CN117171365B - 一种基于知识图谱的故障问题智能定位方法及系统 - Google Patents
一种基于知识图谱的故障问题智能定位方法及系统 Download PDFInfo
- Publication number
- CN117171365B CN117171365B CN202311445705.XA CN202311445705A CN117171365B CN 117171365 B CN117171365 B CN 117171365B CN 202311445705 A CN202311445705 A CN 202311445705A CN 117171365 B CN117171365 B CN 117171365B
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- knowledge graph
- user
- attention
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 239000000047 product Substances 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
Abstract
本发明提供一种基于知识图谱的故障问题智能定位方法及系统,属于人工智能技术领域,包括构建知识图谱;接收故障现象和/或故障信息;得到故障描述信息;提取故障相关信息;查询产品的详细信息,得到产品信息和故障部件详细信息,基于用户身份查询客户相关信息;根据用户使用时长,故障图片回复对应的故障解决方案;得到系统的多条查询链路;查询链路在系统中查询结果反馈给知识图谱系统并推理评估;已知问题则通过解决方案生成器生成解决方案,未知问题则通过故障子系统灵活配置是否给用户发送询前表单;智能匹配客服人员解决问题;将解决故障过程中解决方案相关信息自动推送更新到知识图谱子系统中;根据知识图谱相关数据自动给出历史解决方案。
Description
技术领域
本发明属于人工智能技术领域,具体涉及一种基于知识图谱的故障问题智能定位方法及系统。
背景技术
目前解决客户反馈故障问题的智能客服系统的构建可以分为两大类:一是传统的基于文本或数据库搜索技术根据问题关键字来搜索给出答案,这种方式响应快速,但精度较低,只能解决简单的关键字能匹配到的问题,关键字不匹配时,即使是已知问题也无法给出问题答案;二是基于人工智能技术,利用大模型来训练模型,其优点是对于训练过的数据表现得较为智能,精度相对较高,缺点是训练成本较高,新的问题与新的知识增加时,需要重新训练模型,数据更新不及时,因而实用性不高。
发明内容
本发明提供了一种基于知识图谱的故障问题智能定位方法,其改进之处在于,所述方法包括如下步骤:
S1:基于现有结构化的对象数据构建知识图谱;
S2:接收故障现象和/或故障信息;
S3:得到故障描述信息;
S4:提取故障相关信息;
S5:通过步骤S3和S4中信息,在系统中查询产品的详细信息,得到产品信息和故障部件详细信息,基于用户身份查询客户相关信息;
S6:根据步骤S5查询到的补充信息,生成查询子图谱,根据用户使用时长,故障图片回复对应的故障解决方案;
S7:基于知识图谱查询与推理,得到系统的多条查询链路;
S8:查询链路在系统中查询结果反馈给知识图谱系统并推理评估;
S9:已知问题则通过解决方案生成器生成解决方案,未知问题,则通过故障子系统灵活配置是否给用户发送询前表单;
S10:基于训前表单和客户信息,智能匹配客服人员解决问题;
S11:将解决故障过程中的故障配件部位,故障原因,故障解决方案相关信息自动推送更新到知识图谱子系统中;
S12:根据知识图谱相关数据自动给出历史解决方案。
进一步地,所述步骤S2包括客服系统接收通过拍照得到的故障现象和/或通过自然语言描述的故障信息。
进一步地,所述步骤S3包括提取故障现象中图片中的关键信息,包括产品型号、产品故障配件部位和/或故障现象特征描述信息。
更进一步地,所述步骤S3包括:
S31将故障图片进行卷积神经网络CNN处理,得到图像特征Fcnn,通过注意力机制Att(Fcnn)进行计算;
S32引入一个注意力偏移向量,注意力分数通过如下公式(1)计算得:
(1);
其中,pi是与序列中第i个元素相关的偏移量,P表示注意力偏移向量,Q表示查询,K表示键,V表示值,表示注意力机制中的维度;
S33注意力权重通过Softmax函数计算,Fai-max=Softmax(Fai),将其对值V进行加权和,得到注意力的输出通过如下公式(2)计算得:
(2);
S34训练过程中损失函数的选取,对于产品识别,使用交叉熵损失;对于故障描述,使用均方误差损失;
S35使用Transformer模型将图像特征转化为文字序列,得到故障对应的产品和部位信息,以及对故障的描述信息,即故障现象描述,通过如下公式(3)计算得:
(3)。
进一步地,所述步骤S4包括:
通过自然语言信息提取器会话引导用户补充必要的关键信息来提取用户问题中的故障相关信息。
更进一步地,所述步骤S4包括:
S41提取用户问题中的故障相关信息,注意力权重分数通过如下公式(4)计算得:
(4);
S42使用二元交叉熵损失函数作为提取器的损失函数,用于衡量预测的关键词概率与真实标签之间的差异,通过如下公式(5)计算得:
(5)
其中,为第i个元素的关键词标签,
,N为样本数量。
进一步地,所述步骤S9包括:
S91将用户的问题描述或故障图片生成的描述信息进行补充规范化;
S92通过图谱子系统补充相关的信息;
S93通过多头注意力推理模块生成提供给客户的解决方案对应的图文信息;
S94多头注意力通过多个不同映射的注意力头来捕捉不同类型的关系;
S95将多个注意力头的上下文表示融合在一起,生成最终的多头注意力上下文表示,通过如下公式(6)计算得:
(6);
其中,Concat表示拼接操作,Wo表示学习的权重矩阵。
本发明还提出一种基于知识图谱的故障问题智能定位系统,其改进之处在于,所述系统包括客服系统、知识图谱子系统、故障解决子系统、图片识别器、自然语言信息提取器、信息查询器和解决方案生成器;
所述客服系统用于接收通过拍照得到的故障现象和/或通过自然语言描述的故障信息;
所述图片识别器用于提取故障现象中图片中的关键信息,包括产品型号、产品故障配件部位和/或故障现象特征描述信息;
所述自然语言信息提取器用于会话引导用户补充必要的关键信息来提取用户问题中的故障相关信息;
所述信息查询器用于在系统中查询产品的详细信息,得到产品信息和故障部件详细信息,基于用户身份查询客户相关信息;
所述知识图谱子系统用于根据查询到的补充信息,生成查询子图谱,根据用户使用时长,故障图片回复对应的故障解决方案;
所述故障解决子系统用于未知问题,则通过故障子系统灵活配置是否给用户发送询前表单;
所述解决方案生成器用于已知问题则通过解决方案生成器生成解决方案。
有益效果:
本发明结合知识图谱和人工智能技术,解决传统基于搜索技术的智能客服系统中的关键字匹配结果太多,精度较低问题。同时也解决了只用人工智能技术直接基于故障现象和故障解决方案来训练关联特征模型时,当有新的故障现象发生时,需要大量的训练时间及训练成本,模型才能更新问题。
本发明提出了一种基于知识图谱的故障问题智能定位方法及系统,解决客服系统中,针对用户反馈的故障问题,快速,准确的定位故障原因,给出解决方案。如:用户将故障现象拍照发给客服系统,系统若命中已知问题则自动回复解决方案,若是未知问题,则创建任务,智能匹配工程师,任务分级流转直至客户问题得以解决。
本发明无需复杂的训练,通过将历史回复的问题及解决方案自动更新到知识图谱,来精准推送问题的解决方案。
应了解的是,上述一般描述及以下具体实施方式仅为示例性及阐释性的,其并不能限制本申请所欲主张的范围。
附图说明
图1为根据本发明的一种基于知识图谱的故障问题智能定位方法流程示意图;
图2为根据本发明的一种基于知识图谱的故障问题智能定位方法中故障现象特征描述流程示意图;
图3为根据本发明的一种基于知识图谱的故障问题智能定位方法中通过解决方案生成器生成解决方案流程示意图;
图4为根据本发明的一种基于知识图谱的故障问题智能定位系统结构示意图;
应当理解的是,附图不必按比例绘制,呈现了说明本公开的基本原理的各种特征稍微简化的表示。包括例如特定尺寸、定向、位置和形状的如本文中公开的本发明的特定设计特征将部分地由特别预定的应用和使用环境来确定。
在图中,贯穿附图的几个图,附图标记是指本发明的相同或等同的部分。
具体实施方式
现在将详细参考本发明的各种实施方式,其实施例在附图中说明并在下面描述。尽管将连同本发明的示例性实施方式来描述本发明,但应当理解的是,本说明书并不旨在将本发明限制于那些示例性实施方式。另一方面,本发明旨在不仅仅覆盖本发明的示例性实施方式,还旨在覆盖各种替代物、修饰物、等同物和其他实施方式,其可以包括在由所附权利要求限定的本发明的精神和范围内。
以下,将参照附图详细描述本发明的示例性实施方式。本发明的示例性实施方式中描述的特定结构和功能仅仅是出于说明性的目的。根据本发明的构思的实施方式可以以各种形式实施,并且应当理解的是,它们不应当被解释为受示例性实施方式中描述的示例性实施方式的限制,但包括本发明的精神和范围中包括的全部修饰物、等同物或替代物。
贯穿说明书,本文所使用的专业术语是仅是为了描述各种示例性实施方式,且并不旨在于限制。将进一步理解的是,术语“包括”、“包含”、“具有”等,当在示例性实施方式中使用时,特指所陈述的部件、步骤、操作或元件的存在,但不排除其一个或多个其他部件、步骤、操作或元件的存在或添加。
本发明结合人工智能技术,基于故障分类与知识库构建知识图谱,利用人工智能预训练大模型中的图像识别,客户问题话术的实体提取,意图识别,结合已有系统中的客户相关信息(如购买产品信息)生成查询子图,基于知识图谱进行查询,推理后得到查询链路,查询链路函数得到的结果再次返回知识图谱推理系统推理评估,最后将精度较高的结果反馈给客户。
本发明的故障分类和知识库是结构化的存储在数据库中,因而数据查询与更新都很及时,同时又很好的利用人工智能技术提高故障问题的定位精度与效率,提升系统的智能化水平。
如图1所示,本发明提出一种基于知识图谱的故障问题智能定位方法,包括如下步骤:
S1:基于现有结构化的对象数据构建知识图谱;
基于已有系统中的产品,配件组成,故障分类,故障解决知识库等结构化的对象数据构建知识图谱。
S2:接收故障现象和/或故障信息;
客服系统接收用户通过拍照故障现象(产品二维码等)和/或通过自然语言描述故障信息。
S3:得到故障描述信息;
通过图片识别器提取图片中的关键信息,得到如产品型号,产品故障配件部位,故障现象特征描述等信息。
如图2所示,假设I是输入的故障图片,经过卷积神经网络CNN处理后,得到图像特征Fcnn,注意力机制Att(Fcnn)通过如下系列公式计算可得;
引入一个注意力偏移向量,其中,pi是与序列中第i个元素相关的偏移量。这些偏移量可以在训练过程中学习。其注意力分数由下面的公式计算出来:
;
其中,
P:表示注意力偏移向量;
Q:表示查询;
K:表示键;
V:表示值;
:表示注意力机制中的维度。
注意力权重通过Softmax函数来计算,如Fai-max=Softmax(Fai),将其对值V进行加权和,得到注意力的输出:
;
训练过程中损失函数的选取,对于产品识别,可以使用交叉熵损失;对于故障描述,可以使用均方误差损失。
使用Transformer模型来将图像特征转化为文字序列,得到故障对应的产品和部位信息,以及对故障的描述信息,也即故障现象描述,如下公式所示:
;
本发明通过引入学习注意力偏移向量P,模型可以自适应地调整不同位置的注意力偏移,以高效捕捉关键位置信息。本发明可以在不需要显式的正弦余弦位置编码的情况下引入位置信息。
S4:提取故障相关信息;
通过自然语言信息提取器提取用户问题中的故障相关信息,这里会通过多轮会话引导用户补充必要的关键信息。比如用户:“灯不亮了”,系统提取缺失产品信息,回自动回复:“你购买的是哪款产品?”等。
注意力权重分数通过如下公式计算得到:
;
使用二元交叉熵损失函数作为提取器的损失函数,用于衡量预测的关键词概率与真实标签之间的差异,如下:
;
其中,
:为第i个元素的关键词标签;
;
N:为样本数量。
S5:通过步骤S3和S4中信息,在系统中查询产品的详细信息,得到产品信息和故障部件详细信息,基于用户身份查询客户相关信息;
通过信息查询器利用步骤S3和S4中信息,在系统中查询产品的详细信息,得到产品信息和故障部件详细信息,基于用户身份查询客户相关信息(如购买产品订单,产品的配件信息);
其中,信息查询器是一个并不高度可扩展模块,可以使用传统的sql(关系数据库)或cql(图数据库)查询语法来实现,也可以使用函数实现。
S6:根据步骤S5查询到的补充信息,生成查询子图谱,根据用户使用时长,故障图片回复对应的故障解决方案。
通过知识图谱子系统根据步骤5查询到的补充信息,生成查询子图谱,如用户购买了A1产品B1部件关联C1故障现象为“灯不亮”,关联的故障可能原因为:D1为保险丝损坏,D2为电池没电,D3灯泡损坏等等。则根据用户使用时长(产品购买到现在时长),故障图片中是否存在灯泡破损现象等推理出概率较高的原因D2,回复用户建议参考如下步骤更换电池解决,若没解决则回复概率次高的原因D1对应的故障解决方案。其中,知识图谱子系统包括故障特特征图谱、故障原因与方案、产品配件图谱和查询子图谱;
故障特征图谱,用于存储结构化的故障特征对象数据,包含故障特征描述,故障图片,关联产品配件对象,关联故障原因对象等;
故障原因与方案,用于存储结构化的工程师分析确认后的多个故障原因描述,及其对应的解决方案,进一步确认的所需的信息,关联故障特征对象;
产品配件图谱,用于存储结构化的产品配件信息,包含配件描述,配件图片,关联产品,关联故障特征对象等;
查询子图谱,用于根据历史查询和对历史故障分析,存储对象图谱查询后排序所需的权重信息,以给出相关性和准确度较高的内容。
S7:基于知识图谱查询与推理,得到系统的多条查询链路。
S8:查询链路在系统中查询结果反馈给知识图谱系统再次推理评估。
S9:通过解决方案生成器,解决已知问题,通过解决方案生成器生成解决方案;其架构图如图3所示。
将用户的问题描述或故障图片生成的描述等信息进行补充,规范化后信息,跟系统中的故障现象高度相关,再通过图谱子系统补充相关的信息,通过多头注意力推理模块生成提供给客户的解决方案对应的图文信息.多头注意力通过多个不同映射的注意力头来捕捉不同类型的关系,将多个注意力头的上下文表示融合在一起,生成最终的多头注意力上下文表示,其公式表示如下:
;
其中,
Concat:表示拼接操作;
Wo:是学习的权重矩阵。
通过故障解决子系统解决未知问题,通过故障子系统灵活配置是否给用户发送询前表单。其中,包括客服管理模块、工程师管理模块、技能管理模块和结果输出;
客服管理模块, 对于系统无法自动给出的未知故障,自动转接入客服模块,完成客服人员的自动分配,信息收集整理,辅助回复话术,转接工程师等功能;
工程师管理模块,用于工程师分析故障现象,填写故障原因,给出故障解决方案,更新故障特征,关连故障对应的产品配件等;
技能管理模块,对于处理故障的客服人员,分析问题的工程师以及去到客户故障现场解决问题的工程师需要相关的技能考核通过后持证上岗的,此模块存储故障解决所需技能对应的人员信息,作为故障解决的重要流转指派依据;
结果输出,用于故障解决后,将解决过程中记录的故障特征,故障原因与解决方案结构化输出自动更新到知识图谱子系统中,触发更新查询器所需的向量数据。
S10:基于训前表单和客户信息,智能匹配客服人员,逐级接入初级,中级,高级售后工程师,直到问题解决。
S11:故障解决子系统采集工程师在解决故障过程中的,故障配件部位,故障原因,故障解决方案等相关信息,自动推送更新到知识图谱子系统中。
S12:知识图谱更新相关数据。第二个客户反馈类似问题时,自动给出历史解决方案。
如图4所示,本发明还提供一种基于知识图谱的故障问题智能定位系统,所述系统包括客服系统、知识图谱子系统、故障解决子系统、图片识别器、自然语言信息提取器、信息查询器和解决方案生成器;
所述客服系统用于接收通过拍照得到的故障现象和/或通过自然语言描述的故障信息;
所述图片识别器用于提取故障现象中图片中的关键信息,包括产品型号、产品故障配件部位和/或故障现象特征描述信息;
所述自然语言信息提取器用于会话引导用户补充必要的关键信息来提取用户问题中的故障相关信息;
所述信息查询器用于在系统中查询产品的详细信息,得到产品信息和故障部件详细信息,基于用户身份查询客户相关信息;
所述知识图谱子系统用于根据查询到的补充信息,生成查询子图谱,根据用户使用时长,故障图片回复对应的故障解决方案;
所述故障解决子系统用于未知问题,则通过故障子系统灵活配置是否给用户发送询前表单;
所述解决方案生成器用于已知问题则通过解决方案生成器生成解决方案。
已经出于说明和描述的目的而呈现了本发明特定示例性实施方式的前述描述。并不旨在将其排除或将本发明限制于所公开的精确形式,并且显然地,鉴于以上教导,许多修饰和改变是可行的。选择并描述示例性实施方式以解释本发明的某些原理和它们的实际应用,以便使得本领域的其他技术人员能够制作或利用本发明各种示例性实施方式,及其各种替代物和修饰物。其目的是本发明的范围将由本发明所附的权利要求书及其等同物来定义。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (7)
1.一种基于知识图谱的故障问题智能定位方法,其特征在于,所述方法包括如下步骤:
S1:基于现有结构化的对象数据构建知识图谱系统;
S2:接收故障现象和/或故障信息;
S3:得到故障描述信息;
所述步骤S3包括:
S31将故障图片进行卷积神经网络CNN处理,得到图像特征Fcnn,通过注意力机制Att(Fcnn)进行计算;
S32引入一个注意力偏移向量,注意力分数通过如下公式(1)计算得:
(1);
其中,pi是与序列中第i个元素相关的偏移量,P表示注意力偏移向量,Q表示查询,K表示键,V表示值,表示注意力机制中的维度;
S33注意力权重通过Softmax函数计算,Faimax=Softmax(Fai),将其对值V进行加权和,得到注意力的输出通过如下公式(2)计算得:
(2);
S34训练过程中损失函数的选取,对于产品识别,使用交叉熵损失;对于故障描述,使用均方误差损失;
S35使用Transformer模型将图像特征转化为文字序列,得到故障对应的产品和部位信息,以及对故障的描述信息,即故障现象描述,通过如下公式(3)计算得:
(3);
S4:提取故障相关信息;
S5:通过步骤S3和S4中信息,在知识图谱系统中查询产品的详细信息,得到产品信息和故障部件详细信息,基于用户身份查询客户相关信息;
S6:根据步骤S5得到的产品信息、故障部件详细信息以及客户相关信息,生成查询图谱子系统,根据用户使用时长,故障图片回复对应的故障解决方案;
S7:基于知识图谱查询与推理,得到知识图谱系统的多条查询链路;
S8:根据查询链路得到的查询结果反馈给知识图谱系统并推理评估;
S9:已知问题则通过解决方案生成器生成解决方案,未知问题,则通过故障子系统灵活配置是否给用户发送询前表单;
S10:基于询前表单和客户信息,智能匹配客服人员解决问题;
S11:将解决故障过程中的故障配件部位,故障原因,故障解决方案相关信息自动推送更新到知识图谱系统中;
S12:根据更新后的知识图谱自动给出历史解决方案。
2.根据权利要求1所述的一种基于知识图谱的故障问题智能定位方法,其特征在于,所述步骤S2包括客服系统接收通过拍照得到的故障现象和/或通过自然语言描述的故障信息。
3.根据权利要求1所述的一种基于知识图谱的故障问题智能定位方法,其特征在于,所述步骤S3包括提取故障现象中图片中的关键信息,包括产品型号、产品故障配件部位和/或故障现象特征描述信息。
4.根据权利要求1所述的一种基于知识图谱的故障问题智能定位方法,其特征在于,所述步骤S4包括:
通过自然语言信息提取器会话引导用户补充关键信息来提取用户问题中的故障相关信息。
5.根据权利要求1所述的一种基于知识图谱的故障问题智能定位方法,其特征在于,所述步骤S4包括:
S41提取用户问题中的故障相关信息,注意力权重分数通过如下公式(4)计算得:
(4);
S42使用二元交叉熵损失函数作为提取器的损失函数,用于衡量预测的关键词概率与真实标签之间的差异,通过如下公式(5)计算得:
(5);
其中,为第i个元素的关键词标签,
,N为样本数量。
6.根据权利要求1所述的一种基于知识图谱的故障问题智能定位方法,其特征在于,所述步骤S9包括:
S91将用户的问题描述或故障图片生成的描述信息进行补充规范化;
S92通过图谱子系统补充相关的信息;
S93通过多头注意力推理模块生成提供给客户的解决方案对应的图文信息;
S94多头注意力通过多个不同映射的注意力头来捕捉不同类型的关系;
S95将多个注意力头的上下文表示融合在一起,生成最终的多头注意力上下文表示,通过如下公式(6)计算得:
(6);
其中,Concat表示拼接操作,Wo表示学习的权重矩阵。
7.根据权利要求1所述一种基于知识图谱的故障问题智能定位方法的定位系统,其特征在于,所述系统包括客服系统、知识图谱系统、查询图谱子系统、故障解决子系统、图片识别器、自然语言信息提取器、信息查询器和解决方案生成器;
所述客服系统用于接收通过拍照得到的故障现象和/或通过自然语言描述的故障信息;
所述图片识别器用于提取故障现象中图片中的关键信息,包括产品型号、产品故障配件部位和/或故障现象特征描述信息;
所述自然语言信息提取器用于会话引导用户补充关键信息来提取用户问题中的故障相关信息;
所述信息查询器用于在系统中查询产品的详细信息,得到产品信息和故障部件详细信息,基于用户身份查询客户相关信息;
所述查询图谱子系统根据得到的产品信息、故障部件详细信息以及客户相关信息生成,根据用户使用时长,故障图片回复对应的故障解决方案;
所述故障解决子系统用于未知问题,则通过故障子系统灵活配置是否给用户发送询前表单;
所述解决方案生成器用于已知问题则通过解决方案生成器生成解决方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311445705.XA CN117171365B (zh) | 2023-11-02 | 2023-11-02 | 一种基于知识图谱的故障问题智能定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311445705.XA CN117171365B (zh) | 2023-11-02 | 2023-11-02 | 一种基于知识图谱的故障问题智能定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117171365A CN117171365A (zh) | 2023-12-05 |
CN117171365B true CN117171365B (zh) | 2024-02-02 |
Family
ID=88947220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311445705.XA Active CN117171365B (zh) | 2023-11-02 | 2023-11-02 | 一种基于知识图谱的故障问题智能定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117171365B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668273B (zh) * | 2024-02-01 | 2024-04-19 | 山东省国土测绘院 | 一种测绘成果管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021139283A1 (zh) * | 2020-06-16 | 2021-07-15 | 平安科技(深圳)有限公司 | 基于深度学习技术的知识图谱问答方法、装置及设备 |
CN114691831A (zh) * | 2022-03-31 | 2022-07-01 | 彩虹无线(北京)新技术有限公司 | 一种基于知识图谱的任务型汽车故障智能问答系统 |
CN114841347A (zh) * | 2022-04-02 | 2022-08-02 | 中国工商银行股份有限公司 | 基于知识图谱的自助故障诊断方法及装置 |
CN116974799A (zh) * | 2023-05-22 | 2023-10-31 | 陕西科技大学 | 一种基于知识图谱的照明系统的故障诊断方法及系统 |
-
2023
- 2023-11-02 CN CN202311445705.XA patent/CN117171365B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021139283A1 (zh) * | 2020-06-16 | 2021-07-15 | 平安科技(深圳)有限公司 | 基于深度学习技术的知识图谱问答方法、装置及设备 |
CN114691831A (zh) * | 2022-03-31 | 2022-07-01 | 彩虹无线(北京)新技术有限公司 | 一种基于知识图谱的任务型汽车故障智能问答系统 |
CN114841347A (zh) * | 2022-04-02 | 2022-08-02 | 中国工商银行股份有限公司 | 基于知识图谱的自助故障诊断方法及装置 |
CN116974799A (zh) * | 2023-05-22 | 2023-10-31 | 陕西科技大学 | 一种基于知识图谱的照明系统的故障诊断方法及系统 |
Non-Patent Citations (2)
Title |
---|
结合偏移注意力边卷积与空间注意力的点云分类与分割方法;蔡万源;中国优秀硕士学位论文全文数据库 信息科技辑(第03期);全文 * |
融合知识图谱信息的常用医疗知识问答系统的设计与实现;钱振飞;中国优秀硕士学位论文全文数据库医药卫生科技辑(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117171365A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117171365B (zh) | 一种基于知识图谱的故障问题智能定位方法及系统 | |
CN111506722A (zh) | 基于深度学习技术的知识图谱问答方法、装置及设备 | |
CN110472090B (zh) | 基于语义标签的图像检索方法以及相关装置、存储介质 | |
CN106203490A (zh) | 一种安卓平台下基于属性学习和交互反馈的图像在线识别、检索方法 | |
CN106598994B (zh) | 一种基于用户在线行为数据的高效招聘系统及方法 | |
CN110866093A (zh) | 机器问答方法及装置 | |
CN110598037A (zh) | 一种图像搜索方法、装置和存储介质 | |
CN109408574B (zh) | 基于文本挖掘技术的投诉责任认定系统 | |
CN112527972A (zh) | 基于深度学习的智能客服聊天机器人实现方法和系统 | |
CN110363044A (zh) | 快递单号的录入方法及系统 | |
CN116414990B (zh) | 一种车辆故障诊断与预防方法 | |
CN113779195A (zh) | 热点事件状态评估方法 | |
CN115395646A (zh) | 一种数字孪生式牵引变电所智慧运维系统 | |
CN117036778A (zh) | 一种基于图文转换模型的安全隐患识别标注方法 | |
CN117235238B (zh) | 问答方法、装置、存储介质及计算机设备 | |
CN115809796B (zh) | 基于用户画像的项目智能派工方法及系统 | |
WO2023103894A1 (zh) | 铭牌识别模型的训练、铭牌的识别方法及相关装置 | |
CN113033587A (zh) | 图像识别结果评估方法、装置、电子设备及存储介质 | |
CN116363469A (zh) | 一种少样本红外目标检测方法、装置和系统 | |
CN113254468B (zh) | 一种装备的故障查询及推理方法 | |
CN115828156A (zh) | 一种基于电网元数据监测的偷漏电识别方法及系统 | |
CN114491049A (zh) | 一种基于信息管理的办公系统资产配置方法 | |
US20100306155A1 (en) | System and method for validating signatory information and assigning confidence rating | |
CN113643163A (zh) | 基于深度学习的互联网教育学生综合画像标签管理系统 | |
CN112199114A (zh) | 一种基于自注意力机制的软件缺陷报告分配方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |