CN117809657A - 自应答智能辅助电话机器人 - Google Patents
自应答智能辅助电话机器人 Download PDFInfo
- Publication number
- CN117809657A CN117809657A CN202410223528.9A CN202410223528A CN117809657A CN 117809657 A CN117809657 A CN 117809657A CN 202410223528 A CN202410223528 A CN 202410223528A CN 117809657 A CN117809657 A CN 117809657A
- Authority
- CN
- China
- Prior art keywords
- information
- model
- session
- answering
- text
- 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
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 71
- 230000011218 segmentation Effects 0.000 claims description 22
- 230000000977 initiatory effect Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 230000009191 jumping Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 9
- 230000006698 induction Effects 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请属于电话机器人技术领域，提供了自应答智能辅助电话机器人，由语音接收反馈模块和语义判断模块构成，语义判断模块接收文本信息，并基于类型判断模型对文本信息进行识别，对会话进程和会话初始目的进行识别；若会话初始目的为信息上传，基于信息收集模型反馈语音；若会话初始目的为信息获取语义判断模块基于信息答疑模型对文本信息进行识别以判断用户信息获取目标，根据相应信息获取目标检索数据库，将检索结果反馈语音。本申请提升信息收集归纳能力和答案获取的能力，提升交流的速度和准确性，进而提高信息交流效率。
Description
技术领域
本申请涉及电话机器人技术领域，特别涉及基于自应答智能辅助电话机器人。
背景技术
本部分的陈述仅仅是提供了与本申请相关的背景技术信息，不必然构成在先技术。
随着人力成本的快速提升，机器人客服越来越广泛的应用于各种售前、售后领域，为客户提供咨询、答疑等服务。为提升电网生产调度和各种会议组织效率的需要，提升通讯交流的流畅度，规避信息阻塞造成的业务拖延，电话机器人也开始广泛应用于电网之中，工作人员通过拨打电话机器人获取业务状态信息或者会议组织信息。但在实际使用中，电话机器人的数据库完全依赖人工输入，不能根据客户语音自动归纳存储，即不能根据实际业务的实时进程变化进行信息收集归纳并更新数据库，其答复语音也较为依赖问题模板，智能化程度不足，降低了信息获取的速度。
发明内容
为了解决上述问题，本申请提出了自应答智能辅助电话机器人，通过神经网络模型识别用户初始目的，进而区分信息上传会话和信息获取会话，再通过神经网络模型训练对客户语音智能识别，提升信息收集归纳能力和答案获取的能力，提升交流的速度和准确性，进而提高信息交流效率。
本申请提供了自应答智能辅助电话机器人，由语音接收反馈模块和语义判断模块构成，其自动应答方法的具体步骤如下；
S1：语音接收反馈模块接收语音并进行语音识别，转化为文本信息；
S2：语义判断模块接收文本信息，并基于类型判断模型对文本信息进行识别，对会话进程和会话初始目的进行识别，若会话初始目的为信息上传，跳转到步骤S3，若会话初始目的为信息获取，则跳转到步骤S5；
S3：语义判断模块基于信息收集模型对文本信息进行识别以判断信息上传类型，根据上传类型确定问答交互模板，根据交互模板反馈语音并跳转到步骤S1，直至步骤S2中，语义判断模块判断会话切换或终结，跳转到步骤S4；
S4：语义判断模块将相应会话的文本信息嵌入问答交互模板，生成模板信息文件并存储至数据库；
S5：语义判断模块基于信息答疑模型对文本信息进行识别以判断用户信息获取目标，根据相应信息获取目标检索数据库，将检索结果反馈语音并跳转到步骤S1，直至步骤S2中，语义判断模块判断会话切换或终结。
优选地，所述类型判断模型、信息收集模型、信息答疑模型为分布式分层结构配置的神经网络模型，类型判断模型对文本数据预处理后根据判断结果将预处理后的文本数据转入信息收集模型或者信息答疑模型。
优选地，所述步骤S2中，所述会话进程至少包括会话的开始、持续、转移和结束；
所述会话初始目的至少包括信息上传和信息获取。
优选地，所述类型判断模型的训练方法如下：
S201：将训练文本序列置入类型判断模型，类型判断模型计算每个训练文本分割成若干会话的分割方式及其概率分布，再根据所述概率分布将训练文本划分为各个会话，计算各会话对应的会话初始目的的概率，生成会话初始目的；
S202：通过预设的验证文本序列计算类型判断模型的损失，更新历史最小损失并保存对应的模型参数，再经反向模式迭代模型参数；
S203：重复步骤S201、S202，直至达到第一预设训练次数或者历史最小损失在连续的第二预设次数内无更新；
S204：测试类型判断模型对会话分割方式以及会话初始目的判断的准确度，若达到第一准确度门槛，则确定当前类型判断模型可用，否则，跳转到步骤S201；
所述步骤S201中，每个训练文本根据概率最高的分割方式划分为会话，各个会话根据概率最高的会话初始目的生成会话初始目的。
优选地，所述训练文本的分割方式及其概率分布的计算方法为：
类型判断模型识别训练文本中每个位置是否具备成为会话切换位置的可能性并统计其数量，基于相应位置生成分割方式，计算各个位置为会话切换位置的概率，进而计算各个分割方式的概率。
优选地，假设类型判断模型识别训练文本中除训练文本的开头和结尾位置外存在P个位置具备成为会话切换位置的可能性，则会话分割方式的数量为2P个；
将P个位置标记为N1、N2、N3...NP，每个位置为切换位置的概率为ρ1、ρ2、ρ3...ρP，则每种分割方式的概率计算如下：
N1至NP都为切换位置的概率：ρ1*ρ2*ρ3...ρ（P-1）*ρP；
N1为非切换位置，其余位置为切换位置的概率：（1-ρ1）*ρ2*ρ3...ρ（P-1）*ρP；
N1、N2为非切换位置，其余位置为切换位置的概率：（1-ρ1）*（1-ρ2）*ρ3...ρ（P-1）*ρP；
...
N1至NP都为非切换位置的概率：（1-ρ1）*（1-ρ2）*（1-ρ3）...、*（1-ρP）。
优选地，所述信息收集模型的训练方法如下：
S301：将训练文本序列置入信息收集模型，信息收集模型计算每个训练文本对应各个上传类型的概率及对应的上传类型；
S302：通过预设的验证文本序列计算信息收集模型的损失，更新历史最小损失并保存对应的模型参数，再经反向模式迭代模型参数；
S303：重复步骤S301、S302，直至达到第三预设训练次数或者历史最小损失在连续的第四预设次数内无更新；
S304：测试信息收集模型对上传类型判断的准确度，若达到第二准确度门槛，则确定当前信息收集模型可用，否则，跳转到步骤S301；
所述步骤S301中，训练文本的上传类型即为信息收集模型计算的概率最高的上传类型。
优选地，所述信息答疑模型的训练方法如下：
S501：将训练文本序列置入信息答疑模型，信息收集模型计算每个训练文本对应各个信息获取目标的概率，提取概率最高的作为对应信息获取目标；
S502：通过预设的验证文本序列计算信息答疑模型的损失，更新历史最小损失并保存对应的模型参数，再经反向模式迭代模型参数；
S503：重复步骤S501、S502，直至达到第五预设训练次数或者历史最小损失在连续的第六预设次数内无更新；
S504：测试信息答疑模型对信息获取目标判断的准确度，若达到第三准确度门槛，则确定当前信息收集模型可用，否则，跳转到步骤S501。
优选地，所述步骤S5中，所述信息答疑模型在识别用户信息获取目标，根据相应信息获取目标检索数据库的过程中，将信息获取目标与数据库中的模板信息文件进行匹配，当信息获取目标的组合与任一模板信息文件的匹配概率大于预设匹配阈值时，语义判断模块语音反馈相应模板信息文件的摘要索引以获取用户响应，若用户响应，则语义判断模块根据模板信息文件的答疑模板将其内容反馈用户。
优选地，所述机器人包括短信发送模块。
优选地，所述步骤S4中，当语义判断模块判断会话切换或终结时，短信发送模块将会话对应模板信息文件的内容发送至客户。
优选地，所述步骤S5中，当语义判断模块判断会话切换或终结时，短信发送模块将会话对应的检索结果组合发送至客户。
与现有技术相比，本申请的有益效果为：
（1）本申请通过神经网络模型识别用户初始目的，进而区分信息上传会话和信息获取会话，再通过神经网络模型训练对客户语音智能识别，提升信息收集归纳能力和答案获取的能力，提升交流的速度和准确性，进而提高信息交流效率。
（2）本申请通过分布式分层结构配置神经网络模型，首先对会话初始目的和会话进程进行识别，再通过信息收集模型、信息答疑模型分别对信息上传场景、信息获取场景的会话进行识别和答复，降低了神经网络模型的训练难度，提升了模型的针对性和识别的准确度，也提升了模型实时识别的效率，无需每个模型都对数据进行预处理。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本申请的系统组成示意图，
图2为本申请的方法流程示意图，
图3为本申请的语音处理了流程图。
具体实施方式
下面结合附图与实施例对本申请作进一步说明。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”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，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
实施例1
如图1至图3所示，本申请提供了自应答智能辅助电话机器人，包括语音接收反馈模块和语义判断模块，各模块的功能如下：
语音接收反馈模块接收语音并进行语音识别，转化为文本信息；
语义判断模块接收文本信息，并基于类型判断模型对文本信息进行识别，对会话进程和会话初始目的进行识别；
若会话初始目的为信息上传，基于信息收集模型对文本信息进行识别以判断信息上传类型，根据上传类型确定问答交互模板，根据交互模板反馈语音，直至语义判断模块判断会话切换或终结，将相应会话的文本信息嵌入问答交互模板，生成模板信息文件并存储至数据库；
若会话初始目的为信息获取语义判断模块基于信息答疑模型对文本信息进行识别以判断用户信息获取目标，根据相应信息获取目标检索数据库，将检索结果反馈语音，直至语义判断模块判断会话切换或终结。
本申请通过分布式分层结构配置神经网络模型，首先对会话初始目的和会话进程进行识别，再通过信息收集模型、信息答疑模型分别对信息上传场景、信息获取场景的会话进行识别和答复，降低了神经网络模型的训练难度，提升了模型的针对性和识别的准确度，也提升了模型实时识别的效率，无需每个模型都对数据进行预处理，提升信息收集归纳能力和答案获取的能力，提升交流的速度和准确性，进而提高信息交流效率。
所述语音接受反馈模块用于接收并反馈语音以及文本信息、语音信息之间的转换，本申请不涉及对语音识别算法、语音生成方法的改进，此处不再赘述。
本申请提供的自应答智能辅助电话机器人其自动应答方法的具体步骤如下；
S1：语音接收反馈模块接收语音并进行语音识别，转化为文本信息；
S2：语义判断模块接收文本信息，并基于类型判断模型对文本信息进行识别，对会话进程和会话初始目的进行识别，若会话初始目的为信息上传，跳转到步骤S3，若会话初始目的为信息获取，则跳转到步骤S5；
S3：语义判断模块基于信息收集模型对文本信息进行识别以判断信息上传类型，根据上传类型确定问答交互模板，根据交互模板反馈语音并跳转到步骤S1，直至步骤S2中，语义判断模块判断会话切换或终结，跳转到步骤S4；
S4：语义判断模块将相应会话的文本信息嵌入问答交互模板，生成模板信息文件并存储至数据库；
S5：语义判断模块基于信息答疑模型对文本信息进行识别以判断用户信息获取目标，根据相应信息获取目标检索数据库，将检索结果反馈语音并跳转到步骤S1，直至步骤S2中，语义判断模块判断会话切换或终结。
具体地，本申请的会话指的是针对同一主题、问题、项目的对话，比如用户作为负责人可首先针对某个变压器的检修作业安排进行信息上传， 再作为参会人员询问某个调度视频会议的具体安排，语义判断模块自动识别两个会话的切换，信息收集模型对变压器的检修作业进行信息上传，便于其他人员获取信息，信息答疑模型根据已经录入数据库的调度视频会议的信息对用户进行精准答疑。
所述上传类型根据关联的主题、问题、项目确立，每上传类型包括项目（主题）名称、关联人员、关联时间、关联地点等条目，所述问答交互模板为根据上述条目确立的问答模板。
具体地，所述类型判断模型、信息收集模型、信息答疑模型为分布式分层结构配置的神经网络模型，类型判断模型对文本数据预处理后根据判断结果将预处理后的文本数据转入信息收集模型或者信息答疑模型。
对文本数据进行预处理的方法包括包括分词、去除停用词、词干提取等操作，以便后续特征提取和建模，本申请的分布式分层结构无需每个模型都对数据进行预处理，提高了模型处理能力。
具体地，所述步骤S2中，所述会话进程至少包括会话的开始、持续、转移和结束，所述会话初始目的至少包括信息上传和信息获取。
具体地，所述类型判断模型的训练方法如下：
S201：将训练文本序列置入类型判断模型，类型判断模型计算每个训练文本分割成若干会话的分割方式及其概率分布，再根据所述概率分布将训练文本划分为各个会话，计算各会话对应的会话初始目的的概率，生成会话初始目的；
S202：通过预设的验证文本序列计算类型判断模型的损失，更新历史最小损失并保存对应的模型参数，再经反向模式迭代模型参数；
S203：重复步骤S201、S202，直至达到第一预设训练次数或者历史最小损失在连续的第二预设次数内无更新；
S204：测试类型判断模型对会话分割方式以及会话初始目的判断的准确度，若达到第一准确度门槛，则确定当前类型判断模型可用，否则，跳转到步骤S201。
神经网络模型的训练首先需要将文本样本划分为训练文本序列、验证文本序列、测试文本序列，所述步骤S204中，通过测试文本序列对模型的准确度进行检测；所述步骤S201中，类型判断模型通过前向计算首先计算会话的分割方式及其概率分布，再计算各会话对应的会话初始目的的概率；所述步骤S202中，模型损失的计算方法为交叉熵损失函数，具体公式如下：
L = -1/N * Σ[Σ(y_i * log(f_i))]，
其中，Σ表示求和操作，N为样本数量，y_i为第i个样本的真实标签，是一个长度为C的向量，f_i为模型对第i个样本的预测结果，也是一个长度为C的向量，表示每个类别的预测概率；在神经网络的训练过程中，通过反向传播算法，将交叉熵损失函数作为目标函数，通过调整网络参数（权重和偏置）来最小化损失函数，这样可以使得模型的预测结果尽可能接近真实标签，从而提高模型的准确性，常用的优化算法如梯度下降法可以用于更新网络参数，以降低交叉熵损失。
所述步骤S202中，通过预设的验证文本序列计算类型判断模型的损失，若当前损失小于历史最小损失则将历史最小损失更新为当前损失，反之，则保持历史最小损失。
具体地，所述步骤S201中，每个训练文本根据概率最高的分割方式划分为会话，各个会话根据概率最高的会话初始目的生成会话初始目的。
所述训练文本的分割方式及其概率分布的计算方法为：
类型判断模型识别训练文本中每个位置是否具备成为会话切换位置的可能性并统计其数量，基于相应位置生成分割方式，计算各个位置为会话切换位置的概率，进而计算各个分割方式的概率。
假设类型判断模型识别训练文本中除训练文本的开头和结尾位置外存在P个位置具备成为会话切换位置的可能性，则会话分割方式的数量为2P个；
将P个位置标记为N1、N2、N3...NP，每个位置为切换位置的概率为ρ1、ρ2、ρ3...ρP，则每种分割方式的概率计算如下：
N1至NP都为切换位置的概率：ρ1*ρ2*ρ3...ρ（P-1）*ρP；
N1为非切换位置，其余位置为切换位置的概率：（1-ρ1）*ρ2*ρ3...ρ（P-1）*ρP；
N1、N2为非切换位置，其余位置为切换位置的概率：（1-ρ1）*（1-ρ2）*ρ3...ρ（P-1）*ρP；
...
N1至NP都为非切换位置的概率：（1-ρ1）*（1-ρ2）*（1-ρ3）...、*（1-ρP）。
举例而言，某训练文本有4个位置可能为会话的切换位置，文本的开头和结尾位置肯定为会话的开始位置、结束位置，中间有两个位置A1、A2可能为会话的切换位置，其中A1为切换位置的概率为50%，A2为切换位置的概率为60%，则会话的切换方式为4种，其概率具体如下：{[A1切换A2不切换，20%],[A1切换A2切换，30%],[A1不切换A2不切换，20%]，[A1不切换A2切换，30%]}。
具体地，所述信息收集模型的训练方法如下：
S301：将训练文本序列置入信息收集模型，信息收集模型计算每个训练文本对应各个上传类型的概率及对应的上传类型；
S302：通过预设的验证文本序列计算信息收集模型的损失，更新历史最小损失并保存对应的模型参数，再经反向模式迭代模型参数；
S303：重复步骤S301、S302，直至达到第三预设训练次数或者历史最小损失在连续的第四预设次数内无更新；
S304：测试信息收集模型对上传类型判断的准确度，若达到第二准确度门槛，则确定当前信息收集模型可用，否则，跳转到步骤S301；
所述步骤S301中，训练文本的上传类型即为信息收集模型计算的概率最高的上传类型，信息收集模型通过前向计算计算训练文本对应各个上传类型的概率，信息收集模型的训练首先需要将文本样本划分为训练文本序列、验证文本序列、测试文本序列，所述步骤S304中，通过测试文本序列对模型的准确度进行检测；所述步骤S302中，模型损失的计算方法为交叉熵损失函数，通过预设的验证文本序列计算信息收集模型的损失，若当前损失小于历史最小损失则将历史最小损失更新为当前损失，反之，则保持历史最小损失。
具体地，所述信息答疑模型的训练方法如下：
S501：将训练文本序列置入信息答疑模型，信息收集模型计算每个训练文本对应各个信息获取目标的概率，提取概率最高的作为对应信息获取目标；
S502：通过预设的验证文本序列计算信息答疑模型的损失，更新历史最小损失并保存对应的模型参数，再经反向模式迭代模型参数；
S503：重复步骤S501、S502，直至达到第五预设训练次数或者历史最小损失在连续的第六预设次数内无更新；
S504：测试信息答疑模型对信息获取目标判断的准确度，若达到第三准确度门槛，则确定当前信息收集模型可用，否则，跳转到步骤S501。
所述步骤S501中，信息答疑模型通过前向计算计算训练文本对应各个上传类型的概率，信息答疑模型的训练首先需要将文本样本划分为训练文本序列、验证文本序列、测试文本序列，所述步骤S504中，通过测试文本序列对模型的准确度进行检测；所述步骤S502中，模型损失的计算方法为交叉熵损失函数，通过预设的验证文本序列计算信息答疑模型的损失，若当前损失小于历史最小损失则将历史最小损失更新为当前损失，反之，则保持历史最小损失。
具体地，所述步骤S5中，所述信息答疑模型在识别用户信息获取目标，根据相应信息获取目标检索数据库的过程中，将信息获取目标与数据库中的模板信息文件进行匹配，当信息获取目标的组合与任一模板信息文件的匹配概率大于预设匹配阈值时，语义判断模块语音反馈相应模板信息文件的摘要索引以获取用户响应，若用户响应，则语义判断模块根据模板信息文件的答疑模板将其内容反馈用户。
数据库中的信息通过模板信息文件的方式存储，所述信息答疑模型针对于用户的实时语音生成的文本识别信息获取目标，语义判断模块检索数据库中的模板信息文件以获取信息获取目标对应的的答案，当识别到客户多个信息获取目标集中于同一模板信息文件时，即将相应模板信息文件的摘要索引语音反馈至用户以获取响应，从而达到快速传输信息的目的，节省了信息答疑模型信息识别的时间。
优选地，所述机器人包括短信发送模块。
优选地，所述步骤S4中，当语义判断模块判断会话切换或终结时，短信发送模块将会话对应模板信息文件的内容发送至客户；所述步骤S5中，当语义判断模块判断会话切换或终结时，短信发送模块将会话对应的检索结果组合发送至客户。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本申请的具体实施方式进行了描述，但并非对本申请保护范围的限制，所属领域技术人员应该明白，在本申请的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本申请的保护范围以内。
Claims (12)
1.自应答智能辅助电话机器人，其特征在于，由语音接收反馈模块和语义判断模块构成，其自动应答方法的具体步骤如下；
S1：语音接收反馈模块接收语音并进行语音识别，转化为文本信息；
S2：语义判断模块接收文本信息，并基于类型判断模型对文本信息进行识别，对会话进程和会话初始目的进行识别，若会话初始目的为信息上传，跳转到步骤S3，若会话初始目的为信息获取，则跳转到步骤S5；
S3：语义判断模块基于信息收集模型对文本信息进行识别以判断信息上传类型，根据上传类型确定问答交互模板，根据交互模板反馈语音并跳转到步骤S1，直至步骤S2中，语义判断模块判断会话切换或终结，跳转到步骤S4；
S4：语义判断模块将相应会话的文本信息嵌入问答交互模板，生成模板信息文件并存储至数据库；
S5：语义判断模块基于信息答疑模型对文本信息进行识别以判断用户信息获取目标，根据相应信息获取目标检索数据库，将检索结果反馈语音并跳转到步骤S1，直至步骤S2中，语义判断模块判断会话切换或终结。
2.根据权利要求1所述的自应答智能辅助电话机器人，其特征在于：
所述类型判断模型、信息收集模型、信息答疑模型为分布式分层结构配置的神经网络模型，类型判断模型对文本数据预处理后根据判断结果将预处理后的文本数据转入信息收集模型或者信息答疑模型。
3.根据权利要求1所述的自应答智能辅助电话机器人，其特征在于：
所述步骤S2中，所述会话进程至少包括会话的开始、持续、转移和结束；
所述会话初始目的至少包括信息上传和信息获取。
4.根据权利要求3所述的自应答智能辅助电话机器人，其特征在于：
所述类型判断模型的训练方法如下：
S201：将训练文本序列置入类型判断模型，类型判断模型计算每个训练文本分割成若干会话的分割方式及其概率分布，再根据所述概率分布将训练文本划分为各个会话，计算各会话对应的会话初始目的的概率，生成会话初始目的；
S202：通过预设的验证文本序列计算类型判断模型的损失，更新历史最小损失并保存对应的模型参数，再经反向模式迭代模型参数；
S203：重复步骤S201、S202，直至达到第一预设训练次数或者历史最小损失在连续的第二预设次数内无更新；
S204：测试类型判断模型对会话分割方式以及会话初始目的判断的准确度，若达到第一准确度门槛，则确定当前类型判断模型可用，否则，跳转到步骤S201；
所述步骤S201中，每个训练文本根据概率最高的分割方式划分为会话，各个会话根据概率最高的会话初始目的生成会话初始目的。
5.根据权利要求3所述的自应答智能辅助电话机器人，其特征在于：
所述训练文本的分割方式及其概率分布的计算方法为：
类型判断模型识别训练文本中每个位置是否具备成为会话切换位置的可能性并统计其数量，基于相应位置生成分割方式，计算各个位置为会话切换位置的概率，进而计算各个分割方式的概率。
6.根据权利要求5所述的自应答智能辅助电话机器人，其特征在于：
假设类型判断模型识别训练文本中除训练文本的开头和结尾位置外存在P个位置具备成为会话切换位置的可能性，则会话分割方式的数量为2P个；
将P个位置标记为N1、N2、N3...NP，每个位置为切换位置的概率为ρ1、ρ2、ρ3...ρP，则每种分割方式的概率计算如下：
N1至NP都为切换位置的概率：ρ1*ρ2*ρ3...ρ（P-1）*ρP；
N1为非切换位置，其余位置为切换位置的概率：（1-ρ1）*ρ2*ρ3...ρ（P-1）*ρP；
N1、N2为非切换位置，其余位置为切换位置的概率：（1-ρ1）*（1-ρ2）*ρ3...ρ（P-1）*ρP；
...
N1至NP都为非切换位置的概率：（1-ρ1）*（1-ρ2）*（1-ρ3）...、*（1-ρP）。
7.根据权利要求3所述的自应答智能辅助电话机器人，其特征在于：
所述信息收集模型的训练方法如下：
S301：将训练文本序列置入信息收集模型，信息收集模型计算每个训练文本对应各个上传类型的概率及对应的上传类型；
S302：通过预设的验证文本序列计算信息收集模型的损失，更新历史最小损失并保存对应的模型参数，再经反向模式迭代模型参数；
S303：重复步骤S301、S302，直至达到第三预设训练次数或者历史最小损失在连续的第四预设次数内无更新；
S304：测试信息收集模型对上传类型判断的准确度，若达到第二准确度门槛，则确定当前信息收集模型可用，否则，跳转到步骤S301；
所述步骤S301中，训练文本的上传类型即为信息收集模型计算的概率最高的上传类型。
8.根据权利要求3所述的自应答智能辅助电话机器人，其特征在于：
所述信息答疑模型的训练方法如下：
S501：将训练文本序列置入信息答疑模型，信息收集模型计算每个训练文本对应各个信息获取目标的概率，提取概率最高的作为对应信息获取目标；
S502：通过预设的验证文本序列计算信息答疑模型的损失，更新历史最小损失并保存对应的模型参数，再经反向模式迭代模型参数；
S503：重复步骤S501、S502，直至达到第五预设训练次数或者历史最小损失在连续的第六预设次数内无更新；
S504：测试信息答疑模型对信息获取目标判断的准确度，若达到第三准确度门槛，则确定当前信息收集模型可用，否则，跳转到步骤S501。
9.根据权利要求8所述的自应答智能辅助电话机器人，其特征在于：
所述步骤S5中，所述信息答疑模型在识别用户信息获取目标，根据相应信息获取目标检索数据库的过程中，将信息获取目标与数据库中的模板信息文件进行匹配，当信息获取目标的组合与任一模板信息文件的匹配概率大于预设匹配阈值时，语义判断模块语音反馈相应模板信息文件的摘要索引以获取用户响应，若用户响应，则语义判断模块根据模板信息文件的答疑模板将其内容反馈用户。
10.根据权利要求1所述的自应答智能辅助电话机器人，其特征在于：
所述机器人包括短信发送模块。
11.根据权利要求10所述的自应答智能辅助电话机器人，其特征在于：
所述步骤S4中，当语义判断模块判断会话切换或终结时，短信发送模块将会话对应模板信息文件的内容发送至客户。
12.根据权利要求10所述的自应答智能辅助电话机器人，其特征在于：
所述步骤S5中，当语义判断模块判断会话切换或终结时，短信发送模块将会话对应的检索结果组合发送至客户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410223528.9A CN117809657B (zh) | 2024-02-29 | 自应答智能辅助电话机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410223528.9A CN117809657B (zh) | 2024-02-29 | 自应答智能辅助电话机器人 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117809657A true CN117809657A (zh) | 2024-04-02 |
| CN117809657B CN117809657B (zh) | 2024-05-24 |
Family
ID=
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557971A (zh) * | 2016-11-18 | 2017-04-05 | 畅捷通信息技术股份有限公司 | 基于语音识别技术的财务数据处理方法、系统及终端 |
| CN107679147A (zh) * | 2017-09-26 | 2018-02-09 | 国家电网公司 | 基于语音识别的人机对话式电网信息调阅展示方法 |
| WO2018036555A1 (zh) * | 2016-08-25 | 2018-03-01 | 腾讯科技（深圳）有限公司 | 会话处理方法及装置 |
| CN108694942A (zh) * | 2018-04-02 | 2018-10-23 | 浙江大学 | 一种基于家居智能服务机器人的智能家居交互问答系统 |
| US20190005948A1 (en) * | 2017-06-29 | 2019-01-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for managing dialogue based on artificial intelligence |
| WO2019004363A1 (ja) * | 2017-06-29 | 2019-01-03 | 株式会社ビズオーシャン | 情報入力方法、情報入力装置、及び情報入力システム |
| CN111210816A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 一种智能语音配置管理方法、装置及电子设备 |
| CN111243596A (zh) * | 2020-01-08 | 2020-06-05 | 中保车服科技服务股份有限公司 | 基于语音识别的保险信息获取方法、装置、设备及存储介质 |
| CN111611351A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 在线客服会话的控制方法、装置和电子设备 |
| CN111640417A (zh) * | 2020-05-13 | 2020-09-08 | 广州国音智能科技有限公司 | 信息录入方法、装置、设备及计算机可读存储介质 |
| CN111837116A (zh) * | 2017-12-18 | 2020-10-27 | 财富智慧股份有限公司 | 用于自动构建或更新对话式ai代理系统的分层对话流管理模型的方法、计算机装置及计算机可读存储介质 |
| CN112883707A (zh) * | 2020-12-31 | 2021-06-01 | 首都医科大学宣武医院 | 基于人机对话的急救辅助方法、系统、设备及存储介质 |
| US20210168214A1 (en) * | 2019-12-03 | 2021-06-03 | The Nielsen Company (Us), Llc | Methods and apparatus for session building from ping-level data |
| CN113674472A (zh) * | 2021-07-13 | 2021-11-19 | 深圳市神州云海智能科技有限公司 | 基于深度学习的彩票服务方法及装置、彩票智能服务终端 |
| CN114254906A (zh) * | 2021-12-15 | 2022-03-29 | 国网安徽省电力有限公司芜湖供电公司 | 一种电力调度报表查询方法 |
| CN114390144A (zh) * | 2021-12-23 | 2022-04-22 | 华云天下(南京)科技有限公司 | 语音来电智能处理方法、装置和控制系统 |
| CN114500747A (zh) * | 2022-01-28 | 2022-05-13 | 江苏号百信息服务有限公司 | 一种用于应急话务切换的智能话务容灾平台搭建方法 |
| CN114974240A (zh) * | 2022-05-17 | 2022-08-30 | 中国工商银行股份有限公司 | 财务系统的语音控制方法、装置、存储介质及设备 |
| US20220310075A1 (en) * | 2021-03-24 | 2022-09-29 | Samsung Sds Co., Ltd. | Apparatus and method for training dialogue summary model |
| CN115168563A (zh) * | 2022-09-05 | 2022-10-11 | 深圳市华付信息技术有限公司 | 一种基于意图识别的机场服务引导方法、系统及装置 |
| US20220360668A1 (en) * | 2021-05-10 | 2022-11-10 | International Business Machines Corporation | Contextualized speech to text conversion |
| CN116938953A (zh) * | 2023-07-26 | 2023-10-24 | 广东电网有限责任公司 | 基于区块链的数据处理方法、装置、电子设备及存储介质 |
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018036555A1 (zh) * | 2016-08-25 | 2018-03-01 | 腾讯科技（深圳）有限公司 | 会话处理方法及装置 |
| CN106557971A (zh) * | 2016-11-18 | 2017-04-05 | 畅捷通信息技术股份有限公司 | 基于语音识别技术的财务数据处理方法、系统及终端 |
| WO2019004363A1 (ja) * | 2017-06-29 | 2019-01-03 | 株式会社ビズオーシャン | 情報入力方法、情報入力装置、及び情報入力システム |
| US20190005948A1 (en) * | 2017-06-29 | 2019-01-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for managing dialogue based on artificial intelligence |
| CN107679147A (zh) * | 2017-09-26 | 2018-02-09 | 国家电网公司 | 基于语音识别的人机对话式电网信息调阅展示方法 |
| CN111837116A (zh) * | 2017-12-18 | 2020-10-27 | 财富智慧股份有限公司 | 用于自动构建或更新对话式ai代理系统的分层对话流管理模型的方法、计算机装置及计算机可读存储介质 |
| CN108694942A (zh) * | 2018-04-02 | 2018-10-23 | 浙江大学 | 一种基于家居智能服务机器人的智能家居交互问答系统 |
| CN111611351A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 在线客服会话的控制方法、装置和电子设备 |
| US20210168214A1 (en) * | 2019-12-03 | 2021-06-03 | The Nielsen Company (Us), Llc | Methods and apparatus for session building from ping-level data |
| CN111210816A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 一种智能语音配置管理方法、装置及电子设备 |
| CN111243596A (zh) * | 2020-01-08 | 2020-06-05 | 中保车服科技服务股份有限公司 | 基于语音识别的保险信息获取方法、装置、设备及存储介质 |
| CN111640417A (zh) * | 2020-05-13 | 2020-09-08 | 广州国音智能科技有限公司 | 信息录入方法、装置、设备及计算机可读存储介质 |
| CN112883707A (zh) * | 2020-12-31 | 2021-06-01 | 首都医科大学宣武医院 | 基于人机对话的急救辅助方法、系统、设备及存储介质 |
| US20220310075A1 (en) * | 2021-03-24 | 2022-09-29 | Samsung Sds Co., Ltd. | Apparatus and method for training dialogue summary model |
| US20220360668A1 (en) * | 2021-05-10 | 2022-11-10 | International Business Machines Corporation | Contextualized speech to text conversion |
| CN113674472A (zh) * | 2021-07-13 | 2021-11-19 | 深圳市神州云海智能科技有限公司 | 基于深度学习的彩票服务方法及装置、彩票智能服务终端 |
| CN114254906A (zh) * | 2021-12-15 | 2022-03-29 | 国网安徽省电力有限公司芜湖供电公司 | 一种电力调度报表查询方法 |
| CN114390144A (zh) * | 2021-12-23 | 2022-04-22 | 华云天下(南京)科技有限公司 | 语音来电智能处理方法、装置和控制系统 |
| CN114500747A (zh) * | 2022-01-28 | 2022-05-13 | 江苏号百信息服务有限公司 | 一种用于应急话务切换的智能话务容灾平台搭建方法 |
| CN114974240A (zh) * | 2022-05-17 | 2022-08-30 | 中国工商银行股份有限公司 | 财务系统的语音控制方法、装置、存储介质及设备 |
| CN115168563A (zh) * | 2022-09-05 | 2022-10-11 | 深圳市华付信息技术有限公司 | 一种基于意图识别的机场服务引导方法、系统及装置 |
| CN116938953A (zh) * | 2023-07-26 | 2023-10-24 | 广东电网有限责任公司 | 基于区块链的数据处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 黄浩;李兵;姜丹;: "基于m-Markov模型的交叉用户会话识别", 计算机科学, no. 3, 15 November 2012 (2012-11-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105591882B (zh) | 一种智能机器人与人混合客服的方法及系统 | |
| CN112365894B (zh) | 基于ai的复合语音交互方法、装置及计算机设备 | |
| CN110059182A (zh) | 面向客服的话术推荐方法和装置 | |
| CN111261162B (zh) | 语音识别方法、语音识别装置及存储介质 | |
| CN106649410B (zh) | 一种获取聊天回复内容的方法及装置 | |
| CN111192060A (zh) | 一种基于电力it服务全渠道自助应答实现方法 | |
| CN101834809B (zh) | 一种互联网即时消息通讯系统 | |
| CN112885348A (zh) | 结合ai智能语音电销方法 | |
| CN110633960A (zh) | 一种基于大数据的人力资源智能匹配、推荐的方法 | |
| CN109902957A (zh) | 一种数据处理方法和装置 | |
| CN111477231B (zh) | 人机交互方法、装置和存储介质 | |
| CN112256854A (zh) | 一种基于ai自然语言理解的智能ai会话方法及装置 | |
| CN112395404B (zh) | 一种应用于电力调度的语音关键信息提取方法 | |
| CN111178081B (zh) | 语义识别的方法、服务器、电子设备及计算机存储介质 | |
| CN110727776A (zh) | 一种基于人工智能的汽车问答交互系统及交互方法 | |
| CN114238607A (zh) | 深度交互式ai智能求职顾问方法、系统及存储介质 | |
| CN111797202A (zh) | 一种基于人工智能的客服对话方法 | |
| CN110147905A (zh) | 信息处理方法、装置、系统及存储介质 | |
| CN111384778B (zh) | 一种配电网设备智能运维系统 | |
| CN117809657B (zh) | 自应答智能辅助电话机器人 | |
| CN110517672B (zh) | 用户意图识别方法、用户指令执行方法、系统及设备 | |
| CN112202974B (zh) | 自动判断电话接听状态的方法、装置以及系统 | |
| CN117809657A (zh) | 自应答智能辅助电话机器人 | |
| CN113836898A (zh) | 一种电力系统自动派单方法 | |
| CN112015875B (zh) | 在线客服助手的构建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |