CN117076766A - 基于人工智能的知识缺陷识别方法、装置、设备及介质 - Google Patents
基于人工智能的知识缺陷识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117076766A CN117076766A CN202310949802.6A CN202310949802A CN117076766A CN 117076766 A CN117076766 A CN 117076766A CN 202310949802 A CN202310949802 A CN 202310949802A CN 117076766 A CN117076766 A CN 117076766A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- recommended
- recommendation
- expression
- business
- 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 60
- 230000007547 defect Effects 0.000 title claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 230000014509 gene expression Effects 0.000 claims abstract description 126
- 239000013598 vector Substances 0.000 claims abstract description 58
- 238000012937 correction Methods 0.000 claims abstract description 51
- 238000013507 mapping Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 abstract description 20
- 230000008569 process Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000013604 expression vector Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003997 social interaction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1822—Parsing for meaning understanding
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的知识缺陷识别方法、装置、设备及介质。该方法对语音业务数据进行话术推荐,对视频业务数据进行表情推荐,将推荐话术和真实话术比对,得到第一比对结果,将推荐表情真实表情比对,得到第二比对结果,结合第一比对结果和第二比对结果映射得到修正向量,根据学习数据,预测每个业务知识的推荐程度,得到每个业务知识的推荐值,将业务知识对应的修正系数和推荐值相乘,得到修正推荐值,确定最大修正推荐值对应的业务知识为目标知识,有效确定出业务人员需要进行针对性学习的业务知识,提高了业务人员培训的效率,进而提高业务人员的业务能力,使得金融服务平台的人工业务更加可靠且专业。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的知识缺陷识别方法、装置、设备及介质。
背景技术
随着人工智能技术的兴起,人工智能模型已广泛应用于金融服务平台中,金融服务平台可以是保险系统、银行系统、交易系统、订单系统等,金融服务平台可以支持购物、社交、互动游戏、资源转移等功能,还可以具有申请贷款、信用卡或者购买保险、理财产品等功能。
在金融服务平台中,不可避免需要为用户提供人工服务,例如,人工服务的项目包括产品推荐、客服服务、售后处理等项目,因此需要对业务人员的业务能力进行培训,现有的业务能力培训方法通常是系统的,例如提供完整的业务手册由业务人员学习等。
但是,系统培养的方式缺乏对业务人员培训的针对性,导致业务人员在培训时难以针对自身薄弱点进行针对学习,培训成效较差。因此,如何提高业务培训的针对性,进而提高业务人员的业务能力成为亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种基于人工智能的知识缺陷识别方法、装置、设备及介质,以解决业务培训的针对性较差的问题。
第一方面,本发明实施例提供一种基于人工智能的知识缺陷识别方法,所述知识缺陷识别方法包括:
获取目标人员的视频业务数据和语音业务数据,使用语义理解模型对所述语音业务数据进行话术推荐,得到推荐话术;
使用表情推荐模型对所述视频业务数据进行表情推荐,得到推荐表情,将所述推荐话术和所述语音业务数据中的真实话术进行比对,得到第一比对结果,将所述推荐表情和所述视频业务数据中的真实表情进行比对,得到第二比对结果;
根据预设的映射表,结合所述第一比对结果和所述第二比对结果映射,得到修正向量,所述修正向量包括N个业务知识分别对应的修正参数,N为大于一的整数;
根据获取到的所述目标人员对应每个业务知识的学习数据,使用业务知识推荐模型对每个业务知识的推荐程度进行预测,得到每个业务知识分别对应的推荐值;
针对任一业务知识,将所述业务知识对应的修正系数和推荐值相乘,得到相乘结果,确定所述相乘结果为对应所述业务知识的修正推荐值,确定所有修正推荐值中的最大值对应的业务知识为目标知识,所述目标知识用于指示所述目标人员进行业务学习。
第二方面,本发明实施例提供一种基于人工智能的知识缺陷识别装置,所述知识缺陷识别装置包括:
话术推荐模块,用于获取目标人员的视频业务数据和语音业务数据,使用语义理解模型对所述语音业务数据进行话术推荐,得到推荐话术;
表情推荐模块,用于使用表情推荐模型对所述视频业务数据进行表情推荐,得到推荐表情,将所述推荐话术和所述语音业务数据中的真实话术进行比对,得到第一比对结果,将所述推荐表情和所述视频业务数据中的真实表情进行比对,得到第二比对结果;
参数映射模块,用于根据预设的映射表,结合所述第一比对结果和所述第二比对结果映射,得到修正向量,所述修正向量包括N个业务知识分别对应的修正参数,N为大于一的整数;
知识推荐模块,用于根据获取到的所述目标人员对应每个业务知识的学习数据,使用业务知识推荐模型对每个业务知识的推荐程度进行预测,得到每个业务知识分别对应的推荐值;
知识确定模块,用于针对任一业务知识,将所述业务知识对应的修正系数和推荐值相乘,得到相乘结果,确定所述相乘结果为对应所述业务知识的修正推荐值,确定所有修正推荐值中的最大值对应的业务知识为目标知识,所述目标知识用于指示所述目标人员进行业务学习。
第三方面,本发明实施例提供一种计算机设备,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的知识缺陷识别方法。
第四方面,本发明实施例提供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如第一方面所述的知识缺陷识别方法。
本发明实施例与现有技术相比存在的有益效果是:
获取目标人员的视频业务数据和语音业务数据,使用语义理解模型对语音业务数据进行话术推荐,得到推荐话术,使用表情推荐模型对视频业务数据进行表情推荐,得到推荐表情,将推荐话术和语音业务数据中的真实话术进行比对,得到第一比对结果,将推荐表情和视频业务数据中的真实表情进行比对,得到第二比对结果,根据预设的映射表,结合第一比对结果和第二比对结果映射,得到修正向量,修正向量包括N个业务知识分别对应的修正参数,根据获取到的目标人员对应每个业务知识的学习数据,使用业务知识推荐模型对每个业务知识的推荐程度进行预测,得到每个业务知识分别对应的推荐值,针对任一业务知识,将业务知识对应的修正系数和推荐值相乘,得到相乘结果,确定相乘结果为对应业务知识的修正推荐值,确定所有修正推荐值中的最大值对应的业务知识为目标知识,将业务人员在实际展业过程中的业务数据以及日常业务知识的学习数据相结合,有效确定出业务人员需要进行针对性学习的业务知识,提高了业务人员培训的效率,进而提高业务人员的业务能力,使得金融服务平台的人工业务更加可靠且专业。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于人工智能的知识缺陷识别方法的一应用环境示意图;
图2是本发明实施例一提供的一种基于人工智能的知识缺陷识别方法的流程示意图;
图3是本发明实施例二提供的一种基于人工智能的知识缺陷识别装置的结构示意图;
图4是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本发明说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本发明说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本发明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。
应理解,以下实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
本发明实施例一提供的一种基于人工智能的知识缺陷识别方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant,PDA)等计算机设备。服务端可以是独立的服务器,也可以是提供云服务、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、内容分发网络(Content DeliveryNetwork,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。
客户端和服务端可以部署于金融服务平台内,金融服务平台可以是保险系统、银行系统、交易系统、订单系统等,金融服务平台可以支持购物、社交、互动游戏、资源转移等功能,还可以具有申请贷款、信用卡或者购买保险、理财产品等功能,服务端执行知识缺陷识别任务,以从业务人员的业务数据中分析出业务人员的业务知识缺陷,指导业务人员进行业务知识学习,从而保证金融服务平台保持高水平的人工服务项目。
参见图2,是本发明实施例一提供的一种基于人工智能的知识缺陷识别方法的流程示意图,上述知识缺陷识别方法可以应用于图1中的服务端,服务端对应的计算机设备与客户端连接,以从客户端获取目标人员的视频业务数据和语音业务数据,视频业务数据和语音业务数据可以是在目标人员开展业务过程中进行录像和录音得到的,服务端对应的计算机设备具有存储功能,服务端对应的计算机设备内存储有目标人员对应每个业务知识的学习数据。如图2所示,该知识缺陷识别方法可以包括以下步骤:
步骤S201,获取目标人员的视频业务数据和语音业务数据,使用语义理解模型对语音业务数据进行话术推荐,得到推荐话术。
其中,目标人员可以是指金融服务平台中提供人工服务项目且需要进行业务知识培训的业务人员,视频业务数据可以是指在目标人员开展业务时由视频采集设备录像得到的,视频采集设备可以是指录像机、摄像头、手持摄影设备等,语音业务数据可以是指在目标人员开展业务时由音频采集设备录音得到的,音频采集设备可以是指录音笔、麦克风、监听耳机等。
语义理解模型可以用于对语音业务数据中包含的语义信息进行提取,并根据所提取到的语义信息进行话术推荐,推荐话术可以是指在语音业务数据包含的语义场景下所推荐采用的话术,话术可以是指沟通的方式及内容。
可选的是,语义理解模型包括文本转换器、编码器和解码器;
使用语义理解模型对语音业务数据进行话术推荐,得到推荐话术,包括:
使用文本转换器将语音业务数据转换为文本业务数据,使用编码器提取文本业务数据的语义信息,得到语义特征;
根据语义特征,使用解码器进行文本重构,得到文本重构结果,确定文本重构结果为推荐话术。
其中,文本转换器可以用于将输入的语音业务数据转换为文本业务数据,编码器可以用于提取文本业务数据的语义特征,解码器可以用于将语义特征重构为推荐话术,文本业务数据可以是指语音业务数据的文本表示,文本重构结果可以是指解码器执行文本重构任务的输出结果。
具体地,文本转换器可以采用语音识别模型实现,例如Seq2Seq模型、CTC模型、Transducer模型等。
本实施例中,通过使用文本转换器使语音业务数据转换为文本业务数据,从而实现文本到文本的语义特征提取和重构过程,降低了文本重构任务的实现难度,从而提高了话术推荐的准确率。
可选的是,根据语义特征,使用解码器进行文本重构,得到文本重构结果,包括:
将语义特征分别和预设特征集合中的至少两个推荐特征进行相似度计算,得到对应推荐特征的第一相似度,确定所有第一相似度中的最大值对应的推荐特征为待重构特征;
使用解码器对待重构特征进行文本重构,得到文本重构结果。
其中,预设特征集合中包含至少两个推荐特征,推荐特征可以是指预设的参考话术对应的语义特征,第一相似度可以用于表示语义特征和对应推荐特征之间的差异程度,待重构特征可以是指用于进行文本重构的推荐特征。
具体地,相似度计算可以采用欧式距离、余弦相似度、曼哈顿距离等距离度量方式,在本实施例中,采用余弦相似度进行相似度计算,余弦相似度的取值范围为[-1,1],相应地,第一相似度越接近1,说明语义特征和对应推荐特征之间的差异程度越小,语义特征和对应推荐特征越相似,第一相似度越接近-1,说明语义特征和对应推荐特征之间的差异程度越大,语义特征和对应推荐特征越不相似。
计算预设特征集合中每个推荐特征分别和语义特征的相似度,得到每个推荐特征对应的第一相似度,对所有第一相似度取最大值,以最大值对应的推荐特征为待重构特征,若该最大值对应多个推荐特征,则从最大值对应的所有推荐特征中任选一个作为待重构特征。
本实施例中,通过设置预设特征集合的方式,使得解码器的输入,也即待重构特征是从预设特征集合包含的推荐特征中筛选出来的,使用预设的推荐特征一方面可以保证文本重构结果是准确的,另一方面,使得解码器的文本重构任务可以采用先验的推荐特征作为输入,实施者可以直接将推荐特征对应的文本重构结果存储为映射表,从而通过查找映射表的方式直接获取到文本重构结果,而无需使用解码器进行文本重构任务的推理,进而提高话术推荐过程的效率和准确率。
上述获取目标人员的视频业务数据和语音业务数据,使用语义理解模型对语音业务数据进行话术推荐,得到推荐话术的步骤,为后续目标人员的业务知识缺陷分析提供参考,从而有效提高了业务知识缺陷分析的准确性,进而提高提高了业务人员培训的效率。
步骤S202,使用表情推荐模型对视频业务数据进行表情推荐,得到推荐表情,将推荐话术和语音业务数据中的真实话术进行比对,得到第一比对结果,将推荐表情和视频业务数据中的真实表情进行比对,得到第二比对结果。
其中,表情推荐模型可以用于对视频业务数据中目标人员的场景信息进行提取,并根据所提取到的场景信息进行表情推荐,例如,表情推荐模型可以采用深度神经网络模型,表情推荐模型可以包括编码器和分类器,由编码器对场景信息的特征进行提取,由分类器将所提取到的特征信息映射到推荐表情,编码器可以采用SSD模型、FAST模型、YOLO模型等模型的编码器结构,分类器可以采用全连接层实现,推荐表情可以是指在视频业务数据包含的场景信息下所推荐采用的表情,表情可以是包括快乐、气愤、惊讶、害怕、厌恶和悲伤等。
真实话术可以是指目标人员在语音业务数据中实际使用的话术,真实表情可以是指目标人员在视频业务数据中实际使用的表情,第一比对结果可以用于表征推荐话术和真实话术的差异信息,第二比对结果可以用于表征推荐表情和真实表情的差异信息。
可选的是,知识缺陷识别方法还包括:
根据语音业务数据和语义特征,使用音调识别模型进行音调提取,得到真实音调;
获取推荐话术对应的推荐音调,将推荐音调和真实音调进行比对,得到第三比对结果;
相应地,根据预设的映射表,结合第一比对结果和第二比对结果映射,得到修正向量,包括:
根据映射表,结合第一比对结果、第二比对结果和第三比对结果映射,得到修正向量。
其中,音调识别模型可以用于对语音业务数据中包含的音调信息进行提取,需要说明的是,音调识别模型需要进行预训练,由样本业务语音及其对应的样本音调作为训练数据,样本业务语音可以是指历史采集到的语音业务数据,样本音调可以是通过样本业务语音进行频谱分析得到的,通过音调识别模型对样本业务语音进行音调预测,得到预测音调,根据预测音调和样本音调计算交叉熵损失,根据交叉熵损失对音调识别模型进行预训练即可。
真实音调可以是指目标人员在语音业务数据中实际沟通时使用的音调,推荐音调可以是指在语音业务数据包含的语义信息下所推荐采用的音调,一推荐音调对应一推荐话术,推荐话术和推荐音调之间的对应关系可以存储于服务端对应的计算机设备中,第三比对结果可以用于表征推荐音调和真实音调之间的差异信息。
映射表可以包含第一比对结果、第二比对结果和第三比对结果与修正向量之间的映射关系。
具体地,比对过程同样可以采用距离度量的方式,例如上述欧式距离、余弦相似度、曼哈顿距离等距离度量方式,在本实施例中,采用余弦相似度进行数据比对。
本实施例中,额外添加了音调信息辅助得到修正向量,使得后续基于修正向量进行业务知识缺陷识别的准确率更高,从而提高了业务知识学习的效率,也即提高了业务培训的效率。
可选的是,使用表情识别模型对视频业务数据进行表情推荐,得到推荐表情,包括:
使用表情识别模型对视频业务数据进行表情识别,得到真实表情;
将真实表情分别和预设表情集合中的至少两个参考表情进行相似度计算,得到对应参考表情的第二相似度,确定所有第二相似度中的最大值对应的参考表情为推荐表情。
其中,预设表情集合可以包括至少两个参考表情,参考表情可以是指预设的标准表情,第二相似度可以用于表示真实表情和对应参考表情之间的差异程度。
具体地,第二相似度越接近1,说明真实表情和对应推荐表情之间的差异程度越小,则真实表情和对应推荐表情越相似,第一相似度越接近-1,说明真实表情和对应推荐表情之间的差异程度越大,则真实表情和对应推荐表情越不相似。
需要说明的是,为了更准确地确定推荐表情,可以将真实表情和参考表情均以表情向量形式进行表征,表情向量可以是指经表情识别模型提取到的表情特征。
本实施例中,从目标人员的语言逻辑、语调和表情等多维度底层业务能力数据进行业务知识缺陷识别,提高了业务知识缺陷识别的准确率,进而提高了业务培训的效率。
上述使用表情推荐模型对视频业务数据进行表情推荐,得到推荐表情,将推荐话术和语音业务数据中的真实话术进行比对,得到第一比对结果,将推荐表情和视频业务数据中的真实表情进行比对,得到第二比对结果的步骤,从目标人员的语言逻辑和表情等多维度底层业务能力数据进行业务知识缺陷识别,提高了业务知识缺陷识别的准确率,进而提高了业务培训的效率。
步骤S203,根据预设的映射表,结合第一比对结果和第二比对结果映射,得到修正向量,修正向量包括N个业务知识分别对应的修正参数。
其中,N为大于一的整数,预设的映射表可以包括第一比对结果和第二比对结果与修正向量之间的映射关系,一修正参数对应于一业务知识。
具体地,修正向量可以表示为S,则S={s1,s2,…,sN},N的取值由业务知识的数量决定,业务知识可以包括沟通能力、产品了解程度等。
上述根据预设的映射表,结合第一比对结果和第二比对结果映射,得到修正向量,修正向量包括N个业务知识分别对应的修正参数的步骤,为后续推荐值修正提供基于目标人员自身能力素质的调节,从而使得修正后的推荐值更符合目标人员自身特点,从而有效确定出业务人员需要进行针对性学习的业务知识,提高了业务人员培训的效率。
步骤S204,根据获取到的目标人员对应每个业务知识的学习数据,使用业务知识推荐模型对每个业务知识的推荐程度进行预测,得到每个业务知识分别对应的推荐值。
其中,学习数据可以是指目标人员针对业务知识的学习情况数据,例如学习时长、学习频率等,业务知识推荐模型可以根据目标人员对应每个业务知识的学习数据预测每个业务知识的推荐程度,推荐值可以是指对应业务知识的推荐学习程度。
可选的是,学习数据包括平均学习时长、学习频率和总学习时长;
根据获取到的目标人员对应每个业务知识的学习数据,使用业务知识推荐模型对每个业务知识的推荐程度进行预测,得到每个业务知识分别对应的推荐值,包括:
针对任一业务知识,将目标人员对应业务知识的平均学习时长、学习频率和总学习时长组成学习数据向量;
使用业务知识推荐模型将学习数据向量映射为对应业务知识的推荐值。
其中,平均学习时长可以是指针对一业务数据,目标人员进行多次学习的时长平均值,学习频率可以表征针对一业务数据,目标人员进行多次学习的间隔,总学习时长可以是指针对一业务数据,目标人员进行多次学习的时长总额和。
学习数据向量可以是指目标人员对应业务知识的平均学习时长、学习频率和总学习时长的向量表示。
具体地,业务知识推荐模型可以采用全连接层实现,全连接层的输入神经元数量对应于学习数据向量中的学习数据类型数,全连接层的输出神经元数量对应于业务知识类型数。
可选的是,使用业务知识推荐模型将学习数据向量映射为对应业务知识的推荐值,包括:
获取参考学习向量,使用业务知识推荐模型对学习数据向量和参考学习向量进行差异分析,得到差异分析结果;
将差异分析结果映射为推荐值。
其中,参考学习向量可以是指参考人员的学习向量,参考人员可以根据用户评价、内部考核等方式确定,参考人员可以是指业务能力表现优秀的业务人员,差异分析结果可以表征学习数据向量和参考学习向量之间的差异程度。
具体地,在本实施例中,业务知识推荐模型可以采用孪生网络结构,孪生网络结构包含两个完全一致的分支,每个分支均包含一编码器,该编码器用于提取输入学习向量的特征信息,差异分析结果可以是指学习数据向量和参考学习向量分别对应的特征信息之间的差异程度。
上述根据获取到的目标人员对应每个业务知识的学习数据,使用业务知识推荐模型对每个业务知识的推荐程度进行预测,得到每个业务知识分别对应的推荐值的步骤,通过目标人员和参考人员的学习数据比对,得到目标人员的业务知识缺陷分析结果,在后续结合基于目标人员自身特点确定的修正参数,从而得到可靠的修正后的业务知识缺陷分析结果,提高了业务人员培训的效率,进而提高业务人员的业务能力。
步骤S205,针对任一业务知识,将业务知识对应的修正系数和推荐值相乘,得到相乘结果,确定相乘结果为对应业务知识的修正推荐值,确定所有修正推荐值中的最大值对应的业务知识为目标知识。
其中,相乘结果可以是指业务知识对应的修正系数和推荐值相乘计算得到的计算结果,目标知识用于指示目标人员进行业务学习。
上述针对任一业务知识,将业务知识对应的修正系数和推荐值相乘,得到相乘结果,确定相乘结果为对应业务知识的修正推荐值,确定所有修正推荐值中的最大值对应的业务知识为目标知识的步骤,将业务人员在实际展业过程中的业务数据以及日常业务知识的学习数据相结合,有效确定出业务人员需要进行针对性学习的业务知识,提高了业务人员培训的效率。
本实施例中,将业务人员在实际展业过程中的业务数据以及日常业务知识的学习数据相结合,有效确定出业务人员需要进行针对性学习的业务知识,提高了业务人员培训的效率,进而提高业务人员的业务能力,使得金融服务平台的人工业务更加可靠且专业。
对应于上文实施例的基于人工智能的知识缺陷识别方法,图3示出了本发明实施例二提供的基于人工智能的知识缺陷识别装置的结构框图,上述知识缺陷识别装置应用于服务端,服务端对应的计算机设备与客户端连接,以从客户端获取目标人员的视频业务数据和语音业务数据,视频业务数据和语音业务数据可以是在目标人员开展业务过程中进行录像和录音得到的,服务端对应的计算机设备具有存储功能,服务端对应的计算机设备内存储有目标人员对应每个业务知识的学习数据。为了便于说明,仅示出了与本发明实施例相关的部分。
参见图3,该知识缺陷识别装置包括:
话术推荐模块31,用于获取目标人员的视频业务数据和语音业务数据,使用语义理解模型对语音业务数据进行话术推荐,得到推荐话术;
表情推荐模块32,用于使用表情推荐模型对视频业务数据进行表情推荐,得到推荐表情,将推荐话术和语音业务数据中的真实话术进行比对,得到第一比对结果,将推荐表情和视频业务数据中的真实表情进行比对,得到第二比对结果;
参数映射模块33,用于根据预设的映射表,结合第一比对结果和第二比对结果映射,得到修正向量,修正向量包括N个业务知识分别对应的修正参数,N为大于一的整数;
知识推荐模块34,用于根据获取到的目标人员对应每个业务知识的学习数据,使用业务知识推荐模型对每个业务知识的推荐程度进行预测,得到每个业务知识分别对应的推荐值;
知识确定模块35,用于针对任一业务知识,将业务知识对应的修正系数和推荐值相乘,得到相乘结果,确定相乘结果为对应业务知识的修正推荐值,确定所有修正推荐值中的最大值对应的业务知识为目标知识,目标知识用于指示目标人员进行业务学习。
可选的是,语义理解模型包括文本转换器、编码器和解码器;
上述话术推荐模块31包括:
语义提取单元,用于使用文本转换器将语音业务数据转换为文本业务数据,使用编码器提取文本业务数据的语义信息,得到语义特征;
文本重构单元,用于根据语义特征,使用解码器进行文本重构,得到文本重构结果,确定文本重构结果为推荐话术。
可选的是,上述文本重构单元包括:
特征比较子单元,用于将语义特征分别和预设特征集合中的至少两个推荐特征进行相似度计算,得到对应推荐特征的第一相似度,确定所有第一相似度中的最大值对应的推荐特征为待重构特征;
特征解码子单元,用于使用解码器对待重构特征进行文本重构,得到文本重构结果。
可选的是,上述知识缺陷识别装置还包括:
音调提取模块,用于根据语音业务数据和语义特征,使用音调识别模型进行音调提取,得到真实音调;
音调比对模块,用于获取推荐话术对应的推荐音调,将推荐音调和真实音调进行比对,得到第三比对结果;
相应地,上述参数映射模块33包括:
向量映射子单元,用于根据映射表,结合第一比对结果、第二比对结果和第三比对结果映射,得到修正向量。
可选的是,上述表情推荐模块32包括:
表情识别单元,用于使用表情识别模型对视频业务数据进行表情识别,得到真实表情;
表情比对单元,用于将真实表情分别和预设表情集合中的至少两个参考表情进行相似度计算,得到对应参考表情的第二相似度,确定所有第二相似度中的最大值对应的参考表情为推荐表情。
可选的是,学习数据包括平均学习时长、学习频率和总学习时长;
上述知识推荐模块34包括:
向量组成单元,用于针对任一业务知识,将目标人员对应业务知识的平均学习时长、学习频率和总学习时长组成学习数据向量;
向量映射单元,用于使用业务知识推荐模型将学习数据向量映射为对应业务知识的推荐值。
可选的是,上述向量映射单元包括:
差异分析子单元,用于获取参考学习向量,使用业务知识推荐模型对学习数据向量和参考学习向量进行差异分析,得到差异分析结果;
推荐值映射子单元,用于将差异分析结果映射为推荐值。
需要说明的是,上述模块、单元、子单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图4为本发明实施例三提供的一种计算机设备的结构示意图。如图4所示,该实施例的计算机设备包括:至少一个处理器(图4中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意各个知识缺陷识别方法实施例中的步骤。
该计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图4仅仅是计算机设备的举例,并不构成对计算机设备的限定,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU,该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等,其中,内存储器可以是计算机设备的内存,内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘,在另一些实施例中也可以是计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。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,本发明实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,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。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述方法实施例中的步骤。
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或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的知识缺陷识别方法,其特征在于,所述知识缺陷识别方法包括:
获取目标人员的视频业务数据和语音业务数据,使用语义理解模型对所述语音业务数据进行话术推荐,得到推荐话术;
使用表情推荐模型对所述视频业务数据进行表情推荐,得到推荐表情,将所述推荐话术和所述语音业务数据中的真实话术进行比对,得到第一比对结果,将所述推荐表情和所述视频业务数据中的真实表情进行比对,得到第二比对结果;
根据预设的映射表,结合所述第一比对结果和所述第二比对结果映射,得到修正向量,所述修正向量包括N个业务知识分别对应的修正参数,N为大于一的整数;
根据获取到的所述目标人员对应每个业务知识的学习数据,使用业务知识推荐模型对每个业务知识的推荐程度进行预测,得到每个业务知识分别对应的推荐值;
针对任一业务知识,将所述业务知识对应的修正系数和推荐值相乘,得到相乘结果,确定所述相乘结果为对应所述业务知识的修正推荐值,确定所有修正推荐值中的最大值对应的业务知识为目标知识,所述目标知识用于指示所述目标人员进行业务学习。
2.根据权利要求1所述的知识缺陷识别方法,其特征在于,所述语义理解模型包括文本转换器、编码器和解码器;
所述使用语义理解模型对所述语音业务数据进行话术推荐,得到推荐话术,包括:
使用所述文本转换器将所述语音业务数据转换为文本业务数据,使用所述编码器提取所述文本业务数据的语义信息,得到语义特征;
根据所述语义特征,使用所述解码器进行文本重构,得到文本重构结果,确定所述文本重构结果为所述推荐话术。
3.根据权利要求2所述的知识缺陷识别方法,其特征在于,所述根据所述语义特征,使用所述解码器进行文本重构,得到文本重构结果,包括:
将所述语义特征分别和预设特征集合中的至少两个推荐特征进行相似度计算,得到对应推荐特征的第一相似度,确定所有第一相似度中的最大值对应的推荐特征为待重构特征;
使用所述解码器对所述待重构特征进行文本重构,得到所述文本重构结果。
4.根据权利要求2所述的知识缺陷识别方法,其特征在于,所述知识缺陷识别方法还包括:
根据所述语音业务数据和所述语义特征,使用音调识别模型进行音调提取,得到真实音调;
获取所述推荐话术对应的推荐音调,将所述推荐音调和所述真实音调进行比对,得到第三比对结果;
相应地,所述根据预设的映射表,结合所述第一比对结果和所述第二比对结果映射,得到修正向量,包括:
根据所述映射表,结合所述第一比对结果、所述第二比对结果和所述第三比对结果映射,得到所述修正向量。
5.根据权利要求1所述的知识缺陷识别方法,其特征在于,所述使用表情识别模型对所述视频业务数据进行表情推荐,得到推荐表情,包括:
使用所述表情识别模型对所述视频业务数据进行表情识别,得到所述真实表情;
将所述真实表情分别和预设表情集合中的至少两个参考表情进行相似度计算,得到对应参考表情的第二相似度,确定所有第二相似度中的最大值对应的参考表情为所述推荐表情。
6.根据权利要求1至5任一项所述的知识缺陷识别方法,其特征在于,所述学习数据包括平均学习时长、学习频率和总学习时长;
所述根据获取到的所述目标人员对应每个业务知识的学习数据,使用业务知识推荐模型对每个业务知识的推荐程度进行预测,得到每个业务知识分别对应的推荐值,包括:
针对任一业务知识,将所述目标人员对应所述业务知识的所述平均学习时长、所述学习频率和所述总学习时长组成学习数据向量;
使用所述业务知识推荐模型将所述学习数据向量映射为对应所述业务知识的推荐值。
7.根据权利要求6所述的知识缺陷识别方法,其特征在于,所述使用所述业务知识推荐模型将所述学习数据向量映射为对应所述业务知识的推荐值,包括:
获取参考学习向量,使用所述业务知识推荐模型对所述学习数据向量和所述参考学习向量进行差异分析,得到差异分析结果;
将所述差异分析结果映射为所述推荐值。
8.一种基于人工智能的知识缺陷识别装置,其特征在于,所述知识缺陷识别装置包括:
话术推荐模块,用于获取目标人员的视频业务数据和语音业务数据,使用语义理解模型对所述语音业务数据进行话术推荐,得到推荐话术;
表情推荐模块,用于使用表情推荐模型对所述视频业务数据进行表情推荐,得到推荐表情,将所述推荐话术和所述语音业务数据中的真实话术进行比对,得到第一比对结果,将所述推荐表情和所述视频业务数据中的真实表情进行比对,得到第二比对结果;
参数映射模块,用于根据预设的映射表,结合所述第一比对结果和所述第二比对结果映射,得到修正向量,所述修正向量包括N个业务知识分别对应的修正参数,N为大于一的整数;
知识推荐模块,用于根据获取到的所述目标人员对应每个业务知识的学习数据,使用业务知识推荐模型对每个业务知识的推荐程度进行预测,得到每个业务知识分别对应的推荐值;
知识确定模块,用于针对任一业务知识,将所述业务知识对应的修正系数和推荐值相乘,得到相乘结果,确定所述相乘结果为对应所述业务知识的修正推荐值,确定所有修正推荐值中的最大值对应的业务知识为目标知识,所述目标知识用于指示所述目标人员进行业务学习。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的知识缺陷识别方法。
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如权利要求1至7任一项所述的知识缺陷识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310949802.6A CN117076766A (zh) | 2023-07-28 | 2023-07-28 | 基于人工智能的知识缺陷识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310949802.6A CN117076766A (zh) | 2023-07-28 | 2023-07-28 | 基于人工智能的知识缺陷识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117076766A true CN117076766A (zh) | 2023-11-17 |
Family
ID=88718610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310949802.6A Pending CN117076766A (zh) | 2023-07-28 | 2023-07-28 | 基于人工智能的知识缺陷识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076766A (zh) |
-
2023
- 2023-07-28 CN CN202310949802.6A patent/CN117076766A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457432B (zh) | 面试评分方法、装置、设备及存储介质 | |
CN111695352A (zh) | 基于语义分析的评分方法、装置、终端设备及存储介质 | |
CN112860841B (zh) | 一种文本情感分析方法、装置、设备及存储介质 | |
CN110598008B (zh) | 录制数据的数据质检方法及装置、存储介质 | |
CN113435499B (zh) | 标签分类方法、装置、电子设备和存储介质 | |
CN117520503A (zh) | 基于llm模型的金融客服对话生成方法、装置、设备及介质 | |
CN116844573A (zh) | 基于人工智能的语音情感识别方法、装置、设备及介质 | |
CN116580702A (zh) | 基于人工智能的语音识别方法、装置、计算机设备及介质 | |
CN116450797A (zh) | 基于多模态对话的情感分类方法、装置、设备及介质 | |
CN116680385A (zh) | 基于人工智能的对话问答方法、装置、计算机设备及介质 | |
CN113704452B (zh) | 基于Bert模型的数据推荐方法、装置、设备及介质 | |
CN115080864A (zh) | 基于人工智能的产品推荐方法、装置、计算机设备及介质 | |
CN117076766A (zh) | 基于人工智能的知识缺陷识别方法、装置、设备及介质 | |
CN113836297A (zh) | 文本情感分析模型的训练方法及装置 | |
CN113724738A (zh) | 语音处理方法、决策树模型训练方法、装置、设备及存储介质 | |
CN116564354A (zh) | 基于人工智能的情绪识别方法、装置、计算机设备及介质 | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
CN116543748A (zh) | 基于实时训练的语音重构方法、装置、计算机设备及介质 | |
US20230298326A1 (en) | Image augmentation method, electronic device and readable storage medium | |
CN117391055A (zh) | 基于人工智能的视频生成方法、装置、计算机设备及介质 | |
CN112015858B (zh) | 信息的检测方法、设备及存储介质 | |
CN117037166A (zh) | 基于人工智能的文本识别方法、装置、计算机设备及介质 | |
CN117033548A (zh) | 用于缺陷分析的数据检索方法、装置、计算机设备及介质 | |
CN117745379A (zh) | 基于人工智能的文本推荐方法、装置、计算机设备及介质 | |
CN115759113A (zh) | 识别对话信息中的句子语义的方法及装置 |
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 |