WO2022160969A1 - 基于多轮对话改进的智能客服辅助系统系统和方法 - Google Patents
基于多轮对话改进的智能客服辅助系统系统和方法 Download PDFInfo
- Publication number
- WO2022160969A1 WO2022160969A1 PCT/CN2021/137147 CN2021137147W WO2022160969A1 WO 2022160969 A1 WO2022160969 A1 WO 2022160969A1 CN 2021137147 W CN2021137147 W CN 2021137147W WO 2022160969 A1 WO2022160969 A1 WO 2022160969A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- intent
- text
- process controller
- entity
- slot
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 163
- 230000006872 improvement Effects 0.000 title abstract description 3
- 230000008569 process Effects 0.000 claims abstract description 133
- 230000004044 response Effects 0.000 claims abstract description 28
- 230000009471 action Effects 0.000 claims abstract description 15
- 238000005352 clarification Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 37
- 239000000284 extract Substances 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010013887 Dysarthria Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 208000026473 slurred speech Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
一种基于多轮对话改进的智能客服辅助系统和方法,系统包括:意图识别器接收终端发送的文本识别意图后将意图与文本发送给对话管理器(101);在意图为单轮意图时对话管理器获取意图对应的答案发送给坐席审判模块,在意图为多轮意图时将意图对应的控制器类型发送给过程控制器,将文本发送给实体提取器,在意图为填槽意图时将文本发送给实体提取器(102);提取文本中的实体发送给过程控制器根据控制器类型创建目标过程控制器和实体进行填槽,在槽值填充完毕根据槽值执行相关动作,将执行结果发送给坐席审判模块(103);槽值未填充完毕将词槽的澄清语句发送给坐席审判模块根据模型返回的响应判断是否发送给终端(104)。
Description
相关申请的交叉引用
本申请基于申请号为202110138011.6、申请日为2021年02月01日的中国专利申请提出,并要求该中国专利申请的优先权,该中国专利申请的全部内容在此引入本申请作为参考。
本申请涉及信息技术及数据业务技术领域,尤其涉及一种基于多轮对话改进的智能客服辅助系统和方法。
通常,现有的面向任务的对话机器人所使用的技术主要包括自然语言理解技术、对话策略管理技术。自然语言理解旨在对用户输入的问句进行分析,解决实体识别、用户意图识别、用户情感识别、回复确认及拒识判断等问题。到目前为止,自然语言理解技术还面临着很多挑战,如表1所示。对话策略管理则是主导对话流程,当一个对话流程完成后,用户的需求就能够被机器人响应。
表1自然语言理解技术面临的挑战
序号 | 主要挑战 |
1 | 受输入信息识别率的影响。例如,环境中噪音的干扰使得语音识别的错误率较高; |
2 | 受语义本身的影响。例如,二义性语句,“爸爸背着我和弟弟去了超市”; |
3 | 讲话时表述不清、单词之间发音的相似性。 |
目前市场上有很多的对话机器人,如小米的小爱同学、苹果的Siri、阿里的小蜜等,它们服务在各行各业。在当前技术条件下,这些机器人对于用户的输入经常会产生一些不满足需求的响应或所问非所答,非常影响用户实际体验,因此它们都只适应于软实时环境下。在硬实时环境下,如推销系统、医院问诊系统等,错误的发生是非常严重的,因此,往往都需要人工回复用户响应。
相关技术中,提取用户输入问题中的关键词,使用关键词检索相应的答案,将答案推荐给客服。这种模型仅支持单轮对话,对于复杂的环境(需要进一步问其他相关信息)是不支持的,智能程度略低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种基于多轮对话改进的智能客服辅助系统,能够对文本进行分析完成自然语言理解与生成,然后将生成的响应发送给客服,客服只需判断是否要发送这个响应,以确保对话逻辑的正确性,进一步提高智能客服辅助系统 的效率。
本申请的第二个目的在于提出一种基于多轮对话改进的智能客服辅助方法。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
本申请的第五个目的在于一种计算机程序产品。
为达上述目的,本申请第一方面实施例提出了一种基于多轮对话改进的智能客服辅助系统,包括:终端、意图识别器、对话管理器、过程控制器、实体提取器和坐席审判模块;
所述意图识别器接收所述终端发送的文本,识别所述文本的意图后将所述意图与所述文本发送给所述对话管理器;
在所述意图为单轮意图时,所述对话管理器获取所述意图对应的答案发送给所述坐席审判模块,在所述意图为多轮意图时,所述对话管理器将所述意图对应的控制器类型发送给所述过程控制器,将所述文本发送给所述实体提取器,以及在所述意图为填槽意图时,将所述文本发送给所述实体提取器;
所述实体提取器提取所述文本中的实体发送给所述过程控制器,所述过程控制器根据所述控制器类型创建目标过程控制器,以及根据所述实体提取器发送的实体进行填槽,在所述过程控制器的槽值填充完毕后,根据所述槽值执行相关的动作,并将执行结果发送给所述坐席审判模块;
若所述过程控制器的槽值未填充完毕,所述过程控制器将词槽的澄清语句发送给所述坐席审判模块,所述坐席审判模块根据模型返回的响应,判断是否发送给所述终端。
本申请实施例的基于多轮对话改进的智能客服辅助系统方法,通过意图识别器接收终端发送的文本,识别文本的意图后将意图与文本发送给对话管理器;在意图为单轮意图时,对话管理器获取意图对应的答案发送给坐席审判模块,在意图为多轮意图时,对话管理器将意图对应的控制器类型发送给过程控制器,将文本发送给实体提取器,以及在意图为填槽意图时,将文本发送给实体提取器;实体提取器提取文本中的实体发送给过程控制器,过程控制器根据控制器类型创建目标过程控制器,以及根据实体提取器发送的实体进行填槽,在过程控制器的槽值填充完毕后,根据槽值执行相关的动作,并将执行结果发送给坐席审判模块;若过程控制器的槽值未填充完毕,过程控制器将词槽的澄清语句发送给坐席审判模块,坐席审判模块根据模型返回的响应,判断是否发送给终端。由此,能够对文本进行分析完成自然语言理解与生成,然后将生成的响应发送给客服,客服只需判断是否要发送这个响应,以确保对话逻辑的正确性,进一步提高智能客服辅助系统的效率。
可选地,在本申请的一个实施例中,所述意图识别器包括:编码器和分类器;
所述编码器对所述文本进行编码获取向量,所述分类器对所述向量进行分类,获取所述意图。
可选地,在本申请的一个实施例中,所述编码器对所述文本进行编码获取向量,所 述分类器对所述向量进行分类,获取所述意图,包括:
使用BERT编译器模型作为嵌入层对所述文本中的词/字进行编码,双向长短时记忆网络提取词嵌入之间的关联信息将句子投影到向量空间,前馈神经网络网络以句向量作为输入,对句子意图进行识别,获取所述意图。
可选地,在本申请的一个实施例中,所述实体提取器提取所述文本中的实体,包括:
检测检索表中的词是否在所述文本中,获取所述实体;或
将所述文本投影到特征向量空间,对所述特征向量空间进行计算,获取所述实体。
可选地,在本申请的一个实施例中,将所述文本投影到特征向量空间,对所述特征向量空间进行计算,获取所述实体,包括:
使用BERT编译器模型作为嵌入层对文本中的词/字进行编码,双向长短时记忆网络提取词/字之间的关联信息将句子投影到向量空间,条件随机场网络层将所述向量空间转换为序列标注,获取所述实体。
可选地,在本申请的一个实施例中,所述过程控制器根据所述实体提取器发送的实体进行填槽的过程中,
如果当前词槽被填充,则跳转下一个词槽,如果未被填充,则向终端发送询问信息,直到全部询问完毕,激活状态处理多轮任务。
可选地,在本申请的一个实施例中,所述对话管理器获取所述意图对应的答案发送给所述坐席审判模块,包括:
所述对话管理器根据所述意图查询数据表获取所述意图对应的答案发送给所述坐席审判模块。
可选地,在本申请的一个实施例中,所述对话管理器将所述意图对应的控制器类型发送给所述过程控制器,包括:
所述对话管理器根据所述意图查询数据表获取所述意图对应的控制器类型发送给所述过程控制器。
可选地,在本申请的一个实施例中,当一个多轮意图结束,所述多轮意图的词槽会继承到下一个多轮对话的对话管理器中。
为达上述目的,本申请第二方面实施例提出了一种基于多轮对话改进的智能客服辅助方法,包括:
所述意图识别器接收所述终端发送的文本,识别所述文本的意图后将所述意图与所述文本发送给所述对话管理器;
在所述意图为单轮意图时,所述对话管理器获取所述意图对应的答案发送给所述坐席审判模块,在所述意图为多轮意图时,所述对话管理器将所述意图对应的控制器类型发送给所述过程控制器,将所述文本发送给所述实体提取器,以及在所述意图为填槽意图时,将所述文本发送给所述实体提取器;
所述实体提取器提取所述文本中的实体发送给所述过程控制器,所述过程控制器根据所述控制器类型创建目标过程控制器,以及根据所述实体提取器发送的实体进行填槽, 在所述过程控制器的槽值填充完毕后,根据所述槽值执行相关的动作,并将执行结果发送给所述坐席审判模块;
若所述过程控制器的槽值未填充完毕,所述过程控制器将词槽的澄清语句发送给所述坐席审判模块,所述坐席审判模块根据模型返回的响应,判断是否发送给所述终端。
本申请实施例的基于多轮对话改进的智能客服辅助系统装置,通过意图识别器接收终端发送的文本,识别文本的意图后将意图与文本发送给对话管理器;在意图为单轮意图时,对话管理器获取意图对应的答案发送给坐席审判模块,在意图为多轮意图时,对话管理器将意图对应的控制器类型发送给过程控制器,将文本发送给实体提取器,以及在意图为填槽意图时,将文本发送给实体提取器;实体提取器提取文本中的实体发送给过程控制器,过程控制器根据控制器类型创建目标过程控制器,以及根据实体提取器发送的实体进行填槽,在过程控制器的槽值填充完毕后,根据槽值执行相关的动作,并将执行结果发送给坐席审判模块;若过程控制器的槽值未填充完毕,过程控制器将词槽的澄清语句发送给坐席审判模块,坐席审判模块根据模型返回的响应,判断是否发送给终端。由此,能够对文本进行分析完成自然语言理解与生成,然后将生成的响应发送给客服,客服只需判断是否要发送这个响应,以确保对话逻辑的正确性,进一步提高智能客服辅助系统的效率。
为达上述目的,本申请第三方面实施例提出了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现本申请第二方面实施例提出的一种基于多轮对话改进的智能客服辅助方法。
为达上述目的,本申请第四方面实施例提出了一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行本申请第二方面实施例提出的一种基于多轮对话改进的智能客服辅助方法。
为达上述目的,本申请第五方面实施例提出了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现本申请第二方面实施例提出的一种基于多轮对话改进的智能客服辅助方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的一种基于多轮对话改进的智能客服辅助系统的结构示意图;
图2为本申请实施例基于多轮对话改进的智能客服辅助系统的流程示例图;
图3为本申请实施例的意图分类器的结构示例图;
图4为本申请实施例的意图分类器实现示例图;
图5为本申请实施例的基于深度学习模型的实体提取器的结构示例图;
图6为本申请实施例的实体提取器实现示例图;
图7为本申请实施例的过程控制器的工作过程示例图;
图8为本申请实施例的对话管理器中的数据示例图;
图9为本申请实施例的利用局部原理对意图切换作的优化示例图;
图10为本申请实施例所提供的一种基于多轮对话改进的智能客服辅助方法的流程示意图。
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于多轮对话改进的智能客服辅助系统方法和装置。
图1为本申请实施例一所提供的一种基于多轮对话改进的智能客服辅助系统的结构示意图。
具体地,本申请基于深度学习模型(文本分类、命名实体识别),能够完成单轮、多轮对话等任务,模型主导对话。客服只需判断是否发送模型生成的对话,智能程度大大提高,准确度也非常高,客服的工作量减少了很多。适用于对模型对话能力要求高的场景(如医院门诊预约、电商产品销售等)。
如图1所示,该基于多轮对话改进的智能客服辅助系统包括:终端100、意图识别器200、对话管理器300、过程控制器400、实体提取器500和坐席审判模块600。
意图识别器200接收终端100发送的文本,识别文本的意图后将意图与文本发送给对话管理器300。
在意图为单轮意图时,对话管理器300获取意图对应的答案发送给坐席审判模块600,在意图为多轮意图时,对话管理器300将意图对应的控制器类型发送给过程控制器400,将文本发送给实体提取器500,以及在意图为填槽意图时,将文本发送给实体提取器500。
实体提取器500提取文本中的实体发送给过程控制器400,过程控制器400根据控制器类型创建目标过程控制器,以及根据实体提取器500发送的实体进行填槽,在过程控制器的槽值填充完毕后,根据槽值执行相关的动作,并将执行结果发送给坐席审判模块600。
若过程控制器400的槽值未填充完毕,过程控制器400将词槽的澄清语句发送给坐席审判模块600,坐席审判模块600根据模型返回的响应,判断是否发送给终端100。
具体地,如图2所示,意图识别器能够识别文本的意图,并将意图与文本传递到对话管理器。对话管理器根据意图做相应的处理,若为单轮意图,则直接返回意图对应的 答案给坐席;若为多轮意图,则将意图对应的控制器类型发送给过程控制器,将文本发送给实体提取器;若为填槽意图,则只将文本发送给实体提取器。实体提取器能够提取输入文本中的实体,然后将这些实体发送给过程控制器。过程控制器根据对话管理器发送的控制器类型创建过程控制器;根据实体提取器发送的实体进行填槽;当过程控制器的槽值填充完毕后,它会利用这些槽值执行相关的动作,并将执行结果(响应)发送给坐席;若过程控制器的槽值未填充完毕,过程控制器会将词槽的澄清语句发送给坐席。坐席根据模型返回的响应,判断是否发送给客户,从而保证系统的高准确率,降低人力资源的投入。
表2意图类型说明
在本申请实施例中,意图识别器包括:编码器和分类器;编码器对文本进行编码获取向量,分类器对向量进行分类,获取意图。
在本申请实施例中,使用BERT编译器模型作为嵌入层对所述文本中的词/字进行编码,双向长短时记忆网络提取词嵌入之间的关联信息将句子投影到向量空间,前馈神经网络网络以句向量作为输入,对句子意图进行识别,获取意图。
具体地,如图3所示,使用深度学习模型,完成对意图的分类。这种模型主要包括一个编码器和一个分类器,编码器将文本编码为向量,分类器利用这些向量进行分类,完成对意图的识别。
具体地,如图4所示,意图分类器的实现,使用BERT模型作为嵌入层对文本中的词/字进行编码,BiLSTM能够提取词嵌入之间的依赖信息将句子投影到向量空间,FNN网络以句向量作为输入,对句子意图进行识别。
在本申请实施例中,实体提取器提取文本中的实体,包括:检测检索表中的词是否在文本中,获取所述实体;或将文本投影到特征向量空间,对特征向量空间进行计算,获取实体。
在本申请的实施例中,使用BERT编译器模型作为嵌入层对文本中的词/字进行编码,双向长短时记忆网络提取词/字之间的关联信息将句子投影到向量空间,条件随机场网络层将向量空间转换为序列标注,获取实体。
具体地,实体提取器主要实现对用户输入语句中命名实体的识别,为过程控制器的更新做准备。实体提取器可以是基于检索表的也可以是基于深度学习模型的如图5所示。基于检索表的将检测表中的词是否在用户语句中,这种方法准确但速度较慢。基于深度学习模型的将用户语句投影到特征向量空间,通过计算的方式得到命名实体,这种方法 速度较快,但需要大量的准确的训练语料。
具体地,如图6所示,实体提取器的实现,使用BERT模型作为嵌入层对文本中的词/字进行编码,BiLSTM能够捕获词/字之间的依赖关系,然后CRF层将结果转换为BIO标注,从而得到命名实体的提取。
在本申请实施例中,过程控制器根据实体提取器发送的实体进行填槽的过程中,如果当前词槽被填充,则跳转下一个词槽,如果未被填充,则向终端发送询问信息,直到全部询问完毕,激活状态处理多轮任务。
具体地,如图7所示,过程控制器能够协助完成一个多轮任务。对于不同的多轮意图会有不同的槽,如询问天气需要地点和日期槽,预约门诊需要日期和用户信息相关槽等,因此它们的过程控制器在内容上是不同的。过程控制器的工作流程是:如果当前词槽被填充,则跳转下一个词槽,如果未被填充,则想用户询问信息,直到全部询问完毕,激活状态处理多轮任务。
在本申请实施例中,对话管理器根据意图查询数据表获取意图对应的答案发送给坐席审判模块。
在本申请实施例中,对话管理器根据意图查询数据表获取意图对应的控制器类型发送给过程控制器。
具体地,如图8所示,对话管理器使用表的方式存储着意图对应的回复,对于多轮意图则存储着相应的槽,更新过程控制器。
在本申请实施例中,当一个多轮意图结束,多轮意图的词槽会继承到下一个多轮对话的对话管理器中。
具体地,如图9所示,利用程序局部性原理,对意图切换过程进行了优化。我们知道,程序中的某条指令一旦执行,则不久之后该指令可能再次被执行;如果某数据被访问,则不久之后该数据可能再次被访问。对话过程同样有这样的规律,比如用户问某超市的一种商品的价格(在这个过程中,经过多轮对话已经确定了是哪个超市),然后又问“该怎么去那里”,那么我们知道这时应该问的是同一个超市,切换意图后不应该再问地点,否则会使对话过于啰嗦。
本申请采用继承的方式来进行意图切换,当一个多轮意图结束,它的词槽会被继承到下一个多轮对话的管理器中,因此,上一个多轮对话收集到的信息,在本次对话中还会被继续使用。采用这种方法,可以提高对话效率,减少不必要的对话。
由此,支持多轮对话且以深度学习模型驱动对话,人工判断答案正确性为辅,大大提高了人工客服的效率,以及利用程序局部性原理对多轮对话中意图切换进行的优化方法,该方法有效的提高了多轮对话的对话效率。
本申请实施例的基于多轮对话改进的智能客服辅助系统,通过意图识别器接收终端发送的文本,识别文本的意图后将意图与文本发送给对话管理器;在意图为单轮意图时,对话管理器获取意图对应的答案发送给坐席审判模块,在意图为多轮意图时,对话管理器将意图对应的控制器类型发送给过程控制器,将文本发送给实体提取器,以及在意图 为填槽意图时,将文本发送给实体提取器;实体提取器提取文本中的实体发送给过程控制器,过程控制器根据控制器类型创建目标过程控制器,以及根据实体提取器发送的实体进行填槽,在过程控制器的槽值填充完毕后,根据槽值执行相关的动作,并将执行结果发送给坐席审判模块;若过程控制器的槽值未填充完毕,过程控制器将词槽的澄清语句发送给坐席审判模块,坐席审判模块根据模型返回的响应,判断是否发送给终端。由此,能够对文本进行分析完成自然语言理解与生成,然后将生成的响应发送给客服,客服只需判断是否要发送这个响应,以确保对话逻辑的正确性,进一步提高智能客服辅助系统的效率。
为了实现上述实施例,本申请还提出一种基于多轮对话改进的智能客服辅助方法。
图10为本申请实施例提供的一种基于多轮对话改进的智能客服辅助方法的流程示意图。
如图10所示,该基于多轮对话改进的智能客服辅助方法包括:
步骤101,意图识别器接收终端发送的文本,识别文本的意图后将意图与文本发送给对话管理器。
步骤102,在意图为单轮意图时,对话管理器获取意图对应的答案发送给坐席审判模块,在意图为多轮意图时,对话管理器将意图对应的控制器类型发送给过程控制器,将文本发送给实体提取器,以及在意图为填槽意图时,将文本发送给实体提取器。
步骤103,实体提取器提取文本中的实体发送给过程控制器,过程控制器根据控制器类型创建目标过程控制器,以及根据实体提取器发送的实体进行填槽,在过程控制器的槽值填充完毕后,根据槽值执行相关的动作,并将执行结果发送给坐席审判模块。
步骤104,若过程控制器的槽值未填充完毕,过程控制器将词槽的澄清语句发送给坐席审判模块,坐席审判模块根据模型返回的响应,判断是否发送给终端。
本申请实施例的基于多轮对话改进的智能客服辅助系统方法,通过意图识别器接收终端发送的文本,识别文本的意图后将意图与文本发送给对话管理器;在意图为单轮意图时,对话管理器获取意图对应的答案发送给坐席审判模块,在意图为多轮意图时,对话管理器将意图对应的控制器类型发送给过程控制器,将文本发送给实体提取器,以及在意图为填槽意图时,将文本发送给实体提取器;实体提取器提取文本中的实体发送给过程控制器,过程控制器根据控制器类型创建目标过程控制器,以及根据实体提取器发送的实体进行填槽,在过程控制器的槽值填充完毕后,根据槽值执行相关的动作,并将执行结果发送给坐席审判模块;若过程控制器的槽值未填充完毕,过程控制器将词槽的澄清语句发送给坐席审判模块,坐席审判模块根据模型返回的响应,判断是否发送给终端。由此,能够对文本进行分析完成自然语言理解与生成,然后将生成的响应发送给客服,客服只需判断是否要发送这个响应,以确保对话逻辑的正确性,进一步提高智能客服辅助系统的效率。
需要说明的是,前述对基于多轮对话改进的智能客服辅助系统实施例的解释说明也 适用于该实施例的基于多轮对话改进的智能客服辅助方法,此处不再赘述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (13)
- 一种基于多轮对话改进的智能客服辅助系统,其特征在于,包括:终端、意图识别器、对话管理器、过程控制器、实体提取器和坐席审判模块;所述意图识别器接收所述终端发送的文本,识别所述文本的意图后将所述意图与所述文本发送给所述对话管理器;在所述意图为单轮意图时,所述对话管理器获取所述意图对应的答案发送给所述坐席审判模块,在所述意图为多轮意图时,所述对话管理器将所述意图对应的控制器类型发送给所述过程控制器,将所述文本发送给所述实体提取器,以及在所述意图为填槽意图时,将所述文本发送给所述实体提取器;所述实体提取器提取所述文本中的实体发送给所述过程控制器,所述过程控制器根据所述控制器类型创建目标过程控制器,以及根据所述实体提取器发送的实体进行填槽,在所述过程控制器的槽值填充完毕后,根据所述槽值执行相关的动作,并将执行结果发送给所述坐席审判模块;若所述过程控制器的槽值未填充完毕,所述过程控制器将词槽的澄清语句发送给所述坐席审判模块,所述坐席审判模块根据模型返回的响应,判断是否发送给所述终端。
- 如权利要求1所述的系统,其特征在于,所述意图识别器包括:编码器和分类器;所述编码器对所述文本进行编码获取向量,所述分类器对所述向量进行分类,获取所述意图。
- 如权利要求2所述的系统,其特征在于,所述编码器对所述文本进行编码获取向量,所述分类器对所述向量进行分类,获取所述意图,包括:使用BERT编译器模型作为嵌入层对所述文本中的词/字进行编码,双向长短时记忆网络提取词嵌入之间的关联信息将句子投影到向量空间,前馈神经网络网络以句向量作为输入,对句子意图进行识别,获取所述意图。
- 如权利要求1所述的系统,其特征在于,所述实体提取器提取所述文本中的实体,包括:检测检索表中的词是否在所述文本中,获取所述实体;或将所述文本投影到特征向量空间,对所述特征向量空间进行计算,获取所述实体。
- 如权利要求4所述的系统,其特征在于,将所述文本投影到特征向量空间,对所述特征向量空间进行计算,获取所述实体,包括:使用BERT编译器模型作为嵌入层对文本中的词/字进行编码,双向长短时记忆网络提取词/字之间的关联信息将句子投影到向量空间,条件随机场网络层将所述向量空间 转换为序列标注,获取所述实体。
- 如权利要求1所述的系统,其特征在于,所述过程控制器根据所述实体提取器发送的实体进行填槽的过程中,如果当前词槽被填充,则跳转下一个词槽,如果未被填充,则向终端发送询问信息,直到全部询问完毕,激活状态处理多轮任务。
- 如权利要求1所述的系统,其特征在于,所述对话管理器获取所述意图对应的答案发送给所述坐席审判模块,包括:所述对话管理器根据所述意图查询数据表获取所述意图对应的答案发送给所述坐席审判模块。
- 如权利要求1所述的系统,其特征在于,所述对话管理器将所述意图对应的控制器类型发送给所述过程控制器,包括:所述对话管理器根据所述意图查询数据表获取所述意图对应的控制器类型发送给所述过程控制器。
- 如权利要求1所述的系统,其特征在于,当一个多轮意图结束,所述多轮意图的词槽会继承到下一个多轮对话的对话管理器中。
- 一种基于多轮对话改进的智能客服辅助方法,其特征在于,包括:所述意图识别器接收所述终端发送的文本,识别所述文本的意图后将所述意图与所述文本发送给所述对话管理器;在所述意图为单轮意图时,所述对话管理器获取所述意图对应的答案发送给所述坐席审判模块,在所述意图为多轮意图时,所述对话管理器将所述意图对应的控制器类型发送给所述过程控制器,将所述文本发送给所述实体提取器,以及在所述意图为填槽意图时,将所述文本发送给所述实体提取器;所述实体提取器提取所述文本中的实体发送给所述过程控制器,所述过程控制器根据所述控制器类型创建目标过程控制器,以及根据所述实体提取器发送的实体进行填槽,在所述过程控制器的槽值填充完毕后,根据所述槽值执行相关的动作,并将执行结果发送给所述坐席审判模块;若所述过程控制器的槽值未填充完毕,所述过程控制器将词槽的澄清语句发送给所述坐席审判模块,所述坐席审判模块根据模型返回的响应,判断是否发送给所述终端。
- 一种电子设备,其特征在于,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现以下步骤:所述意图识别器接收所述终端发送的文本,识别所述文本的意图后将所述意图与所述文本发送给所述对话管理器;在所述意图为单轮意图时,所述对话管理器获取所述意图对应的答案发送给所述坐席审判模块,在所述意图为多轮意图时,所述对话管理器将所述意图对应的控制器类型发送给所述过程控制器,将所述文本发送给所述实体提取器,以及在所述意图为填槽意图时,将所述文本发送给所述实体提取器;所述实体提取器提取所述文本中的实体发送给所述过程控制器,所述过程控制器根据所述控制器类型创建目标过程控制器,以及根据所述实体提取器发送的实体进行填槽,在所述过程控制器的槽值填充完毕后,根据所述槽值执行相关的动作,并将执行结果发送给所述坐席审判模块;若所述过程控制器的槽值未填充完毕,所述过程控制器将词槽的澄清语句发送给所述坐席审判模块,所述坐席审判模块根据模型返回的响应,判断是否发送给所述终端。
- 一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行以下步骤:所述意图识别器接收所述终端发送的文本,识别所述文本的意图后将所述意图与所述文本发送给所述对话管理器;在所述意图为单轮意图时,所述对话管理器获取所述意图对应的答案发送给所述坐席审判模块,在所述意图为多轮意图时,所述对话管理器将所述意图对应的控制器类型发送给所述过程控制器,将所述文本发送给所述实体提取器,以及在所述意图为填槽意图时,将所述文本发送给所述实体提取器;所述实体提取器提取所述文本中的实体发送给所述过程控制器,所述过程控制器根据所述控制器类型创建目标过程控制器,以及根据所述实体提取器发送的实体进行填槽,在所述过程控制器的槽值填充完毕后,根据所述槽值执行相关的动作,并将执行结果发送给所述坐席审判模块;若所述过程控制器的槽值未填充完毕,所述过程控制器将词槽的澄清语句发送给所述坐席审判模块,所述坐席审判模块根据模型返回的响应,判断是否发送给所述终端。
- 一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现以下步骤:所述意图识别器接收所述终端发送的文本,识别所述文本的意图后将所述意图与所述文本发送给所述对话管理器;在所述意图为单轮意图时,所述对话管理器获取所述意图对应的答案发送给所述坐 席审判模块,在所述意图为多轮意图时,所述对话管理器将所述意图对应的控制器类型发送给所述过程控制器,将所述文本发送给所述实体提取器,以及在所述意图为填槽意图时,将所述文本发送给所述实体提取器;所述实体提取器提取所述文本中的实体发送给所述过程控制器,所述过程控制器根据所述控制器类型创建目标过程控制器,以及根据所述实体提取器发送的实体进行填槽,在所述过程控制器的槽值填充完毕后,根据所述槽值执行相关的动作,并将执行结果发送给所述坐席审判模块;若所述过程控制器的槽值未填充完毕,所述过程控制器将词槽的澄清语句发送给所述坐席审判模块,所述坐席审判模块根据模型返回的响应,判断是否发送给所述终端。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110138011.6A CN112766990B (zh) | 2021-02-01 | 2021-02-01 | 基于多轮对话改进的智能客服辅助系统和方法 |
CN202110138011.6 | 2021-02-01 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022160969A1 true WO2022160969A1 (zh) | 2022-08-04 |
Family
ID=75704495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2021/137147 WO2022160969A1 (zh) | 2021-02-01 | 2021-12-10 | 基于多轮对话改进的智能客服辅助系统系统和方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112766990B (zh) |
WO (1) | WO2022160969A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766990B (zh) * | 2021-02-01 | 2023-07-28 | 北京邮电大学 | 基于多轮对话改进的智能客服辅助系统和方法 |
CN113326367B (zh) * | 2021-06-30 | 2023-06-16 | 四川启睿克科技有限公司 | 基于端到端文本生成的任务型对话方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858030A (zh) * | 2019-02-11 | 2019-06-07 | 北京邮电大学 | 双向的意图槽值交叉相关的任务型对话理解系统及方法 |
WO2020051192A1 (en) * | 2018-09-06 | 2020-03-12 | Google Llc | Dialogue systems |
CN111710336A (zh) * | 2020-06-05 | 2020-09-25 | 平安科技(深圳)有限公司 | 语音的意图识别方法、装置、计算机设备及存储介质 |
CN111708871A (zh) * | 2020-05-27 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 对话状态跟踪方法、装置及对话状态跟踪模型训练方法 |
CN111737442A (zh) * | 2020-08-13 | 2020-10-02 | 北京福佑多多信息技术有限公司 | 智能客服多轮会话管理的方法和装置 |
US10878808B1 (en) * | 2018-01-09 | 2020-12-29 | Amazon Technologies, Inc. | Speech processing dialog management |
CN112766990A (zh) * | 2021-02-01 | 2021-05-07 | 北京邮电大学 | 基于多轮对话改进的智能客服辅助系统系统和方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102204740B1 (ko) * | 2019-02-28 | 2021-01-19 | 네이버 주식회사 | 대화 시스템에서의 의도 불분명 질의를 처리하는 방법 및 시스템 |
CN111324712A (zh) * | 2020-02-18 | 2020-06-23 | 山东汇贸电子口岸有限公司 | 对话回复方法及服务端 |
CN112183075B (zh) * | 2020-10-10 | 2023-06-30 | 网易(杭州)网络有限公司 | 一种对话中的槽提取方法、装置、电子设备及存储介质 |
-
2021
- 2021-02-01 CN CN202110138011.6A patent/CN112766990B/zh active Active
- 2021-12-10 WO PCT/CN2021/137147 patent/WO2022160969A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10878808B1 (en) * | 2018-01-09 | 2020-12-29 | Amazon Technologies, Inc. | Speech processing dialog management |
WO2020051192A1 (en) * | 2018-09-06 | 2020-03-12 | Google Llc | Dialogue systems |
CN109858030A (zh) * | 2019-02-11 | 2019-06-07 | 北京邮电大学 | 双向的意图槽值交叉相关的任务型对话理解系统及方法 |
CN111708871A (zh) * | 2020-05-27 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 对话状态跟踪方法、装置及对话状态跟踪模型训练方法 |
CN111710336A (zh) * | 2020-06-05 | 2020-09-25 | 平安科技(深圳)有限公司 | 语音的意图识别方法、装置、计算机设备及存储介质 |
CN111737442A (zh) * | 2020-08-13 | 2020-10-02 | 北京福佑多多信息技术有限公司 | 智能客服多轮会话管理的方法和装置 |
CN112766990A (zh) * | 2021-02-01 | 2021-05-07 | 北京邮电大学 | 基于多轮对话改进的智能客服辅助系统系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112766990A (zh) | 2021-05-07 |
CN112766990B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11568855B2 (en) | System and method for defining dialog intents and building zero-shot intent recognition models | |
CN111212190B (zh) | 一种基于话术策略管理的对话管理方法、装置和系统 | |
JP2020537777A (ja) | 発言のユーザ意図を識別するための方法および装置 | |
CN111344779A (zh) | 训练和/或使用编码器模型确定自然语言输入的响应动作 | |
CN111191000B (zh) | 一种智能语音机器人的对话管理方法、装置和系统 | |
WO2022160969A1 (zh) | 基于多轮对话改进的智能客服辅助系统系统和方法 | |
EP3804915A1 (en) | Conversational systems and methods for robotic task identification using natural language | |
CN111062217B (zh) | 语言信息的处理方法、装置、存储介质及电子设备 | |
US11455148B2 (en) | Software programming assistant | |
CN110223134B (zh) | 基于语音识别的产品推荐方法及相关设备 | |
US20220092441A1 (en) | Training method and apparatus, dialogue processing method and system, and medium | |
US11677861B2 (en) | System and method for interoperable communication between entities with different structures | |
EP3832485A1 (en) | Question answering systems | |
CN112052318A (zh) | 一种语义识别方法、装置、计算机设备和存储介质 | |
Surana et al. | Intelligent chatbot for requirements elicitation and classification | |
CN111177351A (zh) | 基于规则的自然语言表达意图获取方法、装置和系统 | |
US20220351634A1 (en) | Question answering systems | |
CN111930912A (zh) | 对话管理方法及系统、设备和存储介质 | |
JP2021081713A (ja) | 音声信号を処理するための方法、装置、機器、および媒体 | |
CN112100360B (zh) | 一种基于向量检索的对话应答方法、装置和系统 | |
Al-Besher et al. | BERT for Conversational Question Answering Systems Using Semantic Similarity Estimation. | |
CN110188190B (zh) | 对话解析方法、装置、服务器及可读存储介质 | |
US20210166138A1 (en) | Systems and methods for automatically detecting and repairing slot errors in machine learning training data for a machine learning-based dialogue system | |
Menon et al. | Deep learning based transcribing and summarizing clinical conversations | |
McTear et al. | Dialog management |
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: 21922559 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21922559 Country of ref document: EP Kind code of ref document: A1 |