CN105630917A - 智能应答方法及装置 - Google Patents

Abstract

本发明实施例提出一种智能应答方法及装置，该方法包括：接收客户端发送的客户问题，提取所述客户问题中的关键字；获取针对所述关键字预先设定的至少一个答案；针对每一个所述答案，根据所述客户问题、所述关键字和该答案构建特征向量；利用预设的分类模型、根据每一个所构建的特征向量预测与该特征向量相对应的答案和所述客户问题的匹配度；当所计算出的匹配度中有至少一个匹配度大于第一预设阈值时，将大于第一预设阈值的匹配度中数值最大的匹配度相对应的答案，作为用于通过所述客户端应答所述客户问题的答案返回给所述客户端。该方法及装置可以在自动应答客户问题时提高答案匹配问题的准确率。

Description

智能应答方法及装置

技术领域

本发明涉及计算机互联网领域，具体而言，涉及一种智能应答方法及装置。

背景技术

目前，电商交易***中大量商家采用机器人聊天工具自动回答买家提出的各种问题。具体采用的是基于字符串层面匹配的关键词匹配方法，例如，商家预先设定关键字“物流+信息”并且针对该关键字设定的答案为“这里帮亲跟进，及时催促一下！”。因此，在使用机器人聊天工具与买家对话的过程中，只要买家的话语中同时出现“物流”和“信息”两个词语，例如“怎么还没有物流信息”，机器人聊天工具便会自动回复“这里帮亲跟进，及时催促一下！”。

然而，这样的基于字符串层面的关键词匹配方案在很多情况下给出的答案并不能很好地匹配买家提出的问题，甚至存在答非所问的情形。也就是说，现有技术中机器人聊天工具在自动应答时采用的关键词匹配方案具有答案匹配问题的准确率较低，不能较好满足对话需求的问题。

发明内容

鉴于此，本发明的目的在于提供一种智能应答方法及装置，以改善现有技术中机器人聊天工具在自动应答时采用的关键词匹配方案具有答案匹配问题的准确率较低、不能较好满足对话需求的问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种智能应答方法，包括：接收客户端发送的客户问题，提取所述客户问题中的关键字；获取针对所述关键字预先设定的至少一个答案；针对每一个所述答案，根据所述客户问题、所述关键字和该答案构建特征向量；利用预设的分类模型、根据每一个所构建的特征向量预测与该特征向量相对应的答案和所述客户问题的匹配度；当所计算出的匹配度中有至少一个匹配度大于第一预设阈值时，将大于第一预设阈值的匹配度中数值最大的匹配度相对应的答案，作为用于通过所述客户端应答所述客户问题的答案返回给所述客户端。

第二方面，本发明实施例还提供了一种智能应答装置，包括：提取模块，用于接收客户端发送的客户问题，提取所述客户问题中的关键字；获取模块，用于获取针对所述关键字预先设定的至少一个答案；构建模块，用于针对每一个所述答案，根据所述客户问题、所述关键字和该答案构建特征向量；预测模块，用于利用预设的分类模型、根据每一个所构建的特征向量预测与该特征向量相对应的答案和所述客户问题的匹配度；选取模块，用于当所计算出的匹配度中有至少一个匹配度大于第一预设阈值时，将大于第一预设阈值的匹配度中数值最大的匹配度相对应的答案，作为用于通过所述客户端应答所述客户问题的答案返回给所述客户端。

本发明实施例提供的智能应答方法及装置，通过提取所接收的客户问题中的关键字，根据所述客户问题、所述关键字和针对该关键字预先设定的每一个答案构建相应的特征向量，之后利用预设的分类模型、根据每一个所构建的特征向量预测该特征向量相对应的答案和所述客户问题的匹配度，仅将所计算出的匹配度中大于第一预设阈值的匹配度中数值最大的匹配度相对应的答案，作为用于应答所述客户问题的答案。由此，采用上述方案的机器人聊天工具可以在自动应答时提高答案匹配问题的准确率，较好地满足对话需求。

为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。通过附图所示，本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本发明的主旨。

图1为本发明实施例的应用环境示意图；

图2示出了一种可应用于本发明实施例的服务器的结构框图；

图3示出了本发明第一实施例提供的智能应答方法的流程图；

图4示出了关于客户问题、所提取的关键字、以及针对所提取关键字预先设定的答案的几条示例性数据；

图5示出了几条示例性样本数据；

图6示出了本发明第二实施例提供的智能应答装置的示意性结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本发明下述各实施例均可应用于如图1所示的环境中。如图1所示，服务器100通过网络300与一个或多个用户终端200进行通信连接，以进行数据通信或交互。所述服务器100可以是即时通信服务器、网络服务器、数据库服务器、验证服务器等多个服务器，也可以是一个服务器。所述用户终端200可以是个人电脑(personalcomputer，PC)、平板电脑、智能手机、个人数字助理(personaldigitalassistant，PDA)等。用户终端200和服务器100可以在Wi-Fi(无线保真)网络、2G/3G/4G网络或局域网中建立通信连接。

图2示出了一种可应用于本发明实施例中的服务器的结构框图。如图2所示，所述服务器100可以包括本发明实施例提供的智能应答装置、存储器102、存储控制器103、处理器104和网络模块105。

存储器102、存储控制器103、处理器104、网络模块105各元件之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。所述智能应答装置包括至少一个可以以软件或固件(firmware)的形式存储于存储器102中的软件功能模块，例如所述智能应答装置包括的软件功能模块或计算机程序。

存储器102可以存储各种软件程序以及模块，如本发明实施例提供的智能应答方法及装置对应的程序指令/模块，处理器104通过运行存储在存储器102中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本发明实施例中的智能应答方法。存储器102可以包括但不限于随机存取存储器(RandomAccessMemory，RAM)，只读存储器(ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，PROM)，可擦除只读存储器(ErasableProgrammableRead-OnlyMemory，EPROM)，电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory，EEPROM)等。

处理器104可以是一种集成电路芯片，具有信号处理能力。上述处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

网络模块105用于接收以及发送网络信号。上述网络信号可包括无线信号或者有线信号。

可以理解，图2所示的结构仅为示意，服务器100还可以包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。另外，本发明实施例中的服务器还可以包括多个具体不同功能的服务器。

在本发明实施例中，用户终端200中安装有客户端，该客户端可以是第三方应用软件(如阿里旺旺)，与服务器端相对应，从而为用户提供服务，例如即时通信、聊天。本发明实施例主要是基于在服务器端使用机器人聊天工具应答电商交易***所涉及的买家/客户问题的场景，为买家/客户提供满意的答复。

第一实施例

图3示出了本发明第一实施例提供的智能应答方法的流程图。请参阅图3，第一实施例提供的智能应答方法可以包括：

步骤S11，接收客户端发送的客户问题，提取所述客户问题中的关键字。

当买家例如想关于某件商品咨询商家时，买家可以通过其持有的用户终端上安装的客户端(如手机上安装的阿里旺旺)发送相关问题。在接收到买家通过客户端发送的客户问题后，服务器(具体地可以为装载有商家使用的用于自动应答的机器人聊天工具的服务器)可以经过文本处理(例如分词处理等)后提取出所述客户问题中的关键字。所述关键字可以是商家预先设定好的，并在被设定好后存储于服务器所包括的存储器内。因此，服务器可以在接收到客户问题后，识别所述客户问题中是否含有商家预先设定的关键字，并且在识别到这样的关键字时将该关键字提取出来。

步骤S12，获取针对所述关键字预先设定的至少一个答案。

在提取出所述关键字之后，服务器可以获取存储于数据库中的针对所述关键字预先设定的至少一个答案。所述答案也是由商家预先设定的。需要注意的是，当从客户问题中提取到多个关键字时，对每一个关键字获取针对其预先设定的至少一个答案。请参阅图4，示出了关于客户问题、所提取的关键字、针对所提取关键字预先设定的答案的几条示例性数据，图4示出的示例中针对每个关键字预先设定了仅一个答案。

步骤S13，针对每一个所述答案，根据所述客户问题、所述关键字和该答案构建特征向量。

于一种具体实施方式中，针对每一个所述答案构建的特征向量可以包括下述分量中的至少一个：所述关键字的特征、所述客户问题的特征、所述答案的特征、所述客户问题与所述关键字的关联特征、所述客户问题与所述答案的关联特征、所述关键字与所述答案的关联特征。优选地，针对每一个所述答案构建的特征向量包括上述分量中的每一个。

具体地，所述关键字的特征可以包括所述关键字的长度(关键字越长，其包含的语言信息越多；当提取到较长的关键字时，客户问题更有可能与商家设定关键字回答时预想的问题相符)、所述关键字的词频(关键字的词频越小，其包含的语言信息越多；当提取到较长的关键字时，客户问题更有可能与商家设定关键字回答时预想的问题相符)、所述关键字在分词后获得的词的数目、所述关键字中的数字字符数占该关键字的总字符数的比例、所述关键字中的汉字字符的长度、以及所述关键字中的汉字字符数占该关键字的总字符数的比例。

所述客户问题的特征可以包括所述客户问题中的汉字字符的数目以及所述客户问题在分词后获得的词的数目。

所述答案的特征可以包括所述答案所包含字符的数目、所述答案在分词后获得的词的数目以及所述答案是否包括所述关键字。

所述客户问题与所述关键字的关联特征可以包括所述客户问题和所述关键字在分词后获得的相同词的数目、所述客户问题与所述关键字基于词语的逆向文档频率(InverseDocumentFrequency，IDF)值的余弦相似度、所述客户问题与所述关键字的字符编辑距离、以及所述客户问题与所述关键字的基于词的编辑距离。

所述客户问题与所述答案的关联特征包括所述客户问题与所述答案在分词后获得的相同词的数目、所述客户问题与所述答案基于词语的IDF值的余弦相似度、所述客户问题与所述答案的字符编辑距离、以及所述客户问题与所述答案的基于词的编辑距离。

所述关键字与所述答案的关联特征可以包括所述关键字和所述答案在分词后获得的相同词的数目、所述关键字与所述答案基于词语的IDF值的余弦相似度、所述关键字与所述答案的字符编辑距离、以及所述关键字与所述答案的基于词的编辑距离。

具体地，例如所述客户问题与所述关键字基于词语的IDF值的余弦相似度的计算可以包括：对所述客户问题和所述关键字分词，分别统计所述客户问题在分词后获得的每个词的IDF值和所述关键字在分词后获得的每个词的IDF值，针对所述客户问题、以其所有词作为向量空间构建所述客户问题的IDF向量，并针对所述关键字、以其所有词作为向量空间构建所述关键字的IDF向量，然后根据下述公式计算所述客户问题与所述关键字基于词语的IDF值的余弦相似度：

$similarity=cos\left(\mathrm{\θ}\right)=\frac{A\·B}{\left|\right|A\left|\right|\left|\right|B\left|\right|}=\frac{\underset{i=1}{\overset{n}{\Σ}}{A}_i\×B_i}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{\left(A_i\right)}^2}\×\sqrt{\underset{i=1}{\overset{n}{\Σ}}{\left(B_i\right)}^2}}$

其中，similarity表示所述客户问题与所述关键字基于词语的IDF值的余弦相似度，A_i表示所述客户问题在分词后获得的每个词的IDF值，B_i表示所述关键字在分词后获得的每个词的IDF值。所述客户问题与所述答案基于词语的IDF值的余弦相似度、所述关键字与所述答案基于词语的IDF值的余弦相似度可以采用类似方法计算。

在本发明实施例中，所述字符编辑距离是指字符的莱文斯坦比距离。

需要注意的是，如果从客户问题中提取到多个关键字，则应关于每一个关键字和针对其预设的答案构建相应的特征向量。

步骤S14，利用预设的分类模型、根据每一个所构建的特征向量预测与该特征向量相对应的答案和所述客户问题的匹配度。

于一种具体实施方式中，所述预设的分类模型是通过下述步骤预先建立的：根据历史记录的自动应答对话建立多个样本数据，每一个所述样本数据包括从所述对话中抽取的一个历史客户问题、从该历史客户问题中提取的关键字、所述对话中针对该关键字预先设定的用于回答该历史客户问题的回答答案、以及所述回答答案与该历史客户问题的认定匹配度；将所述多个样本数据分为一组训练样本数据和一组测试样本数据；利用所述一组训练样本数据训练用于识别答案匹配度的分类器得到经训练的分类模型，利用所述一组测试样本数据检验所述经训练的分类模型，并在检验结果满足预设条件时将所述经训练的分类模型设定为所述预设的分类模型。

具体地，所述历史记录的自动应答对话可以是从商家日志中抽取的真实对话。所述样本数据中包括的回答答案与历史客户问题的认定匹配度是由商家根据正常聊天的标准人工标定的。回答答案与历史客户问题相匹配时，商家可以设定其二者的认定匹配度为1；回答答案与历史客户问题不匹配时，商家可以设定其二者的认定匹配度为0。例如，当买家询问的历史客户问题为“发到深圳需要几天？”时，“需要一到两天”的回答答案可以是匹配的答案；当买家询问的历史客户问题为“怎么还不发货？”时，“订单正在安排”的回答答案可以是匹配的答案。请参阅图5，示出了几条示例性样本数据。

于一种具体实施方式中，所述利用所述一组训练样本数据训练用于识别答案匹配度的分类器得到经训练的分类模型，可以包括：针对所述一组训练样本数据中的每一个训练样本数据，根据该训练样本数据中包括的历史客户问题、关键字和回答答案构建训练特征向量；对每一个所述训练特征向量和对应于该训练特征向量的训练样本数据中的认定匹配度执行分类器算法，得到经训练的分类模型。

于一种具体实施方式中，所述利用所述一组测试样本数据检验所述经训练的分类模型，并在检验结果满足预设条件时将所述经训练的分类模型设定为所述预设的分类模型，可以包括：针对所述一组测试样本数据中的每一个测试样本数据，根据该测试样本数据中包括的历史客户问题、关键字和回答答案构建测试特征向量；利用所述经训练的分类模型对每一个所述测试特征向量进行预测，得到对应于该测试特征向量的测试样本数据中的历史客户问题和回答答案的预测匹配度；计算与每一个所述测试样本数据相关的认定匹配度和测试匹配度之间的差值，统计所得到的小于第二预设阈值的差值的第一数目，并在所述第一数目占所述测试样本数据的总数目的百分比超过预设百分比时设定所述经训练的分类模型为所述预设的分类模型。所述第二预设阈值和所述预设百分比均可以由用户设定，所述第一数目占所述测试样本数据的总数目的百分比越高，表示经训练的分类模型的预测准确度越高。

具体地，例如可以将多个样本数据中的大多数样本数据用作训练样本数据，将剩余的小部分样本数据用作测试样本数据。每一个所述训练特征向量可以包括下述分量中的至少一个：与该训练特征向量相对应的训练样本数据中的关键字的特征、该训练样本数据中的历史客户问题的特征、该训练样本数据中的回答答案的特征、该训练样本数据中的历史客户问题与关键字的关联特征、该训练样本数据中的历史客户问题与回答答案的关联特征、该训练样本数据中的关键字与回答答案的关联特征。

每一个所述测试特征向量可以包括下述分量中的至少一个：与该测试特征向量相对应的测试样本数据中的关键字的特征、该测试样本数据中的历史客户问题的特征、该测试样本数据中的回答答案的特征、该测试样本数据中的历史客户问题与关键字的关联特征、该测试样本数据中的历史客户问题与回答答案的关联特征、该测试样本数据中的关键字与回答答案的关联特征。训练特征向量和测试特征向量的构建类似于上面所描述的特征向量构建，在此不再进行赘述。

所采用的分类器算法可以为逻辑回归算法、boosting分类算法或其他合适的算法，对应得到的经训练的分类模型可以为逻辑回归分类模型、boosting分类模型等。优选地选用boosting分类算法和对应的boosting分类模型。boosting分类模型属于集成学习模型，其基本思想是把成百上千个分类准确率较低的树模型组合起来，成为一个准确率很高的模型。该模型会不断地迭代，每次迭代就生成一颗新的树。本发明实施例优选地采用GradientBoosting分类模型。该分类模型在生成每一棵树的时候采用梯度下降的思想以之前生成的所有树为基础，朝向使给定目标函数最小化的方向多走一步。可采用github的开源项目xgboost(https://github.com/dmlc/xgboost)，针对上述样本数据，参数调优为使用400颗决策树，每棵树的最大深度为3。利用测试样本数据对所训练的boosting分类模型进行测试，可知boosting分类模型的预测准确率为87％，召回率为96％(性能优于逻辑回归模型)。

一旦建立好预设的分类模型，就可以用其根据每一个所构建的特征向量预测与该特征向量相对应的答案和所述客户问题的匹配度。

步骤S15，当所计算出的匹配度中有至少一个匹配度大于第一预设阈值时，将大于第一预设阈值的匹配度中数值最大的匹配度相对应的答案，作为用于通过所述客户端应答所述客户问题的答案返回给所述客户端。

所述第一预设阈值可以由用户设定，例如被设定为0.5。具体地，如果所计算出的匹配度中有一个匹配度大于第一预设阈值，则表明该匹配度相对应的答案与客户问题相匹配，可以将该匹配度相对应的答案作为用于应答所述客户问题的答案。如果所计算出的匹配度中有多个匹配度大于第一预设阈值，则可以将大于第一预设阈值的匹配度中数值最大的匹配度相对应的答案作为用于应答所述客户问题的答案，也就是说，选择满足匹配条件的答案中最匹配的一个答案最为最终的答案。如果所计算出的匹配度均小于或等于第一预设阈值，则表明预先设定的答案中没有答案与客户问题相匹配，此时不选择针对关键字预先设定的答案应答客户问题，而可以采用通用的答案应答客户问题，例如“抱歉，目前尚不能回答您的问题，我们会积极协商处理，请耐心等待！”等。

在本发明第一实施例提供的智能应答方法中，通过提取所接收的客户问题中的关键字，根据所述客户问题、所述关键字和针对该关键字预先设定的每一个答案构建相应的特征向量，之后利用预设的分类模型、根据每一个所构建的特征向量预测该特征向量相对应的答案和所述客户问题的匹配度，仅将所计算出的匹配度中大于第一预设阈值的匹配度中数值最大的匹配度相对应的答案，作为用于应答所述客户问题的答案。由此，采用上述方案的机器人聊天工具可以在自动应答时提高答案匹配问题的准确率，较好地满足对话需求。

第二实施例

本发明第二实施例提供了一种智能应答装置。图6中示出了本发明第二实施例提供的智能应答装置的示意性结构图。请参阅图6，第二实施例提供的智能应答装置400可以包括提取模块410、获取模块420、构建模块430、预测模块440和选取模块450。

提取模块410用于接收客户端发送的客户问题，提取所述客户问题中的关键字。

获取模块420用于获取针对所述关键字预先设定的至少一个答案。

构建模块430用于针对每一个所述答案，根据所述客户问题、所述关键字和该答案构建特征向量。

预测模块440用于利用预设的分类模型、根据每一个所构建的特征向量预测与该特征向量相对应的答案和所述客户问题的匹配度。

选取模块450用于当所计算出的匹配度中有至少一个匹配度大于第一预设阈值时，将大于第一预设阈值的匹配度中数值最大的匹配度相对应的答案，作为用于通过所述客户端应答所述客户问题的答案返回给所述客户端。

于一种具体实施方式中，如图6所示，智能应答装置400还可以包括分类模型预设模块460，其用于构建所述预设的分类模型。具体地，分类模型预设模块460可以用于：根据历史记录的自动应答对话建立多个样本数据，每一个所述样本数据包括从所述对话中抽取的一个历史客户问题、从该历史客户问题中提取的关键字、所述对话中针对该关键字预先设定的用于回答该历史客户问题的回答答案、以及所述回答答案与该历史客户问题的认定匹配度；将所述多个样本数据分为一组训练样本数据和一组测试样本数据；利用所述一组训练样本数据训练用于识别答案匹配度的分类器得到经训练的分类模型，利用所述一组测试样本数据检验所述经训练的分类模型，并在检验结果满足预设条件时将所述经训练的分类模型设定为所述预设的分类模型。

具体地，关于利用所述一组训练样本数据训练用于识别答案匹配度的分类器得到经训练的分类模型，所述分类模型预设模块460可以：针对所述一组训练样本数据中的每一个训练样本数据，根据该训练样本数据中包括的历史客户问题、关键字和回答答案构建训练特征向量；对每一个所述训练特征向量和对应于该训练特征向量的训练样本数据中的认定匹配度执行分类器算法，得到经训练的分类模型。

具体地，关于利用所述一组测试样本数据检验所述经训练的分类模型，并在检验结果满足预设条件时将所述经训练的分类模型设定为所述预设的分类模型，所述分类模型预设模块460可以：针对所述一组测试样本数据中的每一个测试样本数据，根据该测试样本数据中包括的历史客户问题、关键字和回答答案构建测试特征向量；利用所述经训练的分类模型对每一个所述测试特征向量进行预测，得到对应于该测试特征向量的测试样本数据中的历史客户问题和回答答案的预测匹配度；计算与每一个所述测试样本数据相关的认定匹配度和测试匹配度之间的差值，统计所得到的小于第二预设阈值的差值的第一数目，并在所述第一数目占所述测试样本数据的总数目的百分比超过预设百分比时设定所述经训练的分类模型为所述预设的分类模型。

本实施例对智能应答装置400的各功能模块实现各自功能的具体过程，请参见上述图1至图5所示实施例中描述的具体内容，此处不再赘述。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种智能应答方法，其特征在于，包括：

接收客户端发送的客户问题，提取所述客户问题中的关键字；

获取针对所述关键字预先设定的至少一个答案；

针对每一个所述答案，根据所述客户问题、所述关键字和该答案构建特征向量；

利用预设的分类模型、根据每一个所构建的特征向量预测与该特征向量相对应的答案和所述客户问题的匹配度；

当所计算出的匹配度中有至少一个匹配度大于第一预设阈值时，将大于第一预设阈值的匹配度中数值最大的匹配度相对应的答案，作为用于通过所述客户端应答所述客户问题的答案返回给所述客户端。

2.根据权利要求1所述的方法，其特征在于，所述预设的分类模型是通过下述步骤预先建立的：

根据历史记录的自动应答对话建立多个样本数据，每一个所述样本数据包括从所述对话中抽取的一个历史客户问题、从该历史客户问题中提取的关键字、所述对话中针对该关键字预先设定的用于回答该历史客户问题的回答答案、以及所述回答答案与该历史客户问题的认定匹配度；

将所述多个样本数据分为一组训练样本数据和一组测试样本数据；

利用所述一组训练样本数据训练用于识别答案匹配度的分类器得到经训练的分类模型，利用所述一组测试样本数据检验所述经训练的分类模型，并在检验结果满足预设条件时将所述经训练的分类模型设定为所述预设的分类模型。

3.根据权利要求2所述的方法，其特征在于，所述利用所述一组训练样本数据训练用于识别答案匹配度的分类器得到经训练的分类模型，包括：

针对所述一组训练样本数据中的每一个训练样本数据，根据该训练样本数据中包括的历史客户问题、关键字和回答答案构建训练特征向量；

对每一个所述训练特征向量和对应于该训练特征向量的训练样本数据中的认定匹配度执行分类器算法，得到经训练的分类模型。

4.根据权利要求2所述的方法，其特征在于，所述利用所述一组测试样本数据检验所述经训练的分类模型，并在检验结果满足预设条件时将所述经训练的分类模型设定为所述预设的分类模型，包括：

针对所述一组测试样本数据中的每一个测试样本数据，根据该测试样本数据中包括的历史客户问题、关键字和回答答案构建测试特征向量；

利用所述经训练的分类模型对每一个所述测试特征向量进行预测，得到对应于该测试特征向量的测试样本数据中的历史客户问题和回答答案的预测匹配度；

计算与每一个所述测试样本数据相关的认定匹配度和测试匹配度之间的差值，统计所得到的小于第二预设阈值的差值的第一数目，并在所述第一数目占所述测试样本数据的总数目的百分比超过预设百分比时设定所述经训练的分类模型为所述预设的分类模型。

5.根据权利要求3所述的方法，其特征在于，每一个所述训练特征向量包括下述分量中的至少一个：与该训练特征向量相对应的训练样本数据中的关键字的特征、该训练样本数据中的历史客户问题的特征、该训练样本数据中的回答答案的特征、该训练样本数据中的历史客户问题与关键字的关联特征、该训练样本数据中的历史客户问题与回答答案的关联特征、该训练样本数据中的关键字与回答答案的关联特征。

6.根据权利要求4所述的方法，其特征在于，每一个所述测试特征向量包括下述分量中的至少一个：与该测试特征向量相对应的测试样本数据中的关键字的特征、该测试样本数据中的历史客户问题的特征、该测试样本数据中的回答答案的特征、该测试样本数据中的历史客户问题与关键字的关联特征、该测试样本数据中的历史客户问题与回答答案的关联特征、该测试样本数据中的关键字与回答答案的关联特征。

7.根据权利要求1所述的方法，其特征在于，针对每一个所述答案构建的特征向量包括下述分量中的至少一个：所述关键字的特征、所述客户问题的特征、所述答案的特征、所述客户问题与所述关键字的关联特征、所述客户问题与所述答案的关联特征、所述关键字与所述答案的关联特征。

8.根据权利要求7所述的方法，其特征在于，

所述关键字的特征包括所述关键字的长度、所述关键字的词频、所述关键字在分词后获得的词的数目、所述关键字中的数字字符数占该关键字的总字符数的比例、所述关键字中的汉字字符的长度、以及所述关键字中的汉字字符数占该关键字的总字符数的比例，

所述客户问题的特征包括所述客户问题中的汉字字符的数目以及所述客户问题在分词后获得的词的数目，

所述答案的特征包括所述答案所包含字符的数目、所述答案在分词后获得的词的数目以及所述答案是否包括所述关键字，

所述客户问题与所述关键字的关联特征包括所述客户问题和所述关键字在分词后获得的相同词的数目、所述客户问题与所述关键字基于词语的逆向文档频率值的余弦相似度、所述客户问题与所述关键字的字符编辑距离、以及所述客户问题与所述关键字的基于词的编辑距离，

所述客户问题与所述答案的关联特征包括所述客户问题与所述答案在分词后获得的相同词的数目、所述客户问题与所述答案基于词语的逆向文档频率值的余弦相似度、所述客户问题与所述答案的字符编辑距离、以及所述客户问题与所述答案的基于词的编辑距离，

所述关键字与所述答案的关联特征包括所述关键字和所述答案在分词后获得的相同词的数目、所述关键字与所述答案基于词语的逆向文档频率值的余弦相似度、所述关键字与所述答案的字符编辑距离、以及所述关键字与所述答案的基于词的编辑距离。

9.根据权利要求1所述的方法，其特征在于，所述预设的分类模型为boosting分类模型。

10.一种智能应答装置，其特征在于，包括：

提取模块，用于接收客户端发送的客户问题，提取所述客户问题中的关键字；

获取模块，用于获取针对所述关键字预先设定的至少一个答案；

构建模块，用于针对每一个所述答案，根据所述客户问题、所述关键字和该答案构建特征向量；

预测模块，用于利用预设的分类模型、根据每一个所构建的特征向量预测与该特征向量相对应的答案和所述客户问题的匹配度；

选取模块，用于当所计算出的匹配度中有至少一个匹配度大于第一预设阈值时，将大于第一预设阈值的匹配度中数值最大的匹配度相对应的答案，作为用于通过所述客户端应答所述客户问题的答案返回给所述客户端。