CN117520526B - 一种人工智能的对话方法及系统 - Google Patents
一种人工智能的对话方法及系统 Download PDFInfo
- Publication number
- CN117520526B CN117520526B CN202410018170.6A CN202410018170A CN117520526B CN 117520526 B CN117520526 B CN 117520526B CN 202410018170 A CN202410018170 A CN 202410018170A CN 117520526 B CN117520526 B CN 117520526B
- Authority
- CN
- China
- Prior art keywords
- mapping
- processing
- dialogue information
- feature
- hierarchy
- 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 24
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 266
- 238000013507 mapping Methods 0.000 claims description 231
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000001939 inductive effect Effects 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06F16/30—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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及人工智能的技术领域，公开了一种人工智能的对话方法及系统，本发明通过对用户的对话信息进行特征词的提取与映射计算，来得到对话信息所对应的映射层级，并在该映射层级的基础上再次根据特征词进行具体的定位，以获取对话信息对应的处理事项与处理对策，从而进行回复，若未能获取映射层级，则根据特征词进行模型预测，以对用户进行回复，避免了列举式的现况，解决了现有技术中人工智能在进行看客服对话时采用列举式方式，导致交流效率较低的问题。
Description
技术领域
本发明涉及人工智能的技术领域，尤其是一种人工智能的对话方法及系统。
背景技术
在网络购物等一些行业中，常设置客户机器人对客户进行初步的交接与对话，以压缩人工成本，而现有的客户机器人在对客户进行对话时，往往会将全部的预设问题向客户列举出来，从而与客户进行交流，这种交流方式对客户不够友好：人工感过高，无法保证较高的交流效率，需要客户付出较高的精力进行对话，对客户造成负面的情绪价值影响。
发明内容
本发明的目的在于提供一种人工智能的对话方法及系统，旨在解决现有技术中人工智能在进行看客服对话时采用列举式方式，导致交流效率较低的问题。
本发明是这样实现的，第一方面，本发明提供一种人工智能的对话方法，包括：
获取用户的对话信息并进行分析，以获取所述对话信息中的若干特征词，并基于各个所述特征词对所述对话信息进行对应的处理层级的映射计算，以在预设的若干处理层级中确定所述对话信息的映射层级；其中，各个所述处理层级分别具有对应内容；
当确定所述对话信息的映射层级后，根据所述映射层级的对应内容对所述对话信息中的各个特征词进行具体定位，以确定所述对话信息对应的具体事项，并根据所述具体事项调取对应的处理对策，以对所述对话信息进行回复；
若未能确定所述对话信息的映射层级，则根据各个所述特征词构建基础联系模型，并根据预设的数据库对所述基础联系模型进行扩充，以得到若干预测联系模型，根据若干所述预测联系模型对用户进行回复。
优选地，获取用户的对话信息并进行分析，以获取所述对话信息中的若干特征词，并基于各个所述特征词对所述对话信息进行对应的处理层级的映射计算，以在预设的若干处理层级中确定所述对话信息的映射层级的步骤包括：
预先根据若干处理事项分别生成对应的处理层级；其中，所述处理事项之间存在并列关系和包含关系，所述处理层级之间呈对应所述处理事项的并列结构和嵌套结构，所述处理层级根据处于嵌套结构之中的位置被划分为浅度层级和深度层级，映射计算的对象仅为所述浅度层级；
针对各个所述处理层级分别生成对应的特征词，构建特征映射层对所有的特征词进行归纳，并为所述特征映射层中的所述特征词赋予对各个所述处理层级的映射参数；
将用户的对话信息代入至所述特征映射层中，通过所述特征映射层对所述对话信息进行特征词的采集与映射计算，从而得到所述对话信息对各个所述处理层级的映射参数；
根据预设标准对各个所述处理层级的映射参数进行判断，从而确定所述对话信息的映射层级。
优选地，将用户的对话信息代入至所述特征映射层中，通过所述特征映射层对所述对话信息进行特征词的采集与映射计算，从而得到所述对话信息对各个所述处理层级的映射参数的步骤包括：
获取用户的对话信息，并将所述对话信息代入至所述特征映射层中，以对对话信息进行特征词的提取；
将所述对话信息中的特征词作为第一映射主体，并通过所述特征映射层分别赋予各个所述第一映射主体对各个所述处理层级的映射参数，将各个所述处理层级的各个映射参数相加，以得到所述对话信息对各个所述处理层级的第一映射参数；
对各个所述处理层级所具有的各个映射参数进行相邻程度的计算，并根据计算的结果生成各个所述处理层级的第二映射参数；
将各个所述处理层级所具有的所述第一映射参数和所述第二映射参数进行绑定，以得到各个所述处理层级的映射参数。
优选地，当确定所述对话信息的映射层级后，根据所述映射层级的对应内容对所述对话信息中的各个特征词进行具体定位，以确定所述对话信息对应的具体事项，并根据所述具体事项调取对应的处理对策，以对所述对话信息进行回复的步骤包括：
根据所述对话信息的映射层级调取对应的所述处理层级；其中，所述处理层级分别对应各个处理事项，所述处理事项之间存在并列关系和包含关系，所述处理层级之间呈对应所述处理事项的并列结构和嵌套结构；
根据所述对话信息的各个特征词分别对所述处理层级中各个并列结构与嵌套结构进行映射确信度的对比分析，并将对应最高所述映射确信度的处理层级的处理事项作为所述对话信息对应的具体事项，以调取对应的处理对策；
其中，根据所述对话信息的各个特征词分别对所述处理层级中各个并列结构与嵌套结构进行映射确信度的对比分析的步骤包括：
将所述处理层级中的各个并列结构和嵌套结构按层级和顺序分别赋予结构标记，通过所述结构标记将所述处理层级中的各个并列结构与嵌套结构依次与所述对话信息中的各个特征词进行归属分析，以得到所述对话信息的各个特征词对所述处理层级中各个并列结构与嵌套结构的归纳参数；
根据所述处理层级中各个嵌套结构的归纳参数的增减形式为所述嵌套结构赋予第一确信度，根据所述处理层级中各个并列结构的归纳参数为各个所述并列结构赋予第二确信度，将所述第一确信度和所述第二确信度进行绑定，以得到所述处理层级中各个并列结构与嵌套结构的映射确定度。
优选地，根据各个所述特征词构建基础联系模型，并根据预设的数据库对所述基础联系模型进行扩充，以得到若干预测联系模型的步骤包括：
根据各个所述特征词构建基础联系模型；其中，所述基础联系模型具有若干联系空位，且各个所述联系空位分别对应一个特征词，将各个所述特征词代入至所述基础联系模型的各个联系空位中；
将代入有所述特征词的所述联系空位标记为基础联系位，并将各个联系空位依次标记为预测联系位，以与所述基础联系位进行关联性的分析；
根据预设标准对关联性的分析结果进行判断，将符合预设标准的预测联系位分别与所述基础联系位共同构建得到若干预测联系模型。
优选地，根据若干所述预测联系模型对用户进行回复的步骤包括：
根据所述预测联系模型调取对应的若干处理事项与处理对策，并将对应的若干处理事项与处理对策归纳至预备序列中；
根据若干所述预测联系模型生成对用户的询问语句，以接收用户的选择指令，从而确定任一预测联系模型，当根据用户的选择指令确定所述预测联系模型后，根据所述预测联系模型从所述预备序列中调取对应的处理事项与处理对策对用户进行回复。
第二方面，本发明提供一种人工智能的对话系统，包括：
特征映射模块，用于获取用户的对话信息并进行分析，以获取所述对话信息中的若干特征词，并基于各个所述特征词对所述对话信息进行对应的处理层级的映射计算，以确定所述对话信息的映射层级；
第一回复模块，用于当确定所述对话信息的映射层级后，根据所述映射层级的对应内容对所述对话信息中的各个特征词进行具体定位，以确定所述对话信息对应的具体事项，并根据所述具体事项调取对应的处理对策，以对所述对话信息进行回复；
第二回复模块，用于在未能确定所述对话信息的映射层级时，则根据各个所述特征词构建基础联系模型，并根据预设的数据库对所述基础联系模型进行扩充，以得到若干预测联系模型，根据若干所述预测联系模型对用户进行回复。
本发明提供了一种人工智能的对话方法，具有以下有益效果：
本发明通过对用户的对话信息进行特征词的提取与映射计算，来得到对话信息所对应的映射层级，并在该映射层级的基础上再次根据特征词进行具体的定位，以获取对话信息对应的处理事项与处理对策，从而进行回复，若未能获取映射层级，则根据特征词进行模型预测，以对用户进行回复，避免了列举式的现况，解决了现有技术中人工智能在进行看客服对话时采用列举式方式，导致交流效率较低的问题。
附图说明
图1是本发明实施例提供的一种人工智能的对话方法的步骤示意图；
图2是本发明实施例提供的一种人工智能的对话系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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仅用以解释本发明，并不用于限定本发明。
本实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
以下结合具体实施例对本发明的实现进行详细的描述。
参照图1、图2所示，为本发明提供较佳实施例。
第一方面，本发明提供一种人工智能的对话方法，包括：
S1：获取用户的对话信息并进行分析，以获取所述对话信息中的若干特征词，并基于各个所述特征词对所述对话信息进行对应的处理层级的映射计算，以在预设的若干处理层级中确定所述对话信息的映射层级；其中，各个所述处理层级分别具有对应内容；
S2：当确定所述对话信息的映射层级后，根据所述映射层级的对应内容对所述对话信息中的各个特征词进行具体定位，以确定所述对话信息对应的具体事项，并根据所述具体事项调取对应的处理对策，以对所述对话信息进行回复；
S3：若未能确定所述对话信息的映射层级，则根据各个所述特征词构建基础联系模型，并根据预设的数据库对所述基础联系模型进行扩充，以得到若干预测联系模型，根据若干所述预测联系模型对用户进行回复。
具体地，首先获取用户的对话信息并进行分析，以获取对话信息中的若干特征词，并基于各个特征词对对话信息进行对应的处理层级的映射计算，以在预设的若干处理层级中确定对话信息的映射层级。
可以理解的是，为了实现上述的步骤，需要预先构建若干处理层级，并为每个处理层级分别与预设的各个特征词构建起映射关系，其中，同一个特征词可以指向不同的处理层级，并且指向不同处理层级的映射关系的映射程度存在差别，因此，可以根据对话信息中的各个特征词进行对话信息在整体上与各个处理层级的映射程度，从而确定对话信息所表达是含义映射指向的处理层级，以将该处理层级作为对话信息的映射层级。
更具体地，各个处理层级分别具有对应内容，每个处理层级的对应内容包括一个区分领域中的若干处理事项与处理对策，需要说明的是，各个处理层级呈并列结构与嵌套结构，也就是说，各个区分领域存在着平级关系与包含关系，因此在对话信息的映射过程中，需要从高到低地精准地确定对话信息的映射指向的具体处理层级。
更具体地，当确定对话信息的映射层级后，映射层级中包含有若干个从属于该区分领域的处理事项与处理对策，此时根据映射层级的对应内容对对话信息中的各个特征词进行具体定位，也就是根据对话信息中的各个特征词确定对话信息在该处理层级中对应的处理事项，将其作为对话信息映射对应的具体事项，并根据该具体事项调取对应的处理对策，以对对话信息进行回复。
更具体地，当对话信息中包含的特征词的映射指向性不够明确，导致无法确定对话信息的映射层级时，此时需要根据各个特征词构建基础联系模型，并根据预设的数据库对基础联系模型进行扩充，以得到若干预测联系模型，并根据若干预测联系模型对用户进行回复。
需要说明的是，基础联系模型是用于获取对话信息中已有的特征词之间的关联性，并基于这个关联性对预设数据库中存储的各个特征词进行推测，以选择出与现有特征词之间的关联性符合预设标准的若干特征词，并将这些特征词与对话信息中的特征词进行拼接，得到若干预测联系模型，可以理解的是，每个预测联系模型分别对应一个区分领域，根据各个预测联系模型生成询问式的回复，与用户进行对话，从而确定映射层级并进行后续处理。
本发明提供了一种人工智能的对话方法，具有以下有益效果：
本发明通过对用户的对话信息进行特征词的提取与映射计算，来得到对话信息所对应的映射层级，并在该映射层级的基础上再次根据特征词进行具体的定位，以获取对话信息对应的处理事项与处理对策，从而进行回复，若未能获取映射层级，则根据特征词进行模型预测，以对用户进行回复，避免了列举式的现况，解决了现有技术中人工智能在进行看客服对话时采用列举式方式，导致交流效率较低的问题。
优选地，获取用户的对话信息并进行分析，以获取所述对话信息中的若干特征词，并基于各个所述特征词对所述对话信息进行对应的处理层级的映射计算，以在预设的若干处理层级中确定所述对话信息的映射层级的步骤包括：
S11：预先根据若干处理事项分别生成对应的处理层级；其中，所述处理事项之间存在并列关系和包含关系，所述处理层级之间呈对应所述处理事项的并列结构和嵌套结构，所述处理层级根据处于嵌套结构之中的位置被划分为浅度层级和深度层级，映射计算的对象仅为所述浅度层级；
S12：针对各个所述处理层级分别生成对应的特征词，构建特征映射层对所有的特征词进行归纳，并为所述特征映射层中的所述特征词赋予对各个所述处理层级的映射参数；
S13：将用户的对话信息代入至所述特征映射层中，通过所述特征映射层对所述对话信息进行特征词的采集与映射计算，从而得到所述对话信息对各个所述处理层级的映射参数；
S14：根据预设标准对各个所述处理层级的映射参数进行判断，从而确定所述对话信息的映射层级。
具体地，预先根据若干处理事项分别生成对应的处理层级，处理事项之间存在着并列关系与包含关系，因此根据处理事项之间的并列关系与包含关系构建处理层级之间的并列结构与嵌套结构。
在之前的描述中，有说明过：各个处理层级分别具有对应内容，每个处理层级的对应内容包括一个区分领域中的若干处理事项与处理对策，各个处理层级呈并列结构与嵌套结构，各个区分领域存在着平级关系与包含关系；从这一描述中可以看出，在构建处理层级时，可以先将各个处理事项根据所归属的区分领域进行归纳，得到若干具有并列关系和包含关系的事项集合，并针对各个事项集合构建对应的处理层级。
更具体地，由于各个处理层级呈现出并列和嵌套的关系，因此不同处理层级在整体的处理层级结构中具有不同的层级深度：被包含的处理层级的层级深度更高，包含该处理层级的处理层级的层级深度要浅。
需要说明的是，通过特征词映射来确定对话信息所指代的处理层级，在映射层级的层级深度上具有局限性：若直接通过该种方式确定到最深度的处理层级，则会存在着领域误判的情况，并且在后续过程中难以进行修正与调整，因此根据处理层级在整体嵌套结构中的位置将处理层级分为浅度层级和深度层级，浅度层级包含有较为宽广的区分领域，而深度层级是位于浅度层级的嵌套结构内部具有更为细微的区分领域，映射计算的处理层级只针对浅度层级。
更具体地，针对各个处理层级分别生成对应的特征词，在特征词的生成过程中，不同的处理层级会出现相同的特征词，在不同的处理层级中，相同的特征词与该处理层级的联系程度并不相同，这意味着对话信息中的同一个特征词对于不同的处理层级的映射指向性是不同的。
更具体地，构建特征映射层，特征映射层用于归纳所有的特征词，并根据特征词与各个处理层级之间的联系程度赋予特征词对各个处理层级的映射参数。
更具体地，将用户的对话信息代入至特征映射层中，通过特征映射层对对话信息进行特征词的采集与映射计算，从而得到对话信息对各个处理层级的映射参数，根据预设标准对各个处理层级的映射参数进行判断，从而确定对话信息的映射层级。
优选地，将用户的对话信息代入至所述特征映射层中，通过所述特征映射层对所述对话信息进行特征词的采集与映射计算，从而得到所述对话信息对各个所述处理层级的映射参数的步骤包括：
S131：获取用户的对话信息，并将所述对话信息代入至所述特征映射层中，以对对话信息进行特征词的提取；
S132：将所述对话信息中的特征词作为第一映射主体，并通过所述特征映射层分别赋予各个所述第一映射主体对各个所述处理层级的映射参数，将各个所述处理层级的各个映射参数相加，以得到所述对话信息对各个所述处理层级的第一映射参数；
S133：对各个所述处理层级所具有的各个映射参数进行相邻程度的计算，并根据计算的结果生成各个所述处理层级的第二映射参数；
S134：将各个所述处理层级所具有的所述第一映射参数和所述第二映射参数进行绑定，以得到各个所述处理层级的映射参数。
具体地，通过特征映射层对用户的对话信息进行特征词的提取，特征映射层通过两种途径对各个特征词进行映射，并综合分析来确定最后的映射参数。
更具体地，第一种映射途径是基于各个特征词对各个处理层级的映射参数进行对话信息整体上对各个处理层级的映射参数的计算，也就是说，将对话信息中的特征词作为第一映射主体，并通过特征映射层分别赋予各个第一映射主体对各个处理层级的映射参数，将各个处理层级的各个映射参数相加，以得到对话信息对各个处理层级的第一映射参数。
更具体地，第二种映射途径是对各个处理层级所具有的各个映射参数进行相邻程度的计算，并根据计算的结果生成各个处理层级的第二映射参数。
需要说明的是，处理层级中被计算相邻程度的各个映射参数是各个第一映射主体对处理层级的映射参数，对这些映射参数的邻近程度的计算的目的在于判断映射参数所对应的特征词之间的关系的紧密程度。
可以理解的是，在构建特征映射层时，会根据特征词对于各个处理层级的映射指向性生成特征词对各个处理层级的映射参数，而在同一处理层级中联系紧密的两个特征词，在该处理层级中的映射参数会更为较近。
更具体地，将各个处理层级所具有的第一映射参数和第二映射参数进行绑定，以得到各个处理层级的映射参数，需要说明的是，这里的绑定是将第一映射参数和第二映射参数同时与各个处理层级构建联系对应关系，从而进行各个处理层级的映射参数之间的对比分析。
需要注意的是，处理层级的映射参数和特征词对处理层级的映射参数分别指代不同含义，前者是基于后者计算得来的。
优选地，当确定所述对话信息的映射层级后，根据所述映射层级的对应内容对所述对话信息中的各个特征词进行具体定位，以确定所述对话信息对应的具体事项，并根据所述具体事项调取对应的处理对策，以对所述对话信息进行回复的步骤包括：
S21：根据所述对话信息的映射层级调取对应的所述处理层级；其中，所述处理层级分别对应各个处理事项，所述处理事项之间存在并列关系和包含关系，所述处理层级之间呈对应所述处理事项的并列结构和嵌套结构；
S22：根据所述对话信息的各个特征词分别对所述处理层级中各个并列结构与嵌套结构进行映射确信度的对比分析，并将对应最高所述映射确信度的处理层级的处理事项作为所述对话信息对应的具体事项，以调取对应的处理对策。
具体地，在处理层级的预先构建中，各个处理层级对应各个处理事项之间的并列关系和包含关系，呈现出并列结构和嵌套结构，并且根据处理层级在整体嵌套结构中的位置，将处理层级划分为浅度层级与深度层级，其中，深度层级被浅度层级包含在内。
举例来说，区分领域A包干区分领域A1和区分领域A2，区分领域A1包含有处理事项A11、处理事项A12、处理事项A13，那么，根据区分领域A、区分领域A1、区分领域A2所构建的处理层级被划分为浅度层级，根据处理事项A11、处理事项A12、处理事项A13所构建的处理层级被划分为深度层级，或者，根据实际情况可以进行调整，将根据区分领域A1和区分领域A2共欧偶见的处理层级也划分为浅度层级。
更具体地，在确定映射层级后，以该映射层级的下述各个深度层级为对象，根据对话信息的各个特征词分别进行映射确信度的对比分析，并将对应最高映射确信度的处理层级的处理事项作为对话信息对应的具体事项，以调取对应的处理对策，其步骤包括：
S221：将所述处理层级中的各个并列结构和嵌套结构按层级和顺序分别赋予结构标记，通过所述结构标记将所述处理层级中的各个并列结构与嵌套结构依次与所述对话信息中的各个特征词进行归属分析，以得到所述对话信息的各个特征词对所述处理层级中各个并列结构与嵌套结构的归纳参数；
S222：根据所述处理层级中各个嵌套的归纳参数的增减形式为所述嵌套结构赋予第一确信度，根据所述处理层级中各个并列结构的归纳参数为各个所述并列结构赋予第二确信度，将所述第一确信度和所述第二确信度进行绑定，以得到所述处理层级中各个并列结构与嵌套结构的映射确定度。
具体地，第一步将处理层级中的各个并列结构与嵌套结构按层级和顺序分别赋予结构标记，结构标记用于描述处理层级中任一结构在处理层级中的位置，通过结构标记将处理层级中的各个并列结构与嵌套结构依次与对话信息中的各个特征词进行归属分析，以得到对话信息的各个特征词对处理层级中各个并列结构与嵌套结构的归纳参数。
更具体地，上述步骤中的归属分析是基于各个处理层级所对应的特征词的映射参数进行的，其具体步骤包括：获取该处理层级所有对应的特征词的映射参数，将对话信息包含的特征词标记为第一特征词，将其余特征词标记为第二特征词，通过计算第一特征词与第二特征词之间的比值关系来生成归纳参数。
更具体地，在得到归纳参数后，根据处理层级中各个嵌套结构的归纳参数的增减形式为嵌套结构赋予第一确信度，也就是说，对存在着包含关系的各个处理层级的归纳参数进行增减形式的判断，并依据增减形式为各个处理层级赋予第一确信度。
更具体地，根据处理层级中各个并列结构的归纳参数为各个并列结构赋予第二确信度，也就是说，根据在相同嵌套结构中处于相同层级深度的处理层级进行归纳参数的比较，并根据比较的结果为处理层级赋予第二确信度。
更具体地，将第一确信度和第二确信度进行绑定，以得到处理层级中各个并列结构与嵌套结构的映射确信度，需要说明的是，绑定是将第一确信度和第二确信度进行联系，以在比较的过程中，先进行第一确信度的比较，在进行第二确信度的比较。
优选地，根据各个所述特征词构建基础联系模型，并根据预设的数据库对所述基础联系模型进行扩充，以得到若干预测联系模型的步骤包括：
S31：根据各个所述特征词构建基础联系模型；其中，所述基础联系模型具有若干联系空位，且各个所述联系空位分别对应一个特征词，将各个所述特征词代入至所述基础联系模型的各个联系空位中；
S32：将代入有所述特征词的所述联系空位标记为基础联系位，并将各个联系空位依次标记为预测联系位，以与所述基础联系位进行关联性的分析；
S33：根据预设标准对关联性的分析结果进行判断，将符合预设标准的预测联系位分别与所述基础联系位共同构建得到若干预测联系模型。
具体地，基础联系模型是预先构建得出的，用于生成预测联系模型，其构建方式为：根据特征映射层中的各个特征词建立对应的联系空位，每一个联系空位分别对应一个特征词，各个联系空位之间具有相对关系，而这个相对关系对应着联系空位所代表的特征词之间的相对关系，也就是说，各个联系空位用于表述各个特征词之间的联系程度。
更具体地，将对话信息的各个特征词待入至对应的联系空位中，将代入了的联系空位标记为基础联系位，并将其余的联系空位依次标记为预测联系位，以分别与基础联系位进行关联性的分析，根据预设标准对关联性的分析结果进行判断，将符合预设标准的预测联系位分别与基础联系位共同构建得到若干预测联系模型。
优选地，根据若干所述预测联系模型对用户进行回复的步骤包括：
S34：根据所述预测联系模型调取对应的若干处理事项与处理对策，并将对应的若干处理事项与处理对策归纳至预备序列中；
S35：根据若干所述预测联系模型生成对用户的询问语句，以接收用户的选择指令，从而确定任一预测联系模型，当根据用户的选择指令确定所述预测联系模型后，根据所述预测联系模型从所述预备序列中调取对应的处理事项与处理对策对用户进行回复。
具体地，预测联系模型具有对应的处理层级，根据若干预测联系模型调取对应的处理事项和处理对策，并将对应的若干处理事项与处理对策归纳至预备序列中。
更具体地，根据若干预测联系模型生成对用户的询问语句，以接收用户的选择指令，换言之，构建询问语句，令用户进行选择，以确定若干预测联系模型中哪一个是用户想要的询问的区分领域的处理事项，当通过用户的选择指令确定了预测联系模型后，根据预测联系模型从预备序列中调取对应的处理事项与处理对策对用户进行回复。
可以理解的是，与传统的客户机器人的全部列举式回复，本步骤所采用的构建预测联系模型并回复具有更高的沟通效率。
参照图2所示，第二方面，本发明提供一种人工智能的对话系统，包括：
特征映射模块，用于获取用户的对话信息并进行分析，以获取所述对话信息中的若干特征词，并基于各个所述特征词对所述对话信息进行对应的处理层级的映射计算，以确定所述对话信息的映射层级；
第一回复模块，用于当确定所述对话信息的映射层级后，根据所述映射层级的对应内容对所述对话信息中的各个特征词进行具体定位，以确定所述对话信息对应的具体事项，并根据所述具体事项调取对应的处理对策，以对所述对话信息进行回复；
第二回复模块，用于在未能确定所述对话信息的映射层级时，则根据各个所述特征词构建基础联系模型，并根据预设的数据库对所述基础联系模型进行扩充，以得到若干预测联系模型，根据若干所述预测联系模型对用户进行回复。
上述各模块均按第一方面所提供的一种人工智能的对话方法进行工作，在此不做赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种人工智能的对话方法，其特征在于，包括：
S1：获取用户的对话信息并进行分析，以获取所述对话信息中的若干特征词，并基于各个所述特征词对所述对话信息进行对应的处理层级的映射计算，以在预设的若干处理层级中确定所述对话信息的映射层级；其中，各个所述处理层级分别具有对应内容；
其步骤包括：
预先根据若干处理事项分别生成对应的处理层级；其中，所述处理事项之间存在并列关系和包含关系，所述处理层级之间呈对应所述处理事项的并列结构和嵌套结构，所述处理层级根据处于嵌套结构之中的位置被划分为浅度层级和深度层级，映射计算的对象仅为所述浅度层级；
针对各个所述处理层级分别生成对应的特征词，构建特征映射层对所有的特征词进行归纳，并为所述特征映射层中的所述特征词赋予对各个所述处理层级的映射参数；
将用户的对话信息代入至所述特征映射层中，通过所述特征映射层对所述对话信息进行特征词的采集与映射计算，从而得到所述对话信息对各个所述处理层级的映射参数；
其步骤包括：获取用户的对话信息，并将所述对话信息代入至所述特征映射层中，以对对话信息进行特征词的提取；将所述对话信息中的特征词作为第一映射主体，并通过所述特征映射层分别赋予各个所述第一映射主体对各个所述处理层级的映射参数，将各个所述处理层级的各个映射参数相加，以得到所述对话信息对各个所述处理层级的第一映射参数；对各个所述处理层级所具有的各个映射参数进行相邻程度的计算，并根据计算的结果生成各个所述处理层级的第二映射参数；将各个所述处理层级所具有的所述第一映射参数和所述第二映射参数进行绑定，以得到各个所述处理层级的映射参数；
根据预设标准对各个所述处理层级的映射参数进行判断，从而确定所述对话信息的映射层级；
S2：当确定所述对话信息的映射层级后，根据所述映射层级的对应内容对所述对话信息中的各个特征词进行具体定位，以确定所述对话信息对应的具体事项，并根据所述具体事项调取对应的处理对策，以对所述对话信息进行回复；
S3：若未能确定所述对话信息的映射层级，则根据各个所述特征词构建基础联系模型，并根据预设的数据库对所述基础联系模型进行扩充，以得到若干预测联系模型，根据若干所述预测联系模型对用户进行回复。
2.如权利要求1所述的一种人工智能的对话方法，其特征在于，当确定所述对话信息的映射层级后，根据所述映射层级的对应内容对所述对话信息中的各个特征词进行具体定位，以确定所述对话信息对应的具体事项，并根据所述具体事项调取对应的处理对策，以对所述对话信息进行回复的步骤包括：
根据所述对话信息的映射层级调取对应的所述处理层级；其中，所述处理层级分别对应各个处理事项，所述处理事项之间存在并列关系和包含关系，所述处理层级之间呈对应所述处理事项的并列结构和嵌套结构；
根据所述对话信息的各个特征词分别对所述处理层级中各个并列结构与嵌套结构进行映射确信度的对比分析，并将对应最高所述映射确信度的处理层级的处理事项作为所述对话信息对应的具体事项，以调取对应的处理对策；
其中，根据所述对话信息的各个特征词分别对所述处理层级中各个并列结构与嵌套结构进行映射确信度的对比分析的步骤包括：
将所述处理层级中的各个并列结构和嵌套结构按层级和顺序分别赋予结构标记，通过所述结构标记将所述处理层级中的各个并列结构与嵌套结构依次与所述对话信息中的各个特征词进行归属分析，以得到所述对话信息的各个特征词对所述处理层级中各个并列结构与嵌套结构的归纳参数；
根据所述处理层级中各个嵌套结构的归纳参数的增减形式为所述嵌套结构赋予第一确信度，根据所述处理层级中各个并列结构的归纳参数为各个所述并列结构赋予第二确信度，将所述第一确信度和所述第二确信度进行绑定，以得到所述处理层级中各个并列结构与嵌套结构的映射确定度。
3.如权利要求1所述的一种人工智能的对话方法，其特征在于，根据各个所述特征词构建基础联系模型，并根据预设的数据库对所述基础联系模型进行扩充，以得到若干预测联系模型的步骤包括：
根据各个所述特征词构建基础联系模型；其中，所述基础联系模型具有若干联系空位，且各个所述联系空位分别对应一个特征词，将各个所述特征词代入至所述基础联系模型的各个联系空位中；
将代入有所述特征词的所述联系空位标记为基础联系位，并将各个联系空位依次标记为预测联系位，以与所述基础联系位进行关联性的分析；
根据预设标准对关联性的分析结果进行判断，将符合预设标准的预测联系位分别与所述基础联系位共同构建得到若干预测联系模型。
4.如权利要求3所述的一种人工智能的对话方法，其特征在于，根据若干所述预测联系模型对用户进行回复的步骤包括：
根据所述预测联系模型调取对应的若干处理事项与处理对策，并将对应的若干处理事项与处理对策归纳至预备序列中；
根据若干所述预测联系模型生成对用户的询问语句，以接收用户的选择指令，从而确定任一预测联系模型，当根据用户的选择指令确定所述预测联系模型后，根据所述预测联系模型从所述预备序列中调取对应的处理事项与处理对策对用户进行回复。
5.一种人工智能的对话系统，其特征在于，包括：
特征映射模块，用于获取用户的对话信息并进行分析，以获取所述对话信息中的若干特征词，并基于各个所述特征词对所述对话信息进行对应的处理层级的映射计算，以确定所述对话信息的映射层级；
其步骤包括：
预先根据若干处理事项分别生成对应的处理层级；其中，所述处理事项之间存在并列关系和包含关系，所述处理层级之间呈对应所述处理事项的并列结构和嵌套结构，所述处理层级根据处于嵌套结构之中的位置被划分为浅度层级和深度层级，映射计算的对象仅为所述浅度层级；
针对各个所述处理层级分别生成对应的特征词，构建特征映射层对所有的特征词进行归纳，并为所述特征映射层中的所述特征词赋予对各个所述处理层级的映射参数；
将用户的对话信息代入至所述特征映射层中，通过所述特征映射层对所述对话信息进行特征词的采集与映射计算，从而得到所述对话信息对各个所述处理层级的映射参数；
其步骤包括：获取用户的对话信息，并将所述对话信息代入至所述特征映射层中，以对对话信息进行特征词的提取；将所述对话信息中的特征词作为第一映射主体，并通过所述特征映射层分别赋予各个所述第一映射主体对各个所述处理层级的映射参数，将各个所述处理层级的各个映射参数相加，以得到所述对话信息对各个所述处理层级的第一映射参数；对各个所述处理层级所具有的各个映射参数进行相邻程度的计算，并根据计算的结果生成各个所述处理层级的第二映射参数；将各个所述处理层级所具有的所述第一映射参数和所述第二映射参数进行绑定，以得到各个所述处理层级的映射参数；
根据预设标准对各个所述处理层级的映射参数进行判断，从而确定所述对话信息的映射层级；
第一回复模块，用于当确定所述对话信息的映射层级后，根据所述映射层级的对应内容对所述对话信息中的各个特征词进行具体定位，以确定所述对话信息对应的具体事项，并根据所述具体事项调取对应的处理对策，以对所述对话信息进行回复；
第二回复模块，用于在未能确定所述对话信息的映射层级时，则根据各个所述特征词构建基础联系模型，并根据预设的数据库对所述基础联系模型进行扩充，以得到若干预测联系模型，根据若干所述预测联系模型对用户进行回复。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410018170.6A CN117520526B (zh) | 2024-01-05 | 2024-01-05 | 一种人工智能的对话方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410018170.6A CN117520526B (zh) | 2024-01-05 | 2024-01-05 | 一种人工智能的对话方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117520526A CN117520526A (zh) | 2024-02-06 |
| CN117520526B true CN117520526B (zh) | 2024-04-02 |
Family
ID=89763055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410018170.6A Active CN117520526B (zh) | 2024-01-05 | 2024-01-05 | 一种人工智能的对话方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117520526B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110457709A (zh) * | 2019-08-16 | 2019-11-15 | 北京一链数云科技有限公司 | 外呼对话处理方法、装置及服务器 |
| CN110580335A (zh) * | 2018-06-07 | 2019-12-17 | 阿里巴巴集团控股有限公司 | 用户意图的确定方法及装置 |
| CN112507094A (zh) * | 2020-12-11 | 2021-03-16 | 润联软件系统(深圳)有限公司 | 一种基于强化学习的客服机器人对话方法及其相关组件 |
| CN115083392A (zh) * | 2022-05-27 | 2022-09-20 | 平安银行股份有限公司 | 客服应对策略的获取方法、装置、设备及存储介质 |
| CN115203393A (zh) * | 2022-07-21 | 2022-10-18 | 中国平安人寿保险股份有限公司 | 一种对话应答方法及其系统、电子设备、存储介质 |
| CN115577172A (zh) * | 2022-09-28 | 2023-01-06 | 平安科技（深圳）有限公司 | 物品推荐方法、装置、设备及介质 |
| CN116894498A (zh) * | 2023-07-24 | 2023-10-17 | 平安科技（深圳）有限公司 | 网络模型的训练方法、策略识别方法、装置以及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11580424B2 (en) * | 2020-04-06 | 2023-02-14 | International Business Machines Corporation | Automatically refining application of a hierarchical coding system to optimize conversation system dialog-based responses to a user |
-
2024
- 2024-01-05 CN CN202410018170.6A patent/CN117520526B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110580335A (zh) * | 2018-06-07 | 2019-12-17 | 阿里巴巴集团控股有限公司 | 用户意图的确定方法及装置 |
| CN110457709A (zh) * | 2019-08-16 | 2019-11-15 | 北京一链数云科技有限公司 | 外呼对话处理方法、装置及服务器 |
| CN112507094A (zh) * | 2020-12-11 | 2021-03-16 | 润联软件系统(深圳)有限公司 | 一种基于强化学习的客服机器人对话方法及其相关组件 |
| CN115083392A (zh) * | 2022-05-27 | 2022-09-20 | 平安银行股份有限公司 | 客服应对策略的获取方法、装置、设备及存储介质 |
| CN115203393A (zh) * | 2022-07-21 | 2022-10-18 | 中国平安人寿保险股份有限公司 | 一种对话应答方法及其系统、电子设备、存储介质 |
| CN115577172A (zh) * | 2022-09-28 | 2023-01-06 | 平安科技（深圳）有限公司 | 物品推荐方法、装置、设备及介质 |
| CN116894498A (zh) * | 2023-07-24 | 2023-10-17 | 平安科技（深圳）有限公司 | 网络模型的训练方法、策略识别方法、装置以及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117520526A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106599230A (zh) | 一种分布式数据挖掘模型评估的方法与系统 | |
| CN110990576A (zh) | 基于主动学习的意图分类方法、计算机设备和存储介质 | |
| CN110019838A (zh) | 智能问答系统及智能终端 | |
| CN110968712B (zh) | Bim族模型获取的方法、装置及系统 | |
| CN112116168A (zh) | 一种用户行为的预测方法、装置及电子设备 | |
| CN115796678A (zh) | 一种连接线的智能生产监测方法及系统 | |
| CN117520526B (zh) | 一种人工智能的对话方法及系统 | |
| CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
| CN113743443A (zh) | 一种图像证据分类和识别方法及装置 | |
| CN111310844B (zh) | 车辆识别模型构建方法及装置、识别方法及装置 | |
| CN115859128B (zh) | 一种基于档案数据交互相似度的分析方法和系统 | |
| CN101539999B (zh) | 平面几何形状的识别方法及装置 | |
| CN109543571B (zh) | 一种面向复杂产品异形加工特征的智能识别与检索方法 | |
| CN114912642B (zh) | 一种基于互联网的人工智能机器人故障预测系统 | |
| CN116363177A (zh) | 一种基于几何Transformer和高斯混合模型的三维点云配准方法 | |
| CN110942180A (zh) | 基于xgboost算法的工业设计匹配服务方预测方法 | |
| CN114693554B (zh) | 一种大数据图像处理方法及系统 | |
| CN115994184A (zh) | 一种基于大数据自动化运维平台的运维方法及系统 | |
| CN117390181A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN110019730A (zh) | 自动交互系统及智能终端 | |
| CN115271877A (zh) | 充电站推荐模型训练方法、装置、设备及存储介质 | |
| CN114816321A (zh) | 一种无监督的用户感知指标重要度确定方法 | |
| CN100371938C (zh) | 一种极少新钢种数据样本下的质量设计方法 | |
| CN110348509B (zh) | 数据增广参数的调整方法、装置、设备及存储介质 | |
| CN109359366B (zh) | 一种机电标识的自动识别方法、装置、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |