WO2021159668A1 - 机器人对话方法、装置、计算机设备和存储介质 - Google Patents

机器人对话方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
WO2021159668A1
WO2021159668A1 PCT/CN2020/104947 CN2020104947W WO2021159668A1 WO 2021159668 A1 WO2021159668 A1 WO 2021159668A1 CN 2020104947 W CN2020104947 W CN 2020104947W WO 2021159668 A1 WO2021159668 A1 WO 2021159668A1
Authority
WO
WIPO (PCT)
Prior art keywords
robot
user list
model
robot dialogue
dialogue model
Prior art date
Application number
PCT/CN2020/104947
Other languages
English (en)
French (fr)
Inventor
黄忆丁
Original Assignee
深圳壹账通智能科技有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 深圳壹账通智能科技有限公司 filed Critical 深圳壹账通智能科技有限公司
Publication of WO2021159668A1 publication Critical patent/WO2021159668A1/zh

Links

Images

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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages

Definitions

  • This application relates to the technical field of artificial intelligence speech and semantics, in particular to a robot dialogue method, device, computer equipment and computer-readable storage medium.
  • the purpose of this application is to provide a robot dialogue method, device, computer equipment, and computer-readable storage medium.
  • a robot dialogue method including:
  • Multiple user lists are randomly selected from the user list set as a target user list set, where the user list set includes multiple user lists, the user list in the target user list set is the target user list, and the user list The number of user lists included in the set is greater than the number of target user lists included in the target user list set;
  • the universal robot dialogue model includes a reference feature value corresponding to each feature of the plurality of features
  • a robot dialog model matching the target user list set is determined in a preset robot dialog model library as the target robot dialog model,
  • the robot dialogue model library includes a plurality of robot dialogue models
  • the target robot dialogue model is used to dial user lists outside the target user list set in the user list set to conduct a dialogue with users corresponding to the user list.
  • a robot dialogue device including:
  • the extraction module is configured to randomly extract multiple user lists from a user list set as a target user list set, wherein the user list set includes multiple user lists, and the user list in the target user list set is the target user Lists, the number of user lists included in the user list set is greater than the number of target user lists included in the target user list set;
  • the dialing module is configured to use a pre-established universal robot dialogue model to dial at least one target user list in the target user list set to obtain a corresponding dialing result.
  • the dialing result includes each of a plurality of characteristics.
  • the determining module is configured to determine a robot dialog model matching the target user list set in a preset robot dialog model library based on the feature values in the dialing result and the reference feature value of the general robot dialog model,
  • the robot dialogue model library includes a plurality of robot dialogue models
  • the dialogue module is configured to use the target robot dialogue model to dial user lists outside the target user list set in the user list set to conduct a dialogue with users corresponding to the user list.
  • a computer device including a memory and a processor, the memory is used to store a program of the robot dialogue of the processor, and the processor is configured to execute the following via the program of executing the robot dialogue Processing: randomly extract multiple user lists from the user list set as a target user list set, wherein the user list set includes multiple user lists, and the user list in the target user list set is the target user list, and The number of user lists included in the user list set is greater than the number of target user lists included in the target user list set; at least one target user list in the target user list set is dialed using a pre-established universal robot dialogue model to obtain Corresponding dialing result, the dialing result includes a feature value corresponding to each of a plurality of features, and the universal robot dialogue model includes a reference feature value corresponding to each of the plurality of features; The feature value in the dialing result and the reference feature value of the universal robot dialogue model determine the robot dialogue model matching the target user list set in the preset robot dialogue model library as the target robot dialogue
  • a computer-readable storage medium storing computer-readable instructions
  • a program for robot dialogue is stored thereon.
  • the program for robot dialogue is executed by a processor, the following processing is implemented: Multiple user lists are randomly selected as a set of target user lists, where the user list set includes multiple user lists, the user lists in the target user list set are target user lists, and the user lists included in the user list set The number of is greater than the number of target user lists included in the target user list set; using a pre-established universal robot dialogue model to dial at least one target user list in the target user list set to obtain the corresponding dialing result, the The dialing result includes a feature value corresponding to each of a plurality of features, and the universal robot dialogue model includes a reference feature value corresponding to each of the plurality of features; based on the feature value in the dialing result The reference feature value of the universal robot dialogue model determines the robot dialogue model matching the target user list set in the preset robot dialogue model library as the target robot dialogue model, wherein the robot dialogue model library
  • the above-mentioned robot dialogue method, device, computer equipment and computer-readable storage medium assuming that the characteristics of users in a batch of lists are mostly similar, by randomly selecting several target user lists from a batch of lists, and then using a general robot
  • the dialogue model dials the list of target users.
  • the target robot dialogue model is determined based on the benchmark feature values of the general robot dialogue model and the feature values in the dialing results.
  • the target robot dialogue model is used to dial the remaining user lists to improve
  • the selected machine dialogue model (target robot dialogue model) for dialing the remaining user list matches the possibility of matching the user list, which improves the utilization rate of the user list.
  • Fig. 1 is a schematic diagram showing a system architecture of a robot dialogue method according to an exemplary embodiment.
  • Fig. 2 is a flow chart showing a method for robot dialogue according to an exemplary embodiment.
  • FIG. 3 is a flowchart of the steps before step 230 of an embodiment shown according to the embodiment corresponding to FIG. 2.
  • FIG. 4 is a detailed flowchart of step 230 of an embodiment shown according to the embodiment corresponding to FIG. 2.
  • Fig. 5 is a block diagram of a robot dialogue device according to an exemplary embodiment.
  • Fig. 6 is an exemplary block diagram showing a computer device for implementing the above robot dialogue method according to an exemplary embodiment.
  • Fig. 7 shows a computer-readable storage medium for realizing the above robot dialogue method according to an exemplary embodiment.
  • the robot here can be a model built based on various algorithms or models that can be used for dialogue with humans. It can be a combination of one or more algorithms and models. It can only be capable of dialogue in voice or text, or At the same time, voice and text dialogue can be conducted.
  • the model constituting the robot may include a language model
  • the model constituting the robot may include a language model, an acoustic model, and the like.
  • Robot dialogue refers to the exchange of information between robots and humans through dialogue with humans, so as to provide humans with certain services or engage in certain business activities.
  • the implementation terminal of this application can be any device with computing and processing functions.
  • the device can be connected to an external device to receive or send data.
  • it can be a portable mobile device, such as a smart phone, a tablet computer, a notebook computer, or a PDA ( Personal Digital Assistant), etc., can also be fixed devices, such as computer equipment, field terminals, desktop computers, servers, workstations, etc., or a collection of multiple devices, such as cloud computing physical infrastructure or server clusters.
  • the implementation terminal of this application may be a server or a physical infrastructure of cloud computing.
  • Fig. 1 is a schematic diagram showing a system architecture of a robot dialogue method according to an exemplary embodiment.
  • the system architecture includes a server 110, smart phones 120-140, and a database 150.
  • the smart phones 120-140 and the database 150 are respectively connected to the server 110 through a communication link for receiving and sending data.
  • the communication link may be a wired communication link or a wireless communication link, and the communication link may include entities such as gateways, switches, routers, and network media.
  • Each of the smart phones 120-140 corresponds to a user
  • the database 150 includes a plurality of robot dialogue models
  • the server 110 includes a user list collection and a general robot dialogue model.
  • a specific process may be as follows: the server 110 first randomly extracts a user list from a set of user lists stored locally, and obtains lists that include multiple target users. Then use the general robot dialogue model to dial the target user list in the target user list set to obtain the corresponding dialing result, where the dialing result includes the feature value, and the general robot dialogue model includes the reference feature value; according to The feature value and the reference feature value can select the target robot dialogue model from multiple robot dialogue models in the database 150, and the target robot dialogue model is matched with the target user list set. Finally, the target robot dialogue model is obtained from the database 150, By running the target robot dialogue model, you can dial other user lists that have not been extracted from the user list set, and conduct dialogues with other users. This improves the matching between the target robot dialogue model and the user list, and also improves the robots and users. The user experience during the conversation, thereby improving the utilization of the user list.
  • Fig. 1 is only an embodiment of the present application.
  • the implementation terminal in this embodiment is a server, in other embodiments, the implementation terminal of this application may be various terminals or devices as described above; although in this embodiment, the user list collection is stored locally , And multiple robot dialogue models are stored in a database other than the implementation terminal of this application, but in other embodiments or specific applications, the user list set can be stored on a terminal other than the implementation terminal of this application, and multiple robots
  • the dialog model can be stored locally.
  • This application does not make any limitation on this, and the protection scope of this application should not be restricted in any way.
  • Fig. 2 is a flow chart showing a method for robot dialogue according to an exemplary embodiment.
  • the robot dialogue method of this embodiment can be executed by a server, as shown in FIG. 2, including the following steps:
  • step 230 a plurality of user lists are randomly selected from the user list set as the target user list set.
  • the user list set includes multiple user lists
  • the user lists in the target user list set are target user lists
  • the number of user lists included in the user list set is greater than the target users included in the target user list set The number of lists.
  • the user list is information related to users, including at least the user's contact information or information used to obtain the user's contact information.
  • FIG. 3 is a flowchart of the steps before step 230 of an embodiment according to the embodiment corresponding to FIG. 2. As shown in FIG. 3, it includes the following steps:
  • Step 210 When multiple user lists are obtained, it is determined whether the elements contained in each obtained user list meet a predetermined condition.
  • the user list is a collection of elements, which can contain one element, multiple elements, or even no elements.
  • An element is an information item of the user list, such as the user’s contact information, occupation, age, gender, hobbies
  • the user list includes at least the user's contact information or information used to obtain the user's contact information.
  • the user's contact information can be various information that can contact the user, such as the user's platform account number, mobile phone number, and so on.
  • the predetermined condition is used to filter out the user list of the robot dialogue model that needs to be sampled from multiple user list sets, that is, as long as the user list meets the predetermined condition, for these user lists, It is necessary to determine the matching robot dialogue model by sampling, and then the corresponding matching robot dialogue model can be used to dial the user list.
  • the predetermined condition is that the elements included in the user list reach a first predetermined number.
  • the predetermined condition is that the same elements as the predetermined elements among the elements included in the user list reach the second predetermined number.
  • Predetermined elements are preset elements, which are generally related to the characteristics or identity of users, so that the list of users who need to be sampled to determine the matching robot dialogue model can be more accurate.
  • Step 220 Obtain a list of users whose contained elements do not meet predetermined conditions, as a user list set.
  • the method further includes: obtaining a list of users whose contained elements meet the predetermined condition, as List of categorizable users; classify each categorizable user list according to the elements of each categorizable user list; for each category, determine the match with the category according to the elements of each categorizable user list belonging to the category
  • the robot dialogue model for each category, each categorized user list in the category is dialed with the robot dialogue model that matches the category, so as to have a dialogue with the user corresponding to each categorized user list.
  • the way to determine the matching robot dialogue model can be done by setting various rules.
  • these rules may include assigning values to the elements of each categorizable user list first, if the average value of an element of each categorizable user list belonging to the same category reaches a preset average threshold of the corresponding element , It is determined that the robot dialogue model that matches this category is a preset robot dialogue model corresponding to the average threshold.
  • the classification of each categorizable user list according to the elements of each categorizable user list includes: establishing a vector of each categorizable user list based on the elements of each categorizable user list; The vector of each categorizable user list is used to cluster each categorizable user list, so as to divide each categorizable user list into multiple categories.
  • the clustering algorithm for each categorizable user list can be various, for example, it can be the K-means clustering algorithm.
  • step 230 may be as shown in FIG. 4.
  • FIG. 4 is a detailed flowchart of step 230 of an embodiment shown according to the embodiment corresponding to FIG. 2. As shown in Figure 4, it includes the following steps:
  • Step 231 serially number all user lists in the user list set as [1, N].
  • N is the number of all user lists in the user list set, and each number in [1, N] is a positive integer.
  • N 100.
  • Step 232 Perform a random number generation step, where the random number generation step includes randomly generating a positive integer belonging to [1, N].
  • Step 233 If there is a generated positive integer that is the same as the positive integer, then go to the step of generating random numbers.
  • Step 234 If each generated positive integer is different from the positive integer, extract the user list whose number is the positive integer, mark the positive integer as generated, and then go to the judgment step.
  • Step 235 Perform a judging step, the judging step includes: judging whether the number of positive integers marked as generated has reached the third predetermined number, and if not, proceed to the step of generating random numbers.
  • the purpose of this embodiment is to randomly extract a third predetermined number of user lists, and each user list corresponds to a random number. Therefore, a third predetermined number of random numbers needs to be selected. When the number of random numbers selected is less than the third When the number is predetermined, you need to go to the step of generating random numbers to continue generating random numbers.
  • step 2366 if yes, all user lists whose numbers belong to the third predetermined number of positive integers are used as the target user list set.
  • the user list When the number of a user list belongs to one of the third predetermined number of positive integers, the user list needs to be selected as a member of the target user list set, then all users whose numbers belong to the third predetermined number of positive integers The list is selected as the target user list collection.
  • the embodiment shown in FIG. 4 realizes the establishment of the target user list set, so that the number of target user lists contained in the established target user list set is the third predetermined number, and each target user list is randomly selected.
  • the randomly extracting multiple user lists from the user list set as the target user list set includes: determining the number of user lists in the user list set; obtaining the product of the number and a predetermined ratio ; Obtain the largest integer less than the product as the number of user lists to be extracted; randomly extract user lists from the user list set according to the number, as the target user list set.
  • the obtained target user list set may be insufficient Represents the entire user list set, so that the final target robot dialogue model may not match most user lists in the user list set; in this embodiment, the selected target user list set is selected by the user list
  • the relative quantitative relationship between the number of and the number of all user lists in the user list set is fixed by a ratio, so that no matter how many user lists in the user list set, the selected target user list set can represent the user list
  • the collection ensures the representativeness of the target user list collection, which can ensure to a certain extent the degree of matching between the finally determined target robot dialogue model and the user list collection.
  • Step 240 Use a pre-established universal robot dialogue model to dial at least one target user list in the target user list set to obtain a corresponding dialing result.
  • the dialing result includes a feature value corresponding to each of a plurality of features
  • the general robot dialogue model includes a reference feature value corresponding to each of the plurality of features.
  • the user list includes phone numbers, and the corresponding target user list is dialed according to the phone numbers.
  • the user list includes user list identifiers.
  • the phone number corresponding to the target user list identifier is determined by querying the preset user list identifier and phone number correspondence table, and then the target user list is dialed according to the phone number. .
  • the dialing result may be information related to the interaction process obtained by interacting with the user corresponding to the target user list when the universal robot dialogue model dials the target user list.
  • the multiple features are predefined attribute items used to measure the characteristics or properties of the dialing result or the robot dialogue model, such as a defined dialogue style, dialogue content, and dialogue mode.
  • a defined dialogue style, dialogue content, and dialogue mode For example, for the feature of dialogue style, it can include business features.
  • the feature value of business feature is business feature value.
  • the business feature value (reference feature value) set by the general robot dialogue model can be 5.
  • the dialogue content of the general robot dialogue model is analyzed to determine that the target user’s dialogue style is more formal.
  • the target user is more business-oriented, and the business-type feature value in the dialing result of the target user may be too large, for example, It is 9, which means that the general robot dialogue model has a certain gap with the target user in terms of business style.
  • Step 250 Based on the feature value in the dialing result and the reference feature value of the universal robot dialogue model, determine a robot dialogue model matching the target user list set in a preset robot dialogue model library, as the target robot Dialogue model.
  • the robot dialogue model library includes a plurality of robot dialogue models.
  • the method before using a pre-established universal robot dialogue model to dial at least one target user list in the target user list set to obtain the corresponding dialing result, the method further includes: A general robot dialogue model is determined from one robot dialogue model; and a robot dialogue model library is constructed using robot dialogue models other than the general robot dialogue model in the plurality of robot dialogue models.
  • the determining a universal robot dialogue model from a plurality of pre-established robot dialogue models includes: obtaining the number of users that each pre-established robot dialogue model has talked with in history; and setting the largest number of users
  • the robot dialogue model is used as a general robot dialogue model.
  • each time the robot dialogue model talks to a user a corresponding log of the dialogue is generated and stored in the database.
  • the acquisition of the number of users who have previously established each robot dialogue model in the history of dialogue is obtained.
  • each robot dialogue model includes a feature value corresponding to each of the same multiple features
  • the determination of the universal robot dialogue model from the plurality of pre-established robot dialogue models includes: For each feature of the same multiple features, obtain the average value of each robot dialogue model and the feature value corresponding to the feature; according to the preset feature order, sort the average value of the feature value obtained for each feature to obtain the The feature value average vector corresponding to the same multiple features; for each robot dialog model, according to the preset feature order, the feature values of the robot dialog model are sorted to obtain the features of the robot dialog model Value vector; determining the Euclidean distance between the eigenvalue vector of each robot dialogue model and the eigenvalue average vector; taking the corresponding robot dialogue model with the smallest Euclidean distance as the general robot dialogue model.
  • the average value of the eigenvalues reflects the central tendency of the eigenvalues, and the smaller the Euclidean distance between the eigenvalue vector of a robot dialogue model and the eigenvalue average vector, it often means that the robot dialogue model is more suitable for communicating with more User dialogue, that is, the robot dialogue model has a wider application range, so this embodiment can ensure the universality of the selected general robot dialogue model.
  • said using a pre-established universal robot dialogue model to dial at least one target user list in the target user list set to obtain the corresponding dialing result includes:
  • the dialing step includes using a pre-established universal robot dialogue model to dial a target user list in the target user list set that has not been dialed to obtain a corresponding dialing result;
  • a robot dialog model matching the target user list set is determined in a preset robot dialog model library, as the target robot dialog Models, including:
  • a robot dialog model matching the target user list is determined in a preset robot dialog model library, and the robot dialog model is marked Is determined
  • the number of times that the same robot dialogue model has been marked as determined exceeds half of the number of target user lists in the target user list set, or
  • the same robot dialogue model is used as the target robot dialogue model
  • the advantage of this embodiment is that when the above conditions are met, it can be basically determined that the acquired target robot dialogue model matches the target user list set sufficiently, and there is no need to continue to use the general robot dialogue model to target the target user.
  • List dialing while ensuring the matching degree between the matching target robot dialogue model and the target user list set, it reduces the mismatch between the robot dialogue model and the user list caused by excessive dialing of the user list using the general robot dialogue model , Improve the efficiency of the user list.
  • the robot dialog that matches the target user list set is determined in a preset robot dialog model library
  • the model, as the target robot dialogue model includes:
  • a robot dialog model matching the target user list set is determined in a preset robot dialog model library as the target robot dialog model.
  • a robot dialogue model matching the target user list set is determined in a preset robot dialogue model library as the target robot dialogue model, Including: for each of the dialing results, the difference determined for the dialing result is input into a pre-established decision tree model according to the characteristics corresponding to the difference, and the output of the decision tree model that matches the dialing result is obtained.
  • a candidate robot dialogue model wherein each non-leaf node of the decision tree model corresponds to a feature, and each leaf node of the decision tree model corresponds to a robot dialogue model in the robot dialogue model library;
  • the candidate robot dialogue model with the most matching dialing results is obtained as the target robot dialogue model.
  • the difference is the first difference
  • each robot dialogue model in the robot dialogue model library includes a model feature value corresponding to each of the plurality of features
  • the For the difference determined by each dialing result a robot dialogue model matching the target user list set is determined in the preset robot dialogue model library, as the target robot dialogue model, including: determining for each dialing result The sum of the squares of the first difference values corresponding to the dialing result; for each robot dialogue model in the robot dialogue model library, obtain each model feature value of the robot dialogue model corresponding to the general robot dialogue model The difference of the benchmark feature value is used as the second difference; for each robot dialogue model in the robot dialogue model library, the sum of squares of the second difference corresponding to the robot dialogue model is obtained; for each dialing result, The robot dialogue model with the smallest absolute value of the difference between the sum of squares of the corresponding second difference and the sum of squares of the first difference of the dialing result is obtained from the robot dialogue model library, as a candidate robot dialogue model; Among the candidate robot dialogue models obtained by the
  • the difference is the first difference
  • each robot dialogue model in the robot dialogue model library includes a model feature value corresponding to each of the plurality of features
  • the target robot dialogue model including: for the robot dialogue model library
  • the difference between the characteristic value of each model of the robot dialogue model and the reference characteristic value corresponding to the general robot dialogue model is obtained as the second difference; for each robot dialogue model, the The second difference corresponding to the robot dialogue model is sorted from large to small; for each dialing result, the first difference corresponding to the dialing result is sorted from large to small; based on the corresponding dialing result from large to small
  • the first difference of small sorting and the second difference of sorting from big to small corresponding to each robot dialogue model the robot dialogue model matching the target user list set is determined in the preset robot dialogue model library, as The target robot dialogue model.
  • the first difference based on the highest to lowest ranking corresponding to each dialing result and the second difference from highest to lowest ranking corresponding to each robot dialogue model are stored in a preset robot dialogue model library
  • the robot dialogue model that matches the set of target user lists is determined as the target robot dialogue model, including: for each dialing result, obtaining the first difference ranked fourth by a predetermined number; for each robot dialogue model , Obtain the second difference value ranked in the first fourth predetermined number; For each dialing result, for each robot dialogue model, among the features corresponding to the second difference value ranked in the fourth predetermined number in the robot dialogue model Obtain the number of features corresponding to the first difference obtained for the dialing result; for each dialing result, obtain the corresponding robot dialogue model with the largest number as the candidate robot dialogue model matched by the dialing result; Among the candidate robot dialogue models obtained by each dialing result, the candidate robot dialogue model with the most matching dialing results is obtained as the target robot dialogue model.
  • the first difference is ranked higher, the first difference is larger, that is, the features corresponding to these first differences of the dialing result are more different from the corresponding features of the general robot dialogue model, so these features are among the dialing results.
  • the first difference corresponding to these features is used.
  • the second difference corresponding to some of the features is used to obtain the target robot dialogue model, which improves the matching degree between the obtained target robot dialogue model and the user list in the user list set.
  • Step 260 Use the target robot dialogue model to dial a user list outside the target user list set in the user list set to conduct a dialogue with the user corresponding to the user list.
  • the target robot dialogue model matches the target user list set, and the target user list set is randomly selected from the user list set, the acquisition is greatly improved.
  • the overall matching degree between the target robot dialogue model and the user list set increases the probability that the selected machine dialogue model (target robot dialogue model) used to dial the remaining user list matches the user list, and improves the user Utilization rate of the list.
  • the application also provides a robot dialogue device, and the following are device embodiments of the application.
  • Fig. 5 is a block diagram of a robot dialogue device according to an exemplary embodiment. As shown in FIG. 5, the robot dialogue device 500 includes:
  • the extraction module 510 is configured to randomly extract multiple user lists from a user list set as a target user list set, wherein the user list set includes multiple user lists, and the user list in the target user list set is the target A user list, where the number of user lists included in the user list set is greater than the number of target user lists included in the target user list set;
  • the dialing module 520 is configured to use a pre-established universal robot dialogue model to dial at least one target user list in the target user list set to obtain a corresponding dialing result.
  • the dialing result includes each of the multiple features.
  • a feature value corresponding to a feature, the universal robot dialogue model includes a reference feature value corresponding to each feature of the plurality of features;
  • the determining module 530 is configured to determine a robot dialog model matching the target user list set in a preset robot dialog model library based on the feature value in the dialing result and the reference feature value of the general robot dialog model , As a target robot dialogue model, wherein the robot dialogue model library includes a plurality of robot dialogue models;
  • the dialogue module 540 is configured to use the target robot dialogue model to dial user lists outside the target user list set in the user list set to conduct a dialogue with users corresponding to the user list.
  • the extraction module before randomly extracting multiple user lists from the user list set as the target user list set, is further configured to: when multiple user lists are obtained, determine each user list obtained Whether the contained elements meet the predetermined conditions; obtain a list of users whose contained elements do not meet the predetermined conditions, as a user list set.
  • the extraction module is further configured to: sequentially number all user lists in the user list set as [1, N], where N is the number of all user lists in the user list set , Each number in [1, N] is a positive integer; the random number generation step is performed, and the random number generation step includes randomly generating a positive integer belonging to [1, N]; if there is a generated positive integer and all If the positive integers are the same, go to the step of generating random numbers; if each generated positive integer is different from the positive integer, then extract the user list numbered as the positive integer and mark the positive integer as generated , Then go to the judgment step; execute the judgment step, the judgment step includes: judging whether the number of positive integers marked as generated has reached the third predetermined number, if not, then go to the step of generating random numbers; if yes, then All user lists whose numbers belong to the third predetermined number of positive integers are taken as the target user list set.
  • the dialing module is further configured to: perform a dialing step, the dialing step includes using a pre-established universal robot dialogue model to perform a list of target users in the target user list set that has not yet dialed Dial to obtain the corresponding dialing result; the determining module is further configured to:
  • a robot dialog model matching the target user list is determined in a preset robot dialog model library, and the robot dialog model is marked Is determined
  • the number of times that the same robot dialogue model has been marked as determined exceeds half of the number of target user lists in the target user list set, or
  • the same robot dialogue model is used as the target robot dialogue model
  • the determining module is further configured to: for each dialing result, determine the difference between each feature value of the dialing result and each reference feature value corresponding to the universal robot dialogue model; The difference determined by each dialing result determines a robot dialogue model matching the target user list set in a preset robot dialogue model library as the target robot dialogue model.
  • the difference is the first difference
  • each robot dialogue model in the robot dialogue model library includes a model feature value corresponding to each of the plurality of features
  • the For the difference determined by each dialing result a robot dialogue model matching the target user list set is determined in the preset robot dialogue model library, as the target robot dialogue model, including: for each dialing result, determining The sum of the squares of the first difference values corresponding to the dialing result; for each robot dialogue model in the robot dialogue model library, obtain each model feature value of the robot dialogue model corresponding to the general robot dialogue model The difference of the reference feature value is used as the second difference; for each robot dialogue model in the robot dialogue model library, the sum of squares of the second difference corresponding to the robot dialogue model is obtained; for each dialing result, The robot dialogue model with the smallest absolute value of the difference between the sum of squares of the corresponding second difference and the sum of squares of the first difference of the dialing result is obtained from the robot dialogue model library as a candidate robot dialogue model; Among the candidate robot dialogue models obtained by the
  • the difference is the first difference
  • each robot dialogue model in the robot dialogue model library includes a model feature value corresponding to each of the plurality of features
  • the For the difference determined by each dialing result a robot dialogue model matching the target user list set is determined in a preset robot dialogue model library, as the target robot dialogue model, including: for the robot dialogue model library For each robot dialogue model in the robot dialogue model, the difference between the characteristic value of each model of the robot dialogue model and the reference characteristic value corresponding to the general robot dialogue model is obtained as the second difference; for each robot dialogue model, the The second difference corresponding to the robot dialogue model is sorted from large to small; for each dialing result, the first difference corresponding to the dialing result is sorted from large to small; based on the corresponding dialing result from large to small The first difference of small sorting and the second difference of sorting from big to small corresponding to each robot dialogue model, the robot dialogue model matching the target user list set is determined in the preset robot dialogue model library, as The target robot dialogue model.
  • a computer device which executes all or part of the steps of any one of the robot dialogue methods shown above.
  • the computer equipment includes:
  • At least one processor At least one processor
  • a memory communicatively connected with the at least one processor; wherein,
  • the memory stores instructions that can be executed by the at least one processor, and the instructions are executed by the at least one processor, so that the at least one processor can execute as shown in any of the foregoing exemplary embodiments.
  • Robot dialogue method
  • the computer device 600 according to this embodiment of the present application will be described below with reference to FIG. 6.
  • the computer device 600 shown in FIG. 6 is only an example, and should not bring any limitation to the function and scope of use of the embodiments of the present application.
  • the computer device 600 is represented in the form of a general-purpose computing device.
  • the components of the computer device 600 may include, but are not limited to: the aforementioned at least one processing unit 610, the aforementioned at least one storage unit 620, and a bus 630 connecting different system components (including the storage unit 620 and the processing unit 610).
  • the storage unit stores program code, and the program code can be executed by the processing unit 610, so that the processing unit 610 executes the various exemplary methods described in the “Methods of Embodiments” section of this specification. Steps of implementation.
  • the storage unit 620 may include a readable medium in the form of a volatile storage unit, such as a random access storage unit (RAM) 621 and/or a cache storage unit 622, and may further include a read-only storage unit (ROM) 623.
  • RAM random access storage unit
  • ROM read-only storage unit
  • the storage unit 620 may also include a program/utility tool 624 having a set of (at least one) program module 625.
  • program module 625 includes but is not limited to: an operating system, one or more application programs, other program modules, and program data, Each of these examples or some combination may include the implementation of a network environment.
  • the bus 630 may represent one or more of several types of bus structures, including a storage unit bus or a storage unit controller, a peripheral bus, a graphics acceleration port, a processing unit, or a local area using any bus structure among multiple bus structures. bus.
  • the computer device 600 can also communicate with one or more external devices 800 (such as keyboards, pointing devices, Bluetooth devices, etc.), and can also communicate with one or more devices that enable a user to interact with the computer device 600, and/or communicate with Any device (such as a router, a modem, etc.) that enables the computer device 600 to communicate with one or more other computer devices. This communication can be performed through an input/output (I/O) interface 650.
  • the computer device 600 may also communicate with one or more networks (for example, a local area network (LAN), a wide area network (WAN), and/or a public network, such as the Internet) through the network adapter 660.
  • networks for example, a local area network (LAN), a wide area network (WAN), and/or a public network, such as the Internet
  • the network adapter 660 communicates with other modules of the computer device 600 through the bus 630. It should be understood that although not shown in the figure, other hardware and/or software modules can be used in conjunction with the computer device 600, including but not limited to: microcode, device drivers, redundant processing units, external disk drive arrays, RAID systems, tape drives And data backup storage system, etc.
  • the example embodiments described here can be implemented by software, or can be implemented by combining software with necessary hardware. Therefore, the technical solution according to the embodiments of the present application can be embodied in the form of a software product, which can be stored in a non-volatile storage medium (which can be a CD-ROM, U disk, mobile hard disk, etc.) or on the network , Including several instructions to make a computer device (which can be a personal computer, a server, a terminal device, or a network device, etc.) execute the method according to the embodiment of the present application.
  • a computer device which can be a personal computer, a server, a terminal device, or a network device, etc.
  • each aspect of the present application can also be implemented in the form of a program product, which includes program code.
  • program product runs on a terminal device
  • program code is used to make the The terminal device executes the steps according to various exemplary embodiments of the present application described in the above-mentioned "Exemplary Method" section of this specification.
  • a program product 700 for implementing the above method according to an embodiment of the present application is described. It can adopt a portable compact disk read-only memory (CD-ROM) and include program code, and can be stored in a terminal device, For example, running on a personal computer.
  • CD-ROM compact disk read-only memory
  • the program product of this application is not limited to this.
  • the computer-readable storage medium can be any tangible medium that contains or stores a program, and the program can be used by or in combination with an instruction execution system, device, or device.
  • the program product can use any combination of one or more readable media.
  • the readable medium may be a readable signal medium or a readable storage medium.
  • the readable storage medium may be, for example, but not limited to, an electrical, magnetic, optical, electromagnetic, infrared, or semiconductor system, device, or device, or a combination of any of the above. More specific examples (non-exhaustive list) of readable storage media include: electrical connections with one or more wires, portable disks, hard disks, random access memory (RAM), read-only memory (ROM), erasable Type programmable read only memory (EPROM or flash memory), optical fiber, portable compact disk read only memory (CD-ROM), optical storage device, magnetic storage device, or any suitable combination of the above.
  • the computer-readable signal medium may include a data signal propagated in baseband or as a part of a carrier wave, and readable program code is carried therein. This propagated data signal can take many forms, including but not limited to electromagnetic signals, optical signals, or any suitable combination of the foregoing.
  • the readable signal medium may also be any readable medium other than a readable storage medium, and the readable medium may send, propagate, or transmit a program for use by or in combination with the instruction execution system, apparatus, or device.
  • the program code contained on the readable medium can be transmitted by any suitable medium, including but not limited to wireless, wired, optical cable, RF, etc., or any suitable combination of the foregoing.
  • the program code used to perform the operations of the present application can be written in any combination of one or more programming languages.
  • the programming languages include object-oriented programming languages—such as Java, C++, etc., as well as conventional procedural programming languages. Programming language-such as "C" language or similar programming language.
  • the program code can be executed entirely on the user's computer equipment, partly on the user's equipment, executed as an independent software package, partly on the user's computer equipment and partly executed on the remote computer equipment, or entirely on the remote computer equipment or server. Executed on.
  • the remote computer equipment can be connected to the user’s computer equipment through any kind of network, including a local area network (LAN) or a wide area network (WAN), or it can be connected to an external computer equipment (for example, using Internet service providers). Business to connect via the Internet).
  • LAN local area network
  • WAN wide area network
  • Internet service providers for example, using Internet service providers.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Manipulator (AREA)
  • Telephonic Communication Services (AREA)

Abstract

一种机器人对话方法、装置、计算机设备和存储介质，其中，该方法包括：从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合（230）；利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果（240）；基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型（250）；利用所述目标机器人对话模型对用户名单集合中所述目标用户名单集合之外的用户名单进行拨打，以与用户名单对应的用户进行对话（260）。通过以上方式，提高了机器人对话模型与用户名单相匹配的可能性，提高了用户名单的利用率。

Description

机器人对话方法、装置、计算机设备和存储介质
本申请要求于2020年2月14日提交中国专利局、申请号为CN 202010092467.9，发明名称为“机器人对话方法、装置、介质及电子设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及人工智能的语音语义技术领域，特别是涉及一种机器人对话方法、装置、计算机设备和计算机可读存储介质。
背景技术
在当前的营销、客服等场景下，在机器人与客户进行对话时，常用的是固定的对话模型,这些对话模型可以是基于自然语言处理技术实现的。发明人意识到，即使可以对不同的客户使用不同的对话模型，但在与一个客户进行对话时，一旦开始进行对话，所使用的对话模型往往是无法在中途变更的，这就导致了若选择的对话模型与目标客户不够匹配，对话模型就无法顺利地完成整个对话逻辑，从而不能为目标客户提供正常服务，不仅降低了客户体验，也浪费了待开发的客户，造成客户名单利用率低下。
发明内容
在人工智能的语音语义技术领域，为了解决上述技术问题，本申请的目的在于提供一种机器人对话方法、装置、计算机设备和计算机可读存储介质。
第一方面，提供了一种机器人对话方法，包括：
从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，其中，所述用户名单集合包括多个用户名单，所述目标用户名单集合中的用户名单为目标用户名单，所述用户名单集合包括的用户名单的数目大于所述目标用户名单集合包括的目标用户名单的数目；
利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，所述拨打结果包括与多个特征中的每一特征对应的特征值，所述通用机器人对话模型包括与所述多个特征中的每一特征对应的基准特征值；
基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，其中，所述机器人对话模型库包括多个机器人对话模型；
利用所述目标机器人对话模型对用户名单集合中所述目标用户名单集合之外的用户名单进行拨打，以与用户名单对应的用户进行对话。
第二方面，提供了一种机器人对话装置，包括：
抽取模块，被配置为从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，其中，所述用户名单集合包括多个用户名单，所述目标用户名单集合中的用户名单为目标用户名单，所述用户名单集合包括的用户名单的数目大于所述目标用户名单集合包括的目标用户名单的数目；
拨打模块，被配置为利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，所述拨打结果包括与多个特征中的每一特征对应的特征值，所述通用机器人对话模型包括与所述多个特征中的每一特征对应的基准特征值；
确定模块，被配置为基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，其中，所述机器人对话模型库包括多个机器人对话模型；
对话模块，被配置为利用所述目标机器人对话模型对用户名单集合中所述目标用户名 单集合之外的用户名单进行拨打，以与用户名单对应的用户进行对话。
第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器用于存储所述处理器的机器人对话的程序，所述处理器配置为经由执行所述机器人对话的程序来执行以下处理：从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，其中，所述用户名单集合包括多个用户名单，所述目标用户名单集合中的用户名单为目标用户名单，所述用户名单集合包括的用户名单的数目大于所述目标用户名单集合包括的目标用户名单的数目；利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，所述拨打结果包括与多个特征中的每一特征对应的特征值，所述通用机器人对话模型包括与所述多个特征中的每一特征对应的基准特征值；基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，其中，所述机器人对话模型库包括多个机器人对话模型；利用所述目标机器人对话模型对用户名单集合中所述目标用户名单集合之外的用户名单进行拨打，以与用户名单对应的用户进行对话。
第四方面，提供了一种存储有计算机可读指令的计算机可读存储介质，其上存储有机器人对话的程序，所述机器人对话的程序被处理器执行时实现以下处理：从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，其中，所述用户名单集合包括多个用户名单，所述目标用户名单集合中的用户名单为目标用户名单，所述用户名单集合包括的用户名单的数目大于所述目标用户名单集合包括的目标用户名单的数目；利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，所述拨打结果包括与多个特征中的每一特征对应的特征值，所述通用机器人对话模型包括与所述多个特征中的每一特征对应的基准特征值；基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，其中，所述机器人对话模型库包括多个机器人对话模型；利用所述目标机器人对话模型对用户名单集合中所述目标用户名单集合之外的用户名单进行拨打，以与用户名单对应的用户进行对话。
上述机器人对话方法、装置、计算机设备和计算机可读存储介质，假设一批名单中的用户的特点大多是相似的，通过在一批名单中，随机选出几个目标用户名单，然后用通用机器人对话模型对目标用户名单进行拨打，接下来根据通用机器人对话模型的基准特征值与拨打结果中的特征值来确定出目标机器人对话模型，最后使用目标机器人对话模型对剩余的用户名单进行拨打，提高了选出的用于对剩余用户名单进行拨打的机器对话模型(目标机器人对话模型)与用户名单相匹配的可能性，提高了用户名单的利用率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
图1是根据一示例性实施例示出的一种机器人对话方法的系统架构示意图。
图2是根据一示例性实施例示出的一种机器人对话方法的流程图。
图3是根据图2对应实施例示出的一实施例的步骤230之前步骤的流程图。
图4是根据图2对应实施例示出的一实施例的步骤230的细节流程图。
图5是根据一示例性实施例示出的一种机器人对话装置的框图。
图6是根据一示例性实施例示出的一种实现上述机器人对话方法的计算机设备的示例框图。
图7是根据一示例性实施例示出的一种实现上述机器人对话方法的计算机可读存储介质。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。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。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
此外，附图仅为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
本申请首先提供了一种机器人对话方法。此处的机器人可以是基于各种算法或模型建立的能够用于与人类进行对话的模型，可以是一种或多种算法、模型的结合，可以仅能够进行语音或文字形式的对话，也可以同时能够进行语音和文字形式的对话，其中，当机器人可以进行文字对话时，构成机器人的模型可以包括语言模型，而机器人可以进行语音对话时，构成机器人的模型可以包括语言模型、声学模型等。机器人对话是指机器人通过与人类进行对话，实现机器人与人类之间的信息交流，从而为人类提供某种服务或者从事某些业务活动。
本申请的实施终端可以是任何具有运算和处理功能的设备，该设备可以与外部设备相连，用于接收或者发送数据，具体可以是便携移动设备，例如智能手机、平板电脑、笔记本电脑、PDA(Personal Digital Assistant)等，也可以是固定式设备，例如，计算机设备、现场终端、台式电脑、服务器、工作站等，还可以是多个设备的集合，比如云计算的物理基础设施或者服务器集群。
可选地，本申请的实施终端可以为服务器或者云计算的物理基础设施。
图1是根据一示例性实施例示出的一种机器人对话方法的系统架构示意图。如图1所示，该系统架构包括服务器110、智能手机120-140以及数据库150，其中，智能手机120-140和数据库150分别通过通信链路与服务器110进行连接，用于接收和发出数据。该通信链路可以为有线通信链路，也可以为无线通信链路，该通信链路可以包括网关、交换机、路由、网络介质等实体。智能手机120-140中每一智能手机对应一个用户，数据库150中包括多个机器人对话模型，服务器110中包括用户名单集合和通用机器人对话模型。当本申请提供的机器人对话方法应用于图1所示的系统架构中时，一个具体过程可以是这样的：服务器110首先在本地存储的用户名单集合随机抽取用户名单，得到包括多个目标用户名单的目标用户名单集合，然后利用通用机器人对话模型对目标用户名单集合中的目标用户名单进行拨打，得到对应的拨打结果，其中拨打结果中包括特征值，而通用机器人对话模型包括基准特征值；根据特征值和基准特征值可以在数据库150中的多个机器人对话模型选择出目标机器人对话模型，该目标机器人对话模型是与目标用户名单集合相匹配的，最终从数据库150中获取目标机器人对话模型，通过运行目标机器人对话模型可以对用户名单集合中未被抽取的其他用户名单进行拨打，进行与其他用户的对话，这样就提高了目标机器人对话模型与用户名单的匹配性，也提高了机器人与用户进行对话时的用户体验，从而提高了用户名单的利用率。
需要指出的是，图1仅为本申请的一个实施例。虽然在本实施例中的实施终端为服务器，但在其他实施例中，本申请的实施终端可以为如前所述的各种终端或设备；虽然在本实施例中，用户名单集合存储在本地，而多个机器人对话模型存储在本申请的实施终端之外的数据库上，但在其他实施例或者具体应用中，用户名单集合可以存储在本申请的实施终端之外的终端上，多个机器人对话模型可以存储在本地。本申请对此不作任何限定，本申请的保护范围也不应因此而受到任何限制。
图2是根据一示例性实施例示出的一种机器人对话方法的流程图。本实施例的机器人对话方法可以由服务器执行，如图2所示，包括以下步骤：
步骤230，从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合。
其中，所述用户名单集合包括多个用户名单，所述目标用户名单集合中的用户名单为目标用户名单，所述用户名单集合包括的用户名单的数目大于所述目标用户名单集合包括的目标用户名单的数目。
用户名单为与用户有关的信息，其中至少包括用户的联系方式或者用于获取用户的联系方式的信息。
在一个实施例中，在步骤230之前的步骤可以如图3所示。图3是根据图2对应实施例示出的一实施例的步骤230之前步骤的流程图，如图3所示，包括以下步骤：
步骤210，当获取到多个用户名单，判断获取的每一用户名单所包含的元素是否满足预定条件。
用户名单为元素的集合，可以包含一个元素，也可以包含多个元素，甚至还可以不包含元素，元素为用户名单的一个信息项，比如可以是用户的联系方式、职业、年龄、性别、爱好等与用户有关的信息项，用户名单中至少包括用户的联系方式或者用于获取用户的联系方式的信息。用户的联系方式可以是各种能够与用户联系的信息，比如可以是用户的平台账号、手机号等。预定条件是用于在多个用户名单集合中筛选出需要用抽样的方式来确定与之匹配的机器人对话模型的用户名单的条件，即，只要满足该预定条件的用户名单，对于这些用户名单，需要用抽样的方式确定与之匹配的机器人对话模型，然后可以用对应匹配的机器人对话模型进行用户名单的拨打。
在一个实施例中，所述预定条件为用户名单中包含的元素达到第一预定数目。
在一个实施例中，所述预定条件为用户名单包含的元素中与预定元素相同的元素达到第二预定数目。
预定元素是预先设定的元素，这些元素一般与用户的特点或身份有关，这样可以使筛选出的需要用抽样的方式来确定与之匹配的机器人对话模型的用户名单更为准确。
步骤220，获取包含的元素不满足预定条件的用户名单，作为用户名单集合。
在图3所示实施例中，通过先在获取的所有用户名单中进行预筛选，然后再将预筛选得到的用户名单作为用户名单集合，使得一部分用户名单不需要用抽样的方式来确定与之匹配的机器人对话模型，从而减少了需要用抽样的方式来确定与之匹配的机器人对话模型的用户名单的数量，节约了计算开销，同时，对于这些不需要用抽样的方式来确定与之匹配的机器人对话模型的用户名单，如果用其他方式来确定与之匹配的机器人对话模型，与抽样方式相比，可能确定出的机器人对话模型更为准确，从而提高了机器人对话模型与用户的匹配度。
在一个实施例中，在当获取到多个用户名单，判断获取的每一用户名单所包含的元素是否满足预定条件之后，所述方法还包括：获取包含的元素满足预定条件的用户名单，作为可归类用户名单；根据各可归类用户名单的元素，对各可归类用户名单进行分类；针对每一类，根据属于该类的各可归类用户名单的元素，确定与该类匹配的机器人对话模型；针对每一类，对该类中的各可归类用户名单用与该类匹配的机器人对话模型进行拨打，以与各可归类用户名单对应的用户进行对话。
根据属于每一类的各可归类用户名单的元素，来确定匹配的机器人对话模型的方式可以通过设定各种规则的方式进行。比如，这些规则可以包括，先对各可归类用户名单的元素进行赋值，若属于同一类的各可归类用户名单的某一元素的平均值达到预设的相应元素的某一平均值阈值，则确定与该类匹配的机器人对话模型是预先设定的与该平均值阈值对应的机器人对话模型。
在一个实施例中，所述根据各可归类用户名单的元素，对各可归类用户名单进行分类包括：基于每一可归类用户名单的元素，建立各可归类用户名单的向量；利用各可归类用户名单的向量对各可归类用户名单进行聚类，以将各可归类用户名单分为多个类。
对各可归类用户名单进行聚类的算法可以是各种各样的，比如可以是K-means聚类算 法。基于每一可归类用户名单的元素来建立各可归类用户名单的向量的方式可以是多种多样的，比如，可以通过先查询预设的元素与向量值对应关系表来获取各元素对应的向量值，然后针对每一可归类用户名单，根据预定的顺序对该可归类用户名单的元素进行排序，最终得到该可归类用户名单的向量。
在一个实施例中，步骤230的具体步骤可以如图4所示。图4是根据图2对应实施例示出的一实施例的步骤230的细节流程图。如图4所示，包括以下步骤：
步骤231，将所述用户名单集合中的所有用户名单依次编号为[1，N]。
其中，N为所述用户名单集合中所有用户名单的数目，[1，N]中的各编号为正整数。
比如，当用户名单集合中包括100个用户名单时，N即为100。
步骤232，执行生成随机数步骤，所述生成随机数步骤包括随机生成一个属于[1，N]的正整数。
步骤233，若存在一个已生成的正整数与所述正整数相同，则转至生成随机数步骤。
存在一个已生成的正整数与所述正整数相同，说明本次生成的正整数与之前生成的正整数重复，此时需要转至随机数生成步骤232来重新生成一个随机数，即回到步骤232并重新执行步骤232之后的步骤。
步骤234，若每一已生成的正整数均与所述正整数不同，则抽取编号为所述正整数的用户名单并将所述正整数标记为已生成，然后转至判断步骤。
当所有已生成的正整数都和本次生成的正整数不同时，说明本次生成了一个新的从未生成过的正整数，此时需要转至判断步骤235。
步骤235，执行判断步骤，所述判断步骤包括：判断被标记为已生成的正整数的数目是否达到第三预定数目，如果否，则转至生成随机数步骤。
本实施例的目的在于随机抽取出第三预定数目个用户名单，每一用户名单与一个随机数对应，因此，需要选出第三预定数目个随机数，当选出的随机数的数目不足第三预定数目时，就需要转至生成随机数步骤继续生成随机数。
步骤236，如果是，则将所有编号属于第三预定数目个正整数的用户名单作为目标用户名单集合。
当一个用户名单的编号属于第三预定数目个正整数之一时，就需要将该用户名单选出来，作为目标用户名单集合的一个成员，那么，将所有编号属于第三预定数目个正整数的用户名单选出来即为目标用户名单集合。
图4所示实施例实现了对目标用户名单集合的建立，使建立的目标用户名单集合中包含的目标用户名单的数目为第三预定数目，且每一目标用户名单为随机抽取得到的。
在一个实施例中，所述从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，包括：确定所述用户名单集合中的用户名单的数目；获取所述数目与预定比值的乘积；获取小于所述乘积的最大整数作为要抽取的用户名单的数目；按照所述数目从用户名单集合中随机抽取用户名单，作为目标用户名单集合。
当用户名单集合中用户名单的数目过多时，若抽取的用户名单的数目固定且该数目与用户名单集合中所有用户名单的数目相比过少，那么就可能导致获得的目标用户名单集合不足以代表整个用户名单集合，从而可能使得最终确定出的目标机器人对话模型可能并不与用户名单集合中的大部分用户名单匹配；在本实施例中，通过将选出的目标用户名单集合中用户名单的数目与所述用户名单集合中所有用户名单的数目之间的相对数量关系用比值固定下来，使得无论用户名单集合中用户名单的数目有多少，选出的目标用户名单集合都能代表用户名单集合，保证了目标用户名单集合的代表性，从而可以在一定程度上保证最终确定出的目标机器人对话模型与用户名单集合的匹配程度。
步骤240，利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果。
所述拨打结果包括与多个特征中的每一特征对应的特征值，所述通用机器人对话模型包括与所述多个特征中的每一特征对应的基准特征值。
在一个实施例中，所述用户名单包括电话号码，按照所述电话号码，对对应的目标用户名单进行拨打。
在一个实施例中，用户名单包括用户名单标识，通过查询预设的用户名单标识与电话号码对应关系表，确定与目标用户名单标识对应的电话号码，然后按照该电话号码对目标用户名单进行拨打。
拨打结果可以是通用机器人对话模型对目标用户名单进行拨打时，与目标用户名单对应的用户进行交互所获取的与交互过程有关的信息。多个特征是预先定义的用于衡量拨打结果或机器人对话模型的特点或性质的属性项，比如可以是定义的对话风格、对话内容、对话方式等。例如，对于对话风格这种特征，可以包括商务型特征，商务型特征对于的特征值为商务型特征值，通用机器人对话模型设定的商务型特征值(基准特征值)可以为5，通过对通用机器人对话模型的对话内容进行分析，判断目标用户的对话风格比较正式，可以确定目标用户更偏向商务型，那么可以得到对该目标用户的拨打结果中的商务型特征值可能偏大，比如可以为9，这样就说明通用机器人对话模型在商务型风格方面与该目标用户有一定的差距。
步骤250，基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型。
其中，所述机器人对话模型库包括多个机器人对话模型。
在一个实施例中，在利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果之前，所述方法还包括：在预先建立的多个机器人对话模型中确定出通用机器人对话模型；利用所述多个机器人对话模型中所述通用机器人对话模型之外的机器人对话模型构建机器人对话模型库。
在一个实施例中，所述在预先建立的多个机器人对话模型中确定出通用机器人对话模型，包括：获取预先建立的各机器人对话模型在历史上对话的用户的数量；将所述数量最大的机器人对话模型作为通用机器人对话模型。
在一个实施例中，机器人对话模型每次与一个用户对话，就对应生成一条该次对话的日志并存储到数据库中，所述获取预先建立的各机器人对话模型在历史上对话的用户的数量，包括：针对每一机器人对话模型，从所述数据库查询与该机器人对话模型对应的条数，作为该机器人对话模型在历史上对话的用户的数量。
在一个实施例中，各机器人对话模型包括与相同的多个特征中的每一特征对应的特征值，所述在预先建立的多个机器人对话模型中确定出通用机器人对话模型，包括：针对所述相同的多个特征中每一特征，获取各机器人对话模型与该特征对应的特征值的平均值；按照预设的特征顺序，对针对各特征得到的特征值的平均值进行排序，得到与所述相同的多个特征对应的特征值平均值向量；针对每一机器人对话模型，按照所述预设的特征顺序，对该机器人对话模型的各特征值进行排序，得到该机器人对话模型的特征值向量；确定各机器人对话模型的特征值向量与所述特征值平均值向量的欧式距离；将对应的欧式距离最小的机器人对话模型作为通用机器人对话模型。
由于特征值的平均值反映了特征值的集中趋势，而一个机器人对话模型的特征值向量与所述特征值平均值向量的欧式距离越小，往往表示该机器人对话模型越适合用来与更多的用户对话，即该机器人对话模型的适用范围更广，所以本实施例可以保证选出的通用机器人对话模型的通用性。
在一个实施例中，所述利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，包括：
执行拨打步骤，所述拨打步骤包括利用预先建立的通用机器人对话模型对所述目标用户名单集合中的一个尚未拨打过的目标用户名单进行拨打，得到对应的拨打结果；
所述基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：
基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单匹配的机器人对话模型，并将该机器人对话模型标记为已确定；
若同一机器人对话模型连续被标记为已确定的次数达到预定次数或者
同一机器人对话模型的被标记为已确定的次数超过所述目标用户名单集合中的目标用户名单数目的一半或者
同一机器人对话模型的被标记为已确定的次数与所有标记已确定的次数的比值达到预定比值阈值，则将所述同一机器人对话模型作为目标机器人对话模型；
否则，则转至拨打步骤，直至对所有目标用户名单均进行了拨打并将被标记为已确定的次数最多的机器人对话模型作为目标机器人对话模型。
本实施例的好处在于，在满足上述条件的情况下，能够基本确定获取的目标机器人对话模型与所述目标用户名单集合是足够匹配的，此时就不需要继续使用通用机器人对话模型对目标用户名单进行拨打，在保证匹配目标机器人对话模型与所述目标用户名单集合的匹配程度的同时，减少了由于利用通用机器人对话模型对用户名单拨打过多导致的机器人对话模型与用户名单不匹配的情况，提高了用户名单的使用效率。
在一个实施例中，所述基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：
针对每一所述拨打结果，确定该拨打结果的各特征值与所述通用机器人对话模型对应的各基准特征值的差值；
基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型。
在一个实施例中，所述基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：针对每一所述拨打结果，将针对该拨打结果确定的各差值按照各差值对应的特征输入至预先建立的决策树模型，得到所述决策树模型输出的与该拨打结果匹配的候选机器人对话模型，其中，所述决策树模型的每一非叶子结点与一个特征对应，所述决策树模型的每一叶子结点对应一个所述机器人对话模型库中的机器人对话模型；在针对各拨打结果确定的候选机器人对话模型中，获取匹配的拨打结果最多的候选机器人对话模型，作为目标机器人对话模型。
在一个实施例中，所述差值为第一差值，所述机器人对话模型库中的每一机器人对话模型包括与所述多个特征中的每一特征对应的模型特征值，所述基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：针对每一拨打结果，确定与该拨打结果对应的各第一差值的平方和；针对所述机器人对话模型库中的每一机器人对话模型，获取该机器人对话模型的每一模型特征值与所述通用机器人对话模型对应的基准特征值的差值，作为第二差值；针对所述机器人对话模型库中的每一机器人对话模型，获取该机器人对话模型对应的第二差值的平方和；针对每一拨打结果，在所述机器人对话模型库中获取对应的第二差值的平方和与该拨打结果的第一差值的平方和的差值的绝对值最小的机器人对话模型，作为候选机器人对话模型；在针对各拨打结果获取的候选机器人对话模型中，获取 对应的拨打结果最多的候选机器人对话模型，作为目标机器人对话模型。
在一个实施例中，所述差值为第一差值，所述机器人对话模型库中的每一机器人对话模型包括与所述多个特征中的每一特征对应的模型特征值，所述基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：针对所述机器人对话模型库中的每一机器人对话模型，获取该机器人对话模型的每一模型特征值与所述通用机器人对话模型对应的基准特征值的差值，作为第二差值；针对每一机器人对话模型，对该机器人对话模型对应的各第二差值从大到小进行排序；针对每一拨打结果，对该拨打结果对应的各第一差值从大到小进行排序；基于各拨打结果对应的从大到小排序的第一差值和各机器人对话模型对应的从大到小排序的第二差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型。
在一个实施例中，所述基于各拨打结果对应的从大到小排序的第一差值和各机器人对话模型对应的从大到小排序的第二差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：针对每一拨打结果，获取排序在前第四预定数目的第一差值；针对每一机器人对话模型，获取排序在前第四预定数目的第二差值；针对每一拨打结果，针对每一机器人对话模型，在该机器人对话模型的排序在前第四预定数目的第二差值对应的特征中获取属于针对该拨打结果获取的所述第一差值对应的特征的数量；针对每一拨打结果，获取对应的所述数量最大的机器人对话模型作为该拨打结果匹配的候选机器人对话模型；在针对各拨打结果获取的候选机器人对话模型中，获取匹配的拨打结果最多的候选机器人对话模型，作为目标机器人对话模型。
由于第一差值的排序越靠前，第一差值越大，即拨打结果的这些第一差值对应的特征与通用机器人对话模型的相应特征的差别越大，因此这些特征是拨打结果中最能代表用户名单与通用机器人对话模型存在的差异但可能与机器人对话模型库中的一个或多个机器人对话模型相类似的部分，在本实施例中，通过利用这些特征对应的第一差值以及其中的一些特征对应的第二差值来获取目标机器人对话模型，提高了获取的目标机器人对话模型与用户名单集合中的用户名单的匹配度。
步骤260，利用所述目标机器人对话模型对用户名单集合中所述目标用户名单集合之外的用户名单进行拨打，以与用户名单对应的用户进行对话。
综上所述，根据图2实施例提供的机器人对话方法，由于目标机器人对话模型与目标用户名单集合是匹配的，而目标用户名单集合是从用户名单集合中随机抽取的，所以大大提高了获取的目标机器人对话模型与用户名单集合的整体的匹配度，提高了选出的用于对剩余用户名单进行拨打的机器对话模型(目标机器人对话模型)与用户名单相匹配的可能性，提高了用户名单的利用率。
本申请还提供了一种机器人对话装置，以下是本申请的装置实施例。
图5是根据一示例性实施例示出的一种机器人对话装置的框图。如图5所示，机器人对话装置500包括：
抽取模块510，被配置为从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，其中，所述用户名单集合包括多个用户名单，所述目标用户名单集合中的用户名单为目标用户名单，所述用户名单集合包括的用户名单的数目大于所述目标用户名单集合包括的目标用户名单的数目；
拨打模块520，被配置为利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，所述拨打结果包括与多个特征中的每一特征对应的特征值，所述通用机器人对话模型包括与所述多个特征中的每一特征对应的基准特征值；
确定模块530，被配置为基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，其中，所述机器人对话模型库包括多个机器人对话模型；
对话模块540，被配置为利用所述目标机器人对话模型对用户名单集合中所述目标用户名单集合之外的用户名单进行拨打，以与用户名单对应的用户进行对话。
在一个实施例中，在从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合之前，所述抽取模块还被配置为：当获取到多个用户名单，判断获取的每一用户名单所包含的元素是否满足预定条件；获取包含的元素不满足预定条件的用户名单，作为用户名单集合。
在一个实施例中，所述抽取模块被进一步配置为：将所述用户名单集合中的所有用户名单依次编号为[1，N]，其中，N为所述用户名单集合中所有用户名单的数目，[1，N]中的各编号为正整数；执行生成随机数步骤，所述生成随机数步骤包括随机生成一个属于[1，N]的正整数；若存在一个已生成的正整数与所述正整数相同，则转至生成随机数步骤；若每一已生成的正整数均与所述正整数不同，则抽取编号为所述正整数的用户名单并将所述正整数标记为已生成，然后转至判断步骤；执行判断步骤，所述判断步骤包括：判断被标记为已生成的正整数的数目是否达到第三预定数目，如果否，则转至生成随机数步骤；如果是，则将所有编号属于第三预定数目个正整数的用户名单作为目标用户名单集合。
在一个实施例中，所述拨打模块被进一步配置为：执行拨打步骤，所述拨打步骤包括利用预先建立的通用机器人对话模型对所述目标用户名单集合中的一个尚未拨打过的目标用户名单进行拨打，得到对应的拨打结果；所述确定模块被进一步配置为：
基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单匹配的机器人对话模型，并将该机器人对话模型标记为已确定；
若同一机器人对话模型连续被标记为已确定的次数达到预定次数或者
同一机器人对话模型的被标记为已确定的次数超过所述目标用户名单集合中的目标用户名单数目的一半或者
同一机器人对话模型的被标记为已确定的次数与所有标记已确定的次数的比值达到预定比值阈值，则将所述同一机器人对话模型作为目标机器人对话模型；
否则，则转至拨打步骤，直至对所有目标用户名单均进行了拨打并将被标记为已确定的次数最多的机器人对话模型作为目标机器人对话模型。
在一个实施例中，所述确定模块被进一步配置为：针对每一所述拨打结果，确定该拨打结果的各特征值与所述通用机器人对话模型对应的各基准特征值的差值；基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型。
在一个实施例中，所述差值为第一差值，所述机器人对话模型库中的每一机器人对话模型包括与所述多个特征中的每一特征对应的模型特征值，所述基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：针对每一拨打结果，确定与该拨打结果对应的各第一差值的平方和；针对所述机器人对话模型库中的每一机器人对话模型，获取该机器人对话模型的每一模型特征值与所述通用机器人对话模型对应的基准特征值的差值，作为第二差值；针对所述机器人对话模型库中的每一机器人对话模型，获取该机器人对话模型对应的第二差值的平方和；针对每一拨打结果，在所述机器人对话模型库中获取对应的第二差值的平方和与该拨打结果的第一差值的平方和的差值的绝对值最小的机器人对话模型，作为候选机器人对话模型；在针对各拨打结果获取的候选机器人对话模型中，获取 对应的拨打结果最多的候选机器人对话模型，作为目标机器人对话模型。
在一个实施例中，所述差值为第一差值，所述机器人对话模型库中的每一机器人对话模型包括与所述多个特征中的每一特征对应的模型特征值，所述基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：针对所述机器人对话模型库中的每一机器人对话模型，获取该机器人对话模型的每一模型特征值与所述通用机器人对话模型对应的基准特征值的差值，作为第二差值；针对每一机器人对话模型，对该机器人对话模型对应的各第二差值从大到小进行排序；针对每一拨打结果，对该拨打结果对应的各第一差值从大到小进行排序；基于各拨打结果对应的从大到小排序的第一差值和各机器人对话模型对应的从大到小排序的第二差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型。
根据本申请的第三方面，还提供了一种计算机设备，执行上述任一所示的机器人对话方法的全部或者部分步骤。该计算机设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一个示例性实施例所示出的机器人对话方法。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本申请的这种实施方式的计算机设备600。图6显示的计算机设备600仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机设备600以通用计算设备的形式表现。计算机设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“实施例方法”部分中描述的根据本申请各种示例性实施方式的步骤。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(ROM)623。
存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
计算机设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机设备600交互的设备通信，和/或与使得该计算机设备600能与一个或多个其它计算机设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，计算机设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与计算机设备600的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设 备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算机设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
根据本申请的第四方面，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品，所述计算机可读存储介质可以是非易失性，也可以是易失性。在一些可能的实施方式中，本申请的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的步骤。
参考图7所示，描述了根据本申请的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本申请的程序产品不限于此，在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算机设备上部分在远程计算机设备上执行、或者完全在远程计算机设备或服务器上执行。在涉及远程计算机设备的情形中，远程计算机设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机设备，或者，可以连接到外部计算机设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (20)

  1. 一种机器人对话方法，包括：
    从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，其中，所述用户名单集合包括多个用户名单，所述目标用户名单集合中的用户名单为目标用户名单，所述用户名单集合包括的用户名单的数目大于所述目标用户名单集合包括的目标用户名单的数目；
    利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，所述拨打结果包括与多个特征中的每一特征对应的特征值，所述通用机器人对话模型包括与所述多个特征中的每一特征对应的基准特征值；
    基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，其中，所述机器人对话模型库包括多个机器人对话模型；
    利用所述目标机器人对话模型对用户名单集合中所述目标用户名单集合之外的用户名单进行拨打，以与用户名单对应的用户进行对话。
  2. 根据权利要求1所述的方法，其中，在从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合之前，所述方法还包括：
    当获取到多个用户名单，判断获取的每一用户名单所包含的元素是否满足预定条件；
    获取包含的元素不满足预定条件的用户名单，作为用户名单集合。
  3. 根据权利要求1所述的方法，其中，所述从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，包括：
    将所述用户名单集合中的所有用户名单依次编号为[1，N]，其中，N为所述用户名单集合中所有用户名单的数目，[1，N]中的各编号为正整数；
    执行生成随机数步骤，所述生成随机数步骤包括随机生成一个属于[1，N]的正整数；
    若存在一个已生成的正整数与所述正整数相同，则转至生成随机数步骤；
    若每一已生成的正整数均与所述正整数不同，则抽取编号为所述正整数的用户名单并将所述正整数标记为已生成，然后转至判断步骤；
    执行判断步骤，所述判断步骤包括：判断被标记为已生成的正整数的数目是否达到第三预定数目，如果否，则转至生成随机数步骤；
    如果是，则将所有编号属于第三预定数目个正整数的用户名单作为目标用户名单集合。
  4. 根据权利要求1所述的方法，其中，所述利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，包括：
    执行拨打步骤，所述拨打步骤包括利用预先建立的通用机器人对话模型对所述目标用户名单集合中的一个尚未拨打过的目标用户名单进行拨打，得到对应的拨打结果；
    所述基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：
    基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单匹配的机器人对话模型，并将该机器人对话模型标记为已确定；
    若同一机器人对话模型连续被标记为已确定的次数达到预定次数或者
    同一机器人对话模型的被标记为已确定的次数超过所述目标用户名单集合中的目标用户名单数目的一半或者
    同一机器人对话模型的被标记为已确定的次数与所有标记已确定的次数的比值达到预定比值阈值，则将所述同一机器人对话模型作为目标机器人对话模型；
    否则，则转至拨打步骤，直至对所有目标用户名单均进行了拨打并将被标记为已确定的次数最多的机器人对话模型作为目标机器人对话模型。
  5. 根据权利要求1所述的方法，其中，所述基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：
    针对每一所述拨打结果，确定该拨打结果的各特征值与所述通用机器人对话模型对应的各基准特征值的差值；
    基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型。
  6. 根据权利要求5所述的方法，其中，所述差值为第一差值，所述机器人对话模型库中的每一机器人对话模型包括与所述多个特征中的每一特征对应的模型特征值，所述基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：
    针对每一拨打结果，确定与该拨打结果对应的各第一差值的平方和；
    针对所述机器人对话模型库中的每一机器人对话模型，获取该机器人对话模型的每一模型特征值与所述通用机器人对话模型对应的基准特征值的差值，作为第二差值；
    针对所述机器人对话模型库中的每一机器人对话模型，获取该机器人对话模型对应的第二差值的平方和；
    针对每一拨打结果，在所述机器人对话模型库中获取对应的第二差值的平方和与该拨打结果的第一差值的平方和的差值的绝对值最小的机器人对话模型，作为候选机器人对话模型；
    在针对各拨打结果获取的候选机器人对话模型中，获取对应的拨打结果最多的候选机器人对话模型，作为目标机器人对话模型。
  7. 根据权利要求5所述的方法，其中，所述差值为第一差值，所述机器人对话模型库中的每一机器人对话模型包括与所述多个特征中的每一特征对应的模型特征值，所述基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：
    针对所述机器人对话模型库中的每一机器人对话模型，获取该机器人对话模型的每一模型特征值与所述通用机器人对话模型对应的基准特征值的差值，作为第二差值；
    针对每一机器人对话模型，对该机器人对话模型对应的各第二差值从大到小进行排序；
    针对每一拨打结果，对该拨打结果对应的各第一差值从大到小进行排序；
    基于各拨打结果对应的从大到小排序的第一差值和各机器人对话模型对应的从大到小排序的第二差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型。
  8. 一种机器人对话装置，包括：
    抽取模块，被配置为从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，其中，所述用户名单集合包括多个用户名单，所述目标用户名单集合中的用户名单为目标用户名单，所述用户名单集合包括的用户名单的数目大于所述目标用户名单集合包括的目标用户名单的数目；
    拨打模块，被配置为利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，所述拨打结果包括与多个特征中的每一特征对应的特征值，所述通用机器人对话模型包括与所述多个特征中的每一特征对应的基准特征值；
    确定模块，被配置为基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，其中，所述机器人对话模型库包括多个机器人对话模型；
    对话模块，被配置为利用所述目标机器人对话模型对用户名单集合中所述目标用户名单集合之外的用户名单进行拨打，以与用户名单对应的用户进行对话。
  9. 一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行:
    从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，其中，所述用户名单集合包括多个用户名单，所述目标用户名单集合中的用户名单为目标用户名单，所述用户名单集合包括的用户名单的数目大于所述目标用户名单集合包括的目标用户名单的数目；
    利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，所述拨打结果包括与多个特征中的每一特征对应的特征值，所述通用机器人对话模型包括与所述多个特征中的每一特征对应的基准特征值；
    基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，其中，所述机器人对话模型库包括多个机器人对话模型；
    利用所述目标机器人对话模型对用户名单集合中所述目标用户名单集合之外的用户名单进行拨打，以与用户名单对应的用户进行对话。
  10. 根据权利要求9所述的计算机设备，其中，在从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合之前，所述计算机可读指令被所述处理器执行时，使得所述处理器还执行:
    当获取到多个用户名单，判断获取的每一用户名单所包含的元素是否满足预定条件；
    获取包含的元素不满足预定条件的用户名单，作为用户名单集合。
  11. 根据权利要求9所述的计算机设备，其中，所述从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，包括：
    将所述用户名单集合中的所有用户名单依次编号为[1，N]，其中，N为所述用户名单集合中所有用户名单的数目，[1，N]中的各编号为正整数；
    执行生成随机数步骤，所述生成随机数步骤包括随机生成一个属于[1，N]的正整数；
    若存在一个已生成的正整数与所述正整数相同，则转至生成随机数步骤；
    若每一已生成的正整数均与所述正整数不同，则抽取编号为所述正整数的用户名单并将所述正整数标记为已生成，然后转至判断步骤；
    执行判断步骤，所述判断步骤包括：判断被标记为已生成的正整数的数目是否达到第三预定数目，如果否，则转至生成随机数步骤；
    如果是，则将所有编号属于第三预定数目个正整数的用户名单作为目标用户名单集合。
  12. 根据权利要求9所述的计算机设备，其中，所述利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，包括：
    执行拨打步骤，所述拨打步骤包括利用预先建立的通用机器人对话模型对所述目标用户名单集合中的一个尚未拨打过的目标用户名单进行拨打，得到对应的拨打结果；
    所述基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：
    基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单匹配的机器人对话模型，并将该机器人对话模型标记为已确定；
    若同一机器人对话模型连续被标记为已确定的次数达到预定次数或者
    同一机器人对话模型的被标记为已确定的次数超过所述目标用户名单集合中的目标用户名单数目的一半或者
    同一机器人对话模型的被标记为已确定的次数与所有标记已确定的次数的比值达到预定比值阈值，则将所述同一机器人对话模型作为目标机器人对话模型；
    否则，则转至拨打步骤，直至对所有目标用户名单均进行了拨打并将被标记为已确定的次数最多的机器人对话模型作为目标机器人对话模型。
  13. 根据权利要求9所述的计算机设备，其中，所述基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：
    针对每一所述拨打结果，确定该拨打结果的各特征值与所述通用机器人对话模型对应的各基准特征值的差值；
    基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型。
  14. 根据权利要求13所述的计算机设备，其中，所述差值为第一差值，所述机器人对话模型库中的每一机器人对话模型包括与所述多个特征中的每一特征对应的模型特征值，所述基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：
    针对每一拨打结果，确定与该拨打结果对应的各第一差值的平方和；
    针对所述机器人对话模型库中的每一机器人对话模型，获取该机器人对话模型的每一模型特征值与所述通用机器人对话模型对应的基准特征值的差值，作为第二差值；
    针对所述机器人对话模型库中的每一机器人对话模型，获取该机器人对话模型对应的第二差值的平方和；
    针对每一拨打结果，在所述机器人对话模型库中获取对应的第二差值的平方和与该拨打结果的第一差值的平方和的差值的绝对值最小的机器人对话模型，作为候选机器人对话模型；
    在针对各拨打结果获取的候选机器人对话模型中，获取对应的拨打结果最多的候选机器人对话模型，作为目标机器人对话模型。
  15. 根据权利要求13所述的计算机设备，其中，所述差值为第一差值，所述机器人对话模型库中的每一机器人对话模型包括与所述多个特征中的每一特征对应的模型特征值，所述基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：
    针对所述机器人对话模型库中的每一机器人对话模型，获取该机器人对话模型的每一模型特征值与所述通用机器人对话模型对应的基准特征值的差值，作为第二差值；
    针对每一机器人对话模型，对该机器人对话模型对应的各第二差值从大到小进行排序；
    针对每一拨打结果，对该拨打结果对应的各第一差值从大到小进行排序；
    基于各拨打结果对应的从大到小排序的第一差值和各机器人对话模型对应的从大到小排序的第二差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型。
  16. 一种存储有计算机可读指令的计算机可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行：
    从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，其中，所述用户名单集合包括多个用户名单，所述目标用户名单集合中的用户名单为目标用户名单，所述用户名单集合包括的用户名单的数目大于所述目标用户名单集合包括的目标用户名单的数目；
    利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，所述拨打结果包括与多个特征中的每一特征对应的特征值，所述通用机器人对话模型包括与所述多个特征中的每一特征对应的基准特征值；
    基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话 模型，其中，所述机器人对话模型库包括多个机器人对话模型；
    利用所述目标机器人对话模型对用户名单集合中所述目标用户名单集合之外的用户名单进行拨打，以与用户名单对应的用户进行对话。
  17. 根据权利要求16所述的计算机可读存储介质，其中，在从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合之前，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器还执行：
    当获取到多个用户名单，判断获取的每一用户名单所包含的元素是否满足预定条件；
    获取包含的元素不满足预定条件的用户名单，作为用户名单集合。
  18. 根据权利要求16所述的计算机可读存储介质，其中，所述从用户名单集合中随机抽取多个用户名单，作为目标用户名单集合，包括：
    将所述用户名单集合中的所有用户名单依次编号为[1，N]，其中，N为所述用户名单集合中所有用户名单的数目，[1，N]中的各编号为正整数；
    执行生成随机数步骤，所述生成随机数步骤包括随机生成一个属于[1，N]的正整数；
    若存在一个已生成的正整数与所述正整数相同，则转至生成随机数步骤；
    若每一已生成的正整数均与所述正整数不同，则抽取编号为所述正整数的用户名单并将所述正整数标记为已生成，然后转至判断步骤；
    执行判断步骤，所述判断步骤包括：判断被标记为已生成的正整数的数目是否达到第三预定数目，如果否，则转至生成随机数步骤；
    如果是，则将所有编号属于第三预定数目个正整数的用户名单作为目标用户名单集合。
  19. 根据权利要求16所述的计算机可读存储介质，其中，所述利用预先建立的通用机器人对话模型对所述目标用户名单集合中的至少一个目标用户名单进行拨打，得到对应的拨打结果，包括：
    执行拨打步骤，所述拨打步骤包括利用预先建立的通用机器人对话模型对所述目标用户名单集合中的一个尚未拨打过的目标用户名单进行拨打，得到对应的拨打结果；
    所述基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：
    基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单匹配的机器人对话模型，并将该机器人对话模型标记为已确定；
    若同一机器人对话模型连续被标记为已确定的次数达到预定次数或者
    同一机器人对话模型的被标记为已确定的次数超过所述目标用户名单集合中的目标用户名单数目的一半或者
    同一机器人对话模型的被标记为已确定的次数与所有标记已确定的次数的比值达到预定比值阈值，则将所述同一机器人对话模型作为目标机器人对话模型；
    否则，则转至拨打步骤，直至对所有目标用户名单均进行了拨打并将被标记为已确定的次数最多的机器人对话模型作为目标机器人对话模型。
  20. 根据权利要求16所述的计算机可读存储介质，其中，所述基于所述拨打结果中的特征值和所述通用机器人对话模型的基准特征值在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型，包括：
    针对每一所述拨打结果，确定该拨打结果的各特征值与所述通用机器人对话模型对应的各基准特征值的差值；
    基于针对各拨打结果确定的所述差值，在预设的机器人对话模型库中确定出与所述目标用户名单集合匹配的机器人对话模型，作为目标机器人对话模型。
PCT/CN2020/104947 2020-02-14 2020-07-27 机器人对话方法、装置、计算机设备和存储介质 WO2021159668A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010092467.9A CN111309884A (zh) 2020-02-14 2020-02-14 机器人对话方法、装置、介质及电子设备
CN202010092467.9 2020-02-14

Publications (1)

Publication Number Publication Date
WO2021159668A1 true WO2021159668A1 (zh) 2021-08-19

Family

ID=71159928

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/104947 WO2021159668A1 (zh) 2020-02-14 2020-07-27 机器人对话方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN111309884A (zh)
WO (1) WO2021159668A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111309884A (zh) * 2020-02-14 2020-06-19 深圳壹账通智能科技有限公司 机器人对话方法、装置、介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570708A (zh) * 2016-10-31 2017-04-19 厦门快商通科技股份有限公司 一种智能客服知识库的管理方法及系统
US20180089572A1 (en) * 2012-08-02 2018-03-29 Artifical Solutions Iberia S.L. Hybrid approach for developing, optimizing, and executing conversational interaction applications
CN109857848A (zh) * 2019-01-18 2019-06-07 深圳壹账通智能科技有限公司 交互内容生成方法、装置、计算机设备及存储介质
CN110019741A (zh) * 2018-06-01 2019-07-16 中国平安人寿保险股份有限公司 问答系统答案匹配方法、装置、设备及可读存储介质
CN110362667A (zh) * 2019-07-12 2019-10-22 深圳前海微众银行股份有限公司 智能客服方法、装置、设备及可读存储介质
CN111309884A (zh) * 2020-02-14 2020-06-19 深圳壹账通智能科技有限公司 机器人对话方法、装置、介质及电子设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9418663B2 (en) * 2014-07-31 2016-08-16 Google Inc. Conversational agent with a particular spoken style of speech
CN106294582B (zh) * 2016-07-28 2019-10-29 上海未来伙伴机器人有限公司 基于自然语言的人机交互方法及系统
EP3639158A4 (en) * 2017-06-15 2020-11-18 Microsoft Technology Licensing, LLC METHOD AND DEVICE FOR INTELLIGENT AUTOMATED CHAT
CN110019722B (zh) * 2017-12-21 2023-11-24 株式会社理光 对话模型的回复排序方法、装置及计算机可读存储介质
CN109977207A (zh) * 2019-03-21 2019-07-05 网易（杭州）网络有限公司 对话生成方法、对话生成装置、电子设备及存储介质
CN110334347A (zh) * 2019-06-27 2019-10-15 腾讯科技（深圳）有限公司 基于自然语言识别的信息处理方法、相关设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180089572A1 (en) * 2012-08-02 2018-03-29 Artifical Solutions Iberia S.L. Hybrid approach for developing, optimizing, and executing conversational interaction applications
CN106570708A (zh) * 2016-10-31 2017-04-19 厦门快商通科技股份有限公司 一种智能客服知识库的管理方法及系统
CN110019741A (zh) * 2018-06-01 2019-07-16 中国平安人寿保险股份有限公司 问答系统答案匹配方法、装置、设备及可读存储介质
CN109857848A (zh) * 2019-01-18 2019-06-07 深圳壹账通智能科技有限公司 交互内容生成方法、装置、计算机设备及存储介质
CN110362667A (zh) * 2019-07-12 2019-10-22 深圳前海微众银行股份有限公司 智能客服方法、装置、设备及可读存储介质
CN111309884A (zh) * 2020-02-14 2020-06-19 深圳壹账通智能科技有限公司 机器人对话方法、装置、介质及电子设备

Also Published As

Publication number Publication date
CN111309884A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
WO2022126971A1 (zh) 基于密度的文本聚类方法、装置、设备及存储介质
CN107436875B (zh) 文本分类方法及装置
US20110231399A1 (en) Clustering Method and System
CN108416375B (zh) 工单分类方法及装置
WO2021218069A1 (zh) 基于场景动态配置的交互处理方法、装置、计算机设备
CN110135590B (zh) 信息处理方法、装置、介质及电子设备
CN108682421B (zh) 一种语音识别方法、终端设备及计算机可读存储介质
WO2021068563A1 (zh) 样本数据处理方法、装置、计算机设备及存储介质
US11977567B2 (en) Method of retrieving query, electronic device and medium
WO2021135603A1 (zh) 意图识别方法、服务器及存储介质
WO2018107953A1 (zh) 智能终端及其应用程序的自动分类方法
CN113051362A (zh) 数据的查询方法、装置和服务器
WO2021184547A1 (zh) 对话机器人意图语料生成方法、装置、介质及电子设备
WO2021072863A1 (zh) 文本相似度计算方法、装置、电子设备及计算机可读存储介质
CN112035626A (zh) 一种大规模意图的快速识别方法、装置和电子设备
CN110569289A (zh) 基于大数据的列数据处理方法、设备及介质
CN114444619A (zh) 样本生成方法、训练方法、数据处理方法以及电子设备
CN111598713A (zh) 基于相似度权重更新的团伙识别方法、装置及电子设备
WO2021159668A1 (zh) 机器人对话方法、装置、计算机设备和存储介质
WO2021143016A1 (zh) 近似数据处理方法、装置、介质及电子设备
CN111831286B (zh) 一种用户投诉处理方法和设备
CN115169489B (zh) 数据检索方法、装置、设备以及存储介质
CN114444514B (zh) 语义匹配模型训练、语义匹配方法及相关装置
CN114266255B (zh) 基于聚类模型的语料分类方法、装置、设备及存储介质
CN113239054B (zh) 信息生成方法及相关装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20919122

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 110123)

122 Ep: pct application non-entry in european phase

Ref document number: 20919122

Country of ref document: EP

Kind code of ref document: A1