CN110162606B - 用于解决客户端服务请求的会话代理学习模型服务选择 - Google Patents

用于解决客户端服务请求的会话代理学习模型服务选择 Download PDF

Info

Publication number
CN110162606B
CN110162606B CN201910111869.6A CN201910111869A CN110162606B CN 110162606 B CN110162606 B CN 110162606B CN 201910111869 A CN201910111869 A CN 201910111869A CN 110162606 B CN110162606 B CN 110162606B
Authority
CN
China
Prior art keywords
model
client
service request
service
advisor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910111869.6A
Other languages
English (en)
Other versions
CN110162606A (zh
Inventor
G·西雅诺
L·皮切特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN110162606A publication Critical patent/CN110162606A/zh
Application granted granted Critical
Publication of CN110162606B publication Critical patent/CN110162606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • 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
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • H04L67/63—Routing a service request depending on the request content or context
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及用于解决客户端服务请求的会话代理学习模型服务选择。关于响应于客户端服务请求的会话代理学习模型服务选择的途径被描述。根据该途径，模型顾问可以预测哪个(哪些)模型服务可以最恰当地解决客户端问题。与该途径有关的方法可以包括：接收与客户端***相关联的客户端服务请求和与客户端服务请求相关联的数据，其中与客户端服务请求相关联的数据包括从客户端服务请求和上下文信息中提取的至少一个关键词。方法进一步可以包括：基于与客户端服务请求相关联的数据，在与会话代理学习模型相关联的多个模型服务中选择至少一个模型服务。方法进一步可以包括：响应于客户端服务请求，向客户端***提供对至少一个模型服务的选择。

Description

用于解决客户端服务请求的会话代理学习模型服务选择
技术领域
本文所描述的各种实施例一般地涉及会话代理学习模型(例如，机器人(bot)模型、聊天机器人(chatbot)模型、或者会话模型)。更具体地，各种实施例描述了响应于客户端服务请求的会话代理学习模型服务选择。
背景技术
认知计算技术越来越经常被用来解决客户端问题。基于计算机的会话模型可以提供一个或多个服务以促进这种客户端问题的解决。考虑到可用的模型服务的多样性，确定用于解决给定客户端服务请求的(多个)最佳选项照惯例需要查询多个提供商。因此，常规模型服务选择可能需要大量计算和/或经济成本。
发明内容
本文所描述的各种实施例提供了响应于客户端服务请求选择(多个)会话代理学习模型服务的技术。一种相关联的方法可以包括：接收与客户端***相关联的客户端服务请求和与客户端服务请求相关联的数据。与客户端服务请求相关联的数据可以包括从客户端服务请求和上下文信息中提取的至少一个关键词。方法进一步可以包括：基于与客户端服务请求相关联的数据，在与会话代理学习模型相关联的多个模型服务中选择至少一个模型服务。方法进一步可以包括：响应于客户端服务请求向客户端***提供对至少一个模型服务的选择。在实施例中，上下文信息可以包括与客户端***相关联的数据和关于与客户端服务请求有关的至少一个服务请求的信息。
根据实施例，在多个模型服务中选择至少一个模型服务的步骤可以包括：响应于确定在预测数据库中被引用的多个已存储服务请求中的已存储服务请求与客户端服务请求相对应，在多个模型服务中选择与该已存储服务请求相关联的至少一个模型服务。在多个模型服务中选择至少一个模型服务的步骤进一步可以包括：响应于确定多个已存储服务请求中没有已存储服务请求与客户端服务请求相对应，通过基于多个预定义因素评估客户端服务请求来在多个模型服务中选择至少一个模型服务。在实施例中，确定多个已存储服务请求中的已存储服务请求与客户端服务请求相对应的步骤可以包括：确定已存储服务请求符合与客户端服务请求相关联的输入标准，以及确定已存储服务请求满足相对于客户端服务请求的至少一个预定相似性阈值。
根据实施例，通过基于多个预定义因素评估客户端服务请求来在多个模型服务中选择至少一个模型服务的步骤可以包括：对与客户端服务请求相关联的数据进行分类，以及基于社交媒体趋势测量已分类数据。可选地，通过基于多个预定义因素评估客户端服务请求来在多个模型服务中选择至少一个模型服务的步骤进一步可以包括：基于至少一个成本变量来测量已分类数据和/或基于客户端配置来测量已分类数据。通过基于多个预定义因素评估客户端服务请求来在多个模型服务中选择至少一个模型服务的步骤进一步可以包括：响应于测量已分类数据在多个模型服务中选择至少一个模型服务，以及在预测数据库中存储客户端服务请求与所选择的至少一个模型服务之间的关联性。在实施例中，响应于测量已分类数据在多个模型服务中选择至少一个模型服务的步骤可以包括：比较在多个模型服务中的每一个的上下文中分别针对已分类数据计算出的模型服务得分。
在实施例中，基于社交媒体趋势测量已分类数据的步骤可以包括：在多个模型服务中的每一个的上下文中在社交媒体提供商集合内计算针对已分类数据的至少一个方面的情绪得分。在又一实施例中，基于社交媒体趋势测量已分类数据的步骤可以包括：在多个模型服务中的每一个的上下文中在社交媒体提供商集合内计算针对已分类数据的至少一个方面的流行率得分。在又一实施例中，基于社交媒体趋势测量已分类数据的步骤可以包括：在多个模型服务中的每一个的上下文中在社交媒体提供商集合内计算针对已分类数据的至少一个方面的范围得分。
附加实施例包括计算机程序产品，该计算机程序产品包括计算机可读存储介质，计算机可读存储介质具有与其一起被体现的程序指令。根据这种实施例，程序指令可以由计算设备可执行以使计算设备执行上文所叙述的方法的一个或多个步骤。又一实施例包括***，该***具有处理器和存储应用程序的存储器，当在处理器上被执行时，应用程序执行上文所叙述的方法的一个或多个步骤。
附图说明
因此，上文所叙述的各方面的方式得以实现并且能够被详细地理解，可以通过参照所附附图获得对上文简要概述的实施例的更特别的描述。
然而，要注意，所附附图仅图示了本发明的典型实施例并且因此不应被看作限制其范围，因为本发明可以准许其它同样有效的实施例。
图1A图示了根据实施例的计算基础设施，其描绘了相对于会话代理学习模型的客户端-服务器配置。
图1B图示了根据实施例的相对于会话代理学习模型的示意图。
图2图示了根据实施例的经由会话代理学习模型来解决客户端服务请求的方法。
图3图示了根据实施例的在多个会话代理学习模型服务中选择至少一个模型服务的方法。
图4图示了根据实施例的确定多个已存储服务请求中的已存储服务请求是否与客户端服务请求相对应的方法。
图5图示了根据实施例的通过基于多个预定义因素评估客户端服务请求来在多个会话代理学习模型服务中选择至少一个模型服务的方法。
图6图示了根据实施例的基于社交媒体趋势测量与客户端服务请求相关联的已分类数据的方法。
图7图示了根据实施例的关于在多个会话代理学习模型服务中的每一个的上下文中针对与客户端服务请求相关联的已分类数据计算模型服务得分的示意图。
具体实施方式
本文所描述的各种实施例涉及与响应于客户端服务请求的会话代理学习模型服务选择有关的技术。根据各种实施例，响应于客户端服务请求，至少一个模型服务可以被选择。这样的模型服务选择可以构成对哪个(哪些)模型服务可以最适当地解决客户端服务请求的预测。所选择的(多个)模型服务可以直接由模型服务器***提供或者备选地可以经由一个或多个外部服务提供商而被访问。
本文所描述的各种实施例可以优于常规技术。具体地，通过促进响应于客户端服务请求对至少一个模型服务的选择，各种实施例使得能够对至少一个模型服务进行预测，因此消除查询多个模型服务提供商的需要。相应地，根据各种实施例的预测可以使得单独地查询或者以其他方式占用多个付费服务提供商所需要的任何时间成本、计算成本、以及/或者财务成本最小化。此外，根据各种实施例对至少一个模型服务的选择可以使得能够预测直接经由模型服务器***可用的至少一个模型服务和/或在模型服务器***外部可以以软件即服务的形式被提供的至少一个模型服务。此外，通过各种评估技术，包括诸如社交媒体趋势等预定义因素的使用，各种实施例可以在选择至少一个模型服务方面与常规技术相比改进准确性，因此潜在地减少时间和计算开销。各种实施例中的一些可能不包括所有这些优点，并且并非所有实施例都需要这些优点。
在下文中，对本发明的各种实施例进行参照。然而，应理解，本发明不限于具体描述的实施例。相反，如下特征和元素的任意组合无论是否与不同的实施例有关都被设想用于实施和实践本发明。此外，尽管各个实施例可以相对于其它可能的解决方案和/或相对于现有技术实现优点，但是否通过给定实施例实现了特定优点并没有限制性。因此，如下方面、特征、实施例和优点仅是图示性的并且不被看作是所附权利要求的元素或者限制条件，除非在(多项)权利要求中被明确地叙述。同样，对“本发明”的参照不应该被理解为是对本文所公开的任何发明性主题内容的概括并且不应该被看作是所附权利要求的元素或者限制条件，除非在(多项)权利要求中被明确地叙述。
本发明可以是任何可能的集成技术细节级别的***、方法、和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质(或者多种介质)，这些介质在其上具有计算机可读程序指令以用于使处理器执行本发明的各个方面。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机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，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
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***、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、程序段或指令的一部分，所述模块、程序段或指令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。在有些作为替换的实现中，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。
本文所描述的各个实施例可以通过云计算基础设施被提供至最终用户。云计算通常指通过网络提供可伸缩计算资源即服务。更正式地，云计算可以被定义为提供计算资源与其底层技术架构(例如，服务器、存储装置、网络)之间的抽象的计算能力，从而使得能够对可配置计算资源的共享池进行方便的按需网络访问，这些可配置计算资源可以在最少的管理工作或者服务提供商交互的情况下快速地被提供和释放。因此，云计算允许用户访问云中的虚拟计算资源(例如，存储、数据、应用、以及甚至完成的虚拟化计算***)，而无需考虑用于提供计算资源的底层物理***(或者这些***的位置)。
通常，云计算资源按使用量付费的基础被提供给用户，其中，用户只对实际使用的计算资源(例如，由用户消耗的存储空间的量或者由用户实例化的虚拟化***的数量)付费。用户可以在任何时间并且通过因特网从任何地方访问存在于云中的任何资源。在本公开的上下文中，根据本文所描述的各个实施例来运行应用的客户端计算***或者服务器***的工作负载可以被部署至计算云。此外，基于云的数据库***、虚拟机、以及各种其它服务器应用可以用于管理这些工作负载。
特定实施例描述了用于选择用于解决客户端服务请求的(多个)会话代理学习模型服务的技术。然而，应理解，本文所描述的技术可以适应于除了本文具体地描述的那些之外的各种目的。相应地，对具体实施例的参照被包括进来是为了进行图解说明而不是进行限制。
图1A图示了根据实施例的计算基础设施100。如所示出的，计算基础设施100包括客户端计算***105、模型***接口135、模型服务器***137、外部来源165(例如，社交网络和/或社交应用)、以及外部服务提供商167(例如，外部聊天机器人服务或者呈软件即服务的形式的其它基于外部模型的服务的提供商)，其分别可以连接至通信网络175。尽管在图1A中图示了客户端计算***105和模型服务器***137，但计算基础设施100可以包括任何数量的计算***并且更具体地可以包括任何数量的客户端***和/或服务器***。
用作说明地，客户端计算***105可以包括存储器107、存储装置109、客户端输入/输出(I/O)设备接口111、中央处理单元(CPU)113、以及客户端网络接口115，其全都可以经由互连部117(例如，总线)进行互连。尽管被示出为单个计算***，但客户端计算***105被包括用于代表单个客户端或者多个客户端。在实施例中，客户端计算***105可以是瘦客户端。存储器107可以包括客户端应用119。客户端应用119可以是被配置用于与模型服务器***137和其它计算***进行接口的在线或者网络应用。客户端应用119可以包括应用接口121。具体地，应用接口121可以包括用于经由模型服务器***137与会话代理学习模型进行接口的模型实例123(例如，会话代理、机器人实例、或者聊天机器人实例)。模型实例123可以包括图形用户接口(GUI)，图形用户接口(GUI)具有用于促进客户端与会话代理学习模型之间的交互的多个元件，例如，文本框、单选按钮、下拉菜单等。此外或者可替代地，模型实例123可以包括用于促进客户端与会话代理学习模型之间的交互的命令行接口。存储装置109可以包括与客户端应用119相关联的客户端应用数据125。客户端应用数据125可以包括关于客户端与会话代理学习模型之间经由模型实例123的任何交互的信息。客户端I/O设备接口111可以通信地联接至一个或多个客户端I/O设备127。CPU 113在图1A中被包括用于代表单个CPU、多个CPU、具有多个处理核心的单个CPU等。客户端网络接口115可以经由网络175从模型服务器***137接收数据并且可以将数据传输至模型服务器***137。客户端计算***105可以被配置为与计算基础设施100内的(多个)其它服务器***进行接口并且/或者可以被配置为与计算基础设施100外部的(多个)服务器***进行接口。
模型***接口135可以用作相对于客户端计算***105、以及与模型服务器***137进行接口的任何其它计算***的服务管理器。模型***接口135可以促进经由网络175向和从模型服务器***137的通信。具体地，模型***接口135可以经由网络175从客户端计算***105接收数据并且可以将数据传输至客户端计算***105。根据一个实施例，模型***接口135可以是与模型服务器***137分离开的计算***，包括单独的处理器、存储器、以及/或者存储装置。可替代地，模型***接口135可以是模型服务器***137的构成部件(例如，软件应用和/或硬件实体)。
模型服务器***137可以包括存储器139、存储装置141、服务器I/O设备接口143、以及CPU 145，其全都可以经由互连部147(例如，总线)进行互连。尽管被示出为单个计算***，但模型服务器***137被包括用于代表单个服务器***或者多个服务器***。模型服务器***137可以是自动化服务管理***。存储器139可以包括模型顾问149和数据库管理***(DBMS)151。如本文进一步描述的，模型顾问149可以是应用，该应用能够根据本文所描述的各个实施例响应于客户端服务请求选择会话代理学习模型服务或者能够促进对会话代理学习模型服务的选择。DBMS151被包括用于代表单个数据库管理***或者多个数据库管理***。存储装置141可以包括模型顾问数据153、模型策略155、储库集合157、以及模型预测数据库159。模型顾问149可以基于与客户端计算***105和/或(多个)其它计算***的交互来生成和处理模型顾问数据153。模型顾问数据153可以包括基于信息语料库的各方面。信息语料库可以包括来自储库集合(例如，储库集合157)的记录和外部数据，包括来自社交网络或者应用(例如，来自外部来源165)的数据。模型顾问数据153进一步可以包括多个模型服务，多个模型服务可以包括“预置(on-premise)”模型服务。模型顾问数据153进一步可以包括对通过外部服务提供商167提供的外部模型服务的一个或多个引用。模型顾问数据153进一步可以包括关于这种外部模型服务的信息。这种外部模型服务可以呈软件即服务的形式。模型顾问149可以向DBMS151发送数据库查询请求(例如，客户端服务请求或者从客户端计算***105接收到的其它查询)，并且DBMS151可以例如基于储库集合157中的数据和/或基于模型预测数据库159中的数据来处理该查询。DBMS151可以包括软件应用，该软件应用被配置为管理储库集合157和/或模型预测数据库159。
储库集合157可以包括一个或多个关系数据库。此外，储库集合157可以包括一个或多个本体树或者其它本体结构。尽管图1A图示了储库集合157中的四个储库，但计算基础设施100可以包括任何数量的储库。模型预测数据库159可以是关系数据库。可替代地，模型预测数据库159可以包括一个或多个本体树或者其它本体结构。根据实施例，DBMS151可以经由网络175向远程数据库(未示出)发送一个或多个请求。DBMS151进一步可以包括软件应用，该软件应用被配置为管理模型预测数据库159。模型预测数据库159可以包括已存储客户端服务请求与相应模型服务之间的关联性。服务器I/O设备接口143可以通信地联接至一个或多个服务器I/O设备161。CPU 145在图1A中被包括用于代表单个CPU、多个CPU、具有多个处理核心的单个CPU等。模型顾问149可以接受由客户端计算***105经由模型***接口135发送至模型服务器***137的请求。模型顾问149进一步可以经由模型***接口135向客户端计算***105传输数据。外部来源165和/或外部服务提供商167可以经由模型***接口135向模型顾问149传输外部数据或者如若不然可以与模型顾问149通信。
在实施例中，与响应于客户端服务请求选择会话代理学习模型服务有关的一个或多个功能可以在模型服务器***137的外部被执行。根据该实施例，模型顾问149可以与模型服务器***137外部的(多个)应用通信以便获取与模型配置和/或模型服务选择有关的信息或者结果。此外，根据该实施例，数据库管理***和模型服务器***137外部的(多个)数据库可以向模型顾问149或者模型服务器***137的(多个)其它部件提供模型配置和/或模型服务选择所需的信息或者能力。
图1B图示了根据实施例的相对于会话代理学习模型的示意图180。如所示出的，客户端1851至185n可以经由应用接口1211至121n与模型实例1231至123n交互，应用接口1211至121n经由相应客户端应用被呈现在相应客户端计算***处。模型顾问149可以通过从模型***接口135接收数据和向模型***接口135传输数据经由模型实例1231至123n与客户端1851至185n交互。相应地，模型***接口135可以促进客户端1851至185n与模型顾问149之间的通信。此外，模型顾问149可以经由模型***接口135从外部来源165获取外部数据或者可以如若不然与外部来源165通信。具体地，模型顾问149可以经由插件195获取这些外部数据，这可以促进从外部来源165进行的数据提取。例如，一个或多个插件195可以促进从社交网络或者社交应用提取用户内容(例如，用户评论、照片等)，以便使得该内容可以被传输至模型顾问149以进行分析和/或处理。此外，模型顾问149可以经由模型***接口135与外部模型服务167通信。根据替代实施例，模型顾问149可以直接从外部来源165和/或外部模型服务167获取外部数据。
此外，如在图1B中示出的，模型***接口135可以促进客户端1851至185n与储库集合157之间的通信。此外，模型顾问149可以与储库集合157中的一个或多个通信。具体地，储库1571可以是包括与客户端1851至185n中的一个或多个相关联的数据(诸如，过去的客户端输入、评论等)的客户端数据储库。储库1572可以是包括(多个)知识库的知识库储库。这些(多个)知识库可以包括与相应问题相对应的各种解决方案的记录(例如，可以经由模型实例1231至123n中的一个或多个从一个或多个客户端计算***接收到的客户端询问、问题、以及/或者任务)。这些(多个)知识库进一步可以包括基于会话代理学习模型与客户端1851至185n中的一个或多个之间的交互的一个或多个方面的分析信息、以及与会话代理学习模型的一般方面有关的分析信息，包括储库数据、外部数据、以及客户端信息(例如，服务台分析)。此外，模型顾问149可以在响应于客户端服务请求选择至少一个模型服务的过程期间查阅这些(多个)知识库。储库1573可以是事件/修改储库，其可以包括事件和修改的(多个)数据库。事件和修改的(多个)数据库可以包括所有未解决问题和/或已解决问题的记录，包括与在先前或者当前被打开以解决相应客户端服务请求的任何服务票据有关的记录。储库1574可以是包括一个或多个日志的日志储库。一个或多个日志分别可以包括一个或多个客户端1851至185n与模型服务器***137之间的追踪到的信息交换的记录。储库集合157中的储库1571至1574仅仅是示例。在替代实施例中，储库集合157可以包括储库子集1571至1574和/或附加储库。
此外，如在图1B中示出的，模型顾问149可以查阅和/或可以更新模型策略155。模型策略155可以包括一组规则，这些规则指示如何和/或何时更新模型实例1231至123n中的一个或多个或者会话代理学习模型的其它方面(诸如，储库集合157内的内容)。在实施例中，模型策略155可以包括一个或多个规则，该一个或多个规则规定关于一个或多个模型方面的一个或多个定期更新策略。该一个或多个定期更新策略可以在一个或多个指定定期时间间隔下指导一个或多个模型方面的更新。此外或者可替代地，该一个或多个定期更新策略可以基于(多个)知识库的变化和/或基于分析信息(例如，服务台分析)来指导一个或多个模型方面的更新。在又一实施例中，模型策略155可以包括一个或多个规则，该一个或多个规则规定一个或多个管理更新策略。该一个或多个管理更新策略可以根据与会话代理学习模型相关联的域管理员的判断来指导一个或多个模型方面的更新。
此外，模型顾问149可以从模型预测数据库159获取信息，以及/或者可以促进模型预测数据库159的更新。具体地，模型顾问149可以从模型预测数据库159获取关于与相应已存储服务请求相关联的(多个)模型服务的信息。这些已存储服务请求可以是基于先前的客户端服务请求。模型顾问149可以促进直接经由模型服务器***137和/或在外部(例如，经由外部服务提供商167)提供与相应已存储服务请求相关联的(多个)模型服务。此外，模型顾问149可以促进关于在模型预测数据库159中引用的(多个)模型服务的信息交换。基于模型预测数据库159中的信息，模型顾问149可以响应于相应客户端服务请求向客户端1851至185n中的一个或多个提供(多个)模型服务预测。
模型顾问149、模型***接口135、模型策略155、储库集合157、模型预测数据库159、以及模型实例1231至123n可以构成根据本文所描述的各个实施例的会话代理学习模型(例如，机器人模型、聊天机器人模型、或者会话模型)的关键部件。如在图1B中示出的示意图180描绘了模型部件的示例性配置。模型部件的替代配置意在落在各个实施例的保护范围内。
图2图示了用于经由会话代理学习模型来解决客户端服务请求的方法200。与方法200和本文所描述的其它方法相关联的一个或多个步骤可以在客户端-服务器计算环境(例如，计算基础设施100)中被执行。此外或者可替代地，与方法200和本文所描述的其它方法相关联的一个或多个步骤可以在云计算环境的一个或多个工作负载内被执行。此外或者可替代地，与方法200和本文所描述的其它方法相关联的一个或多个步骤可以在对等网络环境中被执行，在这种情况下，本文所描述的一个或多个方法步骤可以经由对等计算***的对等应用来执行。
服务器***的模型顾问(例如，模型服务器***137的模型顾问149)可以促进根据方法200的处理。方法200可以在步骤205处开始，在步骤205处，模型顾问可以接收与客户端***(例如，客户端计算***105)相关联的客户端服务请求和与客户端服务请求相关联的数据。客户端服务请求可以是由客户端经由客户端***的客户端应用接口(例如，客户端计算***105的应用接口121)向模型***接口(例如，模型***接口135)提交的查询。在本文所描述的各个实施例的上下文中，客户端可以是能够对客户端***进行物理访问和/或电子访问的个人、一群个体、或者基于计算机的实体。可选地，客户端服务请求可以是经由与会话代理学习模型相关联且可经由客户端***的客户端应用接口进行访问的模型实例(例如，模型实例123)来提交。模型***接口可以是控制台管理器或者服务管理器。模型***接口连同模型实例一起可以构成会话代理学习模型的前端的相应部分。在接收到客户端服务请求时，模型***接口可以将客户端服务请求和相关联的数据传输至模型顾问，模型顾问可以根据步骤205接收客户端服务请求和相关联的数据。与客户端服务请求相关联的数据可以包括从客户端服务请求和上下文信息中提取的至少一个关键词。
在实施例中，上下文信息可以包括与客户端***相关联的数据。该客户端***数据可以包括客户端配置文件数据和/或客户端资产数据。客户端配置文件数据可以是从客户端数据储库(例如，储库1571)获取并且可以与客户端***的计算细节(例如，相关联的软件)和/或个人细节(与使用客户端***的客户端有关)有关。客户端资产数据可以包括客户端***的物理特性，包括客户端***的网络访问能力、客户端***的网络位置、以及/或者客户端***的处理能力。此外，上下文信息可以包括关于与客户端服务请求有关的至少一个服务请求的信息。该至少一个有关服务请求可能与客户端服务请求具有一个或多个相似点，例如，相似的(多个)关键词和/或相似的(多个)服务问题/(多个)主题。该至少一个有关服务请求可以源自客户端***和/或(多个)其它***。模型***接口可以维持传入服务请求的记录，例如，呈服务票据的形式。相应地，模型***接口可以通过访问与该有关服务请求相关联的服务票据或者其它记录来识别服务请求的与客户端服务请求有关的相应记录。模型***接口可以将该信息转送至模型顾问，模型顾问又可以根据步骤205接收信息。此外，模型顾问可以从事件/修改储库(例如，储库1573)获取关于与客户端服务请求有关的至少一个服务请求的信息，包括关于在先前或者当前被打开的任何服务票据的信息。模型顾问可以使用关于与客户端服务请求有关的至少一个服务请求的信息来确定客户端服务请求与其它服务请求之间的相似点的性质和/或程度。
在步骤210处，基于与客户端服务请求相关联的数据，模型顾问可以在与会话代理学习模型相关联的多个模型服务中选择至少一个模型服务。由模型顾问选择的至少一个模型服务可以是直接由服务器***提供(例如，“预置”模型服务)并且/或者可以是通过一个或多个外部服务提供商(例如，外部服务提供商165)在外部以软件即服务的形式提供。模型顾问可以分析从客户端服务请求提取的至少一个关键词以及客户端配置文件数据和/或客户端资产数据以便根据步骤210选择至少一个模型服务。如本文进一步讨论的，模型顾问可以响应于确定客户端服务请求与已存储服务请求之间的对应性来选择与被存储在预测数据库(例如，模型预测数据库159)中的服务请求相关联的至少一个模型服务。响应于确定不存在这种对应性，模型顾问可以通过基于多个预定义因素评估客户端服务请求来选择至少一个模型服务。相对于图3描述了关于根据步骤210响应于客户端服务请求选择至少一个模型服务的实施例。
尽管模型顾问可以响应于确定单个模型服务最严密地解决客户端服务请求来选择该单个模型服务，但模型顾问也可以响应于确定单个模型服务不能明确地解决该请求(即，响应于在评估相应模型服务时确定多个模型服务中任一单个模型服务都没有与所有其它模型服务相比明确的优点)来选择多个模型服务。如果客户端服务请求包括多个方面(例如，被呈现以待解决的多个可识别问题)，则可能出现这种情况。例如，在多个模型服务中，模型顾问可以确定模型服务A最佳地解决客户端服务请求的一个方面，但模型服务B最佳地解决客户端服务请求的另一方面。作为响应，模型顾问可以根据步骤210选择模型服务A和模型服务B两者。
在步骤215处，模型顾问可以响应于客户端服务请求将对至少一个模型服务的选择提供至客户端***。模型***接口可以促进将所选择的至少一个模型服务提供至客户端***。在实施例中，模型顾问可以经由与会话代理学习模型相关联且可通过客户端***进行访问的模型实例或者经由客户端应用接口的另一方面或者部分将该选择提供至客户端***。根据步骤215提供的所选择的至少一个模型服务可以构成对可能能够最适当地解决客户端服务请求的至少一个模型服务的预测。基于该预测，与客户端***相关联的客户端可以尝试经由所提供的至少一个模型服务来解决客户端服务请求中的问题。具体地，客户端可以尝试访问由模型顾问在步骤215处提供的至少一个模型服务以便获取对客户端服务请求的解决方案(例如，在客户端服务请求中反映的问题的一个或多个解决方案)。客户端可以尝试经由模型实例查阅所提供的至少一个模型服务。
图3图示了根据实施例的用于在与会话代理学习模型相关联的多个模型服务中选择至少一个模型服务的方法300。方法300提供相对于方法200的步骤210的示例性实施例。方法300可以在步骤305处开始，在步骤305处，模型顾问可以确定多个已存储服务请求中的已存储服务请求是否与客户端服务请求相对应。多个已存储服务请求可以在预测数据库中被引用。根据实施例，多个已存储服务请求可以包括一个或多个已存储查询。相对于图4描述了关于根据步骤305确定多个已存储服务请求中的已存储服务请求是否与客户端服务请求相对应的实施例。响应于在步骤305处确定多个已存储服务请求中的已存储服务请求与客户端服务请求相对应，在步骤310处，模型顾问可以在多个模型服务中选择与已存储服务请求相关联的至少一个模型服务。响应于在步骤305处确定多个已存储服务请求中没有已存储服务请求与客户端服务请求相对应，在步骤315处，模型顾问可以通过基于多个预定义因素评估客户端服务请求来在多个模型服务中选择至少一个模型服务。相对于图5描述了关于根据步骤315通过基于多个预定义因素评估客户端服务请求来选择至少一个模型服务的实施例。在该实施例的上下文中，预定义因素可以包括社交媒体趋势、(多个)成本变量、以及/或者客户端配置。
图4图示了根据实施例的用于确定多个已存储服务请求中的已存储服务请求是否与在步骤205处接收到的客户端服务请求相对应的方法400。方法400提供相对于方法300的步骤305的示例性实施例。方法400可以在步骤405处开始，在步骤405处，模型顾问可以确定已存储服务请求是否符合与客户端服务请求相关联的输入标准。
在实施例中，根据步骤405进行分析的输入标准可以包括关键词要求。为了确定已存储服务请求是否满足关键词要求，模型顾问可以将为已存储服务请求提供的任何(多个)关键词与从客户端服务请求提取的至少一个关键词作比较。例如，模型顾问可以确定与已存储服务请求相关联的任何(多个)关键词是否与从客户端服务请求提取的至少一个关键词相同或者同义。附加地或者备选地，模型顾问可以确定与已存储服务请求相关联的任何(多个)关键词是否与从客户端服务请求提取的至少一个关键词具有本体论关系。
在又一实施例中，根据步骤405进行分析的输入标准可以包括主题要求。主题要求可以是基于根据主题对服务请求的分类。为了确定已存储服务请求是否满足分类要求，模型顾问可以将已存储服务请求的任何主题分类与客户端服务请求的任何主题分类作比较以确定主题兼容性。例如，模型顾问可以确定与已存储服务请求相关联的任何主题分类是否同与客户端服务请求相关联的任何主题分类相同或者同义。附加地或者备选地，模型顾问可以确定与已存储服务请求相关联的任何主题分类是否同与客户端服务请求相关联的任何主题分类具有本体论关系。与客户端服务请求相关联的任何主题分类可以由客户端经由客户端***明确地指定、并且/或者可以由模型顾问在接收到客户端服务请求时确定。
模型顾问可以通过使用文本比较(例如，经由一个或多个字符串匹配算法和/或文本比较算法)和/或自然语言处理来完成关键词比较和/或主题比较。响应于在步骤405处确定已存储服务请求符合与客户端服务请求相关联的输入标准，模型顾问可以继续进行至步骤410。响应于在步骤405处确定已存储服务请求不符合与客户端服务请求相关联的输入标准，模型顾问可以继续进行至步骤415，在步骤415处，模型顾问可以确定已存储服务请求不与客户端服务请求相对应。
在步骤410处，模型顾问可以确定已存储服务请求满足相对于客户端服务请求的至少一个预定相似性阈值。至少一个预定阈值可以确保已存储服务请求的各方面处于客户端服务请求的对应方面的相似性阈值内。在实施例中，模型顾问可以通过确认在步骤405处相对于输入标准进行的任何(多个)比较指示已存储服务请求与客户端服务请求之间的最小相似度级别来进行阈值确定。尽管指示已存储服务请求和客户端服务请求的各方面之间的相同关系的比较可能几乎总是满足至少一个预定相似性阈值，但指示同义或者本体论关系的一些比较可能不满足至少一个预定相似性关系。至少一个预定相似性关系可以由模型管理员指定。附加地或者备选地，模型顾问可以给客户端提供校准至少一个预定阈值的选项。响应于在步骤410处确定已存储服务请求满足相对于客户端服务请求的至少一个预定相似性阈值，模型顾问可以继续进行至步骤420，在步骤420处，模型顾问可以确定已存储服务请求与客户端服务请求相对应。响应于在步骤410处确定已存储服务请求不满足相对于客户端服务请求的至少一个预定相似性阈值，模型顾问可以继续进行至步骤415，在步骤415处，模型顾问可以确定已存储服务请求不与客户端服务请求相对应。
在实施例中，模型顾问可以根据方法400来处理多个已存储服务请求中的相应已存储服务请求，直到发现与客户端服务请求相对应的已存储服务请求。在备选实施例中，模型顾问可以根据方法400来处理多个已存储服务请求中的每个已存储服务请求。根据该备选实施例，模型顾问可以根据方法400来确定与客户端服务请求相对应的多个已存储服务请求。
图5图示了根据实施例的通过基于多个预定义因素评估在步骤205处接收到的客户端服务请求来在多个模型服务中选择至少一个模型服务的方法500。方法500提供相对于方法300的步骤315的示例实施例。尽管社交媒体趋势、(多个)成本变量、以及客户端配置是在方法500的上下文中讨论的预定义因素，但模型顾问也可以基于附加或者备选因素来评估客户端服务请求。模型顾问可以通过如下方式来评估客户端服务请求：通过基于多个预定义因素测量与客户端服务请求相关联的已分类数据并且在与会话代理学习模型相关联的多个模型服务中的每一个的上下文中计算已分类数据的相应得分。
方法500可以在步骤505处开始，在步骤505处，模型顾问可以对与客户端服务请求相关联的数据进行分类。模型顾问可以通过分析从客户端服务请求和/或上下文信息中提取的至少一个关键词来对客户端服务请求数据进行分类。附加地或者备选地，模型顾问可以通过确定客户端服务请求的至少一个其它方面并且对该至少一个其它方面进行分类来对客户端服务请求数据进行分类。具体地，模型顾问可以通过标识以下来对客户端服务请求数据进行分类：与客户端服务请求相关联的至少一个主题、与客户端服务请求相关联的至少一个意图、与客户端服务请求相关联的至少一个实体、以及/或者用于解决至少一个意图的至少一个潜在行动(例如，解决方案)。在本文所描述的各种实施例的上下文中，意图可以指示目的或者目标。各种实施例的上下文中的实体可以是对象类或者数据类型，其使得能够选择至少一个(潜在的)行动，以便解决一个或多个意图。在根据步骤505对与客户端服务请求相关联的数据进行分类后，模型顾问可以存储与模型顾问相关联的数据(例如，模型顾问数据153)中的已分类数据。附加地或者备选地，模型顾问可以将已分类数据存储在客户端数据存储库中。
例如，假定模型顾问从客户端纳税人接收到呈账单付款请求的形式的客户端服务请求，则模型顾问可以标识财务主题和账单付款意图。模型顾问进一步可以将账单标识为实体。将账单标识为实体又可以使得模型顾问能够标识账单上的潜在行动以便解决账单付款意图，例如，代表客户端纳税人处理账单的付款。在根据步骤505对与来自客户端纳税人的账单付款请求相关联的数据进行分类后，模型顾问可以将经标识的主题、意图、实体、以及潜在行动存储在与模型顾问相关联的数据中和/或在客户端数据存储库中。
在步骤510处，模型顾问可以基于社交媒体趋势来测量与客户端服务请求相关联的已分类数据。模型顾问可以通过监测社交渠道(例如，通过社交媒体提供商集合)来观察社交媒体趋势。社交媒体提供商集合可以包括指定的社交网络应用集合。观察社交媒体提供商集合内的趋势可以使得模型顾问能够测量控制环境内的已分类数据，因此为多个模型服务的均等比较提供基础。具体地，模型顾问可以在多个模型服务中的每一个的上下文中在社交媒体提供商集合内计算针对已分类数据的社交媒体得分。社交媒体得分可以基于相对于社交媒体情绪、社交媒体流行率、以及社交媒体范围计算出的一个或多个得分。相对于图6描述了关于基于社交媒体趋势测量已分类数据(包括社交媒体得分的计算)的实施例。
可选地，在步骤515处，模型顾问可以基于至少一个成本变量来测量与客户端服务请求相关联的已分类数据。模型顾问可以就解决或者以其他方式处理已分类数据的至少一个方面(例如，至少一个主题、至少一个意图、至少一个实体、至少一个潜在行动、以及/或者至少一个关键词)而言比较多个模型服务中的每一个的相应成本。例如，基于已分类数据，模型顾问可以比较相对于多个模型服务中的每一个的标识和/或使用的资源利用成本。具体地，标识和分析多个模型服务中的一个或多个可能会引起相对于一个或多个搜索服务的成本。基于在步骤515处的测量，模型顾问可以在多个模型服务中的每一个的上下文中计算针对已分类数据的成本变量得分。
可选地，在步骤520处，模型顾问可以基于客户端配置来测量与客户端服务请求相关联的已分类数据。模型顾问可以在客户端***的网络位置和/或资产的上下文中分析已分类数据的至少一个方面(例如，至少一个主题、至少一个意图、至少一个实体、至少一个潜在行动、以及/或者至少一个关键词)，以确定多个模型服务中的哪些能够最恰当地解决该至少一个方面。例如，在考虑到客户端***的位置和/或资产的情况下，特定模型服务可以最恰当地解决在已分类数据内标识出的某一主题或者意图。基于在步骤520处的测量，模型顾问可以在多个模型服务中的每一个的上下文中计算针对已分类数据的客户端配置得分。
在步骤525处，响应于测量与客户端服务请求相关联的已分类数据，模型顾问可以在多个模型服务中选择至少一个模型服务。根据步骤525对至少一个模型服务的选择可以构成对最适合于解决在步骤205处接收到的客户端服务请求的(多个)模型服务的预测。在实施例中，模型顾问可以响应于测量已分类数据通过比较在多个模型服务中的每一个的上下文中分别针对已分类数据计算出的模型服务得分来在多个模型服务中选择至少一个模型服务。根据该实施例，模型顾问可以在多个模型服务中的每一个的上下文中计算针对已分类数据的模型服务得分，并且随后可以比较相应计算出的模型服务得分。例如，模型顾问可以迭代地将每个模型服务得分与每个其它模型服务得分作比较。此外，根据该实施例，模型顾问可以选择至少一个模型服务，在该至少一个模型服务的上下文中，模型顾问计算针对已分类数据的最高模型服务得分。具体地，模型顾问可以响应于确定针对已分类数据计算出的模型服务得分在单个模型服务的上下文中最高来选择该单个模型服务。模型顾问可以响应于确定针对已分类数据计算出的模型服务得分在多个模型服务的上下文中最高来选择该多个模型服务。
在多个模型服务中的每一个的上下文中针对已分类数据计算出的模型服务得分可以基于根据步骤510计算出的社交媒体得分。此外，在多个模型服务中的每一个的上下文中针对已分类数据计算出的模型服务得分可选地可以基于根据步骤515计算出的成本变量得分。此外，在多个模型服务中的每一个的上下文中针对已分类数据计算出的模型服务得分可选地可以基于根据步骤520计算出的客户端配置得分。如果在多个模型服务中的每一个的上下文中针对已分类数据计算出的模型服务得分基于根据步骤510计算出的社交媒体得分、根据步骤515计算出的成本变量得分、以及根据步骤520计算出的客户端配置得分中的多于一个，则模型顾问可以通过求相应得分的平均数或者合计相应得分来计算模型服务得分。在实施例中，模型顾问可以通过如下方式来计算模型服务得分：均匀地加权社交媒体得分、成本变量得分、以及客户端配置得分并且随后求这三个得分的平均数或者合计这三个得分(或者求这三个得分的子集的平均数或者合计这三个得分的子集)。在备选实施例中，模型顾问可以通过如下方式来计算模型服务得分：将不同的加权值应用至社交媒体得分、成本变量得分、以及客户端配置得分并且随后基于不均匀加权求这三个得分的平均数或者合计这三个得分(或者求这三个得分的子集的平均数或者合计这三个得分的子集)。通过应用根据该备选实施例的不均匀加权，模型顾问可以相对于其它(多个)预定义因素强调一个或多个预定义因素。例如，在确定社交媒体趋势相对于已分类数据比(多个)成本变量或者客户端配置相对更重要时，模型顾问可以通过相对于成本变量得分和客户端配置得分将更高权重应用至社交媒体得分来计算模型服务得分。
在根据步骤525选择至少一个模型服务后，在步骤530处，模型顾问可以在预测数据库中存储客户端服务请求与所选择的至少一个模型服务之间的关联性。通过将该关联性存储在预测数据库中，模型顾问可以在接收到与客户端服务请求相对应的随后客户端服务请求时提供包括所选择的至少一个模型服务的预测，因此避免对步骤505-525的不必要重复。此外，在步骤530处，模型顾问可以将客户端服务请求(或者对其的引用)连同客户端服务请求与所选择的至少一个模型服务之间的关联性一起存储在预测数据库中。例如，在方法300的上下文中，在随后的会话中，模型顾问可以在步骤305处确定随后的客户端服务请求与如根据步骤530进行存储的客户端服务请求相对应，并且在步骤310处，模型顾问可以在根据步骤530对关联性进行存储之后选择与已存储的客户端服务请求相关联的至少一个模型服务。
图6图示了根据实施例的基于社交媒体趋势测量与客户端服务请求相关联的已分类数据的方法600。方法600提供相对于方法500的步骤510的示例实施例。方法600可以在步骤605处开始，在步骤605处，模型顾问可以在多个模型服务中的每一个的上下文中在社交媒体提供商集合内计算针对已分类数据的至少一个方面的情绪得分。在本文所描述的各种实施例的上下文中与社交媒体提供商集合内的方面相关联的情绪可以指感觉、情感、以及/或者态度。具体地，模型顾问可以在多个模型服务中的每一个的上下文中基于与已分类数据的至少一个方面(例如，至少一个主题、至少一个意图、至少一个实体、至少一个潜在行动、以及/或者至少一个关键词)相关联的情绪水平(例如，高/低情绪)和情绪极性(例如，积极/中性/负面情绪)来计算情绪得分。例如，对于多个模型服务中的每一个，模型顾问可以计算具有情绪水平部分和情绪极性部分的情绪得分，以在模型服务的上下文中在社交媒体提供商集合内评估对已分类数据的至少一个方面的任何(多个)引用。在该示例中，在某一模型服务的上下文中相对于至少一个方面指示高度积极社交媒体情绪的情绪得分可以指示使得该模型服务可以恰当地解决与客户端服务请求相关联的已分类数据的至少一个方面的相对更高的可能性。相反，在该示例中，在某一模型服务的上下文中相对于至少一个方面指示高度负面社交媒体情绪的情绪得分可以指示使得该模型服务可以恰当地解决该至少一个方面的相对较低的可能性。在备选实施例中，对于多个模型服务中的每一个，模型顾问可以计算具有情绪水平部分或者情绪极性部分(而不是这两者)的情绪得分，以在模型服务的上下文中在社交媒体提供商集合内评估对已分类数据的至少一个方面的任何(多个)引用。
在又一实施例中，模型顾问可以在多个模型服务中的每一个的上下文中在社交媒体提供商集合内计算针对已分类数据的多个方面的多个相应情绪得分。根据该实施例，模型顾问可以在多个模型服务中的每一个的上下文中针对已分类数据求多个相应情绪得分的平均数或者将多个相应情绪得分合计为单个情绪得分。例如，如果模型顾问在多个模型服务中的每一个的上下文中计算相对于主题A的一个情绪得分和相对于主题B的另一情绪得分，则模型顾问可以在多个模型服务中的每一个的上下文中针对已分类数据求相对于主题A和相对于主题B计算出的情绪得分求平均数或者将这些情绪得分合计为单个情绪得分。
在步骤610处，模型顾问可以在多个模型服务中的每一个的上下文中在社交媒体提供商集合内计算针对已分类数据的至少一个方面的流行率得分。在本文所描述的各种实施例的上下文中在社交媒体提供商集合内的方面的流行率可以指该社交媒体提供商集合内的该方面的优势或者显著性。具体地，模型顾问可以在多个模型服务中的每一个的上下文中在社交媒体提供商集合内基于对已分类数据的至少一个方面(例如，至少一个主题、至少一个意图、至少一个实体、至少一个潜在行动、以及/或者至少一个关键词)的多个引用来计算流行率得分。例如，对于多个模型服务中的每一个，模型顾问可以计算反映流行率(例如，在模型服务的上下文中在社交媒体提供商集合内的内容帖子中对至少一个方面的引用的数目与该社交媒体提供商集合内的内容帖子的总数目的比率)的流行率得分。在该示例中，在某一模型服务的上下文中相对于已分类数据的至少一个方面计算出的较高流行率(以及因此较高流行率得分)可以指示使得该模型服务可以恰当地解决与客户端服务请求相关联的已分类数据的至少一个方面的相对较高的可能性。相反，在该示例中，在某一模型服务的上下文中相对于已分类数据的至少一个方面计算出的较低流行率(以及因此较低流行率得分)可以指示使得该模型服务可以恰当地解决该至少一个方面的相对较低的可能性。
在又一实施例中，模型顾问可以在多个模型服务中的每一个的上下文中在社交媒体提供商集合内计算针对已分类数据的多个方面的多个相应流行率得分。根据该实施例，模型顾问可以针对已分类数据求多个相应流行率得分的平均数或者将多个相应流行率得分合计为单个流行率得分。例如，如果模型顾问在多个模型服务中的每一个的上下文中计算相对于主题C的一个流行率得分和相对于主题D的另一流行率得分，则模型顾问可以在多个模型服务中的每一个的上下文中针对已分类数据求相对于主题C和相对于主题D计算出的流行率得分的平均数或者将这些流行率得分合计为单个流行率得分。
在步骤615处，模型顾问可以在多个模型服务中的每一个的上下文中在社交媒体提供商集合内计算针对已分类数据的至少一个方面的范围得分。在本文所描述的各种实施例的上下文中，在社交媒体提供商集合内的方面的范围可以指该社交媒体提供商集合内的该方面的影响范围或者幅度。具体地，模型顾问可以在多个模型服务中的每一个的上下文中在社交媒体提供商集合内基于讨论已分类数据的至少一个方面(例如，至少一个主题、至少一个意图、至少一个实体、至少一个潜在行动、以及/或者至少一个关键词)的多个用户来计算范围得分。例如，对于多个模型服务中的每一个，模型顾问可以计算反映范围比率(例如，在模型服务的上下文中在社交媒体提供商集合内讨论至少一个方面的用户的数目与该社交媒体提供商集合内的用户的总数目的比率)的范围得分。在该示例中，在某一模型服务的上下文中相对于至少一个方面计算出的较高范围比率(以及因此较高范围得分)可以指示使得该模型服务可以恰当地解决与客户端服务请求相关联的已分类数据的至少一个方面的相对较高的可能性。相反，在该示例中，在某一模型服务的上下文中相对于至少一个方面计算出的较低范围比率(以及因此较低范围得分)可以指示使得该模型服务可以恰当地解决该至少一个方面的相对较低的可能性。
在又一实施例中，模型顾问可以在多个模型服务中的每一个的上下文中在社交媒体提供商集合内计算针对已分类数据的多个方面的多个相应范围得分。根据该实施例，模型顾问可以针对已分类数据求多个相应范围得分的平均数或者将多个相应范围得分合计为单个范围得分。例如，如果模型顾问在多个模型服务中的每一个的上下文中计算相对于主题E的一个范围得分和相对于主题F的另一范围得分，则模型顾问可以在多个模型服务中的每一个的上下文中针对已分类数据求相对于主题E和相对于主题F计算出的范围得分的平均数或者将这些范围得分合计为单个范围得分。
在实施例中，模型顾问可以通过出于每次计算的目的而集中于已分类数据的(多个)相同方面来在多个模型服务中的每一个的上下文中计算情绪得分、流行率得分、以及/或者范围得分。例如，模型顾问可以通过集中于已分类数据内的主题A来在多个模型服务中的每一个的上下文中计算情绪得分、流行率得分、以及范围得分。在备选实施例中，模型顾问可以通过出于每次计算的目的而集中于已分类数据的不同方面来在多个模型服务中的每一个的上下文中计算情绪得分、流行率得分、以及/或者范围得分。例如，模型顾问可以通过如下方式在多个模型服务中的每一个的上下文中计算情绪得分、流行率得分、以及范围得分：通过集中于已分类数据内的主题A以便计算情绪得分、通过集中于已分类数据内的主题B以便计算流行率得分、以及通过集中于已分类数据内的意图C和实体D以便计算范围得分。
在步骤620处，在多个模型服务中的每一个的上下文中，模型顾问可以基于在步骤605-615处计算出的相应得分(即，情绪得分、流行率得分、以及/或者范围得分)的全部或者子集来计算针对已分类数据的社交媒体得分。如果在多个模型服务中的每一个的上下文中计算出的社交媒体得分基于根据步骤605计算出的情绪得分、根据步骤610计算出的流行率得分、以及根据步骤615计算出的范围得分中的多于一个，则模型顾问可以通过求相应得分的平均数或者合计相应得分来计算社交媒体得分。在实施例中，模型顾问可以通过如下方式来计算社交媒体得分：均匀地加权情绪得分、流行率得分、以及范围得分并且随后求这三个得分的平均数或者合计这三个得分(或者求这三个得分的子集的平均数或者合计这三个得分的子集)。在备选实施例中，模型顾问可以通过如下方式来计算社交媒体得分：将不同的加权值分别应用至情绪得分、流行率得分、以及范围得分并且随后基于不均匀加权求这三个得分的平均数或者合计这三个得分(或者求这三个得分的子集的平均数或者合计这三个得分的子集)。通过应用根据该备选实施例的不均匀加权，模型顾问可以相对于其它(多个)社交媒体趋势强调一个或多个社交媒体趋势。例如，在确定社交媒体情绪相对于已分类数据比社交媒体流行率或者社交媒体范围相对更重要时，模型顾问可以通过相对于流行率得分和范围得分将更高权重应用至情绪得分来计算社交媒体得分。
在又一备选实施例中，社交媒体得分可以包含相对于一个或多个附加社交媒体趋势计算出的(多个)得分。针对给定模型服务计算出的社交媒体得分可以指示使得该模型服务可以恰当地解决与客户端服务请求相关联的已分类数据的至少一个方面的可能性。模型顾问可以执行方法600的全部步骤或者步骤605-615的子集。附加地，模型顾问可以按任何顺序执行步骤605-615。通过根据方法600计算一个或多个得分以便测量社交媒体趋势，模型顾问可以在多个模型服务的每一个的上下文中确定与客户端服务请求相关联的一个或多个方面的相对兼容性。
图7图示了根据实施例的相对于在多个模型服务中的每一个的上下文中针对已分类数据计算模型服务得分705的示意图700。模型顾问可以根据先前描述的步骤525的实施例在多个模型服务中的每一个的上下文中计算针对已分类数据的模型服务得分705。具体地，模型顾问可以基于根据步骤510计算出的社交媒体得分710来计算模型服务得分705。可选地，模型顾问进一步可以基于根据步骤515计算出的成本变量得分715来计算模型服务得分705。可选地，模型顾问进一步可以基于根据步骤520计算出的客户端配置得分720来计算模型服务得分705。如果模型服务得分705基于社交媒体得分710、成本变量得分715、以及客户端配置得分720中的多于一个，则模型顾问可以通过求相应得分的平均数或者合计相应得分来计算模型服务得分705。如先前所描述的，相应得分可以均匀地或者不均匀地进行加权。
根据先前相对于方法600描述的实施例，模型顾问可以基于如下得分根据步骤620在多个模型服务中的每一个的上下文中计算针对已分类数据的社交媒体得分710：根据步骤605计算出的情绪得分725、根据步骤610计算出的流行率得分730、以及/或者根据步骤615计算出的范围得分735。如果社交媒体得分710基于情绪得分725、流行率得分730、以及范围得分735中的多于一个，则模型服务可以通过求相应得分的平均数或者合计相应得分来计算社交媒体得分710。如先前所描述的，相应得分可以均匀地或者不均匀地进行加权。
已经出于图示的目的呈现了对本发明的各种实施例的描述，但该描述并不意在是详尽的或者限制于所公开的实施例。对所描述的实施例进行的所有种类的修改以及等效布置都应该落在本发明的保护范围内。因此，本发明的范围应该结合详细描述根据随后的权利要求书来进行最广泛地解释，并且应该涵盖所有可能的等效变型和等效布置。在不背离所描述的实施例的范围和精神的情况下，许多修改和变型对于本领域的普通技术人员而言是明显的。本文所使用的术语被选择用于最佳地解释各实施例的原理、实际应用或者相对于市场上发现的技术的技术的改进，或者用于使得本领域的其它普通技术人员能够理解本文所描述的实施例。

Claims (11)

1.一种方法，包括：
接收与客户端***相关联的客户端服务请求和与所述客户端服务请求相关联的数据，其中与所述客户端服务请求相关联的所述数据包括从所述客户端服务请求和上下文信息中提取的至少一个关键词；
基于与所述客户端服务请求相关联的所述数据，在与会话代理学习模型相关联的多个模型服务中选择至少一个模型服务，其中选择至少一个模型服务包括：响应于确定在预测数据库中引用的多个已存储服务请求中没有已存储服务请求与所述客户端服务请求相对应，通过以下步骤评估所述客户端服务请求来在所述多个模型服务中选择至少一个模型服务：
对与所述客户端服务请求相关联的所述数据进行分类；
基于多个预定义因素测量已分类数据，所述多个预定义因素包括社交媒体趋势、至少一个成本变量、以及/或者客户端配置；
响应于测量所述已分类数据在所述多个模型服务中选择至少一个模型服务；以及
在所述预测数据库中存储所述客户端服务请求与所选择的至少一个模型服务之间的关联性；以及
响应于所述客户端服务请求，向所述客户端***提供对所选择的至少一个模型服务。
2.根据权利要求1所述的方法，其中所述上下文信息包括与所述客户端***相关联的数据和关于与所述客户端服务请求有关的至少一个服务请求的信息。
3.根据权利要求1所述的方法，其中选择至少一个模型服务还包括：
响应于确定在预测数据库中引用的多个已存储服务请求中的已存储服务请求与所述客户端服务请求相对应，在所述多个模型服务中选择与所述已存储服务请求相关联的至少一个模型服务。
4.根据权利要求3所述的方法，其中确定所述多个已存储服务请求中的已存储服务请求与所述客户端服务请求相对应包括：
确定所述已存储服务请求符合与所述客户端服务请求相关联的输入标准；以及
确定所述已存储服务请求满足相对于所述客户端服务请求的至少一个预定相似性阈值。
5.根据权利要求1所述的方法，其中响应于测量所述已分类数据在所述多个模型服务中选择至少一个模型服务包括：比较在所述多个模型服务中的每一个模型服务的上下文中分别针对所述已分类数据计算出的模型服务得分。
6.根据权利要求1所述的方法，其中基于所述社交媒体趋势测量所述已分类数据包括：
在所述多个模型服务中的每一个模型服务的上下文中在社交媒体提供商集合内计算针对所述已分类数据的至少一个方面的情绪得分。
7.根据权利要求1所述的方法，其中基于所述社交媒体趋势测量所述已分类数据包括：
在所述多个模型服务中的每一个模型服务的上下文中在社交媒体提供商集合内计算针对所述已分类数据的至少一个方面的流行率得分。
8.根据权利要求1所述的方法，其中基于所述社交媒体趋势测量所述已分类数据包括：
在所述多个模型服务中的每一个模型服务的上下文中在社交媒体提供商集合内计算针对所述已分类数据的至少一个方面的范围得分。
9.一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序具有利用其体现的程序指令，所述程序指令由计算设备可执行，以使所述计算设备执行根据权利要求1至8中任一项所述的方法的方法步骤。
10.一种***，包括：
处理器；以及
存储应用程序的存储器，所述应用程序当在所述处理器上被执行时执行根据权利要求1至8中任一项所述的方法的方法步骤。
11.一种装置，所述装置包括模块，所述模块单独地被配置为执行根据权利要求1至8中任一项所述的方法的每个步骤。
CN201910111869.6A 2018-02-13 2019-02-12 用于解决客户端服务请求的会话代理学习模型服务选择 Active CN110162606B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/895,989 2018-02-13
US15/895,989 US10834227B2 (en) 2018-02-13 2018-02-13 Conversational agent learning model service selection to address a client service request

Publications (2)

Publication Number Publication Date
CN110162606A CN110162606A (zh) 2019-08-23
CN110162606B true CN110162606B (zh) 2023-05-09

Family

ID=67540321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910111869.6A Active CN110162606B (zh) 2018-02-13 2019-02-12 用于解决客户端服务请求的会话代理学习模型服务选择

Country Status (2)

Country Link
US (1) US10834227B2 (zh)
CN (1) CN110162606B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10834034B2 (en) * 2018-08-21 2020-11-10 International Business Machines Corporation Cognitively generating user group using optimal messaging queue lengths for collaborative messaging platforms
CN110830551B (zh) * 2019-09-30 2023-01-24 浙江口碑网络技术有限公司 业务请求处理方法、装置及***
EP4062587A1 (en) * 2020-01-03 2022-09-28 Huawei Technologies Co., Ltd. Network entity for determining a model for digitally analyzing input data
CN113965563B (zh) * 2020-12-18 2023-09-26 深圳平安智汇企业信息管理有限公司 基于模型的业务处理方法及装置、服务器
CN114792089A (zh) * 2021-01-26 2022-07-26 伊姆西Ip控股有限责任公司 用于管理计算机***的方法、设备和程序产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1937608A (zh) * 2005-09-22 2007-03-28 国际商业机器公司 管理客户机－服务器通信的方法和计算机***
CN106777040A (zh) * 2016-12-09 2017-05-31 厦门大学 一种基于情感极性感知算法的跨媒体微博舆情分析方法
CN107105322A (zh) * 2017-05-23 2017-08-29 深圳市鑫益嘉科技股份有限公司 一种多媒体智能推送机器人及推送方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100057675A1 (en) 2008-08-27 2010-03-04 Microsoft Corporation Search Provider Recommendation
US20120290432A1 (en) * 2011-05-13 2012-11-15 Steven Tedjamulia Social Marketplace Affiliate Front End
US9172747B2 (en) 2013-02-25 2015-10-27 Artificial Solutions Iberia SL System and methods for virtual assistant networks
EP2881898A1 (en) * 2013-12-09 2015-06-10 Accenture Global Services Limited Virtual assistant interactivity platform
US9830044B2 (en) 2013-12-31 2017-11-28 Next It Corporation Virtual assistant team customization
US20150363862A1 (en) * 2014-06-13 2015-12-17 Connect Financial LLC Financial product recommendation for a consumer
US9418663B2 (en) * 2014-07-31 2016-08-16 Google Inc. Conversational agent with a particular spoken style of speech
US10332028B2 (en) * 2015-08-25 2019-06-25 Qualcomm Incorporated Method for improving performance of a trained machine learning model
US20190258818A1 (en) * 2016-02-08 2019-08-22 Consumerinfo.Com, Inc. Smart access control system for implementing access restrictions of regulated database records based on machine learning of trends
US20170250930A1 (en) * 2016-02-29 2017-08-31 Outbrain Inc. Interactive content recommendation personalization assistant
US10402740B2 (en) * 2016-07-29 2019-09-03 Sap Se Natural interactive user interface using artificial intelligence and freeform input
CA3035539A1 (en) * 2016-08-29 2018-03-08 TruValue Labs, Inc. Systems and methods for measuring collected content significance
US10380261B2 (en) * 2017-12-22 2019-08-13 Disney Enterprises, Inc. Conversational language and informational response systems and methods
US11323564B2 (en) * 2018-01-04 2022-05-03 Dell Products L.P. Case management virtual assistant to enable predictive outputs

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1937608A (zh) * 2005-09-22 2007-03-28 国际商业机器公司 管理客户机－服务器通信的方法和计算机***
CN106777040A (zh) * 2016-12-09 2017-05-31 厦门大学 一种基于情感极性感知算法的跨媒体微博舆情分析方法
CN107105322A (zh) * 2017-05-23 2017-08-29 深圳市鑫益嘉科技股份有限公司 一种多媒体智能推送机器人及推送方法

Also Published As

Publication number Publication date
US20190253517A1 (en) 2019-08-15
US10834227B2 (en) 2020-11-10
CN110162606A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN110162606B (zh) 用于解决客户端服务请求的会话代理学习模型服务选择
US11270076B2 (en) Adaptive evaluation of meta-relationships in semantic graphs
AU2020385264B2 (en) Fusing multimodal data using recurrent neural networks
US11599826B2 (en) Knowledge aided feature engineering
US9898541B2 (en) Generating derived links
US11544502B2 (en) Management of indexed data to improve content retrieval processing
US11972382B2 (en) Root cause identification and analysis
US11205138B2 (en) Model quality and related models using provenance data
US20160055496A1 (en) Churn prediction based on existing event data
WO2022018538A1 (en) Identifying source datasets that fit transfer learning process for target domain
US20220300822A1 (en) Forgetting data samples from pretrained neural network models
US20220147852A1 (en) Mitigating partiality in regression models
US11762896B2 (en) Relationship discovery and quantification
US20220171985A1 (en) Item recommendation with application to automated artificial intelligence
JP2024513293A (ja) トランスフォーマベースのモデルナレッジグラフリンク予測
US11163953B2 (en) Natural language processing and candidate response evaluation
US8712995B2 (en) Scoring records for sorting by user-specific weights based on relative importance
US9990414B2 (en) Cognitive architecture with content provider managed corpus
US20220405525A1 (en) Reliable inference of a machine learning model
US11947536B2 (en) Identifying and processing poly-process natural language queries
US11947561B2 (en) Heterogeneous schema discovery for unstructured data
US11429789B2 (en) Natural language processing and candidate response identification
US11615064B2 (en) Data management configuration tuning through link preference detection
US11907226B2 (en) Refining understanding of natural language database queries
US20230177077A1 (en) Enhancing input to conversational agents through feedback

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant