CN117668205A - 智慧物流客服处理方法、系统、设备及存储介质 - Google Patents
智慧物流客服处理方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117668205A CN117668205A CN202410150927.7A CN202410150927A CN117668205A CN 117668205 A CN117668205 A CN 117668205A CN 202410150927 A CN202410150927 A CN 202410150927A CN 117668205 A CN117668205 A CN 117668205A
- Authority
- CN
- China
- Prior art keywords
- dialogue
- knowledge
- data
- customer service
- target
- 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.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000003672 processing method Methods 0.000 title claims description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 127
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims description 61
- 238000009826 distribution Methods 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000013506 data mapping Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 18
- 238000012384 transportation and delivery Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据处理技术领域,公开了一种智慧物流客服处理方法、系统、设备及存储介质。所述方法包括:获取对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合;通过机器学习模型进行对话知识图谱分析和创建,得到M个第一对话知识图谱;进行知识图谱调用关系建模,得到知识图谱调用关系决策模型;获取目标用户的多渠道实时对话数据并确定N个第二对话知识图谱以及获取智能物流推荐和预测数据;计算目标对话反馈评价指标并进行个性化对话策略分析,得到个性化知识图谱库,本申请通过结合自然语言处理、机器学习和智能决策技术,提高物流客服服务的效率、个性化水平和用户体验。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种智慧物流客服处理方法、系统、设备及存储介质。
背景技术
在当今全球数字化和物流领域的快速发展背景下,智慧物流客服处理方法的研究变得至关重要。随着电子商务和供应链管理的增长,物流行业面临着日益复杂的挑战,如快速增长的订单、库存管理、物流路径优化等。这些挑战要求物流公司提供高效的客户支持和预测性的服务,以确保货物的顺利流通和客户满意度。然而,传统的物流客服方法往往受限于人力资源和时间成本,无法满足日益增长的需求。因此,研究智慧物流客服处理方法成为解决这些问题的关键。
然而,在智慧物流客服处理方法的研究中仍存在一些重要问题需要解决。如何从大量的物流对话数据中提取有用的信息和关键词,以建立知识图谱,仍然是一个挑战。此外,如何根据不同的用户需求和情境选择合适的知识图谱以提供个性化的物流推荐和预测,也是一个复杂的问题。如何有效地收集和分析用户反馈数据,并将其应用于对话策略的改进,以提高客户满意度,也需要更深入的研究。
发明内容
本申请提供了一种智慧物流客服处理方法、系统、设备及存储介质,本申请通过结合自然语言处理、机器学习和智能决策技术,提高物流客服服务的效率、个性化水平和用户体验。
第一方面,本申请提供了一种智慧物流客服处理方法,所述智慧物流客服处理方法包括:
通过预置的物流客服语料库获取物流客服对话数据,并对所述物流客服对话数据进行语义解析和分类,得到对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合;
将所述对话实体关键词集合、所述对话唤醒关键词集合以及所述对话结束关键词集合输入预置的机器学习模型进行对话知识图谱分析和创建,得到M个第一对话知识图谱;
对所述M个第一对话知识图谱与所述物流客服对话数据进行知识图谱调用关系建模,得到每个第一对话知识图谱与所述物流客服对话数据之间的知识图谱调用关系决策模型;
获取目标用户的多渠道实时对话数据并根据所述知识图谱调用关系决策模型和所述M个第一对话知识图谱确定N个第二对话知识图谱,以及获取所述N个第二对话知识图谱对应的智能物流推荐和预测数据;
根据所述智能物流推荐和预测数据,对所述N个第二对话知识图谱进行对话反馈评价指标计算,得到所述N个第二对话知识图谱对应的目标对话反馈评价指标;
根据预置的多岛优化算法和所述目标对话反馈评价指标,对所述N个第二对话知识图谱进行个性化对话策略分析,得到所述目标用户的个性化知识图谱库。
第二方面,本申请提供了一种智慧物流客服处理系统,所述智慧物流客服处理系统包括:
获取模块,用于通过预置的物流客服语料库获取物流客服对话数据,并对所述物流客服对话数据进行语义解析和分类,得到对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合;
创建模块,用于将所述对话实体关键词集合、所述对话唤醒关键词集合以及所述对话结束关键词集合输入预置的机器学习模型进行对话知识图谱分析和创建,得到M个第一对话知识图谱;
建模模块,用于对所述M个第一对话知识图谱与所述物流客服对话数据进行知识图谱调用关系建模,得到每个第一对话知识图谱与所述物流客服对话数据之间的知识图谱调用关系决策模型;
处理模块,用于获取目标用户的多渠道实时对话数据并根据所述知识图谱调用关系决策模型和所述M个第一对话知识图谱确定N个第二对话知识图谱,以及获取所述N个第二对话知识图谱对应的智能物流推荐和预测数据;
计算模块,用于根据所述智能物流推荐和预测数据,对所述N个第二对话知识图谱进行对话反馈评价指标计算,得到所述N个第二对话知识图谱对应的目标对话反馈评价指标;
分析模块,用于根据预置的多岛优化算法和所述目标对话反馈评价指标,对所述N个第二对话知识图谱进行个性化对话策略分析,得到所述目标用户的个性化知识图谱库。
本申请第三方面提供了一种计算机设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述计算机设备执行上述的智慧物流客服处理方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的智慧物流客服处理方法。
本申请提供的技术方案中,使用语义解析和机器学习模型,使物流客服服务变得更加智能化。这意味着客服能够理解用户的需求、问题和意图,提供更准确、实用的建议和答案。通过分析目标用户的实时对话数据和使用知识图谱调用关系决策模型,能够选择适当的知识图谱,从而为每个用户提供个性化的服务。这有助于满足用户的独特需求,提高用户满意度。利用多个知识图谱来提供智能物流推荐和预测,从而帮助用户更好地规划物流操作。这可以提高物流效率,降低成本。通过收集用户反馈行为数据并计算反馈评价指标,可以评估服务质量并进行改进。这有助于不断优化物流客服服务,提高用户满意度和忠诚度。通过个性化对话策略分析,可以建立目标用户的个性化知识图谱库。这些知识图谱可以用于更好地理解和服务用户,还可以支持长期客户关系的建立。通过自动化语义解析和分类、知识图谱调用关系建模等技术特征,可以提高客服服务的效率,减少人工干预的需求,降低运营成本。通过数据清洗和标准化处理,确保输入的物流客服对话数据质量高,从而提高了语义解析和分类的准确性,本申请通过结合自然语言处理、机器学习和智能决策技术,提高物流客服服务的效率、个性化水平和用户体验。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中智慧物流客服处理方法的一个实施例示意图;
图2为本申请实施例中智慧物流客服处理系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种智慧物流客服处理方法、系统、设备及存储介质。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中智慧物流客服处理方法的一个实施例包括:
步骤101、通过预置的物流客服语料库获取物流客服对话数据,并对物流客服对话数据进行语义解析和分类,得到对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合;
可以理解的是,本申请的执行主体可以为智慧物流客服处理系统,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,从预置的物流客服语料库中获取物流客服对话数据,这些数据包含了物流相关对话场景,覆盖了物流行业的各个方面。对物流客服对话数据进行数据清洗和数据标准化处理,以确保数据质量和一致性。数据清洗主要包括去除无用信息、纠正错误等步骤,而数据标准化则涉及将不同格式或风格的数据转换成统一的格式。对标准化后的客服对话数据应用TF-IDF(词频-逆文档频率)算法提取关键词。TF-IDF是一种用于信息检索和文本挖掘的常用加权技术,通过计算词语的频率和它在语料库中的分布,来评估一个词语在一组文档中的重要性。TF-IDF算法能够有效地从大量文本中提取出最具代表性和区分度的关键词。在提取出关键词后,对关键词进行词频计算,统计每个关键词在语料库中出现的次数。词频数据反映了每个关键词在对话中的使用频率,是理解客户需求和对话特点的重要依据。对每个关键词执行逆文档频率的计算,逆文档频率是一个用于评估词语在整个语料库中的独特性的指标,识别出那些在特定对话中重要但在整个语料库中不常见的词语,这些词语往往承载了更多的信息量和特定场景下的重要性。基于词频数据和逆文档频率数据,对提取的关键词进行筛选,以得到更加准确和有用的目标对话关键词。通过对关键词的重要性进行排序和筛选,确保最终的关键词集合既能反映客户的具体需求,又能捕捉到物流对话的核心内容。对筛选出的目标对话关键词进行相似度计算,使用自然语言处理中的相似度度量方法,如余弦相似度,来评估不同关键词之间的相似性。这有助于识别出语义上相近或相关的关键词,从而为后续的关键词分类提供依据。相似度计算的结果将使系统能够更准确地将关键词分组,例如将涉及产品查询的关键词、唤醒客服的关键词或表示对话结束的关键词归类。基于这些相似度值,对目标对话关键词进行有效的分类,从而得到对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合。
步骤102、将对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合输入预置的机器学习模型进行对话知识图谱分析和创建,得到M个第一对话知识图谱;
具体的,对物流客服对话数据进行知识图谱初始化,创建多个对话知识图谱框架。将对话实体关键词、对话唤醒关键词和对话结束关键词与对话知识图谱框架进行数据映射,将关键词和图谱框架中的元素相对应,形成多个初始的对话知识图谱。对每个初始对话知识图谱进行实体提取,从图谱中识别出重要的节点,如客户需求、产品信息、服务流程等,这些节点作为图谱实体,是知识图谱中信息传递和连接的关键。对提取出的图谱实体进行实体关联度量,评估和计算图谱中不同实体之间的关联强度。基于每个初始对话知识图谱的实体关联度数据集和图谱实体,进行知识图谱规则分析,识别和制定知识图谱中的规则,如实体间的关系类型、关系强度的确定方式等。通过预置的机器学习模型中的多层图神经网络对每个初始对话知识图谱的知识图谱规则集进行条件概率分析和实体关系优化。多层图神经网络通过分析实体间的复杂关系和交互,优化知识图谱中的连接和结构。通过这种方式,每个初始对话知识图谱经过深入的分析和优化,最终形成M个第一对话知识图谱。
步骤103、对M个第一对话知识图谱与物流客服对话数据进行知识图谱调用关系建模,得到每个第一对话知识图谱与物流客服对话数据之间的知识图谱调用关系决策模型;
具体的,对物流客服对话数据进行分析,定义多个对话类型。这些对话类型涵盖各种物流相关的场景,如货物查询、物流跟踪、客户投诉处理等。每种对话类型都具有其独特的特征,这些特征可以通过对对话内容的分析来提取。同时,对M个第一对话知识图谱进行特征提取,以获取图谱特征,这些特征反映了知识图谱中的主要信息和结构,如实体类型、关系种类等。对多个类型特征和图谱特征进行特征映射,将这些特征转换为更适合计算和比较的形式。具体来说,每个类型特征通过映射转换为一个第一特征映射值,而每个图谱特征则转换为一个第二特征映射值。这种映射是基于特定算法的,如主成分分析(PCA)或其他降维技术,将复杂的特征简化为易于处理的数值形式。根据这些映射值构建对应的特征向量,每个对话类型对应一个类型特征向量,每个第一对话知识图谱对应一个图谱特征向量。这些特征向量提供了一种量化的方式来表示和比较不同类型的对话和知识图谱。对类型特征向量和图谱特征向量进行余弦相似度计算。余弦相似度是一种常用的相似性度量方法,它可以量化两个向量在空间中的相似程度。通过计算,得到一个余弦相似度集合,这个集合为每对类型特征向量和图谱特征向量之间的相似度提供了一个具体的数值。基于余弦相似度集合,创建每个第一对话知识图谱与多个对话类型之间的知识图谱调用关系决策模型,指示对话类型与第一知识图谱之间的对应关系。具体来说,模型通过分析每个对话类型的特征向量与每个知识图谱的特征向量之间的相似度,来确定哪个知识图谱最适合应对特定类型的对话。这种匹配是基于算法计算的,确保了在实际运行中,当物流客服系统接收到一个特定类型的对话时,能够迅速且准确地调用最合适的知识图谱来处理这个对话。
步骤104、获取目标用户的多渠道实时对话数据并根据知识图谱调用关系决策模型和M个第一对话知识图谱确定N个第二对话知识图谱,以及获取N个第二对话知识图谱对应的智能物流推荐和预测数据;
具体的,从各种渠道,如社交媒体、客户服务热线、电子邮件等,收集目标用户的实时对话数据,这些数据涵盖了用户在不同场景下的查询和交流。对收集到的多渠道实时对话数据进行标准化处理,确保数据质量和统一性,便于后续的分析。标准化处理包括去除无关内容、统一数据格式和风格等,以得到标准实时对话数据。对标准实时对话数据进行对话类型分析,通过分析对话内容、用户提问的方式和上下文信息等确定目标用户的目标类型。例如,用户的对话涉及货物追踪、订单查询或服务反馈等不同的物流相关主题。根据知识图谱调用关系决策模型,对目标类型和M个第一对话知识图谱进行决策匹配。通过比较目标用户的对话类型特征与每个第一对话知识图谱的特征,得到每个第一对话知识图谱的决策匹配度。匹配度是一个量化指标,表示每个知识图谱与目标对话类型的匹配程度,高匹配度意味着知识图谱与对话内容更为相关。根据决策匹配度和预置的目标值对多个第一对话知识图谱进行对比筛选,从M个第一对话知识图谱中选出最适合当前用户对话类型的N个知识图谱,其中N是一个正整数,且N≤M。选出的这些第二对话知识图谱是专门针对目标用户的对话内容和需求定制的,能够更精准地提供相关信息和建议。通过所选出的N个第二对话知识图谱对标准实时对话数据进行智能物流推荐和预测。在这个阶段,知识图谱利用其丰富的信息和结构,对用户的对话内容进行深度分析和理解,从而生成针对性的推荐和预测。这些推荐和预测数据包括货物运输的最佳路线、预计到达时间、遇到的问题及解决方案等,为用户提供全面而精确的物流信息。
步骤105、根据智能物流推荐和预测数据,对N个第二对话知识图谱进行对话反馈评价指标计算,得到N个第二对话知识图谱对应的目标对话反馈评价指标;
具体的,根据智能物流推荐和预测数据对N个第二对话知识图谱进行反馈数据收集,收集用户在接收智能推荐和预测后的行为数据,包括用户的满意度反馈、对推荐的响应时间以及问题解决率等信息。构建对话反馈评价体系,评价体系包括几个关键维度,如用户满意度、系统的响应时间以及问题的解决率。用户满意度反映了用户对智能物流推荐和预测服务的整体感受,响应时间则体现了系统处理用户查询的效率,而解决率则指示了系统提供的推荐和预测在解决用户问题方面的有效性。这些指标共同构成了一个全面的评价体系,能够从不同角度评估对话知识图谱的性能和效果。根据评价体系,对收集到的用户反馈行为数据进行对话反馈评价指标计算,得到初始的评价指标。在这个过程中,根据预设的计算方法和标准,对每个维度的数据进行量化处理,以确保评价结果的客观性和准确性。例如,满意度可以通过用户调查得分来量化,响应时间则通过记录从用户发起查询到系统响应的时间间隔来计算,解决率则可以基于用户反馈和后续跟踪来确定。对初始评价指标进行指标权重分配以及综合评价。不同的评价指标将根据其在整体评价体系中的重要性被赋予不同的权重。例如,如果用户满意度被视为最重要的指标,那么它在评价体系中将占有更高的权重。同样,响应时间和解决率也根据其对整体服务质量的影响程度被分配相应的权重。权重分配后,对各项指标进行综合考虑,综合评价过程涉及将各个指标和其权重相结合,以计算出每个第二对话知识图谱的最终评价分数。
步骤106、根据预置的多岛优化算法和目标对话反馈评价指标,对N个第二对话知识图谱进行个性化对话策略分析,得到目标用户的个性化知识图谱库。
具体的,多岛优化算法是一种高效的全局优化方法,通过模拟多个互相独立但相互交流的搜索“岛屿”来加快寻找最优解的速度。在这个算法中,评价指标与对话策略层次、评价指标与影响因素层次以及评价指标与评价指标层次三个层面共同构成了一个多层次的优化框架。评价指标与对话策略层次关注的是目标对话反馈评价指标与对话策略优化目标之间的关系。这个层次的核心在于理解不同评价指标如何影响对话策略的优化,从而确保策略的调整能够有效提升用户满意度、响应速度和问题解决率等关键评价指标。评价指标与影响因素层次专注于识别哪些因素影响目标对话反馈评价指标与对话策略之间的关系,例如用户的具体需求、对话的上下文信息等。通过分析这些影响因素,可以更精确地调整对话策略,使其更符合用户的特定情境和需求。而评价指标与评价指标层次则涉及分析不同评价指标之间的正负相关性,这有助于理解各个评价指标间的相互影响,从而在优化对话策略时综合考虑多方面的影响。在这些层次的基础上,计算对应的三组优化系数值:第一优化系数值基于评价指标与对话策略层次,第二优化系数值基于评价指标与影响因素层次,第三优化系数值则基于评价指标与评价指标层次。这些优化系数值是对话策略优化的关键参数,它们综合考虑了不同层次的因素,以指导知识图谱的优化方向和程度。通过对这三组优化系数值进行求和运算,得到目标优化系数值。这个目标优化系数值反映了综合多方面因素后的最佳对话策略调整方向。根据目标优化系数值,对N个第二对话知识图谱进行个性化对话策略分析,从而为每个第二对话知识图谱确定一套最优的个性化对话策略。这些策略不仅考虑了通用的客服对话原则,也融入了针对特定用户群体或个别用户的个性化元素,如针对特定物流需求的快速响应策略、对特定问题的深度解析等。基于目标个性化对话策略,对N个第二对话知识图谱进行进一步的知识图谱优化和用户数据库构建。在知识图谱优化过程中,根据个性化策略调整知识图谱中的实体、关系和属性,使其更加契合目标用户的需求和偏好。同时,用户数据库的构建则涉及收集和整合用户的历史对话数据、反馈信息以及行为模式,从而形成一个全面的、个性化的用户画像。
本申请实施例中,使用语义解析和机器学习模型,使物流客服服务变得更加智能化。这意味着客服能够理解用户的需求、问题和意图,提供更准确、实用的建议和答案。通过分析目标用户的实时对话数据和使用知识图谱调用关系决策模型,能够选择适当的知识图谱,从而为每个用户提供个性化的服务。这有助于满足用户的独特需求,提高用户满意度。利用多个知识图谱来提供智能物流推荐和预测,从而帮助用户更好地规划物流操作。这可以提高物流效率,降低成本。通过收集用户反馈行为数据并计算反馈评价指标,可以评估服务质量并进行改进。这有助于不断优化物流客服服务,提高用户满意度和忠诚度。通过个性化对话策略分析,可以建立目标用户的个性化知识图谱库。这些知识图谱可以用于更好地理解和服务用户,还可以支持长期客户关系的建立。通过自动化语义解析和分类、知识图谱调用关系建模等技术特征,可以提高客服服务的效率,减少人工干预的需求,降低运营成本。通过数据清洗和标准化处理,确保输入的物流客服对话数据质量高,从而提高了语义解析和分类的准确性,本申请通过结合自然语言处理、机器学习和智能决策技术,提高物流客服服务的效率、个性化水平和用户体验。
在一具体实施例中,执行步骤101的过程可以具体包括如下步骤:
(1)通过预置的物流客服语料库获取物流客服对话数据,并对物流客服对话数据进行数据清洗和数据标准化处理,得到标准客服对话数据;
(2)对标准客服对话数据进行TF-IDF关键词提取,得到多个客服对话关键词;
(3)对多个客服对话关键词进行词频计算,得到每个客服对话关键词的词频数据;
(4)对多个客服对话关键词进行逆文档频率计算,得到每个客服对话关键词的逆文档频率数据;
(5)根据词频数据和逆文档频率数据,对多个客服对话关键词进行关键词筛选,得到多个目标对话关键词;
(6)对多个目标对话关键词进行相似度计算,得到每个目标对话关键词的相似度值;
(7)根据相似度值对多个目标对话关键词进行关键词分类,得到对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合。
具体的,通过预置的物流客服语料库获取物流客服对话数据。语料库包括了从各种渠道收集的历史客服记录,如电话对话、在线聊天记录、电子邮件等。对物流客服对话数据进行数据清洗和数据标准化处理,以确保数据的质量和一致性。数据清洗主要涉及去除无关信息、纠正错误和填补缺失值,而数据标准化则是将数据转换成统一的格式。对标准化客服对话数据进行TF-IDF(词频-逆文档频率)关键词提取。TF-IDF是一种在文本挖掘中常用的技术,用于评估一个词语对于一个文件集或一个语料库中的其中一份文件的重要程度。通过应用TF-IDF算法,从标准客服对话数据中提取出一组关键词,这些关键词在物流客服对话中具有较高的区分度和代表性。对客服对话关键词进行词频(TF)计算,即统计每个关键词在语料库中出现的频率。词频数据可以帮助理解每个关键词在客服对话中的普遍性。同时,对关键词进行逆文档频率(IDF)计算,这是一个衡量关键词普遍性的指标,用于减少那些在语料库中出现频率很高但信息量较低的词汇的影响。通过结合TF和IDF,有效地筛选出既常见又具有区分度的关键词。根据关键词的词频和逆文档频率数据,进行关键词筛选确定最终的目标对话关键词。设置特定的阈值,如只选择TF-IDF值高于某个特定数值的关键词。通过这种筛选,获得一组更加精确的关键词,这些关键词代表了物流客服对话中最关键的主题和概念。对目标对话关键词进行相似度计算,使用自然语言处理技术来评估不同关键词之间的相似性。例如,可以使用余弦相似度方法来计算关键词向量之间的相似度,识别出语义上相近或相关的关键词,从而为关键词分类提供依据。根据关键词的相似度值,对它们进行分类,得到不同的关键词集合,包括对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合。对话实体关键词集合包含与物流服务直接相关的词汇;对话唤醒关键词集合则包括那些用于启动特定服务或查询的词汇;而对话结束关键词集合则包含表明对话即将结束的词汇。
在一具体实施例中,执行步骤102的过程可以具体包括如下步骤:
(1)对物流客服对话数据进行知识图谱初始化,生成多个对话知识图谱框架;
(2)对对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合与多个对话知识图谱框架进行数据映射,得到多个初始对话知识图谱;
(3)对多个初始对话知识图谱进行实体提取,得到每个初始对话知识图谱的多个图谱实体,并对多个图谱实体进行实体关联度量,得到每个初始对话知识图谱的实体关联度数据集;
(4)根据每个初始对话知识图谱的实体关联度数据集和多个图谱实体,对多个初始对话知识图谱进行知识图谱规则分析,得到每个初始对话知识图谱的知识图谱规则集;
(5)通过预置的机器学习模型中的多层图神经网络对每个初始对话知识图谱的知识图谱规则集进行条件概率分析和实体关系优化,得到M个第一对话知识图谱,其中,M为正整数。
具体的,进行知识图谱初始化,根据物流客服对话数据生成多个对话知识图谱框架。这些框架本质上是一系列的结构,定义了知识图谱中将要包含的各种元素和它们之间的关系。例如,一个对话知识图谱框架包含了诸如订单状态、客户信息、货物信息等实体类别,以及这些实体之间的关系,如客户“查询”订单状态、订单“包含”货物信息等。将对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合与对话知识图谱框架进行数据映射,将提取的关键词与知识图谱框架中的实体和关系相匹配。例如,如果在对话中频繁出现“运单号”这一关键词,那么可以将其映射到知识图谱框架中的订单实体;如果关键词是“延迟”,则映射到订单状态实体的某个属性。通过这种映射,将抽象的关键词转化为知识图谱中具体的实体和关系,从而生成多个初始对话知识图谱。对初始对话知识图谱进行实体提取,识别出每个图谱中的关键实体和它们的属性,从原始的对话数据中抽象出更高层次的信息。对图谱实体进行实体关联度量,以确定各个实体之间的关系强度,分析实体之间的共现频率或语义相关性。根据每个初始对话知识图谱的实体关联度数据集和多个图谱实体,进行知识图谱规则分析,建立知识图谱中实体之间的规则和模式,例如确定哪些实体经常一起出现,哪些实体关系对于理解对话内容尤为重要。通过预置的机器学习模型中的多层图神经网络(GNN)对每个初始对话知识图谱的知识图谱规则集进行条件概率分析和实体关系优化。图神经网络能够捕捉实体之间的复杂关系和模式,GNN通过分析实体之间的交互和连接模式,能够发现潜在的、非显式的关系和属性。通过这种深度学习和分析,最终生成M个优化后的第一对话知识图谱,每个图谱都能更精确地反映物流客服对话中的关键信息和结构。
在一具体实施例中,执行步骤103的过程可以具体包括如下步骤:
(1)根据物流客服对话数据定义多个对话类型,并对多个对话类型进行特征提取,得到多个类型特征,并对M个第一对话知识图谱进行特征提取,得到多个图谱特征;
(2)对多个类型特征进行特征映射,得到每个类型特征对应的第一特征映射值,并对多个图谱特征进行特征映射,得到每个图谱特征对应的第二特征映射值;
(3)根据每个类型特征对应的第一特征映射值构建每个对话类型对应的类型特征向量,以及根据每个图谱特征对应的第二特征映射值构建每个第一对话知识图谱对应的图谱特征向量;
(4)对类型特征向量以及图谱特征向量进行余弦相似度计算,得到余弦相似度集合;
(5)根据余弦相似度集合创建每个第一对话知识图谱与多个对话类型之间的知识图谱调用关系决策模型,知识图谱调用关系决策模型用于指示对话类型与第一知识图谱之间的对应关系。
具体的,根据物流客服对话数据定义多个对话类型。这些对话类型反映了物流客服中常见的不同客户咨询和请求的种类,如订单查询、配送问题、货物损坏报告等,从而更好地理解和分类客户的需求,从而提供更加精确和个性化的服务。对不同的对话类型进行特征提取,从原始的对话文本中提炼出能够代表每种对话类型的关键信息。这包括特定的关键词、短语、句式结构等。例如,订单查询类型的对话经常包含“订单号”、“查询”、“状态”等关键词,而配送问题类型的对话更多地包含“延迟”、“配送地址”、“预计到达时间”等词汇。同时,对M个第一对话知识图谱进行特征提取,识别出每个知识图谱中的关键实体、关系和属性,这些特征代表了图谱的核心内容和结构。对提取出的多个类型特征进行特征映射,得到每个类型特征对应的第一特征映射值。同样,对多个图谱特征进行特征映射,得到每个图谱特征对应的第二特征映射值。特征映射的目的是将这些特征转换成一种更适合于计算和分析的数值形式。例如,使用主成分分析(PCA)或其他降维技术来转换这些特征,从而简化数据并保留最重要的信息。根据每个类型特征对应的第一特征映射值构建每个对话类型对应的类型特征向量,以及根据每个图谱特征对应的第二特征映射值构建每个第一对话知识图谱对应的图谱特征向量。这些特征向量是用于后续相似度计算和决策模型构建的关键。例如,一个订单查询类型的对话被表示为一个特征向量,其中包含了与订单查询相关的各种特征的数值。对这些类型特征向量以及图谱特征向量进行余弦相似度计算。余弦相似度是一种衡量两个向量方向上的相似度的方法,它可以用来评估对话类型特征向量和知识图谱特征向量之间的相似性,从而得出哪些知识图谱与特定类型的对话最为相关。例如,如果一个订单查询的对话类型特征向量与某个知识图谱的特征向量有很高的余弦相似度,这表明该知识图谱包含了处理订单查询所需的关键信息和资源。基于余弦相似度计算结果,创建每个第一对话知识图谱与多个对话类型之间的知识图谱调用关系决策模型,指示哪些对话类型与哪些第一知识图谱之间存在最强的对应关系。这种对应关系的建立是基于之前计算的相似度值,它有助于智能物流客服系统在面对不同类型的客户咨询时,能够迅速而准确地调用最相关的知识图谱。例如,当系统检测到一个用户咨询属于“配送问题”类型时,根据决策模型,系统将自动调用与此类问题最相关的知识图谱,从而快速有效地提供解决方案或相关信息。
在一具体实施例中,执行步骤104的过程可以具体包括如下步骤:
(1)获取目标用户的多渠道实时对话数据,并对多渠道实时对话数据进行标准化处理,得到标准实时对话数据;
(2)对标准实时对话数据进行对话类型分析,得到目标用户的目标类型,并根据知识图谱调用关系决策模型对目标类型和M个第一对话知识图谱进行决策匹配,得到每个第一对话知识图谱的决策匹配度;
(3)根据决策匹配度和预置的目标值,对多个第一对话知识图谱进行对比筛选,得到目标用户对应的N个第二对话知识图谱,其中,N为正整数,N≤M;
(4)通过N个第二对话知识图谱对标准实时对话数据进行智能物流推荐和预测,得到N个第二对话知识图谱对应的智能物流推荐和预测数据。
具体的,从多个渠道获取目标用户的实时对话数据。这些渠道包括电话、电子邮件、社交媒体、在线聊天平台等。进行数据标准化处理,确保数据的质量和一致性,使其适合于进一步分析。标准化处理包括去除无关内容、统一数据格式和风格。对标准化实时对话数据进行对话类型分析,以确定目标用户的目标类型。通过自然语言处理技术来分析和分类对话内容。例如,通过关键词识别、情感分析和语义理解等方法,可以将对话分类为“订单查询”、“配送问题”、“退货服务”等不同类型。根据知识图谱调用关系决策模型,将目标类型与M个第一对话知识图谱进行决策匹配,确定哪些知识图谱与用户当前的对话类型最为相关。例如,如果用户的对话类型被判定为“订单查询”,那么通过决策模型评估哪些知识图谱包含了最相关的信息,如订单状态、预计送达时间等。决策匹配度是一个重要的指标,它反映了每个知识图谱与当前对话类型的相关性。根据决策匹配度和预置的目标值,对多个第一对话知识图谱进行对比筛选。选择那些与目标用户的对话类型最为匹配的知识图谱,得到N个第二对话知识图谱,其中N是一个根据实际需要确定的正整数,且N≤M。例如,如果系统确定用户的对话类型是“配送问题”,那么它将选择那些包含有关配送时间、物流路线、的延迟原因等信息的知识图谱。通过N个第二对话知识图谱,对标准实时对话数据进行智能物流推荐和预测。通过算法和模型来分析对话内容,并从知识图谱中提取相关信息。例如,如果用户询问关于包裹延迟的问题,通过相关知识图谱提供预计的新送达时间、的延迟原因以及解决方案。
在一具体实施例中,执行步骤105的过程可以具体包括如下步骤:
(1)根据智能物流推荐和预测数据,对N个第二对话知识图谱进行反馈数据收集,得到用户反馈行为数据;
(2)构建对话反馈评价体系,其中,对话反馈评价体系包括:满意度、响应时间以及解决率;
(3)根据对话反馈评价体系,对用户反馈行为数据进行对话反馈评价指标计算,得到初始评价指标;
(4)对初始评价指标进行指标权重分配以及综合评价,得到N个第二对话知识图谱对应的目标对话反馈评价指标。
具体的,基于智能物流推荐和预测数据,对N个第二对话知识图谱进行反馈数据收集,获取用户对智能物流服务的反应和评价。这些用户反馈行为数据可以通过不同方式获得,如客户满意度调查、在线反馈表单、客服交互记录分析等。构建对话反馈评价体系。这个评价体系需要包括几个关键维度,如用户满意度、系统的响应时间以及问题的解决率。满意度评价可以基于用户在调查问卷中的反馈,响应时间的评估则基于从用户提出问题到系统给出反应的时间间隔,而解决率的评估则基于用户问题是否得到了有效解决。根据对话反馈评价体系,对用户反馈行为数据进行对话反馈评价指标计算,得到初始评价指标。将用户的反馈转换为量化的评分,以便于进行更客观和系统的分析。例如,满意度可以通过一个1到5的评分系统来量化,响应时间可以转换为平均响应时间,而解决率则可以通过解决的问题数量与总问题数量的比例来计算。这些初始评价指标提供了一个从多个角度评价智能物流服务质量的基础。对初始评价指标进行指标权重分配以及综合评价,得到N个第二对话知识图谱对应的目标对话反馈评价指标。例如,如果系统更重视用户的满意度,那么满意度指标的权重将会被设置得更高。权重分配后,通过综合评价的方式,将不同的评价指标结合在一起,得到每个第二对话知识图谱的整体评价分数。这个分数是对智能物流服务效果的综合反映,它不仅包含了用户对服务的主观感受,也涵盖了客观的服务性能指标。
在一具体实施例中,执行步骤106的过程可以具体包括如下步骤:
(1)获取预置的多岛优化算法,其中,多岛优化算法包括:评价指标与对话策略层次、评价指标与影响因素层次以及评价指标与评价指标层次,评价指标与对话策略层次为目标对话反馈评价指标与对话策略优化目标之间的关系,评价指标与影响因素层次为识别目标对话反馈评价指标与对话策略影响因素之间的关系,评价指标与评价指标层次为不同目标对话反馈评价指标之间的正负相关性;
(2)根据多岛优化算法中的评价指标与对话策略层次计算对应的第一优化系数值,并根据评价指标与影响因素层次计算对应的第二优化系数值,以及根据评价指标与对话策略层次计算对应的第三优化系数值;
(3)对第一优化系数值、第二优化系数值以及第三优化系数值进行求和运算,得到目标优化系数值;
(4)根据目标优化系数值,对N个第二对话知识图谱进行个性化对话策略分析,得到每个第二对话知识图谱的目标个性化对话策略;
(5)根据目标个性化对话策略对N个第二对话知识图谱进行知识图谱优化和用户数据库构建,得到目标用户的个性化知识图谱库。
具体的,多岛优化算法是一种演化算法,通过在不同的“岛屿”上并行地执行多个搜索过程,以加快寻找全局最优解的过程。在这种算法框架中,每个岛屿可以看作是一个独立的搜索空间,它们通过迁移机制交换信息,从而加快全局最优解的搜索速度。多岛优化算法包含几个关键层次:评价指标与对话策略层次、评价指标与影响因素层次以及评价指标与评价指标层次。评价指标与对话策略层次聚焦于目标对话反馈评价指标与对话策略优化目标之间的关系。例如,如果客户满意度是一个关键的评价指标,那么这个层次就会探索如何调整对话策略来最大化满意度。评价指标与影响因素层次则涉及到识别和分析那些影响目标对话反馈评价指标的外部和内部因素,比如客户的特定需求、历史交互数据、对话的上下文等。评价指标与评价指标层次则分析不同评价指标之间的相互作用和依赖关系,比如满意度和响应时间之间存在的关联性。根据评价指标与对话策略层次计算对应的第一优化系数值,使用机器学习算法分析历史数据,从而确定对话策略的哪些方面最影响客户满意度。根据评价指标与影响因素层次计算第二优化系数值,识别哪些外部和内部因素最显著地影响客户满意度和其他评价指标。根据评价指标与评价指标层次计算第三优化系数值,统计分析和预测模型,以理解不同评价指标之间的相互作用。将这三个优化系数值进行求和运算,得到目标优化系数值。这个值代表了在当前系统状态下,为了最大化整体客户满意度和提高服务效率,应该如何调整对话策略和优化知识图谱。根据这个目标优化系数值,对N个第二对话知识图谱进行个性化对话策略分析,从而为每个知识图谱确定一套最优的个性化对话策略。这些策略包括调整问题响应流程、优化信息提取逻辑、调整自动回复模板等。根据目标个性化对话策略,对N个第二对话知识图谱进行进一步的优化,并基于这些优化后的图谱构建针对目标用户的个性化知识图谱库。这个库不仅包含了物流相关知识,还根据用户的具体需求和偏好进行了定制化调整。例如,如果数据显示某一类客户对快速响应的需求特别高,那么系统就会优化知识图谱,以确保这类问题能够更快地得到回应。如果另一类客户更关注详细的物流信息,那么系统则会调整策略,提供更丰富、更细致的物流追踪数据。
上面对本申请实施例中智慧物流客服处理方法进行了描述,下面对本申请实施例中智慧物流客服处理系统进行描述,请参阅图2,本申请实施例中智慧物流客服处理系统一个实施例包括:
获取模块201,用于通过预置的物流客服语料库获取物流客服对话数据,并对所述物流客服对话数据进行语义解析和分类,得到对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合;
创建模块202,用于将所述对话实体关键词集合、所述对话唤醒关键词集合以及所述对话结束关键词集合输入预置的机器学习模型进行对话知识图谱分析和创建,得到M个第一对话知识图谱;
建模模块203,用于对所述M个第一对话知识图谱与所述物流客服对话数据进行知识图谱调用关系建模,得到每个第一对话知识图谱与所述物流客服对话数据之间的知识图谱调用关系决策模型;
处理模块204,用于获取目标用户的多渠道实时对话数据并根据所述知识图谱调用关系决策模型和所述M个第一对话知识图谱确定N个第二对话知识图谱,以及获取所述N个第二对话知识图谱对应的智能物流推荐和预测数据;
计算模块205,用于根据所述智能物流推荐和预测数据,对所述N个第二对话知识图谱进行对话反馈评价指标计算,得到所述N个第二对话知识图谱对应的目标对话反馈评价指标;
分析模块206,用于根据预置的多岛优化算法和所述目标对话反馈评价指标,对所述N个第二对话知识图谱进行个性化对话策略分析,得到所述目标用户的个性化知识图谱库。
通过上述各个组成部分的协同合作,使用语义解析和机器学习模型,使物流客服服务变得更加智能化。这意味着客服能够理解用户的需求、问题和意图,提供更准确、实用的建议和答案。通过分析目标用户的实时对话数据和使用知识图谱调用关系决策模型,能够选择适当的知识图谱,从而为每个用户提供个性化的服务。这有助于满足用户的独特需求,提高用户满意度。利用多个知识图谱来提供智能物流推荐和预测,从而帮助用户更好地规划物流操作。这可以提高物流效率,降低成本。通过收集用户反馈行为数据并计算反馈评价指标,可以评估服务质量并进行改进。这有助于不断优化物流客服服务,提高用户满意度和忠诚度。通过个性化对话策略分析,可以建立目标用户的个性化知识图谱库。这些知识图谱可以用于更好地理解和服务用户,还可以支持长期客户关系的建立。通过自动化语义解析和分类、知识图谱调用关系建模等技术特征,可以提高客服服务的效率,减少人工干预的需求,降低运营成本。通过数据清洗和标准化处理,确保输入的物流客服对话数据质量高,从而提高了语义解析和分类的准确性,本申请通过结合自然语言处理、机器学习和智能决策技术,提高物流客服服务的效率、个性化水平和用户体验。
本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述智慧物流客服处理方法的步骤。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述智慧物流客服处理方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种智慧物流客服处理方法,其特征在于,所述智慧物流客服处理方法包括:
通过预置的物流客服语料库获取物流客服对话数据,并对所述物流客服对话数据进行语义解析和分类,得到对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合;
将所述对话实体关键词集合、所述对话唤醒关键词集合以及所述对话结束关键词集合输入预置的机器学习模型进行对话知识图谱分析和创建,得到M个第一对话知识图谱;
对所述M个第一对话知识图谱与所述物流客服对话数据进行知识图谱调用关系建模,得到每个第一对话知识图谱与所述物流客服对话数据之间的知识图谱调用关系决策模型;
获取目标用户的多渠道实时对话数据并根据所述知识图谱调用关系决策模型和所述M个第一对话知识图谱确定N个第二对话知识图谱,以及获取所述N个第二对话知识图谱对应的智能物流推荐和预测数据;
根据所述智能物流推荐和预测数据,对所述N个第二对话知识图谱进行对话反馈评价指标计算,得到所述N个第二对话知识图谱对应的目标对话反馈评价指标;
根据预置的多岛优化算法和所述目标对话反馈评价指标,对所述N个第二对话知识图谱进行个性化对话策略分析,得到所述目标用户的个性化知识图谱库。
2.根据权利要求1所述的智慧物流客服处理方法,其特征在于,所述通过预置的物流客服语料库获取物流客服对话数据,并对所述物流客服对话数据进行语义解析和分类,得到对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合,包括:
通过预置的物流客服语料库获取物流客服对话数据,并对所述物流客服对话数据进行数据清洗和数据标准化处理,得到标准客服对话数据;
对所述标准客服对话数据进行TF-IDF关键词提取,得到多个客服对话关键词;
对所述多个客服对话关键词进行词频计算,得到每个客服对话关键词的词频数据;
对所述多个客服对话关键词进行逆文档频率计算,得到每个客服对话关键词的逆文档频率数据;
根据所述词频数据和所述逆文档频率数据,对所述多个客服对话关键词进行关键词筛选,得到多个目标对话关键词;
对所述多个目标对话关键词进行相似度计算,得到每个目标对话关键词的相似度值;
根据所述相似度值对所述多个目标对话关键词进行关键词分类,得到对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合。
3.根据权利要求1所述的智慧物流客服处理方法,其特征在于,所述将所述对话实体关键词集合、所述对话唤醒关键词集合以及所述对话结束关键词集合输入预置的机器学习模型进行对话知识图谱分析和创建,得到M个第一对话知识图谱,包括:
对所述物流客服对话数据进行知识图谱初始化,生成多个对话知识图谱框架;
对所述对话实体关键词集合、所述对话唤醒关键词集合以及所述对话结束关键词集合与所述多个对话知识图谱框架进行数据映射,得到多个初始对话知识图谱;
对所述多个初始对话知识图谱进行实体提取,得到每个初始对话知识图谱的多个图谱实体,并对所述多个图谱实体进行实体关联度量,得到每个初始对话知识图谱的实体关联度数据集;
根据每个初始对话知识图谱的实体关联度数据集和所述多个图谱实体,对所述多个初始对话知识图谱进行知识图谱规则分析,得到每个初始对话知识图谱的知识图谱规则集;
通过预置的机器学习模型中的多层图神经网络对每个初始对话知识图谱的知识图谱规则集进行条件概率分析和实体关系优化,得到M个第一对话知识图谱,其中,M为正整数。
4.根据权利要求1所述的智慧物流客服处理方法,其特征在于,所述对所述M个第一对话知识图谱与所述物流客服对话数据进行知识图谱调用关系建模,得到每个第一对话知识图谱与所述物流客服对话数据之间的知识图谱调用关系决策模型,包括:
根据所述物流客服对话数据定义多个对话类型,并对所述多个对话类型进行特征提取,得到多个类型特征,并对所述M个第一对话知识图谱进行特征提取,得到多个图谱特征;
对所述多个类型特征进行特征映射,得到每个类型特征对应的第一特征映射值,并对所述多个图谱特征进行特征映射,得到每个图谱特征对应的第二特征映射值;
根据每个类型特征对应的第一特征映射值构建每个对话类型对应的类型特征向量,以及根据每个图谱特征对应的第二特征映射值构建每个第一对话知识图谱对应的图谱特征向量;
对所述类型特征向量以及所述图谱特征向量进行余弦相似度计算,得到余弦相似度集合;
根据所述余弦相似度集合创建每个第一对话知识图谱与所述多个对话类型之间的知识图谱调用关系决策模型,所述知识图谱调用关系决策模型用于指示对话类型与第一知识图谱之间的对应关系。
5.根据权利要求4所述的智慧物流客服处理方法,其特征在于,所述获取目标用户的多渠道实时对话数据并根据所述知识图谱调用关系决策模型和所述M个第一对话知识图谱确定N个第二对话知识图谱,以及获取所述N个第二对话知识图谱对应的智能物流推荐和预测数据,包括:
获取目标用户的多渠道实时对话数据,并对所述多渠道实时对话数据进行标准化处理,得到标准实时对话数据;
对所述标准实时对话数据进行对话类型分析,得到所述目标用户的目标类型,并根据所述知识图谱调用关系决策模型对所述目标类型和所述M个第一对话知识图谱进行决策匹配,得到每个第一对话知识图谱的决策匹配度;
根据所述决策匹配度和预置的目标值,对所述多个第一对话知识图谱进行对比筛选,得到所述目标用户对应的N个第二对话知识图谱,其中,N为正整数,N≤M;
通过所述N个第二对话知识图谱对所述标准实时对话数据进行智能物流推荐和预测,得到所述N个第二对话知识图谱对应的智能物流推荐和预测数据。
6.根据权利要求1所述的智慧物流客服处理方法,其特征在于,所述根据所述智能物流推荐和预测数据,对所述N个第二对话知识图谱进行对话反馈评价指标计算,得到所述N个第二对话知识图谱对应的目标对话反馈评价指标,包括:
根据所述智能物流推荐和预测数据,对所述N个第二对话知识图谱进行反馈数据收集,得到用户反馈行为数据;
构建对话反馈评价体系,其中,所述对话反馈评价体系包括:满意度、响应时间以及解决率;
根据所述对话反馈评价体系,对所述用户反馈行为数据进行对话反馈评价指标计算,得到初始评价指标;
对所述初始评价指标进行指标权重分配以及综合评价,得到所述N个第二对话知识图谱对应的目标对话反馈评价指标。
7.根据权利要求1所述的智慧物流客服处理方法,其特征在于,所述根据预置的多岛优化算法和所述目标对话反馈评价指标,对所述N个第二对话知识图谱进行个性化对话策略分析,得到所述目标用户的个性化知识图谱库,包括:
获取预置的多岛优化算法,其中,所述多岛优化算法包括:评价指标与对话策略层次、评价指标与影响因素层次以及评价指标与评价指标层次,所述评价指标与对话策略层次为目标对话反馈评价指标与对话策略优化目标之间的关系,所述评价指标与影响因素层次为识别目标对话反馈评价指标与对话策略影响因素之间的关系,所述评价指标与评价指标层次为不同目标对话反馈评价指标之间的正负相关性;
根据所述多岛优化算法中的评价指标与对话策略层次计算对应的第一优化系数值,并根据所述评价指标与影响因素层次计算对应的第二优化系数值,以及根据所述评价指标与对话策略层次计算对应的第三优化系数值;
对所述第一优化系数值、所述第二优化系数值以及所述第三优化系数值进行求和运算,得到目标优化系数值;
根据所述目标优化系数值,对所述N个第二对话知识图谱进行个性化对话策略分析,得到每个第二对话知识图谱的目标个性化对话策略;
根据所述目标个性化对话策略对所述N个第二对话知识图谱进行知识图谱优化和用户数据库构建,得到所述目标用户的个性化知识图谱库。
8.一种智慧物流客服处理系统,其特征在于,所述智慧物流客服处理系统包括:
获取模块,用于通过预置的物流客服语料库获取物流客服对话数据,并对所述物流客服对话数据进行语义解析和分类,得到对话实体关键词集合、对话唤醒关键词集合以及对话结束关键词集合;
创建模块,用于将所述对话实体关键词集合、所述对话唤醒关键词集合以及所述对话结束关键词集合输入预置的机器学习模型进行对话知识图谱分析和创建,得到M个第一对话知识图谱;
建模模块,用于对所述M个第一对话知识图谱与所述物流客服对话数据进行知识图谱调用关系建模,得到每个第一对话知识图谱与所述物流客服对话数据之间的知识图谱调用关系决策模型;
处理模块,用于获取目标用户的多渠道实时对话数据并根据所述知识图谱调用关系决策模型和所述M个第一对话知识图谱确定N个第二对话知识图谱,以及获取所述N个第二对话知识图谱对应的智能物流推荐和预测数据;
计算模块,用于根据所述智能物流推荐和预测数据,对所述N个第二对话知识图谱进行对话反馈评价指标计算,得到所述N个第二对话知识图谱对应的目标对话反馈评价指标;
分析模块,用于根据预置的多岛优化算法和所述目标对话反馈评价指标,对所述N个第二对话知识图谱进行个性化对话策略分析,得到所述目标用户的个性化知识图谱库。
9.一种计算机设备,其特征在于,所述计算机设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述计算机设备执行如权利要求1-7中任一项所述的智慧物流客服处理方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的智慧物流客服处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410150927.7A CN117668205B (zh) | 2024-02-02 | 2024-02-02 | 智慧物流客服处理方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410150927.7A CN117668205B (zh) | 2024-02-02 | 2024-02-02 | 智慧物流客服处理方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117668205A true CN117668205A (zh) | 2024-03-08 |
CN117668205B CN117668205B (zh) | 2024-04-30 |
Family
ID=90069930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410150927.7A Active CN117668205B (zh) | 2024-02-02 | 2024-02-02 | 智慧物流客服处理方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668205B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118051969A (zh) * | 2024-04-16 | 2024-05-17 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于智能交互引擎的服装设计方法、装置、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921295A (zh) * | 2018-06-28 | 2018-11-30 | 中科院合肥技术创新工程院 | 一种基于知识图谱技术的突发事件应急决策模型构建方法 |
CN113268609A (zh) * | 2021-06-22 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 基于知识图谱的对话内容推荐方法、装置、设备及介质 |
US20220254507A1 (en) * | 2020-02-17 | 2022-08-11 | Boe Technology Group Co., Ltd. | Knowledge graph-based question answering method, computer device, and medium |
CN115497465A (zh) * | 2022-09-06 | 2022-12-20 | 平安银行股份有限公司 | 语音交互方法、装置、电子设备和存储介质 |
US20230134933A1 (en) * | 2021-11-03 | 2023-05-04 | Electronics And Telecommunications Research Institute | Knowledge-based dialogue system for self-learning dialogues and learning method thereof |
CN116307757A (zh) * | 2023-01-18 | 2023-06-23 | 辽宁荣科智维云科技有限公司 | 一种数据智能交互方法、交互系统、计算机设备及应用 |
-
2024
- 2024-02-02 CN CN202410150927.7A patent/CN117668205B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921295A (zh) * | 2018-06-28 | 2018-11-30 | 中科院合肥技术创新工程院 | 一种基于知识图谱技术的突发事件应急决策模型构建方法 |
US20220254507A1 (en) * | 2020-02-17 | 2022-08-11 | Boe Technology Group Co., Ltd. | Knowledge graph-based question answering method, computer device, and medium |
CN113268609A (zh) * | 2021-06-22 | 2021-08-17 | 中国平安人寿保险股份有限公司 | 基于知识图谱的对话内容推荐方法、装置、设备及介质 |
US20230134933A1 (en) * | 2021-11-03 | 2023-05-04 | Electronics And Telecommunications Research Institute | Knowledge-based dialogue system for self-learning dialogues and learning method thereof |
CN115497465A (zh) * | 2022-09-06 | 2022-12-20 | 平安银行股份有限公司 | 语音交互方法、装置、电子设备和存储介质 |
CN116307757A (zh) * | 2023-01-18 | 2023-06-23 | 辽宁荣科智维云科技有限公司 | 一种数据智能交互方法、交互系统、计算机设备及应用 |
Non-Patent Citations (2)
Title |
---|
陈嘉颖;于炯;杨兴耀;: "一种融合语义分析特征提取的推荐算法", 计算机研究与发展, no. 03, 15 March 2020 (2020-03-15) * |
魏瑾;李伟华;潘炜;: "基于知识图谱的智能决策支持技术及应用研究", 计算机技术与发展, no. 01, 31 December 2020 (2020-12-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118051969A (zh) * | 2024-04-16 | 2024-05-17 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于智能交互引擎的服装设计方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117668205B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117668205B (zh) | 智慧物流客服处理方法、系统、设备及存储介质 | |
CN113535963B (zh) | 一种长文本事件抽取方法、装置、计算机设备及存储介质 | |
US10706359B2 (en) | Method and system for generating predictive models for scoring and prioritizing leads | |
CN117271767B (zh) | 基于多智能体的运维知识库的建立方法 | |
CN102402717A (zh) | 数据分析设备和方法 | |
Komalavalli et al. | Challenges in big data analytics techniques: a survey | |
CN110795613A (zh) | 商品搜索方法、装置、系统及电子设备 | |
CN115063035A (zh) | 基于神经网络的客户评估方法、系统、设备及存储介质 | |
WO2019242453A1 (zh) | 信息处理方法及装置、存储介质、电子装置 | |
CN117235264A (zh) | 文本处理方法、装置、设备和计算机可读存储介质 | |
CN114969375A (zh) | 一种基于心理学知识赋予机器人工智能学习的方法及系统 | |
Roelands et al. | Classifying businesses by economic activity using web-based text mining | |
CN115968478A (zh) | 机器学习特征推荐 | |
Ali et al. | Identifying and Profiling User Interest over time using Social Data | |
Bianchi et al. | A machine learning based help desk approach for units involved in official surveys | |
CN117852553B (zh) | 基于聊天记录提取元器件交易场景信息的语言处理系统 | |
CN116304058B (zh) | 企业负面信息的识别方法、装置、电子设备及存储介质 | |
CN117556118B (zh) | 基于科研大数据预测的可视化推荐系统及方法 | |
CN116541506B (zh) | 基于机器学习的智能对话方法、装置、设备及存储介质 | |
CN117609444B (zh) | 一种基于大模型的搜索问答方法 | |
Fang | Enhanced Customer Analysis Based on Variations of Natural Language Processing Algorithms Implemented on Past E-Commerce Reviews | |
Rymarczyk et al. | Self-learning recommendation system using reinforcement learning | |
Confidence et al. | Check for updates | |
Taj et al. | Product Usability Evaluation: A Machine Learning Approach | |
Durugkar | Analyzing Big Data Using Recent Machine Learning Techniques to Assist Consumers in Online Purchase Decision |
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 |