CN117573834B - 一种用于面向软件即服务平台的多机器人对话方法及系统 - Google Patents
一种用于面向软件即服务平台的多机器人对话方法及系统 Download PDFInfo
- Publication number
- CN117573834B CN117573834B CN202311620411.6A CN202311620411A CN117573834B CN 117573834 B CN117573834 B CN 117573834B CN 202311620411 A CN202311620411 A CN 202311620411A CN 117573834 B CN117573834 B CN 117573834B
- Authority
- CN
- China
- Prior art keywords
- user
- dialogue
- model
- text
- robot
- 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 160
- 230000008569 process Effects 0.000 claims abstract description 129
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims description 83
- 238000006243 chemical reaction Methods 0.000 claims description 66
- 239000013598 vector Substances 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 32
- 230000003993 interaction Effects 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 21
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 230000009193 crawling Effects 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 10
- 238000012805 post-processing Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 8
- 241001522296 Erithacus rubecula Species 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 17
- 238000011084 recovery Methods 0.000 description 16
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 7
- 101001072091 Homo sapiens ProSAAS Proteins 0.000 description 6
- 102100036366 ProSAAS Human genes 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- INFDPOAKFNIJBF-UHFFFAOYSA-N paraquat Chemical compound C1=C[N+](C)=CC=C1C1=CC=[N+](C)C=C1 INFDPOAKFNIJBF-UHFFFAOYSA-N 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 238000012546 transfer 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
- G06F16/30—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
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Human Computer Interaction (AREA)
- Marketing (AREA)
- Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种用于面向软件即服务平台的多机器人对话方法及系统,方法包含:接收用户输入的对话内容,对对话内容的复杂性及问题类型进行对话管理,确认是否触发流程机器人或是否属于相似问机器人回答的问题;对用户当前的对话内容进行预处理,得到对话内容的用户意图;根据用户意图判断是否直接触发对应的业务流程,触发,直接引导用户进入业务流程;用户意图没有对应的业务流程,根据用户对话来自什么企业、用户的意图调用对话的检索增强生成模型RAG流程,提供最终的回答给用户,结束对话;系统包含:对话管理模块、预处理模块及触发判断模块。本发明提高对话系统智能性和准确性,能够更好地理解和回答用户问题,提供更优质的用户体验。
Description
技术领域
本发明涉及人机交互技术领域,特别涉及一种用于面向软件即服务(SAAS,Software as a Service)平台的多机器人对话方法及系统。
背景技术
人机交互:是指人与计算机之间使用某种对话语言,以一定的交互方式,为完成确定任务的人与计算机之间的信息交换过程。随着深度学习模型的发展,人机交互在众多领域得到了广泛的应用;例如,用户界面设计:人机交互用于设计和开发用户友好的界面,使用户能够方便地与计算机系统进行交互,包括操作系统、应用软件及网站等。游戏和娱乐:人机交互技术在游戏和娱乐领域中广泛应用,例如虚拟现实游戏、体感游戏及手势控制游戏等,提供更加沉浸式和互动性强的娱乐体验。智能助理和虚拟助手:人机交互使得智能助理能够理解和响应用户的语音指令,提供信息查询及任务管理等服务。电子商务和在线购物:人机交互技术使得用户能够通过电子设备进行在线购物,包括浏览商品、下单及支付等操作,提供便捷和个性化的购物体验。教育和培训:人机交互技术在教育和培训领域中应用广泛,例如在线学习平台、虚拟实验室及远程培训等,提供灵活和互动性强的学习环境。医疗和健康:人机交互技术在医疗和健康领域中有许多应用,例如远程医疗、医疗设备的交互界面设计、健康监测及管理等。自动驾驶和智能交通:人机交互技术在自动驾驶和智能交通领域中发挥重要作用,例如车载界面设计、语音指令控制及交通信息查询等。
目前较为流行的深度学习模型为ChatGPT、文心一言、星火等大语言模型(后称LLM,Large Language Model),在这些深度学习模型出现之前,通常的对话流程往往需要构建不同的深度学习模型,例如语义理解、相似问机器人及闲聊机器人等,但是这些深度学习模型的构建也需要企业准备不同的高质量的数据用于训练和评估模型效果。同时,业务领域不同,也需要训练针对该垂直领域的模型。随着LLM的广泛应用一方面降低了对话机器人的门槛,也提高了用户体验。同时,虽然LLM得以广泛应用,但是其实际效果对提供的知识,模型的输入依赖度较高,要实现好的对话或者业务效果,需要对如何结合业务、如何找到知识及提供什么知识给LLM等进行专门的适配和优化。目前LLM的应用主要基于RAG、Plugins、Agent几种方式。检索增强生成模型RAG(Retrieval-Augmented Generation):RAG是一种自然语言处理模型,结合了检索和生成两种方法,用于生成自然语言文本回复。它通过先搜索检索到的相关文本,然后再生成回复,以提供更准确和信息丰富的回答。Plugins(插件):Plugins是指在软件或应用程序中添加的可扩展功能模块。它们可以增加新的功能、改善用户体验,或与其他系统进行集成。插件通常以独立的模块形式存在,可以根据需要进行加载或卸载,使系统更加灵活和可定制。Agent(代理):在计算机科学中,Agent通常指代一种具有自主性和能动性的程序或系统。它能够感知环境、做出决策和执行动作,以达到预设的目标。代理可以是软件程序、机器人、虚拟助手等,它们通过与用户或其他系统的交互,提供各种服务和功能。
综上所述,RAG是一种结合了检索和生成方法的自然语言处理模型,Plugins是用于扩展软件或应用程序功能的模块,Agent是具有自主性和能动性的程序或系统,能够感知环境并提供各种服务和功能。RAG的方式:将知识存入向量数据库,用户对话时候从向量数据库中搜索语义相关的知识,构建提示利用LLM实现对话;Plugins的方式:调用LLM决定调用什么API,传入什么参数,以实现对应业务逻辑;Agent的方式:一到多次调用LLM,并根据期结果判断调用工具或者下一步做什么直至得到最终结果;但是,均为一些模块级别单点方案,没有为多租户、多语言及多模态等提供完整的解决方案;RAG的方式只能减少一部分LLM模型幻觉(乱回答)的情况;不同电商企业、不同场景的业务处理不一样,需要考虑对不同的业务场景实现深度定制,由于SAAS平台的企业客户行业多种多样,对业务的理解和处理也不一样,因此,LLM的应用需要适配不同的企业和业务场景。
现有技术一,申请号:202110997831.0公开了一种基于SaaS的保险自动问答方法及系统,包括以下步骤:(1)输入问句Question;(2)共享特征抽取;(3)实体识别;(4)实体关系抽取;(5)语料库选择;(6)生成答案Answer。本虽然满足了保险中介平台自身对对话系统的需求,还为缺乏IT能力的小型保险中介和个人搭建自己的对话系统,提供了技术解决方案,实现共赢,具有十分重要的使用价值;但是其应用场景单一,限制了对话的内容,不利于提升人机交互的效果。
现有技术二,申请号:201810285336.5公开了一种服务于人力资源行业的对话机器人系统,包括BotEngine智能回答消息模块、HRO SaaS平台日常高频业务自动化办理模块、HRO SaaS平台机器人配置管理模块以及智能机器人知识模块。虽然通过BotEngine智能回答消息模块与HRO SaaS平台紧密关联,能自动完成或回答一些用户高频日常业务,从而大幅提升企业或人事代理公司日常核心业务如招聘流程自动管理,社保咨询,雇员服务办理等效率,提升人力资源行业机构核心竞争力;但是不适用于不同的SAAS平台,导致对业务的理解和处理结果不一致,降低了客户体验度。
现有技术三,申请号:202111163113.X公开了一种互动服务的SaaS系统,包括SaaS系统及远程服务系统,SaaS系统与远程服务系统通过网络连接,SaaS系统用于提供互动服务给远程服务系统,远程服务系统用于与用户互动并搜集用户提供的资料信息;虽然增加用户的体验感的同时可以有效地获取到用户的资料信息,但是不能适配不同的企业和业务场景,使得人机交互的用户体验感降低。
目前现有技术一、现有技术二及现有技术三存在缺乏为多租户、多语言及多模态等提供完整的解决方案,无法完成对不同的业务场景实现深度定制,导致对话繁琐,处理效率较低,严重影响用户体验感的问题,因而,本发明提供一种用于面向软件即服务平台的多机器人对话方法及系统,将业务理解及LLM深度结合的SAAS解决方案;从多语言、多模态、多轮对话及结合用户状态等方面整体提升用户体验;将LLM结合到知识的构建、用户对话的前处理、对话、后处理流程中。
发明内容
为了解决上述技术问题,本发明提供了一种用于面向软件即服务平台的多机器人对话方法,包含以下步骤:
获取用户输入的对话内容,进行包含复杂性及问题类型的对话管理,判断复杂性与触发流程机器人和问题类型与相似问机器人的对应关系,根据对应关系确认触发流程机器人或相似问机器人;
对用户当前的对话内容,以对话内容为训练集,建立图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型及文本语言识别模型;将对话内容输入至模型进行图片描述、语音转换、核心信息获取、多轮对话转换、文本语义理解、文本主题识别、文本实体识别及文本语言识别的预处理,得到对话内容的用户意图;
根据用户意图判断是否触发对应的业务流程,触发对应的业务流程。
可选的,对对话内容的复杂性及问题类型进行对话管理的过程,包含以下步骤:
预设多种语言、多种模态、多个上下文信息及多个状态的对话内容复杂性的判断标准,判断标准为触发流程机器人的起始指令;获取对话内容的问题类型的第一属性,第一属性为相似问机器人具备回答能力的范围标准;
获取对话内容中语言、模态、上下文信息及状态的第一属性和问题类型的第二属性,对第一属性和第二属性进行判断,若第一属性为相似问机器人具备回答能力的范围,则直接由相似问机器人来回答用户,相似问机器人通过训练和模型匹配技术,根据历史数据和知识库寻找相似的问题,并给出相应的答案,根据当用户的ID建立相似问机器人的对话进程;若第二属性符合启动触发流程机器人的判断标准,则触发流程机器人,同时直接触发对应业务技能;根据当用户的ID建立流程机器人的对话进程;
保存相似问机器人及流程机器人的对话进程的全部信息,在对话交互的过程中在用户产生输入动作时对对话状态进行更新;以及根据当前对话状态动态地产生相应的回复。
可选的,业务技能包含:基础回复、优惠券发放、物流查询、取消订单、退货换货、商品加购、用户留资及转人工;多语言为用户来自不同的国家,说不同的语言,需要用对应的语言回复用户;多轮对话为用户的对话历史,通过多次对话解决用户需求;多模态为对话过程中,涉及文字、图片、语音及网址发送;多状态为在电商网站上,用户的订单是什么及是否刚发起取消订单。
可选的,对用户当前的对话内容进行预处理的过程,包含以下步骤:
根据对话内容的类型,以对话内容为训练集,通过深度学习构建深度学习网络分别建立图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型及文本语言识别模型;
获取用户当前的对话内容,按照对话内容的类型进行分类,确定分类后的目标对话内容;对话内容的类型包含:用户输入的图片、语音及文本;
按照类型对目标对话内容进行标注,输入至连接多个专业模型,负责识别目标对话内容的集成器,根据目标对话内容,建立与图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型和/或文本语言识别模型的连接,网址内容爬取获取网址对应的核心信息的文本形式,得到对话内容的用户意图。
可选的,其中,图片描述模型负责将图片转换为文本,实现对图片的描述,通过内部能力或者三方接口调用;语音转换模型负责将语音转换为文本,通过内部能力或者三方接口调用;网址内容爬取利用爬虫技术获取网址对应的核心信息的文本形式,如果网址对应商品数据库中已经存在,使用数据库中的商品信息;文本多轮对话转换模型负责将多轮对话转换为单轮对话,让当前用户的对话包含所有必要信息;文本语义理解模型负责识别用户意图;文本主题识别模型负责识别用户对话的细粒度主题,比意图更细粒度;文本实体识别模型负责识别用户提及的如时间、地点、人名、产品名字及价格;文本语言识别模型负责识别用户说的语言,或者用户需要回复的语言。
可选的,根据用户意图判断是否直接触发对应的业务流程的过程,包含以下步骤:
将不同的用户意图进行分类,得到商品推荐或取消订单用户意图,将每一类用户意图标注主键标识码,并将主键标识码与对应的用户意图建立映射关系;
当用户发送一个新的对话内容时,根据映射关系中的主键标识码选择对应的区块;判断当前业务流程是否有该主键标识码的映射关系,如果有,则读取主键标识码之前存储的映射关系,如果没有,则将新的映射关系写入存储器;
判断读取的映射关系是否包含新的映射关系,如果不包含,则将新的映射关系写入存储器;如果包含,则合并新的映射关系和读取的映射关系,并更新内存全索引,完成用户意图与业务流程的触发映射关系,触发,直接引导用户进入业务流程。
可选的,根据用户对话来自什么企业、用户的意图调用对话的检索增强生成模型RAG流程,包含以下步骤:
获取当前用户意图的预置筛选条件,包含商品推荐意图下的热销商品、有库存的商品及价格要求;结合预置筛选条件,使用关键词匹配和语义embedding召回从企业知识库中找到相关知识;
对召回的知识进行排序,训练排序模型或调用大语言模型LLM进行相关度打分,筛选出得分最高的几条知识;基于得分最高的知识、用户上下文、预处理的语言、实体、主题及单轮转写结果信息构建LLM的提示;
将提示输入大语言模型LLM得到回答,回复用户;对大语言模型LLM的回复进行结果评价,判断是否正确、是否需要道歉及是否需要转人工客服;根据大语言模型LLM回复结果评价进行业务后处理。
可选的,构建LLM的提示的过程,包含以下步骤:
通过知识库、常见问题集合或人工创建中,获取不同企业和功能模块的标准示例,标准示例包含不同类型的问题和对应的预期回答;将收集到的标准示例转化为大语言模型处理的格式;使用预训练的语义嵌入模型将转化后的标准示例转化为向量表示,语义嵌入模型将文本转化为具有语义信息的稠密向量;
将向量存储在向量数据库中,向量数据库使用数据结构和索引加速相似度匹配;在每轮对话中,根据用户的问题和上下文,使用语义嵌入模型将用户问题转化为向量表示;通过计算示例向量与用户问题向量之间的相似度,找到与用户问题最相关的示例;
根据匹配到的最相关示例,提取示例中的回答部分作为大语言模型LLM的提示;提示包括关键词、句子结构及实体信息,以帮助大语言模型LLM生成符合预期形式的回答;根据得分最高的知识、用户上下文、预处理的语言、实体、主题及单轮转写结果信息构建LLM的提示;提示包含任务描述、格式描述、知识、示例、上下文和注入部分。
可选的,任务描述:明确LLM需要做什么,包括人设定制和场景细化;格式描述:对LLM回复的格式进行限定,确保回复符合预期的形式;知识:提供用户问题相关的知识,作为LLM生成回答的依据;示例:提供一些LLM的问答示例,帮助LLM理解任务要求和预期回答的形式上下文:提供用户对话的上下文,确保LLM能够理解和回应用户的问题。
本发明提供的一种提供的用于面向软件即服务平台的多机器人对话系统,包含:
对话管理模块,负责获取用户输入的对话内容,进行包含复杂性及问题类型的对话管理,判断复杂性与触发流程机器人和问题类型与相似问机器人的对应关系,根据对应关系确认触发流程机器人或相似问机器人;
预处理模块,负责对用户当前的对话内容,以对话内容为训练集,建立图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型及文本语言识别模型;将对话内容输入至模型进行图片描述、语音转换、核心信息获取、多轮对话转换、文本语义理解、文本主题识别、文本实体识别及文本语言识别的预处理,网址内容爬取获取网址对应的核心信息的文本形式,得到对话内容的用户意图;
触发判断模块,负责根据用户意图判断是否触发对应的业务流程,触发对应的业务流程。
本发明首先接收用户输入的对话内容,对对话内容的复杂性及问题类型进行对话管理,确认是否触发流程机器人,如果达到触发对应业务技能的条件,则直接触发对应业务技能;确认是否属于相似问机器人可以回答的问题,如果可以会答,则直接回答用户;其次对用户当前的对话内容进行预处理,得到对话内容的用户意图;预处理包含:图片描述、语音转换、核心信息获取、多轮对话转换、文本语义理解、文本主题识别、文本实体识别及文本语言识别;最后根据用户意图判断是否直接触发对应的业务流程,如果触发,直接引导用户进入业务流程;如果用户意图没有对应的业务流程,根据用户对话来自什么企业、用户的意图调用对话的检索增强生成模型RAG流程,提供最终的回答给用户,结束对话(具体原理参考附图2);上述方案实现对用户对话内容的全面处理和管理,以提供更准确和有针对性的回答。具体意义如下:对话复杂性和问题类型管理:通过对对话内容进行分析和判断,可以识别出对话的复杂性和问题类型;有助于更好地管理对话流程,确定是否需要触发流程机器人或相似问机器人进行回答。触发业务技能:如果用户对话满足触发特定业务技能的条件,可以直接触发对应的业务流程,提供用户所需的服务,可以提高用户体验,快速满足用户需求。相似问机器人回答:对于那些相似问机器人可以直接回答的问题,可以直接给出回答,无需进行复杂的生成过程,可以提高效率,减少生成模型的运算负担。预处理和意图识别:通过预处理对话内容,可以获取用户意图并进行语义理解、主题识别、实体识别和语言识别等任务,有助于更好地理解用户需求,提供更精准的回答。RAG流程的应用:当用户意图没有对应的业务流程时,可以调用RAG流程模型,在大规模语料库中检索相关信息,并使用生成模块生成最终回答,可以提供更全面、准确和有意义的回答,满足用户的需求。本实施例在于提高对话系统的智能性和准确性,使其能够更好地理解和回答用户的问题,提供更优质的用户体验。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中用于面向软件即服务平台的多机器人对话方法流程图;
图2为本发明实施例1中用于面向软件即服务平台的多机器人对话方法原理图;
图3为本发明实施例2中对对话内容的复杂性及问题类型进行对话管理的过程图;
图4为本发明实施例3中对用户当前的对话内容进行预处理的过程图;
图5为本发明实施例4中根据用户意图判断是否直接触发对应的业务流程的过程图;
图6为本发明实施例5中根据用户对话来自什么企业、用户的意图调用对话的检索增强生成模型RAG流程图;
图7为本发明实施例6中构建LLM的提示的过程图;
图8为本发明实施例7中用于面向软件即服务平台的多机器人对话系统框图;
图9为本发明实施例8中对话管理模块框图;
图10为本发明实施例9中预处理模块框图;
图11为本发明实施例10中触发判断模块框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包含多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。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在本申请中的具体含义。
实施例1:如图1所示,本发明实施例提供了一种用于面向软件即服务平台的多机器人对话方法,包含以下步骤:
S100:获取用户输入的对话内容,进行包含复杂性及问题类型的对话管理,判断复杂性与触发流程机器人和问题类型与相似问机器人的对应关系,根据对应关系确认触发流程机器人或相似问机器人;
S200:对用户当前的对话内容,以对话内容为训练集,建立图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型及文本语言识别模型;将对话内容输入至模型进行图片描述、语音转换、核心信息获取、多轮对话转换、文本语义理解、文本主题识别、文本实体识别及文本语言识别的预处理,得到对话内容的用户意图;
S300:根据用户意图判断是否触发对应的业务流程,触发对应的业务流程,没有对应的业务流程;
上述技术方案的工作原理和有益效果为:本实施例首先接收用户输入的对话内容,对对话内容的复杂性及问题类型进行对话管理,确认是否触发流程机器人,如果达到触发对应业务技能的条件,则直接触发对应业务技能;确认是否属于相似问机器人可以回答的问题,如果可以会答,则直接回答用户;其次对用户当前的对话内容进行预处理,得到对话内容的用户意图;预处理包含:图片描述、语音转换、核心信息获取、多轮对话转换、文本语义理解、文本主题识别、文本实体识别及文本语言识别;最后根据用户意图判断是否直接触发对应的业务流程,如果触发,直接引导用户进入业务流程;如果用户意图没有对应的业务流程,根据用户对话来自什么企业、用户的意图调用对话的检索增强生成模型RAG流程,提供最终的回答给用户,结束对话(具体原理参考附图2);上述方案实现对用户对话内容的全面处理和管理,以提供更准确和有针对性的回答。具体意义如下:对话复杂性和问题类型管理:通过对对话内容进行分析和判断,可以识别出对话的复杂性和问题类型;有助于更好地管理对话流程,确定是否需要触发流程机器人或相似问机器人进行回答。触发业务技能:如果用户对话满足触发特定业务技能的条件,可以直接触发对应的业务流程,提供用户所需的服务,可以提高用户体验,快速满足用户需求。相似问机器人回答:对于那些相似问机器人可以直接回答的问题,可以直接给出回答,无需进行复杂的生成过程,可以提高效率,减少生成模型的运算负担。预处理和意图识别:通过预处理对话内容,可以获取用户意图并进行语义理解、主题识别、实体识别和语言识别等任务,有助于更好地理解用户需求,提供更精准的回答。RAG流程的应用:当用户意图没有对应的业务流程时,可以调用RAG流程模型,在大规模语料库中检索相关信息,并使用生成模块生成最终回答,可以提供更全面、准确和有意义的回答,满足用户的需求。本实施例在于提高对话系统的智能性和准确性,使其能够更好地理解和回答用户的问题,提供更优质的用户体验。本实施例主要用于软件及服务SAAS平台为企业客户提供聊天机器人解决方案,对于SAAS企业来说,类似的场景下,每个客户的业务需求不一样,通过提供企业+意图级别的提示模板定制,实现各自的业务逻辑;通过LLM和业务流程机器人、技能触发的深入结合,提升LLM服务用户的业务深度;通过LLM对知识进行预处理,实现多模块的自动冷启动,减少客户配置工作;通过提示层和示例层的细粒度管理和相关样例召回,为LLM给出标准样例,引导其给出准确回答。对于机器人的回复结果、用户反馈数据进行收集用于模型调优、辅助业务调整,企业+意图级别的提示管理和LLM回复控制:意图可以是LLM或者企业已有的意图模型将LLM融合到整理流程中,包括用户对话的预处理,机器人回复的后处理过程中,将对语言识别结果注入到提示中提升多语言能力,将主题识别结果注入到提示中提升LLM回答的精准度。
实施例2:如图3所示,在实施例1的基础上,本发明实施例提供的对对话内容的复杂性及问题类型进行对话管理的过程,包含以下步骤:
S101:预设多种语言、多种模态、多个上下文信息及多个状态的对话内容复杂性的判断标准,判断标准为触发流程机器人的起始指令;获取对话内容的问题类型的第一属性,第一属性为相似问机器人具备回答能力的范围标准;多语言为用户可能来自不同的国家,说不同的语言,需要用对应的语言回复用户;多轮对话为用户的对话往往需要考虑对话历史,通过多次对话解决用户需求;多模态为对话过程中,可能会涉及文字、图片、语音、网址发送等;多状态为在电商网站上,用户的订单是什么、是否刚发起取消订单等;
S102:获取对话内容中语言、模态、上下文信息及状态的第一属性和问题类型的第二属性,对第一属性和第二属性进行判断,若第一属性为相似问机器人具备回答能力的范围,则直接由相似问机器人来回答用户,相似问机器人通过训练和模型匹配技术,根据历史数据和知识库寻找相似的问题,并给出相应的答案,根据当用户的ID建立相似问机器人的对话进程;
S103:若第二属性符合启动触发流程机器人的判断标准,则触发流程机器人,同时直接触发对应业务技能;根据当用户的ID建立流程机器人的对话进程;
S104:保存相似问机器人及流程机器人的对话进程的全部信息,在对话交互的过程中在用户产生输入动作时对对话状态进行更新;以及根据当前对话状态动态地产生相应的回复;
上述技术方案的工作原理和有益效果为:本实施例首先预设多种语言、多种模态、多个上下文信息及多个状态的对话内容复杂性的判断标准,判断标准为触发流程机器人的起始指令;获取对话内容的问题类型的第一属性,第一属性为相似问机器人具备回答能力的范围标准,多语言为用户可能来自不同的国家,说不同的语言,需要用对应的语言回复用户;多轮对话为用户的对话往往需要考虑对话历史,通过多次对话解决用户需求;多模态为对话过程中,可能会涉及文字、图片、语音、网址发送等;多状态为在电商网站上,用户的订单是什么、是否刚发起取消订单等;其次获取对话内容中语言、模态、上下文信息及状态的第一属性和问题类型的第二属性,对第一属性和第二属性进行判断,若第一属性为相似问机器人具备回答能力的范围,则直接由相似问机器人来回答用户,相似问机器人通过训练和模型匹配技术,根据历史数据和知识库寻找相似的问题,并给出相应的答案,根据当用户的ID建立相似问机器人的对话进程;然后若第二属性符合启动触发流程机器人的判断标准,则触发流程机器人,同时直接触发对应业务技能,根据当用户的ID建立流程机器人的对话进程;最后保存相似问机器人及流程机器人的对话进程的全部信息,在对话交互的过程中在用户产生输入动作时对对话状态进行更新;以及根据当前对话状态动态地产生相应的回复;上述方案在于构建一个能够处理复杂对话内容的对话系统,具备多语言、多模态、多上下文信息和多状态的判断能力,以提供更准确和个性化的回答。意义总结如下:处理复杂对话内容:能够处理多种语言、多种模态、多个上下文信息和多个状态,使得对话系统能够更好地理解和回应用户的问题和需求,提供更准确和全面的回答。相似问机器人的回答能力:通过训练和模型匹配技术,相似问机器人能够根据历史数据和知识库寻找相似的问题,并给出相应的答案,提供了一种高效的回答方式,能够节省时间和资源。触发流程机器人和业务技能:当对话内容符合触发流程机器人的判断标准时,可以触发相应的流程机器人和业务技能,以提供更深入和专业的回答和服务。对话进程管理和状态更新:通过保存对话进程的全部信息,并在对话交互过程中动态更新对话状态,可以实现对话的连贯性和个性化,让对话流程更加顺畅和自然。综上所述,本实施例在于提高对话系统的处理能力,使得对话系统能够针对复杂对话内容提供更准确、全面和个性化的回答,提升用户体验和满意度。
实施例3:如图4所示,在实施例1的基础上,本发明实施例提供的对用户当前的对话内容进行预处理的过程,包含以下步骤:
S201:根据对话内容的类型,以对话内容为训练集,通过深度学习构建深度学习网络分别建立图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型及文本语言识别模型,网址内容爬取获取网址对应的核心信息的文本形式;其中,图片描述模型负责将图片转换为文本,实现对图片的描述,可以通过内部能力或者三方接口调用;语音转换模型负责将语音转换为文本,可以通过内部能力或者三方接口调用;网址内容爬取利用爬虫技术获取网址对应的核心信息的文本形式,如果网址对应商品数据库中已经存在,使用数据库中的商品信息;文本多轮对话转换模型负责将多轮对话转换为单轮对话,让当前用户的对话包含所有必要信息;文本语义理解模型负责识别用户意图;文本主题识别模型负责识别用户对话的细粒度主题,比意图更细粒度;文本实体识别模型负责识别用户提及的如时间、地点、人名、产品名字及价格等;文本语言识别模型负责识别用户说的语言,或者用户需要回复的语言;
S202:获取用户当前的对话内容,按照对话内容的类型进行分类,确定分类后的目标对话内容;对话内容的类型包含:用户输入的图片、语音及文本等;
S203:按照类型对目标对话内容进行标注,输入至连接多个专业模型,负责识别目标对话内容的集成器,根据目标对话内容,建立与图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型和/或文本语言识别模型的连接,网址内容爬取获取网址对应的核心信息的文本形式,得到对话内容的用户意图;
上述技术方案的工作原理和有益效果为:本实施例首先根据对话内容的类型,以对话内容为训练集,通过深度学习构建深度学习网络分别建立图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型及文本语言识别模型;其中,图片描述模型负责将图片转换为文本,实现对图片的描述,可以通过内部能力或者三方接口调用;语音转换模型负责将语音转换为文本,可以通过内部能力或者三方接口调用;网址内容爬取利用爬虫技术获取网址对应的核心信息的文本形式,如果网址对应商品数据库中已经存在,使用数据库中的商品信息;文本多轮对话转换模型负责将多轮对话转换为单轮对话,让当前用户的对话包含所有必要信息;文本语义理解模型负责识别用户意图;文本主题识别模型负责识别用户对话的细粒度主题,比意图更细粒度;文本实体识别模型负责识别用户提及的如时间、地点、人名、产品名字及价格等;文本语言识别模型负责识别用户说的语言,或者用户需要回复的语言;其次获取用户当前的对话内容,按照对话内容的类型进行分类,确定分类后的目标对话内容;对话内容的类型包含:用户输入的图片、语音及文本等;最后按照类型对目标对话内容进行标注,输入至连接多个专业模型,负责识别目标对话内容的集成器,根据目标对话内容,建立与图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型和/或文本语言识别模型的连接,网址内容爬取获取网址对应的核心信息的文本形式,得到对话内容的用户意图;上述方案通过建立多个专业模型和连接器,实现对用户对话内容的全面理解和分析;通过深度学习网络,可以将图片、语音、文本等多种形式的对话内容转换为文本形式,同时识别用户的意图、主题和实体信息,以及语言识别,从而更好地理解用户的需求和意图;可以为智能对话系统提供更准确、更全面的回复和服务,提升用户体验和满意度。此外,通过与其他能力的连接,如图片描述、语音转换、网址内容爬取等,系统可以提供更多样化、丰富的功能和服务,进一步增强系统的智能化和实用性。
实施例4:如图5所示,在实施例1的基础上,本发明实施例提供的根据用户意图判断是否直接触发对应的业务流程的过程,包含以下步骤:
S301:将不同的用户意图进行分类,得到商品推荐或取消订单等用户意图,将每一类用户意图标注主键标识码,并将主键标识码与对应的用户意图建立映射关系;
S302:当用户发送一个新的对话内容时,根据映射关系中的主键标识码选择对应的区块;判断当前业务流程是否有该主键标识码的映射关系,如果有,则读取主键标识码之前存储的映射关系,如果没有,则将新的映射关系写入存储器;
S303:判断读取的映射关系是否包含新的映射关系,如果不包含,则将新的映射关系写入存储器;如果包含,则合并新的映射关系和读取的映射关系,并更新内存全索引,完成用户意图与业务流程的触发映射关系,触发,直接引导用户进入业务流程;
上述技术方案的工作原理和有益效果为:本实施例首先将不同的用户意图进行分类,得到商品推荐或取消订单等用户意图,将每一类用户意图标注主键标识码,并将主键标识码与对应的用户意图建立映射关系,其次当用户发送一个新的对话内容时,根据映射关系中的主键标识码选择对应的区块;判断当前业务流程是否有该主键标识码的映射关系,如果有,则读取主键标识码之前存储的映射关系,如果没有,则将新的映射关系写入存储器;最后判断读取的映射关系是否包含新的映射关系,如果不包含,则将新的映射关系写入存储器;如果包含,则合并新的映射关系和读取的映射关系,并更新内存全索引,完成用户意图与业务流程的触发映射关系,触发,直接引导用户进入业务流程;上述方案实现了用户意图与业务流程的触发映射关系,通过对用户意图进行分类和标识,系统能够更准确地理解用户的需求,并根据不同的用户意图选择对应的业务流程;可以提高用户体验,减少用户的操作步骤,提高系统的效率和响应速度。此外,通过将映射关系存储在存储器中,可以实现对用户意图和业务流程的持久化管理,避免数据丢失和重复操作。同时,通过合并和更新映射关系,可以不断优化和完善系统的自动化交互能力,提高系统的智能化水平。本实施例提升系统的智能化程度,提高用户体验和系统效率,实现更好的用户与系统的交互。
实施例5:如图6所示,在实施例1的基础上,本发明实施例提供的根据用户对话来自什么企业、用户的意图调用对话的检索增强生成模型RAG流程,包含以下步骤:
S304:获取当前用户意图的预置筛选条件,例如商品推荐意图下的热销商品、有库存的商品及价格要求等;结合预置筛选条件,使用关键词匹配和语义embedding召回从企业知识库中找到相关知识;
S305:对召回的知识进行排序,训练排序模型或调用大语言模型LLM进行相关度打分,筛选出得分最高的几条知识;基于得分最高的知识、用户上下文、预处理的语言、实体、主题及单轮转写结果等信息构建LLM的提示;大语言模型LLM包含ChatGPT、文心一言或星火等大语言模型;
S306:将提示输入大语言模型LLM得到回答,回复用户;对大语言模型LLM的回复进行结果评价,判断是否正确、是否需要道歉及是否需要转人工客服等;根据大语言模型LLM回复结果评价进行业务后处理,例如对需要转人工客服的内容进行会话分配及需要跟进取消订单的会话创建工单等;
上述技术方案的工作原理和有益效果为:本实施例首先获取当前用户意图的预置筛选条件,例如商品推荐意图下的热销商品、有库存的商品及价格要求等;结合预置筛选条件,使用关键词匹配和语义embedding召回从企业知识库中找到相关知识;其次对召回的知识进行排序,训练排序模型或调用大语言模型LLM进行相关度打分,筛选出得分最高的几条知识;基于得分最高的知识、用户上下文、预处理的语言、实体、主题及单轮转写结果等信息构建LLM的提示;大语言模型LLM包含ChatGPT、文心一言或星火等大语言模型;最后将提示输入大语言模型LLM得到回答,回复用户;对大语言模型LLM的回复进行结果评价,判断是否正确、是否需要道歉及是否需要转人工客服等;根据大语言模型LLM回复结果评价进行业务后处理,例如对需要转人工客服的内容进行会话分配及需要跟进取消订单的会话创建工单等;上述方案通过结合预置筛选条件、关键词匹配和语义embedding召回以及排序模型,从企业知识库中提取相关知识,并利用大语言模型LLM生成合适的回答,为用户提供准确、个性化的服务;可以提高智能客服系统的回答质量和效率,满足用户的需求,提升用户体验。同时,通过对大语言模型LLM的回复进行结果评价,并进行相应的业务后处理,可以进一步优化系统性能,提升用户满意度。
实施例6:如图7所示,在实施例5的基础上,本发明实施例提供的构建LLM的提示的过程,包含以下步骤:
S3051:通过知识库、常见问题集合或人工创建中,获取不同企业和功能模块的标准示例,标准示例包含不同类型的问题和对应的预期回答;将收集到的标准示例转化为大语言模型处理的格式;使用预训练的语义嵌入模型(如基于BERT或者Glove等架构计算的,也可以是三方提供的模型接口调用)将转化后的标准示例转化为向量表示,语义嵌入模型将文本转化为具有语义信息的稠密向量;
S3052:将向量存储在向量数据库中,向量数据库使用数据结构和索引加速相似度匹配;在每轮对话中,根据用户的问题和上下文,使用语义嵌入模型将用户问题转化为向量表示;通过计算示例向量与用户问题向量之间的相似度,找到与用户问题最相关的示例;
S3053:根据匹配到的最相关示例,提取示例中的回答部分作为大语言模型LLM的提示;提示包括关键词、句子结构及实体信息等,以帮助大语言模型LLM生成符合预期形式的回答;根据得分最高的知识、用户上下文、预处理的语言、实体、主题及单轮转写结果等信息构建LLM的提示;提示包含任务描述、格式描述、知识、示例、上下文和注入等部分;任务描述:明确LLM需要做什么,可以包括人设定制和场景细化等;格式描述:对LLM回复的格式进行限定,确保回复符合预期的形式;知识:提供用户问题相关的知识,作为LLM生成回答的依据;示例:提供一些LLM的问答示例,可以帮助LLM理解任务要求和预期回答的形式上下文:提供用户对话的上下文,确保LLM能够理解和回应用户的问题;
上述技术方案的工作原理和有益效果为:本实施例首先通过知识库、常见问题集合或人工创建中,获取不同企业和功能模块的标准示例,标准示例包含不同类型的问题和对应的预期回答;将收集到的标准示例转化为大语言模型处理的格式;使用预训练的语义嵌入模型(如BERT、GloVe、三方提供的嵌入计算接口等)将转化后的标准示例转化为向量表示,语义嵌入模型将文本转化为具有语义信息的稠密向量;其次将向量存储在向量数据库中,向量数据库使用数据结构和索引加速相似度匹配;在每轮对话中,根据用户的问题和上下文,使用语义嵌入模型将用户问题转化为向量表示;通过计算示例向量与用户问题向量之间的相似度,找到与用户问题最相关的示例;最后根据匹配到的最相关示例,提取示例中的回答部分作为大语言模型LLM的提示;提示包括关键词、句子结构及实体信息等,以帮助大语言模型LLM生成符合预期形式的回答;根据得分最高的知识、用户上下文、预处理的语言、实体、主题及单轮转写结果等信息构建LLM的提示;提示包含任务描述、格式描述、知识、示例、上下文和注入等部分;任务描述:明确LLM需要做什么,可以包括人设定制和场景细化等;格式描述:对LLM回复的格式进行限定,确保回复符合预期的形式;知识:提供用户问题相关的知识,作为LLM生成回答的依据;示例:提供一些LLM的问答示例,可以帮助LLM理解任务要求和预期回答的形式上下文:提供用户对话的上下文,确保LLM能够理解和回应用户的问题;上述方案通过示例管理模块,实现对不同企业和功能模块的标准示例的有效管理和利用;通过将标准示例转化为语义向量,并存储在向量数据库中,可以高效地进行相似度匹配,找到与用户问题最相关的示例;然后,根据匹配到的示例提取回答部分作为大语言模型LLM的提示,帮助LLM生成符合预期形式的回答。意义在于:本实施例提高回答准确性:通过使用与用户问题最相关的示例作为提示,可以提高LLM生成回答的准确性,确保回答符合预期的形式和内容。提升用户体验:通过提供与用户问题相关的知识和示例,可以为用户提供更有针对性和满意度的回答,提升用户的体验和满意度。加速开发迭代:通过标准示例的有效管理和利用,可以加速开发和迭代过程中的知识获取和模型训练,提高开发效率。可扩展性和灵活性:示例管理模块可以根据不同企业和功能模块的需求进行定制和扩展,以适应不同场景和任务的要求。本实施例帮助LLM更好地理解用户问题和生成符合预期的回答,提升回答准确性和用户体验,加速开发迭代过程,以及提供可扩展性和灵活性。其中RAG提示示例:目标:提供知识、上下文、核心信息给LLM,获取给用户的回答,如下提示示例,LLM的回复示例:亲亲,商品A的价格是100元哦~;知识:来自知识库中召回的知识排序后分最高的几条;用户对话细粒度主题:来自预处理中的主题;语言:来自预处理中的语言;用户当前话语的完整改写:来自预处理中的多轮转单轮;上下文:包含了用户对话的上下文;知识召回提示示例,目的:对知识与用户问题的匹配度进行打分或者排序。
实施例7:如图8所示,在实施例1-实施例6的基础上,本发明实施例提供的用于面向软件即服务平台的多机器人对话系统,包含:
对话管理模块,负责获取用户输入的对话内容,进行包含复杂性及问题类型的对话管理,判断复杂性与触发流程机器人和问题类型与相似问机器人的对应关系,根据对应关系确认触发流程机器人或相似问机器人;
预处理模块,负责对用户当前的对话内容,以对话内容为训练集,建立图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型及文本语言识别模型;将对话内容输入至模型进行图片描述、语音转换、核心信息获取、多轮对话转换、文本语义理解、文本主题识别、文本实体识别及文本语言识别的预处理,网址内容爬取获取网址对应的核心信息的文本形式,得到对话内容的用户意图;
触发判断模块,负责根据用户意图判断是否触发对应的业务流程,触发对应的业务流程。
上述技术方案的工作原理和有益效果为:本实施例的对话管理模块负责接收用户输入的对话内容,对对话内容的复杂性及问题类型进行对话管理,确认是否触发流程机器人,如果达到触发对应业务技能的条件,则直接触发对应业务技能;确认是否属于相似问机器人可以回答的问题,如果可以会答,则直接回答用户;预处理模块负责对用户当前的对话内容进行预处理,得到对话内容的用户意图;预处理包含:图片描述、语音转换、核心信息获取、多轮对话转换、文本语义理解、文本主题识别、文本实体识别及文本语言识别;触发判断模块负责根据用户意图判断是否直接触发对应的业务流程,如果触发,直接引导用户进入业务流程;如果用户意图没有对应的业务流程,根据用户对话来自什么企业、用户的意图调用对话的检索增强生成模型RAG流程,提供最终的回答给用户,结束对话;上述方案实现对用户对话内容的全面处理和管理,以提供更准确和有针对性的回答。具体意义如下:对话复杂性和问题类型管理:通过对对话内容进行分析和判断,可以识别出对话的复杂性和问题类型;有助于更好地管理对话流程,确定是否需要触发流程机器人或相似问机器人进行回答。触发业务技能:如果用户对话满足触发特定业务技能的条件,可以直接触发对应的业务流程,提供用户所需的服务,可以提高用户体验,快速满足用户需求。相似问机器人回答:对于那些相似问机器人可以直接回答的问题,可以直接给出回答,无需进行复杂的生成过程,可以提高效率,减少生成模型的运算负担。预处理和意图识别:通过预处理对话内容,可以获取用户意图并进行语义理解、主题识别、实体识别和语言识别等任务,有助于更好地理解用户需求,提供更精准的回答。RAG流程的应用:当用户意图没有对应的业务流程时,可以调用RAG流程模型,在大规模语料库中检索相关信息,并使用生成模块生成最终回答,可以提供更全面、准确和有意义的回答,满足用户的需求。本实施例在于提高对话系统的智能性和准确性,使其能够更好地理解和回答用户的问题,提供更优质的用户体验。
实施例8:如图9所示,在实施例7的基础上,本发明实施例提供的对话管理模块,包含:
判断标准预设子模块,负责预设多种语言、多种模态、多个上下文信息及多个状态的对话内容复杂性的判断标准,判断标准为触发流程机器人的起始指令;获取对话内容的问题类型的第一属性,第一属性为相似问机器人具备回答能力的范围标准;
属性判断子模块,负责获取对话内容中语言、模态、上下文信息及状态的第一属性和问题类型的第二属性,对第一属性和第二属性进行判断,若第一属性为相似问机器人具备回答能力的范围,则直接由相似问机器人来回答用户,相似问机器人通过训练和模型匹配技术,根据历史数据和知识库寻找相似的问题,并给出相应的答案,根据当用户的ID建立相似问机器人的对话进程;若第二属性符合启动触发流程机器人的判断标准,则触发流程机器人,同时直接触发对应业务技能;根据当用户的ID建立流程机器人的对话进程;
状态更新子模块,负责保存相似问机器人及流程机器人的对话进程的全部信息,在对话交互的过程中在用户产生输入动作时对对话状态进行更新;以及根据当前对话状态动态地产生相应的回复;
上述技术方案的工作原理和有益效果为:本实施例的判断标准预设子模块负责预设多种语言、多种模态、多个上下文信息及多个状态的对话内容复杂性的判断标准,判断标准为触发流程机器人的起始指令;获取对话内容的问题类型的第一属性,第一属性为相似问机器人具备回答能力的范围标准,多语言为用户可能来自不同的国家,说不同的语言,需要用对应的语言回复用户;多轮对话为用户的对话往往需要考虑对话历史,通过多次对话解决用户需求;多模态为对话过程中,可能会涉及文字、图片、语音、网址发送等;多状态为在电商网站上,用户的订单是什么、是否刚发起取消订单等;属性判断子模块负责获取对话内容中语言、模态、上下文信息及状态的第一属性和问题类型的第二属性,对第一属性和第二属性进行判断,若第一属性为相似问机器人具备回答能力的范围,则直接由相似问机器人来回答用户,相似问机器人通过训练和模型匹配技术,根据历史数据和知识库寻找相似的问题,并给出相应的答案,根据当用户的ID建立相似问机器人的对话进程;然后若第二属性符合启动触发流程机器人的判断标准,则触发流程机器人,同时直接触发对应业务技能,根据当用户的ID建立流程机器人的对话进程;状态更新子模块负责保存相似问机器人及流程机器人的对话进程的全部信息,在对话交互的过程中在用户产生输入动作时对对话状态进行更新;以及根据当前对话状态动态地产生相应的回复;上述方案在于构建一个能够处理复杂对话内容的对话系统,具备多语言、多模态、多上下文信息和多状态的判断能力,以提供更准确和个性化的回答。意义总结如下:处理复杂对话内容:能够处理多种语言、多种模态、多个上下文信息和多个状态,使得对话系统能够更好地理解和回应用户的问题和需求,提供更准确和全面的回答。相似问机器人的回答能力:通过训练和模型匹配技术,相似问机器人能够根据历史数据和知识库寻找相似的问题,并给出相应的答案,提供了一种高效的回答方式,能够节省时间和资源。触发流程机器人和业务技能:当对话内容符合触发流程机器人的判断标准时,可以触发相应的流程机器人和业务技能,以提供更深入和专业的回答和服务。对话进程管理和状态更新:通过保存对话进程的全部信息,并在对话交互过程中动态更新对话状态,可以实现对话的连贯性和个性化,让对话流程更加顺畅和自然。综上所述,本实施例在于提高对话系统的处理能力,使得对话系统能够针对复杂对话内容提供更准确、全面和个性化的回答,提升用户体验和满意度。
实施例9:如图10所示,在实施例7的基础上,本发明实施例提供的预处理模块,包含:
模型构建子模块,负责根据对话内容的类型,以对话内容为训练集,通过深度学习构建深度学习网络分别建立图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型及文本语言识别模型;
内容分类子模块,负责获取用户当前的对话内容,按照对话内容的类型进行分类,确定分类后的目标对话内容;对话内容的类型包含:用户输入的图片、语音及文本等;
内容处理子模块,负责按照类型对目标对话内容进行标注,输入至连接多个专业模型,负责识别目标对话内容的集成器,根据目标对话内容,建立与图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型和/或文本语言识别模型的连接,网址内容爬取获取网址对应的核心信息的文本形式,得到对话内容的用户意图;
上述技术方案的工作原理和有益效果为:本实施例的模型构建子模块负责根据对话内容的类型,以对话内容为训练集,通过深度学习构建深度学习网络分别建立图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型及文本语言识别模型;其中,图片描述模型负责将图片转换为文本,实现对图片的描述,可以通过内部能力或者三方接口调用;语音转换模型负责将语音转换为文本,可以通过内部能力或者三方接口调用;网址内容爬取利用爬虫技术获取网址对应的核心信息的文本形式,如果网址对应商品数据库中已经存在,使用数据库中的商品信息;文本多轮对话转换模型负责将多轮对话转换为单轮对话,让当前用户的对话包含所有必要信息;文本语义理解模型负责识别用户意图;文本主题识别模型负责识别用户对话的细粒度主题,比意图更细粒度;文本实体识别模型负责识别用户提及的如时间、地点、人名、产品名字及价格等;文本语言识别模型负责识别用户说的语言,或者用户需要回复的语言;内容分类子模块负责获取用户当前的对话内容,按照对话内容的类型进行分类,确定分类后的目标对话内容;对话内容的类型包含:用户输入的图片、语音及文本等;内容处理子模块负责按照类型对目标对话内容进行标注,输入至连接多个专业模型,负责识别目标对话内容的集成器,根据目标对话内容,建立与图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型和/或文本语言识别模型的连接,得到对话内容的用户意图;上述方案通过建立多个专业模型和连接器,实现对用户对话内容的全面理解和分析;通过深度学习网络,可以将图片、语音、文本等多种形式的对话内容转换为文本形式,同时识别用户的意图、主题和实体信息,以及语言识别,从而更好地理解用户的需求和意图;可以为智能对话系统提供更准确、更全面的回复和服务,提升用户体验和满意度。此外,通过与其他能力的连接,如图片描述、语音转换、网址内容爬取等,系统可以提供更多样化、丰富的功能和服务,进一步增强系统的智能化和实用性。
实施例10:如图11所示,在实施例7的基础上,本发明实施例提供的触发判断模块,包含:
关系建立子模块,负责将不同的用户意图进行分类,得到商品推荐或取消订单等用户意图,将每一类用户意图标注主键标识码,并将主键标识码与对应的用户意图建立映射关系;
关系更新子模块,负责当用户发送一个新的对话内容时,根据映射关系中的主键标识码选择对应的区块;判断当前业务流程是否有该主键标识码的映射关系,如果有,则读取主键标识码之前存储的映射关系,如果没有,则将新的映射关系写入存储器;
关系触发子模块,负责判断读取的映射关系是否包含新的映射关系,如果不包含,则将新的映射关系写入存储器;如果包含,则合并新的映射关系和读取的映射关系,并更新内存全索引,完成用户意图与业务流程的触发映射关系,触发,直接引导用户进入业务流程;
筛选条件子模块,负责获取当前用户意图的预置筛选条件,例如商品推荐意图下的热销商品、有库存的商品及价格要求等;结合预置筛选条件,使用关键词匹配和语义embedding召回从企业知识库中找到相关知识;
排序处理子模块,负责对召回的知识进行排序,训练排序模型或调用大语言模型LLM进行相关度打分,筛选出得分最高的几条知识;基于得分最高的知识、用户上下文、预处理的语言、实体、主题及单轮转写结果等信息构建LLM的提示;大语言模型LLM包含ChatGPT、文心一言或星火等大语言模型;
回复评价子模块,负责将提示输入大语言模型LLM得到回答,回复用户;对大语言模型LLM的回复进行结果评价,判断是否正确、是否需要道歉及是否需要转人工客服等;根据大语言模型LLM回复结果评价进行业务后处理,例如对需要转人工客服的内容进行会话分配及需要跟进取消订单的会话创建工单等;
上述技术方案的工作原理和有益效果为:本实施例的关系建立子模块负责将不同的用户意图进行分类,得到商品推荐或取消订单等用户意图,将每一类用户意图标注主键标识码,并将主键标识码与对应的用户意图建立映射关系;关系更新子模块负责当用户发送一个新的对话内容时,根据映射关系中的主键标识码选择对应的区块;判断当前业务流程是否有该主键标识码的映射关系,如果有,则读取主键标识码之前存储的映射关系,如果没有,则将新的映射关系写入存储器;关系触发子模块负责判断读取的映射关系是否包含新的映射关系,如果不包含,则将新的映射关系写入存储器;如果包含,则合并新的映射关系和读取的映射关系,并更新内存全索引,完成用户意图与业务流程的触发映射关系,触发,直接引导用户进入业务流程;筛选条件子模块负责获取当前用户意图的预置筛选条件,例如商品推荐意图下的热销商品、有库存的商品及价格要求等;结合预置筛选条件,使用关键词匹配和语义embedding召回从企业知识库中找到相关知识;排序处理子模块负责对召回的知识进行排序,训练排序模型或调用大语言模型LLM进行相关度打分,筛选出得分最高的几条知识;基于得分最高的知识、用户上下文、预处理的语言、实体、主题及单轮转写结果等信息构建LLM的提示;大语言模型LLM包含ChatGPT、文心一言或星火等大语言模型;回复评价子模块负责将提示输入大语言模型LLM得到回答,回复用户;对大语言模型LLM的回复进行结果评价,判断是否正确、是否需要道歉及是否需要转人工客服等;根据大语言模型LLM回复结果评价进行业务后处理,例如对需要转人工客服的内容进行会话分配及需要跟进取消订单的会话创建工单等;上述方案实现了用户意图与业务流程的触发映射关系,通过对用户意图进行分类和标识,系统能够更准确地理解用户的需求,并根据不同的用户意图选择对应的业务流程;可以提高用户体验,减少用户的操作步骤,提高系统的效率和响应速度。此外,通过将映射关系存储在存储器中,可以实现对用户意图和业务流程的持久化管理,避免数据丢失和重复操作。同时,通过合并和更新映射关系,可以不断优化和完善系统的自动化交互能力,提高系统的智能化水平。本实施例提升系统的智能化程度,提高用户体验和系统效率,实现更好的用户与系统的交互。上述方案通过结合预置筛选条件、关键词匹配和语义embedding召回以及排序模型,从企业知识库中提取相关知识,并利用大语言模型LLM生成合适的回答,为用户提供准确、个性化的服务;可以提高智能客服系统的回答质量和效率,满足用户的需求,提升用户体验。同时,通过对大语言模型LLM的回复进行结果评价,并进行相应的业务后处理,可以进一步优化系统性能,提升用户满意度。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种用于面向软件即服务平台的多机器人对话方法,其特征在于,包含以下步骤:
获取用户输入的对话内容,进行包含复杂性及问题类型的对话管理,判断复杂性与触发流程机器人和问题类型与相似问机器人的对应关系,根据对应关系确认触发流程机器人或相似问机器人;
对用户当前的对话内容,以对话内容为训练集,建立图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型及文本语言识别模型;将对话内容输入至模型进行图片描述、语音转换、核心信息获取、多轮对话转换、文本语义理解、文本主题识别、文本实体识别及文本语言识别的预处理,网址内容爬取获取网址对应的核心信息的文本形式,得到对话内容的用户意图;
根据用户意图判断是否触发对应的业务流程,触发对应的业务流程;
对对话内容的复杂性及问题类型进行对话管理的过程,包含以下步骤:
预设多种语言、多种模态、多个上下文信息及多个状态的对话内容复杂性的判断标准,判断标准为触发流程机器人的起始指令;获取对话内容的问题类型的第一属性,第一属性为相似问机器人具备回答能力的范围标准;
获取对话内容中语言、模态、上下文信息及状态的第一属性和问题类型的第二属性,对第一属性和第二属性进行判断,若第一属性为相似问机器人具备回答能力的范围,则直接由相似问机器人来回答用户,相似问机器人通过训练和模型匹配技术,根据历史数据和知识库寻找相似的问题,并给出相应的答案,根据当用户的ID建立相似问机器人的对话进程;若第二属性符合启动触发流程机器人的判断标准,则触发流程机器人,同时直接触发对应业务技能;根据当用户的ID建立流程机器人的对话进程;
保存相似问机器人及流程机器人的对话进程的全部信息,在对话交互的过程中在用户产生输入动作时对对话状态进行更新;以及根据当前对话状态动态地产生相应的回复;
根据用户意图判断是否直接触发对应的业务流程的过程,包含以下步骤:
将不同的用户意图进行分类,得到商品推荐或取消订单用户意图,将每一类用户意图标注主键标识码,并将主键标识码与对应的用户意图建立映射关系;
当用户发送一个新的对话内容时,根据映射关系中的主键标识码选择对应的区块;判断当前业务流程是否有该主键标识码的映射关系,如果有,则读取主键标识码之前存储的映射关系,如果没有,则将新的映射关系写入存储器;
判断读取的映射关系是否包含新的映射关系,如果不包含,则将新的映射关系写入存储器;如果包含,则合并新的映射关系和读取的映射关系,并更新内存全索引,完成用户意图与业务流程的触发映射关系,触发,直接引导用户进入业务流程。
2.如权利要求1所述的用于面向软件即服务平台的多机器人对话方法,其特征在于,业务技能包含:基础回复、优惠券发放、物流查询、取消订单、退货换货、商品加购、用户留资及转人工;多语言为用户来自不同的国家,说不同的语言,需要用对应的语言回复用户;多轮对话为用户的对话历史,通过多次对话解决用户需求;多模态为对话过程中,涉及文字、图片、语音及网址发送;多状态为在电商网站上,用户的订单是什么及是否刚发起取消订单。
3.如权利要求1所述的用于面向软件即服务平台的多机器人对话方法,其特征在于,对用户当前的对话内容进行预处理的过程,包含以下步骤:
根据对话内容的类型,以对话内容为训练集,通过深度学习构建深度学习网络分别建立图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型及文本语言识别模型;
获取用户当前的对话内容,按照对话内容的类型进行分类,确定分类后的目标对话内容;对话内容的类型包含:用户输入的图片、语音及文本;
按照类型对目标对话内容进行标注,输入至连接多个专业模型,负责识别目标对话内容的集成器,根据目标对话内容,建立与图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型和/或文本语言识别模型的连接,网址内容爬取获取网址对应的核心信息的文本形式,得到对话内容的用户意图。
4.如权利要求3所述的用于面向软件即服务平台的多机器人对话方法,其特征在于,其中,图片描述模型负责将图片转换为文本,实现对图片的描述,通过内部能力或者三方接口调用;语音转换模型负责将语音转换为文本,通过内部能力或者三方接口调用;网址内容爬取利用爬虫技术获取网址对应的核心信息的文本形式,如果网址对应商品数据库中已经存在,使用数据库中的商品信息;文本多轮对话转换模型负责将多轮对话转换为单轮对话,让当前用户的对话包含所有必要信息;文本语义理解模型负责识别用户意图;文本主题识别模型负责识别用户对话的细粒度主题,比意图更细粒度;文本实体识别模型负责识别用户提及的如时间、地点、人名、产品名字及价格;文本语言识别模型负责识别用户说的语言,或者用户需要回复的语言。
5.如权利要求1所述的用于面向软件即服务平台的多机器人对话方法,其特征在于,根据用户对话来自什么企业、用户的意图调用对话的检索增强生成模型RAG流程,包含以下步骤:
获取当前用户意图的预置筛选条件,包含商品推荐意图下的热销商品、有库存的商品及价格要求;结合预置筛选条件,使用关键词匹配和语义embedding召回从企业知识库中找到相关知识;
对召回的知识进行排序,训练排序模型或调用大语言模型LLM进行相关度打分,筛选出得分最高的几条知识;基于得分最高的知识、用户上下文、预处理的语言、实体、主题及单轮转写结果信息构建LLM的提示;
将提示输入大语言模型LLM得到回答,回复用户;对大语言模型LLM的回复进行结果评价,判断是否正确、是否需要道歉及是否需要转人工客服;根据大语言模型LLM回复结果评价进行业务后处理。
6.如权利要求5所述的用于面向软件即服务平台的多机器人对话方法,其特征在于,构建LLM的提示的过程,包含以下步骤:
通过知识库、常见问题集合或人工创建中,获取不同企业和功能模块的标准示例,标准示例包含不同类型的问题和对应的预期回答;将收集到的标准示例转化为大语言模型处理的格式;使用预训练的语义嵌入模型将转化后的标准示例转化为向量表示,语义嵌入模型将文本转化为具有语义信息的稠密向量;
将向量存储在向量数据库中,向量数据库使用数据结构和索引加速相似度匹配;在每轮对话中,根据用户的问题和上下文,使用语义嵌入模型将用户问题转化为向量表示;通过计算示例向量与用户问题向量之间的相似度,找到与用户问题最相关的示例;
根据匹配到的最相关示例,提取示例中的回答部分作为大语言模型LLM的提示;根据得分最高的知识、用户上下文、预处理的语言、实体、主题及单轮转写结果信息构建LLM的提示。
7.如权利要求6所述的用于面向软件即服务平台的多机器人对话方法,其特征在于,大语言模型LLM的提示包括关键词、句子结构及实体信息,以帮助大语言模型LLM生成符合预期形式的回答;构建LLM的提示包含任务描述、格式描述、知识、示例、上下文和注入部分。
8.一种提供的用于面向软件即服务平台的多机器人对话系统,其特征在于,包含:
对话管理模块,负责获取用户输入的对话内容,进行包含复杂性及问题类型的对话管理,判断复杂性与触发流程机器人和问题类型与相似问机器人的对应关系,根据对应关系确认触发流程机器人或相似问机器人;
预处理模块,负责对用户当前的对话内容,以对话内容为训练集,建立图片描述模型、语音转换模型、文本多轮对话转换模型、文本语义理解模型、文本主题识别模型、文本实体识别模型及文本语言识别模型;将对话内容输入至模型进行图片描述、语音转换、核心信息获取、多轮对话转换、文本语义理解、文本主题识别、文本实体识别及文本语言识别的预处理,网址内容爬取获取网址对应的核心信息的文本形式,得到对话内容的用户意图;
触发判断模块,负责根据用户意图判断是否触发对应的业务流程,触发对应的业务流程;
对话管理模块,包含:
判断标准预设子模块,负责预设多种语言、多种模态、多个上下文信息及多个状态的对话内容复杂性的判断标准,判断标准为触发流程机器人的起始指令;获取对话内容的问题类型的第一属性,第一属性为相似问机器人具备回答能力的范围标准;
属性判断子模块,负责获取对话内容中语言、模态、上下文信息及状态的第一属性和问题类型的第二属性,对第一属性和第二属性进行判断,若第一属性为相似问机器人具备回答能力的范围,则直接由相似问机器人来回答用户,相似问机器人通过训练和模型匹配技术,根据历史数据和知识库寻找相似的问题,并给出相应的答案,根据当用户的ID建立相似问机器人的对话进程;若第二属性符合启动触发流程机器人的判断标准,则触发流程机器人,同时直接触发对应业务技能;根据当用户的ID建立流程机器人的对话进程;
状态更新子模块,负责保存相似问机器人及流程机器人的对话进程的全部信息,在对话交互的过程中在用户产生输入动作时对对话状态进行更新;以及根据当前对话状态动态地产生相应的回复;
触发判断模块,包含:
关系建立子模块,负责将不同的用户意图进行分类,得到商品推荐或取消订单等用户意图,将每一类用户意图标注主键标识码,并将主键标识码与对应的用户意图建立映射关系;
关系更新子模块,负责当用户发送一个新的对话内容时,根据映射关系中的主键标识码选择对应的区块;判断当前业务流程是否有该主键标识码的映射关系,如果有,则读取主键标识码之前存储的映射关系,如果没有,则将新的映射关系写入存储器;
关系触发子模块,负责判断读取的映射关系是否包含新的映射关系,如果不包含,则将新的映射关系写入存储器;如果包含,则合并新的映射关系和读取的映射关系,并更新内存全索引,完成用户意图与业务流程的触发映射关系,触发,直接引导用户进入业务流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311620411.6A CN117573834B (zh) | 2023-11-30 | 2023-11-30 | 一种用于面向软件即服务平台的多机器人对话方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311620411.6A CN117573834B (zh) | 2023-11-30 | 2023-11-30 | 一种用于面向软件即服务平台的多机器人对话方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117573834A CN117573834A (zh) | 2024-02-20 |
CN117573834B true CN117573834B (zh) | 2024-04-16 |
Family
ID=89893562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311620411.6A Active CN117573834B (zh) | 2023-11-30 | 2023-11-30 | 一种用于面向软件即服务平台的多机器人对话方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117573834B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117891927A (zh) * | 2024-03-15 | 2024-04-16 | 中国电子技术标准化研究院 | 基于大语言模型的问答方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446306A (zh) * | 2018-10-16 | 2019-03-08 | 浪潮软件股份有限公司 | 一种基于任务驱动的多轮对话的智能问答方法 |
CN113515613A (zh) * | 2021-06-25 | 2021-10-19 | 华中科技大学 | 一种集成闲聊、知识和任务问答的智能机器人 |
CN116628172A (zh) * | 2023-07-24 | 2023-08-22 | 北京酷维在线科技有限公司 | 基于知识图谱的政务服务领域多策略融合的对话方法 |
-
2023
- 2023-11-30 CN CN202311620411.6A patent/CN117573834B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446306A (zh) * | 2018-10-16 | 2019-03-08 | 浪潮软件股份有限公司 | 一种基于任务驱动的多轮对话的智能问答方法 |
CN113515613A (zh) * | 2021-06-25 | 2021-10-19 | 华中科技大学 | 一种集成闲聊、知识和任务问答的智能机器人 |
CN116628172A (zh) * | 2023-07-24 | 2023-08-22 | 北京酷维在线科技有限公司 | 基于知识图谱的政务服务领域多策略融合的对话方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117573834A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704641B (zh) | 一种万级意图分类方法、装置、存储介质及电子设备 | |
CN107846350B (zh) | 一种语境感知网络聊天的方法、计算机可读介质和系统 | |
CN110111780B (zh) | 数据处理方法和服务器 | |
JP2020071869A (ja) | 動画基盤求人求職マッチングサーバーおよび方法 | |
CN117573834B (zh) | 一种用于面向软件即服务平台的多机器人对话方法及系统 | |
CN113268610B (zh) | 基于知识图谱的意图跳转方法、装置、设备及存储介质 | |
US20190377824A1 (en) | Schemaless systems and methods for automatically building and utilizing a chatbot knowledge base or the like | |
Windiatmoko et al. | Developing facebook chatbot based on deep learning using rasa framework for university enquiries | |
CN113408284A (zh) | 文本处理模型的训练方法、装置、电子设备及存储介质 | |
CN112199486A (zh) | 一种办公场景的任务型多轮对话方法及系统 | |
CN112487810A (zh) | 一种智能客服服务方法、装置、设备及存储介质 | |
CN115470338B (zh) | 一种基于多路召回的多场景智能问答方法和系统 | |
CN110399473B (zh) | 为用户问题确定答案的方法和装置 | |
Sabharwal et al. | Developing Cognitive Bots Using the IBM Watson Engine: Practical, Hands-on Guide to Developing Complex Cognitive Bots Using the IBM Watson Platform | |
CN112784024B (zh) | 一种人机对话的方法、装置、设备以及存储介质 | |
CN112214589B (zh) | 一种基于冷启动的多轮会话框架的方法 | |
CN113239698A (zh) | 基于rpa及ai的信息提取方法、装置、设备及介质 | |
CN117370512A (zh) | 回复对话的方法、装置、设备及存储介质 | |
CN116521832A (zh) | 对话交互方法、装置及系统、电子设备和存储介质 | |
CN114970666B (zh) | 一种口语处理方法、装置、电子设备及存储介质 | |
CN113901192A (zh) | 一种对话节点参数预填充的对话方法、装置、设备和介质 | |
CN114490974A (zh) | 信息自动回复方法、装置、系统、电子设备及可读介质 | |
CN115344673A (zh) | 一种对话系统对话方法、装置及存储介质 | |
CN113468306A (zh) | 语音对话方法、装置、电子设备及存储介质 | |
CN111241236A (zh) | 任务导向性问答方法、系统、电子设备、可读存储介质 |
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 |