对目标对象预留在预设数据库中的对象属性信息进行表达偏好预测,得到目标对象的预测表达偏好数据并作为目标表达偏好数据,以实现在目标对象的输入中未包含表达偏好时,能够结合目标对象的预测表达偏好数据确定目标对象更倾向的回复表达方式,并以该回复表达方式生成回复内容,提高了智能客服在咨询回复中的个性化程度。
在一些实施例的步骤S501中,对象属性信息为目标对象在注册和使用过程总留下的用户信息,可以包括但限于年龄、性别、职业、地区、收入、风险、兴趣、关注内容等用户相关数据。
在一个实施例中,可以根据地区、年龄、性别、职业、兴趣、关注内容预测目标对象的表达偏好,得到目标表达偏好数据。
在一些实施例的步骤S502中,通过机器学习模型对对象属性信息进行表达偏好预测,得到目标表达偏好数据,具体地,机器学习模型可以为基于XGBoost、随机森林、决策树等算法的预测模型,在本实施例中不对其作限制。
请参阅图6,在一些实施例中,步骤S502还可以包括但不限于包括步骤S601至步骤S604:
步骤S601,对对象属性信息进行字段提取,得到目标字段数据;
步骤S602,对目标字段数据进行数据预处理,得到目标对象数据;
步骤S603,对目标对象数据进行特征提取处理,得到目标对象特征;
步骤S604,对目标对象特征进行用户偏好预测,得到目标表达偏好数据。
本申请实施例所示意的步骤S601至步骤S604,通过对对象属性信息依次进行字段提取、数据预处理、特征提取、用户偏好预测,得到目标对象的预测表达偏好数据并作为目标表达偏好数据。以实现在目标对象的输入中未包含表达偏好时,能够根据对象属性信息进行用户表达偏好预测,从而根据预测的表达偏好结果来确定目标对象更倾向的回复表达方式和回复内容。
需要说明的是,字段提取为按照所需的预测字段,例如年龄,地区,职业,兴趣等从提取到的对象属性信息中提取相对应的字段,用于进行后续处理。通过针对性的字段提取,能够更好地理解用户的需求和喜好,从而提高预测准确性。
需要说明的是,数据预处理可以包括但不限于数据筛选、数据清洗、数据转换等步骤,在本实施例中不对其作限制。
具体地,数据筛选可以将无效的数据进行剔除,例如重复数据、缺失数据、异常数据等;数据清洗可以将数据进行去除噪声、填补缺失值、处理异常值等处理;数据转换可以为将文本数据转换为数值数据、进行归一化处理等。
需要说明的是,特征提取处理可以包括特征构建、特征向量化、特征降维等步骤,在本实施例中不对其作限制。
具体地,特征构建,根据任务需求选择词袋模型、TF-IDF向量、N-gram模型来构建特征。
特征向量化,将文本特征转化为机器学习算法可以处理的数值向量形式。可以使用独热编码、词嵌入模型(如Word2Vec)、文档嵌入模型(如Doc2Vec)等方法进行向量化。
特征降维:对高维的特征向量进行降维,以减少特征维度和计算复杂度。常见的降维方法包括主成分分析(PCA)、线性判别分析(LDA)等。
在一些实施例的步骤S604中,使用预先训练好的用户偏好预测模型对目标对象的目标对象特征进行预测,并得到目标表达偏好数据。根据用户的特征和模型预测结果,可以生成目标对象的偏好评分或标签,用于后续智能客服进行咨询回复。
需要说明的是,用户偏好预测模型可以为机器学习模型,例如逻辑回归、决策树、随机森林、神经网络等模型,可以根据具体情况,可以使用单一模型或者集成多个模型,在本实施例中不对其作限制。
在一些实施例的步骤S103中,问题信息为目标对象想要想智能客服咨询的业务问题,也可以是其他问题,例如生活问题、数学问题等,在本申请实施例中不对其作限制。
请参阅图7,在一些实施例中,步骤S104还可以包括但不限于包括步骤S701至步骤S703:
步骤S701,对初步问题数据进行语法检测,得到检测结果;其中,检测结果包括错误状态,错误状态用于表征初步问题数据存在语法错误;
步骤S702,基于错误状态对初步问题数据进行纠错处理,得到修正问题数据;
步骤S703,基于预设问题模板对目标表达偏好数据和修正问题数据进行整合处理,得到目标问题数据。
本申请实施例所示意的步骤S701至步骤S703,通过判断初步问题数据中是否存在语法错误,若存在着对初步问题数据进行纠错处理,得到修正问题数据,最终将修正问题数据和目标表达偏好数据进行整合,得到目标问题数据,在输入进智能客服的问答模型中,可以得到符合目标对象表达偏好的咨询答复,从而提高智能客服在咨询回复中的个性化程度。
在一个实施例中,对初步问题数据依存句法分析或句法结构分析工具对预处理后的数据进行语法分析,可以帮助抽取出句子中的主谓宾关系、修饰关系等语法信息;随后根据预设的语法规则或模式,对句法分析的结果进行错误检测,例如,检测句子是否存在主谓不一致、缺少主语或宾语、使用了不符合语法规则的词性等,从而得到检测结果。
在一些实施例中,检测结果还包括用于表征初步问题数据不存在语法错误的正确状态;在步骤S701之后,方法还可以包括但不限于如下步骤:
基于预设问题模板对目标表达偏好数据和初步问题数据进行整合处理,得到目标问题数据。
需要说明的是,对目标表达偏好数据和修正问题数据进行整合处理是将目标表达偏好数据和修正问题数据填充进预设问题模板的预设位置。
另外,使用预设问题模板可以指导模型以特定的风格和格式来生成回答,确保了生成的目标答案,在风格上具有较强的一致性,确保了目标回答的可读性和易理解性。
例如,目标表达偏好数据为A,修正问题数据为B,预设问题模板为:请以${ansewerType}的语气回答一下${userQuestion},将目标表达偏好数据和修正问题数据填充进预设问题模板的预设位置后将得到:“请以A的语气回答一下B”。
在一些实施例的步骤S105中,预先训练的问答模型可以为大语言模型,例如ChatGPT、文心一言等。
在一个实施例中,基于用户表达偏好的智能回复包括但不限于包括如下步骤:
步骤1:获取目标对象的输入数据;
步骤2:对输入数据进行表达偏好检测,得到表达偏好检测数据;
若表达偏好检测数据表征输入数据中存在目标对象的表达偏好,则从输入数据提取目标对象的表达偏好,得到目标表达偏好数据;
若表达偏好检测数据表征输入数据中不存在目标对象的表达偏好,则从预设数据库提取目标对象的表达偏好,得到目标表达偏好数据;
步骤3:从输入数据提取问题信息,得到初步问题数据;
步骤4:对初步问题数据进行语法检测,得到检测结果;
若检测结果为表征初步问题数据存在语法错误的错误状态,则基于错误状态对初步问题数据进行纠错处理,得到修正问题数据;基于预设问题模板对目标表达偏好数据和修正问题数据进行整合处理,得到目标问题数据;
若检测结果为表征初步问题数据不存在语法错误的正确状态,则基于预设问题模板对目标表达偏好数据和初步问题数据进行整合处理,得到目标问题数据;
步骤5:通过预先训练的问答模型对目标问题数据进行答案生成,得到目标答案;
步骤6:根据目标答案向目标对象进行回复;
需要说明的是,不论输入数据是否存在目标对象的表达偏好,预设数据库中均存储有目标对象的表达偏好,而该存储在数据库中的表达偏好通过如下步骤获得:
从预设数据库中提取目标对象的对象属性信息;
通过预设的用户偏好预测模型对对象属性信息继续偏好预测,得到预测表达偏好数据;
将预测表达偏好数据存储至预设数据库中。
通过预设的初始用户偏好预测模型对对象属性信息进行表达偏好预测,得到预测表达偏好数据,可以包括但不限于包括如下步骤:
对对象属性信息进行字段提取,得到目标字段数据;
对目标字段数据进行数据预处理,得到目标对象数据;
对目标对象数据进行特征提取处理,得到目标对象特征;
对目标对象特征进行用户偏好预测,得到预测表达偏好数据。
在一个实施例中,若步骤2中的表达偏好检测数据表征输入数据中存在目标对象的表达偏好,则在步骤6之后,方法还包括如下步骤:
从预设数据库提取目标对象的表达偏好,得到预测表达偏好数据;
计算目标表达偏好数据与预测表达偏好数据之间的误差,得到表达偏好误差;
若表达偏好误差大于预设的误差阈值,则对初始用户偏好预测模型进行参数调整,得到目标表达偏好预测模型。
在参数调整之后,使用目标表达偏好预测模型对预设数据库中所有用户重新进行表达偏好预测,进而更新预设数据库中的预测表达偏好数据,使得智能客服系统在下次遇到输入数据中没有表达偏好的情况中可以保证咨询回复的效果,确保个性化程度不减弱。
在一个实施例中,当用户输入在智能客服的询问页面上输入“续期保单退费和退保的区别”时,系统会同时检查参数中是否携带表达偏好,如果携带,则直接使用用户选择的偏好,否则就从数据库中查找出该用户的表达偏好,假设此时用户选择的表达偏好为“小团团”。
即目标表达偏好数据为“小团团”,初步问题数据为“续期保单退费和退保的区别”。
在对初步问题数据进行语法检测,发现没有语法错误时,将目标表达偏好数据和初步问题数据填充至预设大语言模型输入模板“请以${ansewerType}的语气回答一下${userQuest ion}”,得到目标问题数据:
请以小团团的语气回答一下续期保单退费和退保的区别。
将目标问题数据“请以小团团的语气回答一下续期保单退费和退保的区别”输入进大语言模型ChatGPT中,得到目标答案,例如以下的答案:
哎呀,这个问题小团团知道哦!续期保单退费和退保可是不一样滴!咳咳,那我们先说说续期保单退费吧,就是指在保险合同到期之前,保单持有人可以选择不再续保了,然后要求退还已经交的保费。这样操作的话,保单就会在到期之后结束,但是在到期之前还是有保障的哦!而退保嘛,就是保单持有人在保险合同期内选择结束保险合同,保险公司会根据保险合同规定的退保条款,把已经交的保费退给保单持有人。这样操作的话,保单就会立即失效,保单持有人也就没有保障啦!
所以,续期保单退费和退保是不同滴哦!一个是在到期之前结束保单,一个是立即结束保单,小团团希望大家都能够理解呢!
最后根据目标答案向用户进行回复,完成业务咨询回复。
请参阅图8,本申请实施例还提供一种基于用户表达偏好的智能回复装置,可以实现上述基于用户表达偏好的智能回复方法,该装置包括:
输入数据获取模块801,用于获取目标对象的输入数据;
表达偏好获取模块802,用于从输入数据或预设数据库提取目标对象的表达偏好,得到目标表达偏好数据;
问题信息提取模块803,用于从输入数据提取问题信息,得到初步问题数据;
问题封装模块804,用于基于预设问题模板将目标表达偏好数据和初步问题数据进行问题封装,得到目标问题数据;
答案生成模块805,用于通过预先训练的问答模型对目标问题数据进行答案生成,得到目标答案;
回复模块806,用于根据目标答案向目标对象进行回复。
在一些实施例的表达偏好获取模块802中,该表达偏好获取模块802还包括:
表达偏好检测子模块,用于对输入数据进行表达偏好检测,得到表达偏好检测数据;
第一表达偏好确定子模块,用于若表达偏好检测数据表征输入数据中存在目标对象的表达偏好,则从输入数据提取目标对象的表达偏好,得到目标表达偏好数据;
第二表达偏好确定子模块,用于若表达偏好检测数据表征输入数据中不存在目标对象的表达偏好,则从预设数据库提取目标对象的表达偏好,得到目标表达偏好数据。
在一些实施例的表达偏好检测子模块中,该表达偏好检测子模块还包括:
文本切分单元,用于对输入数据进行文本切分处理,得到文本片段数据;
偏好分析单元,用于对文本片段数据进行偏好分析处理,得到偏好分析数据;
表达偏好检测数据确定单元,用于根据偏好分析数据和预设的偏好置信阈值确定表达偏好检测数据。
在一些实施例的第一表达偏好确定子模块中,该第一表达偏好确定子模块还包括:
选择偏好数据定位单元,用于对输入数据进行选择偏好数据定位,得到选择偏好数据位置信息;
偏好关键字提取单元,用于基于选择偏好数据位置信息对输入数据进行偏好关键字提取,得到目标表达偏好数据。
在一些实施例的第二表达偏好确定子模块中,该第二表达偏好确定子模块还包括:
对象属性信息提取单元,用于从预设数据库中提取目标对象的对象属性信息;
表达偏好预测单元,用于对对象属性信息进行表达偏好预测,得到目标表达偏好数据。
在一些实施例的表达偏好预测单元中,该表达偏好预测单元还包括:
字段提取子单元,用于对对象属性信息进行字段提取,得到目标字段数据;
数据预处理子单元,用于对目标字段数据进行数据预处理,得到目标对象数据;
特征提取子单元,用于对目标对象数据进行特征提取处理,得到目标对象特征;
用户偏好预测子单元,用于对目标对象特征进行用户偏好预测,得到目标表达偏好数据。
在一些实施例的问题封装模块804中,该问题封装模块804还包括:
语法检测子模块,用于对初步问题数据进行语法检测,得到检测结果;其中,检测结果包括错误状态,错误状态用于表征初步问题数据存在语法错误;
纠错子模块,用于基于错误状态对初步问题数据进行纠错处理,得到修正问题数据;
整合子模块,用于基于预设问题模板对目标表达偏好数据和修正问题数据进行整合处理,得到目标问题数据。
该基于用户表达偏好的智能回复装置的具体实施方式与上述基于用户表达偏好的智能回复方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述基于用户表达偏好的智能回复方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9,图9示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器901,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器902,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器902可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的基于用户表达偏好的智能回复方法;
输入/输出接口903,用于实现信息输入及输出;
通信接口904,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线905,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息;
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述基于用户表达偏好的智能回复方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。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。
本申请实施例提供的基于用户表达偏好的智能回复方法、装置、设备及介质,其通过获取目标对象的输入数据;从输入数据或预设数据库提取目标对象的表达偏好,得到目标表达偏好数据;从输入数据提取问题信息,得到初步问题数据;基于预设问题模板将目标表达偏好数据和初步问题数据进行问题封装,得到目标问题数据;通过预先训练的问答模型对目标问题数据进行答案生成,得到目标答案;根据目标答案向目标对象进行回复。能够结合目标对象的预测表达偏好数据确定目标对象更倾向的回复表达方式,并以该回复表达方式生成回复内容,提高了智能客服在咨询回复中的个性化程度。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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”以及他们的任何变形,意图在于覆盖不排他的包含,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。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-On ly Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种基于用户表达偏好的智能回复方法,其特征在于,所述方法包括:
获取目标对象的输入数据;
从所述输入数据或预设数据库提取所述目标对象的表达偏好,得到目标表达偏好数据;
从所述输入数据提取问题信息,得到初步问题数据;
基于预设问题模板将所述目标表达偏好数据和所述初步问题数据进行问题封装,得到目标问题数据;
通过预先训练的问答模型对所述目标问题数据进行答案生成,得到目标答案;
根据所述目标答案向所述目标对象进行回复。
2.根据权利要求1所述的方法,其特征在于,所述从所述输入数据或预设数据库提取所述目标对象的表达偏好,得到目标表达偏好数据,包括:
对所述输入数据进行表达偏好检测,得到表达偏好检测数据;
若所述表达偏好检测数据表征所述输入数据中存在所述目标对象的表达偏好,则从所述输入数据提取所述目标对象的表达偏好,得到所述目标表达偏好数据;
若所述表达偏好检测数据表征所述输入数据中不存在所述目标对象的表达偏好,则从所述预设数据库提取所述目标对象的表达偏好,得到所述目标表达偏好数据。
3.根据权利要求2所述的方法,其特征在于,所述从所述输入数据提取所述目标对象的表达偏好,得到所述目标表达偏好数据,包括:
对所述输入数据进行选择偏好数据定位,得到选择偏好数据位置信息;
基于所述选择偏好数据位置信息对所述输入数据进行偏好关键字提取,得到所述目标表达偏好数据。
4.根据权利要求2所述的方法,其特征在于,所述对所述输入数据进行表达偏好检测,得到表达偏好检测数据,包括:
对所述输入数据进行文本切分处理,得到文本片段数据;
对所述文本片段数据进行偏好分析处理,得到偏好分析数据;
根据所述偏好分析数据和预设的偏好置信阈值确定所述表达偏好检测数据。
5.根据权利要求2所述的方法,其特征在于,所述从所述预设数据库提取所述目标对象的表达偏好,得到所述目标表达偏好数据,包括:
从所述预设数据库中提取所述目标对象的对象属性信息;
对所述对象属性信息进行表达偏好预测,得到所述目标表达偏好数据。
6.根据权利要求5所述的方法,其特征在于,所述对所述对象属性信息进行表达偏好预测,得到所述目标表达偏好数据,包括:
对所述对象属性信息进行字段提取,得到目标字段数据;
对所述目标字段数据进行数据预处理,得到目标对象数据;
对所述目标对象数据进行特征提取处理,得到目标对象特征;
对所述目标对象特征进行用户偏好预测,得到所述目标表达偏好数据。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述基于预设问题模板将所述目标表达偏好数据和所述初步问题数据进行问题封装,得到目标问题数据,包括:
对所述初步问题数据进行语法检测,得到检测结果;其中,所述检测结果包括错误状态,所述错误状态用于表征所述初步问题数据存在语法错误;
基于所述错误状态对所述初步问题数据进行纠错处理,得到修正问题数据;
基于所述预设问题模板对所述目标表达偏好数据和所述修正问题数据进行整合处理,得到所述目标问题数据。
8.一种基于用户表达偏好的智能回复装置,其特征在于,所述装置包括:
输入数据获取模块,用于获取目标对象的输入数据;
表达偏好获取模块,用于从所述输入数据或预设数据库提取所述目标对象的表达偏好,得到目标表达偏好数据;
问题信息提取模块,用于从所述输入数据提取问题信息,得到初步问题数据;
问题封装模块,用于基于预设问题模板将所述目标表达偏好数据和所述初步问题数据进行问题封装,得到目标问题数据;
答案生成模块,用于通过预先训练的问答模型对所述目标问题数据进行答案生成,得到目标答案;
回复模块,用于根据所述目标答案向所述目标对象进行回复。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的基于用户表达偏好的智能回复方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于用户表达偏好的智能回复方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311050432.9A CN117033796A (zh) | 2023-08-18 | 2023-08-18 | 基于用户表达偏好的智能回复方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311050432.9A CN117033796A (zh) | 2023-08-18 | 2023-08-18 | 基于用户表达偏好的智能回复方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117033796A true CN117033796A (zh) | 2023-11-10 |
Family
ID=88644684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311050432.9A Pending CN117033796A (zh) | 2023-08-18 | 2023-08-18 | 基于用户表达偏好的智能回复方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117033796A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117667979A (zh) * | 2023-12-08 | 2024-03-08 | 暨南大学 | 基于大语言模型的数据挖掘方法、装置、设备及介质 |
-
2023
- 2023-08-18 CN CN202311050432.9A patent/CN117033796A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117667979A (zh) * | 2023-12-08 | 2024-03-08 | 暨南大学 | 基于大语言模型的数据挖掘方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680159B (zh) | 数据处理方法、装置及电子设备 | |
US10824816B2 (en) | Semantic parsing method and apparatus | |
CN116541493A (zh) | 基于意图识别的交互应答方法、装置、设备、存储介质 | |
CN115272540A (zh) | 基于虚拟客服形象的处理方法和装置、设备、介质 | |
CN116578688A (zh) | 基于多轮问答的文本处理方法、装置、设备及存储介质 | |
CN114255096A (zh) | 数据需求匹配方法和装置、电子设备、存储介质 | |
CN117033796A (zh) | 基于用户表达偏好的智能回复方法、装置、设备及介质 | |
CN117271736A (zh) | 一种问答对的生成方法和系统、电子设备及存储介质 | |
CN114926039A (zh) | 风险评估方法、风险评估装置、电子设备及存储介质 | |
CN114492661A (zh) | 文本数据分类方法和装置、计算机设备、存储介质 | |
CN113901838A (zh) | 对话检测方法和装置、电子设备、存储介质 | |
CN116702736A (zh) | 保险话术生成方法、装置、电子设备及存储介质 | |
CN113705207A (zh) | 语法错误识别方法及装置 | |
CN116701604A (zh) | 问答语料库的构建方法和装置、问答方法、设备及介质 | |
CN116956925A (zh) | 电子病历命名实体识别方法和装置、电子设备及存储介质 | |
CN116719999A (zh) | 文本相似度检测方法和装置、电子设备及存储介质 | |
CN114786059B (zh) | 视频生成方法、视频生成装置、电子设备、存储介质 | |
CN114398903B (zh) | 意图识别方法、装置、电子设备及存储介质 | |
CN114067362A (zh) | 基于神经网络模型的手语识别方法、装置、设备及介质 | |
Mangassarian et al. | A general framework for subjective information extraction from unstructured English text | |
CN116467455A (zh) | 情绪识别方法、情绪识别装置、电子设备及存储介质 | |
CN116467517A (zh) | 产品推荐方法、产品推荐装置、电子设备及存储介质 | |
CN116645220A (zh) | 投诉行为预测方法和装置、电子设备及存储介质 | |
CN117592456A (zh) | 文本质量检测方法和装置、电子设备及存储介质 | |
CN116741141A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |